JP7353965B2 - 医用画像診断システム及び学習済みモデルの生成方法 - Google Patents

Description

本発明の実施形態は、医用画像診断システム及び学習済みモデルの生成方法に関する。

Ｘ線ＣＴ（Computed Tomography）装置を用いた検査において、メインスキャンに先立ってプリスキャンを実行し、プリスキャンにより取得された時系列の画像群を用いて、メインスキャンのタイミングを決定する技術が知られている。一例を挙げると、被検体に造影剤を注入した後、プリスキャンに基づいて関心領域（ＲＯＩ：Region of Interest）における信号強度を順次取得し、信号強度が閾値を超えたタイミングでメインスキャンへと移行する。しかしながら、最適な閾値を設定することは難しく、メインスキャンのタイミングを適切に決定することは容易でない。

米国特許出願公開第２０１７／０２９３００９号明細書 米国特許出願公開第２０１４／０１０７４７９号明細書 米国特許出願公開第２０１８／０１８２１３３号明細書

本発明が解決しようとする課題は、メインスキャンのタイミングを適切に決定することである。

実施形態の医用画像診断システムは、取得部と、決定部とを備える。取得部は、医用画像診断システムを使用した第１の検査において、造影剤が注入された第１の被検体に対して実行された第１のプリスキャンにより取得された第１の時系列の画像群、前記第１の時系列の画像群に基づいて生成された、前記第１の被検体の第１の関心領域に対応する第１の時系列の部分画像群、及び、前記第１の時系列の画像群に基づいて生成された、前記第１の関心領域内の信号強度に関する第１の時系列の情報のうち少なくとも１つと、前記第１の検査において前記第１のプリスキャンから第１のメインスキャンへ移行したタイミングに関するタイミング情報と、前記タイミングの妥当性に関する情報とを学習データとして使用して生成された学習済みモデルを取得する決定部は、前記第１の検査とは別の第２の検査において、前記第１の検査とは別の第２の検査において、造影剤が注入された第２の被検体に対して実行された第２のプリスキャンにより取得された第２の時系列の画像群、前記第２の時系列の画像群に基づいて生成された、前記第２の被検体の第２の関心領域に対応する第２の時系列の部分画像群、及び前記第２の時系列の画像群に基づいて生成された、前記第２の関心領域内の信号強度に関する第２の時系列の情報のうち少なくとも１つを、前記学習済みモデルに入力することにより、前記第２のプリスキャンから第２のメインスキャンへ移行する妥当なタイミングを決定する。

図１は、第１の実施形態に係るＸ線診断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Ｘ線ＣＴ装置の構成の一例を示すブロック図である。 図３は、第１の実施形態に係るＴＤＣの一例を示す図である。 図４Ａは、第１の実施形態に係るプリスキャンからメインスキャンへ移行するタイミングの一例を示す図である。 図４Ｂは、第１の実施形態に係る学習済みモデルの生成に用いる学習データの例を示す図である。 図５Ａは、第１の実施形態に係る学習済みモデルの使用例を示す図である。 図５Ｂは、第１の実施形態に係る学習済みモデルの使用例を示す図である。 図６Ａは、第１の実施形態に係る学習済みモデルの生成に用いる学習データの生成処理について説明するための図である。 図６Ｂは、第１の実施形態に係る学習済みモデルの生成に用いる学習データの例を示す図である。 図７は、第１の実施形態に係るＸ線診断システムの処理の一連の流れを説明するためのフローチャートである。 図８は、第１の実施形態に係る特定の信号値帯に関する情報について説明するための図である。 図９Ａは、第２の実施形態に係る学習データ取得の一例を示す図である。 図９Ｂは、第２の実施形態に係る学習済みモデルの生成に用いる学習データの例を示す図である。 図１０は、第２の実施形態に係る学習済みモデルの使用例を示す図である。 図１１は、第５の実施形態に係るプリスキャンからメインスキャンへ移行するタイミングの一例を示す図である。 図１２は、第６の実施形態に係るＸ線ＣＴ装置の構成の一例を示すブロック図である。

以下、図面を参照して、実施形態に係る医用画像診断システム及び学習済みモデルの生成方法を説明する。

（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、Ｘ線ＣＴ装置１０、画像保管装置２０及び医用情報処理装置３０を含んだＸ線診断システム１について説明する。

図１は、第１の実施形態に係るＸ線診断システム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線診断システム１は、Ｘ線ＣＴ装置１０と、画像保管装置２０と、医用情報処理装置３０とを備える。図１に示すように、Ｘ線ＣＴ装置１０、画像保管装置２０及び医用情報処理装置３０は、ネットワークＮＷを介して相互に接続される。

Ｘ線ＣＴ装置１０は、被検体から画像データを取得する装置である。例えば、Ｘ線ＣＴ装置１０は、被検体に対するプリスキャンを実行することで時系列の画像データ群を取得する。また、Ｘ線ＣＴ装置１０は、取得した時系列の画像データ群を医用情報処理装置３０に対して送信する。また、例えば、Ｘ線ＣＴ装置１０は、医用情報処理装置３０が決定したタイミングでプリスキャンからメインスキャンへ移行し、ＣＴ画像データを取得する。また、Ｘ線ＣＴ装置１０は、取得したＣＴ画像データを画像保管装置２０に対して送信する。なお、Ｘ線ＣＴ装置１０の構成については後述する。

画像保管装置２０は、Ｘ線診断システム１に含まれる装置により取得された各種の医用画像データを保管する装置である。例えば、画像保管装置２０は、Ｘ線ＣＴ装置１０により取得されたＣＴ画像データを受け付けて、装置内又は装置外に設けられたメモリに記憶させる。例えば、画像保管装置２０は、サーバ装置等のコンピュータ機器によって実現される。

医用情報処理装置３０は、ネットワークＮＷを介して、プリスキャンにより取得された時系列の画像データ群を取得し、取得した画像データ群に基づいてＸ線ＣＴ装置１０におけるメインスキャンのタイミングを決定する。例えば、医用情報処理装置３０は、第１の検査において取得した学習データを用いて、プリスキャンからメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルを生成する。そして、医用情報処理装置３０は、生成した学習済みモデルを用いて、第２の検査においてプリスキャンからメインスキャンへ移行するタイミングを決定する。なお、医用情報処理装置３０が行なう処理については後述する。例えば、医用情報処理装置３０は、ワークステーション等のコンピュータ機器によって実現される。

なお、ネットワークＮＷを介して接続可能であれば、Ｘ線ＣＴ装置１０、画像保管装置２０及び医用情報処理装置３０が設置される場所は任意である。例えば、医用情報処理装置３０は、Ｘ線ＣＴ装置１０と異なる病院に設置されてもよい。即ち、ネットワークＮＷは、院内で閉じたローカルネットワークにより構成されてもよいし、インターネットを介したネットワークでもよい。また、図１においてはＸ線ＣＴ装置１０を１つ示すが、Ｘ線診断システム１は複数のＸ線ＣＴ装置１０を含んでもよい。

図１に示すように、医用情報処理装置３０は、入力インターフェース３１と、ディスプレイ３２と、記憶回路３３と、モデル記憶回路３４と、処理回路３５とを有する。

入力インターフェース３１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３５に出力する。例えば、入力インターフェース３１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なうタッチパッド、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３１は、医用情報処理装置３０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３１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、医用情報処理装置３０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３５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３１の例に含まれる。

ディスプレイ３２は、各種の情報を表示する。例えば、ディスプレイ３２は、入力インターフェース３１を介して操作者から各種指示や各種設定等を受け付けるためのＧＵＩ（Graphical User Interface）を表示する。また、ディスプレイ３２は、被検体について取得された各種の画像を表示する。例えば、ディスプレイ３２は、プリスキャンにより取得された時系列の画像群を表示する。例えば、ディスプレイ３２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３２は、デスクトップ型でもよいし、医用情報処理装置３０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。

記憶回路３３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。例えば、記憶回路３３は、医用情報処理装置３０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、記憶回路３３は、医用情報処理装置３０とネットワークＮＷ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。

モデル記憶回路３４は、例えば、ＲＡＭ、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。ここで、モデル記憶回路３４は、記憶部の一例である。例えば、モデル記憶回路３４は、プリスキャンからメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルを記憶する。なお、モデル記憶回路３４が記憶する学習済みモデルについては後述する。モデル記憶回路３４は、クラウドにより実現されることとしてもよい。

処理回路３５は、取得機能３５１、学習機能３５２、決定機能３５３及び制御機能３５４を実行することで、医用情報処理装置３０全体の動作を制御する。ここで、取得機能３５１は、取得部の一例である。また、学習機能３５２は、学習部の一例である。また、決定機能３５３は、決定部の一例である。

例えば、処理回路３５は、取得機能３５１に対応するプログラムを記憶回路３３から読み出して実行することにより、Ｘ線診断システム１を使用した第１の検査において、造影剤が注入された被検体に対して実行されたプリスキャンにより取得された時系列の画像データ群をＸ線ＣＴ装置１０から取得する。また、取得機能３５１は、取得した時系列の画像データ群に基づいて、被検体の関心領域内の信号強度に関する時系列の情報を取得する。なお、取得機能３５１による処理については後述する。

また、例えば、処理回路３５は、学習機能３５２に対応するプログラムを記憶回路３３から読み出して実行することにより、学習済みモデルを生成する。一例を挙げると、学習機能３５２は、取得機能３５１により取得された時系列の情報と、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングに関するタイミング情報とを入力側の学習データとして使用し、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングの妥当性に関する情報を出力側の学習データとして使用し、第１の検査とは別の第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルを生成する。なお、学習機能３５２による処理については後述する。

また、例えば、処理回路３５は、決定機能３５３に対応するプログラムを記憶回路３３から読み出して実行することにより、学習機能３５２により生成された学習済みモデルを用いて、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定する。一例を挙げると、決定機能３５３は、第２の検査において、造影剤が注入された被検体に対して実行されたプリスキャンにより取得された時系列の画像データ群をＸ線ＣＴ装置１０から取得する。次に、決定機能３５３は、取得した時系列の画像データ群に基づいて、被検体の関心領域内の信号強度に関する時系列の情報を取得する。そして、決定機能３５３は、取得した時系列の情報を学習済みモデルに入力することにより、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定する。なお、決定機能３５３による処理については後述する。

また、例えば、処理回路３５は、制御機能３５４に対応するプログラムを記憶回路３３から読み出して実行することにより、ディスプレイ３２における表示の制御を行なう。例えば、制御機能３５４は、プリスキャンにより取得された時系列の画像データ群をディスプレイ３２に表示させる。また、制御機能３５４は、ネットワークＮＷを介して各種のデータを送信する。一例を挙げると、制御機能３５４は、決定機能３５３により決定された、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングをＸ線ＣＴ装置に対して送信する。なお、制御機能３５４による処理については後述する。

図１に示す医用情報処理装置３０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記憶回路３３へ記憶されている。処理回路３５は、記憶回路３３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３５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においては単一の処理回路３５にて、取得機能３５１、学習機能３５２、決定機能３５３及び制御機能３５４が実現するものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路３５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機能を実現するものとしても構わない。また、処理回路３５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。

次に、図２を用いて、Ｘ線ＣＴ装置１０について説明する。図２は、第１の実施形態に係るＸ線ＣＴ装置１０の構成の一例を示すブロック図である。図２に示すように、Ｘ線ＣＴ装置１０は、架台装置１１０と、寝台装置１３０と、コンソール装置１４０とを有する。

図２においては、非チルト状態での回転フレーム１１３の回転軸又は寝台装置１３０の天板１３３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２は、説明のために架台装置１１０を複数方向から描画したものであり、Ｘ線ＣＴ装置１０が架台装置１１０を１つ有する場合を示す。

架台装置１１０は、Ｘ線管１１１と、Ｘ線検出器１１２と、回転フレーム１１３と、Ｘ線高電圧装置１１４と、制御装置１１５と、ウェッジ１１６と、コリメータ１１７と、ＤＡＳ（Data Acquisition System）１１８とを有する。

Ｘ線管１１１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１１１は、Ｘ線高電圧装置１１４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。

Ｘ線検出器１１２は、Ｘ線を検出する検出素子を複数有する。Ｘ線検出器１１２における各検出素子は、Ｘ線管１１１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ＤＡＳ１１８へと出力する。Ｘ線検出器１１２は、例えば、Ｘ線管１１１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１１２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１１２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１１２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１１３は、Ｘ線管１１１とＸ線検出器１１２とを対向支持し、制御装置１１５によってＸ線管１１１とＸ線検出器１１２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１１３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１１３は、Ｘ線管１１１及びＸ線検出器１１２に加えて、Ｘ線高電圧装置１１４やウェッジ１１６、コリメータ１１７、ＤＡＳ１１８等を更に支持することもできる。更に、回転フレーム１１３は、図２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。以下では、架台装置１１０において、回転フレーム１１３、及び、回転フレーム１１３と共に回転移動する部分を、回転部とも記載する。

Ｘ線高電圧装置１１４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１１１に印加する高電圧を発生する高電圧発生装置と、Ｘ線管１１１が発生するＸ線に応じた出力電圧の制御を行なう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１１４は、回転フレーム１１３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１１５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１１５は、入力インターフェース１４３からの入力信号を受けて、架台装置１１０及び寝台装置１３０の動作制御を行なう。例えば、制御装置１１５は、回転フレーム１１３の回転や架台装置１１０のチルト、寝台装置１３０及び天板１３３の動作等について制御を行なう。なお、制御装置１１５は架台装置１１０に設けられてもよいし、コンソール装置１４０に設けられてもよい。

ウェッジ１１６は、Ｘ線管１１１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１１６は、Ｘ線管１１１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１１１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１１６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１１７は、ウェッジ１１６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１１７は、Ｘ線絞りと呼ばれる場合もある。また、図２においては、Ｘ線管１１１とコリメータ１１７との間にウェッジ１１６が配置される場合を示すが、Ｘ線管１１１とウェッジ１１６との間にコリメータ１１７が配置される場合であってもよい。この場合、ウェッジ１１６は、Ｘ線管１１１から照射され、コリメータ１１７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。

ＤＡＳ１１８は、Ｘ線検出器１１２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、ＤＡＳ１１８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なう増幅器と、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。ＤＡＳ１１８は、例えば、プロセッサにより実現される。

ＤＡＳ１１８が生成したデータは、回転フレーム１１３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１１０の非回転部分（例えば、固定フレーム等。図２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１４０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１１３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１１３から架台装置１１０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１３０は、スキャン対象である被検体Ｐを載置、移動させる装置であり、基台１３１と、寝台駆動装置１３２と、天板１３３と、支持フレーム１３４とを有する。基台１３１は、支持フレーム１３４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１３２は、被検体Ｐが載置された天板１３３を、天板１３３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１３４の上面に設けられた天板１３３は、被検体Ｐが載置される板である。なお、寝台駆動装置１３２は、天板１３３に加え、支持フレーム１３４を天板１３３の長軸方向に移動してもよい。

コンソール装置１４０は、記憶回路１４１と、ディスプレイ１４２と、入力インターフェース１４３と、処理回路１４４とを有する。なお、コンソール装置１４０は架台装置１１０とは別体として説明するが、架台装置１１０にコンソール装置１４０又はコンソール装置１４０の各構成要素の一部が含まれてもよい。

記憶回路１４１は、例えば、ＲＡＭ、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。記憶回路１４１は、例えば、投影データや、投影データに基づいて再構成された画像データを記憶する。また、例えば、記憶回路１４１は、Ｘ線ＣＴ装置１０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。記憶回路１４１は、クラウドにより実現されることとしてもよい。

ディスプレイ１４２は、各種の情報を表示する。例えば、ディスプレイ１４２は、処理回路１４４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を表示したりする。例えば、ディスプレイ１４２は、液晶ディスプレイやＣＲＴディスプレイである。ディスプレイ１４２は、デスクトップ型でもよいし、コンソール装置１４０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１４３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１４４に出力する。例えば、入力インターフェース１４３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なうタッチパッド、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１４３は、架台装置１１０に設けられてもよい。また、入力インターフェース１４３は、コンソール装置１４０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１４３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１４０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１４４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１４３の例に含まれる。

処理回路１４４は、システム制御機能１４４ａ、前処理機能１４４ｂ、生成機能１４４ｃ及び制御機能１４４ｄを実行することで、Ｘ線ＣＴ装置１０全体の動作を制御する。

例えば、処理回路１４４は、システム制御機能１４４ａに相当するプログラムを記憶回路１４１から読み出して実行することにより、被検体Ｐに対するスキャンを実行する。例えば、システム制御機能１４４ａは、Ｘ線高電圧装置１１４を制御することにより、Ｘ線管１１１に高電圧を供給する。これにより、Ｘ線管１１１は、被検体Ｐに対し照射するＸ線を発生する。また、システム制御機能１４４ａは、寝台駆動装置１３２を制御することにより、被検体Ｐを架台装置１１０の撮影口内へ移動させる。また、システム制御機能１４４ａは、コリメータ１１７の開口度及び位置を調整する。また、システム制御機能１４４ａは、制御装置１１５を制御することにより回転部を回転させる。なお、システム制御機能１４４ａによってスキャンが実行される間、ＤＡＳ１１８は、Ｘ線検出器１１２における各検出素子からＸ線の信号を収集し、検出データを生成する。

また、処理回路１４４は、前処理機能１４４ｂに相当するプログラムを記憶回路１４１から読み出して実行することにより、ＤＡＳ１１８から出力された検出データに対し前処理を施す。例えば、前処理機能１４４ｂは、ＤＡＳ１１８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、チャン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す。なお、前処理を施した後のデータについては生データとも記載する。また、前処理を施す前の検出データ及び前処理を施した後の生データを総称して、投影データとも記載する。

また、処理回路１４４は、生成機能１４４ｃに相当するプログラムを記憶回路１４１から読み出して実行することにより、補正後の生データに基づいて画像データを生成する。例えば、生成機能１４４ｃは、補正後の生データに対して、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なって画像データを生成する。一例を挙げると、生成機能１４４ｃは、プリスキャンにより取得された時系列の複数の生データに基づいて時系列の画像データ群を生成する。また、一例を挙げると、生成機能１４４ｃは、メインスキャンにより取得された生データに基づいて、ＣＴ画像データを生成する。

また、例えば、処理回路１４４は、制御機能１４４ｄに対応するプログラムを記憶回路１４１から読み出して実行することにより、ディスプレイ１４２における表示の制御を行なう。例えば、制御機能１４４ｄは、入力インターフェース１４３を介して操作者から受け付けた入力操作等に基づいて、生成機能１４４ｃにより生成されたＣＴ画像データを、公知の方法により表示用のＣＴ画像（任意断面の断層像データや３次元画像データ等）に変換する。そして、制御機能１４４ｄは、変換した表示用のＣＴ画像をディスプレイ１４２に表示させる。また、制御機能１４４ｄは、ネットワークＮＷを介して各種のデータを送信する。一例を挙げると、制御機能１４４ｄは、プリスキャンにより取得された時系列の画像データ群を、医用情報処理装置３０に対して送信する。

図２に示すＸ線ＣＴ装置１０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記憶回路１４１へ記憶されている。処理回路１４４は、記憶回路１４１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、プログラムを読み出した状態の処理回路１４４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２においては単一の処理回路１４４にて、システム制御機能１４４ａ、前処理機能１４４ｂ、生成機能１４４ｃ及び制御機能１４４ｄが実現するものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路１４４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機能を実現するものとしても構わない。また、処理回路１４４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。

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。プロセッサは記憶回路３３又は記憶回路１４１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及び図２においては、単一の記憶回路３３又は記憶回路１４１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、複数の記憶回路３３を分散して配置し、処理回路３５は、個別の記憶回路３３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。同様に、複数の記憶回路１４１を分散して配置し、処理回路１４４は、個別の記憶回路１４１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、記憶回路３３及び記憶回路１４１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３５及び処理回路１４４は、ネットワークＮＷ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３５は、記憶回路３３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、医用情報処理装置３０とネットワークＮＷを介して接続されたサーバ群（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。

以上、Ｘ線ＣＴ装置１０、画像保管装置２０及び医用情報処理装置３０を含んだＸ線診断システム１について説明した。かかる構成のもと、Ｘ線診断システム１は、処理回路３５による処理によって、メインスキャンのタイミングを適切に決定する。

まず、メインスキャンのタイミングを閾値により決定する場合について説明する。例えば、被検体Ｐ１１に対する検査Ｅ１１において、Ｘ線ＣＴ装置１０は、メインスキャンに先立ち、造影剤が注入された被検体Ｐ１１に対してプリスキャンを実行する。なお、被検体Ｐ１１は、図２に示した被検体Ｐの一例である。ここで、Ｘ線ＣＴ装置１０は、プリスキャンにより取得された画像データを、医用情報処理装置３０に対して順次送信する。また、医用情報処理装置３０における取得機能３５１は、送信された画像データを順次取得する。即ち、取得機能３５１は、時系列の画像データ群を取得する。

また、取得機能３５１は、取得した時系列の画像データ群に基づいて、図３に示すＴＤＣ（Time Density Curve）を取得する。ここで、ＴＤＣは、被検体Ｐ１１の関心領域内の信号強度に関する時系列の情報の例である。即ち、取得機能３５１は、Ｘ線ＣＴ装置１０から取得した時系列の画像データ群に基づいて、被検体Ｐ１１の関心領域内の信号強度に関する時系列の情報を取得する。なお、図３は、第１の実施形態に係るＴＤＣの一例を示す図である。

より具体的には、システム制御機能１４４ａは、まず、メインスキャンにおける対象部位と、プリスキャンにおける対象部位とをそれぞれ設定する。ここで、メインスキャンにおける対象部位とは、例えば、検査Ｅ１１における治療対象部位である。また、プリスキャンにおける対象部位とは、例えば、メインスキャンにおける対象部位が造影されるタイミングを計るためにモニターする部位である。

一例を挙げると、メインスキャンにおける対象部位が「心臓」である場合、システム制御機能１４４ａは、プリスキャンにおける対象部位として「大動脈」を設定する。ここで、被検体Ｐ１１の静脈に造影剤が注入された場合、造影剤は、被検体Ｐ１１の左心房、左心室を経て、大動脈に到達する。従って、プリスキャンにおいて「大動脈」をモニターし、「大動脈」への造影剤の到達状況に応じてメインスキャンを実行することで、被検体Ｐ１１の左心房及び左心室が明瞭に造影されたＣＴ画像を取得することが可能である。なお、プリスキャンにおける対象部位については、操作者がマニュアルで設定してもよいし、メインスキャンにおける対象部位に応じてシステム制御機能１４４ａが自動で設定してもよい。

次に、システム制御機能１４４ａは、造影剤が注入された被検体Ｐ１１の「大動脈」についてプリスキャンを実行する。また、システム制御機能１４４ａによってプリスキャンが実行される間、ＤＡＳ１１８は、Ｘ線検出器１１２における各検出素子からＸ線の信号を収集し、投影データを順次生成する。また、前処理機能１４４ｂは、ＤＡＳ１１８から出力された投影データに対して前処理を順次施す。また、生成機能１４４ｃは、前処理機能１４４ｂが投影データに対する前処理を実行するごとに、前処理が施された投影データに基づいて画像データを順次生成する。即ち、生成機能１４４ｃは、プリスキャンにおける対象部位「大動脈」を含むスライスを順次生成する。また、制御機能１４４ｄは、生成された画像データを医用情報処理装置３０に対して順次送信する。また、取得機能３５１は、送信された画像データを順次取得する。

また、取得機能３５１は、被検体Ｐ１１の関心領域を設定する。例えば、取得機能３５１は、Ｘ線ＣＴ装置１０から取得した画像データにおいて被検体Ｐ１１の「大動脈」を含む領域を、関心領域として設定する。一例を挙げると、制御機能３５４は、取得された画像データをディスプレイ３２に表示させる。そして、取得機能３５１は、画像データを参照した操作者から関心領域を設定する操作を受け付けることにより、関心領域を設定する。なお、取得機能３５１は、画像処理により関心領域を自動で設定することとしてもよい。

次に、取得機能３５１は、プリスキャンにより取得された時系列の画像データ群における関心領域の信号強度に基づいてＴＤＣを取得する。例えば、取得機能３５１は、時系列の画像データ群における各画像データについて、関心領域内のＨＵ値（画素値）を時間軸に対応付けてプロットすることにより、図３に示すＴＤＣを取得する。なお、図３の横軸は時間ｔを示し、縦軸は関心領域内のＨＵ値を示す。

また、取得機能３５１は、Ｘ線ＣＴ装置１０から新たに画像データを取得するごとに、新たに取得した画像データの関心領域内のＨＵ値を時間軸に対応付けてプロットし、ＴＤＣを順次更新する。なお、以下では、図４ＡのタイミングＴ１１まで更新されたＴＤＣを、ＴＤＣＣ１１と記載する。図４ＡのＴＤＣＣ１１に示すように、タイミングＴ１１においてＨＵ値が閾値Ａ１１に到達した場合、決定機能３５３は、タイミングＴ１１を、検査Ｅ１１においてプリスキャンからメインスキャンへ移行するタイミングとして決定する。なお、図４Ａは、第１の実施形態に係るプリスキャンからメインスキャンへ移行するタイミングの一例を示す図である。

また、制御機能３５４は、決定されたタイミングＴ１１をＸ線ＣＴ装置１０に対して送信する。また、Ｘ線ＣＴ装置１０は、タイミングＴ１１においてプリスキャンからメインスキャンへ移行し、図４Ａに示すＣＴ画像データＩ１１を取得する。即ち、Ｘ線ＣＴ装置１０は、関心領域内のＨＵ値が閾値に到達したことをトリガとしてプリスキャンからメインスキャンへ移行し、ＣＴ画像データＩ１１を取得する。なお、メインスキャンへの移行に伴ってプリスキャンは終了し、ＴＤＣの更新も終了する。

ここで、閾値Ａ１１が最適なものである場合、メインスキャンにより、被検体Ｐ１１の「心臓」について最適なＣＴ画像データＩ１１が取得されることとなる。しかしながら、造影剤の拡散速度や関心領域内のＨＵ値の大きさについては個人差もあり、閾値Ａ１１を最適化することは容易ではない。即ち、検査Ｅ１１においてプリスキャンからメインスキャンへ移行したタイミングＴ１１が妥当なものであるとは限らず、妥当なタイミングに対して遅かったり早かったりする場合がある。

次に、学習機能３５２は、検査Ｅ１１においてプリスキャンからメインスキャンへ移行したタイミングＴ１１の妥当性に関する情報を取得する。例えば、学習機能３５２は、図４Ａに示すように、メインスキャンにより取得されたＣＴ画像データＩ１１を用いて、タイミングＴ１１の妥当性に関する情報を取得する。

ここで、一例として、検査Ｅ１１において操作者が被検体Ｐ１１の左心室を観察しようとしている場合について説明する。かかる場合において、ＣＴ画像データＩ１１に現れた左心房が左心室よりも明瞭に描出されている場合、タイミングＴ１１よりも遅いタイミングでプリスキャンからメインスキャンへ移行していれば、タイミングＴ１１において左心房に分布していた高濃度の造影剤が左心室へ流入し、左心室がより明瞭に描出されたＣＴ画像データを取得できた可能性がある。従って、ＣＴ画像データＩ１１に現れた左心房が左心室よりも明瞭に描出されている場合、学習機能３５２は、タイミングＴ１１が「早い」と判定することができる。

また、例えば、ＣＴ画像データＩ１１に左心房がほとんど描出されていない場合、タイミングＴ１１において、被検体Ｐ１１の心臓からの造影剤の排出が略完了しているといえる。即ち、ＣＴ画像データＩ１１に左心室が現れているとしても、タイミングＴ１１よりも早いタイミングでプリスキャンからメインスキャンへ移行していれば、左心室がより明瞭に描出されたＣＴ画像データを取得できた可能性がある。従って、ＣＴ画像データＩ１１に左心房がほとんど描出されていない場合、学習機能３５２は、タイミングＴ１１が「遅い」と判定することができる。

また、例えば、ＣＴ画像データＩ１１において左心房及び大動脈と比較して左心室が明瞭に描出されている場合、学習機能３５２は、タイミングＴ１１が「妥当」と判定することができる。即ち、左心房及び大動脈と比較して左心室がより明瞭に描出されている場合、タイミングＴ１１よりも遅いタイミングでプリスキャンからメインスキャンへ移行していれば、左心室から大動脈へ造影剤が流出し、取得されるＣＴ画像データにおいて左心室が不明瞭となっていた可能性がある。また、左心房及び大動脈と比較して左心室がより明瞭に描出されている場合、タイミングＴ１１よりも早いタイミングでプリスキャンからメインスキャンへ移行していれば、左心房から左心室への造影剤の流入が不十分となり、取得されるＣＴ画像データにおいて左心室が不明瞭となっていた可能性がある。従って、ＣＴ画像データＩ１１において左心房及び大動脈と比較して左心室がより明瞭に描出されている場合、学習機能３５２は、タイミングＴ１１が「妥当」と判定することができる。

上述したように、検査Ｅ１１において操作者が左心室を観察しようとしている場合、学習機能３５２は、ＣＴ画像データＩ１１において左心房、左心室及び大動脈がどのように造影されているかに応じて、タイミングＴ１１の妥当性に関する情報を取得することができる。即ち、学習機能３５２は、検査Ｅ１１における検査目的と、検査Ｅ１１において取得されたＣＴ画像データＩ１１とに基づいて、タイミングＴ１１の妥当性に関する情報を取得することができる。以下では、タイミングＴ１１の妥当性に関する情報として「妥当」を取得した場合を例として説明する。

学習機能３５２は、複数の検査について、検査Ｅ１１と同様に、プリスキャンからメインスキャンへ移行したタイミングの妥当性に関する情報を取得する。例えば、被検体Ｐ１１に対して実行された、検査Ｅ１１とは別の検査Ｅ１２において、取得機能３５１は、造影剤が注入された被検体Ｐ１１に対して実行されたプリスキャンにより取得された時系列の画像データ群に基づいて、関心領域内のＨＵ値を時間軸に対応付けてプロットすることにより、ＴＤＣを取得する。

また、決定機能３５３は、ＴＤＣが示すＨＵ値が閾値Ａ１１に到達したタイミングＴ１２を、検査Ｅ１２においてプリスキャンからメインスキャンへ移行するタイミングとして決定する。なお、検査Ｅ１２においてタイミングＴ１２まで更新されたＴＤＣについては、ＴＤＣＣ１２とも記載する。また、Ｘ線ＣＴ装置１０は、タイミングＴ１２においてプリスキャンからメインスキャンへ移行し、ＣＴ画像データＩ１２を取得する。また、学習機能３５２は、検査Ｅ１２における検査目的と、検査Ｅ１２において取得されたＣＴ画像データＩ１２とに基づいて、タイミングＴ１２の妥当性に関する情報「遅い」を取得する。

また、例えば、被検体Ｐ１１と異なる被検体Ｐ１２に対して実行された検査Ｅ１３において、取得機能３５１は、造影剤が注入された被検体Ｐ１２に対して実行されたプリスキャンにより取得された時系列の画像データ群に基づいて、関心領域内のＨＵ値を時間軸に対応付けてプロットすることにより、ＴＤＣを取得する。なお、被検体Ｐ１２は、図２に示した被検体Ｐの一例である。

また、決定機能３５３は、ＴＤＣが示すＨＵ値が閾値Ａ１１に到達したタイミングＴ１３を、検査Ｅ１３においてプリスキャンからメインスキャンへ移行するタイミングとして決定する。なお、検査Ｅ１３においてタイミングＴ１３まで更新されたＴＤＣについては、ＴＤＣＣ１３とも記載する。また、Ｘ線ＣＴ装置１０は、タイミングＴ１３においてプリスキャンからメインスキャンへ移行し、ＣＴ画像データＩ１３を取得する。また、学習機能３５２は、検査Ｅ１３における検査目的と、検査Ｅ１３において取得されたＣＴ画像データＩ１３とに基づいて、タイミングＴ１３の妥当性に関する情報「早い」を取得する。

次に、学習機能３５２は、プリスキャンにより取得された時系列の画像群に基づいて生成された、関心領域内の信号強度に関する時系列の情報と、プリスキャンからメインスキャンへ移行したタイミングに関するタイミング情報とを入力側の学習データとして使用し、プリスキャンからメインスキャンへ移行したタイミングの妥当性に関する情報を出力側の学習データとして使用し、プリスキャンからメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルＭ１を生成する。

例えば、学習機能３５２は、検査Ｅ１１において取得したＴＤＣＣ１１と、検査Ｅ１１においてプリスキャンからメインスキャンへ移行したタイミングＴ１１に関するタイミング情報とを、入力側の学習データとして使用する。なお、タイミングＴ１１に関するタイミング情報とは、タイミングＴ１１を直接的又は間接的に示す情報である。例えば、タイミング情報は、タイミングＴ１１を示す時刻である。以下では、タイミングＴ１１に関するタイミング情報を、単にタイミングＴ１１とも記載する。一例を挙げると、学習機能３５２は、図４Ａに示したように、タイミングＴ１１に関するタイミング情報として、検査Ｅ１１におけるプリスキャンにより取得された画像データ中の被検体Ｐ１１の関心領域内の信号強度が閾値Ａ１１を超えたタイミングＴ１１を取得する。

即ち、学習機能３５２は、図４Ｂに示すように、検査Ｅ１１において取得したＴＤＣＣ１１とタイミングＴ１１とを、入力側の学習データとして使用する。また、学習機能３５２は、検査Ｅ１１において取得した、タイミングＴ１１の妥当性に関する情報「妥当」を出力側の学習データとして使用する。なお、図４Ｂは、第１の実施形態に係る学習済みモデルＭ１の生成に用いる学習データの例を示す図である。

また、学習機能３５２は、検査Ｅ１２において取得したＴＤＣＣ１２と、検査Ｅ１２においてプリスキャンからメインスキャンへ移行したタイミングＴ１２とを、入力側の学習データとして使用する。また、学習機能３５２は、検査Ｅ１２において取得した、タイミングＴ１２の妥当性に関する情報「遅い」を出力側の学習データとして使用する。また、学習機能３５２は、検査Ｅ１３において取得したＴＤＣＣ１３と、検査Ｅ１３においてプリスキャンからメインスキャンへ移行したタイミングＴ１３とを、入力側の学習データとして使用する。また、学習機能３５２は、検査Ｅ１３において取得した、タイミングＴ１３の妥当性に関する情報「早い」を出力側の学習データとして使用する。

学習済みモデルＭ１は、例えば、ニューラルネットワーク（Neural Network）により構成することができる。ニューラルネットワークとは、層状に並べた隣接層間が結合した構造を有し、情報が入力層側から出力層側に伝播するネットワークである。例えば、学習機能３５２は、図４Ｂに示した学習データを用いて、多層のニューラルネットワークについて深層学習（ディープラーニング）を実行することで、学習済みモデルＭ１を生成する。なお、多層のニューラルネットワークは、例えば、入力層と、複数の中間層（隠れ層）と、出力層とにより構成される。

一例を挙げると、学習機能３５２は、図４Ｂに示した入力側の学習データをニューラルネットワークに入力する。ここで、ニューラルネットワークにおいては、例えば、入力層側から出力層側に向かって一方向に隣接層間でのみ結合しながら情報が伝播し、出力層からは「早い」、「妥当」及び「遅い」の３クラスへの分類結果が出力される。そして、学習機能３５２は、図４Ｂに示した入力側の学習データを入力した際にニューラルネットワークが好ましい結果を出力することができるよう、ニューラルネットワークのパラメータを調整する。

例えば、学習機能３５２は、ニューラルネットワークからの出力と、図４Ｂに示した出力側データとの不整合を解消するように、ニューラルネットワークのパラメータを調整する。これにより、学習機能３５２は、ＴＤＣ及びタイミングの入力を受けて、入力されたタイミングが「早い」、「妥当」及び「遅い」のいずれのクラスに該当するかを出力するように機能付けられた学習済みモデルＭ１を生成することができる。また、学習機能３５２は、生成した学習済みモデルＭ１をモデル記憶回路３４に記憶させる。

なお、入力層側から出力層側に向かって一方向に情報が伝播するニューラルネットワークについては、畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）とも呼ばれる。学習済みモデルＭ１は、畳み込みニューラルネットワークにより構成する場合に限らず、他のニューラルネットワークにより構成することとしても構わない。

一例を挙げると、学習済みモデルＭ１は、再帰型ニューラルネットワーク（ＲＮＮ：Ｒｅｃｕｒｒｅｎｔ ＮｅｕｒａｌＮｅｔｗｏｒｋ）により構成されてもよい。この場合、再帰型ニューラルネットワークにおいては、例えば、入力層側から出力層側に向かって情報が伝播するのみならず、中間層から出力された情報が再度他の中間層に入力される。

例えば、ＴＤＣはプリスキャンの間に順次更新されるものであり、経時的に変化するデータである。また、学習機能３５２は、ＴＤＣを加工して、より過去の時点におけるＴＤＣを生成することが可能である。そこで、学習機能３５２は、かかるＴＤＣの経時的変化を含めて再帰型ニューラルネットワークを学習させ、学習済みモデルＭ１を生成する。

一例を挙げると、図４Ａに示したＴＤＣＣ１１はタイミングＴ１１におけるＴＤＣである。また、学習機能３５２は、ＴＤＣＣ１１を加工して、タイミングＴ１１より前のタイミングＴ１１１におけるＴＤＣＣ１１１と、タイミングＴ１１１より前のタイミングＴ１１２におけるＴＤＣＣ１１２とを生成する。即ち、学習機能３５２は、経時的に変化する複数のＴＤＣを生成する。

そして、学習機能３５２は、これら経時的に変化する複数のＴＤＣを再帰型ニューラルネットワークに入力する。ここで、再帰型ニューラルネットワークにおいては、入力層側から出力層側に向かって情報が伝播するとともに、例えば、ＴＤＣＣ１１１を入力した際の中間層からの出力がＴＤＣＣ１１を入力する際の中間層に入力されたり、ＴＤＣＣ１１１を入力した際の中間層からの出力がＴＤＣＣ１１２を入力した際の中間層に入力されたりする。即ち、再帰型ニューラルネットワークにおいては、ある時相における中間層からの出力が、他の時相における中間層に対してフィードバックされる。

なお、学習済みモデルＭ１がニューラルネットワークにより構成されるものとして説明したが、実施形態はこれに限定されるものではない。即ち、学習機能３５２は、ニューラルネットワーク以外の機械学習手法により、学習済みモデルＭ１を生成してもよい。例えば、学習機能３５２は、ＳＶＭ（サポートベクターマシン）等のデータの分類を行なう機械学習手法によって、学習済みモデルＭ１を生成してもよい。

上述したように、学習機能３５２は、検査Ｅ１１や検査Ｅ１２、検査Ｅ１３等において取得した学習データを使用して、学習済みモデルＭ１を生成する。なお、以下では、Ｘ線診断システム１を使用した検査のうち学習データを取得する検査を、第１の検査とも記載する。即ち、取得機能３５１は、第１の検査において、造影剤が注入された被検体に対して実行されたプリスキャンにより取得された時系列の画像群に基づいて生成されたＴＤＣを取得する。また、学習機能３５２は、取得機能３５１が取得したＴＤＣと、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングに関するタイミング情報とを入力側の学習データとして使用し、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングの妥当性に関する情報を出力側の学習データとして使用して、学習済みモデルＭ１を生成する。

また、決定機能３５３は、学習済みモデルＭ１を用いて、第１の検査とは別の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定する。なお、学習済みモデルＭ１が使用される検査については、第２の検査とも記載する。即ち、学習機能３５２は、第１の検査とは別の第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルＭ１を生成し、決定機能３５３は、第２の検査において、学習済みモデルＭ１を用いてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定する。

以下、図５Ａ及び図５Ｂを用いて、学習済みモデルＭ１の使用例を説明する。図５Ａ及び図５Ｂは、第１の実施形態に係る学習済みモデルＭ１の使用例を示す図である。なお、図５Ａ及び図５Ｂにおいては、被検体Ｐ１１及び被検体Ｐ１２と異なる被検体Ｐ１３に対する検査Ｅ１４において、学習済みモデルＭ１を使用して、プリスキャンからメインスキャンへ移行する妥当なタイミングを決定する場合について説明する。なお、被検体Ｐ１３は、図２に示した被検体Ｐの一例である。また、検査Ｅ１４は、第２の検査の一例である。

検査Ｅ１４において、システム制御機能１４４ａは、まず、メインスキャンにおける対象部位とプリスキャンにおける対象部位とをそれぞれ設定する。以下では一例として、検査Ｅ１４のメインスキャンにおける対象部位が「心臓」であり、検査Ｅ１４のプリスキャンにおける対象部位が「大動脈」であるものとして説明する。次に、システム制御機能１４４ａは、造影剤が注入された被検体Ｐ１３の「大動脈」についてプリスキャンを実行する。また、システム制御機能１４４ａによってプリスキャンが実行される間、ＤＡＳ１１８は、Ｘ線検出器１１２における各検出素子からＸ線の信号を収集し、投影データを順次生成する。また、前処理機能１４４ｂは、ＤＡＳ１１８から出力された投影データに対して前処理を順次施す。また、生成機能１４４ｃは、前処理が施された投影データに基づいて画像データを順次生成する。また、制御機能１４４ｄは、生成された画像データを医用情報処理装置３０に対して順次送信する。また、取得機能３５１は、送信された画像データを順次取得する。また、取得機能３５１は、被検体Ｐ１３の関心領域を設定する。

次に、取得機能３５１は、プリスキャンにより取得された時系列の画像データ群における関心領域の信号強度に基づいてＴＤＣを取得する。例えば、取得機能３５１は、時系列の画像データ群における各画像データについて、関心領域内のＨＵ値を時間軸に対応付けてプロットすることによりＴＤＣを取得する。また、取得機能３５１は、Ｘ線ＣＴ装置１０から新たに画像データを取得するごとに、新たに取得した画像データの関心領域内のＨＵ値を時間軸に対応付けてプロットし、ＴＤＣを順次更新する。なお、以下では、図５ＡのタイミングＴ１４１まで更新されたＴＤＣを、ＴＤＣＣ１４１と記載する。また、以下では、図５ＢのタイミングＴ１４２まで更新されたＴＤＣを、ＴＤＣＣ１４２と記載する。

ここで、決定機能３５３は、取得したＴＤＣを、順次、学習済みモデルＭ１に入力する。例えば、決定機能３５３は、タイミングＴ１４１において、図５Ａに示したＴＤＣＣ１４１を学習済みモデルＭ１に入力する。ここで、学習済みモデルＭ１は、ＴＤＣＣ１４１及びタイミングＴ１４１の入力を受けて、タイミングＴ１４１が「早い」、「妥当」及び「遅い」のいずれのクラスに該当するかを出力する。なお、図５Ａは、学習済みモデルＭ１が「早い」を出力した場合を示す。この場合、決定機能３５３は、タイミングＴ１４１について、プリスキャンからメインスキャンへ移行する妥当なタイミングではないと判定する。

また、例えば、決定機能３５３は、タイミングＴ１４２において、図５Ｂに示したＴＤＣＣ１４２を学習済みモデルＭ１に入力する。ここで、学習済みモデルＭ１は、ＴＤＣＣ１４２及びタイミングＴ１４２の入力を受けて、タイミングＴ１４２が「早い」、「妥当」及び「遅い」のいずれのクラスに該当するかを出力する。なお、図５Ｂは、学習済みモデルＭ１が「妥当」を出力した場合を示す。この場合、決定機能３５３は、タイミングＴ１４２を、プリスキャンからメインスキャンへ移行する妥当なタイミングとして決定する。

また、制御機能３５４は、決定されたタイミングＴ１４２をＸ線ＣＴ装置１０に対して送信する。また、Ｘ線ＣＴ装置１０は、タイミングＴ１４２においてプリスキャンからメインスキャンへ移行し、ＣＴ画像データＩ１４（図示せず）を取得する。即ち、Ｘ線ＣＴ装置１０は、学習済みモデルＭ１を用いて決定されたタイミングＴ１４２においてプリスキャンからメインスキャンへ移行し、ＣＴ画像データＩ１４を取得する。なお、メインスキャンへの移行に伴ってプリスキャンは終了し、ＴＤＣの更新も終了する。

ここで、学習済みモデルＭ１によれば、プリスキャンからメインスキャンへ移行するタイミングを決定する上で、図３に示した閾値Ａ１１を設定する必要はない。また、学習済みモデルＭ１によれば、単に関心領域内のＨＵ値の大きさを評価するのみならず、ＨＵ値の変遷（即ち、ＴＤＣの形状）をも評価して、プリスキャンからメインスキャンへ移行するタイミングを精度良く決定することができる。従って、第１の実施形態に係るＸ線診断システム１は、学習済みモデルＭ１により、メインスキャンのタイミングを適切に決定することができる。

更に、学習機能３５２は、検査Ｅ１４において取得された学習データを用いて、学習済みモデルＭ１を生成してもよい。即ち、学習機能３５２は、検査Ｅ１４において取得された学習データを用いて、学習済みモデルＭ１を更新してもよい。例えば、学習機能３５２は、検査Ｅ１４における検査目的と、検査Ｅ１４において取得されたＣＴ画像データＩ１４とに基づいて、タイミングＴ１４２の妥当性に関する情報を取得する。また、学習機能３５２は、図５Ｂに示したＴＤＣＣ１４２と、検査Ｅ１４においてプリスキャンからメインスキャンへ移行したタイミングＴ１４２とを入力側の学習データとして使用し、タイミングＴ１４２の妥当性に関する情報を出力側の学習データとして使用して、学習済みモデルＭ１を更新する。

即ち、学習機能３５２は、検査Ｅ１４について学習済みモデルＭ１を使用した後、検査Ｅ１４から学習データを取得する。この場合、検査Ｅ１４は、第１の検査及び第２の検査の双方に該当することとなる。そして、検査Ｅ１４から取得された学習データにより学習済みモデルＭ１を更新することで、学習機能３５２は、学習済みモデルＭ１の精度を向上させ、メインスキャンのタイミングをより適切に決定することを可能とする。即ち、Ｘ線診断システム１においては、プリスキャン及びメインスキャンを含む検査が繰り返し実行されることによって、次第に、メインスキャンのタイミングをより適切に決定できるようになる。

また、学習機能３５２は、１つの検査から取得された学習データに基づいて、複数の学習データを生成してもよい。以下、被検体Ｐ１４に対して実行された検査Ｅ１５を例として説明する。なお、被検体Ｐ１４は、図２に示した被検体Ｐの一例である。例えば、学習機能３５２は、検査Ｅ１５から、学習データとして、検査Ｅ１５において取得されたＴＤＣ１５と、検査Ｅ１５においてプリスキャンからメインスキャンへ移行したタイミングＴ１５と、タイミングＴ１５の妥当性に関する情報「遅い」とを取得する。そして、学習機能３５２は、ＴＤＣ１５とタイミングＴ１５とタイミングＴ１５の妥当性に関する情報「遅い」との組み合わせから成る学習データに基づいて、複数の学習データを生成する。

例えば、学習機能３５２は、図６Ａに示すように、タイミングＴ１５まで更新されたＴＤＣであるＴＤＣ１５を加工して、タイミングＴ１５より前のタイミングＴ１５１におけるＴＤＣＣ１５１と、タイミングＴ１５１より前のタイミングＴ１５２におけるＴＤＣＣ１５２とを生成する。これにより、学習機能３５２は、ＴＤＣ１５とタイミングＴ１５とタイミングＴ１５の妥当性に関する情報「遅い」との組み合わせから、ＴＤＣＣ１５１とタイミングＴ１５１とタイミングＴ１５１の妥当性に関する情報「妥当」との組み合わせ、及び、ＴＤＣＣ１５２とタイミングＴ１５２とタイミングＴ１５２の妥当性に関する情報「早い」との組み合わせを生成する。なお、図６Ａは、第１の実施形態に係る学習済みモデルＭ１の生成に用いる学習データの生成処理について説明するための図である。

例えば、学習機能３５２は、図６Ｂに示すように、ＴＤＣ１５とタイミングＴ１５とタイミングＴ１５の妥当性に関する情報「遅い」との組み合わせに加えて、ＴＤＣＣ１５１とタイミングＴ１５１とタイミングＴ１５１の妥当性に関する情報「妥当」との組み合わせ、及び、ＴＤＣＣ１５２とタイミングＴ１５２とタイミングＴ１５２の妥当性に関する情報「早い」との組み合わせを入力側及び出力側の学習データとして更に使用して、学習済みモデルＭ１を生成する。なお、図６Ｂは、第１の実施形態に係る学習済みモデルＭ１の生成に用いる学習データの例を示す図である。

図６Ｂに示す場合、学習機能３５２は、検査Ｅ１５から取得された３つの学習データに基づいて学習済みモデルＭ１を生成することとなる。そして、学習機能３５２は、より多くの学習データを用いて機械学習を実行することで、学習済みモデルＭ１の精度を向上させ、メインスキャンのタイミングをより適切に決定することを可能とする。

なお、「妥当」に対応するタイミングＴ１５１については、例えば、検査Ｅ１５において取得されたＣＴ画像データＩ１５に基づいて算出することができる。例えば、学習機能３５２は、ＣＴ画像データＩ１５から、メインスキャンにおける対象部位「心臓」の形状データと、造影剤の分布とを取得する。次に、学習機能３５２は、「心臓」の形状データと造影剤の分布とを拘束条件として用いた流体シミュレーションを実行し、タイミングＴ１５より早くメインスキャンに移行していた場合に取得されたＣＴ画像データを推定する。そして、学習機能３５２は、推定したＣＴ画像データと、検査Ｅ１５における検査目的とに基づいて、「妥当」に対応するタイミングＴ１５１を算出する。

また、学習機能３５２は、「妥当」に対応する時間帯を算出し、算出した時間帯に含まれる任意のタイミングをタイミングＴ１５１としてもよい。例えば、検査Ｅ１５において操作者が被検体Ｐ１５の左心室を観察しようとしている場合、学習機能３５２は、流体シミュレーションによって推定したＣＴ画像データのうち、左心房が認識できるＣＴ画像データについて「妥当」と判定する。ここで、左心房が認識できるＣＴ画像データが複数ある場合、学習機能３５２は、複数のＣＴ画像データに対応する時間帯を「妥当」に対応する時間帯として算出し、算出した時間帯に含まれる任意のタイミングをタイミングＴ１５１とする。

また、図６Ｂにおいては、妥当性に関する情報「早い」を含む学習データを１つのみ示した。しかしながら、学習機能３５２は、「妥当」に対応するタイミングＴ１５１より早い複数のタイミングを選択し、妥当性に関する情報「早い」を含む学習データを複数生成してもよい。また、「妥当」に対応する時間帯を算出していた場合、学習機能３５２は、算出した時間帯に含まれる複数のタイミングを選択し、妥当性に関する情報「妥当」を含む学習データを複数生成してもよい。

次に、Ｘ線診断システム１による処理の手順の一例を、図７を用いて説明する。図７は、第１の実施形態に係るＸ線診断システム１の処理の一連の流れを説明するためのフローチャートである。

ステップＳ１０１、ステップＳ１０２及びステップＳ１０７は、取得機能３５１に対応するステップである。ステップＳ１０８及びステップＳ１０９は、学習機能３５２に対応するステップである。ステップＳ１０３、ステップＳ１０４及びステップＳ１０５は、決定機能３５３に対応するステップである。ステップＳ１０６は、制御機能３５４に対応するステップである。

まず、処理回路３５は、造影剤が注入された被検体Ｐに対して実行されたプリスキャンにより取得された画像データをＸ線ＣＴ装置１０から取得し（ステップＳ１０１）、取得した画像データに基づいてＴＤＣを取得する（ステップＳ１０２）。次に、処理回路３５は、取得したＴＤＣを学習済みモデルＭ１に入力する（ステップＳ１０３）。

ここで、処理回路３５は、学習済みモデルＭ１の出力が「妥当」であったか否かを判定し（ステップＳ１０４）、「妥当」でなかった場合（ステップＳ１０４否定）、再度ステップＳ１０１に移行する。一方で、学習済みモデルＭ１の出力が「妥当」であった場合（ステップＳ１０４肯定）、処理回路３５は、プリスキャンからメインスキャンへ移行するタイミングを決定し（ステップＳ１０５）、決定したタイミングをＸ線ＣＴ装置１０へ送信する（ステップＳ１０６）。なお、処理回路３５は、学習済みモデルＭ１の出力が「妥当」である場合に加えて、学習済みモデルＭ１の出力が「遅い」である場合にプリスキャンからメインスキャンへ移行するタイミングを決定することとしてもよい。

次に、処理回路３５は、Ｘ線ＣＴ装置１０から、メインスキャンにより取得されたＣＴ画像データを取得したか否かを判定する（ステップＳ１０７）。ＣＴ画像データを取得した場合（ステップＳ１０７肯定）、処理回路３５は、ＣＴ画像データと検査目的とに基づいて、ステップＳ１０５にて決定したタイミングの妥当性に関する情報を取得する（ステップＳ１０８）。次に、処理回路３５は、ステップＳ１０２にて取得したＴＤＣと、ステップＳ１０５にて決定したタイミングとを入力側の学習データとして使用し、ステップＳ１０８にて取得した妥当性に関する情報を出力側の学習データとして使用して、学習済みモデルＭ１を生成し（ステップＳ１０９）、処理を終了する。また、メインスキャンが中止された場合等、Ｘ線ＣＴ装置１０からＣＴ画像データを取得しなかった場合も同様に、処理回路３５は、処理を終了する。

上述したように、第１の実施形態によれば、取得機能３５１は、Ｘ線診断システム１を使用した第１の検査において、造影剤が注入された被検体Ｐに対して実行されたプリスキャンにより取得された時系列の画像データ群に基づいて生成されたＴＤＣを取得する。また、学習機能３５２は、取得機能３５１が取得したＴＤＣと、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングに関するタイミング情報とを入力側の学習データとして使用し、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングの妥当性に関する情報を出力側の学習データとして使用して、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルＭ１を生成する。従って、第１の実施形態に係るＸ線診断システム１は、学習済みモデルＭ１により、メインスキャンのタイミングを適切に決定することができる。

また、上述したように、第１の実施形態によれば、学習機能３５２は、妥当性に関する情報として、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングが「妥当」、「早い」及び「遅い」のいずれのクラスに該当するかを示す情報を使用する。即ち、学習機能３５２は、妥当性に関する情報として、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングが、妥当性の高いタイミング、妥当性の高いタイミングに対して早いタイミング、及び、妥当性の高いタイミングに対して遅いタイミングのいずれに該当するかを示す情報を使用する。従って、第１の実施形態に係るＸ線診断システム１は、妥当性に関する情報を容易に取得するとともに、学習済みモデルＭ１が解く問題を簡単にして、学習済みモデルＭ１を迅速に生成することができる。

また、上述したように、第１の実施形態によれば、学習機能３５２は、ＴＤＣ１５とタイミングＴ１５とタイミングＴ１５の妥当性に関する情報「遅い」との組み合わせに加えて、ＴＤＣＣ１５１とタイミングＴ１５１とタイミングＴ１５１の妥当性に関する情報「妥当」との組み合わせ、及び、ＴＤＣＣ１５２とタイミングＴ１５２とタイミングＴ１５２の妥当性に関する情報「早い」との組み合わせを入力側及び出力側の学習データとして更に使用して、学習済みモデルＭ１を生成する。即ち、学習機能３５２は、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングが妥当性の高いタイミングに対して遅いタイミングに該当することを示す情報と、第１の検査において実行されたプリスキャンにより取得された時系列の画像データ群に基づいて生成されたＴＤＣと、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングに関するタイミング情報との組み合わせに基づいて、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングが妥当性の高いタイミングに該当することを示す情報と、第１の検査において実行されたプリスキャンにより取得された時系列の画像データ群に基づいて生成されたＴＤＣを加工したＴＤＣと、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングに関するタイミング情報を加工したタイミング情報との組み合わせ、及び、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングが妥当性の高いタイミングに対して早いタイミングに該当することを示す情報と、第１の検査において実行されたプリスキャンにより取得された時系列の画像データ群に基づいて生成されたＴＤＣを加工したＴＤＣと、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングに関するタイミング情報を加工したタイミング情報との組み合わせの少なくとも一方を生成し、生成した組み合わせを入力側及び出力側の学習データとして更に使用して、学習済みモデルＭ１を生成する。従って、第１の実施形態に係るＸ線診断システム１は、より多くの学習データを用いて機械学習を実行することで、学習済みモデルＭ１の精度を向上させ、メインスキャンのタイミングをより適切に決定することができる。

なお、これまで、メインスキャンにおける対象部位が「心臓」であり、プリスキャンにおける対象部位が「大動脈」である場合を例として説明した。しかしながら、実施形態はこれに限定されるものではなく、メインスキャンにおける対象部位及びプリスキャンにおける対象部位の組み合わせについては任意に変更が可能である。一例を挙げると、メインスキャンにおける対象部位が「頭部」であって、プリスキャンにおける対象部位が「頸動脈」である場合についても同様に適用が可能である。別の例を挙げると、メインスキャンにおける対象部位が「腹部」であって、プリスキャンにおける対象部位が「大動脈」である場合についても同様に適用が可能である。別の例を挙げると、メインスキャンにおける対象部位が「肝臓」であって、プリスキャンにおける対象部位が「門脈相」である場合についても同様に適用が可能である。

ここで、学習機能３５２は、対象部位ごとに学習済みモデルＭ１を生成してもよい。例えば、学習機能３５２は、メインスキャンにおける対象部位及びプリスキャンにおける対象部位の組み合わせごとに学習済みモデルＭ１を生成して、生成した複数の学習済みモデルＭ１をモデル記憶回路３４に記憶させる。そして、第２の検査において、決定機能３５３は、メインスキャンにおける対象部位及びプリスキャンにおける対象部位に応じて学習済みモデルＭ１を読み出し、読み出した学習済みモデルＭ１を用いて、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定する。この場合、Ｘ線診断システム１は、対象部位ごとに特化させた機械学習を実行することで、学習済みモデルＭ１の精度を向上させ、メインスキャンのタイミングをより適切に決定することができる。

更に、学習機能３５２は、造影剤の注入位置に応じて学習済みモデルＭ１を生成してもよい。例えば、メインスキャンにおける対象部位が「心臓」である場合においては、造影剤が被検体Ｐの右腕の静脈から注入される場合と、造影剤が被検体Ｐの左腕の静脈から注入される場合とがある。ここで、右腕の静脈から造影剤を注入した場合と左腕の静脈から造影剤を注入した場合とでは、造影剤が心臓に到達するまでの経路が異なるため、メインスキャンの適切なタイミングが変化する可能性がある。

例えば、学習機能３５２は、造影剤の注入位置である「右腕」及び「左腕」のそれぞれについて学習済みモデルＭ１を生成して、生成した複数の学習済みモデルＭ１をモデル記憶回路３４に記憶させる。そして、第２の検査において、決定機能３５３は、造影剤の注入位置に応じて学習済みモデルＭ１を読み出し、読み出した学習済みモデルＭ１を用いて、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定する。この場合、Ｘ線診断システム１は、造影剤の注入位置ごとに特化させた学習済みモデルＭ１を使用して、メインスキャンのタイミングをより適切に決定することができる。

或いは、学習機能３５２は、造影剤の注入位置である「右腕」及び「左腕」を入力側の学習データとして使用して単一の学習済みモデルＭ１を生成し、生成した学習済みモデルＭ１をモデル記憶回路３４に記憶させる。そして、第２の検査において、決定機能３５３は、造影剤の注入位置を含む入力データを学習済みモデルＭ１に入力して、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定する。この場合、Ｘ線診断システム１は、造影剤の注入位置の影響を学習した学習済みモデルＭ１を使用して、メインスキャンのタイミングをより適切に決定することができる。

更に、学習機能３５２は、被検体Ｐに関する情報（患者背景）に応じて、学習済みモデルＭ１を生成してもよい。例えば、被検体Ｐが「心臓」に疾患を有している場合、造影剤を注入してから、メインスキャンにおける対象部位に造影剤が到達するまでの時間が長くなる傾向がある。また、被検体Ｐの年齢や身長、体重、性別等に応じて血流の速度には差が生じ、造影剤を注入してからメインスキャンにおける対象部位に到達するまでの時間も変化する場合がある。

例えば、学習機能３５２は、患者背景に応じて被検体Ｐを複数の集団のうちのいずれかに分類し、当該複数の集団のそれぞれについて学習済みモデルＭ１を生成して、生成した複数の学習済みモデルＭ１をモデル記憶回路３４に記憶させる。そして、第２の検査において、決定機能３５３は、患者背景に応じて学習済みモデルＭ１を読み出し、読み出した学習済みモデルＭ１を用いて、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定する。この場合、Ｘ線診断システム１は、患者背景ごとに特化させた学習済みモデルＭ１を使用して、メインスキャンのタイミングをより適切に決定することができる。

或いは、学習機能３５２は、患者背景を入力側の学習データとして使用して単一の学習済みモデルＭ１を生成し、生成した学習済みモデルＭ１をモデル記憶回路３４に記憶させる。そして、第２の検査において、決定機能３５３は、患者背景を含む入力データを学習済みモデルＭ１に入力して、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定する。この場合、Ｘ線診断システム１は、患者背景の影響を学習した学習済みモデルＭ１を使用して、メインスキャンのタイミングをより適切に決定することができる。

また、これまで、取得機能３５１がＸ線ＣＴ装置１０から時系列の画像データ群を取得するとともに関心領域を設定し、時系列の画像データ群に基づいて関心領域内のＨＵ値を時間軸に対応付けてプロットすることにより、ＴＤＣを取得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、取得機能３５１は、Ｘ線ＣＴ装置１０から、Ｘ線ＣＴ装置１０において生成されたＴＤＣを取得することとしてもよい。

また、取得機能３５１は、Ｘ線ＣＴ装置１０において設定された関心領域に基づいてＴＤＣを生成してもよい。例えば、取得機能３５１は、Ｘ線ＣＴ装置１０において時系列の画像データ群に基づいて生成された、関心領域に対応するデータ群を取得し、取得したデータ群に基づいて関心領域内のＨＵ値を時間軸に対応付けてプロットすることにより、ＴＤＣを取得する。

なお、時系列の画像データ群に基づいて生成された、関心領域に対応する時系列のデータ群については、部分画像データ群とも記載する。部分画像データは、画像データ上に関心領域の位置情報が付加されたデータであってもよいし、画像データから関心領域に対応する部分を切り出したデータであってもよい。例えば、取得機能３５１は、Ｘ線ＣＴ装置１０から時系列の部分画像データ群を取得し、取得した時系列の部分画像データ群に基づいてＴＤＣを取得する。

また、これまで、プリスキャンにより取得された時系列の画像データ群に基づいて生成された、被検体Ｐの関心領域内の信号強度に関する時系列の情報として、ＴＤＣ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い。例えば、取得機能３５１は、ＴＤＣに代えて、関心領域内のＨＵ値を時系列的に示す数値データを取得してもよい。

別の例を挙げると、取得機能３５１は、被検体Ｐの関心領域内の信号強度に関する時系列の情報として、特定の信号値帯に関する情報を使用してもよい。以下、この点について図８を用いて説明する。図８は、第１の実施形態に係る特定の信号値帯に関する情報について説明するための図である。

図８の横軸の「Ｖｏｌ １」～「Ｖｏｌ １２」は、時系列的に収集された画像データのそれぞれの画像番号を示す。即ち、図８の横軸は時間軸に対応する。また、図８の縦軸は、画素数に関する度数を示す。具体的には、図８の縦軸は、ＣＴ値が「０－５０」の範囲となる画素の数、ＣＴ値が「５１－１００」の範囲となる画素の数、ＣＴ値が「１０１－１５０」の範囲となる画素の数、ＣＴ値が「１５１－２００」の範囲となる画素の数、ＣＴ値が「２５１－３００」の範囲となる画素の数、ＣＴ値が「３０１－３５０」の範囲となる画素の数、及び、ＣＴ値が「３５１－４００」の範囲となる画素の数のそれぞれについて、「Ｖｏｌ １」を基準とした度数を示す。

造影剤が注入された場合、図８に示すように、ＣＴ値が「１５１－２００」の範囲となる画素の度数が増加する。即ち、造影剤が注入された場合、造影剤に対応する信号値帯の度数が増加することとなる。そこで、学習機能３５２は、特定の信号値帯に関する情報として、ＣＴ値が「１５１－２００」の範囲となる画素の度数を取得する。なお、学習機能３５２は、ＣＴ値が「１５１－２００」の範囲となる画素の度数として、図８に示すようなグラフを取得してもよいし、画像番号又は時間に対応付いた数値データを取得してもよい。そして、学習機能３５２は、ＣＴ値が「１５１－２００」の範囲となる画素の度数を学習データとして使用して、学習済みモデルを生成する。

なお、ＣＴ値が「１５１－２００」の範囲となる画素の度数を学習データとして使用する場合について説明したが、学習機能３５２は、更に、ＣＴ値が「２５１－３００」の範囲となる画素の度数を学習データとして使用してもよい。即ち、取得機能３５１は、複数の信号値帯に関する情報を使用してもよい。また、図８に示したように、造影剤が注入された場合、造影剤に対応する信号値帯の度数が増加するとともに、他の信号値帯（例えば、ＣＴ値「０－５０」など）の度数は減少する。そこで、学習機能３５２は、ＣＴ値が「０－５０」の範囲となる画素の度数を学習データとして使用してもよい。

また、図４Ａにおいては、プリスキャンからメインスキャンへ移行するタイミングとして、関心領域内の信号強度が閾値を超えたタイミングについて説明したが、実施形態はこれに限定されるものではない。例えば、決定機能３５３は、関心領域内の信号強度が閾値を超えた後に所定時間が経過したタイミングを、プリスキャンからメインスキャンへ移行するタイミングとして決定してもよい。この場合、学習機能３５２は、プリスキャンからメインスキャンへ移行したタイミングに関するタイミング情報として、関心領域内の信号強度が閾値を超えた後に所定時間が経過したタイミングを取得する。

（第２の実施形態）
上述した第１の実施形態では、妥当性に関する情報の例として、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングが、妥当性の高いタイミング、妥当性の高いタイミングに対して早いタイミング、及び、妥当性の高いタイミングに対して遅いタイミングのいずれに該当するかを示す情報について説明した。これに対して、第２の実施形態では、妥当性に関する情報の例として、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングと、妥当性の高いタイミングとの間の差について説明する。

第２の実施形態に係るＸ線診断システム１は、図１及び図２に示したＸ線診断システム１と同様の構成を有し、学習機能３５２及び決定機能３５３による処理の一部が相違する。以下、第１の実施形態において説明した構成と同様の構成を有する点については、図１及び図２と同一の符号を付し、説明を省略する。

以下、図９Ａを用いて、被検体Ｐ２１に対する検査Ｅ２１において学習データを取得する場合について説明する。なお、被検体Ｐ２１は、図２に示した被検体Ｐの一例である。また、図９Ａは、第２の実施形態に係る学習データ取得の一例を示す図である。

検査Ｅ２１において、システム制御機能１４４ａは、まず、メインスキャンにおける対象部位とプリスキャンにおける対象部位とをそれぞれ設定する。以下では一例として、検査Ｅ２１のメインスキャンにおける対象部位が「心臓」であり、検査Ｅ２１のプリスキャンにおける対象部位が「大動脈」であるものとして説明する。次に、システム制御機能１４４ａは、造影剤が注入された被検体Ｐ２１の「大動脈」についてプリスキャンを実行する。また、システム制御機能１４４ａによってプリスキャンが実行される間、ＤＡＳ１１８は、Ｘ線検出器１１２における各検出素子からＸ線の信号を収集し、投影データを順次生成する。また、前処理機能１４４ｂは、ＤＡＳ１１８から出力された投影データに対して前処理を順次施す。また、生成機能１４４ｃは、前処理が施された投影データに基づいて画像データを順次生成する。また、制御機能１４４ｄは、生成された画像データを医用情報処理装置３０に対して順次送信する。また、取得機能３５１は、送信された画像データを順次取得する。また、取得機能３５１は、被検体Ｐ２１の関心領域を設定する。

次に、取得機能３５１は、プリスキャンにより取得された時系列の画像データ群における関心領域の信号強度に基づいてＴＤＣを取得する。例えば、取得機能３５１は、時系列の画像データ群における各画像データについて、関心領域内のＨＵ値を時間軸に対応付けてプロットすることによりＴＤＣを取得する。また、取得機能３５１は、Ｘ線ＣＴ装置１０から新たに画像データを取得するごとに、新たに取得した画像データの関心領域内のＨＵ値を時間軸に対応付けてプロットし、ＴＤＣを順次更新する。なお、以下では、図９ＡのタイミングＴ２１まで更新されたＴＤＣを、ＴＤＣＣ２１と記載する。

図９Ａにおいては、プリスキャンからメインスキャンへ移行するタイミングとして、タイミングＴ２１が決定された場合について説明する。なお、図９Ａにおいて、決定機能３５３は、閾値Ａ１１を用いてタイミングＴ２１を決定してもよいし、学習済みモデルＭ１を用いてタイミングＴ２１を決定してもよいし、後述する学習済みモデルＭ２を用いてタイミングＴ２１を決定してもよい。

次に、決定機能３５３は、妥当性の高いタイミングＴｖ２１を特定する。ここで、妥当性の高いタイミングＴｖ２１とは、例えば、検査Ｅ２１においてプリスキャンからメインスキャンへ移行するタイミングとして最適なタイミングである。例えば、決定機能３５３は、検査Ｅ２１における検査目的と、検査Ｅ２１において取得されたＣＴ画像データＩ２１とに基づいて、妥当性の高いタイミングＴｖ２１を特定する。

例えば、学習機能３５２は、ＣＴ画像データＩ２１から、メインスキャンにおける対象部位「心臓」の形状データと、造影剤の分布とを取得する。次に、学習機能３５２は、「心臓」の形状データと造影剤の分布とを拘束条件として用いた流体シミュレーションを実行し、タイミングＴ２１より早いタイミングでメインスキャンに移行していた場合に取得されたＣＴ画像データ、及び、タイミングＴ２１より遅いタイミングでメインスキャンに移行していた場合に取得されたＣＴ画像データを推定する。そして、学習機能３５２は、推定したＣＴ画像データと、検査Ｅ２１における検査目的とに基づいて、妥当性の高いタイミングＴｖ２１を特定する。

一例を挙げると、検査Ｅ２１において操作者が被検体Ｐ２１の左心室を観察しようとしている場合、学習機能３５２は、ＣＴ画像データＩ２１及び推定したＣＴ画像データの中から、左心房が最も明瞭に描出されているＣＴ画像データを特定する。そして、学習機能３５２は、特定したＣＴ画像データに対応するタイミングを、妥当性の高いタイミングＴｖ２１として特定する。

次に、学習機能３５２は、妥当性の高いタイミングＴｖ２１と、検査Ｅ２１においてプリスキャンからメインスキャンへ移行したタイミングＴ２１との間の差を算出する。例えば、学習機能３５２は、タイミングＴｖ２１とタイミングＴ２１との間の差として、「＋１．５秒」を算出する。「＋１．５秒」は、妥当性の高いタイミングＴｖ２１に対して、タイミングＴ２１が１．５秒遅かったことを示す。換言すると、「＋１．５秒」は、検査Ｅ２１において１．５秒早くメインスキャンへ移行していれば、最適なＣＴ画像データを取得できたことを示す。

学習機能３５２は、複数の検査について、検査Ｅ２１と同様に、プリスキャンからメインスキャンへ移行したタイミングと、妥当性の高いタイミングとの間の差を算出する。例えば、検査Ｅ２１とは別の検査Ｅ２２において、取得機能３５１は、造影剤が注入された被検体Ｐ２２に対して実行されたプリスキャンにより取得された時系列の画像データ群に基づいて、関心領域内のＨＵ値を時間軸に対応付けてプロットすることによりＴＤＣを取得する。なお、被検体Ｐ２２は、図２に示した被検体Ｐの一例である。また、決定機能３５３は、検査Ｅ２２においてプリスキャンからメインスキャンへ移行するタイミングとしてタイミングＴ２２を決定するとともに、タイミングＴ２２まで更新されたＴＤＣＣ２２を取得する。また、学習機能３５２は、検査Ｅ２２における検査目的と、検査Ｅ２２において取得されたＣＴ画像データＩ２２とに基づいて、検査Ｅ２２における妥当性の高いタイミングＴｖ２２を特定する。そして、学習機能３５２は、妥当性の高いタイミングＴｖ２２と、検査Ｅ２２においてプリスキャンからメインスキャンへ移行したタイミングＴ２２との間の差を算出する。

例えば、学習機能３５２は、タイミングＴｖ２２とタイミングＴ２２との間の差として「０秒」を算出する。「０秒」は、妥当性の高いタイミングＴｖ２２にタイミングＴ２２が一致することを示す。換言すると、「０秒」は、検査Ｅ２２において取得されたＣＴ画像データＩ２２が最適なＣＴ画像データであったことを示す。

また、例えば、検査Ｅ２１及び検査Ｅ２２とは別の検査Ｅ２３において、取得機能３５１は、造影剤が注入された被検体Ｐに対して実行されたプリスキャンにより取得された時系列の画像データ群に基づいて、関心領域内のＨＵ値を時間軸に対応付けてプロットすることによりＴＤＣを取得する。なお、被検体Ｐ２３は、図２に示した被検体Ｐの一例である。また、決定機能３５３は、検査Ｅ２３においてプリスキャンからメインスキャンへ移行するタイミングとしてタイミングＴ２３を決定するとともに、タイミングＴ２３まで更新されたＴＤＣＣ２３を取得する。また、学習機能３５２は、検査Ｅ２３における検査目的と、検査Ｅ２３において取得されたＣＴ画像データＩ２３とに基づいて、検査Ｅ２３における妥当性の高いタイミングＴｖ２３を特定する。そして、学習機能３５２は、妥当性の高いタイミングＴｖ２３と、検査Ｅ２３においてプリスキャンからメインスキャンへ移行したタイミングＴ２３との間の差を算出する。

例えば、学習機能３５２は、タイミングＴｖ２３とタイミングＴ２３との間の差として「－１秒」を算出する。「－１秒」は、妥当性の高いタイミングＴｖ２３に対して、タイミングＴ２３が１秒早かったことを示す。換言すると、「－１秒」は、検査Ｅ２３において１秒遅くメインスキャンへ移行していれば、最適なＣＴ画像データを取得できたことを示す。

次に、学習機能３５２は、プリスキャンにより取得された時系列の画像群に基づいて生成された、関心領域内の信号強度に関する時系列の情報と、プリスキャンからメインスキャンへ移行したタイミングに関するタイミング情報とを入力側の学習データとして使用し、プリスキャンからメインスキャンへ移行したタイミングの妥当性に関する情報を出力側の学習データとして使用し、プリスキャンからメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルＭ２を生成する。

例えば、学習機能３５２は、図９Ｂに示すように、検査Ｅ２１において取得したＴＤＣＣ２１と、検査Ｅ２１においてプリスキャンからメインスキャンへ移行したタイミングＴ２１とを、入力側の学習データとして使用する。また、学習機能３５２は、検査Ｅ２１において取得した、タイミングＴｖ２１とタイミングＴ２１との間の差「＋１．５秒」を出力側の学習データとして使用する。なお、図９Ｂは、第２の実施形態に係る学習済みモデルＭ２の生成に用いる学習データの例を示す図である。

また、学習機能３５２は、検査Ｅ２２において取得したＴＤＣＣ２２と、検査Ｅ２２においてプリスキャンからメインスキャンへ移行したタイミングＴ２２とを、入力側の学習データとして使用する。また、学習機能３５２は、検査Ｅ２２において取得した、タイミングＴｖ２２とタイミングＴ２２との間の差「０秒」を出力側の学習データとして使用する。また、学習機能３５２は、検査Ｅ２３において取得したＴＤＣＣ２３と、検査Ｅ２３においてプリスキャンからメインスキャンへ移行したタイミングＴ２３とを、入力側の学習データとして使用する。また、学習機能３５２は、検査Ｅ２３において取得した、タイミングＴｖ２３とタイミングＴ２３との間の差「－１秒」を出力側の学習データとして使用する。

例えば、学習機能３５２は、図９Ｂに示した学習データを用いて、多層のニューラルネットワークについて深層学習を実行することで、学習済みモデルＭ２を生成する。一例を挙げると、学習機能３５２は、図９Ｂに示した入力側の学習データをニューラルネットワークに入力する。ここで、ニューラルネットワークにおいては、例えば、入力層側から出力層側に向かって一方向に隣接層間でのみ結合しながら情報が伝播し、出力層からは、入力されたタイミングと、妥当性の高いタイミングとの差が出力される。そして、学習機能３５２は、図９Ｂに示した入力側の学習データを入力した際にニューラルネットワークが好ましい結果を出力することができるよう、ニューラルネットワークのパラメータを調整する。

例えば、学習機能３５２は、ニューラルネットワークからの出力と、図９Ｂに示した出力側データとの間の差を最小化するように、ニューラルネットワークのパラメータを調整する。これにより、学習機能３５２は、ＴＤＣ及びタイミングの入力を受けて、入力されたタイミングと、妥当性の高いタイミングとの差を出力するように機能付けられた学習済みモデルＭ２を生成することができる。また、学習機能３５２は、生成した学習済みモデルＭ２をモデル記憶回路３４に記憶させる。

なお、学習済みモデルＭ２が畳み込みニューラルネットワークにより構成される場合を例として説明したが、学習済みモデルＭ２は、再帰型ニューラルネットワークにより構成されてもよいし、ニューラルネットワーク以外の機械学習手法により生成されてもよい。また、学習済みモデルＭ２は、メインスキャンにおける対象部位及びプリスキャンにおける対象部位の組み合わせごとに生成されてもよい。

学習済みモデルＭ２が生成されてモデル記憶回路３４に格納された後、決定機能３５３は、学習済みモデルＭ２を用いて、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定する。以下、図１０を用いて、学習済みモデルＭ２の使用例を説明する。図１０は、第２の実施形態に係る学習済みモデルＭ２の使用例を示す図である。なお、図１０においては、被検体Ｐ２４に対する検査Ｅ２４において、学習済みモデルＭ２を使用して、プリスキャンからメインスキャンへ移行する妥当なタイミングを決定する場合について説明する。被検体Ｐ２４は、図２に示した被検体Ｐの一例である。

検査Ｅ２４において、システム制御機能１４４ａは、まず、メインスキャンにおける対象部位とプリスキャンにおける対象部位とをそれぞれ設定する。以下では一例として、検査Ｅ２４のメインスキャンにおける対象部位が「心臓」であり、検査Ｅ２４のプリスキャンにおける対象部位が「大動脈」であるものとして説明する。次に、システム制御機能１４４ａは、造影剤が注入された被検体Ｐ２４の「大動脈」についてプリスキャンを実行する。また、システム制御機能１４４ａによってプリスキャンが実行される間、ＤＡＳ１１８は、Ｘ線検出器１１２における各検出素子からＸ線の信号を収集し、投影データを順次生成する。また、前処理機能１４４ｂは、ＤＡＳ１１８から出力された投影データに対して前処理を順次施す。また、生成機能１４４ｃは、前処理が施された投影データに基づいて画像データを順次生成する。また、制御機能１４４ｄは、生成された画像データを医用情報処理装置３０に対して順次送信する。また、取得機能３５１は、送信された画像データを順次取得する。また、取得機能３５１は、被検体Ｐ２４の関心領域を設定する。

次に、取得機能３５１は、プリスキャンにより取得された時系列の画像データ群における関心領域の信号強度に基づいてＴＤＣを取得する。例えば、取得機能３５１は、時系列の画像データ群における各画像データについて、関心領域内のＨＵ値を時間軸に対応付けてプロットすることによりＴＤＣを取得する。また、取得機能３５１は、Ｘ線ＣＴ装置１０から新たに画像データを取得するごとに、新たに取得した画像データの関心領域内のＨＵ値を時間軸に対応付けてプロットし、ＴＤＣを順次更新する。なお、以下では、図１０のタイミングＴ２４まで更新されたＴＤＣを、ＴＤＣＣ２４と記載する。

ここで、決定機能３５３は、取得したＴＤＣを学習済みモデルＭ２に入力する。例えば、決定機能３５３は、タイミングＴ２４において、図１０に示したＴＤＣＣ２４を学習済みモデルＭ２に入力する。ここで、学習済みモデルＭ２は、ＴＤＣＣ２４及びタイミングＴ２４の入力を受けて、タイミングＴ２４と、検査Ｅ２４における妥当性の高いタイミングとの間の差「－１．５秒」を出力する。「－１．５秒」は、検査Ｅ２４における妥当性の高いタイミングに対して、タイミングＴ２４が１．５秒早いことを示す。換言すると、「－１．５秒」は、検査Ｅ２４における妥当性の高いタイミングが、タイミングＴ２４から１．５秒後であることを示す。この場合、決定機能３５３は、タイミングＴ２４から１．５秒後のタイミングを、プリスキャンからメインスキャンへ移行する妥当なタイミングとして決定する。なお、以下では、タイミングＴ２４から１．５秒後のタイミングをタイミングＴ２４１とも記載する。

なお、図１０に示したタイミングＴ２４は、プリセットされたタイミングであってもよいし、検査Ｅ２４の最中に決定されるものであってもよい。例えば、タイミングＴ２４は、被検体Ｐ２４に造影剤が注入されてから所定時間が経過したタイミングである。別の例を挙げると、学習済みモデルＭ２は、入力されたタイミングと妥当性の高いタイミングとの差を確度付きで出力する。この場合、決定機能３５３は、取得したＴＤＣを学習済みモデルＭ２に順次入力し、学習済みモデルＭ２から出力された確度が閾値を超えたタイミングをタイミングＴ２４として決定する。

また、制御機能３５４は、決定されたタイミングＴ２４１をＸ線ＣＴ装置１０に対して送信する。また、Ｘ線ＣＴ装置１０は、タイミングＴ２４１においてプリスキャンからメインスキャンへ移行し、ＣＴ画像データＩ２４１（図示せず）を取得する。即ち、Ｘ線ＣＴ装置１０は、学習済みモデルＭ２を用いて決定されたタイミングＴ２４１においてプリスキャンからメインスキャンへ移行し、ＣＴ画像データＩ２４１を取得する。なお、メインスキャンへの移行に伴ってプリスキャンは終了し、ＴＤＣの更新も終了する。

別の例を挙げると、決定機能３５３は、取得したＴＤＣを、順次、学習済みモデルＭ１に入力する。また、学習済みモデルＭ２は、入力されたタイミングと、検査Ｅ２４における妥当性の高いタイミングとの間の差を順次出力する。そして、決定機能３５３は、学習済みモデルＭ２から出力される差が略「０」となったタイミングを、プリスキャンからメインスキャンへ移行する妥当なタイミングとして決定する。なお、以下では、検査Ｅ２４において学習済みモデルＭ２から出力される差が略「０」となったタイミングを、タイミングＴ２４２とも記載する。

また、制御機能３５４は、決定されたタイミングＴ２４２をＸ線ＣＴ装置１０に対して送信する。また、Ｘ線ＣＴ装置１０は、学習済みモデルＭ２を用いて決定されたタイミングＴ２４２においてプリスキャンからメインスキャンへ移行し、ＣＴ画像データＩ２４２（図示せず）を取得する。即ち、Ｘ線ＣＴ装置１０は、学習済みモデルＭ２から出力される差が略「０」となったことをトリガとしてプリスキャンからメインスキャンへ移行し、ＣＴ画像データＩ２４２を取得する。なお、メインスキャンへの移行に伴ってプリスキャンは終了し、ＴＤＣの更新も終了する。

更に、学習機能３５２は、検査Ｅ２４において取得された学習データを用いて、学習済みモデルＭ２を生成してもよい。例えば、学習機能３５２は、検査Ｅ２４における検査目的と、検査Ｅ２４において取得されたＣＴ画像データＩ２４１とに基づいて、タイミングＴ２４１の妥当性に関する情報を取得する。また、学習機能３５２は、検査Ｅ２４においてタイミングＴ２４１まで更新されたＴＤＣと、検査Ｅ２４においてプリスキャンからメインスキャンへ移行したタイミングＴ２４１とを入力側の学習データとして使用し、タイミングＴ２４１の妥当性に関する情報を出力側の学習データとして使用して、学習済みモデルＭ２を更新する。或いは、学習機能３５２は、検査Ｅ２４における検査目的と、検査Ｅ２４において取得されたＣＴ画像データＩ２４２とに基づいて、タイミングＴ２４２の妥当性に関する情報を取得する。また、学習機能３５２は、検査Ｅ２４においてタイミングＴ２４２まで更新されたＴＤＣと、検査Ｅ２４においてプリスキャンからメインスキャンへ移行したタイミングＴ２４２とを入力側の学習データとして使用し、タイミングＴ２４２の妥当性に関する情報を出力側の学習データとして使用して、学習済みモデルＭ２を更新する。即ち、学習機能３５２は、検査Ｅ２４について学習済みモデルＭ２を使用した後、検査Ｅ２４から学習データを取得する。この場合、検査Ｅ２４は、第１の検査及び第２の検査の双方に該当することとなる。なお、学習機能３５２は、１つの検査Ｅ２４から取得された学習データに基づいて、複数の学習データを生成してもよい。

上述したように、第２の実施形態に係るＸ線診断システム１は、取得機能３５１が取得したＴＤＣと、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングに関するタイミング情報とを入力側の学習データとして使用し、プリスキャンからメインスキャンへ移行したタイミングの妥当性に関する情報を出力側の学習データとして使用して、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルＭ２を生成する。また、プリスキャンからメインスキャンへ移行したタイミングの妥当性に関する情報は、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングと、妥当性の高いタイミングとの間の差を含む。従って、第２の実施形態に係るＸ線診断システム１は、学習済みモデルＭ２により、メインスキャンのタイミングを適切に決定することができる。

例えば、Ｘ線診断システム１は、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングと、第１の検査における妥当性の高いタイミングとの間の差を示す具体的な数値を学習データとして用いて機械学習を実行し、学習済みモデルＭ２を生成する。これにより、Ｘ線診断システム１は、学習済みモデルＭ２の精度を向上させ、メインスキャンのタイミングをより適切に決定することを可能とする。

なお、取得機能３５１がＸ線ＣＴ装置１０から時系列の画像データ群を取得するとともに関心領域を設定して、ＴＤＣを取得する場合について説明したが、実施形態はこれに限定されるものではない。例えば、取得機能３５１は、Ｘ線ＣＴ装置１０から、Ｘ線ＣＴ装置１０において生成されたＴＤＣを取得してもよい。また、例えば、取得機能３５１は、Ｘ線ＣＴ装置１０から時系列の部分画像データ群を取得し、取得した時系列の部分画像データ群に基づいてＴＤＣを取得してもよい。また、取得機能３５１は、関心領域内の信号強度に関する時系列の情報として、ＴＤＣ以外のデータを取得してもよい。

（第３の実施形態）
上述した第１～２の実施形態では、学習済みモデルの生成に使用する入力側の学習データとして、関心領域内の信号強度に関する時系列の情報を使用する場合について説明した。これに対して、第３の実施形態では、入力側の学習データとして、時系列の部分画像データ群を使用する場合について説明する。

第３の実施形態に係るＸ線診断システム１は、図１及び図２に示したＸ線診断システム１と同様の構成を有し、学習機能３５２及び決定機能３５３による処理の一部が相違する。以下、第１～第２の実施形態において説明した構成と同様の構成を有する点については、図１及び図２と同一の符号を付し、説明を省略する。

以下、被検体Ｐ３１に対する検査Ｅ３１において学習データを取得する場合について説明する。なお、被検体Ｐ３１は、図２に示した被検体Ｐの一例である。検査Ｅ３１において、システム制御機能１４４ａは、まず、メインスキャンにおける対象部位とプリスキャンにおける対象部位とをそれぞれ設定する。以下では一例として、検査Ｅ３１のメインスキャンにおける対象部位が「心臓」であり、検査Ｅ３１のプリスキャンにおける対象部位が「大動脈」であるものとして説明する。次に、システム制御機能１４４ａは、造影剤が注入された被検体Ｐ３１の「大動脈」についてプリスキャンを実行する。また、システム制御機能１４４ａによってプリスキャンが実行される間、ＤＡＳ１１８は、Ｘ線検出器１１２における各検出素子からＸ線の信号を収集し、投影データを順次生成する。また、前処理機能１４４ｂは、ＤＡＳ１１８から出力された投影データに対して前処理を順次施す。また、生成機能１４４ｃは、前処理が施された投影データに基づいて画像データを順次生成する。また、制御機能１４４ｄは、生成された画像データを医用情報処理装置３０に対して順次送信する。また、取得機能３５１は、送信された画像データを順次取得する。

また、取得機能３５１は、被検体Ｐ３１の関心領域を設定する。即ち、取得機能３５１は、Ｘ線ＣＴ装置１０から時系列の画像データ群を取得するとともに関心領域を設定することで、関心領域に対応する時系列の部分画像データ群を取得する。なお、取得機能３５１は、時系列の画像データ群に代えて、Ｘ線ＣＴ装置１０から時系列の部分画像データ群を取得してもよい。

次に、決定機能３５３は、検査Ｅ３１においてプリスキャンからメインスキャンへ移行するタイミングを決定する。以下では、検査Ｅ３１においてプリスキャンからメインスキャンへ移行するタイミングとして、タイミングＴ３１が決定された場合について説明する。なお、決定機能３５３は、閾値Ａ１１を用いてタイミングＴ３１を決定してもよいし、学習済みモデルＭ１を用いてタイミングＴ３１を決定してもよいし、学習済みモデルＭ２を用いてタイミングＴ３１を決定してもよいし、後述する学習済みモデルＭ３を用いてタイミングＴ３１を決定してもよい。

次に、学習機能３５２は、検査Ｅ３１においてプリスキャンからメインスキャンへ移行したタイミングＴ３１の妥当性に関する情報を取得する。例えば、学習機能３５２は、検査Ｅ３１における検査目的と、検査Ｅ３１においてメインスキャンにより取得されたＣＴ画像データＩ３１とに基づいて、タイミングＴ３１の妥当性に関する情報を取得する。例えば、学習機能３５２は、タイミングＴ３１の妥当性に関する情報として、タイミングＴ３１が「妥当」、「早い」及び「遅い」のいずれのクラスに該当するかを示す情報を取得する。或いは、学習機能３５２は、タイミングＴ３１の妥当性に関する情報として、タイミングＴ３１と、検査Ｅ３１における妥当性の高いタイミングとの間の差を取得する。

次に、学習機能３５２は、時系列の部分画像データ群と、プリスキャンからメインスキャンへ移行したタイミングに関するタイミング情報とを入力側の学習データとして使用し、プリスキャンからメインスキャンへ移行したタイミングの妥当性に関する情報を出力側の学習データとして使用し、プリスキャンからメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルＭ３を生成する。例えば、学習機能３５２は、検査Ｅ３１において取得した部分画像データ群と、検査Ｅ３１においてプリスキャンからメインスキャンへ移行したタイミングＴ３１とを、入力側の学習データとして使用する。また、学習機能３５２は、タイミングＴ３１の妥当性に関する情報を出力側の学習データとして使用する。

例えば、学習機能３５２は、多層のニューラルネットワークについて深層学習を実行することで、学習済みモデルＭ３を生成する。一例を挙げると、学習機能３５２は、検査Ｅ３１において取得した部分画像データ群とタイミングＴ３１とをニューラルネットワークに入力する。ここで、ニューラルネットワークにおいては、例えば、入力層側から出力層側に向かって一方向に隣接層間でのみ結合しながら情報が伝播する。

例えば、ニューラルネットワークの複数の中間層においては、関心領域について畳み込み及びプーリングによる特徴抽出が行われ、全結合層においてクラス分類が行われる。そして、ニューラルネットワークの出力層からは、「早い」、「妥当」及び「遅い」の３クラスへの分類結果が出力される。そして、学習機能３５２は、入力側の学習データを入力した際にニューラルネットワークが好ましい結果を出力することができるよう、ニューラルネットワークのパラメータを調整する。例えば、学習機能３５２は、ニューラルネットワークからの出力と出力側データとの不整合を解消するように、ニューラルネットワークのパラメータを調整する。これにより、学習機能３５２は、部分画像データ群及びタイミングの入力を受けて、入力されたタイミングが「早い」、「妥当」及び「遅い」のいずれのクラスに該当するかを出力するように機能付けられた学習済みモデルＭ３１を生成することができる。また、学習機能３５２は、生成した学習済みモデルＭ３１をモデル記憶回路３４に記憶させる。なお、学習済みモデルＭ３１は、学習済みモデルＭ３の一例である。

なお、畳み込みニューラルネットワークにより構成される学習済みモデルＭ３１を例として説明したが、実施形態はこれに限定されるものではない。例えば、学習済みモデルＭ３は、再帰型ニューラルネットワークにより構成されてもよいし、ニューラルネットワーク以外の機械学習手法により生成されてもよい。また、学習済みモデルＭ３は、メインスキャンにおける対象部位及びプリスキャンにおける対象部位の組み合わせごとに生成されてもよい。

学習済みモデルＭ３が生成されてモデル記憶回路３４に格納された後、決定機能３５３は、学習済みモデルＭ３を用いて、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定する。例えば、決定機能３５３は、被検体Ｐ３２に対する検査Ｅ３２において、学習済みモデルＭ３を使用して、プリスキャンからメインスキャンへ移行する妥当なタイミングを決定する。なお、被検体Ｐ３２は、図２に示した被検体Ｐの一例である。

検査Ｅ３２において、システム制御機能１４４ａは、まず、メインスキャンにおける対象部位とプリスキャンにおける対象部位とをそれぞれ設定する。以下では一例として、検査Ｅ３２のメインスキャンにおける対象部位が「心臓」であり、検査Ｅ３２のプリスキャンにおける対象部位が「大動脈」であるものとして説明する。次に、システム制御機能１４４ａは、造影剤が注入された被検体Ｐ３２の「大動脈」についてプリスキャンを実行する。また、システム制御機能１４４ａによってプリスキャンが実行される間、ＤＡＳ１１８は、Ｘ線検出器１１２における各検出素子からＸ線の信号を収集し、投影データを順次生成する。また、前処理機能１４４ｂは、ＤＡＳ１１８から出力された投影データに対して前処理を順次施す。また、生成機能１４４ｃは、前処理が施された投影データに基づいて画像データを順次生成する。また、制御機能１４４ｄは、生成された画像データを医用情報処理装置３０に対して順次送信する。また、取得機能３５１は、送信された画像データを順次取得する。

また、取得機能３５１は、被検体Ｐ３２の関心領域を設定する。即ち、取得機能３５１は、Ｘ線ＣＴ装置１０から時系列の画像データ群を取得するとともに関心領域を設定することで、関心領域に対応する時系列の部分画像データ群を取得する。ここで、時系列の部分画像データ群は、取得機能３５１がＸ線ＣＴ装置１０から新たに画像データを取得するごとに更新されることとなる。

或いは、取得機能３５１は、時系列の画像データ群に代えて、Ｘ線ＣＴ装置１０から時系列の部分画像データ群を取得してもよい。この場合、取得機能３５１が取得した時系列の部分画像データ群は、取得機能３５１がＸ線ＣＴ装置１０から新たに部分画像データを取得するごとに更新されることとなる。

次に、決定機能３５３は、取得した時系列の部分画像データ群を学習済みモデルＭ３に入力することにより、検査Ｅ３２においてプリスキャンからメインスキャンへ移行する妥当なタイミングＴ３２を決定する。また、制御機能３５４は、決定されたタイミングＴ３２をＸ線ＣＴ装置１０に対して送信する。また、Ｘ線ＣＴ装置１０は、タイミングＴ３２においてプリスキャンからメインスキャンへ移行し、ＣＴ画像データＩ３２（図示せず）を取得する。即ち、Ｘ線ＣＴ装置１０は、学習済みモデルＭ３を用いて決定されたタイミングＴ３２においてプリスキャンからメインスキャンへ移行し、ＣＴ画像データＩ３２を取得する。なお、メインスキャンへの移行に伴ってプリスキャンは終了し、時系列の部分画像データ群の更新も終了する。

更に、学習機能３５２は、検査Ｅ３２において取得された学習データを用いて、学習済みモデルＭ３を生成してもよい。例えば、学習機能３５２は、検査Ｅ３２における検査目的と、検査Ｅ３２において取得されたＣＴ画像データＩ３２とに基づいて、タイミングＴ３２の妥当性に関する情報を取得する。また、学習機能３５２は、検査Ｅ３２においてタイミングＴ３２まで更新された時系列の部分画像データ群と、検査Ｅ３２においてプリスキャンからメインスキャンへ移行したタイミングＴ３２とを入力側の学習データとして使用し、タイミングＴ３２の妥当性に関する情報を出力側の学習データとして使用して、学習済みモデルＭ３を更新する。即ち、学習機能３５２は、検査Ｅ３２について学習済みモデルＭ３を使用した後、検査Ｅ３２から学習データを取得する。この場合、検査Ｅ３２は、第１の検査及び第２の検査の双方に該当することとなる。なお、学習機能３５２は、１つの検査Ｅ３２から取得された学習データに基づいて、複数の学習データを生成してもよい。

上述したように、第３の実施形態によれば、取得機能３５１は、Ｘ線診断システム１を使用した第１の検査において、造影剤が注入された被検体に対して実行されたプリスキャンにより取得された時系列の画像データ群に基づいて生成された、被検体の関心領域に対応する時系列の部分画像データ群を取得する。また、学習機能３５２は、取得機能３５１が取得した時系列の部分画像データ群と、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングに関するタイミング情報とを入力側の学習データとして使用し、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングの妥当性に関する情報を出力側の学習データとして使用して、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルＭ３を生成する。従って、第３の実施形態に係るＸ線診断システム１は、被検体Ｐの関心領域内の信号強度に関する時系列の情報を取得せずとも、学習済みモデルＭ３により、メインスキャンのタイミングを適切に決定することができる。

（第４の実施形態）
上述した第１～３の実施形態では、学習済みモデルの生成に使用する入力側の学習データとして、関心領域内の信号強度に関する時系列の情報、又は、時系列の部分画像データ群を使用する場合について説明した。これに対して、第４の実施形態では、入力側の学習データとして、時系列の画像データ群を使用する場合について説明する。

第４の実施形態に係るＸ線診断システム１は、図１及び図２に示したＸ線診断システム１と同様の構成を有し、学習機能３５２及び決定機能３５３による処理の一部が相違する。以下、第１～第２の実施形態において説明した構成と同様の構成を有する点については、図１及び図２と同一の符号を付し、説明を省略する。

以下、被検体Ｐ４１に対する検査Ｅ４１において学習データを取得する場合について説明する。なお、被検体Ｐ４１は、図２に示した被検体Ｐの一例である。検査Ｅ４１において、システム制御機能１４４ａは、まず、メインスキャンにおける対象部位とプリスキャンにおける対象部位とをそれぞれ設定する。以下では一例として、検査Ｅ４１のメインスキャンにおける対象部位が「心臓」であり、検査Ｅ４１のプリスキャンにおける対象部位が「大動脈」であるものとして説明する。次に、システム制御機能１４４ａは、造影剤が注入された被検体Ｐ４１の「大動脈」についてプリスキャンを実行する。また、システム制御機能１４４ａによってプリスキャンが実行される間、ＤＡＳ１１８は、Ｘ線検出器１１２における各検出素子からＸ線の信号を収集し、投影データを順次生成する。また、前処理機能１４４ｂは、ＤＡＳ１１８から出力された投影データに対して前処理を順次施す。また、生成機能１４４ｃは、前処理が施された投影データに基づいて画像データを順次生成する。また、制御機能１４４ｄは、生成された画像データを医用情報処理装置３０に対して順次送信する。また、取得機能３５１は、送信された画像データを順次取得する。

次に、決定機能３５３は、検査Ｅ４１においてプリスキャンからメインスキャンへ移行するタイミングを決定する。以下では、検査Ｅ４１においてプリスキャンからメインスキャンへ移行するタイミングとして、タイミングＴ４１が決定された場合について説明する。なお、決定機能３５３は、閾値Ａ１１を用いてタイミングＴ４１を決定してもよいし、学習済みモデルＭ１を用いてタイミングＴ４１を決定してもよいし、学習済みモデルＭ２を用いてタイミングＴ４１を決定してもよいし、学習済みモデルＭ３を用いてタイミングＴ４１を決定してもよいし、後述する学習済みモデルＭ４を用いてタイミングＴ４１を決定してもよい。

次に、学習機能３５２は、検査Ｅ４１においてプリスキャンからメインスキャンへ移行したタイミングＴ４１の妥当性に関する情報を取得する。例えば、学習機能３５２は、検査Ｅ４１における検査目的と、検査Ｅ４１においてメインスキャンにより取得されたＣＴ画像データＩ４１とに基づいて、タイミングＴ４１の妥当性に関する情報を取得する。例えば、学習機能３５２は、タイミングＴ４１の妥当性に関する情報として、タイミングＴ４１が「妥当」、「早い」及び「遅い」のいずれのクラスに該当するかを示す情報を取得する。或いは、学習機能３５２は、タイミングＴ４１の妥当性に関する情報として、タイミングＴ４１と、検査Ｅ４１における妥当性の高いタイミングとの間の差を取得する。

次に、学習機能３５２は、時系列の画像データ群と、プリスキャンからメインスキャンへ移行したタイミングに関するタイミング情報とを入力側の学習データとして使用し、プリスキャンからメインスキャンへ移行したタイミングの妥当性に関する情報を出力側の学習データとして使用し、プリスキャンからメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルＭ４を生成する。例えば、学習機能３５２は、検査Ｅ４１において取得した画像データ群と、検査Ｅ４１においてプリスキャンからメインスキャンへ移行したタイミングＴ４１とを、入力側の学習データとして使用する。また、学習機能３５２は、タイミングＴ４１の妥当性に関する情報を出力側の学習データとして使用する。

例えば、学習機能３５２は、多層のニューラルネットワークについて深層学習を実行することで、学習済みモデルＭ４を生成する。一例を挙げると、学習機能３５２は、検査Ｅ４１において取得した画像データ群とタイミングＴ４１とをニューラルネットワークに入力する。ここで、ニューラルネットワークにおいては、例えば、入力層側から出力層側に向かって一方向に隣接層間でのみ結合しながら情報が伝播する。

例えば、ニューラルネットワークの複数の中間層においては、画像データについて畳み込み及びプーリングによる特徴抽出が行われ、全結合層においてクラス分類が行われる。そして、ニューラルネットワークの出力層からは、「早い」、「妥当」及び「遅い」の３クラスへの分類結果が出力される。そして、学習機能３５２は、入力側の学習データを入力した際にニューラルネットワークが好ましい結果を出力することができるよう、ニューラルネットワークのパラメータを調整する。例えば、学習機能３５２は、ニューラルネットワークからの出力と出力側データとの不整合を解消するように、ニューラルネットワークのパラメータを調整する。これにより、学習機能３５２は、画像データ群及びタイミングの入力を受けて、入力されたタイミングが「早い」、「妥当」及び「遅い」のいずれのクラスに該当するかを出力するように機能付けられた学習済みモデルＭ４１を生成することができる。また、学習機能３５２は、生成した学習済みモデルＭ４１をモデル記憶回路３４に記憶させる。なお、学習済みモデルＭ４１は、学習済みモデルＭ４の一例である。

なお、畳み込みニューラルネットワークにより構成される学習済みモデルＭ４１を例として説明したが、実施形態はこれに限定されるものではない。例えば、学習済みモデルＭ４は、再帰型ニューラルネットワークにより構成されてもよいし、ニューラルネットワーク以外の機械学習手法により生成されてもよい。また、学習済みモデルＭ４は、メインスキャンにおける対象部位及びプリスキャンにおける対象部位の組み合わせごとに生成されてもよい。また、学習済みモデルＭ４は、画像データ群の入力を受けて関心領域を特定するように機能付けられた学習済みモデルと、学習済みモデルＭ３との組み合わせにより構成されてもよい。

学習済みモデルＭ４が生成されてモデル記憶回路３４に格納された後、決定機能３５３は、学習済みモデルＭ４を用いて、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定する。例えば、決定機能３５３は、被検体Ｐ４２に対する検査Ｅ４２において、学習済みモデルＭ４を使用して、プリスキャンからメインスキャンへ移行する妥当なタイミングを決定する。なお、被検体Ｐ４２は、図２に示した被検体Ｐの一例である。

検査Ｅ４２において、システム制御機能１４４ａは、まず、メインスキャンにおける対象部位とプリスキャンにおける対象部位とをそれぞれ設定する。以下では一例として、検査Ｅ４２のメインスキャンにおける対象部位が「心臓」であり、検査Ｅ４２のプリスキャンにおける対象部位が「大動脈」であるものとして説明する。次に、システム制御機能１４４ａは、造影剤が注入された被検体Ｐ４２の「大動脈」についてプリスキャンを実行する。また、システム制御機能１４４ａによってプリスキャンが実行される間、ＤＡＳ１１８は、Ｘ線検出器１１２における各検出素子からＸ線の信号を収集し、投影データを順次生成する。また、前処理機能１４４ｂは、ＤＡＳ１１８から出力された投影データに対して前処理を順次施す。また、生成機能１４４ｃは、前処理が施された投影データに基づいて画像データを順次生成する。また、制御機能１４４ｄは、生成された画像データを医用情報処理装置３０に対して順次送信する。

また、取得機能３５１は、送信された画像データを順次取得する。即ち、取得機能３５１は、Ｘ線ＣＴ装置１０から、時系列の画像データ群を取得する。ここで、取得機能３５１が取得した時系列の画像データ群は、Ｘ線ＣＴ装置１０から新たに画像データを取得するごとに更新されることとなる。

次に、決定機能３５３は、取得した時系列の画像データ群を学習済みモデルＭ４に入力することにより、検査Ｅ４２においてプリスキャンからメインスキャンへ移行する妥当なタイミングＴ４２を決定する。また、制御機能３５４は、決定されたタイミングＴ４２をＸ線ＣＴ装置１０に対して送信する。また、Ｘ線ＣＴ装置１０は、タイミングＴ４２においてプリスキャンからメインスキャンへ移行し、ＣＴ画像データＩ４２（図示せず）を取得する。即ち、Ｘ線ＣＴ装置１０は、学習済みモデルＭ４を用いて決定されたタイミングＴ４２においてプリスキャンからメインスキャンへ移行し、ＣＴ画像データＩ４２を取得する。なお、メインスキャンへの移行に伴ってプリスキャンは終了し、時系列の部分画像データ群の更新も終了する。

更に、学習機能３５２は、検査Ｅ４２において取得された学習データを用いて、学習済みモデルＭ４を生成してもよい。例えば、学習機能３５２は、検査Ｅ４２における検査目的と、検査Ｅ４２において取得されたＣＴ画像データＩ４２とに基づいて、タイミングＴ４２の妥当性に関する情報を取得する。また、学習機能３５２は、検査Ｅ４２においてタイミングＴ４２まで更新された時系列の画像データ群と、検査Ｅ４２においてプリスキャンからメインスキャンへ移行したタイミングＴ４２とを入力側の学習データとして使用し、タイミングＴ４２の妥当性に関する情報を出力側の学習データとして使用して、学習済みモデルＭ４を更新する。即ち、学習機能３５２は、検査Ｅ４２について学習済みモデルＭ４を使用した後、検査Ｅ４２から学習データを取得する。この場合、検査Ｅ４２は、第１の検査及び第２の検査の双方に該当することとなる。なお、学習機能３５２は、１つの検査Ｅ４２から取得された学習データに基づいて、複数の学習データを生成してもよい。

上述したように、第４の実施形態によれば、取得機能３５１は、Ｘ線診断システム１を使用した第１の検査において、造影剤が注入された被検体に対して実行されたプリスキャンにより取得された時系列の画像データ群を取得する。また、学習機能３５２は、取得機能３５１が取得した時系列の画像データ群と、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングに関するタイミング情報とを入力側の学習データとして使用し、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングの妥当性に関する情報を出力側の学習データとして使用して、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルＭ４を生成する。従って、第４の実施形態に係るＸ線診断システム１は、学習済みモデルＭ４により、メインスキャンのタイミングを適切に決定することができる。

（第５の実施形態）
第５の実施形態では、Ｘ線ＣＴ装置１０における撮影方式を更に考慮して、メインスキャンのタイミングを決定する場合について説明する。第５の実施形態に係るＸ線診断システム１は、図１及び図２に示したＸ線診断システム１と同様の構成を有し、学習機能３５２、決定機能３５３及び制御機能３５４による処理の一部が相違する。以下、第１の実施形態において説明した構成と同様の構成を有する点については、図１及び図２と同一の符号を付し、説明を省略する。

例えば、学習機能３５２は、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルを、撮影方式ごとに生成する。例えば、学習機能３５２は、上述した学習済みモデルＭ１、学習済みモデルＭ２、学習済みモデルＭ３又は学習済みモデルＭ４を、撮影方式ごとに生成する。ここで、撮影方式とは、例えばヘリカルスキャンやボリュームスキャン等、Ｘ線ＣＴ装置１０において実行されるＣＴスキャンの方式である。

なお、ヘリカルスキャンとは、Ｘ線ＣＴ装置１０における回転部を回転させながら、図２に示したＺ軸方向に天板１３３又は架台装置１１０を移動させる撮影方式である。ヘリカルスキャンによれば、Ｘ線検出器１１２の列方向のサイズを超える広い範囲についての撮影が可能である。ここで、ヘリカルスキャンにおいては、通常、Ｚ軸方向における対象部位の位置がプリスキャンとメインスキャンとの間で異なる。この場合、プリスキャンからメインスキャンへ移行した後、更に、Ｚ軸方向に天板１３３又は架台装置１１０を移動させてからＣＴ画像データを取得することとなる。即ち、ヘリカルスキャンの場合には、メインスキャンへ移行してからＣＴ画像データを取得するまでにタイムラグが生じる。

また、ボリュームスキャンとは、Ｚ軸方向に天板１３３又は架台装置１１０を移動させることなく、回転部を回転させて実行される撮影方式である。ここで、ボリュームスキャンの場合には、通常、Ｚ軸方向における撮影位置がプリスキャンとメインスキャンとの間で同じである。従って、ボリュームスキャンの場合には、メインスキャンへ移行してからＣＴ画像データを取得するまでのタイムラグはほとんど生じない。

即ち、メインスキャンに移行してからＣＴ画像データを取得するまでに生じるタイムラグは、撮影方式ごとに異なる。このため、プリスキャンからメインスキャンへ移行する妥当なタイミングも撮影方式ごとに異なることとなる。従って、学習機能３５２は、撮影方式ごとに学習済みモデルを生成することで、メインスキャンのタイミングをより適切に決定することを可能とする。

以下では一例として、学習済みモデルＭ１を生成する場合について説明する。例えば、学習機能３５２は、第１の検査において取得されたＴＤＣを複数取得し、取得した複数のＴＤＣを撮影方式ごとに分類する。そして、学習機能３５２は、分類されたＴＤＣとタイミング情報とを入力側の学習データとして使用することで、撮影方式ごとに、学習済みモデルＭ１を生成する。即ち、学習機能３５２は、入力側の学習データに関する撮影方式を統一することで、撮影方式ごとに特化させた機械学習を実行し、学習済みモデルＭ１の精度を向上させる。一例を挙げると、学習機能３５２は、ヘリカルスキャンにより実行されるメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルＭ１１と、ボリュームスキャンにより実行されるメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルＭ１２とを生成する。

別の例を挙げると、学習機能３５２は、タイミングの妥当性に関する情報を撮影方式に応じて補正する。即ち、同一のタイミングであっても、メインスキャンがヘリカルスキャンであるかボリュームスキャンであるかにより、その妥当性も変化する場合がある。そして、学習機能３５２は、撮影方式の違いにより生じる妥当性の変化を考慮して、タイミングの妥当性に関する情報を補正する。

以下では一例として、被検体Ｐ５１に対して実行された検査Ｅ５１について説明する。なお、被検体Ｐ５１は、図２に示した被検体Ｐの一例である。また、検査Ｅ５１のメインスキャンは、ヘリカルスキャンにより実行されるものとして説明する。

検査Ｅ５１において、取得機能３５１は、例えば、造影剤が注入された被検体Ｐ５１に対して実行されたプリスキャンにより取得された時系列の画像データ群に基づいて、関心領域内のＨＵ値を時間軸に対応付けてプロットすることにより、ＴＤＣを取得する。また、取得機能３５１は、Ｘ線ＣＴ装置１０から新たに画像データを取得するごとに、新たに取得した画像データの関心領域内のＨＵ値を時間軸に対応付けてプロットし、ＴＤＣを順次更新する。また、取得機能３５１は、ＴＤＣを学習済みモデルＭ１１に入力することにより、検査Ｅ５１においてメインスキャンへ移行する妥当なタイミングとして、タイミングＴ５１を決定する。

また、制御機能３５４は、決定されたタイミングＴ５１をＸ線ＣＴ装置１０に対して送信する。また、Ｘ線ＣＴ装置１０は、タイミングＴ５１においてプリスキャンからメインスキャンへ移行し、ヘリカルスキャンを実行して、ＣＴ画像データＩ５１（図示せず）を取得する。この場合、タイミングＴ５１からＣＴ画像データＩ５１が取得されるまでの間には、プリスキャンの対象部位とメインスキャンの対象部位との間の距離に応じたタイムラグが生じている。また、メインスキャンへの移行に伴ってプリスキャンは終了し、ＴＤＣの更新も終了する。

次に、学習機能３５２は、検査Ｅ５１から学習データを取得する。例えば、学習機能３５２は、検査Ｅ５１における検査目的と検査Ｅ５１において取得されたＣＴ画像データＩ５１とに基づき、タイミングＴ５１について、ヘリカルスキャンにより実行されるメインスキャンへ移行するタイミングとしての妥当性に関する情報を取得する。なお、以下では、ヘリカルスキャンにより実行されるメインスキャンへ移行するタイミングとしての妥当性に関する情報を、妥当性に関する情報Ｉｈとも記載する。即ち、学習機能３５２は、検査Ｅ５１における検査目的と検査Ｅ５１において取得されたＣＴ画像データＩ５１とに基づいて、妥当性に関する情報Ｉｈを取得する。

更に、学習機能３５２は、妥当性に関する情報Ｉｈを撮影方式に応じて補正することで、タイミングＴ５１について、ボリュームスキャンにより実行されるメインスキャンへ移行するタイミングとしての妥当性に関する情報を取得する。なお、以下では、ボリュームスキャンにより実行されるメインスキャンへ移行するタイミングとしての妥当性に関する情報を、妥当性に関する情報Ｉｖとも記載する。

即ち、学習機能３５２は、妥当性に関する情報Ｉｈを撮影方式に応じて補正することで、妥当性に関する情報Ｉｖを取得する。例えば、妥当性に関する情報Ｉｈが「妥当」である場合、妥当性に関する情報Ｉｖとして、「早い」を取得する。次に、学習機能３５２は、検査Ｅ５１から取得した学習データを使用して、ヘリカルスキャンにより実行されるメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルＭ１１と、ボリュームスキャンにより実行されるメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルＭ１２とを生成する。

例えば、学習機能３５２は、検査Ｅ５１においてタイミングＴ５１まで更新されたＴＤＣと、検査Ｅ５１においてプリスキャンからメインスキャンへ移行したタイミングＴ５１とを入力側の学習データとして使用し、タイミングＴ５１の妥当性に関する情報Ｉｈを出力側の学習データとして使用する。これにより、学習機能３５２は、ヘリカルスキャンにより実行されるメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルＭ１１を生成する。

また、学習機能３５２は、検査Ｅ５１においてタイミングＴ５１まで更新されたＴＤＣと、検査Ｅ５１においてプリスキャンからメインスキャンへ移行したタイミングＴ５１とを入力側の学習データとして使用し、タイミングＴ５１の妥当性に関する情報Ｉｖを出力側の学習データとして使用する。これにより、学習機能３５２は、ボリュームスキャンにより実行されるメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルＭ１２を生成する。

即ち、学習機能３５２は、検査Ｅ５１について学習済みモデルＭ１を使用した後、検査Ｅ２４から、学習済みモデルＭ１１の生成に使用する学習データと、学習済みモデルＭ１２の生成に使用する学習データとを取得する。この場合、検査Ｅ５１は、第１の検査及び第２の検査の双方に該当することとなる。なお、学習機能３５２は、１つの検査Ｅ２４から取得された、学習済みモデルＭ１１の生成に使用する学習データに基づいて、学習済みモデルＭ１１の生成に使用する複数の学習データを生成してもよい。また、学習機能３５２は、１つの検査Ｅ２４から取得された、学習済みモデルＭ１２の生成に使用する学習データに基づいて、学習済みモデルＭ１２の生成に使用する複数の学習データを生成してもよい。

別の例を挙げると、決定機能３５３は、プリスキャンからメインスキャンへ移行するタイミングとして決定したタイミングを、第２の検査の撮影方式に応じて補正する。以下では一例として、被検体Ｐ５２に対して実行された検査Ｅ５２について説明する。なお、被検体Ｐ５２は、図２に示した被検体Ｐの一例である。また、検査Ｅ５２のメインスキャンは、ボリュームスキャンにより実行されるものとして説明する。

検査Ｅ５２において、取得機能３５１は、例えば、造影剤が注入された被検体Ｐ５２に対して実行されたプリスキャンにより取得された時系列の画像データ群に基づいて、関心領域内のＨＵ値を時間軸に対応付けてプロットすることにより、ＴＤＣを取得する。また、取得機能３５１は、Ｘ線ＣＴ装置１０から新たに画像データを取得するごとに、新たに取得した画像データの関心領域内のＨＵ値を時間軸に対応付けてプロットし、ＴＤＣを順次更新する。

また、決定機能３５３は、学習済みモデルＭ１１にＴＤＣを入力することにより、図１１に示すタイミングＴ５２１を決定する。なお、以下では、タイミングＴ５２１まで更新されたＴＤＣをＴＤＣＣ５２と記載する。図１１は、第５の実施形態に係るプリスキャンからメインスキャンへ移行するタイミングの一例を示す図である。

図１１に示すタイミングＴ５２１は、ヘリカルスキャンにより実行されるメインスキャンへ移行する妥当なタイミングとして決定されたタイミングである。ここで、検査Ｅ５２のメインスキャンはボリュームスキャンにより実行されるものであるため、決定機能３５３は、撮影方式に応じてタイミングＴ５２１を補正する。例えば、ボリュームスキャンにおいては、メインスキャンに移行してからＣＴ画像データを取得するまでに生じるタイムラグがヘリカルスキャンの場合よりも短く、メインスキャンに移行するタイミングはヘリカルスキャンの場合より遅くてよい。従って、決定機能３５３は、図１１に示すように、タイミングＴ５２１をタイミングＴ５２２まで遅らせる。

また、制御機能３５４は、補正後のタイミングＴ５２２をＸ線ＣＴ装置１０に対して送信する。また、Ｘ線ＣＴ装置１０は、タイミングＴ５２２においてプリスキャンからメインスキャンへ移行し、ボリュームスキャンを実行して、ＣＴ画像データＩ５２（図示せず）を取得する。この場合、タイミングＴ５２からＣＴ画像データＩ５２が取得されるまでの間にタイムラグはほとんど生じない。また、メインスキャンへの移行に伴ってプリスキャンは終了し、ＴＤＣの更新も終了する。更に、学習機能３５２は、検査Ｅ５２から学習データを取得することとしてもよい。

上述したように、第５の実施形態に係るＸ線診断システム１は、撮影方式ごとに学習済みモデルを生成する。従って、第５の実施形態に係るＸ線診断システム１は、撮影方式に応じて生じる違いを含めて学習させた学習済みモデルを生成し、メインスキャンのタイミングをより適切に決定することができる。

また、上述したように、第５の実施形態に係るＸ線診断システム１は、プリスキャンからメインスキャンへ移行するタイミングとして決定したタイミングを、第２の検査の撮影方式に応じて補正する。従って、第５の実施形態に係るＸ線診断システム１は、複数の学習済みモデルを生成することなく、撮影方式に応じて生じる違いを補正して、メインスキャンのタイミングをより適切に決定することができる。

（第６の実施形態）
これまで第１～第５の実施形態について説明したが、上述した第１～第５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。

例えば、上述した実施形態では、生成機能１４４ｃにより生成された時系列の画像データ群を学習データとして用いて学習済みモデルの生成を行なう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い。例えば、学習機能３５２は、生成機能１４４ｃにより生成された時系列の画像データ群を加工し、加工後の画像データ群を学習データとして用いて学習済みモデルを生成してもよい。なお、以下では、生成機能１４４ｃにより生成された時系列の画像データ群を原画像データ群とも記載する。

一例を挙げると、学習機能３５２は、生成機能１４４ｃにより生成された原画像データ群に体動成分を付加することで生成した画像データ群を学習データとして用いて、学習済みモデルを生成してもよい。ここで、体動成分とは、例えば、心拍や呼吸、嚥下、その他被検体Ｐが行なう各種の体動に起因する成分である。

例えば、学習機能３５２は、第１の検査における原画像データ群の収集時に体動があったことを仮定し、原画像データ群に含まれる一部又は全部の画像データについて、画像全体を平行移動させたり暈けさせたりすることで、体動成分を付加した画像データ群を生成する。そして、学習機能３５２は、体動成分を付加した画像データ群を学習データとして用いて、学習済みモデルを生成する。また、第２の検査において、決定機能３５３は、プリスキャンにより取得された時系列の画像データ群を含む入力データを学習済みモデルに入力して、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定する。

この場合、Ｘ線診断システム１は、第２の検査におけるプリスキャン時に体動があった場合でも、体動の影響を考慮してメインスキャンのタイミングをより適切に決定することを可能とする。即ち、プリスキャンにおいて固定の関心領域内の信号強度に基づいてメインスキャンのタイミングを決定する場合、体動があると関心領域と被検体Ｐとの位置関係が変化してしまい、メインスキャンのタイミングを適切に決定できなくなる場合がある。これに対し、Ｘ線診断システム１は、体動があった場合にはその動きを追跡して関心領域内の信号強度の監視を継続し、メインスキャンのタイミングを適切に決定することができる。

なお、時系列の原画像データ群に体動成分を付加することで生成した画像データ群を学習データとして使用する場合について説明したが、時系列の原画像データ群に体動成分を付加することで生成した画像データ群から部分画像データ群を生成し、当該部分画像データ群を学習データとして使用する場合であっても構わない。或いは、時系列の原画像データ群から時系列の部分画像データ群を生成し、時系列の部分画像データ群に体動成分を付加することで生成した部分画像データ群を学習データとして使用する場合であっても構わない。また、時系列の原画像データ群に体動成分を付加することで生成した画像データ群に基づいて生成された時系列の情報を学習データとして使用する場合であっても構わない。或いは、時系列の原画像データ群から時系列の情報を生成し、時系列の情報に体動成分を付加することで生成した時系列の情報を学習データとして使用する場合であっても構わない。

別の例を挙げると、学習機能３５２は、生成機能１４４ｃにより生成された原画像データ群にアーチファクトを付加することで生成した画像データ群を学習データとして用いて、学習済みモデルを生成してもよい。ここでアーチファクトの種類は特に限定されるものではなく、Ｘ線管１１１やＸ線検出器１１２等のハードウェアに起因するアーチファクトや、撮影条件に起因するアーチファクト、撮影対象に起因するアーチファクト（メタルアーチファクト等）、再構成法に起因するアーチファクト等のいずれであっても構わない。

一例を挙げると、時系列の画像データ群を収集する場合において、３６０°分の投影データが収集されるごとに再構成を行なうのではなく、より高いフレームレートで再構成を行なう技術が知られている。例えば、生成機能１４４ｃは、まず、３６０°の投影データを用いて第１の画像データを再構成する。次に、６０°分の投影データが新たに収集された時点で、生成機能１４４ｃは、新たに収集された６０°分の投影データによって先に使用した３６０°の投影データの一部を置換し、置換後の３６０°分の投影データを使用して第２の画像データを再構成する。この場合、生成機能１４４ｃは、３６０°の投影データが収集されるごとに、６つの画像データを再構成することができる。換言すると、新たに収集された６０°分の投影データは、６つの画像データの再構成に使用されることとなる。ここで、新たに収集された６０°分の投影データに不具合があった場合、この不具合は、６つの画像データのそれぞれに影響を及ぼすこととなる。例えば、新たに収集された６０°分の投影データに不具合があった場合、６つの画像データのそれぞれについて管球位置に応じた線状の陰影が生じ、これら画像データを連続的に表示させた際にレーダー状のアーチファクトとなって表れる場合がある。学習機能３５２は、生成機能１４４ｃにより生成された原画像データ群にかかるレーダー状のアーチファクトを付加することで生成した画像データ群を学習データとして用いて、学習済みモデルを生成してもよい。

例えば、学習機能３５２は、アーチファクトを表わすアーチファクト画像を取得する。ここで、アーチファクト画像は、例えば、アーチファクトを含む画像データとアーチファクトを含まない画像データとの差分処理によって生成することができる。これらアーチファクトを含む画像データ及びアーチファクトを含まない画像データは、人体を模したファントムを撮影対象として収集したものであっても構わない。また、アーチファクト画像は、アーチファクトの種類ごとに生成することができる。

そして、学習機能３５２は、生成機能１４４ｃにより生成された原画像データ群とアーチファクト画像とを合成することで、原画像データ群にアーチファクトを付加する。また、学習機能３５２は、体動成分を付加した画像データ群を学習データとして用いて、学習済みモデルを生成する。また、第２の検査において、決定機能３５３は、プリスキャンにより取得された時系列の画像データ群を含む入力データを学習済みモデルに入力して、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定する。この場合、Ｘ線診断システム１は、第２の検査における原画像データ群にアーチファクトが含まれていた場合でも、アーチファクトの影響を考慮してメインスキャンのタイミングを適切に決定することができる。

別の例を挙げると、学習機能３５２は、第１の検査において生成機能１４４ｃにより生成された原画像データ群からアーチファクトを低減することで生成した画像データ群を学習データとして用いて、学習済みモデルを生成してもよい。また、第２の検査において、決定機能３５３は、プリスキャンにより取得された時系列の画像データ群に対してアーチファクトの低減処理を施し、アーチファクト低減後の画像データ群を含む入力データを学習済みモデルに入力して、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定する。この場合、Ｘ線診断システム１は、学習済みモデルの生成時及び使用時においてアーチファクトの影響を低減し、メインスキャンのタイミングを適切に決定することができる。

なお、これまで、時系列の原画像データ群にアーチファクトを付与、又は、時系列の原画像データ群からアーチファクトを低減することで生成した画像データ群を学習データとして使用する場合について説明したが、実施形態はこれに限定されるものではない。例えば、時系列の原画像データ群にアーチファクトを付与、又は、時系列の原画像データ群からアーチファクトを低減することで生成した画像データ群から部分画像データ群を生成し、当該部分画像データ群を学習データとして使用する場合であっても構わない。或いは、時系列の原画像データ群から時系列の部分画像データ群を生成し、時系列の部分画像データ群にアーチファクトを付与、又は、時系列の部分画像データ群からアーチファクトを低減することで生成した部分画像データ群を学習データとして使用する場合であっても構わない。

また、時系列の原画像データ群にアーチファクトを付与、又は、時系列の原画像データ群からアーチファクトを低減することで生成した画像データ群に基づいて生成された時系列の情報を学習データとして使用する場合であっても構わない。或いは、時系列の原画像データ群から時系列の情報を生成し、時系列の情報にアーチファクトを付与、又は、時系列の情報からアーチファクトを低減することで生成した時系列の情報を学習データとして使用する場合であっても構わない。例えば、時系列の情報としてＴＤＣを使用する場合において、学習機能３５２は、Ｘ線管１１１の回転周期に合わせてＴＤＣが変動するように加工を行なうことで、時系列の情報に上記のレーダー状のアーチファクトを付与する。

また、上述した実施形態にて説明した学習済みモデルは一例であり、適宜変更が可能である。例えば、上述した実施形態では、時系列の部分画像データ群と、プリスキャンからメインスキャンへ移行したタイミングに関するタイミング情報とを入力側の学習データとして使用し、プリスキャンからメインスキャンへ移行したタイミングの妥当性に関する情報を出力側の学習データとして使用して生成された、学習済みモデルＭ３について説明した。また、上述した実施形態では、時系列の画像データ群と、プリスキャンからメインスキャンへ移行したタイミングに関するタイミング情報とを入力側の学習データとして使用し、プリスキャンからメインスキャンへ移行したタイミングの妥当性に関する情報を出力側の学習データとして使用して生成された、学習済みモデルＭ４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、時系列の部分画像データ群及び時系列の画像データ群と、プリスキャンからメインスキャンへ移行したタイミングに関するタイミング情報とを入力側の学習データとして使用し、プリスキャンからメインスキャンへ移行したタイミングの妥当性に関する情報を出力側の学習データとして、学習済みモデルを生成してもよい。

即ち、上述した実施形態にて説明した学習データについては、適宜組み合わせて使用することができる。換言すると、取得機能３５１は、第１の検査において、時系列の画像データ群、時系列の部分画像データ群、及び、関心領域内の時系列の情報のうち少なくとも１つを取得する。また、学習機能３５２は、第１の検査において取得された時系列の画像データ群、時系列の部分画像データ群、及び、関心領域内の時系列の情報のうち少なくとも１つと、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングに関するタイミング情報とを入力側の学習データとして使用し、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングの妥当性に関する情報を出力側の学習データとして使用して、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルを生成する。

また、上述した実施形態では、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングに関するタイミング情報を入力側の学習データとして使用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い。例えば、学習機能３５２は、タイミング情報に代えて、被検体の関心領域内の信号強度の値を使用する場合であってもよい。

例えば、学習機能３５２は、第１の検査において取得されたＴＤＣと、取得したＴＤＣが示す信号強度の最大値とを入力側の学習データとして使用し、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングを出力側の学習データとして使用して、学習済みモデルＭ５を生成する。なお、ＴＤＣが示す信号強度の最大値は、通常、最後に取得された画像データの関心領域内の信号強度である。例えば、学習済みモデルＭ５は、ＴＤＣ及び信号強度の最大値の入力を受けて、入力された最大値が「低い」、「妥当」及び「高い」のいずれのクラスに該当するかを出力するように機能付けられる。

次に、取得機能３５１は、第２の検査においてＴＤＣを取得し、決定機能３５３は、学習済みモデルＭ５にＴＤＣを入力する。ここで、学習済みモデルＭ５は、入力されたＴＤＣが示す信号強度の最大値が「低い」、「妥当」及び「高い」のいずれのクラスに該当するかを出力する。換言すると、学習済みモデルＭ５は、学習済みモデルＭ５が適宜調整する閾値を基準として、入力されたＴＤＣが示す信号強度の最大値が「低い」、「妥当」及び「高い」のいずれのクラスに該当するかを出力する。そして、決定機能３５３は、学習済みモデルＭ５からの出力が「妥当」となったタイミングを、プリスキャンからメインスキャンへ移行するタイミングとして決定する。

また、上述した実施形態では、第２の検査において、プリスキャンからメインスキャンへ移行する妥当なタイミングを１つ決定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い。例えば、メインスキャンにおける対象部位が複数ある場合、決定機能３５３は、プリスキャンからメインスキャンへ移行する妥当なタイミングを、複数の対象部位それぞれについて決定してもよい。

また、上述した実施形態では、医用情報処理装置３０における処理回路３５が、取得機能３５１、学習機能３５２及び決定機能３５３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い。例えば、Ｘ線ＣＴ装置１０における処理回路１４４が、取得機能３５１、学習機能３５２及び決定機能３５３に対応する機能を実行する場合であってもよい。

例えば、処理回路１４４は、図１２に示すように、システム制御機能１４４ａ、前処理機能１４４ｂ、生成機能１４４ｃ及び制御機能１４４ｄに加えて、取得機能１４４ｅ、学習機能１４４ｆ及び決定機能１４４ｇを更に実行する。取得機能１４４ｅは、取得機能３５１に対応した機能である。また、学習機能１４４ｆは、学習機能３５２に対応した機能である。また、決定機能１４４ｇは、決定機能３５３に対応した機能である。また、Ｘ線ＣＴ装置１０は、図１２に示すように、モデル記憶回路１４５を更に備える。なお、図１２は、第６の実施形態に係るＸ線ＣＴ装置１０の構成の一例を示すブロック図である。

一例を挙げると、第１の検査において、システム制御機能１４４ａは、造影剤が注入された被検体に対してプリスキャンを実行し、時系列の画像データ群を取得する。また、取得機能１４４ｅは、時系列の画像データ群、時系列の部分画像データ群、及び、関心領域内の時系列の情報のうち少なくとも１つを取得する。また、学習機能３５２は、第１の検査において取得された時系列の画像データ群、時系列の部分画像データ群、及び、関心領域内の時系列の情報のうち少なくとも１つと、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングに関するタイミング情報とを入力側の学習データとして使用し、第１の検査においてプリスキャンからメインスキャンへ移行したタイミングの妥当性に関する情報を出力側の学習データとして使用して、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルを生成する。また、学習機能３５２は、生成した学習済みモデルをモデル記憶回路１４５に記憶させる。

また、第２の検査において、システム制御機能１４４ａは、造影剤が注入された被検体に対してプリスキャンを実行し、時系列の画像データ群を取得する。また、取得機能１４４ｅは、時系列の画像データ群、時系列の部分画像データ群、及び、関心領域内の時系列の情報のうち少なくとも１つを取得する。また、決定機能１４４ｇは、時系列の画像データ群、時系列の部分画像データ群、及び、関心領域内の時系列の情報のうち少なくとも１つを取得して学習済みモデルに入力することにより、第２の検査においてプリスキャンからメインスキャンへ移行する妥当なタイミングを決定する。また、システム制御機能１４４ａは、決定機能１４４ｇにより決定されたタイミングにおいてプリスキャンからメインスキャンへ移行し、ＣＴ画像データを取得する。

また、上述した実施形態では、学習機能３５２又は学習機能１４４ｆが学習済みモデルを生成するものとして説明した。即ち、上述した実施形態では、Ｘ線診断システム１に含まれるいずれかの装置において、学習済みモデルが生成され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く、Ｘ線診断システム１に含まれる装置以外の外部装置において学習済みモデルが生成される場合であってもよい。例えば、Ｘ線診断システム１は、ネットワークＮＷを介して外部装置と接続される。また、外部装置は、学習済みモデルＭ１や学習済みモデルＭ２、学習済みモデルＭ３、学習済みモデルＭ４、学習済みモデルＭ５等の学習済みモデルを生成し、生成した学習済みモデルをＸ線診断システム１に含まれる装置に対して送信する。例えば、外部装置は、生成した学習済みモデルをＸ線ＣＴ装置１０に対して送信する。この場合、取得機能１４４ｅは、外部装置において生成された学習済みモデルを取得し、取得した学習済みモデルをモデル記憶回路１４５に記憶させる。

また、上述した実施形態では、医用画像診断システムの例として、Ｘ線診断システム１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い。例えば、Ｘ線ＣＴ装置１０に代えて、磁気共鳴イメージング（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ：ＭＲＩ）装置を備えたＭＲＩ診断システムについても同様に適用が可能である。

例えば、ＭＲＩ装置においてメインスキャンを実行する際には、造影剤が注入された被検体に対してプリスキャンを実行して時系列の画像データ群が取得される。また、これら時系列の画像データ群に基づいてメインスキャンのタイミングが決定され、被検体に対して呼吸を止めるように指示が出される。そして、呼吸を止めた状態の被検体Ｐに対して、メインスキャンが実行される。ここで、上述した各種の学習済みモデルによれば、Ｘ線ＣＴ装置１０の場合と同様にして、ＭＲＩ装置におけるメインスキャンのタイミングを適切に決定することができる。

上述した実施形態におけるプリスキャンとメインスキャンは、単に時間的な前後関係を示す表現であり、スキャンの間の主従関係を示すものではない。

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学習済みモデルの生成方法、及び、メインスキャンへ移行するタイミングの決定方法は、予め用意された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、メインスキャンのタイミングを適切に決定することができる。

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、変更を行なうことができる。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線診断システム
１０ Ｘ線ＣＴ装置
１４４ 処理回路
１４４ａ システム制御機能
１４４ｂ 前処理機能
１４４ｃ 生成機能
１４４ｄ 制御機能
１４４ｅ 取得機能
１４４ｆ 学習機能
１４４ｇ 決定機能
１４５ モデル記憶回路
２０ 画像保管装置
３０ 医用情報処理装置
３４ モデル記憶回路
３５ 処理回路
３５１ 取得機能
３５２ 学習機能
３５３ 決定機能
３５４ 制御機能

Claims (18)

1. 医用画像診断システムを使用した第１の検査において、造影剤が注入された第１の被検体に対して実行された第１のプリスキャンにより取得された第１の時系列の画像群、前記第１の時系列の画像群に基づいて生成された、前記第１の被検体の第１の関心領域に対応する第１の時系列の部分画像群、及び、前記第１の時系列の画像群に基づいて生成された、前記第１の関心領域内の信号強度に関する第１の時系列の情報のうち少なくとも１つと、前記第１の検査において前記第１のプリスキャンから第１のメインスキャンへ移行したタイミングに関するタイミング情報と、前記タイミングの妥当性に関する情報とを学習データとして使用して生成された学習済みモデルを取得する取得部と、
   前記第１の検査とは別の第２の検査において、造影剤が注入された第２の被検体に対して実行された第２のプリスキャンにより取得された第２の時系列の画像群、前記第２の時系列の画像群に基づいて生成された、前記第２の被検体の第２の関心領域に対応する第２の時系列の部分画像群、及び前記第２の時系列の画像群に基づいて生成された、前記第２の関心領域内の信号強度に関する第２の時系列の情報のうち少なくとも１つを、前記学習済みモデルに入力することにより、前記第２のプリスキャンから第２のメインスキャンへ移行する妥当なタイミングを決定する決定部と
   を備えた、医用画像診断システム。
2. 前記第１の時系列の画像群は、時系列の原画像群に体動成分を付加することで生成される、請求項１に記載の医用画像診断システム。
3. 前記第１の時系列の情報は、特定の信号値帯に関する情報を含む、請求項１に記載の医用画像診断システム。
4. 前記第１の時系列の画像群は、時系列の原画像群にアーチファクトを付与、又は前記時系列の原画像群からアーチファクトを低減することで生成される、請求項１に記載の医用画像診断システム。
5. 前記学習済みモデルは、前記第１の時系列の画像に表れたアーチファクトを表すアーチファクト画像を学習データとして使用して生成される、請求項１に記載の医用画像診断システム。
6. 前記妥当性に関する情報は、前記第１のプリスキャンから前記第１のメインスキャンへ移行したタイミングと、妥当性の高いタイミングとの間の差を含む、請求項１～５のいずれか一項に記載の医用画像診断システム。
7. 前記妥当性に関する情報は、前記第１のプリスキャンから前記第１のメインスキャンへ移行したタイミングが、妥当性の高いタイミング、前記妥当性の高いタイミングに対して早いタイミング、及び、前記妥当性の高いタイミングに対して遅いタイミングのいずれに該当するかを示す情報である、請求項１～５のいずれか一項に記載の医用画像診断システム。
8. 前記学習済みモデルは、前記第１のプリスキャンから前記第１のメインスキャンへ移行したタイミングが前記妥当性の高いタイミングに対して遅いタイミングに該当することを示す情報と、前記第１の時系列の画像群、前記第１の時系列の部分画像群、及び前記第１の時系列の情報のうち少なくとも１つと、前記タイミング情報との組み合わせに基づいて、前記第１のプリスキャンから前記第１のメインスキャンへ移行したタイミングが前記妥当性の高いタイミングに該当することを示す情報と、加工後の前記第１の時系列の画像群、加工後の前記第１の時系列の部分画像群、及び加工後の前記第１の時系列の情報のうち少なくとも１つと、加工後の前記タイミング情報との組み合わせ、及び、前記第１のプリスキャンから前記第１のメインスキャンへ移行したタイミングが前記妥当性の高いタイミングに対して早いタイミングに該当することを示す情報と、加工後の前記第１の時系列の画像群、加工後の前記第１の時系列の部分画像群、及び加工後の前記第１の時系列の情報のうち少なくとも１つと、加工後の前記タイミング情報との組み合わせの少なくとも一方を生成し、生成した組み合わせを前記学習データとして更に使用して生成される、請求項７に記載の医用画像診断システム。
9. 前記妥当性に関する情報は、前記第１の検査における検査目的と、前記第１の検査において取得された画像とに基づいて取得される、請求項６～８のいずれか一項に記載の医用画像診断システム。
10. 前記学習済みモデルは、プリスキャンの対象部位とメインスキャンの対象部位との組み合わせごとに生成される、請求項１～９のいずれか一項に記載の医用画像診断システム。
11. 前記学習済みモデルは、撮影方式ごとに生成される、請求項１～１０のいずれか一項に記載の医用画像診断システム。
12. 前記学習済みモデルは、撮影方式ごとに分類された前記第１の時系列の画像群、撮影方式ごとに分類された前記第１の時系列の部分画像群、及び撮影方式ごとに分類された前記第１の時系列の情報のうち少なくとも１つと、前記タイミング情報とを前記学習データとして使用することで、撮影方式ごとに生成される、請求項１１に記載の医用画像診断システム。
13. 前記学習済みモデルは、前記タイミングの妥当性に関する情報を撮影方式に応じて補正し、補正後の情報を前記学習データとして使用することで、撮影方式ごとに生成される、請求項１２に記載の医用画像診断システム。
14. 前記タイミング情報は、前記第１のプリスキャンにより取得された画像中の被検体の関心領域内の信号強度が閾値を超えたタイミングである、請求項１～１３のいずれか一項に記載の医用画像診断システム。
15. 前記タイミング情報は、前記第１の検査におけるプリスキャンにより取得された画像中の被検体の関心領域内の信号強度が閾値を超えた後に所定時間が経過したタイミングである、請求項１～１３のいずれか一項に記載の医用画像診断システム。
16. 前記決定部は、前記第２の検査において前記第２のプリスキャンから複数の前記第２のメインスキャンへ移行する、複数の妥当なタイミングを決定する、請求項１～１５のいずれか一項に記載の医用画像診断システム。
17. 前記決定部は、更に、決定したタイミングを前記第２の検査の撮影方式に応じて補正する、請求項１～１６のいずれか一項に記載の医用画像診断システム。
18. 医用画像診断システムを使用した第１の検査において、造影剤が注入された第１の被検体に対して実行された第１のプリスキャンにより取得された第１の時系列の画像群、前記第１の時系列の画像群に基づいて生成された、前記第１の被検体の第１の関心領域に対応する第１の時系列の部分画像群、及び、前記第１の時系列の画像群に基づいて生成された、前記第１の関心領域内の信号強度に関する第１の時系列の情報のうち少なくとも１つを取得する取得ステップと、
    前記第１の時系列の画像群、前記第１の時系列の部分画像群、及び前記第１の時系列の情報のうち少なくとも１つと、前記第１の検査において前記第１のプリスキャンから第１のメインスキャンへ移行したタイミングに関するタイミング情報と、前記タイミングの妥当性に関する情報とを学習データとして使用し、前記第１の検査とは別の第２の検査において、第２のプリスキャンから第２のメインスキャンへ移行する妥当なタイミングを決定するための学習済みモデルを生成する学習ステップと、
    を含む、学習済みモデルの生成方法。