JP7433809B2 - 学習済みモデルの生成方法、および医用処理装置 - Google Patents

Description

本発明の実施形態は、学習済みモデルの生成方法、および医用処理装置に関する。

従来、Ｘ線ＣＴ（Computed Tomography）装置において、デュアルエネルギースキャン（Dual Energy Scan）という手法が用いられている。このデュアルエネルギースキャンでは、被検体に対して、低エネルギーのＸ線と、高エネルギーのＸ線とを照射したときのＣＴ値の変化に基づいて、画像データを生成する。また、このようなデュアルエネルギースキャンにより生成された画像データから、特定物質（例えば、造影剤成分、カルシウム成分等）を計算により除去する手法が知られている。

しかしながら、従来の手法により、元の画像データから特定物質を計算により除去した場合、元の画像データにおいて特定物質が含まれていた部分の辺縁に不自然な部分が残り、最終的に得られる画像の品質が低下してしまう場合があった。

米国特許第９２４７９１９号明細書

本発明が解決しようとする課題は、特定物質による影響が低減された高品質の画像を得ることである。

実施形態の学習済みモデルの生成方法は、第１の取得ステップと、第２の取得ステップと、学習ステップとを含む。第１の取得ステップは、特定物質を含む対象物に対してＸ線スキャンを実行することにより得られた、複数のＸ線エネルギーに対応する複数のデータセットを取得する。第２の取得ステップは、前記特定物質を含まない前記対象物に対してＸ線スキャンを実行することにより得られた単一のデータセットを取得する。学習ステップは、前記複数のデータセットを入力とし、前記単一のデータセットを出力とした学習により、前記特定物質を含む被検体に対してＸ線スキャンを実行することで得られた、前記複数のＸ線エネルギーに対応し、前記複数のデータセットとは別の複数のデータセットを入力することで、前記特定物質による影響が低減された、前記単一のデータセットとは別の単一のデータセットを生成するための学習済みモデルを生成する。

第１の実施形態に係るＸ線ＣＴ装置１の構成図。 第１の実施形態に係るメモリ４１に格納されるデータの一例を示す図。 第１の実施形態に係るメモリ４１に格納された再構成画像４１－４の一例を示す図。 第１の実施形態に係る生成機能５７の機能構成の一例を示す図。 第１の実施形態に係る学習機能５８の機能構成の一例を示す図。 第１の実施形態に係る処理回路５０の学習処理の一連の流れを示すフローチャート。 第１の実施形態に係る処理回路５０の学習処理におけるモデル入力および出力の関係を示す図。 第１の実施形態に係る処理回路５０による生成処理の一連の流れを示すフローチャート。 第２の実施形態に係るメモリ４１に格納されるデータの一例を示す図。 第２の実施形態に係るメモリ４１に格納された検出データ４１－２の一例を示す図。 第２の実施形態に係る処理回路５０の学習処理の一連の流れを示すフローチャート。 第２の実施形態に係る処理回路５０の学習処理におけるモデル入力および出力の関係を示す図。 第２の実施形態に係る処理回路５０による生成処理の一連の流れを示すフローチャート。 第２の実施形態に係る処理回路５０の学習処理におけるモデル入力および出力の関係の他の例を示す図。 第３の実施形態に係るメモリ４１に格納されるデータの一例を示す図。 第３の実施形態に係るメモリ４１に格納された再構成画像４１－４の一例を示す図。 第３の実施形態に係る処理回路５０の学習処理の一連の流れを示すフローチャート。 第３の実施形態に係る処理回路５０の学習処理におけるモデル入力および出力の関係を示す図。 第３の実施形態に係る処理回路５０による生成処理の一連の流れを示すフローチャート。

以下、実施形態の学習済みモデルの生成方法、および医用処理装置を、図面を参照して説明する。医用処理装置は、例えば、Ｘ線ＣＴ装置等の医用画像に対する処理を行って被検体を診断する医用診断装置である。以下の説明において、医用処理装置がＸ線ＣＴ装置である場合を例に挙げて説明する。

（第１の実施形態）
図１は、第１の実施形態に係るＸ線ＣＴ装置１の構成図である。Ｘ線ＣＴ装置１は、Ｘ線スキャン（デュアルエネルギースキャン）を実行する。デュアルエネルギースキャンには、例えば、１個のＸ線管を用いてＸ線管に印加する管電圧を切り替えることにより、低エネルギーのＸ線と高エネルギーのＸ線との各々を個別に被検体に照射する方式や、高速にＸ線管の管電圧を切り替えながら、低エネルギーのＸ線と高エネルギーのＸ線とを被検体にほぼ同時に照射する方式等がある。Ｘ線ＣＴ装置１は、任意の方式のデュアルエネルギースキャンを実行してよい。

また、Ｘ線ＣＴ装置１は、デュアルエネルギースキャン後の画像処理において、仮想的な非造影（Virtual Non Contrast:以下、「ＶＮＣ」と呼ぶ）の画像を生成する。このＶＮＣは、造影剤を投与した被検体の撮影データから造影剤成分を計算により除去し、非造影の撮像データを生成する技術である。

Ｘ線ＣＴ装置１は、例えば、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。図１では、説明の都合上、架台装置１０をＺ軸方向から見た図とＸ軸方向から見た図の双方を掲載しているが、実際には、架台装置１０は一つである。本実施形態では、非チルト状態での回転フレーム１７の回転軸または寝台装置３０の天板３３の長手方向をＺ軸方向、Ｚ軸方向に直交し、床面に対して水平である軸をＸ軸方向、Ｚ軸方向に直交し、床面に対して垂直である方向をＹ軸方向とそれぞれ定義する。Ｘ線ＣＴ装置１またはコンソール装置４０は、「医用処理装置」の一例である。

架台装置１０は、例えば、Ｘ線管１１と、ウェッジ１２と、コリメータ１３と、Ｘ線高電圧装置１４と、Ｘ線検出器１５と、データ収集システム（以下、ＤＡＳ：Data Acquisition System）１６と、回転フレーム１７と、制御装置１８とを有する。

Ｘ線管１１は、Ｘ線高電圧装置１４からの高電圧の印加により、陰極（フィラメント）から陽極（ターゲット）に向けて熱電子を照射することでＸ線を発生させる。Ｘ線管１１は、真空管を含む。例えば、Ｘ線管１１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線管である。

ウェッジ１２は、Ｘ線管１１から被検体Ｐに照射されるＸ線量を調節するためのフィルタである。ウェッジ１２は、Ｘ線管１１から被検体Ｐに照射されるＸ線量の分布が予め定められた分布になるように、自身を透過するＸ線を減衰させる。ウェッジ１２は、ウェッジフィルタ（wedge filter）、ボウタイフィルタ（bow-tie filter）とも呼ばれる。ウェッジ１２は、例えば、所定のターゲット角度や所定の厚みとなるようにアルミニウムを加工したものである。

コリメータ１３は、ウェッジ１２を透過したＸ線の照射範囲を絞り込むための機構である。コリメータ１３は、例えば、複数の鉛板の組み合わせによってスリットを形成することで、Ｘ線の照射範囲を絞り込む。コリメータ１３は、Ｘ線絞りと呼ばれる場合もある。

Ｘ線高電圧装置１４は、例えば、高電圧発生装置と、Ｘ線制御装置とを有する。高電圧発生装置は、変圧器（トランス）および整流器等を含む電気回路を有する。高電圧発生装置は、Ｘ線管１１に印加する高電圧を発生させる。Ｘ線制御装置は、Ｘ線管１１に発生させるべきＸ線量に応じて高電圧発生装置の出力電圧を制御する。高電圧発生装置は、上述した変圧器によって昇圧を行うものであってもよいし、インバータによって昇圧を行うものであってもよい。Ｘ線高電圧装置１４は、回転フレーム１７に設けられてもよいし、架台装置１０の固定フレーム（不図示）の側に設けられてもよい。

Ｘ線制御装置は、デュアルエネルギースキャンを実行するために必要な電圧がＸ線管１１に印加されるように、高電圧発生装置の出力電圧を制御する。例えば、Ｘ線制御装置は、コンソール装置４０からの管電圧制御信号に従い、高電圧発生装置に高エネルギーのＸ線（Ｈｉｇｈ－ｋＶ）（第１のエネルギーのＸ線）と、低エネルギーのＸ線（Ｌｏｗ－ｋＶ）（第１のエネルギーよりも低い第２のエネルギーのＸ線）とのいずれを出力させるかを制御する。

Ｘ線検出器１５は、Ｘ線管１１が発生させ、被検体Ｐを通過して入射したＸ線の強度を検出する。Ｘ線検出器１５は、検出したＸ線の強度に応じた電気信号（光信号等でもよい）をＤＡＳ１６に出力する。Ｘ線検出器１５は、例えば、複数のＸ線検出素子列を有する。複数のＸ線検出素子列のそれぞれは、Ｘ線管１１の焦点を中心とした円弧に沿ってチャネル方向に複数のＸ線検出素子が配列されたものである。複数のＸ線検出素子列は、スライス方向（列方向、ｒｏｗ方向）に配列される。

Ｘ線検出器１５は、例えば、グリッドと、シンチレータアレイと、光センサアレイとを有する間接型の検出器である。シンチレータアレイは、複数のシンチレータを有する。それぞれのシンチレータは、シンチレータ結晶を有する。シンチレータ結晶は、入射するＸ線の強度に応じた光量の光を発する。グリッドは、シンチレータアレイのＸ線が入射する面に配置され、散乱Ｘ線を吸収する機能を有するＸ線遮蔽板を有する。なお、グリッドは、コリメータ（一次元コリメータまたは二次元コリメータ）と呼ばれる場合もある。光センサアレイは、例えば、光電子増倍管（フォトマルチプライヤー：ＰＭＴ）等の光センサを有する。光センサアレイは、シンチレータにより発せられる光の光量に応じた電気信号を出力する。Ｘ線検出器１５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よい。

ＤＡＳ１６は、例えば、増幅器と、積分器と、Ａ／Ｄ変換器とを有する。増幅器は、Ｘ線検出器１５の各Ｘ線検出素子により出力される電気信号に対して増幅処理を行う。積分器は、増幅処理が行われた電気信号をビュー期間（後述）に亘って積分する。Ａ／Ｄ変換器は、積分結果を示す電気信号をデジタル信号に変換する。ＤＡＳ１６は、デジタル信号に基づく検出データをコンソール装置４０に出力する。検出データは、生成元のＸ線検出素子のチャンネル番号、列番号、及び収集されたビューを示すビュー番号により識別されたＸ線強度のデジタル値である。ビュー番号は、回転フレーム１７の回転に応じて変化する番号であり、例えば、回転フレーム１７の回転に応じてインクリメントされる番号である。従って、ビュー番号は、Ｘ線管１１の回転角度を示す情報である。ビュー期間とは、あるビュー番号に対応する回転角度から、次のビュー番号に対応する回転角度に到達するまでの間に収まる期間である。ＤＡＳ１６は、ビューの切り替わりを、制御装置１８から入力されるタイミング信号によって検知してもよいし、内部のタイマーによって検知してもよいし、図示しないセンサから取得される信号によって検知してもよい。フルスキャンを行う場合においてＸ線管１１によりＸ線が連続曝射されている場合、ＤＡＳ１６は、全周囲分（３６０度分）の検出データ群を収集する。ハーフスキャンを行う場合においてＸ線管１１によりＸ線が連続曝射されている場合、ＤＡＳ１６は、半周囲分（１８０度分）の検出データを収集する。

回転フレーム１７は、Ｘ線管１１、ウェッジ１２、およびコリメータ１３と、Ｘ線検出器１５とを対向支持する円環状の部材である。回転フレーム１７は、固定フレームによって、内部に導入された被検体Ｐを中心として回転自在に支持される。回転フレーム１７は、更にＤＡＳ１６を支持する。ＤＡＳ１６が出力する検出データは、回転フレーム１７に設けられた発光ダイオード（ＬＥＤ）を有する送信機から、光通信によって、架台装置１０の非回転部分（例えば固定フレーム）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、受信機によってコンソール装置４０に転送される。なお、回転フレーム１７から非回転部分への検出データの送信方法として、前述の光通信を用いた方法に限らず、非接触型の任意の送信方法を採用してよい。回転フレーム１７は、Ｘ線管１１等を支持して回転させることができるものであれば、円環状の部材に限らず、アームのような部材であってもよい。

Ｘ線ＣＴ装置１は、例えば、Ｘ線管１１とＸ線検出器１５の双方が回転フレーム１７によって支持されて被検体Ｐの周囲を回転するＲｏｔａｔｅ／Ｒｏｔａｔｅ－ＴｙｐｅのＸ線ＣＴ装置（第３世代ＣＴ）であるが、これに限らず、円環状に配列された複数のＸ線検出素子が固定フレームに固定され、Ｘ線管１１が被検体Ｐの周囲を回転するＳｔａｔｉｏｎａｒｙ／Ｒｏｔａｔｅ－ＴｙｐｅのＸ線ＣＴ装置（第４世代ＣＴ）であってもよい。

制御装置１８は、例えば、ＣＰＵ（Central Processing Unit）等のプロセッサを有する処理回路と、モータやアクチュエータ等を含む駆動機構とを有する。制御装置１８は、コンソール装置４０または架台装置１０に取り付けられた入力インターフェース４３からの入力信号を受け付けて、架台装置１０および寝台装置３０の動作を制御する。

制御装置１８は、例えば、回転フレーム１７を回転させたり、架台装置１０をチルトさせたり、寝台装置３０の天板３３を移動させたりする。架台装置１０をチルトさせる場合、制御装置１８は、入力インターフェース４３に入力された傾斜角度（チルト角度）に基づいて、Ｚ軸方向に平行な軸を中心に回転フレーム１７を回転させる。制御装置１８は、図示しないセンサの出力等によって回転フレーム１７の回転角度を把握している。また、制御装置１８は、回転フレーム１７の回転角度を随時、処理回路５０に提供する。制御装置１８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。

寝台装置３０は、スキャン対象の被検体Ｐを載置して移動させ、架台装置１０の回転フレーム１７の内部に導入する装置である。寝台装置３０は、例えば、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（Ｙ軸方向）に移動可能に支持する筐体を含む。寝台駆動装置３２は、モータやアクチュエータを含む。寝台駆動装置３２は、被検体Ｐが載置された天板３３を、支持フレーム３４に沿って、天板３３の長手方向（Ｚ軸方向）に移動させる。天板３３は、被検体Ｐが載置される板状の部材である。

寝台駆動装置３２は、天板３３だけでなく、支持フレーム３４を天板３３の長手方向に移動させてもよい。また、上記とは逆に、架台装置１０がＺ軸方向に移動可能であり、架台装置１０の移動によって回転フレーム１７が被検体Ｐの周囲に来るように制御されてもよい。また、架台装置１０と天板３３の双方が移動可能な構成であってもよい。また、Ｘ線ＣＴ装置１は、被検体Ｐが立位または座位でスキャンされる方式の装置であってもよい。この場合、Ｘ線ＣＴ装置１は、寝台装置３０に代えて被検体支持機構を有し、架台装置１０は、回転フレーム１７を、床面に垂直な軸方向を中心に回転させる。

コンソール装置４０は、例えば、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、ネットワーク接続回路４４と、処理回路５０とを有する。第１の実施形態では、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の各構成要素の一部または全部が含まれてもよい。

メモリ４１は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等により実現される。メモリ４１は、例えば、検出データ、投影データ、再構成画像（ＣＴ画像）等を記憶する。これらのデータは、メモリ４１ではなく（或いはメモリ４１に加えて）、Ｘ線ＣＴ装置１が通信可能な外部メモリに記憶されてもよい。外部メモリは、例えば、外部メモリを管理するクラウドサーバが読み書きの要求を受け付けることで、クラウドサーバによって制御されるものである。外部メモリは、例えば、ＰＡＣＳ(Picture Archiving and Communication Systems)と称されるシステムにより実現される。ＰＡＣＳとは、各種画像診断装置によって撮影された画像等を体系的に記憶するシステムである。

図２は、メモリ４１に格納されるデータの一例を示す図である。図２に示すように、メモリ４１には、例えば、撮影条件４１－１や、ＤＡＳ１６により出力される検出データ４１－２、処理回路５０により生成される投影データ４１－３、再構成画像４１－４、生成画像４１－５、学習済みモデル４１－６等の情報が格納される。生成画像４１－５および学習済みモデル４１－６については後述する。

再構成画像４１－４は、例えば、第１造影画像４１－４ａ（第１の画像データ）と、第２造影画像４１－４ｂ（第２の画像データ）と、非造影画像４１－４ｃとを含む。第１造影画像４１－４ａは、デュアルエネルギースキャンにおいて、高エネルギーのＸ線を、造影剤が投与された被検体に照射することにより得られる画像である。第２造影画像４１－４ｂは、デュアルエネルギースキャンにおいて、低エネルギーのＸ線を、造影剤が投与された被検体に照射することにより得られる画像である。非造影画像４１－４ｃは、造影剤が投与されていない、又は画像化される領域に造影剤が到達していない状態の被検体にＸ線を照射することにより得られる画像である。

図３は、メモリ４１に格納された再構成画像４１－４の一例を示す図である。図示のように、メモリ４１において、同一の被検体に対する撮影により得られる第１造影画像４１－４ａと、第２造影画像４１－４ｂと、非造影画像４１－４ｃとは、互いに関連付けられて記憶されている。例えば、「被検体Ａ」に関して、第１造影画像４１－４ａ１と、第２造影画像４１－４ｂ１と、非造影画像４１－４ｃ１とが互いに関連付けられて記憶されている。

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５０によって生成された画像や、操作者による各種操作を受け付けるＧＵＩ（Graphical User Interface）画像等を表示する。ディスプレイ４２は、例えば、液晶ディスプレイやＣＲＴ（Cathode Ray Tube）、有機ＥＬ（Electroluminescence）ディスプレイ等である。ディスプレイ４２は、架台装置１０に設けられてもよい。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の本体部と無線通信可能な表示装置（例えば、タブレット端末）であってもよい。

入力インターフェース４３は、操作者による各種の入力操作を受け付け、受け付けた入力操作の内容を示す電気信号を処理回路５０に出力する。例えば、入力インターフェース４３は、検出データまたは投影データを収集する際の収集条件、ＣＴ画像を再構成する際の再構成条件、ＣＴ画像から後処理画像を生成する際の画像処理条件等の入力操作を受け付ける。例えば、入力インターフェース４３は、マウスやキーボード、タッチパネル、トラックボール、スイッチ、ボタン、ジョイスティック、カメラ、赤外線センサ、マイク等により実現される。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の本体部と無線通信可能な表示装置（例えば、タブレット端末）により実現されてもよい。

ネットワーク接続回路４４は、例えば、プリント回路基板を有するネットワークカード、或いは無線通信モジュール等を含む。ネットワーク接続回路４４は、接続する対象のネットワークの形態に応じた情報通信用プロトコルを実装する。ネットワークは、例えば、ＬＡＮ（Local Area Network）やＷＡＮ（Wide Area Network）、インターネット、セルラー網、専用回線等を含む。

処理回路５０は、Ｘ線ＣＴ装置１の全体の動作を制御する。処理回路５０は、例えば、システム制御機能５１、前処理機能５２、再構成処理機能５３、画像処理機能５４、スキャン制御機能５５、表示制御機能５６、生成機能５７と、学習機能５８等を実行する。処理回路５０は、例えば、ハードウェアプロセッサがメモリ４１に記憶されたプログラムを実行することにより、これらの機能を実現するものである。

ハードウェアプロセッサとは、例えば、ＣＰＵ、ＧＰＵ（Graphics Processing Unit）、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）または複合プログラマブル論理デバイス（Complex Programmable Logic Device; ＣＰＬＤ）、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（circuitry）を意味する。メモリ４１にプログラムを記憶させる代わりに、ハードウェアプロセッサの回路内にプログラムを直接組み込むように構成しても構わない。この場合、ハードウェア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。ハードウェアプロセッサは、単一の回路として構成されるものに限らず、複数の独立した回路を組み合わせて１つのハードウェアプロセッサとして構成され、各機能を実現するようにしてもよい。また、複数の構成要素を１つのハードウェアプロセッサに統合して各機能を実現するようにしてもよい。

コンソール装置４０または処理回路５０が有する各構成要素は、分散化されて複数のハードウェアにより実現されてもよい。処理回路５０は、コンソール装置４０が有する構成ではなく、コンソール装置４０と通信可能な処理装置によって実現されてもよい。処理装置は、例えば、一つのＸ線ＣＴ装置と接続されたワークステーション、あるいは複数のＸ線ＣＴ装置に接続され、以下に説明する処理回路５０と同等の処理を一括して実行する装置（例えば、クラウドサーバ）である。すわなち、本実施形態の構成を、Ｘ線ＣＴ装置と、他の処理装置とがネットワークを介して接続されたＸ線ＣＴシステム（医用診断システム）として実現することも可能である。

システム制御機能５１は、例えば、入力インターフェース４３により受け付けられた入力操作に基づいて、処理回路５０の各種機能を制御する。

前処理機能５２は、ＤＡＳ１６により出力された検出データ４１－２に対して対数変換処理やオフセット補正処理、チャネル間の感度補正処理、ビームハードニング補正等の前処理を行って投影データ４１－３を生成し、生成した投影データ４１－３をメモリ４１に記憶させる。

再構成処理機能５３は、前処理機能５２により生成された投影データ４１－３に対して、フィルタ補正逆投影法や逐次近似再構成法等による再構成処理を行って再構成画像４１－４を生成し、生成した再構成画像４１－４をメモリ４１に記憶させる。

画像処理機能５４は、入力インターフェース４３により受け付けられた入力操作に基づいて、再構成画像４１－４を公知の方法により、三次元画像や任意断面の断面像データに変換する。三次元画像への変換は、前処理機能５２によって行われてもよい。

スキャン制御機能５５は、Ｘ線高電圧装置１４、ＤＡＳ１６、制御装置１８、および寝台駆動装置３２に指示することで、架台装置１０における検出データの収集処理を制御する。スキャン制御機能５５は、位置合わせ画像、本撮影画像、および診断に用いる画像を撮影する際の各部の動作をそれぞれ制御する。

表示制御機能５６は、ディスプレイ４２の表示態様を制御する。例えば、表示制御機能５６は、ディスプレイ４２を制御して、処理回路５０によって生成された再構成画像や、操作者による各種操作を受け付けるＧＵＩ画像等を表示させる。

生成機能５７は、学習済みモデル４１－６に対して、再構成処理機能５３により生成された第１造影画像４１－４ａおよび第２造影画像４１－４ｂを入力することで、この再構成画像４１－４において特定物質による影響が軽減された画像（生成画像４１－５）を生成する。例えば、特定物質は、造影剤、またはカルシウムを組成に持つ物質である。

図４は、生成機能５７の機能構成の一例を示す図である。図示のように、生成機能５７は、例えば、取得機能５７－１（取得部）と、データ生成機能５７－２（データ生成部）とを備える。取得機能５７－１は、再構成処理機能５３により生成された第１造影画像４１－４ａおよび第２造影画像４１－４ｂを取得する。データ生成機能５７－２は、学習済みモデル４１－６をメモリ４１から読み出し、読み出した学習済みモデル４１－６に対して、取得機能５７－１により取得された第１造影画像４１－４ａおよび第２造影画像４１－４ｂを入力することで、生成画像４１－５を生成する。データ生成機能５７－２は、生成された生成画像４１－５を、メモリ４１に記憶させる。

学習機能５８は、特定物質を含む対象物（例えば、生体やファントム等）に対してＸ線スキャンを実行することにより得られた複数のＸ線エネルギーに対応する複数のデータセットと、上記の特定物質を含まない対象物に対してＸ線スキャンを実行することにより得られた単一のデータセットとの関係を学習することで、上記の複数のデータセットが入力されたときに、上記の単一のデータセットを出力するように学習された学習済みモデル４１－６を生成する。

図５は、学習機能５８の機能構成の一例を示す図である。図示のように、学習機能５８は、例えば、第１取得機能５８－１と、第２取得機能５８－２と、モデル生成機能５８－３とを備える。第１取得機能５８－１は、特定物質を含む被検体に対して複数のＸ線エネルギーを照射することにより得られた複数のデータセットに基づいて再構成処理機能５３により生成された複数の再構成画像４１－４を取得する。第１取得機能５８－１は、例えば、第１造影画像４１－４ａおよび第２造影画像４１－４ｂを取得する。

第２取得機能５８－２は、特定物質を含まない被検体に対してＸ線エネルギーを照射することにより得られたデータに基づいて再構成処理機能５３により生成された再構成画像４１－４を取得する。第２取得機能５８－２は、例えば、非造影画像４１－４ｃを取得する。

モデル生成機能５８－３は、複数のデータセットを入力、単一のデータセットを出力とした学習により、特定物質を含む被検体に対してＸ線スキャンを実行することで得られた、複数のＸ線エネルギーに対応し、複数のデータセットとは別の複数のデータセットを入力することで、特定物質からの影響が低減された、単一のデータセットとは別の単一のデータセットを生成するための学習済みモデル４１－６を生成する。

例えば、モデル生成機能５８－３は、第１造影画像４１－４ａおよび第２造影画像４１－４ｂを入力、非造影画像４１－４ｃを出力とした学習を行う。例えば、モデル生成機能５８－３は、第１造影画像４１－４ａおよび第２造影画像４１－４ｂをモデルに入力した際に出力されるデータと、非造影画像４１－４ｃのデータとの差分が小さくなるように、モデル内の種々のパラメータを、ＳＧＤ（Stochastic Gradient Descent）、Ｍｏｍｅｎｔｕｍ ＳＧＤ、AｄａＧｒａｄ、ＲＭＳｐｒｏｐ、ＡｄａＤｅｌｔａ、Ａｄａｍ(Adaptive moment estimation)などの勾配法を利用して学習する。モデル生成機能５８－３は、例えば、ニューラルネットワーク（例えば、ＣＮＮ：Convolution Neural Network）、ロジスティック回帰分析、サポートベクターマシンに基づく技術などの任意の機械学習により生成されたモデルを用いるものであってよい。

上記構成により、Ｘ線ＣＴ装置１は、ヘリカルスキャン、コンベンショナルスキャン、ステップアンドシュート等の態様で被検体Ｐのスキャンを行う。ヘリカルスキャンとは、天板３３を移動させながら回転フレーム１７を回転させて被検体Ｐをらせん状にスキャンする態様である。コンベンショナルスキャンとは、天板３３を静止させた状態で回転フレーム１７を回転させて被検体Ｐを円軌道でスキャンする態様である。コンベンショナルスキャンを実行する。ステップアンドシュートとは、天板３３の位置を一定間隔で移動させてコンベンショナルスキャンを複数のスキャンエリアで行う態様である。

［処理フロー（学習段階）］
以下、第１の実施形態における処理回路５０の処理フローについて説明する。処理回路５０の処理には、学習済みモデル４１－６を生成する学習処理と、学習済みモデル４１－６を使用して生成画像４１－５を生成する生成処理とが含まれる。以下においては、まず、処理回路５０による学習処理について説明する。図６は、処理回路５０の学習処理の一連の流れを示すフローチャートである。図７は、処理回路５０の学習処理におけるモデル入力および出力の関係を示す図である。図６に示すフローチャートの処理は、例えば、Ｘ線ＣＴ装置１の操作者が、入力インターフェース４３を操作して学習処理の開始を指示した場合に開始される。図６に示すフローチャートの処理は、多数の画像セット（互いに関連付けられた第１造影画像４１－４ａ、第２造影画像４１－４ｂ、および非造影画像４１－４ｃの組の複数セット）を用いて繰り返し行われる。なお、以下においては、学習データである再構成画像４１－４が既に収集されて、メモリ４１に格納されているものとする。

まず、学習機能５８の第１取得機能５８－１は、メモリ４１に格納された再構成画像４１－４の中から、学習データとする、互いに関連付けられた第１造影画像４１－４ａと第２造影画像４１－４ｂとの組（複数のデータセット）を取得する（ステップＳ１００，第１の取得ステップ）。この第１造影画像４１－４ａと第２造影画像４１－４ｂとの組は、同一の被検体に対してＸ線を照射することにより得られた画像である。図３に示す例では、第１取得機能５８－１は、「第１造影画像４１－４ａ１」と「第２造影画像４１－４ｂ１」との組、「第１造影画像４１－４ａ２」と「第２造影画像４１－４ｂ２」との組、「第１造影画像４１－４ａ３」と「第２造影画像４１－４ｂ３」との組などを取得する。すなわち、第１取得機能５８－１は、特定物質を含む対象物に対してＸ線スキャンを実行することにより得られた、複数のＸ線エネルギーに対応する複数のデータセットを取得する。

次に、学習機能５８の第２取得機能５８－２は、メモリ４１に格納された再構成画像４１－４の中から、第１取得機能５８－１により取得された第１造影画像４１－４ａと第２造影画像４１－４ｂとの組と関連付けられた非造影画像４１－４ｃ（単一のデータセット）を取得する（ステップＳ１０２，第２の取得ステップ）。図３に示す例では、第２取得機能５８－２は、「非造影画像４１－４ｃ１」、「非造影画像４１－４ｃ２」、「非造影画像４１－４ｃ３」などを取得する。すなわち、第２取得機能５８－２は、特定物質を含まない対象物に対してＸ線スキャンを実行することにより得られた単一のデータセットを取得する。

次に、学習機能５８のモデル生成機能５８－３は、第１取得機能５８－１により取得された第１造影画像４１－４ａおよび第２造影画像４１－４ｂを、モデルＭ１に入力し、その処理結果を得る（ステップＳ１０４）。

次に、モデル生成機能５８－３は、処理結果のデータと、非造影画像４１－４ｃのデータとの間の差分を算出する（ステップＳ１０６）。図３に示す例では、「第１造影画像４１－４ａ１」と「第２造影画像４１－４ｂ１」との組をモデルＭ１に入力することにより得られた処理結果のデータと、「非造影画像４１－４ｃ１」のデータとの差分などを算出する。

次に、モデル生成機能５８－３は、算出した差分に基づいて、モデルＭ１の内部パラメータを更新する（ステップＳ１０８）。例えば、モデル生成機能５８－３は、算出した差分が小さくなるように、モデルＭ１の内部パラメータを更新する。モデル生成機能５８－３は、「第１造影画像４１－４ａ１」、「第２造影画像４１－４ｂ１」、および「非造影画像４１－４ｃ１」の組、「第１造影画像４１－４ａ２」、「第２造影画像４１－４ｂ２」、および「非造影画像４１－４ｃ２」の組、ならびに「第１造影画像４１－４ａ３」、「第２造影画像４１－４ｂ３」、および「非造影画像４１－４ｃ３」の組の各組を用いて、モデルＭ１の内部パラメータの更新処理を繰り返し行う（ループ処理）。このように内部パラメータの更新が行われたモデルＭ１が、学習済みモデル４１－６となる。学習機能５８は、この学習済みモデル４１－６をメモリ４１に格納する（ステップＳ１１０）。以上により、モデル生成機能５８－３による学習ステップが完了し、本フローチャートの処理が終了する。

なお、正解データとして使用される非造影画像４１－４ｃには、実際に非造影で撮影した画像に加えて（或いは代えて）、第１造影画像４１－４ａおよび第２造影画像４１－４ｂに基づくＶＮＣ画像を人が修正した画像が含まれていてもよい。すなわち、上記のステップＳ１０２に加えて（或いは代えて）、例えば、生成機能５７は、第１造影画像４１－４ａおよび第２造影画像４１－４ｂ（複数のデータセット）に基づいてＶＮＣ画像を生成し（生成ステップ）、生成されたＶＮＣ画像を修正してよい。

［処理フロー（生成処理）］
次に、処理回路５０による生成画像４１－５の生成処理について説明する。図８は、処理回路５０による生成処理の一連の流れを示すフローチャートである。本フローチャートの処理は、例えば、被検体の造影画像の取得後、Ｘ線ＣＴ装置１の操作者が、入力インターフェース４３を操作して生成画像４１－５の生成処理の開始を指示した場合に開始される。

まず、生成機能５７の取得機能５７－１は、メモリ４１に格納された再構成画像４１－４の中から、処理対象とする第１造影画像４１－４ａと第２造影画像４１－４ｂとの組を取得する（ステップＳ２００）。

次に、生成機能５７のデータ生成機能５７－２は、学習済みモデル４１－６をメモリ４１から読み出し、取得機能５７－１により取得された第１造影画像４１－４ａおよび第２造影画像４１－４ｂを学習済みモデル４１－６に入力し、学習済みモデル４１－６の出力である生成画像４１－５を生成する（ステップＳ２０２）。

次に、データ生成機能５７－２は、生成された生成画像４１－５をメモリ４１に格納する（ステップＳ２０４）。以上により、本フローチャートの処理が終了する。例えば、Ｘ線ＣＴ装置１の操作者は、入力インターフェース４３を操作して、上記のように生成された生成画像４１－５をディスプレイ４２に表示させて、確認することができる。

以上、説明した第１の実施形態のＸ線ＣＴ装置１によれば、特定物質による影響が低減された高品質の画像を得ることができる。例えば、被検体の造影画像を学習済みモデル４１－６に入力することで、この造影画像から造影剤による影響が低減された高品質の非造影画像を得ることができる。この非造影画像においては、元の造影画像において特定物質が含まれていた部分の辺縁に不自然な部分が残らず、視認性を高めることができる。また、被検体の非造影画像を撮影する必要がないため、被検体に対するＸ線の照射機会を減らすとともに、ＣＴ撮影に要する時間および手間を削減することができる。また、造影画像から非造影画像が生成されるため、従来のように造影画像の撮影と非造影画像の撮影とを別個に行う場合に生じていたような被検体の撮影部位の位置ずれが発生しない。このため、造影画像と非造影画像との比較が容易となる。

なお、上記の実施形態においては、モデル生成機能５８－３が、造影画像、非造影画像の全体を学習する場合を例に挙げて説明したが、これに限られない。例えば、モデル生成機能５８－３は、画像を局所的（２Ｄ、３Ｄ）に学習して、学習済みモデルを生成するようにしてもよい。また、モデル生成機能５８－３は、画像をセグメント（２Ｄ、３Ｄ）ごとに学習して、学習済みモデルを生成するようにしてもよい。また、モデル生成機能５８－３は、画像を臓器ごと、血管サイズごとに学習して、学習済みモデルを生成するようにしてもよい。また、モデル生成機能５８－３は、骨（造影により変化しない部位）など、除外するものを学習するようにしてもよい。

また、モデル生成機能５８－３は、ＶＮＣ画像を入力、非造影画像４１－４ｃを出力とした学習を行うようにしてもよい。また、モデル生成機能５８－３は、不自然な部分を含む低品質のＶＮＣ画像を不正解データとして学習するようにしてもよい。なお、データ生成機能５７－２は、生成された生成画像４１－５と、ＶＮＣ画像とを混合するようにしてもよい。

（第２の実施形態）
以下、第２の実施形態について説明する。上述した第１の実施形態では、生成機能５７が、再構成処理機能５３により生成された再構成画像４１－４を用いて、生成画像４１－５を生成する例を説明した。これに対して、第２の実施形態では、生成機能５７が、ＤＡＳ１６により出力される検出データ４１－２（生データ）を用いて、生成画像４１－５を生成する。このため、構成などについては第１の実施形態で説明した図および関連する記載を援用し、詳細な説明を省略する。

図９は、メモリ４１に格納されるデータの一例を示す図である。図示のように、検出データ４１－２は、例えば、第１検出データ４１－２ａ（第１のデータ）と、第２検出データ４１－２ｂ（第２のデータ）と、第３検出データ４１－２ｃとを含む。第１検出データ４１－２ａは、デュアルエネルギースキャンにおいて、高エネルギーのＸ線を造影剤が投与された被検体に照射することにより得られる生データである。第２検出データ４１－２ｂは、デュアルエネルギースキャンにおいて、低エネルギーのＸ線を造影剤が投与された被検体に照射することにより得られる生データである。第３検出データ４１－２ｃは、造影剤が投与されていない、又は画像化される領域に造影剤が到達していない状態の被検体にＸ線を照射することにより得られる生データである。メモリ４１において、同一の被検体に対する撮影により得られる第１検出データ４１－２ａと、第２検出データ４１－２ｂと、第３検出データ４１－２ｃとは、互いに関連付けられて記憶されている。

図１０は、メモリ４１に格納された検出データ４１－２の一例を示す図である。図示のように、メモリ４１において、同一の被検体に対する撮影により得られる第１検出データ４１－２ａと、第２検出データ４１－２ｂと、第３検出データ４１－２ｃとは、互いに関連付けられて記憶されている。例えば、「被検体Ａ」に関して、第１検出データ４１－２ａ１と、第２検出データ４１－２ｂ１と、第３検出データ４１－２ｃ１とが互いに関連付けられて記憶されている。

［処理フロー（学習段階）］
以下、第２の実施形態における処理回路５０の処理フローについて説明する。処理回路５０の処理には、学習済みモデル４１－６を生成する学習処理と、学習済みモデル４１－６を使用して生成画像４１－５を生成する生成処理とが含まれる。以下においては、まず、処理回路５０による学習処理について説明する。図１１は、処理回路５０の学習処理の一連の流れを示すフローチャートである。図１２は、処理回路５０の学習処理におけるモデル入力および出力の関係を示す図である。図１１に示すフローチャートの処理は、例えば、Ｘ線ＣＴ装置１の操作者が、入力インターフェース４３を操作して学習処理の開始を指示した場合に開始される。図１１に示すフローチャートの処理は、多数の検出データセット（互いに関連付けられた第１検出データ４１－２ａ、第２検出データ４１－２ｂ、および非造影画像４１－４ｃの組の複数セット）を用いて繰り返し行われる。なお、以下においては、学習データである検出データ４１－２が既に収集されて、メモリ４１に格納されているものとする。

まず、学習機能５８の第１取得機能５８－１は、メモリ４１に格納された検出データ４１－２の中から、学習データとする、互いに関連付けられた第１検出データ４１－２ａと第２検出データ４１－２ｂとの組を取得する（ステップＳ３００，第１の取得ステップ）。この第１検出データ４１－２ａと第２検出データ４１－２ｂとの組は、同一の被検体に対してＸ線を照射することにより得られた画像である。図１０に示す例では、第１取得機能５８－１は、「第１検出データ４１－２ａ１」と「第２検出データ４１－２ｂ１」との組、「第１検出データ４１－２ａ２」と「第２検出データ４１－２ｂ２」との組、「第１検出データ４１－２ａ３」と「第２検出データ４１－２ｂ３」との組などを取得する。

次に、学習機能５８の第２取得機能５８－２は、メモリ４１に格納された再構成画像４１－４の中から、第１取得機能５８－１により取得された第１検出データ４１－２ａと第２検出データ４１－２ｂとの組と関連付けられた非造影画像４１－４ｃを取得する（ステップＳ３０２，第２の取得ステップ）。図３および１０に示す例では、第２取得機能５８－２は、「被検体Ａ」に関して、第１取得機能５８－１により取得された「第１検出データ４１－２ａ１」および「第２検出データ４１－２ｂ１」と関連付けられる「非造影画像４１－４ｃ１」を取得する。また、第２取得機能５８－２は、「被検体Ｂ」に関して、第１取得機能５８－１により取得された「第１検出データ４１－２ａ２」および「第２検出データ４１－２ｂ２」と関連付けられる「非造影画像４１－４ｃ２」を取得する。また、第２取得機能５８－２は、「被検体Ｃ」に関して、第１取得機能５８－１により取得された「第１検出データ４１－２ａ３」および「第２検出データ４１－２ｂ３」と関連付けられる「非造影画像４１－４ｃ３」を取得する。

次に、学習機能５８のモデル生成機能５８－３は、第１取得機能５８－１により取得された第１検出データ４１－２ａおよび第２検出データ４１－２ｂを、モデルＭ２に入力し、その処理結果を得る（ステップＳ３０４）。

次に、モデル生成機能５８－３は、処理結果のデータと、非造影画像４１－４ｃのデータとの間の差分を算出する（ステップＳ３０６）。

次に、モデル生成機能５８－３は、算出した差分に基づいて、モデルＭ２の内部パラメータを更新する（ステップＳ３０８）。ここで、モデル生成機能５８－３は、検出データ４１－２の再構成処理を含む学習を行うことになる。例えば、モデル生成機能５８－３は、算出した差分が小さくなるように、モデルＭ２の内部パラメータを更新する。モデル生成機能５８－３は、「第１検出データ４１－２ａ１」、「第２検出データ４１－２ｂ１」、および「非造影画像４１－４ｃ１」の組、「第１検出データ４１－２ａ２」、「第２検出データ４１－２ｂ２」、および「非造影画像４１－４ｃ２」の組、ならびに「第１検出データ４１－２ａ３」、「第２検出データ４１－２ｂ３」、および「非造影画像４１－４ｃ３」の組の各組を用いて、モデルＭ１の内部パラメータの更新処理を繰り返し行う（ループ処理）。このように内部パラメータの更新が行われたモデルＭ２が、学習済みモデル４１－６となる。学習機能５８は、この学習済みモデル４１－６をメモリ４１に格納する（ステップＳ３１０）。以上により、モデル生成機能５８－３による学習ステップが終了し、本フローチャートの処理が終了する。

なお、正解データとして使用される非造影画像４１－４ｃには、実際に非造影で撮影した画像に加えて（或いは代えて）、第１造影画像４１－４ａおよび第２造影画像４１－４ｂに基づくＶＮＣ画像を人が修正した画像が含まれていてもよい。

［処理フロー（生成処理）］
次に、処理回路５０による生成画像４１－５の生成処理について説明する。図１３は、処理回路５０による生成処理の一連の流れを示すフローチャートである。本フローチャートの処理は、例えば、被検体の造影画像の取得後、Ｘ線ＣＴ装置１の操作者が、入力インターフェース４３を操作して生成画像４１－５の生成処理の開始を指示した場合に開始される。

まず、生成機能５７の取得機能５７－１は、メモリ４１に格納された検出データ４１－２の中から、処理対象とする第１検出データ４１－２ａと第２検出データ４１－２ｂとの組を取得する（ステップＳ４００）。

次に、生成機能５７のデータ生成機能５７－２は、学習済みモデル４１－６をメモリ４１から読み出し、取得機能５７－１により取得された第１検出データ４１－２ａと第２検出データ４１－２ｂを学習済みモデル４１－６に入力し、学習済みモデル４１－６の出力である生成画像４１－５を生成する（ステップＳ４０２）。

次に、データ生成機能５７－２は、生成された生成画像４１－５をメモリ４１に格納する（ステップＳ４０４）。以上により、本フローチャートの処理が終了する。例えば、Ｘ線ＣＴ装置１の操作者は、入力インターフェース４３を操作して、上記のように生成された生成画像４１－５をディスプレイ４２に表示させて、確認することができる。

以上、説明した第２の実施形態のＸ線ＣＴ装置１によれば、特定物質による影響が低減された高品質の画像を得ることができる。例えば、造影剤が投与された被検体の検出データを学習済みモデル４１－６に入力することで、造影剤による影響が低減された高品質の非造影画像を得ることができる。この非造影画像においては、元の造影画像において特定物質が含まれていた部分の辺縁に不自然な部分が残らず、視認性を高めることができる。また、被検体の非造影画像を撮影する必要がないため、被検体に対するＸ線の照射機会を減らすとともに、ＣＴ撮影に要する時間および手間を削減することができる。また、造影画像から非造影画像が生成されるため、従来のように造影画像の撮影と非造影画像の撮影とを別個に行う場合に生じていたような被検体の撮影部位の位置ずれが発生しない。このため、造影画像と非造影画像との比較が容易となる。

なお、デュアルエネルギースキャンにおいて、高速にＸ線管の管電圧を切り替えながら、低エネルギーのＸ線と高エネルギーのＸ線とを被検体にほぼ同時に照射する方式を採用した場合などには、検出データ４１－２は、高エネルギーのＸ線に基づくデータと、低エネルギーのＸ線に基づくデータとが混在したものとなる。この場合、モデル生成機能５８－３は、この２種類のデータが混在した検出データを入力、非造影画像４１－４ｃを出力とした学習を行うようにしてもよい。図１４は、処理回路５０の学習処理におけるモデル入力および出力の関係の他の例を示す図である。図示のように、２種類のデータが混在した検出データ４１－２ｍを入力、非造影画像４１－４ｃを出力とした学習を行うようにしてもよい。モデル生成機能５８－３は、２種類のデータが混在した検出データ４１－２ｍを高エネルギーのＸ線に基づくデータと低エネルギーのＸ線に基づくデータとに分離し、各データに基づく画像を再構成する処理を含めて学習することになる。

以上、説明した第１および２の実施形態のＸ線ＣＴ装置１では、モデル生成機能５８－３が、被検体にＸ線を照射することにより得られる検出データ（生データ）または再構成画像（画像データ）をモデルの入力として利用する例を説明したがこれに限られない。例えば、モデル生成機能５８－３は、第１のエネルギーのＸ線を対象物に照射することにより得られるデータと、第１のエネルギーよりも低い第２のエネルギーのＸ線を対象物に照射することにより得られるデータとに対して、Material Decomposition解析（物質弁別）を行うことにより得られる基準物質の生データまたは画像データをモデルの入力として利用してもよい。

（第３の実施形態）
以下、第３の実施形態について説明する。上述した第１および第２の実施形態では、生成機能５７が、特定物質としての造影剤の成分の影響が低減された生成画像４１－５を生成する例を説明した。これに対して、第３の実施形態では、生成機能５７が、特定物質としてのカルシウムの成分（人体における石灰化された部分など）の影響が低減された生成画像４１－５を生成する例を説明する。このため、構成などについては第１の実施形態で説明した図および関連する記載を援用し、詳細な説明を省略する。

図１５は、メモリ４１に格納されるデータの一例を示す図である。図示のように、再構成画像４１－４は、例えば、第１Ｃａ含有画像４１－４ｄと、第２Ｃａ含有画像４１－４ｅと、Ｃａ非含有画像４１－４ｆとを含む。第１Ｃａ含有画像４１－４ｄは、デュアルエネルギースキャンにおいて、高エネルギーのＸ線を造影剤が投与されたカルシウムを組成として持つ被検体に照射することにより得られる画像である。第２Ｃａ含有画像４１－４ｅは、デュアルエネルギースキャンにおいて、低エネルギーのＸ線を造影剤が投与されたカルシウムを組成として持つ被検体に照射することにより得られる画像である。Ｃａ非含有画像４１－４ｆは、カルシウムの成分を含まない画像である。被検体である患者に対する撮影により得られた画像を用いる場合、Ｃａ非含有画像４１－４ｆは、例えば、撮影により得られた第１Ｃａ含有画像４１－４ｄおよび／または第２Ｃａ含有画像４１－４ｅからカルシウムの成分を除去する修正を人が行うことにより生成されるものであってよい。あるいは、Ｃａ非含有画像４１－４ｆは、撮影により得られた第１Ｃａ含有画像４１－４ｄおよび／または第２Ｃａ含有画像４１－４ｅからカルシウムの成分が計算機的に除去された後、人手による補正が行われることにより生成されるものであってよい。また、ファントムを用いる場合、Ｃａ非含有画像４１－４ｆは、ファントム内にＣａを含まない状態で撮影を行うことにより得られるものであってよい。例えば、ファントム内の特定のスペースにＣａを入れた場合と、水などを入れた場合との二通りの撮影を行うことにより、Ｃａ含有画像とＣａ非含有画像とを得ることができる。なお、動物の肉などを用いる場合、Ｃａを留置する前と後とで撮影を行うことにより、Ｃａ含有画像とＣａ非含有画像とを得ることができる。メモリ４１において、同一の被検体に対する撮影により得られる第１Ｃａ含有画像４１－４ｄと、第２Ｃａ含有画像４１－４ｅと、Ｃａ非含有画像４１－４ｆとは、互いに関連付けられて記憶されている。

図１６は、メモリ４１に格納された再構成画像４１－４の一例を示す図である。図示のように、メモリ４１において、同一の被検体に対する撮影により得られる第１Ｃａ含有画像４１－４ｄと、第２Ｃａ含有画像４１－４ｅと、Ｃａ非含有画像４１－４ｆとは、互いに関連付けられて記憶されている。例えば、「被検体Ａ」に関して、第１Ｃａ含有画像４１－４ｄ１と、第２Ｃａ含有画像４１－４ｅ１と、Ｃａ非含有画像４１－４ｆ１とが互いに関連付けられて記憶されている。

［処理フロー（学習段階）］
以下、第３の実施形態における処理回路５０の処理フローについて説明する。処理回路５０の処理には、学習済みモデル４１－６を生成する学習処理と、学習済みモデル４１－６を使用して生成画像４１－５を生成する生成処理とが含まれる。以下においては、まず、処理回路５０による学習処理について説明する。図１７は、処理回路５０の学習処理の一連の流れを示すフローチャートである。図１８は、処理回路５０の学習処理におけるモデル入力および出力の関係を示す図である。図１７に示すフローチャートの処理は、例えば、Ｘ線ＣＴ装置１の操作者が、入力インターフェース４３を操作して学習処理の開始を指示した場合に開始される。図１７に示すフローチャートの処理は、多数の画像セット（互いに関連付けられた第１Ｃａ含有画像４１－４ｄ、第２Ｃａ含有画像４１－４ｅ、およびＣａ非含有画像４１－４ｆの組の複数セット）を用いて繰り返し行われる。なお、以下においては、学習データである再構成画像４１－４が既に収集されて、メモリ４１に格納されているものとする。

まず、学習機能５８の第１取得機能５８－１は、メモリ４１に格納された再構成画像４１－４の中から、学習データとする、互いに関連付けられた第１Ｃａ含有画像４１－４ｄと第２Ｃａ含有画像４１－４ｅとの組を取得する（ステップＳ５００）。この第１Ｃａ含有画像４１－４ｄと第２Ｃａ含有画像４１－４ｅとの組は、同一の被検体に対してＸ線を照射することにより得られた画像である。図１６に示す例では、第１取得機能５８－１は、「第１Ｃａ含有画像４１－４ｄ１」と「第２Ｃａ含有画像４１－４ｅ１」との組、「第１Ｃａ含有画像４１－４ｄ２」と「第２Ｃａ含有画像４１－４ｅ２」との組、「第１Ｃａ含有画像４１－４ｄ３」と「第２Ｃａ含有画像４１－４ｅ３」との組などを取得する。

次に、学習機能５８の第２取得機能５８－２は、メモリ４１に格納された再構成画像４１－４の中から、第１取得機能５８－１により取得された第１Ｃａ含有画像４１－４ｄと第２Ｃａ含有画像４１－４ｅとの組と関連付けられたＣａ非含有画像４１－４ｆを取得する（ステップＳ５０２）。図１６に示す例では、第２取得機能５８－２は、「Ｃａ非含有画像４１－４ｆ１」、「Ｃａ非含有画像４１－４ｆ２」、「Ｃａ非含有画像４１－４ｆ３」などを取得する。

次に、学習機能５８のモデル生成機能５８－３は、第１取得機能５８－１により取得された第１Ｃａ含有画像４１－４ｄおよび第２Ｃａ含有画像４１－４ｅを、モデルＭ４に入力し、その処理結果を得る（ステップＳ５０４）。

次に、モデル生成機能５８－３は、処理結果のデータと、Ｃａ非含有画像４１－４ｆのデータとの間の差分を算出する（ステップＳ５０６）。図１６に示す例では、「第１Ｃａ含有画像４１－４ｄ１」と「第２Ｃａ含有画像４１－４ｅ１」の組をモデルＭ４に入力することにより得られた処理結果のデータと、「Ｃａ非含有画像４１－４ｆ１」のデータとの差分などを算出する。

次に、モデル生成機能５８－３は、算出した差分に基づいて、モデルＭ４の内部パラメータを更新する（ステップＳ５０８）。例えば、モデル生成機能５８－３は、算出した差分が小さくなるように、モデルＭ４の内部パラメータを更新する。モデル生成機能５８－３は、「第１Ｃａ含有画像４１－４ｄ１」、「第２Ｃａ含有画像４１－４ｅ１」、および「Ｃａ非含有画像４１－４ｆ１」の組、「第１Ｃａ含有画像４１－４ｄ２」、「第２Ｃａ含有画像４１－４ｅ２」、および「Ｃａ非含有画像４１－４ｆ２」の組、ならびに「第１Ｃａ含有画像４１－４ｄ３」、「第２Ｃａ含有画像４１－４ｅ３」、および「Ｃａ非含有画像４１－４ｆ３」の組の各組を用いて、モデルＭ４の内部パラメータの更新処理を繰り返し行う（ループ処理）。このように内部パラメータの更新が行われたモデルＭ４が、学習済みモデル４１－６となる。学習機能５８は、この学習済みモデル４１－６をメモリ４１に格納する（ステップＳ５１０）。以上により、本フローチャートの処理が終了する。

［処理フロー（生成処理）］
次に、処理回路５０による生成画像４１－５の生成処理について説明する。図１９は、処理回路５０による生成処理の一連の流れを示すフローチャートである。本フローチャートの処理は、例えば、被検体の造影画像の取得後、Ｘ線ＣＴ装置１の操作者が、入力インターフェース４３を操作して生成画像４１－５の生成処理の開始を指示した場合に開始される。

まず、生成機能５７の取得機能５７－１は、メモリ４１に格納された再構成画像４１－４の中から、処理対象とする第１Ｃａ含有画像４１－４ｄと第２Ｃａ含有画像４１－４ｅとの組を取得する（ステップＳ６００）。

次に、生成機能５７のデータ生成機能５７－２は、学習済みモデル４１－６をメモリ４１から読み出し、取得機能５７－１により取得された第１Ｃａ含有画像４１－４ｄおよび第２Ｃａ含有画像４１－４ｅを学習済みモデル４１－６に入力し、学習済みモデル４１－６の出力である生成画像４１－５を生成する（ステップＳ６０２）。

次に、データ生成機能５７－２は、生成された生成画像４１－５をメモリ４１に格納する（ステップＳ６０４）。以上により、本フローチャートの処理が終了する。例えば、Ｘ線ＣＴ装置１の操作者は、入力インターフェース４３を操作して、上記のように生成された生成画像４１－５をディスプレイ４２に表示させて、確認することができる。

以上、説明した第３の実施形態のＸ線ＣＴ装置１によれば、特定物質による影響が低減された高品質の画像を得ることができる。例えば、被検体の検出データを学習済みモデル４１－６に入力することで、カルシウムの影響が低減された高品質の画像を得ることができる。このカルシウムの成分による影響が低減された画像においては、元の画像においてカルシウムの成分が含まれていた部分の辺縁に不自然な部分が残らず、視認性を高めることができる。

なお、上述した第３の実施形態では、生成機能５７が、再構成処理機能５３により生成された再構成画像４１－４を用いて、生成画像４１－５を生成する例を説明したが、第２の実施形態と同様に、生成機能５７が、ＤＡＳ１６により出力される検出データ４１－２（生データ）を用いて、生成画像４１－５を生成してもよい。また、２種類のデータが混在した検出データを入力、Ｃａ除外画像を出力とした学習を行うようにしてもよい。

上記説明した実施形態は、以下のように表現することができる。
プログラムを格納するメモリと、
プロセッサと、を備え、
前記プロセッサは、前記プログラムを実行することにより、
特定物質を含む対象物に対してＸ線スキャンを実行することにより得られた、複数のＸ線エネルギーに対応する複数のデータセットを入力とし、前記特定物質を含まない前記対象物に対してＸ線スキャンを実行することにより得られた単一のデータセットを出力とした学習により、前記特定物質を含む被検体に対してＸ線スキャンを実行することで得られた、前記複数のＸ線エネルギーに対応し、前記複数のデータセットとは別の複数のデータセットを入力することで、前記特定物質による影響が低減された、前記単一のデータセットとは別の単一のデータセットを生成するための学習済みモデルに対して、前記別の複数のデータセットを入力することで、前記別の単一のデータセットを生成する、
医用処理装置。

以上説明した少なくともひとつの実施形態によれば、学習済みモデルの生成方法が、特定物質を含む対象物に対してＸ線スキャンを実行することにより得られた、複数のＸ線エネルギーに対応する複数のデータセットを取得する第１の取得ステップと、特定物質を含まない対象物に対してＸ線スキャンを実行することにより得られた単一のデータセットを取得する第２の取得ステップと、複数のデータセットを入力とし、単一のデータセットを出力とした学習により、特定物質を含む被検体に対してＸ線スキャンを実行することで得られた、複数のＸ線エネルギーに対応し、複数のデータセットとは別の複数のデータセットを入力することで、特定物質による影響が低減された、単一のデータセットとは別の単一のデータセットを生成するための学習済みモデルを生成する学習ステップと、を含むことで、特定物質による影響が低減された高品質の画像を得ることができる。

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、種々の軽減、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１…Ｘ線ＣＴ装置，１０…架台装置，１１…Ｘ線管，１２…ウェッジ，１３…コリメータ，１４…Ｘ線高電圧装置，１５…Ｘ線検出器，１６…データ収集システム，１７…回転フレーム，１８…制御装置，３０…寝台装置，３１…基台，３２…寝台駆動装置，３３…天板，３４…支持フレーム，４０…コンソール装置，５０…処理回路，５１…システム制御機能，５２…前処理機能，５３…再構成処理機能，５４…画像処理機能，５５…スキャン制御機能，５６…表示制御機能，５７…生成機能，５７－１…取得機能，５７－２…データ生成機能，５８…学習機能，５８－１…第１取得機能，５８－２…第２取得機能，５８－３…モデル生成機能

Claims (7)

1. 特定物質を含む同一の対象物に対してＸ線スキャンを実行することにより得られた、複数のＸ線エネルギーに対応する複数のデータセットを取得する第１の取得ステップであって、前記複数のデータセットは、第１のエネルギーのＸ線を前記同一の対象物に照射することにより得られる第１のデータと、前記第１のエネルギーよりも低い第２のエネルギーのＸ線を前記同一の対象物に照射することにより得られる第２のデータとを含む、第１の取得ステップと、
   前記特定物質を含まない前記同一の対象物に対してＸ線スキャンを実行することにより得られた、前記複数のデータセットと関連付けられた単一のデータセットを取得する第２の取得ステップと、
   前記第１のデータと前記第２のデータとに対して物質分別を行うことにより得られる基準物質のデータを入力とし、前記単一のデータセットを出力とした学習により、前記特定物質を含む被検体に対してＸ線スキャンを実行することで得られた、前記複数のＸ線エネルギーに対応し、前記複数のデータセットとは別の複数のデータセットに対して物質分別を行うことにより得られる基準物質のデータを入力することで、前記特定物質による影響が低減された、前記単一のデータセットとは別の単一のデータセットを生成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。
2. 特定物質を含む同一の対象物に対してＸ線スキャンを実行することにより得られた、複数のＸ線エネルギーに対応する複数のデータセットを取得する取得ステップであって、前記複数のデータセットは、第１のエネルギーのＸ線を前記同一の対象物に照射することにより得られる第１のデータと、前記第１のエネルギーよりも低い第２のエネルギーのＸ線を前記同一の対象物に照射することにより得られる第２のデータとを含む、取得ステップと、
   前記複数のデータセットに基づいて、前記複数のデータセットと関連付けられた前記特定物質による影響を低減した単一のデータセットを生成する生成ステップと、
   前記第１のデータと前記第２のデータとに対して物質分別を行うことにより得られる基準物質のデータを入力とし、前記単一のデータセットを出力とした学習により、前記特定物質を含む被検体に対してＸ線スキャンを実行することで得られた、前記複数のＸ線エネルギーに対応し、前記複数のデータセットとは別の複数のデータセットに対して物質分別を行うことにより得られる基準物質のデータを入力することで、前記特定物質による影響が低減された、前記単一のデータセットとは別の単一のデータセットを生成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。
3. 前記特定物質は、造影剤、又はカルシウムを組成に持つ物質である、
   請求項１又は２に記載の学習済みモデルの生成方法。
4. 前記生成ステップは、
   前記複数のデータセットに基づいて、仮想的な非造影画像を生成することと、
   生成された前記仮想的な非造影画像を、修正することと、
   を含む、
   請求項２に記載の学習済みモデルの生成方法。
5. 前記基準物質のデータは、前記基準物質の生データである、
   請求項１から４の何れか一項に記載の学習済みモデルの生成方法。
6. 前記基準物質のデータは、前記基準物質の画像データである、
   請求項１から４の何れか一項に記載の学習済みモデルの生成方法。
7. 請求項１から６の何れか一項に記載の学習済みモデルの生成方法により生成された前記学習済みモデルと、
   前記別の複数のデータセットを取得する取得部と、
   前記学習済みモデルに対して、前記別の複数のデータセットに対して物質分別を行うことにより得られる前記基準物質のデータを入力することで、前記別の単一のデータセットを生成するデータ生成部と、
   を備えた医用処理装置。

Images