JP7320934B2 - 医用画像処理装置および医用画像処理方法 - Google Patents

Description

本発明の実施形態は、医用画像処理装置、学習装置、および医用画像処理方法に関する。

従来、Ｘ線ＣＴ装置等の画像診断装置により取得された画像の学習方法として、動作センサを用いて被検体の胸部の動きを測定し、その動きが測定された部分と近接する心臓のＸ線画像に対して、測定した動きの成分で補正する方法が開示されている。

上述の方法では、複数パターンの動きに対応することができない。

米国特許出願公開第２００４／０２４９３１４号明細書

本発明が解決しようとする課題は、複数パターンの動きに対応することである。

実施形態の医用画像処理装置は、取得部と、処理部とを備える。取得部は、被検体の動き成分を有する第１の医用データを取得する。処理部は、第１の医用データに基づいて、第１の医用データの前記被検体の動き成分の影響が補正された第２の医用データを出力する学習済みモデルに対して、前記取得部により取得された第１の医用データを入力することで、前記取得された第１の医用データの動き成分の影響が補正された第２の医用データを生成する。

実施形態に係るＸ線ＣＴ装置１の構成図。 メモリ４１に格納されるデータの一例を示す図。 学習装置１００の構成の一例を示す図。 モデル生成機能１５６による処理の内容を模式的に示す図。 モデル生成機能１５６の学習データ１４０－１と教師データ１４０－２との関係を例示した図。 学習済みモデル４１－６による処理の内容について説明するための図。 画像処理機能５４の構成図。 学習済みモデル４１－６の分類の一例を示す図。 Ｘ線ＣＴ装置１により実行される処理の流れの一例を示すフローチャート。 学習装置１００による学習処理の流れの一例を示すフローチャート。 画像処理制御機能５４－１が操作者による学習済みモデル４１－６の選択を受け付ける場合の処理を説明するための図。 Ｘ線ＣＴ装置１により実行される処理の流れの他の一例を示すフローチャート。

以下、実施形態の医用画像処理装置、学習装置、および医用画像処理方法を、図面を参照して説明する。医用画像処理装置は、例えば、Ｘ線ＣＴ（Computed Tomography：コンピュータ断層診断）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装置である。

（第１の実施形態）
図１は、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、例えば、学習装置１００とネットワークＮＷを介して接続する。ネットワークＮＷは、例えば、ＬＡＮやＷＡＮ、インターネット、セルラー網、専用回線等を含む。

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。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。

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）および整流器などを含む電気回路を有し、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（光信号などでもよい）をＤＡＳ１８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かまわない。

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など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）など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など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。

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、メモリ４１と、ネットワーク接続回路４４と、処理回路５０とを有する。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、ＨＤＤなどの非一次的記憶媒体等により実現される。また、メモリ４１は、ＲＡＭやレジスタなどの記憶媒体を含んでもよい。メモリ４１は、例えば、検出データや投影データ、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。

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、処理回路によって生成された医用画像（ＣＴ画像）や、Ｘ線ＣＴ装置１の操作者（以下、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（後述）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など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、ドラッグボール、スイッチ、ボタン、ジョイスティック、フットペダル、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などを含む。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などを実行する。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）や、フィールドプログラマブルゲートアレイ（Field Programmable Gate Array; ＦＰＧＡ））などの回路（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。

システム制御機能５１は、入力インターフェース４３が受け付け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、投影データを生成し、生成した投影データをメモリ４１に記憶させる。

再構成処理機能５３は、前処理機能５２によって生成された投影データに対して、フィルタ補正逆投影法や逐次近似再構成法等による再構成処理を行って、ＣＴ画像を生成し、生成したＣＴ画像をメモリ４１に記憶させる。再構成処理機能５３は、「取得部」の一例である。なお「取得部」は、上記の例のように「自ら生成して取得する」のに限らず、「他の機能部から取得する」ものであってもよい。

画像処理機能５４は、入力インターフェース４３が受け付けた入力操作に基づいて、ＣＴ画像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。画像処理機能５４は、「処理部」の一例である。

また、画像処理機能５４は、入力インターフェース４３が受け付けた入力操作に基づいて、ＣＴ画像から動き成分を軽減する補正処理を行う。動き成分とは、例えば、脈動、呼吸動、体動等の動きのことである。補正処理については後述する。このとき行われた補正処理の内容や補正処理の種別の情報は、例えば、後述するメモリ４１の動き成分情報４１－１として記憶される。また、行われた補正処理の内容や補正処理の種別から動き成分の定義が推定可能である場合には、その推定結果が動き成分情報４１－１として記憶されてもよい。

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、スキャノ画像を収集する撮影、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。

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などの態様で被検体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。

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、処理回路５０により生成される動き成分情報４１－１、検出データ４１－２、投影データ４１－３、再構成画像４１－４、補正画像４１－５、学習済みモデル４１－６などの情報が格納される。

［学習装置］
学習済みモデル４１－６は、例えば、Ｘ線ＣＴ装置１とは別体の学習装置によって生成される。ここで学習装置について説明する。図３は、学習装置１００の構成の一例を示す図である。学習装置１００は、例えば、ネットワーク接続回路１１０と、入力インターフェース１２０と、ディスプレイ１３０と、記憶回路１４０と、処理回路１５０とを備える。

ネットワーク接続回路１１０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などを含む。ネットワーク接続回路１１０は、接続する対象のネットワークＮＷの形態に応じた情報通信用プロトコルを実装する。Ｘ線ＣＴ装置１のネットワーク接続回路４４と学習装置１００のネットワーク接続回路１１０が同じネットワークＮＷに接続することで、Ｘ線ＣＴ装置１と学習装置１００とが通信可能となる。

入力インターフェース１２０は、例えば、キーボードやマウス、タッチパネル、トラックボールなどの装置を含む。入力インターフェース１２０は、ユーザの操作に対応した操作入力信号を処理回路１５０に出力する。

ディスプレイ１３０は、例えば、ＬＣＤ（Liquid Crystal Display）や有機ＥＬディスプレイなどである。

記憶回路１４０は、ＨＤＤやフラッシュメモリなどの非一次的記憶媒体を含む。また、記憶回路１４０は、ＲＡＭやレジスタなどの記憶媒体を含んでもよい。記憶回路１４０は、ハードウェアプロセッサが読み込み可能なデータを格納する。記憶回路１４０には、例えば、処理回路１５０により参照される学習データ１４０－１や教師データ１４０－２、処理回路１５０が生成する学習済みモデル１４０－３などの情報が格納される。また、記憶回路１４０には、処理回路１５０のハードウェアプロセッサが実行するプログラムが格納されてもよい。

処理回路１５０は、例えば、データ取得機能１５２と、学習データ選別機能１５４と、モデル生成機能１５６とを備える。処理回路１５０は、例えば、ハードウェアプロセッサが記憶回路１４０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。

データ取得機能１５２は、例えば、動き成分を含む再構成画像４１－４をＸ線ＣＴ装置１のメモリ４１より取得し、学習データ１４０－１として記憶回路１４０に記憶させる。データ取得機能１５２は、動き成分を含む再構成画像４１－４に対応付けられる動き成分情報４１－１をメモリ４１より取得し、学習データ１４０－１として記憶回路１４０に記憶させてもよい。また、データ取得機能１５２は、上記の学習データに係る補正後の再構成画像である補正画像４１－５をＸ線ＣＴ装置１のメモリ４１より取得し、教師データ１４０－２として記憶回路１４０に記憶させる。同じ被検体から得られた１セットの学習データ１４０－１と教師データ１４０－２は、互いに対応付けられている。データ取得機能１５２は、例えば、一以上のＸ線ＣＴ装置１からネットワークを介してこれらの情報を取得する。また、データ取得機能１５２は、可搬型の記憶媒体に格納されたデータを、図示しないドライブ装置を介して取得してもよい。データ取得機能１５２は、「第２取得部」の一例である。

学習データ選別機能１５４は、学習済みモデル１４０－３の生成のための学習データ１４０－１および教師データ１４０－２を選択して、モデル生成機能１５６に出力する。

図４は、モデル生成機能１５６による処理の内容を模式的に示す図である。モデル生成機能１５６は、予め接続情報等が定義されると共に接続係数等のパラメータが暫定的に設定された機械学習モデルに対して、学習データ選別機能１５４により出力された複数セットの学習データ１４０－１（動き成分を含む再構成画像４１－４）を入力し、その結果が、学習データ１４０－１に対応する教師データ１４０－２（補正画像４１－５）に近づくように、機械学習モデルにおけるパラメータを調整する。学習データ１４０－１には、動き成分情報４１－１が含まれてもよい。モデル生成機能１５６は、例えば、バックプロパゲーション（逆誤差伝搬法）によって機械学習モデルのパラメータを調整する。機械学習モデルは、例えば、ＣＮＮ（Convolution Neural Network）を利用したＤＮＮ（Deep Neural Network）である。モデル生成機能１５６は、予め定められたセット数の学習データ１４０－１と対応する教師データ１４０－２についてバックプロパゲーションを行うと、処理を終了する。その時点の機械学習モデルが学習済みモデル１４０－３となる。モデル生成機能１５６は、「モデル生成部」の一例である。

学習データ１４０－１は、被検体に係る再構成画像４１－４（または、再構成画像４１－４に係るサイノグラムデータ）であることが望ましいが、被検体の体形や症状を再現した人体ファントムに係る再構成画像４１－４であってもよい。また、学習データ１４０－１は、動き成分情報４１－１と投影データ４１－３であってもよい。学習データ１４０－１が動き成分情報４１－１と投影データ４１－３である場合、教師データはその投影データ４１－３に対応する補正後の投影データ４１－３であってもよいし、補正画像４１－５であってもよい。再構成画像４１－４が「第１の医用データ」の一例である場合、補正画像４１－５は「第２の医用データ」である。また、投影データ４１－３が「第１の医用データ」の一例である場合、補正後の投影データ４１－３または補正後の検出データ４１－２は「第２の医用データ」である。

図５は、モデル生成機能１５６の学習データ１４０－１と教師データ１４０－２との関係を例示した図である。学習データ１４０－１が再構成画像４１－４である場合、教師データ１４０－２は上述のように補正画像４１－５であってもよいし、投影データ４１－３であってもよい。

また、学習データ１４０－１が投影データ４１－３である場合、教師データ１４０－２は補正画像４１－５であってもよいし、投影データ４１－３であってもよい。

なお、学習済みモデル１４０－３は、動き成分の有無の判定情報を出力するものであってもよい。

また、学習データ１４０－１は、投影データ４１－３または再構成画像４１－４を基にして、仮想的に動き成分を含むように生成された再構成画像４１－４であってもよい。この場合、学習済みモデル１４０－３は、フォワード・プロジェクション（Forward-Projection；順投影）で再現された再構成画像と、逆投影法等の他の投影方法で生成された再構成画像とが一致または近似するような、動き成分を含む再構成画像４１－４を取得して（または疑似的に生成して）、その再構成画像４１－４に基づいて生成されるものであってもよい。

学習済みモデル１４０－３は、ネットワーク接続回路１１０を介してＸ線ＣＴ装置１に送信され、学習済みモデル４１－６として記憶される。

図６は、学習済みモデル４１－６による処理の内容について説明するための図である。補正処理機能５４－３は、再構成画像４１－４をパラメータとして学習済みモデル４１－６に入力することで、再構成画像４１－４に含まれる動き成分が補正された補正画像４１－５を出力する。これによって、操作者による被検体Ｐの撮影後の再構成画像４１－４に動き成分が含まれているか否かの判別時間や、その動き成分を取り除くための補正時間を短縮することができる。補正処理機能５４－３は、動き成分情報４１－１と再構成画像４１－４とをパラメータとして学習済みモデル４１－６に入力してもよい。

なお、学習済みモデル４１－６は、再構成画像４１－４の動き成分の定義（例えば、「脈動」「呼吸動」「体動」等の動き成分を示す種別や、「しゃっくり」、「不整脈」等の特定の状態を示す種別）を判別して出力するものであってもよい。補正処理機能５４－３は、学習済みモデル４１－６により出力される動き成分の定義に基づいて後続の補正処理の要否を判断したり、補正処理の種別を選択したりすることができ、被検体Ｐの撮影後の補正時間を短縮することができる。

［動き成分の補正］
以下、動き成分の補正方法について説明する。動き成分の補正とは、呼吸や脈動の１回転の最初と最後をつなぎ合わせるようにして補正する既存の補正方法に加えて、或いは代えて、以下のような補正を行うことにより１回転の中での体動、呼吸、脈動の影響を補正するものである。

図７は、画像処理機能５４の構成図である。画像処理機能５４は、例えば、画像処理制御機能５４－１と、判定機能５４－２を備える。画像処理制御機能５４－１は、１以上の学習済みモデル４１－６を選択し、選択した学習済みモデル４１－６に再構成画像４１－４を適用することで、補正画像４１－５を出力する。判定機能５４－２は、画像処理制御機能５４－１により出力された補正画像４１－５に動き成分の残存傾向を判定する。動き成分の残存傾向は、例えば、ノイズ含有率が所定の基準値以上である場合に動き成分が残っていると判定する。ノイズ除去のためのフィルタ（例えば、実施形態の学習済みモデル４１－６とは異なる学習済みモデルを用いたもの）を適用した後のノイズ除去画像と、適用前の画像とを比較して相違点を数値化するとノイズ含有率が求められる。判定機能５４－２は、「判定部」の一例である。

なお、画像処理制御機能５４－１は、判定機能５４－２により補正画像４１－５に動き成分が残っていると判定された場合、その判定結果をディスプレイ４２等に表示させるよう表示制御機能５６に処理させてもよい。また画像処理制御機能５４－１は、判定機能５４－２により補正画像４１－５に動き成分が残っていると判定された場合、判定機能５４－２により動き成分が残っていると判定された補正画像４１－５を、その残っている動き成分を除去するための学習済みモデル４１－６を追加選択して入力し、残っている動き成分が解消された補正画像４１－５を取得してもよいし、他の学習済みモデル４１－６を選択して再構成画像４１－４を改めて入力し、残っている動き成分が解消されるか、再実施を試みてもよい。

また、画像処理制御機能５４－１は、複数パターンの学習済みモデル４１－６の組み合わせに再構成画像４１－４を入力して得られた、複数の補正画像４１－５の動き成分の残存傾向を比較して、最も動き成分の残存傾向が見られない補正画像４１－５を選択するものであってもよい。

図８は、学習済みモデル４１－６の分類の一例を示す図である。学習済みモデル４１－６は、例えば、図８に示すように、主として補正処理する動き成分の定義毎に学習装置１００により生成されるものであり、脈動を補正するモデル、呼吸動を補正するモデル、体動を補正するモデルがそれぞれ生成される。

画像処理制御機能５４－１は、処理対象の再構成画像４１－４に応じて１以上の学習済みモデル４１－６を選択し、さらに選択した学習済みモデル４１－６での処理順を決定して、決定した処理順で学習済みモデル４１－６に適用する。判定機能５４－２は、画像処理制御機能５４－１により生成された補正画像４１－５に、どの動き成分の影響があったかを判別する。残存傾向がある場合、再度、学習済みモデル４１－６を選択する。

例えば、画像処理制御機能５４－１は、まず図８に示すＮｏ．１－４の学習済みモデル４１－６を選択して再構成画像４１－４を入力し、体動成分のみ補正された補正画像４１－５を取得する。この時点で、補正画像４１－５には、脈動成分と呼吸動成分が残ったものとする。

その場合、画像処理制御機能５４－１は、図８に示すＮｏ．２－３の学習済みモデル４１－６を選択して、脈動成分と呼吸動成分が残る補正画像４１－５を入力し、体動成分と脈動成分が補正された補正画像４１－５を取得する。この時点で、補正画像４１－５には、脈動成分が残ったものとする。

その場合、画像処理制御機能５４－１は、図８に示すＮｏ．３－１の学習済みモデル４１－６を選択して、呼吸動成分が残る補正画像４１－５を入力し、体動成分と脈動成分と呼吸動が補正された補正画像４１－５を取得する。画像処理制御機能５４－１は、このようにして学習済みモデル４１－６を段階的に、且つ各動き成分を主に補正する学習済みモデル４１－６を一つずつ選択して適用することで、補正画像４１－５を取得する。

なお、画像処理制御機能５４－１による学習済みモデル４１－６の選択は、操作者による操作を受け付けるものであってもよいし、画像処理制御機能５４－１によって自動的に動き成分が残っているか否かを判定するものであってもよい。画像処理制御機能５４－１は、操作者による操作を受け付ける場合、例えば、図８に示すすべての学習済みモデル４１－６に再構成画像４１－４を適用して、その結果得られた補正画像４１－５のすべてをディスプレイ４２に表示させ、操作者による選択を受け付けるよう表示制御機能５６に制御させる。画像処理制御機能５４－１は、判定機能５４－２によって自動的に判定する場合、例えば、図８に示すすべての学習済みモデル４１－６に再構成画像４１－４を適用して、その結果得られた補正画像４１－５のうち動き成分の残存傾向が見られないもののみをディスプレイ４２に表示するよう表示制御機能５６に制御させる。

また、画像処理制御機能５４－１は、操作者による「脈動成分だけを補正する」、「呼吸動成分だけを補正する」等の補正方法の指示を受け付けてもよい。

また、判定機能５４－２は、図８に示した学習済みモデル４１－６により出力された補正画像４１－５に、動き成分に起因するアーチファクトが残存する場合には、他の動き成分の影響があること（例えば、生成済みの学習済みモデル４１－６が不整脈に対応したものでない場合に、不整脈の動き成分が残存すること）を推定してもよい。

［処理フロー］
図９は、Ｘ線ＣＴ装置１により実行される処理の流れの一例を示すフローチャートである。

まず、画像処理制御機能５４－１は、再構成画像４１－４を取得する（ステップＳ１００）。次に、画像処理制御機能５４－１は、学習済みモデル４１－６を選択し（ステップＳ１０２）、選択した学習済みモデル４１－６に再構成画像４１－４を入力して、動き成分の補正された補正画像４１－５を得る（ステップＳ１０４）。判定機能５４－２は、補正画像４１－５に動き成分の残存傾向があるか否かを判定する（ステップＳ１０６）。判定機能５４－２は、残存傾向があると判定した場合、ステップＳ１０２に処理を戻す。判定機能５４－２は、残存傾向がないと判定した場合、操作者による最終的な補正画像４１－５への補正（微調整）を受け付ける（ステップＳ１０８）。次に、学習装置１００は、学習データを保存する（ステップＳ１１０）。以上、本フローチャートの処理の説明を終了する。

なお、図９のステップＳ１０６の判定は、操作者による判定を受け付けるものであってもよい。

図１０は、学習装置１００による学習処理の流れの一例を示すフローチャートである。図１０に示す処理の流れは、図９のステップＳ１１０の処理詳細に該当する。図１０のフローチャートは、例えば、図１０のステップＳ１１０により学習データが所定セット数以上保存された場合や、Ｘ線ＣＴ装置１が１名の被検体の撮影を終了した後などのタイミングに行われる。

まず、データ取得機能１５２は、１セットの学習データを取得する（ステップＳ２００）。次に、モデル生成機能１５６は、ステップＳ２００で取得した１セットの学習データを機械学習モデルに入力し（ステップＳ２０２）、１セットの学習データに対応する教師データから誤差を逆伝搬させる（ステップＳ２０４）。

次に、モデル生成機能１５６は、所定セット数の学習データについてステップＳ２０２およびＳ２０４の処理を行ったか否かを判定する（ステップＳ２０６）。所定セット数の学習データについてステップＳ２０２およびＳ２０４の処理を行っていない場合、学習装置１００は、ステップＳ２００に処理を戻す。所定セット数の学習データについてステップＳ２０２およびＳ２０４の処理を行った場合、モデル生成機能１５６は、その時点のパラメータを用いて学習済みモデル１４０－３を確定し（ステップＳ２０８）、本フローチャートの処理を終了する。

学習装置１００は、図１０に示すような学習処理が被検体Ｐの撮影の度に行われることで、不規則な体動成分（例えば、しゃっくりや不整脈）の成分除去が可能な学習済みモデル４１－６を生成することができ、操作者の画像補正に要する作業負荷を軽減することができる。

図１１は、画像処理制御機能５４－１が操作者による学習済みモデル４１－６の選択を受け付ける場合の処理を説明するための図である。表示制御機能５６は、画像処理制御機能５４－１が操作者による学習済みモデル４１－６の選択を受け付ける場合、例えば、図１１の上図に示すように、再構成画像４１－４と、選択可能な学習済みモデル４１－６を示すボタン等をディスプレイ４２に表示する。画像処理制御機能５４－１は、操作者により１以上の学習済みモデル４１－６の選択を示す、入力インターフェース４３からの入力信号を受け付ける。画像処理制御機能５４－１は、例えば、脈動を補正する学習済みモデル４１－６と、呼吸動を補正する学習済みモデル４１－６を再構成画像４１－４に適用することを示す操作者の入力を受け付けた場合、図１１の下図に示すように、選択された学習済みモデル４１－６に再構成画像４１－４を入力した結果である補正画像４１－５を表示制御機能５６に表示させる。このように、操作者は、図１１の下図に示す補正画像４１－５を確認しながら、学習済みモデル４１－６を選択することができる。

図１２は、Ｘ線ＣＴ装置１により実行される処理の流れの他の一例を示すフローチャートである。

まず、画像処理制御機能５４－１は、再構成画像４１－４を取得する（ステップＳ３００）。次に、画像処理制御機能５４－１は、操作者による１以上の学習済みモデル４１－６の選択を受け付け（ステップＳ３０２）、操作者により選択された学習済みモデル４１－６に再構成画像４１－４を入力して、動き成分の補正された補正画像４１－５を得る（ステップＳ３０４）。なお、ステップＳ３０２において選択される学習済みモデル４１－６は、同じ動き成分を補正するグループのものが重複選択されないよう規則が予め決定されているものであってもよい。

次に、判定機能５４－２は、最終的な補正画像４１－５への補正（微調整）を受け付ける（ステップＳ３０６）。次に、学習装置１００は、処理結果の動き成分情報４１－１、再構成画像４１－４および補正画像４１－５を学習データ１４０－１として保存する（ステップＳ３０８）。以上、本フローチャートの処理の説明を終了する。

以上説明した実施形態のＸ線ＣＴ装置１によれば、動き成分を含む再構成画像４１－４を生成する再構成処理機能５３と、動き成分を含む再構成画像４１－４に基づいて、動き成分の影響が補正された補正画像４１－５を出力する学習済みモデル４１－６に対して、再構成処理機能５３により生成された再構成画像４１－４を入力することで補正画像４１－５を生成する画像処理機能５４と、を備えることで、脈動、呼吸動、体動などの複数パターンの動き成分に対応した補正を可能にすることができる。

［変形例］
以下、変形例のＸ線ＣＴ装置１Ａについて説明する。変形例のＸ線ＣＴ装置１Ａは、被検体Ｐの体動の有無を寝台装置３０の任意の箇所に設置した体動センサや、架台装置１０の任意の場所に設置されたカメラ等より取得し、学習済みモデル４１－６の選択の判定材料として用いるものである。変形例のＸ線ＣＴ装置１Ａは、体動センサやカメラにより取得された体動の有無の情報に基づいて、動き成分を補正する好適な学習済みモデル４１－６を選択することができる。

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。
ハードウェアプロセッサと、
プログラムを記憶した記憶装置と、を備え、
動き成分を有する第１の医用データを取得し、
第１の医用データに基づいて、第１の医用データの動き成分の影響が補正された第２の医用データを出力する学習済みモデルに対して、取得された第１の医用データを入力することで、前記取得された第１の医用データの動き成分の影響が補正された第２の医用データを生成する、
ように構成されている、医用画像処理装置。

以上説明した少なくともひとつの実施形態によれば、動き成分を有する第１の医用データ（４１－４）を取得する取得部（５３）と、前記第１の医用データに基づいて、前記第１の医用データの動き成分の影響が補正された第２の医用データ（４１－５）を出力する学習済みモデル（４１－６）に対して、前記取得部により取得された第１の医用データを入力することで前記第２の医用データを生成する処理部（５４）と、を備えることにより、動き成分の補正を容易に行うことができる。

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、１Ａ…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
４２…ディスプレイ
４３…入力インターフェース
４４…ネットワーク接続回路
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
５４－１…画像処理制御機能
５４－２…判定機能
５４－３…補正処理機能
５５…スキャン制御機能
５６…表示制御機能
１００…学習装置
１１０…ネットワーク接続回路
１２０…入力インターフェース
１３０…ディスプレイ
１５０…処理回路
１５２…データ取得機能
１５４…学習データ選別機能
１５６…モデル生成機能

Claims (4)

1. 被検体の複数パターンの動き成分を有しうる第１の医用データを取得する取得部と、
   少なくとも医用データに基づいて、前記医用データの複数パターンの動き成分の各々の影響が補正された医用データを出力する学習済みモデルに対して、前記取得部により取得された第１の医用データを入力することで、前記取得された第１の医用データの複数パターンの動き成分の各々の影響が補正された第２の医用データを生成する処理部と、
   を備え、
   前記学習済みモデルは、前記複数パターンの動き成分の各々に対応した複数種類の学習済みモデルであり、
   前記複数パターンの動き成分は、前記被検体の体動、脈動、および呼吸動を含み、
   前記処理部により生成された前記第２の医用データに、前記複数パターンの動き成分の内のいずれの動き成分の影響が残っているかを判定する判定部をさらに備え、
   前記処理部は、前記複数種類の学習済みモデルの中から、前記判定部により判定された残っている前記動き成分の影響を補正するための学習済みモデルを選択して、前記第２の医用データを、選択した前記学習済みモデルに入力して、残っている前記動き成分の影響が補正された第３の医用データを生成する、
   医用画像処理装置。
2. 前記処理部は、前記複数パターンの動き成分の各々を認識可能であり、認識された前記動き成分に対応した前記複数種類の学習済みモデルを組み合わせて使用する、
   請求項１に記載の医用画像処理装置。
3. 前記判定部は、前記第１の医用データに含まれるノイズと前記第２の医用データに含まれるノイズとの比較に基づくノイズ含有率が所定の基準値以上である場合、前記動き成分の影響が残っていると判定する、
   請求項１または２に記載の医用画像処理装置。
4. コンピュータが、
   被検体の複数パターンの動き成分を有しうる第１の医用データを取得し、
   少なくとも医用データに基づいて、前記医用データの複数パターンの動き成分の各々の影響が補正された医用データを出力する学習済みモデルに対して、前記取得された第１の医用データを入力することで、前記取得された第１の医用データの複数パターンの動き成分の各々の影響が補正された第２の医用データを生成し、
   前記学習済みモデルは、前記複数パターンの動き成分の各々に対応した複数種類の学習済みモデルであり、
   前記複数パターンの動き成分は、前記被検体の体動、脈動、および呼吸動を含み、
   生成された前記第２の医用データに、前記複数パターンの動き成分の内のいずれの動き成分の影響が残っているかを判定し、
   前記複数種類の学習済みモデルの中から、判定された残っている前記動き成分の影響を補正するための学習済みモデルを選択して、前記第２の医用データを、選択した前記学習済みモデルに入力して、残っている前記動き成分の影響が補正された第３の医用データを生成する、
   医用画像処理方法。

Images