JP7224208B2 - 医用処理装置、および医用診断システム - Google Patents

Description

本発明の実施形態は、医用処理装置、および医用診断システムに関する。

従来、Ｘ線ＣＴ装置等の医用診断装置において、装置の各ユニットの個体差（線質の差、散乱線の影響の差等）、設置環境の違い等に起因して生じる測定値のずれを補正するためのキャリブレーションデータの収集が行われている。このキャリブレーションデータの収集は、例えば、Ｘ線管に適用される管電圧（ｋＶ）、Ｘ線検出器により検出される列数、撮影時のＸ線の照射範囲（ＦＯＶ：Field of View）、Ｘ線管の回転速度、Ｘ線検出器の設定（ゲイン）、Ｘ線管により照射される焦点サイズ等の条件ごとに実施されている。

しかしながら、従来の技術では、キャリブレーションデータの収集を行う際の条件の組み合わせが多いほど収集に要する時間が長くなってしまう。このため、例えば、Ｘ線ＣＴ装置の据付時や、管球等のハードウェア部品の交換時等に、キャリブレーションデータの収集に時間を要してしまい、被検体に対する撮影に遅れが生じる場合があった。

特開２００１－７０２９７号公報

本発明が解決しようとする課題は、キャリブレーションの時間を短縮することである。

実施形態の医用処理装置は、データ取得部と、データ生成部とを備える。データ取得部は、第１のスキャン条件に対応する第１のキャリブレーションデータを取得する。データ生成部は、第１のキャリブレーションデータに基づいて、第１のスキャン条件とは異なる第２のスキャン条件に対応する第２のキャリブレーションデータを生成するための第１の学習済みモデルに対して、第１のキャリブレーションデータを入力することで、第２のキャリブレーションデータを生成する。

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に格納されたキャリブレーションデータの一例を示す図。 第１の実施形態に係るキャリブレーション機能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の実施形態に係る学習機能５８による学習処理の概念を説明する図。 第１の実施形態に係る処理回路５０によるキャリブレーションデータの生成処理の一連の流れを示すフローチャート。 第１の実施形態に係るキャリブレーション機能５７によるキャリブレーションデータの生成処理の概念を説明する図。 第１の実施形態に係るキャリブレーション機能５７によるキャリブレーションデータの生成処理の他の例を説明する図。 第２の実施形態における学習機能５８による学習処理の概念を説明する図。 第２の実施形態に係るキャリブレーション機能５７によるキャリブレーションデータの生成処理の概念を説明する図。 実施形態に係る医療施設に設置されたＸ線ＣＴ装置１とクラウド上にあるサーバ装置ＳとがネットワークＮＷを介して接続される様子の一例を示す図。

以下、実施形態の医用処理装置、および医用診断システムを、図面を参照して説明する。医用処理装置は、例えば、Ｘ線ＣＴ（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が、これに限定されるものではない。

（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、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（ＦＯＶ）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。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、キャリブレーションデータ４１－５、学習済みモデル４１－６等の情報が格納される。学習済みモデル４１－６については後述する。

キャリブレーションデータ４１－５とは、Ｘ線ＣＴ装置１の各ユニットの個体差（線質の差、散乱線の影響の差等）、設置環境の違い等に起因して生じる測定値のずれを補正するためのデータである。例えば、Ｘ線ＣＴ装置１の据付時や、管球等のハードウェア部品の交換が行われた場合、Ｘ線ＣＴ装置１の本撮影の前に、このキャリブレーションデータの収集が行われる。このキャリブレーションデータは、Ｘ線ＣＴ装置１の撮影条件ごとに準備され、撮影条件と関連付けてメモリ４１に格納される。例えば、このキャリブレーションデータは、Ｘ線管１１に適用される管電圧（ｋＶ）、Ｘ線検出器１５により検出される列数、撮影時のＸ線の照射範囲（ＦＯＶ：Field of View）、Ｘ線管１１の回転速度、Ｘ線検出器１５の設定（ゲイン）、Ｘ線管１１により照射される焦点サイズ等の条件ごと（条件の組み合わせごと）に準備され、撮影条件と関連付けてメモリ４１に格納される。

例えば、本撮影時には、ある撮影条件での撮影により検出された検出データ４１－２から、同条件と関連付けられたキャリブレーションデータを減算する処理を行うことで測定値のずれが補正される。すなわち、第１のスキャン条件で被検体をスキャンすることで得られたデータに対して、第１のスキャン条件と対応する第１のキャリブレーションデータを用いて補正を行い、第２のスキャン条件で被検体をスキャンすることで得られたデータに対して、第２のスキャン条件と対応する第２のキャリブレーションデータを用いて補正を行うことで、測定値のずれが補正される。

図３は、メモリ４１に格納された撮影条件ごとのキャリブレーションデータの一例を示す図である。図示のように、例えば、第１の条件（条件１（管電圧ｋＶ）が“１２０ｋＶ”，条件２（列数）が“８０”，条件３（ＦＯＶ）が“５００ｍｍ”）とキャリブレーションデータ“ＣＤ１”とが関連付けられてメモリ４１に格納されている。

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医用画像（ＣＴ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、キャリブレーション機能５７、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。学習機能５８は、「学習部」の一例である。

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、キャリブレーションデータを用いた補正処理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。キャリブレーションデータを用いた補正処理は、再構成処理機能５３により行われてもよい。

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、キャリブレーションデータを収集する撮影の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ＣＴ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。

図４は、キャリブレーション機能５７の機能構成の一例を示す図である。キャリブレーション機能５７は、例えば、データ取得機能５７－１と、データ生成機能５７－２とを有する。データ取得機能５７－１は、ある基準条件で動作する架台装置１０からキャリブレーションデータ（以下、「基準キャリブレーションデータ」と呼ぶ）を収集し、メモリ４１に基準キャリブレーションデータＢＤとして格納する。データ生成機能５７－２は、データ取得機能５７－１により取得された基準キャリブレーションデータＢＤと、メモリ４１に格納された学習済みモデル４１－６とに基づいて、基準条件とは異なる条件のキャリブレーションデータを生成する（以下、「生成キャリブレーションデータ」と呼ぶ）。データ取得機能５７－１は、「データ取得部」の一例である。データ生成機能５７－２は、「データ生成部」の一例である。

基準キャリブレーションデータＢＤは、スキャン制御機能５５の制御下において、キャリブレーション用のファントム（例えば、水ファントム）が天板３３上に載置された状態で、基準条件で動作する架台装置１０において検出される検出データ（実データ）である。基準条件は、例えば、操作者による入力インターフェース４３の操作に基づいて決定される。一方、生成キャリブレーションデータＧＤは、基準キャリブレーションデータＢＤを学習済みモデル４１－６に入力した際に出力されるデータ（推定データ）である。

学習機能５８は、第１のスキャン条件に対応する第１のキャリブレーションデータと、第１のスキャン条件とは異なる第２のスキャン条件に対応する第２のキャリブレーションデータとの関係を学習して、学習済みモデルを生成する。学習機能５８は、第１のキャリブレーションデータに基づいて、第２のキャリブレーションデータを生成するための学習済みモデルを生成する。例えば、学習機能５８は、第１のキャリブレーションデータをモデルに入力した際に出力されるデータと、第２のキャリブレーション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。学習機能５８は、例えば、ニューラルネットワーク、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。学習機能５８の詳細については後述する。

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、学習済みモデルを生成する学習処理と、学習済みモデルを使用して生成キャリブレーションデータ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５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６は、学習機能５８による学習処理の概念を説明する図である。図５に示すフローチャートの処理は、例えば、Ｘ線ＣＴ装置１の出荷時（利用環境への据付け前）等に、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。なお、以下においては、学習データである、撮影条件ごと（例えば、管電圧（ｋＶ）ごとの）のキャリブレーションデータが既に収集されて、メモリ４１に格納されているものとする。撮影条件ごとのキャリブレーションデータは、１又は複数個のデータ（データセット）である。例えば、あるスキャン条件（管電圧が「１２０ｋＶ」）に対応するキャリブレーションデータは、複数個のデータ（データセット）であってよい。

まず、学習機能５８は、メモリ４１に格納されたキャリブレーションデータ（検出データ）の中から、１組の学習データを取得する（ステップＳ１００）。この１組の学習データは、例えば、第１のスキャン条件に対応する第１のキャリブレーションデータと、第１のスキャン条件とは異なる第２のスキャン条件に対応する第２のキャリブレーションデータとの組である。図６に示す例では、例えば、学習機能５８は、第１のスキャン条件（管電圧が「１２０ｋＶ」）に対応する第１のキャリブレーションデータＤ１と、第２のスキャン条件（管電圧が「８０ｋＶ」）に対応する第２のキャリブレーションデータＤ２とを取得する。すなわち、第１のスキャン条件及び第２のスキャン条件は、それぞれ同一種類のパラメータ（管電圧）を含み、第１のスキャン条件と第２のスキャン条件の間で、同一種類のパラメータの値が互いに異なる。

次に、学習機能５８は、第１のスキャン条件に対応する第１のキャリブレーションデータを、モデルに入力し、その処理結果（出力結果）を得る（ステップＳ１０２）。図６に示す例では、学習機能５８は、第１のキャリブレーションデータＤ１をモデルＭ１に入力し、その処理結果を得る。

次に、学習機能５８は、処理結果のデータと、第２のキャリブレーションデータＤ２との間の差分を算出する（ステップＳ１０４）。

次に、学習機能５８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Ｓ１０６）。例えば、学習機能５８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。このように内部パラメータの更新が行われた第１のモデルＭ１が、第１の学習済みモデルとなる。学習機能５８は、この第１の学習済みモデルをメモリ４１に格納する（ステップＳ１０８）。

次に、学習機能５８は、全ての学習データの組について処理を完了したか否かを判定する（ステップＳ１１０）。図６に示す例では、第１のキャリブレーションデータＤ１と、第１および第２のスキャン条件の各々とは異なる第３のスキャン条件（管電圧が「１００ｋＶ」）に対応する第３のキャリブレーションデータＤ３との組についての処理、および、第１のキャリブレーションデータＤ１と、第１から第３のスキャン条件の各々とは異なる第４のスキャン条件（管電圧が「１３５ｋＶ」）に対応する第４のキャリブレーションデータＤ４との組についての処理が完了していない。この場合、学習機能５８は、これらの組についてもステップＳ１００以降の同様な処理を繰り返す。これにより、第１の学習済みモデルとは異なる第２の学習済みモデルおよび第３の学習済みモデルがメモリ４１に格納される。

一方、学習機能５８は、全ての学習データについて処理が完了したと判定した場合、本フローチャートの処理を終了する。

なお、Ｘ線ＣＴ装置１の利用環境への据付け後に、該Ｘ線ＣＴ装置１において取得されたキャリブレーションデータを用いて学習済みモデルを生成するようにしてもよい。これにより、Ｘ線ＣＴ装置１が本撮影を行う状況（設置環境）を考慮した精度の高い学習済みモデルを生成することができる。

なお、Ｘ線ＣＴ装置１とは異なる他のモデル生成装置で生成された汎用の学習済みモデルがＸ線ＣＴ装置１のメモリ４１に格納されて出荷されるような場合、上記の学習機能５８による学習処理は行われなくてもよい。あるいは、学習機能５８は、この汎用の学習済みモデルに対して、該Ｘ線ＣＴ装置１において取得されたキャリブレーションデータをさらに学習するようにしてもよい。これにより、Ｘ線ＣＴ装置１の個体差（各ユニットの個体差）を考慮した精度の高い学習済みモデルを生成することができる。

［処理フロー（キャリブレーションデータの生成処理）］
次に、処理回路５０によるキャリブレーションデータの生成処理について説明する。図７は、処理回路５０によるキャリブレーションデータの生成処理の一連の流れを示すフローチャートである。図８は、キャリブレーション機能５７によるキャリブレーションデータの生成処理の概念を説明する図である。本フローチャートの処理は、例えば、Ｘ線ＣＴ装置１の据付時やハードウェア部品の交換後等に、Ｘ線ＣＴ装置１の操作者が、入力インターフェース４３を操作してキャリブレーションデータの生成処理の開始を指示した場合に開始される。

まず、キャリブレーション機能５７（データ取得機能５７－１）は、キャリブレーション用のファントム（例えば、水ファントム）が天板３３上に載置された状態のＸ線ＣＴ装置１において、基準キャリブレーションデータＢＤ１を取得する（ステップＳ２００）。基準キャリブレーションデータを取得するための基準条件（例えば、管電圧（ｋＶ））は、例えば、操作者による入力インターフェース４３の操作に基づいて決定される。図８に示す例では、基準条件として管電圧が１２０ｋＶに設定されている。

次に、キャリブレーション機能５７（データ生成機能５７－２）は、メモリ４１に格納された複数の学習済みモデル４１－６のうち、必要となるキャリブレーションデータを出力するように学習された学習済みモデル４１－６を選択する（ステップＳ２０２）。学習済みモデル４１－６は、例えば、操作者による入力インターフェース４３の操作に基づいて選択されてもよい。また、予め設定された学習済みモデル４１－６が選択されるようにしてもよいし、メモリ４１に格納された全ての学習済みモデル４１－６が選択されるようにしてもよい。図８に示す例では、第１の学習済みモデルＴＭ１、第２の学習済みモデルＴＭ２、および第３の学習済みモデルＴＭ３が選択されている。

次に、キャリブレーション機能５７は、取得した基準キャリブレーションデータＢＤを、選択された学習済みモデル４１－６の各々に入力し、モデルの出力である生成キャリブレーションデータＧＤを生成する（ステップＳ２０４）。

図８に示す例において、第１の学習済みモデルＴＭ１は、基準キャリブレーションデータＢＤ（管電圧が１２０ｋＶ）に基づいて、生成キャリブレーションデータ（管電圧が８０ｋＶ）を生成するように学習されている。キャリブレーション機能５７は、基準キャリブレーションデータＢＤを、第１の学習済みモデルＴＭ１に入力することで、第１の生成キャリブレーションデータＧＤ１（管電圧が８０ｋＶ）を生成する。また、第２の学習済みモデルＴＭ２は、基準キャリブレーションデータＢＤ（管電圧が１２０ｋＶ）に基づいて、生成キャリブレーションデータ（管電圧が１００ｋＶ）を生成するように学習されている。キャリブレーション機能５７は、基準キャリブレーションデータＢＤを、第２の学習済みモデルＴＭ２に入力することで、第２の生成キャリブレーションデータＧＤ２（管電圧が１００ｋＶ）を生成する。また、第３の学習済みモデルＴＭ３は、基準キャリブレーションデータＢＤ（管電圧が１２０ｋＶ）に基づいて、生成キャリブレーションデータ（管電圧が１３５ｋＶ）を生成するように学習されている。キャリブレーション機能５７は、基準キャリブレーションデータＢＤを、第３の学習済みモデルＴＭ３に入力することで、第３の生成キャリブレーションデータＧＤ３（管電圧が１３５ｋＶ）を生成する。

次に、キャリブレーション機能５７は、生成された生成キャリブレーションデータＧＤをメモリ４１に格納する（ステップＳ２０６）。以上により、キャリブレーション機能５７は、本フローチャートの処理を終了する。

以上、説明した第１の実施形態のＸ線ＣＴ装置１によれば、基準キャリブレーションデータに基づいて、複数の生成キャリブレーションデータを生成することで、キャリブレーションの時間を短縮することができる。また、据付後のＸ線ＣＴ装置１が撮影を行う際の状態（設置環境）に合わせて最適なキャリブレーションデータを生成することができる。

なお、上記においては、撮影条件ごとに学習済みモデルを個別に生成する（複数個の学習済みモデルを生成する）例を説明したがこれに限られない。図９は、キャリブレーション機能５７によるキャリブレーションデータの生成処理の他の例を説明する図である。図示のように、学習機能５８は、基準キャリブレーションデータＢＤが入力された場合に、複数の撮影条件と対応付けられた複数の生成キャリブレーションデータＧＤ（ＧＤ１からＧＤ３）を出力するような１つの学習済みモデルＴＭ４を生成してもよい。キャリブレーション機能５７は、学習済みモデルＴＭ４に対して基準キャリブレーションデータＢＤを入力することで、複数の生成キャリブレーションデータＧＤ（ＧＤ１からＧＤ３）を一度に生成することができる。

また、例えば、基準キャリブレーションデータＢＤ（列数が８０列）に基づいて、生成キャリブレーションデータ（列数が３２０列）を生成するように学習された学習済みモデルを利用することで、列数が「３２０列」である撮影条件用のファントムを準備する必要がなくなる。これにより、キャリブレーション用のファントムの大きさを縮小することができる。また、ファントムを利用せずに、空気を対象とした撮影を行うことにより得られたキャリブレーションデータ（すなわち、天板３３上に何もない状態で撮影を行うことにより得られたキャリブレーションデータ）を学習した学習済みモデルを生成することで、キャリブレーション時におけるファントムの利用をなくすことができる。

（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、ある１つの撮影条件（１つのパラメータ、例えば、管電圧（ｋＶ））に着目し、ある基準条件での基準キャリブレーションデータ（例えば、管電圧１２０ｋＶ）から、他の条件と対応付けられる生成キャリブレーションデータ（例えば、管電圧８０ｋＶ）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、複数の撮影条件（２以上のパラメータ、例えば、管電圧（ｋＶ）と列数）に着目し、ある基準条件（２以上のパラメータ）での基準キャリブレーションデータから、他の条件（２以上のパラメータ）と対応付けられるキャリブレーションデータを生成する。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。

［学習処理］
図１０は、第２の実施形態における学習機能５８による学習処理の概念を説明する図である。図示のように、学習機能５８は、第１のスキャン条件（管電圧が「１２０ｋＶ」，列数が「３２０列」）に対応する第１のキャリブレーションデータＰＤ１と、第２のスキャン条件（管電圧が「８０ｋＶ」，列数が「８０列」）に対応する第２のキャリブレーションデータＰＤ２との関係を学習することで、第１の学習済みモデルを生成する。また、学習機能５８は、第１のスキャン条件に対応する第１のキャリブレーションデータＰＤ１と、第３のスキャン条件（管電圧が「８０ｋＶ」，列数が「１６０列」）に対応する第３のキャリブレーションデータＰＤ３との関係を学習することで、第２の学習済みモデルを生成する。また、学習機能５８は、第１のスキャン条件に対応する第１のキャリブレーションデータＰＤ１と、第４のスキャン条件（管電圧が「８０ｋＶ」，検出素子の列数が「３２０列」）に対応する第３のキャリブレーションデータＰＤ３との関係を学習することで、第３の学習済みモデルを生成する。

上記のように、学習機能５８により学習される学習データにおいて、第１のスキャン条件から第４のスキャン条件の各々は、複数のパラメータを含む。また、第１のスキャン条件と、第２から第４のスキャン条件の各々との間で、複数のパラメータのうちの少なくとも１つのパラメータの値は異なるものである。また、第１のスキャン条件及び第２のスキャン条件は、Ｘ線ＣＴシステムに関する条件である。少なくとも１つのパラメータは、Ｘ線ＣＴシステムに含まれるＸ線管１１に適用する管電圧、Ｘ線管１１の回転速度、Ｘ線管１１から照射されるＸ線の焦点サイズ、Ｘ線の線質を調整するためのフィルタ（例えば、ウェッジ１２）の種類、Ｘ線ＣＴシステムに含まれるＸ線検出器１５でＸ線を検出する列数、又はＸ線検出器１５のゲインを含む。

［キャリブレーションデータの生成処理］
図１１は、第２の実施形態におけるキャリブレーション機能５７によるキャリブレーションデータの生成処理の概念を説明する図である。図示のように、キャリブレーション機能５７は、基準キャリブレーションデータＰＢＤ（管電圧が「１２０ｋＶ」，列数が「３２０列」）を、第１の学習済みモデルＴＰＭ１に入力することで、第１の生成キャリブレーションデータＰＧＤ１（管電圧が「８０ｋＶ」，列数が「８０列」）を生成する。また、キャリブレーション機能５７は、基準キャリブレーションデータＢＤを、第２の学習済みモデルＴＰＭ２に入力することで、第２の生成キャリブレーションデータＰＧＤ１（管
電圧が「８０ｋＶ」，列数が「１６０列」）を生成する。また、キャリブレーション機能５７は、基準キャリブレーションデータＢＤを、第３の学習済みモデルＴＰＭ３に入力することで、第３の生成キャリブレーションデータＰＧＤ３（管電圧が「８０ｋＶ」，列数が「３２０列」）を生成する。

以上、説明した第２の実施形態のＸ線ＣＴ装置１によれば、基準キャリブレーションデータに基づいて、複数の生成キャリブレーションデータを生成することで、キャリブレーションの時間を短縮することができる。また、据付後のＸ線ＣＴ装置１が撮影を行う際の状態（設置環境）に合わせて最適なキャリブレーションデータを生成することができる。また、複数の撮影条件に着目し、ある基準条件の基準キャリブレーションデータから、他の条件と対応付けられるキャリブレーションデータを生成することで、多様な撮影条件に対応したキャリブレーションデータを短時間で準備することができる。

なお、上記の実施形態では、出荷時等にＸ線ＣＴ装置１内で学習済みモデルを生成し、または学習済みモデルを各Ｘ線ＣＴ装置１に応じて変更する例を説明したがこれに限られない。例えば、図１２に示すように、各医療施設Ｈ１からＨＮ（Ｎは任意の自然数）に設置されたＸ線ＣＴ装置１と、クラウド上にあるサーバ装置ＳとがネットワークＮＷを介して接続され、サーバ装置ＳからＸ線ＣＴ装置１に対して学習済みモデルが提供されるようにしてもよい。また、Ｘ線ＣＴ装置１が、据付後の該Ｘ線ＣＴ装置１において取得された基準キャリブレーションデータをサーバ装置Ｓに送信し、サーバ装置Ｓ内に格納された学習済みモデルを用いてサーバ装置Ｓ内で生成キャリブレーションデータを生成してＸ線ＣＴ装置１に送信するようにしてもよい。Ｘ線ＣＴ装置１とサーバ装置Ｓとの組み合わせは、「医用処理装置」または「医用診断システム」の一例である。

なお、Ｘ線ＣＴ装置１の出荷時等に、Ｘ線ＣＴ装置１とは別体のモデル生成装置で生成された汎用の学習済みモデルがＸ線ＣＴ装置１のメモリ４１に格納されるような態様の場合、他のモデル生成装置においてモデル生成に利用された学習データと、据付後のＸ線ＣＴ装置１から得られた基準条件のデータとを比較することで、個々のＸ線ＣＴ装置におけるデータのバラツキの程度を把握することができる。例えば、管球のバラツキを把握することで、線質のバラツキを把握することができるため、ＣＴ値を均一化するための補正に展開することができる。

また、管球のＯＬＰ（Over Load Protection）によって焦点移動が起こることがわかっているが、ＯＬＰとデータとの相関を学習することでキャリブレーション時のＯＬＰと本撮影時のＯＬＰの差からキャリブレーションデータを補正することができる。また、管球アライメントによっても線質は変化するため、アライメント時のデータからパラメータを最適化することもできる。また、管球だけではなく、検出素子の温度ドリフトといった検出素子側の変化に対しても各温度と対応付けられた学習データを学習することで、温度に応じたキャリブレーションデータを短時間で準備することができる。また、リング成分の抽出、パック間段差といった多様な撮影条件に対応したキャリブレーションデータを短時間で準備することができる。

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。
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、
第１のスキャン条件に対応する第１のキャリブレーションデータを取得し、
前記第１のキャリブレーションデータに基づいて、前記第１のスキャン条件とは異なる第２のスキャン条件に対応する第２のキャリブレーションデータを生成するための第１の学習済みモデルに対して、前記第１のキャリブレーションデータを入力することで、前記第２のキャリブレーションデータを生成する、
医用処理装置。

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…キャリブレーション機能，５８…学習機能

Claims (12)

1. 第１のスキャン条件に対応する第１のキャリブレーションデータを取得するデータ取得部と、
   前記第１のキャリブレーションデータに基づいて、前記第１のスキャン条件とは異なる第２のスキャン条件に対応する第２のキャリブレーションデータを生成するための第１の学習済みモデルに対して、前記第１のキャリブレーションデータを入力することで、前記第２のキャリブレーションデータを生成するデータ生成部と、
   を備えた、医用処理装置。
2. 前記データ生成部は、前記第１のキャリブレーションデータに基づいて、前記第１のスキャン条件及び前記第２のスキャン条件とは異なる第３のスキャン条件に対応する第３のスキャン条件に対応する第３のキャリブレーションデータを生成するための、前記第１の学習済みモデルとは異なる第２の学習済みモデルに対して、前記第１のキャリブレーションデータを入力することで、前記第３のキャリブレーションデータを生成する、請求項１に記載の医用処理装置。
3. 前記第１の学習済みモデルは、前記第１のキャリブレーションデータに基づいて、前記第１のスキャン条件及び前記第２のスキャン条件とは異なる第３のスキャン条件に対応する第３のスキャン条件に対応する第３のキャリブレーションデータをさらに生成するためのモデルであり、
   前記データ生成部は、前記第１の学習済みモデルに対して、前記第１のキャリブレーションデータを入力することで、前記第２のキャリブレーションデータ及び前記第３のキャリブレーションデータを生成する、請求項１に記載の医用処理装置。
4. 前記第１のスキャン条件及び前記第２のスキャン条件は、それぞれ複数のパラメータを含み、
   前記第１のスキャン条件と前記第２のスキャン条件の間で、前記複数のパラメータのうちの少なくとも１つのパラメータの値は異なる、
   請求項１に記載の医用処理装置。
5. 前記第１のスキャン条件及び前記第２のスキャン条件は、Ｘ線ＣＴシステムに関する条件であり、
   前記少なくとも１つのパラメータは、前記Ｘ線ＣＴシステムに含まれるＸ線管に適用する管電圧、前記Ｘ線管の回転速度、前記Ｘ線管から照射されるＸ線の焦点サイズ、前記Ｘ線の線質を調整するためのフィルタの種類、前記Ｘ線ＣＴシステムに含まれるＸ線検出器でＸ線を検出する列数、又は前記Ｘ線検出器のゲインを含む、請求項４に記載の医用処理装置。
6. 前記第１のスキャン条件で被検体をスキャンすることで得られたデータに対して、前記第１のキャリブレーションデータを用いて補正を行い、前記第２のスキャン条件で被検体をスキャンすることで得られたデータに対して、前記第２のキャリブレーションデータを用いて補正を行う、請求項１に記載の医用処理装置。
7. 前記第１のスキャン条件及び前記第２のスキャン条件は、それぞれ同一種類のパラメータを含み、
   前記第１のスキャン条件と前記第２のスキャン条件の間で、前記同一種類のパラメータの値が互いに異なる、
   請求項１に記載の医用処理装置。
8. 前記第１のキャリブレーションデータと前記第２のキャリブレーションデータとの関係を学習することで、前記第１の学習済みモデルを生成する学習部をさらに備える、
   請求項１から７のいずれか一項に記載の医用処理装置。
9. 前記学習部は、利用環境への据付け前に前記医用処理装置から取得された前記第１のキャリブレーションデータと前記第２のキャリブレーションデータとの関係を学習することで、前記第１の学習済みモデルを生成する、
   請求項８に記載の医用処理装置。
10. 前記学習部は、利用環境に据付けられた前記医用処理装置から取得された前記第１のキャリブレーションデータと前記第２のキャリブレーションデータとの関係を学習することで、前記第１の学習済みモデルを生成する、
    請求項８に記載の医用処理装置。
11. 前記第１の学習済みモデルは、前記医用処理装置とネットワークを介して接続されたサーバ装置により提供される、
    請求項１から１０のいずれか一項に記載の医用処理装置。
12. 請求項１から１１のいずれか一項に記載の医用処理装置を含む医用診断システム。

Images