JP7309988B2 - 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おいて、被検体の厚さの分布の推定結果に基づいて、検出器が収集したデータを出力する際の増幅率を決定するゲイン（Ｇａｉｎ）を調整することにより、カウント値の最大値がオーバーフローしないように検出器の設定を最適化する技術が公開されている。

しかしながら上述の方法は、回路ノイズにより発生するアーチファクトの低減は考慮されていたが、肩部や骨盤部などの高吸収部を撮影する際に、吸収が少ない体表辺縁でカウント値の最大値がオーバーフローし易く、オーバーフローにより発生するアーチファクトを低減することができない可能性があった。

特開２０１８－０５０６６４号公報

本発明が解決しようとする課題は、オーバーフローにより発生するアーチファクトを低減することである。

実施形態の医用画像処理装置は、取得部と、判定部とを備える。取得部は、第１の医用データを取得する。判定部は、医用データが入力されたときに医用データが含むアーチファクトの種別を示す情報を出力する種別判定モデルに対して、取得した第１の医用データを入力することで、取得した第１の医用データが含むアーチファクトの種別を判定する。

第１の実施形態に係る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。 画像処理機能５４の構成図。 第１学習機能５７の構成図。 判定モデル４１－６による処理の内容について説明するための図。 判定モデル生成機能５７－３による判定モデル生成処理を説明するための図。 第２学習機能５８の構成図。 補正モデル４１－７による処理の内容について説明するための図。 補正モデル生成機能５８－３の補正モデル生成処理を説明するための図。 補正画像４１－５の生成方法について説明するための図。 Ｘ線ＣＴ装置１による撮影処理の流れの一例を示すフローチャート。 第１学習機能５７による第１の学習処理の流れの一例を示すフローチャート。 第２学習機能５８による第２の学習処理の流れの一例を示すフローチャート。 第２の実施形態に係る第１学習機能５７Ａの構成図。 種別判定モデル４１－６Ａによる処理の内容について説明するための図。 種別判定モデル生成機能５７－３Ａの種別判定モデル生成処理を説明するための図。 Ｘ線ＣＴ装置１Ａによる撮影処理の流れの一例を示すフローチャート。 第１学習機能５７Ａによる第３の学習処理の流れ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、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。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。

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、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、第１学習機能５７、第２学習機能５８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。

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。

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、アーチファクトの検出されたＣＴ画像からアーチファクトを軽減または削除するアーチファクト補正処理を行う。アーチファクト補正処理については後述する。以下において、アーチファクトを軽減または削除することを、単に「軽減する」という。

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。

第１学習機能５７は、画像処理機能５４により処理されたＣＴ画像がアーチファクトを含むか否かを学習し、後述する判定モデル４１－６を生成する。第１学習機能５７は、「判定モデル生成部」の一例である。

第２学習機能５８は、被検体の情報と、画像処理機能５４により処理されたＣＴ画像からアーチファクトを軽減した補正画像と、元のＣＴ画像との関係を学習し、後述する補正モデル４１－７を生成する。第２学習機能５８は、「補正モデル生成部」の一例である。

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により生成される被検体情報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、判定モデル４１－６、補正モデル４１－７などの情報が格納される。

［画像処理機能］
図３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、再構成画像取得機能５４－１と、アーチファクト判定機能５４－２と、アーチファクト補正処理機能５４－３とを備える。

再構成画像取得機能５４－１は、メモリ４１から、撮影された再構成画像４１－４と、被検体Ｐに対応付けられた被検体情報４１－１とを取得する。被検体情報４１－１は、例えば、被検体Ｐを識別するＩＤ情報や、被検体Ｐの性別、身長、体重等の被検体Ｐの特性を示す情報、撮影部位の情報等の情報を含む。再構成画像取得機能５４－１は、「取得部」の一例である。

アーチファクト判定機能５４－２は、再構成画像取得機能５４－１により取得された再構成画像４１－４がオーバーフローアーチファクトを含むか否かを判定する。ここで、オーバーフローアーチファクトについて説明する。アーチファクトとは、再構成画像に現れるノイズのことである。オーバーフローアーチファクトとは、Ｘ線検出器１５で扱えるカウントの最大値を超えた場合に、再構成画像上に現れるノイズのことである。アーチファクト判定機能５４－２は、操作者による判定入力を受け付けてもよいし、後述する判定モデル４１－６の出力結果を判定結果としてもよいし、その他の既知の判定方法による判定結果を用いるものであってもよい。アーチファクト判定機能５４－２は、「第１判定部」の一例である。

アーチファクト補正処理機能５４－３は、アーチファクト判定機能５４－２によりオーバーフローアーチファクトが含まれると判定された再構成画像４１－４のオーバーフローアーチファクトを軽減するためのアーチファクト補正処理を行う。アーチファクト補正処理機能５４－３は、「補正部」の一例である。

なお、判定モデル４１－６および補正モデル４１－７に適用される再構成画像４１－４は、「第１の医用データ」の一例である。

なお、アーチファクト判定機能５４－２は、後述する判定モデル４１－６に再構成画像４１－４を入力することで得られる出力に基づいてアーチファクト判定処理を行ってもよいし、操作者による入力操作に応じてアーチファクト判定処理を行ってもよい。

なお、アーチファクト補正処理機能５４－３は、後述する補正モデル４１－７に再構成画像４１－４を入力することでアーチファクト補正処理を行ってもよいし、操作者による入力操作に応じてアーチファクト補正処理を行ってもよい。アーチファクト補正処理とは、例えば、アーチファクト補正フィルタの適用や、さらなるビームハードニング補正等のソフト処理により実現される。補正モデル４１－７を用いたアーチファクト補正処理については後述する。

なお、アーチファクト補正処理機能５４－３は、再構成画像取得機能５４－１により取得された被検体情報４１－１に対して好適な補正モデル４１－７を選択し、選択した補正モデル４１－７に再構成画像４１－４を適用する。好適な補正モデル４１－７とは、例えば、被検体Ｐのみの再構成画像４１－４を機械学習した学習済みモデルである。

なお、アーチファクト補正処理機能５４－３は、被検体Ｐのみの再構成画像４１－４を機械学習した補正モデル４１－７が存在しない場合には、被検体Ｐの再構成画像４１－４と他の被検体の再構成画像４１－４とが反映された学習済みモデルを選択してもよいし、被検体情報４１－１が類似する（例えば、性別、身長、体重、撮影部位等の一部または全部が類似する）他の被検体の再構成画像４１－４が反映された学習済みモデルを選択してもよい。

［第１学習機能］
以下、第１学習機能５７による処理について説明する。図４は、第１学習機能５７の構成図である。第１学習機能５７は、例えば、再構成画像取得機能５７－１と、アーチファクト判定結果受付機能５７－２と、判定モデル生成機能５７－３とを備える。

再構成画像取得機能５７－１は、メモリ４１から、学習データである被検体情報４１－１と再構成画像４１－４を取得する。

アーチファクト判定結果受付機能５７－２は、アーチファクト判定機能５４－２により判定された、再構成画像４１－４に含まれるアーチファクトを含むか否かに関する判定結果を受け付ける。

判定モデル生成機能５７－３は、再構成画像取得機能５７－１により取得された再構成画像４１－４と、アーチファクト判定結果受付機能５７－２により受け付けられた判定結果とに基づいて、再構成画像４１－４が入力されたときに該再構成画像４１－４がオーバーフローアーチファクトを含むか否かを示す情報を出力する判定モデル４１－６を生成する。

［判定モデル］
判定モデル生成機能５７－３は、再構成画像取得機能５７－１により取得された再構成画像４１－４を学習データとし、その再構成画像４１－４に対応付けられた、再構成画像４１－４にオーバーフローアーチファクトが含まれるか否かを示す情報（アーチファクト判定結果受付機能５７－２により判定された判定結果）を教師データとして機械学習を行うことで、判定モデル４１－６を生成する。なお、判定モデル生成機能５７－３は、外部装置により実現されてもよい。

図５は、判定モデル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。アーチファクト判定機能５４－２は、再構成画像４１－４をパラメータとして判定モデル４１－６に入力することで、再構成画像４１－４にオーバーフローアーチファクトが含まれるか否かを示す情報を出力する。

なお、図５に示した処理において、再構成画像４１－４の代替として、投影データ４１－３が入力パラメータとして利用されてもよい。

図６は、判定モデル生成機能５７－３による判定モデル生成処理を説明するための図である。判定モデル生成機能５７－３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（以下、第１の機械学習モデルと称する場合がある）に対して、複数セットの学習データを入力し、その結果が、学習データに対応する教師データに近づくように、機械学習モデルにおけるパラメータを調整する。判定モデル生成機能５７－３は、例えば、被検体情報４１－１に含まれる、ある被検体Ｐの再構成画像４１－４を学習データとし、その撮影時の再構成画像４１－４にオーバーフローアーチファクトが含まれるか否かを示す情報を教師データとする学習済みモデルを生成する機械学習モデルを生成する。

判定モデル生成機能５７－３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。なお、機械学習モデルは、より新しい学習データがアウトプットとして反映されやすくなるように、学習データ毎に重み付け設定などを行ってもよい。

判定モデル生成機能５７－３は、予め定められたセット数の学習データと、対応する教師データ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判定モデル４１－６として記憶される。なお、判定モデル生成機能５７－３は、ある被検体Ｐの再構成画像４１－４と、その再構成画像４１－４にオーバーフローアーチファクトが含まれるか否かを示す情報とのセットとを用いて判定モデル４１－６を生成してもよい。

［第２学習機能］
以下、第２学習機能５８による処理について説明する。図７は、第２学習機能５８の構成図である。第２学習機能５８は、例えば、再構成画像取得機能５８－１と、アーチファクト補正結果受付機能５８－２と、補正モデル生成機能５８－３とを備える。

再構成画像取得機能５８－１は、メモリ４１から、学習データである被検体情報４１－１と再構成画像４１－４、および教師データである補正画像４１－５を取得する。

アーチファクト補正結果受付機能５８－２は、アーチファクト補正処理機能５４－３により学習データである再構成画像４１－４に対して補正処理が行われたか否かを示す情報を受け付ける。

補正モデル生成機能５８－３は、再構成画像取得機能５８－１により取得された再構成画像４１－４と、アーチファクト補正結果受付機能５８－２により受け付けられた補正処理が行われたか否かを示す情報に基づいて、補正モデル４１－７を生成する。

［補正モデル］
図８は、補正モデル４１－７による処理の内容について説明するための図である。アーチファクト補正処理機能５４－３は、被検体情報４１－１と再構成画像４１－４とをパラメータとして補正モデル４１－７に入力することで、再構成画像４１－４に含まれるオーバーフローアーチファクトを補正した補正画像４１－５を出力する。

図８に示す処理は、同一被検体Ｐの再構成画像４１－４のみを学習データとすることで後続処理であるアーチファクト補正の処理の正確性を高めることが望ましい。しかしながら、必要数の学習データが収集できない段階においては、被検体Ｐと類似する被検体情報４１－１に対応付けられた再構成画像４１－４を学習データに含めてもよい。

図９は、補正モデル生成機能５８－３の補正モデル生成処理を説明するための図である。補正モデル生成機能５８－３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（以下、第２の機械学習モデルと称する場合がある）に対して、複数セットの学習データを入力し、その結果が、学習データに対応する教師データに近づくように、機械学習モデルにおけるパラメータを調整する。補正モデル生成機能５８－３は、例えば、被検体情報４１－１に含まれる、ある被検体Ｐの被検体情報４１－１と再構成画像４１－４とのセットとを学習データとし、その撮影時の再構成画像４１－４を補正した補正画像４１－５を教師データとする学習済みモデルを生成する機械学習モデルを生成する。

補正モデル生成機能５８－３は、例えば、判定モデル生成機能５７－３と同様に、バックプロパゲーション（逆誤差伝搬法）によってＤＮＮ等の機械学習モデルのパラメータを調整する。なお、機械学習モデルは、より新しい学習データがアウトプットとして反映されやすくなるように、学習データ毎に重み付け設定などを行ってもよい。

補正モデル生成機能５８－３は、予め定められたセット数の学習データと、対応する教師データ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補正モデル４１－７として記憶される。なお、補正モデル生成機能５８－３は、ある被検体Ｐの被検体情報４１－１と再構成画像４１－４とのセットと、その再構成画像４１－４に対応付いた補正画像４１－５とのセットとを用いて補正モデル４１－７を生成してもよい。

なお、補正モデル生成機能５８－３は、予め定められたセット数以上の学習データの被検体Ｐのみの再構成画像４１－４が存在する場合、被検体Ｐのみの再構成画像４１－４を機械学習した学習済みモデルを生成する。補正モデル生成機能５８－３は、被検体Ｐのみの再構成画像４１－４が予め定められたセット数存在しない場合には、被検体Ｐの再構成画像４１－４と他の被検体の再構成画像４１－４とが反映された補正モデル４１－７を生成してもよいし、被検体情報４１－１が類似する（例えば、性別、身長、体重、撮影部位等が類似する）他の被検体の再構成画像４１－４が反映された補正モデル４１－７を生成してもよい。

［人工的なアーチファクト］
以下、人工的なアーチファクトを用いた補正方法について説明する。図１０は、補正画像４１－５の生成方法について説明するための図である。Ｘ線管１１から被検体Ｐに照射されるＸ線量を検出するＸ線検出器１５の領域ａ１＋ａ２において、領域ａ１は想定通りに再構成画像４１－４が取得できた（オーバーフローしない）場合であっても、オーバーフローを誘発しやすい撮影部位（肩部や骨盤部を測定する際に、吸収が少ない体表辺縁）を透過したＸ線を検出する領域ａ２においてカウント値の最大値がオーバーフローすることがある。

アーチファクト補正処理機能５４－３は、領域ａ２に対応付いた検出データ４１－２のカウント値のオーバーフローを検出した場合、領域ａ１および領域ａ２に対応付いた検出データ４１－２を補正対象とする。アーチファクト補正処理機能５４－３は、領域ａ２に対応付いた検出データ４１－２のカウント値のみを補正するものではない。

アーチファクト補正処理機能５４－３は、例えば、過去に取得された再構成画像４１－４のうち、オーバーフローアーチファクトが含まれないことが操作者によって確認されているものに対応付いた検出データ４１－２に、オーバーフローアーチファクトが検出された再構成画像４１－４を再現するカウントゲインを施す。カウントゲインは、例えば、領域ａ２に対応付いたカウント値を、オーバーフロー状態を再現する値になるまで上昇させることである。アーチファクト補正処理機能５４－３は、このようにして撮影部位に基づく人工的なオーバーフローアーチファクトを追加した再構成画像を生成する。アーチファクト補正処理機能５４－３は、上述のカウントゲインの逆演算をオーバーフローアーチファクトが検出された再構成画像４１－４に行うことで、アーチファクト補正処理を行う。

また、補正モデル生成機能５８－３は、上述の人工的なオーバーフローアーチファクトを追加した再構成画像とその被検体情報とを学習データとしてもよいし、元の再構成画像を学習データとしてもよい。

［処理フロー１］
図１１は、Ｘ線ＣＴ装置１による撮影処理の流れの一例を示すフローチャートである。

まず、再構成画像取得機能５４－１は、再構成画像４１－４と、再構成画像４１－４に対応付いた被検体情報４１－１を取得する（ステップＳ１００）。次に、アーチファクト判定機能５４－２は、再構成画像４１－４にオーバーフローアーチファクトが含まれるか否かを判定する（ステップＳ１０２）。アーチファクト判定機能５４－２は、オーバーフローアーチファクトが含まれないと判定した場合、処理を終了する。

アーチファクト判定機能５４－２は、ステップＳ１０２においてオーバーフローアーチファクトを含むと判定した場合、メモリ４１に記憶された補正モデル４１－７の中に、同一被検体の再構成画像のみを学習データとした補正モデル４１－７が存在するか否かを判定する（ステップＳ１０４）。

アーチファクト補正処理機能５４－３は、ステップＳ１０４においてアーチファクト判定機能５４－２により同一被検体の再構成画像のみを補正モデル４１－７が存在すると判定された場合、その補正モデル４１－７に再構成画像４１－４と、対応付いた被検体情報４１－１を入力して、オーバーフローアーチファクトの補正された補正画像４１－５を得る（ステップＳ１０６）。

アーチファクト判定機能５４－２は、ステップＳ１０４において、同一被検体の再構成画像のみを学習済みモデルが存在すると判定されなかった場合、他の好適な補正モデル４１－７があるか否かを判定する（ステップＳ１０８）。アーチファクト判定機能５４－２は、他の好適な学習済みモデルがあると判定した場合、選択した補正モデル４１－７に再構成画像４１－４と、対応付いた被検体情報４１－１を入力して、アーチファクトの補正された補正画像４１－５を得る（ステップＳ１１０）。アーチファクト判定機能５４－２は、他の好適な学習済みモデルがあると判定しなかった場合、後述するステップＳ１１２に処理を進める。

ステップＳ１０６またはＳ１１０の処理の後、第１学習機能５７および第２学習機能は、それぞれ学習データを保存する（ステップＳ１１２）。なお、ステップＳ１１２の処理において、アーチファクト補正処理機能５４－３は、操作者によるアーチファクト補正（補正のやり直し、または微調整）の操作を受け付けてもよい。以上、本フローチャートの処理の説明を終了する。

［処理フロー２］
図１２は、第１学習機能５７による第１の学習処理の流れの一例を示すフローチャートである。図１２のフローチャートは、例えば、図１０のステップＳ１１４により、所定セット数以上の学習データが保存された場合に行われる。

まず、第１学習機能５７は、１セットの学習データを取得する（ステップＳ２００）。次に、第１学習機能５７は、ステップＳ２００で取得した１セットの学習データを第１の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、第１学習機能５７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、第１学習機能５７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、第１学習機能５７は、その時点のパラメータを用いて判定モデル４１－６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。

［処理フロー３］
図１３は、第２学習機能５８による第２の学習処理の流れの一例を示すフローチャートである。図１３のフローチャートは、例えば、図１０のステップＳ１１４により、所定セット数以上の学習データが保存された場合に行われる。

まず、第２学習機能５８は、１セットの学習データを取得する（ステップＳ３００）。次に、第２学習機能５８は、ステップＳ３００で取得した１セットの学習データを第２の機械学習モデルに入力し（ステップＳ３０２）、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Ｓ３０４）。

次に、第２学習機能５８は、所定セット数の学習データについてステップＳ３０２およびＳ３０４の処理を行ったか否かを判定する（ステップＳ３０６）。所定セット数の学習データについてステップＳ３０２およびＳ３０４の処理を行っていない場合、第２学習機能５８は、ステップＳ３００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Ｓ３０２およびＳ３０４の処理を行った場合、第２学習機能５８は、その時点のパラメータを用いて補正モデル４１－７を確定し（ステップＳ３０８）、本フローチャートの処理を終了する。

なお、上述の画像処理機能５４が処理する再構成画像４１－４は、投影データ４１－３に基づいて生成されたサイノグラムであってもよい。サイノグラムとは、種々の投影測定に対するＸ線検出器１５に沿った位置の関数として、或いはＸ線管１１とＸ線検出器１５との間の投影角の関数として、身体を通過したＸ線の減衰を示すデータである。

以上説明した第１の実施形態のＸ線ＣＴ装置１によれば、再構成画像４１－４と被検体情報４１－１とを取得する再構成画像取得機能５４－１と、再構成画像４１－４がオーバーフローアーチファクトを含むか否かを示す情報を出力する判定モデル４１－６に対して、再構成画像取得機能５４－１が取得した再構成画像４１－４を入力することで、その再構成画像４１－４がオーバーフローアーチファクトを含むか否かを示す情報を出力するアーチファクト判定機能５４－２と、再構成画像４１－４に基づいて、その再構成画像４１－４に含まれるオーバーフローアーチファクトが補正された補正画像４１－５を出力する補正モデル４１－７に対して、再構成画像取得機能５４－１が取得した再構成画像４１－４を入力することで、その再構成画像取得機能５４－１のオーバーフローアーチファクトが補正された補正画像４１－５を生成するアーチファクト判定機能５４－２と、を備えることで、オーバーフローアーチファクトの発生を抑制することができる。

（第２の実施形態）
以下、第２の実施形態のＸ線ＣＴ装置１Ａについて説明する。なお、以下の説明において、第１の実施形態と同一の構成及び機能については第１の実施形態と同一の符号を付し、詳細な説明を省略する。また、第１の実施形態と同じ名称であるが構成または機能が異なるものについては、符号の末尾に「Ａ」を付すものとする。

図１４は、第２の実施形態に係る第１学習機能５７Ａの構成図である。第１学習機能５７Ａは、例えば、再構成画像取得機能５７－１と、アーチファクト種別受付機能５７－２Ａと、種別判定モデル生成機能５７－３Ａとを備える。

アーチファクト種別受付機能５７－２Ａは、再構成画像取得機能５７－１により取得された再構成画像４１－４に含まれるアーチファクトの種別を受け付ける。アーチファクト種別受付機能５７－２Ａは、「第２判定部」の一例である。

アーチファクト種別受付機能５７－２Ａは、例えば、操作者による、再構成画像取得機能５７－１により取得された再構成画像４１－４に含まれるアーチファクトの種別の入力を受け付けてもよいし、後述する種別判定モデル４１－６Ａにより出力されたアーチファクトの種別を示す情報を受け付けてもよい。また、アーチファクト種別受付機能５７－２Ａは、操作者により間接的に入力されるアーチファクトの種別を受け付けるであってもよい。間接的に入力されるとは、例えば、アーチファクト補正処理機能５４－３が行った補正処理の内容から、アーチファクトの種別を類推し、その類推結果を入力とすることである。

種別判定モデル生成機能５７－３Ａは、再構成画像取得機能５７－１により取得された再構成画像４１－４に含まれるアーチファクトの種別を判別する種別判定モデル４１－６Ａを生成する。種別判定モデル生成機能５７－３Ａは、「種別判定モデル生成部」の一例である。

アーチファクトの種別とは、例えば、オーバーフローアーチファクトに加え、Ｘ線検出素子の出力異常を示すアーチファクト（リングアーチファクト）、Ｘ線検出器１５の異常やＸ線管１１の放電を示すアーチファクト（シャワーアーチファクト）、信号伝送ノイズにより生成されたアーチファクト（モアレアーチファクト）、検出フォトンの大幅な減少・欠落に起因するアーチファクト（ダークバンドアーチファクト）等である。なお、被検体Ｐが撮影中に動いたことに起因するアーチファクト（モーションアーチファクト）や、インプラントや人工関節等の被検体Ｐの体内の金属に起因するアーチファクト（メタルアーチファクト）等の画像補正が困難で通常再撮影を要するアーチファクトも、上述のアーチファクトの種別に含めてもよい。種別判定モデル４１－６Ａは、例えば、上述のアーチファクトの種別毎に生成され、単一のアーチファクトの種別を判定するものであってもよいし、単一の種別判定モデル４１－６Ａが複数種類のアーチファクトの種別を判定するものであってもよい。

種別判定モデル生成機能５７－３Ａは、種別判定モデル４１－６Ａを生成する。種別判定モデル４１－６Ａについては後述する。

［種別判定モデル］
種別判定モデル生成機能５７－３Ａは、再構成画像取得機能５７－１により取得された再構成画像４１－４を学習データとし、その再構成画像４１－４に対応付けられた、アーチファクトの種別を示す情報を教師データとして機械学習を行うことで、種別判定モデル４１－６Ａを生成する。なお、種別判定モデル生成機能５７－３Ａは、外部装置により実現されてもよい。

図１５は、種別判定モデル４１－６Ａによる処理の内容について説明するための図である。アーチファクト判定機能５４－２Ａは、再構成画像４１－４をパラメータとして種別判定モデル４１－６Ａに入力することで、再構成画像４１－４に含まれるアーチファクトの種別を示す情報を出力する。

アーチファクト判定機能５４－２Ａは、好適な種別判定モデル４１－６Ａを選択し、その種別判定モデル４１－６Ａに再構成画像４１－４を入力することで得られる出力に基づいてアーチファクトの有無および種別の判定処理を行ってもよい。また、アーチファクト判定機能５４－２Ａは、操作者による種別判定モデル４１－６Ａの選択を示す入力操作を受け付け、選択された種別判定モデル４１－６Ａに再構成画像４１－４を入力することで得られる出力に基づいてアーチファクトの有無および種別の判定処理を行ってもよい。

なお、図１５に示した処理において、再構成画像４１－４の代替として、投影データ４１－３が入力パラメータとして入力されてもよい。

アーチファクト補正処理機能５４－３は、再構成画像４１－４の補正に関する操作者の入力を受け付け、補正画像４１－５を生成してもよい。また、アーチファクト補正処理機能５４－３は、アーチファクト判定機能５４－２Ａの判定結果に基づいて、好適な補正モデル４１－７を選択して、選択した補正モデル４１－７に再構成画像４１－４を入力することで、補正画像４１－５を生成してもよい。

図１６は、種別判定モデル生成機能５７－３Ａの種別判定モデル生成処理を説明するための図である。種別判定モデル生成機能５７－３Ａ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（以下、第３の機械学習モデルと称する場合がある）に対して、複数セットの学習データを入力し、その結果が、学習データに対応する教師データに近づくように、第３の機械学習モデルにおけるパラメータを調整する。判定モデル生成機能５７－３は、例えば、再構成画像４１－４を学習データとし、その再構成画像４１－４に含まれるアーチファクトの種別を示す情報を教師データとする学習済みモデルを生成する第３の機械学習モデルを生成する。

種別判定モデル生成機能５７－３Ａは、例えば、第１の実施形態の判定モデル生成機能５７－３と同様に、ＤＮＮ等のバックプロパゲーション（逆誤差伝搬法）によって第３の機械学習モデルのパラメータを調整する。なお、第３の機械学習モデルは、より新しい学習データがアウトプットとして反映されやすくなるように、学習データ毎に重み付け設定などを行ってもよい。

種別判定モデル生成機能５７－３Ａは、予め定められたセット数の学習データと、対応する教師データ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。その時点の第３の機械学習モデルが種別判定モデル４１－６Ａとして記憶される。なお、種別判定モデル生成機能５７－３Ａは、ある再構成画像４１－４と、その再構成画像４１－４に含まれるアーチファクトの種別を示す情報とのセットとを用いて種別判定モデル４１－６Ａを生成してもよい。

［処理フロー４］
図１７は、Ｘ線ＣＴ装置１Ａによる撮影処理の流れの一例を示すフローチャートである。

まず、再構成画像取得機能５４－１は、再構成画像４１－４を取得する（ステップＳ４００）。次に、アーチファクト判定機能５４－２Ａは、種別判定モデル４１－６Ａに再構成画像４１－４を入力し、アーチファクトの種別を示す情報を取得する（ステップＳ４０２）。次に、画像処理機能５４は、特定したアーチファクトの種別をディスプレイ４２に出力するよう表示制御機能５６に出力指示し（ステップＳ４０４）、操作者によるアーチファクト補正の操作を受け付ける（ステップＳ４０６）。なお、ステップＳ４０６は、第１の実施形態と同様に、補正モデル４１－７に再構成画像４１－４を入力することで、補正画像４１－５を生成してもよい。次に、第１学習機能５７Ａは、ステップＳ４０６の処理結果を学習データであるアーチファクトの種別を示す情報として保存する（ステップＳ４０８）。以上、本フローチャートの処理の説明を終了する。

［処理フロー５］
図１８は、第１学習機能５７Ａによる第３の学習処理の流れの一例を示すフローチャートである。図１８のフローチャートは、例えば、図１７のステップＳ４０８により所定セット数以上の学習データが保存された場合や、Ｘ線ＣＴ装置１Ａが１名の被検体の撮影を終了する度などのタイミングで行われる。

まず、第１学習機能５７Ａは、１セットの学習データを取得する（ステップＳ５００）。次に、第１学習機能５７Ａは、ステップＳ２００で取得した１セットの学習データを第３の機械学習モデルに入力し（ステップＳ５０２）、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Ｓ５０４）。

次に、第１学習機能５７Ａは、所定セット数の学習データについてステップＳ５０２およびＳ５０４の処理を行ったか否かを判定する（ステップＳ５０６）。所定セット数の学習データについてステップＳ５０２およびＳ５０４の処理を行っていない場合、第１学習機能５７Ａは、ステップＳ５００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Ｓ５０２およびＳ５０４の処理を行った場合、第１学習機能５７Ａは、その時点のパラメータを用いて種別判定モデル４１－６Ａを確定し（ステップＳ５０８）、本フローチャートの処理を終了する。

以上説明した第２の実施形態のＸ線ＣＴ装置１Ａによれば、再構成画像４１－４を取得する再構成画像取得機能５４－１と、再構成画像４１－４に含まれるアーチファクトの種別を出力する種別判定モデル４１－６Ａに対して、再構成画像４１－４を入力することで、アーチファクトの種別を判定するアーチファクト判定機能５４－２Ａと、を備えることで、アーチファクトの補正に要する負荷（特に、アーチファクトの種別の判定に要する負荷と、そのアーチファクトの種別に応じた補正方法の選択に要する負荷）を低減させることができる。

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、
第１の医用データを取得し、
前記取得された第１の医用データがオーバーフローアーチファクトを含むか否かを判定し、
医用データが入力されたときにオーバーフローアーチファクトが補正された医用データを出力する補正モデルに対して、前記オーバーフローアーチファクトを含むと判定された前記第１の医用データを入力することで、前記第１の医用データのオーバーフローアーチファクトが補正された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のＸ線ＣＴ装置によれば、第１の医用データ（４１－４）を取得する取得部（５４－１）と、前記取得された第１の医用データがオーバーフローアーチファクトを含むか否かを判定する第１判定部（５４－２）と、医用データが入力されたときにオーバーフローアーチファクトが補正された医用データを出力する補正モデル（４１－７）に対して、前記第１判定部によりオーバーフローアーチファクトを含むと判定された前記第１の医用データを入力することで、前記第１の医用データのオーバーフローアーチファクトが補正された医用データ（４１－５）を生成する補正部（５４－３）と、を備えることにより、オーバーフローにより発生するアーチファクトを低減することができる。

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
５４－１…再構成画像取得機能
５４－２、５４－２Ａ…アーチファクト判定機能
５４－３…アーチファクト補正処理機能
５７、５７Ａ…第１学習機能
５７－３…判定モデル生成機能
５７－３Ａ…種別判定モデル生成機能
５８…第２学習機能
５８－３…補正モデル生成機能

Claims (6)

1. 第１の医用データを取得する取得部と、
   医用データが入力されたときに前記医用データが含むアーチファクトの種別を示す情報を出力する種別判定モデルに対して、前記取得した第１の医用データを入力することで、前記取得した第１の医用データが含むアーチファクトの種別を判定する判定部と、
   前記種別判定モデルを生成する種別判定モデル生成部と、
   を備え、
   前記種別判定モデル生成部は、過去に取得された医用データと、前記過去に取得された医用データに対して行われた補正処理の内容から類推されたアーチファクトの種別を示す情報とが対応付けられた学習データを用いて機械学習を行うことで、前記種別判定モデルを生成する、
   医用画像処理装置。
2. 前記判定部は、医用データが入力されたときに前記医用データにおけるアーチファクトの有無を示す情報を出力する他の種別判定モデルに対して、前記取得した第１の医用データを入力することで、前記取得した第１の医用データにおけるアーチファクトの有無を判定し、
   前記他の種別判定モデルは、アーチファクトの種別毎に生成される、
   請求項１に記載の医用画像処理装置。
3. 前記判定部は、操作者による前記他の種別判定モデルの選択を示す入力操作を受け付け、選択された前記他の種別判定モデルに対して、前記第１の医用データを入力することで、前記第１の医用データが含むアーチファクトの種別を判定する、
   請求項２に記載の医用画像処理装置。
4. 前記アーチファクトの種別は、オーバーフローアーチファクトに加え、リングアーチファクト、シャワーアーチファクト、モアレアーチファクト、ダークバンドアーチファクト、モーションアーチファクト、およびメタルアーチファクトの少なくとも１つを含む、
   請求項１から３のうちいずれか一項に記載の医用画像処理装置。
5. 医用データが入力されたときにアーチファクトが補正された医用データを出力する補正モデルに対して、前記第１の医用データを入力することで、前記第１の医用データのアーチファクトが補正された医用データを生成する補正部をさらに備え、
   前記補正部は、前記判定部の判定結果に基づいて前記補正モデルを選択し、選択された前記補正モデルに対して、前記第１の医用データを入力することで、前記アーチファクトが補正された医用データを生成する、
   請求項１から４のうちいずれか一項に記載の医用画像処理装置。
6. コンピュータが、
   第１の医用データを取得し、
   医用データが入力されたときに前記医用データが含むアーチファクトの種別を示す情報を出力する種別判定モデルに対して、前記取得した第１の医用データを入力することで、前記取得した第１の医用データが含むアーチファクトの種別を判定する、
   医用画像処理方法であって、
   さらに、過去に取得された医用データと、前記過去に取得された医用データに対して行われた補正処理の内容から類推されたアーチファクトの種別を示す情報とが対応付けられた学習データを用いて機械学習を行うことで、前記種別判定モデルを生成する、
   医用画像処理方法。

Images