JP2020022689A - 医用画像処理装置およびｘ線ｃｔ装置 - Google Patents

Abstract

【課題】適切なデータを出力できる。【解決手段】本実施形態に係る医用画像処理装置は、取得部と、判定部とを含む。取得部は、放射線を検出する検出素子毎に、少なくとも検出器応答を含んだ第１スペクトルを取得する。判定部は、前記第１スペクトルの特徴に基づいて、入力されたスペクトルを補正した第２スペクトルを出力する学習済みモデルを、前記第１スペクトルに対して適用するか否かを判定する。【選択図】図１

Description

本発明の実施形態は、医用画像処理装置およびＸ線ＣＴ装置に関する。

フォトンカウンティング検出器を用いるＸ線ＣＴ（Computed Tomography）装置では、Ｘ線フォトンをカウントし、Ｘ線のエネルギーを検出することが可能であるため、低被ばく化及び物質弁別が可能である。フォトンカウンティング方式では、検出器の検出素子毎に精度のばらつきがあるため、撮影データに対して、例えば機械学習を用いて、検出器応答に関する補正を実行する手法が考えられる。当該手法では、事前に撮影した学習用の撮影データと理想データとを用いて機械学習し、実際の撮影データを補正することができる。
しかし、事前に学習した撮影データの範囲を大きく逸脱するデータが入力された場合、機械学習により出力されるデータの有効性が補償されなくなる。すなわち、異常画像が生成される原因となるデータが出力されたり、または無効なデータ処理が行われたりする可能性がある。

米国特許出願公開第２０１８／００３５９６５号明細書 米国特許第９８０８２１６号明細書

本発明が解決しようとする課題は、適切なデータを出力できることである。

本実施形態に係る医用画像処理装置は、取得部と、判定部とを含む。取得部は、放射線を検出する検出素子毎に、少なくとも検出器応答を含んだ第１スペクトルを取得する。判定部は、前記第１スペクトルの特徴に基づいて、入力されたスペクトルを補正した第２スペクトルを出力する学習済みモデルを、前記第１スペクトルに対して適用するか否かを判定する。

図１は、第１の実施形態に係るＸ線ＣＴ装置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装置のデータ処理を示すフローチャートである。 図３は、学習済みモデルを生成する学習システムの一例を示すブロック図である。 図４は、第１の実施形態に係るモデル学習装置による機械学習時の概念を示す図である。 図５は、第１の実施形態に係る機械学習させた学習済みモデルの利用時の概念を示す図である。 図６は、第１の実施形態に係る最大のカウント値を用いた基準スペクトルを示す図である。 図７は、第１の実施形態に係る適正範囲内と判定される撮影データの一例を示す図である。 図８は、第１の実施形態に係る適正範囲外と判定される撮影データの一例を示す図である。 図９は、第１の実施形態に係る適正範囲外と判定される撮影データの一例を示す図である。 図１０は、第１の実施形態に係る最小のカウント値を用いた基準スペクトルを示す図である。 図１１は、第１の実施形態に係る適正範囲外と判定される撮影データの一例を示す図である。 図１２は、第２の実施形態に係る水とカルシウムとの透過距離の対応関係を示すグラフである。 図１３は、第２の実施形態に係るカルシウムとヨウ素との透過距離の対応関係を示すグラフである。 図１４は、第２の実施形態に係るＸ線ＣＴ装置のデータ処理を示すフローチャートである。 図１５は、金属アーチファクトに関する処理の一例を示す図である。 図１６は、第３の実施形態に係る医用画像処理装置を示すブロック図である。

以下、図面を参照しながら本実施形態に係わる医用画像処理装置およびＸ線ＣＴ装置について説明する。以下の実施形態では、同一の参照符号を付した部分は同様の動作をおこなうものとして、重複する説明を適宜省略する。以下、一実施形態について図面を用いて説明する。

（第１の実施形態）
以下、Ｘ線ＣＴ（Computed Tomography）装置について図１のブロック図を参照して説明する。図１に示すＸ線ＣＴ装置１は、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を複数描画している。なお、本実施形態では、非チルト状態での回転フレーム１３の回転軸又は寝台装置３０の天板３３の長手方向をＺ軸方向、Ｚ軸方向に直交し、床面に対し水平である軸方向をＸ軸方向、Ｚ軸方向に直交し、床面に対し垂直である軸方向をＹ軸方向とそれぞれ定義するものとする。

例えば、架台装置１０及び寝台装置３０はＣＴ検査室に設置され、コンソール装置４０はＣＴ検査室に隣接する制御室に設置される。なお、コンソール装置４０は、必ずしも制御室に設置されなくてもよい。例えば、コンソール装置４０は、架台装置１０及び寝台装置３０とともに同一の部屋に設置されてもよい。いずれにしても架台装置１０と、寝台装置３０と、コンソール装置４０とは互いに通信可能に有線または無線で接続されている。

架台装置１０は、被検体ＰをＸ線ＣＴ撮影するための構成を有するスキャン装置である。架台装置１０は、Ｘ線管１１と、Ｘ線検出器１２と、回転フレーム１３と、Ｘ線高電圧装置１４と、制御装置１５と、ウェッジ１６と、コリメータ１７と、データ収集装置１８（以下、ＤＡＳ（Data Acquisition System）１８ともいう）とを含む。

Ｘ線管１１は、Ｘ線高電圧装置１４からの高電圧の印加及びフィラメント電流の供給により、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線を発生する真空管である。具体的には、熱電子がターゲットに衝突することによりＸ線が発生される。例えば、Ｘ線管１１に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線管がある。Ｘ線管１１で発生したＸ線は、例えばコリメータ１７を介してコーンビーム形に成形され、被検体Ｐに照射される。

Ｘ線検出器１２は、Ｘ線管１１から照射され、被検体Ｐを通過したＸ線を光子単位で検出し、前記Ｘ線量に対応した電気信号をＤＡＳ１８へと出力する。Ｘ線検出器１２は、例えば、Ｘ線管１１の焦点を中心として１つの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複数のＸ線検出素子列を有する。Ｘ線検出器１２は、例えば、チャネル方向に複数のＸ線検出素子が配列されたＸ線検出素子列がスライス方向（列方向、ｒｏｗ方向）に複数配列された列構造を有する。

Ｘ線検出器１２は、具体的には、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変換型の検出器である。Ｘ線検出器１２は、検出部の一例である。

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線は、当該入射Ｘ線の強度に応じた個数の光子に変換する。

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（１次元コリメータまたは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受けた光を増幅して電気信号に変換し、当該入射Ｘ線のエネルギーに応じた波高値を有する出力信号（エネルギー信号）を生成する機能を有し、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。

なお、Ｘ線検出器１２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１３は、Ｘ線発生部とＸ線検出器１２とを回転軸回りに回転可能に支持する。具体的には、回転フレーム１３は、Ｘ線管１１とＸ線検出器１２とを対向支持し、後述する制御装置１５によってＸ線管１１とＸ線検出器１２とを回転させる円環状のフレームである。回転フレーム１３は、アルミニウム等の金属により形成された固定フレーム（図示せず）に回転可能に支持される。詳しくは、回転フレーム１３は、ベアリングを介して固定フレームの縁部に接続されている。回転フレーム１３は、制御装置１５の駆動機構からの動力を受けて回転軸Ｚ回りに一定の角速度で回転する。

なお、回転フレーム１３は、Ｘ線管１１とＸ線検出器１２に加えて、Ｘ線高電圧装置１４やＤＡＳ１８を更に備えて支持する。このような回転フレーム１３は、撮影空間をなす開口（ボア）１９が形成された略円筒形状の筐体に収容されている。開口はＦＯＶに略一致する。開口の中心軸は、回転フレーム１３の回転軸Ｚに一致する。なお、ＤＡＳ１８が生成した撮影データは、例えば発光ダイオード（ＬＥＤ）を有する送信機から光通信によって架台装置の非回転部分（例えば固定フレーム。図１での図示は省略する。）に設けられた、フォトダイオードを有する受信機（図示せず）に送信され、コンソール装置４０へと転送される。なお、回転フレームから架台装置の非回転部分への撮影データの送信方法は、前述の光通信に限らず、非接触型のデータ伝送であれば如何なる方式を採用しても構わない。

Ｘ線高電圧装置１４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１１に印加する高電圧及びＸ線管１１に供給するフィラメント電流を発生する機能を有する高電圧発生装置と、Ｘ線管１１が照射するＸ線に応じた出力電圧の制御を行う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構わない。なお、Ｘ線高電圧装置１４は、後述する回転フレーム１３に設けられてもよいし、架台装置１０の固定フレーム（図示しない）側に設けられても構わない。

制御装置１５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。処理回路は、ハードウェア資源として、ＣＰＵやＭＰＵ（Micro Processing Unit）等のプロセッサとＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）等のメモリとを有する。また、制御装置１５は、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）やフィールド・プログラマブル・ゲート・アレイ（Field Programmable Gate Array：ＦＰＧＡ）、他の複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）により実現されてもよい。制御装置１５は、コンソール装置４０からの指令に従い、Ｘ線高電圧装置１４及びＤＡＳ１８等を制御する。前記プロセッサは、前記メモリに保存されたプログラムを読み出して実現することで上記制御を実現する。

また、制御装置１５は、コンソール装置４０若しくは架台装置１０に取り付けられた、後述する入力インターフェース４３からの入力信号を受けて、架台装置１０及び寝台装置３０の動作制御を行う機能を有する。例えば、制御装置１５は、入力信号を受けて回転フレーム１３を回転させる制御や、架台装置１０をチルトさせる制御、及び寝台装置３０及び天板３３を動作させる制御を行う。なお、架台装置１０をチルトさせる制御は、架台装置１０に取り付けられた入力インターフェース４３によって入力される傾斜角度（チルト角度）情報により、制御装置１５がＸ軸方向に平行な軸を中心に回転フレーム１３を回転させることによって実現される。また、制御装置１５は架台装置１０に設けられてもよいし、コンソール装置４０に設けられても構わない。なお、制御装置１５は、前記メモリにプログラムを保存する代わりに、前記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、前記プロセッサは、前記回路内に組み込まれたプログラムを読み出して実行することで上記制御を実現する。

ウェッジ１６は、Ｘ線管１１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１６は、Ｘ線管１１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１１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１６（ウェッジフィルタ（wedge filter）、ボウタイフィルタ（bow-tie filter））は、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フィルタである。

コリメータ１７は、ウェッジ１６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１７は、Ｘ線絞りと呼ばれる場合もある。

ＤＡＳ１８は、Ｘ線検出器１２により検出されたＸ線のカウントを示すデジタルデータ（以下、撮影データともいう）を、複数のエネルギー帯域（以下、エネルギー・ビン、又は単にビンともいう）毎に生成する。撮影データは、生成元のＸ線検出素子のチャンネル番号、列番号、収集されたビュー（投影角度）を示すビュー番号、及びエネルギー・ビン番号により識別されたカウント値のデータのセットである。ＤＡＳ１８は、例えば、撮影データを生成可能な回路素子を搭載したＡＳＩＣ（Application Specific Integrated Circuit）により実現される。撮影データは、コンソール装置４０へと転送される。

寝台装置３０は、スキャン対象の被検体Ｐを載置、移動させる装置であり、基台３１と、寝台駆動装置３２と、天板３３と、支持フレーム３４とを備えている。
基台３１は、支持フレーム３４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３２は、被検体Ｐが載置された天板３３を天板３３の長軸方向に移動するモータあるいはアクチュエータである。寝台駆動装置３２は、コンソール装置４０による制御、または制御装置１５による制御に従い、天板３３を移動する。例えば、寝台駆動装置３２は、天板３３に載置された被検体Ｐの体軸が回転フレーム１３の開口の中心軸に一致するよう、天板３３を被検体Ｐに対して直交方向に移動する。また、寝台駆動装置３２は、架台装置１０を用いて実行されるＸ線ＣＴ撮影に応じて、天板３３を被検体Ｐの体軸方向に沿って移動してもよい。寝台駆動装置３２は、制御装置１５からの駆動信号のデューティ比等に応じた回転速度で駆動することにより動力を発生する。寝台駆動装置３２は、例えば、ダイレクトドライブモータやサーボモータ等のモータにより実現される。

支持フレーム３４の上面に設けられた天板３３は、被検体Ｐが載置される板である。なお、寝台駆動装置３２は、天板３３に加え、支持フレーム３４を天板３３の長軸方向に移動してもよい。

コンソール装置４０は、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、処理回路４４とを有する。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、処理回路４４との間のデータ通信は、バス（BUS）を介して行われる。なお、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またはコンソール装置４０の各構成要素の一部が含まれてもよい。

メモリ４１は、種々の情報を記憶するＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）、集積回路記憶装置等の記憶装置である。メモリ４１は、例えば、撮影データや再構成画像データを記憶する。メモリ４１は、ＨＤＤやＳＳＤ等以外にも、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、フラッシュメモリ等の可搬性記憶媒体や、ＲＡＭ（Random Access Memory）等の半導体メモリ素子等との間で種々の情報を読み書きする駆動装置であってもよい。また、メモリ４１の保存領域は、Ｘ線ＣＴ装置１内にあってもよいし、ネットワークで接続された外部記憶装置内にあってもよい。例えば、メモリ４１は、ＣＴ画像や表示画像のデータを記憶する。また、メモリ４１は、本実施形態に係る制御プログラムを記憶する。

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４４によって生成された医用画像（ＣＴ画像）や、操作者からの各種操作を受け付けるためのＧＵＩ（Graphical User Interface）等を出力する。例えば、ディスプレイ４２としては、例えば、液晶ディスプレイ（ＬＣＤ：Liquid Crystal Display）、ＣＲＴ（Cathode Ray Tube）ディスプレイ、有機ＥＬディスプレイ（ＯＥＬＤ：Organic Electro Luminescence Display）、プラズマディスプレイ又は他の任意のディスプレイが、適宜、使用可能となっている。また、ディスプレイ４２は、架台装置１０に設けられてもよい。また、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本体と無線通信可能なタブレット端末など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４３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４４に出力する。例えば、入力インターフェース４３は、撮影データを収集する際の収集条件や、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を操作者から受け付ける。入力インターフェース４３としては、例えば、マウス、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、タッチパッド及びタッチパネルディスプレイ等が適宜、使用可能となっている。なお、本実施形態において、入力インターフェース４３は、マウス、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、タッチパッド及びタッチパネルディスプレイ等の物理的な操作部品を備えるものに限られない。例えば、装置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４４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４３の例に含まれる。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。又、入力インターフェース４３は、コンソール装置４０本体と無線通信可能なタブレット端末などで構成されることにしても構わない。

処理回路４４は、入力インターフェース４３から出力される入力操作の電気信号に応じてＸ線ＣＴ装置１全体の動作を制御する。例えば、処理回路４４は、ハードウェア資源として、ＣＰＵやＭＰＵ、ＧＰＵ（Graphics Processing Unit）等のプロセッサとＲＯＭやＲＡＭ等のメモリとを有する。処理回路４４は、メモリに展開されたプログラムを実行するプロセッサにより、システム制御機能４４１、前処理機能４４２、再構成処理機能４４３、取得機能４４４、判定機能４４５、補正機能４４６および表示制御機能４４７を実行する。なお、各機能（システム制御機能４４１、前処理機能４４２、再構成処理機能４４３、取得機能４４４、判定機能４４５、補正機能４４６および表示制御機能４４７）は単一の処理回路で実現される場合に限らない。複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより各機能を実現するものとしても構わない。

システム制御機能４４１は、入力インターフェース４３を介して操作者から受け付けた入力操作に基づいて、処理回路４４の各機能を制御する。具体的には、システム制御機能４４１は、メモリ４１に記憶されている制御プログラムを読み出して処理回路４４内のメモリ上に展開し、展開された制御プログラムに従ってＸ線ＣＴ装置１の各部を制御する。例えば、処理回路４４は、入力インターフェース４３を介して操作者から受け付けた入力操作に基づいて、処理回路４４の各機能を制御する。例えば、システム制御機能４４１は、スキャン範囲、撮影条件等を決定するための被検体Ｐの２次元の位置決め画像を取得する。なお、位置決め画像は、スキャノ画像またはスカウト画像とも呼ばれる。システム制御機能４４１は、システム制御部の一例である。

前処理機能４４２は、ＤＡＳ１８から出力された撮影データに対して、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施したデータを生成する。前処理機能４４２は、後述する判定機能４４５により学習済みモデルを適用しないと判定された撮影データに対しては、一般的な補正処理によって、検出器応答の補正（検出器応答補正ともいう）を実行し、補正された撮影データ（以下、補正撮影データという）のスペクトル（補正スペクトルともいう）を生成する。スペクトルは、複数のエネルギー帯域に関してエネルギー・ビン毎の光子のカウント値を示すデータである。

検出器応答補正を行う理由は次の通りである。ＤＡＳ１８で収集された撮影データは、Ｘ線検出素子毎に固有の応答特性が加わったデータとなる。つまり、ＤＡＳ１８で収集された撮影データのエネルギー及び複数のエネルギー帯域に関するスペクトルは、実際に被検体Ｐを透過したＸ線のエネルギー及びスペクトルとは異なる。よって、Ｘ線検出器１２を構成する検出素子の応答特性（以下、検出器応答という）の影響をできるだけ少なくし、実際に被検体Ｐを透過したＸ線に関するエネルギー及びスペクトル（理想的なスペクトル）を得るために、検出器応答補正が実行される。

再構成処理機能４４３は、前処理機能４４２及び後述する補正機能４４６にて生成された補正撮影データに対して、フィルタ補正逆投影法（ＦＢＰ法：Filtered Back Projection）や逐次近似再構成法等を用いた再構成処理を行ってＣＴ画像データを生成する。

ここで、フォトンカウンティング検出器で得られるカウント結果から生成された撮影データには、被検体Ｐを透過することで減弱されたＸ線のエネルギーの情報が含まれている。このため、再構成処理機能４４３は、例えば、特定のエネルギー成分のＣＴ画像データを再構成することができる。また、再構成処理機能４４３は、複数のエネルギー成分それぞれのＣＴ画像データを再構成してもよい。

取得機能４４４は、Ｘ線検出器１２の検出素子毎に少なくとも検出器応答を含む撮影データのスペクトルを取得する。取得機能４４４は、取得部の一例である。

判定機能４４５は、取得した撮影データのスペクトルの特徴に基づいて、当該スペクトルに対して学習済みモデルを適用するか否かを判定する。スペクトルの特徴を表す特徴量は、例えば、エネルギー・ビン毎の光子のカウント値、またはスペクトルにおける全てのビンの合計のカウント値といった値を想定するが、スペクトルの特徴を表現できる値であればどのような値でもよい。判定機能４４５は、判定部の一例である。

補正機能４４６は、判定機能４４５により学習済みモデルを適用すると判定された撮影データに学習済みモデルを適用し、補正撮影データの補正スペクトルを生成する。補正機能４４６は、補正部の一例である。

表示制御機能４４７は、処理回路４４の各機能または処理における処理途中又は処理結果の情報を表示するようにディスプレイ４２を制御する処理である。表示制御機能４４７は、表示制御部の一例である。

なお、処理回路４４は、スキャン制御処理および画像処理も行う。
スキャン制御処理は、Ｘ線高電圧装置１４に高電圧を供給させて、Ｘ線管１１にＸ線を照射させるなど、Ｘ線スキャンに関する各種動作を制御する処理である。
画像処理は、入力インターフェース４３を介して操作者から受け付けた入力操作に基づいて、再構成処理機能４４３によって生成されたＣＴ画像データを公知の方法により、任意断面の断層画像データや３次元画像データに変換する処理である。
処理回路４４は、コンソール装置４０に含まれる場合に限らず、複数の医用画像診断装置にて取得されたデータに対する処理を一括して行う統合サーバに含まれてもよい。

なお、コンソール装置４０は、単一のコンソールにて複数の機能を実行するものとして説明したが、複数の機能を別々のコンソールが実行することにしても構わない。例えば、前処理機能４４２、再構成処理機能４４３等の処理回路４４の機能を分散して有しても構わない。

次に、第１の実施形態に係るＸ線ＣＴ装置１のデータ処理について図２のフローチャートを参照して説明する。図２に示すデータ処理は、１ビュー毎に行うものとする。

ステップＳ２０１では、取得機能４４４を実行することで処理回路４４が、処理対象となる撮影データ（以下、対象撮影データという）を取得する。
ステップＳ２０２では、判定機能４４５を実行することで処理回路４４が、対象撮影データに対して、学習済みモデルを適用するか否かを判定する。具体的には、判定機能４４５を実行することで処理回路４４が、対象撮影データのスペクトルの特徴に基づいて、対象撮影データが適正範囲内か否かを判定する。適正範囲内か否かの判定処理については、判定機能４４５により処理回路４４が、学習済みモデルの学習に用いたスペクトルの特徴量から対象撮影データのスペクトルの特徴量が外れた場合、対象撮影データが適正範囲内ではない（適正範囲外）と判定する。具体的な判定処理については、図６から図１１を参照して後述する。
対象撮影データが適正範囲内である場合、ステップＳ２０３に進み、対象撮影データが適正範囲外の場合、ステップＳ２０４に進む。

ステップＳ２０３では、補正機能４４６を実行することで処理回路４４が、適正範囲内である対象撮影データのスペクトルに学習済みモデルを適用し、検出器応答が補正された補正撮影データ及び補正スペクトルを生成する。
ステップＳ２０４では、前処理機能４４２を実行することで処理回路４４が、適正範囲外の対象撮影データについては学習済みモデルを適用した補正を実行せずに、逐次比較法、またはモデルを用いた解析的計算処理など一般的な補正処理により検出器応答補正を実行し、補正撮影データ及び補正スペクトルを生成する。

ステップＳ２０５では、判定機能４４５を実行することで処理回路４４が、Ｘ線検出器１２の全ての検出素子について処理したか否かを判定する。例えば、処理中の対象撮影データのチャンネル番号と撮影データに含まれるチャンネル番号の最大値とが一致すれば、全ての検出素子について処理したと判定されればよい。全ての検出素子について処理が完了している場合、ステップＳ２０６に進む。全ての検出素子について処理していない場合、次の検出素子に関する撮影データを対象撮影データとして処理すべく、ステップＳ２０１に戻り同様の処理を繰り返す。
ステップＳ２０６では、表示制御機能４４７を実行することで処理回路４４が、処理中のビューにおける補正撮影データ（及び補正スペクトル）を例えばメモリ４１に出力する。

なお、図２の処理で１つのビューについての補正処理が完了した後は、次のビューに対して図２に示す補正処理を実行すべく、ステップＳ２０１からステップＳ２０６までの処理が繰り返される。

次に、判定機能４４５が利用する学習済みモデルの生成方法について図３を参照して説明する。
図３は、学習済みモデルを生成する学習システムの一例を示すブロック図である。図３に示される医用情報処理システムは、Ｘ線ＣＴ装置１と、学習データ保管装置５０と、モデル学習装置５２とを含む。

学習データ保管装置５０は、複数の学習サンプルを含む学習用データを記憶する。例えば、学習データ保管装置５０は、大容量記憶装置が内蔵されたコンピュータである。また、学習データ保管装置５０は、コンピュータにケーブルや通信ネットワークを介して通信可能に接続された大容量記憶装置であってもよい。当該記憶装置としては、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、集積回路記憶装置等が適宜利用可能である。

モデル学習装置５２は、学習データ保管装置５０に記憶された学習用データに基づいて、モデル学習プログラムに従い機械学習モデルに機械学習を行わせることで、学習済みモデル４１１を生成する。本実施形態において、機械学習のアルゴリズムとしては、ニューラルネットワーク、ディープラーニング、カーネル回帰等を想定するが、これに限らず他の機械学習のアルゴリズムであってもよい。モデル学習装置５２は、ＣＰＵ（Central Processing Unit）及びＧＰＵ（Graphics Processing Unit）等のプロセッサを有するワークステーション等のコンピュータである。

モデル学習装置５２と学習データ保管装置５０とはケーブル、又は通信ネットワークを介して通信可能に接続されてもよい。また、学習データ保管装置５０がモデル学習装置５２に搭載されてもよい。これらの場合、学習データ保管装置５０からモデル学習装置５２へ学習用データが供給される。なお、モデル学習装置５２と学習データ保管装置５０とは通信可能に接続されてなくてもよい。この場合、学習用データが記憶された可搬型記憶媒体を介して、学習データ保管装置５０からモデル学習装置５２へ学習用データが供給される。

Ｘ線ＣＴ装置１とモデル学習装置５２とはケーブル、又は通信ネットワークを介して通信可能に接続されてもよい。モデル学習装置５２で生成された学習済みモデル４１１がＸ線ＣＴ装置１へ供給され、学習済みモデル４１１がメモリ４１に記憶される。なお、Ｘ線ＣＴ装置１とモデル学習装置５２とは、必ずしも通信可能に接続されてなくてもよい。この場合、学習済みモデル４１１が記憶された可搬型記憶媒体等を介して、モデル学習装置５２からＸ線ＣＴ装置１へ学習済みモデル４１１が供給される。

学習済みモデル４１１は、複数の関数が合成されたパラメータ付き合成関数である。パラメータ付き合成関数は、複数の調整可能な関数及びパラメータの組合せにより定義される。学習済みモデル４１１は、上記の要請を満たす如何なるパラメータ付き合成関数であってもよい。

なお、第１の実施形態に係る学習済みモデル４１１は、機械学習前の多層化ネットワーク（単にモデルともいう）をディープニューラルネットワーク（ＤＮＮ）に代表されるニューラルネットワークで機械学習させることで生成される。なお、ニューラルネットワークに限らず、学習済みモデル４１１は、サポートベクターマシンなど上述した機械学習のアルゴリズムにより機械学習させることで生成されてもよい。または、パラメータ付き合成関数ではなく、ルックアップテーブル（ＬＵＴ）により実現してもよい。

次に、モデル学習装置５２によるモデルの機械学習時の概念について図４を参照して説明する。
学習済みモデル４１１のモデル学習時には、例えば工場出荷時などにおいて、Ｘ線検出器１２を用いて実測した撮影データの実測スペクトルを入力データとし、シミュレーションによる撮影データのスペクトルについて検出器応答が補正された理想的なスペクトルを正解データとした学習用データセットが用いられる。モデル学習装置５２は、学習用データセットを用いて学習用プログラムである多層化ネットワーク４１０を機械学習させればよい。学習済みモデル４１１は、Ｘ線ＣＴ装置１のコンソール装置４０にインストールされる。また、修理時やソフトウェアのアップデート時において学習済みモデル４１１をアップデートできるようにしてもよい。

なお、学習済みモデル４１１は、Ｘ線検出器１２の検出素子毎に用意することを想定するが、隣接する検出素子のように、被検体Ｐの透過距離が略同じであると考えられる場合、共通の学習済みモデルを使ってもよい。これによって、学習済みモデルの生成負担を軽減し、メモリ４１での記憶領域を低減することができる。

次に、図４で機械学習させた学習済みモデル４１１の利用時の概念について図５を参照して説明する。
学習済みモデル４１１の利用時には、例えば、Ｘ線検出器１２を用いて実測した撮影データのスペクトルが学習済みモデル４１１に入力される。学習済みモデル４１１は、少なくともＸ線検出器１２の検出器応答が補正された補正撮影データのスペクトル（復元スペクトルともいう）を出力する。

次に、判定機能４４５において適正範囲を定める基準として用いる撮影データのスペクトル（以下、基準スペクトル）について図６を参照して説明する。
図６は、基準スペクトル６０１の概形を示す図である。縦軸は、カウント値を示し、横軸は、エネルギー帯域毎のビンを示す。基準スペクトル６０１の各ビンのカウント値６０２は、モデルを機械学習させるために用いた複数の学習用データに含まれる撮影データのカウント値のうち、各ビンにおける最大のカウント値である。すなわち、基準スペクトル６０１は、学習済みモデル４１１を機械学習させたときの撮影データの最大範囲を表す。

次に、基準スペクトルに基づき、判定機能４４５により適正範囲内であると判定される撮影データの一例について図７に示す。
図７に示す実線のスペクトルは、対象撮影データのスペクトル（対象スペクトル６０３という）である。一方、破線のスペクトルは、図６に示す基準スペクトル６０１である。図７に示すように、基準スペクトル６０１の範囲内に、対象スペクトル６０３が含まれる、言い換えると、対象スペクトル６０３の各ビンのカウント値は、基準スペクトル６０１の各ビンのカウント値６０２以内である。よって、判定機能４４５により処理回路４４が、対象撮影データは適正範囲内であると判定する。

次に、基準スペクトルに基づき、判定機能４４５により適正範囲外であると判定される撮影データの一例について図８及び図９に示す。
図８に示す例では、丸のマーカー６０５で示す対象スペクトルの右から３番目のビンのカウント値が、斜線で示す領域のカウント値の分、基準スペクトル６０１の同位置にあるビンのカウント値を上回る。よって判定機能４４５により処理回路４４が、対象撮影データは適正範囲を逸脱する、すなわち適正範囲外のデータであり、学習済みモデルを適用しないと判定する。

また、図９に示す例では、丸のマーカー６０５で示す対象スペクトルのビンが、基準スペクトルのビンには存在しない。すなわち、対象スペクトルのビン又はエネルギー方向の範囲が、基準スペクトルのビン又はエネルギー方向の範囲よりも広い。よって、図８の場合と同様に、判定機能４４５により処理回路４４が、対象撮影データは適正範囲外であり、学習済みモデルを適用しないと判定する。

なお、基準スペクトルとして、学習用データに含まれる撮影データのカウント値のうち、各ビンにおける最小のカウント値を用いて、適正範囲内か否かを判定してもよい。例えば、被検体Ｐが想定よりも大きな体型である場合、被検体Ｐを通過するＸ線が大幅に減弱し、光子のカウント値が低くなる可能性があるためである。

最小のカウント値を用いた基準スペクトルにより、対象スペクトルが適正範囲内か否かを判定する場合について、図１０及び図１１を参照して説明する。
図１０は、各ビンのカウント値として学習用データのうちの最小のカウント値を用いた場合の基準スペクトルを示す。判定機能４４５を実行することで処理回路４４が、対象スペクトルが基準スペクトル未満である場合、対象撮影データは適正範囲外と判定し、対象スペクトルが基準スペクトル以上である場合、対象撮影データは適正範囲内と判定する。

次に、最小のカウント値を用いた基準スペクトルに基づき、判定機能４４５により適正範囲外と判定される撮影データについて図１１に示す。
図１１中の丸のマーカー６０５で囲まれたビンのカウント値は、基準スペクトルの同じ位置にあるビン（同じエネルギー帯域のビン）のカウント値よりも少ないため、判定機能４４５を実行することで処理回路４４が、対象撮影データは適正範囲外であり、学習済みモデルを適用しないと判定される。

なお、図６の最大のカウント値を用いた基準スペクトルと、図１０の最小のカウント値を用いた基準スペクトルとの両方の判定処理を組み合わせて、対象スペクトルが適正範囲内であるか否かを判定してもよい。すなわち、対象スペクトルの各ビンのカウント値が、最大のカウント値を用いた第１の基準スペクトルと最小のカウント値を用いた第２の基準スペクトルとで規定される範囲内であれば、当該対象スペクトルは適正範囲内であると判定すればよい。

以上に示した第１の実施形態によれば、学習済みモデルの作成に用いた学習用データに含まれる撮影データに基づく基準スペクトルと、対象撮影データのスペクトルとを比較することで、撮影データを入力とし当該撮影データに対して検出器応答を補正した補正スペクトルを出力するように学習させた学習済みモデルを適用するか否かを判定する。当該判定により、対象撮影データのスペクトルが基準スペクトルの適正範囲内であれば、学習済みモデルを適用して検出器応答が補正された補正撮影データを出力する。一方、対象撮影データのスペクトルが基準スペクトルの適正範囲外であれば、解析的な検出器応答補正を行う。
こうすることで、対象撮影データのスペクトルが適正範囲内である場合は、学習済みモデルを用いて効率的に補正処理を実行できる。一方、学習用データの範囲を大きく逸脱するデータが入力されたような対象撮影データのスペクトルが適正範囲外である場合は、学習済みモデルを適用せず一般的な検出器応答補正を実行するため、無効なデータの生成を抑制しつつ補正撮影データの有効性を保証できる。

また、フォトンカウンティング検出器を用いる本Ｘ線ＣＴ装置１においては、被検体Ｐの骨及び水の長さの比率、Ｘ線量、管電圧の値、管電流の値などのパラメータによってスペクトルの形状が異なる。よって、検出器応答補正を一般的な解析的計算のみで計算しようとすると計算量が膨大であり、非常に時間がかかる。そこで、機械学習させたディープニューラルネットワークなどの学習済みモデルを用いることで、検出器応答補正に係る時間を大幅に短縮できる。

（第２の実施形態）
第１の実施形態では、１つの学習済みモデルを適用するか否かを判定しているが、第２の実施形態では、撮影した物質又は着目した物質などによって適用する学習済みモデルを切り換えて補正処理を実行する点が異なる。これによって、機械学習による学習済みモデルの効率化及び処理量の軽減を図ることができる。

第２の実施形態に係る学習済みモデルを切り換える場合の学習用データの分類例について図１２及び図１３を参照して説明する。
図１２は、水とカルシウムとの透過距離の対応関係を示すグラフであり、横軸が水透過距離であり、縦軸がカルシウム透過距離である。第２の実施形態では、スペクトルの特徴として、複数の物質の透過距離を用いる。図１２に示す領域６０６及び領域６０７は、学習用データの正解データを水透過距離及びカルシウム透過距離の組合せで表したプロットの集合を示す領域である。例えば、頭部と腹部とでは着目する物質の透過距離が異なると考えられる。つまり、撮影対象部位によって、図１２のグラフ上における正解データの分布が異なる。
学習済みモデルの生成方法としては、図３及び図４に示す方法を用いればよい。具体的には、例えば、撮影データのスペクトルを入力データとし、領域６０６に属する水とカルシウムとの透過距離に関するデータを正解データとした学習用データを用いて、モデルを学習することにより、領域６０６に基づく学習済みモデルと、領域６０７に基づく学習済みモデルとが生成されればよい。生成された学習済みモデルは、例えばメモリ４１に格納されればよい。

また、図１３は、カルシウムとヨウ素との透過距離の対応関係を示すグラフであり、横軸がカルシウム透過距離であり、縦軸はヨウ素透過距離である。図１３に示す領域６０８は、学習用データの正解データをカルシウム透過距離及びヨウ素透過距離の組合せで表したプロットの集合を示す領域である。
学習済みモデルの生成方法は、図１２の場合と同様に、撮影データのスペクトルを入力データとし、領域６０８に属するカルシウムとヨウ素との透過距離に関するデータを正解データとした学習用データを用いて、モデルを機械学習することにより、領域６０８に基づく学習済みモデルが生成される。生成された学習済みモデルは、例えばメモリ４１に予め格納されればよい。

第２の実施形態に係るＸ線ＣＴ装置１のデータ処理について図１４のフローチャートを参照して説明する。

ステップＳ１４０１では、取得機能４４４を実行することで処理回路４４が、撮影データを取得する。
ステップＳ１４０２では、判定機能４４５を実行することで処理回路４４が、対象撮影データのスペクトルの特徴に基づいて、対象スペクトルが適正範囲内であるか否かを判定する。対象スペクトルが適正範囲内である場合、ステップＳ１４０３に進み、対象スペクトルが適正範囲外である場合、ステップＳ１４０６に進む。

ステップＳ１４０３では、判定機能４４５を実行することで処理回路４４が、適用すべき学習済みモデルを判定する。第１の学習済みモデルを適用する場合（フローチャートのａ）、ステップＳ１４０４に進み、第２の学習済みモデルを適用する場合（フローチャートのｂ）、ステップＳ１４０５に進む。
具体的には、判定機能４４５を実行することで処理回路４４は、例えば、第１の学習済みモデルの機械学習時に用いた領域６０６に属する正解データの基準スペクトルの幅（ビン又はエネルギー方向の範囲と、ビンのカウント値の範囲との組合せ）と、第２の学習済みモデルの機械学習時に用いた領域６０７に属する撮影データの基準スペクトルの幅と、対象スペクトルとを比較し、対象スペクトルがどちらの基準スペクトルの幅に属するかを判定すればよい。判定機能４４５を実行することで処理回路４４は、基準スペクトルの幅に属すると判定された学習済みモデルを、対象スペクトルに適用すべき学習済みモデルと判定すればよい。

また、撮影対象部位により、適用する学習済みモデルが判定されてもよい。すなわち、第１の学習済みモデルが頭部の学習用データに基づき、第２の学習済みモデルが腹部の学習用データに基づいて生成される場合、判定機能４４５を実行することで処理回路４４が、撮影対象部位に関する撮影条件を参照して、撮影対象部位が頭部であれば、第１の学習済みモデルを適用すると判定し、撮影対象部位が腹部であれば、第２の学習済みモデルを適用すると判定すればよい。

さらに、対象スペクトルから、ルックアップテーブル（ＬＵＴ）等を参照して物質の透過距離を直接算出する場合には、以下のように適用すべき学習済みモデルが判定されてもよい。対象スペクトルに基づき推定される物質の透過距離の組合せが、図１２に示す透過距離の対応関係を示すグラフ上、どの領域に属するかに応じて適用する学習済みモデルを判定する。例えば、対象スペクトルに基づく透過距離の組合せが、図１２に示す領域６０６に属する場合は領域６０６に基づく学習済みモデルを適用すると判定し、領域６０７に属する場合は領域６０７に基づく学習済みモデルを適用すると判定すればよい。

さらに、例えば図１３に示す領域６０８に関し、当該領域６０８に属するデータの理想的なスペクトルを表す理想スペクトルのマスクデータ（以下、単にマスクという）を用いて適用する学習済みモデルを切り糧もよい。理想スペクトルのマスクは、例えばモデル学習時にモデル学習装置５２が学習用データから理想スペクトルのマスクを作成し、学習済みモデルと理想スペクトルのマスクとをＸ線ＣＴ装置１に送ってもよい。判定機能４４５により処理回路４４が、対象スペクトルが理想スペクトルのマスクに該当する場合、当該領域６０８に基づく学習済みモデルを適用すると判定し、対象スペクトルが理想スペクトルのマスクに該当しない場合、他の学習済みモデルを適用すると判定すればよい。

ステップＳ１４０４では、補正機能４４６を実行することで処理回路４４が、処理対象の撮影データに対して第１の学習済みモデルを適用し、補正撮影データ及び補正スペクトルを出力する。
ステップＳ１４０５では、処理対象の撮影データに対して第２の学習済みモデルを適用し、補正撮影データ及び補正スペクトルを出力する。
ステップＳ１４０６では、システム制御機能４４１を実行することで処理回路４４が、適正範囲外の撮影データについて、逐次比較処理による透過距離推定、またはモデルを用いた解析的検出器応答補正など、検出器応答補正に関する一般的な補正処理が実行される。

ステップＳ１４０７では、判定機能４４５を実行することで処理回路４４が、全ての検出素子について処理したか否かを判定する。全ての検出素子について処理が完了している場合、ステップＳ１４０８に進む。全ての検出素子について処理していない場合、次の検出素子について処理すべく、ステップＳ１４０１に戻り同様の処理を繰り返す。
ステップＳ１４０８では、表示制御機能４４７を実行することで処理回路４４が、処理中のビューにおける補正された撮影データを例えばメモリ４１に出力する。

なお、対象撮影データが領域６０６から領域６０８に割り当てられない領域に該当する場合、例えば表示制御機能４４７を実行することで処理回路４４が、対象撮影データに関する情報をユーザに提示してもよい。具体的には、例えば、対象撮影データに対応する図１２又は図１３中の領域をユーザに通知してもよい。または、例えばシステム制御機能４４１により処理回路４４が、当該領域を正解データとして新たに機械学習させ、新たな学習済みモデルを生成してもよいし、既存の学習済みモデルを更新させてもよい。

また、ステップＳ１４０２およびステップＳ１４０６の処理を行わずに、適応すべき学習済みモデルの切り換えのみを判定してもよい。

さらに、Ｘ線の管電圧が異なると、対応するスペクトルの範囲も異なるので、機械学習時における学習用データの複数の管電圧値に基づいて異なる学習済みモデルを生成しておき、対象撮影データの撮影時の管電圧値に基づいて、学習済みモデルを切り換えて対象スペクトルに適用してもよい。
または、スキャンモードを変更するなど撮影条件の変更により回転フレーム１３の回転速度が変化すると、検出される光子のカウント数も変化する。よって、スキャンモード毎に学習済みモデルを用意しておき、スキャンモードなどの撮影条件に応じて学習済みモデルを切り換えて対象スペクトルに適用してもよい。

以上に示した第２の実施形態によれば、着目する物質および撮影した物質の特性などに基づいて、複数の学習済みモデルを切り換えて対象スペクトルに適用する。これにより、学習済みモデルの生成時には所与の領域に関する学習用データで学習するため、学習箇所を限定できるため、効率よく機械学習を理想的な補正が施された撮影データを生成することができ、撮影データの有効性を保証することができる。

（第１の実施形態及び第２の実施形態の変形例）
本変形例では、スペクトルの特徴として、１ビューにおける、各スペクトルのカウントを合計したカウント合計値、つまり１つの検出素子（チャンネル）に入射する光子の総数を用いる。つまり、判定機能４４５を実行することで処理回路４４が、対象スペクトルのカウント合計値が基準スペクトルのカウント合計値以下であれば、学習済みモデルを適用すると判定すればよい。このようにすることで、スペクトルのカウント合計値が、基準スペクトルのカウント合計値を上回れば、学習用データの範囲を逸脱していることが分かり、スペクトルのビン毎のカウント値で判定する場合と同様に、適正範囲内か否かを判定することができる。

次に、金属アーチファクトに関する処理の一例について図１５を参照して説明する。図１５（ｂ）の丸のマーカー６０５で示す部分のチャンネルでは、他のチャンネルよりもカウント値が明らかに少ない。これは、例えば金属アーチファクトが発生している場合に生じる現象であり、被検体Ｐに金属が含まれていると判定することができる。
よって、判定機能４４５を実行することで処理回路４４が、閾値以下のカウント数を有するチャンネルが存在しなければ（図１５（ａ）の場合）、学習済みモデルを適用して補正撮影データを生成する。一方、判定機能４４５を実行することで処理回路４４が、閾値以下のカウント値が存在すれば（図１５（ｂ）の場合）、金属アーチファクトが発生していると判定する。その後、前処理機能４４２を実行することで処理回路４４が、当該チャンネルについて金属アーチファクトに関する補正処理（例えば、隣接するチャンネルのデータに基づく補間処理）を実行する。補正機能４４６を実行することで処理回路４４が、金属アーチファクトに関する補正処理後の撮影データに対して学習済みモデルを適用して、補正撮影データを生成する。なお、金属アーチファクトに関する補正処理後の撮影データに対して一般的な検出器応答補正が実行されてもよい。

以上に示した本変形例によれば、カウント合計値を用いて、適用する学習済みモデルを切り換えることで、スペクトルを用いて適用する学習済みモデルを切り換える場合と同様に、理想的な補正が施された撮影データを生成することができ、撮影データの有効性を保証することができる。

（第３の実施形態）
上述の実施形態に係るデータ処理は、Ｘ線ＣＴ装置１のコンソール装置４０で行われることに限らず、例えば、ワークステーションに含まれるような医用画像処理装置において実行されてもよい。

第３の実施形態に係る、データ処理を実行する医用画像処理装置を図１６のブロック図を参照して説明する。
医用画像処理装置１６００は、処理回路１６２０と、ストレージ１６４０と、通信インターフェース１６６０とを含む。また、信号のやりとりは、バス１６８０を介して行われる。

処理回路１６２０は、取得機能１６２２と、判定機能１６２４と、補正機能１６２６と、表示制御機能１６２８とを含む。取得機能１６２２と、判定機能１６２４と、補正機能１６２６と、表示制御機能１６２８とは、上述した実施形態と同様の処理を行うため、ここでの詳細な説明は省略する。
ストレージ１６４０は、例えばメモリであり、選択されたスキャン条件、学習済みモデル、参考画像、劣化画像などを記憶する。なお、ストレージ１６４０に記憶される学習済みモデルについても、上述した実施形態と同様の方法で生成されればよい。
通信インターフェース１６６０は、補正された撮影データをＸ線ＣＴ装置１に送信する。

以上に示した第３の実施形態によれば、医用画像処理装置が第１の実施形態、第２の実施形態及び変形例に示すデータ処理を実行することで、ユーザがＸ線ＣＴ装置のコンソール画面を見ながら操作する代わりに、Ｘ線ＣＴ装置と別室でデータ処理を行うこともできる。

以上説明した少なくとも１つの実施形態によれば、適切なデータを出力することができる。

なお、Ｘ線ＣＴ装置には、Ｘ線管と検出器とが一体として被検体Ｐの周囲を回転するＲｏｔａｔｅ／Ｒｏｔａｔｅ−Ｔｙｐｅ（第３世代ＣＴ）、リング状にアレイされた多数のＸ線検出素子が固定され、Ｘ線管のみが被検体Ｐの周囲を回転するＳｔａｔｉｏｎａｒｙ／Ｒｏｔａｔｅ−Ｔｙｐｅ（第４世代ＣＴ）等様々なタイプがあり、いずれのタイプでも本実施形態へ適用可能である。

なお、Ｘ線を発生させるハードウェアはＸ線管１１に限られない。例えば、Ｘ線管１１に替えて、電子銃から発生した電子ビームを集束させるフォーカスコイルと、電磁偏向させる偏向コイルと、被検体Ｐの半周を囲い偏向した電子ビームが衝突することによってＸ線を発生させるターゲットリングとを含む第５世代方式を用いてＸ線を発生させることにしても構わない。

さらに、本実施形態においては、一管球型のＸ線ＣＴ装置にも、Ｘ線管と検出器との複数のペアを回転リングに搭載した、いわゆる多管球型のＸ線ＣＴ装置にも適用可能である。
多管球型のＸ線ＣＴ装置の場合は、処理回路４４は、管球毎に上述した対応関係を作成し、最も長いＯＬＰ待ち時間に基づいて、上述の実施形態に係る表示制御処理を実行すればよい。

加えて、実施形態に係る各機能は、前記処理を実行するプログラムをワークステーション等のコンピュータにインストールし、これらをメモリ上で展開することによっても実現することができる。このとき、コンピュータに前記手法を実行させることのできるプログラムは、磁気ディスク（ハードディスクなど）、光ディスク（ＣＤ−ＲＯＭ、ＤＶＤなど）、半導体メモリなどの記憶媒体に格納して頒布することも可能である。

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 Ｘ線検出器
１３ 回転フレーム
１４ Ｘ線高電圧装置
１５ 制御装置
１６ ウェッジ
１７ コリメータ
１８ データ収集装置（ＤＡＳ）
１９ 開口（ボア）
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
４１ メモリ
４２ ディスプレイ
４３ 入力インターフェース
４４，１６２０ 処理回路
５０ 学習データ保管装置
５２ モデル学習装置
４１０ 多層化ネットワーク
４１１ 学習済みモデル
４４１ システム制御機能
４４２ 前処理機能
４４３ 再構成処理機能
４４４，１６２２ 取得機能
４４５，１６２４ 判定機能
４４６ 補正機能
４４７，１６２８ 表示制御機能
６０１ 基準スペクトル
６０２ カウント値
６０３ 対象スペクトル
６０５ マーカー
６０６〜６０８ 領域
１６００ 医用画像処理装置
１６４０ ストレージ
１６６０ 通信インターフェース
１６８０ バス

Claims (13)

1. 放射線を検出する検出素子毎に、少なくとも検出器応答を含んだ第１スペクトルを取得する取得部と、
   前記第１スペクトルの特徴に基づいて、入力されたスペクトルを補正した第２スペクトルを出力する学習済みモデルを、前記第１スペクトルに対して適用するか否かを判定する判定部と、
   を備える医用画像処理装置。
2. 前記判定部は、前記学習済みモデルの学習に用いたスペクトルの特徴量から前記第１スペクトルの特徴量が外れた場合、前記学習済みモデルを前記第１スペクトルに対して適用しないと判定する請求項１に記載の医用画像処理装置。
3. 前記判定部は、前記学習済みモデルの学習に用いたスペクトルの各ビンの最大値を、前記第１スペクトルの前記各ビンのうちの少なくとも１つが上回った場合、前記学習済みモデルを前記第１スペクトルに対して適用しないと判定する請求項１または請求項２に記載の医用画像処理装置。
4. 前記判定部は、前記学習済みモデルの学習に用いたスペクトルのビン又はエネルギー方向の範囲よりも、前記第１スペクトルのビン又はエネルギー方向の範囲が広い場合、前記学習済みモデルを前記第１スペクトルに対して適用しないと判定する請求項１から請求項３のいずれか１項に記載の医用画像処理装置。
5. 前記判定部は、前記学習済みモデルの学習に用いたスペクトルの各ビンの最小値を、前記第１スペクトルの前記各ビンのうちの少なくとも１つが下回った場合、前記学習済みモデルを前記第１スペクトルに対して適用しないと判定する請求項１から請求項４のいずれか１項に記載の医用画像処理装置。
6. 前記判定部は、前記学習済みモデルの学習に用いたスペクトルのものであって、前記検出素子に入射する光子の総数であるカウント値のうちの最大値を、前記第１スペクトルのカウント値が上回った場合、前記学習済みモデルを前記第１スペクトルに対して適用しないと判定する請求項１に記載の医用画像処理装置。
7. 前記学習済みモデルを前記第１スペクトルに対して適用すると判定された場合、前記第１スペクトルに対して前記学習済みモデルを適用して前記第２スペクトルを生成する補正部と、
   前記学習済みモデルを前記第１スペクトルに対して適用しないと判定された場合、前記学習済みモデル以外の補正手法により前記第１スペクトルを補正して前記第２スペクトルを生成する前処理部をさらに具備する請求項１から請求項６のいずれか１項に記載の医用画像処理装置。
8. 放射線を検出する検出素子毎に、少なくとも検出器応答を含んだ第１スペクトルを取得する取得部と、
   前記第１スペクトルの特徴に基づき、入力されたスペクトルを補正した第２スペクトルを出力する第１学習済みモデルと、入力されたスペクトルを補正した第２スペクトルを出力し前記第１学習済みモデルとはパラメータが異なる第２学習済みモデルとで、前記第１スペクトルに適用する学習済みモデルを判定する判定部と、
   を備える医用画像処理装置。
9. 前記判定部は、前記第１スペクトルを得たときの撮影条件に基づいて、前記第１スペクトルに適用する学習済みモデルを、前記第１学習済みモデルと前記第２学習済みモデルとの中から判定する請求項８に記載の医用画像処理装置。
10. 前記第１学習済みモデルは、複数の物質の透過距離の組合せの集合を示す第１領域に属するデータに基づいて生成され、
    前記第２学習済みモデルは、前記第１領域とは異なる第２領域に属するデータに基づく生成され、
    前記判定部は、第１スペクトルに基づく前記複数の物質の透過距離の組合せに基づいて、前記第１スペクトルに適用する学習済みモデルを、前記第１学習済みモデルと前記第２学習済みモデルとの中から判定する請求項８に記載の医用画像処理装置。
11. 前記第１学習済みモデルは、複数の物質の透過距離の組合せの集合を示す第１領域に属するデータに基づいて生成され、
    前記第２学習済みモデルは、前記第１領域以外の第２領域に属するデータに基づく生成され、
    前記判定部は、前記第１領域に基づき生成された理想スペクトルのマスクに基づき、前記第１スペクトルが前記マスクに該当する場合、前記第１学習済みモデルを適用すると判定し、前記第１スペクトルが前記マスクから外れる場合、前記第２学習済みモデルを適用すると判定する請求項８に記載の医用画像処理装置。
12. 前記第１スペクトルのデータが前記第１領域及び前記第２領域に属しない場合、当該第１スペクトルのデータに関する情報を提示する制御部をさらに具備する、請求項１０または請求項１１に記載の医用画像処理装置。
13. Ｘ線を照射するＸ線管と、
    前記Ｘ線管から照射されて被検体を透過したＸ線を検出する検出器と、
    前記検出器の検出素子毎に、少なくとも前記検出器の検出器応答を含んだ第１スペクトルを取得する取得部と、
    前記第１スペクトルの特徴に基づいて、入力されたスペクトルを補正した第２スペクトルを出力する学習済みモデルを、前記第１スペクトルに対して適用するか否かを判定する判定部と、
    を具備するＸ線ＣＴ装置。