JP2020099409A - Medical image processing apparatus, medical image diagnostic apparatus, and medical image processing method - Google Patents
Medical image processing apparatus, medical image diagnostic apparatus, and medical image processing method Download PDFInfo
- Publication number
- JP2020099409A JP2020099409A JP2018237960A JP2018237960A JP2020099409A JP 2020099409 A JP2020099409 A JP 2020099409A JP 2018237960 A JP2018237960 A JP 2018237960A JP 2018237960 A JP2018237960 A JP 2018237960A JP 2020099409 A JP2020099409 A JP 2020099409A
- Authority
- JP
- Japan
- Prior art keywords
- injection
- concentration change
- change information
- information
- drug
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 123
- 238000003672 processing method Methods 0.000 title description 2
- 238000002347 injection Methods 0.000 claims abstract description 149
- 239000007924 injection Substances 0.000 claims abstract description 149
- 230000008859 change Effects 0.000 claims abstract description 133
- 238000000034 method Methods 0.000 claims abstract description 115
- 239000003814 drug Substances 0.000 claims abstract description 39
- 210000000056 organ Anatomy 0.000 claims abstract description 38
- 229940079593 drug Drugs 0.000 claims abstract description 37
- 230000005855 radiation Effects 0.000 claims abstract description 5
- 239000002872 contrast media Substances 0.000 claims description 137
- 230000008569 process Effects 0.000 claims description 29
- 210000002216 heart Anatomy 0.000 claims description 15
- 210000004072 lung Anatomy 0.000 claims description 7
- 239000003795 chemical substances by application Substances 0.000 claims description 6
- 238000001802 infusion Methods 0.000 claims 2
- 239000000243 solution Substances 0.000 abstract 1
- 230000006870 function Effects 0.000 description 172
- 238000002591 computed tomography Methods 0.000 description 140
- 230000015654 memory Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 30
- 238000013473 artificial intelligence Methods 0.000 description 21
- 238000001514 detection method Methods 0.000 description 11
- 238000007781 pre-processing Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 8
- 210000005240 left ventricle Anatomy 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013170 computed tomography imaging Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000004217 heart function Effects 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 210000003462 vein Anatomy 0.000 description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 210000005245 right atrium Anatomy 0.000 description 2
- 210000005241 right ventricle Anatomy 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000002246 antineoplastic agent Substances 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 210000005246 left atrium Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000001147 pulmonary artery Anatomy 0.000 description 1
- 210000003492 pulmonary vein Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 229940124597 therapeutic agent Drugs 0.000 description 1
- 229940126585 therapeutic drug Drugs 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Description
本発明の実施形態は、医用画像処理装置、医用画像診断装置、及び医用画像処理方法に関する。 Embodiments of the present invention relate to a medical image processing apparatus, a medical image diagnostic apparatus, and a medical image processing method.
ＣＴ（Computed Tomography）撮影により、被検体の冠動脈等の関心領域（Region Of Interest、以下「ＲＯＩ」と表記する場合がある）を診断する際に、診断精度を向上させるために、被検体に造影剤を注入する場合がある。その際、スキャン時におけるＲＯＩに流れる造影剤の濃度に応じて、ＣＴ値が変化する。そこで、スキャン時におけるＣＴ値を推測する方法として、ＴＩ（Test Injection）法が知られている。ＴＩ法は、本スキャンを行う前に少量の造影剤を被検体に注入してスキャンを行い、ＲＯＩにおける造影剤の時間濃度曲線（Time Density Curve、以下「ＴＤＣ」と表記する場合がある）を計測することにより、本スキャン時における最大ＣＴ値（以下「ピークＣＴ値」と表記する場合がある。）及び最大ＣＴ値に到達するまでの時間（以下「ピーク時間」と表記する場合がある。）を推測する方法である。 When CT (Computed Tomography) imaging is used to diagnose a region of interest such as a coronary artery of a subject (hereinafter, sometimes referred to as “ROI”), the subject is imaged in order to improve the diagnostic accuracy. The agent may be injected. At that time, the CT value changes according to the concentration of the contrast agent flowing in the ROI during scanning. Therefore, a TI (Test Injection) method is known as a method for estimating the CT value at the time of scanning. In the TI method, a small amount of contrast agent is injected into the subject before performing the main scan and scanning is performed to obtain a time density curve (Time Density Curve, hereinafter also referred to as “TDC”) of the contrast agent in the ROI. By the measurement, the maximum CT value (hereinafter sometimes referred to as “peak CT value”) during the main scan and the time until the maximum CT value is reached (hereinafter sometimes referred to as “peak time”) may be obtained. ) Is a method of guessing.
しかし、ＴＩ法におけるスキャン時と、本スキャン時とでは、造影剤の注入量など、撮影条件に違いがあることから、ＴＩ法により計測された結果を用いても、ピークＣＴ値及びピーク時間を的確に推測することは難しい。 However, since there is a difference in the imaging conditions such as the injection amount of the contrast agent between the scan in the TI method and the main scan, the peak CT value and the peak time can be calculated even by using the results measured by the TI method. It is difficult to guess accurately.
本発明が解決しようとする課題は、ＴＩ法により計測された結果を有効に活用することである。 The problem to be solved by the present invention is to effectively utilize the results measured by the TI method.
実施形態に係る医用画像処理装置は、第１取得部と、第２取得部と、推定部とを備える。第１取得部は、第１の注入を受けた被検体に対して放射線を用いたスキャンを実行することで、前記第１の注入における薬剤の前記被検体の関心領域における濃度変化を表す第１の濃度変化情報を取得する。第２取得部は、前記薬剤が前記関心領域に到達するまでに通過する臓器の体積に関する情報を取得する。推定部は、前記第１の注入における前記薬剤の第１の注入量、前記第１の濃度変化情報、及び、前記体積に関する情報を含む入力データに基づいて、前記被検体に対する第２の注入において注入される薬剤の前記関心領域における濃度変化を表す第２の濃度変化情報、及び、前記第２の注入における薬剤の第２の注入量のうち、少なくともいずれかを推定する。 The medical image processing apparatus according to the embodiment includes a first acquisition unit, a second acquisition unit, and an estimation unit. The first acquisition unit performs a scan using radiation on the subject that has received the first injection, and thereby represents a change in the concentration of the drug in the region of interest of the subject in the first injection. Acquires the density change information of. The 2nd acquisition part acquires the information regarding the volume of the organ which the medicine passes until it reaches the region of interest. In the second injection for the subject, the estimation unit calculates the first injection amount of the drug in the first injection, the first concentration change information, and input data including information about the volume in the second injection. At least one of the second concentration change information indicating the concentration change of the drug to be injected in the region of interest and the second injection amount of the drug in the second injection is estimated.
以下に図面を参照して、医用画像処理装置及び医用画像診断装置の実施形態について詳細に説明する。なお、本願に係る医用画像処理装置及び医用画像診断装置は、以下に示す実施形態によって限定されるものではない。 Hereinafter, embodiments of a medical image processing apparatus and a medical image diagnostic apparatus will be described in detail with reference to the drawings. The medical image processing apparatus and the medical image diagnostic apparatus according to the present application are not limited to the embodiments described below.
（第１の実施形態）
まず、第１の実施形態について説明する。第１の実施形態では、医用画像診断装置をＸ線コンピュータ断層撮影（ＣＴ：Computed Tomography）装置に適用した場合の例を説明する。以下、Ｘ線ＣＴ装置と医用画像処理装置とを含む医用画像処理システムを例に挙げて説明する。
(First embodiment)
First, the first embodiment will be described. In the first embodiment, an example in which the medical image diagnostic apparatus is applied to an X-ray computed tomography (CT) apparatus will be described. Hereinafter, a medical image processing system including an X-ray CT apparatus and a medical image processing apparatus will be described as an example.
第１の実施形態においては、図１に示すようなＴＩ（Test Injection）時のＴＤＣ（Time Density Curve）に基づいて、本スキャン時のＴＤＣを推定する構成について説明する。図１は、第１の実施形態におけるＴＤＣの一例を説明するための図である。図１において、ＴＤＣの横軸は、造影剤が被検体Ｐに注入されてからの経過時間を表し、縦軸は、被検体ＰのＲＯＩ（Region Of Interest）におけるＣＴ値を表す。ＣＴ値は、被検体Ｐに流れる造影剤の濃度に対応し、単位としては、例えば、ＨＵ（Hounsfield Unit）が用いられる。なお、図１に示すＴＤＣは、時間濃度曲線の一例である。 In the first embodiment, a configuration for estimating the TDC during the main scan based on the TDC (Time Density Curve) during the TI (Test Injection) as shown in FIG. 1 will be described. FIG. 1 is a diagram for explaining an example of the TDC in the first embodiment. In FIG. 1, the horizontal axis of TDC represents the elapsed time after the contrast agent is injected into the subject P, and the vertical axis represents the CT value in the ROI (Region Of Interest) of the subject P. The CT value corresponds to the concentration of the contrast agent flowing in the subject P, and the unit is, for example, HU (Hounsfield Unit). The TDC shown in FIG. 1 is an example of a time concentration curve.
図２は、第１の実施形態におけるＲＯＩの一例を説明するための図であり、心臓の構成を示す図である。図２に示すように、第１の実施形態では、例えば、被検体Ｐの心臓の左心室を含む領域がＲＯＩに指定されるが、これに限られず、肺、脳、肝臓等のその他の臓器内の領域であってもよく、また骨等の臓器以外の部位の領域であってもよい。図２に示すように、血液は、大静脈、心臓（右心房、右心室）、肺動脈、肺、肺静脈、心臓（左心房、左心室）、大動脈、全身の器官及び組織の順に流れる。このため、被検体Ｐの静脈から注入された造影剤は、被検体Ｐの心臓の右心房及び右心室、並びに肺を通った後にＲＯＩを通過する。図１に示すように、ＴＤＣにおいて、造影剤が被検体Ｐに注入された後にＲＯＩを通過する際にＣＴ値がピーク値に達し、その後、ＣＴ値が徐々に下がる。 FIG. 2 is a diagram for explaining an example of the ROI in the first embodiment, and is a diagram showing a configuration of the heart. As shown in FIG. 2, in the first embodiment, for example, the region including the left ventricle of the heart of the subject P is designated as the ROI, but the present invention is not limited to this, and other organs such as the lung, the brain, and the liver are specified. It may be an inner region or a region other than an organ such as a bone. As shown in FIG. 2, blood flows in the order of vena cava, heart (right atrium, right ventricle), pulmonary artery, lung, pulmonary vein, heart (left atrium, left ventricle), aorta, systemic organs and tissues. Therefore, the contrast agent injected from the vein of the subject P passes through the ROI after passing through the right atrium and right ventricle of the heart of the subject P and the lungs. As shown in FIG. 1, in TDC, the CT value reaches a peak value when the contrast agent passes through the ROI after being injected into the subject P, and then the CT value gradually decreases.
例えば、図１に示すように、ＴＩ法におけるスキャン時の濃度変化情報は、ＴＤＣにおいて、ＴＩ法におけるスキャン時の注入を開始した時点ＩＴ１からＣＴ値がピーク値（ピークＣＴ値）に達するまでの時間（ピーク時間）ｔＴと、ピークＣＴ値ＰｋＴとを含む。更に、ＴＩ法におけるスキャン時の濃度変化情報は、ＴＤＣにおいて、ＣＴ値が閾値（ＣＴ値Ｐｔｈ）を超えてからピークＣＴ値ＰｋＴに達した後に閾値（ＣＴ値Ｐｔｈ）を下回るまでの通過時間ΔｔＴと当該ＣＴ値との関係を表す面積ＡｒＴを含む。ＴＩ法におけるスキャン時のピークＣＴ値ＰｋＴは、ＴＩ法におけるスキャン時の造影剤がＲＯＩに流れてきたときの造影剤の濃度のピーク値に相当する。ＴＩ法におけるスキャン時のピーク時間ｔＴは、ＴＩ法におけるスキャン時の造影剤がＲＯＩに流れてきたときに造影剤の濃度がピークＣＴ値に達するまでの時間に相当する。面積ＡｒＴは、ＴＩ法におけるスキャン時の造影剤がＲＯＩに流れてきたときの造影剤の量に相当する。なお、ＴＩ法におけるスキャン時の注入は、第１の注入の一例であり、ＴＩ法におけるスキャン時の濃度変化情報は、第１の濃度変化情報の一例である。また、ピークＣＴ値は、薬剤の濃度の最高値に関する情報の一例であり、ピーク時間は、濃度の最高値を計測した時点に関する情報の一例である。 For example, as shown in FIG. 1, the concentration change information at the time of the scan in the TI method is, in TDC, from the time IT1 when the injection at the time of the scan in the TI method is started until the CT value reaches a peak value (peak CT value). The time (peak time) tT and the peak CT value PkT are included. Further, the density change information at the time of scanning in the TI method is, in TDC, the passage time ΔtT from when the CT value exceeds the threshold value (CT value Pth) to when it reaches the peak CT value PkT and then falls below the threshold value (CT value Pth). And an area ArT representing the relationship between the CT value and the CT value. The peak CT value PkT at the time of scanning in the TI method corresponds to the peak value of the concentration of the contrast agent when the contrast agent at the time of scanning in the TI method flows into the ROI. The peak time tT during scanning in the TI method corresponds to the time until the concentration of the contrast agent reaches the peak CT value when the contrast agent during scanning in the TI method flows into the ROI. The area ArT corresponds to the amount of the contrast agent when the contrast agent at the time of scanning in the TI method flows into the ROI. The injection during scanning in the TI method is an example of first injection, and the concentration change information during scanning in the TI method is an example of first concentration change information. The peak CT value is an example of information about the maximum concentration of the drug, and the peak time is an example of information about a time point when the maximum concentration is measured.
また、例えば、図１に示すように、本スキャン時の濃度変化情報は、ＴＤＣにおいて、本スキャン時の注入を開始した時点ＩＴ１からピークＣＴ値に達するまでのピーク時間ｔＡと、ピークＣＴ値ＰｋＡとを含む。更に、本スキャン時の濃度変化情報は、ＴＤＣにおいて、ＣＴ値が閾値（ＣＴ値Ｐｔｈ）を超えてからピークＣＴ値ＰｋＡに達した後に閾値（ＣＴ値Ｐｔｈ）を下回るまでの通過時間ΔｔＡと当該ＣＴ値との関係を表す面積ＡｒＡを含む。本スキャン時のピークＣＴ値ＰｋＡは、本スキャン時の造影剤がＲＯＩに流れてきたときの造影剤の濃度のピーク値に相当する。本スキャン時のピーク時間ｔＡは、本スキャン時の造影剤がＲＯＩに流れてきたときに造影剤の濃度がピークＣＴ値に達するまでの時間に相当する。面積ＡｒＡは、本スキャン時の造影剤がＲＯＩに流れてきたときの造影剤の量に相当する。なお、本スキャン時の注入は、第２の注入の一例であり、本スキャン時の濃度変化情報は、第２の濃度変化情報の一例である。 Further, for example, as shown in FIG. 1, the concentration change information at the time of the main scan includes the peak time tA from the time IT1 at which the injection at the time of the main scan is started to the peak CT value and the peak CT value PkA in TDC. Including and Further, the density change information during the main scan is the passage time ΔtA from the time when the CT value exceeds the threshold value (CT value Pth) to the time when it reaches the peak CT value PkA and then falls below the threshold value (CT value Pth) in TDC. It includes an area ArA that represents the relationship with the CT value. The peak CT value PkA during the main scan corresponds to the peak value of the concentration of the contrast agent during the main scan when the contrast agent flows into the ROI. The peak time tA in the main scan corresponds to the time until the concentration of the contrast agent reaches the peak CT value when the contrast agent in the main scan flows into the ROI. The area ArA corresponds to the amount of the contrast agent when the contrast agent in the main scan flows into the ROI. The injection during the main scan is an example of the second injection, and the density change information during the main scan is an example of the second density change information.
上で述べたように、ＴＩ法においては、ＴＩ法におけるスキャン時のＴＤＣに基づいて、本スキャン時のＴＤＣを推定する。しかし、ＴＩ法におけるスキャン時の注入と、本スキャン時の注入とでは、造影剤の注入量が相違するため、本スキャン時の注入量を的確に推定することは難しい。また、静脈から注入される造影剤は、心臓や肺等の臓器を通過する際に、他の静脈から心臓に流れ込む血液により希釈される。このため、ある被検体におけるＴＩ法により推定された結果を、体重等が同じ条件である他の被検体に適用しようとすると、他の被検体との肺の体積等の違いにより、本スキャン時のＴＤＣが推定結果とは異なる場合がある。 As described above, in the TI method, the TDC during the main scan is estimated based on the TDC during the scan in the TI method. However, it is difficult to accurately estimate the injection amount of the main scan because the injection amount of the contrast agent differs between the injection during the scan and the injection during the main scan in the TI method. Further, the contrast medium injected from a vein is diluted with blood flowing into the heart from another vein when passing through an organ such as the heart or lung. Therefore, if an attempt is made to apply the result estimated by the TI method for a certain subject to another subject having the same body weight and the like, the difference in lung volume and the like from the other subject causes TDC may differ from the estimated result.
そこで、第１の実施形態における医用画像処理システムは、ＴＩ法において本スキャン時の濃度変化情報又は注入量を推定する際に、造影剤が被検体のＲＯＩに到達するまでに通過する臓器の体積に関する情報を用いる。具体的には、医用画像処理システムは、ＴＩ法におけるスキャン時の注入により得られた造影剤の注入量及び濃度変化情報と、被検体の臓器の体積に関する情報とを用いて生成された学習済みモデルを用いて、本スキャン時の濃度変化情報又は注入量を推定する。 Therefore, in the medical image processing system according to the first embodiment, when estimating the concentration change information or the injection amount at the time of the main scan in the TI method, the volume of the organ that the contrast agent passes before reaching the ROI of the subject. Use information about. Specifically, the medical image processing system has been learned using the information on the injection amount and the concentration change of the contrast agent obtained by the injection during the scan in the TI method and the information on the volume of the organ of the subject. The model is used to estimate the concentration change information or the injection amount during the main scan.
図３は、第１の実施形態に係る医用画像処理システムの構成の一例を示す図である。図３に示すように、第１の実施形態に係る医用画像処理システム１００は、Ｘ線ＣＴ（Computed Tomography）装置１と、画像保管装置２と、医用画像処理装置３とを備え、ネットワーク２００を介して相互に接続される。なお、図３に示す例は、あくまでも一例であり、ネットワーク２００にその他種々の装置（例えば、端末装置等）が接続される場合であってもよい。
FIG. 3 is a diagram showing an example of the configuration of the medical image processing system according to the first embodiment. As shown in FIG. 3, a medical
例えば、第１の実施形態に係るＸ線ＣＴ装置１は、図３に示すように、ネットワーク２００を介して、画像保管装置２と、医用画像処理装置３に接続される。なお、医用画像処理システム１００は、ネットワーク２００を介して、ＭＲＩ（Magnetic Resonance Imaging）装置、超音波診断装置及びＰＥＴ（Positron Emission Tomography）装置等の他の医用画像診断装置や、端末装置などにさらに接続されてもよい。また、ネットワーク２００は、院内で閉じたローカルネットワークにより構成されてもよいし、インターネットを介したネットワークにより構成されてもよい。
For example, the
画像保管装置２は、各種の医用画像診断装置によって収集された画像データを保管する。例えば、画像保管装置２は、サーバ装置等のコンピュータ機器によって実現される。本実施形態では、画像保管装置２は、ネットワーク２００を介してＸ線ＣＴ装置１から投影データやＣＴ画像データを取得し、取得した投影データやＣＴ画像データを装置内又は装置外に設けられた記憶回路に記憶させる。
The image storage device 2 stores image data collected by various medical image diagnostic devices. For example, the image storage device 2 is realized by a computer device such as a server device. In the present embodiment, the image storage device 2 acquires projection data or CT image data from the
医用画像処理装置３は、ネットワーク２００を介して各種の医用画像診断装置から画像データを取得し、取得した画像データを処理する。例えば、医用画像処理装置３は、ワークステーション等のコンピュータ機器によって実現される。本実施形態では、医用画像処理装置３は、ネットワーク２００を介してＸ線ＣＴ装置１又は画像保管装置２から投影データやＣＴ画像データを取得し、取得した投影データやＣＴ画像データに対して各種画像処理を行う。医用画像処理装置３は、画像処理を行う前又は行った後のＣＴ画像データをディスプレイ等に表示する。
The medical image processing apparatus 3 acquires image data from various medical image diagnostic apparatuses via the
Ｘ線ＣＴ装置１は、被検体のＣＴ画像データを収集する。具体的には、Ｘ線ＣＴ装置１は、被検体を略中心にＸ線管及びＸ線検出器を旋回移動させ、被検体を透過したＸ線を検出して投影データを収集する。そして、Ｘ線ＣＴ装置１は、収集した投影データに基づいて、ＣＴ画像データを生成する。
The
図４は、第１の実施形態に係るＸ線ＣＴ装置の構成の一例を示す図である。図４に示すように、第１の実施形態に係る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。
FIG. 4 is a diagram showing an example of the configuration of the X-ray CT apparatus according to the first embodiment. As shown in FIG. 4, the
ここで、図４においては、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軸方向とする。また、Ｚ軸方向に直交し、床面に対し水平である軸方向をＸ軸方向とする。また、Ｚ軸方向に直交し、床面に対し垂直である軸方向をＹ軸方向とする。なお、図４は、説明のために架台装置１０を複数方向から描画したものであり、Ｘ線ＣＴ装置１が架台装置１０を１つ有する場合を示す。
Here, in FIG. 4, the longitudinal direction of the rotary shaft of the rotary frame 13 or the top plate 33 of the
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、ＤＡＳ（Data Acquisition System）１８とを有する。
The
Ｘ線管１１は、熱電子を発生する陰極（フィラメント）と、熱電子の衝突を受けてＸ線を発生する陽極（ターゲット）とを有する真空管である。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、陰極から陽極に向けて熱電子を照射することで、被検体Ｐに対し照射するＸ線を発生する。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。
The
Ｘ線検出器１２は、Ｘ線を検出する検出素子を複数有する。Ｘ線検出器１２における各検出素子は、Ｘ線管１１から照射されて被検体Ｐを通過したＸ線を検出し、検出したＸ線量に対応した信号をＤＡＳ１８へと出力する。Ｘ線検出器１２は、例えば、Ｘ線管１１の焦点を中心とした１つの円弧に沿ってチャンネル方向（チャネル方向）に複数の検出素子が配列された複数の検出素子列を有する。Ｘ線検出器１２は、例えば、チャンネル方向に複数の検出素子が配列された検出素子列が列方向（スライス方向、roｗ方向）に複数配列された構造を有する。
The
例えば、Ｘ線検出器１２は、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。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線量に応じた光子量の光を出力するシンチレータ結晶を有する。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次元コリメータ又は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光量に応じた電気信号に変換する機能を有し、例えば、フォトダイオード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。
For example, the
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、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。例えば、回転フレーム１３は、アルミニウムを材料とした鋳物である。なお、回転フレーム１３は、Ｘ線管１１及びＸ線検出器１２に加えて、Ｘ線高電圧装置１４やウェッジ１６、コリメータ１７、ＤＡＳ１８等を更に支持することもできる。更に、回転フレーム１３は、図４において図示しない種々の構成を更に支持することもできる。
The rotating frame 13 is an annular frame that supports the
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に印加する高電圧を発生する高電圧発生装置と、Ｘ線管１１が発生する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よい。なお、Ｘ線高電圧装置１４は、回転フレーム１３に設けられてもよいし、図示しない固定フレームに設けられても構わない。
The X-ray high-
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。制御装置１５は、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。例えば、制御装置１５は、回転フレーム１３の回転や架台装置１０のチルト、寝台装置３０及び天板３３の動作等について制御を行う。一例を挙げると、制御装置１５は、架台装置１０をチルトさせる制御として、入力された傾斜角度（チルト角度）情報により、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。なお、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に設けられてもよい。
The
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は、ウェッジフィルタ（wedge filter）やボウタイフィルタ（bow-tie filter）であり、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等を加工したフィルタである。
The
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。また、図４においては、Ｘ線管１１とコリメータ１７との間にウェッジ１６が配置される場合を示すが、Ｘ線管１１とウェッジ１６との間にコリメータ１７が配置される場合であってもよい。この場合、ウェッジ１６は、Ｘ線管１１から照射され、コリメータ１７により照射範囲が制限されたＸ線を透過して減衰させる。
The
ＤＡＳ１８は、Ｘ線検出器１２が有する各検出素子によって検出されるＸ線の信号を収集する。例えば、ＤＡＳ１８は、各検出素子から出力される電気信号に対して増幅処理を行う増幅器と、電気信号をデジタル信号に変換するＡ／Ｄ変換器とを有し、検出データを生成する。ＤＡＳ１８は、例えば、プロセッサにより実現される。
The
ＤＡＳ１８が生成したデータは、回転フレーム１３に設けられた発光ダイオード（Light Emitting Diode: 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、固定フレーム等。図４での図示は省略している）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、コンソール装置４０へと転送される。ここで、非回転部分とは、例えば、回転フレーム１３を回転可能に支持する固定フレーム等である。なお、回転フレーム１３から架台装置１０の非回転部分へのデータの送信方法は、光通信に限らず、非接触型の如何なるデータ伝送方式を採用してもよいし、接触型のデータ伝送方式を採用しても構わない。
The data generated by the
寝台装置３０は、撮影対象の被検体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とを有する。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駆動機構であり、モータ及びアクチュエータ等を含む。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。
The
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。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又はコンソール装置４０の各構成要素の一部が含まれてもよい。
The
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、投影データやＣＴ画像データを記憶する。また、例えば、メモリ４１は、Ｘ線ＣＴ装置１に含まれる回路がその機能を実現するためのプログラムを記憶する。また、例えば、メモリ４１は、後に説明する学習処理に用いる学習済みモデルを記憶する。なお、メモリ４１は、Ｘ線ＣＴ装置１とネットワークを介して接続されたサーバ群（クラウド）により実現されることとしてもよい。なお、メモリ４１は、記憶部の一例である。
The
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各種の画像を表示したり、操作者から各種の操作を受け付けるためのＧＵＩ（Graphical User Interface）を表示したりする。例えば、ディスプレイ４２は、液晶ディスプレイやＣＲＴ（Cathode Ray Tube）ディスプレイである。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等で構成されることにしても構わない。なお、ディスプレイ４２は、表示部の一例である。
The
入力インターフェース４３は、操作者から各種の入力操作を受け付けて、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、ＣＴ画像データを再構成する際の再構成条件や、ＣＴ画像データ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操作者から受け付ける。
The input interface 43 receives various input operations from the operator, converts the received input operations into electric signals, and outputs the electric signals to the
例えば、入力インターフェース４３は、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック、操作面へ触れることで入力操作を行うタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、音声入力回路等により実現される。なお、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本体と無線通信可能なタブレット端末等で構成されることにしても構わない。また、入力インターフェース４３は、マウスやキーボード等の物理的な操作部品を備えるものだけに限られない。例えば、コンソール装置４０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。
For example, the input interface 43 includes a mouse, a keyboard, a trackball, a switch, a button, a joystick, a touch pad for performing an input operation by touching an operation surface, a touch screen in which a display screen and a touch pad are integrated, and an optical sensor. It is realized by the non-contact input circuit and the voice input circuit used. The input interface 43 may be provided in the
処理回路４４は、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、スキャン制御機能４４１、前処理機能４４２、画像再構成機能４４３、スキャン結果取得機能４４４、条件取得機能４４５、推定機能４４６及び表示制御機能４４７を実行する。なお、スキャン制御機能４４１は、スキャン部の一例である。スキャン結果取得機能４４４は、第１取得部の一例である。条件取得機能４４５は、第２取得部の一例である。推定機能４４６は、推定部の一例である。
The
図４に示すＸ線ＣＴ装置１においては、各処理機能がコンピュータによって実行可能なプログラムの形態でメモリ４１へ記憶されている。処理回路４４は、メモリ４１からプログラムを読み出して実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読み出した状態の処理回路４４は、読み出したプログラムに対応する機能を有することとなる。
In the
なお、図４においては、スキャン制御機能４４１、前処理機能４４２、画像再構成機能４４３、スキャン結果取得機能４４４、条件取得機能４４５、推定機能４４６及び表示制御機能４４７の各処理機能が単一の処理回路４４によって実現される場合を示したが、実施形態はこれに限られるものではない。例えば、処理回路４４は、複数の独立したプロセッサを組み合わせて構成され、各プロセッサが各プログラムを実行することにより各処理機能を実現するものとしても構わない。また、処理回路４４が有する各処理機能は、単一又は複数の処理回路に適宜に分散又は統合されて実現されてもよい。
In FIG. 4, the scan control function 441, the
以上、本実施形態に係るＸ線ＣＴ装置１の全体構成について説明した。かかる構成のもと、本実施形態に係るＸ線ＣＴ装置１は、ＴＩ法により計測された結果を有効に活用するために、以下の各処理を実行する。本実施形態に係るＸ線ＣＴ装置１では、処理回路４４は、ＴＩ法におけるスキャン時の注入において、造影剤が注入された被検体Ｐに対してＸ線を用いたスキャンを実行することで、ＴＩ法におけるスキャン時の造影剤の濃度変化を表す濃度変化情報を取得する。また、処理回路４４は、造影剤が被検体ＰのＲＯＩに到達するまでに通過する臓器の体積に関する情報を取得する。そして、処理回路４４は、取得した造影剤の注入量、濃度変化情報、及び、臓器の体積に関する情報を含む入力データに基づいて、被検体Ｐの本スキャン時における濃度変化情報又は注入量を推定する。
The overall configuration of the
次に、第１の実施形態において、処理回路４４が実行するスキャン制御機能４４１、前処理機能４４２、画像再構成機能４４３、スキャン結果取得機能４４４、条件取得機能４４５、推定機能４４６及び表示制御機能４４７の各機能について説明する。
Next, in the first embodiment, the scan control function 441, the
図５は、第１の実施形態に係る登録処理の一例を示すフローチャートである。例えば、第１の実施形態では、被検体Ｐの心臓のＣＴ撮影を行うことにより、ＴＩ法により計測された結果を有効に活用する。ＣＴ撮影は、ＴＩ法におけるスキャン時の注入のときと、本スキャン時の注入のときに、それぞれ行われる。 FIG. 5 is a flowchart showing an example of registration processing according to the first embodiment. For example, in the first embodiment, CT imaging of the heart of the subject P is performed to effectively utilize the results measured by the TI method. CT imaging is performed at the time of injection during the TI method scan and at the time of injection during the main scan, respectively.
図５のステップＳ１０１は、処理回路４４がメモリ４１からスキャン制御機能４４１に対応するプログラムを呼び出して実行されるステップである。ステップＳ１０１において、スキャン制御機能４４１は、当該被検体Ｐに対してＸ線を利用したスキャンを実行する。例えば、スキャン制御機能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、スキャンを制御する。具体的には、スキャン制御機能４４１は、入力操作に基づいて、Ｘ線高電圧装置１４に制御信号を送信することで、高電圧発生装置からの出力電圧を制御する。また、スキャン制御機能４４１は、ＤＡＳ１８に制御信号を送信することで、ＤＡＳ１８によるデータ収集を制御する。
Step S101 of FIG. 5 is a step in which the
図５のステップＳ１０２は、処理回路４４がメモリ４１から前処理機能４４２に対応するプログラムを呼び出して実行されるステップである。ステップＳ１０２において、前処理機能４４２は、ＤＡＳ１８から送信されたＸ線検出データに対して、対数変換処理や、オフセット補正、感度補正、ビームハードニング補正等の補正処理を行なうことで、投影データを生成する。なお、前処理前のデータ（検出データ）および前処理後のデータを総称して投影データと称する場合もある。
Step S102 of FIG. 5 is a step in which the
図５のステップＳ１０３は、処理回路４４がメモリ４１から画像再構成機能４４３に対応するプログラムを呼び出して実行されるステップである。ステップＳ１０３において、画像再構成機能４４３は、前処理機能４４２により生成された投影データを種々の再構成法（例えば、ＦＢＰ（Filtered Back Projection）などの逆投影法や、逐次近似法など）によって再構成することでＣＴ画像データを生成し、生成したＣＴ画像データをメモリ４１に格納する。
Step S103 of FIG. 5 is a step in which the
図５のステップＳ１０４は、処理回路４４がメモリ４１からスキャン結果取得機能４４４及び表示制御機能４４７に対応するプログラムを呼び出して実行されるステップである。ステップＳ１０４において、スキャン結果取得機能４４４は、メモリ４１に格納されたＣＴ画像データを取得する。あるいは、スキャン結果取得機能４４４は、画像再構成機能４４３により生成されたＣＴ画像データを取得する。ここで、取得したＣＴ画像データにおいて、被検体ＰのＲＯＩが指定される。例えば、表示制御機能４４７は、スキャン結果取得機能４４４により取得されたＣＴ画像データをディスプレイ４２に表示させ、ディスプレイ４２上のＣＴ画像データにおいて、ＲＯＩが指定される。以下においては、図２に示す被検体Ｐの心臓の左心室を含む領域がＲＯＩに指定されるものとする。
Step S104 of FIG. 5 is a step in which the
スキャン結果取得機能４４４は、取得したＣＴ画像データのＲＯＩに関するＣＴ値を算出する。そして、スキャン結果取得機能４４４は、ＲＯＩに関するＣＴ値を時系列にプロットした時間濃度曲線（ＴＤＣ）を生成する。例えば、表示制御機能４４７は、スキャン結果取得機能４４４により生成されたＴＤＣをディスプレイ４２に表示させる。
The scan result acquisition function 444 calculates the CT value regarding the ROI of the acquired CT image data. Then, the scan result acquisition function 444 generates a time concentration curve (TDC) in which CT values related to ROI are plotted in time series. For example, the
図５のステップＳ１０５は、処理回路４４がメモリ４１から条件取得機能４４５に対応するプログラムを呼び出して実行されるステップである。ステップＳ１０５において、条件取得機能４４５は、ＴＩ法におけるスキャン時の注入において、造影剤が被検体ＰのＲＯＩに到達するまでに通過する臓器の体積に関する情報を取得する。また、条件取得機能４４５は、ＴＩ法における造影剤の注入量に関する情報を取得する。さらに、条件取得機能４４５は、本スキャン時の注入において予定する造影剤の注入量に関する情報を取得する。なお、ＴＩ法における造影剤の注入量は、第１の注入量の一例であり、本スキャン時の注入において予定する造影剤の注入量は、第２の注入量の一例である。
Step S105 of FIG. 5 is a step in which the
条件取得機能４４５は、例えば、入力インターフェース４３を通じて、操作者から入力された被検体Ｐの臓器の体積に関する情報や、造影剤の注入量に関する情報を取得する。また、条件取得機能４４５は、例えば、被験者の体重や年齢、性別等の情報に基づいて、被検体Ｐの臓器の体積を算出してもよい。
The
図５のステップＳ１０６は、処理回路４４がメモリ４１から推定機能４４６及び表示制御機能４４７に対応するプログラムを呼び出して実行されるステップである。ステップＳ１０６において、推定機能４４６は、ＴＩ法におけるスキャン時の注入において、スキャン結果取得機能４４４により取得された濃度変化情報（ピークＣＴ値ＰｋＴ、ピーク時間ｔＴ、面積ＡｒＴ）及び条件取得機能４４５により取得された、ＴＩ法におけるスキャン時における造影剤の注入量、本スキャン時の造影剤の注入量、及び、臓器の体積に関する情報を含む入力データに基づいて、被検体Ｐへの本スキャン時における造影剤の濃度変化情報を推定する。例えば、表示制御機能４４７は、推定機能４４６が推定した結果をディスプレイ４２に表示させる。
Step S106 of FIG. 5 is a step in which the
例えば、推定機能４４６は、過去に得られたＴＩ法におけるスキャン時の造影剤の注入量及び濃度変化情報、本スキャン時の造影剤の注入量及び濃度変化情報、及び、臓器の体積に関する情報を用いた学習により、スキャン結果取得機能４４４により取得されたＴＩ法におけるスキャン時の造影剤の注入量及び濃度変化情報、並びに本スキャン時の造影剤の注入量及び臓器の体積に関する情報を含む入力データから、本スキャン時の造影剤の濃度変化情報を推定する。当該学習としては、例えば、ニューラルネットワークを基にしたＡＩ（Artificial Intelligence）を用いた学習や、機械学習等が挙げられる。また、推定機能４４６は、過去に得られたＴＩ法におけるスキャン時の造影剤の注入量及び濃度変化情報、本スキャン時の造影剤の注入量及び濃度変化情報、及び、臓器の体積に関する情報を対応付けるテーブルを参照して、入力データから、本スキャン時の造影剤の濃度変化情報を推定してもよい。
For example, the
次に、ＡＩを用いた学習により、被検体Ｐの本スキャン時の造影剤の濃度変化情報を推定する場合について説明する。被検体Ｐの本スキャン時の造影剤の濃度変化情報を推定する場合、ＡＩを用いた学習では、学習済みモデルを生成する処理と、学習済みモデルを利用する処理とが実行される。 Next, a case will be described in which the concentration change information of the contrast agent during the main scan of the subject P is estimated by learning using AI. When estimating the contrast agent concentration change information during the main scan of the subject P, in learning using AI, a process of generating a learned model and a process of using the learned model are executed.
第１の実施形態において、学習済みモデルは、図示しない装置（以下、「学習済みモデル生成装置」と表記する場合がある）で生成されて、Ｘ線ＣＴ装置１内に保管される（例えば、メモリ４１に記憶させる）。ここで、学習済みモデル生成装置は、院内の装置（例えば、図３の医用画像処理装置３）により実現してもよいし、外部の装置により実現してもよい。又は、学習済みモデルは、Ｘ線ＣＴ装置１（例えば、推定機能４４６）により生成されて、Ｘ線ＣＴ装置１内に保管されてもよい。以下、学習済みモデルが、学習済みモデル生成装置で生成されて、Ｘ線ＣＴ装置１内に保管される場合を例にして説明する。
In the first embodiment, the learned model is generated by a device (not shown) (hereinafter, may be referred to as “learned model generation device”) and stored in the X-ray CT apparatus 1 (for example, (Stored in the memory 41). Here, the learned model generation device may be realized by an in-hospital device (for example, the medical image processing device 3 in FIG. 3) or an external device. Alternatively, the learned model may be generated by the X-ray CT apparatus 1 (for example, the estimation function 446) and stored in the
図６は、第１の実施形態におけるＡＩを用いた学習の一例を説明するための図である。図６は、ＡＩを用いた深層学習（ディープラーニング）を想定したブロック図を示す。 FIG. 6 is a diagram for explaining an example of learning using AI in the first embodiment. FIG. 6 shows a block diagram assuming deep learning using AI.
学習済みモデルを生成する処理では、図６に示すように、まず、学習済みモデル生成装置は、過去に被検体に対してＸ線を利用したＴＩ法におけるスキャン及び本スキャンを実行したときに得られたデータセット５０１を入力する。データセット５０１は、過去に取得されたＴＩ法におけるスキャン時の造影剤の注入量及び濃度変化情報（ＣＴ値のＴＩ法におけるスキャン時のピークＣＴ値ＰｋＴ、ピーク時間ｔＴ、面積ＡｒＴ）、及び、本スキャン時の造影剤の注入量及び濃度変化情報（本スキャン時のピークＣＴ値ＰｋＡ、ピーク時間ｔＡ、面積ＡｒＡ）を含む。更に、データセット５０１は、例えば、過去に取得された造影剤が被検体のＲＯＩに到達するまでに通過する臓器の体積に関する情報、及び、被検体に関するその他の情報等を含む。被検体に関するその他の情報は、被検体の性別、体重、年齢、心機能指標等を含む。心機能指標としては、左室駆出分画（Ejection Fraction；ＥＦ）、１回拍出量（Stroke Volume；ＳＶ）、心拍出量（Cardiac Output；ＣＯ）等が挙げられる。なお、ＡＩ等のアルゴリズムは経験から学習していくものであるため、学習に用いられるデータセットは、同一の被検体でなくてもよい。 In the process of generating the learned model, as shown in FIG. 6, first, the learned model generating apparatus obtains the values obtained when the scan and the main scan in the TI method using X-rays are performed on the subject in the past. The input data set 501 is input. The data set 501 includes injection amount and concentration change information of the contrast agent at the time of scanning in the TI method (peak CT value PkT, peak time tT, area ArT at the time of scanning in the TI method of the CT value) acquired in the past, and The information includes the injection amount and concentration change information of the contrast agent during the main scan (peak CT value PkA during the main scan, peak time tA, area ArA). Furthermore, the data set 501 includes, for example, information regarding the volume of organs through which the contrast agent acquired in the past reaches the ROI of the subject, and other information regarding the subject. Other information about the subject includes the subject's gender, weight, age, cardiac function index, and the like. Examples of the cardiac function index include left ventricular ejection fraction (EF), stroke volume (SV), cardiac output (Cardiac Output; CO), and the like. Since the algorithm such as AI is learned from experience, the data sets used for learning do not have to be the same subject.
そして、学習済みモデル生成装置は、データセット５０１を学習用データセット５０２に加工する。学習用データセット５０２は、例えば、上で説明した通過時間ΔｔＴ、ＴＩ法における濃度変化情報に含まれるピークＣＴ値ＰｋＴと本スキャン時の濃度変化情報に含まれるピークＣＴ値ＰｋＡとの比率Ｒｐ（Ｒｐ＝ＰｋＴ／ＰｋＡ１）、ＴＩ法における濃度変化情報に含まれる面積ＡｒＴと本スキャン時の濃度変化情報に含まれる面積ＡｒＡとの比率Ｒａ（Ｒａ＝ＡｒＴ／ＡｒＡ）、臓器の体積に関する情報、及び、被検体に関するその他の情報等を含む。
Then, the learned model generation device processes the data set 501 into the learning
学習済みモデル生成装置は、ＡＩのアルゴリズムとして学習用プログラム５０３を有する。学習済みモデル生成装置は、学習用プログラム５０３を用いて、学習用データセット５０２から、本スキャン時の造影剤の濃度変化情報のパターン等を学習して、後述の入力データ５０５の入力を受けて本スキャン時の造影剤の濃度変化情報を推定する後述の出力データ５０６を出力するように機能付けられた学習済みモデル５０４を生成する。例えば、生成した学習済みモデル５０４は、Ｘ線ＣＴ装置１内に保管される（メモリ４１に記憶される）。メモリ４１内の学習済みモデル５０４は、例えば、推定機能４４６により読み出し可能である。
The learned model generation device has a
図７は、第１の実施形態における学習済みモデルを利用した処理の一例を説明するための図である。学習済みモデルを利用する処理では、図７に示すように、推定機能４４６は、被検体Ｐに対してＸ線を利用したＴＩ法におけるスキャンを実行したときに得られた入力データ５０５を入力する。入力データ５０５は、スキャン結果取得機能４４４により取得された、ＴＩ法におけるスキャン時の造影剤の注入量及び濃度変化情報（ＣＴ値のＴＩ法におけるスキャン時のピークＣＴ値ＰｋＴ、ピーク時間ｔＴ、面積ＡｒＴ）を含む。更に、入力データ５０５は、例えば、条件取得機能４４５により取得された、本スキャン時の造影剤の注入量、臓器の体積に関する情報、及び、被検体に関するその他の情報等を含む。
FIG. 7 is a diagram for explaining an example of a process using the learned model in the first embodiment. In the process of using the learned model, as shown in FIG. 7, the
そして、推定機能４４６は、メモリ４１から読み出した学習済みモデル５０４を用いて、入力データ５０５から、被検体Ｐの本スキャン時の造影剤の濃度変化情報を推定し、推定した結果を出力データ５０６として出力する。例えば、表示制御機能４４７は、出力データ５０６をディスプレイ４２に表示させる。
Then, the
なお、学習済みモデル生成装置は、被検体の情報毎に、学習済みモデル５０４を生成し、推定機能４４６は、生成した学習済みモデル５０４を利用して、入力データ５０５から、被検体Ｐの本スキャン時の造影剤の濃度変化情報を推定してもよい。例えば、学習済みモデル生成装置は、被検体の性別毎に、男性用、女性用の学習済みモデル５０４を生成し、推定機能４４６は、生成した学習済みモデル５０４を利用して、入力データ５０５から、被検体Ｐの本スキャン時の造影剤の濃度変化情報を推定してもよい。また、例えば、学習済みモデル生成装置は、被検体の性別だけでなく、被検体の体重、年齢、心機能指標毎に、学習済みモデル５０４を生成し、推定機能４４６は、生成した学習済みモデル５０４を利用して、入力データ５０５から、被検体Ｐの本スキャン時の造影剤の濃度変化情報を推定してもよい。
The learned model generation device generates a learned
また、学習済みモデル生成装置は、ＲＯＩ毎に、又は造影剤が被検体のＲＯＩに到達するまでに通過する臓器に関する情報毎に、学習済みモデル５０４を生成し、推定機能４４６は、生成した学習済みモデル５０４を利用して、入力データ５０５から、被検体Ｐの本スキャン時の造影剤の濃度変化情報を推定してもよい。例えば、学習済みモデル生成装置は、通過する臓器に関する情報毎に、心臓及び肺を通過する場合用、並びに、心臓のみを通過する場合用の学習済みモデル５０４を生成し、推定機能４４６は、生成した学習済みモデル５０４を利用して、入力データ５０５から、被検体Ｐの本スキャン時の造影剤の濃度変化情報を推定してもよい。
In addition, the learned model generation device generates a learned
なお、本実施形態では、学習済みモデル生成装置は、ＴＤＣから取得されたＴＩ法における濃度変化情報及び本スキャン時の濃度変化情報を含む入力データ５０５を入力し、入力データ５０５を学習用データセット５０２に加工し、学習用プログラム５０３を用いて、学習用データセット５０２から、本スキャン時の造影剤の濃度変化情報のパターン等を学習して、学習済みモデル５０４を生成している。しかし、これに限定されない。例えば、学習済みモデル生成装置は、ＴＤＣの形状そのものを学習させてもよい。すなわち、学習済みモデル生成装置は、ＴＤＣを含むデータセット５０１を入力し、学習用プログラム５０３を用いて、入力データ５０５から、本スキャン時の造影剤の濃度変化情報のパターン等を学習して、学習済みモデル５０４を生成してもよい。
In the present embodiment, the learned model generation apparatus inputs the
以上の説明により、第１の実施形態に係るＸ線ＣＴ装置１では、被検体Ｐの臓器の体積に関する情報を用いた推定により、ＴＩ法により計測された結果に基づいて、本スキャン時の造影剤の濃度変化情報をより的確に推定することができる。
As described above, in the
上述したように、本スキャン時の造影剤の濃度変化情報は、ＴＩ法における造影剤の注入量との違いや、被検体に関するその他の情報に加えて、造影剤が被検体のＲＯＩに到達するまでに通過する臓器の体積によってもばらつきが生じるため、ＴＩ法におけるスキャン結果に基づいて予測することが難しい。 As described above, the contrast agent concentration change information during the main scan reaches the ROI of the subject in addition to the difference from the injection amount of the contrast agent in the TI method and other information about the subject. Since variations also occur depending on the volume of organs that pass through, it is difficult to make predictions based on the scan results of the TI method.
本スキャン時の造影剤の濃度変化情報のばらつきについて説明する。図８は、第１の実施形態におけるＴＤＣの別の一例を説明するための図である。図８において、ＴＤＣ２１０ａ、２１０ｂ及び２１０ｃは、それぞれ、図１に示すようなＴＩ時のＴＤＣが得られた被検体に対する、本スキャン時における注入開始時点ＩＴ２以降の造影剤の濃度変化情報を示す。図８は、例えば、造影剤が通過する臓器の体積がそれぞれ異なる被検体ａ、ｂ及びｃに対する本スキャン時の造影剤の濃度変化情報を示す。図８に示すように、例えば、各被検体の臓器の体積がそれぞれ異なる場合、ピークＣＴ値２１２ａ、２１２ｂ及び２１２ｃ、並びにピーク時間２１１ａ、２１１ｂ及び２１１ｃはそれぞれ異なる場合がある。このような場合において、第１の実施形態に係るＸ線ＣＴ装置１では、ＴＩ法におけるスキャン結果に加えて、被検体の臓器の体積に関する情報を用いて本スキャン時の造影剤の濃度変化情報を推定することで、より的確に本スキャン時の造影剤の濃度変化情報を推定する、すなわちＴＩ法により計測された結果を有効に活用することができる。
The variation in the concentration change information of the contrast agent during the main scan will be described. FIG. 8 is a diagram for explaining another example of the TDC in the first embodiment. In FIG. 8,
（第２の実施形態）
上述した第１の実施形態では、本スキャン時の注入量に基づいて、ＴＩ法におけるスキャン結果から本スキャン時の濃度変化情報を推定する場合について説明した。第２の実施形態では、本スキャン時に期待される濃度変化情報に基づいて、ＴＩ法におけるスキャン結果から本スキャン時の注入量を推定する場合について説明する。第２の実施形態に係るＸ線ＣＴ装置１は、図４に示したＸ線ＣＴ装置１と同様の構成を有し、条件取得機能４４５及び推定機能４４６による処理の一部が相違する。以下、第１の実施形態において説明した構成と同様の構成を有する点については、図４と同一の符号を付し、説明を省略する。なお、以下においても、第１の実施形態と同様に、図２に示す被検体Ｐの心臓の左心室を含む領域がＲＯＩに指定されるものとする。
(Second embodiment)
In the above-described first embodiment, the case has been described in which the concentration change information at the main scan is estimated from the scan result in the TI method based on the injection amount at the main scan. In the second embodiment, a case will be described in which the injection amount in the main scan is estimated from the scan result in the TI method based on the concentration change information expected in the main scan. The
図５のステップＳ１０５において、条件取得機能４４５は、ＴＩ法におけるスキャン時の注入における造影剤の注入量に関する情報、及び、造影剤が被検体ＰのＲＯＩに到達するまでに通過する臓器の体積に関する情報を取得する。また、条件取得機能４４５は、本スキャン時において目標とする造影剤の濃度変化情報に関する情報を取得する。例えば、条件取得機能４４５は、本スキャン時において目標とする造影剤の濃度の最高値に関する情報、又は、目標とする濃度の最高値に到達するまでの時間に関する情報を取得する。
In step S105 of FIG. 5, the
図５のステップＳ１０６において、推定機能４４６は、ＴＩ法におけるスキャン時の注入において、スキャン結果取得機能４４４により取得された濃度変化情報（ピークＣＴ値ＰｋＴ、ピーク時間ｔＴ、面積ＡｒＴ）及び条件取得機能４４５により取得された、ＴＩ法における造影剤の注入量、本スキャン時において目標とする造影剤の濃度変化情報、及び、臓器の体積に関する情報を含む入力データに基づいて、被検体Ｐへの本スキャン時において、目標とする造影剤の濃度変化情報を得るために必要な造影剤の注入量を推定する。例えば、表示制御機能４４７は、推定機能４４６が推定した結果をディスプレイ４２に表示させる。
In step S106 of FIG. 5, the
次に、第２の実施形態において、ＡＩを用いた学習により、本スキャン時の造影剤の注入量を推定する場合について説明する。本実施形態においても、ＡＩを用いた学習では、学習済みモデルを生成する処理と、学習済みモデルを利用する処理とが実行される。 Next, a case will be described in which the injection amount of the contrast agent at the time of the main scan is estimated by learning using AI in the second embodiment. Also in the present embodiment, in learning using AI, a process of generating a learned model and a process of using the learned model are executed.
第２の実施形態においても、学習済みモデルは、図示しない学習済みモデル生成装置で生成されてもよい。又は、学習済みモデルは、Ｘ線ＣＴ装置１（例えば、推定機能４４６）により生成されて、Ｘ線ＣＴ装置１内に保管されてもよい。以下、第１の実施形態と同様に、学習済みモデルが、学習済みモデル生成装置で生成されて、Ｘ線ＣＴ装置１内に保管される場合を例にして説明する。
Also in the second embodiment, the learned model may be generated by a learned model generation device (not shown). Alternatively, the learned model may be generated by the X-ray CT apparatus 1 (for example, the estimation function 446) and stored in the
図９は、第２の実施形態におけるＡＩを用いた学習の一例を説明するための図である。図９は、図６と同様に、ＡＩを用いた深層学習を想定したブロック図を示す。 FIG. 9 is a diagram for explaining an example of learning using AI in the second embodiment. Similar to FIG. 6, FIG. 9 shows a block diagram assuming deep learning using AI.
第２の実施形態における学習済みモデルを生成する処理では、図９に示すように、第１の実施形態における学習済みモデルを生成する処理と同様のデータセット５０１を入力する。学習済みモデル生成装置は、データセット５０１を学習用データセット５１２に加工する。学習用データセット５１２は、例えば、第１の実施形態における学習用データセット５０２と同様の情報であってもよい。
In the process of generating the learned model in the second embodiment, as shown in FIG. 9, the same data set 501 as the process of generating the learned model in the first embodiment is input. The learned model generation device processes the data set 501 into a learning
第２の実施形態における学習済みモデル生成装置は、ＡＩのアルゴリズムとして、学習用プログラム５１３を有する。学習済みモデル生成装置は、学習用プログラム５１３を用いて、学習用データセット５０２から、本スキャン時の造影剤の濃度変化情報と造影剤の注入量との関係等を学習して、後述の入力データ５１５の入力を受けて本スキャン時の造影剤の注入量を推定する後述の出力データ５１６を出力するように機能付けられた学習済みモデル５１４を生成する。なお、第２の実施形態においても、学習済みモデル生成装置は、被検体の情報毎に、又はＲＯＩ毎に、学習済みモデル５１４を生成し、推定機能４４６は、生成した学習済みモデル５１４を利用して、入力データ５１５から、被検体Ｐの本スキャン時に必要な造影剤の注入量を推定してもよい。
The learned model generation device according to the second embodiment has a
図１０は、第２の実施形態における学習済みモデルを利用した処理の一例を示す図である。学習済みモデルを利用する処理では、図１０に示すように、推定機能４４６は、被検体Ｐに対してＸ線を利用したＴＩ法におけるスキャンを実行したときに得られた入力データ５１５を入力する。第２の実施形態において、入力データ５１５は、スキャン結果取得機能４４４により取得された、ＴＩ法におけるスキャン時の造影剤の注入量及び濃度変化情報（ＴＩ法におけるスキャン時のピークＣＴ値ＰｋＴ、ピーク時間ｔＴ、面積ＡｒＴ）を含む。更に、入力データ５１５は、例えば、条件取得機能４４５により取得された、本スキャン時に期待される造影剤の濃度変化情報、臓器の体積に関する情報、及び、被検体に関するその他の情報等を含む。
FIG. 10 is a diagram illustrating an example of processing using a learned model according to the second embodiment. In the process of using the learned model, as shown in FIG. 10, the
そして、推定機能４４６は、メモリ４１から読み出した学習済みモデル５１４を用いて、入力データ５１５から、被検体Ｐの本スキャン時に必要な造影剤の注入量を推定し、推定した結果を出力データ５１６として出力する。例えば、表示制御機能４４７は、出力データ５１６をディスプレイ４２に表示させる。
Then, the
なお、本実施形態においても、学習済みモデル生成装置は、ＴＤＣの形状そのものを学習させてもよい。すなわち、学習済みモデル生成装置は、過去に得られた、本スキャン時におけるＴＤＣを含むデータセット５０１を入力し、学習用プログラム５１３を用いて、データセット５０１から、本スキャン時の造影剤の濃度変化情報と造影剤の注入量との関係等を学習して、学習済みモデル５１４を生成してもよい。
Note that, also in the present embodiment, the learned model generation device may learn the TDC shape itself. That is, the learned model generation apparatus inputs the data set 501 including TDC obtained during the main scan obtained in the past, and uses the
以上説明したように、第２の実施形態に係るＸ線ＣＴ装置１は、ＴＩ法により計測された結果に基づいて、本スキャン時の造影剤の注入量をより的確に推定することができる。
As described above, the
なお、本実施形態において取得する本スキャン時の造影剤の濃度変化情報は、例えばピークＣＴ値ＰｋＡや、ＲＯＩを流れる造影剤の量に相当する面積ＡｒＡであるが、これに限られない。例えば、第２の実施形態に係る条件取得機能４４５は、本スキャン時に目標とするＣＴ値（以下において「目標ＣＴ値」と表記する場合がある）等の目標とする濃度変化情報を取得してもよい。なお、目標ＣＴ値は、濃度の目標値の一例である。
Note that the concentration change information of the contrast agent during the main scan acquired in the present embodiment is, for example, the peak CT value PkA or the area ArA corresponding to the amount of the contrast agent flowing through the ROI, but is not limited to this. For example, the
また、本実施形態における推定機能４４６は、例えば目標ＣＴ値に到達するために必要な造影剤の注入量を推定するが、これに限られない。例えば、推定機能４４６は、注入開始時点ＩＴ２から目標ＣＴ値に到達するまでの時間や、目標ＣＴ値に到達するための注入時間や、注入する造影剤の濃度等を推定してもよい。
Further, the
（第３の実施形態）
上述した第２の実施形態では、ＴＩ法におけるスキャン結果から本スキャン時の注入量を推定する際に、単一の学習済みモデルを用いる場合について説明した。第３の実施形態では、本スキャン時の造影剤の注入量ごとに生成された学習済みモデルを用いて、造影剤の注入量ごとに本スキャン時の濃度変化情報を推定する場合について説明する。第３の実施形態に係るＸ線ＣＴ装置１も、図４に示したＸ線ＣＴ装置１と同様の構成を有し、条件取得機能４４５及び推定機能４４６による処理の一部が相違する。以下、第１の実施形態において説明した構成と同様の構成を有する点については、図４と同一の符号を付し、説明を省略する。なお、以下においても、第１の実施形態と同様に、図２に示す被検体Ｐの心臓の左心室を含む領域がＲＯＩに指定されるものとする。
(Third Embodiment)
In the second embodiment described above, a case has been described in which a single learned model is used when estimating the injection amount in the main scan from the scan result in the TI method. In the third embodiment, a case will be described in which the learned model generated for each injection amount of the contrast agent at the main scan is used to estimate the concentration change information at the main scan for each injection amount of the contrast agent. The
図５のステップＳ１０５において、条件取得機能４４５は、ＴＩ法におけるスキャン時の注入における造影剤の注入量、及び、造影剤が被検体ＰのＲＯＩに到達するまでに通過する臓器の体積に関する情報を取得する。なお、条件取得機能４４５は、本スキャン時において期待される造影剤の濃度変化情報に関する情報を取得してもよい。
In step S105 of FIG. 5, the
図５のステップＳ１０６において、推定機能４４６は、ＴＩ法におけるスキャン時の注入において、スキャン結果取得機能４４４により取得された濃度変化情報（ピークＣＴ値ＰｋＴ、ピーク時間ｔＴ、面積ＡｒＴ）及び条件取得機能４４５により取得された、ＴＩ法における造影剤の注入量、及び、臓器の体積に関する情報を含む入力データに基づいて、本スキャン時の造影剤の注入量ごとに、本スキャン時の造影剤の濃度変化情報を推定する。例えば、表示制御機能４４７は、推定機能４４６が推定した結果をディスプレイ４２に表示させる。なお、図５のステップＳ１０５において、条件取得機能４４５が、本スキャン時において期待される造影剤の濃度変化情報に関する情報を取得した場合、推定機能４４６は、本スキャン時の造影剤の注入量ごとに推定された濃度変化情報と、期待される造影剤の濃度変化情報に関する情報との合致度を算出してもよい。
In step S106 of FIG. 5, the
次に、第３の実施形態において、ＡＩを用いた学習により、本スキャン時の造影剤の注入量を推定する場合について説明する。本実施形態においても、ＡＩを用いた学習では、学習済みモデルを生成する処理と、学習済みモデルを利用する処理とが実行される。以下、第１の実施形態と同様に、学習済みモデルが、学習済みモデル生成装置で生成されて、Ｘ線ＣＴ装置１内に保管される場合を例にして説明する。
Next, a case will be described in which the injection amount of the contrast agent at the time of the main scan is estimated by learning using AI in the third embodiment. Also in the present embodiment, in learning using AI, a process of generating a learned model and a process of using the learned model are executed. Hereinafter, similar to the first embodiment, a case where the learned model is generated by the learned model generation device and stored in the
図１１は、第３の実施形態におけるＡＩを用いた学習の一例を説明するための図である。図１１は、図６と同様に、ＡＩを用いた深層学習を想定したブロック図を示す。 FIG. 11 is a diagram for explaining an example of learning using AI in the third embodiment. FIG. 11 shows a block diagram assuming deep learning using AI, similar to FIG.
第３の実施形態における学習済みモデルを生成する処理では、図１１に示すように、まず、学習済みモデル生成装置は、過去に被検体に対してＸ線を利用したＴＩ法におけるスキャン及び本スキャンを実行したときに得られたデータセット６０１及び６１１を入力する。データセット６０１及び６１１は、過去に取得されたＴＩ法におけるスキャン時の造影剤の注入量及び濃度変化情報（ＣＴ値のＴＩ法におけるスキャン時のピークＣＴ値ＰｋＴ、ピーク時間ｔＴ、面積ＡｒＴ）、及び、本スキャン時の濃度変化情報（本スキャン時のピークＣＴ値ＰｋＡ、ピーク時間ｔＡ、面積ＡｒＡ）が、本スキャン時の造影剤の注入量ごとに分類されたデータを含む。例えば、図１１の（ａ）に示すデータセット６０１は、本スキャン時の造影剤の注入量が「１０ｍｌ」である、過去に被検体に対してＸ線を利用したＴＩ法におけるスキャン及び本スキャンを実行したときに得られたデータを含む。また、例えば、図１１の（ｂ）に示すデータセット６１１は、本スキャン時の造影剤の注入量が「１２ｍｌ」である、過去に被検体に対してＸ線を利用したＴＩ法におけるスキャン及び本スキャンを実行したときに得られたデータを含む。また、データセット６０１及び６１１は、第１の実施形態におけるデータセット５０１と同様に、例えば、過去に取得された造影剤が被検体のＲＯＩに到達するまでに通過する臓器の体積に関する情報、及び、被検体に関するその他の情報等を含む。 In the process of generating the learned model in the third embodiment, as shown in FIG. 11, first, the learned model generating device scans and scans in the TI method using X-rays on the subject in the past. Input the data sets 601 and 611 obtained when executing. The data sets 601 and 611 are information on the injection amount and concentration change information of the contrast agent at the time of scanning in the TI method (peak CT value PkT at the time of scanning in the TI method of CT value, peak time tT, area ArT), Also, the density change information (peak CT value PkA, peak time tA, area ArA at the main scan) at the main scan includes data classified by the injection amount of the contrast agent at the main scan. For example, the data set 601 shown in FIG. 11A shows a scan and a main scan in the TI method using X-rays on the subject in the past, in which the injection amount of the contrast agent at the main scan is “10 ml”. Contains the data obtained when executing Further, for example, the data set 611 shown in FIG. 11B shows that the injection amount of the contrast agent at the time of the main scan is “12 ml” and the scan in the TI method using X-rays in the past on the subject and It contains the data obtained when the main scan was performed. Further, the data sets 601 and 611 are, for example, similar to the data set 501 in the first embodiment, information regarding the volume of an organ that a contrast agent acquired in the past passes before reaching the ROI of the subject, and , And other information related to the subject.
そして、学習済みモデル生成装置は、データセット６０１を学習用データセット６０２に加工し、データセット６１１を学習用データセット６１２に加工する。学習用データセット６０２及び６１２に含まれる情報は、例えば学習用データセット５０２に含まれる情報と同様であってもよい。
Then, the learned model generation device processes the data set 601 into the learning
学習済みモデル生成装置は、ＡＩのアルゴリズムとして複数の学習用プログラム６０３及び６１３を有する。学習済みモデル生成装置は、学習用プログラム６０３を用いて、学習用データセット６０２から、本スキャン時の造影剤の濃度変化情報のパターン等を学習して、後述の入力データ６０５の入力を受けて本スキャン時の造影剤の濃度変化情報を推定する後述の出力データ６０６を出力するように機能付けられた学習済みモデル６０４を生成する。同様に、学習済みモデル生成装置は、学習用プログラム６１３を用いて、学習用データセット６１２から、本スキャン時の造影剤の濃度変化情報のパターン等を学習して、後述の入力データ６１５の入力を受けて本スキャン時の造影剤の濃度変化情報を推定する後述の出力データ６１６を出力するように機能付けられた学習済みモデル６１４を生成する。例えば、生成した複数の学習済みモデル６０４及び６１４は、Ｘ線ＣＴ装置１内に保管される（メモリ４１に記憶される）。メモリ４１内の複数の学習済みモデル６０４及び６１４は、例えば、推定機能４４６により読み出し可能である。なお、学習用プログラム６０３及び６１３は、同一の学習用プログラムであってもよい。
The learned model generation device has a plurality of learning
なお、図１１では、本スキャン時の造影剤の注入量が「１０ｍｌ」と「１２ｍｌ」の２つの学習済みモデルを生成する場合について説明したが、後述する学習済みモデル６２４を含む、３以上の学習済みモデルを生成してもよい。また、本スキャン時の造影剤の注入量は、例えば「９ｍｌ以上１１ｍｌ未満」のように、特定の範囲を含むデータであってもよい。なお、第３の実施形態においても、学習済みモデル生成装置は、被検体の情報毎に、又はＲＯＩ毎に、複数の学習済みモデル６０４及び６１４を生成し、推定機能４４６は、生成した複数の学習済みモデル６０４及び６１４を利用して、入力データ６０５から、被検体Ｐの本スキャン時に必要な造影剤の注入量を推定してもよい。
Note that, in FIG. 11, a case has been described in which two learned models in which the injection amount of the contrast agent at the time of the main scan is “10 ml” and “12 ml” are generated, but three or more models including a learned
図１２は、第３の実施形態における学習済みモデルを利用した処理の一例を示す図である。学習済みモデルを利用する処理では、図１２に示すように、推定機能４４６は、被検体Ｐに対してＸ線を利用したＴＩ法におけるスキャンを実行したときに得られた入力データ６０５を入力する。第３の実施形態において、入力データ６０５は、スキャン結果取得機能４４４により取得された、ＴＩ法におけるスキャン時の造影剤の注入量及び濃度変化情報（ＴＩ法におけるスキャン時のピークＣＴ値ＰｋＴ、ピーク時間ｔＴ、面積ＡｒＴ）を含む。更に、入力データ５１５は、例えば、条件取得機能４４５により取得された、臓器の体積に関する情報、及び、被検体に関するその他の情報等を含む。
FIG. 12 is a diagram illustrating an example of a process using the learned model in the third embodiment. In the process using the learned model, as shown in FIG. 12, the
そして、推定機能４４６は、メモリ４１から読み出した複数の学習済みモデル６０４、６１４及び６２４を用いて、入力データ６０５から、各学習済みモデルに対応する注入量ごとに、ピークＣＴ値等の濃度変化情報を推定し、推定した結果を出力データ６０６、６１６及び６２６として出力する。例えば、表示制御機能４４７は、学習済みモデル６０４による出力データ６０６として、造影剤の注入量「１０ｍｌ」及びピークＣＴ値「２８０ＨＵ」、学習済みモデル６１４による出力データ６１６として、造影剤の注入量「１２ｍｌ」及びピークＣＴ値「３１０ＨＵ」、及び学習済みモデル６２４による出力データ６２６として、造影剤の注入量「１４ｍｌ」及びピークＣＴ値「３２０ＨＵ」を含む画面をディスプレイ４２に表示させる。これにより、操作者は最適なピークＣＴ値に対応する造影剤の注入量を選択することができる。
Then, the
なお、例えば、条件取得機能４４５が、目標ＣＴ値を取得した場合、推定機能４４６は、目標ＣＴ値を満たす出力データを特定してもよい。例えば、目標ＣＴ値が「３００ＨＵ」である場合、推定機能４４６は、目標ＣＴ値を上回る出力データとして、出力データ６１６及び６２６を特定する。そして、推定機能４４６は、各出力データのうち、対応する造影剤の注入量が最も少ない出力データ６１６を、目標ＣＴ値を満たす出力データを特定してもよい。この場合、例えば、表示制御機能４４７は、学習済みモデル６１４による出力データ６１６に含まれるピークＣＴ値「３１０ＨＵ」、及び、当該学習済みモデル６１４に対応する造影剤の注入量「１２ｍｌ」を含む画面をディスプレイ４２に表示させる。
Note that, for example, when the
なお、本実施形態においても、学習済みモデル生成装置は、ＴＤＣの形状そのものを学習させてもよい。すなわち、学習済みモデル生成装置は、過去に得られた、本スキャン時におけるＴＤＣを含むデータセット６０１及び６１１を入力し、学習用プログラム６０３及び６１３を用いて、データセット６０１及び６１１から学習済みモデル６０４及び６１４を生成してもよい。この場合において、例えば、条件取得機能４４５が、本スキャン時の造影剤がＲＯＩに流れてきたときの造影剤の量に相当する面積ＡｒＡについて期待される形状を取得した場合、推定機能４４６は、出力データ６０６、６１６及び６２６に含まれる面積ＡｒＡの形状と、期待される形状との合致度を算出してもよい。
Note that, also in the present embodiment, the learned model generation device may learn the TDC shape itself. That is, the learned model generation apparatus inputs the datasets 601 and 611 including TDCs obtained during the main scan obtained in the past, and uses the
以上説明したように、第３の実施形態に係るＸ線ＣＴ装置１は、ＴＩ法により計測された結果に基づいて、本スキャン時において最適な造影剤の注入量を特定することができる。
As described above, the
（第４の実施形態）
これまで第１乃至第３の各実施形態について説明したが、上述した各実施形態以外にも、種々の異なる形態にて実施されてよいものである。
(Fourth Embodiment)
Although the first to third embodiments have been described so far, the embodiments may be implemented in various different forms other than the above-described embodiments.
上述した実施形態では、モダリティ装置としてＸ線ＣＴ装置１を例にして説明したが、ＣＴ撮影だけでなく、造影剤を用いて撮影するＭＲＩ装置等のモダリティ装置にも適用することができる。
In the embodiment described above, the
また、上述した実施形態では、Ｘ線ＣＴ装置１が各種処理を実行する場合について説明した。しかしながら、実施形態はこれに限定されるものではなく、例えば、医用画像処理装置３において各種処理が実行される場合であってもよい。図１３は、第４の実施形態に係る医用画像処理装置の構成の一例を示す図である。
Moreover, in the above-mentioned embodiment, the case where the
例えば、図１３に示すように、医用画像処理装置３は、入力インターフェース３１０と、ディスプレイ３２０と、記憶回路３３０と、処理回路３４０とを有する。
For example, as shown in FIG. 13, the medical image processing apparatus 3 has an
入力インターフェース３１０は、種々の設定などを行うためのトラックボール、スイッチボタン、マウス、キーボード、操作面へ触れることで入力操作を行うタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、及び音声入力回路等によって実現される。
The
入力インターフェース３１０は、処理回路３４０に接続されており、操作者から受け付けた入力操作を電気信号に変換して処理回路３４０に出力する。なお、本明細書において入力インターフェース３１０は、マウス、キーボードなどの物理的な操作部品を備えるものだけに限られない。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３４０へ出力する処理回路も入力インターフェースの例に含まれる。
The
ディスプレイ３２０は、処理回路３４０に接続され、処理回路３４０から出力される各種情報及び各種画像データを表示する。例えば、ディスプレイ３２０は、液晶モニタやＣＲＴ（Cathode Ray Tube）モニタ、タッチパネル等によって実現される。例えば、ディスプレイ３２０は、操作者の指示を受け付けるためのＧＵＩ（Graphical User Interface）や、種々の表示画像、処理回路３５０による種々の処理結果（例えば、散布図や、解析画像など）を表示する。
The
記憶回路３３０は、処理回路３４０に接続され、各種データを記憶する。例えば、記憶回路３３０は、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子や、ハードディスク、光ディスク等によって実現される。例えば、記憶回路３３０は、Ｘ線ＣＴ装置１又は画像保管装置２から受信したＣＴ画像データなどを記憶する。また、記憶回路３３０は、処理回路３４０によって実行される各処理機能に対応するプログラムを記憶する。
The storage circuit 330 is connected to the processing circuit 340 and stores various data. For example, the storage circuit 330 is realized by a semiconductor memory device such as a RAM (Random Access Memory) or a flash memory, a hard disk, an optical disk, or the like. For example, the storage circuit 330 stores CT image data or the like received from the
処理回路３４０は、入力インターフェース３１０を介して操作者から受け付けた入力操作に応じて、医用画像処理装置３が有する各構成要素を制御する。例えば、処理回路３４０は、プロセッサによって実現される。本実施形態では、処理回路３４０は、入力インターフェース３１０から出力されるＣＴ画像データを記憶回路３３０に記憶させる。また、処理回路３４０は、記憶回路３３０からＣＴ画像データを読み出し、ディスプレイ３２０に表示する。
The processing circuit 340 controls each component included in the medical image processing apparatus 3 according to an input operation received from an operator via the
そして、処理回路３５０は、図１３に示すように、制御機能３４１、画像再構成機能３４３、スキャン結果取得機能３４４、推定機能３４６及び表示制御機能３４７を実行する。制御機能３４１は、医用画像処理装置３００の全体を制御する。なお、画像再構成機能３４３は、上述した画像再構成機能４４３と同様の処理を実行する。スキャン結果取得機能３４４は、上述したスキャン結果取得機能４４４と同様の処理を実行する。条件取得機能３４５は、上述した条件取得機能４４５と同様の処理を実行する。推定機能３４６は、上述した推定機能４４６と同様の処理を実行する。表示制御機能３４７は、上述した表示制御機能４４７と同様の処理を実行する。
Then, as shown in FIG. 13, the processing circuit 350 executes the control function 341, the
上述した実施形態では、Ｘ線ＣＴ装置１及び医用画像処理装置３による独立した処理について説明した。しかしながら、実施形態はこれに限定されるものではなく、Ｘ線ＣＴ装置１と医用画像処理装置３とが協働する医用画像処理システムとして機能する場合であってもよい。かかる場合には、Ｘ線ＣＴ装置１によって収集されたＣＴ画像データが、医用画像処理装置３に転送され、医用画像処理装置３において、種々の処理が実行される。
In the embodiment described above, the independent processing by the
上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ、ＧＰＵ（Graphics Processing Unit）、あるいは、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）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等の回路を意味する。プロセッサは、メモリ４１又は記憶回路３３０に保存さ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。
The word “processor” used in the above description is, for example, a CPU, a GPU (Graphics Processing Unit), an application specific integrated circuit (ASIC), a programmable logic device (for example, a simple programmable logic device ( A circuit such as a Simple Programmable Logic Device (SPLD), a Complex Programmable Logic Device (CPLD), and a Field Programmable Gate Array (FPGA)). The processor realizes the function by reading and executing the program stored in the
なお、図４においては、単一のメモリ４１が各処理機能に対応するプログラムを記憶するものとして説明した。また、図１３においては、単一の記憶回路３３０が各処理機能に対応するプログラムを記憶するものとして説明した。しかしながら、実施形態はこれに限定されるものではない。例えば、複数のメモリ４１を分散して配置するとともに、処理回路４４が個別のメモリ４１から対応するプログラムを読み出す構成としても構わない。また、例えば、複数の記憶回路３３０を分散して配置するとともに、処理回路３４０が個別の記憶回路３３０から対応するプログラムを読み出す構成としても構わない。また、メモリ４１又は記憶回路３３０にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成しても構わない。この場合、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。
In FIG. 4, the
また、処理回路４４及び処理回路３４０は、ネットワークを介して接続された外部装置のプロセッサを利用して、機能を実現することとしてもよい。例えば、処理回路４４は、メモリ４１から各機能に対応するプログラムを読み出して実行するとともに、Ｘ線ＣＴ装置１とネットワークＮＷを介して接続された外部のワークステーションやクラウドを計算資源として利用することにより、図４に示す各機能を実現する。また、例えば、処理回路３４０は、記憶回路３３０から各機能に対応するプログラムを読み出して実行するとともに、医用画像処理装置３とネットワークＮＷを介して接続された外部のワークステーションやクラウドを計算資源として利用することにより、図１３に示す各機能を実現する。
Further, the
上述した実施形態に係る各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。即ち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。更に、各装置にて行われる各処理機能は、その全部又は任意の一部が、ＣＰＵ及び当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現されうる。 Each component of each device according to the above-described embodiment is functionally conceptual, and does not necessarily have to be physically configured as illustrated. That is, the specific form of distribution/integration of each device is not limited to that shown in the figure, and all or part of the device may be functionally or physically distributed/arranged in arbitrary units according to various loads and usage conditions. It can be integrated and configured. Furthermore, all or arbitrary parts of the processing functions performed by each device may be realized by a CPU and a program that is analyzed and executed by the CPU, or may be realized as hardware by a wired logic.
また、上述した実施形態で説明した制御方法は、予め用意された制御プログラムをパーソナルコンピュータやワークステーション等のコンピュータで実行することによって実現することができる。この制御プログラムは、インターネット等のネットワークを介して配布することができる。また、この制御プログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ−ＲＯＭ、ＭＯ、ＤＶＤ等のコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することもできる。 Further, the control method described in the above-described embodiment can be realized by executing a control program prepared in advance on a computer such as a personal computer or a workstation. This control program can be distributed via a network such as the Internet. The control program can also be executed by being recorded in a computer-readable recording medium such as a hard disk, a flexible disk (FD), a CD-ROM, an MO, or a DVD, and being read from the recording medium by the computer.
以上説明した少なくとも１つの実施形態によれば、ＴＩ法により計測された結果を有効に活用することができる。 According to at least one embodiment described above, the results measured by the TI method can be effectively used.
また、ＴＩ法における造影剤の濃度変化情報に基づいて、本スキャン時の造影剤の濃度変化情報を推定する構成について説明したが、実施の形態はこれに限られない。例えば、ＴＩ法におけるＣＴ値がＲＯＩにおける造影剤の濃度に相当することに着目して、推定機能４４６は、ＴＩ法における濃度変化情報に基づいて、造影剤以外の検査薬や治療薬等の薬剤の濃度を推定してもよい。また、例えば、ＴＩ法におけるＴＤＣのグラフが示す面積ＡｒＴ及び本スキャン時のＴＤＣのグラフが示す面積ＡｒＡが、ＲＯＩにおける造影剤の量に相当することに着目して、推定機能４４６は、ＴＩ法における濃度変化情報に基づいて、造影剤以外の検査薬や治療薬等の薬剤の量を推定してもよい。これにより、抗がん剤やがんマーカといったその他の薬剤の投与量の推定など、造影剤の濃度変化情報や注入量の推定以外の用途にも、ＴＩ法により計測された結果を有効に活用することができる。
Further, the configuration for estimating the contrast agent concentration change information during the main scan based on the contrast agent concentration change information in the TI method has been described, but the embodiment is not limited to this. For example, paying attention to the fact that the CT value in the TI method corresponds to the concentration of the contrast agent in the ROI, the estimating
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。 Although some embodiments of the present invention have been described, these embodiments are presented as examples and are not intended to limit the scope of the invention. These embodiments can be implemented in various other forms, and various omissions, replacements, and changes can be made without departing from the spirit of the invention. The embodiments and their modifications are included in the scope of the invention and the scope of the invention, and are also included in the scope of the invention described in the claims and the scope of equivalents thereof.
１ Ｘ線ＣＴ装置
３ 医用画像処理装置
３４１ 制御機能
３４３ 画像再構成機能
３４４ スキャン結果取得機能
３４５ 条件取得機能
３４６ 推定機能
３４７ 表示制御機能
４４１ スキャン制御機能
４４２ 前処理機能
４４３ 画像再構成機能
４４４ スキャン結果取得機能
４４５ 条件取得機能
４４６ 推定機能
４４７ 表示制御機能
1 X-ray CT apparatus 3 Medical image processing apparatus 341
Claims (15)
前記薬剤が前記関心領域に到達するまでに通過する臓器の体積に関する情報を取得する第２取得部と、
前記第１の注入における前記薬剤の第１の注入量、前記第１の濃度変化情報、及び、前記体積に関する情報を含む入力データに基づいて、前記被検体に対する第２の注入において注入される薬剤の前記関心領域における濃度変化を表す第２の濃度変化情報、及び、前記第２の注入における薬剤の第２の注入量のうち、少なくともいずれかを推定する推定部と
を備える医用画像処理装置。 By performing a scan using radiation on the subject that has received the first injection, the first concentration change information indicating the concentration change of the drug in the region of interest of the subject in the first injection is acquired. A first acquisition unit that
A second acquisition unit that acquires information regarding the volume of an organ that the drug passes through before reaching the region of interest;
A drug injected in the second injection into the subject based on input data including a first injection amount of the drug in the first injection, the first concentration change information, and information about the volume. 2. The medical image processing apparatus, comprising: second concentration change information indicating a concentration change in the region of interest, and an estimation unit that estimates at least one of a second injection amount of the drug in the second injection.
前記第２の注入における薬剤として、前記造影剤又はその他の薬剤が注入される、請求項１に記載の医用画像処理装置。 A contrast agent is injected as a drug in the first injection,
The medical image processing apparatus according to claim 1, wherein the contrast agent or another agent is injected as the agent in the second injection.
前記推定部は、前記第１の注入量、前記第１の濃度変化情報、前記体積に関する情報、及び、前記第２の注入量に関する情報を含む入力データに基づいて、前記第２の濃度変化情報を推定する、請求項１又は２に記載の医用画像処理装置。 The second acquisition unit further acquires information regarding a second injection amount of a drug scheduled for the second injection,
The estimator, based on input data including the first injection amount, the first concentration change information, the volume information, and the second injection amount information, the second concentration change information. The medical image processing apparatus according to claim 1, wherein the medical image processing apparatus estimates.
前記推定部は、前記第２の濃度変化情報として、前記第２の注入において予想される薬剤の濃度の最高値に関する情報、及び、予想される前記濃度の最高値に到達する時点に関する情報のうち、少なくともいずれかを推定する、請求項３に記載の医用画像処理装置。 The first acquisition unit uses, as the first concentration change information, information regarding the maximum value of the concentration of the drug measured in the first injection and information regarding the time point when the maximum concentration is measured. , Get at least one,
The estimation unit uses, as the second concentration change information, information regarding the maximum value of the concentration of the drug expected in the second infusion and information regarding the time point when the maximum value of the concentration expected is reached. The medical image processing apparatus according to claim 3, wherein at least one of them is estimated.
前記推定部は、記憶された前記学習済みモデルのうち、前記関心領域を含む部位に対応する学習済みモデルを用いて、前記第２の濃度変化情報を推定する、請求項３又は４に記載の医用画像処理装置。 Generated by learning using at least the first injection amount, the first concentration change information, the second concentration change information, the second injection amount, and the volume information obtained in the past. Further comprising a storage unit that stores a learned model for estimating the second concentration change information from the input data for each part,
The said estimation part estimates the said 2nd density|concentration change information using the learned model corresponding to the site|part containing the said region of interest among the said learned models memorize|stored, The 3rd or 4th aspect. Medical image processing device.
前記推定部は、前記第１の注入量、前記第１の濃度変化情報、前記体積に関する情報、及び、前記目標とする第２の濃度変化情報を含む入力データに基づいて、前記第２の注入量を推定する、請求項１又は２に記載の医用画像処理装置。 The second acquisition unit further acquires target second concentration change information in the second injection,
The estimation unit is configured to perform the second injection based on the input data including the first injection amount, the first concentration change information, the volume information, and the target second concentration change information. The medical image processing apparatus according to claim 1, which estimates the amount.
前記第２取得部は、前記目標とする第２の濃度変化情報として、前記第２の注入において目標とする前記薬剤の濃度の最高値に関する情報、及び、目標とする前記濃度の最高値に到達する時点に関する情報のうち、少なくともいずれかを取得する、請求項６に記載の医用画像処理装置。 The first acquisition unit uses, as the first concentration change information, information regarding the maximum value of the concentration of the drug measured in the first injection and information regarding the time point when the maximum concentration is measured. , Get at least one,
The second acquisition unit, as the target second concentration change information, reaches the target maximum concentration value of the drug in the second infusion, and reaches the target maximum concentration value. The medical image processing apparatus according to claim 6, wherein at least one of the information regarding the time point to be acquired is acquired.
前記推定部は、記憶された前記学習済みモデルのうち、前記関心領域を含む部位に対応する学習済みモデルを用いて、前記第２の注入量を推定する、請求項６又は７に記載の医用画像処理装置。 Generated by learning using at least the first injection amount, the first concentration change information, the second concentration change information, the second injection amount, and the volume information obtained in the past. Further comprising a storage unit that stores, for each part, a learned model that is used to estimate the second concentration change information from the input data,
The medical device according to claim 6, wherein the estimation unit estimates the second injection amount by using a learned model corresponding to a region including the region of interest among the stored learned models. Image processing device.
前記推定部は、前記第２の濃度変化情報として、前記複数の学習済みモデルにより推定された複数の前記第２の濃度変化情報を推定する、請求項１又は２に記載の医用画像処理装置。 The input data is obtained by learning using the first injection amount, the first concentration change information, the second injection amount, the second concentration change information, and the volume information obtained in the past. Further comprising a storage unit that stores the plurality of learned models that are different for each of the input second injection amounts and that estimates the second concentration change information from
The medical image processing apparatus according to claim 1, wherein the estimation unit estimates, as the second density change information, a plurality of the second density change information estimated by the plurality of learned models.
前記推定部は、前記複数の学習済みモデルのうち、目標とする前記第２の濃度変化情報に最も合致する学習済みモデルを特定し、当該学習済みモデルに対応する前記第２の注入量を、前記第２の注入量として推定する、請求項９に記載の医用画像処理装置。 The second acquisition unit further acquires the target second concentration change information in the second injection,
The estimation unit identifies a learned model that most matches the target second concentration change information from the plurality of learned models, and determines the second injection amount corresponding to the learned model, The medical image processing apparatus according to claim 9, which is estimated as the second injection amount.
前記推定部は、記憶された前記複数の学習済みモデルのうち、前記関心領域を含む部位に対応する学習済みモデルを用いて、複数の前記第２の濃度変化情報を推定する、請求項９又は１０に記載の医用画像処理装置。 The storage unit stores the plurality of learned models for each part,
The estimation unit estimates a plurality of the second density change information items using a learned model corresponding to a region including the region of interest among the stored learned models. 10. The medical image processing apparatus according to item 10.
前記スキャンを実行することで、前記第１の注入における薬剤の前記被検体の関心領域における濃度変化を表す第１の濃度変化情報を取得する第１取得部と、
前記薬剤が前記関心領域に到達するまでに通過する臓器の体積に関する情報を取得する第２取得部と、
前記第１の注入における前記薬剤の第１の注入量、前記第１の濃度変化情報、及び、前記体積に関する情報を含む入力データに基づいて、前記被検体に対する第２の注入において注入される薬剤の前記関心領域における濃度変化を表す第２の濃度変化情報、及び、前記第２の注入における薬剤の第２の注入量のうち、少なくともいずれかを推定する推定部と
を備える医用画像診断装置。 A scan unit that performs a scan using radiation on the subject that has received the first injection;
A first acquisition unit that acquires the first concentration change information indicating the concentration change of the drug in the region of interest of the subject by performing the scan,
A second acquisition unit that acquires information regarding the volume of an organ that the drug passes through before reaching the region of interest;
A drug injected in the second injection into the subject based on input data including a first injection amount of the drug in the first injection, the first concentration change information, and information about the volume. 2. A medical image diagnostic apparatus comprising: second concentration change information indicating a concentration change in the region of interest, and an estimation unit that estimates at least one of a second injection amount of a drug in the second injection.
前記薬剤が前記関心領域に到達するまでに通過する臓器の体積に関する情報を取得し、
前記第１の注入における前記薬剤の第１の注入量、前記第１の濃度変化情報、及び、前記体積に関する情報を含む入力データに基づいて、前記被検体に対する第２の注入において注入される薬剤の前記関心領域における濃度変化を表す第２の濃度変化情報、及び、前記第２の注入における薬剤の第２の注入量のうち、少なくともいずれかを推定する
処理をコンピュータが実行する、医用画像処理方法。 By performing a scan using radiation on the subject that has received the first injection, the first concentration change information indicating the concentration change of the drug in the region of interest of the subject in the first injection is acquired. Then
Obtaining information about the volume of the organ that the drug passes through to reach the region of interest,
A drug injected in the second injection into the subject based on input data including a first injection amount of the drug in the first injection, the first concentration change information, and information about the volume. Medical image processing in which a computer executes a process of estimating at least one of second concentration change information indicating a concentration change in the region of interest and a second injection amount of the drug in the second injection. Method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018237960A JP7313818B2 (en) | 2018-12-20 | 2018-12-20 | MEDICAL IMAGE PROCESSING APPARATUS, MEDICAL IMAGE DIAGNOSTIC APPARATUS, AND MEDICAL IMAGE PROCESSING METHOD |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018237960A JP7313818B2 (en) | 2018-12-20 | 2018-12-20 | MEDICAL IMAGE PROCESSING APPARATUS, MEDICAL IMAGE DIAGNOSTIC APPARATUS, AND MEDICAL IMAGE PROCESSING METHOD |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020099409A true JP2020099409A (en) | 2020-07-02 |
| JP7313818B2 JP7313818B2 (en) | 2023-07-25 |
Family
ID=71139055
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018237960A Active JP7313818B2 (en) | 2018-12-20 | 2018-12-20 | MEDICAL IMAGE PROCESSING APPARATUS, MEDICAL IMAGE DIAGNOSTIC APPARATUS, AND MEDICAL IMAGE PROCESSING METHOD |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7313818B2 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2022018415A (en) * | 2020-07-15 | 2022-01-27 | キヤノンメディカルシステムズ株式会社 | Medical data processing device and method |
| KR20220029173A (en) * | 2020-09-01 | 2022-03-08 | 고려대학교 산학협력단 | Method and device for the prediction of dosage of sleep inducer using deep learning |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003245275A (en) * | 2001-12-20 | 2003-09-02 | Toshiba Corp | X-ray computerized tomographic apparatus |
| JP2014138870A (en) * | 2006-12-29 | 2014-07-31 | Bayer Medical Care Inc | Patient-based parameter generation systems for medical injection procedures |
| JP2015033578A (en) * | 2013-07-11 | 2015-02-19 | 株式会社東芝 | X-ray ct apparatus, x-ray ct system and injector |
| JP2015213633A (en) * | 2014-05-12 | 2015-12-03 | 株式会社根本杏林堂 | Injection protocol setting device, chemical injection device and medical system |
| JP2017018457A (en) * | 2015-07-14 | 2017-01-26 | 株式会社根本杏林堂 | Image processing method, image processing program, image processing apparatus, and image processing system |
| JP2017064370A (en) * | 2015-09-29 | 2017-04-06 | キヤノン株式会社 | Image processing device, and method and program for controlling image processing device |
| JP2018130231A (en) * | 2017-02-14 | 2018-08-23 | 株式会社根本杏林堂 | Injection protocol generator, injection device and imaging device comprising the generator, injection protocol generation method, and injection protocol generation program |
-
2018
- 2018-12-20 JP JP2018237960A patent/JP7313818B2/en active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003245275A (en) * | 2001-12-20 | 2003-09-02 | Toshiba Corp | X-ray computerized tomographic apparatus |
| JP2014138870A (en) * | 2006-12-29 | 2014-07-31 | Bayer Medical Care Inc | Patient-based parameter generation systems for medical injection procedures |
| JP2015033578A (en) * | 2013-07-11 | 2015-02-19 | 株式会社東芝 | X-ray ct apparatus, x-ray ct system and injector |
| JP2015213633A (en) * | 2014-05-12 | 2015-12-03 | 株式会社根本杏林堂 | Injection protocol setting device, chemical injection device and medical system |
| JP2017018457A (en) * | 2015-07-14 | 2017-01-26 | 株式会社根本杏林堂 | Image processing method, image processing program, image processing apparatus, and image processing system |
| JP2017064370A (en) * | 2015-09-29 | 2017-04-06 | キヤノン株式会社 | Image processing device, and method and program for controlling image processing device |
| JP2018130231A (en) * | 2017-02-14 | 2018-08-23 | 株式会社根本杏林堂 | Injection protocol generator, injection device and imaging device comprising the generator, injection protocol generation method, and injection protocol generation program |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2022018415A (en) * | 2020-07-15 | 2022-01-27 | キヤノンメディカルシステムズ株式会社 | Medical data processing device and method |
| KR20220029173A (en) * | 2020-09-01 | 2022-03-08 | 고려대학교 산학협력단 | Method and device for the prediction of dosage of sleep inducer using deep learning |
| KR102481888B1 (en) | 2020-09-01 | 2022-12-28 | 고려대학교 산학협력단 | Method and device for the prediction of dosage of sleep inducer using deep learning |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7313818B2 (en) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10163209B2 (en) | Medical image processing apparatus, medical image processing method, and X-ray CT apparatus | |
| US9968318B2 (en) | Estimating apparatus, X-ray diagnosis apparatus, and estimating method | |
| US11341638B2 (en) | Medical image diagnostic system and method for generating trained model | |
| JP7341803B2 (en) | X-ray CT equipment, medical image processing equipment, and X-ray CT systems | |
| JP7348376B2 (en) | Medical processing equipment, X-ray CT system and processing program | |
| WO2017213150A1 (en) | X-ray ct apparatus | |
| JP7313818B2 (en) | MEDICAL IMAGE PROCESSING APPARATUS, MEDICAL IMAGE DIAGNOSTIC APPARATUS, AND MEDICAL IMAGE PROCESSING METHOD | |
| JP7160659B2 (en) | Medical information processing apparatus, medical information processing system, and medical information processing method | |
| JP6466057B2 (en) | Medical diagnostic imaging equipment | |
| JP7242410B2 (en) | MEDICAL IMAGE PROCESSING APPARATUS, X-RAY CT APPARATUS, AND LEARNING DATA GENERATION METHOD | |
| JP2018089364A (en) | Medical image processing apparatus, X-ray CT apparatus and medical image processing program | |
| JP2017217460A (en) | Medical information processor, x-ray ct apparatus, and medical information processing program | |
| US11596374B2 (en) | X-ray diagnostic apparatus and medical-information processing apparatus | |
| US20210196221A1 (en) | Medical image processing apparatus, recording medium, and system | |
| JP2020096757A (en) | Medical image processing device, medical image diagnostic device and image processing program | |
| JP7362322B2 (en) | X-ray CT system and medical processing equipment | |
| JP2018064715A (en) | Medical image diagnostic apparatus | |
| US20240225582A1 (en) | Medical image processing apparatus, medical image processing method, and storage medium | |
| JP7321846B2 (en) | X-ray CT system and medical processing equipment | |
| JP7139156B2 (en) | X-ray CT device | |
| JP7513494B2 (en) | X-ray CT scanner | |
| JP7144230B2 (en) | Medical information processing device, medical image diagnostic device and program | |
| JP7473313B2 (en) | Medical image processing device, medical image processing method, and medical image processing program | |
| US20240127450A1 (en) | Medical image processing apparatus and non-transitory computer readable medium | |
| JP7362259B2 (en) | Medical image diagnosis device, medical image diagnosis method, and bed device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210921 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220831 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220906 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221102 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230207 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230323 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230613 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230712 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7313818 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |