JP5199541B2 - 放射線断層撮影装置 - Google Patents

Description

本発明は、医療用Ｘ線ＣＴ（Computed Tomography）装置などにおいて、各種スキャンの断層像における各部位、各臓器または各組織（以下、各部位と略す）にセグメンテーションされた領域ごとに画質を最適化して画質改善を実現する放射線断層撮影装置に関する。

従来、放射線断層撮影装置の一つであるＸ線ＣＴ装置は、Ｘ線ＣＴ装置の断層像を画像再構成する際に各画素を独立にして扱っていた。つまり、部位を意識せず全体の断層像の画質が最適になるように処理されてきた。例えば、胸部の断層像を画像再構成する場合には、心臓、肺野、骨などを含めた胸部全体の画質がよくなるようにあらかじめ設定された画像再構成関数で再構成されている。そのため、骨を診断したい場合には、さらに骨の画質がよくなるようにフィルタをかけたり、再度、別の画像再構成関数で画像再構成したりしていた。
特開２００５−３３４２３０号公報

しかし、断層像の全体の断層像の画質がよいのではなく、断層像に含まれる部位ごとに画質を最適化した断層像を得たいという要求は大きくなっている。
そこで、本発明の目的は、放射線断層撮影装置の撮影において、各部位として認識されたセグメンテーション領域ごとに画質を最適化できるようにすることである。

本発明は、画像再構成された断層像、またはz方向に連続した断層像からなる三次元画像、またはその三次元ＭＰＲ画像、または時系列に連続してz方向に連続した断層像からなる四次元画像において、各部位を二次元または三次元または四次元の連続領域として抽出し、各部位として認識した後にその各部位の領域を最適な画質にするように再構成関数または画像フィルタを用いて画質の最適化を行うことを特徴とする放射線断層撮影装置を提供することで上記課題を解決する。

第１の観点では、本発明の放射線断層撮影装置は、放射線を照射して被検体の所定領域を透過した投影データを収集し、断層像を表示するため画像再構成を行う。そして、放射線断層撮影装置は、一度画像再構成された所定領域中の各画素の画質に依存させて、所定領域から少なくとも第１部位と第２部位とを認識する部位認識手段と、所定領域を第１の再構成関数で画像再構成した第１の断層像から第１部位の断層像を抽出し、所定領域を第２の再構成関数で画像再構成した第２の断層像から、第２部位の断層像を抽出し、抽出された第１部位の断層像と第２部位の断層像とを組み合わせて画像再構成する画像再構成手段とを有する。
この第１の観点における放射線断層撮影装置では、各部位として認識した後に、各部位として最適な画質にするために再構成関数をその部位の求められる再構成関数にすることで画質を最適化することができる。この場合に複数の再構成関数で断層像を複数種類分、画像再構成しておき、認識した各部位ごとに断層像の一部をマスクして抽出し、抽出された部位を組み合わせることにより、各部位が最適な画質の断層像を画像再構成できる。

第２の観点では、本発明の放射線断層撮影装置は、放射線を照射して被検体の所定領域を透過した投影データを収集し、断層像を表示するため画像再構成を行う。そして、放射線断層撮影装置は、一度画像再構成された所定領域中の各画素の画質に依存させて、所定領域から少なくとも第１部位と第２部位とを認識するセグメント認識手段と、第１の再構成関数で画像再構成した第１部位の領域と、第２の再構成関数で画像再構成した第２部位の領域とを合わせて画像再構成する画像再構成手段とを有する。
この第２の観点における放射線断層撮影装置では、各部位として認識した後に、各部位が最適な画質になるために再構成関数をその部位の求められる再構成関数にすることで画質を最適化することができる。この場合に認識された各部位としての最適な再構成関数で画像再構成を行い最適な断層像を組み合わせることにより、各部位が最適な画質の断層像を画像再構成できる。

第３の観点では、本発明の放射線断層撮影装置は、画像再構成手段は、一度画像再構成する際に一度変換された投影データを再利用して、再度、再構成関数重畳を行う。
この第３の観点における放射線断層撮影装置では、画像再構成で行う再構成関数重畳処理においては、一度目に画像再構成された際の再構成関数重畳時に、一旦周波数領域に変換されたＸ線投影データを再利用して、再度、再構成関数重畳を行う。これにより、２度目以降の再構成関数重畳が効率良く行える。

第４の観点では、本発明の放射線断層撮影装置は、一度画像再構成する際の再構成関数と前記第１又は前記第２の再構成関数との差分を重畳して再構成関数重畳を行う。
この第４の観点における放射線断層撮影装置では、画像再構成で行う再構成関数重畳処理においては、一度目に画像再構成された際の再構成関数重畳時に、一旦周波数領域に変換されたＸ線投影データを再利用して、再度、再構成関数重畳を行うことができる。この際に、二度目以降の再構成関数と一度目の再構成関数との差分を求めておき、Ｘ線投影データにその差分の再構成関数を重畳し、逆投影した差分の断層像を一度目の画像再構成の断層像に加算することで、二度目以降の画像再構成した断層像が得られる。これにより、二度目以降の画像再構成が効率良く行える。

第５の観点では、本発明の放射線断層撮影装置は、放射線を照射して被検体の所定領域を透過した投影データを収集し、断層像を表示するため画像再構成を行う。そして、放射線断層撮影装置は、一度画像再構成された所定領域中の各画素の画質に依存させて、所定領域から少なくとも第１部位と第２部位とを認識する部位認識手段と、第１及び第２の画像フィルタ処理を行った断層像よりセグメント領域ごとに断層像の一部を抽出して、抽出された領域を組み合わせて断層像を画像再構成する画像再構成手段とを有する。
この第５の観点における放射線断層撮影装置では、各部位を認識した後に、各部位として最適な画質にするために画像フィルタをその部位の求められる画像フィルタにすることで画質を最適化することができる。この場合に複数の画像フィルタで断層像を複数種類分、画像フィルタ処理しておき、各部位として認識させたセグメント領域ごとに断層像の一部をマスクして抽出し、抽出された各セグメント領域を組み合わせることにより各部位が最適な画質の断層像を画像再構成できる。

第６の観点では、本発明の放射線断層撮影装置は、放射線を照射して被検体の所定領域を透過した投影データを収集し、断層像を表示するため画像再構成を行う。そして、放射線断層撮影装置は、一度画像再構成された所定領域中の各画素の画質に依存させて、所定領域から少なくとも第１部位と第２部位とを認識する部位認識手段と、第１部位に第１画像フィルタ処理を行い、記第２部位に第２画像フィルタ処理を行い、画像再構成する画像再構成手段とを有する。
この第６の観点における放射線断層撮影装置では、各部位として認識した後に、各部位として最適な画質にするために画像フィルタをその部位の求められる画像フィルタにすることで画質を最適化することができる。この場合にセグメント領域ごとに認識された各部位としての最適な画像フィルタで画像フィルタ処理を行い、各セグメント領域の最適な断層像を組み合わせることにより各部位が最適な画質の断層像を画像再構成できる。

第７の観点では、本発明の放射線断層撮影装置は、部位認識手段が局所領域の画像特徴量を用いる。
この第７の観点における放射線断層撮影装置では、部位として認識する際に、局所領域の画像特徴量を用いることにより、各画素およびその近傍領域の画質が変化する際に画像特徴量値が変化する。これにより画質の変化を検出でき、部位として認識でき、各部位が最適な画質の断層像を画像再構成できる。

第８の観点では、本発明の放射線断層撮影装置は、局所領域の画像特徴量が、画素のＣＴ値、ＣＴ値の標準偏差、又はＣＴ値の平均値、最大値、最小値、中間値、１次微分値もしくは２次微分値のうち少なくとも１つを含む。
この第８の観点における放射線断層撮影装置では、第７の観点における画像特徴量が、画素のＣＴ値、ＣＴ値の標準偏差、ＣＴ値の平均値または最大値または最小値または中間値、１次微分値、２次微分値のうち少なくとも１つを用いることにより画質の変化を検出できる。これにより、各セグメント領域を部位として認識でき、各部位が最適な画質の断層像を画像再構成できる。

第９の観点では、本発明の放射線断層撮影装置は、部位認識手段は、連続領域を抽出する領域番号付処理を用いる。
この第９の観点における放射線断層撮影装置では、各部位として認識する際には、領域番号付（ラベリング）処理を用いて部位の候補を抽出する。これにより、部位として認識でき、各部位が最適な画質の断層像を画像再構成できる。

第１０の観点では、本発明の放射線断層撮影装置は、部位認識手段は、領域番号付処理された領域の幾何学的特徴量を用いて認識する。
この第１０の観点における放射線断層撮影装置では、第９の観点における領域番号付（ラベリング）処理は、領域番号付処理された領域の幾何学的特徴量を求め、あらかじめ求められているまたは知られている各部位としての特徴量と比較し、最も似ている部位、つまり特徴量空間（特徴量のマハラノビス空間）において最も近い部位をその部位として認識することができる。これにより部位として認識でき、各部位が最適な画質の断層像を画像再構成できる。

第１１の観点では、本発明の放射線断層撮影装置は、幾何学的特徴量は、体積もしくは画素数、表面積、平均画素値、画素値和（ＣＴ値和、濃度和）、画素値標準偏差、x，y，z方向フェレ径、楕円体率、球形度、ｘｙ平面面積率、ｙｚ平面面積率、xz平面面積率、三次元１次モーメント、三次元２次モーメントのうち少なくとも１つを含む。
この第１１の観点における放射線断層撮影装置では、第１０の観点における幾何学的特徴量は、体積（画素数）、表面積、平均画素値、画素値和（ＣＴ値和、濃度和）、画素値標準偏差、x，y，z方向フェレ径、楕円体率、球形度、ｘｙ平面面積率、ｙｚ平面面積率、xz平面面積率、三次元１次モーメント、三次元２次モーメントのうち少なくとも１つを含む。これにより、各部位の位置が決まり、これらの間の距離（マハラノビス空間上の距離）が求められる。この距離の大小でどの部位か、もしくはどの部位に近いかがわかる。これにより部位として認識でき、各部位が最適な画質の断層像を画像再構成できる。

第１２の観点では、本発明の放射線断層撮影装置は、領域番号付処理は、三次元画像に含まれる二次元画像より連続領域を抽出する二次元領域番号付処理である。
この第１２の観点における放射線断層撮影装置では、二次元の断層像または二次元のＭＰＲ画像においては、二次元領域番号付（ラベリング）処理により、各セグメント領域を抽出できる。これにより、各セグメント領域を部位として認識でき、各部位が最適な画質の断層像を画像再構成できる。

第１３の観点では、本発明の放射線断層撮影装置は、領域番号付処理が三次元画像より連続領域を抽出する三次元領域番号付処理である。
この第１３の観点における放射線断層撮影装置では、z方向に連続した断層像による三次元画像においては、三次元領域番号付（ラベリング）処理により、各セグメント領域を抽出できる。これにより、各セグメント領域を部位として認識でき、各部位が最適な画質の断層像を画像再構成できる。

第１４の観点では、本発明の放射線断層撮影装置は、領域番号付処理が時系列に連続した四次元画像より連続領域を抽出する四次元領域番号付処理である。
この第１４の観点における放射線断層撮影装置では、時系列になったz方向に連続した断層像による四次元画像においては、四次元領域番号付（ラベリング）処理により、各セグメント領域を抽出できる。これにより、各セグメント領域を部位として認識でき、各部位が最適な画質の断層像を画像再構成できる。

第１５の観点では、本発明の放射線断層撮影装置は、各部位の最適な画質をあらかじめ設定できる撮影条件設定手段を有する。
この第１５の観点におけるＸ線ＣＴ装置では、各部位として求められる画質は、診断用途、操作者の好みなどによりバラツキがあり様々である。このため、各部位の最適な画質を撮影条件設定手段において、あらかじめ、用途、好みなどに応じて変えて登録できると診断する者にとって効率が良い。

第１６の観点では、本発明の放射線断層撮影装置は、画像再構成手段が第１部位と第２部位との境界においては、連続的に画質が変化するように画像再構成する。
この第１６の観点における放射線断層撮影装置では、各部位のセグメント領域は各々最適な再構成関数または最適な画像フィルタにより画質を最適化されているため、各部位のセグメント領域の境界およびその近傍において画質が不連続に変わる場合があり、画質的に不自然さが残る可能性がある。このため、各部位のセグメント領域の境界において画質を連続的に変化させることにより、各部位のセグメント領域の境界周辺における画質の不自然さを低減することができる。

第１７の観点では、本発明の放射線断層撮影装置は、第１部位と第２部位との境界においては、連続的に画質が変化するように加重加算を行う。
この第１７の観点における放射線断層撮影装置では、第１６の観点における第１部位と第２部位との境界においては、例えば、境界を作る２つのセグメント領域における各々の最適な再構成関数または最適な画像フィルタにより、２種類の画質の画素を画像再構成しておき、この２つの画素を加重加算することにより、連続的に画質が変化するようにしておく。これにより、各部位のセグメント領域の境界においても画質が連続的に変化し、各部位のセグメント領域の境界周辺における画質の不自然さを低減することができる。

第１８の観点では、本発明の放射線断層撮影装置は、１画素の大きさを考慮した画像フィルタ処理を行う。
この第１８の観点における放射線断層撮影装置では、画像フィルタ処理を行う際、通常の画像フィルタ処理においては三次元画像フィルタ処理として、例えば３×３×３画素、５×５×５画素、７×７×７画素のように、画素単位の大きさの三次元画像フィルタを重畳する。二次元の画像フィルタ、四次元の画像フィルタ、Ｎ次元の画像フィルタでもこれは同様である。このため、画像フィルタの対象となる断層像、ｚ方向に連続した断層像からなる三次元画像、時系列に連続しz方向にも連続した断層像からなる四次元画像、これらの画像の１画素の大きさが変化すると、画像フィルタの影響が変わってくる。例えば、平滑化フィルタの場合では、画像フィルタの大きさとその画像フィルタ係数を変化させない状態で画像の１画素の大きさを変化させると、画像フィルタ処理後の空間分解能に変化が出てくる。このため、画像フィルタ処理の効果を一定にさせるために対象となる画像の１画素の大きさが変化しても画像フィルタ処理の効果が変わらないように、画像フィルタの大きさとその画像フィルタ係数を変化させることができる。これにより、断層像の画素の大きさが変化しても画像フィルタ処理の効果を一定にして画質を変化させないようにすることができる。

第１９の観点では、本発明の放射線断層撮影装置は、画像再構成手段は、画像移動処理および画像の加重加算処理より１画素の大きさの変化に依存しないようにする。
この第１９の観点における放射線断層撮影装置では、画像フィルタ処理を行う際、画像フィルタの対象となる断層像、z方向に連続した断層像からなる三次元画像、時系列に連続しz方向にも連続した断層像からなる四次元画像、これらの画像の１画素の大きさが変化しても、断層像の画素の大きさが変化しても画像フィルタ処理の効果を一定にして画質を変化させないで画像フィルタ処理の効果を一定にさせることが必要である。このために、画像フィルタ処理を実現するために、画像をシフトする画像移動処理により、あらかじめ、この移動量をmm単位などの絶対値量で持っておく。そして、この移動量を画素単位に直す時に１画素の大きさを考慮して、例えば、三次元画像では画像をx方向、y方向、z方向に移動させ、移動された画像を加重加算処理することで実現することができる。この場合に対象となる画像の１画素の大きさが変化しても画像の画素単位の移動量（シフト量）および加重加算係数を変えることで、画像フィルタ処理の効果を一定にして画質を変化させないように画像フィルタ処理を行える。

本発明の放射線断層撮影装置によれば、各種スキャンで得られた投影データを画像再構成する際に、各部位ごとに画質を最適化できる。

以下、図に示す実施の形態により本発明をさらに詳細に説明する。なお、これにより本発明が限定されるものではない。

（Ｘ線ＣＴ装置の全体構成）
図１は、本発明の一実施形態にかかるＸ線ＣＴ装置１００の構成ブロック図である。このＸ線ＣＴ装置１００は、操作コンソール１と、撮影テーブル１０と、走査ガントリ２０とを具備している。

操作コンソール１は、操作者の入力を受け付ける入力装置２と、前処理、画像再構成処理、後処理などを実行する中央処理装置３と、走査ガントリ２０で収集したＸ線検出器データを収集するデータ収集バッファ５と、Ｘ線検出器データを前処理して求められた投影データから画像再構成した断層像を表示するモニタ６と、プログラムやＸ線検出器データや投影データやＸ線断層像を記憶する記憶装置７とを具備している。撮影条件の入力はこの入力装置２から入力され、記憶装置７に記憶される。図２にモニタ６に表示された撮影条件入力画面１３Ａの例を示す。画面撮影条件入力画面１３Ａには、所定の入力を行うための入力ボタン１３ａが表示されている。図２においてはスキャンのタブが選択されている画面である。タブをＰ−Ｒｅｃｏｎを選択すると図２の下に描かれているように入力用の表示が切り換わる。入力ボタン１３ａの上方には断層像１３ｂが表示され、下方には再構成領域１３ｃが表示されている。また、必要とあれば右上に表示されているように、生体信号を表示してもよい。

図１に戻り、撮影テーブル１０は、被検体を乗せて走査ガントリ２０の開口部に出し入れするクレードル１２を具備している。クレードル１２は撮影テーブル１０に内蔵するモータで昇降およびテーブル直線移動される。

走査ガントリ２０は、Ｘ線管２１と、Ｘ線コントローラ２２と、コリメータ２３と、ビーム形成Ｘ線フィルタ２８と、多列Ｘ線検出器２４と、データ収集装置（ＤＡＳ：Data Acquisition System）２５と、被検体の体軸の回りに回転しているＸ線管２１などを制御する回転部コントローラ２６と、制御信号などを前記操作コンソール１や撮影テーブル１０とやり取りする制御コントローラ２９とを具備している。ビーム形成Ｘ線フィルタ２８は撮影中心である回転中心に向かうＸ線の方向にはフィルタの厚さが最も薄く、周辺部に行くに従いフィルタの厚さが増し、Ｘ線をより吸収できるようになっているＸ線フィルタである。このため、円形または楕円形に近い断面形状の被検体の体表面の被曝を少なくできるようになっている。また、走査ガントリ傾斜コントローラ２７により、走査ガントリ２０はz方向の前方および後方に±約３０度ほど傾斜できる。

Ｘ線管２１と多列Ｘ線検出器２４は、回転中心ＩＣの回りを回転する。鉛直方向をy方向とし、水平方向をx方向とし、これらに垂直なテーブルおよびクレードル進行方向をz方向とするとき、Ｘ線管２１および多列Ｘ線検出器２４の回転平面は、ｘｙ平面である。また、クレードル１２の移動方向は、z方向である。

図３は、Ｘ線管２１と多列Ｘ線検出器２４の幾何学的配置をｘｙ平面から見た図であり、図４は、Ｘ線管２１と多列Ｘ線検出器２４の幾何学的配置をｙｚ平面から見た図である。Ｘ線管２１は、コーンビームＣＢと呼ばれるＸ線ビームを発生する。コーンビームＣＢの中心軸方向がy方向に平行なときを、ビュー角度０度とする。多列Ｘ線検出器２４は、z方向にJ列、例えば２５６列のＸ線検出器列を有する。また、各Ｘ線検出器列はチャネル方向にIチャネル、例えば１０２４チャネルのＸ線検出器チャネルを有する。

図３では、Ｘ線管２１のＸ線焦点を出たＸ線ビームがビーム形成Ｘ線フィルタ２８により、再構成領域Ｐの中心ではより多くのＸ線が、再構成領域Ｐの周辺部ではより少ないＸ線が照射される。このようにＸ線線量を空間的に制御した後に、再構成領域Ｐの内部に存在する被検体にＸ線が吸収され、透過したＸ線が多列Ｘ線検出器２４でＸ線検出器データとして収集される。図４では、Ｘ線管２１のＸ線焦点を出たＸ線ビームはＸ線コリメータ２３により断層像のスライス厚方向に制御されて、つまり、回転中心軸ＩＣにおいてＸ線ビーム幅がＤとなるように制御されて、回転中心軸ＩＣ近辺に存在する被検体にＸ線が吸収され、透過したＸ線は多列Ｘ線検出器２４でＸ線検出器データとして収集される。Ｘ線が被検体に照射されて収集された投影データは、多列Ｘ線検出器２４からデータ収集装置２５でＡ／Ｄ変換され、スリップリング３０を経由してデータ収集バッファ５に入力される。データ収集バッファ５に入力されたデータは、記憶装置７のプログラムにより中央処理装置３で処理され、断層像に画像再構成されてモニタ６に表示される。なお、本実施形態では多列Ｘ線検出器２４を適用した場合であるが、フラットパネルＸ線検出器に代表されるマトリクス構造の二次元Ｘ線エリア検出器を適用することもできるし、１列のＸ線検出器を適用することができる。

（Ｘ線ＣＴ装置の動作フローチャート）
図５は本実施形態のＸ線ＣＴ装置１００の動作の概要を示すフローチャートである。

ステップＰ１では、被検体をクレードル１２に乗せ位置合わせを行う。クレードル１２の上に乗せられた被検体は各部位の基準点に走査ガントリ２０のスライスライト中心位置を合わせる。

ステップＰ２では、スカウト像（スキャノ像、Ｘ線透視像ともいう。）収集を行う。スカウト像は被検体の体の大きさによって成人又は子供の２種類のスカウト像が撮影できるようになっており、さらに通常０度，９０度で撮影することができる。部位によっては例えば頭部のように、９０度スカウト像のみの場合もある。スカウト像撮影では、Ｘ線管２１と多列Ｘ線検出器２４とを固定させ、クレードル１２を直線移動させながらＸ線検出器データのデータ収集動作を行う。スカウト像撮影の詳細については図７で後述する。

ステップＰ３では、スカウト像上に撮影する断層像の位置、大きさを表示しながら撮影条件設定を行う。本実施形態では、コンベンショナルスキャン（アキシャルスキャン）、ヘリカルスキャン、可変ピッチヘリカルスキャン、ヘリカルシャトルスキャンなどの複数のスキャンパターンを有している。コンベンショナルスキャンとは、クレードル１２をＺ軸方向に所定ピッチ移動するごとにＸ線菅２１及びＸ線検出部２４を回転させて投影データを取得するスキャン方法である。ヘリカルスキャンとは、Ｘ線管２１とＸ線検出部２４とが回転している状態でクレードル１２を所定速度で移動させ、投影データを取得するスキャン方法である。可変ピッチヘリカルスキャンとは、ヘリカルスキャンと同様にＸ線菅２１及びＸ線検出部２４を回転させながらクレードル１２の速度を可変させて投影データを取得するスキャン方法である。ヘリカルシャトルスキャンとは、ヘリカルスキャンと同様にＸ線菅２１及びＸ線検出部２４を回転させながらクレードル１２をＺ軸方向又は−Ｚ軸方向に往復移動させて投影データを取得するスキャン方法である。これら複数のスキャンを設定する際には１回分の全体としてのＸ線線量情報の表示を行う。また、シネスキャンにおいては、回転数または時間を入れるとその関心領域における入力された回転数分、または入力された時間分のＸ線線量情報が表示される。

ステップＰ４では、断層像撮影を行う。断層像撮影およびその画像再構成の詳細については図７で後述する。ステップＰ５では、画像再構成された断層像を表示する。ステップＰ６では、z方向に連続に撮影された断層像を三次元画像として用いて、図６のように三次元画像表示を行う。

図６は、三次元画像表示方法にはボリュームレンダリング三次元画像表示方法４０、ＭＩＰ（Maximum Intensity Projection）画像表示方法４１、ＭＰＲ（Multi Plain Reformat）画像表示方法４２を示す。各種の画像表示方法などがあるが、本発明ではどの表示方法も適用でき、診断用途により適宜使い分けることができる。

（断層像撮影およびスカウト像撮影の動作フローチャート）
図７は、本発明のＸ線ＣＴ装置１００の断層像撮影およびスカウト像撮影の動作の概略を示すフローチャートである。

ステップＳ１において、ヘリカルスキャンは、Ｘ線管２１と多列Ｘ線検出器２４とを被検体の回りに回転させ、かつ撮影テーブル１０上のクレードル１２を直線移動させながらＸ線検出器データのデータ収集動作を行う。ビュー角度viewと、検出器列番号jと、チャネル番号iとで表わされるＸ線検出器データＤ０（view，j，i）(ｊ＝１〜ＲＯＷ，ｉ＝１〜ＣＨ)にz方向位置Ｚtable（view）を付加させて、一定速度の範囲のデータ収集を行う。また、可変ピッチヘリカルスキャンまたはヘリカルシャトルスキャンにおいては、一定速度の範囲のデータ収集に加えて、加速時、減速時においてもデータ収集を行うものとする。また、コンベンショナルスキャン（アキシャルスキャン）またはシネスキャンでは撮影テーブル１０上のクレードル１２をあるz方向位置に固定させたまま、データ収集系を１回転または複数回転させてＸ線検出器データのデータ収集を行う。必要に応じて、次のz方向位置に移動した後に、再度データ収集系を１回転または複数回転させてＸ線検出器データのデータ収集を行う。また、スカウト像撮影では、Ｘ線管２１と多列Ｘ線検出器２４とを固定させ、撮影テーブル１０上のクレードル１２を直線移動させながらＸ線検出器データのデータ収集動作を行うものとする。

ステップＳ２では、Ｘ線検出器データＤ０(view，j，i)に対して前処理を行い、投影データに変換する。図８にステップＳ２の前処理について具体的な処理を示す。ステップＳ２１ではオフセット補正を行い、ステップＳ２２では対数変換を行い、ステップＳ２３ではＸ線線量補正を行い、ステップＳ２４では感度補正を行う。スカウト像撮影の場合は、前処理されたＸ線検出器データをチャネル方向の画素サイズおよびクレードル１２の直線移動方向であるz方向の画素サイズを、モニタ６の表示画素サイズに合わせて表示すればスカウト像として完成である。

図７に戻り、ステップＳ３において、前処理された投影データＤ１ (view，j，i)に対して、ビームハードニング補正を行う。ステップＳ３のビームハードニング補正は、前処理Ｓ２のステップＳ２４の感度補正が行われた投影データをＤ１(view，j，i)とし、ステップＳ３のビームハードニング補正の後のデータをＤ１１(view，j，i)とすると、ビームハードニング補正は以下の（数式１）のように、例えば多項式形式で表わされる。なお、本明細書において乗算演算は、「●」で表してある。
…（数式１）
この時、検出器のj列ごとに独立したビームハードニング補正を行えるため、撮影条件で各データ収集系の管電圧が異なっていれば、列ごとの検出器のＸ線エネルギー特性の違いを補正できる。

ステップＳ４では、ビームハードニング補正された投影データＤ１１(view，j，i)に対して、z方向(列方向)のフィルタをかけるzフィルタ重畳処理を行う。すなわち、各ビュー角度、各データ収集系における前処理後、ビームハードニング補正された多列Ｘ線検出器Ｄ１１(view，j，i) (i＝１〜ＣＨ， j＝１〜ＲＯＷ)の投影データに対し、列方向に例えば下記の（数式２），（数式３）に示すような、列方向フィルタサイズが５列のフィルタをかける。
（w１(i)，w２(i)，w３(i)，w４(i)，w５(i)） …（数式２）

ただし、
…（数式３）
補正された検出器データＤ１２(view，j，i)は以下の（数式４）のようになる。
…（数式４）
となる。なお、チャネルの最大値はＣＨ，
列の最大値はＲＯＷとすると、
以下の（数式５），（数式６）のようになる。
…（数式５）
…（数式６）

また、列方向フィルタ係数をチャネルごとに変化させると画像再構成中心からの距離に応じてスライス厚を制御できる。一般的に断層像では再構成中心に比べ周辺部の方がスライス厚が厚くなる。このため、フィルタ係数を中心部と周辺部で変化させてスライス厚は周辺部でも画像再構成中心部でも一様にすることもできる。例えば、方向フィルタ係数を中心部チャンネル近辺では列方向フィルタ係数の幅を広く変化させ、周辺部チャンネル近辺では列方向フィルタ係数の幅を狭く変化させると、スライス厚は周辺部でも画像再構成中心部でも一様にすることもできる。

このように、多列Ｘ線検出器２４の中心部チャネルと周辺部チャネルの列方向フィルタ係数を制御してやることにより、スライス厚も中心部と周辺部で制御できる。列方向フィルタでスライス厚を弱干厚くすると、アーチファクト、ノイズともに大幅に改善される。これによりアーチファクト改善具合、ノイズ改善具合も制御できる。つまり、三次元画像再構成された断層像つまり、ｘｙ平面内の画質が制御できる。また、その他の実施形態として列方向（z方向）フィルタ係数を逆重畳（デコンボリューション）フィルタにすることにより、薄いスライス厚の断層像を実現することもできる。

ステップＳ５では、再構成関数重畳処理を行う。すなわち、投影データを周波数領域に変換する高速フーリエ変換(ＦＦＴ：Fast Fourier Transform)をして、再構成関数を掛け、逆フーリエ変換する。再構成関数重畳処理Ｓ５では、ｚフィルタ重畳処理後の投影データをＤ１２とし、再構成関数重畳処理後の投影データをＤ１３、重畳する再構成関数をKernel（j）とすると、再構成関数重畳処理は以下の（数式７）のように表わされる。なお、本明細書において重畳（コンボリューション）演算は、「＊」で表してある。
…（数式７）
つまり、再構成関数Kernel（j）は検出器のj列ごとに独立した再構成関数重畳処理を行えるため、列ごとのノイズ特性、分解能特性の違いを補正できる。

ステップＳ６では、再構成関数重畳処理した投影データＤ１３(view，j，i)に対して、三次元逆投影処理を行い、逆投影データＤ３(x，y，z)を求める。画像再構成される画像はz軸に垂直な面、ｘｙ平面に三次元画像再構成される。以下の再構成領域Ｐはｘｙ平面に平行なものとする。この三次元逆投影処理については、図９を参照して後述する。

ステップＳ７では、逆投影データＤ３（x，y，z）に対して画像フィルタ重畳、ＣＴ値変換などの後処理を行い、断層像Ｄ３１（x，y，z）を得る。後処理の画像フィルタ重畳処理では、三次元逆投影後の断層像をＤ３１（x，y，z）とし、画像フィルタ重畳後のデータをＤ３２（x，y，z）、断層像平面であるｘｙ平面において重畳される二次元の画像フィルタをFilter（z）とすると、以下の（数式８）のようになる。
…（数式８）
つまり、各ｚ座標位置の断層像ごとに独立した画像フィルタ重畳処理を行えるため、列ごとのノイズ特性、分解能特性の違いを補正できる。

また、この二次元の画像フィルタ重畳処理の後に、下記に示す画像空間z方向フィルタ重畳処理を行ってもよい。また、この画像空間z方向フィルタ重畳処理は二次元画像フィルタ重畳処理の前に行ってもよい。さらには、三次元の画像フィルタ重畳処理を行って、この二次元の画像フィルタ重畳処理と、画像空間z方向フィルタ重畳処理の両方を兼ねるような効果を出してもよい。

画像空間z方向フィルタ重畳処理では、画像空間z方向フィルタ重畳処理された断層像をＤ３３（x，y，z）、二次元の画像フィルタ重畳処理された断層像をＤ３２（x，y，z）とすると、以下の（数式９）のようになる。ただし、v（i）はz方向の幅が２１＋１の画像空間z方向フィルタ係数で以下の（数式１０）のような係数列となる。
…（数式９）
…（数式１０）

なお、ヘリカルスキャンにおいては、画像空間フィルタ係数v（i）はz方向位置に依存しない画像空間z方向フィルタ係数であってよい。しかし、特にz方向に検出器幅の広い多列Ｘ線検出器２４又は二次元Ｘ線エリア検出器などを用い、コンベンショナルスキャン（アキシャルスキャン）またはシネスキャンをする場合は、画像空間z方向フィルタ係数v（i）はz方向のＸ線検出器の列の位置に依存した画像空間z方向フィルタ係数を用いるのが好ましい。なぜなら、各断層像の列位置に依存した詳細な調整ができるので効果的であるからである。

（三次元逆投影処理のフローチャート）
図９は、図８のステップＳ６の詳細を示したもので、三次元逆投影処理のフローチャートである。本実施形態では、画像再構成される画像はz軸に垂直な面、ｘｙ平面に三次元画像再構成される。以下の再構成領域Ｐはｘｙ平面に平行なものとする。

ステップＳ６１では、断層像の画像再構成に必要な全ビュー（すなわち、３６０度分のビュー又は「１８０度分＋ファン角度分」のビュー）中の一つのビューに着目し、再構成領域Ｐの各画素に対応する投影データDrを抽出する。

ここで、図１０から図１２を使って、投影データDrについて説明する。図１０は再構成領域上のラインをＸ線透過方向へ投影する状態を示す概念図であり、そのＡはｘｙ平面、Ｂはｙｚ平面を示している。図１１はＸ線検出器面に投影したラインを示す概念図である。図１０に示すように、ｘｙ平面に平行な５１２×５１２画素の正方形の領域を再構成領域Ｐとし、y＝０のｘ軸に平行な画素列Ｌ０，y＝６３の画素列Ｌ６３，y＝１２７の画素列Ｌ１２７，y＝１９１の画素列Ｌ１９１，y＝２５５の画素列Ｌ２５５，y＝３１９の画素列Ｌ３１９，y＝３８３の画素列Ｌ３８３，y＝４４７の画素列Ｌ４４７，y＝５１１の画素列Ｌ５１１を列にとる。そして、これらの画素列Ｌ０〜Ｌ５１１をＸ線透過方向に多列Ｘ線検出器２４の面に投影した図１１に示す如きラインＴ０〜Ｔ５１１上の投影データを抽出すれば、それらが画素列Ｌ０〜Ｌ５１１の投影データDr(view，x，y)となる。ただし、ｘ，ｙは断層像の各画素（x，y）に対応する。

Ｘ線透過方向は、Ｘ線管２１のＸ線焦点と各画素と多列Ｘ線検出器２４との幾何学的位置によって決まるが、Ｘ線検出器データＤ０(view，j，i)のz座標z（view）がテーブル直線移動z方向位置Ｚtable（view）としてＸ線検出器データに添付されて判っているため、加速・減速中のＸ線検出器データＤ０(view，j，i)でもＸ線焦点、多列Ｘ線検出器のデータ収集幾何学系の中において、Ｘ線透過方向を正確に求めることができる。

なお、例えば画素列Ｌ０をＸ線透過方向に多列Ｘ線検出器２４の面に投影したラインＴ０のように、ラインの一部が多列Ｘ線検出器２４のチャネル方向の外に出た場合は、対応する投影データDr(view，x，y)を「０」にする。また、z方向の外に出た場合は投影データDr(view，x，y)を補外して求める。

このようにして、図１２に示す再構成領域Ｐの各画素に対応する投影データDr（view，x，y）を抽出できる。

図９に戻り、ステップＳ６２では、投影データDr（view，x，y）にコーンビーム再構成加重係数を乗算し、図１３に示す如き投影データＤ２（view，x，y）を作成する。ここで、コーンビーム再構成加重係数w（i，j）は以下の通りである。ファンビーム画像再構成の場合は、一般に、view＝βaでＸ線管２１の焦点と再構成領域Ｐ上（ｘｙ平面上）の画素g(x，y)とを結ぶ直線がＸ線ビームの中心軸Ｂcに対してなす角度をγとし、その対向ビューをview＝βbとするとき、以下の（数式１１）のようになる。
βb＝βa＋１８０°−２γ…（数式１１）

再構成領域Ｐ上の画素g(x，y)を通るＸ線ビームとその対向Ｘ線ビームが再構成平面Ｐとなす角度を、αa，αbとすると、これらに依存したコーンビーム再構成加重係数ωa，ωbを掛けて加算し、逆投影画素データＤ２（０，x，y）を求める。この場合、（数式１２）のようになる。
Ｄ２（０，x，y）＝ωa・Ｄ２（０，x，y）_ a＋ωb・Ｄ２（０，x，y）_ b …（数式１２）
ただし、Ｄ２（０，x，y）_aはビューβaの逆投影データ、Ｄ２（０，x，y）_bはビューβbの逆投影データとする。
なお、コーンビーム再構成加重係数の対向ビーム同士の和は、（数式１３）のようになる。
ωa＋ωb＝１ …（数式１３）
コーンビーム再構成加重係数ωa，ωbを掛けて加算することにより、コーン角アーチファクトを低減することができる。

例えば、コーンビーム再構成加重係数ωa，ωbは、次式により求めたものを用いることができる。なお、gaはビューβaの加重係数、gbはビューβbの加重係数である。ファンビーム角の１／２をγmaxとするとき、以下の（数式１４）から（数式１９）のようになる。
（例えば、q＝１とする）
例えば、ga，gbの一例として、max[ ]を値の大きい方を採る関数とすると、以下の（数式２０），（数式２１）のようになる。

また、ファンビーム画像再構成の場合は、更に距離係数を再構成領域Ｐ上の各画素に乗算する。距離係数はＸ線管２１の焦点から投影データDrに対応する多列Ｘ線検出器２４の検出器列j，チャネルiまでの距離をr０とし、Ｘ線管２１の焦点から投影データDrに対応する再構成領域Ｐ上の画素までの距離をr１とするとき、（r１／r０）２である。また、平行ビーム画像再構成の場合は、再構成領域Ｐ上の各画素にコーンビーム再構成加重係数w（i，j）のみを乗算すればよい。

ステップＳ６３では、予めクリアしておいた逆投影データＤ３(x，y)に、投影データＤ２（view，x，y）を画素対応に加算する。図１４が投影データＤ２（view，x，y）を画素対応に加算していくイメージである。ステップＳ６４では、断層像の画像再構成に必要な全ビュー（すなわち、３６０度分のビュー又は「１８０度分＋ファン角度分」のビュー）について、ステップＳ６１〜Ｓ６３を繰り返し、画像再構成に必要な全ビューを加算すると、図１４の左端の逆投影データＤ３（x，y）を得ることができる。

以上、図９の三次元逆投影処理のフローチャートは、図１０に示す再構成領域Ｐを正方形５１２×５１２画素として説明したものである。しかしこれに限られるものではない。図１５は円形の再構成領域上のラインをＸ線透過方向へ投影する状態を示す概念図であり、そのＡはｘｙ平面、Ｂはｙｚ平面である。この図１５に示すように、再構成領域Ｐを５１２×５１２画素の正方形の領域とせずに、直径５１２画素の円形の領域としてもよい。

以上のようにして、通常、断層像は画像再構成される。この場合は、各画素を独立に扱っており、特に各画素またはその近傍領域の画質に依存させて抽出した領域、セグメンテーションされた領域ごとに画質を変化させる、または画質を最適化させるような処理は行われていない。

（部位に応じた画質の最適化）
以下の実施例においては、各画素または各画素の近傍領域の画質により各セグメントを各部位として認識させた後に、各部位として最適な画質になるように各部位ごとに最適化された再構成関数、画像フィルタを用いて部位ごとに最適な画質を実現する。以下の２つの実施例は再構成関数または画像フィルタにより各部位ごとに画質を最適化した実施例である。なお、これらの実施例では、頭部又は胸部などの各部位、心臓などの各臓器、または、筋肉、脂肪もしくは臓器などを構成する各組織を、各部位と総称して説明する。
実施例１ ： 再構成関数により画質を最適化する実施例。
実施例２ ： 画像フィルタにより画質を最適化する実施例。
実施例３ ： 再構成関数および画像フィルタにより画質を最適化する実施例。
実施例４ ： セグメント領域境界の画質を連続的に変化させる実施例。
実施例５ ： １画素の大きさに依存しない画像フィルタ処理を行う実施例。

図１６は、各セグメント領域の画質を再構成関数により最適化する場合の処理のフローチャートであり、再構成関数により画質を最適化する実施例である。本実施例のステップＨ１からステップＨ５までは、図７において説明した標準的な画像再構成である。なお、ここでは図７のステップＳ３のビームハードニング補正、ステップＳ４のＺフィルタ重畳処理は省いてあるが、ビームハードニング補正及びＺフィルタ重畳処理を、図１６のフローチャートに含めても良い。

ステップＨ１でデータ収集を行い、ステップＨ２で前処理を行う。ステップＨ３で再構成関数重畳を行い、ステップＨ４で逆投影処理を行い、次いで、ステップＨ５で後処理を行う。

ステップＨ５まで処理すると、一度、画像再構成された二次元画像である断層像、z方向に連続する断層像からなる三次元画像、または時系列に連続してz方向に連続した断層像からなる四次元画像を得ることができる。

ステップＨ６では、各セグメント領域分けを行う。ステップＨ５で得られた二次元画像、三次元画像又は四次元画像から、１つまたは複数の局所画像特徴量により連続した二次元連続領域、三次元連続領域、四次元連続領域を抽出する。この実施例１では、複数の局所画像特徴量によるz方向に連続した断層像からなる三次元画像からの三次元連続領域を抽出する実施例を示す。図１７は、z方向に連続な断層像から作られる三次元画像から、各部位に相当する領域に分けるフローチャートである。

図１７のフローチャートを説明すると、ステップＤ１においては、z方向連続断層像による三次元画像入力を行う。ステップＤ２においては、局所画像特徴量測定を行う。局所画像特徴量測定を行う際は、三次元画像Ｇ（x，y，z）に対して、例えば、以下のような局所領域画像特徴量を用いる。局所画像特徴量をＦｎ（Ｇ（x，y，z））と定義する。

（１）注目画素の近傍５×５×５の標準偏差
（２）注目画素の近傍３×３×３の平均画素値（ＣＴ値）
（３）注目画素の近傍５×５×５の中央値
（４）注目画素の近傍３×３×３の最大差分絶対値
ここで最大差分絶対値とは、注目画素をＰ（x，y，z）とするとき、以下の（数式２２）で最大値である。
…（数式２２）

ただし、a，b，c＝±１とする。つまり、近傍領域３×３×３画素の範囲内にある近傍画素と注目画素との絶対値差の最大値になる。なお、上記（１）ないし（４）以外の局所画像特徴量として、１次微分値、２次微分値などを使用することができる。もちろん、上記（１）ないし（４）の一部に１次微分値、２次微分値などを使用してもよい。

局所画像特徴量Ｆ１（Ｇ（x，y，z）），Ｆ２（Ｇ（x，y，z）），Ｆ３（Ｇ（x，y，z）），……ＦＮ（Ｇ（x，y，z））をＮ種類求める。なお、局所画像特徴量の種類、近傍画素サイズの大きさ、近傍画素の次元数は本実施例を変形しても同様の効果は得られる。特に近傍画素の次元数は三次元でなくても、二次元でも一次元でも良い。

ステップＤ３では、２値化を行う。例えば、骨の候補の三次元領域を２値化して出すとすると、以下の（数式２３）の一例のように定められた条件を満たす画素を“１”として２値化する。
…（数式２３）

これを各部位に閾値ＦＸmin，ＦＸmax（ただし、Ｘは整数）を定めて２値化領域検出を行い、各部位の候補の三次元領域を２値領域として求める。または、これらの局所画像特徴量ごとに部位ごとの候補の画素が満たすべき必要条件を組合せて、各部位の候補の２値三次元領域を求める。

ステップＤ４では、三次元論理フィルタによるノイズ除去を行う。２値化された三次元領域の境界面を滑らかにする。または、三次元領域としての孤立点を除去し、不要なラベル領域が三次元連続領域番号付（ラベリング）で発生しないようにする。

図１８で、ステップＤ４の三次元論理フィルタによるノイズ除去の処理の第１例のフローチャートを示す。ステップＬ１では、収縮用三次元論理フィルタをＮ回かける、収縮用三次元論理フィルタは１回または複数回かける。ステップＬ２では、膨張用三次元論理フィルタをＮ回かける。膨張用一括三次元論理フィルタは１回または複数回かける。ただし、収縮用三次元論理フィルタをかける回数と同じ回数分を、かけるものとする。

図１９に三次元論理フィルタを二次元で表示する概念を示す。ここでは、左図にあるように三次元論理フィルタ５１を３×３×３のフィルターとする。これをｘｙ平面の二次元に展開すると、右図のように３×３の二次元フィルタ５２、二次元フィルタ５３及び二次元フィルタ５４が第１層から第３層まで並ぶことになる。図１９では、注目画素に斜線が描かれているが、図２０−１および図２０−２ならびに図２１−１および図２１−２では、注目画素が“１”で表示されている。“Ｘ”は“０”または“１”のどちらでもよいものとする。図２０−１および図２０−２ならびに図２１−１および図２１−２では、三次元論理フィルタを示している。

図２０−１および図２０−２に収縮用の三次元論理フィルタの一例を示す。この収縮用の三次元論理フィルタでは、注目画素が“１”の場合に注目画素の近傍画素３×３×３の中に１つでも“０”の画素が存在していたら、その注目画素を“０”にして２値の三次元領域を収縮させるように作られている。なお、注目画素は三次元領域の全画素について走査されて移動する。

また、図２１−１および図２１−２に膨張用三次元論理フィルタの一例を示す。この膨張用三次元論理フィルタでは、注目画素が“０”の場合に注目画素の近傍画素３×３×３の中に１つでも“１”の画素が存在していたら、その注目画素を“１”にして２値の三次元領域を膨張させるように作られている。なお、注目画素は三次元領域の全画素について走査されて移動する。

これらの収縮用三次元論理フィルタと膨張用三次元論理フィルタは同じ回数かけるようにする。１回でもよいし、複数回でも同じ回数でもよい。収縮用三次元論理フィルタと膨張用三次元論理フィルタをかける回数が多くなるほど、より大きな２値の三次元領域をノイズとして除去することができ、また、２値の三次元領域の突起部分（凸部分）も除去できる。

図２２は、三次元論理フィルタによるノイズ除去の第２例のフローチャートである。更に、くぼみ部分（凹部分）も埋めて除去したいのであれば、図２２の処理でノイズ除去を行えば良い。
図２２では、以下のような処理の流れになる。
ステップＬ１１では、収縮用三次元論理フィルタをＮ回かける。
ステップＬ１２では、膨張用三次元論理フィルタをＮ回かける。
ステップＬ１３では、膨張用三次元論理フィルタをＭ回かける。
ステップＬ１４では、収縮用三次元論理フィルタをＭ回かける。
ステップＬ１１，ステップＬ１２の処理は、図１８のステップＬ１，ステップＬ２と同様で良い。例えば、図２０−１および図２０−２の収縮用三次元論理フィルタ、図２１−１および図２１−２の膨張用三次元論理フィルタを同様に各々Ｎ回かけて用いることができる。更にステップＬ１３では、２値の三次元領域に対して、膨張用三次元論理フィルタをかけて膨張させておき、膨張用三次元論理フィルタと同じ回数だけ収縮用三次元論理フィルタを各々Ｍ回かければよい。ただし、Ｍ＞Ｎとすること、つまり、ＭをＮより大きくすることにより、くぼみ部分（凹部分）を埋めて除去できる。

このようにして、三次元論理フィルタ５１を用いてノイズ除去、および２値の三次元領域の境界面を滑らかにすることができる。なお、本実施例においては、三次元論理フィルタを用いているが、三次元モフォロジフィルタを用いても同様の処理を行うことはできる。または、各領域の面積または体積を測定し、面積や体積の小さい連続領域のみを除去するような処理でも画像ノイズを除去できる。

図１７に戻り、ステップＤ５では、三次元連続領域番号付け（ラベリング）を行う。ステップＤ３において求められた、部位ごとの候補の三次元領域について各々、三次元連続領域番号付け（三次元ラベリング）を行う。図２３に三次元連続領域付け（三次元ラベリングされた各領域）の例を示す。図２３は、三次元ラベリング処理により三次元ラベリングされた三次元連続領域の各々が、心臓領域、肺野領域、肝臓領域として認識されている所を示している。つまり、心臓領域として認識された三次元連続領域（三次元ラベリングされた領域）、肺野領域として認識された三次元連続領域（三次元ラベリングされた領域）及び肝臓領域として認識された三次元連続領域（三次元ラベリングされた領域）が三次元連続領域付けされている。このようにして、三次元画像の連続領域の抽出が行える。つまり、各々のセグメント領域の抽出が行える。これにより、図１６のステップＨ６の各セグメント領域分けが実現できる。

次に図１６のステップＨ７では、ステップＨ６で抽出されたセグメント領域を部位として認識する。図２４を使って、抽出された三次元領域のセグメント領域の部位としての認識する実施例を説明する。

図２４に三次元画像の連続領域認識（セグメント領域認識）のフローチャートを示す。
ステップＤ１１では、各連続領域の抽出を行う。図１７のステップＤ５において、三次元連続領域番号付（ラベリング）された各連続領域（セグメント領域）を１つずつ抽出した。そして、すべての連続領域（セグメント領域）についてステップＤ１２の処理を行う。

ステップＤ１２では、各連続領域の幾何学的特徴量測定を行う。ステップＤ１１において抽出された三次元連続領域ごとに下記のような幾何学的特徴量を求める。体積もしくは画素数、表面積、平均画素値、画素値和（ＣＴ値和、濃度和）、画素値標準偏差、ｘ，ｙ，ｚ方向フェレ径、楕円体率、球形度、ｘｙ平面面積率、ｙｚ平面面積率、ｘｚ平面面積率、三次元１次モーメント、又は三次元２次モーメントなどが幾何学的特徴量となる。なお、各連続領域の幾何学的特徴量は上記のものの一部を用いてもよいし、さらに付け加えても同様の効果を出すことができる。

ステップＤ１３では、各連続領域と各部位の認識を行う。ステップＤ５において求められた各三次元連続領域の値により、ステップＤ３で選ばれた部位ごとの条件を満たしているか判断し、ステップＤ３で選ばれた各部位か否かを認識する。図２３に各部位として認識された各領域の例を示す。このように図２４の三次元画像の連続領域認識の処理により、三次元画像より複数の局所画像特徴量を用いて、各部位の候補領域である三次元連続領域を抽出し、その三次元領域としての特徴量から、各部位としての判断し認識が行える。

なお、本実施例においては、２値化するステップＤ３において複数の特徴量の論理式（ステップＤ３では論理積になっている）を求めて２値化した後に、ステップＤ４において三次元連続領域番号付（三次元ラベリング）を行っているが、以下のようにしてもよい。

ステップＤ３において、各々の局所画像特徴量を定められた閾値の範囲で２値化を行っておく。ステップＤ４において各々の局所画像特徴量の２値化された三次元画像に対して、三次元連続領域番号付（三次元ラベリング）を行って、各々の局所画像特徴量の三次元連続領域番号付（三次元ラベリング）された三次元領域間で論理式（例えば論理積）を求めてもよい。以上により、複数の局所画像特徴量による三次元画像のセグメンテーションが行える。通常のＣＴ値のみを用いた三次元画像のセグメンテーションよりも、より精度良く正しく行える。

図１６に戻り、ステップＨ８では、各部位として認識されたセグメント領域ごとに最適な再構成関数で再構成関数重畳を行い、セグメント領域ごとにマスク処理を行った後に画像を合成する。この場合は、図１６のステップＨ３からステップＨ８へ点線で接続しているように、ステップＨ３で求められた高速フーリエ変換(ＦＦＴ)されたＸ線投影データを再利用することができる。また、２度目以降の再構成関数と１度目の再構成関数との差分を求めておき、投影データにその差分の再構成関数を重畳し、逆投影した差分の断層像を１度目の画像再構成の断層像に加算することで、２度目以降の画像再構成した断層像が得てもよい。こうすることにより、２度目以降の画像再構成が効率良く行える。

図２５に、各部位として認識されたセグメント領域ごとに最適な再構成関数で再構成関数重畳を行い、セグメント領域ごとにマスク処理を行った後に断層像を合成する処理のフローチャートの一例を示す。図２６に、このフローチャートの理解を助けるための概念図を示す。図２６は、肺野部を撮影した場合の例を示している。この場合は、心臓、肺野、軟部組織、骨の各々のセグメンテーション領域が存在している。これらの各セグメント領域は、図１６のステップＨ８又は図２４のステップＤ１３などを経由して、心臓、肺野、軟部組織、骨の部位と認識されている。各々の部位に最適な再構成関数は、心臓の部位には心臓用再構成関数、肺野の部位には肺野用再構成関数、軟部組織の部位には軟部組織用再構成関数（標準再構成関数）、骨の部位には骨用再構成関数が最適とされている。したがって、図２６は、これらの４種類の再構成関数を用意した場合の概念図となる。図２５のフローチャートでは、各セグメント領域がＮ個の場合を想定している。

図２５のステップＲ１では、Ｎ個のセグメント領域ごとに最適な再構成関数の種類を調べる。再構成関数Ｋ１〜ＫＮが使われているものとする。ステップＲ２では、i＝１と設定する。ステップＲ３では、再構成関数Ｋiで全体画像を画像再構成し、断層像Ｉiを求める。ステップＲ４では、i＝Ｎかを判断し、ＹＥＳであればステップＲ６へ行く。また、ＮＯであればステップＲ５へ行く。ステップＲ５では、i＝i＋１とし、ステップＲ３へ戻る。ステップＲ２からステップＲ５までを繰り返すことにより、ステップＲ１で用意されたＮ種類の再構成関数に基づいてＮ種類の断層像を画像再構成する。

図２５のステップＲ１からステップＲ５までの処理は、図２６を参照すると、図２６の左欄の図で示した、心臓用再構成関数Ｋ１で画像再構成された断層像Ｉ１、肺野用再構成関数Ｋ２で画像再構成された断層像Ｉ２、軟部組織用再構成関数Ｋ３で画像再構成された断層像Ｉ３、骨用再構成関数Ｋ４で画像再構成された断層像Ｉ４を求めることに相当する。

図２５のステップＲ６では、各セグメント領域のマスク画像Ｍiを求める。ここでは、各部位の各セグメント領域を抽出してマスク画像Ｍiとする。図２６を参照すると、図２６の中欄の図で示した、心臓のセグメント領域のみを抽出して心臓用マスク画像Ｍ１、肺野のセグメント領域のみを抽出して肺野用マスク画像Ｍ２、軟部組織のセグメント領域のみを抽出して軟部組織用マスク画像Ｍ３、骨のセグメント領域のみを抽出して骨用マスク画像Ｍ４を求めることに相当する。

ステップＲ７では、各々のセグメント領域の最適な再構成関数で画像再構成された断層像Ｉを求める。この時に、断層像Ｉは以下の（数式２４）で表わされる。
…（数式２４）

なお、∪は論理和（ＯＲ）を示し、∩は論理積（ＡＮD）とする。図２６においては、心臓用再構成関数の断層像Ｉ１と心臓用マスク画像Ｍ１の論理積、Ｉ１∩Ｍ１、肺野用再構成関数の断層像Ｉ２と肺野用マスク画像Ｍ２の論理積、Ｉ２∩Ｍ２、軟部組織用再構成関数の断層像Ｉ３と軟部組織用マスク画像Ｍ３の論理積、Ｉ３∩Ｍ３、骨用再構成関数の断層像Ｉ４と骨用マスク画像Ｍ４の論理積、Ｉ４∩Ｍ４、を求める。さらに、これらの論理和を以下の式のように求めて、各々のセグメント領域、つまり各々の部位の最適な再構成関数で画像再構成された断層像Ｉを以下の（数式２５）により求める。
…（数式２５）

（数式２５）の計算を終わると、図２６の右欄の図で示した、各々のセグメント領域が最適な再構成関数で画像再構成された断層像Iを得ることができる。
次に、図１６のステップＨ９に戻り、ＣＴ値変換などの後処理を行う。断層像の画像再構成をセグメント領域抽出のために図１６のステップＨ１からステップＨ５までを行うので、画像再構成回数を１回行っている。さらに、図１６のステップＨ８において、図２５のステップＲ３からステップＲ５までをＮ回繰り返すことから理解できるように、Ｎ個の各セグメント領域分の回数Ｎ回分を行うことになる。したがって、図１６に示す、各セグメント領域の画質を再構成関数により最適化するフローチャートでは、画像再構成回数はＮ＋１回となっている。

図１６のフローチャートでは、画像再構成回数が多くなり時間がかかることになる。画像再構成が高速に行うために、画像再構成回数が少なくてすむフローチャートを示す。図２７に、各部位として認識されたセグメント領域ごとに最適な再構成関数で再構成関数重畳を行い、セグメント領域ごとにマスク処理を行った後に断層像を合成する処理のフローチャートの別例を示す。図２８に、このフローチャートの理解を助けるための概念図を示す。図２７に示すフローチャートでは、画像再構成回数はセグメント領域抽出用の１回を含めても２回の画像再構成回数となる。

ステップＲ１１では、Ｎ個の各セグメント領域を画像再構成領域としてセグメント領域ごとに最適な再構成関数Ｒ１〜ＫＮで画像再構成する。図２８も図２６と同様に、肺野部を撮影した場合の例を示している。この場合は、心臓、肺野、軟部組織、骨の各々のセグメント領域が存在し、各々、心臓、肺野、軟部組織、骨の部位として認識されている。これらを各々の最適な再構成関数で画像再構成する。心臓部分のセグメント領域のみを心臓用再構成関数Ｋ１で画像再構成した断層像ＩＳ１を、肺野部分のセグメント領域のみを肺野用再構成関数Ｋ２で画像再構成した断層像ＩＳ２を、軟部組織部分のセグメント領域のみを軟部組織用再構成関数Ｋ３で画像再構成した断層像ＩＳ３を、骨部分のセグメント領域のみを骨用再構成関数Ｋ４で画像再構成した断層像ＩＳ４を求める。

ステップＲ１２では、各々のセグメント領域の最適な再構成関数で画像再構成された断層像Ｉを求める。この時に断層像Ｉは以下の（数式２６）で表わされる。
…（数式２６）

なお、∪は論理和（ＯＲ）であるとする。つまり、図２８の左欄の図に示すように、心臓用再構成関数Ｋ１の断層像ＩＳ１、肺野用再構成関数Ｋ２の断層像ＩＳ２、軟部組織用再構成関数Ｋ３の断層像ＩＳ３、骨用再構成関数Ｋ４の断層像ＩＳ４、を求める。これらの論理和が、図２８の右欄の図に示す各々のセグメント領域が最適な再構成関数で画像再構成された断層像Iとなる。各々のセグメント領域、つまり各々の部位において最適な再構成関数で画像再構成された断層像Ｉを以下の（数式２７）により求める。
…（数式２７）

図２７の別例においては、一度画像再構成した画像に対して各々のセグメント領域を抽出し、そのセグメント領域の部位を認識し、各セグメント領域に最適な再構成関数で画像再構成を行った。この２度目以降の画像再構成においては、１度目の画像再構成関数で用いたＸ線投影データのフーリエ変換されたデータを２度目以降に用いることができる。これにより、２度目以降の画像再構成におけるフーリエ変換を省くことができる。特にフーリエ変換処理に時間がかかる場合は、このような処理データの再利用で全体の画像再構成の高速化が図れる。

さらに、２度目以降の画像再構成においては、１度目の再構成関数と２度目の再構成関数の差をあらかじめ求めておいて、再構成関数の差を逆投影して画像空間上で加算処理を行ってやることにより、データの計算精度を落として処理の高速化が図れる。これらの画像再構成上の処理の工夫を行っても良い。

図２６の右欄の図及び図２８の右欄の図に描かれた各々のセグメント領域の最適な再構成関数で画像再構成された断層像Iをより詳述する。
図２９は、セグメント領域の最適な再構成関数で画像再構成された断層像を示した図である。図２９の上方の図は、被検体の三次元の概念図６１であり、そこから得られた断層像６２は下方の枠で囲まれた図となる。

心臓は、スライス厚1mmで心臓用再構成関数で画像再構成されており、肺野はスライス厚5mmで肺野用再構成関数で画像再構成されている。さらに、軟部組織は、スライス厚1mmで軟部組織用再構成関数でされており、骨はスライス厚1mmで骨用再構成関数されている。このため、図２９の断層像６２は、部位ごとに最適な画質となっている。このため、操作者は、部位ごとに再度フィルタをかけたり画像再構成したりして、部位に適した処理をする必要がない。

実施例２は、画像フィルタにより画質を最適化する実施例である。図３０は、各セグメント領域の画質を画像フィルタにより最適化する場合の処理のフローチャートである。本実施例においては、ステップＨ１１からステップＨ１５までは図５において説明した標準的な画像再構成である。なお、ここでは図５のステップＳ３のビームハードニング補正、ステップＳ４のＺフィルタ重畳処理は省いてあるが、ビームハードニング補正及びＺフィルタ重畳処理を、図３０のフローチャートに含めても良い。

ステップＨ１１ではデータ収集を行い、ステップＨ１２では前処理を行う。ステップＨ１３では再構成関数重畳を行い、ステップＨ１４では逆投影処理を行い、さらに、ステップＨ１５では、後処理を行う。ステップＨ１６では、各セグメント領域分けを行う。これは実施例１の図１６のステップＨ６と同じでよい。また、ステップＨ１７では、各セグメント領域の部位としての認識を行う。実施例１の図１６のステップＨ７と同様で良い。

ステップＨ１８では、各セグメント領域での画像フィルタ処理を行う。図３１に、各部位として認識されたセグメント領域ごとに最適な画像フィルタ処理で画像再構成した断層像を合成する処理のフローチャートの一例を示す。図３２に、このフローチャートの理解を助けるための概念図を示す。図３２は、肺野部を撮影した場合の例を示している。図３２においては、肺野部を撮影した場合の例を示している。この場合は心臓、肺野、軟部組織、骨の各々のセグメント領域が存在し、各々心臓、肺野、軟部組織、骨の部位として認識されている。これらを各々最適な画像フィルタを用いて画像フィルタ処理して画像再構成する。

ステップＲ２１では、Ｎ個の各セグメント領域Ｓ１〜ＳＮを抽出し、その各々のセグメント領域ごとに最適な画像フィルタＦ１〜ＦＮを調べる。まず、全体の断層像より心臓、肺野、軟部組織、骨のセグメント領域を抽出する。図３２の左欄の図がセグメント領域を抽出に該当する。心臓の部位には心臓用画像フィルタ、肺野の部位には肺野用画像フィルタ、軟部組織の部位には軟部組織用画像フィルタ、骨の部位には骨用画像フィルタが最適とされている。したがって、図３２は、これらの４種類の画像フィルタを用意した場合の概念図となる。図３１のフローチャートでは、各セグメント領域がＮ個の場合を想定している。

ステップＲ２２では、i＝１とする。ステップＲ２３では、各セグメント領域Ｓiごとに最適な画像フィルタＦiを重畳し、断層像ＩＳiを求める。ステップＲ２４では、i＝Ｎかを判断し、ＹＥＳであればステップＲ２６へ、ＮＯであればステップＲ２５へ行く。ステップＲ２５では、i＝i＋１とし、ステップＲ２３へ戻る。ステップＲ２２からステップＲ２５までを繰り返すことにより、図３２を参照すると、ステップＲ２１で抽出された４種類のセグメント領域にステップＲ２１で用意された４種類の画像フィルタを用いて４種類の断層像を画像再構成する。

具体的には図３２において、心臓のセグメント領域Ｓ１に心臓用画像フィルタＦ１を重畳した断層像をＩＳ１、肺野のセグメント領域Ｓ２に肺野用画像フィルタＦ２を重畳した断層像をＩＳ２、軟部組織のセグメント領域Ｓ３に軟部組織用画像フィルタＦ３を重畳した断層像をＩＳ３、骨のセグメント領域Ｓ４に骨用画像フィルタＦ４を重畳した断層像をＩＳ４を求めている。ステップＲ２６では、各々のセグメント領域に最適な画像フィルタをかけた画像より画像再構成された断層像Ｉを求める。この時に断層像Ｉは以下の（数式２８）で表わされる。
…（数式２８）

なお、∪は論理和（ＯＲ）であるとする。つまり、図３２においては、心臓用画像フィルタＦ１を重畳した心臓のセグメント領域断層像ＩＳ１、肺野用画像フィルタＦ２を重畳した肺野のセグメント領域断層像ＩＳ２、軟部組織用画像フィルタＦ３を重畳した軟部組織のセグメント領域断層像ＩＳ３、肺用画像フィルタＦ４を重畳した骨のセグメント領域断層像ＩＳ４を求める。これらの論理和が、図３２の右欄の図に示す各々のセグメント領域が最適な画像フィルタで重畳された断層像Iとなる。各々のセグメント領域、つまり各部位において最適な再構成関数で画像再構成された断層像Ｉを以下の（数式２９）により求める。
…（数式２９）
その後、図３０のステップＨ１９においてＣＴ値変換などの後処理を行う。この実施例２のフローチャートにより、各々のセグメント領域が最適な画像フィルタで重畳された断層像Iを得ることができる。

実施例３は、再構成関数および画像フィルタにより画質を最適化する実施例である。図３３は、各セグメント領域の画質を再構成関数および画像フィルタにより最適化する場合の処理のフローチャートである。本実施例においては、ステップＨ２１からステップＨ２５までは図５において説明した標準的な画像再構成である。なお、ここでは図５のステップＳ３のビームハードニング補正、ステップＳ４のＺフィルタ重畳処理は省いてあるが、ビームハードニング補正及びＺフィルタ重畳処理を、図３３のフローチャートを含めても良い。

ステップＨ２１ではデータ収集を行い、ステップＨ２２では前処理を行う。ステップＨ２３では再構成関数重畳を行い、ステップＨ２４では逆投影処理を行い、さらに、ステップＨ２５では、後処理を行う。ステップＨ２６では、各セグメント領域分けを行う。これは実施例１の図１６のステップＨ６と同じでよい。また、ステップＨ２７では、各セグメント領域の部位としての認識を行う。実施例１の図１６のステップＨ７と同様で良い。

ステップＨ２８では、各セグメント領域の再構成関数重畳を行う。この場合は、ステップＨ３で求められた高速フーリエ変換（ＦＦＴ）されたＸ線投影データを再利用することができる。ステップＨ２９では、各セグメント領域での画像フィルタ処理を行う。ステップＨ２８およびステップＨ２９の処理を図３４及び図３５に示す。図３４は、各セグメント領域を最適な再構成関数及び最適な画像フィルタで断層像を画像再構成するフローチャートの一例を示す。図３５に、このフローチャートの理解を助けるための概念図を示す。図３５においては、肺野部を撮影した場合の例を示している。この場合は心臓、肺野、軟部組織、骨の各々のセグメント領域が存在し、各々心臓、肺野、軟部組織、骨の部位として認識されている。これを各々最適な再構成関数、最適な画像フィルタを用いて画像再構成する。心臓の部位には心臓用再構成関数と心臓用画像フィルタ、肺野の部位には肺野用再構成関数と肺野用画像フィルタ、軟部組織の部位には軟部組織用再構成関数と軟部組織用画像フィルタ、骨の部位には骨用再構成関数と骨用画像フィルタが最適とされている。したがって、図３５は、これらの４種類の画像フィルタを用意した場合の概念図となる。図３４のフローチャートでは、各セグメント領域がＮ個の場合を想定している。

ステップＲ３１では、Ｎ個のセグメント領域Ｓ１〜ＳＮごとに最適な再構成関数Ｋ１〜ＫＮ、最適な画像フィルタＦ１〜ＦＮを調べる。ステップＲ３２では、i＝１とする。ステップＲ３３では、各セグメント領域Ｓiを画像再構成領域として、各セグメント領域Ｓiごとに最適な再構成関数Ｋiで画像再構成を行い、最適な画像フィルタＦiを重畳して断層像ＩＳiを画像再構成する。ステップＲ３４では、i＝Ｎかを判断し、ＹＥＳであればステップＲ３６へ行き、ＮＯであればステップＲ３５へ行く。ステップＲ３５で、i＝i＋１とし、ステップＲ３３へ戻ることによりステップＲ３２からステップＲ３５までを繰り返す。図３５を参照すると、ステップＲ３１で用意された各々４種類の再構成関数および画像フィルタを用いて、心臓のセグメント領域Ｓ１のみを心臓用再構成関数Ｋ１で画像再構成し、画像フィルタＦ１を重畳し、断層像ＩＳ１を、肺野のセグメント領域Ｓ２のみを肺野用再構成関数Ｋ２で画像再構成し、画像フィルタＦ２を重畳し、断層像ＩＳ２を、軟部組織のセグメント領域Ｓ３のみを軟部組織用再構成関数Ｋ３で画像再構成し、画像フィルタＦ３を重畳し、断層像ＩＳ１３を、骨のセグメント領域Ｓ４のみを骨用再構成関数Ｋ４で画像再構成し、画像フィルタＦ４を重畳し、断層像ＩＳ４を求める。

ステップＲ３６では、各々のセグメント領域に最適な再構成関数Ｋi、最適な画像フィルタＦiを用いて画像再構成された断層像Ｉを求める。この時に断層像Ｉは以下の（数式３０）で表わされる。
…（数式３０）

なお、∪は論理和（ＯＲ）であるとする。つまり、図３５においては、心臓のセグメント領域Ｓ１のみを心臓用再構成関数Ｋ１で画像再構成し、画像フィルタＦ１を重畳し、断層像ＩＳ１を求める。また、肺野のセグメント領域Ｓ２のみを肺野用再構成関数Ｋ２で画像再構成し、画像フィルタＦ２を重畳し、断層像ＩＳ２を求める。また、軟部組織のセグメント領域Ｓ３のみを軟部組織用再構成関数Ｋ３で画像再構成し、画像フィルタＦ３を重畳し、断層像ＩＳ１３を求める。さらに、骨のセグメント領域Ｓ４のみを骨用再構成関数Ｋ４で画像再構成し、画像フィルタＦ４を重畳し、断層像ＩＳ４を求める。これらの論理和が、図３５の右欄の図に示す各々のセグメント領域が最適な再構成関数および最適な画像フィルタで画像再構成された断層像Iとなる。各々のセグメント領域、つまり各部位について最適な再構成関数で画像再構成された断層像Ｉを以下の（数式３１）により求める。
…（数式３１）
その後、図３３のステップステップＨ３０においてＣＴ値変換などの後処理を行う。この実施例３のフローチャートにより、各々のセグメント領域が最適な画像フィルタで重畳された断層像Iを得ることができる。

実施例１、実施例２又は実施例３においては、図２５のステップＲ７、図２７のステップＲ１２、図３１のステップＲ２６、又は図３４のステップＲ３６のいずれにおいてもセグメント領域の境界および境界近傍の画質を連続的に変化させる点については述べてこなかった。しかし、各部位のセグメント領域は各々最適な再構成関数または最適な画像フィルタにより画質を最適化されているため、各部位のセグメント領域の境界およびその近傍において画質が不連続に変わる場合があり、画質的に不自然さが残る可能性がある。そこで、画質を連続的に変化させる必要が生じる可能性がある。

実施例４においては、セグメント領域境界の画質を連続的に変化させる実施例を示す。本実施例の全体の流れは、図３３の実施例３と同様である。本実施例でも実施例３と同様に、ステップＨ２１からステップＨ２５までは図５において説明した標準的な画像再構成である。なお、ここでは図７のステップＳ３のビームハードニング補正、ステップＳ４のＺフィルタ重畳処理は省いてあるが、これらを含めても良い。

また、ステップＨ２６の各セグメント領域分け、およびステップＨ２７の各セグメント領域の部位としての認識は実施例１のステップＨ６，ステップＨ７と同様で良い。ステップＨ２８の各セグメント領域の再構成関数重畳およびステップＨ２９の各セグメント領域の画像フィルタ処理のフローチャートを図３６に示す。

図３６は、各セグメント領域の境界を連続な画質で最適な再構成関数、最適な画像フィルタで断層像を画像再構成するフローチャートである。また、図３７は、このフローチャートの理解を助けるための概念図である。

ステップＲ４１では、各セグメント領域をＬ画素分膨張させる。各セグメント領域をＬ画素膨張させることにより、幅２Ｌ画素分化各セグメント領域をオーバーラップさせる。
ステップＲ４２では、Ｎ個のセグメント領域Ｓ１〜ＳＮごとに最適な再構成関数Ｋ１〜ＫＮ、最適な画像フィルタＦ１〜ＦＮを調べる。図３７においては、肺野部を撮影した場合の例を示している。この場合は心臓、肺野、軟部組織、骨の各々のセグメント領域が存在し、各々心臓、肺野、軟部組織、骨の部位として認識されている。これを各々最適な再構成関数、最適な画像フィルタを用いて画像再構成する。すなわち、心臓の部位には心臓用再構成関数と心臓用画像フィルタ、肺野の部位には肺野用再構成関数と肺野用画像フィルタ、軟部組織の部位には軟部組織用再構成関数と軟部組織用画像フィルタ、骨の部位には骨用再構成関数と骨用画像フィルタが最適とされている。したがって、図３７は、これらの４種類の画像フィルタを用意した場合の概念図となる。図３６のフローチャートでは、各セグメント領域がＮ個の場合を想定している。

ステップＲ４３では、i＝１とする。ステップＲ４４では、Ｌ画素分膨張させた各セグメント領域Ｓiを画像再構成領域としてセグメント領域Ｓiごとに最適な再構成関数Ｋiで画像再構成を行い、最適な画像フィルタＦiを重畳して断層像ＩＳiを画像再構成する。ステップＲ４５では、i＝Ｎかを判断し、ＹＥＳであればステップＲ４７へ行き、ＮＯであればステップＲ４６へ行く。

ステップＲ４６では、i＝i＋１とする。ステップＲ４３からステップＲ４６までを繰り返す。図３６のステップＲ４１からステップＲ４６までの処理を図３７を参照すると次のようになる。ステップＲ４２で用意された各々４種類の再構成関数および画像フィルタを用いて、心臓のセグメント領域Ｓ１のみを心臓用再構成関数Ｋ１で画像再構成し、画像フィルタＦ１を重畳し、断層像ＩＳ１を求める。また、肺野のセグメント領域Ｓ２のみを肺野用再構成関数Ｋ２で画像再構成し、画像フィルタＦ２を重畳し、断層像ＩＳ２を求める。また、軟部組織のセグメント領域Ｓ３のみを軟部組織用再構成関数Ｋ３で画像再構成し、画像フィルタＦ３を重畳し、断層像ＩＳ１３を求める。さらに、骨のセグメント領域Ｓ４のみを骨用再構成関数Ｋ４で画像再構成し、画像フィルタＦ４を重畳し、断層像ＩＳ４を求める。

次に、図３６のステップＲ４７では、各々のセグメント領域に最適な再構成関数Ｋi最適な画像フィルタＦiを用いて、画像再構成された断層像ＩＳiに加重加算係数をかけて加重加算を行い断層像Ｉを求める。この時に断層像Ｉは以下の（数式３２）で表わされる。
…（数式３２）
なお、Ｗiは各部位の加重加算係数である。その後、図３３のステップステップＨ３０のように、ＣＴ値変換などの後処理を行う。この実施例４のフローチャートにより、各々のセグメント領域の境界を連続な画質で最適な再構成関数、最適な画像フィルタで画像再構成した断層像Iを得ることができる。

つまり、図３７を参照すると、心臓の断層像ＩＳ１に心臓用の加重加算係数Ｗ１を乗算する。また、肺野の断層像ＩＳ２に肺野用の加重加算係数Ｗ２を乗算する。また、軟部組織の断層像ＩＳ１３に軟部組織の加重加算係数Ｗ３を乗算する。さらに、骨の断層像ＩＳ４に骨の加重加算係数Ｗ３を乗算する。各セグメント領域の境界を連続な画質で最適な再構成関数、最適な画像フィルタで画像再構成された断層像Ｉは以下の（数式３３）により求まる。
…（数式３３）

ここで、図３８を使って、図３６のステップＲ４７における加重加算について説明する。図３８の一番上には肺野部の断層像７１が表示されている。その下に心臓部を拡大した断層像７２を表示している。拡大した断層像７２には、心臓のセグメント領域が実線で表示され、その心臓のセグメント領域をＬ画素膨張させた領域が鎖線で表示されており、また、肺野のセグメント領域が実線で表示され、その肺野のセグメント領域をＬ画素膨張させた領域が鎖線で表示されている。拡大した断層像を横切るプロファイルＰに合わせて、拡大した断層像７２の下方には、各セグメント領域と各加重加算係数とが表示されている。
膨張させた心臓のセグメント領域と心臓の加重加算係数との関係、軟部組織のセグメント領域と軟部組織の加重加算係数との関係、膨張させた肺野のセグメント領域と肺野の加重加算係数との関係が理解できるであろう。拡大した断層像を横切るプロファイルＰ上において、膨張させた心臓領域に心臓用加重加算係数を乗算し、膨張させた軟部領域に軟部組織用加重加算係数を乗算し、膨張させた肺領域に肺組織用加重加算係数を乗算し、これらを加重加算することで、プロファイルＰ上の画質は連続的に肺野→軟部組織→心臓→軟部組織→肺野と変化して行く。この一次元のプロファイルＰの線上の例を二次元の断層像、三次元の三次元画像、四次元の時系列三次元画像に拡張すれば良い。

実施例２、実施例３及び実施例４においては、画像フィルタ処理を用いている。Ｘ線ＣＴ装置１００においては撮影視野の大きさが変化するに１画素の大きさが変化する。通常の画像フィルタ処理においては三次元画像フィルタ処理として、例えば３×３×３画素、５×５×５画素、７×７×７画素のように、画素単位の大きさの三次元画像フィルタを重畳する。二次元の画像フィルタ、四次元の画像フィルタ、Ｎ次元の画像フィルタでもこれは同様である。このため、画像フィルタの対象となる断層像、ｚ方向に連続した断層像からなる三次元画像、時系列に連続しｚ方向にも連続した断層像からなる四次元画像、これらの画像の１画素の大きさが変化すると、画像フィルタの影響が変わってくる。例えば、平滑化フィルタの場合では、画像フィルタの大きさとその画像フィルタ係数を変化させない状態で画像の１画素の大きさを変化させると、画像フィルタ処理後の空間分解能に変化が出てくる。このため、画像フィルタ処理の効果を一定にさせるために対象となる画像の１画素の大きさが変化しても画像フィルタ処理の効果が変わらないように、画像フィルタの大きさとその画像フィルタ係数を変化させることができる。これにより、断層像の画素の大きさが変化しても画像フィルタ処理の効果を一定にして画質を変化させないようにすることができる。

または画像フィルタ処理をより高速に行うために、画像をシフトする画像移動手段で、あらかじめ、この移動量をmm単位などの絶対値量で持っておく。この移動量を画素単位に直す時に１画素の大きさを考慮して、例えば、三次元画像では画像をｘ方向、ｙ方向、ｚ方向に移動させておき、移動された画像を加重加算処理することで実現することができる。この場合に対象となる画像の１画素の大きさが変化しても画像の画素単位の移動量（シフト量）および加重加算係数を変えることで、画像フィルタ処理の効果を一定にして画質を変化させないように画像フィルタ処理を行える。例えば、図３９の画像フィルタを画像Ｇ０（x，y）に重畳するとする。フィルタ重畳後の画像をＧ１（x，y）とすると、以下の（数式３４）となる。
…（数式３４）

これを図４０のような画像移動と加重加算処理で表わすと以下の（数式３５）となる。
…（数式３５）

このように、画像フィルタ処理は画像移動処理と加重加算処理と等価であることがわかる。
つまり、Ｘ線ＣＴ装置１００において撮影視野の大きさが変化して、１画素の大きさが変化した場合は、通常のフィルタ処理ではフィルタのマトリクスの大きさを変化させる。または、画像移動処理と加重加算処理でフィルタ処理を実現する場合は、画像移動量を変化させることにより、１画素の大きさの変化に依存しない画像フィルタ処理または、それと等価な処理が実現できる。

以上説明してきたように、Ｘ線ＣＴ装置１００において、各スキャンの各部位として認識されたセグメンテーション領域ごとに画質を最適化できる。

なお、本実施形態における画像再構成法は、従来公知のフェルドカンプ法による三次元画像再構成法でもよい。さらに、他の三次元画像再構成方法でもよい。または二次元画像再構成でも良い。各部位として求められる画質は、診断用途、操作者の好みなどによりバラツキがあり様々である。このため操作者は、各部位の最適な画質を撮影条件設定をあらかじめ設定しておくとよい。例えば心臓用再構成関数Ｋ１を設定したり心臓用画像フィルタＦ１を設定したりして、用途、好みなどに応じて変えて登録できると操作者にとって効率が良い。

本実施形態では、特に特定のスキャン形式に限定されない。つまり、コンベンショナルスキャン（アキシャルスキャン）、シネスキャン、ヘリカルスキャン、可変ピッチヘリカルスキャン、ヘリカルシャトルスキャンの場合でも同様の効果を出すことができる。また、走査ガントリ２０の傾斜について限定されない。すなわち、走査ガントリ２０が傾斜した、いわゆるチルト・スキャンの場合でも同様な効果を出すことができる。また、本実施形態を、生体信号、特に心拍信号に同期させて画像再構成する心拍画像再構成にも適用することができる。

また、本実施形態では、列ごとに係数の異なった列方向（ｚ方向）フィルタを重畳することにより、画質のばらつきを調整し、各列において均一なスライス厚、アーチファクト、ノイズの画質を実現している。これには様々なｚ方向フィルタ係数が考えられるが、いずれも同様の効果を出すことができる。

本実施形態では、医用Ｘ線ＣＴ装置１００を元に書かれているが、産業用Ｘ線ＣＴ装置または他の装置と組み合わせたＸ線ＣＴ−ＰＥＴ装置，Ｘ線ＣＴ−ＳＰＥＣＴ装置などにも利用できる。

本発明の一実施形態にかかるＸ線ＣＴ装置を示すブロック図である。 Ｘ線ＣＴ装置の撮影条件入力画面を示す図である。 Ｘ線発生装置（Ｘ線管）および多列Ｘ線検出器をｘｙ平面で見た説明図である。 Ｘ線発生装置（Ｘ線管）および多列Ｘ線検出器をｙｚ平面で見た説明図である。 被検体撮影の流れを示すフローチャートである。 三次元画像表示の例を示す図である。 本発明の一実施形態に係るＸ線ＣＴ装置の画像再構成の概略動作を示すフローチャートである。 前処理の詳細を示すフローチャートである。 三次元画像再構成処理の詳細を示すフローチャートである。 再構成領域上のラインをＸ線透過方向へ投影する状態を示す概念図である。 Ｘ線検出器面に投影したラインを示す概念図である。 投影データDr（view，x，y）を再構成領域上に投影した状態を示す概念図である。 再構成領域上の各画素の逆投影画素データＤ２を示す概念図である。 逆投影画素データＤ２を画素対応に全ビュー加算して逆投影データＤ３を得る状態を示す説明図である。 円形の再構成領域上のラインをＸ線透過方向へ投影する状態を示す概念図である。 各セグメント領域の画質を再構成関数により最適化する場合の処理のフローチャートである。 三次元画像の連続領域抽出（セグメント領域抽出）のフローチャートである。 三次元論理フィルタによるノイズ除去の第一例のフローチャートである。 三次元論理フィルタを二次元に展開した概念図である。 二次元に展開した収縮用三次元論理フィルタの概念図である。 二次元に展開した収縮用三次元論理フィルタの概念図である。 二次元に展開した膨張用三次元論理フィルタの概念図である。 二次元に展開した膨張用三次元論理フィルタの概念図である。 三次元論理フィルタによるノイズ除去の第２例のフローチャートである。 三次元連続領域付け（三次元ラベリング）された各領域の概念図である。 三次元画像の連続領域認識（セグメント領域認識）のフローチャートである。 各部位に最適な再構成関数で画像再構成し、各セグメント領域のマスク処理で断層像を求めるフローチャートである。 図２５のフローチャートを概念化したもので、各部位に最適な再構成関数で画像再構成し、各セグメント領域のマスク処理で求めた断層像である。 各セグメント領域を最適な再構成関数で画像再構成した断層像を合成するフローチャートである。 図２７のフローチャートを概念化したもので、各セグメント領域を最適な再構成関数で画像再構成して合成した断層像である。 セグメンテーション領域ごとに最適化された断層像を示した図である。 各セグメント領域の画質を画像フィルタにより最適化する場合の処理のフローチャートである。 各セグメント領域を最適な画像フィルタで画像再構成した断層像を合成するフローチャートである。 図３１のフローチャートを概念化したもので、各セグメント領域を最適な画像フィルタで画像再構成した断層像である。 各セグメント領域の画質を再構成関数および画像フィルタにより最適化する場合の処理のフローチャートである。 セグメント領域を最適な再構成関数、最適な画像フィルタで断層像を画像再構成するフローチャートである。 図３４のフローチャートを概念化したもので、各セグメント領域を最適な再構成関数および最適な画像フィルタで画像再構成した断層像である。 各セグメント領域の境界を連続な画質で最適な再構成関数、最適な画像フィルタで断層像を画像再構成するフローチャートである。 図３６のフローチャートを概念化したもので、各セグメント領域の境界を連続な画質で最適な再構成関数、最適な画像フィルタで画像再構成した断層像である。 各セグメント領域の加重加算に関する説明図である。 画質を変化させない画像フィルタの一例である。 画像移動の説明図である。

符号の説明

１ … 操作コンソール
２ … 入力装置
３ … 中央処理装置
５ … データ収集バッファ
６ … モニタ
７ … 記憶装置
１０ … 撮影テーブル
１２ … クレードル
１５ … 回転部
２０ … 走査ガントリ
２１ … Ｘ線管
２２ … Ｘ線コントローラ
２３ … コリメータ
２４ … 多列Ｘ線検出器または二次元Ｘ線エリア検出器
２５ … データ収集装置（ＤＡＳ）
２６ … 回転部コントローラ
２７ … 走査ガントリ傾斜コントローラ
２８ … ビーム形成Ｘ線フィルタ
２９ … 制御コントローラ
３０ … スリップリング
５１ … 三次元論理フィルタ
６２ … セグメント領域の最適な再構成関数で画像再構成された断層像

Claims (9)

1. 放射線を照射して被検体の所定領域を透過した投影データを収集し、断層像を表示するため画像再構成を行う放射線断層撮影装置において、
   画像再構成された前記断層像において、前記所定領域から、互いに隣接した少なくとも２つの領域を特定し、前記２つの領域をそれぞれ膨張させて、第１部位と第２部位として認識する部位認識手段と、
   前記所定領域を第１の再構成関数で画像再構成した第１の断層像から前記第１部位の断層像を抽出し、前記所定領域を第２の再構成関数で画像再構成した第２の断層像から、前記第２部位の断層像を抽出し、抽出された前記第１部位の断層像と前記第２部位の断層像とを組み合わせた画像であって、前記膨張により形成される前記第１部位の断層像と前記第２部位の断層像との重なり部分においては、前記第１部位の断層像と前記第２部分の断層像の両方を用いた画像を生成する画像再構成手段と
   を有することを特徴とする放射線断層撮影装置。
2. 前記画像再構成手段は、前記膨張により形成される前記第１部位の断層像と前記第２部位の断層像との重なり部分において、前記第１部位の断層像と前記第２部分の断層像の前記加重加算を行うものであることを特徴とする請求項１に記載の放射線断層撮影装置。
3. 前記部位認識手段は、局所領域の画像特徴量を用いることを特徴とする請求項１または請求項２に記載の放射線断層撮影装置。
4. 前記局所領域の画像特徴量は、画素のＣＴ値、ＣＴ値の標準偏差、又はＣＴ値の平均値、最大値、最小値、中間値、１次微分値もしくは２次微分値のうち少なくとも１つを含むことを特徴とする請求項３に記載の放射線断層撮影装置。
5. 前記部位認識手段は、連続領域を抽出する領域番号付処理を用いることを特徴とする請求項１ないし請求項４のいずれか一項に記載の放射線断層撮影装置
6. 前記部位認識手段は、前記領域番号付処理された領域の幾何学的特徴量を用いて認識することを特徴とする請求項５に記載の放射線断層撮影装置。
7. 前記幾何学的特徴量は、体積もしくは画素数、表面積、平均画素値、画素値和（ＣＴ値和、濃度和）、画素値標準偏差、ｘ，ｙ，ｚ方向フェレ径、楕円体率、球形度、ｘｙ平面面積率、ｙｚ平面面積率、ｘｚ平面面積率、三次元１次モーメント、三次元２次モーメントのうち少なくとも１つを含むことを特徴とする請求項６に記載の放射線断層撮影装置。
8. 前記領域番号付処理は、三次元画像に含まれる二次元画像より連続領域を抽出する二次元領域番号付処理であることを特徴とする請求項５ないし請求項７のいずれか一項に記載の放射線断層撮影装置。
9. 前記領域番号付処理は、三次元画像より連続領域を抽出する三次元領域番号付処理であることを特徴とする請求項５ないし請求項７のいずれか一項に記載の放射線断層撮影装置。