JP7362322B2 - Ｘ線ｃｔシステム及び医用処理装置 - Google Patents

Description

本発明の実施形態は、Ｘ線ＣＴシステム及び医用処理装置に関する。

Ｘ線ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）スキャナにより収集されるＣＴ画像データには、種々の要因により、ノイズや画像アーチファクトが含まれてしまう場合がある。具体的には、被検体の体動や、Ｘ線管からの出力のゆらぎ、被検体の体厚等に応じたＸ線の減衰といった要因により、投影データが欠損したり投影データにノイズが含まれたりすることによって、再構成されるＣＴ画像データにノイズや画像アーチファクトが含まれてしまう場合がある。

ＣＴ画像データの質を向上させるため、再構成処理に使用する投影データセットや再構成されたＣＴ画像データを、ＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）によって補正することが提案されている。ここで、ＡＩによる補正を適切に行なうためには、より多くの情報に基づく学習が行われていることが好ましい。

特開２０１２－１３０６６７号公報 国際公開第２０１７／１４１９５８号 特開２０１７－８６９０３号公報

本発明が解決しようとする課題は、質の高いＣＴ画像データを生成することである。

実施形態のＸ線ＣＴシステムは、スキャン部と、処理部とを備える。スキャン部は、被検体の体軸方向に沿った第１の範囲にＸ線を照射することで第１投影データセットを収集する第１スキャンを実行し、前記第１スキャンの後で、前記体軸方向に沿った、前記第１の範囲より狭い第２の範囲にＸ線を照射することで第２投影データセットを収集する第２スキャンを実行する。処理部は、前記第１投影データセットの少なくとも一部又は前記第１投影データセットの少なくとも一部に基づく第１画像データと、前記第２投影データセット又は前記第２投影データセットに基づく第２画像データと、に基づいて、前記第２投影データセット又は前記第２画像データより質が高い、第３投影データセット又は第３画像データを生成する学習済みモデルに対して、前記第１投影データセット又は前記第１画像データと、前記第２投影データセット又は前記第２画像データを入力することにより、前記第３投影データセット又は前記第３画像データを生成する。

図１は、第１の実施形態に係るＸ線ＣＴシステムの構成の一例を示すブロック図である。 図２は、第１の実施形態に係る学習済みモデルの生成処理について説明するための図である。 図３は、第１の実施形態に係る学習済みモデルの使用例を示す図である。 図４は、第１の実施形態に係るＸ線ＣＴシステムの処理の一連の流れを説明するためのフローチャートである。 図５は、第３の実施形態に係る医用情報処理システムの構成の一例を示すブロック図である。

以下、添付図面を参照して、Ｘ線ＣＴシステム及び医用処理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Ｘ線ＣＴシステム及び医用処理装置は、以下に示す実施形態によって限定されるものではない。

（第１の実施形態）
まず、図１を参照しながら、第１の実施形態に係るＸ線ＣＴシステム１０の構成について説明する。図１は、第１の実施形態に係るＸ線ＣＴシステム１０の構成の一例を示すブロック図である。図１に示すように、Ｘ線ＣＴシステム１０は、架台装置１１０と、寝台装置１３０と、コンソール装置１４０とを有する。なお、Ｘ線ＣＴシステム１０は、Ｘ線ＣＴ装置又はＸ線ＣＴスキャナとも呼ばれる。

図１においては、非チルト状態での回転フレーム１１３の回転軸又は寝台装置１３０の天板１３３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１は、説明のために架台装置１１０を複数方向から描画したものであり、Ｘ線ＣＴシステム１０が架台装置１１０を１つ有する場合を示す。

架台装置１１０は、Ｘ線管１１１と、Ｘ線検出器１１２と、回転フレーム１１３と、Ｘ線高電圧装置１１４と、制御装置１１５と、ウェッジ１１６と、コリメータ１１７と、ＤＡＳ１１８とを有する。

Ｘ線管１１１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１１１は、Ｘ線高電圧装置１１４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Ｐ１に対し照射するＸ線を発生する。

Ｘ線検出器１１２は、Ｘ線管１１１から照射されて被検体Ｐ１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ＤＡＳ１１８へと出力する。Ｘ線検出器１１２は、例えば、Ｘ線管１１１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１１２は、例えば、チャ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。

例えば、Ｘ線検出器１１２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１１２は、入射したＸ線を電気信号に変換する半導体素子を有する直接変換型の検出器であっても構わない。

回転フレーム１１３は、Ｘ線管１１１とＸ線検出器１１２とを対向支持し、制御装置１１５によってＸ線管１１１とＸ線検出器１１２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１１３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１１３は、Ｘ線管１１１及びＸ線検出器１１２に加えて、Ｘ線高電圧装置１１４やウェッジ１１６、コリメータ１１７、ＤＡＳ１１８等を更に支持することもできる。更に、回転フレーム１１３は、図１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。以下では、架台装置１１０において、回転フレーム１１３、及び、回転フレーム１１３と共に回転移動する部分を、回転部とも記載する。

Ｘ線高電圧装置１１４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１１１に印加する高電圧を発生する高電圧発生装置と、Ｘ線管１１１が発生するＸ線に応じた出力電圧の制御を行なう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１１４は、回転フレーム１１３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。

制御装置１１５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１１５は、入力インターフェース１４３からの入力信号を受けて、架台装置１１０及び寝台装置１３０の動作制御を行なう。例えば、制御装置１１５は、回転フレーム１１３の回転や架台装置１１０のチルト、寝台装置１３０の動作等について制御を行なう。一例を挙げると、制御装置１１５は、架台装置１１０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１１３を回転させる。なお、制御装置１１５は架台装置１１０に設けられてもよいし、コンソール装置１４０に設けられてもよい。

ウェッジ１１６は、Ｘ線管１１１から照射されたＸ線量を調節するためのＸ線フィルタである。具体的には、ウェッジ１１６は、Ｘ線管１１１から被検体Ｐ１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１１１から照射されたＸ線を減衰させるＸ線フィルタである。例えば、ウェッジ１１６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て作製される。

コリメータ１１７は、ウェッジ１１６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１１７は、Ｘ線絞りと呼ばれる場合もある。また、図１においては、Ｘ線管１１１とコリメータ１１７との間にウェッジ１１６が配置される場合を示すが、Ｘ線管１１１とウェッジ１１６との間にコリメータ１１７が配置される場合であってもよい。この場合、ウェッジ１１６は、Ｘ線管１１１から照射され、コリメータ１１７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。

ＤＡＳ１１８は、Ｘ線検出器１１２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、ＤＡＳ１１８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なう増幅器と、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。ＤＡＳ１１８は、例えば、プロセッサにより実現される。

ＤＡＳ１１８が生成したデータは、回転フレーム１１３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１１０の非回転部分（例えば、固定フレーム等。図１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１４０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１１３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１１３から架台装置１１０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。

寝台装置１３０は、スキャン対象の被検体Ｐ１を載置、移動させる装置であり、基台１３１と、寝台駆動装置１３２と、天板１３３と、支持フレーム１３４とを有する。基台１３１は、支持フレーム１３４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１３２は、被検体Ｐ１が載置された天板１３３を、天板１３３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１３４の上面に設けられた天板１３３は、被検体Ｐ１が載置される板である。なお、寝台駆動装置１３２は、天板１３３に加え、支持フレーム１３４を天板１３３の長軸方向に移動してもよい。

コンソール装置１４０は、メモリ１４１と、ディスプレイ１４２と、入力インターフェース１４３と、処理回路１４４とを有する。なお、コンソール装置１４０は架台装置１１０とは別体として説明するが、架台装置１１０にコンソール装置１４０又はコンソール装置１４０の各構成要素の一部が含まれてもよい。

メモリ１４１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。例えば、メモリ１４１は、被検体Ｐ１に対するスキャンを実行することで収集される各種のデータを記憶する。また、例えば、メモリ１４１は、Ｘ線ＣＴシステム１０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。なお、メモリ１４１は、Ｘ線ＣＴシステム１０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。

ディスプレイ１４２は、各種の情報を表示する。例えば、ディスプレイ１４２は、処理回路１４４により生成された表示用のＣＴ画像を表示したり、ユーザからの各種操作を受け付けるためのＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）等を表示したりする。例えば、ディスプレイ１４２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１４２は、デスクトップ型でもよいし、コンソール装置１４０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。

入力インターフェース１４３は、ユーザからの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路１４４に出力する。例えば、入力インターフェース１４３は、ＣＴ画像データを再構成する際の再構成条件や、ＣＴ画像データから表示用のＣＴ画像を生成する際の画像処理条件等をユーザから受け付ける。例えば、入力インターフェース１４３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なうタッチパッド、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１４３は、架台装置１１０に設けられてもよい。また、入力インターフェース１４３は、コンソール装置１４０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１４３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１４０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１４４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１４３の例に含まれる。

処理回路１４４は、スキャン機能１４４ａ、処理機能１４４ｂ、及び制御機能１４４ｃを実行することで、Ｘ線ＣＴシステム１０全体の動作を制御する。なお、スキャン機能１４４ａは、スキャン部の一例である。また、処理機能１４４ｂは、処理部の一例である。

例えば、処理回路１４４は、スキャン機能１４４ａに相当するプログラムをメモリ１４１から読み出して実行することにより、被検体Ｐ１に対するスキャンを実行する。例えば、スキャン機能１４４ａは、被検体Ｐ１に対して、位置決め撮影や本スキャンといった各種のスキャンを実行する。

ここで、位置決め撮影については、２次元で実行されてもよいし、３次元で実行されてもよい。本実施形態では一例として、２次元の位置決め撮影を実行する場合について説明する。この場合、スキャン機能１４４ａは、Ｘ線管１１１の位置を被検体Ｐ１の周囲で回転させないで、Ｘ線管１１１の位置及び被検体Ｐ１の少なくともいずれかを被検体Ｐ１の体軸方向（図１に示すＺ軸方向）に沿って移動させながら、位置決め撮影を実行する。

例えば、スキャン機能１４４ａは、Ｘ線管１１１の位置を所定の回転角度に固定し、天板１３３をＺ軸方向に移動させながら、Ｘ線管１１１から被検体Ｐ１に対してＸ線を照射させる。また、スキャン機能１４４ａによって位置決め撮影が実行される間、ＤＡＳ１１８は、Ｘ線検出器１１２における各検出素子からＸ線の信号を収集し、検出データを生成する。また、スキャン機能１４４ａは、ＤＡＳ１１８から出力された検出データに対して前処理を施す。例えば、スキャン機能１４４ａは、ＤＡＳ１１８から出力された検出データに対して、対数変換処理やオフセット補正処理、チャンネル間の感度補正処理、ビームハードニング補正等の前処理を施す。なお、前処理を施した後のデータについては生データとも記載する。また、前処理を施す前の検出データ及び前処理を施した後の生データを総称して、投影データとも記載する。

即ち、スキャン機能１４４ａは、Ｘ線管１１１の位置を所定の回転角度に固定し、天板１３３をＺ軸方向に移動させながら、Ｘ線管１１１から被検体Ｐ１に対してＸ線を照射させることで、被検体Ｐ１の体軸方向における複数の位置それぞれについて投影データを収集する。以下では、複数の投影データをまとめて、投影データセットとも記載する。即ち、スキャン機能１４４ａは、位置決め撮影を実行することにより、投影データセットを収集する。

また、処理回路１４４は、処理機能１４４ｂに相当するプログラムをメモリ１４１から読み出して実行することにより、スキャン結果に基づいて画像データを生成する。例えば、処理機能１４４ｂは、位置決め撮影により収集された投影データセットに基づいて位置決め画像データを生成する。なお、位置決め画像データは、スキャノ画像データやスカウト画像データと呼ばれる場合もある。

また、本スキャンについては、例えば、コンベンショナルスキャンの方式で実行されてもよいし、ヘリカルスキャンの方式で実行されてもよいし、ステップアンドシュート方式で実行されてもよい。

コンベンショナルスキャンの方式で本スキャンを実行する場合、スキャン機能１４４ａは、Ｘ線管１１１の位置及び被検体Ｐ１を体軸方向に沿って移動させないで、Ｘ線管１１１の位置を被検体Ｐ１の周囲で回転させながら、本スキャンを実行する。例えば、スキャン機能１４４ａは、天板１３３を停止させた状態で、Ｘ線管１１１を被検体Ｐ１の周囲で回転させながら、Ｘ線管１１１から被検体Ｐ１に対してＸ線を照射させる。

また、ヘリカルスキャンの方式で本スキャンを実行する場合、スキャン機能１４４ａは、Ｘ線管１１１の位置及び被検体Ｐ１を体軸方向に沿って移動させるとともに、Ｘ線管１１１の位置を被検体Ｐ１の周囲で回転させながら、本スキャンを実行する。例えば、スキャン機能１４４ａは、天板１３３をＺ軸方向に移動させるとともに、Ｘ線管１１１を被検体Ｐ１の周囲で回転させながら、Ｘ線管１１１から被検体Ｐ１に対してＸ線を照射させる。

ステップアンドシュート方式で本スキャンを実行する場合、スキャン機能１４４ａは、まず、Ｘ線管１１１の位置及び被検体Ｐ１を体軸方向に沿って移動させないで、Ｘ線管１１１の位置を被検体Ｐ１の周囲で回転させながら、本スキャンを実行する。例えば、スキャン機能１４４ａは、天板１３３を停止させた状態で、Ｘ線管１１１を被検体Ｐ１の周囲で回転させながら、Ｘ線管１１１から被検体Ｐ１に対してＸ線を照射させる。次に、スキャン機能１４４ａは、Ｘ線管１１１からのＸ線の照射を停止させた状態で、天板１３３をＺ軸方向に移動させる。そして、スキャン機能１４４ａは、天板１３３を停止させた状態で、Ｘ線管１１１を被検体Ｐ１の周囲で回転させながら、Ｘ線管１１１から被検体Ｐ１に対してＸ線を再度照射させる。

スキャン機能１４４ａによって本スキャンが実行される間、ＤＡＳ１１８は、Ｘ線検出器１１２における各検出素子からＸ線の信号を収集し、検出データを生成する。また、スキャン機能１４４ａは、ＤＡＳ１１８から出力された検出データに対して、対数変換処理やオフセット補正処理、チャンネル間の感度補正処理、ビームハードニング補正等の前処理を施す。

即ち、スキャン機能１４４ａは、Ｘ線管１１１の位置を被検体Ｐ１の周囲で回転させながらＸ線を被検体Ｐ１に照射することで、複数の照射方向（ビュー）のそれぞれについて投影データを収集する。即ち、スキャン機能１４４ａは、本スキャンを実行することにより、投影データセットを収集する。

また、処理機能１４４ｂは、本スキャンにより収集された投影データセットに基づいて、ＣＴ画像データ（ボリュームデータ）を生成する。例えば、処理機能１４４ｂは、投影データセットに基づいて、フィルタ補正逆投影法や逐次近似再構成法、逐次近似応用再構成法等を用いた再構成処理を行なうことにより、ＣＴ画像データを生成する。また、処理機能１４４ｂは、ＡＩによる再構成処理を行なってＣＴ画像データを生成することもできる。例えば、処理機能１４４ｂは、ＤＬＲ（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ）法により、ＣＴ画像データを生成する。

ここで、処理機能１４４ｂは、ＣＴ画像データについての補正を行なう。具体的には、処理機能１４４ｂは、学習済みモデルＭ１に対して、位置決め撮影により収集された位置決め画像データ及び本スキャンにより収集されたＣＴ画像データを入力することにより、ＣＴ画像データについて補正を行なう。なお、学習済みモデルＭ１を用いた補正については後述する。

また、処理回路１４４は、制御機能１４４ｃに対応するプログラムをメモリ１４１から読み出して実行することにより、ディスプレイ１４２における表示の制御を行なう。例えば、制御機能１４４ｃは、処理機能１４４ｂにより生成された位置決め画像データやＣＴ画像データを、公知の方法により表示用画像に変換する。一例を挙げると、制御機能１４４ｃは、入力インターフェース１４３を介してユーザから受け付けた入力操作等に基づいて、ＣＴ画像データを任意断面の断層像データや３次元画像データ等に変換する。そして、制御機能１４４ｃは、変換した表示用画像をディスプレイ１４２に表示させる。また、制御機能１４４ｃは、ネットワークを介して各種のデータを送信する。一例を挙げると、制御機能１４４ｃは、処理機能１４４ｂにより生成された位置決め画像データやＣＴ画像データを、図示しない画像保管装置に送信して保管させる。

図１に示すＸ線ＣＴシステム１０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１４１へ記憶されている。処理回路１４４は、メモリ１４１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、プログラムを読み出した状態の処理回路１４４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。

なお、図１においては単一の処理回路１４４にて、スキャン機能１４４ａ、処理機能１４４ｂ、及び制御機能１４４ｃが実現するものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路１４４を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしても構わない。また、処理回路１４４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。

また、処理回路１４４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１４４は、メモリ１４１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システム１０とネットワークを介して接続されたサーバ群（クラウド）を計算資源として利用することにより、図１に示す各機能を実現する。

以上、Ｘ線ＣＴシステム１０の構成例について説明した。かかる構成の下、Ｘ線ＣＴシステム１０における処理回路１４４は、以下詳細に説明する処理によって、ＣＴ画像データの質を向上させる。

まず、処理機能１４４ｂは、学習済みモデルＭ１を生成してメモリ１４１に格納する。即ち、処理機能１４４ｂは、被検体Ｐ１に対する位置決め撮影及び本スキャンに先立って、学習済みモデルＭ１の生成処理を行なう。以下、処理機能１４４ｂによる学習済みモデルＭ１の生成処理について、図２を用いて説明する。図２は、第１の実施形態に係る学習済みモデルＭ１の生成処理について説明するための図である。

図２に示す画像データＣ１１、画像データＣ１２及び画像データＣ１３は、被検体Ｐ１や、被検体Ｐ１と異なる被検体Ｐ２、人体を模したファントム等をスキャンすることで収集された画像データである。画像データＣ１１、画像データＣ１２及び画像データＣ１３は、Ｘ線ＣＴシステム１０において収集された画像データであってもよいし、他のシステムにおいて収集された画像データであってもよい。なお、以下では一例として、Ｘ線ＣＴシステム１０において被検体Ｐ２をスキャンすることにより、画像データＣ１１、画像データＣ１２及び画像データＣ１３を収集するものとして説明する。

例えば、Ｘ線ＣＴシステム１０は、被検体Ｐ２についてスキャンＡ１１を実行することで、画像データＣ１１を収集する。一例を挙げると、まず、スキャン機能１４４ａは、Ｘ線管１１１の位置を所定の回転角度に固定し、天板１３３をＺ軸方向に移動させながら、Ｘ線管１１１から被検体Ｐ２に対してＸ線を照射させることで、被検体Ｐ２の体軸方向における複数の位置それぞれについて投影データを収集する。以下、スキャンＡ１１により収集された複数の投影データを、投影データセットＢ１１と記載する。そして、処理機能１４４ｂは、収集された投影データセットＢ１１に基づいて、図２に示す画像データＣ１１を生成する。即ち、画像データＣ１１は、２次元のスキャンにより収集された２次元画像データである。一例を挙げると、画像データＣ１１は、被検体Ｐ２に対する検査において、位置決め撮影により収集された位置決め画像データである。

また、例えば、Ｘ線ＣＴシステム１０は、被検体Ｐ２についてスキャンＡ１２を実行することで、画像データＣ１２を収集する。一例を挙げると、まず、スキャン機能１４４ａは、Ｘ線管１１１を被検体Ｐ２の周囲で回転させながら、線量Ｘ１のＸ線を被検体Ｐ２に照射することで、複数のビューのそれぞれについて投影データを収集する。以下、スキャンＡ１２により収集された複数の投影データを、投影データセットＢ１２と記載する。そして、処理機能１４４ｂは、収集された投影データセットＢ１２に基づく再構成処理を実行することにより、図２に示す画像データＣ１２を生成する。即ち、画像データＣ１２は、３次元のスキャンにより収集された３次元画像データである。一例を挙げると、画像データＣ１２は、被検体Ｐ２に対する検査において、本スキャンにより収集されたＣＴ画像データである。

また、例えば、Ｘ線ＣＴシステム１０は、被検体Ｐ２についてスキャンＡ１３を実行することで、画像データＣ１３を収集する。一例を挙げると、まず、スキャン機能１４４ａは、Ｘ線管１１１を被検体Ｐ２の周囲で回転させながら、線量Ｘ２のＸ線を被検体Ｐ２に照射することで、複数のビューのそれぞれについて投影データを収集する。ここで、線量Ｘ２は、線量Ｘ１よりも高い線量である。以下、スキャンＡ１３により収集された複数の投影データを、投影データセットＢ１３と記載する。そして、処理機能１４４ｂは、収集された投影データセットＢ１３に基づく再構成処理を実行することにより、図２に示す画像データＣ１３を生成する。即ち、画像データＣ１３は、３次元のスキャンにより収集された３次元画像データである。一例を挙げると、画像データＣ１３は、被検体Ｐ２に対する検査において、本スキャンにより収集されたＣＴ画像データである。

また、画像データＣ１３は、画像データＣ１２と比較して、高線量のＸ線を用いて収集された画像データである。即ち、画像データＣ１３は、高線量のＸ線を用いて収集された質の高い画像データである。例えば、画像データＣ１３においては、画像データＣ１２と比較して、アーチファクトやノイズが低減されている。

処理機能１４４ｂは、図２に示す画像データＣ１１及び画像データＣ１２を入力側データ、画像データＣ１３を出力側データとした機械学習を実行することにより、学習済みモデルＭ１を生成する。ここで、学習済みモデルＭ１は、例えば、ニューラルネットワーク（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）により構成することができる。

ニューラルネットワークとは、層状に並べた隣接層間が結合した構造を有し、情報が入力層側から出力層側に伝播するネットワークである。例えば、処理機能１４４ｂは、画像データＣ１１、画像データＣ１２及び画像データＣ１３を用いて多層のニューラルネットワークについて深層学習（ディープラーニング）を実行することで、学習済みモデルＭ１を生成する。なお、多層のニューラルネットワークは、例えば、入力層と、複数の中間層（隠れ層）と、出力層とにより構成される。

一例を挙げると、処理機能１４４ｂは、画像データＣ１１及び画像データＣ１２を入力側データとして、ニューラルネットワークに入力する。ここで、ニューラルネットワークにおいては、入力層側から出力層側に向かって一方向に隣接層間でのみ結合しながら情報が伝播し、出力層からは、画像データＣ１３を推定した画像データが出力される。即ち、ニューラルネットワークにおいては、画像データＣ１２の質を向上させる処理が行われ、出力層からは、画像データＣ１２より質の高い画像データＣ１３を推定した画像データが出力される。なお、入力層側から出力層側に向かって一方向に情報が伝播するニューラルネットワークについては、畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）とも呼ばれる。

処理機能１４４ｂは、入力側データを入力した際にニューラルネットワークが好ましい結果を出力することができるよう、ニューラルネットワークのパラメータを調整することで、学習済みモデルＭ１を生成する。例えば、処理機能１４４ｂは、画像データ間の近さを表す関数（誤差関数）を用いて、ニューラルネットワークのパラメータを調整する。

一例を挙げると、処理機能１４４ｂは、画像データＣ１３と、ニューラルネットワークが推定した画像データとの間の近さを示す誤差関数Ｅ１を算出する。また、処理機能１４４ｂは、画像データＣ１１と、ニューラルネットワークが推定した画像データとの間の整合性を示す誤差関数Ｅ２を算出する。例えば、処理機能１４４ｂは、ニューラルネットワークが推定した画像データを、画像データＣ１１を収集した際のＸ線照射方向に応じて順投影することで、２次元の画像データＣ１４を生成する。また、処理機能１４４ｂは、生成した画像データＣ１４と画像データＣ１１とについて、画像データ間の近さを示す誤差関数Ｅ２を算出する。

更に、処理機能１４４ｂは、算出した誤差関数が極小となるように、ニューラルネットワークのパラメータを調整する。例えば、処理機能１４４ｂは、誤差関数Ｅ１と誤差関数Ｅ２との和が極小となるように、ニューラルネットワークのパラメータを調整する。これにより、処理機能１４４ｂは、２次元の画像データ及び３次元の画像データの入力を受け付けて、入力された３次元の画像データの質を向上させるように機能付けられた学習済みモデルＭ１を生成する。また、処理機能１４４ｂは、生成した学習済みモデルＭ１を、メモリ１４１に記憶させる。

そして、被検体Ｐ１に対するスキャンが実行された際、処理機能１４４ｂは、メモリ１４１から学習済みモデルＭ１を読み出し、読み出した学習済みモデルＭ１を用いて、被検体Ｐ１から収集されたＣＴ画像データの質を向上させる。以下、被検体Ｐ１に対して実行されるスキャン、及び、学習済みモデルＭ１を用いたＣＴ画像データの補正処理について、図３を用いて説明する。図３は、第１の実施形態に係る学習済みモデルＭ１の使用例を示す図である。

まず、スキャン機能１４４ａは、スキャンＡ２１を実行する。具体的には、スキャン機能１４４ａは、図３に示すように、Ｘ線管１１１の位置を被検体Ｐ１の周囲で回転させないで、Ｘ線管１１１の位置を被検体Ｐ１に対して相対的に移動させながら、被検体Ｐ１に対してＸ線を照射させる。これにより、スキャン機能１４４ａは、被検体Ｐ１の体軸方向に沿った範囲Ｒ１にＸ線を照射して、投影データセットＢ２１を収集する。例えば、スキャン機能１４４ａは、Ｘ線管１１１の位置を所定の回転角度に固定し、天板１３３をＺ軸方向に移動させて、投影データセットＢ２１を収集する。また、処理機能１４４ｂは、スキャンＡ２１により収集された投影データセットＢ２１に基づいて、２次元の画像データＣ２１を生成する。

なお、スキャンＡ２１は、第１スキャンの一例である。また、範囲Ｒ１は、第１の範囲の一例である。また、投影データセットＢ２１は、第１投影データセットの一例である。また、画像データＣ２１は、第１画像データの一例である。処理機能１４４ｂは、投影データセットＢ２１の全部を用いて画像データＣ２１を生成してもよいし、投影データセットＢ２１の一部を用いて画像データＣ２１を生成してもよい。

次に、制御機能１４４ｃは、画像データＣ２１に基づく参照画像をディスプレイ１４２に表示させる。また、制御機能１４４ｃは、参照画像を参照したユーザからの入力操作を受け付けることで、スキャンＡ２２のスキャン範囲である範囲Ｒ２を設定する。なお、スキャンＡ２２は、第２スキャンの一例である。また、範囲Ｒ２は、第２の範囲の一例である。

上述したように、範囲Ｒ２は、投影データセットＢ２１の少なくとも一部に基づいて生成され、ディスプレイ１４２に表示された位置決め画像データに対する操作により設定される。即ち、スキャンＡ２１は、範囲Ｒ２を設定するための位置決め撮影である。従って、スキャンＡ２１の範囲Ｒ１は、診断対象の臓器等を含むように、比較的広域に設定されることが好ましい。範囲Ｒ２は、範囲Ｒ１において設定されるものであるため、通常は図３に示すように、範囲Ｒ１より狭い範囲となる。

次に、スキャン機能１４４ａは、参照画像に設定された範囲Ｒ２に対して、スキャンＡ２２を実行する。具体的には、スキャン機能１４４ａは、図３に示すように、Ｘ線管１１１の位置を被検体Ｐ１の周囲で回転させながら、被検体Ｐ１に対してＸ線を照射させる。これにより、スキャン機能１４４ａは、被検体Ｐ１の体軸方向に沿った範囲Ｒ２にＸ線を照射して、投影データセットＢ２２を収集する。例えば、スキャン機能１４４ａは、コンベンショナルスキャン、ヘリカルスキャン、ステップアンドシュートといった方式のスキャンを実行することで、投影データセットＢ２２を収集する。なお、投影データセットＢ２２は、第２投影データセットの一例である。

また、処理機能１４４ｂは、スキャンＡ２２により収集された投影データセットＢ２２に基づいて、３次元の画像データＣ２２を生成する。なお、画像データＣ２２は、第２画像データの一例である。例えば、処理機能１４４ｂは、投影データセットＢ２２に基づいて、フィルタ補正逆投影法や逐次近似再構成法、逐次近似応用再構成法、ＤＬＲ法といった再構成処理を実行することにより、３次元の画像データＣ２２を再構成する。即ち、スキャンＡ２２は、ＣＴ画像データ（ボリュームデータ）を収集するための本スキャンである。

なお、スキャン機能１４４ａは、被検体Ｐ１の心拍又は呼吸の周期に応じて、スキャンＡ２１とスキャンＡ２２とを同期させて実行することとしてもよい。即ち、スキャン機能１４４ａは、心拍又は呼吸による周期的な動きによってスキャンＡ２１とスキャンＡ２２との間の位置ずれが生じないように、スキャンＡ２１とスキャンＡ２２とを同期させて実行することとしてもよい。

例えば、スキャン機能１４４ａは、スキャンＡ２１及びスキャンＡ２２と並行して、被検体Ｐ１の心電波形を取得する。例えば、スキャン機能１４４ａは、被検体Ｐ１に装着した心電計により、被検体Ｐ１の心電波形を取得する。そして、スキャン機能１４４ａは、スキャンＡ２１における心電波形に対して、スキャンＡ２２における心電波形の位相が一致するように、スキャンＡ２２を実行する。

また、例えば、スキャン機能１４４ａは、スキャンＡ２１及びスキャンＡ２２と並行して、被検体Ｐ１の呼吸波形を取得する。例えば、スキャン機能１４４ａは、呼吸センサにより被検体Ｐ１の呼吸波形を取得する。一例を挙げると、スキャン機能１４４ａは、呼吸センサとして、レーザ発生器と受光器を用いて呼吸波形を取得する。具体的には、スキャン機能１４４ａは、被検体Ｐ１の腹部表面からの反射光の信号を処理し、レーザ照射から反射光受光までの時間又は反射光信号の位相変化に基づいて、レーザ発生器と被検体の腹部表面との間の距離をリアルタイムに繰り返し演算することで、呼吸波形を取得する。なお、呼吸センサの例はこれに限定されるものではなく、スキャン機能１４４ａは、例えば、被検体Ｐ１の腹部に装着された圧力センサや、被検体Ｐ１を撮影する光学カメラ等により、呼吸波形を取得することとしても構わない。そして、スキャン機能１４４ａは、スキャンＡ２１における呼吸波形に対して、スキャンＡ２２における呼吸波形の位相が一致するように、スキャンＡ２２を実行する。

また、処理機能１４４ｂは、スキャンＡ２１により収集された投影データセットＢ２１と、スキャンＡ２２により収集された投影データセットＢ２２との位置合わせを行なうこととしてもよい。或いは、処理機能１４４ｂは、スキャンＡ２１により収集された画像データＣ２１と、スキャンＡ２２により収集された画像データＣ２２との位置合わせを行なうこととしてもよい。これにより、処理機能１４４ｂは、スキャンＡ２１とスキャンＡ２２との間に生じる被検体Ｐ１の体動等の影響を低減することができる。

次に、処理機能１４４ｂは、画像データＣ２２の質を評価する。例えば、処理機能１４４ｂは、画像データＣ２２について信号雑音比（ｓｉｇｎａｌ－ｎｏｉｓｅ ｒａｔｉｏ）を算出し、信号雑音比を閾値と比較することで、画像データＣ２２の質を評価する。また、例えば、制御機能１４４ｃは、画像データＣ２２に基づいて表示用画像を生成し、ディスプレイ１４２に表示させる。そして、処理機能１４４ｂは、表示用画像を参照したユーザから、画像データＣ２２の質について評価の入力を受け付ける。

次に、処理機能１４４ｂは、画像データＣ２２の質の評価結果に応じて、画像データＣ２２の補正処理を行なうか否かを判定する。即ち、画像データＣ２２の質が十分に高い場合には、処理機能１４４ｂは、後述する補正処理を省略して、処理を終了することとしても構わない。なお、以下では、画像データＣ２２の補正処理を行なう場合について説明する。

画像データＣ２２の補正処理を行なう場合、処理機能１４４ｂは、メモリ１４１から読み出した学習済みモデルＭ１に対して、画像データＣ２１と画像データＣ２２とを入力する。これによって、学習済みモデルＭ１は、図３に示すように、画像データＣ２２より質が高い画像データＣ２３を出力する。即ち、学習済みモデルＭ１は、画像データＣ２１との整合性を維持しつつ画像データＣ２２を補正することで、図３に示す画像データＣ２３を生成する。なお、画像データＣ２３は、第３画像データの一例である。

なお、処理機能１４４ｂは、学習済みモデルＭ１に対して、画像データＣ２１の全部を入力してもよいし、一部のみを入力してもよい。例えば、処理機能１４４ｂは、画像データＣ２１のうち、範囲Ｒ２に含まれる部分のみを学習済みモデルＭ１に入力してもよい。換言すると、処理機能１４４ｂは、範囲Ｒ１から収集された投影データセットＢ２１の少なくとも一部に基づく画像データＣ２１を学習済みモデルＭ１に入力する。

そして、制御機能１４４ｃは、画像データＣ２３に基づく表示用画像をディスプレイ１４２に表示させる。例えば、制御機能１４４ｃは、まず、画像データＣ２３に対するレンダリング処理を実行する。ここで、レンダリング処理の例としては、断面再構成法（ＭＰＲ：Ｍｕｌｔｉ Ｐｌａｎａｒ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ）により、画像データＣ２３から任意断面の２次元画像を生成する処理が挙げられる。また、レンダリング処理の他の例としては、ボリュームレンダリング（Ｖｏｌｕｍｅ Ｒｅｎｄｅｒｉｎｇ）処理や、最大値投影法（ＭＩＰ：Ｍａｘｉｍｕｍ Ｉｎｔｅｎｓｉｔｙ Ｐｒｏｊｅｃｔｉｏｎ）により、画像データＣ２３から、３次元の情報を反映した２次元画像を生成する処理が挙げられる。そして、制御機能１４４ｃは、レンダリング処理により生成した表示用画像をディスプレイ１４２に表示させる。

次に、Ｘ線ＣＴシステム１０による処理の手順の一例を、図４を用いて説明する。図４は、第１の実施形態に係るＸ線ＣＴシステム１０の処理の一連の流れを説明するためのフローチャートである。

ステップＳ１０１及びステップＳ１０６は、スキャン機能１４４ａに対応する。ステップＳ１０２、ステップＳ１０７、ステップＳ１０８、ステップＳ１０９、ステップＳ１１０及びステップＳ１１１は、処理機能１４４ｂに対応する。ステップＳ１０３、ステップＳ１０４、ステップＳ１０５及びステップＳ１１２は、制御機能１４４ｃに対応する。

まず、処理回路１４４は、被検体Ｐ１に対してスキャンＡ２１を実行し、投影データセットＢ２１を収集する（ステップＳ１０１）。次に、処理回路１４４は、投影データセットＢ２１に基づいて画像データＣ２１を生成する（ステップＳ１０２）。次に、処理回路１４４は、画像データＣ２１に対するレンダリング処理を行なうことで参照画像を生成し（ステップＳ１０３）、生成した参照画像をディスプレイ１４２に表示させる（ステップＳ１０４）。

ここで、処理回路１４４は、参照画像を参照したユーザによりスキャン範囲が設定されたか否かを判定し（ステップＳ１０５）、スキャン範囲が設定されていない場合には待機状態となる（ステップＳ１０５否定）。一方で、スキャン範囲が設定された場合（ステップＳ１０５肯定）、処理回路１４４は、参照画像に設定されたスキャン範囲に対してスキャンＡ２２を実行し、投影データセットＢ２２を収集する（ステップＳ１０６）。次に、処理回路１４４は、投影データセットＢ２２に基づいて画像データＣ２２を生成する（ステップＳ１０７）。

次に、処理回路１４４は、画像データＣ２２の質を評価し（ステップＳ１０８）、評価結果に応じて、画像データＣ２２について補正処理を行なうか否かを判定する（ステップＳ１０９）。補正処理を行なう場合（ステップＳ１０９肯定）、処理回路１４４は、学習済みモデルＭ１に対して画像データＣ２１及び画像データＣ２２を入力し（ステップＳ１１０）、画像データＣ２３を生成する（ステップＳ１１１）。

そして、処理回路１４４は、表示用画像を生成してディスプレイ１４２に表示させ（ステップＳ１１２）、処理を終了する。なお、画像データＣ２３を生成していた場合、処理回路１４４は、ステップＳ１１２において、画像データＣ２３に基づく表示用画像をディスプレイ１４２に表示させる。一方で、補正処理を行なわなかった場合（ステップＳ１０９否定）、処理回路１４４は、ステップＳ１１２において、画像データＣ２２に基づく表示用画像をディスプレイ１４２に表示させる。

なお、上述したステップＳ１０８及びステップＳ１０９については省略してもよい。即ち、処理回路１４４は、画像データＣ２２の質に関わらず、学習済みモデルＭ１に対して画像データＣ２１及び画像データＣ２２を入力し、画像データＣ２３を生成することとしても構わない。

上述したように、第１の実施形態によれば、スキャン機能１４４ａは、被検体Ｐ１の体軸方向に沿った範囲Ｒ１にＸ線を照射することで投影データセットＢ２１を収集するスキャンＡ２１を実行する。また、スキャン機能１４４ａは、スキャンＡ２１の後で、被検体Ｐ１の体軸方向に沿った範囲Ｒ２にＸ線を照射することで投影データセットＢ２２を収集するスキャンＡ２２を実行する。また、処理機能１４４ｂは学習済みモデルＭ１に対して、投影データセットＢ２１の少なくとも一部に基づく画像データＣ２１と、投影データセットＢ２２に基づく画像データＣ２２とを入力することにより、画像データＣ２２より質が高い画像データＣ２３を生成する。即ち、第１の実施形態に係るＸ線ＣＴシステム１０は、画像データＣ２２より質の高いＣＴ画像データである、画像データＣ２３を生成することができる。

特に、Ｘ線ＣＴシステム１０は、画像データＣ２２のみならず、画像データＣ２１に基づいて、画像データＣ２３を生成する。即ち、Ｘ線ＣＴシステム１０においては、画像データＣ２１から解剖学的な追加の情報を得ることができるため、画像データＣ２２のみを使用する場合と比較してより適切な補正処理を行ない、画像データＣ２３の質を更に向上させることができる。

また、Ｘ線ＣＴシステム１０は、スキャンＡ２１の結果に基づいて、スキャンＡ２２における範囲Ｒ２を設定するとともに、ＣＴ画像データの質を向上させる。即ち、Ｘ線ＣＴシステム１０は、スキャンＡ２１による被検体Ｐ１の被ばくをより有意義なものとすることができる。なお、スキャンＡ２１は、スキャンＡ２２における範囲Ｒ２を設定するための位置決め撮影である。即ち、スキャンＡ２１は、通常の処理フローにおいてスキャンＡ２２の前に実行されるものであり、処理フローを複雑化させるものではない。

（第２の実施形態）
上述した第１の実施形態では、学習済みモデルＭ１に対して画像データＣ２１及び画像データＣ２２を入力することで、質の高いＣＴ画像データを生成する場合について説明した。これに対し、第２の実施形態では、後述する学習済みモデルＭ２に対して投影データセットＢ２１及び投影データセットＢ２２を入力することで、質の高いＣＴ画像データを生成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システム１０は、図１に示した第１の実施形態に係るＸ線ＣＴシステム１０と同様の構成を有する。以下、第１の実施形態において説明した点については図１と同一の符号を付し、説明を省略する。

まず、処理機能１４４ｂは、学習済みモデルＭ２を生成してメモリ１４１に格納する。例えば、処理機能１４４ｂは、学習済みモデルＭ２の生成に用いる学習データとして、投影データセットＢ１１、投影データセットＢ１２及び投影データセットＢ１３を取得する。

例えば、スキャン機能１４４ａは、Ｘ線管１１１の位置を所定の回転角度に固定し、天板１３３をＺ軸方向に移動させながらＸ線管１１１からのＸ線を被検体Ｐ２に照射することで、投影データセットＢ１１を収集する。また、スキャン機能１４４ａは、Ｘ線管１１１を被検体Ｐ２の周囲で回転させながら、線量Ｘ１のＸ線を被検体Ｐ２に照射することで、投影データセットＢ１２を収集する。また、スキャン機能１４４ａは、Ｘ線管１１１を被検体Ｐ２の周囲で回転させながら、線量Ｘ１よりも高い線量Ｘ２のＸ線を被検体Ｐ２に照射することで、投影データセットＢ１３を収集する。即ち、投影データセットＢ１３は、投影データセットＢ１２より質の高い投影データセットである。

そして、処理機能１４４ｂは、投影データセットＢ１１及び投影データセットＢ１２を入力側データ、投影データセットＢ１３を出力側データとした機械学習を実行することにより、学習済みモデルＭ２を生成する。ここで、学習済みモデルＭ２は、例えば、ニューラルネットワークにより構成することができる。例えば、処理機能１４４ｂは、投影データセットＢ１１、投影データセットＢ１２及び投影データセットＢ１３を用いて多層のニューラルネットワークについて深層学習を実行することで、学習済みモデルＭ２を生成する。

一例を挙げると、処理機能１４４ｂは、投影データセットＢ１１及び投影データセットＢ１２を入力側データとして、ニューラルネットワークに入力する。ここで、ニューラルネットワークにおいては、入力層側から出力層側に向かって一方向に隣接層間でのみ結合しながら情報が伝播し、出力層からは、投影データセットＢ１３を推定した投影データセットが出力される。即ち、ニューラルネットワークにおいては、投影データセットＢ１２の質を向上させる処理が行われ、出力層からは、投影データセットＢ１２より質の高い投影データセットＢ１３を推定した投影データセットが出力される。

処理機能１４４ｂは、入力側データを入力した際にニューラルネットワークが好ましい結果を出力することができるよう、ニューラルネットワークのパラメータを調整することで、学習済みモデルＭ２を生成する。例えば、処理機能１４４ｂは、投影データセット間の近さを表す誤差関数を用いて、ニューラルネットワークのパラメータを調整する。

一例を挙げると、処理機能１４４ｂは、投影データセットＢ１３と、ニューラルネットワークが推定した投影データセットとの間の近さを示す誤差関数Ｅ３を算出する。また、処理機能１４４ｂは、投影データセットＢ１１と、ニューラルネットワークが推定した画像データとの間の整合性を示す誤差関数Ｅ４を算出する。そして、処理機能１４４ｂは、算出した誤差関数が極小となるように、ニューラルネットワークのパラメータを調整する。例えば、処理機能１４４ｂは、誤差関数Ｅ３と誤差関数Ｅ４との和が極小となるように、ニューラルネットワークのパラメータを調整する。これにより、処理機能１４４ｂは、２次元の投影データセット及び３次元の投影データセットの入力を受け付けて、入力された３次元の投影データセットの質を向上させるように機能付けられた学習済みモデルＭ２を生成する。また、処理機能１４４ｂは、生成した学習済みモデルＭ２を、メモリ１４１に記憶させる。

そして、被検体Ｐ１に対するスキャンが実行された際、処理機能１４４ｂは、メモリ１４１から学習済みモデルＭ２を読み出し、読み出した学習済みモデルＭ２を用いて、被検体Ｐ１から収集された投影データセットの質を向上させ、ひいては投影データセットに基づくＣＴ画像データの質を向上させる。

例えば、スキャン機能１４４ａは、まず、図３に示したスキャンＡ２１を実行し、投影データセットＢ２１を収集する。また、処理機能１４４ｂは、スキャンＡ２１により収集された投影データセットＢ２１に基づいて、画像データＣ２１を生成する。次に、制御機能１４４ｃは、画像データＣ２１に基づく参照画像を参照したユーザからの入力操作を受け付けることで、スキャンＡ２２のスキャン範囲である範囲Ｒ２を設定する。次に、スキャン機能１４４ａは、参照画像に設定された範囲Ｒ２に対してスキャンＡ２２を実行し、投影データセットＢ２２を収集する。

次に、処理機能１４４ｂは、投影データセットＢ２２の質を評価する。例えば、処理機能１４４ｂは、投影データセットＢ２２について信号雑音比を算出し、信号雑音比を閾値と比較することで、投影データセットＢ２２の質を評価する。また、例えば、制御機能１４４ｃは、投影データセットＢ２２に基づく画像（例えば、サイノグラム等）をディスプレイ１４２に表示させる。そして、処理機能１４４ｂは、投影データセットＢ２２に基づく画像を参照したユーザから、投影データセットＢ２２の質について評価の入力を受け付ける。

次に、処理機能１４４ｂは、投影データセットＢ２２の質の評価結果に応じて、投影データセットＢ２２の補正処理を行なうか否かを判定する。即ち、投影データセットＢ２２の質が十分に高い場合には、処理機能１４４ｂは、後述する補正処理を省略しても構わない。この場合、処理機能１４４ｂは、投影データセットＢ２２に基づいて、質の高い画像データＣ２２を再構成することができる。なお、投影データセットＢ２２の補正処理を行なうか否かを判定する処理については、適宜省略することとして構わない。

投影データセットＢ２２の補正処理を行なう場合、処理機能１４４ｂは、メモリ１４１から読み出した学習済みモデルＭ２に対して、投影データセットＢ２１と投影データセットＢ２２とを入力する。これによって、学習済みモデルＭ２は、投影データセットＢ２２より質が高い投影データセットＢ２３を出力する。即ち、学習済みモデルＭ２は、投影データセットＢ２１との整合性を維持しつつ投影データセットＢ２２を補正することで、投影データセットＢ２３を生成する。なお、投影データセットＢ２３は、第３投影データセットの一例である。

なお、処理機能１４４ｂは、学習済みモデルＭ２に対して、投影データセットＢ２１の全部を入力してもよいし、一部のみを入力してもよい。例えば、処理機能１４４ｂは、投影データセットＢ２１のうち、範囲Ｒ２に含まれる部分のみを学習済みモデルＭ２に入力してもよい。換言すると、処理機能１４４ｂは、範囲Ｒ１から収集された投影データセットＢ２１の少なくとも一部を学習済みモデルＭ２に入力する。

また、処理機能１４４ｂは、学習済みモデルＭ２を用いて生成された投影データセットＢ２３に基づいて、３次元の画像データＣ２４を生成する。例えば、処理機能１４４ｂは、投影データセットＢ２３に基づいて、フィルタ補正逆投影法や逐次近似再構成法、逐次近似応用再構成法、ＤＬＲ法といった再構成処理を実行することにより、３次元の画像データＣ２４を再構成する。ここで、画像データＣ２４は、質の高い投影データセットＢ２３に基づいて生成されるものであり、投影データセットＢ２２に基づいて生成される画像データＣ２２等と比較して質の高いＣＴ画像データである。また、制御機能１４４ｃは、画像データＣ２４に基づいて表示用画像を生成し、ディスプレイ１４２に表示させる。

上述したように、第２の実施形態によれば、スキャン機能１４４ａは、被検体Ｐ１の体軸方向に沿った範囲Ｒ１にＸ線を照射することで投影データセットＢ２１を収集するスキャンＡ２１を実行する。また、スキャン機能１４４ａは、スキャンＡ２１の後で、被検体Ｐ１の体軸方向に沿った範囲Ｒ２にＸ線を照射することで投影データセットＢ２２を収集するスキャンＡ２２を実行する。また、処理機能１４４ｂは学習済みモデルＭ１に対して、投影データセットＢ２１の少なくとも一部と、投影データセットＢ２２とを入力することにより、投影データセットＢ２２より質が高い投影データセットＢ２３を生成する。そして、第２の実施形態に係るＸ線ＣＴシステム１０は、投影データセットＢ２３に基づいて、質の高いＣＴ画像データである、画像データＣ２４を生成することができる。

特に、Ｘ線ＣＴシステム１０は、投影データセットＢ２２のみならず、投影データセットＢ２１に基づいて、投影データセットＢ２３を生成する。即ち、Ｘ線ＣＴシステム１０においては、投影データセットＢ２１から解剖学的な追加の情報を得ることができるため、投影データセットＢ２２のみを使用する場合と比較してより適切な補正処理を行ない、投影データセットＢ２３の質を更に向上させることができる。ひいては、Ｘ線ＣＴシステム１０は、投影データセットＢ２３に基づく画像データＣ２４の質を更に向上させることができる。

（第３の実施形態）
さて、これまで第１～第２の実施形態について説明したが、上述した実施形態以外にも、種々の異なる形態にて実施されてよいものである。

例えば、これまで、スキャンＡ２２のスキャン範囲である範囲Ｒ２をユーザが設定するものとして説明したが、実施形態はこれに限定されるものではない。例えば、制御機能１４４ｃは、画像データＣ２１、又は画像データＣ２１に基づいて生成した参照画像を解析し、診断対象の臓器等を抽出することで、範囲Ｒ２を自動設定してもよい。

また、上述した実施形態では、位置決め撮影を２次元で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、Ｘ線ＣＴシステム１０は、位置決め撮影を３次元で実行する場合であっても構わない。

位置決め撮影を３次元で実行する場合、処理機能１４４ｂは、まず、２次元の位置決め画像データに代えて３次元の位置決め画像データを使用した機械学習を実行し、学習済みモデルを生成する。例えば、処理機能１４４ｂは、被検体Ｐ２について３次元の位置決め撮影を実行することにより収集された画像データＣ１５と、図２に示した画像データＣ１２及び画像データＣ１３とを学習データとした機械学習を実行することにより、学習済みモデルＭ３を生成する。

例えば、Ｘ線ＣＴシステム１０は、被検体Ｐ２についてスキャンＡ１５を実行することで、画像データＣ１５を収集する。一例を挙げると、まず、スキャン機能１４４ａは、Ｘ線管１１１を被検体Ｐ２の周囲で回転させながら、Ｘ線管１１１から被検体Ｐ２に対してＸ線を照射することで、複数のビューのそれぞれについて投影データを収集する。以下、スキャンＡ１５により収集された複数の投影データを、投影データセットＢ１５と記載する。そして、処理機能１４４ｂは、収集された投影データセットＢ１５に基づく再構成処理を実行することにより、画像データＣ１５を生成する。即ち、画像データＣ１５は、３次元のスキャンにより収集された３次元画像データである。例えば、画像データＣ１５は、スキャンＡ１２やスキャンＡ１３のスキャン範囲を設定するための位置決め画像データである。

また、スキャン機能１４４ａは、Ｘ線管１１１を被検体Ｐ２の周囲で回転させながら、線量Ｘ１のＸ線を被検体Ｐ２に照射することでスキャンＡ１２を実行し、投影データセットＢ１２を収集する。また、処理機能１４４ｂは、投影データセットＢ１２に基づく再構成処理を実行することにより、画像データＣ１２を生成する。また、スキャン機能１４４ａは、Ｘ線管１１１を被検体Ｐ２の周囲で回転させながら、線量Ｘ１よりも高い線量Ｘ２のＸ線を被検体Ｐ２に照射することでスキャンＡ１３を実行し、投影データセットＢ１３を収集する。また、処理機能１４４ｂは、投影データセットＢ１３に基づく再構成処理を実行することにより、画像データＣ１３を生成する。即ち、画像データＣ１３は、画像データＣ１２より質の高い画像データである。

そして、処理機能１４４ｂは、画像データＣ１５及び画像データＣ１２を入力側データ、画像データＣ１３を出力側データとした機械学習を実行することにより、学習済みモデルＭ３を生成する。ここで、学習済みモデルＭ３は、例えば、ニューラルネットワークにより構成することができる。例えば、処理機能１４４ｂは、画像データＣ１５、画像データＣ１２及び画像データＣ１３を用いて多層のニューラルネットワークについて深層学習を実行することで、学習済みモデルＭ３を生成する。

一例を挙げると、処理機能１４４ｂは、画像データＣ１５及び画像データＣ１２を入力側データとして、ニューラルネットワークに入力する。ここで、ニューラルネットワークにおいては、入力層側から出力層側に向かって一方向に隣接層間でのみ結合しながら情報が伝播し、出力層からは、画像データＣ１３を推定した画像データが出力される。即ち、ニューラルネットワークにおいては、画像データＣ１２の質を向上させる処理が行われ、出力層からは、画像データＣ１２より質の高い画像データＣ１３を推定した画像データが出力される。

処理機能１４４ｂは、入力側データを入力した際にニューラルネットワークが好ましい結果を出力することができるよう、ニューラルネットワークのパラメータを調整することで、学習済みモデルＭ３を生成する。例えば、処理機能１４４ｂは、画像データ間の近さを表す誤差関数を用いて、ニューラルネットワークのパラメータを調整する。

一例を挙げると、処理機能１４４ｂは、画像データＣ１３と、ニューラルネットワークが推定した画像データとの間の近さを示す誤差関数Ｅ５を算出する。また、処理機能１４４ｂは、画像データＣ１５と、ニューラルネットワークが推定した画像データとの間の近さを示す誤差関数Ｅ６を算出する。そして、処理機能１４４ｂは、算出した誤差関数が極小となるように、ニューラルネットワークのパラメータを調整する。例えば、処理機能１４４ｂは、誤差関数Ｅ５と誤差関数Ｅ６との和が極小となるように、ニューラルネットワークのパラメータを調整する。これにより、処理機能１４４ｂは、３次元の位置決め撮影で収集された第１画像データ及び３次元の本スキャンで収集された第２画像データの入力を受け付けて、入力された第２画像データの質を向上させるように機能付けられた学習済みモデルＭ３を生成する。また、処理機能１４４ｂは、生成した学習済みモデルＭ３を、メモリ１４１に記憶させる。

そして、被検体Ｐ１に対するスキャンが実行された際、処理機能１４４ｂは、メモリ１４１から学習済みモデルＭ３を読み出し、読み出した学習済みモデルＭ３を用いて、被検体Ｐ１から収集されたＣＴ画像データの質を向上させる。

例えば、スキャン機能１４４ａは、まず、被検体Ｐ１についてスキャンＡ２５を実行することで、画像データＣ２５を収集する。一例を挙げると、まず、スキャン機能１４４ａは、Ｘ線管１１１を被検体Ｐ１の周囲で回転させながら、Ｘ線管１１１から被検体Ｐ１に対してＸ線を照射することで、複数のビューのそれぞれについて投影データを収集する。以下、スキャンＡ２５により収集された複数の投影データを、投影データセットＢ２５と記載する。例えば、スキャン機能１４４ａは、図３に示した範囲Ｒ１にＸ線を照射することで、投影データセットＢ２５を収集する。そして、処理機能１４４ｂは、収集された投影データセットＢ２５に基づく再構成処理を実行することにより、画像データＣ２５を生成する。即ち、画像データＣ２５は、３次元のスキャンにより収集された３次元画像データである。

なお、スキャンＡ２５は、第１スキャンの一例である。また、投影データセットＢ２５は、第１投影データセットの一例である。また、画像データＣ２５は、第１画像データの一例である。

次に、制御機能１４４ｃは、画像データＣ２５に基づく参照画像を参照したユーザからの入力操作を受け付けることで、スキャンＡ２２のスキャン範囲である範囲Ｒ２を設定する。即ち、画像データＣ２５は、スキャンＡ２２のスキャン範囲を設定するための位置決め画像データである。次に、スキャン機能１４４ａは、参照画像に設定された範囲Ｒ２に対してスキャンＡ２２を実行し、投影データセットＢ２２を収集する。また、処理機能１４４ｂは、投影データセットＢ２２に基づいて画像データＣ２２を生成する。

次に、処理機能１４４ｂは、画像データＣ２２の質を評価する。次に、処理機能１４４ｂは、画像データＣ２２の質の評価結果に応じて、画像データＣ２２の補正処理を行なうか否かを判定する。即ち、画像データＣ２２の質が十分に高い場合には、処理機能１４４ｂは、後述する補正処理を省略しても構わない。なお、画像データＣ２２の補正処理を行なうか否かを判定する処理については、適宜省略することとして構わない。

画像データＣ２２の補正処理を行なう場合、処理機能１４４ｂは、メモリ１４１から読み出した学習済みモデルＭ３に対して、画像データＣ２５と画像データＣ２２とを入力する。これによって、学習済みモデルＭ３は、画像データＣ２２より質が高い画像データＣ２６を出力する。即ち、学習済みモデルＭ３は、画像データＣ２５との整合性を維持しつつ画像データＣ２２を補正することで、画像データＣ２６を生成する。なお、画像データＣ２６は、第３画像データの一例である。

なお、処理機能１４４ｂは、学習済みモデルＭ３に対して、画像データＣ２５の全部を入力してもよいし、一部のみを入力してもよい。例えば、処理機能１４４ｂは、画像データＣ２５のうち、範囲Ｒ２に含まれる部分のみを学習済みモデルＭ３に入力してもよい。換言すると、処理機能１４４ｂは、範囲Ｒ１から収集された投影データセットＢ２５の少なくとも一部に基づく画像データＣ２５を学習済みモデルＭ３に入力する。

別の例を挙げると、処理機能１４４ｂは、被検体Ｐ２について３次元の位置決め撮影を実行することにより収集された投影データセットＢ１５と、投影データセットＢ１２及び投影データセットＢ１３とを学習データとした機械学習を実行することにより、学習済みモデルＭ４を生成する。

例えば、スキャン機能１４４ａは、Ｘ線管１１１を被検体Ｐ２の周囲で回転させながら、Ｘ線を被検体Ｐ２に照射することでスキャンＡ１５を実行し、投影データセットＢ１５を収集する。また、スキャン機能１４４ａは、Ｘ線管１１１を被検体Ｐ２の周囲で回転させながら、線量Ｘ１のＸ線を被検体Ｐ２に照射することでスキャンＡ１２を実行し、投影データセットＢ１２を収集する。また、スキャン機能１４４ａは、Ｘ線管１１１を被検体Ｐ２の周囲で回転させながら、線量Ｘ１よりも高い線量Ｘ２のＸ線を被検体Ｐ２に照射することでスキャンＡ１３を実行し、投影データセットＢ１３を収集する。即ち、投影データセットＢ１３は、投影データセットＢ１２より質の高い投影データセットである。

そして、処理機能１４４ｂは、投影データセットＢ１５及び投影データセットＢ１２を入力側データ、投影データセットＢ１３を出力側データとした機械学習を実行することにより、学習済みモデルＭ４を生成する。ここで、学習済みモデルＭ４は、例えば、ニューラルネットワークにより構成することができる。例えば、処理機能１４４ｂは、投影データセットＢ１５、投影データセットＢ１２及び投影データセットＢ１３を用いて多層のニューラルネットワークについて深層学習を実行することで、学習済みモデルＭ４を生成する。

一例を挙げると、処理機能１４４ｂは、投影データセットＢ１５及び投影データセットＢ１２を入力側データとして、ニューラルネットワークに入力する。ここで、ニューラルネットワークにおいては、入力層側から出力層側に向かって一方向に隣接層間でのみ結合しながら情報が伝播し、出力層からは、投影データセットＢ１３を推定した投影データセットが出力される。即ち、ニューラルネットワークにおいては、投影データセットＢ１２の質を向上させる処理が行われ、出力層からは、投影データセットＢ１２より質の高い投影データセットＢ１３を推定した投影データセットが出力される。

処理機能１４４ｂは、入力側データを入力した際にニューラルネットワークが好ましい結果を出力することができるよう、ニューラルネットワークのパラメータを調整することで、学習済みモデルＭ４を生成する。例えば、処理機能１４４ｂは、投影データセット間の近さを表す誤差関数を用いて、ニューラルネットワークのパラメータを調整する。

一例を挙げると、処理機能１４４ｂは、投影データセットＢ１３と、ニューラルネットワークが推定した投影データセットとの間の近さを示す誤差関数Ｅ７を算出する。また、処理機能１４４ｂは、投影データセットＢ１５と、ニューラルネットワークが推定した画像データとの間の近さを示す誤差関数Ｅ８を算出する。そして、処理機能１４４ｂは、算出した誤差関数が極小となるように、ニューラルネットワークのパラメータを調整する。例えば、処理機能１４４ｂは、誤差関数Ｅ７と誤差関数Ｅ８との和が極小となるように、ニューラルネットワークのパラメータを調整する。これにより、処理機能１４４ｂは、３次元の位置決め撮影で収集された第１投影データセット及び３次元の本スキャンで収集された第２投影データセットの入力を受け付けて、入力された第２投影データセットの質を向上させるように機能付けられた学習済みモデルＭ４を生成する。また、処理機能１４４ｂは、生成した学習済みモデルＭ４を、メモリ１４１に記憶させる。

そして、被検体Ｐ１に対するスキャンが実行された際、処理機能１４４ｂは、メモリ１４１から学習済みモデルＭ４を読み出し、読み出した学習済みモデルＭ４を用いて、被検体Ｐ１から収集された投影データセットの質を向上させ、ひいては投影データセットに基づくＣＴ画像データの質を向上させる。

例えば、スキャン機能１４４ａは、まず、被検体Ｐ１についてスキャンＡ２５を実行することで、投影データセットＢ２５を収集する。例えば、スキャン機能１４４ａは、図３に示した範囲Ｒ１にＸ線を照射することで、投影データセットＢ２５を収集する。また、処理機能１４４ｂは、収集された投影データセットＢ２５に基づく再構成処理を実行することにより、画像データＣ２５を生成する。

次に、制御機能１４４ｃは、画像データＣ２５に基づく参照画像を参照したユーザからの入力操作を受け付けることで、スキャンＡ２２のスキャン範囲である範囲Ｒ２を設定する。次に、スキャン機能１４４ａは、参照画像に設定された範囲Ｒ２に対してスキャンＡ２２を実行し、投影データセットＢ２２を収集する。

次に、処理機能１４４ｂは、投影データセットＢ２２の質を評価する。また、処理機能１４４ｂは、投影データセットＢ２２の質の評価結果に応じて、投影データセットＢ２２の補正処理を行なうか否かを判定する。即ち、投影データセットＢ２２の質が十分に高い場合には、処理機能１４４ｂは、後述する補正処理を省略しても構わない。この場合、処理機能１４４ｂは、投影データセットＢ２２に基づいて、質の高い画像データＣ２２を再構成することができる。なお、投影データセットＢ２２の補正処理を行なうか否かを判定する処理については、適宜省略することとして構わない。

投影データセットＢ２２の補正処理を行なう場合、処理機能１４４ｂは、メモリ１４１から読み出した学習済みモデルＭ４に対して、投影データセットＢ２５と投影データセットＢ２２とを入力する。これによって、学習済みモデルＭ４は、投影データセットＢ２２より質が高い投影データセットＢ２６を出力する。即ち、学習済みモデルＭ４は、投影データセットＢ２５との整合性を維持しつつ投影データセットＢ２２を補正することで、投影データセットＢ２６を生成する。なお、投影データセットＢ２６は、第３投影データセットの一例である。また、処理機能１４４ｂは、学習済みモデルＭ４を用いて生成された投影データセットＢ２６に基づいて、質の高いＣＴ画像データである画像データＣ２７を再構成する。

なお、処理機能１４４ｂは、学習済みモデルＭ４に対して、投影データセットＢ２５の全部を入力してもよいし、一部のみを入力してもよい。例えば、処理機能１４４ｂは、投影データセットＢ２５のうち、範囲Ｒ２に含まれる部分のみを学習済みモデルＭ４に入力してもよい。換言すると、処理機能１４４ｂは、範囲Ｒ１から収集された投影データセットＢ２５の少なくとも一部を学習済みモデルＭ４に入力する。

また、学習済みモデルＭ１～Ｍ４がニューラルネットワークにより構成されるものとして説明したが、処理機能１４４ｂは、ニューラルネットワーク以外の機械学習手法により、学習済みモデルＭ１～Ｍ４を生成してもよい。また、処理機能１４４ｂが学習済みモデルＭ１～Ｍ４を生成するものとして説明したが、学習済みモデルＭ１～Ｍ４は、他の装置において生成されるものであっても構わない。

また、投影データセット又はＣＴ画像データの補正処理をＸ線ＣＴシステム１０が実行するものとして説明したが、実施形態はこれに限定されるものではない。例えば、補正処理は、Ｘ線ＣＴシステム１０と異なる他の装置において実行されても構わない。以下、この点について、図５に示す医用情報処理システム１を例として説明する。図５は、第５の実施形態に係る医用情報処理システム１の構成の一例を示すブロック図である。医用情報処理システム１には、Ｘ線ＣＴシステム１０、及び、補正処理を実行する医用処理装置２０が含まれる。

図５に示すように、Ｘ線ＣＴシステム１０と医用処理装置２０とは、ネットワークＮＷを介して相互に接続される。ここで、ネットワークＮＷを介して接続可能であれば、Ｘ線ＣＴシステム１０及び医用処理装置２０が設置される場所は任意である。例えば、医用処理装置２０は、Ｘ線ＣＴシステム１０と異なる病院に設置されてもよい。即ち、ネットワークＮＷ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でもよい。また、図５においてはＸ線ＣＴシステム１０を１つ示すが、医用情報処理システム１は複数のＸ線ＣＴシステム１０を含んでもよい。

医用処理装置２０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。例えば、医用処理装置２０は、図５に示すように、メモリ２１と、ディスプレイ２２と、入力インターフェース２３と、処理回路２４とを有する。

メモリ２１は、例えば、ＲＡＭ、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。例えば、メモリ２１は、Ｘ線ＣＴシステム１０から送信された各種のデータを記憶する。また、例えば、メモリ２１は、医用処理装置２０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。なお、メモリ２１は、医用処理装置２０とネットワークＮＷ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。

ディスプレイ２２は、各種の情報を表示する。例えば、ディスプレイ２２は、処理回路２４により生成された表示用のＣＴ画像を表示したり、ユーザからの各種操作を受け付けるためのＧＵＩ等を表示したりする。例えば、ディスプレイ２２は、液晶ディスプレイやＣＲＴディスプレイである。ディスプレイ２２は、デスクトップ型でもよいし、医用処理装置２０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。

入力インターフェース２３は、ユーザからの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路２４に出力する。例えば、入力インターフェース２３は、ＣＴ画像データを再構成する際の再構成条件や、ＣＴ画像データから表示用のＣＴ画像を生成する際の画像処理条件等をユーザから受け付ける。例えば、入力インターフェース２３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なうタッチパッド、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２３は、医用処理装置２０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２３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、医用処理装置２０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２４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２３の例に含まれる。

処理回路２４は、処理機能２４ａ及び制御機能２４ｂを実行することで、医用処理装置２０全体の動作を制御する。なお、処理機能２４ａは、処理部の一例である。処理回路２４による処理については後述する。

図５に示す医用処理装置２０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２１へ記憶されている。処理回路２４は、メモリ２１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、プログラムを読み出した状態の処理回路２４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。

なお、図５においては単一の処理回路２４にて、処理機能２４ａ及び制御機能２４ｂが実現するものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路２４を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしても構わない。また、処理回路２４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。

また、処理回路２４は、ネットワークＮＷ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２４は、メモリ２１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、医用処理装置２０とネットワークＮＷを介して接続されたサーバ群（クラウド）を計算資源として利用することにより、図５に示す各機能を実現する。

例えば、まず、Ｘ線ＣＴシステム１０におけるスキャン機能１４４ａは、被検体Ｐ１の体軸方向に沿った範囲Ｒ１にＸ線を照射することで、第１投影データセットを収集する第１スキャンを実行する。また、スキャン機能１４４ａは、第１スキャンの後で、被検体Ｐ１の体軸方向に沿った、範囲Ｒ１より狭い範囲Ｒ２にＸ線を照射することで、第２投影データセットを収集する第２スキャンを実行する。

また、処理機能１４４ｂは、第１投影データセットの少なくとも一部に基づく第１画像データと、第２投影データセットに基づく第２画像データとを生成する。次に、制御機能１４４ｃは、ネットワークＮＷを介して、第１画像データ及び第２画像データを医用処理装置２０に送信する。或いは、制御機能１４４ｃは、第１投影データセット及び第２投影データセットを医用処理装置２０に送信する。次に、処理機能２４ａは、第１投影データセットの少なくとも一部に基づく第１画像データと、第２投影データセットに基づく第２画像データとを生成する。

そして、処理機能２４ａは、第２画像データについての補正処理を実行する。例えば、処理機能２４ａは、第１画像データと第２画像データとを、上述した学習済みモデルＭ１又は学習済みモデルＭ３に入力することにより、第２画像データより質が高い第３画像データを生成する。なお、処理機能２４ａは、補正処理に先立って第２画像データの質を評価し、評価結果に応じて第３画像データの生成を行なうか否かを判定することとしても構わない。

別の例を挙げると、制御機能１４４ｃは、第１投影データセット及び第２投影データセットを医用処理装置２０に送信する。そして、処理機能２４ａは、第２投影データセットについての補正処理を実行する。例えば、処理機能２４ａは、第１投影データセットの少なくとも一部と第２投影データセットとを、上述した学習済みモデルＭ２又は学習済みモデルＭ４に入力することにより、第２投影データセットより質が高い第３投影データセットを生成する。なお、処理機能２４ａは、補正処理に先立って第２投影データセットの質を評価し、評価結果に応じて第３投影データセットの生成を行なうか否かを判定することとしても構わない。

そして、処理機能２４ａは、第３投影データセットに基づいて、第２投影データセットに基づくＣＴ画像データよりも質の高い、第３画像データを再構成する。或いは、制御機能２４ｂは、ネットワークＮＷを介して、第３投影データセットをＸ線ＣＴシステム１０に送信する。この場合、処理機能１４４ｂは、第３投影データセットに基づいて第３画像データを再構成する。

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１４１又はメモリ２１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。

なお、図１においては、単一のメモリ１４１が処理回路１４４の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５においては、単一のメモリ２１が処理回路２４の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１４１を分散して配置し、処理回路１４４は、個別のメモリ１４１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。同様に、複数のメモリ２１を分散して配置し、処理回路２４は、個別のメモリ２１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１４１又はメモリ２１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。

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。

また、上述した実施形態で説明した処理方法は、予め用意された処理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。この処理プログラムは、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、この処理プログラムは、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非一過性の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。

以上説明した少なくとも１つの実施形態によれば、質の高いＣＴ画像データを生成することができる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行なうことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１ 医用情報処理システム
１０ Ｘ線ＣＴシステム
１１０ 架台装置
１４０ コンソール装置
１４４ 処理回路
１４４ａ スキャン機能
１４４ｂ 処理機能
１４４ｃ 制御機能
２０ 医用処理装置
２４ 処理回路
２４ａ 処理機能
２４ｂ 制御機能

Claims (6)

1. Ｘ線管の位置をスキャン対象の周囲で回転させないスキャンにより収集された投影データセットに基づいて再構成された画像データである第１学習データと、前記Ｘ線管の位置を前記スキャン対象の周囲で回転させながら第１の線量で実行されるスキャンにより収集された投影データセットに基づいて再構成された画像データである第２学習データとを入力側データとし、前記Ｘ線管の位置を前記スキャン対象の周囲で回転させながら前記第１の線量よりも高い第２の線量で実行されるスキャンにより収集された投影データセットに基づいて再構成された画像データである第３学習データを出力側データとした機械学習を実行することにより学習済みモデルを生成する処理部と、
   Ｘ線管の位置を被検体の周囲で回転させずに、前記被検体の体軸方向に沿った第１の範囲にＸ線を照射することで第１投影データセットを収集する第１スキャンを実行し、前記第１スキャンの後で、前記Ｘ線管の位置を前記被検体の周囲で回転させながら、前記体軸方向に沿った、前記第１の範囲より狭い第２の範囲にＸ線を照射することで第２投影データセットを収集する第２スキャンを実行するスキャン部とを備え、
   前記処理部は、前記第１投影データセットの少なくとも一部に基づいて再構成された第１画像データと、前記第２投影データセットに基づいて再構成された第２画像データとを前記学習済みモデルに対して入力することにより、前記第２画像データより質が高い第３画像データを生成する、Ｘ線ＣＴシステム。
2. 前記スキャン部は、Ｘ線を発生するＸ線管の位置及び前記被検体の少なくともいずれかを前記体軸方向に沿って移動させながら前記第１投影データセットを収集する、請求項１に記載のＸ線ＣＴシステム。
3. 前記スキャン部は、前記Ｘ線管の位置及び前記被検体を前記体軸方向に沿って移動させないで前記第２投影データセットを収集する、請求項２に記載のＸ線ＣＴシステム。
4. 前記処理部は、前記第２画像データの質を評価し、評価結果に応じて前記第３画像データの生成を行なうか否かを判定する、請求項１～３のいずれか一項に記載のＸ線ＣＴシステム。
5. 前記第２の範囲は、前記第１投影データセットの少なくとも一部に基づいて生成され、表示部に表示された位置決め画像データに対する操作により設定される、請求項１～４のいずれか一項に記載のＸ線ＣＴシステム。
6. Ｘ線管の位置をスキャン対象の周囲で回転させないスキャンにより収集された投影データセットに基づいて再構成された画像データである第１学習データと、前記Ｘ線管の位置を前記スキャン対象の周囲で回転させながら第１の線量で実行されるスキャンにより収集された投影データセットに基づいて再構成された画像データである第２学習データとを入力側データとし、前記Ｘ線管の位置を前記スキャン対象の周囲で回転させながら前記第１の線量よりも高い第２の線量で実行されるスキャンにより収集された投影データセットに基づいて再構成された画像データである第３学習データを出力側データとした機械学習を実行することにより学習済みモデルを生成する処理部を備え、
   前記処理部は、Ｘ線管の位置を被検体の周囲で回転させずに前記被検体の体軸方向に沿った第１の範囲にＸ線を照射する第１スキャンにより収集された第１投影データセットの少なくとも一部に基づいて再構成された第１画像データと、前記Ｘ線管の位置を前記被検体の周囲で回転させながら前記体軸方向に沿った前記第１の範囲より狭い第２の範囲にＸ線を照射する第２スキャンにより前記第１スキャンの後に収集された第２投影データセットに基づいて再構成された第２画像データとを前記学習済みモデルに対して入力することにより、前記第２画像データより質が高い第３画像データを生成する、医用処理装置。

Images