知財求人 - 知財ポータルサイト「IP Force」
特開2024-74006医用画像処理装置、医用画像処理方法、およびモデル生成方法。
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024074006
(43)【公開日】2024-05-30
(54)【発明の名称】医用画像処理装置、医用画像処理方法、およびモデル生成方法。
(51)【国際特許分類】
A61B 6/03 20060101AFI20240523BHJP
【ＦＩ】
A61B6/03 360B
A61B6/03 373
【審査請求】未請求
【請求項の数】8
【出願形態】ＯＬ
(21)【出願番号】P 2022185040
(22)【出願日】2022-11-18
(71)【出願人】
【識別番号】594164542
【氏名又は名称】キヤノンメディカルシステムズ株式会社
(74)【代理人】
【識別番号】110002147
【氏名又は名称】弁理士法人酒井国際特許事務所
(72)【発明者】
【氏名】松浦 正和
【テーマコード（参考）】
4C093
【Ｆターム（参考）】
4C093AA22
4C093CA13
4C093CA18
4C093CA34
4C093EA07
4C093EB12
4C093EB13
4C093FA44
4C093FF03
(57)【要約】
【課題】低線量時においてアーチファクトの低減させた医用画像を生成すること。
【解決手段】実施形態に係る医用画像処理装置は、画像処理部と、出力部とを備える。画像処理部は、Ｘ線ＣＴスキャンにより得られる第１の画像データに、訓練された機械学習モデルを適用することにより、低カウントアーチファクトが低減された第２の画像データを取得する。出力部は、前記第２の画像データに基づく画像データを出力する。前記機械学習モデルは、Ｘ線ＣＴスキャンにより得られる投影データに基づいて再構成された第３の画像データと、前記投影データに基づいており且つ生成された低カウントアーチファクトを含む第４の画像データと、を有する学習データを用いて訓練される。
【選択図】図６
【解決手段】実施形態に係る医用画像処理装置は、画像処理部と、出力部とを備える。画像処理部は、Ｘ線ＣＴスキャンにより得られる第１の画像データに、訓練された機械学習モデルを適用することにより、低カウントアーチファクトが低減された第２の画像データを取得する。出力部は、前記第２の画像データに基づく画像データを出力する。前記機械学習モデルは、Ｘ線ＣＴスキャンにより得られる投影データに基づいて再構成された第３の画像データと、前記投影データに基づいており且つ生成された低カウントアーチファクトを含む第４の画像データと、を有する学習データを用いて訓練される。
【選択図】図６
【特許請求の範囲】
【請求項1】
Ｘ線ＣＴスキャンにより得られる第１の画像データに、訓練された機械学習モデルを適用することにより、低カウントアーチファクトが低減された第２の画像データを取得する画像処理部と、
前記第２の画像データに基づく画像データを出力する出力部と、を有し、
前記機械学習モデルは、Ｘ線ＣＴスキャンにより得られる投影データに基づいて再構成された第３の画像データと、前記投影データに基づいており且つ生成された低カウントアーチファクトを含む第４の画像データと、を有する学習データを用いて訓練される、
医用画像処理装置。
前記第２の画像データに基づく画像データを出力する出力部と、を有し、
前記機械学習モデルは、Ｘ線ＣＴスキャンにより得られる投影データに基づいて再構成された第３の画像データと、前記投影データに基づいており且つ生成された低カウントアーチファクトを含む第４の画像データと、を有する学習データを用いて訓練される、
医用画像処理装置。
【請求項2】
前記第４の画像データは、前記投影データに対して低カウントシミュレーション処理が適用された後に再構成された、擬似的に生成された低カウントアーチファクトを含む画像データである、
請求項１に記載の医用画像処理装置。
請求項１に記載の医用画像処理装置。
【請求項3】
前記低カウントシミュレーション処理は、ノイズ付加処理と、前記投影データの負値に対するゼロクリップ処理とを含む、
請求項２に記載の医用画像処理装置。
請求項２に記載の医用画像処理装置。
【請求項4】
前記画像処理部は、前記機械学習モデルにより、低カウントアーチファクト及びノイズが低減された前記第２の画像データを取得する、
請求項１に記載の医用画像処理装置。
請求項１に記載の医用画像処理装置。
【請求項5】
前記第４の画像データは、前記投影データから再構成された画像データに、予め生成された低カウントアーチファクト画像が付与された画像データである、
請求項１に記載の医用画像処理装置。
請求項１に記載の医用画像処理装置。
【請求項6】
前記画像処理部は、前記第２の画像データに、少なくともノイズ低減のための訓練された機械学習モデルを適用することにより、ノイズが低減された処理後画像データを取得し、
前記出力部は、前記処理後画像データに基づく画像データを出力する、
請求項１に記載の医用画像処理装置。
前記出力部は、前記処理後画像データに基づく画像データを出力する、
請求項１に記載の医用画像処理装置。
【請求項7】
Ｘ線ＣＴスキャンにより得られる第１の画像データに、訓練された機械学習モデルを適用することにより、低カウントアーチファクトが低減された第２の画像データを取得し、
前記第２の画像データに基づく画像データを出力すること、
を備える医用画像処理方法であって、
前記機械学習モデルは、Ｘ線ＣＴスキャンにより得られる投影データに基づいて再構成された第３の画像データと、前記投影データに基づいており且つ生成された低カウントアーチファクトを含む第４の画像データと、を有する学習データを用いて訓練される、
医用画像処理方法。
前記第２の画像データに基づく画像データを出力すること、
を備える医用画像処理方法であって、
前記機械学習モデルは、Ｘ線ＣＴスキャンにより得られる投影データに基づいて再構成された第３の画像データと、前記投影データに基づいており且つ生成された低カウントアーチファクトを含む第４の画像データと、を有する学習データを用いて訓練される、
医用画像処理方法。
【請求項8】
Ｘ線ＣＴスキャンにより得られる第１の画像データを入力することにより、低カウントアーチファクトが低減された第２の画像データを取得する機械学習モデルを生成するモデル生成方法であって、
Ｘ線ＣＴスキャンにより得られる投影データに基づいて再構成された第３の画像データと、前記投影データに基づいており且つ生成された低カウントアーチファクトを含む第４の画像データと、を有する学習データを用いて、訓練前のモデルを訓練することにより、前記機械学習モデルを生成する、
モデル生成方法。
Ｘ線ＣＴスキャンにより得られる投影データに基づいて再構成された第３の画像データと、前記投影データに基づいており且つ生成された低カウントアーチファクトを含む第４の画像データと、を有する学習データを用いて、訓練前のモデルを訓練することにより、前記機械学習モデルを生成する、
モデル生成方法。
【発明の詳細な説明】
【技術分野】
【0001】
本明細書及び図面に開示の実施形態は、医用画像処理装置、医用画像処理方法、およびモデル生成方法に関する。
【背景技術】
【0002】
従来、Ｘ線コンピュータ断層撮影（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ：ＣＴ）において、低線量での撮影時、および肩や骨盤などのＸ線の吸収が多い部位の撮影時に、収集データのカウントが小さくなる場合が（低カウント）ある。これらのような低カウントでのＸ線ＣＴ撮影では、再構成された医用画像上に、ダークバンドアーチファクトやストリークアーチファクトが発生すること、およびＣＴ値の精度が悪くなることがある。このとき、医用画像に対する読影および医用画像を用いた診断に悪影響を与えることがある。
【0003】
また、従来手法として、Ｘ線光子のカウントを示す収集データ（カウント数）を減弱データ（ａｔｔｅｎｕａｔｉｏｎ ｃｏｕｎｔ ｄａｔａ）に変換する際、カウント数があるしきい値を下回っている場合、対数曲線ではなく対数曲線の接線（近似式）を用いて、収集データを減弱データに変換する方法がある。ノイズが収集データに混入しない場合、Ｘ線ＣＴの収集データ、すなわちカウント数が負の値になることはない。しかしながら、実際のＸ線ＣＴにより収集された収集データにはノイズが含まれるため、収集データが負の値になる場合がある。「負の値を取らない」という仮定の下、負の値のカウントを０に繰り上げ、もしくは負の値のカウント数の絶対値を取る方法がある。
【0004】
従来手法では、特に超低線量でのＸ線ＣＴ撮影時など、収集データ（カウント数）が０付近、もしくは負の値の場合、十分なアーチファクトの低減やＣＴ値の精度改善を行うことは難しい。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】特開２０１９－６９１４５号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
本明細書及び図面に開示の実施形態が解決しようとする課題の一つは、低線量時においてアーチファクトの低減させた医用画像を生成することである。ただし、本明細書及び図面に開示の実施形態により解決しようとする課題は上記課題に限られない。後述する実施形態に示す各構成による各効果に対応する課題を他の課題として位置づけることもできる。
【課題を解決するための手段】
【0007】
実施形態に係る医用画像処理装置は、画像処理部と、出力部とを備える。画像処理部は、Ｘ線ＣＴスキャンにより得られる第１の画像データに、訓練された機械学習モデルを適用することにより、低カウントアーチファクトが低減された第２の画像データを取得する。出力部は、前記第２の画像データに基づく画像データを出力する。前記機械学習モデルは、Ｘ線ＣＴスキャンにより得られる投影データに基づいて再構成された第３の画像データと、前記投影データに基づいており且つ生成された低カウントアーチファクトを含む第４の画像データと、を有する学習データを用いて訓練される。
【図面の簡単な説明】
【0008】
【発明を実施するための形態】
【0009】
以下、図面を参照しながら、医用画像処理装置、医用画像処理方法、モデル生成方法、および学習データ生成方法について説明する。以下の実施形態では、同一の参照符号を付した部分は同様の動作をおこなうものとして、重複する説明を適宜省略する。また、説明を具体的にするために、実施形態に係る医用画像処理装置は、医用画像撮像装置に搭載されているものとして説明する。なお、実施形態に係る医用画像処理装置は、医用画像処理方法を実現可能なサーバ装置、例えば、医用画像処理方法を実現する医用画像処理プログラムを実行可能なサーバ装置などにより実現されてもよい。
【0010】
医用画像処理装置は、医用画像撮像装置の一例として、光子計数型Ｘ線コンピュータ断層撮影装置（以下、ＰＣＣＴ（Ｐｈｏｔｏｎ Ｃｏｕｎｔｉｎｇ Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）装置と呼ぶ）に搭載されているものとして説明する。なお、本医用画像処理装置が搭載される医用画像撮像装置はＰＣＣＴ装置に限定されず、積分型のＸ線ＣＴ装置、ＰＥＴ（Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ）およびＳＰＥＣＴ（Ｓｉｎｇｌｅ Ｐｈｏｔｏｎ Ｅｍｉｓｓｉｏｎ Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）などの核医学診断装置、核医学診断装置とＸ線ＣＴ装置との複合装置、Ｘ線アンギオ装置（Ａｎｇｉｏｇｒａｐｈｙ）、Ｘ線診断装置などであってもよい。
【0011】
（実施形態）
図１は、実施形態に係るＰＣＣＴ装置１の構成例を示す図である。図１に示すように、ＰＣＣＴ装置１は、ガントリとも称される架台装置１０と、寝台装置３０と、コンソール装置４０とを有する。本実施形態における医用画像処理装置は、図１に示すコンソール装置４０において、例えば、システム制御機能４４１と前処理機能４４２と再構成処理機能４４３とを除外した構成に相当する。なお、本実施形態における医用画像処理装置は、図１に示すコンソール装置４０における構成要素から適宜不要な構成を除いたものであってもよい。
図１は、実施形態に係るＰＣＣＴ装置１の構成例を示す図である。図１に示すように、ＰＣＣＴ装置１は、ガントリとも称される架台装置１０と、寝台装置３０と、コンソール装置４０とを有する。本実施形態における医用画像処理装置は、図１に示すコンソール装置４０において、例えば、システム制御機能４４１と前処理機能４４２と再構成処理機能４４３とを除外した構成に相当する。なお、本実施形態における医用画像処理装置は、図１に示すコンソール装置４０における構成要素から適宜不要な構成を除いたものであってもよい。
【0012】
なお、本実施形態では、非チルト状態での回転フレーム１３の回転軸の長手方向をＺ軸方向、Ｚ軸方向に直交しかつ回転中心から回転フレーム１３を支持する支柱に向かう方向をＸ軸、当該Ｚ軸及びＸ軸と直交する方向をＹ軸とそれぞれ定義するものとする。図１では、説明の都合上、架台装置１０を複数描画しているが、実際のＰＣＣＴ装置１の構成としては、架台装置１０は、一つである。
【0013】
架台装置１０及び寝台装置３０は、コンソール装置４０を介した操作者からの操作、或いは架台装置１０、又は寝台装置３０に設けられた操作部を介した操作者からの操作に基づいて動作する。架台装置１０と、寝台装置３０と、コンソール装置４０とは互いに通信可能に有線または無線で接続されている。
【0014】
架台装置１０は、被検体ＰにＸ線を照射し、被検体Ｐを透過したＸ線のカウントデータ（以下、フォトンカウントデータ（ｐｈｏｔｏｎ ｃｏｕｎｔ ｄａｔａ）と呼ぶ）を収集する撮影系を有する装置である。架台装置１０は、Ｘ線管１１と、Ｘ線検出器１２と、回転フレーム１３と、Ｘ線高電圧装置１４と、制御装置１５と、ウェッジ１６と、コリメータ１７と、ＤＡＳ（Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ Ｓｙｓｔｅｍ）１８とを有する。
【0015】
Ｘ線管１１は、Ｘ線高電圧装置１４からの高電圧の印加及びフィラメント電流の供給により、陰極（フィラメント）から陽極（ターゲット）に向けて熱電子を照射することでＸ線を発生する真空管である。熱電子がターゲットに衝突することによりＸ線が発生される。Ｘ線管１１における管球焦点で発生したＸ線は、Ｘ線管１１におけるＸ線放射窓を通過して、コリメータ１７を介して例えばコーンビーム形に成形され、被検体Ｐに照射される。Ｘ線管１１には、例えば、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。
【0016】
Ｘ線検出器１２は、Ｘ線管１１により発生したＸ線の光子を検出する。具体的には、Ｘ線検出器１２は、Ｘ線管１１から照射され、被検体Ｐを通過したＸ線を光子単位で検出し、当該Ｘ線量に対応した電気信号をＤＡＳ１８へと出力する。すなわち、Ｘ線検出器１２は、光子計数型のＸ線検出器により実現される。Ｘ線検出器１２は、例えば、Ｘ線管１１の焦点を中心として１つの円弧に沿ってファン角方向（チャネル方向ともいう）に複数の検出素子（Ｘ線検出素子ともいう）が配列された複数の検出素子列を有する。Ｘ線検出器１２において、複数の検出素子列は、Ｚ軸方向に沿って平坦に配列される。すなわち、Ｘ線検出器１２は、例えば、当該検出素子列がコーン角方向（列方向、ｒｏｗ方向、スライス方向ともいう）に沿って平坦に複数配列された構造を有する。
【0017】
なお、ＰＣＣＴ装置１には、例えば、Ｘ線管１１とＸ線検出器１２とが一体として被検体Ｐの周囲を回転するＲｏｔａｔｅ／Ｒｏｔａｔｅ－Ｔｙｐｅ（第３世代ＣＴ）、リング状にアレイされた多数のＸ線検出素子が固定され、Ｘ線管１１のみが被検体Ｐの周囲を回転するＳｔａｔｉｏｎａｒｙ／Ｒｏｔａｔｅ－Ｔｙｐｅ（第４世代ＣＴ）等様々なタイプがあり、いずれのタイプでも本実施形態へ適用可能である。
【0018】
Ｘ線検出器１２は、入射したＸ線を電荷に変換する半導体素子を有する直接変換型のＸ線検出器である。本実施形態のＸ線検出器１２は、例えば、少なくとも１つの高電圧電極と、少なくとも１つの半導体結晶と、複数の読出電極とを備える。半導体素子は、Ｘ線変換素子ともいう。半導体結晶は、例えば、ＣｄＴｅ（テルル化カドミウム：ｃａｄｍｉｕｍ ｔｅｌｌｕｒｉｄｅ）やＣｄＺｎＴｅ（テルル化カドミウム亜鉛：ｃａｄｍｉｕｍ Ｚｉｎｃ ｔｅｌｌｕｒｉｄｅ：ＣＺＴ）などにより実現される。Ｘ線検出器１２において、半導体結晶を挟んで対向し、Ｙ方向に直交する２つの面には、電極が設けられる。すなわち、Ｘ線検出器１２には、複数のアノード電極（読出電極、または画素電極ともいう）とカソード電極（共通電極ともいう）とが、半導体結晶を挟んで設けられる。
【0019】
読出電極と共通電極との間には、バイアス電圧が印加される。Ｘ線検出器１２では、Ｘ線が半導体結晶に吸収されると電子正孔対が生成されて、電子が陽極側（アノード電極（読出電極）側）へと移動し、正孔が陰極側（カソード電極側）に移動することで、Ｘ線の検出に関する信号が、Ｘ線検出器１２からＤＡＳ１８へ出力される。
【0020】
なお、Ｘ線検出器１２は、入射したＸ線を間接的に電気信号に変換する間接変換型の光子計数型のＸ線検出器であっても構わない。Ｘ線検出器１２は、Ｘ線検出部の一例である。
【0021】
回転フレーム１３は、Ｘ線管１１とＸ線検出器１２とを対向支持し、後述する制御装置１５によってＸ線管１１とＸ線検出器１２とを回転させる円環状のフレームである。なお、回転フレーム１３は、Ｘ線管１１とＸ線検出器１２に加えて、Ｘ線高電圧装置１４やＤＡＳ１８を更に備えて支持する。回転フレーム１３は架台装置１０の非回転部分（例えば固定フレーム。図１での図示は省略している）により回転可能に支持される。回転機構は例えば回転駆動力を生ずるモータと、当該回転駆動力を回転フレーム１３に伝達して回転させるベアリングとを含む。モータは例えば当該非回転部分に設けられ、ベアリングは回転フレーム１３及び当該モータと物理的に接続され、モータの回転力に応じて回転フレーム１３が回転する。
【0022】
回転フレーム１３と非回転部分にはそれぞれ、非接触方式または接触方式の通信回路が設けられ、これにより回転フレーム１３に支持されるユニットと当該非回転部分あるいは架台装置１０の外部装置との通信が行われる。例えば非接触の通信方式として光通信を採用する場合、ＤＡＳ１８が生成したフォトンカウントデータは、回転フレーム１３に設けられた発光ダイオード（ＬＥＤ）を有する送信機から光通信によって架台装置１０の非回転部分に設けられた、フォトダイオードを有する受信機に送信され、さらに送信器により当該非回転部分からコンソール装置４０へと転送される。なお通信方式としては、この他に容量結合式や電波方式などの非接触型のデータ伝送の他、スリップリングと電極ブラシを使った接触型のデータ伝送方式を採用しても構わない。また、回転フレーム１３は、回転部の一例である。
【0023】
Ｘ線高電圧装置１４は、変圧器（トランス）及び整流器等の電気回路を有し、Ｘ線管１１に印加する高電圧及びＸ線管１１に供給するフィラメント電流を発生する機能を有する高電圧発生装置と、Ｘ線管１１が照射するＸ線に応じた出力電圧の制御を行うＸ線制御装置とを有する。高電圧発生装置は、変圧器方式であってもよいし、インバータ方式であっても構わない。なお、Ｘ線高電圧装置１４は、回転フレーム１３に設けられてもよいし、架台装置１０の固定フレーム側に設けられても構わない。また、Ｘ線高電圧装置１４は、Ｘ線高電圧部の一例である。
【0024】
制御装置１５は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等を有する処理回路と、モータ及びアクチュエータ等の駆動機構とを有する。処理回路は、ハードウェア資源として、ＣＰＵやＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等のプロセッサとＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）やＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等のメモリとを有する。また、制御装置１５は、例えば、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Ｓｉｍｐｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＳＰＬＤ）、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））等のプロセッサにより実現されてもよい。
【0025】
プロセッサが例えばＣＰＵである場合、プロセッサはメモリに保存されたプログラムを読み出して実行することで機能を実現する。一方、プロセッサがＡＳＩＣである場合、メモリにプログラムを保存する代わりに、当該機能がプロセッサの回路内に論理回路として直接組み込まれる。なお、本実施形態の各プロセッサは、プロセッサごとに単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて１つのプロセッサとして構成し、その機能を実現するようにしてもよい。さらに、複数の構成要素を１つのプロセッサへ統合してその機能を実現するようにしてもよい。
【0026】
制御装置１５は、コンソール装置４０若しくは架台装置１０に取り付けられた入力インターフェースからの入力信号を受けて、架台装置１０及び寝台装置３０の動作制御を行う機能を有する。例えば、制御装置１５は、入力信号を受けて回転フレーム１３を回転させる制御や、架台装置１０をチルトさせる制御、及び寝台装置３０及び天板３３を動作させる制御を行う。なお、架台装置１０をチルトさせる制御は、架台装置１０に取り付けられた入力インターフェースによって入力される傾斜角度（チルト角度）情報により、制御装置１５がＸ軸方向に平行な軸を中心に回転フレーム１３を回転させることによって実現される。
【0027】
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に設けられても構わない。なお、制御装置１５は、メモリ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に構成しても構わない。また、制御装置１５は、制御部の一例である。
【0028】
ウェッジ１６は、Ｘ線管１１から照射されたＸ線の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。ウェッジ１６は、例えば、ウェッジフィルタ（ｗｅｄｇｅ ｆｉｌｔｅｒ）またはボウタイフィルタ（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を加工したフィルタである。
【0029】
コリメータ１７は、ウェッジ１６を透過したＸ線をＸ線照射範囲に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。
【0030】
ＤＡＳ１８は、複数の計数回路を有する。複数の計数回路各々は、Ｘ線検出器１２の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、増幅された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、Ｘ線検出器１２の検出信号を用いた計数処理の結果であるフォトンカウントデータを生成する。計数処理の結果は、エネルギービン（Ｅｎｅｒｇｙ ＢＩＮ）ごとのＸ線の光子数を割り当てたデータである。エネルギービンは、所定の幅のエネルギー域に相当する。例えば、ＤＡＳ１８は、Ｘ線管１１から照射されて被検体Ｐを透過したＸ線に由来する光子（Ｘ線光子）を計数し、当該計数した光子のエネルギーを弁別した計数処理の結果を、フォトンカウントデータとして生成する。ＤＡＳ１８はデータ収集部の一例である。
【0031】
ＤＡＳ１８が生成したフォトンカウントデータは、コンソール装置４０へと転送される。フォトンカウントデータは、生成元の検出素子のチャンネル番号、列番号、収集されたビュー（投影角度ともいう）を示すビュー番号、及び検出されたＸ線の線量を示す値のデータのセットである。なお、ビュー番号としては、ビューが収集された順番（収集時刻）を用いてもよく、Ｘ線管１１の回転角度を表す番号（例：１～１０００）を用いてもよい。ＤＡＳ１８における複数の計数回路各々は、例えば、フォトンカウントデータを生成可能な回路素子を搭載した回路群により実現される。なお、本実施形態において、フォトンカウントデータは、Ｘ線検出器１２により検出され、前処理が施される前の純生データ（ｐｕｒｅ ｒａｗ ｄａｔａ）に相当する。なお、フォトンカウントデータは、前処理前データと称されてもよい。
【0032】
寝台装置３０は、スキャン対象の被検体Ｐを載置、移動させる装置であり、基台３１と、寝台駆動装置３２と、天板３３と、支持フレーム３４とを備えている。基台３１は、支持フレーム３４を鉛直方向に移動可能に支持する筐体である。寝台駆動装置３２は、被検体Ｐが載置された天板３３を天板３３の長軸方向に移動するモータあるいはアクチュエータである。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。
【0033】
コンソール装置４０は、メモリ４１と、ディスプレイ４２と、入力インターフェース４３と、処理回路４４とを有する。メモリ４１と、ディスプレイ４２と、入力インターフェース４３と、処理回路４４との間のデータ通信は、例えば、バス（ＢＵＳ）を介して行われる。なお、コンソール装置４０は、架台装置１０とは別体として説明するが、架台装置１０に、コンソール装置４０またはコンソール装置４０の各構成要素の一部が含まれてもよい。
【0034】
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、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等により実現される。メモリ４１は、例えば、ＤＡＳ１８から出力されたフォトンカウントデータ、前処理機能４４２により生成された減弱データ、再構成処理機能４４３により再構成された再構成画像を記憶する。再構成画像は、例えば、３次元的なＣＴ画像データ（ボリュームデータ）、もしくは２次元的なＣＴ画像データなどである。
【0035】
メモリ４１は、Ｘ線ＣＴスキャンにより得られる第１の画像データに適用される機械学習モデルを記憶する。第１の画像データは、低線量（例えば、低カウント）によるＣＴスキャンによる取得されたフォトンカウントデータ（以下、低カウントデータ呼ぶ）に基づいて再構成された再構成画像のデータに相当する。低カウントデータは、例えば、撮影条件における管電流と管電圧との積が所定の値より小さい範囲で収集されたフォトンカウントデータに相当する。また、低カウントデータは、純生データに対して対数変換を実行する際において、対数変換に用いられる対数関数の近似式の傾き（微分値）が所定の閾値より大きくなる範囲に対応するカウント数の範囲に含まれるフォトンカウントデータであってもよい。当該対数変換は、例えば、Ｘ線検出器１２に設けられた参照検出器（Ｒｅｆ（Ｒｅｆｅｒｅｎｃｅ）検出器）からの出力と純生データとの比を引数とし、ネイピア数を定とする対数関数を用いた当該引数の変換である。
【0036】
予め訓練され、メモリ４１に記憶された機械学習モデルは、第１の画像データに適用され、低カウントアーチファクトが低減された第２の画像データを生成する。低カウントアーチファクトは、被検体Ｐに対する低線量でのＣＴスキャンにより、再構成画像に現れるアーチファクトである。低カウントアーチファクトは、例えば、被検体Ｐの臓器依存性がないようなダークバンドアーチファクトおよび／またはストリークアーチファクトである。
【0037】
機械学習モデルは、入力された医用画像に対して、例えば、アーチファクトの低減を実現する学習済みモデルであって、例えば、訓練前の深層ニューラルネットワーク（以下、ＤＮＮ（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）と呼ぶ）に対する学習により生成される。なお、学習済みモデルの生成（訓練）の手法によっては、機械学習モデルは、アーチファクトの低減に加えて、入力された医用画像に対して低ノイズ化を実現することも可能である。
【0038】
本実施形態における機械学習モデル（以下、アーチファクト低減モデルと呼ぶ）の生成、すなわち訓練前のＤＮＮに対する訓練（学習）は、例えば、学習装置や、各種サーバ装置、医用データ処理装置が搭載された各種モダリティなどにより実現される。生成されたアーチファクト低減像モデルは、例えば、ＤＮＮに対する訓練（学習）を実施した装置（学習装置）から出力されて、メモリ４１に記憶される。機械学習モデルは、Ｘ線ＣＴスキャンにより得られる投影データに基づいて再構成された第３の画像データと、当該投影データに基づいており且つ生成された低カウントアーチファクトを含む第４の画像データと、を有する学習データを用いて訓練される。アーチファクト低減モデルの生成（訓練）については、後ほど説明する。
【0039】
メモリ４１は、処理回路４４により実行されるシステム制御機能４４１、前処理機能４４２、再構成処理機能４４３、画像処理機能４４４、出力機能４４５各々の実行に関するプログラムを記憶する。また、メモリ４１は、少なくともノイズ低減のための訓練された機械学習モデル（以下、ノイズ低減モデルと呼ぶ）を記憶してもよい。メモリ４１は、記憶部の一例である。
【0040】
ディスプレイ４２は、出力機能４４５による制御の下で、各種の情報を表示する。例えば、ディスプレイ４２は、処理回路４４によって生成された医用画像（ＣＴ画像）や、操作者からの各種操作を受け付けるためのＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）等を出力する。ディスプレイ４２としては、例えば、液晶ディスプレイ（ＬＣＤ：Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）ディスプレイ、有機ＥＬディスプレイ（ＯＥＬＤ：Ｏｒｇａｎｉｃ Ｅｌｅｃｔｒｏ Ｌｕｍｉｎｅｓｃｅｎｃｅ Ｄｉｓｐｌａｙ）、プラズマディスプレイ又は他の任意のディスプレイが、適宜、使用可能となっている。
【0041】
なお、ディスプレイ４２は、架台装置１０にさらに設けられてもよい。また、ディスプレイ４２は、デスクトップ型でもよいし、コンソール装置４０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。ディスプレイ４２は、表示部の一例である。
【0042】
入力インターフェース４３は、操作者からの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路４４に出力する。例えば、入力インターフェース４３は、フォトンカウントデータを収集する際の収集条件や、ＣＴ画像データを再構成する際の再構成条件、ＣＴ画像データに対する後処理に関する画像処理条件等を操作者から受け付ける。当該後処理は、コンソール装置４０又は外部のワークステーションのどちらで実施することにしても構わない。
【0043】
また、当該後処理は、コンソール装置４０とワークステーションの両方で同時に処理することにしても構わない。ここで定義される後処理とは、再構成処理機能４４３によって再構成された画像に対する処理を指す概念である。後処理は、例えば、再構成画像のＭｕｌｔｉ Ｐｌａｎａｒ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ（ＭＰＲ）表示やボリュームデータのレンダリング等を含む。入力インターフェース４３としては、例えば、マウス、キーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパッド及びタッチパネルディスプレイ等が適宜、使用可能となっている。
【0044】
なお、本実施形態において、入力インターフェース４３は、マウス、キーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパッド及びタッチパネルディスプレイ等の物理的な操作部品を備えるものに限られない。例えば、装置とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路４４へ出力する電気信号の処理回路も入力インターフェース４３の例に含まれる。また、入力インターフェース４３は、入力部の一例である。また、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。
【0045】
処理回路４４は、例えば、入力インターフェース４３から出力される入力操作の電気信号に応じて、ＰＣＣＴ装置１全体の動作を制御する。例えば、処理回路４４は、ハードウェア資源として、ＣＰＵやＭＰＵ、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等のプロセッサとＲＯＭやＲＡＭ等のメモリとを有する。処理回路４４は、自身のメモリに展開されたプログラムを実行するプロセッサにより、システム制御機能４４１、前処理機能４４２、再構成処理機能４４３、画像処理機能４４４、出力機能４４５を実行する。なお、各機能４４１～４４５は、単一の処理回路で実現される場合に限らない。複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより各機能４４１～４４５を実現するものとしても構わない。
【0046】
システム制御機能４４１は、入力インターフェース４３を介して操作者から受け付けた入力操作に基づいて、処理回路４４の各機能を制御する。また、システム制御機能４４１は、メモリ４１に記憶されている制御プログラムを読み出して処理回路４４内のメモリ上に展開し、展開された制御プログラムに従ってＰＣＣＴ装置１の各部を制御する。システム制御機能４４１は、システム制御部の一例である。
【0047】
前処理機能４４２は、ＤＡＳ１８から出力されたフォトンカウントデータに対して対数変換処理やオフセット補正処理、チャネル間の感度補正処理、ビームハードニング補正等の前処理を施して、減弱データを生成する。減弱データは、生データと称されてもよい。前処理機能４４２は、前処理部の一例である。なお、前処理前のフォトンカウントデータ（純生データ）および前処理後の生データを総称して投影データと称する場合もある。
【0048】
再構成処理機能４４３は、前処理機能４４２にて生成された減弱データに対して、フィルタ補正逆投影法（ＦＢＰ法：Ｆｉｌｔｅｒｅｄ Ｂａｃｋ Ｐｒｏｊｅｃｔｉｏｎ）等を用いた再構成処理を行ってＣＴ画像データ（医用データ）を生成する。再構成処理には、散乱性補正およびビームハードニング補正などの各種補正処理、および再構成条件における再構成関数の適用など、各種処理を有する。なお、再構成処理機能４４３により実行される再構成処理は、ＦＢＰ法に限定されず、逐次近似再構成、減弱データの入力により再構成画像を出力するディープニューラルネットワークなど、既知の処理が適宜用いられてもよい。再構成処理機能４４３は、再構成されたＣＴ画像データをメモリ４１に格納する。再構成されたＣＴ画像データは、第１の画像データに対応する。再構成処理機能４４３は、再構成処理部の一例である。
【0049】
図２は、第１の画像データ１ＩＤの一例を示す図である。図２に示すように、第１の画像データ１ＩＤには、Ｘ方向に亘る被検体Ｐの厚みおよび多くの骨部により、Ｘ方向に沿ったダークバンドアーチファクトＤＢＡと、第１の画像データ１ＩＤのＸ方向に沿った線状のストリークアーチファクトＳＡとが表れている。
【0050】
画像処理機能４４４は、Ｘ線ＣＴスキャンにより得られる第１の画像データに、訓練されたアーチファクト低減モデル（機械学習モデル）を適用することにより、低カウントアーチファクトが低減された第２の画像データを取得（生成）する。このとき、画像処理機能４４４は、取得（生成）された第２の画像データに、少なくともノイズ低減のための訓練されたアーチファクト低減モデルを適用することにより、ノイズが低減された処理後画像データを取得（生成）する。また、当該アーチファクト低減モデルがノイズ低減効果を有している場合、画像処理機能４４４は、当該アーチファクト低減モデルに第１の画像データを入力することで、当該アーチファクト低減モデルにより、低カウントアーチファクト及びノイズが低減された第２の画像データを取得する。
【0051】
画像処理機能４４４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、第２の画像データを公知の方法により、任意断面の断層像データや３次元画像データに変換する。なお、３次元画像データの生成は再構成処理機能４４３が直接行なっても構わない。また、画像処理機能４４４は、画像処理部の一例である。
【0052】
出力機能４４５は、第２の画像データに基づく画像データを出力する。当該画像データの出力先は、例えば、メモリ４１および／またはディスプレイ４２である。なお、画像データの出力先は、これらに限定されず、ＰＡＣＳの画像補間サーバなどであってもよい。第２の画像データに基づく画像データは、例えば、画像処理機能４４４により、第２の画像データに対して各種の画像処理が実施された画像のデータに対応する。なお、出力機能４４５は、第２の画像データを、各種出力先に出力してもよい。
【0053】
以上のように構成された本実施形態に係るＰＣＣＴ装置１におけるアーチファクト低減モデルを用いて、第１の画像データから第２の画像データを生成する処理（以下、アーチファクト低減処理と呼ぶ）について、図３および図４を用いて説明する。
【0054】
図３は、アーチファクト低減処理の手順の一例を示すフローチャートである。
【0055】
（アーチファクト低減処理）
（ステップＳ３０１）
処理回路４４は、再構成処理機能４４３により、減弱データに基づいて第１の画像データを再構成する。再構成処理機能４４３は、再構成された第１の画像データを、メモリ４１に記憶させてもよい。
（ステップＳ３０１）
処理回路４４は、再構成処理機能４４３により、減弱データに基づいて第１の画像データを再構成する。再構成処理機能４４３は、再構成された第１の画像データを、メモリ４１に記憶させてもよい。
【0056】
（ステップＳ３０２）
処理回路４４は、画像処理機能４４４により、メモリ４１からアーチファクト低減モデルを読み出す。画像処理機能４４４は、アーチファクト低減モデルに第１の画像データを入力する。
処理回路４４は、画像処理機能４４４により、メモリ４１からアーチファクト低減モデルを読み出す。画像処理機能４４４は、アーチファクト低減モデルに第１の画像データを入力する。
【0057】
（ステップＳ３０３）
処理回路４４は、画像処理機能４４４により、アーチファクト低減モデルから第２の画像データを出力する。アーチファクト低減モデルがノイズ低減の機能を有する場合、第２の画像データは、低カウントアーチファクトおよびノイズが低減された画像データとなる。画像処理機能４４４は、当該第２の画像データをメモリ４１に記憶させる。なお、アーチファクト低減モデルがノイズ低減の機能を有さない場合、画像処理機能４４４は、ノイズ低減モデルをメモリ４１から読み出す。このとき、画像処理機能４４４は、第２の画像データをノイズ低減モデルに入力し、低カウントアーチファクトおよびノイズが低減された画像データを生成する。次いで、画像処理機能４４４は、当該第２の画像データをメモリ４１に記憶させる。
処理回路４４は、画像処理機能４４４により、アーチファクト低減モデルから第２の画像データを出力する。アーチファクト低減モデルがノイズ低減の機能を有する場合、第２の画像データは、低カウントアーチファクトおよびノイズが低減された画像データとなる。画像処理機能４４４は、当該第２の画像データをメモリ４１に記憶させる。なお、アーチファクト低減モデルがノイズ低減の機能を有さない場合、画像処理機能４４４は、ノイズ低減モデルをメモリ４１から読み出す。このとき、画像処理機能４４４は、第２の画像データをノイズ低減モデルに入力し、低カウントアーチファクトおよびノイズが低減された画像データを生成する。次いで、画像処理機能４４４は、当該第２の画像データをメモリ４１に記憶させる。
【0058】
図４は、アーチファクト低減モデルＡＲＭの適用前の第１の画像データ１ＩＤと、アーチファクト低減モデルＡＲＭの適用後の第２の画像データ２ＩＭとの一例を示す図である。図４に示すように、第１の画像データ１ＩＤには、ダークバンドアーチファクトＤＢＡとストリークアーチファクトＳＡとが表れている。一方、図４に示すように、第２の画像データ２ＩＤにおいて、ダークバンドアーチファクトとストリークアーチファクトとは、第１の画像データ１ＩＤに比べて低減されている。さらに、アーチファクト低減モデルＡＲＭがノイズ低減機能を有する場合、図４における第２の画像データに示すように、ノイズも低減されている。
【0059】
（ステップＳ３０４）
処理回路４４は、画像処理機能４４４により、第２の画像データ２ＩＤに基づいて、画像データを生成する。出力機能４４５は、第２の画像データ２ＩＤに基づく当該画像データを各種出力先へ出力する。
処理回路４４は、画像処理機能４４４により、第２の画像データ２ＩＤに基づいて、画像データを生成する。出力機能４４５は、第２の画像データ２ＩＤに基づく当該画像データを各種出力先へ出力する。
【0060】
以上に述べた実施形態に係るＰＣＣＴ装置１は、Ｘ線ＣＴスキャンにより得られる第１の画像データ１ＩＤに、訓練された機械学習モデルＡＲＭを適用することにより、低カウントアーチファクトが低減された第２の画像データ２ＩＤを取得し、前記第２の画像データに基づく画像データを出力する。また、実施形態に係るＰＣＣＴ装置１は、当該機械学習モデルＡＲＭにより、低カウントアーチファクト及びノイズが低減された当該第２の画像データ２ＩＤを取得する。また、実施形態に係るＰＣＣＴ装置１は、第２の画像データ２ＩＤに、少なくともノイズ低減のための訓練された機械学習モデル（ノイズ低減モデル）を適用することにより、ノイズが低減された処理後画像データを取得し、処理後画像データに基づく画像データを出力する。
【0061】
これらにより、本実施形態に係るＰＣＣＴ装置１によれば、低線量で取得された第１の画像データに対して、少なくともアーチファクト（低カウント撮影時におけるアーチファクト）の低減を、アーチファクト低減モデル（学習済みモデル）により、実現することができる。加えて、アーチファクト低減モデルがノイズ低減機能を有する場合、アーチファクトの低減に加えてノイズを低減することができる。これらのため、本実施形態に係るＰＣＣＴ装置１によれば、アーチファクトの低減によるＣＴ値の精度が向上（改善）することで、第２の画像データにおける解剖学的特徴などの物体の視認性を向上させ、かつ画質を向上させた医用画像を生成することができる。
【0062】
以上のことから、本実施形態に係るＰＣＣＴ装置１によれば、ダークバンドアーチファクトの低減、ストリークアーチファクトの低減、およびＣＴ値の精度改善により、画質向上を期待でき、被検体Ｐに対する診断精度の向上に貢献することができる。このため、本実施形態に係るＰＣＣＴ装置１によれば、低線量での第１の画像データの取得により被検体Ｐに対する被曝を低減させ、かつ被検体Ｐに関する画像診断のスループットを向上させることができる。
【0063】
以下、実施形態で用いられる機械学習モデル（アーチファクト低減モデル）の生成について説明する。図５は、アーチファクト低減モデルの生成に関する学習装置５の構成の一例を示す図である。なお、学習装置５によるＤＮＮへの学習を実現する機能は、ＰＣＣＴ装置１などの医用画像撮像装置、または医用データ処理装置などの各種サーバ装置に搭載されてもよい。
【0064】
図６は、アーチファクト低減モデルＡＲＭの生成処理（以下、モデル生成処理と呼ぶ）とアーチファクト低減処理との概要の一例を示す図である。図６に示すアーチファクト低減処理は、図３での説明に準拠するため、説明は省略する。モデル生成処理において、訓練前のモデル（ＤＮＮ）は、第３の画像データと第４の画像データとを有する学習データを用いて訓練される。第３の画像データは、Ｘ線ＣＴスキャンにより得られる投影データ（フォトンカウントデータ（投影データ）ＰＣＤ）に基づいて再構成されたデータである。第４の画像データは、投影データ（フォトンカウントデータＰＣＤ）に基づいており且つ生成された低カウントアーチファクトを含む。
【0065】
図６に示すように、第４の画像データは、フォトンカウントデータ（投影データ）ＰＣＤに対して低カウントシミュレーション処理ＬＣＳが適用された後に再構成された画像データであって、擬似的に生成された低カウントアーチファクトを含む。すなわち、カウントシミュレーション処理ＬＣＳは、純生データであるフォトンカウントデータＰＣＤに対して実施される。低カウントシミュレーション処理ＬＣＳは、ノイズ付加処理と、フォトンカウントデータ（投影データ）ＰＣＤの負値に対するゼロクリップ処理とを含む。低カウントシミュレーション処理ＬＣＳについては、後ほど説明する。
【0066】
メモリ５１は、処理回路５４における学習データ生成機能５４３により生成された一対の学習データのセットを複数記憶する。学習データのセットは、上記第３の画像データと第４の画像データとのセットである。また、メモリ５１は、学習データの生成の元となる元データを記憶する。元データは、例えば、アーチファクト低減モデルＡＲＭにおける処理対象のデータに関する医用画像撮像装置から取得される。
【0067】
アーチファクト低減モデルＡＲＭの生成における教師画像として用いられる画像（Ｔａｒｇｅｔ画像ともいう）は、第３の画像データに対応し、アーチファクトなく、かつＣＴ値の精度が高いことが求められる。このため、元データは、十分なカウント（例えば数百など）が計測できる通常線量以上の線量で撮影された際のフォトンカウントデータＰＣＤに相当する。第４の画像データの生成では、第３の画像データの生成に用いられたフォトンカウントデータＰＣＤ（元データ）と同じデータ用いられる。このため、低カウントシミュレーション処理ＬＣＳに入力される元データ（収集データ）も十分なカウントが計測されたデータとなる。
【0068】
また、メモリ５１は、訓練対象のＤＮＮおよび生成された学習済みモデル（アーチファクト低減モデル）ＡＲＭを記憶する。メモリ５１は、処理回路５４により実行される学習データ生成機能５４３、モデル生成機能５４４各々の実行に関するプログラムを記憶する。メモリ５１は、学習装置５における記憶部の一例である。また、メモリ５１を実現するハードウェアなどは、実施形態に記載のメモリ４１と同様なため、説明は省略する。
【0069】
処理回路５４は、自身のメモリに展開されたプログラムを実行するプロセッサにより、学習データ生成機能５４３、モデル生成機能５４４を実行する。処理回路５４を実現するハードウェアなどは、実施形態に記載の処理回路４４と同様なため、説明は省略する。
【0070】
学習データ生成機能５４３は、例えば、ファントムなどに対するＸ線ＣＴスキャンにより得られたフォトンカウントデータ（投影データ）、すなわち元データを、メモリ５１から取得する。なお、元データは、メモリ５１からの取得に限定されず、ネットワークを介したＰＣＣＴ装置などから取得されてもよい。学習データ生成機能５４３は、元データに対して低カウントシミュレーション処理ＬＣＳを実行することで、元データにおけるカウント数を低減し、かつノイズをした低カウントデータを生成する。以下、低カウントシミュレー処理ＬＣＳについて説明する。
【0071】
図７は、低カウントシミュレーション処理ＬＣＳにおける処理手順の一例を示す図である。低カウントシミュレーション処理ＬＣＳの実施に当たって、学習データ生成機能５４３は、元データとしてのフォトンカウントデータＰＣＤを、低カウントシミュレーション処理ＬＣＳに入力する。
【0072】
（低カウントシミュレーション処理）
（ステップＳ７０１）
学習データ生成機能５４３は、被検体Ｐに対する低線量での撮影時、および被検体Ｐの肩や骨盤などのＸ線の吸収が多い部位の撮影時のカウントをシミュレートする。具体的には、学習データ生成機能５４３は、元データをメモリ５１から取得する。学習データ生成機能５４３は、元データに１より係数をかけることで、低線量カウントＰｌｏｗをシミュレートする。当該計算は、例えば、Ｐｌｏｗ＝ａ×Ｐで表される。すなわち、学習データ生成機能５４３は、フォトンカウントデータＰＣＤにおけるカウントの値を減らすスケーリング処理を実行する。なお、カウントの値に対するスケーリング処理は、上記に限定されず、既知の手法が適宜利用可能である。
（ステップＳ７０１）
学習データ生成機能５４３は、被検体Ｐに対する低線量での撮影時、および被検体Ｐの肩や骨盤などのＸ線の吸収が多い部位の撮影時のカウントをシミュレートする。具体的には、学習データ生成機能５４３は、元データをメモリ５１から取得する。学習データ生成機能５４３は、元データに１より係数をかけることで、低線量カウントＰｌｏｗをシミュレートする。当該計算は、例えば、Ｐｌｏｗ＝ａ×Ｐで表される。すなわち、学習データ生成機能５４３は、フォトンカウントデータＰＣＤにおけるカウントの値を減らすスケーリング処理を実行する。なお、カウントの値に対するスケーリング処理は、上記に限定されず、既知の手法が適宜利用可能である。
【0073】
（ステップＳ７０２）
低線量によるＣＴスキャンでは、低カウントのフォトンカウントデータ（低線量カウント）が得られる。低線量カウントではカウント数が少ないため、カウント数に比べて相対的にノイズが多くなる。すなわち、低線量カウントは、高線量カウントに比べて、ノイズが多く建立することとなる。これらのことから、学習データ生成機能５４３は、ノイズ付加処理を、低線量カウントに対して実行する。ノイズ付加処理は、例えば、低線量カウントに対するノイズのシミュレーションである。ノイズのシミュレーションは、例えば、低線量カウントＰｌｏｗと、ノイズを表す関数のパラメータθとを用いて実行される。ノイズを表す関数がガウスノイズである場合、パラメータθは、当該ガウスノイズの標準偏差に相当する。ノイズのシミュレーションの結果（以下、ノイズ付加低線量カウントデータと呼ぶ）Ｐｌｏｗｎｏｉｓｅは、低線量カウントＰｌｏｗとパラメータθとを入力とする関数ＮｏｉｓｅＳｉｍｌａｔｅｒ（Ｐｌｏｗ、θ）を用いて、Ｐｌｏｗｎｏｉｓｅ＝ＮｏｉｓｅＳｉｍｌａｔｅｒ（Ｐｌｏｗ、θ）と表される。なお、ノイズのシミュレーションは、ガウスノイズの付加に限定されず既知のノイズの付加手法が適宜利用可能である。
低線量によるＣＴスキャンでは、低カウントのフォトンカウントデータ（低線量カウント）が得られる。低線量カウントではカウント数が少ないため、カウント数に比べて相対的にノイズが多くなる。すなわち、低線量カウントは、高線量カウントに比べて、ノイズが多く建立することとなる。これらのことから、学習データ生成機能５４３は、ノイズ付加処理を、低線量カウントに対して実行する。ノイズ付加処理は、例えば、低線量カウントに対するノイズのシミュレーションである。ノイズのシミュレーションは、例えば、低線量カウントＰｌｏｗと、ノイズを表す関数のパラメータθとを用いて実行される。ノイズを表す関数がガウスノイズである場合、パラメータθは、当該ガウスノイズの標準偏差に相当する。ノイズのシミュレーションの結果（以下、ノイズ付加低線量カウントデータと呼ぶ）Ｐｌｏｗｎｏｉｓｅは、低線量カウントＰｌｏｗとパラメータθとを入力とする関数ＮｏｉｓｅＳｉｍｌａｔｅｒ（Ｐｌｏｗ、θ）を用いて、Ｐｌｏｗｎｏｉｓｅ＝ＮｏｉｓｅＳｉｍｌａｔｅｒ（Ｐｌｏｗ、θ）と表される。なお、ノイズのシミュレーションは、ガウスノイズの付加に限定されず既知のノイズの付加手法が適宜利用可能である。
【0074】
（ステップＳ７０３）
学習データ生成機能５４３は、ノイズ付加低線量カウントデータＰｌｏｗｎｏｉｓｅに対してゼロクリップ処理を実行する。ゼロクリップ処理は、例えば、ノイズ付加低線量カウントデータＰｌｏｗｎｏｉｓｅにおける負値を０にする（ゼロにクリッピングする）処理である。具体的には、ノイズ付加低線量カウントデータＰｌｏｗｎｏｉｓｅにおけるカウント数を区別するインデックス（添え字）をｉとし、ノイズ付加低線量カウントデータＰｌｏｗｎｏｉｓｅにおけるインデックスｉのカウント数Ｐｌｏｗｎｏｉｓｅ＿ｉが負値（Ｐｌｏｗｎｏｉｓｅ＿ｉ＜０）である場合、学習データ生成機能５４３は、ノイズ付加低線量カウントデータＰｌｏｗｎｏｉｓｅにおけるインデックスｉのカウント数Ｐｌｏｗｎｏｉｓｅ＿ｉをゼロ（Ｐｌｏｗｎｏｉｓｅ＿ｉ＝０）に置き換える（設定する）。
学習データ生成機能５４３は、ノイズ付加低線量カウントデータＰｌｏｗｎｏｉｓｅに対してゼロクリップ処理を実行する。ゼロクリップ処理は、例えば、ノイズ付加低線量カウントデータＰｌｏｗｎｏｉｓｅにおける負値を０にする（ゼロにクリッピングする）処理である。具体的には、ノイズ付加低線量カウントデータＰｌｏｗｎｏｉｓｅにおけるカウント数を区別するインデックス（添え字）をｉとし、ノイズ付加低線量カウントデータＰｌｏｗｎｏｉｓｅにおけるインデックスｉのカウント数Ｐｌｏｗｎｏｉｓｅ＿ｉが負値（Ｐｌｏｗｎｏｉｓｅ＿ｉ＜０）である場合、学習データ生成機能５４３は、ノイズ付加低線量カウントデータＰｌｏｗｎｏｉｓｅにおけるインデックスｉのカウント数Ｐｌｏｗｎｏｉｓｅ＿ｉをゼロ（Ｐｌｏｗｎｏｉｓｅ＿ｉ＝０）に置き換える（設定する）。
【0075】
換言すれば、学習データ生成機能５４３は、本ステップにおいて、投影データの負値に対するゼロクリップ処理を実行する。なお、本ステップにおいて、学習データ生成機能５４３は、ゼロクリップ代わりに、ノイズ付加低線量カウントデータＰｌｏｗｎｏｉｓｅにおける負値に対して絶対値をとる処理を実行してもよい。すなわち、ノイズ付加低線量カウントデータＰｌｏｗｎｏｉｓｅにおけるインデックスｉのカウント数Ｐｌｏｗｎｏｉｓｅ＿ｉが負値（Ｐｌｏｗｎｏｉｓｅ＿ｉ＜０）である場合、学習データ生成機能５４３は、ノイズ付加低線量カウントデータＰｌｏｗｎｏｉｓｅにおけるインデックスｉのカウント数Ｐｌｏｗｎｏｉｓｅ＿ｉを、ノイズ付加低線量カウントデータＰｌｏｗｎｏｉｓｅにおけるインデックスｉのカウント数Ｐｌｏｗｎｏｉｓｅ＿ｉの絶対値（｜Ｐｌｏｗｎｏｉｓｅ＿ｉ｜）に置き換えてもよい。
【0076】
以上のステップＳ７０１～Ｓ７０３の処理により、第４の画像データの元となる低カウントデータが生成される。低カウントデータに対して対数変換などの各種前処理を実行して再構成することにより、第４の画像データが生成される。学習データ生成機能５４３は、第３の画像データ３ＩＤと第４の画像データ４ＩＤとを対応付けて、学習データセットとしてメモリ５１に記憶させる。
【0077】
【0078】
（モデル生成処理）
（ステップＳ８０１）
処理回路５４は、不図示の通信インターフェースを介して、フォトンカウントデータＰＣＤを取得する。処理回路５４は、取得したフォトンカウントデータＰＣＤを、メモリ５１に記憶させる。当該フォトンカウントデータＰＣＤは、上述のように、十分なカウントが計測できる通常線量以上の線量で撮影された際のフォトンのカウント数を、Ｘ線検出素子ごとに有する。
（ステップＳ８０１）
処理回路５４は、不図示の通信インターフェースを介して、フォトンカウントデータＰＣＤを取得する。処理回路５４は、取得したフォトンカウントデータＰＣＤを、メモリ５１に記憶させる。当該フォトンカウントデータＰＣＤは、上述のように、十分なカウントが計測できる通常線量以上の線量で撮影された際のフォトンのカウント数を、Ｘ線検出素子ごとに有する。
【0079】
（ステップＳ８０２）
処理回路５４は、不図示の再構成処理機能により、フォトンカウントデータＰＣＤに基づいて、第３の画像データ３ＩＤを生成する。当該再構成処理機能に関する処理は、ＰＣＣＴ装置１における再構成処理機能４４３と同様なため、説明は省略する。
処理回路５４は、不図示の再構成処理機能により、フォトンカウントデータＰＣＤに基づいて、第３の画像データ３ＩＤを生成する。当該再構成処理機能に関する処理は、ＰＣＣＴ装置１における再構成処理機能４４３と同様なため、説明は省略する。
【0080】
（ステップＳ８０３）
処理回路５４は、学習データ生成機能５４３により、図７に示すように、フォトンカウントデータＰＣＤに対して低カウントシミュレーションを実行し、低カウントデータを生成する。学習データ生成機能５４３は、生成された低カウントデータをメモリ５１に記憶させる。
処理回路５４は、学習データ生成機能５４３により、図７に示すように、フォトンカウントデータＰＣＤに対して低カウントシミュレーションを実行し、低カウントデータを生成する。学習データ生成機能５４３は、生成された低カウントデータをメモリ５１に記憶させる。
【0081】
（ステップＳ８０４）
処理回路５４は、不図示の再構成処理機能により、低カウントデータに基づいて、第４の画像データ４ＩＤを生成する。処理回路５４は、第３の画像データ３ＩＤと第４の画像データ４ＩＤとを対応付けて、学習データセットとしてメモリ５１に記憶させる。第３の画像データ３ＩＤは、第４の画像データ４ＩＤに対する正解データ（教師データともいう）に相当する。当該再構成処理機能に関する処理は、ＰＣＣＴ装置１における再構成処理機能４４３と同様なため、説明は省略する。
処理回路５４は、不図示の再構成処理機能により、低カウントデータに基づいて、第４の画像データ４ＩＤを生成する。処理回路５４は、第３の画像データ３ＩＤと第４の画像データ４ＩＤとを対応付けて、学習データセットとしてメモリ５１に記憶させる。第３の画像データ３ＩＤは、第４の画像データ４ＩＤに対する正解データ（教師データともいう）に相当する。当該再構成処理機能に関する処理は、ＰＣＣＴ装置１における再構成処理機能４４３と同様なため、説明は省略する。
【0082】
（ステップＳ８０５）
処理回路５４は、メモリ５１に記憶された学習データセットの総数が、所定の数に到達したか否かを判定する。所定の数は、機械学習モデル（アーチファクト低減モデルＡＲＭ）の生成に関して予め設定される。学習データセットの総数が所定の数に到達している場合（ステップＳ８０６のＹｅｓ）、ステップＳ８０７の処理が実行される。学習データセットの総数が、所定の数に到達していない場合（ステップＳ８０６のＮｏ）、ステップＳ８０１以降の処理繰り返される。
処理回路５４は、メモリ５１に記憶された学習データセットの総数が、所定の数に到達したか否かを判定する。所定の数は、機械学習モデル（アーチファクト低減モデルＡＲＭ）の生成に関して予め設定される。学習データセットの総数が所定の数に到達している場合（ステップＳ８０６のＹｅｓ）、ステップＳ８０７の処理が実行される。学習データセットの総数が、所定の数に到達していない場合（ステップＳ８０６のＮｏ）、ステップＳ８０１以降の処理繰り返される。
【0083】
（ステップＳ８０６）
処理回路５４は、モデル生成機能５４４により、複数の学習データセット各々を用いて、訓練前のモデル（ＤＮＮ）を訓練することにより、アーチファクト低減モデル（学習済みモデル）を生成する。すなわち、モデル生成機能５４４は、第３の画像データと第４の画像データとを訓練対象のＤＮＮに適用することで、当該ＤＮＮを訓練し、アーチファクト低減モデルＡＲＭを生成する。学習データセットにおける第４の画像データはノイズが付加されているため、生成されたアーチファクト低減モデルＡＲＭは、アーチファクトの低減に加えて、ノイズ低減も同時に実現することができる。
処理回路５４は、モデル生成機能５４４により、複数の学習データセット各々を用いて、訓練前のモデル（ＤＮＮ）を訓練することにより、アーチファクト低減モデル（学習済みモデル）を生成する。すなわち、モデル生成機能５４４は、第３の画像データと第４の画像データとを訓練対象のＤＮＮに適用することで、当該ＤＮＮを訓練し、アーチファクト低減モデルＡＲＭを生成する。学習データセットにおける第４の画像データはノイズが付加されているため、生成されたアーチファクト低減モデルＡＲＭは、アーチファクトの低減に加えて、ノイズ低減も同時に実現することができる。
【0084】
本ステップにおけるＤＮＮに対する訓練（学習）は、既知の手法が適用可能であるため、説明は省略する。モデル生成機能５４４は、生成されたアーチファクト低減モデルＡＲＭをメモリ５１に記憶させる。メモリ５１に記憶されたアーチファクト低減モデルＡＲＭは、例えば、元データを収集した医用画像撮像装置、および／またはアーチファクト低減モデルＡＲＭを実行する医用画像処理装置などへ、適宜送信される。
【0085】
以上に述べた実施形態に係る学習装置５により実現されるモデル生成方法は、Ｘ線ＣＴスキャンにより得られる第１の画像データ１ＩＤを入力することにより、低カウントアーチファクトが低減された第２の画像データ２ＩＤを取得する機械学習モデルを生成するモデル生成方法であって、Ｘ線ＣＴスキャンにより得られる投影データ（フォトンカウントデータＰＣＤ）に基づいて再構成された第３の画像データ３ＩＤと、当該投影データに基づいており且つ生成された低カウントアーチファクトを含む第４の画像データ４ＩＤと、を有する学習データセットを用いて、訓練前のモデルを訓練することにより、機械学習モデル（アーチファクト低減モデルＡＲＭ、学習済みモデル）を生成する。
【0086】
これらのことから、本学習装置５により実現されるモデル生成方法によれば、低線量で取得されたフォトンカウントデータに基づく第１の画像データに対して、アーチファクトの低減とノイズの低減とを同時に実現可能な一つの機械学習モデル（アーチファクト低減モデルＡＲＭ）を生成することができる。
【0087】
以上のことから、本モデル生成方法によれば、医用画像における解剖学的特徴などの物体の視認を向上し、かつ画質を向上させた医用画像を生成可能な学習済みモデルを生成することができる。
【0088】
（変形例）
本実施形態におけるモデル生成方法の変形例では、第４の画像データは、第３の画像データに対してアーチファクト画像を加算することにより生成されることにある。このため、本変形例では、低カウントシミュレーション処理は、不要となる。以下、図９および図１０を用いて、本変形例におけるモデル生成処理を説明する。
本実施形態におけるモデル生成方法の変形例では、第４の画像データは、第３の画像データに対してアーチファクト画像を加算することにより生成されることにある。このため、本変形例では、低カウントシミュレーション処理は、不要となる。以下、図９および図１０を用いて、本変形例におけるモデル生成処理を説明する。
【0089】
メモリ５１は、複数の低カウントアーチファクト画像を記憶する。複数の低カウントアーチファクト画像各々は、例えば、水ファントムを用いた超低線量スキャンにより生成されたカウントデータなどから再構成された画像である。複数の低カウントアーチファクト画像各々は、様々なパターンおよび様々なサイズの低カウントアーチファクトを有する。
【0090】
図９は、サイズおよびパターンが異なる２つの低カウントアーチファクト画像ＡＴＩの一例を示す図である。図９に示す右側の低カウントアーチファクト画像ＲＡＴＩは、例えば、左右方向に沿った２つのダークバンドアーチファクトとストリークアーチファクトとを有する。また、図９に示す左側の低カウントアーチファクト画像ＬＡＴＩは、例えば、放射方向に沿ったストリークアーチファクトを有する。
【0091】
図１０は、モデル生成処理とアーチファクト低減処理との概要の一例を示す図である。図１０に示すアーチファクト低減処理については、図３での説明に準拠するため、説明は省略する。図１０に示すように、第４の画像データ４ＩＤは、投影データから再構成された画像データに、予め生成された低カウントアーチファクト画像ＡＴＩが付与された画像データである。
【0092】
具体的には、処理回路５４は、学習データ生成機能５４３により、複数の低カウントアーチファクト画像から一つの低カウントアーチファクト画像ＡＴＩを選択する。学習データ生成機能５４３は、選択された低カウントアーチファクト画像ＡＴＩを読み出す。学習データ生成機能５４３は、メモリ５１から読み出された低カウントアーチファクト画像ＡＴＩを、第３の画像データ３ＩＤに付与する。
【0093】
具体的には、学習データ生成機能５４３は、低カウントアーチファクト画像ＡＴＩと、第３の画像データ３ＩＤとを合成する、例えば、学習データ生成機能５４３は、低カウントアーチファクト画像ＡＴＩを、第３の画像データ３ＩＤに加算する。なお、学習データ生成機能５４３は、低カウントアーチファクト画像ＡＴＩを、第３の画像データ３ＩＤに重畳してもよい。これらにより、学習データ生成機能５４３は、第４の画像データ４ＩＤを生成する。
【0094】
モデル生成機能５４４は、第３の画像データ３ＩＤと第４の画像データとを用いて、アーチファクト低減モデルＡＯＲＭの生成、すなわちＤＮＮを訓練する。アーチファクト低減モデルＡＯＲＭの生成については、実施形態と同様なため説明は省略する。
【0095】
本変形例における第４の画像データ４ＩＤの元となる減弱データは、実施形態と異なりノイズが付加されていない。このため、本変形例により生成されるアーチファクト低減モデルＡＯＲＭは、ノイズ低減の効果を有しない。このため、本変形例における第２の画像データ２ＩＤにおけるノイズを低減させるためには、別途、ノイズ低減モデルを、当該第２の画像データ２ＩＤに適用する必要がある。
【0096】
すなわち、本変形例により生成されたアーチファクト低減モデルＡＯＲＭの使用時（アーチファクト低減処理のステップＳ３０３）において、画像処理機能４４４は、第２の画像データ２ＩＤにノイズ低減モデルを適用することにより、ノイズが低減された処理後画像データを取得する。このとき、ステップＳ３０４において、出力機能４４５は、ノイズが低減された処理後画像データに基づく画像データを出力する。ノイズが低減された処理後画像データに基づく画像データは、例えば、画像処理機能４４４により、ノイズが低減された処理後画像データに対して各種の画像処理が実施された画像のデータに対応する。
【0097】
本応用例によるモデル生成方法は、Ｘ線ＣＴスキャンにより得られる第１の画像データ１ＩＤを入力することにより、低カウントアーチファクトが低減された第２の画像データ２ＩＤを取得する機械学習モデルを生成するモデル生成方法であって、Ｘ線ＣＴスキャンにより得られる投影データに基づいて再構成された第３の画像データ３ＩＤと、当該投影データから再構成された画像データ（第３の画像データ３ＩＤ）に、予め生成された低カウントアーチファクト画像ＡＴＩが付与された画像データ（第４の画像データ４ＩＤ）と、を有する学習データを用いて、訓練前のモデルを訓練することにより、当該機械学習モデルを生成する。これにより、本変形例に係るモデル生成方法によれば、簡便に学習データのセットを生成することができ、アーチファクト低減モデルを効率よく生成することができる。他の効果は、実施形態と同様のため、説明は省略する。
【0098】
実施形態における技術的思想を医用画像処理装置で実現する場合、当該医用画像処理装置は、Ｘ線ＣＴスキャンにより得られる第１の画像データ１ＩＤに、訓練された機械学習モデルを適用することにより、低カウントアーチファクトが低減された第２の画像データ２ＩＤを取得し、当該第２の画像データ２ＩＤに基づく画像データを出力し、当該機械学習モデルは、Ｘ線ＣＴスキャンにより得られる投影データに基づいて再構成された第３の画像データ３ＩＤと、当該投影データに基づいており且つ生成された低カウントアーチファクトを含む第４の画像データ４ＩＤと、を有する学習データを用いて訓練される。医用画像処理装置により実行されるアーチファクト低減処理の手順および効果は、実施形態と同様なため、説明は省略する。
【0099】
実施形態における技術的思想を医用画像処理方法で実現する場合、当該医用画像処理方法は、Ｘ線ＣＴスキャンにより得られる第１の画像データ１ＩＤに、訓練された機械学習モデルを適用することにより、低カウントアーチファクトが低減された第２の画像データ２ＩＤを取得し、当該第２の画像データ２ＩＤに基づく画像データを出力し、当該機械学習モデルは、Ｘ線ＣＴスキャンにより得られる投影データに基づいて再構成された第３の画像データ３ＩＤと、当該投影データに基づいており且つ生成された低カウントアーチファクトを含む第４の画像データ４ＩＤと、を有する学習データを用いて訓練される。医用画像処理方法により実行されるアーチファクト低減処理の手順および効果は、実施形態と同様なため、説明は省略する。
【0100】
本実施形態における技術的思想を医用画像処理プログラムで実現する場合、当該医用画像処理プログラムは、コンピュータに、Ｘ線ＣＴスキャンにより得られる第１の画像データ１ＩＤに、訓練された機械学習モデルを適用することにより、低カウントアーチファクトが低減された第２の画像データ２ＩＤを取得することと、当該第２の画像データ２ＩＤに基づく画像データを出力することとを実現させ、当該機械学習モデルは、Ｘ線ＣＴスキャンにより得られる投影データに基づいて再構成された第３の画像データ３ＩＤと、当該投影データに基づいており且つ生成された低カウントアーチファクトを含む第４の画像データ４ＩＤと、を有する学習データを用いて訓練される。医用画像処理プログラムは、例えば、コンピュータが読取可能な非不揮発性記憶媒体に記憶される。
【0101】
例えば、医用画像処理に関する各種サーバ装置（処理装置）に医用画像処理プログラムを非不揮発性記憶媒体からインストールし、これらをメモリ上で展開することによっても、アーチファクト低減処理を実現することができる。このとき、コンピュータに当該手法を実行させることのできるプログラムは、磁気ディスク（ハードディスクなど）、光ディスク（ＣＤ－ＲＯＭ、ＤＶＤなど）、半導体メモリなどの記憶媒体に格納して頒布することも可能である。医用画像処理プログラムにより実行されるアーチファクト低減処理の手順および効果は、実施形態と同様なため、説明は省略する。
【0102】
以上説明した少なくとも１つの実施形態等によれば、低線量時においてアーチファクトの低減させた医用画像を生成することができる。
【0103】
いくつかの実施形態を参照して本開示を説明したが、これらの実施形態は、本開示の原理と用途の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、実施形態同士の組み合わせ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。
【0104】
以上の実施形態等に関し、発明の一側面および選択的な特徴として以下の付記を開示する。
（付記１）
Ｘ線ＣＴスキャンにより得られる第１の画像データに、訓練された機械学習モデルを適用することにより、低カウントアーチファクトが低減された第２の画像データを取得する画像処理部と、
前記第２の画像データに基づく画像データを出力する出力部と、を有し、
前記機械学習モデルは、Ｘ線ＣＴスキャンにより得られる投影データに基づいて再構成された第３の画像データと、前記投影データに基づいており且つ生成された低カウントアーチファクトを含む第４の画像データと、を有する学習データを用いて訓練される、
医用画像処理装置。
（付記２）
前記第４の画像データは、前記投影データに対して低カウントシミュレーション処理が適用された後に再構成された、擬似的に生成された低カウントアーチファクトを含む画像データであってもよい。
（付記３）
前記低カウントシミュレーション処理は、ノイズ付加処理と、前記投影データの負値に対するゼロクリップ処理とを含んでもよい。
（付記４）
前記画像処理部は、前記機械学習モデルにより、低カウントアーチファクト及びノイズが低減された前記第２の画像データを取得してもよい。
（付記５）
前記第４の画像データは、前記投影データから再構成された画像データに、予め生成された低カウントアーチファクト画像が付与された画像データであってもよい。
（付記６）
前記画像処理部は、前記第２の画像データに、少なくともノイズ低減のための訓練された機械学習モデルを適用することにより、ノイズが低減された処理後画像データを取得し、
前記出力部は、前記処理後画像データに基づく画像データを出力してもよい。
（付記７）
Ｘ線ＣＴスキャンにより得られる第１の画像データに、訓練された機械学習モデルを適用することにより、低カウントアーチファクトが低減された第２の画像データを取得し、
前記第２の画像データに基づく画像データを出力すること、
を備える医用画像処理方法であって、
前記機械学習モデルは、Ｘ線ＣＴスキャンにより得られる投影データに基づいて再構成された第３の画像データと、前記投影データに基づいており且つ生成された低カウントアーチファクトを含む第４の画像データと、を有する学習データを用いて訓練される、
医用画像処理方法。
（付記８）
Ｘ線ＣＴスキャンにより得られる第１の画像データを入力することにより、低カウントアーチファクトが低減された第２の画像データを取得する機械学習モデルを生成するモデル生成方法であって、
Ｘ線ＣＴスキャンにより得られる投影データに基づいて再構成された第３の画像データと、前記投影データに基づいており且つ生成された低カウントアーチファクトを含む第４の画像データと、を有する学習データを用いて、訓練前のモデルを訓練することにより、前記機械学習モデルを生成する、
モデル生成方法。
（付記１）
Ｘ線ＣＴスキャンにより得られる第１の画像データに、訓練された機械学習モデルを適用することにより、低カウントアーチファクトが低減された第２の画像データを取得する画像処理部と、
前記第２の画像データに基づく画像データを出力する出力部と、を有し、
前記機械学習モデルは、Ｘ線ＣＴスキャンにより得られる投影データに基づいて再構成された第３の画像データと、前記投影データに基づいており且つ生成された低カウントアーチファクトを含む第４の画像データと、を有する学習データを用いて訓練される、
医用画像処理装置。
（付記２）
前記第４の画像データは、前記投影データに対して低カウントシミュレーション処理が適用された後に再構成された、擬似的に生成された低カウントアーチファクトを含む画像データであってもよい。
（付記３）
前記低カウントシミュレーション処理は、ノイズ付加処理と、前記投影データの負値に対するゼロクリップ処理とを含んでもよい。
（付記４）
前記画像処理部は、前記機械学習モデルにより、低カウントアーチファクト及びノイズが低減された前記第２の画像データを取得してもよい。
（付記５）
前記第４の画像データは、前記投影データから再構成された画像データに、予め生成された低カウントアーチファクト画像が付与された画像データであってもよい。
（付記６）
前記画像処理部は、前記第２の画像データに、少なくともノイズ低減のための訓練された機械学習モデルを適用することにより、ノイズが低減された処理後画像データを取得し、
前記出力部は、前記処理後画像データに基づく画像データを出力してもよい。
（付記７）
Ｘ線ＣＴスキャンにより得られる第１の画像データに、訓練された機械学習モデルを適用することにより、低カウントアーチファクトが低減された第２の画像データを取得し、
前記第２の画像データに基づく画像データを出力すること、
を備える医用画像処理方法であって、
前記機械学習モデルは、Ｘ線ＣＴスキャンにより得られる投影データに基づいて再構成された第３の画像データと、前記投影データに基づいており且つ生成された低カウントアーチファクトを含む第４の画像データと、を有する学習データを用いて訓練される、
医用画像処理方法。
（付記８）
Ｘ線ＣＴスキャンにより得られる第１の画像データを入力することにより、低カウントアーチファクトが低減された第２の画像データを取得する機械学習モデルを生成するモデル生成方法であって、
Ｘ線ＣＴスキャンにより得られる投影データに基づいて再構成された第３の画像データと、前記投影データに基づいており且つ生成された低カウントアーチファクトを含む第４の画像データと、を有する学習データを用いて、訓練前のモデルを訓練することにより、前記機械学習モデルを生成する、
モデル生成方法。
【符号の説明】
【0105】
１ ＰＣＣＴ装置
５ 学習装置
１０ 架台装置
１１ Ｘ線管
１２ Ｘ線検出器
１３ 回転フレーム
１４ Ｘ線高電圧装置
１５ 制御装置
１６ ウェッジ
１７ コリメータ
１８ ＤＡＳ（Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ Ｓｙｓｔｅｍ）１８
３０ 寝台装置
３１ 基台
３２ 寝台駆動装置
３３ 天板
３４ 支持フレーム
４０ コンソール装置
４１ メモリ
４２ ディスプレイ
４３入力インターフェース
４４ 処理回路
５１ メモリ
５４ 処理回路
４４１ システム制御機能
４４２ 前処理機能
４４３ 再構成処理機能
４４４ 画像処理機能
４４５ 出力機能
５４３ 学習データ生成機能
５４４ モデル生成機能
５ 学習装置
１０ 架台装置
１１ Ｘ線管
１２ Ｘ線検出器
１３ 回転フレーム
１４ Ｘ線高電圧装置
１５ 制御装置
１６ ウェッジ
１７ コリメータ
１８ ＤＡＳ（Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ Ｓｙｓｔｅｍ）１８
３０ 寝台装置
３１ 基台
３２ 寝台駆動装置
３３ 天板
３４ 支持フレーム
４０ コンソール装置
４１ メモリ
４２ ディスプレイ
４３入力インターフェース
４４ 処理回路
５１ メモリ
５４ 処理回路
４４１ システム制御機能
４４２ 前処理機能
４４３ 再構成処理機能
４４４ 画像処理機能
４４５ 出力機能
５４３ 学習データ生成機能
５４４ モデル生成機能
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
