特許 7399646 データ圧縮装置およびデータ圧縮方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2023-12-08

(45)【発行日】2023-12-18

(54)【発明の名称】データ圧縮装置およびデータ圧縮方法

(51)【国際特許分類】

   H03M 7/30 20060101AFI20231211BHJP

   A61B 5/055 20060101ALI20231211BHJP

   A61B 6/03 20060101ALI20231211BHJP

   G06T 9/00 20060101ALI20231211BHJP

   A61B 5/00 20060101ALI20231211BHJP

【ＦＩ】

H03M7/30 Z

A61B5/055 380

A61B5/055 376

A61B6/03 360T

G06T9/00 200

A61B5/00 G

【請求項の数】 8

(21)【出願番号】P 2019148761

(22)【出願日】2019-08-14

(65)【公開番号】P2021034752

(43)【公開日】2021-03-01

【審査請求日】2022-06-22

(73)【特許権者】

【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】110003708

【氏名又は名称】弁理士法人鈴榮特許綜合事務所

(72)【発明者】

【氏名】竹島 秀則

【審査官】北村 智彦

(56)【参考文献】

【文献】米国特許出願公開第２０１４／０１１９６２８（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０３Ｍ ３／００－９／００

Ａ６１Ｂ ５／０５５

Ａ６１Ｂ ６／０３

Ｇ０６Ｔ ９／００

Ａ６１Ｂ ５／００

ＩＥＥＥ Ｘｐｌｏｒｅ

(57)【特許請求の範囲】

【請求項1】

データに対して再構成処理を行なうことで再構成データを生成し、前記データに対して圧縮処理を行なうことで生成された圧縮データを復元した復元データに対して前記再構成処理を行なうことで復元再構成データを生成する再構成部と、
前記再構成データと前記復元再構成データとの比較に基づいて、前記データの圧縮率に関するパラメータを決定する決定部と、
を具備するデータ圧縮装置。

【請求項2】

前記再構成部は、前記再構成処理として、画像診断に用いるための本再構成処理よりも処理負荷が少ない仮再構成処理を行なう、請求項１に記載のデータ圧縮装置。

【請求項3】

前記決定部は、異なる複数の圧縮率と、前記複数の圧縮率による圧縮処理が行われることで生成された複数の圧縮データに基づく複数の復元再構成データと前記再構成データとの間のそれぞれの誤差との関係に基づいて、前記データの圧縮率に関するパラメータを決定する、請求項１または請求項２に記載のデータ圧縮装置。

【請求項4】

前記決定部は、決定すべきパラメータとして、前記再構成データと前記復元再構成データとの間の誤差が第１閾値以内かつ前記圧縮処理の圧縮率が第２閾値以上となる圧縮率に関するパラメータを選択する、請求項１から請求項３のいずれか１項に記載のデータ圧縮装置。

【請求項5】

前記誤差は、Ｌ１正則化に基づく誤差またはＬ２正則化に基づく誤差である、請求項３または請求項４に記載のデータ圧縮装置。

【請求項6】

前記再構成部は、圧縮データを入力データとし、前記圧縮データの元となるデータに対して再構成処理を行なうことで生成される再構成データを正解データとして学習させることで生成された学習済みモデルを、圧縮データに適用することで、前記復元再構成データを生成する、請求項１から請求項５のいずれか１項に記載のデータ圧縮装置。

【請求項7】

圧縮データを入力データとし、前記圧縮データの元となるデータを正解データとして学習させることで生成される学習済みモデルを、圧縮データに適用することで、前記復元データを生成する復元部をさらに具備する、請求項１から請求項５のいずれか１項に記載のデータ圧縮装置。

【請求項8】

データに対して再構成処理を行なうことで再構成データを生成し、前記データに対して圧縮処理を行なうことで生成された圧縮データを復元した復元データに対して前記再構成処理を行なうことで復元再構成データを生成し、
前記再構成データと前記復元再構成データとの比較に基づいて、前記データの圧縮率に関するパラメータを決定する、データ圧縮方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態は、データ圧縮装置、データ圧縮方法および学習装置に関する。

【背景技術】

【0002】

近年の医用画像診断機器の高性能化に伴い、医用画像診断装置で取得されたデータ（例えば、生データ）など、取り扱うデータ量が増加している。よって、データを効率的に保管、転送するためにデータを圧縮する必要性が生じている。圧縮の種類としては、可逆圧縮処理と非可逆圧縮処理とが存在するが、データの圧縮効率の観点からは非可逆圧縮処理のほうが好ましい。よって、医用分野においても、ＪＰＥＧ（Joint Photographic Experts Group）やＭＰＥＧ（Moving Picture Experts Group）などの非可逆圧縮技術の応用が求められている。

【0003】

しかし、生データに対して非可逆圧縮処理を適用した場合、その後の再構成処理により生成される再構成画像は、非可逆圧縮によってどの程度歪みが生じるかが考慮されていない。すなわち、生データと当該生データに基づく再構成画像との関係が考慮されていないため、生データを非可逆圧縮した場合に生じる歪みが、再構成画像にどのような影響を与えるかが分からない。結果として、圧縮率を高められる可能性がある場合でも生データの圧縮率を下げざるを得ない。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１８－１２０２７９号公報

【文献】特開２０１３－０５２１３４号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

本発明が解決しようとする課題は、効率的にデータを圧縮することである。

【課題を解決するための手段】

【0006】

本実施形態に係るデータ圧縮装置は、再構成部と決定部とを含む。再構成部は、データに対して再構成処理を行なうことで再構成データを生成し、前記データに対して圧縮処理を行なうことで生成された圧縮データを復元した復元データに対して前記再構成処理を行なうことで復元再構成データを生成する。決定部は、前記再構成データと前記復元再構成データとの比較に基づいて、前記データの圧縮率に関するパラメータを決定する。

【図面の簡単な説明】

【0007】

【図1】図１は、第１の実施形態に係るデータ圧縮装置を示すブロック図である。

【図2】図２は、第１の実施形態に係るデータ圧縮装置の動作例を示すフローチャートである。

【図3】図３は、再構成画像に関する誤差と生データの圧縮率との関係を示すグラフである。

【図4】図４は、第２の実施形態に係る学習済みモデルの第１例を示す図である。

【図5】図５は、第２の実施形態に係る学習済みモデルの第２例を示す図である。

【図6】図６は、第２の実施形態に係るデータ圧縮装置の動作例を示すフローチャートである。

【図7】図７は、第３の実施形態に係るデータ圧縮装置の学習時の概念を説明する図である。

【図8】図８は、第４の実施形態に係る医用画像診断システムを示すブロック図である。

【発明を実施するための形態】

【0008】

以下、図面を参照しながら本実施形態に係わるデータ圧縮装置、データ圧縮方法および学習装置について説明する。以下の実施形態では、同一の参照符号を付した部分は同様の動作をおこなうものとして、重複する説明を適宜省略する。以下、一実施形態について図面を用いて説明する。

【0009】

（第１の実施形態）
第１の実施形態に係るデータ圧縮装置について図１のブロック図を参照して説明する。
第１の実施形態に係るデータ圧縮装置１は、処理回路２、入力インタフェース４、通信インタフェース６およびメモリ８を含む。

【0010】

処理回路２は、取得機能２１と、圧縮機能２２と、復元機能２３と、再構成機能２４と、決定機能２５とを含む。処理回路２は、ハードウェア資源として図示していないプロセッサを有する。

【0011】

取得機能２１は、外部から圧縮対象となるデータを取得する。なお、本実施形態では、圧縮対象のデータとして、外部の医用画像処理装置で収集された、いわゆる生データを想定して説明する。生データの例としては、ＣＴ（Computed Tomography）装置であれば検出データまたはサイノグラムデータ、ＭＲＩ（Magnetic Resonance Imaging）装置であればｋ空間データが挙げられる。

【0012】

圧縮機能２２は、指定された圧縮率で生データを圧縮し、圧縮データを生成する。圧縮率は、本実施形態では、元のデータサイズがどの程度圧縮されたかを示す。つまり、圧縮されることで元のデータサイズよりも圧縮データの方がデータサイズが小さくなる。圧縮率が高いほど、圧縮データのデータサイズが小さくなる。生データを圧縮する方法として、本実施形態では、直交変換、量子化、エントロピー符号化を用いた非可逆圧縮処理を想定するが、これに限らず、非可逆圧縮処理を行なう圧縮方法であればどのような方法を用いてもよい。圧縮率の指定方法としては、例えばデフォルトで設定された値を用いてもよいし、ユーザから指定されてもよいし、後述する決定機能２５から指定されてもよい。

【0013】

復元機能２３は、圧縮データを伸張し、復元データを生成する。
再構成機能２４は、生データを再構成処理し、再構成データを生成する。さらに、再構成機能２４は、復元データを再構成処理し、復元再構成データを生成する。なお、生データがスペクトラルＣＴで取得したデータであれば、物質弁別に関するデータを再構成データおよび復元再構成データとしてもよい。また、Ｔ１マップやＡＤＣ（apparent diffusion coefficient）マップなどの機能画像を再構成データおよび復元再構成データとしてもよい。

【0014】

決定機能２５は、再構成データと復元再構成データとの比較に基づいて、データの圧縮率に関するパラメータを決定する。

【0015】

入力インタフェース４は、ユーザからの各種指示や情報入力を受け付ける回路を有する。入力インタフェース４は、例えば、マウス等のポインティングデバイス、あるいはキーボード等の入力デバイスに関する回路を有する。なお、入力インタフェース４が有する回路は、マウス、キーボードなどの物理的な操作部品に関する回路に限定されない。例えば、入力インタフェース４は、データ圧縮装置１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、受け取った電気信号をデータ圧縮装置１内の種々の回路へ出力するような電気信号の処理回路を有していてもよい。
通信インタフェース６は、有線または無線により外部装置とデータのやり取りを実行する。

【0016】

メモリ８は、生データ、再構成データ、復元再構成データなどを格納する。メモリ８は、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子、ハードディスクドライブ（ＨＤＤ：Hard Disk Drive）、ソリッドステートドライブ（ＳＳＤ:Solid State Drive）、光ディスク等である。また、メモリ８は、ＣＤ－ＲＯＭドライブやＤＶＤドライブ、フラッシュメモリ等の可搬性記憶媒体との間で種々の情報を読み書きする駆動装置等であってもよい。

【0017】

なお、本実施形態に係る圧縮機能２２に係る圧縮処理、および復元機能２３に係る復元処理は、外部装置により実行されてもよい。この場合は、データ圧縮装置１から生データと圧縮率に関するパラメータ情報を外部装置に送信し、当該外部装置から生データがパラメータ情報に従って圧縮されて復元された復元データをデータ圧縮装置１が受信すればよい。また、最終的に決定された圧縮率に関するパラメータ情報を外部装置に送信し、決定された圧縮率で圧縮された圧縮データを受信すればよい。

【0018】

また、処理回路２における各種機能は、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８へ記憶されている。処理回路２は、これら各種機能に対応するプログラムをメモリ８から読み出して実行することで、各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読みだした状態の処理回路２は、図１の処理回路２内に示された複数の機能等を有することになる。

【0019】

なお、図１においては単一の処理回路２にてこれら各種機能が実現され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２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。換言すると、上述のそれぞれの機能がプログラムとして構成され、１つの処理回路が各プログラムを実行する場合であってもよいし、特定の機能が専用の独立したプログラム実行回路に実装される場合であってもよい。

【0020】

次に、第１の実施形態に係るデータ圧縮装置１の動作例について図２のフローチャートを参照して説明する。
ステップＳ２０１では、取得機能２１により処理回路２が、生データを取得する。
ステップＳ２０２では、再構成機能２４により処理回路２が、生データに対して再構成処理を行ない、再構成データを生成する。ここでの再構成処理は、仮再構成処理を用いても良い。仮再構成処理とは、実際の画像診断において用いられる画像再構成処理（本再構成処理という）よりも処理負荷が少なく、簡易的な再構成処理である。例えば、本再構成処理として逐次近似再構成法が用いられるとすると、逐次近似再構成法よりも処理が軽いＦＢＰ（Filtered Back Projection）法、ＣＢＰ（Convolution Back Projection）法が仮再構成処理として用いられる。なお、仮再構成処理の代わりに、本再構成処理を行なってもよい。

【0021】

ステップＳ２０３では、圧縮機能２２により処理回路２が、指定された圧縮率で生データを圧縮し、圧縮データを生成する。
圧縮処理は、具体的には、まず生データを所定サイズのブロックに分割し、ブロック単位で離散コサイン変換（ＤＣＴ：Discrete Cosine Transform）を実行する。これにより、２次元配列された画素の集合（つまり画像）が、基底画像で表される周波数成分に分解される。各基底画像に関する基底成分の大きさをＤＣＴ係数とも呼ぶ。続いて、ＤＣＴ係数を、量子化幅を表す量子化テーブルを参照して量子化する。量子化幅を大きくすることにより、削減する情報量を増加させることができる。続いて、量子化された値に対してエントロピー符号化処理または算術符号化処理を行なうことで、圧縮データが生成される。エントロピー符号化としては、例えばハフマン符号化を用いればよい。

【0022】

なお、直交変換として、離散ウェーブレット変換を用いてもよいし、他の直交変換処理が行なわれてもよい。なお、圧縮処理自体は一般的な手法を用いればよいため、詳細な説明は省略する。

【0023】

ステップＳ２０４では、復元機能２３により処理回路２が、圧縮データを伸張し（復号し）、復元データを生成する。データの伸張処理（復号処理）としては、例えばステップＳ２０３に示すような圧縮処理が行なわれていれば、可変長符号化されたデータを復号し、逆量子化し、逆ＤＣＴ処理を行なうことで復元データを生成する。なお、復元機能２３によるデータの伸張処理は一般的な手法であるため、詳細な説明は省略する。

【0024】

ステップＳ２０５では、再構成機能２４により処理回路２が、復元データに対して再構成処理を行ない、復元再構成データを生成する。ステップＳ２０５での再構成処理は、ステップＳ２０２と同じ再構成処理を行なう。すなわち、ここでは仮再構成処理が行なわれる。

【0025】

ステップＳ２０６では、決定機能２５により処理回路２が、ステップＳ２０２で算出した再構成データとステップＳ２０５で算出した復元再構成データとの誤差を算出する。誤差としては、再構成データに基づく画像と復元再構成データに基づく画像との空間座標が同じ位置にある画素同士の差分でもよいし、最小二乗誤差であってもよい。または、Ｌ１誤差（Ｌ１正則化に基づく推定値）またはＬ２誤差（Ｌ２正則化に基づく推定値）を用いてもよい。

【0026】

ステップＳ２０７では、決定機能２５により処理回路２が、ステップＳ２０６で算出した誤差とステップＳ２０３における圧縮処理の圧縮率とを関連づけて格納する。例えば、誤差と圧縮率とを対応付けたテーブルをメモリ８に格納すればよい。なお、圧縮率と当該圧縮率による圧縮処理を行なう場合のパラメータとをあわせて格納してもよい。誤差と圧縮率との関係はテーブルで管理することに限らず、誤差と圧縮率との対応関係を記憶できればどのような形式で格納してもよい。

【0027】

ステップＳ２０８では、決定機能２５により処理回路２が、１つの生データに対して復元再構成データの生成処理を所定回数実行したか否かを判定する。すなわち、ステップＳ２０８では、異なる圧縮率による圧縮処理が所定回数実行されたか否かを判定する。これは、医用画像診断装置の種類および撮影対象部位などによって、生データと当該生データを圧縮したことによる再構成画像の劣化量との関係が異なると考えられるからである。判定方法としては、例えば、ステップＳ２０７の処理が完了するごとにカウンタをインクリメントして、所定値に達した場合に、復元再構成データの生成処理が所定回数に達したと判定すればよい。復元再構成データの生成処理が所定回数実行された場合（ステップＳ２０８のＹＥＳ）、ステップＳ２１０に進み、所定回数実行されていない場合（ステップＳ２０８のＮＯ）、ステップＳ２０９に進む。

【0028】

ステップＳ２０９では、圧縮機能２２により処理回路２が、ステップＳ２０３における圧縮処理の圧縮率を変更する。圧縮率の変更は、例えば圧縮率の異なる複数の量子化テーブルを用意しておき、上述のステップに係る処理で適用された量子化テーブルと異なる、未だ適用されていない量子化テーブルを選択して量子化を行なうことにより、圧縮率を変更すればよい。
なお、量子化テーブルを変更することに限らず、圧縮率を変更可能な方法であれば、どのような方法を適用してもよい。

【0029】

ステップＳ２１０では、決定機能２５により処理回路２が、所定回数実行した圧縮率と誤差との関係の組、言い換えれば、生データの圧縮率と再構成画像の画質との関係の組について、異なる圧縮率ごとに組を取得し、圧縮率と再構成画像の誤差との複数の組から、最適な圧縮率に関するパラメータを決定する。圧縮率の決定方法としては、例えば、再構成データと復元再構成データとの間の誤差が第１閾値以内かつ圧縮処理の圧縮率が第２閾値以上となる圧縮率に関するパラメータを選択すればよい。具体的には、圧縮率を優先するならば、再構成データと復元再構成データとの誤差が閾値以内でかつ圧縮率が閾値以上である圧縮率の中で最も高い圧縮率を、最適な圧縮率として決定すればよい。これにより、再構成画像においてもある程度画質が維持されつつ、高い圧縮効率でデータを圧縮することができる。また、再構成画像の画質を優先するならば、圧縮率が低いほど画質は高くなるため、再構成データと復元再構成データとの誤差が閾値以内でかつ圧縮率が閾値以上である圧縮率の中で最も低い圧縮率（言い換えれば、再構成データと復元再構成データとの誤差が最小となるときの当該誤差に対応する圧縮率）を、最適な圧縮率として決定すればよい。

【0030】

なお、決定機能２５により処理回路２が、最適な圧縮率を決定してもよいが、圧縮率を優先するか再構成画像の画質を優先するかの優先基準は、適宜選択可能とされてもよい。例えば、通信インタフェース６を介して、例えばディスプレイなどに「圧縮率優先」「画質優先」のどちらかを選択させるような項目を表示し、ユーザにより選択された優先基準に応じて、最適な圧縮率を決定してもよい。
または、誤差と圧縮率との関係を入力データとし、最適な圧縮率を正解データとして学習した学習済みモデルに基づき、誤差と圧縮率との関係に対して学習済みモデルを適用することで、最適な圧縮率が決定されてもよい。

【0031】

ステップＳ２１１では、圧縮機能２２により処理回路２が、ステップＳ２１０で決定された圧縮率で生データを圧縮する。以上でデータ圧縮装置１の動作を終了する。

【0032】

なお、図２の例では、量子化テーブルを変更することで圧縮率を変更する場合を想定するが、圧縮率を変更する際に圧縮処理の手法自体を変更してもよい。

【0033】

次に、再構成画像の誤差と生データの圧縮率との関係を示す概念図について図３を参照して説明する。
図３のグラフは、横軸が生データの圧縮率を示し、縦軸が再構成データと復元再構成データとの誤差を示す。当該グラフは、ステップＳ２０７で得られた誤差と圧縮率との関係をプロットし、プロットに対してフィッティング処理することで近似曲線を生成可能である。
なお、決定機能２５により処理回路２が、上述のステップＳ２１０における決定方法で自動的に最適な圧縮率を決定することを想定するが、決定機能２５により処理回路２が、図３に示すグラフを作成してユーザに提示してもよい。

【0034】

図３に示すように、圧縮率が高いほど誤差が大きくなるため、ユーザは、グラフを見ながら、再構成画像の劣化量として許容できる圧縮率を選択すればよい。例えば、ユーザが近似曲線または誤差のプロットを選択することで、復元再構成データに基づく復元再構成画像を表示してもよい。ユーザは、表示された再構成画像を見ながら、ユーザ自身が許容できる劣化量の再構成画像を選択することができ、当該劣化量に対応する圧縮率が最適な圧縮率として選択されうる。

【0035】

以上に示した第１の実施形態によれば、仮再構成後の再構成画像の誤差に基づいて生データの圧縮率に関するパラメータを決定することで、再構成画像の劣化量を考慮しつつ、データの圧縮効率を向上させることができる。

【0036】

（第２の実施形態）
第１の実施形態では、データ圧縮装置のランタイム時（利用時）に最適な圧縮率に関するパラメータを決定する場合を想定するが、第２の実施形態では、データ圧縮装置の利用時に圧縮データに対して、深層畳み込みニューラルネットワーク（ＤＣＮＮ：Deep Convolutional Neural Network）などを学習させた学習済みモデルを適用する例を示す。

【0037】

第２の実施形態に係るデータ圧縮装置については、図１に示すデータ圧縮装置のブロック図と同様である。第１の実施形態に係るデータ圧縮装置１と比較して、第２の実施形態に係るデータ圧縮装置の復元機能２３または再構成機能２４において、学習済みモデルを利用する点が異なる。

【0038】

第２の実施形態に係る学習済みモデルの第１例について図４を参照して説明する。
学習済みモデルは、ディープニューラルネットワーク、ＲｅｓＮｅｔ（Residual Network）、ＤｅｎｓｅＮｅｔなどのＤＣＮＮに代表される多層ネットワークを、学習用データを用いて学習させたモデルである。

【0039】

学習時は、圧縮データを入力データとし、仮再構成処理ではなく、生データに対して実際の画像診断で利用する本再構成処理（例えば、逐次近似再構成）を行なうことにより得られる本再構成データを正解データとした学習用データを用いる。当該学習用データを用いて多層ネットワークを学習させ、学習済みモデルを生成する。

【0040】

図４に示すように利用時は、再構成機能２４により処理回路２が、圧縮データに対して学習済みモデルを適用することで、本再構成画像が生成される。

【0041】

次に、第２の実施形態に係る学習済みモデルの第２例について図５を参照して説明する。
学習時は、圧縮データを入力データとし、圧縮処理前の生データを正解データとした学習用データを用いる。当該学習用データを用いて多層ネットワークを学習させ、学習済みモデルを生成する。

【0042】

図５に示すように利用時は、復元機能２３により処理回路２が、圧縮データに対して学習済みモデルを適用することで、圧縮処理前の生データを生成する。その後、圧縮処理前の生データに対して本再構成処理を行なうことにより、本再構成データを生成することができる。

【0043】

次に、第２の実施形態に係るデータ圧縮装置１の動作について図６のフローチャートを参照して説明する。ステップＳ２０１、ステップＳ２０３、ステップＳ２０６からステップＳ２１１までの処理は同様であるため説明を省略する。また、学習済みモデルとして図４に示す学習済みモデルを用いる場合を想定する。なお、ステップＳ２０２における再構成処理は、学習済みモデルの学習時と同じ本再構成処理（逐次近似再構成法）を用いるものとする。

【0044】

ステップＳ６０１では、再構成機能２４により処理回路２が、圧縮データに対して学習済みモデルを適用し、復元再構成データを生成する。なお、図５に示す学習済みモデルを用いる場合、つまり、復元機能２３により処理回路２が、圧縮データに学習済みモデルを適用して圧縮処理前の生データを生成するような場合は、圧縮データに対して学習済みモデルを適用して生成される生データに対して、本再構成処理を行なうことにより、本再構成データを生成する。

【0045】

以上に示した第２の実施形態によれば、学習済みモデルを適用することで、圧縮データから復元再構成データを短時間かつ低コストで生成することができる。よって、第１の実施形態と同様に、再構成画像の劣化量を考慮しつつ、データの圧縮効率を向上させることができる。

【0046】

（第３の実施形態）
第３の実施形態では、データ圧縮装置１の処理回路を学習装置として機能させ、学習させた学習済みモデルをデータ圧縮装置として動作させる。

【0047】

第３の実施形態に係る学習済みモデルの学習時について図７を参照して説明する。
図７は、データ圧縮装置１の学習時のフローを示したブロック図である。
学習時のデータ圧縮装置１では、処理回路２の各機能が学習装置として動作する。
取得機能２１が、生データを取得する。

【0048】

ステップＳ７０１では、圧縮機能２２が、生データを圧縮処理することで圧縮データを生成する。具体的には、圧縮機能２２が、生データを量子化して符号化することで圧縮データを生成する。
ステップＳ７０２では、復元機能２３および再構成機能２４が、本再構成処理（ここでは、逐次近似再構成法）に相当する処理をニューラルネットワークが適用されることにより実現する。すなわち、圧縮データにニューラルネットワークを適用して得られる再構成画像（以下、フル復元再構成画像と呼ぶ）を生成するようにニューラルネットワークを学習する。ステップＳ７０２に示すニューラルネットワークは、逆量子化処理、逆ラドン変換処理、およびディープニューラルネットワークを含む。なお、逆ラドン変換処理に限らず、逐次近似再構成を加えてもよい。

【0049】

ステップＳ７０３では、再構成機能２４が、生データに対して本再構成処理を行ない、フル再構成画像を生成する。
ステップＳ７０４では、決定機能２５により、ステップＳ７０２で生成されるフル復元再構成画像とステップＳ７０３で生成されるフル再構成画像との誤差を損失関数として、当該損失関数が最小になるような圧縮率が出力されるよう学習をおこなう。結果として、ステップＳ７０２で用いるニューラルネットワークの係数が学習され、学習済みモデルが生成される。よって、生データに対して、当該学習済みモデルを適用することにより最適な圧縮率のパラメータで圧縮された圧縮データを生成するデータ圧縮装置を実現できる。

【0050】

なお、生データと、ステップＳ７０３で得られる復元データとの誤差を損失関数としてもよい。例えば、フル再構成画像とフル復元再構成画像との誤差と、生データと復元データとの誤差との重み付け和を損失関数して評価すればよい。これにより、復元データが元の生データから大きくずれないという制約を加えつつ、フル再構成画像を生成できる。
さらに、圧縮データの絶対値の大きさを重み付け和として損失関数に加えてもよい。これにより、さらに圧縮率が小さくなる制約を加えることができる。

【0051】

以上に示した第３の実施形態によれば、生データを、より適した圧縮率に関するパラメータで圧縮した圧縮データを出力するようにネットワークを学習させることで、学習済みモデルを生成する学習装置を実現できる。

【0052】

（第４の実施形態）
第４の実施形態では、第１の実施形態および第２の実施形態に係るデータ圧縮装置を医用画像診断装置に適用する。
第４の実施形態に係る医用画像診断システムについて図８のブロック図を参照して説明する。

【0053】

図８に示す医用画像診断システムは、データ圧縮装置１と医用画像診断装置１０とを含む。
医用画像診断装置１０は、例えば、ＣＴ装置、Ｘ線撮影装置、ＭＲＩ装置、ＰＥＴ（Positron Emission Tomography）装置、ＳＰＥＣＴ（Single photon emission computed tomography）装置、超音波診断装置などの少なくともいずれか１つを想定する。医用画像診断装置１０は、生データとなる医用データを取得する。具体的には、医用画像診断装置１０が、ＣＴ装置であれば検出データまたはサイノグラムデータ、ＭＲＩ装置であればｋ空間データ、サイノグラムデータ、またはある次元だけフーリエ変換されたハイブリッド空間データ、Ｘ線撮影装置であればＸ線撮影データ、ＰＥＴ装置であればＰＥＴデータ、ＳＰＥＣＴ装置であればＳＰＥＣＴデータ、超音波診断装置であれば超音波データ、といった医用データを生データとして取得する。

【0054】

データ圧縮装置１では、医用画像診断装置１０から生データを取得し、最適な圧縮率で生データを圧縮する。
なお、図８の例では、医用画像診断装置１０からデータ圧縮装置１までのデータ通信は生データのまま送信し、データ圧縮装置１から外部装置（例えば、ワークステーションおよびＰＡＣＳ（Picture archiving and communication system）など）までのデータ通信は圧縮データを送信することを想定するが、これに限られない。
例えば、医用画像診断装置１０がＣＴ装置であれば、データ圧縮装置１がＤＡＳ（Data Acquisition System）に搭載され、Ｘ線検出器で取得した生データとなる検出データを圧縮してコンソールに転送するようにしてもよい。

【0055】

以上に示した第４の実施形態によれば、各種医用画像診断装置で取得される生データに対して、再構成画像の劣化量を考慮して最適な圧縮率でデータ圧縮することで、生データのように膨大なデータ量でも効率的にデータを圧縮できる。

【0056】

すなわち、以上に示した少なくとも１つの実施形態によれば、効率的にデータを圧縮することができる。

【0057】

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

【0058】

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。

【符号の説明】

【0059】

１ データ圧縮装置
２ 処理回路
４ 入力インタフェース
６ 通信インタフェース
８ メモリ
１０ 医用画像診断装置
２１ 取得機能
２２ 圧縮機能
２３ 復元機能
２４ 再構成機能
２５ 決定機能

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】