(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】2024-07-19
(45)【発行日】2024-07-29
(54)【発明の名称】医用画像処理装置および医用画像処理方法
(51)【国際特許分類】
A61B 5/055 20060101AFI20240722BHJP
G06T 5/00 20240101ALI20240722BHJP
G06T 7/00 20170101ALI20240722BHJP
【ＦＩ】
A61B5/055 376
G06T5/00 700
G06T7/00 350C
【請求項の数】
5
(21)【出願番号】P 2023081651
(22)【出願日】2023-05-17
(62)【分割の表示】P 2018109558の分割
【原出願日】2018-06-07
(65)【公開番号】P2023101568
(43)【公開日】2023-07-21
【審査請求日】2023-05-17
(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】井田 孝
(72)【発明者】
【氏名】五十川 賢造
【審査官】冨永 昌彦
(56)【参考文献】
【文献】米国特許出願公開第２０１７／００６１６２０（ＵＳ，Ａ１）
【文献】米国特許出願公開第２０１６／０１７１７２７（ＵＳ，Ａ１）
【文献】特開２０１６－０９３４９４（ＪＰ，Ａ）
【文献】特開平０９－３０５７５７（ＪＰ，Ａ）
【文献】米国特許出願公開第２００８／０１００２９２（ＵＳ，Ａ１）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ａ６１Ｂ ５／０５５
Ｇ０６Ｔ ５／００ － ５／９４
Ｇ０６Ｔ ７／００ － ７／９０
(57)【特許請求の範囲】
【請求項1】
磁気共鳴データから生成された１つの磁気共鳴画像または前記１つの磁気共鳴画像を生成する前段の１つの中間画像と、前記磁気共鳴データの収集に関するＲＦコイルの空間感度を示すコイル感度および前記磁気共鳴データに対応するｇファクタのいずれか一方または組み合わせに対応するノイズ相関データと、に基づいて前記１つの磁気共鳴画像のノイズまたは前記１つの中間画像のノイズを低減したデノイズ画像を生成する学習済みモデルを記憶する記憶部と、前記ノイズ相関データと、前記１つの磁気共鳴画像または前記１つの中間画像とを前記学習済みモデルに入力する入力部と、
前記学習済みモデルを用いて、前記１つの磁気共鳴画像のノイズまたは前記１つの中間画像のノイズが低減された前記デノイズ画像を生成するノイズ低減部と、
を具備する医用画像処理装置。
【請求項2】
前記学習済みモデルは、ニューラルネットワークであって、前記入力部は、前記ニューラルネットワークにおける入力層の互いに別のチャンネルに、前記１つの磁気共鳴画像または前記１つの中間画像と、前記ノイズ相関データとを入力する、
請求項１に記載の医用画像処理装置。
【請求項3】
前記学習済みモデルは、ニューラルネットワークであって、前記入力部は、
前記ニューラルネットワークにおける入力層に、前記１つの磁気共鳴画像または前記１つの中間画像を入力し、
前記ニューラルネットワークにおける複数の中間層のうち少なくとも一つに、前記ノイズ相関データを入力する、
請求項１または請求項２に記載の医用画像処理装置。
【請求項4】
前記記憶部は、前記１つの磁気共鳴画像または前記１つの中間画像に基づいて前記ノイズ相関データを生成するように機能付けられた第２の学習済みモデルをさらに記憶し、前記入力部は、前記１つの磁気共鳴画像または前記１つの中間画像を前記第２の学習済みモデルに入力し、
前記第２の学習済みモデルを用いて、前記ノイズ相関データを生成する相関データ生成部をさらに具備する、
請求項１乃至３のうちいずれか一項に記載の医用画像処理装置。
【請求項5】
磁気共鳴データから生成された１つの磁気共鳴画像または前記１つの磁気共鳴画像を生成する前段の１つの中間画像と、前記磁気共鳴データの収集に関するＲＦコイルの空間感度を示すコイル感度および前記磁気共鳴データに対応するｇファクタのいずれか一方または組み合わせに対応するノイズ相関データと、に基づいて前記１つの磁気共鳴画像のノイズまたは前記１つの中間画像のノイズを低減したデノイズ画像を生成する学習済みモデルを用い、前記ノイズ相関データと、前記１つの磁気共鳴画像または前記１つの中間画像とを前記学習済みモデルに入力するステップと、
前記学習済みモデルを用いて、前記１つの磁気共鳴画像のノイズまたは前記１つの中間画像のノイズが低減された前記デノイズ画像を生成するステップと、
を有する医用画像処理方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明の実施形態は、医用画像処理装置および医用画像処理方法に関する。
【背景技術】
【0002】
写真や映像を撮像したときの画像に含まれるノイズは、印刷したりディスプレイに表示したりする際に見栄えが悪くなるだけでなく、防犯カメラや医用診断装置では視認性の低下、各種画像認識装置では認識率の低下など様々な悪影響を及ぼすことがある。このため、画像表示等の事前にノイズを除去することが望ましい。
【0003】
画像処理によるノイズ除去は、基本的には、平滑化によってノイズの振幅を抑制することで実現される。このとき、例えば、ノイズと共に画像信号本来のエッジ（輝度が急峻に変化する部分）やテクスチャ（細かい図柄）がぼやけないように、画像のパターンに適応する複雑な工夫が実行されることがある。一方、近年、単純な構成の畳み込みニューラルネットワーク（以下、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）と呼ぶ）を用いた画像ノイズ除去方式が、信号の復元精度が高いものとして提案されている。
【0004】
しかしながら、上記ＣＮＮを用いた画像ノイズの除去方法では、平滑化の強弱の制御ができず全画面で同じ処理を行うため、例えば写真の暗部などノイズが多い部分ではノイズが残り、写真の明部などノイズが少ない部分では本来の信号まで平滑化されることがある。すなわち、上記ＣＮＮでは、入力画像の全領域に亘って同じ重み係数を用いて畳み込みを行うため、ＣＮＮから出力される画像において、学習時において想定されたノイズより多いノイズを有する領域ではノイズが残り、学習時において想定されたノイズより少ないノイズを有する領域では本来の画素値まで平滑化される問題がある。かといって、広い範囲のノイズ量を用いてＣＮＮを学習させた場合、画像におけるノイズ低減の精度が低下する問題がある。
【先行技術文献】
【非特許文献】
【0005】
【文献】“Ｂｅｙｏｎｄ ａ Ｇａｕｓｓｉａｎ Ｄｅｎｏｉｓｅｒ： Ｒｅｓｉｄｕａｌ Ｌｅａｒｎｉｎｇ ｏｆ Ｄｅｅｐ ＣＮＮ ｆｏｒ Ｉｍａｇｅ Ｄｅｎｏｉｓｉｎｇ，” ＩＥＥＥ Ｔｒａｎｓ． Ｉｍａｇｅ Ｐｒｏｃ．， ｖｏ．２６， ｎｏ．７， ｐｐ．３１４２－３１５５， Ｊｕｌｙ ２０１７
【発明の概要】
【発明が解決しようとする課題】
【0006】
発明が解決しようとする課題は、ノイズ低減の精度を向上可能な医用画像処理装置および医用画像処理方法を提供することである。
【課題を解決するための手段】
【0007】
本実施形態に係る医用画像診断装置は、記憶部と、入力部と、ノイズ低減部とを有する。記憶部は、磁気共鳴データから生成された磁気共鳴画像または前記磁気共鳴画像を生成する前段の中間画像と、前記磁気共鳴データの収集に関するＲＦコイルの空間感度を示すコイル感度および前記磁気共鳴データに対応するｇファクタのいずれか一方または組み合わせに対応するノイズ相関データと、に基づいて前記磁気共鳴画像のノイズまたは前記中間画像のノイズを低減したデノイズ画像を生成する学習済みモデルを記憶する。入力部は、前記ノイズ相関データと、前記磁気共鳴画像または前記中間画像とを前記学習済みモデルに入力する。ノイズ低減部は、前記学習済みモデルを用いて、前記磁気共鳴画像のノイズまたは前記中間画像のノイズが低減された前記デノイズ画像を生成する。
【図面の簡単な説明】
【0008】
【発明を実施するための形態】
【0009】
以下、本実施形態について、図面を参照して説明する。なお、以下の説明において、略同一の構成を有する構成要素については、同一符号を付し、重複説明は必要な場合にのみ行う。
【0010】
図１は、本実施形態に係る医用画像診断装置に搭載される処理回路１４１の構成例を示すブロック図である。医用画像診断装置は、例えば、医用磁気共鳴イメージング（以下、ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）と呼ぶ）装置および医用Ｘ線コンピュータ断層撮影（以下、ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）と呼ぶ）装置などである。これらの医用装置で本実施形態を実現する場合については、適用例として後程説明する。
【0011】
処理回路１４１は、ハードウェア資源として図示していないプロセッサ、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）やＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等のメモリ等を有する。処理回路１４１は、入力機能１４１５とノイズ低減機能１４１７とを有する。入力機能１４１５、ノイズ低減機能１４１７にて行われる各種機能は、コンピュータによって実行可能なプログラムの形態で不図示の記憶装置、メモリ等の各種記憶回路へ記憶されている。処理回路１４１は、これら各種機能に対応するプログラムを記憶回路から読み出し、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１４１は、図１の処理回路１４１内に示された各機能を有することになる。処理回路１４１が有する入力機能１４１５およびノイズ低減機能１４１７は、それぞれ入力部、ノイズ低減部の一例である。
【0012】
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（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）或いは、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。
【0013】
プロセッサは、記憶回路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、記憶回路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。
【0014】
【0015】
図２は、ノイズ低減機能１４１７において実行される学習済みモデル１０５の概要の一例を示す図である。学習済みモデル１０５は、多くの学習データから学習した順伝播型ネットワークの学習済み機械学習モデルである。学習済みモデル１０５は、例えば、深層ニューラルネットワーク（以下、ＤＮＮ（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）と呼ぶ）である。以下、説明を具体的にするために、ＤＮＮとして畳み込みニューラルネットワーク（以下、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）と呼ぶ）を例にとり、説明する。学習済みモデル１０５は、不図示の記憶装置、メモリ等の各種記憶回路へ記憶される。なお、学習済みモデル１０５は、ＤＮＮおよびＣＮＮに限定されず、他の機械学習モデルであってもよい。なお、図２に示すＣＮＮ１０５は、入力層１０３と、出力層１０７とを有していてもよい。ＣＮＮ１０５は、複数の中間層を有する。以下、説明を簡単にするために、ＣＮＮ１０５は、３つの中間層を有するものとして説明する。なお、ＣＮＮ１０５における中間層の数は、３つに限定されず、ＣＮＮの学習前において任意に設定可能である。
【0016】
図２に示すように、ノイズ低減機能１４１７において実行される処理は、入力層１０３における処理と、ＣＮＮ１０５における処理と、出力層１０７における処理とを有する。入力層１０３には、ノイズ低減対象画像などの処理対象信号１０１と、処理対象信号１０１におけるノイズ量の空間分布に相関するノイズ相関マップなどの参照信号１０２とが、入力機能１４１５により設定される。以下、説明を具体的にするために、画像のノイズ低減を例にとり説明する。このとき、処理対象信号１０１はノイズ低減対象画像に対応し、参照信号が１０２はノイズ相関マップを示す画像に対応する。
【0017】
ノイズ低減対象画像１０１におけるノイズ量が既知のとき、ノイズ相関マップにおける複数の画素値各々は、ノイズの局所的な分散や標準偏差に相当する。また、画像の部分領域ごとに異なる特性のコントラスト補正が、ノイズ低減対象画像１０１に対して実施されていた場合、ノイズ相関マップ１０２における複数の画素値各々は、コントラスト補正における補正値に相当する。
【0018】
入力層１０３は、ノイズ低減対象画像１０１とノイズ相関マップ１０２とを組み合わせたデータ（以下、組み合わせデータと呼ぶ）１０４をＣＮＮ１０５に出力する。ＣＮＮ１０５は、組み合わせデータ１０４の変換を再帰的に繰り返し、すなわち組み合わせデータ１０４を入力として順伝搬処理を実行し、変換後の信号１０６を出力層１０７に出力する。出力層１０７は、変換後の信号１０６を用いて、ノイズ低減対象画像１０１のノイズを低減させた信号（以下、デノイズ画像と呼ぶ）１０８を出力する。
【0019】
具体的には、処理回路１４１は、入力機能１４１５により、ノイズ低減対象画像１０１と、ノイズ相関マップ１０２とを、入力層１０３に入力する。すなわち、処理回路１４１は、入力層１０３の互いに別のチャンネルに、ノイズ低減対象画像１０１と、ノイズ相関マップ１０２とを入力する。図３は、入力層１０３における組み合わせデータ１０４と出力層１０７において生成される出力ベクトル１０７ａとの一例を示す図である。図３において、組み合わせデータ１０４は、入力ベクトルとして示されている。なお、組み合わせデータ１０４はベクトル形式に限定されず、例えば、行列形式であってもよい。説明を簡単にするために、ノイズ低減対象画像１０１およびノイズ相関マップ１０２における画素数は、Ｎ（Ｎは自然数）個であるものとする。
【0020】
処理回路１４１は、ノイズ低減機能１４１７により、入力層１０３において、ノイズ低減対象画像１０１における複数の画素値と、ノイズ相関マップ１０２における複数の画素値とを組み合わせて、組み合わせデータ１０４を生成する。具体的には、処理回路１４１は、入力ベクトル１０４における第１の入力範囲１０４ａに、ノイズ低減対象画像における複数の画素値（ｙ１、ｙ２、…、ｙＮ）を割り当てる。また、処理回路１４１は、入力ベクトル１０４における第２の入力範囲１０４ｂに、ノイズ相関マップ１０２における複数の画素値（ｘ１、ｘ２、…、ｘＮ）を割り当てる。処理回路１４１は、入力ベクトル１０４を、ＣＮＮ１０５に出力する。処理回路１４１は、入力層１０３からＣＮＮ１０５への出力時において、入力ベクトル１０４に対して畳み込み処理を実行する。処理回路１４１は、ＣＮＮ１０５において畳み込み処理を再帰的に実行する。これらの畳み込み処理等については、図４を用いて後程詳細に説明する。なお、ノイズ低減対象画像１０１における画素数とノイズ相関マップにおける画素数とが異なる場合、処理回路１４１は、ノイズ相関マップ１０２における画素数を、ノイズ低減対象画像における画素数に、既存の方法で適宜調整する。
【0021】
処理回路１４１は、ノイズ低減機能１４１７により、ＣＮＮ１０５から出力された信号１０６を、出力層１０７において、デノイズ画像１０８における画素値（ｚ１、ｚ２、…、ｚＮ）を表すベクトル形式１０７ａとして保持する。処理回路１４１は、ベクトル形式１０７ａにおける複数の成分を複数の画素として再配列することにより、デノイズ画像１０８を生成する。処理回路１４１は、デノイズ画像１０８を、記憶装置等に出力する。
【0022】
図４は、ＣＮＮ１０５の構成の一例を示す図である。図４において、入力層１０３、ＣＮＮ１０５、第１の中間層２０４および出力層１０７は、説明の便宜上、斜視図として示されている。まず、処理回路１４１は、ノイズ低減機能１４１７により、ノイズ低減対象画像における複数の画素値を、入力層１０３における第１の入力範囲１０４ａに含まれる複数のノードに設定する。また、処理回路１４１は、ノイズ相関マップ１０２における複数の画素値を、入力層１０３における第２の入力範囲１０４ｂに含まれる複数のノードに設定する。図４において、第１の入力範囲１０４ａおよび第２の入力範囲１０４ｂ各々における９つのノードを示す丸印以外の複数のノードは、煩雑となるため省略している。第１の入力範囲１０４ａおよび第２の入力範囲１０４ｂにおける複数のノードは、ノイズ低減対象画像の画素数だけ用意される。
【0023】
次に、処理回路１４１は、ノイズ低減機能１４１７により、ノイズ低減対象画像１０１とノイズ相関マップ１０２とに対して、学習済みの複数の重み係数を有するフィルタを用いて畳み込み処理を行う。処理回路１４１は、畳み込み処理により、入力層１０３から第１の中間層２０４に入力されるデータを生成する。フィルタにおける重み係数の総数（以下、タップと呼ぶ）は、フィルタが適用される画素数より少ない。例えば、図４の入力層１０３において、フィルタが適用される画素数は、横３画素×縦３画素×２枚（ノイズ低減対象画像１０１と参照画像１０２）であるため、タップは１８となる。なお、タップは、図４に示す１８に限定されず、学習時において適宜設定されてもよい。
【0024】
処理回路１４１は、ノイズ低減機能１４１７により、タップが１８個の重み係数を有するフィルタを用いて、ノイズ低減対象画像１０１における９画素と、ノイズ相関マップ１０２における９画素とに対して積和演算を実行する。処理回路１４１は、第１の中間層２０４において、積和演算に用いられたフィルタの位置に対応するノード２０５に、積和演算の結果の値（以下、積和値と呼ぶ）を設定する。処理回路１４１は、ノイズ低減対象画像１０１及びノイズ相関マップ１０２に対するフィルタの適用位置を変えながら、第１の中間層２０４における全ノードに対して積和値を設定する。第１の中間層２０４における全ノードの数は、ノイズ低減対象画像１０１およびノイズ相関マップ１０２における画素の総数と同数である。なお、全ノードの数は、ノイズ低減対象画像１０１およびノイズ相関マップ１０２における画素の総数と異なっていてもよい。また、フィルタに含まれる複数の重み係数の値は、ノイズ低減対象画像１０１及びノイズ相関マップ１０２に対するフィルタの適用位置によらず一定である。
【0025】
処理回路１４１は、ノイズ低減機能１４１７により、フィルタからの出力結果、すなわち積和値Ｘを、活性化関数と称される非線形関数を用いて変換（活性化）する。図５は、活性化関数ｆ（Ｘ）の一例を示す図である。処理回路１４１は、活性化関数として、図５に示すＲｅＬＵ（Ｒｅｃｔｉｆｉｅｄ Ｌｉｎｅａｒ Ｕｎｉｔ）関数を用いる。図５に示す活性化関数ｆ（Ｘ）は、Ｘ≦０である場合０を出力し、Ｘ＞０である場合Ｘを出力する関数である。なお、活性化関数は、ＲｅＬＵ関数に限定されず、ＣＮＮ１０５の学習時において適宜設定可能である。なお、ＣＮＮ１０５における複数の中間層各々は、画像の枚数に相当する複数のチャンネルを有していてもよい。例えば、図４に示すように、第１の中間層２０４におけるチャンネル数が８である場合、入力層１０３から第１の中間層２０４への変換において、処理回路１４１は、３×３×２タップのフィルタを、チャンネルごとに８種類用いる。８種類のフィルタにおいては、重み係数はそれぞれ異なる。なお、中間層各々において用いられるフィルタのタップは異なっていてもよい。
【0026】
以降同様に、処理回路１４１は、ノイズ低減機能１４１７により、第ｉ（ｉは、１乃至（ｎ－１）の自然数：ｎは中間層の総数）の中間層から第（ｉ＋１）の中間層においてチャンネル数が８であれば、８個の３×３×８タップのフィルタと活性化関数とを用いて、画像の変換を（ｎ－１）回繰り返す。例えば、図４に示すように中間層の総数が３である場合、処理回路１４１は、中間層から中間層への積和値の変換を２回実行する。
【0027】
出力層１０７のチャンネル数は、学習時において１に設定される。例えば、図４に示すような場合、処理回路１４１は、ノイズ低減機能１４１７により、出力層１０７において、第３の中間層２０６における８チャンネル分の積和値に対して、３×３×８タップの１つのフィルタを用いて積和演算を行う。処理回路１４１は、この積和演算で得られた結果（積和値）を、出力層１０７のチャンネルに、活性化関数を用いずに画素値として設定する。処理回路１４１は、出力層１０７で設定された画素値を用いて、デノイズ画像を生成する。
【0028】
なお、ＣＮＮ１０５において用いられる複数のフィルタ各々における複数の重み係数は、ノイズ低減機能１４１７の実装前に、多くの学習データを用いて、誤差逆伝播法とよばれる方法で学習される。具体的には、複数の重み係数は、ノイズを有する画像（以下、ノイズ含有画像と呼ぶ）とノイズ相関マップとを入力したときの出力画像がデノイズされた画像に近づくように、学習される。多くの学習データ各々は、例えば、以下の手順により生成される。まず、ノイズがない画像（以下、非ノイズ画像と呼ぶ）とノイズ相関マップ１０２とを用意する。次いでノイズ相関マップ１０２の画素値を標準偏差とするガウスノイズを非ノイズ画像における複数の画素値に加えてノイズ含有画像を生成する。非ノイズ画像とノイズ相関マップ１０２とノイズ含有画像とが、一つの組の学習データとして生成される。
【0029】
なお、本実施形態における処理回路１４１は、図４の構成に加えて、中間層における畳み込みの後にバッチ正規化とよばれる処理を行ってもよい。また、処理回路１４１は、ノイズ低減機能１４１７により、デノイズ画像を出力するのではなく、ノイズ画像を出力し、次いでノイズ画像をノイズ低減対象画像１０１から減じることで、デノイズ画像を生成してもよい。このとき、複数の重み係数は、ノイズ含有画像とノイズ相関マップとを入力したときの出力画像がノイズを示す画像（以下、ノイズ画像と呼ぶ）に近づくように、学習される。ノイズ画像は、ノイズ相関マップの画素値を標準偏差とするガウスノイズを示す画像に相当する。
【0030】
以上に述べた構成によれば、以下の効果を得ることができる。
本実施形態における処理回路１４１によれば、入力層１０３に、処理対象信号１０１に加えて参照信号１０２も入力されるため、ＣＮＮ１０５の学習において、入力層１０３から第１の中間層２０４に向けて、同じ重み係数でもノイズ量に応じて出力が変化する自由度が生まれる。これにより、本実施形態によれば、入力層１０３にノイズ低減対象画像だけを入力した場合に比べて、ノイズ低減対象画像１０１におけるノイズ量が画像の複数の領域各々において異なる場合であっても、処理対象信号１０１における部分領域ごとのノイズ量に応じた強度で、処理対象信号１０１におけるノイズを低減することができる。
本実施形態における処理回路１４１によれば、入力層１０３に、処理対象信号１０１に加えて参照信号１０２も入力されるため、ＣＮＮ１０５の学習において、入力層１０３から第１の中間層２０４に向けて、同じ重み係数でもノイズ量に応じて出力が変化する自由度が生まれる。これにより、本実施形態によれば、入力層１０３にノイズ低減対象画像だけを入力した場合に比べて、ノイズ低減対象画像１０１におけるノイズ量が画像の複数の領域各々において異なる場合であっても、処理対象信号１０１における部分領域ごとのノイズ量に応じた強度で、処理対象信号１０１におけるノイズを低減することができる。
【0031】
（第１の応用例）
本応用例と本実施形態との相違は、第２の学習済みモデルを用いて、ノイズ低減対象画像１０１に基づいてノイズ相関マップ１０２を生成することにある。図６は、本応用例における処理回路１４１の構成例を示すブロック図である。図６に示す処理回路１４１は、図１に示す処理回路１４１における各種機能に加えて、相関データ生成機能１４１９をさらに有する。処理回路１４１が有する相関データ生成機能１４１９は、相関データ生成部の一例である。
本応用例と本実施形態との相違は、第２の学習済みモデルを用いて、ノイズ低減対象画像１０１に基づいてノイズ相関マップ１０２を生成することにある。図６は、本応用例における処理回路１４１の構成例を示すブロック図である。図６に示す処理回路１４１は、図１に示す処理回路１４１における各種機能に加えて、相関データ生成機能１４１９をさらに有する。処理回路１４１が有する相関データ生成機能１４１９は、相関データ生成部の一例である。
【0032】
処理回路１４１は、相関データ生成機能１４１９により、第２の学習済みモデルを実行する。第２の学習済みモデルは、多くの学習データから学習した順伝播型ネットワークの学習済み機械学習モデルである。第２の学習済みモデルは、例えば、入力層、複数の中間層および出力層を有するＣＮＮである。第２の学習済みモデルは、不図示の記憶装置、メモリ等の各種記憶回路へ記憶される。なお、第２の学習済みモデルは、入力層、複数の中間層および出力層を有するＤＮＮであってもよい。本応用例における第２の学習済みモデルは、ＣＮＮまたはＤＮＮであるため、詳細な説明は省略する。
【0033】
本応用例におけるＣＮＮにおいて用いられる複数のフィルタ各々における複数の重み係数は、相関データ生成機能１４１９の実装前に、多くの学習データを用いて、誤差逆伝播法とよばれる方法で学習される。多くの学習データ各々は、ノイズ含有画像とノイズ相関マップとを一つの組の学習データとして、複数の重み係数を学習させるために用いられる。すなわち、複数の重み係数は、ノイズ含有画像を入力したときの出力画像がノイズ相関マップに近づくように、学習される。
【0034】
【0035】
処理回路１４１は、入力機能１４１５により、ノイズ低減対象画像１０１を、入力層１０３と、相関データ生成機能１４１９における第２の学習済みモデルの入力層１０３とに入力する。また、処理回路１４１は、相関データ生成機能１４１９から出力されたノイズ相関マップ１０２を、入力層１０３に入力する。
【0036】
処理回路１４１は、相関データ生成機能１４１９により、ノイズ低減対象画像１０１が入力された第２の学習済みモデルを実行することにより、ノイズ相関マップ１０２を生成する。ノイズ低減機能１４１７における処理内容は、本実施形態と同様なため、説明は省略する。なお、相関データ生成機能１４１９における処理は、ノイズ低減機能１４１７に組み込まれてもよい。
【0037】
以上に述べた構成によれば、本実施形態における効果に加えて以下の効果を得ることができる。
本応用例における処理回路１４１によれば、参照信号１０２を処理対象信号１０１から生成できるため、参照信号１０２を処理対象画像１０１とは別に用意する必要がない。すなわち、本処理回路１４１によれば、参照信号１０２を収集する必要がないため、処理対象画像１０１のデノイズ処理に関する効率を向上させることができる。
本応用例における処理回路１４１によれば、参照信号１０２を処理対象信号１０１から生成できるため、参照信号１０２を処理対象画像１０１とは別に用意する必要がない。すなわち、本処理回路１４１によれば、参照信号１０２を収集する必要がないため、処理対象画像１０１のデノイズ処理に関する効率を向上させることができる。
【0038】
（第２の応用例）
本応用例と本実施形態との相違は、入力層１０３にノイズ低減対象画像１０１だけを入力し、ノイズ相関マップ１０２をＣＮＮ１０５における少なくとも一つの中間層に入力することにある。すなわち、本応用例における入力層１０３は、第１の入力範囲１０４ａのみを有する。また、本応用例においてノイズ相関マップ１０２が入力される中間層は、活性化関数により活性化された積和値が入力されるチャンネルに加えて、ノイズ相関マップ１０２が入力されるチャンネルを有する。
本応用例と本実施形態との相違は、入力層１０３にノイズ低減対象画像１０１だけを入力し、ノイズ相関マップ１０２をＣＮＮ１０５における少なくとも一つの中間層に入力することにある。すなわち、本応用例における入力層１０３は、第１の入力範囲１０４ａのみを有する。また、本応用例においてノイズ相関マップ１０２が入力される中間層は、活性化関数により活性化された積和値が入力されるチャンネルに加えて、ノイズ相関マップ１０２が入力されるチャンネルを有する。
【0039】
図８は、本応用例におけるデータの入力の一例を示す図である。以下、図８を用いて、本応用例と本実施形態との相違に関する処理について説明する。本応用例におけるＣＮＮ１０５に対する学習は、入力層１０３への入力がノイズ低減対象画像１０１のみであること、およびＣＮＮ１０５へのノイズ相関マップ１０２の入力が中間層であることを除いて、本実施形態と同様なため、説明は省略する。
【0040】
処理回路１４１は、入力機能１４１５により、ノイズ低減対象画像１０１を、入力層１０３に入力する。処理回路１４１は、ノイズ相関マップ１０２を、ＣＮＮ１０５における中間層に入力する。説明を具体的にするために、ノイズ相関マップ１０２が入力される中間層は第１の中間層２０４であるものとする。なお、ノイズ相関マップ１０２が入力される中間層は、第１の中間層２０４に限定されず、複数の中間層のうちいずれの中間層に入力されてもよい。
【0041】
図９は、本応用例において、ノイズ相関マップ１０２が入力される第１の中間層２０４の一例を示す図である。図９に示すように、第１の中間層２０４は、畳み込みされかつ活性化されたデータ２０４１が入力層１０３から入力される畳み込み後入力範囲２０４ａと、ノイズ相関マップ１０２が入力されるマップ入力範囲２０４ｂと、を有する。畳み込み後入力範囲２０４ａにおける複数のノードは、第１の入力範囲１０４ａにおける複数のノードと同様である。また、マップ入力範囲２０４ｂにおける複数のノードは、第２の入力範囲１０４ｂにおける複数のノードと同様である。すなわち、本応用例における第１の中間層２０４は、本実施形態に記載のチャンネルに加えて、ノイズ相関マップ１０２が入力されるチャンネルを有する。このため、処理回路１４１は、ノイズ低減機能１４１７により、第２の中間層への出力として、追加されたチャンネルの分だけチャンネル方向のタップが多いタップで畳み込みを行う。例えば、図４および図９を参照すると、処理回路１４１は、３×３×９タップのフィルタを用いて畳み込み処理を実行する。
【0042】
なお、ノイズ相関マップ１０２の中間層への入力は、ノイズ相関マップ用のチャンネル、上の例ではマップ入力範囲２０４ｂを用いずに、畳み込みをしてきたデータに単純に加算してもよい。すなわち、入力範囲２０４ａに設定した値に、各ノードに対応するノイズ相関マップの値を加算してもよい。また、２０４ａが２チャンネル以上ある場合には、入力層１０３と同様の構成にノイズ相関マップを入力し、１チャンネルから増やした出力を２０４ａの各チャンネル、各ノードに加算してもよい。
【0043】
以上に述べた構成によれば、本応用例において、本実施形態における効果と同様に、参照信号１０２が入力される中間層において、ノイズ量に応じて出力が変化する自由度が得られるため、処理対象信号１０１における部分範囲ごとのノイズ量に応じた強度で、処理対象信号１０１のノイズを低減することができる。
【0044】
以下、本実施形態における処理回路１４１を搭載した医用画像診断装置として、医用ＭＲＩ装置および医用Ｘ線ＣＴ装置について、第１の適用例および第２の適用例において説明する。ノイズ低減対象画像１０１およびノイズ相関マップ１０２は、医用画像診断装置におけるモダリティの種別によって異なる。このため、入力機能１４１５により入力層１０３に入力されるノイズ低減対象画像１０１およびノイズ相関マップ１０２については、医用ＭＲＩ装置および医用Ｘ線ＣＴ装置各々において説明する。
【0045】
（第１の適用例）
本適用例における医用画像診断装置は、本実施形態における処理回路１４１を搭載した医用ＭＲＩ装置である。本適用例において、ノイズ低減対象画像１０１は、医用画像に相当する。また、ノイズ相関マップ１０２は、医用画像におけるノイズ量の空間分布に相関する画像に相当する。
本適用例における医用画像診断装置は、本実施形態における処理回路１４１を搭載した医用ＭＲＩ装置である。本適用例において、ノイズ低減対象画像１０１は、医用画像に相当する。また、ノイズ相関マップ１０２は、医用画像におけるノイズ量の空間分布に相関する画像に相当する。
【0046】
具体的には、本適用例における医用画像は、図１におけるノイズ低減機能１４１７によるデノイズの処理前であって、被検体Ｐに対して実行された本スキャンにより収集された磁気共鳴（以下、ＭＲ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ）と呼ぶ）データに基づいて再構成されたＭＲ画像（以下、デノイズ前画像と呼ぶ）に対応する。また、本適用例におけるノイズ相関マップ１０２は、本スキャンの実行前に実行されたスキャン（以下、プリスキャンと呼ぶ）により取得された感度マップまたはｇマップに対応する。なお、ノイズ相関マップ１０２は、感度マップまたはｇマップに限定されず、ＭＲ画像におけるノイズ量に相関する画像であれば、いずれの画像であってもよい。また、プリスキャンは、本スキャンの後に実行されてもよい。
【0047】
例えば、感度マップとｇマップとを用いて処理回路１４１により生成されたマップ（以下、複合マップと呼ぶ）が、ノイズ相関マップ１０２として用いられてもよい。このとき、複合マップは、感度マップおよびｇマップにおける特徴を有するものとなる。複合マップは、例えば、感度マップとｇマップとを掛け合わせた画像、感度マップとｇマップとの加算画像、畳み込み画像、または重畳画像などである。また、ノイズ相関マップ１０２として、ＲＦパルスを発生させることなく実行されたプリスキャンにより生成された画像（以下、ＲＦ非送信マップと呼ぶ）が用いられてもよい。ＲＦ非送信マップは、例えば、受信コイル１２７および受信回路１２９における暗電流等に起因する電気的な白色ノイズに相関する。また、複数回に亘る本スキャンにより生成された複数の時系列画像各々に対応するノイズ相関マップ１０２として、複数の時系列画像により計算された平均画像から時系列画像各々を差分することにより生成された差分画像が用いられてもよい。また、ノイズ相関マップ１０２として用いられる差分画像は、複数の時系列画像において基準時刻のＭＲ画像から時系列画像各々を差分することにより生成されてもよい。また、ノイズ相関マップ１０２として用いられる差分画像は、複数の時系列画像において隣接する２つのＭＲ画像を差分することにより生成されてもよい。また、ノイズ相関マップ１０２として用いられる差分画像は、本スキャンにより生成されたＭＲ画像に対してメジアンフィルタ処理が実行されたメジアンフィルタ処理画像と当該ＭＲ画像との差分画像であってもよい。
【0048】
感度マップは、本スキャンにおいて用いられた受信コイルの感度の空間分布（空間感度）を示す画像である。ｇマップは、パラレルイメージングに関する展開処理において雑音が増幅する程度を示すｇファクタ（ｇ－ｆａｃｔｏｒ）を、複数の画素ごとに示した画像である。
【0049】
本適用例において、第１の応用例および第２の応用例に関する処理内容については、ノイズ低減対象画像１０１をＭＲ画像に読み替え、ノイズ相関マップ１０２を感度マップ（またはｇマップや複合マップ）に読み替えることで理解できるため、説明は省略する。
【0050】
図１０を参考にして、本実施形態における医用ＭＲＩ装置１１０の全体構成について説明する。図１０は、医用ＭＲＩ装置１１０の構成の一例を示す図である。図１０に示すように、医用ＭＲＩ装置１１０は、静磁場磁石１１１と、傾斜磁場コイル１１３と、傾斜磁場電源１１５と、寝台１１７と、寝台制御回路１１９と、送信回路（送信部）１２３と、送信コイル１２５と、受信コイル１２７と、受信回路（受信部）１２９と、撮像制御回路（撮像制御部）１３１と、インタフェース（インタフェース部）１３５と、ディスプレイ（表示部）１３７と、記憶装置（記憶部）１３９と、処理回路（処理部）１４１とを備える。処理回路１４１は、図１０に示すように、システム制御機能１４１１、再構成機能１４１３、入力機能１４１５、およびノイズ低減機能１４１７を有する。
【0051】
なお、本適用例において、第１の応用例に記載のようにデノイズ前画像からノイズ相関マップを生成する場合、医用ＭＲＩ装置１１０における処理回路１４１は、図６に示すように、相関データ生成機能１４１９をさらに有する。
【0052】
処理回路１４１が有するシステム制御機能１４１１、再構成機能１４１３、入力機能１４１５、ノイズ低減機能１４１７、および相関データ生成機能１４１９は、それぞれシステム制御部、再構成部、入力部、ノイズ低減部、および相関データ生成部の一例である。なお、相関データ生成機能１４１９において実行される処理は、ノイズ低減機能１４１７において実行されてもよい。なお、被検体Ｐは、医用ＭＲＩ装置１１０に含まれない。
【0053】
静磁場磁石１１１は、中空の略円筒状に形成された磁石である。静磁場磁石１１１は、内部の空間に略一様な静磁場（Ｂ０）を発生する。静磁場磁石１１１としては、例えば、超伝導磁石等が使用される。
【0054】
傾斜磁場コイル１１３は、中空の略円筒状に形成されたコイルである。傾斜磁場コイル１１３は、静磁場磁石１１１の内側に配置される。傾斜磁場コイル１１３は、互いに直交するＸ、Ｙ、Ｚの各軸に対応する３つのコイルが組み合わされて形成される。Ｚ軸方向は、静磁場の方向と同方向であるとする。また、Ｙ軸方向は、鉛直方向とし、Ｘ軸方向は、Ｚ軸及びＹ軸に垂直な方向とする。傾斜磁場コイル１１３における３つのコイルは、傾斜磁場電源１１５から個別に電流供給を受けて、Ｘ、Ｙ、Ｚの各軸に沿って磁場強度が変化する傾斜磁場を発生させる。
【0055】
傾斜磁場コイル１１３によって発生されるＸ、Ｙ、Ｚ各軸の傾斜磁場は、例えば、スライス選択用傾斜磁場、位相エンコード用傾斜磁場および周波数エンコード用傾斜磁場（リードアウト傾斜磁場ともいう）を形成する。スライス選択用傾斜磁場は、任意に撮像断面を決めるために利用される。位相エンコード用傾斜磁場は、空間的位置に応じてＭＲ信号の位相を変化させるために利用される。周波数エンコード用傾斜磁場は、空間的位置に応じてＭＲ信号の周波数を変化させるために利用される。また、傾斜磁場コイル１１３によって発生されるＸ、Ｙ、Ｚ各軸の傾斜磁場は、グラジエントエコー法において、Ｘ－Ｙ平面上のスピンの位相を再収束させるために、傾斜磁場の方向を２回反転させた再収束パルスとして用いられる。加えて、傾斜磁場コイル１１３によって発生されるＸ、Ｙ、Ｚ各軸の傾斜磁場は、静磁場の１次シミングのオフセットとして用いられる。
【0056】
傾斜磁場電源１１５は、撮像制御回路１３１の制御により、傾斜磁場コイル１１３に電流を供給する電源装置である。
【0057】
寝台１１７は、被検体Ｐが載置される天板１１７１を備えた装置である。寝台１１７は、寝台制御回路１１９による制御のもと、被検体Ｐが載置された天板１１７１を、ボア１２１内へ挿入する。寝台１１７は、例えば、長手方向が静磁場磁石１１１の中心軸と平行になるように、検査室内に設置される。
【0058】
寝台制御回路１１９は、寝台１１７を制御する回路である。寝台制御回路１１９は、インタフェース１３５を介した操作者の指示により寝台１１７を駆動することで、天板１１７１を長手方向および上下方向、場合によっては左右方向へ移動させる。
【0059】
送信回路１２３は、撮像制御回路１３１の制御により、ラーモア周波数で変調された高周波パルスを送信コイル１２５に供給する。
【0060】
送信コイル１２５は、傾斜磁場コイル１１３の内側に配置されたＲＦコイルである。送信コイル１２５は、送信回路１２３からの出力に応じて、高周波磁場に相当するＲＦ（Ｒａｄｉｏ Ｆｒｅｑｕｅｎｃｙ）パルスを発生する。送信コイル１２５は、例えば、複数のコイルエレメントを有する全身用コイル（以下、ＷＢ（Ｗｈｏｌｅ Ｂｏｄｙ）コイルと呼ぶ）である。ＷＢコイルは、送受信コイルとして使用されてもよい。また、送信コイル１２５は、１つのコイルにより形成されるＷＢコイルであってもよい。
【0061】
受信コイル１２７は、傾斜磁場コイル１１３の内側に配置されたＲＦコイルである。受信コイル１２７は、高周波磁場によって被検体Ｐから放射されるＭＲ信号を受信する。受信コイル１２７は、受信されたＭＲ信号を受信回路１２９へ出力する。受信コイル１２７は、例えば、１以上、典型的には複数のコイルエレメントを有するコイルアレイである。なお、図１０において送信コイル１２５と受信コイル１２７とは別個のＲＦコイルとして記載されているが、送信コイル１２５と受信コイル１２７とは、一体化された送受信コイルとして実施されてもよい。送受信コイルは、被検体Ｐの撮像部位に対応し、例えば、頭部コイルのような局所的な送受信ＲＦコイルである。
【0062】
受信回路１２９は、撮像制御回路１３１の制御により、受信コイル１２７から出力されたＭＲ信号に基づいて、デジタルのＭＲ信号（以下、ＭＲデータと呼ぶ）を生成する。具体的には、受信回路１２９は、受信コイル１２７から出力されたＭＲ信号に対して各種信号処理を施した後、各種信号処理が施されたデータに対してアナログ/デジタル（Ａ／Ｄ（Ａｎａｌｏｇ ｔｏ Ｄｉｇｉｔａｌ））変換を実行する。受信回路１２９は、Ａ／Ｄ変換されたデータを標本化（サンプリング）する。これにより、受信回路１２９は、ＭＲデータを生成する。受信回路１２９は、生成されたＭＲデータを、撮像制御回路１３１に出力する。
【0063】
撮像制御回路１３１は、処理回路１４１から出力された撮像プロトコルに従って、傾斜磁場電源１１５、送信回路１２３及び受信回路１２９等を制御し、被検体Ｐに対する撮像を行う。撮像プロトコルは、検査に応じた各種パルスシーケンスを有する。撮像プロトコルには、傾斜磁場電源１１５により傾斜磁場コイル１１３に供給される電流の大きさ、傾斜磁場電源１１５により電流が傾斜磁場コイル１１３に供給されるタイミング、送信回路１２３により送信コイル１２５に供給される高周波パルスの大きさや時間幅、送信回路１２３により送信コイル１２５に高周波パルスが供給されるタイミング、受信コイル１２７によりＭＲ信号が受信されるタイミング等が定義されている。
【0064】
撮像制御回路１３１は、プリスキャンを実行し、プリスキャンにより収集されたＭＲデータ（以下、プリスキャンＭＲデータと呼ぶ）を、処理回路１４１に出力する。感度マップおよびｇマップに関するプリスキャンＭＲデータを取得するための撮像方法は、既知の各種撮像プロトコルが用いられる。また、撮像制御回路１３１は、本スキャンを実行し、本スキャンにより収集されたＭＲデータ（以下、本スキャンＭＲデータと呼ぶ）を、処理回路１４１に出力する。
【0065】
インタフェース１３５は、操作者からの各種指示や情報入力を受け付ける回路を有する。インタフェース１３５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、インタフェース１３５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、インタフェース１３５は、本医用ＭＲＩ装置１１０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。
【0066】
ディスプレイ１３７は、処理回路１４１におけるシステム制御機能１４１１による制御のもとで、ノイズ低減機能１４１７により生成された各種ＭＲ画像に対応するデノイズ画像、撮像および画像処理に関する各種情報などを表示する。ディスプレイ１３７は、例えば、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）ディスプレイや液晶ディスプレイ、有機ＥＬディスプレイ、ＬＥＤ（Ｌｉｇｈｔ－Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅ）ディスプレイ、プラズマディスプレイ、又は当技術分野で知られている他の任意のディスプレイ、モニタ等の表示デバイスである。
【0067】
記憶装置１３９は、再構成機能１４１３を介してｋ空間に充填された各種ＭＲデータおよびデノイズ前画像、ノイズ低減機能１４１７により生成されたデノイズ画像に対応する画像データ、各種撮像プロトコル、撮像プロトコルを規定する複数の撮像パラメータを含む撮像条件等を記憶する。具体的には、記憶装置１３９は、本スキャンＭＲデータに基づいて生成されたＭＲ画像（デノイズ前画像）と、ＭＲ画像に含まれるノイズに相関するノイズ相関マップ（感度マップ、ｇマップ、または複合マップ）とに基づいてＭＲ画像のノイズを低減したデノイズ画像を生成するように機能付けられた学習済みモデルを記憶する。記憶装置１３９は、学習済みモデルに用いられるデノイズ前画像１０１とノイズ相関マップ１０２とを記憶する。また、記憶装置１３９は、処理回路１４１において実行される各種機能に対応するプログラムを記憶する。例えば、記憶装置１３９は、上述の学習済みモデルに対応するＣＮＮ１０５を実行するためのプログラム（以下、ノイズ低減プログラムと呼ぶ）を記憶する。
【0068】
記憶装置１３９は、例えば、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子、ハードディスクドライブ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ソリッドステートドライブ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、光ディスク等である。また、記憶装置１３９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。
【0069】
処理回路１４１は、本医用ＭＲＩ装置１１０を制御する。処理回路１４１は、システム制御機能１４１１、再構成機能１４１３、入力機能１４１５、ノイズ低減機能１４１７、相関データ生成機能１４１９を有する。システム制御機能１４１１、再構成機能１４１３、入力機能１４１５、ノイズ低減機能１４１７、相関データ生成機能１４１９にて行われる各種機能は、コンピュータによって実行可能なプログラムの形態で記憶装置１３９に記憶されている。処理回路１４１は、これら各種機能に対応するプログラムを記憶装置１３９から読み出し、読み出したプログラムを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１４１は、図１０の処理回路１４１内に示された複数の機能を有する。
【0070】
なお、図１０においては単一の処理回路１４１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１４１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。なお、寝台制御回路１１９、送信回路１２３、受信回路１２９、撮像制御回路１３１等も同様に、上記プロセッサなどの電子回路により構成される。
【0071】
処理回路１４１は、システム制御機能１４１１により、医用ＭＲＩ装置１１０を制御する。具体的には、処理回路１４１は、記憶装置１３９に記憶されたシステム制御プログラムを読み出してメモリ上に展開し、展開されたシステム制御プログラムに従って本医用ＭＲＩ装置１１０の各回路を制御する。例えば、処理回路１４１は、インタフェース１３５を介して操作者から入力された撮像条件に基づいて、撮像プロトコルを記憶装置１３９から読み出す。なお、処理回路１４１は、撮像条件に基づいて、撮像プロトコルを生成してもよい。処理回路１４１は、撮像プロトコルを撮像制御回路１３１に送信し、被検体Ｐに対する撮像を制御する。
【0072】
処理回路１４１は、再構成機能１４１３により、リードアウト傾斜磁場の強度に従って、ｋ空間のリードアウト方向に沿ってＭＲデータを充填する。処理回路１４１は、ｋ空間に充填されたＭＲデータに対してフーリエ変換を行うことにより、ＭＲ画像を生成する。具体的には、処理回路１４１は、感度マップに関するプリスキャンＭＲデータに基づいて感度マップを再構成する。処理回路１４１は、ｇファクタの算出に関する信号雑音比（以下、ＳＮＲ（Ｓｉｇｎａｌ－ｔｏ－Ｎｏｉｓｅ Ｒａｔｉｏ）と呼ぶ）を得るためのプリスキャンＭＲデータに基づいてＳＮＲに関するＭＲ画像（以下、ＳＮＲ画像と呼ぶ）を、再構成する。処理回路１４１は、再構成されたＳＮＲ画像を複数用いて、画素ごとのｇファクタを算出する。処理回路１４１は、複数の画素各々に対応するｇファクタを用いて、ｇマップを生成する。なお、処理回路１４１は、感度マップとｇマップとを用いて複合マップを生成してもよい。また、処理回路１４１は、ＲＦパルスを発生させることなく実行されたプリスキャンにより受信された受信信号に基づいて、ＲＦ非送信マップを生成してもよい。また、処理回路１４１は、上述した差分画像を生成してもよい。なお、上記複合マップ、ＲＦ非送信マップ、差分画像の生成等のノイズ相関マップの生成は、処理回路１４１における不図示の画像処理機能（画像処理部）により実行されてもよい。
【0073】
以上が本実施形態に係る医用ＭＲＩ装置１１０の全体構成についての説明である。以下、本実施形態における入力機能１４１５、ノイズ低減機能１４１７について、以下のデノイズ処理の説明において詳述する。
【0074】
（デノイズ処理）
本適用例におけるデノイズ処理は、デノイズ前画像１０１と、ノイズ相関マップ１０２とを用いたノイズ低減プログラムの実行により、デノイズ画像を生成する処理である。図１１は、本適用例におけるデノイズ処理の手順の一例を示すフローチャートである。説明を具体的にするために、ノイズ相関マップ１０２は感度マップであるものとして説明する。
本適用例におけるデノイズ処理は、デノイズ前画像１０１と、ノイズ相関マップ１０２とを用いたノイズ低減プログラムの実行により、デノイズ画像を生成する処理である。図１１は、本適用例におけるデノイズ処理の手順の一例を示すフローチャートである。説明を具体的にするために、ノイズ相関マップ１０２は感度マップであるものとして説明する。
【0075】
（ステップＳａ１）
プリスキャンにより収集されたＭＲデータに基づいて、感度マップ１０２が生成される。具体的には、撮像制御回路１３１は、被検体Ｐに対してプリスキャンを実行する。撮像制御回路１３１は、プリスキャンにより収集されたプリスキャンＭＲデータを、処理回路１４１に出力する。処理回路１４１は、再構成機能１４１３により、プリスキャンＭＲデータに対してフーリエ変換を実行することにより、感度マップ１０２を再構成する。なお、処理回路１４１は、パラレルイメージングに用いられる複数の受信コイル１２７各々に関するプリスキャンＭＲデータに基づいて、複数の受信コイル１２７にそれぞれ対応する複数の感度マップを生成し、生成された複数の感度マップを合成することにより、入力層１０３に入力される感度マップ１０２を再構成してもよい。
プリスキャンにより収集されたＭＲデータに基づいて、感度マップ１０２が生成される。具体的には、撮像制御回路１３１は、被検体Ｐに対してプリスキャンを実行する。撮像制御回路１３１は、プリスキャンにより収集されたプリスキャンＭＲデータを、処理回路１４１に出力する。処理回路１４１は、再構成機能１４１３により、プリスキャンＭＲデータに対してフーリエ変換を実行することにより、感度マップ１０２を再構成する。なお、処理回路１４１は、パラレルイメージングに用いられる複数の受信コイル１２７各々に関するプリスキャンＭＲデータに基づいて、複数の受信コイル１２７にそれぞれ対応する複数の感度マップを生成し、生成された複数の感度マップを合成することにより、入力層１０３に入力される感度マップ１０２を再構成してもよい。
【0076】
図１２は、再構成機能１４１３により生成された感度マップ１０２の一例を示す図である。図１２に示すハッチングの濃い領域は、感度が低いことを示している。すなわち、感度マップ１０２の中心部分ほど受信コイル１２７から遠いため、感度が低いことを示している。低感度の領域は、ＭＲ信号の信号強度が低下するため、ハッチングが薄い高感度の領域に比べて相対的にノイズが多い領域に対応する。
【0077】
（ステップＳａ２）
本スキャンにより収集されたＭＲデータに基づいて、ＭＲ画像が生成される。具体的には、撮像制御回路１３１は、被検体Ｐに対して本スキャンを実行する。撮像制御回路１３１は、本スキャンにより収集された本スキャンＭＲデータを、処理回路１４１に出力する。処理回路１４１は、再構成機能１４１３により、本スキャンＭＲデータに対してフーリエ変換を実行することにより、デノイズ前画像１０１としてのＭＲ画像を再構成する。
本スキャンにより収集されたＭＲデータに基づいて、ＭＲ画像が生成される。具体的には、撮像制御回路１３１は、被検体Ｐに対して本スキャンを実行する。撮像制御回路１３１は、本スキャンにより収集された本スキャンＭＲデータを、処理回路１４１に出力する。処理回路１４１は、再構成機能１４１３により、本スキャンＭＲデータに対してフーリエ変換を実行することにより、デノイズ前画像１０１としてのＭＲ画像を再構成する。
【0078】
図１３は、再構成機能１４１３により生成されたデノイズ前画像１０１の一例を示す図である。図１３に示すようにデノイズ前画像１０１の中央部分は、中央部分の周囲の領域（端部分）に比べて、ノイズのため不鮮明になっていることを示している。
【0079】
（ステップＳａ３）
デノイズ前画像１０１であるＭＲ画像と感度マップ１０２とが学習済みモデルに入力される。具体的には、処理回路１４１は、入力機能１４１５により、デノイズ前画像１０１と感度マップ１０２とを入力層１０３に入力する。より詳細には、処理回路１４１は、ステップＳａ２により生成されたＭＲ画像１０１における複数の画素値を、入力層１０３の第１の入力範囲１０４ａにおける複数のノードに入力する。処理回路１４１は、ステップＳａ１により生成された感度マップ１０２における複数の画素値を、入力層１０３の第２の入力範囲１０４ｂにおける複数のノードに入力する。
デノイズ前画像１０１であるＭＲ画像と感度マップ１０２とが学習済みモデルに入力される。具体的には、処理回路１４１は、入力機能１４１５により、デノイズ前画像１０１と感度マップ１０２とを入力層１０３に入力する。より詳細には、処理回路１４１は、ステップＳａ２により生成されたＭＲ画像１０１における複数の画素値を、入力層１０３の第１の入力範囲１０４ａにおける複数のノードに入力する。処理回路１４１は、ステップＳａ１により生成された感度マップ１０２における複数の画素値を、入力層１０３の第２の入力範囲１０４ｂにおける複数のノードに入力する。
【0080】
処理回路１４１は、ノイズ低減機能１４１７により、入力層１０３において、デノイズ前画像１０１における複数の画素値と、感度マップ１０２における複数の画素値とを組み合わせて、組み合わせデータ１０４を生成する。処理回路１４１は、組み合わせデータ１０４を、ＣＮＮ１０５に出力する。
【0081】
なお、第２の応用例が本適用例に用いられる場合、処理回路１４１は、デノイズ前画像１０１を入力層１０３に入力し、感度マップ１０２をＣＮＮ１０５における少なくとも一つの中間層に入力する。
【0082】
（ステップＳａ４）
デノイズ前画像１０１であるＭＲ画像のノイズが低減されたデノイズ画像１０８が生成される。具体的には、処理回路１４１は、ノイズ低減機能１４１７により、デノイズ前画像１０１と、ノイズ相関マップ１０２とを用いたノイズ低減プログラムの実行により、デノイズ画像１０８を生成する。デノイズ画像１０８は、例えば、デノイズ前画像１０１におけるノイズが低減された画像に相当する。
デノイズ前画像１０１であるＭＲ画像のノイズが低減されたデノイズ画像１０８が生成される。具体的には、処理回路１４１は、ノイズ低減機能１４１７により、デノイズ前画像１０１と、ノイズ相関マップ１０２とを用いたノイズ低減プログラムの実行により、デノイズ画像１０８を生成する。デノイズ画像１０８は、例えば、デノイズ前画像１０１におけるノイズが低減された画像に相当する。
【0083】
パラレルイメージングにおいて、ステップＳａ１乃至ステップＳａ４における処理を適用する場合、デノイズ処理は、好適には、複数の受信コイル各々に対応する感度マップ１０２およびデノイズ前画像１０１を用いて実行される。このとき、処理回路１４１は、再構成機能１４１３により、複数の受信コイルにそれぞれ対応する複数のデノイズ画像および複数の感度マップを用いて展開処理を実行することで、ノイズが低減されたＭＲ画像を生成する。なお、パラレルイメージングに関するデノイズ処理は上述した方法に限定されず、例えば、デノイズ処理前であって展開処理後のＭＲ画像をデノイズ前画像として用い、複数の感度マップを合成したマップをノイズ相関マップとして用いて、デノイズ画像が生成されてもよい。
【0084】
以上に述べた構成によれば、以下の効果を得ることができる。
本適用例における医用ＭＲＩ装置１１０によれば、被検体Ｐに対して収集された本スキャンＭＲデータに基づいて生成された医用画像（ＭＲ画像）と、医用画像に含まれるノイズに相関するノイズ相関マップ（感度マップ、ｇマップ、または複合マップ）とに基づいて医用画像のノイズを低減したデノイズ画像を生成するように機能付けられた学習済みモデルを記憶し、医用画像とノイズ相関マップとを学習済みモデルに入力し、学習済みモデルを用いて、医用画像のノイズが低減されたデノイズ画像を生成することができる。
本適用例における医用ＭＲＩ装置１１０によれば、被検体Ｐに対して収集された本スキャンＭＲデータに基づいて生成された医用画像（ＭＲ画像）と、医用画像に含まれるノイズに相関するノイズ相関マップ（感度マップ、ｇマップ、または複合マップ）とに基づいて医用画像のノイズを低減したデノイズ画像を生成するように機能付けられた学習済みモデルを記憶し、医用画像とノイズ相関マップとを学習済みモデルに入力し、学習済みモデルを用いて、医用画像のノイズが低減されたデノイズ画像を生成することができる。
【0085】
また、本医用ＭＲＩ装置１１０によれば、学習済みモデルとしてのニューラルネットワークにおける入力層１０３の互いに別のチャンネルに、ＭＲ画像１０１と、ノイズ相関マップ１０２とを入力することができる。
【0086】
また、本医用ＭＲＩ装置１１０によれば、学習済みモデルとしてのニューラルネットワークにおける入力層１０３に、ＭＲ画像を入力し、ニューラルネットワークにおける複数の中間層のうち少なくとも一つに、ノイズ相関マップを入力することができる。これにより、ノイズ相関マップ１０２が入力される中間層において、ノイズ量に応じて出力が変化する自由度が得られるため、医用画像１０１における部分領域ごとのノイズ量に応じた強度でノイズを低減することができる。
【0087】
また、本医用ＭＲＩ装置１１０によれば、ＭＲ画像に基づいてノイズ相関マップを生成するように機能付けられた第２の学習済みモデルを記憶装置１３９に記憶させ、ＭＲ画像を第２の学習済みモデルに入力し、第２の学習済みモデルを用いてノイズ相関マップを生成することができる。これにより、ノイズ相関マップ１０２をデノイズ前のＭＲ画像１０１から生成できるため、ノイズ相関マップ１０２をデノイズ前画像１０１とは別に用意する必要がない。すなわち、本医用ＭＲＩ装置１１０によれば、ノイズ相関マップ１０２に関する画像を収集する必要がないため、デノイズ画像の生成に関する検査時間を短縮することができ、被検体に対する負荷を低減することができる。
【0088】
（第２の適用例）
本適用例における医用画像診断装置は、本実施形態における処理回路１４１を搭載した医用Ｘ線ＣＴ装置である。本適用例において、ノイズ低減対象画像１０１に相当する医用画像は、図１におけるノイズ低減機能１４１７によるデノイズ処理前であって、被検体Ｐに対するＣＴスキャンに関して生成された前処理後の投影データに基づいて再構成されたＸ線ＣＴ断層撮影画像（以下、デノイズ前ＣＴ画像と呼ぶ）に対応する。また、ノイズ低減対象画像１０１に相当する中間画像は、投影データに基づいて生成されたサイノグラム（以下、デノイズ前サイノグラムと呼ぶ）に相当する。
本適用例における医用画像診断装置は、本実施形態における処理回路１４１を搭載した医用Ｘ線ＣＴ装置である。本適用例において、ノイズ低減対象画像１０１に相当する医用画像は、図１におけるノイズ低減機能１４１７によるデノイズ処理前であって、被検体Ｐに対するＣＴスキャンに関して生成された前処理後の投影データに基づいて再構成されたＸ線ＣＴ断層撮影画像（以下、デノイズ前ＣＴ画像と呼ぶ）に対応する。また、ノイズ低減対象画像１０１に相当する中間画像は、投影データに基づいて生成されたサイノグラム（以下、デノイズ前サイノグラムと呼ぶ）に相当する。
【0089】
また、本適用例において、入力層１０３に入力されるノイズ低減対象画像１０１がデノイズ前サイノグラムである場合、ノイズ相関マップ１０２は、デノイズ前ＣＴ画像において、ビューごとに被検体Ｐを透過するＸ線のレイに沿った被検体Ｐの透過長を示すマップ（以下、透過長マップと呼ぶ）に対応する。透過長マップは、Ｘ線管においてＸ線が発生する焦点位置からＸ線検出素子に入射するＸ線のレイに沿った透過長を、例えば、ビュー数を縦軸、チャネル方向に配列された複数のＸ線検出素子の素子番号を横軸として配列させたデータに相当する。以下、説明を具体的にするために、素子番号は、１乃至Ｍ（Ｍは自然数）であるものとする。なお、ノイズ相関マップ１０２は、透過長マップに限定されず、ＣＴ画像におけるノイズ量に相関する画像であれば、いずれの画像であってもよい。
【0090】
また、本適用例において、入力層１０３に入力されるノイズ低減対象画像１０１がデノイズ前ＣＴ画像である場合、ノイズ相関マップ１０２は、透過長マップを用いて再構成された画像（以下、透過長再構成画像と呼ぶ）に対応する。
【0091】
本適用例において、デノイズ前ＣＴ画像を用いてデノイズを行う場合の処理内容については、後程説明する。また、本適用例において、第１の応用例および第２の応用例に関する処理内容については、ノイズ低減対象画像１０１をデノイズ前サイノグラムに読み替え、ノイズ相関マップ１０２を透過長マップに読み替えることで理解できるため、説明は省略する。
【0092】
医用Ｘ線ＣＴ装置には、第３世代ＣＴ、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適用例へ適用可能である。ここで、第３世代ＣＴは、Ｘ線管と検出器とが一体として被検体の周囲を回転するＲｏｔａｔｅ／Ｒｏｔａｔｅ－Ｔｙｐｅである。第４世代ＣＴは、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線管のみが被検体の周囲を回転するＳｔａｔｉｏｎａｒｙ／Ｒｏｔａｔｅ－Ｔｙｐｅである。
【0093】
図１４は、本適用例に係る医用Ｘ線ＣＴ装置１の構成を示す図である。医用Ｘ線ＣＴ装置１は、Ｘ線管１１から被検体Ｐに対してＸ線を照射し、照射されたＸ線をＸ線検出器１２で検出する。医用Ｘ線ＣＴ装置１は、Ｘ線検出器１２からの出力に基づいて被検体Ｐに関するデノイズ前ＣＴ画像を生成する。
【0094】
図１４に示すように、医用Ｘ線ＣＴ装置１は、架台１０、寝台３０及びコンソール４０を有する。なお、図１４では説明の都合上、架台１０が複数描画されている。架台１０は、被検体ＰをＸ線ＣＴ撮影するための構成を有するスキャン装置である。寝台３０は、Ｘ線ＣＴ撮影の対象となる被検体Ｐを載置し、被検体Ｐを位置決めするための搬送装置である。コンソール４０は、架台１０を制御するコンピュータである。例えば、架台１０及び寝台３０はＣＴ検査室に設置され、コンソール４０はＣＴ検査室に隣接する制御室に設置される。架台１０、寝台３０及びコンソール４０は互いに通信可能に有線または無線で接続されている。なお、コンソール４０は、必ずしも制御室に設置されなくてもよい。例えば、コンソール４０は、架台１０及び寝台３０とともに同一の部屋に設置されてもよい。また、コンソール４０は、架台１０に組み込まれてもよい。
【0095】
図１４に示すように、架台１０は、Ｘ線管１１、Ｘ線検出器１２、回転フレーム１３、Ｘ線高電圧装置１４、制御装置１５、ウェッジ１６、コリメータ１７及びデータ収集回路（ＤＡＳ：Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ Ｓｙｓｔｅｍ）１８を有する。
【0096】
Ｘ線管１１は、Ｘ線を被検体Ｐに照射する。具体的には、Ｘ線管１１は、熱電子を発生する陰極と、陰極から放出される熱電子を受けてＸ線を発生する陽極と、陰極と陽極とを保持する真空管とを含む。Ｘ線管１１は、高圧ケーブルを介してＸ線高電圧装置１４に接続されている。陰極と陽極との間には、Ｘ線高電圧装置１４により管電圧が印加される。管電圧の印加により陰極から陽極に向けて熱電子が放出される。陰極から陽極に向けて熱電子が放出されることにより管電流が流れる。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）に向けて熱電子が放出され、熱電子が陽極に衝突することによりＸ線が発生される。例えば、Ｘ線管１１には、回転する陽極に熱電子を照射することでＸ線を発生させる回転陽極型のＸ線管がある。
【0097】
なお、Ｘ線を発生させるハードウェアはＸ線管１１に限られない。例えば、Ｘ線管１１に代えて、第５世代方式を用いてＸ線を発生させることにしても構わない。第５世代方式は、電子銃から発生した電子ビームを集束させるフォーカスコイルと、電磁偏向させる偏向コイルと、被検体Ｐの半周を囲い偏向した電子ビームが衝突することによってＸ線を発生させるターゲットリングとを含む。
【0098】
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線を検出し、検出されたＸ線の線量に対応した電気信号をＤＡＳ１８に出力する。Ｘ線検出器１２は、チャネル方向に複数のＸ線検出素子が配列されたＸ線検出素子列がスライス方向（列方向）に複数配列された構造を有する。Ｘ線検出器１２は、例えば、グリッド、シンチレータアレイ及び光センサアレイ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線入射面側に配置され、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の光量に応じた電気信号に変換する機能を有する。光センサとしては、例えば、フォトダイオード、光電子増倍管等が用いられる。なお、Ｘ線検出器１２は、入射したＸ線を電気信号に変換する半導体素子を有する直接変換型の検出器であってもよい。Ｘ線検出器は、Ｘ線検出部の一例である。
【0099】
回転フレーム１３は、Ｘ線管１１とＸ線検出器１２とを回転軸（Ｚ軸）回りに回転可能に支持する円環状のフレームである。具体的には、回転フレーム１３は、Ｘ線管１１とＸ線検出器１２とを対向支持する。回転フレーム１３は、不図示の固定フレームに回転軸回りに回転可能に支持される。制御装置１５により、回転フレーム１３は、回転軸回りに回転する。これにより、回転フレーム１３は、Ｘ線管１１とＸ線検出器１２とを回転軸回りに回転させる。回転フレーム１３は、制御装置１５の駆動機構からの動力を受けて回転軸回りに一定の角速度で回転する。回転フレーム１３の開口部１９には、画像視野（ＦＯＶ）が設定される。また、回転フレーム１３は、回転部の一例である。
【0100】
なお、本適用例では、非チルト状態での回転フレーム１３の回転軸又は寝台３０の天板３３の長手方向をＺ軸方向、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、Ｚ軸方向に直交し床面に対し垂直である軸方向をＹ軸方向と定義する。
【0101】
Ｘ線高電圧装置１４は、高電圧発生装置及びＸ線制御装置を有する。高電圧発生装置は、変圧器（トランス）及び整流器等の電気回路を有する。高電圧発生装置は、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。Ｘ線制御装置は、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。なお、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。また、Ｘ線高電圧装置１４は、架台１０内の回転フレーム１３に設けられてもよいし、架台１０内の固定フレーム（図示しない）に設けられても構わない。Ｘ線高電圧装置１４は、Ｘ線高電圧部の一例である。
【0102】
ウェッジ１６は、被検体Ｐに照射されるＸ線の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線の線量が予め定められた分布になるようにＸ線を減衰する。例えば、ウェッジ１６としては、ウェッジフィルタ（ｗｅｄｇｅ ｆｉｌｔｅｒ）やボウタイフィルタ（ｂｏｗ－ｔｉｅ ｆｉｌｔｅｒ）等のアルミニウム等の金属板が用いられる。金属板は、所定のターゲット角度や所定の厚みとなるように予め加工される。
【0103】
コリメータ１７は、ウェッジ１６を透過したＸ線の照射範囲を限定する。コリメータ１７は、Ｘ線を遮蔽する複数の鉛板をスライド可能に支持する。コリメータ１７は、複数の鉛板により形成されるスリットの形態を調節する。なお、コリメータ１７は、Ｘ線絞りと呼ばれる場合もある。
【0104】
ＤＡＳ１８は、Ｘ線検出器１２により検出されたＸ線の線量に応じた電気信号をＸ線検出器１２から読み出す。ＤＡＳ１８は、読み出した電気信号を増幅する。ＤＡＳ１８は、ビュー期間に亘り、増幅された電気信号を積分することにより当該ビュー期間に亘るＸ線の線量に応じたデジタル値を有する検出データを収集する。ＤＡＳ１８は、例えば、検出データを生成可能な回路素子を搭載した特定用途向け集積回路（ＡＳＩＣ）等により実現される。検出データは、非接触データ伝送装置等を介してコンソール４０に転送される。非接触データ伝送装置は、回転フレーム１３に設けられた送信機と、架台１０の非回転部分（例えば、不図示の固定フレーム）に設けられた受信機とを有する。送信機は、発光ダイオード（ＬＥＤ）を有する。受信機は、フォトダイオードを有する。送信機は、発光ダイオードを介して、検出データを受信機に送信する。受信機は、フォトダイオードを介して検出データを受信する。受信機は、受信した検出データを、コンソール４０に伝送する。これにより、非接触データ伝送装置は、光通信を介して検出データをコンソールに伝送する。なお、回転フレーム１３から架台１０の非回転部分への検出データの送信方法は、前述の光通信に限らず、非接触型のデータ伝送であれば如何なる方式を採用しても構わない。
【0105】
制御装置１５は、コンソール４０の処理回路４４におけるシステム制御機能４４１に従いＸ線ＣＴ撮影を実行するためにＸ線高電圧装置１４やＤＡＳ１８を制御する。制御装置１５は、ＣＰＵあるいはＭＰＵ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４４は、ハードウェア資源として、ＣＰＵ等のプロセッサとＲＯＭやＲＡＭ等のメモリとを有する。また、制御装置１５は、ＡＳＩＣやフィールド・プログラマブル・ゲート・アレイにより実現されてもよい。また、制御装置１５は、他の複合プログラマブル論理デバイス又は単純プログラマブル論理デバイスにより実現されてもよい。制御装置１５は、コンソール４０若しくは架台１０に取り付けられた後述の入力インターフェース４３からの入力信号を受けて、架台１０及び寝台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１０をチルトさせる制御、及び寝台３０及び天板３３を動作させる制御を行う。なお、架台１０をチルトさせる制御は、架台１０に取り付けられた入力インターフェース４３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。なお、制御装置１５は架台１０に設けられてもよいし、コンソール４０に設けられても構わない。制御装置１５は、架台制御部の一例である。
【0106】
寝台３０は、基台３１、支持フレーム３２、天板３３及び寝台駆動装置３４を備える。基台３１は、ＣＴ検査室の床面に設置される。基台３１は、支持フレーム３２を、床面に対して垂直方向（Ｙ軸方向）に移動可能に支持する筐体である。支持フレーム３２は、基台３１の上部に設けられるフレームである。支持フレーム３２は、天板３３を中心軸（Ｚ軸）に沿ってスライド可能に支持する。天板３３は、被検体Ｐが載置される柔軟性を有する板である。
【0107】
寝台駆動装置３４は、寝台３０の筐体内に収容される。寝台駆動装置３４は、被検体Ｐが載置された支持フレーム３２と天板３３とを移動させるための動力を発生するモータ又はアクチュエータである。寝台駆動装置３４は、コンソール４０等による制御に従い作動する。なお、寝台駆動装置３４は、天板３３に加え、支持フレーム３２を天板３３の長軸方向に移動させてもよい。
【0108】
コンソール４０は、メモリ４１、ディスプレイ４２、入力インターフェース４３及び処理回路４４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、バス（ＢＵＳ）を介して行われる。なお、コンソール４０は架台１０とは別体として説明するが、コンソール４０又はコンソール４０の各構成要素の一部が架台１０に含まれてもよい。なお、本適用例において、第１の応用例に記載のようにデノイズ前画像からノイズ相関マップを生成する場合、医用Ｘ線ＣＴ装置１における処理回路４４は、図６に示す相関データ生成機能をさらに有する。
【0109】
メモリ４１は、種々の情報を記憶するＨＤＤやＳＳＤ、集積回路記憶装置等の記憶装置である。メモリ４１は、例えば、前処理機能４４２により生成された投影データや再構成処理機能４４３により生成されたデノイズ前ＣＴ画像のデータ、ノイズ低減機能１４１７により生成されたデノイズ画像（以下、デノイズサイノグラムと呼ぶ）１０８のデータ等を記憶する。本適用例において、デノイズサイノグラムは、デノイズ画像１０８に対応する。また、メモリ４１は、デノイズ前サイノグラム１０１と透過長マップ１０２とに基づいてデノイズ前サイノグラム１０１におけるノイズを低減したデノイズサイノグラム１０８を生成するように機能付けられた学習済みモデルを記憶する。メモリ４１は、学習済みモデルに用いられる透過長マップ１０２とを記憶する。メモリ４１は、デノイズサイノグラム１０８に基づいて再構成されたＣＴ画像（以下、デノイズＣＴ画像と呼ぶ）を記憶する。また、メモリ４１は、処理回路４４において実行される各種機能に対応するプログラムを記憶する。例えば、メモリ４１は、上述の学習済みモデルに対応するＣＮＮ１０５を実行するためのノイズ低減プログラムを記憶する。
【0110】
メモリ４１は、ＨＤＤやＳＳＤ等以外にも、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）、フラッシュメモリ等の可搬性記憶媒体であってもよい。なお、メモリ４１は、フラッシュメモリ、ＲＡＭ等の半導体メモリ素子等との間で種々の情報を読み書きする駆動装置であってもよい。また、メモリ４１の保存領域は、医用Ｘ線ＣＴ装置１内にあってもよいし、ネットワークで接続された外部記憶装置内にあってもよい。
【0111】
ディスプレイ４２は、各種の情報を表示する。例えば、ディスプレイ４２は、処理回路４４における再構成処理機能４４３によって生成されたデノイズ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、種々の任意のディスプレイが、適宜、使用可能となっている。例えばディスプレイ４２として、液晶ディスプレイ、ＣＲＴディスプレイ、有機ＥＬディスプレイ又はプラズマディスプレイが使用可能である。また、ディスプレイ４２は、架台１０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。
【0112】
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、投影データを収集する際の収集条件や、デノイズＣＴ画像およびデノイズ前ＣＴ画像を再構成する際の再構成条件、デノイズＣＴ画像から後処理画像を生成する際の画像処理条件等を操作者から受け付ける。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。なお、本適用例において、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、架台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。
【0113】
処理回路４４は、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本医用Ｘ線ＣＴ装置１全体の動作を制御する。例えば、処理回路４４は、ハードウェア資源として、ＣＰＵやＭＰＵ、ＧＰＵ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、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、入力機能１４１５、ノイズ低減機能１４１７等を実行する。なお、上記複数の機能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上記複数の機能を実現するものとしても構わない。
【0114】
処理回路４４は、システム制御機能４４１により、Ｘ線ＣＴ撮影を行うために、Ｘ線高電圧装置１４と制御装置１５とＤＡＳ１８とを制御する。システム制御機能４４１を実行する処理回路４４は、システム制御部の一例である。
【0115】
処理回路４４は、前処理機能４４２により、ＤＡＳ１８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。これにより、処理回路４４は、複数のビュー角各々に対応する投影データを生成する。なお、前処理前のデータ（検出データ）および前処理後のデータを総称して投影データと称する場合もある。処理回路４４は、複数のビュー角に亘る投影データを用いて、サイノグラムを生成する。なお、サイノグラムの生成は、再構成処理機能４４３により実行されてもよい。前処理機能４４２を実行する処理回路４４は、前処理部の一例である。
【0116】
処理回路４４は、再構成処理機能４４３により、前処理後であってデノイズ処理前の投影データに対して、フィルタ補正逆投影法や逐次近似再構成法等を用いた再構成処理を行い、デノイズ前ＣＴ画像のデータを生成する。また、処理回路４４は、デノイズ画像に対応するデノイズサイノグラム１０８に対して再構成処理を行い、デノイズＣＴ画像のデータを生成する。再構成処理機能４４３を実行する処理回路４４は、再構成処理部の一例である。
【0117】
処理回路４４は、画像処理機能４４４により、ノイズ低減機能１４１７によって生成されたデノイズＣＴ画像のデータを、任意断面の断面画像データや任意視点方向のレンダリング画像データに変換する。変換は、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行われる。例えば、処理回路４４は、当該デノイズＣＴ画像のデータにボリュームレンダリングや、サーフェスボリュームレンダリング、画像値投影処理、ＭＰＲ（Ｍｕｌｔｉ－Ｐｌａｎｅｒ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ）処理、ＣＰＲ（Ｃｕｒｖｅｄ ＭＰＲ）処理等の３次元画像処理を施して、任意視点方向のレンダリング画像データを生成する。なお、任意視点方向のレンダリング画像データの生成は再構成処理機能４４３が直接行っても構わない。
【0118】
なお、コンソール４０は、単一のコンソールにて複数の機能を実行するものとして説明したが、複数の機能を別々のコンソールが実行することにしても構わない。例えば、前処理機能４４２、再構成処理機能４４３等の処理回路４４の機能を分散して有しても構わない。
【0119】
なお、処理回路４４は、コンソール４０に含まれる場合に限らず、複数の医用画像診断装置にて取得された検出データに対する処理を一括して行う統合サーバに含まれてもよい。
【0120】
なお、後処理は、コンソール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。また、コンソール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。
【0121】
なお、本適用例に係る技術は、一管球型の医用Ｘ線ＣＴ装置にも、Ｘ線管と検出器との複数のペアを回転リングに搭載した、いわゆる多管球型の医用Ｘ線ＣＴ装置にも適用可能である。
【0122】
以上が本適用例に係る医用Ｘ線ＣＴ装置１の全体構成についての説明である。以下、本適用例における入力機能１４１５、ノイズ低減機能１４１７について、以下のデノイズ処理の説明において詳述する。
【0123】
（デノイズ処理）
本適用例におけるデノイズ処理は、デノイズ前サイノグラム１０１と、透過長マップ１０２とを用いたノイズ低減プログラムの実行により、デノイズサイノグラム１０８を生成する処理である。図１５は、本適用例におけるデノイズ処理の手順の一例を示すフローチャートである。
本適用例におけるデノイズ処理は、デノイズ前サイノグラム１０１と、透過長マップ１０２とを用いたノイズ低減プログラムの実行により、デノイズサイノグラム１０８を生成する処理である。図１５は、本適用例におけるデノイズ処理の手順の一例を示すフローチャートである。
【0124】
（ステップＳｂ１）
被検体Ｐに対するＣＴスキャンにより、投影データが生成される。具体的には、処理回路４４は、前処理機能４４２により、ＤＡＳ１８から出力された検出データに対して前処理を行うことで、投影データを生成する。
被検体Ｐに対するＣＴスキャンにより、投影データが生成される。具体的には、処理回路４４は、前処理機能４４２により、ＤＡＳ１８から出力された検出データに対して前処理を行うことで、投影データを生成する。
【0125】
（ステップＳｂ２）
投影データに基づいて医用画像が再構成される。具体的には、処理回路４４は、再構成処理機能４４３により、投影データに対して再構成処理を行い、デノイズ前ＣＴ画像を再構成する。
投影データに基づいて医用画像が再構成される。具体的には、処理回路４４は、再構成処理機能４４３により、投影データに対して再構成処理を行い、デノイズ前ＣＴ画像を再構成する。
【0126】
（ステップＳｂ３）
投影データに基づいてサイノグラムが生成される。具体的には、処理回路４４は、前処理機能４４２により、被検体Ｐに対するＣＴスキャンにおける複数のビュー角に亘る投影データを用いて、デノイズ前サイノグラム１０１を生成する。
投影データに基づいてサイノグラムが生成される。具体的には、処理回路４４は、前処理機能４４２により、被検体Ｐに対するＣＴスキャンにおける複数のビュー角に亘る投影データを用いて、デノイズ前サイノグラム１０１を生成する。
【0127】
図１６は、デノイズ前サイノグラム１０１の一例を示す図である。図１６に示すように、デノイズ前サイノグラム１０１は、ビュー数を縦軸、チャネル方向に配列された複数のＸ線検出素子の素子番号を横軸として、ビュー数および素子番号に対応付けられた投影データを配列することにより生成される。図１６に示すように、デノイズ前サイノグラム１０１は、ノイズのため不鮮明となっている。
【0128】
（ステップＳｂ４）
医用画像に基づいてデノイズ前サイノグラム１０１に対応するノイズ相関マップが生成される。具体的には、処理回路４４は、画像処理機能４４４により、デノイズ前ＣＴ画像を用いて、複数のビュー角に各々において、複数のＸ線検出素子各々に入射するＸ線のレイに沿った透過長を算出する。処理回路４４は、複数のビュー角各々および複数の素子番号各々に対応付けられた透過長をビュー角および素子番号に沿って配列することで、ノイズ相関マップとしての透過長マップ１０２を生成する。なお、透過長マップ１０２の生成は、処理回路４４における他の機能において実施されてもよい。
医用画像に基づいてデノイズ前サイノグラム１０１に対応するノイズ相関マップが生成される。具体的には、処理回路４４は、画像処理機能４４４により、デノイズ前ＣＴ画像を用いて、複数のビュー角に各々において、複数のＸ線検出素子各々に入射するＸ線のレイに沿った透過長を算出する。処理回路４４は、複数のビュー角各々および複数の素子番号各々に対応付けられた透過長をビュー角および素子番号に沿って配列することで、ノイズ相関マップとしての透過長マップ１０２を生成する。なお、透過長マップ１０２の生成は、処理回路４４における他の機能において実施されてもよい。
【0129】
図１７は、ビュー角が０°において、複数の素子番号にそれぞれ対応する複数の透過長の一例を示す図である。図１７におけるデノイズ前ＣＴ画像ＢｄｎＣＴに示すように、焦点位置ＴＦから素子番号ｃｈ１に向かうＸ線のレイｒ１は、透過長Ｌ１で被検体Ｐを通過する。同様に、焦点位置ＴＦから素子番号ｃｈ２およびｃｈ３に向かうＸ線のレイｒ２、レイｒ３、レイｒＭは、透過長Ｌ２、透過長Ｌ３、および透過長ＬＭで被検体Ｐをそれぞれ通過する。
【0130】
【0131】
（ステップＳｂ５）
デノイズ前サイノグラム１０１と、透過長マップ１０２とが学習済みモデルに入力される。具体的には、処理回路４４は、入力機能１４１５により、デノイズ前サイノグラム１０１と透過長マップ１０２とを入力層１０３に入力する。より詳細には、処理回路４４は、ステップＳｂ３において生成されたデノイズ前サイノグラム１０１における複数の画素値を、入力層１０３の第１の入力範囲１０４ａにおける複数のノードに入力する。処理回路４４は、ステップＳｂ４により生成された透過長マップ１０２における複数の画素値を、入力層１０３の第２の入力範囲１０４ｂにおける複数のノードに入力する。
デノイズ前サイノグラム１０１と、透過長マップ１０２とが学習済みモデルに入力される。具体的には、処理回路４４は、入力機能１４１５により、デノイズ前サイノグラム１０１と透過長マップ１０２とを入力層１０３に入力する。より詳細には、処理回路４４は、ステップＳｂ３において生成されたデノイズ前サイノグラム１０１における複数の画素値を、入力層１０３の第１の入力範囲１０４ａにおける複数のノードに入力する。処理回路４４は、ステップＳｂ４により生成された透過長マップ１０２における複数の画素値を、入力層１０３の第２の入力範囲１０４ｂにおける複数のノードに入力する。
【0132】
処理回路４４は、ノイズ低減機能１４１７により、入力層１０３において、デノイズ前サイノグラム１０１における複数の画素値と、透過長マップ１０２における複数の画素値とを組み合わせて、組み合わせデータ１０４を生成する。処理回路１４１は、組み合わせデータ１０４を、ＣＮＮ１０５に出力する。
【0133】
なお、第２の応用例が本適用例に用いられる場合、処理回路４４は、デノイズ前サイノグラム１０１を入力層１０３に入力し、透過長マップ１０２をＣＮＮ１０５における少なくとも一つの中間層に入力する。
【0134】
（ステップＳｂ６）
サイノグラムのノイズが低減されたデノイズ画像が生成される。具体的には、処理回路４４は、ノイズ低減機能１４１７により、デノイズ前サイノグラム１０１と透過長マップ１０２とを用いたノイズ低減プログラムの実行により、デノイズサイノグラム１０８を生成する。デノイズサイノグラム１０８は、デノイズ前サイノグラム１０１におけるノイズが低減された画像である。
サイノグラムのノイズが低減されたデノイズ画像が生成される。具体的には、処理回路４４は、ノイズ低減機能１４１７により、デノイズ前サイノグラム１０１と透過長マップ１０２とを用いたノイズ低減プログラムの実行により、デノイズサイノグラム１０８を生成する。デノイズサイノグラム１０８は、デノイズ前サイノグラム１０１におけるノイズが低減された画像である。
【0135】
（ステップＳｂ７）
デノイズ画像であるデノイズサイノグラム１０８に対して再構成処理を実行することにより、ノイズが低減された医用画像が生成される。具体的には、処理回路４４は、再構成処理機能４４３により、デノイズサイノグラム１０８に対して再構成処理を実行することにより、デノイズＣＴ画像を再構成する。
デノイズ画像であるデノイズサイノグラム１０８に対して再構成処理を実行することにより、ノイズが低減された医用画像が生成される。具体的には、処理回路４４は、再構成処理機能４４３により、デノイズサイノグラム１０８に対して再構成処理を実行することにより、デノイズＣＴ画像を再構成する。
【0136】
以下、本適用例の変形例として、医用画像１０１としてデノイズ前ＣＴ画像を用いた場合のデノイズ処理について説明する。図１９は、本適用例の変形例におけるデノイズ処理の手順の一例を示すフローチャートである。ステップＳｃ１およびステップＳｃ２は、ステップＳｂ１およびステップＳｂ２と同様な処理なため、説明を省略する。
【0137】
（ステップＳｃ３）
医用画像に基づいてデノイズ前サイノグラムに対応する透過長を示すデータが生成される。透過長を示すデータは、図１８に示す透過長マップに対応する。
医用画像に基づいてデノイズ前サイノグラムに対応する透過長を示すデータが生成される。透過長を示すデータは、図１８に示す透過長マップに対応する。
【0138】
（ステップＳｃ４）
透過長を示すデータを再構成することにより、ノイズ相関マップが生成される。具体的には、処理回路４４は、再構成処理機能４４３により、透過長を示すデータに対して再構成処理を実行することで、透過長再構成画像を生成する。透過長再構成画像は、ノイズ相関マップ１０２に相当する。
透過長を示すデータを再構成することにより、ノイズ相関マップが生成される。具体的には、処理回路４４は、再構成処理機能４４３により、透過長を示すデータに対して再構成処理を実行することで、透過長再構成画像を生成する。透過長再構成画像は、ノイズ相関マップ１０２に相当する。
【0139】
（ステップＳｃ５）
デノイズ前ＣＴ画像１０１と透過長再構成画像１０２とが学習済みモデルに入力される。具体的には、処理回路４４は、入力機能１４１５により、デノイズ前ＣＴ画像１０１と透過長再構成画像１０２とを入力層１０３に入力する。より詳細には、処理回路４４は、ステップＳｃ２において生成されたデノイズ前再構成画像１０１における複数の画素値を、入力層１０３の第１の入力範囲１０４ａにおける複数のノードに入力する。処理回路４４は、ステップＳｃ４により生成された透過長再構成画像１０２における複数の画素値を、入力層１０３の第２の入力範囲１０４ｂにおける複数のノードに入力する。
デノイズ前ＣＴ画像１０１と透過長再構成画像１０２とが学習済みモデルに入力される。具体的には、処理回路４４は、入力機能１４１５により、デノイズ前ＣＴ画像１０１と透過長再構成画像１０２とを入力層１０３に入力する。より詳細には、処理回路４４は、ステップＳｃ２において生成されたデノイズ前再構成画像１０１における複数の画素値を、入力層１０３の第１の入力範囲１０４ａにおける複数のノードに入力する。処理回路４４は、ステップＳｃ４により生成された透過長再構成画像１０２における複数の画素値を、入力層１０３の第２の入力範囲１０４ｂにおける複数のノードに入力する。
【0140】
処理回路４４は、ノイズ低減機能１４１７により、入力層１０３において、デノイズ前ＣＴ画像１０１における複数の画素値と、透過長再構成画像１０２における複数の画素値とを組み合わせて、組み合わせデータ１０４を生成する。処理回路１４１は、組み合わせデータ１０４を、ＣＮＮ１０５に出力する。
【0141】
なお、第２の応用例が本適用例に用いられる場合、処理回路４４は、デノイズ前ＣＴ画像１０１を入力層１０３に入力し、透過長再構成画像１０２をＣＮＮ１０５における少なくとも一つの中間層に入力する。
【0142】
（ステップＳｃ６）
デノイズ前ＣＴ画像１０１のノイズが低減されたデノイズ画像１０８が生成される。デノイズ画像は、デノイズＣＴ画像に対応する。具体的には、処理回路４４は、ノイズ低減機能１４１７により、デノイズ前ＣＴ画像１０１と透過長再構成画像１０２とを用いたノイズ低減プログラムの実行により、デノイズＣＴ画像１０８を生成する。
デノイズ前ＣＴ画像１０１のノイズが低減されたデノイズ画像１０８が生成される。デノイズ画像は、デノイズＣＴ画像に対応する。具体的には、処理回路４４は、ノイズ低減機能１４１７により、デノイズ前ＣＴ画像１０１と透過長再構成画像１０２とを用いたノイズ低減プログラムの実行により、デノイズＣＴ画像１０８を生成する。
【0143】
以上に述べた構成によれば、以下の効果を得ることができる。
本適用例における医用Ｘ線ＣＴ装置１によれば、被検体Ｐに対して収集された投影データに基づいて生成された医用画像（デノイズ前ＣＴ画像）または医用画像を生成する前段の中間画像（デノイズ前サイノグラム）と、医用画像または中間画像に含まれるノイズに相関するノイズ相関マップ（透過長マップまたは透過長再構成画像）とに基づいて医用画像のノイズまたは中間画像のノイズを低減したデノイズ画像を生成するように機能付けられた学習済みモデルを記憶し、医用画像または中間画像とノイズ相関マップとを学習済みモデルに入力し、学習済みモデルを用いて、医用画像のノイズまたは中間画像のノイズが低減されたデノイズ画像を生成することができる。
本適用例における医用Ｘ線ＣＴ装置１によれば、被検体Ｐに対して収集された投影データに基づいて生成された医用画像（デノイズ前ＣＴ画像）または医用画像を生成する前段の中間画像（デノイズ前サイノグラム）と、医用画像または中間画像に含まれるノイズに相関するノイズ相関マップ（透過長マップまたは透過長再構成画像）とに基づいて医用画像のノイズまたは中間画像のノイズを低減したデノイズ画像を生成するように機能付けられた学習済みモデルを記憶し、医用画像または中間画像とノイズ相関マップとを学習済みモデルに入力し、学習済みモデルを用いて、医用画像のノイズまたは中間画像のノイズが低減されたデノイズ画像を生成することができる。
【0144】
また、本医用Ｘ線ＣＴ装置１によれば、学習済みモデルとしてのニューラルネットワークにおける入力層１０３の互いに別のチャンネルに、デノイズ前ＣＴ画像またはデノイズ前サイノグラムと、ノイズ相関マップ１０２とを入力することができる。
【0145】
また、本医用Ｘ線ＣＴ装置１によれば、学習済みモデルとしてのニューラルネットワークにおける入力層１０３に、デノイズ前ＣＴ画像またはデノイズ前サイノグラムとを入力し、ニューラルネットワークにおける複数の中間層のうち少なくとも一つに、ノイズ相関マップを入力することができる。これにより、ノイズ相関マップ１０２が入力される中間層において、ノイズ量に応じて出力が変化する自由度が得られるため、デノイズ前ＣＴ画像またはデノイズ前サイノグラム１０１における部分領域ごとのノイズ量に応じた強度でノイズを低減することができる。
【0146】
また、本医用Ｘ線ＣＴ装置１によれば、デノイズ前ＣＴ画像またはデノイズ前サイノグラムに基づいてノイズ相関マップを生成するように機能付けられた第２の学習済みモデルを記憶装置１３９に記憶させ、デノイズ前ＣＴ画像またはデノイズ前サイノグラムを第２の学習済みモデルに入力し、第２の学習済みモデルを用いてノイズ相関マップを生成することができる。
【0147】
以上のことから、被検体Ｐが厚い部分ではＸ線の透過量が少なくなるため、Ｘ線の検出信号に対するノイズが相対的に増え、サイノグラムや断層画像の中央部でノイズが多くなる場合においても、本医用Ｘ線ＣＴ装置１によれば、サイノグラムや断層画像を処理対象信号１０１、およびＸ線が被検体Ｐを通過した長さから算出したノイズ相関マップを参照信号１０２を用いることで、被検体Ｐの断層画像のノイズを効果的に低減することができる。
【0148】
本実施形態および各種応用例の変形例として、本医用画像診断装置の技術的思想は、ノイズ低減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、ノイズ低減プログラムは、コンピュータに、被検体に対して収集されたデータに基づいて生成された医用画像または医用画像を生成する前段の中間画像と、医用画像または中間画像に含まれるノイズに相関するノイズ相関マップとに基づいて医用画像のノイズまたは中間画像のノイズを低減したデノイズ画像を生成するように機能付けられた学習済みモデルに、ノイズ相関マップと、医用画像または中間画像とを入力し、学習済みモデルを用いて、医用画像のノイズまたは中間画像のノイズが低減されたデノイズ画像を生成することを実現させる。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、光ディスク、半導体メモリなどの各種可搬型記憶媒体に格納して頒布することも可能である。
【0149】
以上に説明した実施形態、応用例、適用例等の医用画像診断装置によれば、ノイズ低減の精度を向上させることができる。すなわち、本実施形態、応用例、適用例等によれば、ノイズ除去対象画像などの処理対象信号１０１に加えて、ノイズ量の空間分布を表すノイズ量マップなどの参照信号１０２もＣＮＮ１０５に入力することで、ノイズ低減の精度を向上させることができる医用画像診断装置を提供することができる。
【0150】
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。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、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】
【0151】
１…医用Ｘ線ＣＴ装置
１０…架台
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
１９…開口部
３０…寝台
３１…基台
３２…支持フレーム
３３…天板
３４…寝台駆動装置
４０…コンソール
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
１０１…処理対象信号
１０２…ノイズ相関マップ
１０４…組み合わせデータ
１０５…学習済みモデル
１０４ａ…第１の入力範囲
１０４ｂ…第２の入力範囲
１０５…畳み込みニューラルネットワーク（ＣＮＮ）
１０６…信号
１０７…出力層
１０８…デノイズ画像
１１０…医用ＭＲＩ装置
１１１…静磁場磁石
１１３…傾斜磁場コイル
１１５…傾斜磁場電源
１１７…寝台
１１９…寝台制御回路
１２１…ボア
１２３…送信回路
１２５…送信コイル
１２７…受信コイル
１２９…受信回路
１３１…撮像制御回路
１３５…インタフェース
１３７…ディスプレイ
１３９…記憶装置
１４１…処理回路
２０４…第１の中間層
２０４ａ…畳み込み後入力範囲
２０４ａ…マップ入力範囲
２０５…ノード
２０６…第３の中間層
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
１１７１…天板
１４１１…システム制御機能
１４１３…再構成機能
１４１５…入力機能
１４１７…ノイズ低減機能
１４１９…相関データ生成機能
２０４１…活性化されたデータ
１０…架台
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
１９…開口部
３０…寝台
３１…基台
３２…支持フレーム
３３…天板
３４…寝台駆動装置
４０…コンソール
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
１０１…処理対象信号
１０２…ノイズ相関マップ
１０４…組み合わせデータ
１０５…学習済みモデル
１０４ａ…第１の入力範囲
１０４ｂ…第２の入力範囲
１０５…畳み込みニューラルネットワーク（ＣＮＮ）
１０６…信号
１０７…出力層
１０８…デノイズ画像
１１０…医用ＭＲＩ装置
１１１…静磁場磁石
１１３…傾斜磁場コイル
１１５…傾斜磁場電源
１１７…寝台
１１９…寝台制御回路
１２１…ボア
１２３…送信回路
１２５…送信コイル
１２７…受信コイル
１２９…受信回路
１３１…撮像制御回路
１３５…インタフェース
１３７…ディスプレイ
１３９…記憶装置
１４１…処理回路
２０４…第１の中間層
２０４ａ…畳み込み後入力範囲
２０４ａ…マップ入力範囲
２０５…ノード
２０６…第３の中間層
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
１１７１…天板
１４１１…システム制御機能
１４１３…再構成機能
１４１５…入力機能
１４１７…ノイズ低減機能
１４１９…相関データ生成機能
２０４１…活性化されたデータ
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
