特許 7527675 学習済モデル生成プログラム、画像生成プログラム、学習済モデル生成装置、画像生成装置、学習済モデル生成方法及び画像生成方法

(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】2024-07-26

(45)【発行日】2024-08-05

(54)【発明の名称】学習済モデル生成プログラム、画像生成プログラム、学習済モデル生成装置、画像生成装置、学習済モデル生成方法及び画像生成方法

(51)【国際特許分類】

   A61B 6/03 20060101AFI20240729BHJP

【ＦＩ】

A61B6/03 550U

A61B6/03 550T

【請求項の数】 10

(21)【出願番号】P 2022505900

(86)(22)【出願日】2021-02-24

(86)【国際出願番号】 JP2021006833

(87)【国際公開番号】W WO2021182103

(87)【国際公開日】2021-09-16

【審査請求日】2023-09-19

(31)【優先権主張番号】P 2020042154

(32)【優先日】2020-03-11

(33)【優先権主張国・地域又は機関】JP

【国等の委託研究の成果に係る記載事項】（出願人による申告）令和元年度、国立研究開発法人科学技術振興機構、戦略的創造研究推進事業「位相画像解析研究」委託研究、産業技術力強化法第１７条の適用を受ける特許出願

(73)【特許権者】

【識別番号】504171134

【氏名又は名称】国立大学法人 筑波大学

(74)【代理人】

【識別番号】100165179

【弁理士】

【氏名又は名称】田▲崎▼ 聡

(74)【代理人】

【識別番号】100188558

【弁理士】

【氏名又は名称】飯田 雅人

(74)【代理人】

【識別番号】100175824

【弁理士】

【氏名又は名称】小林 淳一

(74)【代理人】

【識別番号】100152272

【弁理士】

【氏名又は名称】川越 雄一郎

(74)【代理人】

【識別番号】100181722

【弁理士】

【氏名又は名称】春田 洋孝

(72)【発明者】

【氏名】工藤 博幸

(72)【発明者】

【氏名】森 和希

【審査官】佐々木 創太郎

(56)【参考文献】

【文献】米国特許出願公開第２０１９／０３５３７４１（ＵＳ，Ａ１）

【文献】国際公開第２０１６／０３３４５８（ＷＯ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｂ ６／００ － ６／５８

Ａ６１Ｂ ５／０５５

Ｇ０１Ｔ １／１６１ － １／１６６

Ｇ０６Ｔ １／００

(57)【特許請求の範囲】

【請求項1】

コンピュータに、
圧縮センシングを使用する第一再構成法により生成された第一入力画像を示す第一入力画像データ及び前記第一再構成法と異なる再構成法であり、解析的な再構成法であるフィルタ補正逆投影法により生成された第二入力画像を示す第二入力画像データを機械学習装置に入力して機械学習を実行させ、前記機械学習装置に学習済モデルを生成させる学習実行機能と、
前記学習済モデルを示す学習済モデルデータを取得する学習済モデル取得機能と、
を実現させる学習済モデル生成プログラム。

【請求項2】

前記学習実行機能は、次の式（１）により表される平均二乗誤差を出来る限り小さくする前記第一再構成法の平滑化パラメータ、前記学習済モデルとして使用される畳み込みニューラルネットワークで使用される重み及び前記畳み込みニューラルネットワークで使用されるバイアスを探索することにより前記機械学習装置に前記学習済モデルを生成させる、
請求項１に記載の学習済モデル生成プログラム。

【数1】

ｗ：畳み込みニューラルネットワークで使用される重みを一列に並べたベクトル
ｂ：畳み込みニューラルネットワークで使用されるバイアスを一列に並べたベクトル
β：第一再構成法の平滑化パラメータ
ｘ_ｉ：出力画像の各画素により表されている濃度を示す値を一列に並べたベクトル
ｙ_ｉ：第二入力画像の各画素により表されている濃度を示す値を一列に並べたベクトル
ｚ_ｉ：第一入力画像の各画素により表されている濃度を示す値を一列に並べたベクトル

【請求項3】

前記学習実行機能は、第一平滑化パラメータが設定された前記圧縮センシングを使用する前記第一再構成法により生成された前記第一入力画像を示す前記第一入力画像データと、前記第一平滑化パラメータと値が異なる第二平滑化パラメータが設定された前記圧縮センシングを使用する前記第一再構成法により生成された前記第一入力画像を示す前記第一入力画像データとを少なくとも前記機械学習装置に入力して機械学習を実行させ、前記機械学習装置に前記学習済モデルを生成させる、
請求項１に記載の学習済モデル生成プログラム。

【請求項4】

前記学習実行機能は、前記第一入力画像データに加え、前記第一再構成法と異なる第三再構成法により生成された出力画像を示す出力画像データを前記機械学習装置に入力して機械学習を実行させ、前記機械学習装置に前記学習済モデルを生成させる、
請求項１から請求項３のいずれか一つに記載の学習済モデル生成プログラム。

【請求項5】

コンピュータに、
請求項１から請求項４のいずれか一つに記載の学習済モデル生成プログラムにより生成された前記学習済モデルに入力画像を示す入力画像データを入力して再構成画像を生成する画像生成機能を実現させる画像生成プログラム。

【請求項6】

圧縮センシングを使用する第一再構成法により生成された第一入力画像を示す第一入力画像データ及び前記第一再構成法と異なる再構成法であり、解析的な再構成法であるフィルタ補正逆投影法により生成された第二入力画像を示す第二入力画像データを機械学習装置に入力して機械学習を実行させ、前記機械学習装置に学習済モデルを生成させる学習実行部と、
前記学習済モデルを示す学習済モデルデータを取得する学習済モデル取得部と、
を備える学習済モデル生成装置。

【請求項7】

請求項６に記載の学習済モデル生成装置により生成された前記学習済モデルに入力画像を示す入力画像データを入力して再構成画像を生成する画像生成部を備える画像生成装置。

【請求項8】

圧縮センシングを使用する第一再構成法により生成された第一入力画像を示す第一入力画像データ及び前記第一再構成法と異なる再構成法であり、解析的な再構成法であるフィルタ補正逆投影法により生成された第二入力画像を示す第二入力画像データを機械学習装置に入力して機械学習を実行させ、前記機械学習装置に学習済モデルを生成させる学習実行ステップと、
前記学習済モデルを示す学習済モデルデータを取得する学習済モデル取得ステップと、
を含む学習済モデル生成方法。

【請求項9】

請求項８に記載の学習済モデル生成方法により生成された前記学習済モデルに入力画像を示す入力画像データを入力して再構成画像を生成する画像生成ステップを備える画像生成方法。

【請求項10】

コンピュータに、
圧縮センシングを使用する第一再構成法により生成された第一入力画像であって、互いに異なる平滑化パラメータが設定された複数の前記第一入力画像を含む第一入力画像データと、前記第一再構成法と異なる再構成法であり、解析的な再構成法であるフィルタ補正逆投影法により生成された第二入力画像を含む第二入力画像データとを機械学習装置に入力して機械学習を実行させ、前記機械学習装置に学習済モデルを生成させる学習実行機能と、
前記学習済モデルを示す学習済モデルデータを取得する学習済モデル取得機能と、
を実現させる学習済モデル生成プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、学習済モデル生成プログラム、画像生成プログラム、学習済モデル生成装置、画像生成装置、学習済モデル生成方法及び画像生成方法に関する。

【背景技術】

【0002】

被検体の被曝量を低減させるために、例えば、投影方向の数を削減させて被検体をスキャンするスパースビューＣＴ（Computed Tomography）、Ｘ線管に流す電流を抑制した状態で被検体をスキャンする低線量ＣＴを実行するＸ線ＣＴ装置が使用されている。これらのスキャンが実行された場合に高い画質の再構成画像を生成する主な再構成法として、圧縮センシングを使用する再構成法が使用されている。この再構成法は、再構成画像の濃度変化が区分的一様というモデルを使用して再構成画像を生成するものである。また、このような再構成法の中でも、トータルバリエーション（ＴＶ：Total Variation）と呼ばれる再構成法が医療用のＸ線ＣＴ装置において頻繁に使用されている。

【0003】

このような技術の一例として、特許文献１に開示されている医用撮像装置が挙げられる。この医用撮像装置は、圧縮センシングの繰り返し最適化演算を行って画像を再構成する画像再構成部と、繰り返し毎に、最適化に用いる基底変換を選択する基底選択部とを備える。基底選択部は、予め定めた基底の順番に従って基底を選択する。或いは、基底選択部は、予め基底に設定した重み係数を用いて基底を選択する。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１８－１３４１９９号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、上述した医用撮像装置は、圧縮センシングを採用しているため、例えば、スパースビューＣＴ又は低線量ＣＴが実行される場合、階段状アーティファクト、滑らかな濃度変化の消失、テクスチャーの消失等が再構成画像に現れてしまう。この画質劣化は、スパースビューＣＴ又は低線量ＣＴの測定条件によっては顕著に現れることが知られている。

【0006】

本発明は、上述した事情に鑑みてなされたものであり、圧縮センシングを使用する再構成法により生成される再構成画像に現れる画質劣化を緩和することができる学習済モデル生成プログラム、画像生成プログラム、学習済モデル生成装置、画像生成装置、学習済モデル生成方法及び画像生成方法を提供するものである。

【課題を解決するための手段】

【0007】

本発明の一態様は、コンピュータに、圧縮センシングを使用する第一再構成法により生成された第一入力画像を示す第一入力画像データ及び前記第一再構成法と異なる再構成法であり、解析的な再構成法であるフィルタ補正逆投影法により生成された第二入力画像を示す第二入力画像データを機械学習装置に入力して機械学習を実行させ、前記機械学習装置に学習済モデルを生成させる学習実行機能と、前記学習済モデルを示す学習済モデルデータを取得する学習済モデル取得機能と、を実現させる学習済モデル生成プログラム。

【0008】

本発明の一態様は、上述した学習済モデル生成プログラムであって、次の式（１）により表される平均二乗誤差を出来る限り小さくする前記第一再構成法の平滑化パラメータ、前記学習済モデルとして使用される畳み込みニューラルネットワークで使用される重み及び前記畳み込みニューラルネットワークで使用されるバイアスを探索することにより前記機械学習装置に前記学習済モデルを生成させてもよい。

【0009】

【数1】

ｗ：畳み込みニューラルネットワークで使用される重みを一列に並べたベクトル
ｂ：畳み込みニューラルネットワークで使用されるバイアスを一列に並べたベクトル
β：第一再構成法の平滑化パラメータ
ｘ_ｉ：出力画像の各画素により表されている濃度を示す値を一列に並べたベクトル
ｙ_ｉ：第二入力画像の各画素により表されている濃度を示す値を一列に並べたベクトル
ｚ_ｉ：第一入力画像の各画素により表されている濃度を示す値を一列に並べたベクトル

【0010】

本発明の一態様は、上述した学習済モデル生成プログラムであって、前記学習実行機能が、第一平滑化パラメータが設定された前記圧縮センシングを使用する前記第一再構成法により生成された前記第一入力画像を示す前記第一入力画像データと、前記第一平滑化パラメータと値が異なる第二平滑化パラメータが設定された前記圧縮センシングを使用する前記第一再構成法により生成された前記第一入力画像を示す前記第一入力画像データとを少なくとも前記機械学習装置に入力して機械学習を実行させ、前記機械学習装置に前記学習済モデルを生成させてもよい。

【0011】

本発明の一態様は、上述した学習済モデル生成プログラムであって、前記学習実行機能が、前記第一入力画像データに加え、前記第一再構成法と異なる第三再構成法により生成された出力画像を示す出力画像データを前記機械学習装置に入力して機械学習を実行させ、前記学習済モデルを生成させてもよい。

【0012】

本発明の一態様は、コンピュータに、上述した学習済モデル生成プログラムのいずれか一つにより生成された前記学習済モデルに入力画像を示す入力画像データを入力して再構成画像を生成する画像生成機能を実現させる画像生成プログラム。

【0013】

本発明の一態様は、圧縮センシングを使用する第一再構成法により生成された第一入力画像を示す第一入力画像データ及び前記第一再構成法と異なる再構成法であり、解析的な再構成法であるフィルタ補正逆投影法により生成された第二入力画像を示す第二入力画像データを機械学習装置に入力して機械学習を実行させ、前記機械学習装置に学習済モデルを生成させる学習実行部と、前記学習済モデルを示す学習済モデルデータを取得する学習済モデル取得部と、を備える学習済モデル生成装置である。

【0014】

本発明の一態様は、上述した学習済モデル生成装置により生成された前記学習済モデルに入力画像を示す入力画像データを入力して再構成画像を生成する画像生成部を備える画像生成装置である。

【0015】

本発明の一態様は、圧縮センシングを使用する第一再構成法により生成された第一入力画像を示す第一入力画像データ及び前記第一再構成法と異なる再構成法であり、解析的な再構成法であるフィルタ補正逆投影法により生成された第二入力画像を示す第二入力画像データを機械学習装置に入力して機械学習を実行させ、前記機械学習装置に学習済モデルを生成させる学習実行ステップと、前記学習済モデルを示す学習済モデルデータを取得する学習済モデル取得ステップと、を含む学習済モデル生成方法である。

【0016】

本発明の一態様は、上述した学習済モデル生成方法により生成された前記学習済モデルに入力画像を示す入力画像データを入力して再構成画像を生成する画像生成ステップを備える画像生成方法である。
本発明の一態様は、コンピュータに、圧縮センシングを使用する第一再構成法により生成された第一入力画像であって、互いに異なる平滑化パラメータが設定された複数の前記第一入力画像を含む第一入力画像データと、前記第一再構成法と異なる再構成法であり、解析的な再構成法であるフィルタ補正逆投影法により生成された第二入力画像を含む第二入力画像データとを機械学習装置に入力して機械学習を実行させ、前記機械学習装置に学習済モデルを生成させる学習実行機能と、前記学習済モデルを示す学習済モデルデータを取得する学習済モデル取得機能と、を実現させる学習済モデル生成プログラムである。

【発明の効果】

【0017】

本発明によれば、圧縮センシングを使用する再構成法により生成される再構成画像に現れる画質劣化を緩和することができる。

【図面の簡単な説明】

【0018】

【図1】実施形態に係る画像生成システムの一例を示す図である。

【図2】実施形態に係るＸ線ＣＴ装置の一例を示す図である。

【図3】実施形態に係る機械学習装置が実行する機械学習の一例を示す図である。

【図4】実施形態に係る機械学習装置が実行する機械学習の一例を示す図である。

【図5】実施形態に係る機械学習装置が実行する機械学習の一例を示す図である。

【図6】実施形態に係る学習済モデル生成プログラムが実行する処理の一例を示すフローチャートである。

【図7】通常の線量及び投影データ方向数が設定されたスキャンにより取得された投影データを再構成して生成された再構成画像の一例を示す図である。

【図8】トータルバリエーションを使用した再構成法によりスパースビューＣＴにより取得された投影データを再構成して生成された再構成画像の一例を示す図である。

【図9】従来の学習済モデルを使用して生成された再構成画像の一例を示す図である。

【図10】実施形態に係る第一入力画像データ及び第二入力画像データを機械学習装置に入力することにより生成された学習済モデルを使用して生成された再構成画像の一例を示す図である。

【図11】実施形態に係る第一入力画像データを機械学習装置に入力することにより生成された学習済モデルを使用して生成された再構成画像の一例を示す図である。

【図12】通常の線量及び投影データ方向数が設定されたスキャンにより取得された投影データを再構成して生成された再構成画像の一例を示す図である。

【図13】トータルバリエーションを使用した再構成法によりスパースビューＣＴにより取得された投影データを再構成して生成された再構成画像の一例を示す図である。

【図14】従来の学習済モデルを使用して生成された再構成画像の一例を示す図である。

【図15】実施形態に係る第一入力画像データ及び第二入力画像データを機械学習装置に入力することにより生成された学習済モデルを使用して生成された再構成画像の一例を示す図である。

【図16】実施形態に係る第一入力画像データを機械学習装置に入力することにより生成された学習済モデルを使用して生成された再構成画像の一例を示す図である。

【図17】通常の線量及び投影データ方向数が設定されたスキャンにより取得された投影データを再構成して生成された再構成画像の一例を示す図である。

【図18】トータルバリエーションを使用した再構成法によりスパースビューＣＴにより取得された投影データを再構成して生成された再構成画像の一例を示す図である。

【図19】従来の学習済モデルを使用して生成された再構成画像の一例を示す図である。

【図20】実施形態に係る第一入力画像データ及び第二入力画像データを機械学習装置に入力することにより生成された学習済モデルを使用して生成された再構成画像の一例を示す図である。

【図21】実施形態に係る第一入力画像データを機械学習装置に複数入力し、第二入力画像データを機械学習装置に入力することにより生成された学習済モデルを使用して生成された再構成画像の一例を示す図である。

【発明を実施するための形態】

【0019】

［実施形態］
本発明の実施形態について、図面を参照しながら説明する。図１は、実施形態に係る画像生成システムの一例を示す図である。図１に示すように、画像生成システム１は、Ｘ線ＣＴ装置１０と、記憶装置２０と、学習済モデル生成装置３０と、画像生成装置４０と、機械学習装置５０とを備える。Ｘ線ＣＴ装置１０、記憶装置２０、学習済モデル生成装置３０、画像生成装置４０及び機械学習装置５０は、いずれもネットワークＮＷに接続されている。ネットワークＮＷは、例えば、インターネット、イントラネット、ＷＡＮ（Wide Area Network）、ＬＡＮ（Local Area Network）である。

【0020】

図２は、実施形態に係るＸ線ＣＴ装置の一例を示す図である。図２に示すように、Ｘ線ＣＴ装置１０は、天板１１１と、天板駆動部１１２と、Ｘ線管１２１と、Ｘ線高電圧部１２２と、Ｘ線検出器１２３と、スキャン実行部１２４と、ＣＴ画像生成部１３０とを備える。

【0021】

天板１１１は、被検体が載置される板状の部材である。天板駆動部１１２は、天板１１１をＸ線管１２１及びＸ線検出器１２３に対して移動させる。Ｘ線管１２１は、被検体に照射されるＸ線を発生させる。Ｘ線高電圧部１２２は、Ｘ線管１２１に高電圧を印加する。Ｘ線検出器１２３は、Ｘ線管１２１により照射されたＸ線を検出する検出素子を備える。

【0022】

スキャン実行部１２４は、天板駆動部１１２、Ｘ線管１２１、Ｘ線高電圧部１２２及びＸ線検出器１２３を制御することにより被検体をスキャンし、複数の投影データを取得する。Ｘ線管１２１及びＸ線検出器１２３は、被検体のスキャンが実行される際、互いに対向した状態で被検体の周りを周回する。また、複数の投影データ各々が取得される場合におけるＸ線管１２１位置は、ビューと呼ばれる。ＣＴ画像生成部１３０は、被検体をスキャンすることにより生成された複数の投影データを再構成することによりＣＴ画像を生成し、当該ＣＴ画像を示すＣＴ画像データを記憶装置２０に記憶させる。

【0023】

なお、Ｘ線ＣＴ装置１０は、通常のＣＴ撮影だけではなく、投影方向の数を削減させて被検体をスキャンするスパースビューＣＴ撮影、Ｘ線管に流す電流を抑制した状態で被検体をスキャンする低線量ＣＴ撮影も実行可能である。

【0024】

図１に示した学習済モデル生成装置３０及び画像生成装置４０は、いずれも、例えば、記憶媒体及びハードウェアプロセッサを備えるコンピュータである。

【0025】

記憶媒体は、例えば、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）、フラッシュメモリ（Flash Memory）、ＲＯＭ（Read Only Memory）である。学習済モデル生成装置３０が備える記憶媒体は、図１に示した学習済モデル生成プログラム３００を記憶している。画像生成装置４０が備える記憶媒体は、図１に示した画像生成プログラム４００を記憶している。

【0026】

ハードウェアプロセッサは、例えば、ＣＰＵ（Central Processing Unit）である。学習済モデル生成装置３０が備えるハードウェアプロセッサは、学習済モデル生成プログラム３００を読み出して実行することにより、図１に示した学習実行機能３１０と、学習済モデル取得機能３２０とを実現させる。また、画像生成装置４０が備えるハードウェアプロセッサは、画像生成プログラム４００を読み出して実行することにより、図１に示した画像生成機能４１０を記憶している。学習済モデル生成プログラム３００及び画像生成プログラム４００は、次に説明する第一処理、第二処理又は第三処理を実行する。

【0027】

［第一処理］
学習実行機能３１０は、第一入力画像データと出力画像データの組を機械学習装置５０に入力して機械学習を実行させ、機械学習装置５０に学習済モデルを生成させる。第一入力画像データは、圧縮センシングを使用する第一再構成法により生成された第一入力画像を示すデータである。出力画像データは、第一入力画像に対応しており、第一入力画像よりも画質劣化が少なく、機械学習装置５０が実行する機械学習の正解である出力画像を示すデータである。具体的には、出力画像は、第一再構成法と異なる第三再構成法により生成される。また、出力画像が生成される条件は、通常の線量及び投影方向数の条件である。

【0028】

この場合、複数の第一入力画像と複数の出力画像とは、全てが互いに一対一に対応付けられていてもよいし、全てが互いに多対一に対応付けられていてもよいし、一部のみが一対一に対応付けられていてもよいし、一部のみが多対一に対応付けられていてもよいし、対応付けられていなくてもよい。また、第一入力画像の数と出力画像の数とは、一致していてもよいし、一致していなくてもよい。

【0029】

第一再構成法において使用される圧縮センシングは、例えば、トータルバリエーションである。トータルバリエーションを使用して第一入力画像を生成する処理は、ベクトルｐ、行列Ａ、ベクトルｚ及び第一再構成法の平滑化パラメータβを含む次の式（２）により表される値を出来る限り小さくするベクトルｚを探索する処理である。ベクトルｐは、各ビューで取得される投影データの各画素により表されているＸ線の強度を示す値を一列に並べたベクトルである。行列Ａは、各要素がスキャンされる領域に含まれる各微小領域をＸ線が通過する長さを表す行列である。ベクトルｚは、第一入力画像の各画素により表されている濃度を示す値を一列に並べたベクトルである。第一再構成法の平滑化パラメータβは、第一入力画像を平滑化する強度を示すパラメータである。｜｜ｚ｜｜_ＴＶは、ベクトルｚのトータルバリエーションノルムである。

【0030】

【数2】

【0031】

第一入力画像は、Ｘ線ＣＴ装置１０が通常のＣＴ撮影、スパースビューＣＴ撮影又は低線量ＣＴ撮影を実行して生成された投影データを第一再構成することにより生成されるＣＴ画像である。或いは、第一入力画像は、他のＸ線ＣＴ装置により生成された投影データを第一再構成することにより生成されるＣＴ画像である。

【0032】

機械学習装置５０は、例えば、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）を使用する学習済モデルを生成する。図３は、実施形態に係る機械学習装置が実行する機械学習の一例を示す図である。図３に示すように、機械学習装置５０は、第一入力画像データに関するベクトルｚ_ｉ及び出力画像データに関するベクトルｘ_ｉの入力を受け付けて機械学習を実行する。この機械学習を実行し、学習済モデルを生成する処理は、機械学習に使用する第一入力画像と当該第一入力画像に対応する出力画像の組のサンプル数Ｎ、ベクトルｗ、ベクトルｂ、第一再構成法の平滑化パラメータβ、ベクトルｘ_ｉ及びベクトルｚ_ｉを含む次の式（３）により表される平均二乗誤差（ＭＳＥ：Mean Square Error）を出来る限り小さくするベクトルｗ、ベクトルｂ、第一再構成法の平滑化パラメータβを探索する処理である。ベクトルｗは、上述した畳み込みニューラルネットワークで使用される重みを一列に並べたベクトルである。ベクトルｂは、上述した畳み込みニューラルネットワークで使用されるバイアスを一列に並べたベクトルである。ベクトルｘ_ｉは、出力画像の各画素により表されている濃度を示す値を一列に並べたベクトルである。ベクトルｚ_ｉは、第一入力画像の各画素により表されている濃度を示す値を一列に並べたベクトルである。なお、第一再構成法の平滑化パラメータβは、いずれも上述したものと同様である。また、式（３）に含まれる「ＣＮＮ」は、畳み込みニューラルネットワークを表している。

【0033】

【数3】

【0034】

学習済モデル取得機能３２０は、学習済モデルを示す学習済モデルデータを取得する。そして、学習済モデル取得機能３２０は、学習済モデルデータを記憶装置２０に記憶させる。

【0035】

画像生成機能４１０は、記憶装置２０により記憶されている学習済モデルデータにより示されている学習済モデルに入力画像データを入力して再構成画像を生成する。入力画像データは、入力画像を示すデータである。入力画像は、上述した学習に使用した第一入力画像と同じ圧縮センシングにより生成された画像である。

【0036】

画像生成機能４１０が再構成画像を生成する処理は、ベクトルｘ、ベクトルｗ、ベクトルｂ、ベクトルｚ及び第一再構成法の平滑化パラメータβを含む次の式（４）により表される。なお、ベクトルｗ、ベクトルｂ、ベクトルｚ及び第一再構成法の平滑化パラメータβは、いずれも上述したものと同様である。また、式（４）に含まれる「ＣＮＮ」は、畳み込みニューラルネットワークを表している。ベクトルｗ、ベクトルｂ及び第一再構成法の平滑化パラメータβは、学習済モデルを生成する学習の過程で自動的に決められる。

【0037】

【数4】

【0038】

［第二処理］
学習実行機能３１０は、第一入力画像データ、第二入力画像データと出力画像データの組を機械学習装置５０に入力して機械学習を実行させ、機械学習装置５０に学習済モデルを生成させる。第一入力画像データ及び出力画像データは、上述した第一処理の場合と同様である。

【0039】

この場合、複数の第一入力画像と複数の第二入力画像と複数の出力画像とは、全てが互いに一対一に対応付けられていてもよいし、全てが互いに多対一に対応付けられていてもよいし、一部のみが一対一に対応付けられていてもよいし、一部のみが多対一に対応付けられていてもよいし、対応付けられていなくてもよい。また、第一入力画像の数と、第二入力画像の数と、出力画像の数とは、互いに一致していてもよいし、互いに一致していなくてもよい。

【0040】

また、この場合、複数の第一入力画像と複数の第二入力画像とは、全てが互いに一対一に対応付けられていてもよいし、全てが互いに多対一に対応付けられていてもよいし、一部のみが一対一に対応付けられていてもよいし、一部のみが多対一に対応付けられていてもよいし、対応付けられていなくてもよい。また、第一入力画像の数と、第二入力画像の数とは、互いに一致していてもよいし、互いに一致していなくてもよい。さらに、これらは、第一入力画像と出力画像との関係及び第二入力画像と出力画像との関係についても当てはまる。

【0041】

第二入力画像データは、解析的な再構成法である第二再構成法により生成された第二入力画像を示すデータである。第二再構成法は、例えば、フィルタ補正逆投影法（ＦＢＰ：Filtered Back-projection）である。第二入力画像は、Ｘ線ＣＴ装置１０が通常のＣＴ撮影、スパースビューＣＴ撮影又は低線量ＣＴ撮影を実行して生成された投影データを第二再構成することにより生成されるＣＴ画像である。或いは、第二入力画像は、他のＸ線ＣＴ装置により生成された投影データを第二再構成することにより生成されるＣＴ画像である。

【0042】

機械学習装置５０は、例えば、畳み込みニューラルネットワークを使用する学習済モデルを生成する。図４は、実施形態に係る機械学習装置が実行する機械学習の一例を示す図である。図４に示すように、機械学習装置５０は、第一入力画像データに関するベクトルｚ_ｉ、第二入力画像データに関するベクトルｙ_ｉ及び出力画像データに関するベクトルｘ_ｉの入力を受け付けて機械学習を実行する。この機械学習を実行し、学習済モデルを生成する処理は、第一入力画像、第二入力画像及び出力画像の組のサンプル数Ｎ、ベクトルｗ、ベクトルｂ、第一再構成法の平滑化パラメータβ、ベクトルｘ_ｉ、ベクトルｙ_ｉ及びベクトルｚ_ｉを含む次の式（５）により表される平均二乗誤差を出来る限り小さくするベクトルｗ、ベクトルｂ及び第一再構成法の平滑化パラメータβを探索する処理である。ベクトルｙ_ｉは、第二入力画像の各画素により表されている濃度を示す値を一列に並べたベクトルである。なお、ベクトルｗ、ベクトルｂ、第一再構成法の平滑化パラメータβ、ベクトルｘ_ｉ及びベクトルｚ_ｉは、第一処理の場合と同様である。

【0043】

【数5】

【0044】

学習済モデル取得機能３２０は、学習済モデルを示す学習済モデルデータを取得する。そして、学習済モデル取得機能３２０は、学習済モデルデータを記憶装置２０に記憶させる。

【0045】

画像生成機能４１０は、記憶装置２０により記憶されている学習済モデルデータにより示されている学習済モデルに入力画像データを入力して再構成画像を生成する。入力画像データは、入力画像を示すデータである。入力画像は、例えば、上述した第一入力画像と同じ圧縮センシング又は上述した第二入力画像と同じ解析的再構成法により生成された画像である。

【0046】

画像生成機能４１０が再構成画像を生成する処理は、ベクトルｘ、ベクトルｗ、ベクトルｂ、ベクトルｙ、ベクトルｚ及び第一再構成法の平滑化パラメータβを含む次の式（６）により表される。ベクトルｙは、第二入力画像の各画素により表されている濃度を示す値を一列に並べたベクトルである。なお、ベクトルｘ、ベクトルｗ、ベクトルｂ、ベクトルｚ及び第一再構成法の平滑化パラメータβは、第一処理の場合と同様である。また、式（６）に含まれる「ＣＮＮ」は、畳み込みニューラルネットワークを表している。

【0047】

【数6】

【0048】

［第三処理］
学習実行機能３１０は、互いに異なる平滑化パラメータが設定された第一再構成法により生成された少なくとも二種類の第一入力画像データと出力画像データの組を機械学習装置５０に入力して機械学習を実行させ、機械学習装置５０に学習済モデルを生成させる。第一の種類の第一入力画像データは、第一平滑化パラメータが設定された圧縮センシングを使用する第一再構成法により生成された第一入力画像を示す第一入力画像データである。第二の種類の第一入力画像データは、第一平滑化パラメータと値が異なる第二平滑化パラメータが設定された圧縮センシングを使用する第一再構成法により生成された第一入力画像を示す第一入力画像データである。

【0049】

また、同様に、学習実行機能３１０は、第一の種類の第一入力画像データ及び第二の種類の第一入力画像データに加えて、第三の種類の第一入力画像データから第Ｍ（Ｍ：三以上の自然数）の種類の第一入力画像データを含む組を機械学習装置５０に入力して機械学習を実行させ、機械学習装置５０に学習済モデルを生成させてもよい。この場合、学習実行機能３１０は、三種類以上の第一入力画像データを含む組を機械学習装置５０に入力して機械学習を実行させ、機械学習装置５０に学習済モデルを生成させることとなる。第Ｍの種類の第一入力画像データは、他の平滑化パラメータと値が異なる第Ｍ平滑化パラメータが設定された圧縮センシングを使用する第一再構成法により生成された第一入力画像を示す第一入力画像データである。

【0050】

つまり、学習実行機能３１０は、平滑化パラメータが互いに異なる圧縮センシングを使用する第一再構成法により生成された複数の第一入力画像と出力画像の組を機械学習装置５０に入力して機械学習を実行させ、機械学習装置５０に学習済モデルを生成させる。

【0051】

この場合、複数種類の第一入力画像が含まれている第一入力画像群と複数の出力画像とは、全てが互いに一対一に対応付けられていてもよいし、全てが互いに多対一に対応付けられていてもよいし、一部のみが一対一に対応付けられていてもよいし、一部のみが多対一に対応付けられていてもよいし、対応付けられていなくてもよい。また、第一入力画像群の数と出力画像の数とは、一致していてもよいし、一致していなくてもよい。

【0052】

機械学習装置５０は、例えば、畳み込みニューラルネットワークを使用する学習済モデルを生成する。図５は、実施形態に係る機械学習装置が実行する機械学習の一例を示す図である。図５に示すように、機械学習装置５０は、複数の第一入力画像データ各々に関するベクトルｚ_ｉ（１）、ベクトルｚ_ｉ（２）、…及びベクトルｚ_ｉ（Ｍ）と出力画像データに関するベクトルｘ_ｉの入力を受け付けて機械学習を実行する。この機械学習を実行し、学習済モデルを生成する処理は、学習に使用する第一入力画像及び対応する出力画像の組のサンプル数Ｎ、ベクトルｗ、ベクトルｂ、ベクトルｘ_ｉ、ベクトルｚ_ｉ（１）、ベクトルｚ_ｉ（２）、…及びベクトルｚ_ｉ（Ｍ）（Ｍ：２以上の自然数）を含む次の式（７）により表される平均二乗誤差を出来る限り小さくするベクトルｗ及びベクトルｂを探索する処理である。ベクトルｚ_ｉ（１）、ベクトルｚ_ｉ（２）、…及びベクトルｚ_ｉ（Ｍ）は、いずれも第一入力画像の各画素により表されている濃度を示す値を一列に並べたベクトルである。なお、ベクトルｗ、ベクトルｂ及びベクトルｘ_ｉは、第一処理の場合と同様である。

【0053】

【数7】

【0054】

学習済モデル取得機能３２０は、学習済モデルを示す学習済モデルデータを取得する。そして、学習済モデル取得機能３２０は、学習済モデルデータを記憶装置２０に記憶させる。

【0055】

画像生成機能４１０は、記憶装置２０により記憶されている学習済モデルデータにより示されている学習済モデルに入力画像データを入力して再構成画像を生成する。入力画像データは、Ｍ´（Ｍ´：二以上の自然数）個の入力画像を示すベクトルｚ_ｉ（１）、ベクトルｚ_ｉ（２）、…及びベクトルｚ_ｉ（Ｍ´）である。入力画像は、上述した複数種類の第一入力画像と同じ方法、すなわち互いに異なる平滑化パラメータが設定された圧縮センシングにより生成された画像である。なお、Ｍ´は、上述したＭと等しくてもよいし、上述したＭと異なっていてもよい。

【0056】

画像生成機能４１０が再構成画像を生成する処理は、ベクトルｘ、ベクトルｗ、ベクトルｂ、ベクトルｚ（１）、ベクトルｚ（２）、…及びベクトルｚ（Ｍ）を含む次の式（８）により表される。ベクトルｚ（１）、ベクトルｚ（２）、…及びベクトルｚ（Ｍ）は、いずれも第一入力画像の各画素により表されている濃度を示す値を一列に並べたベクトルである。なお、ベクトルｘ、ベクトルｗ及びベクトルｂは、第一処理の場合と同様である。また、式（８）に含まれる「ＣＮＮ」は、畳み込みニューラルネットワークを表している。

【0057】

【数8】

【0058】

次に、図６を参照しながら実施形態に係る学習済モデル生成プログラム３００が実行する処理の一例を説明する。図６は、実施形態に係る学習済モデル生成プログラムが実行する処理の一例を示すフローチャートである。

【0059】

ステップＳ１０において、学習実行機能３１０は、少なくとも第一入力画像データを機械学習装置５０に入力して機械学習を実行させ、機械学習装置５０に学習済モデルを生成させる。

【0060】

ステップＳ２０において、学習済モデル取得機能３２０は、ステップＳ１０で生成された学習済モデルを示す学習済モデルデータを取得する。

【0061】

以上、実施形態に係る学習済モデル生成プログラム３００及び画像生成プログラム４００について説明した。

【0062】

学習済モデル生成プログラム３００は、圧縮センシングを使用する第一再構成法により生成された第一入力画像を示す第一入力画像データを機械学習装置５０に入力して機械学習を実行させ、機械学習装置５０に学習済モデルを生成させる。そして、学習済モデル生成プログラム３００は、学習済モデルを示す学習済モデルデータを取得する。

【0063】

これにより、学習済モデル生成プログラム３００は、圧縮センシングに起因して第一入力画像に現れる階段状アーティファクト、滑らかな濃度変化の消失、テクスチャーの消失等が緩和された再構成画像を生成し得る学習済モデルを生成することができる。また、学習済モデル生成プログラム３００は、第一再構成法の平滑化パラメータβの好適な値が不明な場合であっても、第一入力画像データを機械学習装置５０に入力するだけで当該効果を奏することができる。

【0064】

学習済モデル生成プログラム３００は、第一入力画像データに加え、第一再構成法と異なる再構成法であり、解析的な再構成法である第二再構成法により生成された第二入力画像を示す第二入力画像データを機械学習装置５０に入力して機械学習を実行させ、機械学習装置５０に学習済モデルを生成させる。また、解析的な再構成法は、滑らかな濃度変化を比較的高い精度で再現した再構成画像を生成し得るという長所を有する。

【0065】

これにより、学習済モデル生成プログラム３００は、圧縮センシングに起因して第一入力画像に現れる階段状アーティファクト、滑らかな濃度変化の消失、テクスチャーの消失等を当該長所で補い得る学習済モデルを生成することができる。また、学習済モデル生成プログラム３００は、第一再構成法の平滑化パラメータβの好適な値が不明な場合であっても、第一入力画像データ及び第二入力画像データを機械学習装置５０に入力するだけで当該効果を奏することができる。

【0066】

学習済モデル生成プログラム３００は、上述した式（５）により表される平均二乗誤差を出来る限り小さくする第一再構成法の平滑化パラメータβ、学習済モデルとして使用される畳み込みニューラルネットワークで使用される重みｗ及び畳み込みニューラルネットワークで使用されるバイアスｂを探索することにより機械学習装置５０に学習済モデルを生成させる。

【0067】

これにより、学習済モデル生成プログラム３００は、学習の過程で第一再構成法の平滑化パラメータβの好適な値を探索して学習済モデルを生成するため、画像生成プログラム４００に再構成画像を生成させようとする者が第一再構成法の平滑化パラメータβの具体的な値を試行錯誤しながら決める労力を省くことができる。また、第一再構成法の平滑化パラメータβの好適な値を経験的に決定することが困難である場合が多いため、この効果は、特に有効である。

【0068】

学習済モデル生成プログラム３００は、互いに異なる平滑化パラメータが設定された第一再構成法により生成された少なくとも二種類の第一入力画像データを機械学習装置５０に入力して機械学習を実行させ、機械学習装置５０に学習済モデルを生成させる。

【0069】

これにより、学習済モデル生成プログラム３００は、平滑化の強度が互いに異なる複数の再構成画像の特徴を取り入れることにより、圧縮センシングに起因して第一入力画像に現れる階段状アーティファクト、滑らかな濃度変化の消失、テクスチャーの消失等が緩和された再構成画像を生成し得る学習済モデルを生成することができる。また、学習済モデル生成プログラム３００は、第一再構成法の平滑化パラメータβの好適な値が不明な場合であっても、少なくとも二種類の第一入力画像データを機械学習装置５０に入力するだけで当該効果を奏することができる。

【0070】

学習済モデル生成プログラム３００は、第一入力画像データに加え、通常の線量及び投影方向数の条件で生成された出力画像を示す出力画像データを機械学習装置５０に入力して機械学習を実行させ、機械学習装置５０に学習済モデルを生成させる。

【0071】

これにより、学習済モデル生成プログラム３００は、機械学習装置５０に教師有り学習を実行させ、機械学習装置５０に更に精度が高い学習済モデルを生成させることができる。

【0072】

画像生成プログラム４００は、学習済モデル生成プログラム３００により生成された学習済モデルに入力画像を示す入力画像データを入力して再構成画像を生成する。

【0073】

これにより、画像生成プログラム４００は、圧縮センシングを使用する再構成法により生成される再構成画像に現れる画質劣化を緩和することができる。

【0074】

次に、図７から図１１を参照しながら、上述した効果の第一具体例を説明する。図７は、通常の線量及び投影データ方向数が設定されたスキャンにより取得された投影データを再構成して生成された再構成画像の一例を示す図である。図７に示した再構成画像Ｐ７に近い再構成画像である程、圧縮センシングに起因する画質劣化が少ない再構成画像である。

【0075】

図８は、トータルバリエーションを使用した再構成法によりスパースビューＣＴにより取得された投影データを再構成して生成された再構成画像の一例を示す図である。図８に示した再構成画像Ｐ８は、スパースビューＣＴ撮影により取得された６４方向の投影データから生成されている。また、図８の左下に示すように、再構成画像Ｐ８は、平均二乗誤差が８２．１９であり、画像評価指標（ＳＳＩＭ：Structural similarity）が０．８９である。

【0076】

ここで、平均二乗誤差は、通常の線量及び投影方向数の再構成画像Ｐ７を表す関数ｇ（ｉ，ｊ）と、対象となる再構成画像を表す関数ｆ（ｉ，ｊ）と、これら二つの再構成画像各々の全画素数Ｌとを含む次の式（９）により算出される。インデックスｉ及びインデックスｊは、これら二つの再構成画像各々の画素の位置を示すインデックスである。

【0077】

【数9】

【0078】

また、画像評価指標は、次の式（１０）により算出され、再構成画像Ｐ７に近い再構成画像である程、大きな値となる。なお、式（１０）は、その詳細が投稿論文「Z. Wang, A. C. Bovik, H. R. Sheikh and E. P. Simoncelli, "Image quality assessment: From error visibility to structural similarity," IEEE Transactions on Image Processing, vol. 13, no. 4, pp. 600-612, Apr. 2004.」に記載されている。

【0079】

【数10】

【0080】

図８に示した再構成画像Ｐ８は、血管等、コントラストが比較的低い構造物を図７に示した再構成画像Ｐ７と同程度に白色で描出している。しかし、再構成画像Ｐ８は、トータルバリエーションにより平滑化されているため、再構成画像Ｐ７に描出されている滑らかな濃度変化や微細なテクスチャーが全体に亘って消失している。

【0081】

図９は、従来の学習済モデルを使用して生成された再構成画像の一例を示す図である。ここで言う従来の学習済モデルは、フィルタ補正逆投影法により生成された再構成画像及び通常の線量と投影方向数の条件で生成された出力画像のみを畳み込みニューラルネットワークを使用する機械学習装置に入力して当該機械学習装置を学習させることにより生成された学習済モデルである。図９に示した再構成画像Ｐ９は、スパースビューＣＴ撮影により取得された６４方向の投影データから生成されている。また、図９の左下に示すように、再構成画像Ｐ９は、平均二乗誤差が７９．０６であり、画像評価指標が０．８８である。

【0082】

図９に示した再構成画像Ｐ９は、図７に示した再構成画像Ｐ７に描出されている滑らかな濃度変化や微細なテクスチャーを全体に亘って一定以上再現している。しかし、再構成画像Ｐ９は、再構成画像Ｐ７に白色で描出されているコントラストが比較的低い構造物の一部を描出できていない。

【0083】

図１０は、実施形態に係る第一入力画像データ及び第二入力画像データを機械学習装置に入力することにより生成された学習済モデルを使用して生成された再構成画像の一例を示す図である。図１０に示した再構成画像Ｐ１０は、スパースビューＣＴ撮影により取得された６４方向の投影データから生成されている。また、図１０の左下に示すように、再構成画像Ｐ１０は、平均二乗誤差が３４．９６であり、画像評価指標が０．９１である。

【0084】

図１０に示した再構成画像Ｐ１０は、図７に示した再構成画像Ｐ７に描出されている滑らかな濃度変化や微細なテクスチャーを全体に亘って高い精度で再現している。また、再構成画像Ｐ１０は、コントラストが比較的低い構造物を図７に示した再構成画像Ｐ７と同程度に白色で描出している。再構成画像Ｐ１０は、図８から図１１に示した再構成画像の中で図７に示した再構成画像に最も近い再構成画像である。

【0085】

図１１は、実施形態に係る第一入力画像データを機械学習装置に入力することにより生成された学習済モデルを使用して生成された再構成画像の一例を示す図である。図１１に示した再構成画像Ｐ１１は、スパースビューＣＴ撮影により取得された６４方向の投影データから生成されている。また、図１１の左下に示すように、再構成画像Ｐ１１は、平均二乗誤差が３７．１５であり、画像評価指標が０．９１である。

【0086】

図１１に示した再構成画像Ｐ１１は、図７に示した再構成画像Ｐ７に描出されている滑らかな濃度変化や微細なテクスチャーを全体に亘って一定以上再現している。また、再構成画像Ｐ１１は、コントラストが比較的低い構造物を図７に示した再構成画像Ｐ７と同程度に白色で描出している。ただし、再構成画像Ｐ１１は、滑らかな濃度変化を比較的高い精度で再現した再構成画像を生成し得るという解析的な再構成法の長所を取り込んでいないため、幾分図８に示した再構成画像Ｐ８のように平滑化され、再構成画像Ｐ７に描出されている滑らかな濃度変化や微細なテクスチャーが再構成画像Ｐ１０よりも全体に亘って消失している。再構成画像Ｐ１１は、図８から図１１に示した再構成画像の中で図７に示した再構成画像に二番目に近い再構成画像である。

【0087】

次に、図１２から図１６を参照しながら、上述した効果の第二具体例を説明する。図１２は、通常の線量及び投影データ方向数が設定されたスキャンにより取得された投影データを再構成して生成された再構成画像の一例を示す図である。図１２に示した再構成画像Ｐ１２に近い再構成画像である程、画質劣化が少ない再構成画像である。

【0088】

図１３は、トータルバリエーションを使用した再構成法によりスパースビューＣＴにより取得された投影データを再構成して生成された再構成画像の一例を示す図である。図１３に示した再構成画像Ｐ１３は、スパースビューＣＴ撮影により取得された６４方向の投影データから生成されている。また、図１３の左下に示すように、再構成画像Ｐ１３は、平均二乗誤差が９８．５６であり、画像評価指標が０．８６である。

【0089】

図１３に示した再構成画像Ｐ１３は、血管等、コントラストが比較的低い構造物を図１２に示した再構成画像Ｐ１２と同程度に薄い灰色で描出している。しかし、再構成画像Ｐ１３は、トータルバリエーションにより平滑化されているため、再構成画像Ｐ１２に描出されている滑らかな濃度変化や微細なテクスチャーが全体に亘って消失している。

【0090】

図１４は、従来の学習済モデルを使用して生成された再構成画像の一例を示す図である。図１４に示した再構成画像Ｐ１４は、スパースビューＣＴ撮影により取得された６４方向の投影データから生成されている。また、図１４の左下に示すように、再構成画像Ｐ１４は、平均二乗誤差が７６．２５であり、画像評価指標が０．８４である。

【0091】

図１４に示した再構成画像Ｐ１４は、図１２に示した再構成画像Ｐ１２に描出されている滑らかな濃度変化や微細なテクスチャーを全体に亘って一定以上再現している。しかし、再構成画像Ｐ１４は、再構成画像Ｐ１２に薄い灰色で描出されているコントラストが比較的低い構造物の一部を描出できていない。

【0092】

図１５は、実施形態に係る第一入力画像データ及び第二入力画像データを機械学習装置に入力することにより生成された学習済モデルを使用して生成された再構成画像の一例を示す図である。図１５に示した再構成画像Ｐ１５は、スパースビューＣＴ撮影により取得された６４方向の投影データから生成されている。また、図１５の左下に示すように、再構成画像Ｐ１５は、平均二乗誤差が４３．５５であり、画像評価指標が０．８８である。

【0093】

図１５に示した再構成画像Ｐ１５は、図１２に示した再構成画像Ｐ１２に描出されている滑らかな濃度変化や微細なテクスチャーを全体に亘って高い精度で再現している。また、再構成画像Ｐ１５は、コントラストが比較的低い構造物を図１２に示した再構成画像Ｐ１２と同程度に薄い灰色で描出している。再構成画像Ｐ１５は、図１３から図１６に示した再構成画像の中で図１２に示した再構成画像に最も近い再構成画像である。

【0094】

図１６は、実施形態に係る第一入力画像データを機械学習装置に入力することにより生成された学習済モデルを使用して生成された再構成画像の一例を示す図である。図１６に示した再構成画像Ｐ１６は、スパースビューＣＴ撮影により取得された６４方向の投影データから生成されている。また、図１６の左下に示すように、再構成画像Ｐ１６は、平均二乗誤差が５９．０１であり、画像評価指標が０．８７である。

【0095】

図１６に示した再構成画像Ｐ１６は、図１２に示した再構成画像Ｐ１２に描出されている滑らかな濃度変化や微細なテクスチャーを全体に亘って一定以上再現している。また、再構成画像Ｐ１６は、コントラストが比較的低い構造物を図１２に示した再構成画像Ｐ１２と同程度に薄い灰色で描出している。ただし、再構成画像Ｐ１６は、滑らかな濃度変化を比較的高い精度で再現した再構成画像を生成し得るという解析的な再構成法の長所を取り込んでいないため、幾分図１３に示した再構成画像Ｐ１３のように平滑化され、再構成画像Ｐ１２に描出されている滑らかな濃度変化や微細なテクスチャーが再構成画像Ｐ１５よりも全体に亘って消失している。再構成画像Ｐ１６は、図１３から図１６に示した再構成画像の中で図１２に示した再構成画像に二番目に近い再構成画像である。

【0096】

次に、図１７から図２１を参照しながら、上述した効果の第三具体例を説明する。図１７は、通常の線量及び投影データ方向数が設定されたスキャンにより取得された投影データを再構成して生成された再構成画像の一例を示す図である。図１７に示した再構成画像Ｐ１７に近い再構成画像である程、画質劣化が少ない再構成画像である。

【0097】

図１８は、トータルバリエーションを使用した再構成法によりスパースビューＣＴにより取得された投影データを再構成して生成された再構成画像の一例を示す図である。図１８に示した再構成画像Ｐ１８は、スパースビューＣＴ撮影により取得された６４方向の投影データから生成されている。また、図１８の左下に示すように、再構成画像Ｐ１８は、画像評価指標が０．５８６である。なお、この画像評価指標は、機械学習装置５０に生成させた学習済モデルを使用して１００の症例について生成されており、主に肝臓を描出している再構成画像の画像評価指標の平均である。また、図１９から図２１の左下に示されている画像評価指標も同様である。

【0098】

図１８に示した再構成画像Ｐ１８は、血管等、コントラストが比較的低い構造物を図１７に示した再構成画像Ｐ１２と同程度に薄い灰色で描出している。しかし、再構成画像Ｐ１８は、トータルバリエーションにより平滑化されているため、再構成画像Ｐ１７に描出されている滑らかな濃度変化や微細なテクスチャーが全体に亘って消失している。

【0099】

図１９は、従来の学習済モデルを使用して生成された再構成画像の一例を示す図である。図１９に示した再構成画像Ｐ１９は、スパースビューＣＴ撮影により取得された６４方向の投影データから生成されている。また、図１９の左下に示すように、再構成画像Ｐ１９は、画像評価指標が０．８２３である。

【0100】

図１９に示した再構成画像Ｐ１９は、図１７に示した再構成画像Ｐ１７に描出されている滑らかな濃度変化や微細なテクスチャーを全体に亘って一定以上再現している。しかし、再構成画像Ｐ１９は、再構成画像Ｐ１７に薄い灰色で描出されているコントラストが比較的低い構造物の一部を描出できていない。

【0101】

図２０は、実施形態に係る第一入力画像データ及び第二入力画像データを機械学習装置に入力することにより生成された学習済モデルを使用して生成された再構成画像の一例を示す図である。図２０に示した再構成画像Ｐ２０は、スパースビューＣＴ撮影により取得された６４方向の投影データから生成されている。また、図２０の左下に示すように、再構成画像Ｐ２０は、画像評価指標が０．９０２である。

【0102】

図２０に示した再構成画像Ｐ２０は、図１７に示した再構成画像Ｐ１７に描出されている滑らかな濃度変化や微細なテクスチャーを全体に亘って高い精度で再現している。また、再構成画像Ｐ２０は、コントラストが比較的低い構造物を図１７に示した再構成画像Ｐ１７と同程度に薄い灰色で描出している。再構成画像Ｐ２０は、図１８から図２１に示した再構成画像の中で図１７に示した再構成画像Ｐ１７に二番目に近い再構成画像である。

【0103】

図２１は、実施形態に係る第一入力画像データを機械学習装置に複数入力し、第二入力画像データを機械学習装置に入力することにより生成された学習済モデルを使用して生成された再構成画像の一例を示す図である。図２１に示した再構成画像Ｐ２１は、スパースビューＣＴ撮影により取得された６４方向の投影データから生成されている。また、図２１の左下に示すように、再構成画像Ｐ２１は、画像評価指標が０．９１０である。

【0104】

図２１に示した再構成画像Ｐ２１は、図１７に示した再構成画像Ｐ１７に描出されている滑らかな濃度変化や微細なテクスチャーを全体に亘って高い精度で再現している。また、再構成画像Ｐ２１は、コントラストが比較的低い構造物を図１７に示した再構成画像Ｐ１７と同程度に薄い灰色で描出している。再構成画像Ｐ２１は、図１８から図２１に示した再構成画像の中で図１７に示した再構成画像Ｐ１７に最も近い再構成画像である。

【0105】

また、再構成画像Ｐ２１は、再構成画像Ｐ２０よりも図１７に示した再構成画像Ｐ１７に近い再構成画像である。この理由は、平滑化パラメータβの好適な値が再構成画像の場所ことに異なっており、学習済モデルが生成する再構成画像の場所ごとに好適な平滑化パラメータβを有する第一入力画像データが選択され、これらの平滑化パラメータβを組み合わせて再構成画像が生成されているからである。つまり、再構成画像Ｐ２１は、再構成画像Ｐ２０と異なり、互いに異なる平滑化パラメータβが設定されている複数の第一入力画像データを入力して生成された学習済モデルを使用して生成されているため、再構成画像Ｐ２０よりも図１７に示した再構成画像Ｐ１７に近い再構成画像となっている。

【0106】

なお、上述した実施形態では、学習済モデル生成装置３０と画像生成装置４０とが別になっている場合を例に挙げて説明したが、これに限定されない。すなわち、学習済モデル生成装置３０と画像生成装置４０とは、一体の装置として形成されていてもよい。

【0107】

また、上述した実施形態では、機械学習装置５０が畳み込みニューラルネットワークを使用する学習済モデルを生成する場合を例に挙げて説明したが、これに限定されない。機械学習装置５０は、例えば、リカレントニューラルネットワーク（ＲＮＮ：Recurrent Neural Network）を使用する学習済モデルを生成してもよい。

【0108】

また、上述した実施形態では、学習済モデル生成プログラム３００が第三処理において機械学習装置５０に第二入力画像データを入力しない場合を例に挙げて説明したが、これに限定されない。学習済モデル生成プログラム３００は、第三処理において少なくとも二種類の第一入力画像データ及び出力画像データと共に機械学習装置５０に第二入力画像データを入力してもよい。

【0109】

また、上述した実施形態では、学習済モデル生成プログラム３００が第一処理、第二処理及び第三処理のいずれを実行する場合であっても、機械学習装置５０に出力画像データを入力し、機械学習装置５０に教師有り学習を実行させる場合を例に挙げて説明したが、これに限定されない。すなわち、学習済モデル生成プログラム３００が第一処理、第二処理又は第三処理を実行する場合に、機械学習装置５０に出力画像データを入力せず、機械学習装置５０に教師無し学習を実行させてもよい。

【0110】

また、上述した実施形態では、図１に示した各機能が学習済モデル生成プログラム３００を読み出して実行するハードウェアプロセッサにより実現される場合を例に挙げて説明したが、これに限定されない。図１に示した機能の少なくとも一部は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）等の回路部（circuitry）を含むハードウェアにより実現されてもよい。或いは、図１に示した機能の少なくとも一部は、ソフトウェアとハードウェアの協働により実現されてもよい。また、これらのハードウェアは、一つに統合されていてもよいし、複数に分かれていてもよい。

【0111】

また、上述した実施形態では、学習済モデル生成プログラム３００及び画像生成プログラム４００がＸ線ＣＴ装置により生成された再構成画像に適用される場合を例に挙げて説明したが、これに限定されない。学習済モデル生成プログラム３００及び画像生成プログラム４００は、例えば、ポジトロン断層撮影（ＰＥＴ：Positron Emission Tomography）装置、単一光子放射断層撮影（ＳＰＥＣＴ：Single Photon Emission Computed Tomography）装置又は磁気共鳴イメージング（ＭＲＩ：Magnetic Resonance Imaging）装置により生成された再構成画像にも適用され得る。

【0112】

以上、本発明の実施形態について図面を参照しながら詳述した。ただし、本発明の実施形態の具体的な構成は、上述した実施形態に限定されず、本発明の要旨を逸脱しない範囲内において種々の組み合わせ、変形、置換及び設計変更の少なくとも一つを上述した実施形態に加えたものであってもよい。

【符号の説明】

【0113】

１…画像生成システム、１０…Ｘ線ＣＴ装置、２０…記憶装置、３０…学習済モデル生成装置、３００…学習済モデル生成プログラム、３１０…学習実行機能、３２０…学習済モデル取得機能、４０…画像生成装置、４００…画像生成プログラム、４１０…画像生成機能、５０…機械学習装置

【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】

【図20】

【図21】