JP2020003488A - 医用情報処理装置 - Google Patents

Abstract

【課題】フラッドマップの区分けを簡便且つ正確に行うこと。
【解決手段】医用情報処理装置は、ガンマ線に由来する蛍光の頻度に関する空間分布を示す、処理対象のフラッドマップを取得する取得部と、ガンマ線に由来する蛍光の頻度に関する空間分布を示すフラッドマップに基づいて前記蛍光が発生したシンチレータ結晶を同定するためのフラッドマップにおける区分を出力する機械学習モデルと、前記処理対象のフラッドマップとに基づいて前記処理対象のフラッドマップにおける区分を生成する区分生成部と、を含む。
【選択図】 図１

Description

本発明の実施形態は、医用情報処理装置に関する。

ＰＥＴ（Positron Emission Tomography）等の核医学診断装置は、複数のシンチレータ結晶と複数の光センサとを含むガンマ線検出器を装備する。シンチレータ結晶は、入射したガンマ線を蛍光に変換し、光センサは、蛍光を検出する。ガンマ線が入力したシンチレータ結晶の同定は、光センサからの出力信号に対する重心演算で得た座標を、ルックアップテーブル（ＬＵＴ：Look Up Table）に照合することにより行われる。ルックアップテーブルは、ガンマ線に由来する蛍光の頻度に関する空間分布を表現するフラッドマップ（Flood Map）を複数の領域に区分けし、各領域をシンチレータ結晶に関連付けることにより生成される。区分けは、所定のアルゴリズムを用いてフラッドマップに基づき生成される。しかしながら、アルゴリズムは、完全ではないので、人手による修正を要する。修正は、工数を必要とする作業である。アルゴリズムを更新するまで同種の修正作業が繰り返される。これは、非効率である。また、ガンマ線検出器の性能は経時的に変化するので、定期的に区分け作業を実施する必要もある。

米国特許出願公開第US2015/0276953号明細書 米国特許第9672617号明細書 米国特許第9668699号明細書

本発明が解決しようとする課題は、フラッドマップの区分けを簡便且つ正確に行うことである。

実施形態に係る医用情報処理装置は、ガンマ線に由来する蛍光の頻度に関する空間分布を示す、処理対象のフラッドマップを取得する取得部と、ガンマ線に由来する蛍光の頻度に関する空間分布を示すフラッドマップに基づいて前記蛍光が発生したシンチレータ結晶を同定するためのフラッドマップにおける区分を出力する機械学習モデルと、前記処理対象のフラッドマップとに基づいて前記処理対象のフラッドマップにおける区分を生成する区分生成部と、を具備する。

図１は、本実施形態に係るＰＥＴ装置の構成を示す図である。 図２は、図１のガンマ線検出器の側面図である。 図３は、図１のガンマ線検出器の平面図とフラッドマップとを示す図である。 図４は、図３のフラッドマップと結晶区分とを示す図である。 図５は、図１の重心／結晶テーブルの一例を示す図である。 図６は、本実施形態に係る処理回路による重心／結晶テーブルの生成に係る一連の処理の典型的な流れを示す図である。 図７は、図６の処理の典型的な流れを模式的に示す図である。 図８は、図６のステップＳＡ３において表示される、結晶区分の修正指示を受け付けるＧＵＩを含む表示画面の一例を示す図である。 図９は、図６のステップＳＡ４において行われる結晶区分の修正の一例を示す図である。 図１０は、本実施形態の変形例に係る処理回路による重心／結晶テーブルの生成に係る一連の処理の典型的な流れを示す図である。 図１１は、図１０の処理の典型的な流れを模式的に示す図である。 図１２は、本実施形態のその他の実施例に係る医用画像処理装置の構成を示す図である。 図１３は、応用例１に係る処理回路による、フラッドマップから結晶区分の生成処理の典型的な流れを模式的に示す図である。 図１４は、フラッドマップと分割フラッドマップとの関係を示す図である。 図１５は、図１３のステップＳＣ２において行われる統合処理を模式的に示す図である。 図１６は、応用例２に係る処理回路による、フラッドマップから結晶区分の生成処理の典型的な流れを模式的に示す図である。 図１７は、パッチの適用位置の指定指示を受け付けるＧＵＩを含む表示画面の一例を示す図である。 図１８は、図１６の統合処理において統合される、パッチサイズの切り抜き結晶区分と既存サイズの仮結晶区分との関係を示す図である。

本実施形態に係る医用情報処理装置は、少なくとも、ガンマ線に由来する蛍光の頻度に関する空間分布を表現するフラッドマップ（Flood Map）におけるシンチレータ結晶の区分け作業を行うためのコンピュータである。当該区分け作業は、ＰＥＴ（Positron Emission Tomography）やＳＰＥＣＴ（Single photon Emission CT）、ＰＥＴ／ＣＴ装置、ＳＰＥＣＴ／ＣＴ装置等の核医学診断装置に用いられる、重心演算結果と入射シンチレータ結晶とを関連付けたデータを生成するために行われる。本実施形態に係る医用情報処理装置は、上記核医学診断装置に組み込まれても良いし、別体のコンピュータであっても良いが、以下の説明を具体的に行うため、ＰＥＴ装置に組み込まれているものとする。

図１は、本実施形態に係るＰＥＴ装置１の構成を示す図である。図１に示すように、ＰＥＴ装置１は、ガントリ１０、寝台３０及びコンソール５０を有する。ガントリ１０は、被検体ＰをＰＥＴ撮像する撮像装置である。寝台３０は、被検体Ｐを載置する。コンソール５０は、ガントリ１０と寝台３０とを制御するコンピュータである。コンソール５０は、本実施形態に係る医用情報処理装置の一種である。

図１に示すように、ガントリ１０は、検出器リング１１、検出処理器１３及び同時計数回路１５を有する。

検出器リング１１は、中心軸Ｚ回りの円周上に配列された複数のガンマ線検出器１７を有する。検出器リング１１の開口部には、画像視野（ＦＯＶ：Field Of View）が設定される。画像視野に被検体Ｐの撮像部位が含まれるように被検体Ｐが位置決めされる。被検体Ｐには陽電子放出核種により標識された薬剤が投与される。陽電子放出核種から放出された陽電子は周囲の電子と対消滅し、一対の対消滅ガンマ線が発生される。ガンマ線検出器１７は、被検体Ｐの体内から放出されたガンマ線を検出し、検出された対消滅ガンマ線の光量に応じた電気信号を生成する。ガンマ線検出器１７は、複数のシンチレータ結晶と複数の光センサとを有する。シンチレータ結晶は、被検体Ｐ内の放射性同位元素に由来する対消滅ガンマ線との間で相互作用を起こし、複数の蛍光光子を発生する。シンチレータ結晶とガンマ線との相互作用事象はシングルイベントとも呼ばれる。光センサは、蛍光光子を受光し、受光した蛍光光子の光量に応じた電気信号を発生する。光センサとしては、光電子増倍管やフォトダイオード、半導体検出素子等が用いられる。発生された電気信号は、接続先の検出処理器１３に供給される。

ここで、検出器リング１１の中心軸をＺ軸、床面に垂直に交差する軸をＹ軸、Ｚ軸及びＹ軸に直交する軸をＸ軸に規定する。ＸＹＺ座標系は３次元直交座標系をなす。

複数の検出処理器１３は、複数のガンマ線検出器１７にそれぞれ接続される。検出処理器１３は、接続元のガンマ線検出器１７の電気信号に基づいてシングルイベントデータを生成する。具体的には、検出処理器１３は、処理回路１９とメモリ２１とを含む。処理回路１９は、ＣＰＵ（Central Processing Unit）等のプロセッサを含む。処理回路１９は、具体的には、重心演算機能２３とエネルギー演算機能２５とを実現する。

重心演算機能２３において処理回路１９は、接続元のガンマ線検出器１７からの電気信号に基づいてガンマ線の入射位置を計算する。ガンマ線の入射位置は、ガンマ線が入射したシンチレータ結晶により表される。具体的には、処理回路１９は、複数の光センサからの複数の出力信号の波高値に対して重心演算を行い、シンチレータ結晶において発生したガンマ線の相互作用事象の位置座標（重心）を算出する。次に処理回路１９は、算出された重心を、メモリ２１に記憶された重心／結晶テーブル２７に照合して、ガンマ線の相互作用事象が発生したシンチレータ結晶を同定する。

エネルギー演算機能２５において処理回路１９は、接続元のガンマ線検出器１７からの電気信号に基づいて、接続元のガンマ線検出器１７において相互作用事象を生じたガンマ線のエネルギー値を計算する。具体的には、処理回路１９は、複数の光センサからの複数の出力信号の加算信号を生成し、加算信号の波高値をエネルギーとして特定する。

各相互作用事象に関する入射シンチレータ結晶の識別子とエネルギー値とは検出時刻と共に関連付けられる。検出時刻は、処理回路１９に含まれる時間デジタル変換器等により計測される。例えば、処理回路１９は、複数の光センサからの複数の出力信号の加算信号の波高値をモニタリングし、波高値が予め設定された閾値を超える時刻を検出時刻として計測する。入射シンチレータ結晶の識別子とエネルギー値と検出時刻との組合せは、シングルイベントデータと呼ばれている。シングルイベントデータは、ガンマ線が検出される毎に次々に生成される。生成されたシングルイベントデータは、同時計数回路１５に供給される。

同時計数回路１５は、複数の検出処理器１３からのシングルイベントデータに同時計数処理を施す。ハードウェア資源として、同時計数回路１５は、ＣＰＵ等のプロセッサを含む。同時計数回路１５は、繰り返し供給されるシングルイベントデータの中から、予め定められた時間枠内に収まる２つのシングルイベントに関するシングルイベントデータを繰り返し特定する。この対のシングルイベントは、同一の対消滅点から発生された対消滅ガンマ線に由来すると推定される。対のシングルイベントは、まとめて同時計数イベントと呼ばれる。この対消滅ガンマ線を検出した対のガンマ線検出器１７（より詳細にはシンチレータ結晶）を結ぶ線は、ＬＯＲ（line of response）と呼ばれる。ＬＯＲを構成する対のイベントに関するイベントデータは、同時計数イベントデータと呼ばれる。同時計数イベントデータとシングルイベントデータとは、コンソール５０に伝送される。なお、同時計数イベントデータとシングルイベントデータとを特に区別しないときはＰＥＴイベントデータと呼ぶことにする。

上記構成において検出処理器１３と同時計数回路１５とは、ガントリ１０に含まれるとしたが、本実施形態はこれに限定されない。例えば、同時計数回路１５、又は検出処理器１３と同時計数回路１５との双方が、ガントリ１０とは別体の装置に含まれても良い。また、同時計数回路１５は、ガントリ１０に搭載される複数の検出処理器１３に対して一つずつ設けられても良いし、ガントリ１０に搭載される複数の検出処理器１３を複数のグループに区分し、各グループに対して一つずつ設けられても良い。

図１に示すように、コンソール５０は、処理回路５１、ディスプレイ５２、メモリ５３及び入力インタフェース５４を有する。例えば、処理回路５１、ディスプレイ５２、メモリ５３及び入力インタフェース５４間のデータ通信は、バス（bus）を介して行われる。

処理回路５１は、ハードウェア資源として、ＣＰＵやＧＰＵ（Graphics Processing Unit）等のプロセッサを有する。処理回路５１は、再構成機能５１１、画像処理機能５１２、撮像制御機能５１３、フラッドマップ取得機能５１４、結晶区分生成機能５１５、結晶区分修正機能５１６、テーブル生成機能５１７、モデル更新機能５１８及び表示制御機能５１９を実現する。なお、再構成機能５１１、画像処理機能５１２、撮像制御機能５１３、フラッドマップ取得機能５１４、結晶区分生成機能５１５、結晶区分修正機能５１６、テーブル生成機能５１７、モデル更新機能５１８及び表示制御機能５１９は、一の基板の処理回路５１により実装されても良いし、複数の基板の処理回路５１により分散して実装されても良い。

再構成機能５１１において処理回路５１は、ガントリ１０から伝送された同時計数イベントデータに基づいて、被検体Ｐに投与された陽電子放出核種の分布を示すＰＥＴ画像を再構成する。画像再構成アルゴリズムとしては、ＦＢＰ（filtered back projection）法や逐次近似再構成法等の既存の画像再構成アルゴリズムが用いられれば良い。

画像処理機能５１２において処理回路５１は、再構成機能５１１により再構成されたＰＥＴ画像に種々の画像処理を施す。例えば、処理回路５１は、ＰＥＴ画像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、画素値投影処理、ＭＰＲ（Multi-Planer Reconstruction）処理、ＣＰＲ（Curved MPR）処理等の３次元画像処理を施して表示画像を生成する。

撮像制御機能５１３において処理回路５１は、ＰＥＴ撮像を行うためガントリ１０と寝台３０とを同期的に制御する。なお、フラッドマップの生成のためのＰＥＴ撮像は、製品出荷時やメンテナンス時等、被検体Ｐの非存在下において行われる。

フラッドマップ取得機能５１４において処理回路５１は、ガンマ線に由来する蛍光の頻度に関する空間分布を表現するフラッドマップを取得する。例えば、処理回路５１は、重心演算機能２３により計算された重心に基づいてフラッドマップを生成する。

ここで、ガンマ線検出器１７とフラッドマップとの関係について説明する。

図２は、ガンマ線検出器１７の側面図である。図２の側面図は、Ｚ軸方向から見た側面の図を指す。ここで、ガントリ１０の中心軸Ｚをｚ軸、ｚ軸に直交し、シンチレータ結晶の厚みに平行する軸をｙ軸、ｚ軸及びｙ軸に直交する軸をｘ軸に規定する。ｘｙｚ３次元座標系は、ガンマ線検出器１７を基準とする３次元直交座標系をなす。

図２に示すように、ガンマ線検出器１７は、ｚ軸及びｘ軸に関して２次元状に配列された複数のシンチレータ結晶６１を有する。複数のシンチレータ結晶６１の背面にはライトガイド６２を介して、ｚ軸及びｘ軸に関して２次元状に複数の光センサ６３が配列されている。以下、光センサ６３は、光電子増倍管であるとする。各ガンマ線検出器１７に設けられる光電子増倍管６３の個数はシンチレータ結晶６１の個数に比して少数である。すなわち、一の光電子増倍管６３の受光面には複数のシンチレータ結晶６１がライトガイド６２を介して接続される。

図３は、ガンマ線検出器１７の平面図とフラッドマップＦＭ１とを示す図である。図３の上段にはガンマ線検出器１７の受光面の平面図が示され、図３の下段には領域Ｚ３に関するフラッドマップＦＭ１が示されている。図３に示すように、複数のシンチレータ結晶の背面には複数の光電子増倍管６３が配置される。複数の光電子増倍管６３は、比較的小面積の受光面を有する光電子増倍管６３と比較的大面積の受光面を有する光電子増倍管６３とを有する。小面積の受光面を有する光電子増倍管６３と大面積の受光面を有する光電子増倍管６３とはｚ軸及びｘ軸に関して互い違いに配列される。

フラッドマップの生成のためのＰＥＴ撮像は、製品出荷時やメンテナンス時等、被検体Ｐの非存在下において行われる。フラッドマップの生成のためのＰＥＴ撮像においては、ガンマ線放出体からガンマ線検出器１７にガンマ線が入射される。あるシンチレータ結晶６１に入射したガンマ線がシンチレータ結晶６１との間で相互作用を起こし、入射したガンマ線のエネルギーに応じた個数の複数の蛍光光子に変換される。各蛍光光子は、ライトガイドを介して光電子増倍管６３により検出される。検出された蛍光光子は、光電子増倍管６３により、当該蛍光光子のエネルギーに応じた波高値を有する電気信号に変換される。電気信号は検出処理器１３に供給される。

検出処理器１３の処理回路１９は、ガンマ線の相互作用事象毎に、接続元の複数の光電子増倍管６３から複数の電気信号を受ける。処理回路１９は、重心演算機能２３により、複数の電気信号に重心演算を施す。具体的には、処理回路１９は、ガンマ線検出器座標系における、電気信号の波高値と当該電気信号の出力元の光電子増倍管６３の位置とに基づいて重心の座標を計算する。ガンマ線検出器座標系は、具体的には、ガンマ線検出器１７のｚ軸及びｘ軸により規定される２次元直交座標系である。相互作用事象毎の重心座標のデータは処理回路５１に供給される。

フラッドマップの生成のためのＰＥＴ撮像において処理回路５１は、フラッドマップ取得機能５１４を実行する。処理回路５１は、図３の下段に示すように、相互作用事象毎の重心座標をガンマ線検出器座標系にプロットする。これにより、ガンマ線に由来する蛍光の頻度に関する空間分布を表現するフラッドマップＦＭ１が生成される。図３の上段に示すように、ガンマ線検出器１７は、ｘ軸に沿って複数の領域Ｚ１−Ｚ４に分割される。領域Ｚ１−Ｚ４毎にフラッドマップＦＭ１が生成される。なお、領域Ｚ１−Ｚ４全体に亘るフラッドマップが生成されても良い。

結晶区分生成機能５１５において処理回路５１は、メモリ５３に記憶された機械学習モデル５３１に従い、フラッドマップ取得機能５１４により取得された処理対象のフラッドマップから、処理対象のフラッドマップにおける区分（以下、結晶区分と呼ぶ）を生成する。

図４は、図３のフラッドマップＦＭ２と結晶区分ＳＬ２とを示す図である。図４に示すように、結晶区分ＳＬ２は、フラッドマップＦＭ２の座標系（すなわち、ガンマ線検出器座標系）により定義された、シンチレータ結晶の区画を示す線のデータである。シンチレータ結晶の発光特性や光センサの出力特性等のばらつきのため、重心座標に位置するシンチレータ結晶であっても実際には当該相互作用事象が生じておらず、その近傍のシンチレータ結晶において当該相互作用事象が生じている場合がある。従って、重心座標と当該重心座標に対応する相互作用事象が生じたシンチレータ結晶とを関連付ける必要があり、当該関連づけの前処理としてフラッドマップＦＭ１に結晶区分を設定する必要がある。

本実施形態に係る機械学習モデル５３１は、フラッドマップを入力として当該フラッドマップに対応する結晶区分を出力するように学習された、複数の関数が合成されたパラメータ付き合成関数である。パラメータ付き合成関数は、複数の調整可能な関数及びパラメータの組合せにより定義される。パラメータは、重み付行列とバイアスとの総称である。機械学習モデル５３１は、深層ニューラルネットワーク（ＤＮＮ：Deep Neural Network）等の、上記の要請を満たす如何なるパラメータ付き合成関数であっても良い。

結晶区分修正機能５１６において処理回路５１は、結晶区分生成機能５１５において生成された結晶区分を、入力インタフェース５４等を介したユーザ指示に従い修正する。

テーブル生成機能５１７において処理回路５１は、結晶区分生成機能５１５により生成された結晶区分又は結晶区分修正機能５１６による修正後の結晶区分と、フラッドマップ取得機能５１４により取得された処理対象のフラッドマップとに基づいて、当該フラッドマップ内の位置と当該位置に対応するシンチレータ結晶の識別子との関連付けデータを生成する。関連付けデータは、ルックアップテーブルやデータベース等により実現される。フラッドマップ内の位置は、重心演算機能２３により計算された重心の位置に等しい。シンチレータ結晶の識別子は、名称や位置、番号等の、シンチレータ結晶を一意に同定可能な情報である。以下、当該関連付けデータを重心／結晶テーブル２７と呼ぶことにする。重心／結晶テーブル２７は、ガンマ線検出器１７毎に生成される。重心／結晶テーブル２７は、対応する検出処理器１３のメモリ２１に記憶される。

図５は、重心／結晶テーブル２７の一例を示す図である。図５に示すように、重心／結晶テーブル２７は、重心項目とシンチレータ結晶項目とを有する。重心項目にはフラッドマップにおいて規定された重心の座標が登録される。シンチレータ結晶項目には、関連付けられた重心座標に対応するシンチレータ結晶の識別子が登録される。例えば、重心座標「（ｘ１、ｚ１）」はシンチレータ結晶「Ｃ１」に関連付けられる。すなわち、重心座標として「（ｘ１、ｚ１）」が算出された相互作用事象は「Ｃ１」のシンチレータ結晶において発生したものと見做される。検出処理器１３は、重心演算機能２３により算出された重心座標を、重心／結晶テーブル２７に照合してシンチレータ結晶の識別子を同定することができる。

モデル更新機能５１８において処理回路５１は、結晶区分修正機能５１６による修正後の結晶区分に基づいて機械学習モデル５３１のパラメータを更新し、更新後の機械学習モデル５３１を生成する。パラメータの更新は、機械学習モデル５３１に対する強化学習により行われる。

表示制御機能５１９において処理回路５１は、種々の情報をディスプレイ５２に表示する。例えば、処理回路５１は、再構成機能５１１により再構成されたＰＥＴ画像やフラッドマップ取得機能５１４により取得されたフラッドマップ、結晶区分生成機能５１５により生成された結晶区分、結晶区分修正機能５１６による修正後の結晶区分等を表示する。

ディスプレイ５２は、表示制御機能５１９における処理回路５１の制御を受けて、種々の情報を表示する。ディスプレイ５２としては、例えば、ＣＲＴ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が適宜利用可能である。

メモリ５３は、種々の情報を記憶するＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、集積回路記憶装置等の記憶装置である。また、メモリ５３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良い。例えば、メモリ５３は、機械学習モデル５３１を記憶する。また、メモリ５３は、シングルイベントデータや同時計数イベントデータ、ＰＥＴ画像、表示画像、フラッドマップ、結晶区分等を記憶する。

入力インタフェース５４は、ユーザからの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路５１に出力する。具体的には、入力インタフェース５４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入力機器に接続されている。入力インタフェース５４は、当該入力機器への入力操作に応じた電気信号を処理回路５１へ出力する。また、入力インタフェース５４に接続される入力機器は、ネットワーク等を介して接続された他のコンピュータに設けられた入力機器でも良い。

次に、本実施形態に係るＰＥＴ装置１の動作例について説明する。

図６は、本実施形態に係る処理回路５１による重心／結晶テーブル２７の生成に係る一連の処理の典型的な流れを示す図である。図７は、図６の処理の典型的な流れを模式的に示す図である。図６及び図７の処理は、典型的には、ＰＥＴ装置１の製品出荷時や定期点検、日々の点検等において行われる。

図６及び図７に示すように、まず、処理回路５１は、フラッドマップ取得機能５１４を実行する（ステップＳＡ１）。ステップＳＡ１において、フラッドマップ７１の生成のためのＰＥＴ撮像が行われ、処理対象のガンマ線検出器１７によりガンマ線が検出される。上述のように、フラッドマップ７１の生成のためのＰＥＴ撮像は、ＦＯＶに被検体が存在しない状況において処理対象のガンマ線検出器１７に、任意のガンマ線放出体からガンマ線が入射されることにより行われる。処理回路５１は、処理対象のガンマ線検出器１７の出力信号に基づいて、処理対象のガンマ線検出器１７に関するフラッドマップ７１を取得する。

ステップＳＡ１が行われると処理回路５１は、結晶区分生成機能５１５を実行する（ステップＳＡ２）。ステップＳＡ２において処理回路５１は、機械学習モデル５３１を、ステップＳＡ１において取得されたフラッドマップ７１に適用して当該フラッドマップ７１における結晶区分を生成する。なお、ステップＳＡ２において使用される機械学習モデル５３１は、前回の処理対象のガンマ線検出器１７に関するステップＳＡ７において生成された更新後の機械学習モデル５３１であっても良い。

ステップＳＡ２が行われると処理回路５１は、結晶区分の修正指示を待機する（ステップＳＡ３）。ステップＳＡ３において処理回路５１は、修正指示を受け付けるＧＵＩ（Graphical User Interface）を提供する。

図８は、結晶区分の修正指示を受け付けるＧＵＩを含む表示画面（以下、修正操作画面と呼ぶ）の一例を示す図である。修正操作画面は、結晶区分の修正指示を受け付ける受付部の一種である。修正操作画面は、処理回路５１によりディスプレイ５２に表示される。図８に示すように、修正操作画面には、結晶区分ＳＬ３が重畳されたフラッドマップＦＭ３が表示される。結晶区分ＳＬ３は、入力インタフェース５４を介して形状を変形可能に表示される。

ユーザは、フラッドマップＦＭ３と結晶区分ＳＬ３とを観察しながら結晶区分ＳＬ３が正しく描かれているか否かを判断する。修正操作画面には、例えば、修正を促すメッセージの表示欄ＭＳが表示される。当該メッセージとしては、例えば、「必要であれば結晶区分を修正して下さい」が表示される。ユーザは、結晶区分ＳＬ３が正しく描かれていないと判断した場合、入力インタフェース５４を介して結晶区分ＳＬ３の形状を変形するための修正指示を行う。

結晶区分ＳＬ３に対する修正指示がなされた場合（ステップＳＡ３：ＹＥＳ）、処理回路５１は、結晶区分修正機能５１６を実行する（ステップＳＡ４）。ステップＳＡ４において処理回路５１は、修正指示に従い結晶区分ＳＬ３を修正する。修正は修正操作画面ＩＳ１にリアルタイムで反映される。

図９は、ステップＳＡ４において行われる結晶区分ＳＬ４の修正の一例を示す図である。図９に示すように、修正操作画面においてフラッドマップＦＭ４に結晶区分ＳＬ４が重畳されている。フラッドマップＦＭ４の局所領域Ｒ１は重心の高頻度領域が比較的広範囲に亘っており、結晶区分ＳＬ４の精度が比較的悪いといえる。この場合、ユーザは、入力インタフェース５４を介して、局所領域Ｒ１内の結晶区分ＳＬ４を左側にシフトするための指示を行うこととなる。このようにして修正指示が行われる。

図８に示すように、修正操作画面には、更に、戻るボタンＢ１、確定ボタンＢ２及び強化ボタンＢ３が選択可能に表示される。戻るボタンＢ１が押下された場合、処理回路５１は、ユーザにより入力インタフェース５４を介して修正された結晶区分ＳＬ３を初期の結晶区分ＳＬ３に戻す。

修正指示がなされ且つ確定ボタンＢ２が押下された場合、処理回路５１は、確定ボタンＢ２が押下された時点において修正操作画面に表示されている結晶区分ＳＬ３を、重心／結晶テーブル２７に使用する結晶区分として確定する。そして処理回路５１は、テーブル生成機能５１７を実行する（ステップＳＡ５）。ステップＳＡ５において処理回路５１は、フラッドマップと修正後の結晶区分とに基づいて重心／結晶テーブル２７を生成する。例えば、図８に示すように、結晶区分ＳＬ３は複数の閉領域を含む。複数の閉領域は、ガンマ線検出器１７に実際に搭載される複数のシンチレータ結晶にそれぞれ対応する。複数の閉領域は、複数のシンチレータ結晶の識別子にそれぞれ関連付けられている。処理回路５１は、フラッドマップの画素各々が属する閉領域を特定し、当該閉領域に関連付けられたシンチレータ結晶の識別子を特定する。処理回路５１は、フラッドマップの画素各々についてシンチレータ結晶の識別子を重心／結晶テーブル２７に登録する。これにより、重心／結晶テーブル２７が生成される。

ステップＳＡ５が行われると処理回路５１は、ステップＳＡ２において使用した機械学習モデル５３１を強化するか否かを判定する（ステップＳＡ６）。例えば、処理回路５１は、図８に示す確定ボタンＢ２が押下された場合、強化ボタンＢ３が押下されることを待機する。強化ボタンＢ３が押下された場合（ステップＳＡ６：ＹＥＳ）、処理回路５１は、モデル更新機能５１８を実行する（ステップＳＡ７）。ステップＳＡ７において処理回路５１は、修正前の結晶区分と修正後の結晶区分とに基づき機械学習モデル５３１のパラメータを更新する。パラメータの更新は、機械学習モデル５３１に対する強化学習により行われる。修正前の結晶区分と修正後の結晶区分とに基づく強化学習により、機械学習モデル５３１は、ユーザによる人手の修正を学習することができる。このようにして、フラッドマップに基づく結晶区分の生成の精度を向上させることができる。

一方、ステップＳＡ３において修正指示がなされなかった場合（ステップＳＡ３：ＮＯ）、処理回路５１は、ステップＳＡ１において取得されたフラッドマップとステップＳＡ２において生成された結晶区分とに基づいて重心／結晶テーブル２７を生成する。重心／結晶テーブル２７の生成方法は、ステップＳＡ５と同様である。

ステップＳＡ７が行われた場合、強化学習が行われない場合（ステップＳＡ６：ＮＯ）又はステップＳＡ８が行われた場合、図６の処理は終了する。

図６及び図７の処理はガンマ線検出器１７毎に繰り返される。ガンマ線検出器１７毎の重心／結晶テーブル２７は、当該ガンマ線検出器１７に接続された検出処理器１３のメモリ２１に記憶される。検出処理器１３は、ＰＥＴ撮像において重心／結晶テーブル２７を使用して、相互作用事象が生じたシンチレータ結晶を同定することが可能になる。

更に、結晶区分に対する修正に基づく強化学習を当該修正毎に行うことにより、機械学習モデル５３１に人手による修正を加味した結晶区分を生成させることが可能になる。すなわち、本実施形態に係る機械学習モデル５３１は、人手による修正に関する汎化能力を再帰的に獲得することが可能になる。この方法により、フラッドマップの区分け作業に対する経時的、自律的な精度向上を実現することができる。処理回路５１は、次の処理対象のガンマ線検出器１７に関するフラッドマップの区分けにおいて、パラメータ更新後の機械学習モデル５３１に従い、当該次の処理対象のガンマ線検出器１７に関するフラッドマップから当該フラッドマップに関する結晶区分を生成する。このような機械学習モデル５３１を利用してフラッドマップの区分けを行うことにより、人手の修正の頻度を低減させることができるため、区分けを簡便且つ高精度に行うことが可能になる。また、学習が十分になされた機械学習モデル５３１をＰＥＴ装置１に実装することにより、定期点検を待つことなく、例えば、１日単位のガンマ線検出器１７の調整が可能になる。

（変形例）
上記の実施形態において機械学習モデル５３１は、フラッドマップを入力とし結晶区分を出力するようにパラメータが学習された機械学習モデルであるとした。しかしながら、本実施形態はこれに限定されない。変形例に係る機械学習モデル５３１−２は、結晶区分を入力とし、入力された結晶区分に比して高精度の結晶区分を出力するようにパラメータが学習された機械学習モデルであるとする。以下、変形例に係るＰＥＴ装置について説明する。なお以下の説明において、本実施形態と略同一の機能を有する構成要素については、同一符号を付し、必要な場合にのみ重複説明する。

図１０は、本実施形態の変形例に係る処理回路５１による重心／結晶テーブルの生成に係る一連の処理の典型的な流れを示す図である。図１１は、図１０の処理の典型的な流れを模式的に示す図である。図１０及び図１１の処理は、図６及び図７の処理と同様、典型的には、ＰＥＴ装置１の製品出荷時や定期点検、日々の点検等において行われる。

図１０及び図１１に示すように、まず、処理回路５１は、フラッドマップ取得機能５１４を実行する（ステップＳＢ１）。ステップＳＢ１はステップＳＡ１と同様である。

ステップＳＢ１が行われると処理回路５１は、第一の結晶区分生成機能５１５を実行する（ステップＳＢ２）。ステップＳＢ２において処理回路５１は、ステップＳＢ１において取得されたフラッドマップ８１に自動区分化処理を施して、当該フラッドマップに関する結晶区分（以下、仮結晶区分と呼ぶ）８３を生成する。自動区分化処理は、機械学習モデル５３１−２を利用した結晶区分の生成処理とは異なる、厳密な数学的なアルゴリズム、ヒューリスティック（Heuristic）に定められたアルゴリズム又はこれらを混合したアルゴリズムを用いる。自動区分化処理は、フラッドマップから仮結晶区分８３を生成するための一定の手順により規定されるが、人手による修正が組み込まれたものではない。

ステップＳＢ２が行われると処理回路５１は、第二の結晶区分生成機能５１５を実行する（ステップＳＢ３）。ステップＳＢ３において処理回路５１は、変形例に係る機械学習モデル５３１−２を、ステップＳＢ１において取得されたフラッドマップ８１とステップＳＢ２において生成された仮結晶区分８３とに適用して当該フラッドマップ８１における結晶区分８５を生成する。機械学習モデル５３１−２は、フラッドマップと結晶区分とを入力として、入力された結晶区分に比して精度が高い結晶区分を出力するようにパラメータが学習された機械学習モデルである。精度が高い結晶区分とは、自動区分化処理により生成された結晶区分に比して、ユーザ等による人手の修正がなされた後の結晶区分に形状が近似していることを意味する。機械学習モデル５３１−２は、フラッドマップと自動区分化処理により生成された結晶区分と人手の修正が施された結晶区分との組合せを学習サンプルとしてパラメータが学習される。フラッドマップと自動区分化処理により生成された結晶区分とを入力としたときの出力結晶区分が、人手の修正が施された結晶区分に近似するようにパラメータが更新される。

ステップＳＢ３が行われると処理回路５１は、結晶区分の修正指示を待機する（ステップＳＢ４）。ステップＳＢ４において処理回路５１は、図８に示すように、修正指示を受け付けるＧＵＩを提供する。

結晶区分に対する修正指示がなされた場合（ステップＳＢ４：ＹＥＳ）、処理回路５１は、結晶区分修正機能５１６を実行する（ステップＳＢ５）。ステップＳＢ５において処理回路５１は、修正指示に従い結晶区分を修正する。

修正指示がなされた場合、処理回路５１は、修正後の結晶区分を、重心／結晶テーブル２７に使用する結晶区分として確定する。そして処理回路５１は、テーブル生成機能５１７を実行する（ステップＳＢ６）。ステップＳＢ６において処理回路５１は、フラッドマップと修正後の結晶区分とに基づいて重心／結晶テーブルを生成する。ステップＳＢ６はステップＳＡ５と同様である。

ステップＳＢ６が行われると処理回路５１は、ステップＳＢ３において使用した機械学習モデル５３１−２を強化するか否かを判定する（ステップＳＢ７）。強化する場合（ステップＳＢ７：ＹＥＳ）、処理回路５１は、モデル更新機能５１８を実行する（ステップＳＢ８）。ステップＳＢ８において処理回路５１は、修正前の結晶区分と修正後の結晶区分とに基づき機械学習モデル５３１−２のパラメータを更新する。パラメータの更新は、機械学習モデル５３１−２に対する強化学習により行われる。修正前の結晶区分と修正後の結晶区分とに基づく強化学習により、機械学習モデル５３１は、ユーザによる人手の修正を学習することができる。これによりフラッドマップに基づく結晶区分の生成の精度を向上させることができる。

一方、ステップＳＢ４において修正指示がなされなかった場合（ステップＳＢ４：ＮＯ）、処理回路５１は、ステップＳＢ１において取得されたフラッドマップとステップＳＢ３において生成された結晶区分とに基づいて重心／結晶テーブル２７を生成する。重心／結晶テーブル２７の生成方法は、ステップＳＢ６と同様である。

ステップＳＢ８が行われた場合、強化学習が行われない場合（ステップＳＢ７：ＮＯ）又はステップＳＢ９が行われた場合、図１０及び図１１の処理は終了する。

図１０及び図１１の処理はガンマ線検出器１７毎に繰り返される。ガンマ線検出器１７毎の重心／結晶テーブル２７は、当該ガンマ線検出器１７に接続された検出処理器１３のメモリ２１に記憶される。検出処理器１３は、ＰＥＴ撮像において重心／結晶テーブル２７を使用して、相互作用事象が生じたシンチレータ結晶を特定することが可能になる。なお、機械学習モデル５３１−２は、仮結晶区分を入力して結晶区分を出力するように学習されてもよい。この場合、ステップＳＢ３において処理回路５１は、ステップＳＢ２において生成された仮結晶区分８３を機械学習モデル５３１−２に適用して結晶区分８５を生成することとなる。

（その他）
上記の少なくとも一の実施形態において医用情報処理装置は、ＰＥＴ装置に組み込まれたコンピュータであるとした。しかしながら、本実施形態はこれに限定されない。例えば、ＰＥＴ装置とは別体のコンピュータであっても良い。このようなコンピュータとしては、例えば、ＰＥＴ装置１の製造過程において用いられる、重心／結晶テーブルの生成のためのコンピュータが挙げられる。なお以下の説明において、上記の実施形態と略同一の機能を有する構成要素については、同一符号を付し、必要な場合にのみ重複説明する。

図１２は、本実施形態に係るその他の実施例に係る医用情報処理装置５０の構成の一例を示す図である。図１２に示すように、医用情報処理装置５０は、処理回路５１、ディスプレイ５２、メモリ５３、入力インタフェース５４及び通信インタフェース５５を有する。例えば、処理回路５１、ディスプレイ５２、メモリ５３、入力インタフェース５４及び通信インタフェース５５間のデータ通信は、バスを介して行われる。

処理回路５１は、ハードウェア資源として、ＣＰＵやＧＰＵ等のプロセッサを有する。処理回路５１は、フラッドマップ取得機能５１４、結晶区分生成機能５１５、結晶区分修正機能５１６、テーブル生成機能５１７、モデル更新機能５１８及び表示制御機能５１９を実現する。通信インタフェース５５は、重心／結晶テーブルの生成対象のＰＥＴ装置との間でデータ通信するためのインタフェースである。フラッドマップ取得機能５１４において処理回路５１は、重心／結晶テーブルの生成対象のＰＥＴ装置からフラッドマップを、通信インタフェース５５等を介して取得する。

上記の構成によれば、少なくとも結晶区分生成機能５１５、結晶区分修正機能５１６、テーブル生成機能５１７及びモデル更新機能５１８を、ＰＥＴ装置から独立したコンピュータである医用情報処理装置５０に実現させることが可能になる。これにより、一台の医用情報処理装置５０により複数台のＰＥＴ装置についてフラッドマップの区分け作業等を実行することが可能になる。この際、モデル更新機能５１８により、ユーザによる結晶区分の修正に基づき機械学習モデル５３１（又は変形例に係る機械学習モデル５３１−２）の強化学習を行うことにより、機械学習モデル５３１（又は変形例に係る機械学習モデル５３１−２）を強化しながら、効率的に重心／結晶テーブルを生成等することが可能になる。

（応用例１）
上記の実施形態において機械学習モデル５３１は、フラッドマップを、典型的には、検出器パック又は検出器モジュール単位等の既存の単位で入出力するものとした。しかしながら、本実施形態はこれに限定されない。応用例１に係る機械学習モデルは、一のフラッドマップを小領域（パッチ）単位で学習される。以下、応用例１に係るＰＥＴ装置について説明する。なお以下の説明において、本実施形態と略同一の機能を有する構成要素については、同一符号を付し、必要な場合にのみ重複説明する。

応用例１に係る機械学習モデルは、フラッドマップが小領域に分割されたフラッドマップ（以下、分割フラッドマップと呼ぶ）とフラッドマップに対応する区分が小領域に分割された区分（以下、分割区分と呼ぶ）とに基づいて学習される。処理回路５１は、結晶区分生成機能５１５の実現により、処理対象のフラッドマップを分割して処理対象の複数の分割フラッドマップを生成し、処理対象の複数の分割フラッドマップに機械学習モデルを適用して処理対象の複数の分割フラッドマップにそれぞれ対応する複数の分割区分を生成する。そして処理回路５１は、処理対象の複数の分割区分を統合して処理対象の結晶区分を生成する。

図１３は、応用例１に係る処理回路５１による、フラッドマップ７１から結晶区分７３の生成処理の典型的な流れを模式的に示す図である。図１３に示すように、処理回路５１は、フラッドマップ取得機能５１４の実現により、検出器パック又は検出器モジュール単位等の既存の単位に関する、処理対象のフラッドマップ７１を取得する。以下、既存の単位のフラッドマップ等のサイズを既存サイズと呼ぶことにする。次に処理回路５１は、結晶区分生成機能５１５の実現により、分割処理を実行する（ステップＳＣ１）。ステップＳＣ１において処理回路５１は、処理対象のフラッドマップ７１を分割して、互いに位置が異なる複数の分割フラッドマップ７１１を生成する。

図１４は、フラッドマップ７１と分割フラッドマップ７１１との関係を示す図である。図１４に示すように、分割フラッドマップ７１１のサイズは、元のフラッドマップ７１のサイズよりも小さければ、如何なるサイズでもよい。例えば、フラッドマップ７１がｚ軸方向にシンチレータ結晶１６個及びｘ軸方向に８個分のサイズである場合、分割フラッドマップ７１１はｚ軸方向にシンチレータ結晶１６個及びｘ軸方向に８個分のサイズに設定される。一のフラッドマップ７１から分割される複数の分割フラッドマップ７１１のサイズは全て同一サイズに設定される。隣接する分割フラッドマップ７１１は一部領域７１２にて重畳するように分割される。一部領域７１２を共有する分割フラッドマップは二つでもよいし、三つ以上でもよい。複数の分割フラッドマップ７１１のうちの二以上の分割フラッドマップ７１１が重畳するように分割することにより、後続の処理において生成される結晶区分の一部欠落を回避することが可能になる。

例えば、処理回路５１は、分割フラッドマップ７１１と同一のサイズを有するパッチを、フラッドマップ７１のうちの分割フラッドマップ７１１の生成対象領域に適用して切り抜くことにより、分割フラッドマップ７１１を生成する。処理回路５１は、パッチの適用位置をシフトさせつつ、各適用位置の分割フラッドマップ７１１を生成する。パッチの適用位置は、自動的に決定されてもよいし、ユーザにより入力インタフェース５４等を介して設定されてもよい。以下、分割フラッドマップ７１１等のサイズ、すなわち、パッチのサイズをパッチサイズと呼ぶことにする。

分割フラッドマップ７１１が生成されると処理回路５１は、パッチサイズの各分割フラッドマップ７１１に機械学習モデル５３１−３を適用してパッチサイズの分割結晶区分７３１を生成する。処理回路５１は、機械学習モデル５３１−３は、事前に、分割フラッドマップ７１１を入力して分割結晶区分７３１を出力するようにパラメータが学習されている。機械学習モデル５３１−３としては、典型的には、フラッドマップ７１における分割フラッドマップ７１１の位置に関わらず同一のモデルが使用される。このように、パッチ単位での学習により、機械学習モデル５３１−３を汎化することができる。なお、フラッドマップ７１における分割フラッドマップ７１１の位置に応じて機械学習モデル５３１−３が用意されてもよい。

次に処理回路５１は、パッチサイズの複数の分割結晶区分７３１を統合して既存サイズの結晶区分７３を生成する（ステップＳＣ２）。ステップＳＣ２において処理回路５１は、パッチサイズの複数の分割結晶区分７３１を各分割結晶区分の位置に従い貼り合わせることにより、既存サイズの結晶区分７３を生成する。

図１５は、ステップＳＣ２において行われる統合処理を模式的に示す図である。図１５に示すように、例えば、二つの分割結晶区分７３１が生成される。図１５に示す二つの分割結晶区分７３１は、それぞれ図１４に示す二つの分割フラッドマップ７１１に対応する。処理回路５１は、二つの分割結晶区分７３１を各分割結晶区分７３１の位置に従い貼り合わせる。図１４に示す二つの分割フラッドマップ７１１は一部領域７１２にて重複するので、二つの分割結晶区分７３１は、この一部領域７１２に対応する一部領域７３２にて重複するように貼り合わされる。なお、図１５においては、視覚的な区別のため、上側の分割結晶区分７３１の区分線７３１１を破線、下側の分割結晶区分７３２の区分線７３１２を実線で表している。また、以下、一部領域７３２は重複領域７３２とも呼ぶ。

一部領域７３２において各分割結晶区分７３１に描画される区分線が一致しない場合がある。例えば、図１５に示すように、上側の分割結晶区分７３１の区分線７３１１と下側の分割結晶区分７３２の区分線７３１２とは、重複領域７３２において一致することが理想であるが、逸れる場合がある。処理回路５１は、重複領域７３２における区分線７３１１及び７３１２の不一致を補正するため、重複領域７３２について、上側の分割結晶区分７３１と下側の分割結晶区分７３２との平均処理を実行する。平均処理では、区分線７３１１と区分線７３１２との平均的な位置、換言すれば、略中間の位置に線が描かれる。平均処理により、各分割結晶区分７３１における区分線の連続性を確保することができる。上記の通り、全ての分割結晶区分７３１について貼り合わせ処理と平均処理とが行われることにより、既存サイズの結晶区分７３が生成される。

結晶区分７３が生成されると、図６に示すステップＳＡ３−ＳＡ７が行われる。

上記の通り、応用例１によれば、フラッドマップ全体よりも小さいパッチ単位で機械学習モデル５３１−３の学習の生成を行うことができる。パッチ単位で学習することにより、機械学習モデル５３１−３の入出力データのサイズを削減することにより、結晶区分の描画精度を高めることができる。

（応用例２）
上記の実施形態において機械学習モデル５３１−２は、結晶区分を、典型的には、検出器パック又は検出器モジュール単位等の既存の単位で入出力するものとした。しかしながら、本実施形態はこれに限定されない。応用例２に係る機械学習モデルは、一の結晶区分を小領域（パッチ）単位で学習する。以下、応用例２に係るＰＥＴ装置について説明する。なお以下の説明において、本実施形態と略同一の機能を有する構成要素については、同一符号を付し、必要な場合にのみ重複説明する。

応用例２に係る機械学習モデルは、パッチサイズの結晶区分と、当該結晶区分に比して精度が高い、パッチサイズの結晶区分とに基づいて学習される。処理回路５１は、結晶区分生成機能５１５の実現により、処理対象のフラッドマップに自動区分化処理を適用して、処理対象のフラッドマップに関する仮結晶区分を生成し、生成された仮結晶区分からパッチサイズの結晶区分を生成する。次に処理回路５１は、結晶区分生成機能５１５の実現により、機械学習モデルとパッチサイズの仮結晶区分とに基づいて、高精度のパッチサイズの結晶区分を生成し、生成された高精度のパッチサイズの結晶区分を仮結晶区分に統合して既存サイズの結晶区分を生成する。高精度の結晶区分とは、自動区分化処理により生成された結晶区分に比して、ユーザ等による人手の修正がなされた後の結晶区分に形状が近似していることを意味する。

図１６は、応用例２に係る処理回路５１による、フラッドマップ８１から結晶区分８５の生成処理の典型的な流れを模式的に示す図である。図１６に示すように、まず、処理回路５１は、フラッドマップ取得機能５１４の実現により、処理対象のフラッドマップ８１を取得する。次に、処理回路５１は、第一の結晶区分生成機能５１５の実現により、取得されたフラッドマップ８１に自動区分化処理を施して、当該フラッドマップに関する既存サイズの仮結晶区分８３を生成する（ステップＳＤ１）。ステップＳＤ１は、図１０及び図１１のステップＳＢ２と同一である。次に処理回路５１は、仮結晶区分８３をパッチで切り抜き、パッチサイズの切り抜き後の結晶区分８３１を生成する（ステップＳＤ２）。パッチは、応用例１と同様、検出器パック又は検出器モジュール単位等のサイズに比して小さいサイズを有している。パッチは、仮結晶区分８３のうちの修正を要する範囲に適用される。パッチの適用位置は、例えば、ユーザにより入力インタフェース５４を介して指定される。例えば、処理回路５１は、適用位置の指定指示を受け付けるＧＵＩを提供する。

図１７は、パッチの適用位置の指定指示を受け付けるＧＵＩを含む表示画面（切り抜き操作画面と呼ぶ）の一例を示す図である。図１７に示すように、切り抜き操作画面は、処理回路５１によりディスプレイ５２に表示される。図１７に示すように、切り抜き操作画面には、仮結晶区分ＳＬ３が重畳されたフラッドマップＦＭ３が表示される。切り抜き操作画面には、入力インタフェース５４を介して移動可能なパッチＰ１が表示される。切り抜き操作画面には、例えば、パッチＰ２による切り抜きを促すメッセージの表示欄ＭＳ２が表示される。当該メッセージとしては、例えば、「修正箇所をパッチで切り抜いて下さい」が表示される。ユーザは、仮結晶区分ＳＬ３を観察して仮結晶区分ＳＬ３の精度を高めたい部分を見つけ出し、入力インタフェース５４を介してパッチＰ１を、当該部分に移動させる。ユーザは、パッチＰ１の移動後、切り抜きボタンＢ５を押下する。

切り抜きボタンＢ５が押下された場合、処理回路５１は、仮結晶区分ＳＬ３のうちのパッチＰ１により囲まれた領域を切り抜き、パッチサイズの切り抜き結晶区分８３１を生成する。次に処理回路５１は、機械学習モデル５３１−４による切り抜き結晶区分８３１の修正処理が行われる。機械学習モデル５３１−４は、事前に、パッチサイズの結晶区分である入力データと、当該結晶区分に比して精度が高い、パッチサイズの結晶区分である教師データとに基づいて学習される。処理回路５１は、パッチサイズの切り抜き結晶区分８３１を機械学習モデル５３１−４に適用して、より精度の高い、パッチサイズの切り抜き結晶区分８３２を生成する。

図１７に示すように、切り抜き操作画面には、更に、戻るボタンＢ４及び追加ボタンＢ６が選択可能に表示される。追加ボタンＢ６が押下された場合、処理回路５１は、更なるパッチＰ２による適用位置の指定指示を受け付ける。指定指示がなされると処理回路５１は、更になる適用位置についてパッチＰ２を適用し、切り抜き結晶区分８３１を生成し、生成された切り抜き結晶区分８３１を機械学習モデル５３１−４に適用してパッチサイズの切り抜き結晶区分８３２を生成する。ユーザは、機械学習モデル５３１−４による修正を撤回したいと判断した場合、入力インタフェース５４を介して戻るボタンＢ４を押下する。戻るボタンＢ４が押下された場合、処理回路５１は、機械学習モデル５３１−４の適用前の仮結晶区分ＳＬ３を表示する。

切り抜き結晶区分８３２の生成後、処理回路５１は、パッチサイズの切り抜き結晶区分８３２を既存サイズの仮結晶区分８３に統合し、既存サイズの高精度の結晶区分８５を生成する（ステップＳＤ３）。

図１８は、図１６の統合処理において統合される、パッチサイズの切り抜き結晶区分８３２と既存サイズの仮結晶区分８３との関係を示す図である。図１８に示すように、処理回路５１は、切り抜き結晶区分８３２を当該切り抜き結晶区分８３２の位置に従い既存サイズの仮結晶区分８３に貼り合わせ、切り抜き結晶区分８３２と仮結晶区分８３とに平均処理を行う。貼り合わせ処理及び平均処理は応用例１と同様である。これにより高精度の結晶区分８５が生成する。

結晶区分８５が生成されると、図１０に示すステップＳＢ４−ＳＢ８が行われる。

上記の通り、応用例２によれば、フラッドマップ全体よりも小さいパッチ単位で機械学習モデル５３１−４の学習を行うことができる。パッチ単位で学習することにより、機械学習モデル５３１−４の入出力データのサイズを削減することにより、結晶区分の描画精度を高めることができる。

また、上記の実施形態において、機械学習モデル５３１（又は変形例に係る機械学習モデル５３１−２、５３１−３、５３１−４）はメモリ５３に記憶される深層ニューラルネットワーク又はパラメータ付き合成関数であるとし、処理回路５１は当該機械学習モデル５３１（又は変形例に係る機械学習モデル５３１−２、５３１−３、５３１−４）に従い結晶区分を生成するものとした。しかしながら、本実施形態はこれに限定されない。処理回路５１は、フラッドマップを入力して結晶区分を出力するように構築された機械学習構造を利用して、処理対象のフラッドマップから処理対象のフラッドマップにおける結晶区分を生成するものであれば、如何なる形態であっても良い。本実施形態に係る機械学習構造は、プロセッサに実現させる機能を記述する機械学習モデルのソフトウェア的な構成と、機械学習モデルが記述する機能を実現する回路のハードウェア的な構成とを包含する。

例えば、処理回路５１は、フラッドマップを入力して結晶区分を出力するように構築された機械学習構造を有する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））等の集積回路を装備しても良い。当該集積回路は、フラッドマップを入力して結晶区分を出力するようにパラメータが学習された機械学習モデル５３１と同様の機能を実現する回路構成を有する。

同様に、処理回路５１は、フラッドマップと結晶区分とを入力して、入力結晶区分に比して精度が高い結晶区分を出力するように構築された機械学習構造を利用して、処理対象のフラッドマップと結晶区分とから精度が高い結晶区分を生成するものであれば、如何なる形態であっても良い。例えば、処理回路５１は、フラッドマップと結晶区分とを入力して精度が高い結晶区分を出力するように構築された機械学習構造を有するＡＳＩＣ、ＳＰＬＤ、ＣＰＬＤ及びＦＰＧＡ等の集積回路を装備しても良い。

以上説明した少なくとも１つの実施形態によれば、フラッドマップの区分けを簡便且つ正確に行うことができる。

上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ、ＧＰＵ、或いは、ＡＳＩＣ、ＳＰＬＤ、ＣＰＬＤ及びＦＰＧＡ等の集積回路を意味する。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。また、プログラムを実行するのではなく、論理回路の組合せにより当該プログラムに対応する機能を実現しても良い。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、図１及び図１２における複数の構成要素を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。

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、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１ ＰＥＴ装置
１０ ガントリ
１１ 検出器リング
１３ 検出処理器
１５ 同時計数回路
１７ ガンマ線検出器
１９ 処理回路
２１ メモリ
２３ 重心演算機能
２５ エネルギー演算機能
２７ 重心／結晶テーブル
３０ 寝台
５０ 医用情報処理装置（コンソール）
５１ 処理回路
５２ ディスプレイ
５３ メモリ
５４ 入力インタフェース
５５ 通信インタフェース
５１１ 再構成機能
５１２ 画像処理機能
５１３ 撮像制御機能
５１４ フラッドマップ取得機能
５１５ 結晶区分生成機能
５１６ 結晶区分修正機能
５１７ テーブル生成機能
５１８ モデル更新機能
５１９ 表示制御機能
５３１ 機械学習モデル

Claims (16)

1. ガンマ線に由来する蛍光の頻度に関する空間分布を示す、処理対象のフラッドマップを取得する取得部と、
   ガンマ線に由来する蛍光の頻度に関する空間分布を示すフラッドマップに基づいて前記蛍光が発生したシンチレータ結晶を同定するためのフラッドマップにおける区分を出力する機械学習モデルと、前記処理対象のフラッドマップとに基づいて前記処理対象のフラッドマップにおける区分を生成する区分生成部と、
   を具備する医用情報処理装置。
2. 前記機械学習モデルから出力された区分を修正する修正部と、
   前記修正された区分に基づいて前記機械学習モデルのパラメータを更新して更新後の機械学習モデルを生成する更新部と、を更に備える、
   請求項１記載の医用情報処理装置。
3. 前記区分生成部は、前記更新後の機械学習モデルに従い前記処理対象のフラッドマップ又は他のフラッドマップから前記処理対象のフラッドマップ又は他のフラッドマップにおける区分を出力する、請求項２記載の医用情報処理装置。
4. 前記機械学習モデルから出力された区分に対する修正する指示を受け付ける受付部を更に備える、請求項２記載の医用情報処理装置。
5. 前記修正された区分に基づく前記更新部によるパラメータの更新を指示するためのＧＵＩをディスプレイに表示する表示部を更に備える、請求項２記載の医用情報処理装置。
6. 前記区分と前記フラッドマップとに基づいて、前記フラッドマップ内の位置と前記位置に対応するシンチレータ結晶の識別子との関連付けデータを生成する関連付けデータ生成部を更に備える、請求項１記載の医用情報処理装置。
7. 前記区分は、フラッドマップの座標系により定義された、シンチレータ結晶の区画を示す線のデータである、請求項１記載の医用情報処理装置。
8. 前記機械学習モデルを記憶する記憶部を更に備える、請求項１記載の医用情報処理装置。
9. 前記機械学習モデルは、前記フラッドマップが複数の領域に分割された複数の分割フラッドマップと前記フラッドマップに対応する区分が複数の領域に分割された複数の分割区分とに基づいて学習される、請求項１記載の医用情報処理装置。
10. 前記区分生成部は、前記処理対象のフラッドマップを分割して前記処理対象の複数の分割フラッドマップを生成し、前記処理対象の複数の分割フラッドマップに前記機械学習モデルを適用して前記処理対象の複数の分割フラッドマップにそれぞれ対応する複数の分割区分を生成する、請求項９記載の医用情報処理装置。
11. 前記区分生成部は、前記処理対象の複数の分割区分を統合して前記処理対象の区分を生成する、請求項１０記載の医用情報処理装置。
12. 前記複数の分割フラッドマップのうちの少なくとも一部は、互いに重複するように設定される、請求項９記載の医用情報処理装置。
13. 前記区分生成部は、前記処理対象のフラッドマップを少なくとも一部領域が重複するように分割して前記処理対象の複数の分割フラッドマップを生成し、前記処理対象の複数の分割フラッドマップに前記機械学習モデルを適用して前記処理対象の複数の分割フラッドマップにそれぞれ対応する複数の分割区分を生成する、請求項１２記載の医用情報処理装置。
14. 前記区分生成部は、前記処理対象の複数の分割区分を統合して前記処理対象の区分を生成し、前記一部領域を共有する二以上の分割区分を平均化する、請求項１３記載の医用情報処理装置。
15. ガンマ線に由来する蛍光の頻度に関する空間分布を示す、処理対象のフラッドマップを取得する取得部と、
    前記処理対象のフラッドマップに所定のアルゴリズムを適用して、前記蛍光が発生したシンチレータ結晶を同定するための、前記処理対象のフラッドマップに関する第１の区分を生成する第１の区分生成部と、
    第１の区分に基づいて前記第１の区分に比して精度が高い第２の区分を出力する機械学習モデルと、前記生成された処理対象のフラッドマップに関する第１の区分とに基づいて前記処理対象のフラッドマップに関する第２の区分を生成する第２の区分生成部と、
    を具備する医用情報処理装置。
16. ガンマ線に由来する蛍光の頻度に関する空間分布を示すフラッドマップを入力として、前記蛍光が発生したシンチレータ結晶を同定するための前記フラッドマップにおける区分を出力するように構築された機械学習構造を利用して、処理対象のフラッドマップから前記処理対象のフラッドマップにおける区分を生成する、医用情報処理装置。