CN111345834A - X射线ct系统及方法 - Google Patents

Abstract

实施方式的X射线CT系统具备取得部及处理部。取得部取得第1图像和第2图像，第1图像对应于离散的第1视图群，且为基于伴随着第1能量的X射线的照射而采集到的第1投影数据集的图像，第2图像对应于离散的第2视图群，且为基于伴随着第2能量的X射线的照射而采集到的第2投影数据集的图像。处理部针对基于第1图像及第2图像来生成将第1图像中的条纹状伪影减少后的第3图像及将第2图像中的条纹状伪影减少后的第4图像的学习完毕模型，输入第1图像及第2图像，从而生成第3图像及第4图像。

Description

X射线CT系统及方法

技术领域

本发明的实施方式涉及X射线CT系统及方法。

背景技术

计算机断层摄影(CT)系统及方法，尤其针对医用摄像及医用诊断，被广泛使用。CT系统一般而言制作与被检体的身体有关的一个或者多个截面性的切片的图像。X射线管等的放射源从一侧面对身体照射X射线。通过了该身体的放射线的衰减通过对从检测器收到的电信号进行处理来测定，该电信号被使用于通过执行逆拉东变换(逆Radon变换)(或者其等同的变换)来重构身体的图像。

原来，为了测定CT投影数据而使用能量积分型检测器，但最近，光子计数检测器正在成为对于以往的能量积分型检测器的可执行的代替手段。光子计数检测器(photoncounting detectors：PCDs)还包括具有执行光谱CT的能力，有很多的优点。为了获取被发送的X射线数据的光谱的本质，光子计数检测器将X射线束分割为其成分能量或者光谱窗口(bin)，并且计数各窗口中的光子的数量。光谱CT包括以两个以上的能级发送的X射线的检测，所以光谱CT如其名字那样，通常包括双能CT。

光谱CT及双能CT之所以有利是因为，适于物质辨别的执行，由此能够从身体的软组织中区分出骨，能够对医师、医疗临床医生提供较多的临床的信息。各种各样的构成能够使用于CT中的光谱摄像。一般而言，光谱CT构成能够分类为两个类型。即(i)与能量积分型检测器组合而生成X射线源下的不同的能谱(例如，高速kVp(kilo－voltage peak)切换、及双线源构成)，(ii)伴随能量识别/分解检测器的涉及范围广的能谱X射线源。

更详细而言，实用意义上的光谱CT构成存在以下四种，即PCD光谱的分解检测器、双层检测器、双线源及检测器系统、及高速kVp切换。例如，上述的PCDs能够作为伴随涉及范围广的光谱X射线源的能量分解检测器而使用。能量分解检测器的另一个其他的类型，如滤波器执行将检测到的X射线分为不同的能带(例如，能够按能量将光子分离的双层)的功能那样、使用在独立的能量积分型检测器之前配置的各种各样的X射线能量滤波器。在第三光谱CT构成中，双X射线源一个一个地对置配置，形成其自身CT扫描系统的各个线源－检测器对互相不重叠或者不与其他相干涉(例如，以正确的角度配置)，并且各个线源－检测器对用与其他不同的X射线光谱来操作。以该配置，能够同时地执行使用两个不同的X射线光谱的两个CT扫描。在第四构成中，能够使用伴随着使用高速kVp－切换的X射线的、单一的积分型线源，该高速kVp－切换是随着绕患者旋转的CT扫描的视角而快速地切换高能量X射线光谱和低能量X射线光谱。但是，在针对光谱/双能CT的这四个代替手段各自中，有其独特的缺陷和短处。

例如，光子计数检测器(PCDs)容易受脉冲堆积(pulse pile up，即，存在由单一的检测器产生的多重X射线检测事件在检测器的时间响应内的情况)的影响。并且，想要通过使横截面区域中的PCD更小从而抑制堆积这一尝试，由于针对电荷移动/分配(sharing)及k溢出(escape)更容易受到影响，通过折衷而受制约。

在双层检测器方法中，闪烁器和光电倍增管的组合，苦于低能量噪声、以及想要实现频带外的能量抑制而不充分的最优化。并且，能量分离由于两个读出光谱间的严重的重复而恶化。

双线源及双检测器构成苦于耗费成本和散射截面效应。

由于与极超短波生成器和为了同时采集高能量投影数据和低能量投影数据而使用的同时数据采集系统(data acquisition systems：DASs)相关联的、附加的成本，高速kVp切换构成也为高成本。

因此，期望将关联方法中的上述所确定的缺陷消除的、更好的光谱CT方法。

发明内容

发明要解决的课题

本发明要解决的课题在于，实现将针对光谱CT构成所确定的缺陷消除的光谱CT。

用于解决课题的手段

实施方式的X射线CT系统具备取得部及处理部。

上述取得部，取得第1图像及第2图像，该第1图像对应于离散的第1视图群，且为基于伴随着第1能量的X射线的照射而采集到的第1投影数据集的图像，该第2图像对应于与上述第1视图群不同的离散的第2视图群，且为基于伴随着与上述第1能量不同的第2能量的X射线的照射而采集到的第2投影数据集的图像。

上述处理部，针对基于上述第1图像及上述第2图像而生成将上述第1图像中的条纹状伪影减少后的第3图像及将上述第2图像中的条纹状伪影减少后的第4图像的学习完毕模型，输入上述第1图像及上述第2图像，从而生成上述第3图像及上述第4图像。

附图说明

图1表示一个实施方式的、计算机断层摄影(CT)扫描中的X射线源及检测器的配置的概略性的图。

图2A表示一个实施方式的、针对高速kVp切换的X射线源的视角/位置的例子。

图2B表示一个实施方式的、作为针对高速kVp切换的时间函数的kV的峰值(kVp)的例子。

图3A表示一个实施方式的、针对稀疏的kVp切换的X射线源的视角/位置的例子。

图3B表示一个实施方式的、作为针对稀疏的kVp切换的时间函数的kVp值的例子。

图4表示一个实施方式的、通过低及高kVp切换而放射的X射线的能谱有关的概率密度函数的曲线图。

图5A表示一个实施方式的、使用迭代近似应用剂量降低(adaptive iterativedose reduction：AIDR)三维(3D)重构法，根据针对80kVp的较低的kVp值的稀疏的kVp切换投影数据进行重构而重构出的图像。

图5B表示一个实施方式的、使用AIDR－3D法，根据针对135kVp的较高的kVp值的稀疏的kVp切换投影数据进行重构而重构出的图像。

图5C表示一个实施方式的、图5A及图5B中的图像的合计。

图6表示一个实施方式的、为了校正稀疏的kVp切换投影数据中的伪影、而学习并且使用深度学习(DL)人工神经网络(artificial neural network：ANN)所用的流程图的例子。

图7A表示一个实施方式的、针对用80kVp采集到的全视图投影数据与学习数据集中的图5A中的图像被设为成对这一情况的高画质图像的例子。

图7B表示一个实施方式的、针对用135kVp采集到的全视图投影数据与学习数据集中的图5B中的图像被设为成对这一情况的高画质图像的例子。

图8表示一个实施方式的、为了校正根据稀疏的kVp切换产生的稀疏的视图伪影、而使用低及高画质图像数据来学习的、双通道DL－ANN网络的例子。

图9表示一个实施方式的、为了校正根据稀疏的kVp切换投影数据重构出的图像中产生的伪影、而学习并且使用DL－ANN所用的局部的流程图的例子。

图10表示一个实施方式的、为了执行图像域物质辨别、而学习并且使用DL－ANN所用的流程图的例子。

图11表示一个实施方式的、为了执行图像域物质辨别而学习的、双通道DL－ANN网络的例子。

图12表示一个实施方式的、为了校正伪影并且执行图像域物质辨别、而分别学习并且使用两个不同的DL－ANN网络的流程图。

图13表示一个实施方式的、将校正伪影并且执行图像域物质辨别作为综合处理(integrated process)、而学习并且使用单一的双通道DL－ANN网络的流程图的例子。

图14表示一个实施方式的、将校正伪影并且执行图像域物质辨别作为综合处理、而学习并且使用单一的双通道DL－ANN网络的另一个流程图。

图15表示、将校正伪影并且执行图像域物质辨别这两方作为综合处理、而学习单一的双通道DL－ANN网络。

图16表示一个实施方式的、将校正伪影并且执行图像域物质辨别这两方作为综合处理、而在白化(whitening)变换域中学习单一的双通道DL－ANN网络。

图17表示一个实施方式的、为了使损失误差函数最优化而迭代地调整DL－ANN网络的系数由此学习DL－ANN所用的流程图。

图18A表示一个实施方式的、正向传播ANN的例子。

图18B表示一个实施方式的、被称为卷积神经网络(convolutional neuralnetwork：CNN)的ANN的类型的例子。

图19A表示一个实施方式的、图5A中的80kVp图像在方法202的步骤230中向伪影减少DL－ANN网络应用后的例子。

图19B表示一个实施方式的、图5B中的135kVp图像在方法202的步骤230中向伪影减少DL－ANN网络应用后的例子。

图20A表示一个实施方式的、不使用伪影减少及物质辨别DL－ANN网络而生成的、与碘物质成分有关的图像的例子。

图20B表示一个实施方式的、使用伪影减少及物质辨别DL－ANN网络而生成的、与碘物质成分有关的图像的例子。

图20C表示一个实施方式的、不使用伪影减少及物质辨别DL－ANN网络而生成的、与水物质成分有关的图像的例子。

图20D表示一个实施方式的、使用伪影减少及物质辨别DL－ANN网络而生成的、与水物质成分有关的图像的例子。

图21表示一个实施方式的、针对稀疏的kv切换的计算机断层摄影(CT)扫描的第一例。

图22表示一个实施方式的、针对稀疏的kv切换的CT扫描的第二例。

图23表示一个实施方式的、重构电路的构成的一例。

具体实施方式

以下，参照附图对实施方式进行叙述。以下的各实施方式，关于同样的要素，对同一名称或者类似的名称附以同一符号进行说明。实施方式涉及根据双能(dual－energy：DE)下的稀疏的kVp切换投影数据来重构计算机断层摄影(computed tomography：CT)图像所用的、例如深度学习(deep learning：DL)网络的使用。具体而言，实施方式的X射线CT系统具备取得部及处理部。

这里，取得部取得第1图像和第2图像，该第1图像对应于离散的第1视图群，且为基于伴随着第1能量的X射线的照射而采集到的第1投影数据集的图像，该第2图像对应于与该第1视图群不同的离散的第2视图群，且为基于伴随着与该第1能量不同的第2能量的X射线的照射而采集到的第2投影数据集的图像。

处理部针对基于该第1图像及该第2图像而生成将该第1图像中的条纹状伪影减少后的第3图像及将该第2图像中的条纹状伪影减少后的第4图像的学习完毕模型，输入该第1图像及该第2图像，从而生成该第3图像及该第4图像。

关于这样的取得部及处理部的详细，后述。

另外，取得部可以取得对多个检测器元件中的X射线放射的亮度进行表示的投影数据，该投影数据构成该第1投影数据集及该第2投影数据集。第1投影数据集可以表示使用对X射线源施加的第一电压而采集到的第一稀疏视图数据。第2投影数据集可以表示使用对X射线源施加的第二电压而采集到的第二稀疏视图数据。第二电压可以比第一电压大。第一稀疏视图数据通过与采集到第二稀疏视图数据的第2视图群不同的第1视图群来采集。

另外，取得部可以根据该第一稀疏视图数据，重构第1图像即第一低能量图像。

同样地，取得部可以根据该第二稀疏视图数据，重构第2图像即第一高能量图像。

处理部可以取得具有低能量图像用的一个输入通道和高能量图像用的另一个输入通道这两个通道的伪影减少神经网络。该伪影减少神经网络可以是使用如下学习数据集而学习到的上述学习完毕模型，该学习数据集包含作为具有互补的条纹状伪影的稀疏的视图重构出的图像的一个一个对的输入图像和条纹状伪影已被降低的对应的对象图像。

另外，处理部可以构成为，将第一低能量图像和第一高能量图像应用于该伪影减少神经网络，以生成作为伪影减少图像的第3图像及第4图像。

如以上那样的X射线CT系统，执行将来自稀疏的视图kVp切换计算机断层摄影(CT)扫描的计算机断层摄影(CT)图像中的伪影减少的方法。

作为补充，这里说明的X射线CT系统及方法，将光谱并且双能(DE)计算机断层摄影(CT)方法的、上述所确定的缺陷消除。这些缺陷通过将使用稀疏的kVp切换而生成并根据稀疏的视图投影数据而重构出的图像，应用于例如将伪影去除并且将光谱重构图像辨别为物质成分图像的深度学习(DL)人工神经网络(ANN)而被消除。

如上述那样，与光谱CT关联的方法，苦于包括例如更高的成本及/或画质的低下在内的各种各样的缺陷。

例如，更高的成本是高速kVp切换系统及双/检测器－源系统这两者中的缺陷。这里说明的方法，使用kVp切换，但与高速kVp切换系统相对照地、对线源的X射线管施加的kVp慢慢地切换(即，kVp切换是稀疏的，关于低及高kVp值这两者，成为称为稀疏的视图投影数据的结果)。即，与相对于投影角度(视图)的各变化而在低及高kVp值间切换相比，这里使用的kVp切换是稀疏的，所以意味着在向另一方的kVp设定切换前，CT扫描通过几个投影角度而旋转同时维持规定的kVp设定，kVp切换不那么频繁地执行。因此，在切换到高kVp设定后、返回切换到低kVp设定前，扫描依次巡回并且在多个投影角度采集投影图像，同时X射线源维持高kVp电压。这通过在其后的几个投影角度而被维持，并同样地继续下去。通过这样的方法，能够使用单一的数据采集系统(data acquisition system：DAS)，为了切换对被赋予kVp切换更慢的速度的X射线管的电压，用更简单并且更廉价的硬件就足够。

这里说明的方法避免堆积等的光子计数检测器(photon counting detectors：PCDs)的缺陷。这是因为，这里说明的方法相比于PCD而使用了能量积分型检测器。并且，这里说明的方法消除双层检测器的缺陷。作为其理由，是因为，两个能谱与其说通过用X射线检测器过滤X射线能量来达成，不如说通过调整/切换对X射线源施加的电压而达成。

这里说明的方法，为了生成针对低及高能量的X射线光谱的稀疏的视图投影数据，而使用稀疏的kVp切换双能CT(dual－energy：DECT)。与高速kVp切换相比，kVp切换被执行的情况更少，所以这里说明的方法能够使用高频生成器来执行(与针对高kVp切换而使用的极超短波生成器相对照)。并且，稀疏的kVp切换能够使用单一的顺序DAS来执行。(与针对高速kVp切换而使用的同时DAS相对照)。

对DECT的稀疏的kVp切换方法的主要的问题中的一个是，稀疏的视图数据会提起所重构出的图像的画质及物质辨别有关的问题。更具体而言，是证明了，相对于稀疏的kVp切换投影数据而言，难以发展不易受如流状的伪影、射束硬化、以及降低画质那样的其他的效果的影响的有效的重构算法。另一方面，也存在如滤波器校正逆投影(filtered back－projection：FBP)那样的解析的重构法有效的情况，但在针对稀疏的投影数据而应用的情况下，会生成苦于条纹状伪影的所重构出的图像。另一方面，迭代重构法在针对稀疏的投影数据而应用的情况下，因为各kVp设定下的X射线的低线量，也有时会成为空间的析像度低下并且噪声结构也低下的结果。“kVp”是对X射线管线源的阳极与阴极之间施加的峰值千伏电压(kV)。稀疏的kVp切换投影数据的另一个问题是，对于检测器像素、通过X射线好不容易找到的轨道在两个kVp设定间不同，而不能执行构思正弦图域物质辨别。但是，图像域物质辨别全部具有包括例如X射线束(例如，通过蝴蝶结形滤波器(Bowtie filter)而为不同的路径的原因)的能谱中的射束硬化校正、空间的变动在内的、相关的物质辨别独自的难度。

为了消除上述问题，这里说明的方法，为了降低对使用稀疏的kVp切换DECT系统而采集到的稀疏的视图投影数据进行重构而得到的图像中的伪影，例如使用深度学习(DL)方法。并且，例如，这里说明的方法，针对图像域物质辨别也使用深度学习方法。

接下来参照附图，参照符号在数枚图中指示同一或者对应的部分。图1示出了具有通过第三代几何配置的能量积分型检测器的计算机断层摄影(CT)扫描中的X射线源及检测器的构成。图1中描绘的是，躺在诊视床116上的被图像化的被检体OBJ、X射线源112、准直器/滤波器114以及包括一个一个的检测器元件的阵列(即像素)的被像素化的X射线检测器103中的相对的位置的非限定例。X射线源112构成为，放射出具有依赖于对该X射线源施加的电压的能谱的X射线。能量积分型X射线检测器103具有构成为输出投影数据的多个检测器元件。未图示的控制部，在高kV及低kV间往复地、通过一系列的投影视图的两个以上的投影视图的增加，变更对X射线源施加的电压。

在一个实施方式中，X射线源112与准直器/滤波器114，固定地连接于以能够旋转的方式连接于吊架的环状旋转框架110。例如，该环状旋转框架110能够采用构成为以保持被检体OBJ被固定于诊视床116上的空间中原封不动的状态地在吊架内旋转的环状环。或者替代性地，在螺旋扫描中，诊视床也能够在X射线源112及X射线检测器103绕吊架的孔旋转的同时，沿着吊架的孔而平行移动。CT扫描的吊架在能够将中心置于环状旋转框架110的等中心的孔中还包括开口孔径115。该开口孔径115能够使得被检体OBJ位于来自X射线源的X射线的投影面。在特定的实施方式中，X射线检测器103固定地连接于以能够旋转的方式连接于该吊架的别的旋转组件130。在旋转/旋转构成中，环状旋转框架110与旋转组件130，X射线检测器103与X射线112能够一边维持位于正相反的位置的状态一边都旋转，以通过投影角度(即视图)的行进而取得被检体OBJ的投影数据。通过配置沿着一轴而配置的投影角度下的投影数据和沿着其他的轴而配置的投影角度的空间的维度，从而制作出正弦图。为了重构被检体OBJ的截面图像，能够使用投影数据(正弦图)。

在光谱CT中，具有多重能量成分的投影数据被使用于对被检体OBJ的投影测定进行表示。这些投影测定在能够进行与非光谱的CT同样的以往的CT图像重构法的、一系列的角度进行。但是，不同于非光谱的CT，光谱CT生成使将投影测定向物质成分的辨别成为可能的附加的信息(即，光谱衰减信息)。除了k边(k-edge)法以外，分别因为康普顿散射及光电子衰减，基于X射线衰减的独特的光谱特征，物质数大抵是两个。即，相对于两个物质成分的X射线衰减间的光谱的差，根据康普顿散射相对于该物质成分所示的光电子衰减的不同的比例而产生(例如，如碘那样的高Z物质为原因的X射线衰减，与水等的低Z物质相比，因康普顿散射相对于光电子衰减的不同的比例而成立。)。

将投影数据从光谱域映射到物质域，能够在正弦图域(即图像重构处理前)或者图像域(即图像重构处理后)中的任一个执行。但是，在正弦图(投影)域执行的情况下，该投影数据必须包含分别相对于双能成分的同一(或者大致同一)X射线轨道。该情况由于在高速kVp切换中、CT扫描在附近的高kV投影视图与低kV投影视图之间非常小地旋转而达成。但是，对于稀疏的kVp切换，X射线轨道间的差，在关于X射线管用相同的低或者高kVp设定而采集到的图像的长序列的正中间的投影视图间变大。

生物体物质中的X射线的衰减通过两个物理过程(即光电子吸收和康普顿散射)来掌握。这样，作为能量的函数的衰减系数能够通过以下的辨别来近似。

【数式1】

μ(E，x，y)＝μ_PE(E，x，y)+μ_C(E，x，y)

这里μ_PE(E，x，y)是光电子衰减，μ_c(E，x，y)是康普顿衰减。代之以，该衰减系数为，

【数式2】

μ(E，x，y)≈μ₁(E)c₁(x，y)+μ₂(E)c₂(x，y)

能够重新整理为高Z物质(即物质1)与低Z物质(即物质2)的辨别。这里c₁(x，y)及c₂(x，y)分别对应于第一物质成分和第二物质成分。所谓的物质辨别，是根据与所测定/所重构出的衰减光谱最近似的c₁(x，y)及c₂(x，y)来求解的处理。

图2A及图2B表示高速kVp切换的实施方式的图。与X射线管有关的kVp设定相对于各投影角度而改变。在图2A中，对于使用高kVp(低kVp)设定的投影图像的采集的、X射线源的位置通过白(黑)圈来表示。在图2B中，对X射线管施加的电压，与相对于通过白(黑)圈来表示的通过高kVp(低kVp)设定而采集到的投影图像的时间及电压一起，作为时间函数来表示。

图3A及图3B表示稀疏的kVp切换的实施方式的图。与X射线管有关的kVp设定仅在用不同的投影角度进行了一系列的N投影图像后改变。这里N是大于1的数。在图3A中，对于使用高kVp(低kVp)设定的投影图像的采集的、X射线管的位置通过白(黑)圈来表示。在图3B中，对X射线管施加的电压，与相对于通过白(黑)圈来表示的通过高kVp(低kVp)设定而采集到的投影图像的时间及电压一起，作为时间函数来表示。

在图3A及图3B的非限定例中，N为3，但N能够设为比2大的任意的整数。并且，如本领域技术人员理解那样，通过规定的kVp设定而采集到的一系列的投影图像数不需要通过CT扫描而为常数，另外不同的间隔能够应用于不同的kVp设定之间(例如，在规定的CT扫描中，与低kVp设定时相比，在高kVp设定时，能够采集到更多的投影图像，另外反之亦然)。即，未图示的控制部可以构成为，使高kV下的投影视图数与低kV下的投影视图数不同，变更对X射线源112施加的电压。

稀疏的kVp设定的方法使用80kVp的低kVp设定及135kVp的高kVp设定的非限定例，这里将进行描述。对于X射线管，X射线光谱主要通过电压(kVp)来控制，该电压(kVp)为，在电子碰撞到阴极由此突然停止并将电子的动能经由制动放射线而变换为X射线前，为了将电子加速而施加于阳极与阴极之间的电压。通过该处理，通过改变对X射线管施加的电压，能够生成不同的X射线光谱。图4将使用80kVp的低kVp设定及135kVp的高kVp设定而生成的X射线能量的概率分布分别示出。

如以上说明那样，利用使用稀疏的kVp切换而采集到的投影数据的图像重构的问题在于，因为条纹状伪影，画质有降低的倾向。例如，图5A及图5B分别示出了，使用对于80kVp及135kVp的稀疏的kVp切换投影数据并使用FBP重构而生成的、重构出的图像例。条纹状伪影清楚地出现。并且，仔细研究后，显然该条纹状伪影有互补的倾向。即，80kVp图像中的亮的条纹对应于135kVp图像中的暗的条纹，反之亦然。为了描绘该状况，图5C示出了80kVp图像与135kVp图像的和。80kVp图像中的亮的条纹状伪影反作用于135kVp图像中的暗的条纹状伪影，达到了出乎意料的程度。这些条纹状伪影能够理解为根据如图3A所示那样、相对于80kVp及135kVp投影数据的投影角度是互补的这一事实而产生。例如，CT扫描被设定为高kVp设定的投影角度的序列/间隔对CT扫描被设定为低kVp设定的投影角度的序列/间隔进行补充，并且是彼此排他的。这样，为了降低条纹状伪影，能够使来自两个图像的信息组合。

这里说明的方法为，为了对条纹状伪影进行校正并生成高画质图像，而使用关于如何以最好的形式利用分别来自低及高kVp重构出的图像的组合后的信息进行了学习的DL－ANN。

另外，将学习完毕的DL－ANN作为学习完毕模型而使用。

这里，关于学习完毕模型和学习的处理，依次进行叙述。

学习完毕模型被适用于处理部，该处理部被输入由取得部取得的第1图像及第2图像。处理部针对学习完毕模型输入由取得部取得的第1图像及第2图像，从而生成第3图像及第4图像。详细而言，取得部取得第1图像和第2图像，该第1图像对应于离散的第1视图群，且为基于伴随着第1能量的X射线的照射而采集到的第1投影数据集的图像，该第2图像对应于与该第1视图群不同的离散的第2视图群，且为基于伴随着与该第1能量不同的第2能量的X射线的照射而采集到的第2投影数据集的图像。

处理部，针对基于第1图像及第2图像而生成将第1图像中的条纹状伪影减少后的第3图像及将第2图像中的条纹状伪影减少后的第4图像的学习完毕模型，输入第1图像及第2图像，从而生成第3图像及第4图像。

另外，可以是，与第3图像对应的第3视图群及与第4图像对应的第4视图群分别包括第1视图群及第2视图群。

可以是，第3视图群比第1视图群多，第4视图群比第2视图群多。

可以是，第1投影数据集及第2投影数据集分别是正弦图。

可以是，第3图像及第4图像分别是与图像重构所必要的全部的视图对应的CT图像。

另外，“离散的第1视图群”及“与第1视图群不同的离散的第2视图群”中的“离散的”的定义只要与管电压的变化对应即可。例如，“离散的”的用语包括以下的情况(a)～(d)。这里，将管电压为高kV的情况用“H”表示，将低kV的情况下用“L”表示。

(a)管电压以H→L→H→L→H→…变化的情况(交替地变化的情况)。

(b)管电压以H→H→H→L→L→L→H→H→H→…变化的情况(一部分连续的情况)。

(c)管电压以H→M→L→M→…变化的情况(夹着高kV与低kV之间的中kV(记号“M”)的视图群的情况)。前述的包含空的视图群的情况也是同样的。另外，中kV是高kV与低kV之间的切换中途的电压。但是，中kV不限于此，也可以为高kV与低kV之间的规定电压。总之，在使用中kV的情况下，例如使用具有三个通道的DL－ANN。

(d)管电压以H→H→L→H→H→…变化的情况(高kV和低kV的频度(视图编号的范围)不同的情况)。

以上是关于包含“离散的”的用语的情况(a)～(d)的说明。但是，“离散的”的用语不限定于这些情况(a)～(d)。

在使用如以上那样的学习完毕模型的情况下，例如，在特定的实施方式中，也可以使用FBP重构法重构图像，之后对伪影及噪声校正应用DL－ANN网络。在该情况下，与使用适当地选择的正则化(例如，全变动最小化(total variation(TV)minimizationregularization term：正则化项)、使用迭代重构法直接地重构出高画质图像的情况，能够更快地生成同等或者更好的画质。

图6示出了包含伪影校正网络351的学习的处理310、并且包含为了最终地生成高画质物质基底图像257而以将稀疏的视图重构出的图像255予以校正的方式进行学习后的伪影校正网络351的应用的处理202的、针对稀疏的kVp切换CT图像重构的方法200的流程图。

在处理310中，损失函数被使用于：为了生成学习后的网络351，而迭代地调整DL－ANN网络351的参数(例如，卷积层及池化层(Pooling Layer)的权重及偏差)，直到满足停止基准为止(相对于规定的阈值的、网络系数/参数的收敛)。该损失函数将高画质学习数据353(一个一个kVp设定下的全扫描图像)、与将低画质学习数据355(稀疏的kVp切换图像)应用于DL－ANN网络351的当前的版本而生成的结果进行比较。高画质图像的各对(例如，通过两个kVp设定分别采集到的一个的高画质图像)，被组合于如被图像化为该高画质图像的对那样的通过对相同的被检体OBJ或者幻象(phantom)进行摄像而生成的低画质图像的对应的对。高画质图像能够称为“对象”或者“标记”，低画质图像能够称为“输入”。学习数据往往包含对应的对象及输入的较大的集合。脱机学习，能够在规定的CT扫描(例如，CT扫描最初被安装并且被校准的情况下)之前执行，学习到的DL－ANN网络351被存储在内存中，直到CT扫描被采集为止、并且直到在步骤220中执行图像重构为止。

图7A及图7B分别表示在80kV及135kV的kVp设定下生成的高画质图像的例子。与使用稀疏的视图投影数据相比，在各kVp设定下使用全视图扫描，能够重构高画质图像。并且，为了生成更好的画质(例如，使用正则化及去噪的迭代重构)而使用公知的技术，也能够重构出高画质图像。图7A及图7B的图像可能存在为了形成为了学习网络351而使用的学习数据集的部分、而作为与作为输入图像而使用的图5A及图5B中的图像的组合中的对象图像来使用的情况。

图8示出了使用两个输入图像(即，与图5A中的图像同样的低kV输入图像355(L)及与图5B中的图像同样的高kV输入图像355(H))及两个对象图像(即，与图7A中的图像同样的低kV对象图像353(L)及与图5B中的图像同样的高kV对象图像353(H))而学习到的DL－ANN网络351的例子。换言之，作为伪影减少神经网络的DL－ANN网络351使用如下学习数据集而学习，该学习数据集为，对象图像为基于使用低能量X射线束而采集到的第一全视图投影数据和使用高能量X射线束而采集到的第二全视图投影数据而生成的学习数据集的图像。并且，DL－ANN网络351是取两个输入图像355(L)及355(H)、并且使用损失函数生成将两个对象图像353(L)与353(H)进行比较的两个结果的基于两个频道的网络。

如图9所示那样，生成了学习后的网络351后，为了根据从处理210的步骤220生成的低画质光谱CT图像255而生成高画质光谱CT图像253，使用处理202的步骤230，以应用于学习后的网络351。这里，作为伪影减少图像的高画质光谱CT图像253包括作为第3图像的第二低能量图像(图中“低kV”)和作为第4图像的第二高能量图像(图中“高kV”)。第二低能量图像表示条纹状伪影被降低后的第一低能量图像，并且第二高能量图像表示条纹状伪影被降低后的第一高能量图像。

返回到图6，在处理202中，为了使用稀疏的kVp切换而生成的CT投影数据251来生成高画质的物质图像，使用步骤210、220、230、240而处理。

在特定的实施方式中，CT投影数据251能够采用从在步骤210中前处理过的CT扫描采集到的投影数据(例如，附信号条件、校准校正、基线校正、射束硬化校正等)。投影数据251能够采用使用各种各样的校准及几何学的要素而校正后正弦图。例如，前处理能够包括对检测器偏差及增益的校正、检测器中的量子效率中的变化等。并且，这些校正能够基于校准数据、经验性导出的参数、以及先验的公知的参数。

在处理202的步骤220中，图像重构能够使用逆投影法、滤波器校正逆投影法、基于傅里叶变换的图像重构法、迭代图像重构法、矩阵反转图像重构法、统计学的图像重构法或者本领域技术人员公知的其他的重构法来执行。例如，重构法能够使用螺旋重构技术、锥束重构技术、Feldkamp算法、FBP重构法、伴随着图像域及正弦图域中的一方或者两方中的噪声降低的迭代近似应用剂量降低(adaptive iterative dose reduction：AIDR)三维(3D)重构法。重构能够包括去噪、用于使高衰减区域中的光子不足(starvation)最小化的校正、用于降低量子噪声的校正、边缘保存/强调校正、以及过滤(例如，线性及非线性过滤、以及去噪)。

在特定的实施方式中，各kV下的稀疏的视图数据的重构分别成为因几个视角的样本缺乏引起的伪影这一结果。低及高能量数据是彼此互补的，所以使用相互解析信息的双通道网络提供超过分别考虑各能量要素(kVp设定)的一个通道网络的、明显的益处。

因此，在处理202的步骤230中，网络351能够采用利用低及高能量投影数据间的互补的信息的双通道网络。在特定的实施方式中，步骤312中执行的学习利用使用与步骤220中的重构法相同的重构法而生成的输入图像。例如，伪影减少神经网络使用如下学习数据集而学习，该学习数据集为，输入图像使用与为了重构第一低能量图像和第一高能量图像而使用的重构法相同的重构法重构的学习数据集。另外例如，步骤220能够使用AIDR3D法等的基于FBP的方法，另外步骤312中的输入图像能够采用分别伴随着高及低kVp值的kVp切换而采集到的、AIDR3D重构图像。各kVp设定下采集到的投影数据是稀疏的，所以结果的图像苦于稀疏的采样伪影。对象图像能够采用使用来自全视图旋转―旋转双能扫描的投影数据而采集到的IDR3D重构图像。针对这些对象图像的各kV下的采样是完全的，所以对象图像不受伪影的影响。并且，对象图像能够使用生成低噪声且高画质图像的任意的其他的重构法而重构(例如，伴随着边缘保存或者TV正则化的迭代重构法)。这样，在步骤230的确定的实施方式中，低画质图像255(H)及255(L)被应用于双通道网络351的情况下，所生成的高画质图像253(H)及253(L)往往表示被降低的伪影及被降低的噪声这两方。

在处理202的步骤240中，为了生成物质成分图像257，能够对于图像253(H)及253(L)执行物质辨别。一般而言，为了生成物质成分图像257，能够使用任意的物质辨别法。图10－12示出了为了执行物质辨别，步骤240使用DL－ANN网络361执行的方法200的实施方式。

如上述那样，一般而言，从光谱域向物质成分域映射的物质辨别能够在图像重构处理前或者后中的某一个时候执行。但是，稀疏的kVp切换物质辨别，在图像域比在投影(正弦图)域更容易地执行。如上述那样，为了执行投影(正弦图)域中的物质辨别，投影数据应当包含分别对于测定到的能量成分的、相同的(或者大致相同的)X射线轨道。在高速kVp切换中，达成前述情况是因为，CT扫描在附近的高kV及低kV之间非常小地进行了旋转。但是，针对稀疏的kVp切换，有时在对于高及低kV的投影角度与低kVp设定之间，差变大，使得投影域物质辨别变得困难。

关于双能CT(DECT)中的图像域物质辨别的问题的消除，DL－ANN网络361有时特别有效。关于以往的图像空间辨别，有两个问题。第一，X射线束的X射线光谱有时因为Bowtie过滤而在空间上变化。因此，图像空间物质辨别矩阵也理想地在空间上变化。第二，与射束硬化伪影有关的校正，各物质的贡献沿着X射线轨道是公知的，所以在正弦图域物质辨别中是直接的并且有效的。对照性地，对于图像空间物质辨别，射束硬化校正耗费时间并且需要迭代校正，所以更复杂并且典型性地效果较低。使用这里说明的DL法，但是，伴随射束硬化校正的图像空间物质辨别与以往的方法相比，能够更有效地执行。例如，为了消除上述问题，为了在针对X射线束的光谱中的空间的变化以及射束硬化进行校正的同时，快速地执行物质辨别，将与双通道网络361一起使用深度学习。

为了实现这些改进，图10及图11示出了包含输入图像和对象图像的学习数据，该输入图像为两个高画质kVp图像353(H)及353(L)，该对象图像为针对第一物质成分的基底物质图像363(1)及针对第二物质成分的基底物质图像363(2)。物质成分图像363(1)及363(2)，能够通过对全扫描投影数据执行正弦图域物质辨别、之后根据物质成分投影数据重构出高画质物质图像363(1)及363(2)(即，在重构前，在正弦图域执行物质辨别)来取得。换言之，该取得的对象图像包括通过为了生成物质成分投影数据而使用全视图kVp切换CT扫描的投影数据在正弦图域执行物质辨别的处理、及根据物质成分投影数据重构出物质图像的处理而生成的物质成分图像363(1)及363(2)的对。另外，该取得的对象图像还可以包括如例如后述的图16所示那样关于重构出的物质图像执行白化变换而生成的、物质成分图像的对。这样，物质成分图像363(1)及363(2)不会苦于对于X射线束的不精确的射束硬化校正及空间的光谱校正。这是因为，能够将光谱校正及射束硬化校正中的空间上的变化在正弦图域充分地模型化。因此，通过对物质成分图像363(1)及363(2)进行学习，由此与用关联的图像域法来达成相比，DL－ANN网络361能够以更严密并且精确地执行图像域物质辨别的方式学习。伴随于此，处理部可以取得具有低能量图像用的一个输入通道和高能量图像用的另一个输入通道这两个通道的物质辨别神经网络(例，DL－ANN网络361)。物质辨别神经网络，以在条纹状伪影被降低后的能量图像与高能量图像的对(例，高画质kVp图像353(L)、353(H))被应用于物质辨别神经网络的情况下，生成第一物质图像(例，高画质物质图像363(1))和第二物质图像(例，高画质物质图像363(2))的方式来学习。另外，处理部可以还构成为，将该第二低能量图像和该第二高能量图像应用于物质辨别神经网络，以生成被物质辨别后的图像。这里，物质辨别神经网络可以使用如下学习数据集而学习，该学习数据集为，被物质辨别后的对象图像包含针对射束硬化的校正，并且使为了生成对象图像而使用的X射线束中的空间的变动变得明显的学习数据集。

在图12中，方法200的流程图提供包括伪影减少DL－ANN网络351及图像域物质辨别DL－ANN网络361这两方的实施方式。

图13及图14示出了步骤230和步骤240的伪影减少及物质辨别被组合为单一的步骤250的、作为方法200的变形例的方法200‘的流程图。DL－ANN网络371如图15所示那样，包括被综合到单一的网络的、伪影减少及物质辨别这两方的功能。DL－ANN网络371，将低画质图像355(H)及355(L)作为输入而使用、并且将高画质物质图像363(1)及363(2)作为对象而使用地、在步骤332中被学习。若进行补充，则伪影减少神经网络(例，DL－ANN网络371)，在稀疏的视图重构出的图像被应用于伪影减少神经网络的情况下，也是作为综合处理而学习了降低条纹状伪影并且将光谱图像辨别为物质成分这两方的物质辨别神经网络。

在特定的实施方式中，在学习步骤332中，对DL－ANN网络371的输入图像是使用AIDR3D或者FBP重构法而重构出的、高及低kVp图像。该图像根据不完全的采样数据来重构，所以输入图像受到稀疏的采样伪影的影响。DL－ANN网络371的对象图像如图15所示那样，是来自全视图旋转―旋转双能CT扫描的高画质基底物质图像。DL－ANN网络371也有时使用双通道DL－ANN网络结构。若进行补充，则上述伪影减少神经网络(例，DL－ANN网络371)使用如下学习数据集而学习，该学习数据集为，对象图像是从根据使用低能量X射线束而采集到的第一全视图投影数据和使用高能量X射线束而采集到的第二全视图投影数据而重构出的光谱图像中辨别出的物质图像的学习数据集。输入图像是使用低能量X射线束而采集到的第一稀疏视图投影数据和使用高能量X射线束而采集到的第二稀疏视图投影数据而重构出的光谱图像。第一稀疏视图投影数据是与第二稀疏视图投影数据的投影视图不同的角度下的投影视图。

图16示出了作为步骤332的变形例的步骤332’的图。在步骤332’中，对象图像是通过对高画质物质图像363(1)及363(2)执行白化变换而生成的白化变换图像363’(1)及363’(2)。即，物质成分图像363(1)及363(2)通过使噪声变为不相关的(de-correlates)白化变换，而与白化变换图像363’(1)及363’(2)建立关联。这样，DL－ANN网络371’被应用于处理202’的步骤250中的低画质图像255的情况下，结果成为白化变换图像257’(1)及257’(2)，而且在步骤250中，为了生成物质成分图像257(1)及257(2)，而对白化变换图像257’(1)及257’(2)执行逆白化。若进行补充，则伪影减少神经网络(DL－ANN网络371’)使用如下学习数据集而学习，该学习数据集为，对象图像是使用白化变换变换后的物质辨别后的图像的学习数据集。该生成的物质辨别后的图像将逆白化变换应用于从物质辨别神经网络输出的结果图像而生成。

为了使临床上关联的诊断有关的能量范围中的单一能量的画质最优化，能够将白化变换应用于深度学习对象图像。在白化变换矩阵根据75keV线性衰减系数来推定的情况下，深度学习有为了提供高画质75keV单一能量的图像而使网络系数最优化的倾向。基底物质辨别有时将相关噪声引用到基底物质图像。白化变换能够使两个基底物质图像中的噪声变为不相关。因此，学习到的网络是在学习处理中能够将噪声有效地降低的噪声。在重构处理202中，高画质基底图像257(1)及257(2)，在应用于步骤250中的情况下，通过执行对于来自DL－ANN网络371’的输出图像257’(1)及257’(2)的逆白化变换来取得。

接下来，提供DL－ANN网络的学习有关的更详细的说明。该说明作为网络的学习例使用步骤312来描述，但如本领域技术人员理解那样，也被应用于所执行的步骤322、332、332’中的学习。图17示出学习步骤312的一个实施方式的流程图。在步骤312中，低画质(例如嘈杂的)图像355及高画质(例如最优化的)图像353作为用于使DL－ANN网络进行学习的学习数据而使用，结果带来了从步骤318的输出即DL－ANN网络。一般而言，图像355能够设为，“缺点”有通过图像处理而受到影响的情况、有为任意的不希望的特性的情况(例如，噪声或者伪影)、示出任意的缺点的图像或者输入图像。同样地，图像353能够设为，“缺点”比在图像355中看到的少的对象数据、缺点被降低的数据、缺点被最小化的数据或者最优化的数据。脱机DL学习步骤312，为了从输入图像355生成与对象图像353相似的图像而使DL－ANN网络351学习，因此使得使用被设为与对应的对象图像353成对的很多输入图像355的DL－ANN网络351进行学习。

在步骤312中，取得学习数据的集合，网络351被迭代地更新，以降低误差(例如，通过损失函数生成的值)。换言之，DL－ANN网络推论出通过学习数据来暗示的映射，成本函数生成与对象图像353和将DL－ANN网络351的当前的形式应用于输入图像355而生成的结果之间的未对准建立关联的误差值。例如，在特定的实施方式中，成本函数能够为了将均方误差(average squared error)最小化而使用平均二乘误差(mean-squared error)。在为多层感知机(MLP)神经网络的情况下，将基于使用(概率论的)梯度下降法的平均二乘误差(mean-squared-error)的成本函数最小化，由此能够为了学习网络而使用反向传播算法。

在步骤312的步骤313中，对于DL－ANN网络351的系数，生成初始推测。例如，该初始推测，有时基于被图像化的区域的先验知识，或者有时基于一个以上的例示性的去噪法、边缘检测法、及/或blob检测法。并且，该初始推测也能够基于LeCun初始化、Xavier初始化、Kaiming初始化中的一个。在这些情况下，在步骤313中，DL－ANN网络351(伪影减少神经网络)被初始化。

从步骤314到步骤318，提供用于学习DL－ANN网络351的最优化法的非限定例。处理部取得包含具有互补的条纹状伪影的稀疏的视图重构出的图像的对在内的输入图像355。这里，稀疏的视图重构出的图像伴随根据稀疏的视图kVp切换计算机断层(CT)扫描的投影数据重构出的图像。另外，处理部取得对象图像353，该对象图像353除了条纹状伪影被降低以外，还包含与该稀疏的视图重构出的图像对应的图像的对。该取得的对象图像353也可以采用包含对根据全视图kVp切换CT扫描的投影数据重构出的图像进行表示的、全视图重构出的图像的对的图像。

在步骤314中，误差是为了表示对象图像353(即，真值：ground truth)与网络351的当前的版本应用后的输入图像355之间的差的测定(例如，距离测定)而计算的(例如，使用损失函数或者成本函数)。误差能够使用任意的公知的成本函数、或者包括上述的成本函数的图像数据间的距离测定来计算。并且，在特定的实施方式中，误差/损失函数能够使用铰链形损失函数(hinge loss)及交叉熵损失函数中的一个或者多个来计算。

并且，为了避免针对学习数据所示的确定的例子而过学习网络，能够将损失函数与正则化方法组合。正则化往往有助于机械学习问题中的过学习的阻止。在过长地学习的情况下，并且推定为模型充分地具有表现力(representational power)，则该网络成为网络对该数据集学习确定的噪声，将此称为“过学习”。在过学习的情况下，DL－ANN网络缺乏泛化，噪声在数据集间变化，所以方差变大。在偏差(bias)及方差的合计最小的情况下，发生最小合计误差。因此，希望的是，对学习数据中的噪声，与确定的解相比，学习后的网络达到为了使表示一般的解的可能性(like lihood)最大化而以最简单并且最可能的方法说明数据的局部最小值。该目标例如能够通过早期停止、权重正则化、lasso正则化、岭正则化或者弹性网正则化来达成。

在特定的实施方式中，网络351使用反向传播而学习。反向传播能够使用于学习神经网络，而且与梯度下降最优化法合并使用。在向前消息传递(forward pass)期间，算法计算基于当前的参数θ的网络的预测。这些预测之后通过被与对应的真值标记(即，高画质图像353)进行比较的预测，而被输入至损失函数。在向后消息传递(backward pass)期间，模型计算当前的参数有关的损失函数的梯度。之后，参数通过取被最小化的损失的方向中的预先决定的尺寸的尺寸的步长(step of size of a predefined size)而被更新(例如，牛顿的动量法、各种各样的自适应法等的加速的方法，步长尺寸能够选择，以便以使损失函数最优化的方式更快地收敛)。

执行逆投影的最优化法能够使用梯度下降、批量梯度下降、概率论的梯度下降、小批量概率论的梯度下降中的一个或者多个。并且，最优化法能够使用例如包括Adagrad次梯度法、Adadelta或者Adagrad法的RMSProp参数更新变动及Adam自适应最优化技术等的牛顿动量技术或者自适应法的、达到深度学习中的概率论的梯度下降更快的收敛速度这一结果的最优化方法中的、一个或者多个动量更新技术来加速。最优化法也能够通过将雅可比矩阵(Jacobian matrix)引入更新步骤，从而应用二阶法。

向前消息传递和向后消息传递，能够通过网络的一个一个的层地、递增(incrementally)地执行。在向前消息传递时，执行是通过将输入通过第一层而输送而开始的，其结果造成对后续的层的输出活性化。该处理被反复执行直到达到最后的层中的损失函数为止。向后消息传递期间，最后的层关于其自身的能够学习的参数(如果有的话)和关于发挥作为对以前的层的上流微分的功能的、其自身的输入都进行计算。该处理被反复进行直到达到输入层为止。

返回到图17所示的非限定例，步骤315作为能够决定网络中的变化的函数(例如，误差梯度)，决定误差中的变化，并且，误差中的该变化能够使用于选择针对DL－ANN网络351的权重/系数的、相对于后续的变化的方向及步长尺寸。通过这样的方法计算误差的梯度，与梯度下降最优化法的确定的实施方式有一贯性。在确定的其他的实施方式中，该步骤能够省略、及/或能够如本领域技术人员理解那样、按别的最优化算法(如模拟退火或者遗传算法那样的、非梯度下降最优化算法)、而置换为别的步骤。

在步骤316中，决定针对DL－ANN网络351的系数的新的集合。例如，权重/系数能够如梯度下降最优化法或者超松弛加速法那样、使用在步骤315中计算出的变化来更新。即，处理部，为了使对根据应用于伪影减少神经网络的输入图像而生成的对象图像与输出图像的一致进行表示的损失函数最优化，将网络系数迭代地更新。

如以上那样，处理部构成为，通过上述的将伪影减少神经网络初始化的处理、取得输入图像的处理、取得对象图像的处理、及迭代地更新该将网络系数的处理，来学习具有二通道的伪影减少神经网络。

在步骤317中，使用DL－ANN网络351的被更新过的权重/系数，计算新的误差值。

在步骤318中，为了判定网络的学习是否完成，而使用预先确定的停止基准。例如，预先确定的停止基准有时评价新的误差及/或执行的总迭代数是否超过规定值。例如，在新的误差低于规定的阈值地降低、或者达到了最大迭代数中的任一情况下，能够满足停止基准。在不满足停止基准的情况下，步骤312中执行的学习处理，使用新的权重及系数并返回到或重复步骤315，从而继续返回到迭代循环的开始(迭代循环包括步骤315、316、317、318)。在满足了停止基准的情况下，步骤312中执行的学习处理完毕。

图18A及图18B示出了DL－ANN网络351中的层间的相互连结的各种各样的例子。DL－ANN网络351能够包含完全地连结的层、卷积层以及池化层，但它们全都在下述进行说明。在DL－ANN网络351的确定的推荐实施方式中，进行高等级的推论(reasoning)的完全地连结的层，接近于损失函数而在构造上位于更下方，另一方面，卷积层配置于输入层的附近。池化层能够在卷积之后插入，并且能够证明使滤波器的空间的扩展下降的降低(reduction)，并且总之能够作为能够学习的参数量。活性化函数也是，为了取非线形性而被插入到各种各样的层，使得用于学习复杂的预测关系的网络成为可能。活性化函数能够采用使活性化函数为饱和状态(例如，S形或者双曲正切活性化函数)的、或者归一化的活性化函数(例如，上述说明的第一例及第二例中应用的归一化线性单元(Rectified LinearUnit：ReLU)。DL－ANN网络351的层如上述说明的第一例及第二例中也例示那样，也能够插入批量标准化。

图18A示出了具有N个输入、K个隐藏层及三个输出的一般的人工神经网络(ANN)的例子。各层用节点(或者也称为神经元)形成，各节点为了生成输出，而执行输入的加权后的合计，并将该加权后的合计的结果与阈值进行比较。ANN通过可变阈值、结合权重或者节点数及/或节点的结合性等构造的详细，构成针对所取得的等级的成员的函数的等级。ANN中的节点有时也称为神经元(或者神经元节点)，该神经元能够在ANN系统的不同的层间具有相互结合。最简单的ANN有三个层，被称为自编码器(autoencoder)。DL－ANN网络351往往具有神经元的三个以上的层，而且具有与输入神经元同数量的输出神经元～x_N(“～”为x之上)，这里N是重构出的图像中的像素数。突触(即，神经元间的结合)存储操纵计算中的数据的被称为“权重”的值(同义称为“系数”或者“加权系数”)。ANN的输出依赖于参数的以下三个类型。(i)神经元的不同的层间的相互结合模式，(ii)用于更新相互结合的权重的学习处理，(iii)神经元的加权后的输入向该神经元的输出活性化变换的活性化函数。

在数学上，神经元的网络函数m(x)作为能够进一步定义为其他的函数的合成的、其他的函数的合成n_i(x)来定义。这能够如图18A所示那样，使用描绘变量间的从属状态的箭头，方便地表示为网络结构。例如，ANN能够使用非线性加权后的合计，这里是m(x)＝K(Σiwini(x))，另外这里K为(通常被称为“活性化函数”)双曲正切等的某规定的函数。

在图18A(及同样地图18B)中，神经元(即节点)用阈值函数的周围的圆来描绘。关于图18A所示的非限定例，输入被描绘为线性函数的周围的圆，箭头表示神经元间的带方向的结合。在特定的实施方式中，DL－ANN网络351是正向传播型网络(feedforwardnetwork)。

图18B示出了DL－ANN网络351为卷积神经网络(CNN)的非限定例。CNN是对于图像处理具有有益的特性的ANN的类型，因此对于图像去噪的应用尤其具有关联性。CNN使用正向传播型ANN，该正向传播型ANN为，神经元间的结合性模式能够表示图像处理中的卷积。例如，CNN通过使用被称为“感受野(receptive fields)”的、对输入图像的部分(portion)进行处理的较小的神经元集合的多层，而使用于图像处理最优化。这些集合的涉及的输出，为了取得原始图像的更好的显示，能够使这些集合的输出重叠，之后进行并列显示(tiled)。该处理模式能够遍及具有卷积层与池化层的替代的多层地反复进行。

紧接着卷积层之后，CNN能够包括将卷积层中的神经元集团的输出组合的、局部的及/或大区域的池化层。并且，在特定的实施方式中，CNN在各层的结尾或者各层之后，也能够使用所应用的点别的非线形性，而包含卷积层及全结合层的各种各样的组合。

CNN相对于图像处理，有几个优点。为了减少自由参数个数并且改进生成，对于输入小的区域，引入卷积运算。CNN在确定的实施方式中的重要的强项之一为，卷积层中的共有的权重的使用，即作为对于层中的各像素的系数而使用的滤波器(权重组合)是相同的滤波器。该重要的强项使内存使用量(memory footprint)减少，并且使评价提高。与其他的图像处理法相比较，CNN有利地使用比较小的前处理。这意味着，关于在以往的算法中学习手动设计的滤波器这一情况，是可信赖的。缺乏对设计特征时的预备知识及人的努力的依赖，是针对CNN的主要的强项。

图19A及图19B分别表示根据图5A及图5B中的低画质的低及高kVp图像、通过步骤230生成的、高画质图像的低及高kVp图像的例子。通过将低及高画质对比可知，使用网络351的处理生成画质中的明显的改进。

图20A及图20C分别表示关于图5A及图5B中的低画质的低及高kVp图像、使用以往的物质辨别法而生成的、碘及水物质成分图像。图20B及图20D分别表示使用图19A及图19B中的高画质图像相对于步骤240中的DL－ANN网络361的应用而生成的、碘及水物质成分图像。通过图20A及图20B中的碘图像的比较，方法200明显生成了相对于根据稀疏的kVp切换投影数据重构出的图像的、画质中的、大幅的改进。

图21示出了具有通过第三代几何配置的能量积分型检测器的计算机断层摄影(CT)扫描的第一实施方式。图中描绘了X射线源112、准直器/滤波器114、X射线检测器103、及从PCD1到PCDN的光子计数检测器间的相对的位置。

除了图21所示的X射线源112及X射线检测器103的构成以外，为了取得投影数据，能够使用X射线检测器及X射线源的其他的类型及组合。

图21也示出了对X射线投影数据进行采集、存储、处理及分布用的电路及硬件。该电路及硬件包括处理器170、内存178及数据采集系统176。

X射线源112及X射线检测器103收容于吊架140，并且绕环状旋转框架110的圆轨道旋转。X射线检测器103中的检测器元件检测所发送的X射线放射线，并且输出在X射线检测器103旋转时检测到的信号。在一个实施方式中，X射线检测器103具有在检测器面上的规定的通道及扇形方向上较密地配置的能量积分型检测器。

在一个实施方式中，X射线源112是任意地构成为执行用于放射出在规定的高等级能量及规定的低等级能量下的X射线照射的kVp切换功能的、单一的X射线源。

X射线检测器103为了检测出来自从与闪烁器元件相互作用的X射线放射线作为结果而生成的闪烁事件的闪烁光子的结果，而能够使用利用了光电倍增管或者雪崩光电二极管的闪烁元件等的能量积分型检测器。该闪烁器元件存在是结晶构造、有机液体、塑料或者其他的公知的闪烁器的情况。

CT扫描也包括数据通道。该数据通道将来自光子计数检测器及X射线检测器103的投影测定结果，发送至数据采集系统176、处理器170、内存178。数据采集系统176控制来自检测器的投影数据的采集、数字化、路由(routing)。数据采集系统176也包括控制环状旋转框架110的旋转的放射线控制电路。在一个实施方式中，数据采集系统176也控制诊视床116的移动、X射线源112的操作、以及X射线检测器103的操作。数据采集系统176能够为集中型系统或者替代性地能够为分散型系统。在一个实施方式中，数据采集系统176被综合于处理器170。处理器170执行包括来自投影数据的图像的重构、投影数据的前重构处理及图像数据的后重构处理的功能。处理器170也执行这里说明的功能及方法。处理器170是取得部及处理部的一例。取得部取得投影数据的情况下，数据采集系统176及处理器170为取得部的一例。处理部不限于CT扫描的处理器170，也可以作为经由网络而连接于取得部的服务器装置来安装。换言之，X射线CT系统可以用单体的装置具备取得部及处理部的构成来实现，也可以用具备取得部的第1装置与具备处理部的第2装置经由网络而连接的构成来实现。另外，作为取得部，可以作为具备取得投影数据的第1取得部的第1装置与具备从投影数据取得图像数据的第2取得部及处理部的第2装置经由网络而连接的构成来实现。这些能够网络连接的构成在全部的实施方式中共用。

投影数据的前重构处理能够包括检测器校准、检测器非线形性、极性效应、噪声补偿及对物质辨别的校正。另外，该前重构处理能够包括步骤210中的各种各样的处理。

后重构处理能够根据必要而包括图像的过滤、平滑、容积再现处理、图像差分处理。此外，后重构处理能够包括包含处理202、310、320、330的、来自各种各样的执行方法200的步骤。

图像重构处理能够使用滤波器校正逆投影法、迭代图像重构方法或者概率论的图像重构法来执行。并且，图像重构处理有时包括步骤220。

处理器170和数据采集系统176这两者能够利用内存178，以存储例如投影数据、重构出的图像、校准数据、参数、及计算机程序。

处理器170能够包括CPU及网络控制器。该CPU能够作为面向特定用途的集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他的复合可编程逻辑器件(CPLD)等、各种逻辑门来执行。FPGA或者CPLD的实施方式能够用VHDL、Verilog或者任意的其他的硬件描述语言来代码化，并且，该代码在FPGA或者CPLD中能够直接存储在电子内存内、或者也能够作为单独的电子内存来保存。并且，内存可以是ROM、EPROM、EEPROM(注册商标)或者FLASH内存等非易失性的。该内存可以是静态或者动态RAM等易失性的，除了电子内存以外，还可以提供用于管理FPGA或者CPLD与内存的相互作用的微控制器、微处理器等处理器。

替代性地，CPU能够执行包括用于执行这里说明的功能的计算机可读取的命令的集合的计算机程序，该计算机程序能够存储于任意的上述的非暂时的电子内存及/或硬盘驱动器、CD、DVD、FLASH驱动器、或者其他的任意的公知的非暂时的计算机可读取的存储介质。换言之，该存储介质包含能够执行的命令，在通过电路执行该命令的情况下，使电路执行上述的方法。并且，计算机可读取的命令可以作为实用应用、Background daemon或者操作系统的构成要素、或者它们的组合来提供，来自美国Intel公司的Xenon处理器或者来自美国AMD公司的Opteron处理器等的处理器、以及Microsoft VISTA、UNIX(注册商标)、Solaris、LINUX(注册商标)、Apple、MAC－OS等的操作系统、对于本领域技术人员而言公知的其他操作系统，与处理器成为一体而执行。并且，CPU能够作为为了执行命令而并行并协同地动作的多处理器来执行。

在一个实施方式中，重构出的图像有时映现在显示器上。该显示器能够采用LCD显示器、CRT显示器、等离子显示器、OLED、LED或者对于本领域技术人员而言已知的其他的显示器。网络控制器有时采用例如来自美国Intel公司的英特尔以太网(注册商标)PRO网络接口，有时与CT扫描的各种各样的部分间取接口。此外，网络控制器还有时与外部网络取接口。如被理解那样，该外部网络可以是因特网等公众网络、LAN或者WAN网络等私有网络、它们任意的组合，还可以包含PSTN或者ISDN子网络。外部网络既可以如以太网那样通过有线来连接，或者也可以如EDGE、3G、4G等的包括无线蜂窝系统的蜂窝网络那样的无线。另外无线网络可以是WiFi、Bluetooth(注册商标)、或者任意的其他的公知的通信的无线方式。

内存178可以是硬盘驱动器、CD－ROM驱动器、DVD驱动器、FLASH驱动器、RAM、ROM或者对本领域技术人员而言已知的其他的非暂时的计算机可读取的存储介质。该存储介质包含能够执行的命令，在通过电路执行该命令的情况下，使电路执行上述的方法。

图22描绘CT装置或者CT扫描100中包括的放射线吊架的实施方式。如图22所图示那样，放射线吊架1000从侧面观察而描绘，还包括X射线管1001、环状框架1002及多列或者二维阵列型X射线检测器1003。X射线管1001及X射线检测器1003横切被检体OBJ地正相反地安装于环状框架1002上，环状框架1002被支承为能够绕旋转轴RA旋转。被检体OBJ沿着图示的页的里侧的方向或者跟前的方向的轴RA而移动，同时旋转单元1007在环状框架1002上以0.4秒/旋转的高速而旋转。

关于本发明的X射线计算机断层摄影(CT)装置的第一实施方式以下，参照附图进行说明。希望注意的是，X射线CT装置包括各种各样的类型的装置。具体而言，具有：X射线管和X射线检测器在要检査的预定的被检体的周边一起旋转的旋转/旋转型机构、及很多检测器元件配置为环状或者水平状，而仅X射线管在要检査的预定的被检体的周边旋转的固定/旋转型机构。本发明能够应用于任一种类型。本次例示旋转/旋转型机构。

多切片X射线CT装置还包括高电压发生器1009，高电压发生器1009通过集电环1008而生成对X射线管1001施加的管电压，以便X射线管1001生成X射线。X射线朝向被检体OBJ照射，并用圆表示被检体OBJ的截面区域。例如，具有第一扫描涉及的平均的X射线能量的X射线管1001比第二扫描涉及的平均的X射线能量小。这样，对应于不同的X射线能量，能够取得二次以上的扫描。X射线检测器1003为了检测穿过被检体OBJ的照射的X射线，而夹着被检体OBJ地位于与X射线管1001相反一侧的位置。X射线检测器1003还包括各个检测器元件或者检测器单元。

CT装置还包括用于处理从X射线检测器1003检测到的信号的其他的器件。数据采集电路或者数据采集电路(DAS)1004将来自针对各通道的X射线检测器1003的输出信号变换为电压信号，并该电压信号放大，进而将该电压信号变换为数字信号。X射线检测器1003及DAS1004构成为，对每一圈的规定全投影数(TPPR)进行处理。

上述说明的数据通过非接触数据发送器1005，被发送至在放射线吊架1000外部的控制中心内容纳的前处理电路1006。前处理电路1006执行与原始数据有关的灵敏度校正等、确定的校正。存储器1012在重构处理紧前的阶段存储还被称为“投影数据”的结果数据。存储器1012与重构电路1014、输入接口1015、显示器1016一起，通过数据/控制总线1011而与处理电路1010连接。该处理电路1010对电流调整器1013进行控制，该电流调整器1013限制电流直到达到足够驱动CT系统的等级为止。“存储器”可以改写为“内存”、“存储部”或者“储存部”等。“重构电路”可以改写为“重构器件”或者“重构处理部”等。“显示器”可以改写为“显示部”等。放射线吊架1000及重构电路1014的一部分是取得部的一例。重构电路1014的另一部分是处理部的一例。处理部不限于X射线CT装置的重构电路1014，也可以作为与取得部经由网络而连接的服务器装置而安装。

检测器无论是哪一代的CT扫描系统，都相对于患者旋转及/或固定。在一个实施方式中，在以上说明的CT系统有时采用第三代几何学系统与第四代几何学系统相组合的例子。在第三代几何学系统中，X射线管1001与X射线检测器1003，正相反地安装于环状框架1002上，并在环状框架1002绕旋转轴RA旋转时绕被检体OBJ旋转。在第四代几何学系统中，检测器固定地安装于患者的周边，X射线管在患者的周边旋转。在代替性的实施方式中，放射线吊架1000具有在通过C臂及支架来支承的、环状框架1002上配置的很多检测器。

存储器1012能够存储通过X射线检测器1003检测到的表示X射线照射量的测定值。并且，存储器1012能够存储用于执行这里说明的方法(方法200及其变形)的专用程序。换言之，该存储器1012是非暂时的计算机可读取的存储介质，该存储介质包含能够执行的命令，在通过电路执行该命令的情况下，使电路执行上述的方法。

重构电路1014能够执行这里说明的方法(方法200的步骤220及其变形例)的各种各样的步骤。例如，重构电路1014可以使用前述的迭代近似应用剂量降低(AIDR)三维(3D)重构法。在使用该重构法的情况下，重构电路1014将噪声降低、伪影减少作为目的，在投影数据上和图像数据上这两个阶段执行使用了噪声模型的噪声降低处理，生成S/N比及质感较高的重构图像。在该情况下，重构电路1014如图23所示那样，具有第1噪声取得部1014a、第2噪声取得部1014b、噪声推定部1014c、噪声降低处理部1014d、重构图像生成部1014e、最优化处理部1014f、更新处理部1014g、混合处理部1014h。另外，这些“···部”也可以改写为“···电路”等。

第1噪声取得部1014a，针对对数变换前的投影计数数据，利用系统模型(考虑了装置几何学等的装置固有的特性的扫描-模型等)来推定噪声量。

第2噪声取得部1014b，针对对数变换前的投影计数数据，利用统计学的噪声模型(考虑了各X射线量带中的光噪声和电噪声的统计学的噪声模型)来推定噪声量。

噪声推定部1014c，基于在第1噪声取得部1014a、第2噪声取得部1014b中分别推定出的各噪声量，取得与对数变换前的投影计数数据有关的推定噪声的总量。

噪声降低处理部1014d，按照在噪声推定部1014c推定出的噪声量，对于对数变换前的投影计数数据执行噪声降低处理。另外，噪声降低处理部1014d对噪声降低后的对数变换前的投影计数数据，执行对数变换等后输出。

重构图像生成部1014e执行使用了从噪声降低处理部1014d收到的(噪声降低处理及对数变换后的)投影数据的重构处理，而生成重构图像。该重构图像生成部1014e执行的重构处理可以是迭代近似重构处理(全IR处理)、滤波-反投影处理(FBP处理)、使用了IR处理和FBP处理这双方的处理(混合处理)中的任一处理。

最优化处理部1014f使用解剖学的模型，针对从重构图像生成部1014e收到的重构图像或者从更新处理部1014g反馈的更新处理后的重构图像，执行使用三维信息维持锐度高的构造，同时将图像数据上存在的噪声选择性地去除的最优化处理。另外，最优化处理部1014f针对从重构图像生成部1014e收到的重构图像，执行规定的平滑化处理。

更新处理部1014g使用从最优化处理部1014f输出的最优化处理后的图像数据和平滑化处理后的图像数据，执行重构图像的更新处理。更新后的重构图像再次被输出至最优化处理部1014f。在更新处理部1014g与最优化处理部1014f之间，反复执行上述的最优化处理、平滑化处理、更新处理，直到满足规定的条件为止。

混合处理部1014h将从更新处理部1014g输出的重构图像与从重构图像生成部1014e输出的(初始)重构图像以规定的比率混合，使S/N比提高并且在图像数据上维持噪声粒状性，生成具有更自然的质感的重构图像。

另外，更新处理部1014g与最优化处理部1014f之间的反复处理的次数、混合处理部1014h中的混合处理的混合比率，能够以摄像部位、临床用途等基准来决定。

并且，重构电路1014能够根据必要而执行容积再现处理、图像差分处理等、前重构处理图像处理。

通过前处理电路1006执行的投影数据的前重构处理能够包括例如检测器校准、检测器非直线性、针对极性效应的校正。并且，前重构处理也能够包含步骤210。

通过重构电路1014执行的后重构处理能够根据必要而包括图像的过滤、平滑、容积再现处理、及图像差分处理。图像重构处理也能够执行方法200的各种各样的步骤(例如，步骤230，240，250)和DL－ANN网络(例如，处理310、320、330)的脱机学习。重构电路1014能够使用存储器1012，以存储例如投影数据、重构出的图像、校准数据及参数、计算机程序。

重构电路1014能够包括CPU(中央运算处理装置)，该CPU(中央运算处理装置)能够作为面向特定用途的集成电路(ASIC)、现场可编程门阵列(FPGA)、或者复合可编程逻辑器件(CPLD)等、各种逻辑门而执行。FPGA或者CPLD的执行可以通过VHDL、Verilog或者任意的其他的硬件描述语言代码化，并且，该代码在FPGA或者CPLD中可以直接存储于电子内存内，或者可以作为单独的电子内存而储存。并且，存储器1012可以是ROM、EPROM、EEPROM(注册商标)或者FLASH内存等非易失性内存。存储器1012也可以如静态RAM或者动态RAM等那样为易失性的，还有时不仅设置电子内存还设置对FPGA或者CPLD与内存之间的相互作用进行管理的微控制器或者微处理器等的处理部。

替代性地，重构电路1014中的CPU能够执行包含执行这里说明的功能的计算机可读取的命令的集合的计算机程序，该计算机程序存储于任意的上述的非暂时的电子内存及/或硬盘驱动器、CD、DVD、FLASH驱动器或者其他的任意的已知的非暂时的计算机可读取的存储介质。换言之，该存储介质包含能够执行的命令，在通过电路执行该命令的情况下，使电路执行上述的方法。并且，计算机可读取的命令可以通过实用应用、Backgrounddaemon、或者操作系统的构成要素、或者它们的组合来提供，来自美国Intel公司的Xenon处理器或者来自美国AMD公司的Opteron处理器等的处理器、和Microsoft VISTA、UNIX、Solaris、LINUX、Apple、MAC－OS等的操作系统、对本领域技术人员而言已知的其他的操作系统成为一体而执行。并且，CPU可以作为为了执行命令而并行地协同地动作的多处理器而执行。

在一个实施方式中，重构出的图像可以映现于显示器1016上。该显示器1016可以是LCD显示器、CRT显示器、等离子显示器、OLED、LED或者对本领域技术人员而言已知的其他的显示器。

存储器1012可以是硬盘驱动器、CD－ROM驱动器、DVD驱动器、FLASH驱动器、RAM、ROM或者对本领域技术人员而言已知的其他的存储介质。

叙述了特定的实施方式，另一方面，这些实施方式只不过作为一个例子而提示，意图不是限定本公开的范围。实际上，这里说明的新的方法、装置及系统，能够以其他的各种各样的方式具体化，并且，在不背离本公开的主旨的情况下，以本公开说明的方法、装置、系统的形式能够进行省略、置换、变更。

符号说明

100：CT扫描

103：X射线检测器

110：环状旋转框架

112：X射线源

114：准直器/滤波器

116：诊视床

140：吊架

170：处理器

176：数据采集系统

178：内存

1000：放射线吊架

1001：X射线管

1002：环状框架

1003：X射线检测器

1004：数据采集电路(DAS)

1005：非接触数据发送器

1006：前处理电路

1007：旋转单元

1008：集电环

1009：高电压发生器

1010：处理电路

1011：数据/控制总线

1012：存储器

1013：电流调整器

1014：重构电路

1014a：第1噪声取得部

1014b：第2噪声取得部

1014c：噪声推定部

1014d：噪声降低处理部

1014e：重构图像生成部

1014f：最优化处理部

1014g：更新处理部

1014h：混合处理部

1015：输入接口

1016：显示器

Claims (26)

1.一种X射线计算机断层摄影系统，具备：

取得部，取得第1图像和第2图像，该第1图像对应于离散的第1视图群，且为基于伴随着第1能量的X射线的照射而采集到的第1投影数据集的图像，该第2图像对应于与上述第1视图群不同的离散的第2视图群，且为基于伴随着与上述第1能量不同的第2能量的X射线的照射而采集到的第2投影数据集的图像；及

处理部，针对基于上述第1图像及上述第2图像而生成将上述第1图像中的条纹状伪影减少后的第3图像及将上述第2图像中的条纹状伪影减少后的第4图像的学习完毕模型，输入上述第1图像及上述第2图像，从而生成上述第3图像及上述第4图像。

2.如权利要求1所述的X射线计算机断层摄影系统，

与上述第3图像对应的第3视图群及与上述第4图像对应的第4视图群分别包括上述第1视图群及上述第2视图群。

3.如权利要求2所述的X射线计算机断层摄影系统，

上述第3视图群比上述第1视图群多，上述第4视图群比上述第2视图群多。

4.如权利要求1所述的X射线计算机断层摄影系统，

上述第1投影数据集及上述第2投影数据集分别是正弦图。

5.如权利要求1所述的X射线计算机断层摄影系统，

上述第3图像及上述第4图像分别是与图像重构所必要的全部的视图对应的计算机断层摄影图像。

6.如权利要求1所述的X射线计算机断层摄影系统，

上述取得部，

取得对多个检测器元件中的X射线放射的亮度进行表示的投影数据，该投影数据构成上述第1投影数据集及上述第2投影数据集，上述第1投影数据集表示使用对X射线源施加的第一电压而采集到的第一稀疏视图数据，上述第2投影数据集表示使用对上述X射线源施加的第二电压而采集到的第二稀疏视图数据，上述第二电压比上述第一电压大，上述第一稀疏视图数据通过与采集到上述第二稀疏视图数据的第2视图群不同的第1视图群而采集，

根据上述第一稀疏视图数据，重构上述第1图像即第一低能量图像，

根据上述第二稀疏视图数据，重构上述第2图像即第一高能量图像，

上述处理部构成为，

取得具有低能量图像用的一个输入通道和高能量图像用的另一个输入通道这两个通道的伪影减少神经网络，上述伪影减少神经网络是使用如下学习数据集进行学习而得到的上述学习完毕模型，该学习数据集包含输入图像和对象图像，该输入图像是具有互补的条纹状伪影的稀疏的视图重构出的图像的一个一个的对，该对象图像是上述条纹状伪影已被降低的对应的对象图像，

将上述第一低能量图像和上述第一高能量图像应用于上述伪影减少神经网络，以生成作为伪影减少图像的上述第3图像及上述第4图像。

7.如权利要求6所述的X射线计算机断层摄影系统，

上述伪影减少图像包含作为上述第3图像的第二低能量图像和作为上述第4图像的第二高能量图像，上述第二低能量图像表示上述条纹状伪影被降低后的上述第一低能量图像，并且上述第二高能量图像表示上述条纹状伪影被降低后的上述第一高能量图像。

8.如权利要求7所述的X射线计算机断层摄影系统，

上述处理部还构成为，

取得具有上述低能量图像用的一个输入通道和上述高能量图像用的另一个输入通道这两个通道的物质辨别神经网络，上述物质辨别神经网络在条纹状伪影被降低后的低能量图像与高能量图像的对被应用于上述物质辨别神经网络的情况下，以生成第一物质图像和第二物质图像的方式而学习，

将上述第二低能量图像和上述第二高能量图像应用于上述物质辨别神经网络，以生成被物质辨别后的图像。

9.如权利要求8所述的X射线计算机断层摄影系统，

上述物质辨别神经网络使用如下学习数据集而学习，该学习数据集为，被物质辨别后的对象图像包含针对射束硬化的校正、并且使为了生成上述对象图像而使用的X射线束中的空间的变动明显的学习数据集。

10.如权利要求6所述的X射线计算机断层摄影系统，

上述伪影减少神经网络使用如下学习数据集而学习，该学习数据集为，对象图像基于使用低能量X射线束而采集到的第一全视图投影数据和使用高能量X射线束而采集到的第二全视图投影数据而生成的学习数据集。

11.如权利要求6所述的X射线计算机断层摄影系统，

在稀疏的视图重构出的图像被应用于上述伪影减少神经网络的情况下，上述伪影减少神经网络也是作为综合处理而学习了降低条纹状伪影并且将光谱图像辨别为物质成分这两方的物质辨别神经网络。

12.如权利要求11所述的X射线计算机断层摄影系统，

上述伪影减少神经网络使用如下学习数据集而学习，该学习数据集为，对象图像是从根据使用低能量X射线束而采集到的第一全视图投影数据和使用高能量X射线束而采集到的第二全视图投影数据而重构出的光谱图像中辨别出的物质图像的学习数据集，

上述输入图像是根据使用上述低能量X射线束而采集到的第一稀疏视图投影数据和使用上述高能量X射线束而采集到的第二稀疏视图投影数据而重构出的光谱图像，上述第一稀疏视图投影数据是与上述第二稀疏视图投影数据的投影视图不同的角度下的投影视图。

13.如权利要求6所述的X射线计算机断层摄影系统，

上述伪影减少神经网络使用如下学习数据集而学习，该学习数据集为，上述输入图像使用为了重构上述第一低能量图像和上述第一高能量图像而使用的重构法相同的重构法来重构的学习数据集。

14.如权利要求8所述的X射线计算机断层摄影系统，

上述物质辨别神经网络使用上述对象图像是使用白化变换进行变换后的被物质辨别后的图像的上述学习数据集而学习，

所生成的上述被物质辨别后的图像通过将逆白化变换应用于从上述物质辨别神经网络输出的结果图像而生成。

15.如权利要求11所述的X射线计算机断层摄影系统，

上述伪影减少神经网络使用上述对象图像是使用白化变换进行变换后的被物质辨别后的图像的上述学习数据集而学习，

所生成的上述被物质辨别后的图像通过将逆白化变换应用于从上述物质辨别神经网络输出的结果图像而生成。

16.如权利要求6所述的X射线计算机断层摄影系统，还具备：

X射线源，构成为放射出具有依赖于对上述X射线源施加的电压的能谱的X射线；

能量积分型X射线检测器，具有构成为输出上述投影数据的上述多个检测器元件；以及

控制部，构成为，通过一系列的投影视图使上述X射线源和上述能量积分型X射线检测器旋转，并且，

在高kV及低kV间往复地、通过上述一系列的投影视图中的两个以上的投影视图的增加，来变更对上述X射线源施加的上述电压。

17.如权利要求16所述的X射线计算机断层摄影系统，

上述控制部构成为，使上述高kV下的投影视图数与上述低kV下的投影视图数不同，变更对上述X射线源施加的上述电压。

18.一种X射线计算机断层摄影系统，具备处理部，该处理部构成为，通过以下处理来学习具有两个通道的伪影减少神经网络：

将伪影减少神经网络初始化；

取得输入图像，该输入图像包含具有互补的条纹状伪影的稀疏的视图重构出的图像的对，上述稀疏的视图重构出的图像表示根据稀疏的视图kVp切换计算机断层扫描即CT扫描的投影数据而重构出的图像；

取得对象图像，该对象图像除了上述条纹状伪影被降低以外，还包含与上述稀疏的视图重构出的图像对应的图像的对，

迭代地更新网络系数，以使损失函数最优化，该损失函数表示根据应用于上述伪影减少神经网络的上述输入图像而产生的上述对象图像与输出图像的一致。

19.如权利要求18所述的X射线计算机断层摄影系统，

所取得的上述对象图像包含全视图重构出的图像的对，该全视图重构出的图像表示根据全视图kVp切换CT扫描的投影数据而重构出的图像。

20.如权利要求18所述的X射线计算机断层摄影系统，

所取得的上述对象图像包含物质成分图像的对，该物质成分图像通过使用全视图kVp切换CT扫描的投影数据在正弦图域执行物质辨别以生成物质成分投影数据的处理、及根据上述物质成分投影数据来重构物质图像的处理而生成。

21.如权利要求20所述的X射线计算机断层摄影系统，

所取得的上述对象图像还包含通过对于重构出的上述物质图像执行白化变换而生成的上述物质成分图像的对。

22.一种降低伪影的方法，具备如下步骤：

取得第1图像和第2图像，该第1图像对应于离散的第1视图群，且为基于伴随着第1能量的X射线的照射而采集到的第1投影数据集的图像，该第2图像对应于与上述第1视图群不同的离散的第2视图群，且为基于伴随着与上述第1能量不同的第2能量的X射线的照射而采集到的第2投影数据集的图像；以及

针对基于上述第1图像及上述第2图像而生成将上述第1图像中的条纹状伪影减少后的第3图像及将上述第2图像中的条纹状伪影减少后的第4图像的学习完毕模型，输入上述第1图像及上述第2图像，从而生成上述第3图像及上述第4图像。

23.如权利要求22所述的方法，具备如下步骤：

取得对多个检测器元件中的X射线放射的亮度进行表示的投影数据，该投影数据构成上述第1投影数据集及上述第2投影数据集，上述投影数据表示使用对X射线源施加的第一电压而采集到的第一稀疏视图数据和使用对上述X射线源施加的第二电压而采集到的第二稀疏视图数据，上述第二电压比上述第一电压大，上述第一稀疏视图数据通过与采集到上述第二稀疏视图数据的视图不同的视图而采集；

根据上述第一稀疏视图数据，重构出第一低能量图像；

根据上述第二稀疏视图数据，重构出第一高能量图像；

取得具有低能量图像用的一个输入通道和高能量图像用的另一个输入通道这两个通道的伪影减少神经网络，上述伪影减少神经网络使用如下学习数据集而学习，该学习数据集包含输入图像和对象图像，该输入图像为具有互补的条纹状伪影的稀疏的视图重构出的图像的一个一个的对，该对象图像是上述条纹状伪影已被降低的对应的对象图像；以及

将上述第一低能量图像和上述第一高能量图像应用于上述伪影减少神经网络，以生成伪影减少图像。

24.如权利要求23所述的方法，还具备如下步骤：

取得具有低能量图像用的一个输入通道和高能量图像用的另一个输入通道这两个通道的物质辨别神经网络，上述物质辨别神经网络在条纹状伪影被降低后的低能量图像与高能量图像的对被应用于上述物质辨别神经网络的情况下，以生成第一物质图像和第二物质图像的方式而学习；以及

将上述低能量图像和上述高能量图像应用于上述物质辨别神经网络，以生成被物质辨别后的图像。

25.如权利要求24所述的方法，

取得上述伪影减少神经网络的步骤中，在稀疏的视图重构出的图像被应用于上述伪影减少神经网络的情况下，上述伪影减少神经网络也是作为综合处理而学习了降低条纹状伪影并且将光谱图像辨别为物质成分这两方的物质辨别神经网络。

26.一种非暂时的计算机可读取的存储介质，该存储介质包含能够执行的命令，在上述命令通过电路来执行的情况下，使电路执行权利要求22至25中任一项所述的上述方法。

Images