JP2008543412A - 放射断層撮像のためのノイズモデル選択方法及び装置 - Google Patents

Abstract

正確なエラー推定は、放射断層撮像の多くのアプリケーション、例えば、動的モデル化又は信頼度レベルを伴うＳＵＶ数量化について有利である。ＰＥＴ画像のノイズ特性に影響する種々のパラメータのために、全ての撮像状況及びデータ処理設定について単独のエラーモデルを用いることは不正確なエラー推定に繋がる。本発明は、異なる撮像叙情強について複数の所定のノイズモデルを有するデータベースを備えることにより、この問題を回避する。その場合、最も適切なノイズモデルを、所定の撮像状況に応じてマニュアルで又は自動的に選択することが可能である。それ故、例えば、ブーストストラップ方法又は解析的反復測定により正確なノイズモデルを抽出する、時間を要する手法は、各々のモデルについて一回だけ実行される必要があり、取得システムのベンダにより行われることが可能であり、それ故、臨床医は、データベースから最適化されたエラーモデルに容易にアクセスすることができる。

Description

本発明は、放射断層撮影状況及びデータ処理設定のためのノイズモデルを与えるためのシステム、装置及び方法に関する。

放射断層撮影において、取得されるデータは、ランダム過程である放射性核減衰に基づいている。この過程の性質及び統計的特性についてはよく理解されている。しかしながら、これは、取得されたデータから再構成される画像の統計的特性については当てはまらない。取得エレクトロニクスにおける検出器自体から開始して、データ補間、補正及び再構成方法に至る画像処理パイプラインの全ての部分は、結果的に得られる画像のノイズ特性に影響する。それ故、全ての撮像状況及び全てのデータ処理設定について適切である簡単なノイズモデルを規定することは不可能である。

臨床医及び研究者は、各々の設定についてノイズモデルを個別に及び独立して開発する必要がある。多くの状況下で、正確なエラー推定を決定するために支援するように利用可能である高信頼性の所定のノイズモデルを有することは有利である。例えば、動的データの運動モデル化においては、エラー推定が、適合化手順についての重みとして用いられる。より良好な推定により、より良好な適合が得られる。また、静的撮像において、エラー推定が、生物学的パラメータについて、例えば、腫瘍学のアプリケーションにおけるＳＵＶ数量化について信頼度レベルを臨床医に与えるように用いられることが可能である。

ＰＥＴ画像のノイズ特性に影響を与える種々のパラメータのために、全ての撮像状況及びデータ処理設定について１つのみのエラーモデルを用いることは実現可能でない。文献に記載されているエラー推定への解析的手法は、問題に特有であり、それ故、全ての撮像構成の小さい副集合のみに適用可能であり、それについては、例えば、文献“Ｎｏｉｓｅ Ｐｒｏｐｅｒｔｉｅｓ ｏｆ ｔｈｅ ＥＭ Ａｌｇｏｒｉｔｈｍ：Ｉ．Ｔｈｅｏｒｙ”，ｂｙ Ｈ．Ｈ．Ｂａｒｒｅｔｔ，ｅｔ ａｌ．，Ｐｈｙｓ．Ｍｅｄ．Ｂｉｏ．，３９，ｐｐ．８３３−４６，１９９４を参照されたく、その文献の援用により、本明細書の説明の一部を代替する。ブートストラップ方法については、文献“Ａ Ｎｏｎ−Ｐａｒａｍｅｔｒｉｃ Ｂｏｏｔｓｔｒａｐ Ａｐｐｒｏａｃｈ ｆｏｒ Ａｎａｌｙｚｉｎｇ ｔｈｅ Ｓｔａｔｉｓｔｉｃａｌ Ｐｒｏｐｅｒｔｉｅｓ ｏｆ ＳＰＥＣＴ ａｎｄ ＰＥＴ Ｉｍａｇｅ”，ｂｙ Ｉ．Ｂｕｖａｔ，Ｍ，Ｐｈｙｓ．Ｍｅｄ．Ｂｉｏ．，４７，Ｐｐｐ．１７６１−７５，２００２を参照されたく、この文献の援用により、本明細書の説明の一部を代替するこの文献の全体のコンテンツは、ノイズ特性の推定についての他の方法である。解析的手法に比べて、ブートストラップ方法は、データの複製が殆ど全ての撮像設定について生成される且つ統計的に解析されることが可能であるという有利点を有する。全体の画像取得及び処理チェーンはブラックボックスとして処理され、その要素の何れかについての詳細な情報はブートストラップ解析についての入力として必要である。しかしながら、この方法は、かなり時間が掛かる不利点を有し、そのことは、個々の臨床医及び研究者による殆どの臨床状況においてその使用を妨げる。

ここで、図１を参照するに、エラー解析の典型的な手法が示されていて、その手法において、段階１０１で、データが取得され、補正され、そして段階１０２で画像として再構成される。簡単化されたノイズモデル（何れかがある場合は全て）が、次いで、更なる画像解析のために段階１０３において用いられる。

全体としては、臨床医及び研究者が関心をもつ全ての状況をカバーするに十分にフレキシブルである、利用可能なノイズモデルは、現在は、存在していない。今日の標準的な画像解析ソフトウェアにおいて用いられるモデルは、殆どの場合に、適切なノイズ特性を反映していない。
"Ｎｏｉｓｅ Ｐｒｏｐｅｒｔｉｅｓ ｏｆ ｔｈｅ ＥＭ Ａｌｇｏｒｉｔｈｍ：Ｉ．Ｔｈｅｏｒｙ"，ｂｙ Ｈ．Ｈ．Ｂａｒｒｅｔｔ，ｅｔ ａｌ．，Ｐｈｙｓ．Ｍｅｄ．Ｂｉｏ．，３９，ｐｐ．８３３−４６，１９９４ "Ａ Ｎｏｎ−Ｐａｒａｍｅｔｒｉｃ Ｂｏｏｔｓｔｒａｐ Ａｐｐｒｏａｃｈ ｆｏｒ Ａｎａｌｙｚｉｎｇ ｔｈｅ Ｓｔａｔｉｓｔｉｃａｌ Ｐｒｏｐｅｒｔｉｅｓ ｏｆ ＳＰＥＣＴ ａｎｄ ＰＥＴ Ｉｍａｇｅ"，ｂｙ Ｉ．Ｂｕｖａｔ，Ｍ，Ｐｈｙｓ．Ｍｅｄ．Ｂｉｏ．，４７，Ｐｐｐ．１７６１−７５，２００２

本発明のシステム、装置及び方法は、共通に用いられる及び予め規定可能である設定のための再利用可能な及び予め決定されるノイズモデルを与え、それにより、臨床医及び研究者がそれらの設定について独立して及び個別にノイズモデルを決定する必要性をなくすことができる。

本発明のシステム、装置及び方法は、データベースからノイズモデルを自動的に選択する及び特定の撮像状況について適切であるツールを臨床医／研究者に与える。好適な実施形態においては、データベースには、複数の異なっているが代表的な撮像状況及び設定のためにＰＥＴ画像のブートストラップ解析を予め用いてもたらされる（対応する撮像状況及び設定にしたがって指数付けされる）ノイズモデルが入っている。それにより、次のような上記方法の２つの主な不利点を克服することができる。
１．解析的ノイズモデルは、全ての関連撮像状況、例えば、異なる再構成方法、散乱補正方法等の使用をカバーするのに十分に高速ではあるが、フレキシブルでない。
２．統計的ブートストラップ解析（又は、繰り返し測定等の類似する方法）が、全ての撮像状況に対してノイズ特性を決定するように用いられ、それ故、かなりフレキシブルであるが、かなり時間を要するものである。

臨床医／研究者に、標準的な撮像状況のための予め決定されたノイズモデルのデータベース、及びアプリケーションの特徴に基づいて、特定のアプリケーションについての適切なモデルを容易に（又は自動的に）選択することができるツールを与えることは、高信頼性のエラー／ノイズ推定の課題に対する高速な且つフレキシブルな解決方法である。図２Ａは、本発明の好適な実施形態を示している。段階１０１におけるデータ捕捉、補正及び画像再構成の後、適切なノイズモデル２０２が、取得、データ補正及び再構成のパラメータ及び設定に基づいて、データベース２０１から選択される。アプリケーションに特有のノイズモデル２０２は、より良好な画像を与える、及び臨床医／研究者に有用な情報を与える改善されたノイズ推定を可能にする。

以下の説明は、例示目的であって、限定のためのものではないことを、当業者は理解することができるであろう。当業者は、同時提出の特許請求の範囲における範囲内で及び本発明の主旨において存在する多くの変形が存在することを理解することができるであろう。既知の機能及び動作についての不必要な詳細については、本発明を不明確にしないように本明細書においては省略している。

本発明の好適な実施形態は次のようなものである。
１．種々の画像が、所定の臨床的に関連する撮像状況／設定の集合について生成される。例えば、それらの変化画像が、ブートストラップ方法を用いて又は繰り返し測定を用いて生成されることが可能である。用いられることが可能である他の技術はモンテカルロシミュレーションである。
２．各々の設定についてのノイズの特徴は、特定の撮像状況、例えば、“脳の撮像、ＣＴに基づく減衰補正、不均一な散乱の補正、２回の繰り返し及び８個の副集合によるＯＳＥＭ再構成並びに２ｘ２ｘ４ｍｍ^３のボクセルサイズ”を規定するパラメータと共にデータベースに記憶される。
３．このデータベースは、取得システムのベンダにより与えられるが、そのデータベースは、ユーザにより生成される新しいパラメータの集合を有するように更新されることがまた、可能である。
４．ユーザは、段階１０１において、従来通り、データを取得し、処理する。撮像パイプラインの設定に応じて、適切なノイズモデルがデータベース２０１から（マニュアルで又は自動的に）選択される（上記の段階２の例を参照されたい）。このモデルは、その場合、段階２０３において、再構成画像１０２、例えば、動的モデル化、信頼度のＳＵＶ数量化の更なる解析のために用いられる。

次の実施例は、段階２の好適な実施形態を示している。ここで、図３を参照するに、フィルタリング逆投影（ａ）及び反復ＲＡＭＬＡ２Ｄ（Ｒｏｗ Ａｃｔｉｏｎ Ｍａｘｉｍｕｍ Ｌｉｋｅｌｉｈｏｏｄ Ａｌｇｏｒｉｔｈｍ ２Ｄ）により再構成されたファントムデータベースを示しているが、例えば、文献“Ａ Ｒｏｗ−Ａｃｔｉｏｎ Ａｌｔｅｒｎａｔｉｖｅ Ｔｏ Ｔｈｅ ＥＭ Ａｌｇｏｒｉｔｈｍ Ｆｏｒ Ｍａｘｉｍｉｚｉｎｇ Ｌｉｋｅｌｉｈｏｏｄｓ Ｉｎ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ”，ｂｙ Ｊ．Ａ．Ｂｒｏｗｎｅ ａｎｄ Ａ．Ｒ．Ｄｅ Ｐｉｅｒｒｏ，ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ，Ｖｏｌ．１５，ｐｐ．６８７−６９９，１９９６，（ｃ）を参照されたい。対応する変化画像（ｂ）及び（ｄ）がブートストラップ方法により生成された。ブートストラップ方法は、図３に示す変化画像を生成するために用いられ、それらの変化画像は、同じデータに基づいているが、異なる再構成方法により再構成されたものである。

ブートストラップ方法は、実験データから推定された統計値Θ（例えば、中央値）の精度を決定するためのコンピュータに基づく統計的方法である（例えば、文献、“Ａｎ Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ ｔｈｅ Ｂｏｏｔｓｔｒａｐ”，ｂｙ Ｅｆｒｏｎ ａｎｄ Ｔｉｂｓｈｉｒａｎｉ，Ｎｅｗ Ｙｏｒｋ：Ｃｈａｐｍａｎ ａｎｄ Ｈａｌｌ，１９９３を参照されたい）。その方法は、実験サンプルの実験に基づく分散が未知の分散Ｆを推定する実験サンプルｘ＝（ｘ_１，．．．，ｘ_Ｎ）を必要とする。このサンプルにおいては、各々の測定値ｘ_ｉは、分散Ｆにしたがう変数の独立したランダムな実現とみなされる。最も簡単な方法において、ブートストラップは、次のような差し込み原理と称されるものを用いる。
● 実験サンプルｘ＝（ｘ_１，．．．，ｘ_Ｎ）が与えられている場合、Ｎ個の要素ｘ_ｉ ^ｂ＊
の各々のＢ個の独立したブートストラップサンプルｘ^ｂ＊＝（ｘ_１ ^ｂ＊，．．．，ｘ_Ｎ ^ｂ＊）を抽出する。各々の要素ｘ_ｉ ^ｂ＊は、オリジナルの実験サンプルｘから一置き換え要素ｘ_ｉをランダムに抽出することにより得られる。各々のブートストラップサンプルにおける要素数は、オリジナルの実験サンプルにおける要素数に等しいことに留意する必要がある。
● 各々のブートストラップサンプルｘ^ｂ＊について、Θのブートストラップ複製と称せられる対象の統計値Θ（ｘ^ｂ＊）を演算する。
● ブートストラップの複製｛Θ（ｘ^ｂ＊）｝ｂ＝１，ＢはΘのブートストラップ分布をもたらす。例えば、Θのブートストラップ変数Ｍ_２（順序２の瞬間）は次式のようであり、

ここで、

は、Ｂ個のブートストラップ複製におけるΘの平均である。

変化画像において明らかであるノイズ特徴における大きい差は、今日の動的モデル化ツールにおいては考慮されていないことを再び、強調しておく必要がある。

ここで、ノイズ特徴の適切なパラメータ化が、繰り返して再構成された画像について図４に示すように、各々の画素について計数値とその変化との間の相関性を解析することにより決定されることが可能である。

例えば、ＭＬ−ＥＭ（Ｍａｘｉｍｕｍ Ｌｉｌｅｌｉｈｏｏｄ Ｅｘｐｅｃｔａｔｉｏｎ Ｍａｘｉｍｉｚａｔｉｏｎ）方法に基づく反復方法は、σ＝ｋＣｄにしたがうノイズ特徴を有し、ここで、σは標準偏差であり、Ｃは選択された画素の計数値であることが文献に記載されていて、例えば、文献“Ｎｏｉｓｅ Ｐｒｏｐｅｒｔｉｅｓ ｏｆ ｔｈｅ ＥＭ Ａｌｇｏｒｉｔｈｍ：Ｉ．Ｔｈｅｏｒｙ”、Ｐｈｉｓ．Ｍｅｄ．Ｂｉｏ．，３９，ｐｐ．８３３−８４６、１９９４を参照されたい。パラメータｋ及びｄは、ここで、異なる撮像状況（脳ファントム、全身ファントム、高ドーズ、低ドーズ等）及び異なる画像処理設定（散乱補正の有無、ＣＴに基づく減衰補正、送信に基づく減衰補正、異なる反復数を有する反復再構成等）について決定され、その状況及び設定にしたがってインデックス化され、そしてエンドユーザによる検索のためのデータベースに記憶されることが可能である。

大容量のデータベースの生成は時間を要する処理であることを認識することは重要である。しかしながら、これは、撮像装置のベンダにより行われ、それ故、エンドユーザについては不利ではない。エンドユーザとしての臨床医／研究者は、本発明のデータベースから適切なノイズモデルを選択することにより撮像アプリケーションにそれらの適切なノイズモデルを即座に適用することができ、そのデータベースは、エンドユーザの撮像システムのベンダにより与えられるものである。

図２Ｂは、画像捕捉及び撮像処理を実行する、並びに本発明にしたがって修正された装置を示している。撮像装置２５１からのデータは、データを取得し、そのデータを補正し、そして画像を再構成するモジュール１０１により捕捉される。好適な実施形態においては、画像捕捉モジュールはまた、現在の状況及び設定について適切なノイズモデルを得るように、ベンダ供給ノイズモデルデータベース２０１にアクセスすることができる。ノイズモデルのデータベースは、少なくとも１つの所定の臨床関連撮像状況及び設定について変化画像を生成し、対応する撮像状況／設定の少なくとも１つのパラメータ及び少なくとも１つのノイズ特徴により各々生成された変化をインデックス付けする所定の技術を用いて、ノイズモデルエントリを生成するノイズモデル生成構成要素２５４を更に有する。

適切なノイズモデル２０２及び再構成画像２５２は、その場合、画像を処理するために画像処理モジュール２０３に入力される。代替の実施形態においては、適切なノイズモデルは存在せず、画像処理モジュールは、データベースを更新することによりノイズモデルのデータベースにそのときに記憶されている、エンドユーザによってユーザ規定ノイズモデル２５３を供給される。

図５は、撮像システムのベンダにより供給されるノイズモデル２０１のデータベースを有する装置に撮像データ２５１を供給するようにノイズモデル選択装置２５０に接続されている撮像装置５０１を有し、ユーザ規定ノイズモデルを受け入れる及びベンダ供給ノイズモデルデータベース２０１を更新することができる撮像システムを示している。

本発明の好適な実施形態について、上記において図示されて、説明されている一方、ここで説明されているシステム、装置アーキテクチャ及び方法は例示であり、本発明の範囲から逸脱することなく、種々の変形及び修正が行われることが可能であり、同等なものがその要素について置き換えられることが可能である。更に、多くの修正が、本発明の範囲から逸脱することなく、特定の設定に対して本発明の技術に適合するように行われることが可能である。それ故、本発明は、本発明を実行するために検討された最良のモードとして開示されている特定の実施形態に限定されるものではないが、本発明は、同時提出の特許請求の範囲における範囲から逸脱することのない全ての実施形態を網羅することが意図されている。

取得及び撮像手法の代表的な処理を示す図である。 本発明にしたがって修正された図１の処理を示す図である。 図２Ａの処理を実行する画像解析装置を示す図である。 ファントムデータセット再構成及び統計的解析を示す図である。 計数率の平方根に対してプロットされた標準偏差を示す図である。 図２Ｂの画像解析装置に組み込まれた撮像システムを示す図である。

Claims (16)

1. 放射断層撮像パイプラインのためにノイズモデルを選択するための方法であって：
   少なくとも１つのノイズ特徴と探索項として対応する撮像状況／設定の少なくとも１つのパラメータとによりインデックス付けされる、放射断層撮像のための少なくとも１つの所定のノイズモデルのデータベースを供給する段階；
   少なくとも１つのノイズ特徴及び少なくとも１つのパラメータにより前記放射断層撮像パイプラインを特徴付ける段階；
   マッチングのために前記放射断層撮像パイプラインの前記少なくとも１つのノイズ特徴及び少なくとも１つのパラメータと、供給された前記データベースの前記探索項とを比較する段階；並びに
   マッチングが存在するときに、前記放射断層撮像パイプラインについて前記ノイズモデルとして前記対応する撮像状況／設定の前記所定のノイズモデルを選択する段階；
   を有する方法。
2. 請求項１に記載の方法であって：
   前記ノイズモデルデータベースにユーザ規定ノイズモデルを付加する段階；
   を更に有する、方法。
3. 請求項１に記載の方法であって、前記のデータベースを供給する段階は：
   所定の技術を用いて、少なくとも１つの所定の臨床関連撮像状況及び設定のために変化画像を生成する段階；
   前記設定に基づいて、各々の生成された変化画像と少なくとも１つのノイズ特徴を関連付ける段階；及び
   各々の生成された変化画像に前記撮像状況及び設定の少なくとも１つのパラメータを関連付ける段階；
   を更に有する、方法。
4. 請求項３に記載の方法であって、前記関連付ける段階は：
   選択された画素についての前記変化画像の変化と計数率との間の相関性を解析することにより、前記少なくとも１つのノイズ特徴を決定する段階；
   を更に有する、方法。
5. 請求項４に記載の方法であって：
   前記撮像状況の前記少なくとも１つのパラメータは、脳ファントム、全身ファントム、高ドーズ及び低ドーズから選択され；
   前記設定の前記少なくとも１つのパラメータは、走査補正の有無、ＣＴに基づく減衰補正、送信に基づく減衰補正、反復の所定数を有する反復再構成及び所定のボクセルサイズを有する群から選択される；
   方法。
6. 請求項５に記載の方法であって、前記の変化画像を生成する段階は：
   前記変化画像を生成する段階に先行する段階であって、ブートストラップ方法、反復測定及びモンテカルロシミュレーションを有する群からの変化画像生成のための技術を選択する段階；
   を更に有する、方法。
7. 請求項６に記載の方法であって、前記少なくとも１つのパラメータは、取得、データ補正及び再構成を有する群から選択されたタイプを有する、方法。
8. 請求項６に記載の方法であって、前記関連付ける段階は：
   計数率と選択された画素についての前記変化画像の変化との間の相関性の解析により前記少なくとも１つのノイズ特徴を決定する段階；
   を更に有する、方法。
9. 放射断層撮像パイプラインのためのノイズモデルの選択のための装置であって：
   対応する撮像状況／設定の少なくとも１つのパラメータと少なくとも１つのノイズモデルによりインデックス付けされた少なくとも１つの所定のノイズモデルを有するノイズモデルデータベース；
   画像データを捕捉し、前記データベースから適切なノイズモデルを選択し、前記選択されたノイズモデル及び前記再構成画像データを出力する画像捕捉モジュール；並びに
   前記出力された再構成画像データ及び前記選択されたノイズモデルを受信し、ノイズを推定するように及び更なる解析においてこの情報を利用するように前記選択されたノイズモデルを適用する画像処理モジュール；
   を有する装置。
10. 請求項９に記載の装置であって、前記ノイズモデルデータベースは、少なくとも１つの所定の臨床関連撮像状況及び設定のために変化画像を生成し、前記対応する撮像状況／設定の少なくとも１つのパラメータ及び少なくとも１つのノイズ特徴により各々生成された変化をインデックス付けする、所定の技術によりノイズモデルエントリを生成するノイズモデル生成構成要素を更に有する、装置。
11. 請求項１０に記載の装置であって、前記ノイズモデル生成構成要素は、前記少なくとも１つのノイズ特徴が計数率と選択された画素についての前記変化画像の変化との間の前記相関性の解析により得られるように更に成っている、装置。
12. 請求項１１に記載の装置であって：
    前記撮像状況の前記少なくとも１つのパラメータは、脳ファントム、全身ファントム、高ドーズ及び低ドーズを有する群から選択され；そして
    前記設定の前記少なくとも１つのパラメータは、走査補正の有無、ＣＴに基づく減衰補正、送信に基づく減衰補正、反復の所定数を有する反復再構成及び所定のボクセルサイズを有する群から選択される；
    装置。
13. 請求項１２に記載の装置であって、前記の変化画像を生成する前記所定の技術は、ブートストラップ方法、反復測定及びモンテカルロシミュレーションを有する群から選択される、装置。
14. 請求項１２に記載の装置であって、前記少なくとも１つのパラメータは、取得、データ補正及び再構成を有する群から選択されたタイプを有する、装置。
15. 放射断層撮像パイプラインのためにノイズモデルを選択するシステムであって：
    放射断層撮像データの収集のための撮像装置；
    少なくとの１つのノイズモデルに対応する少なくとも１つのパイプラインパラメータ及び少なくとも１つのノイズ特徴を有するインデックスによりインデックス付けされる所定の撮像状況／設置の少なくとも１つのノイズモデルを記憶するノイズモデルデータベース；並びに
    前記少なくとも１つのノイズ特徴及び少なくとも１つのパラメータにより前記放射断層撮像パイプラインを特徴付け、前記放射断層撮像パイプラインの少なくとも１つのノイズ特徴及び少なくとも１つのパラメータが前記データベースの前記選択された少なくとも１つのノイズモデルとマッチングするように、前記ノイズモデルデータベースから適切なノイズモデルを選択するノイズモデル画像選択プロセッササブシステム；
    を有するシステム。
16. 請求項１５に記載のシステムであって、前記ノイズモデルデータベースは更に、ユーザ規定ノイズモデルを有する少なくとも１つの更新を受け入れるようになっている、システム。

Images