JP2014522693A

JP2014522693A - スペクトルｃｔ向けの画像処理

Info

Publication number: JP2014522693A
Application number: JP2014519673A
Authority: JP
Inventors: ゴシェン，リラン
Original assignee: Koninklijke Philips NV; Koninklijke Philips Electronics NV
Current assignee: Koninklijke Philips NV
Priority date: 2011-07-15
Filing date: 2012-07-10
Publication date: 2014-09-08
Anticipated expiration: 2032-07-10
Also published as: RU2612575C2; US20170124686A1; CN103649990A; EP2732431A2; CN103649990B; US20140133729A1; RU2014105565A; EP2732431B1; JP6100772B2; US9547889B2; WO2013011418A2; WO2013011418A3; US10147168B2

Abstract

方法が、スペクトル画像のボクセルについての構造モデルを、ノイズモデルに基づいて推定するステップと、構造モデルを、そのボクセルの３Ｄ近傍に当てはめるステップと、そのボクセルについての構造モデルのうち１つを、その当てはめと所定のモデル選択基準とに基づいて選択するステップと、そのボクセルを、選択された構造モデルに基づいてデノイズするステップと、一式のデノイズされたスペクトル画像を生成するステップと、を含む。別の方法が、種々のエネルギー範囲に対応する一式のスペクトル画像群のうちの各エネルギー画像についての中間仮想造影画像を、デノイズされたスペクトル画像、分解されたデノイズされたスペクトル画像、ヨードマップ、及び造影要素に基づいて生成するステップと、最終的な仮想造影画像を、シミュレートされた部分容積効果と中間仮想造影画像とを組み合わせることによって生成するステップと、を含む。本書はさらに、仮想非造影画像、骨質及び石灰化のセグメンテーションマップ、並びにヨードマップを、複数エネルギーの撮像調査に関して生成する手法を示す。

Description

下記は概してコンピュータ断層撮影（ＣＴ）に関し、より詳細にはスペクトルＣＴに関する。

ＣＴスキャナは一般に、検査領域とその内部の対象物又は対象者の一部分とを横切って、検査領域の向こう側に、ｘ線管に向かい合って配置された検出器アレイを照射する、電離放射線を放射するｘ線管を含む。その検出器は、検出された放射線を示す投影データを生成する。そのデータを、対象物又は対象者の一部分を示す容積測定画像データを生成するために、再構成することができる。スペクトルＣＴを用いると、投影データは、同時に取得された、種々の光子エネルギー範囲に対応する、信号を含む。スペクトルＣＴを実行する複数の手法が存在する。例えば、ＣＴスキャナは、２つ以上の線源、少なくとも２つの異なるｋＶｐ間を切り替えるように構成された少なくとも１つの線源、及び／又はエネルギー分解検出器を有する検出器アレイを含んでよい。

スペクトルＣＴを用いると、２つの取得された信号を、各信号についての光電子の貢献及びコンプトン貢献を特定して、光電子の貢献又はコンプトン貢献の値によって未知の物質を識別するために、使用することができる。一般に、２つの基底関数の、どんな２つの線形に独立した合計も、減衰係数空間の全体に及ぶため、どんな物質も、２つの基底物質の線形な組み合わせによって表現することができる。これは、ヨードなどの、診断エネルギー範囲の平均値に近いｋエッジ（k-edge）エネルギーを有する物質において、特にうまく機能する。その上、追加のスペクトル情報が、スキャンされた対象物とその物質組成とに関して決定することができる、定量的な情報を改善する。さらに、基底物質は、単色の画像、物質のキャンセル画像、実効原子番号画像、及び電子密度画像を生成することを可能にする。

再びになるが、ＣＴスキャナは、電離放射線を放射する。不幸なことに、電離放射線は、細胞を傷つけたり殺したりするおそれがあり、かつ／あるいは、がんのリスクを増加させるおそれがある。ＣＴによる線量レベルは、一般に、従来のｘ線撮影法及び蛍光透視法によるものを超えるということを、文献が示している。しかしながら、より低い線量は画像ノイズの増加につながり、したがって、よりぼやけた画像又は不鮮明な画像をもたらすため、特定の撮像法に対する放射線量を単に低減することはできない。さらに、スペクトルＣＴ画像はただでさえ、従来の非スペクトル画像よりも本質的にノイズが多い。例えば、デュアルエナジー（dual energy）の研究において、それぞれの画像は、対応する非スペクトルの従来のスキャンの、おおよそ半分の放射線量に基づいている。その上、物質分解の推定が、その間に狭い隅角を有する２つのベクトル間の投影に基づいている。これらの２つの要素、すなわち、大きなノイズと狭い隅角との組み合わせが、推定された物質分解においてノイズを大幅に増幅させる。

造影ＣＴの調査は、脈管組織の中を通る投与されたｘ線造影剤の通過を捕捉する。一般に、造影ＣＴに関して、ｘ線造影剤のボーラスを患者に対して静脈内投与して、関心のある脈管組織を含む患者の関心領域をスキャンする。ｘ線造影剤は、脈管組織を通って流れるにつれて、関心のある脈管組織におけるｘ線密度を一時的に増加させて、強調されたデータをもたらす。しかしながら、造影剤の投与後、一部の患者が特異な影響を経験し、特定の患者が、深刻な、潜在的に命に関わるアレルギー反応を経験するおそれがある。さらに、造影剤は腎臓損害を誘導するおそれがあり、一部の患者は腎臓機能の急激な悪化を発症している。一般に、造影剤の量がより多いと、画像のノイズに対するコントラスト（ＣＮＲ）がより高くなり、一方、量がより少ないと、画像のＣＮＲがより低くなる。不幸なことに、造影剤の量を増加させる場合、それに関連するリスクも増加する。

本出願の態様は、上述の事項及びその他に対処する。

一態様によると、方法が、種々のエネルギー範囲に対応する一式のスペクトル画像群のうちのスペクトル画像の１つ又は複数のボクセルについて、局所的なノイズ値を推定するステップと、前記スペクトル画像のボクセルについての局所的な構造モデル群を、対応するノイズモデルに基づいて推定するステップと、前記局所的な構造モデル群の一式を、前記画像内のボクセルに関する前記画像内の３次元の近傍ボクセルに当てはめるステップと、前記ボクセルについての前記局所的な構造モデル群のうち１つを、前記の当てはめと所定のモデル選択基準とに基づいて選択するステップと、前記ボクセルの値を、前記の選択された局所的な構造モデルに基づいて推定される値に置換することによって、前記選択された局所的な構造モデルに基づいて、前記ボクセルをデノイズするステップと、を含み、前記一式のスペクトル画像群の中の複数スペクトル画像の複数ボクセルがデノイズされ、一式のデノイズされたスペクトル画像を生成する。

別の態様において、コンピューティング装置が、種々のエネルギー範囲に対応する一式のスペクトル画像群のうちのスペクトル画像のノイズパターンを推定する、ノイズ推定部であって、前記ノイズパターンは前記スペクトル画像のボクセルについての局所的な構造モデル群を推定するために使用される、ノイズ推定部と、前記局所的な構造モデル群の一式を、前記画像内のボクセルに関する前記画像内の３次元の近傍ボクセルに当てはめる、モデル当てはめ部と、前記ボクセルについての前記局所的な構造モデル群のうち１つを、前記の当てはめと所定のモデル選択基準とに基づいて選択する、モデル選択部と、を含む。

別の態様において、方法が、カルシウム確率マップを、デノイズされたスペクトル画像の確率論的分解に基づいて生成するステップと、前記カルシウム確率マップを、前記カルシウム確率マップについての合計変分汎関数最小化を実行することによって、強化するステップと、骨質及びカルシウムのセグメンテーションを表すバイナリマスクを、前記の強化されたカルシウム確率マップと所定の閾値とに基づいて生成するステップと、を含む。

別の態様において、方法が、１つ又は複数のヨード分布マップを、デノイズされたスペクトル画像のベクトル分解に基づいて生成するステップと、ヨードマップを、前記１つ又は複数のヨード分布マップと骨質及びカルシウムのセグメンテーションを表すバイナリマスクに基づいて推定するステップと、を含む。

別の態様において、方法が、種々のエネルギー範囲に対応する一式のスペクトル画像群のエネルギー画像毎の中間仮想造影画像を、デノイズされたスペクトル画像、分解されたデノイズされたスペクトル画像、ヨードマップ、及び造影要素に基づいて生成するステップと、最終的な仮想造影画像を、シミュレートされた部分容積効果と前記中間仮想造影画像とを組み合わせることによって生成するステップと、を含む。

別の態様において、方法が、種々のエネルギー範囲に対応する一式のスペクトル画像群のエネルギー画像毎の中間仮想非造影画像を、デノイズされたスペクトル画像、分解されたデノイズされたスペクトル画像、及びヨードマップに基づいて生成するステップと、最終的な仮想非造影画像を、シミュレートされた部分容積効果と前記中間仮想非造影画像とを組み合わせることによって生成するステップと、を含む。

本発明のさらに別の態様が、以下の詳細説明を読んで理解した当業者に対して、十分理解されるであろう。

本発明を、種々のコンポーネント及びコンポーネントの配置と、種々のステップ及びステップの配置とにおいて、具体化してよい。図面は、より好ましい実施形態を単に説明する目的のものであって、本発明を限定するものとみなされるべきではない。
デノイザ及び画像プロセッサに接続している撮像システムを概略的に示す。デノイザの例を概略的に示す。デノイザのスペクトルノイズ除去部の例を概略的に示す。画像プロセッサの例を概略的に示す。デュアルエナジー調査のエネルギーマップ／エネルギー散布図といくつかの物質応答ベクトルとの例を示す。エネルギーマップにおける２つの物質応答ベクトルと、測定点からその２つのベクトルへのより短い距離とを示す。画像プロセッサの、例示的なセグメント化部を概略的に示す。画像プロセッサの、例示的な物質マップ生成部を概略的に示す。画像プロセッサの、例示的な仮想造影画像生成部を概略的に示す。画像プロセッサの、例示的な仮想非造影画像生成部を概略的に示す。スペクトル画像をデノイズする例示的な方法を示す。デノイズされたスペクトル画像について、骨質及びカルシウムのセグメンテーション・バイナリ・マスクを決定する例示的な方法を示す。デノイズされたスペクトル画像について、ヨードマップを決定する例示的な方法を示す。デノイズされたスペクトル画像に基づいて、仮想非造影画像を決定する例示的な方法を示す。デノイズされたスペクトル画像に基づいて、仮想造影画像を決定する例示的な方法を示す。

図１は、スペクトルＣＴ撮像向けに構成されたコンピュータ断層撮影（ＣＴ）スキャナなどの、撮像システム１００を示す。撮像システム１００は、固定ガントリ１０２と、固定ガントリ１０２によって回転可能に支持される、回転ガントリ１０４とを含む。回転ガントリ１０４は、検査領域１０６の周りを、長手方向又はｚ軸に対して、回転する。

システム１００は、ｘ線管などの、少なくとも１つの放射線源１０８を含み、その少なくとも１つの放射線源１０８は、回転ガントリ１０４によって支持されて、回転ガントリ１０４とともに検査領域１０６に対して回転する。少なくとも１つの放射線源１０８は、検査領域１０６を横切る放射線を放射する。少なくとも２つの放射線源１０８が存在する場合、それぞれの線源を、異なる中間の放射スペクトルを有する放射線を放射するように、構成してよい。追加的に又は代替的に、少なくとも２つの放射線源１０８のうち１つ又は複数を、スキャンの間、少なくとも２つの異なる放射電圧（ｋＶｐのもの）間を制御可能に切り替えるように、構成してよい。複数の線源及び／又はｋＶｐ切り替えを、スペクトルＣＴの取得に用いてよい。

放射線感知検出器アレイ１１０を、少なくとも１つの放射線源１０８と向かい合う、検査領域１０６の向こう側に配置する。放射線感知検出器アレイ１１０は、検査領域１０６を横切る放射線を検出して、それを示す投影データを生成する、検出器画素のアレイを含む。放射線感知検出器アレイ１１０は、直接変換検出器、及び／又はシンチレータに基づいたマルチスペクトル検出器などの、従来の検出器、及び／又はエネルギー分解検出器を含んでよく、そのシンチレータに基づいたマルチスペクトル検出器は、対応する光学的な感度を有する少なくとも２つの光検出器（例えば、二層構造検出器又は二重層検出器）に対して光学的に添えられた、異なるｘ線エネルギー感度をそれぞれ有する少なくとも２つのシンチレータを含む。エネルギー分解検出器を、スペクトルＣＴの取得に用いてよい。

再構成部１１２は、投影データを再構成し、検査領域１０６とその内部の対象物又は対象者の一部分とを示す容積測定（volumetric）画像データを生成する。スペクトルデータを取得する場合（例えば、投影データが、複数の線源、ｋＶｐ切り替え、及び／又はエネルギー分解検出器を介して、同時に取得された、異なるエネルギー範囲に対応する、少なくとも２つの測定結果を含む場合）、再構成部１１２は、種々のエネルギー範囲の各々についての個別のスペクトル画像、及び／又は２つ以上の種々のエネルギー範囲に対応する個別のスペクトル画像に基づいた組み合わせ画像を、再構成してよい。さらに、再構成部１１２は、従来の非スペクトル再構成アルゴリズムを採用してもよい。

カウチなどの対象者支持物１１４が、検査領域１０６内の対象者（例えば、人間若しくは動物）又は対象物を支持する。対象者支持物１１４を、スキャン前、スキャン中、及び／又はスキャン後に、対象者をｘ軸、ｙ軸、及び／又はｚ軸と検査１０６とに対して位置づけるために使用してよい。汎用目的のコンピューティングシステムが、オペレータコンソール１１６として動作し、ディスプレイなどの出力装置と、キーボード、マウス、及び／又は類似のものなどの入力装置とを含む。コンソール１１６上に常駐するソフトウェアにより、オペレータは、システム１００の動作を制御することが可能となり、例えば、オペレータは、スペクトル撮像プロトコルを選択すること、スキャンを開始することなどが可能となる。

コンピューティング装置１１８は、１つ又は複数のプロセッサを含み、その１つ又は複数のプロセッサは、物理メモリなどのコンピュータ読み取り可能記憶媒体上に組み込まれたり符号化されたりしている、１つ又は複数のコンピュータ実行可能命令を実行する。追加的に又は代替的に、コンピュータ実行可能命令のうち１つ又は複数を、信号又は搬送波によって伝えて、１つ又は複数のプロセッサによって実行してもよい。例示の実施形態において、コンピュータ実行可能命令は、デノイザ（de-noiser）１２０及び／又は画像プロセッサ１２２を実施する命令を含む。別の実施形態において、デノイザ１２０及び／又は画像プロセッサ１２２を、コンソール１１６及び／又は他の装置を用いて実施する。

デノイザ１２０を、再構成済み（reconstructed）スペクトル画像からスペクトルノイズをデノイズする（de-noise）ように構成し、再構成済みスペクトル画像からスペクトルノイズを除去又は低減して、デノイズされた再構成済みスペクトル画像を生成する。以下でより詳細に説明するが、一例において、デノイザ１２０は、スペクトルノイズを除去又は低減する一方で、基本的なスペクトル情報及び対象物の構造を保存する。一例において、これは、所与の画質について、放射線量の低減を可能にする。代わりに、所与の線量について、画質を向上させてもよい。代わりに、線量の低減と画質の向上との組み合わせを達成してもよい。追加的に又は代替的に、デノイザ１２０は、推定された単色画像をデノイズしてもよく、その推定された単色画像を、光電子の成分とコンプトン成分との適切な組み合わせを用いて任意のｋｅＶ画像を推定するために、シミュレートしてよい。

画像プロセッサ１２２は、デノイズされた再構成済みスペクトル画像、及び／又は単色画像を処理する。以下でより詳細に説明するが、これは、骨質及び／又はカルシウムのセグメンテーションを実行すること、ヨードの定量的な分布についてのヨードマップを調査において生成すること、仮想造影（virtual contrast enhanced；ＶＣＥ）画像を生成すること、かつ／あるいは仮想非造影（virtual non-contrast；ＶＮＣ）画像を生成することのうち、１つ又は複数を含む。上記の骨質及び石灰化のセグメンテーションが、追加の定量的なスペクトル情報を高度に活用してよく、ビーム硬化補正アルゴリズムにおいて活用されてもよく、単色画像再構成アルゴリズムとともに活用されてもよい。ヨードマップは、調査における、改良された定量的なヨードの分布を提供する。

仮想的にコントラストを強調することにより、所与の画質に対して、患者に投与される造影剤の量を低減することが可能となる。あるいは、それにより、投与後のスキャンタイミングを逃してしまって、結果的な画像が次善最適の画質を有し、それがスキャンの繰り返しとさらなる造影剤とをもたらしうるような調査を、省くことが可能となる。あるいは、それにより、臨床医は、マウス、キーボード、又は類似のものを介して画像処理パラメータを手動で微調整して、リアルタイムで画像を調べて所望の視覚化効果を得ることが可能となる。ＶＮＣ画像は、非造影スキャンの必要性を除外することが可能であり、それにより、放射線被ばくを低減し、時間を節約し、チューブ寿命を引き延ばすことが可能となる。

コンピューティング装置１１８はさらにユーザインタフェース１２４を含み、それにより、ユーザは、コンピューティング装置１１８とやりとりすることが可能となる。一例において、これは、臨床医に、上述の画像処理特性（すなわち、骨質及びカルシウムのセグメンテーション、ヨードマップ生成、ＶＮＣ画像生成、及び／又はＶＣＥ画像生成）のうちどれを所与の調査に対して採用すべきかを、選択させることを含む。さらに、ユーザインタフェース１２４により、臨床医は、種々の画像処理パラメータを設定及び／又は変更することが可能となる。例えば、臨床医は、デノイズの量を調査用に変更するために、ユーザインタフェース１２４を使用してよい。これをリアルタイムで動的に行ってよく、その結果をリアルタイムで提示してよい。

すなわち、臨床医は結果を表示中、パラメータを変更してよく、それに応じて、そのパラメータはコンピューティング装置に、デノイズされた再構成済みスペクトル画像を変更されたパラメータに基づいて処理させ、その結果を仮想的に提示させる。ユーザが構成可能であってよい他のパラメータには、ＶＣＥ画像処理についての造影要素、ＶＣＥ画像生成及びＶＮＣ画像生成についてシミュレートされる部分容積効果の積極性に影響するパラメータ、デノイズのために部分的でない（de-local）構造モデルを選択する閾値、骨質及びカルシウムのセグメンテーションの倍率、局所的な構造モデルをボクセルに当てはめる重み付け要素などを含むが、これらに限定されない。

データ・リポジトリ１２６を、再構成済み画像、デノイズされた再構成済み画像、並びに／又は、処理された再構成済み画像及び／若しくはデノイズされた再構成済み画像を保存するために使用してよく、データ・リポジトリ１２６は、コンソール１１６、画像プロセッサ１２２、デノイザ１２０、及び／又は他の装置のうち１つ又は複数によってアクセス可能であってよい。データ・リポジトリ１２６は、システム１００に対してローカル接続であってもよく、システム１００から離れていてもよく、分散型であってもよい。データ・リポジトリ１２６は、データベース、サーバ、画像保存通信システム（picture archiving and communication system；ＰＡＣＳ）、放射線医学情報システム（radiology information system；ＲＩＳ）、病院情報システム（hospital information system；ＨＩＳ）、電子医療記録（electronic medical record；ＥＭＲ）、及び／又は他の電子記憶装置若しくはメモリを含んでよい。

図２は、デノイザ１２０の例を概略的に示す。概して、この実施形態において、種々のエネルギー範囲に対応する一式のスペクトル画像において、あるスペクトル画像についてのノイズパターンを決定し、そのスペクトル画像のスペクトルノイズをノイズパターンに基づいて削減するように、デノイザ１２０を構成する。例示のデノイザ１２０は、入力データとして一式のスペクトル画像を受信する。その一式のスペクトル画像には、スキャナ１００、リポジトリ１２６及び／若しくはその他の場所からの一式の再構成済みスペクトル画像、並びに／又は一式の推定された単色画像を含んでよい。

ノイズ推定部２０２が、スペクトル画像の各ボクセルについての局所的なノイズ値を推定し、その局所的なノイズ値に基づいて、スペクトル画像についてのノイズモデル又はノイズパターンを生成する。そのノイズモデルを使用して、スペクトル画像内の構造を推定する。ノイズ推定部２０２は、ノイズを推定するために、既知の手法及び／又は他の手法を用いてよい。適切な手法には、モンテカルロ推定、Wunderlich及びNooによるPhys．Med．Biol．53（2008）、2472‐2493において論じられているものなどの分析手法、本書においてその全体を参照し援用する、ＰＣＴ特許出願シリアル番号PCT／IB2009／054913（2010年10月29日申請、タイトル“ENHANCED IMAGE DATA／DOSE REDUCTION”）に記載のものなどの画像に基づいた手法、及び／又は他の手法を含むが、これらに限定されない。

スペクトルノイズ除去部２０４が、推定されたノイズモデルに基づいてスペクトル画像からスペクトル画像ノイズを除去し、デノイズされたスペクトル画像を生成する一方で種々のエネルギー画像における基本的なスペクトル情報及び／又は解剖学的構造を保存し、それによってスペクトル画像の信号対ノイズ比を改善する。これについての例を、図３と関連させて説明する。図３において、スペクトルノイズ除去部２０４は、モデル当てはめ部３０２を含み、そのモデル当てはめ部３０２は、推定されたノイズパターンに基づいて決定される局所的な構造モデルを、ボクセルに関する３次元の領域ボクセル又は近傍ボクセルに、スペクトル画像におけるボクセルのうち１つ又は複数について、当てはめる（fit）。

スペクトルノイズ除去部２０４は、モデル選択部３０４をさらに含み、そのモデル選択部３０４は、画像における各ボクセルについての局所的な構造モデルを、基準メモリ３０６に保存されている所定の選択基準に基づいて選択する。いったん各ボクセルについてモデルを選択すると、それをスペクトルノイズ除去部２０４が使用して、スペクトル画像内のノイズをデノイズする、又は取り除く。ここで、新しい推定されたボクセル値は、選択されたモデルによって決定された値であり、元のボクセル値を置換する。結果的なスペクトル画像には、デノイズされたスペクトル画像、又は種々のエネルギー範囲について画質を向上させたスペクトル画像を含む。

図１、２及び３を参照して、デノイザ１２０についての例示的なノイズ除去手法を説明する。この例について、
〔外１〕

は、容積Ｖ^Ｅｅにおけるボクセルを表し、ここで、その容積はエネルギーＥ_ｅによって得られる。式１が、局所的な構造モデルを当てはめるために使用可能な、最小二乗手法を含む。

ここで、
〔外２〕

は、その容積内の（i+i'，j+j'，k+k'）のボクセルについてのモデル値であり、ｗ_i'，j'，k'は重み付け要素である。重み付け要素を、位置特定の核として考えてよく、それは、式２に示すような２つの重み付け関数の積である。

ここで、ｗ^spatial _i'，j'，k'は、ボクセルへの空間的距離による、近傍に対する重み付けを表し、ｗ^ＨＵ _i'，j'，k'は、ハウンズフィールド単位（Hounsfield Unit；ＨＵ）空間における、ボクセルへの強度距離（intensity-distance）による、近傍に対する重み付けを表す。

ｗ^spatial _i'，j'，k'の関数を、式３に基づいて決定してよい。

ここで、dxはミリメートル（mm）単位の画素の大きさであり、dzはmm単位のスライス幅であり、σ_spatialは重み付けの積極性を制御するアルゴリズムパラメータである。ｗ^ＨＵ _i'，j'，k'の関数を、式４に基づいて決定してよい。

ここで、mは重み付けの積極性を制御するアルゴリズムパラメータであり、
〔外３〕

は、ボクセルｖ_i，j，kの局所的なノイズレベル推定であって、上述したようなノイズ推定部２０２によって推定される。

適切なモデルには、同次の領域をモデル化する一定モデル（すなわち、Ｍ_i'，j'，k'(ｃ)＝ｃ）と、非同次の領域（すなわち、湾曲を含む領域）をモデル化する二次多項式とを含むが、これらに限定されない。追加的に又は代替的に、他のモデルを使用してもよい。モデル選択部３０４は、適切なモデルを選択するために、種々の既知の分類子及び／又は他の分類子を使用してよい。この例において、例示のモデル選択部３０４は、不等式１を使用する。

ここで、
〔外４〕

は、第１のモデルについてのノイズなしと推定されたボクセルであり、閾値（threshold）は、基準メモリ３０６に保存されている基準に対応する。この例において、不等式１が満たされる場合、第２のモデルパラメータを用いてノイズ除去を行う。

いったんモデルを選択すると、スペクトルノイズ除去部２０４は、そのモデルを使用してスペクトル画像をデノイズし、それによってデノイズされたスペクトル画像を生成する。一つの例において、同一のノイズモデルの種類と同一の当てはまる重み付けとを、すべての種々のエネルギー画像に対して使用する。これによりノイズの除去が可能となり、一方でスペクトル画像内の一貫性のある結果を種々のエネルギー範囲にわたって保存する。別の例において、異なるノイズモデルの種類と当てはまる重み付けとを、種々のエネルギー画像のうち１つ又は複数に対して使用する。

図４は、画像プロセッサ１２０の例を概略的に示す。この実施形態において、画像プロセッサ１２０は、物質分析部４０２、分解アルゴリズムメモリ４０４、セグメント化部４０６、マップ生成部４０８、仮想造影（ＶＣＥ）画像生成部４１０、及び仮想非造影（ＶＮＣ）画像生成部４１２を含む。

それぞれの物質が一意的な減衰スペクトル応答を有するため、すなわち、それぞれの物質が画像に基づくエネルギーマップ上に一意的な物質応答ベクトルを有するため、物質分析部４０２は、デノイザ１１８がデノイズしたスペクトル画像、及び／又は他のデノイズされたスペクトル画像を、種々の物質の基底に従って分解する。デュアルエナジースキャナは、原理上、従来のＣＴスキャナより高い分解能を用いて、密度が変化する組織又は物質を識別することができる。これを、図５と関連させて説明する。図５は、デュアルエナジー調査についてのエネルギーマップ／エネルギー散布図と、複数の物質応答ベクトルとの一例を示す。

物質分析部４０２は、分析下にあるデノイズされた再構成済みスペクトル画像を、分解アルゴリズムメモリ４０４に保存されている１つ又は複数の分解アルゴリズムなどの、種々の既知の分解アルゴリズム及び／又は他の分解アルゴリズムに基づいて、分解する。次に、限定的でない分解アルゴリズムの例を、さらに論じる。１つの適切な分解アルゴリズムが、ベクトル分解手法に基づく。例えば、物質分析部４０２は、式５の線形方程式を解くことによって、物質分布マップを推定してよい。

ここで、
〔外５〕

は、物質ｍに関する物質ベクトルであり、
〔外６〕

は、デノイザ１１８を用いてデノイズした後に取得されたエネルギーｅに関する量であり、ｎは、エネルギービン（energy bin）の数であり、α^ｍは、物質ｍに関して推定された物質分布マップである。別の適切な分解アルゴリズムが、確率論的分解手法に基づく。例えば、物質分析部４０２は、式６に基づいて物質分布マップを推定してよい。

ここで、ｆ（ｐ_ｉ｜Ｍ_ｍ）は、物質Ｍ_ｍを含むポイントｐ_ｉについての確率密度関数であり、ｄ_ｉ，ｍは、エネルギーマップにおける、ポイントｐ_ｉから物質Ｍ_ｍに関する物質ベクトルまでの最短距離である。これを図６において確認することができる。図６は、エネルギーマップ６０６における２つの物質応答ベクトル６０２及び６０４と、測定ポイントｐ_ｉ６１２から２つのベクトル６０２及び６０４までの、より短い距離６０８及び６１０とを示す。

物質確率マップ推定を、式７に基づいて決定してよい。

ここで、Ｐ_ｍは、物質Ｍ_ｍの物質確率マップである。概して、この手法は、エネルギーマップにおけるボクセルの物質応答ベクトルへの距離の分布を、複数の物質の確率混合モデルとして使用する。この分解の出力データには、各ボクセルについて特定の物質を含んでいる確率を表す、物質確率マップを含む。

図７を参照しながら図４に戻って、セグメント化部４０６を、分解されたデノイズスペクトル画像に基づいて骨質及び石灰化を少なくともセグメント化するように構成する。

図７に示すように、セグメント化部４０６は、入力データとしてカルシウム確率マップＰ_ｍを受信する。そのカルシウム確率マップＰ_ｍを、物質分析部４０２が、カルシウム、ヨード、及び軟組織、並びに／又は他の物質に基づいて、メモリ４０４から確率論的物質分解アルゴリズム（式６及び式７）を用いて、推定する。

強化部７０４は、合計変分汎関数最小化（total variation functional minimization）、又は他の手法を用いて、確率論的物質分解を強化する。この例において、強化部７０４は、式８に基づいて、合計変分汎関数最小化を実行する。

ここで、λは、セグメンテーション解決の基準を制御する、正のパラメータである。パラメータλは、デフォルト値であってよく、あるいはユーザ指定値であってよい。種々の手法を、式８を解くために用いてよい。限定的でない手法を、Tony F. ChanとJianhong ShenによるImage Processing and Analysis（SIAM Books 2005）に見つけることができる。

セグメント化部４０６はさらに、画像バイナリマップを推定するマスク推定部７０６を含み、その画像バイナリマップは、骨質及び石灰化のセグメンテーションを表す。この例において、マスク推定部７０６は、式９に基づいてマップＢを生成する。

上述のように、結果的な骨質及び石灰化のセグメンテーションが、追加の定量的なスペクトル情報を高度に活用してもよく、そのセグメンテーションを、ビーム硬化補正アルゴリズムにおいて活用してもよく、単色画像再構成アルゴリズムにおいて活用してもよい。

図８を参照しながら図４に戻って、例示のマップ生成部４０８を、ヨードマップを生成するように構成する。概して、マップ生成部４０８を、分解されたデノイズされたスペクトル画像と骨質及びカルシウムのマスクとに基づいてヨードマップを推定するように構成する。この例に関して、ヨードマップは、カルシウム、脂肪、軟組織、及びヨードを包含する。他の実施形態において、より多くの物質、より少ない物質、及び／又は異なる物質を使用してよい。

図８に示すように、マップ生成部４０８は、入力データとして、物質分析部４０２のベクトル分解（式５）に基づいて生成されたヨード分布マップとセグメント化部４０６からの骨質及び石灰化のマップとを受信する。このデュアルエナジーの例において、マップ生成部４０８は、ヨード及び軟組織に基づいた第１のヨード分布マップである
〔外７〕

と、ヨード及び脂肪に基づいた第２のヨード分布マップである
〔外８〕

とを受信する。３つ以上の異なるエネルギー範囲を有する例において、ヨード、軟組織、及び脂肪についての単一のヨードマップを生成してよく、かつ／あるいは、より多くのヨードマップを生成してよい。

ヨードマップ推定部８０２が、式１０に基づいて、ヨードマップＩＭを推定する。

ここで、ｑは、必要とされる定量的な単位に依存する、一定の倍率である。上述のように、結果的なヨードマップＩＭは、調査において、ヨードについての改良された定量的な分布を提供する。

図９を参照しながら図４に戻って、例示のＶＣＥ画像生成部４１０を、造影剤の削減について、スペクトル画像の仮想的な強調によって補うように、構成する。ＶＣＥ画像生成部４１０は、入力データとして、デノイズされたスペクトル画像と、分解されたデノイズスペクトル画像と、マップ生成部４０８によって生成されたヨードマップとを受信する。

中間ＶＣＥ９０２が、あらゆにエネルギーｅについて、式１１に基づいて、準備的なＶＣＥ画像を生成する。

ここで、γは強調要素である。１つの例において、造影剤の量の低減をｘの要素によって補うために、γ＝(１／ｘ)−１である。他の例において、γは、デフォルト値又はユーザ指定値などの、別の値であってよい。最終ＶＣＥ画像推定部９０４が、その中間画像と式１２に基づいてシミュレートされた部分容積効果とに基づいて、最終的な画像を推定する。

ここで、ＬＰＦは、画像にわたってのローパスフィルタであり、β及びδは、シミュレートされる部分容積効果の積極性を制御するパラメータである。

上述のように、コントラストを仮想的に強調することにより、所与の画質に対して、患者に投与される造影剤の量を削減することが可能となる。あるいは、それにより、投与後のスキャンタイミングを逃してしまって、結果的な画像が次善最適の画質を有し、それがスキャンの繰り返しとさらなる造影剤とをもたらしうるような調査を、省くことが可能となる。あるいは、それにより、臨床医は、マウス、キーボード、又は類似のものを介して画像処理パラメータを手動で微調整して、リアルタイムで画像を調べて所望の視覚化効果を得ることが可能となる。

図１０を参照しながら図４に戻って、ＶＮＣ画像生成部４１２を、ＶＮＣ画像を推定するように構成する。ＶＮＣ画像生成部４１２は、入力データとして、物質分析部４０２が生成する分解されたデータと、マップ生成部４０８が生成するヨードマップＩＭとを受信する。

中間ＶＮＣ画像生成部１００２が、あらゆるエネルギーｅについて、次のような式１３に基づいて、準備的なＶＮＣ画像を生成する。

最終ＶＮＣ画像推定部１００４が、その中間画像と式１４に基づいてシミュレートされた部分容積効果とに基づいて、最終的な画像を推定する。

ここで、ＬＰＦは、画像にわたってのローパスフィルタであり、β及びδは、シミュレートされる部分容積効果の積極性を制御するパラメータである。ＶＮＣ画像は、非造影スキャンの必要性を除外することが可能であり、それにより、放射線被ばくを低減し、時間を節約し、チューブ寿命を引き延ばすことが可能となる。

図１１、１２、１３、１４及び１５は、一式の再構成済みスペクトルＣＴ画像、及び／又は一式の推定された単色画像を処理する、種々の方法を示す。

以下の動作の順序は例示目的のものであって限定するものではないということが、十分理解されるべきである。そのようなものとして、本書において、他の順序も考えられる。さらに、動作のうち１つ又は複数を省略してよく、かつ／あるいは、１つ又は複数の他の動作を含んでよい。

最初に図１１を参照して、スペクトル画像をデノイズする例示的な方法を示す。

１１０２において、一式のスペクトル画像を取得する。

１１０４において、一式のスペクトル画像のうちのスペクトル画像について、ノイズモデルを推定する。

１１０６において、ノイズモデルに基づいて、その画像内の構造を推定し、局所的な構造モデルを生成する。

１１０８において、その画像内のボクセルに対応する局所的な構造モデル一式を、そのボクセルに関する３次元の近傍ボクセルに、当てはめる。

１１１０において、局所的な構造モデル一式のうちの構造モデルを、そのボクセルについて、その当てはめ（fits）と所定の選択基準とに基づいて選択する。

１１１２において、そのボクセルを、選択されたモデルに基づいてデノイズする。ここで、そのボクセルの値を、選択されたモデルによって決定される値に置換する。

上記を、他のスペクトル画像のうち１つ又は複数についての１つ又は複数の他のボクセルに関して、繰り返してよく、種々のエネルギー範囲について、デノイズされたスペクトル画像を生成する。

図１２を参照して、スペクトル画像について、骨質及びカルシウムのセグメンテーションを生成する例示的な方法を示す。

１２０２において、デノイズされた画像の確率論的分解に基づいて、カルシウム確率マップを生成する。

１２０４において、そのカルシウム確率マップを、カルシウム確率マップの合計変分汎関数最小化を実行することによって、強化する。

１２０６において、骨質及びカルシウムのセグメンテーションを表すバイナリマップを、強調されたカルシウム確率マップと所定の閾値とに基づいて決定する。

次に、図１３が、スペクトル画像について、ヨードマップを生成する例示的な方法を示す。

１３０２において、１つ又は複数のヨード分布マップを、デノイズされたスペクトル画像のベクトル分解に基づいて生成する。

１３０４において、例えば、図１２に関連して説明したような、骨質及びカルシウムのセグメンテーションのバイナリマスクを生成する。

１３０６において、ヨードマップを、ヨード分布マップと骨質及びカルシウムのセグメンテーションのバイナリマスクとに基づいて推定する。

図１４において、スペクトル画像について、仮想非造影（ＶＮＣ）画像を生成する例示的な方法を示す。

１４０２において、例えば、図１３に関連して説明したような、ヨードマップを推定する。

１４０４において、中間ＶＮＣ画像を、あらゆるエネルギーについて、デノイズされた画像、ベクトル分解されたデノイズされた画像、及びヨードマップに基づいて推定する。

１４０６において、最終的なＶＮＣ画像を、シミュレートされた部分容積効果と中間ＶＮＣ画像とを組み合わせることによって生成する。

図１５は、スペクトル画像について、仮想造影（ＶＣＥ）画像を生成する例示的な方法を示す。

１５０２において、例えば、図１３に関連して説明したような、ヨードマップを推定する。

１５０４において、造影要素を取得する。

１５０６において、中間ＶＣＥ画像を、あらゆるエネルギーについて、デノイズされた画像、ベクトル分解されたデノイズされた画像、ヨードマップ、及び造影要素に基づいて推定する。

１５０８において、最終的なＶＣＥ画像を、シミュレートされた部分容積効果と中間ＶＣＥ画像とを組み合わせることによって生成する。

上記を、物理メモリなどのコンピュータ読み取り可能記憶媒体上に符号化又は実装された１つ又は複数のコンピュータ読み取り可能命令を実行する１つ又は複数のプロセッサを用いて、実施してよい。その命令により、１つ又は複数のプロセッサは、種々の動作、及び／又は他の機能や動作を実行することが可能となる。追加的に又は代替的に、１つ又は複数のプロセッサは、信号又は搬送波などの伝送媒体によって伝えられる命令を実行してもよい。

本発明を本書において種々の実施形態を参照して説明してきた。変更及び調整が、本書の説明を読んだ他者において生じるであろう。そうした変更及び調整が別記の請求項及びその均等物の範囲内にある限り、本発明はすべてのそうした変更及び調整を含むものとみなされることが、意図される。

Claims

種々のエネルギー範囲に対応する一式のスペクトル画像群のうちのスペクトル画像の１つ又は複数のボクセルについて、局所的なノイズ値を推定するステップであって、前記スペクトル画像についてのノイズモデルを生成する、推定するステップと、
前記スペクトル画像のボクセルについての局所的な構造モデル群を、対応するノイズモデルに基づいて推定するステップと、
前記ボクセルについての前記局所的な構造モデル群のうち１つを、所定のモデル選択基準に基づいて選択するステップと、
前記ボクセルの値を、前記の選択された局所的な構造モデルに基づいて推定される値に置換することによって、前記選択された局所的な構造モデルに基づいて、前記ボクセルをデノイズするステップと、
を含み、
前記一式のスペクトル画像群の中の複数スペクトル画像の複数ボクセルがデノイズされ、一式のデノイズされたスペクトル画像を生成する、
方法。
前記ボクセルについての前記局所的な構造モデル群のうち１つを、所定のモデル選択基準に基づいて選択するステップの前に、
前記局所的な構造モデル群の一式を、前記スペクトル画像内のボクセルに関する前記スペクトル画像内の３次元の近傍ボクセルに、当てはめるステップと、
前記ボクセルについての前記局所的な構造モデル群のうち１つを、前記の当てはめと前記所定のモデル選択基準とに基づいて選択するステップと、
をさらに含む、請求項１に記載の方法。
前記スペクトル画像群は、第１の線量スキャンの間に取得されたデータを用いて生成され、前記スペクトル画像群についての前記デノイズするステップは、第２の線量スキャンの間に取得されたデータを用いて生成されるスペクトル画像に関する画像ノイズと同じレベルの量の画像ノイズを有する画像一式を生成し、前記第２の線量スキャンの線量は、前記第１の線量スキャンの線量よりも高い、請求項１乃至２のいずれか１項に記載の方法。
前記局所的な構造モデル群を当てはめるために、最小二乗最小化を用いるステップと、
前記最小二乗最小化を重み付け要素を用いて重み付けするステップであって、前記重み付け要素は、前記ボクセルに関する３次元の近傍ボクセルを前記ボクセルとその近隣ボクセルとの間のボクセル強度距離に基づいて重み付けする、第１の重み付け成分を含む、重み付けするステップと、
をさらに含む、請求項１乃至３のいずれか１項に記載の方法。
前記第１の重み付け成分は、前記ボクセルの前記局所的なノイズ値についての関数である、請求項４に記載の方法。
前記重み付け要素は、前記ボクセルに関する前記３次元の近傍を前記ボクセルとその近隣ボクセルとの間の空間的距離に基づいて重み付けする、第２の重み付け成分を含む、請求項４乃至５のいずれか１項に記載の方法。
前記局所的な構造モデル群は、少なくとも２つのノイズモデルを含み、前記少なくとも２つのノイズモデルは、同次の領域をモデル化する一定モデルと非同次の領域をモデル化する二次多項式とを少なくとも含む、請求項１乃至６のいずれか１項に記載の方法。
前記ボクセルをデノイズすることについて当てはめられたノイズモデルを含む局所的な構造モデルを、前記少なくとも２つのノイズモデルの局所的な標準偏差の比率と所定の閾値との間の所定の関係に基づいて選択するステップ、
をさらに含む、請求項６乃至７のいずれか１項に記載の方法。
カルシウム確率マップを、前記デノイズされたスペクトル画像の確率論的分解に基づいて生成するステップと、
前記カルシウム確率マップを、前記カルシウム確率マップについての合計変分汎関数最小化を実行することによって、強化するステップと、
骨質及びカルシウムのセグメンテーションを表すバイナリマスクを、前記の強化されたカルシウム確率マップと所定の閾値とに基づいて生成するステップと、
をさらに含む、請求項１乃至８のいずれか１項に記載の方法。
１つ又は複数のヨード分布マップを、前記デノイズされたスペクトル画像のベクトル分解に基づいて生成するステップと、
ヨードマップを、前記１つ又は複数のヨード分布マップと前記バイナリマスクとに基づいて推定するステップと、
をさらに含む、請求項９に記載の方法。
中間仮想造影画像をあらゆるエネルギーについて、前記デノイズされたスペクトル画像、分解されたデノイズされたスペクトル画像、前記ヨードマップ、及び造影要素に基づいて生成するステップと、
最終的な仮想造影画像を、シミュレートされた部分容積効果と前記中間仮想造影画像とを組み合わせることによって生成するステップと、
をさらに含む、請求項１０に記載の方法。
前記造影要素は造影剤の削減を補う値を有する、請求項１１に記載の方法。
中間仮想非造影画像をあらゆるエネルギーについて、前記デノイズされたスペクトル画像、分解されたデノイズされたスペクトル画像、及び前記ヨードマップに基づいて生成するステップと、
最終的な仮想非造影画像を、シミュレートされた部分容積効果と前記中間仮想非造影画像とを組み合わせることによって生成するステップと、
をさらに含む、請求項１０に記載の方法。
種々のエネルギー範囲に対応する一式のスペクトル画像群のうちのスペクトル画像のノイズパターンを推定する、ノイズ推定部であって、前記ノイズパターンは前記スペクトル画像のボクセルについての局所的な構造モデル群を推定するために使用される、ノイズ推定部と、
前記ボクセルについての前記局所的な構造モデル群のうち１つを、所定のモデル選択基準に基づいて選択する、モデル選択部と、
を含む、コンピューティング装置。
前記局所的な構造モデル群の一式を、前記スペクトル画像内のボクセルに関する前記スペクトル画像内の３次元の近傍ボクセルに当てはめる、モデル当てはめ部であって、前記モデル選択部は、前記ボクセルについての前記局所的な構造モデル群のうち１つを、前記の当てはめと前記所定のモデル選択基準とに基づいて選択する、モデル当てはめ部、
をさらに含む、請求項１４に記載のコンピューティング装置。
前記ボクセルの値を、前記の選択された局所的な構造モデルに基づいて推定される値に置換することによって、前記選択された局所的な構造モデルに基づいて、前記ボクセルをデノイズする、スペクトルノイズ除去部であって、前記一式のスペクトル画像群の中の複数スペクトル画像の複数ボクセルがデノイズされ、一式のデノイズされたスペクトル画像を生成する、スペクトルノイズ除去部、
をさらに含む、請求項１４乃至１５のいずれか１項に記載のコンピューティング装置。
カルシウム確率マップを、デノイズされたスペクトル画像の確率論的分解に基づいて生成する、物質分析部と、
前記カルシウム確率マップを、前記カルシウム確率マップについての合計変分汎関数最小化を実行することによって強化する、強化部と、
骨質及びカルシウムのセグメンテーションを表すバイナリマスクを、前記の強化されたカルシウム確率マップと所定の閾値とに基づいて生成する、マスク推定部と、
をさらに含む、請求項１４乃至１６のいずれか１項に記載のコンピューティング装置。
前記物質分析部は、１つ又は複数のヨード分布マップを、前記デノイズされたスペクトル画像のベクトル分解に基づいて生成し、
ヨードマップを、前記１つ又は複数のヨード分布マップと前記バイナリマスクとに基づいて推定する、ヨードマップ推定部、
をさらに含む、請求項１７に記載のコンピューティング装置。
中間仮想造影画像をあらゆるエネルギーについて、前記デノイズされたスペクトル画像、分解されたデノイズされたスペクトル画像、前記ヨードマップ、及び造影要素に基づいて生成する、中間仮想造影画像生成部と、
最終的な仮想造影画像を、シミュレートされた部分容積効果と前記中間仮想造影画像とを組み合わせることによって生成する、最終仮想造影画像推定部と、
をさらに含む、請求項１８に記載のコンピューティング装置。
中間仮想非造影画像をあらゆるエネルギーについて、前記デノイズされたスペクトル画像、分解されたデノイズされたスペクトル画像、及び前記ヨードマップに基づいて生成する、中間仮想非造影画像生成部と、
最終的な仮想非造影画像を、シミュレートされた部分容積効果と前記中間仮想非造影画像とを組み合わせることによって生成する、最終仮想非造影画像推定部と、
をさらに含む、請求項１８に記載のコンピューティング装置。
カルシウム確率マップを、デノイズされたスペクトル画像の確率論的分解に基づいて生成するステップと、
前記カルシウム確率マップを、前記カルシウム確率マップについての合計変分汎関数最小化を実行することによって、強化するステップと、
骨質及びカルシウムのセグメンテーションを表すバイナリマスクを、前記の強化されたカルシウム確率マップと所定の閾値とに基づいて生成するステップと、
を含む、方法。
１つ又は複数のヨード分布マップを、デノイズされたスペクトル画像のベクトル分解に基づいて生成するステップと、
ヨードマップを、前記１つ又は複数のヨード分布マップと骨質及びカルシウムのセグメンテーションを表すバイナリマスクとに基づいて推定するステップと、
を含む、方法。
カルシウム確率マップを、前記デノイズされたスペクトル画像の確率論的分解に基づいて生成するステップと、
前記カルシウム確率マップを、前記カルシウム確率マップについての合計変分汎関数最小化を実行することによって、強化するステップと、
前記バイナリマスクを、前記の強化されたカルシウム確率マップと所定の閾値とに基づいて生成するステップと、
をさらに含む、請求項２１に記載の方法。
種々のエネルギー範囲に対応する一式のスペクトル画像群のうちの各エネルギー画像についての中間仮想造影画像を、デノイズされたスペクトル画像、分解されたデノイズされたスペクトル画像、ヨードマップ、及び造影要素に基づいて生成するステップと、
最終的な仮想造影画像を、シミュレートされた部分容積効果と前記中間仮想造影画像とを組み合わせることによって生成するステップと、
を含む、方法。
１つ又は複数のヨード分布マップを、前記デノイズされたスペクトル画像のベクトル分解に基づいて生成するステップと、
ヨードマップを、前記１つ又は複数のヨード分布マップと前記骨質及びカルシウムのセグメンテーションを表すバイナリマスクとに基づいて推定するステップと、
をさらに含む、請求項２３に記載の方法。
カルシウム確率マップを、前記デノイズされたスペクトル画像の確率論的分解に基づいて生成するステップと、
前記カルシウム確率マップを、前記カルシウム確率マップについての合計変分汎関数最小化を実行することによって、強化するステップと、
バイナリマスクを、前記の強化されたカルシウム確率マップと所定の閾値とに基づいて生成するステップと、
をさらに含む、請求項２４に記載の方法。
種々のエネルギー範囲に対応する一式のスペクトル画像群のうちの各エネルギー画像についての中間仮想非造影画像を、デノイズされたスペクトル画像、分解されたデノイズされたスペクトル画像、及びヨードマップに基づいて生成するステップと、
最終的な仮想非造影画像を、シミュレートされた部分容積効果と前記中間仮想非造影画像とを組み合わせることによって生成するステップと、
を含む、方法。
１つ又は複数のヨード分布マップを、前記デノイズされたスペクトル画像のベクトル分解に基づいて生成するステップと、
前記ヨードマップを、前記１つ又は複数のヨード分布マップと骨質及びカルシウムのセグメンテーションを表すバイナリマスクとに基づいて推定するステップと、
をさらに含む、請求項２６に記載の方法。
カルシウム確率マップを、前記デノイズされたスペクトル画像の確率論的分解に基づいて生成するステップと、
前記カルシウム確率マップを、前記カルシウム確率マップについての合計変分汎関数最小化を実行することによって、強化するステップと、
バイナリマスクを、前記の強化されたカルシウム確率マップと所定の閾値とに基づいて生成するステップと、
をさらに含む、請求項２７に記載の方法。