JP2017067765A - 医用画像処理装置及びポジトロン放射断層撮影装置 - Google Patents

Abstract

【課題】ＮＬＭフィルタを用いたフィルタリングにより、医用画像のノイズ除去の効果を向上させることができる医用画像処理装置及びポジトロン放射断層撮影装置を提供すること。【解決手段】実施形態の医用画像処理装置は、インタフェースと、処理回路とを備える。インタフェースは、被検体を表し、ノイズのある画像を受信する。処理回路は、ノイズを低減するフィルタを用いて前記ノイズのある画像をフィルタリングすることでフィルタリング済み画像を生成し、前記フィルタリング済み画像について、同一画像内のパッチの対の類似度の値を算出し、前記類似度の値を用いて、パッチの対ごとに、非局所平均（Non-Local Means：ＮＬＭ）重みを算出し、前記ノイズのある画像の各画素の画素値について、前記ＮＬＭ重みを用いて、画素間での加重平均を行うことにより、ＮＬＭ画像を生成する。【選択図】図８Ｂ

Description

本発明の実施形態は、医用画像処理装置及びポジトロン放射断層撮影装置に関する。

本明細書に提供される背景技術の記述は、本開示の文脈を概略的に提示するためのものである。本発明者らの論文は、その論文がこの背景技術のセクションに記載されている範囲において、出願の時点で先行技術と見なされない記述の態様と同様に、明示的にも暗示的にも本開示に対する先行技術とは認められない。

ポジトロン放射断層撮影（Positron Emission Tomography：ＰＥＴ）の使用は医用イメージング分野で増えつつある。ＰＥＴイメージングでは、注射、吸入、または摂取によって放射性医薬品が撮像対象の被検体に導入される。放射性医薬品の投与後、医薬品はその物理的特性および生体分子的特性により、人体の特定部位に集中する。医薬品の実際の空間分布、医薬品が蓄積する領域の強度、および投与からその最終的な消失までのプロセスにおける動力学は、すべて臨床的重要性を有しうる因子である。このプロセスの間、放射性医薬品に結合した陽電子放射体は、半減期、分岐比等の同位体の物理的特性に従って陽電子を放出する。

放射性核種は陽電子を放出し、放出された陽電子が電子と衝突すると、陽電子と電子が結合する対消滅イベントが起こる。たいていの場合、対消滅イベントにより、略１８０度離れた方向に進む（５１１ｋｅＶの）２つの対消滅ガンマ線が生じる。

断層再構成原理による放射性同位体の時空間分布の再構成を可能にするためには、検出イベントがそれぞれ、そのエネルギー（すなわち、生じた光の量）、位置、およびタイミングについて特徴付けられる必要がある。２つの対消滅ガンマ線を検出し、それらの位置を結ぶ線、すなわち同時計数線（Line-Of-Response：ＬＯＲ）を引くことによって、元の崩壊が生じた確率が高い位置を探し出すことができる。このプロセスは、相互作用が起こっている可能性のある線を特定するにすぎないが、これらの線を数多く蓄積すれば、断層を再構成するプロセスによって、元の分布を推定することができる。２つのシンチレーションイベントの位置に加えて、正確なタイミング（数百ピコ秒以内）が利用可能であれば、飛行時間（Time-Of-Flight：ＴＯＦ）の計算により、上記の線に沿った、崩壊イベントが生じた確率の高い位置に関するさらなる情報を加えることができる。スキャナのタイミング分解能の限界によって、この線に沿った位置決め精度が決まることになる。多数のイベントを収集することにより、断層再構成によって推定される被検体の画像に必要な情報が得られる。

ＰＥＴイメージングシステムは、被検体から放射される対消滅ガンマ線を検出するために互いに対向する位置に配置された検出器を使用する。典型的には、各角度から飛来する対消滅ガンマ線を検出するために、検出器リングが使用される。したがって、ＰＥＴスキャナは、典型的には、できるだけ多くの放射線を収集できるように略円筒形であり、当然のことながら、等方性であるべきである。ほとんどの最新ＰＥＴスキャナは、数千の個別シンチレータ（すなわち、シンチレータ素子）で構成されており、これらのシンチレータは、各シンチレーションイベントの光パルスを測定するために光検出器とともにモジュールとして実装される、２次元（Two-Dimensional：２Ｄ）シンチレータアレイとして配置される。光検出器で測定される相対パルスエネルギーは、シンチレーションイベントの位置を特定するために用いられる。典型的には、シンチレータ素子の断面は、概ね４ｍｍ×４ｍｍである。それよりも小さいまたは大きい寸法で、非正方形の断面も可能である。シンチレータの長さまたは深さが対消滅ガンマ線を捕獲する確率を決定することになるが、典型的には、１０〜３０ｍｍの範囲である。シンチレータの一例は、ＬＹＳＯ（すなわち、Ｌｕ_１．８Ｙ_０．２ＳｉＯ_５：Ｃｅまたはオルトケイ酸ルテチウム）である。このシンチレータは、高光出力、高速立ち上がり時間、高速減衰時間、高平均原子番号、および高密度を理由に選択される。他のシンチレータも使用可能である。

アンガー論理および結晶解読を使用して、各シンチレーションイベントの発生源を、特定のシンチレータから生じるものとして特定できる。シンチレーションイベントにより、最初は同位体的に放射する光が生じる。この光の空間分布は、４つの最も近い光検出器に検出される前に、シンチレータ表面とリフレクタとの相互作用により変わることがある。これらの４つの光検出器それぞれにより測定される相対パルスエネルギーから、４つの光検出器に対するシンチレーションイベントの位置を決定できる。光検出器の相対パルスエネルギーから位置情報を導くための式は、アンガー算術と呼ばれる。これらの位置は、ルックアップテーブルを使用して各シンチレータイベントをシンチレータ素子に割り当てるためにフラッドマップからルックアップテーブルを生成することによってさらに正確なものにすることができる。アンガー算術を使用して得られたｘ位置およびｙ位置から個別のシンチレータ素子にマッピングするこのプロセスは結晶解読と呼ばれる。

多くの場合、臨床ＰＥＴのデータや画像は、高速減衰同位体および短いスキャン時間において得られる、比較的少ない数の対消滅ガンマ線光子のみを使用する。したがって、これらの限られたデータセットによるＰＥＴ再構成画像は、通常使用する逐次近似再構成アルゴリズムを適用するとノイズが現れる。そこで、診断前に画質を向上させるため、正則化法や、イタレーション間ポストフィルタ平滑化法（in-iteration and/or post filter smoothing methods）が、一般にＰＥＴ再構成画像で使用される。ＰＥＴ画像のノイズを低減する、改善されたロバストな方法が所望されている。

米国特許出願公開第２０１０／００２０２０８号明細書

本発明が解決しようとする課題は、ＮＬＭフィルタを用いたフィルタリングにより、医用画像のノイズ除去の効果を向上させることができる医用画像処理装置及びポジトロン放射断層撮影装置を提供することである。

実施形態の医用画像処理装置は、インタフェースと、処理回路とを備える。インタフェースは、被検体を表し、ノイズのある画像を受信する。処理回路は、ノイズを低減するフィルタを用いて前記ノイズのある画像をフィルタリングすることでフィルタリング済み画像を生成し、前記フィルタリング済み画像について、同一画像内のパッチの対の類似度の値を算出し、前記類似度の値を用いて、パッチの対ごとに、非局所平均（Non-Local Means：ＮＬＭ）重みを算出し、前記ノイズのある画像の各画素の画素値について、前記ＮＬＭ重みを用いて、画素間での加重平均を行うことにより、ＮＬＭ画像を生成する。

図１は、一実施態様に係る、ＮＬＭフィルタリングを実行する方法のフローチャートを示す。 図２は、一実施態様に係る、ＮＬＭフィルタリングのために類似度重みを算出するプロセスのフローチャートを示す。 図３は、一実施態様に係る、ＮＬＭフィルタリングのために非混合類似度重みを算出するプロセスのフローチャートを示す。 図４Ａは、一実施態様に係る、バンドパスフィルタを使用した類似度重みのチャネル化された計算のプロセスのフローチャートを示す。 図４Ｂは、バンドパスフィルタを使用した類似度重みのチャネル化された計算の別の実施態様のフローチャートを示す。 図５Ａは、一実施態様に係る、ＮＬＭフィルタリングのために混合類似度重みを算出するプロセスのフローチャートを示す。 図５Ｂは、ＮＬＭフィルタリングのために混合類似度重みを算出する別のプロセスのフローチャートを示す。 図６Ａは、一実施態様に係る、解剖学的画像を使用して類似度重みを正確にするプロセスのフローチャートを示す。 図６Ｂは、解剖学的画像を使用して類似度重みを正確にする別のプロセスのフローチャートを示す。 図７Ａは、一実施態様に係る、局所フィルタリング済み画像とＮＬＭフィルタリング済み画像をブレンドするプロセスのフローチャートを示す。 図７Ｂは、局所フィルタリング済み画像とＮＬＭフィルタリング済み画像をブレンドする別のプロセスのフローチャートを示す。 図８Ａは、一実施態様に係るＰＥＴスキャナの斜視図を示す。 図８Ｂは、一実施態様に係るＰＥＴスキャナの概略図を示す。

本明細書に開示される実施形態は、概してノイズのある画像のＮＬＭフィルタリング、より詳細には、ノイズのある断層像（例えば、低線量率や高速時間分解能のＰＥＴ画像）のＮＬＭフィルタリングに関する。

多くの断層撮影用途では、ノイズのある画像が発生することがある。画像にノイズが現れる理由は、その用途によってさまざまである。例えば、画像によっては放射線量を最小限にしたいがために信号対雑音比が小さくなることがあり、画像によっては時間分解能を小さくしようとするためにノイズが発生することがある。さらに他の断層像では、画像を再構成するために使用される方法によりノイズが発生しうる。例えば、多くの臨床ＳＰＥＣＴ（Single Photon Emission Computed Tomography）撮像装置で使用される非正則化サブセット化による期待値最大化法（Ordered-Subset Expectation Maximization：ＯＳＥＭ）アルゴリズムのような統計的画像再構成法は不適切でありうるため、アルゴリズムを多く繰り返して使用するとノイズのある画像が生じる。加えて、時間分解ＰＥＴ、すなわち、動的ＰＥＴを使用して、空間分布に加えて放射性トレーサ動力学についての情報を明らかにできるが、スキャン時間全体で同時発生イベントをまとめて３次元（Three-Dimensional：３Ｄ）空間画像を生成する静的ＰＥＴとは異なり、動的ＰＥＴでは、短い期間からなる複数の時間フレームでのこれらのイベントをビニングすることによってトレーサ分布の４次元（Four-Dimensional：４Ｄ）時空間マップを生成するので、時空間マップの薄い時間スライスに対応するより短い期間もまた、より少ない計数とそれに対応するノイズのある画像に相当する。

よりノイズのある画像が生じる理由にかかわらず、画像ノイズを小さくして臨床診断を改善することは、断層撮影イメージング分野における共通の課題である。すべての方法がこれらの画像のノイズ除去に関してロバストな結果を生むとは限らない。本明細書記載の方法は、非局所平均（Non-Local Means：ＮＬＭ）フィルタリングのロバストな実施態様を使用することにより、断層像、特にＰＥＴ画像のロバストなノイズ除去を達成する。

線形平滑化フィルタ、異方性拡散、ＮＬＭ、および非線形フィルタを含む多くのノイズ除去方法がノイズのある画像に適用できる。

線形平滑化フィルタは、ローパスフィルタに相当するマスクにより元の画像を畳み込み積分するか、または平滑化操作によってノイズを除去する。例えば、ガウシアンマスクは、ガウス関数により求められる要素を含む。この畳み込み積分により、各画素の値と近傍の画素の値とをより近接するように一致させる。一般に、平滑化フィルタは、各画素をそれ自体とその近傍の画素との平均値または加重平均に設定する。ガウシアンフィルタは１つの可能な重みの集合にすぎない。不都合なことに、周りの近傍の画素よりも顕著に高いかまたは低い画素強度値は、不鮮明になるかまたは近傍の領域全体で平均されるため、平滑化フィルタは画像をぼやけさせる傾向がある。鮮明な境界線は不鮮明になる。一般に、局所線形フィルタ法では、局所的な近傍画素に均質性を見出すことができると仮定するため、病変や臓器境界等、不均質な特徴が不明瞭な画像に均質性を課す傾向がある。

異方性拡散は、熱伝導方程式に類似した平滑化偏微分方程式で画像を展開することによって、鮮明なエッジを保存しながらもノイズを除去する。拡散係数が空間的に一定である場合、この平滑化は線形ガウシアンフィルタリングに相当することになるが、拡散係数がエッジの存在により異方性を有する場合、画像のエッジを不鮮明にすることなくノイズを除去できる。

メディアンフィルタは非線形フィルタの一例であり、適切に設計された場合、非線形フィルタもまたエッジを保存し、ぼけを防ぐ。メディアンフィルタは、例えば、画像内の各画素を評価し、強度に従って近傍の画素を分類し、画素の元の値を順序付けられた強度のリストの中央値に置き換えることによって機能する。メディアンフィルタはランク条件付きランク選択フィルタ（ＲＣＲＳ（Rank-Conditioned Rank-Selection）フィルタ）の一例である。例えば、メディアンフィルタおよびその他のＲＣＲＳフィルタを適用して、大きなブラーリングアーチファクトを生じさせることなく、画像からごま塩ノイズを除去できる。

フィルタリングに加えて、種々の正則化法が画像再構成アルゴリズムと併せて使用できる。例えば、撮像される領域は領域間に比較的鮮明な境界を有する個々の領域全体で均質であると仮定される場合、全変動（Total-Variation：ＴＶ）最小化の正則化項が使用できる。ＴＶフィルタは非線形フィルタの別の例としても使用できる。

ＮＬＭフィルタリングでは、画素の空間的近接度に従って画素の加重平均を実行するのではなく、画素が、画像内のパッチ間の類似度に従う加重平均となるように求められる。したがって、ノイズは、画像内の近傍の画素だけでなく、すべての画素の非局所平均に基づいて除去される。特に、画素に対する重み付けの量は、その画素を中心とする小さなパッチと、ノイズ除去される画素を中心とする別の小さなパッチとの間の類似度の大きさに基づく。本明細書で使用する用語「画素」は、２Ｄ画素と３Ｄ体積画素（すなわち、ボクセル）の両方を含むように広く解釈される。

本明細書記載の方法は概して非局所フィルタリングの改善された実施態様に重点を置いているが、非局所フィルタリングとともに上述のその他のフィルタリングタイプも適用することができる。断層撮影臨床画像において、ＮＬＭフィルタリングは有利なことに、臓器境界を保存しつつノイズを抑制する。ＮＬＭフィルタは、一定の領域および背景に見られるノイズをフィルタリングするのに特に有効でありうる。

不都合なことに、従来のＮＬＭフィルタリングの実施態様は複数のパラメータに大きく依存することがあり、それらのパラメータは異なる患者間でロバストでなかったり、同じ患者の異なる臓器間でロバストでなかったりする。これらのパラメータとしては、比較対象の画像パッチのサイズ（例えば、行および列の数）および平滑化強度パラメータｈを挙げることができる。一般に、ＮＬＭフィルタは、パッチ類似度に依存する非局所画素の加重平均に基づく。ＮＬＭの実施態様によっては、ＰＥＴ画像に適用される場合におけるそのＰＥＴ画像の高レベルのノイズのために、類似度測定が不正確となる。また、平滑化強度パラメータｈは異なる強度レベルに対してロバストでないことがある。例えば、ＰＥＴ画像は高強度範囲を有し、所与の画像内の異なる臓器もまた強度が顕著にばらつきうるため、強度レベルに対するロバスト性の欠如はＰＥＴにとって特に課題となる。さらに、ユークリッド距離測度を使用する従来のＮＬＭフィルタリングでは、強度レベルに対するロバスト性の欠如は一定の平滑化強度とユークリッド距離測度とを組み合わせることにより深刻になる。これは、一定の平滑化強度を適用することは、ユークリッド距離測度により異なる強度範囲内で、異なる平滑化効果を有するためである。したがって、ユークリッド距離測度の適用に起因するこの不均一なフィルタリングにより、全体的に効果的な平滑化強度パラメータｈを見つけることが困難になりうる。最後に、いくつかのＮＬＭフィルタリングの実施態様では、フィルタリング済み画像にアーチファクトが生じる。これらの障害は、本明細書に記載される改善されたＮＬＭフィルタリング法を使用して克服できる。

例えば、本明細書記載の方法は、いくつかの方法で従来のＮＬＭフィルタリングの実施態様を改善することができる。第１に、本明細書記載の方法は、変換領域でフィルタリングされた画像パッチに基づいて類似度測定を行うことにより、画像ノイズに対してロバストである。第２に、ある種の実施態様によると、本明細書に記載される類似度測定は、チャネル化したパッチの比較を使用して改善される。第３に、一連の画像が（例えば、上述の動的ＰＥＴ法で）時間に応じて生成されると、ＮＬＭフィルタにおいて加重平均を行うために、複数の時間フレームからの画像を使用することによりＮＬＭフィルタリングに使用される類似度重みが改善できる。第４に、ユークリッド距離測度以外の距離測度を使用できる。特に、カルバックライブラー（Kullback-Leibler：ＫＬ）距離測度等のこれらのその他の距離測度を選択できるが、これは、これらの距離測度がパッチの平均画素値（すなわち、各パッチの強度）における変動に対してユークリッド距離測度よりもロバストであるからである。第５に、本明細書記載の方法のある種の実施態様は、解剖学的画像および臓器輪郭の定義を使用してパッチ間のより優れた類似度重みを得ることができる。これらの解剖学的画像は、解剖学的画像のパッチ間の類似度と、ノイズのあるＰＥＴ画像のパッチ間の類似度の両方を表す混合類似度重みを生成するある種の実施態様で使用できる。ある種の実施態様では、解剖学的画像を使用して、ノイズのあるＰＥＴ画像のみを使用して算出された類似度重みを正確にできる。第６に、本明細書記載のフィルタリング法の多くは、組み合わせるか、または順次行って、各フィルタリング法を別々に行うことに関してさらなる改善を達成することができる。

本明細書における考察はＰＥＴ再構成画像の画像フィルタリングの適用について記載しているが、当業者が理解するように、ＰＥＴ再構成画像に加えてその他の画像を、本明細書記載の方法を使用してフィルタリングできる。例えば、ＳＰＥＣＴ、Ｘ線コンピュータ断層撮影（Computed Tomography：ＣＴ）、および磁気共鳴イメージング（Magnetic Resonance Imaging：ＭＲＩ）等を使用して得られる断層像もまた、ノイズのある画像の一例であり、本明細書記載の方法を使用してノイズ除去することによる利益を享受することができる。加えて、例えば、Ｘ線透視画像および写真画像等の非断層像も、ノイズのある画像の一例であり、本明細書記載の方法の多くを使用してフィルタリングし、ノイズを除去することができる。

本明細書記載の方法は、ノイズのある画像に対してＮＬＭフィルタリングを実行することを含むことができ、例えば、ＫＬ距離測度を使用してパッチ間の類似度重みを算出することによりノイズを減少させる。さらに、本明細書記載の方法は、時系列の画像を使用することを含むことができる。ノイズのある画像（すなわち、ＮＬＭフィルタを使用してフィルタリングされる画像）が時系列の画像のうちの１つである場合、類似度重みは、ノイズのある画像のパッチと、ノイズのある画像に時間的に近接している時系列の画像のパッチから算出できる。このことは、ノイズのある画像のパッチ間の類似度重みの算出に加えて行われる。したがって、ＮＬＭフィルタの加重和に使用されるパッチのサンプルサイズを増加させることができ、これにより統計的平均およびノイズ抑制が改善される。このようにして、ＮＬＭフィルタの時間ウィンドウは、ノイズのある画像の時間幅から、近傍の時間ゲートからの画像／フレームを含むように拡張されるため、ＮＬＭフィルタの拡張時間ウィンドウからの画像がすべて、得られるＮＬＭフィルタリング済み画像を算出するために使用される類似度重みに寄与する。

また、本明細書記載の方法は、ノイズのある画像に表される同じ被検体ＯＢＪを表す解剖学的画像からの補足情報を使用することを含むことができ、ＮＬＭフィルタにより行われる加重平均を改善する。例えば、解剖学的画像は、統合方法においてノイズのある画像とともに使用されて混合類似度重みを算出できる。

加えて、類似度重みを算出する統合プロセスで解剖学的画像を使用することとは対照的に、またはこのことに加えて、類似度重みが算出された後に、類似度重みを正確にするために解剖学的画像を順次使用できる。まず類似度重みを算出し、その後解剖学的画像を使用して類似度重みを正確にするこの一連のプロセスは、例えば、類似度重みに解剖学的画像のパッチ間の類似度の関数である乗数を乗じることによって行うことができる。例えば、解剖学的画像は、類似度重みを算出するのに使用されるノイズのある画像パッチに一対一で対応するパッチに細分できる。この時、各類似度重みに対する、解剖学的画像の乗数は、類似度重みを算出するのに使用されるノイズのある画像のパッチに対応する解剖学的画像のパッチ間の類似度測度の関数でありうる。したがって、解剖学的画像のパッチ間の類似度が大きくなると、解剖学的画像の乗数は大きくなる（例えば、乗数は解剖学的画像のパッチ間の類似度の単調関数でありうる）。

本明細書記載の方法はまた、まずノイズのある画像をフィルタリングし、その後フィルタリング済みＰＥＴ画像のパッチ間の類似度重みを算出することによって、ＮＬＭフィルタの類似度重みを算出することを含むことができる。例えば、最初のノイズのある画像のフィルタリングはローパスフィルタによって行うことができる。あるいは、最初のノイズのある画像のフィルタリングは、画像を変換領域に（例えば、高速フーリエ変換（Fast Fourier Transform：ＦＦＴ）または離散コサイン変換（Discrete Cosine Transform：ＤＣＴ）を使用して）変換して行うことができ、次に、変換領域係数を閾値と比較し、変換領域係数が閾値未満であればゼロに設定する。最後に、閾値化変換領域係数を、逆変換を使用して空間領域に変換して戻す。

加えて、本明細書記載の方法はさらに、まずノイズのある画像を一連の周波数帯域（例えば、一意の空間周波数の範囲を有するそれぞれのバンドパスフィルタに対応するある画像）にチャネル化して、類似度重みを算出することを含むことができる。各バンドパスフィルタリング済み画像および対応する空間周波数帯域をチャネルと呼ぶ。各チャネルに対してチャネル化された類似度重みは、対応するチャネル内のパッチ間で計算できる。あるパッチの対についての合計類似度重みは、パッチ間の類似度をより良く示すチャネル（例えば、試験画像／データの既知の類似パッチと実験的により強い相関関係を持つチャネル）による寄与率を増大させる加重平均を使用して、それぞれのパッチの対のチャネル化された類似度重みを組み合わせることで算出できる。

ある種の実施態様では、本明細書記載の方法はさらに、画像のＮＬＭフィルタリングと並行して局所フィルタリング法を使用してノイズのある画像がフィルタリングされることを含むことができる。その後、局所フィルタリング済み画像およびＮＬＭフィルタリング済み画像をブレンドして、ＮＬＭフィルタリング済み画像と局所フィルタリング済み画像とのハイブリッドを生成できる。例えば、ＮＬＭフィルタリング済み画像の算出に加えて、局所フィルタリング済み画像は、局所線形フィルタ（例えば、ガウシアンフィルタまたはバターワースフィルタ）、局所非線形フィルタ（例えば、メディアンフィルタ、異方性エッジ保存フィルタ、またはＴＶ最小化フィルタ）、および正則化法（例えば、ＴＶ最小化正則化）のうち１つを使用して生成できる。次に、局所フィルタリング済み画像は、ＮＬＭフィルタリング済み画像と局所フィルタリング済み画像の両方にウェーブレット変換を行い、ＮＬＭフィルタリング済み画像の低周波ウェーブレット係数と局所フィルタリング済み画像の低周波ウェーブレット係数とをブレンドし、低周波ブレンドウェーブレット係数を生成することによって、ＮＬＭフィルタリング済み画像とブレンドできる。その後、低周波ブレンドウェーブレット係数をＮＬＭフィルタリング済み画像の高周波ウェーブレット係数と連結して、合成ウェーブレット係数を生成できる。次に、合成ウェーブレット係数に逆ウェーブレット変換を行うことにより、合成ウェーブレット係数を空間画像領域に変換して戻し、ブレンドフィルタリング済み画像を生成することができる。

ここで図を参照する。複数の図面を通して同一または対応する部分については、同一の参照番号で示す。図１はノイズのあるＰＥＴ画像のノイズ除去方法１００のフローチャートを示す。方法１００のステップ１１０では、ノイズのある画像を取得する。例えば、ノイズのある画像は、ＰＥＴスキャナを使用して一連のガンマ線検出器（Gamma-Ray Detector：ＧＲＤ）で発生した対消滅ガンマ線の検出イベントに対応するタイミングおよび位置情報を表す検出データを収集し、収集した検出データを処理してＰＥＴ画像を生成するための処理によって、再構成できる。このＰＥＴ画像が「ノイズのある」（例えば、ノイズを除去することで画像を改善できる）場合、ＰＥＴ画像はＮＬＭフィルタリング法を使用してフィルタリング対象の「ノイズのある画像」として示すことができる。「ノイズのある画像」は画像それ自体の特徴ではなく、フィルタリングされるべき画像を意味する、本明細書で使用する専門用語である。ＮＬＭフィルタリング法をＰＥＴ画像に適用する場合、ＰＥＴ画像はノイズのある画像であると理解されよう。

一実施態様において、検出データは測定されるのではなく、検出データは（例えば、検出データを測定またはシミュレートすることにより）事前に収集されており、検出データはコンピュータ可読メモリに格納されている。検出データがメモリに格納されると、次に、メモリから検出データを読み出し、検出データからＰＥＴ画像を再構成してステップ１１０を実行できる。一実施態様においては、ＰＥＴ画像が事前に生成され、メモリに格納されているので、ステップ１１０は、コンピュータ可読メモリからＰＥＴ画像を読み出して実行する。

ある種の実施態様では、ＮＬＭフィルタリング法を使用してフィルタリングされるノイズのある画像は、ＰＥＴ画像に加え、フィルタリングの利益を享受する任意のタイプの画像であることができる。また、ノイズのある画像は２Ｄ画像または３Ｄ画像であることができる。本明細書では、画像の個々の単位を画素と呼ぶが、当業者に理解されるように、これは３Ｄ画像のボクセルであってもよい。さらに、ノイズのある画像は、動的ＰＥＴにおける時系列のような一連の画像であることができる。

ステップ１１０の後、ノイズのある画像は、ステップ１２０で始まる経路とプロセス１３０で始まる経路との２つの経路に従う。これらの２つの経路それぞれにおいて、独自のフィルタリングプロセスが開始される。ステップ１２０に対応する経路では、ノイズのある画像に非ＮＬＭフィルタリング（第１のフィルタリング）を行うが、プロセス１３０に対応する経路では、ノイズのある画像にＮＬＭフィルタリングを行う。ある種の実施態様では、ステップ１２０は任意であり、省略してもよい。ステップ１２０にて、ノイズのある画像は非ＮＬＭフィルタリング法を使用してフィルタリングされる。例えば、ノイズのある画像は、局所線形フィルタ（例えば、ガウシアンフィルタまたはバターワースフィルタ）、局所非線形フィルタ（例えば、メディアンフィルタ、異方性エッジ保存フィルタ、またはＴＶ最小化フィルタ）及び正則化フィルタのうち１つを使用してフィルタリングできる。

プロセス１３０では、ノイズのある画像のパッチの対についての類似度重みを算出する。ここでパッチの対とは、例えば、同一画像内から選択された２つのパッチである。また、類似度重みとは、画像の各画素について加重平均を実行し、ＮＬＭ（Non-Local Means）画像を生成する際に用いられる重みである。なお、類似度重みは、非局所平均重み、あるいはＮＬＭ重みとも記載する。一実施態様において、類似度重み「ｗ（ｉ，ｊ）」は、例えば、次式により求められる。

ガウシアン加重ユークリッド距離は次式のように算出される。

式中、「Ｇ（ｉ，ｊ）」は、分散αの２Ｄガウスカーネルである。

一実施態様において、パッチ間の距離測度としてユークリッド距離測度でなくＫＬ距離測度が使用される。ＫＬ距離測度を使用して、類似度重みは次式により求められる。

式中、「Ｇ（ｉ，ｊ）」は、分散αの２Ｄガウスカーネルである。

プロセス１３０の後に実行されるプロセス１４０では、類似度重みを使用して、ノイズのある画像の画素の加重平均を実行し、ＮＬＭフィルタリング済み画像を生成する。なお、ＮＬＭフィルタリング済み画像は、ＮＬＭフィルタによるフィルタリングを受けた画像であり、ＮＬＭ画像とも記載する。一実施態様において、ＮＬＭフィルタは、ノイズのある画像の画素値「ｕ（ｊ）」の加重平均により実行される。加重平均は次式により求められる。

式中、「ｕ（ｊ）」はｊ番目の画素値であり、「ｗ（ｉ，ｊ）」は類似度重みである。また、正規化係数「ｙ（ｉ）」は次式により求められる。

ステップ１２０を省略しない場合、次にプロセス１５０を実行して、非ＮＬＭフィルタリング済み画像とＮＬＭフィルタリング済み画像とをブレンドする。なお、非ＮＬＭフィルタリング済み画像は、局所フィルタによるフィルタリングを受けた画像であり、局所フィルタリング済み画像とも記載する。

図２は、プロセス１３０のフローチャートを示す。第１のステップ２０５では、プロセス１３０は、ノイズのある画像が時系列の画像の一部であるかどうか、すなわち、ノイズのある画像が時間ゲート付き画像であるかどうかの問い合わせを行う（例えば、複数の画像を有する動的ＰＥＴでは、時系列内の画像間の変化が時間に応じて撮像される被検体ＯＢＪの変化を示すように、各画像が短い時間間隔に相当する）。ノイズのある画像が時系列の一部であれば、プロセス１３０はステップ２０５からステップ２１０、そしてステップ２２０に進む。さもなければ、プロセス１３０はステップ２０５から直接ステップ２２０に進む。

ステップ２１０では、どのパッチを使用して類似度重みを算出できるかについての制限を、ノイズのある画像のみから取り出されるパッチから、ノイズのある画像に時間が近接した（例えば、時間的にごく接近した）時系列内の画像のパッチを含むように拡張する。言い換えると、ステップ２１０に進む場合、類似度の値を算出するパッチの対には、同一画像内から選択されたパッチの対、及び、２つの画像からそれぞれを選択したパッチの対が含まれる。例えば、時間が近接した画像は、ノイズのある画像の直前および直後に撮られた画像を含むことができる。あるいは、時間が近接した画像は、ノイズのある画像と時間的に前後する複数の画像を含むことができる。そして、例えば、同一画像内のパッチの対、及び、時間的に連続な所定数の画像のうち２つの画像からそれぞれパッチを選択したパッチの対について、類似度の値が算出される。ここで、時間的に連続な所定数の画像のうち２つの画像は、被検体ＯＢＪの拍動や呼吸等の周期が一致する２つの画像であってもよい。ノイズのある画像前後の複数の画像が類似度重みおよびＮＬＭフィルタリングのために使用される場合、時間的にごく接近した画像はより重く重み付けできる。例えば、類似度重みには、時間が近接した画像とノイズのある画像との時間差に反比例する乗数を乗じることができる。

一実施態様において、被検体ＯＢＪの第２のタイプの画像を使用して類似度重みを改善する。この第２のタイプの画像を解剖学的画像と呼ぶことができる。例えば、解剖学的画像は、ノイズのある画像の補足情報を含むことができる（例えば、ＭＲＩ画像はＰＥＴ画像に対する補足情報を有するであろう）。ノイズのある画像および解剖学的画像は重複した情報を有することがあり、各タイプの画像は、他方のタイプの画像に含まれない独自の情報を有することができる。ノイズのあるＰＥＴ画像について、Ｘ線ＣＴ画像またはＭＲＩ画像は第２のタイプの画像（すなわち、解剖学的画像）であることができる。ある種の実施態様では、この第２のタイプの画像を解剖学的画像と呼ぶが、これは、解剖学的画像がノイズのあるＰＥＴ画像を補完する解剖学的情報を表すからである。

ある種の実施態様においては、解剖学的画像のパッチに少なくとも部分的に基づき、かつ、ノイズのある画像のパッチに部分的に基づいて、類似度重みを算出することにより、解剖学的画像を使用して類似度重みを改善できる。この場合、類似度重みを混合類似度重みと呼ぶことができるが、これは、図２のプロセス２５０に示すようにノイズのある画像パッチと解剖学的画像パッチとを混合したものを使用して類似度重みが算出されるからである。

加えて、図２に示すプロセス２４０では、解剖学的画像を使用して、ノイズのある画像のみを使用して算出された類似度重みを後処理し、類似度重みを正確にすることにより、解剖学的画像を使用して類似度重みを改善できる。解剖学的画像は、解剖学的画像から提供された追加情報を使用して類似度重みを正確にし、類似度重みを改善するために使用することができる。

ノイズのある画像におけるパッチの対と、解剖学的画像におけるパッチの対との対応する組み合わせにおいて、両方が高い類似度／相関度を示す場合（例えば、ノイズのある画像パッチ間の類似度重みが大きく、ノイズのある画像パッチ間の類似度が高いことを示し、解剖学的画像パッチ間の類似度重み／測度もまた解剖学的画像パッチ間の類似度が高いことを示す場合）、パッチに対応する領域が類似していることの確実性が増す。この場合、ノイズのある画像パッチのみを使用して算出された対応する類似度重みを増加することができ、その後、その類似度重みを、解剖学的画像パッチ間の類似度により示される確実性の増大に従ってＮＬＭ加重平均に適用する。一方で、ノイズのある画像パッチの対について類似度重みが高い類似度／相関度を示し、解剖学的画像の対応するパッチの対の類似度が低い場合、類似度重みを減少することができる。その後、その類似度重みを、解剖学的画像パッチにより示される低い類似度に従ってＮＬＭ加重平均に適用する。

このように、解剖学的画像を使用して類似度重みを承認する（増加させる）かまたは拒絶する（減少させる）ことにより、パッチ間の第２の測度および撮像される被検体ＯＢＪの対応する領域を提供してＮＬＭフィルタの加重平均の精度を改善できる。図２に示すように、ある種の実施態様では、プロセス１３０は、プロセス２４０にて解剖学的画像を使用して類似度重みを正確にする。あるいは、プロセス２５０にて、ノイズのある画像および解剖学的画像の両方を使用して混合類似度重みを算出することができる。

ある種の実施態様では、本明細書記載の方法は解剖学的画像を使用せずに実行できる。例えば、解剖学的画像は、ある種の実施態様では利用可能でない場合がある。また、方法１００を実行するために使用される計算資源は、方法１００の解剖学的画像と関連するステップおよびプロセスを省略することにより低減することができる。解剖学的画像を使用しない実施態様では、プロセス１３０は、ステップ２２０および２２５ならびにプロセス２４０および２５０を省略し、ステップ２２０をプロセス２３０で代用することで簡略化できる。

解剖学的画像を使用する実施態様に戻ると、ステップ２２０では、解剖学的画像を取得し、解剖学的画像の画素サイズおよび画素位置がノイズのある画像の画素サイズおよび画素位置に対応するようにサイズ変更する。例えば、解剖学的画像の画素は、ノイズのある画像の画素と一対一対応を有することができる。これは、任意の公知の補間法および外挿法を使用して実行でき、これらの方法は空間領域にて使用可能である。さらに、時系列のノイズのある画像が使用される場合、空間領域における補間に加え、補間および外挿を時間的領域で使用することができる。

次に、ステップ２２５にて、プロセス１３０は、解剖学的画像が混合類似度重みを算出するために使用されるべきか、またはノイズのある画像のみから算出された類似度重みを正確にするために使用されるべきか問い合わせを行う。混合類似度重みが使用される場合、プロセス１３０はステップ２２５から２５０に進む。さもなければ、プロセス１３０はステップ２２５から２３０に進む。どちらの枝を選択するかに応じてプロセス２５０またはプロセス２４０を完了した後プロセス１３０は完了し、得られた類似度重みは方法１００に戻され、方法１００は、ＮＬＭフィルタの加重平均を使用して類似度重みのパッチに対応する画素を合計してプロセス１４０を実行する。

ステップ１４０にて、類似度重みを使用してＮＬＭフィルタリング済み画像を算出する。ここで、ＮＬＭフィルタリング済み画像の画素「ＮＬ（ｕ）（ｉ）」は次式により求められる。

式中、「ｕ（ｊ）」はｊ番目の画素値であり、「ｗ（ｉ，ｊ）」はｉ番目の画素およびｊ番目の画素のそれぞれに対応するパッチ間の類似度重みである。正規化係数「ｙ（ｉ）」は、次式により求められるように、ｉ番目の画素に対応する類似度重みをすべて合計して求められる。

プロセス１５０では、非ＮＬＭフィルタリング済み画像はＮＬＭフィルタリング済み画像とブレンドされる。プロセス１５０は、本明細書で後述される図７Ａおよび図７Ｂに示される。

図３は、プロセス２３０のフローチャートを示す。プロセス２３０のステップ３０５にて、３つの選択肢のうち１つが選択される。選択肢１では、プロセス２３０はステップ３０５からステップ３１０に進む。選択肢２では、プロセス２３０はステップ３０５からプロセス３５０に進む。選択肢３では、プロセス２３０はステップ３０５からステップ３６０に進む。

ここで、プロセス２３０の３つの選択肢について、図３に示すステップおよびプロセスを参照しながらより詳細に記載する。

ステップ３２０にて、変換係数（ウェーブレット係数）は変更またはフィルタリングされる。例えば、変換係数の変更によってノイズを除去し、類似度重みを、パッチの対の間での類似度のより良い指標にすることができる。一実施態様において、変換係数は係数を閾値化して所定の閾値未満の変換係数をゼロに設定することにより変更される。

ステップ３３０にて、変更された変換係数は逆ウェーブレット変換を使用して空間領域に変換して戻される。

上述したように、選択肢１において類似度重みの算出に先立ち使用されるフィルタは、ノイズを低減するフィルタである。また、一実施態様において、上記のステップ３１０、３２０、および３３０は個々のパッチではなく画像全体に対して行うことができる。これらのステップをパッチではなく画像に対して行うことによって方法１００により課される計算負荷を低減できるが、これは、画像全体は１度だけフィルタリングされれば十分であるのに対し、パッチのフィルタリングはパッチの対それぞれに対して繰り返し行うからである。画像全体のフィルタリング後、各パッチをノイズのある画像から選択してフィルタリングするのではなく、フィルタリング済みパッチをフィルタリング済み画像から選択することができる。言い換えると、ノイズのある画像をフィルタリングすることは、画像全体についてフィルタリングする場合、及び、パッチについてフィルタリングする場合のいずれであってもよい。

ここで、類似度重みの算出には、本明細書に記載される方法のいずれかを使用でき、本明細書に記載される距離測度「Ｄｉｓｔ（ａ，ｂ）」のいずれかを使用できる。例えば、類似度重みは、上述のようにユークリッド距離測度を使用するか、またはＫＬ距離測度を使用して算出できる。ステップ３４０の後、プロセス２３０は、類似度重みがプロセス２４０に出力されるステップ３９５に進む。プロセス１４０では、これらの類似度重みを使用して、類似度重みを重みとして使用する重み和を実行することにより、ＮＬＭフィルタリング済み画像を算出する。

ステップ３６０では、ＤＣＴ変換またはＦＦＴ変換を画像パッチの対に対して行う。１つの画像のみをＮＬＭフィルタリングに使用する（すなわち、ステップ２１０を飛ばす）場合、パッチは、ノイズのある画像のそれぞれの画素周りの近傍の画素に対応する。２つ以上の画像をＮＬＭフィルタリングに使用する（すなわち、ステップ２１０を飛ばさない）場合、画素および近傍の画素は複数の画像由来のものであってよいが、各類似度重みについての少なくとも１つの画素および近傍の画素は、ノイズのある画像由来のものである。

ステップ３７０にて、変換係数は変更される。例えば、変換係数の変更によってノイズを除去し、類似度重みを、パッチの対の間での類似度のより良い指標にできる。一実施態様において、変換係数は係数を閾値化して所定の閾値未満の変換係数をゼロに設定することにより変更される。一実施態様において、変換係数はローパスフィルタの変換により増加される。変換領域において変換係数が増加されることは、空間領域における畳み込み積分を実行してローパスフィルタリングを実行することに相当しうる。ノイズのある画像に対するこれらの変更のいずれか（すなわち、閾値化法またはローパスフィルタリング法）を使用して、画像におけるノイズの影響を低減できる。

ステップ３８０にて、変更された変換係数は、元の変換がＤＣＴ変換だったかＦＦＴ変換だったかに応じて、逆ＤＣＴ変換または逆ＦＦＴ変換を使用して空間領域に変換して戻される。

上述したように、選択肢３において類似度重みの算出に先立ち使用されるフィルタは、ノイズを低減するフィルタである。また、一実施態様において、上記のステップ３６０、３７０、および３８０は個々のパッチではなく画像全体に対して行うことができる。言い換えると、ノイズのある画像をフィルタリングすることは、画像全体についてフィルタリングする場合、及び、パッチについてフィルタリングする場合のいずれであってもよい。ノイズのある画像からパッチを選択し、各パッチを繰り返しフィルタリングするのではなく、画像を一度フィルタリングし、その後フィルタリング済み画像からパッチを選択することで、これらのステップをパッチではなく画像に対して行うことによってプロセス２３０により課される計算負荷を低減できる。パッチのフィルタリングは、二重の労力になる可能性があるが、これは、所与の類似度重みについて、画像から選択されるパッチは、別の類似度重みのパッチと同一であるかまたは重複する可能性があるからである。したがって、ある種の実施態様においては、フィルタリングが画像ではなくパッチに対して１つずつ実行される場合、各パッチまたは少なくとも各画素が選択され、複数回フィルタリングされる可能性がある。

ここで、類似度重みの算出には、本明細書に記載される方法のいずれか、及び、距離測度「Ｄｉｓｔ（ａ，ｂ）」のいずれかを使用できる。例えば、類似度重みは、上述のようにユークリッド距離測度を使用するか、またはＫＬ距離測度を使用して算出できる。ステップ３９０の後、プロセス２３０は、類似度重みがプロセス２４０に出力されるステップ３９５に進む。プロセス１４０では、類似度重みを使用してＮＬＭフィルタの加重平均を行う。

図４Ａはプロセス３５０の一実施態様を示し、図４Ｂはプロセス３５０の別の実施態様を示す。図４Ａに示すように、プロセス３５０の第１のステップ４０２では、プロセス３５０の内側ループ変数および外側ループ変数を初期化する。外側ループ変数ｍは比較されたパッチの対の数を数え、内側ループ変数ｎはチャネルおよび対応するバンドパスフィルタを追跡する。ステップ４４０にて、各チャネルに対して一意の空間周波数帯域を有する一連のバンドパスした画像を使用して、パッチはチャネルにフィルタリングされる。各チャネルを個別に考慮することによって、そのチャネルの類似度重みの算出に使用されるパラメータが、チャネルの一意の属性に対して最適化・適応される。例えば、異なる平滑化強度パラメータｈが、各チャネルのため有利に使用できる。また、選択肢２においてチャネル類似度重みの算出に先立ち使用されるバンドパスフィルタは、画像を所定の周波数帯域に限定するという点において、ノイズを低減するフィルタである。加えて、加重平均を使用してチャネル類似度重みを合計することにより、チャネル類似度重みは、パッチの対それぞれに対する合計類似度重み（ＮＬＭ重み）にロールアップできる。加重平均では、関連するフィーチャサイズまたはパッチ間の類似度をよりはっきり示すチャネルが強調されるように、特定のチャネルの寄与率を増大させる。例えば、チャネル類似度重みの加重平均におけるチャネル重み（各周波数帯域の重み）は試験データを使用して実験的に求められ、どのチャネルがパッチ間の類似度に対する所定の基準とより強い相関関係を持つかを決定することができる。

ステップ４１０にて、外側ループ変数ｍが増分される。

ステップ４２０にて、一対のパッチがノイズのある画像から選択される。

ステップ４３０にて、内側ループ変数ｎが増分される。ステップ４３０、４４０、４５０、および４５５が内側ループを構成し、内側ループの各反復では２つのパッチ間のチャネル類似度重みを算出する。Ｎ個のチャネルおよびバンドパスフィルタのそれぞれに対応して合計Ｎ個のチャネル類似度重みが算出される。

一実施態様において、平滑化強度パラメータｈ_ｎは各チャネルで異なりうる。本明細書において、チャネルとは、バンドパスフィルタを使用してノイズのある画像をフィルタリングする（またはある種の実施態様では、画像全体ではなくノイズのある画像のパッチをフィルタリングする）ことによりノイズのある画像を周波数成分に分解し、その後、フィルタリング済みパッチに基づいてチャネル類似度重み計算を行うプロセスを意味する略された名称として使用される。言い換えると、チャネルごと、即ち周波数帯域ごとに、対応する平滑化強度パラメータｈ_ｎが設定される。

ステップ４５５にて、内側ループが完了し、類似度重みが各チャネルについて算出されたかどうかの問い合わせを行う。内側ループ変数ｎがＮ未満であり、チャネル類似度重みがすべて算出されていなければ、内側ループは終了しない。この場合、プロセス３５０は、現在のパッチの対のチャネル類似度重みがすべて算出されるまで内側ループを繰り返すために、ステップ４５５からステップ４３０に進む。さもなければ、プロセス３５０はステップ４５５からステップ４６０に進む。

ステップ４６０にて、一対のパッチ間の類似度重みは次式で算出される。

式中、ｋ_ｎはそれぞれのチャネルの重みである。上記式を計算することにより、画像における位置が対応するパッチの対のそれぞれについて算出したチャネル類似度重みが、周波数帯域ごとの重みｋ_ｎに応じて加算され、合計類似度重み（ＮＬＭ重み）が算出される。

ステップ４６５にて、内側ループ変数ｎはゼロにリセットされる。

ステップ４７０は、外側ループが終了し、ＮＬＭフィルタの加重平均に寄与するすべてのパッチの対について類似度重みが算出されたかどうかの問い合わせを行う。類似度重みがすべて算出されていなければ、外側ループは、ステップ４７０からステップ４１０に進んで別のパッチの対のために繰り返される。さもなければ、プロセス３５０は完了し、外側ループが終了する。

ＮＬＭフィルタは、ノイズのある画像の画素値「ｕ（ｊ）」の加重平均により実行される。したがって、チャネル化した実施態様では、ＮＬＭフィルタリング済み画像は次式により求められる。

式中、正規化係数「ｙ（ｉ）」は次式により求められる。

ある種の実施態様では、チャネルはすべて同じサイズのパッチを使用し、平滑化強度パラメータはチャネル間で一定である（すなわち、すべてのｎに対してｈ_ｎ＝ｈ）。しかし、重みｋ_ｎは各チャネルで異なりうる。

ある種の実施態様では、重みｋ_ｎは各チャネルで異なりうるが、平滑化強度パラメータｈ_ｎに対する同じパッチのサイズおよび同じ値がチャネルすべてに使用される。

その他の実施態様では、パッチのサイズおよび重みｋ_ｎは各チャネルで異なりうるが、平滑化強度パラメータはチャネル間で一定である（すなわち、すべてのｎに対してｈ_ｎ＝ｈ）。

さらに他の実施態様では、パッチのサイズはすべてのチャネルで一定であるが、平滑化強度パラメータｈ_ｎおよび重みｋ_ｎはチャネル間で異なりうる。

チャネル２〜Ｎに対応する残りのチャネル類似度重みはすべて、ステップ４８４（２）〜４８４（Ｎ）で算出される。また、これらのチャネル類似度重みは次式により求められる。

式中、平滑化強度パラメータｈ_ｎに対する一意の値は各チャネルについて選択される。次に、チャネル化したパッチの合計類似度重み（ＮＬＭ重み）は次式で算出される。

この不均一なフィルタリングを補償するために、平滑化強度パラメータ「ｈ（ｉ，ｊ）」は、より高い強度（例えば、パッチ内のより大きな平均画素値）を有するパッチを補償するように調節できる。例えば、平滑化強度パラメータ「ｈ（ｉ，ｊ）」は次式により求めることができる。

即ち、パッチの対の類似度の値と、そのパッチの対に含まれる画素の画素値に基づく平滑化強度パラメータとを用いて、上記の式を計算することにより、パッチの対の類似度重みｗ（ｉ，ｊ）を算出することができる。また、式中、ＮＬＭフィルタの加重平均は次式により求められる。

図２に戻ると、プロセス１３０は、解剖学的画像を使用して類似度重みを改善できる２つの方法を提供する。第１に、プロセス２５０にて、解剖学的画像を使用して混合類似度重みを算出することができる。第２に、プロセス２３０で算出される非混合類似度重みを、プロセス２４０で解剖学的画像を使用して後処理し、正確にすることができる。

図５Ａはプロセス２５０の一実施態様のフローチャートを示す。プロセス２５０のステップ５１０にて、３Ｄウェーブレット変換はノイズのある画像および解剖学的画像の両方に行われる。例えば、ノイズのある画像及び解剖学的画像が時系列的に収集された複数の画像である場合、複数のノイズのある画像及び複数の解剖学的画像のそれぞれについて、ウェーブレット変換が行われる。

プロセス２５０のステップ５２０では、ノイズのある画像の低周波ウェーブレット係数と解剖学的画像の高周波ウェーブレット係数とが組み合わされ、混合係数が生成される。

プロセス２５０のステップ５３０では、逆３Ｄウェーブレット変換を混合係数に行い、混合画像を生成する。例えば、ノイズのある画像及び解剖学的画像が時系列的に収集された複数の画像である場合、時系列的な複数の混合画像を生成する。

プロセス２５０のステップ５４０では、混合類似度重みが混合画像のパッチを使用して算出される。ステップ５４０の類似度重み計算は、例えば、プロセス２３０の類似度重み計算法を含む本明細書記載の方法のいずれかを使用して行われる。例えば、時系列的な複数の混合画像が生成された場合、同一画像内のパッチの対及び時間的に連続な所定数の混合画像のうち２つの画像からそれぞれパッチを選択したパッチの対について類似度の値が算出され、算出した類似度の値から混合類似度重み（ＮＬＭ重み）が算出される。

図５Ｂはプロセス２５０の別の実施態様の概略図を示す。ステップ５５０にて、ノイズのある画像を取得し、ステップ５５４にて、解剖学的画像を取得する。ステップ５５２およびステップ５５６では、３Ｄウェーブレット変換をノイズのある画像および解剖学的画像のそれぞれに行う。３Ｄウェーブレット変換により低周波ウェーブレット係数および高周波ウェーブレット係数を生成した後、ステップ５６０において、ノイズのある画像の低周波ウェーブレット係数Ｃ１は、解剖学的画像の高周波ウェーブレット係数Ｃ２と組み合わされる。ステップ５６２にて、逆３Ｄウェーブレット変換を、ノイズのある画像の低周波ウェーブレット係数Ｃ１と解剖学的画像の高周波ウェーブレット係数Ｃ２とを組み合わせたものに行い、混合画像を生成する。最後に、ステップ５６４において、本明細書に記載される類似度重み計算法を使用して、混合画像のパッチ間についての混合類似度重みが計算される。なお、ノイズのある画像と解剖学的画像との混合に先立ち、ノイズのある画像について、ノイズを低減するフィルタによるフィルタリングを行う場合であってもよい。言いかえると、図５Ａ及び図５Ｂにおける実施態様と同様にして、フィルタリング後のノイズのある画像（フィルタリング済み画像）と、解剖学的画像との混合画像を生成し、混合類似度重み（ＮＬＭ重み）を算出することができる。

混合類似度重みと対照的に、プロセス２４０では、解剖学的画像を使用して、プロセス２３０で算出した類似度重みを後処理し正確にできる。例えば、プロセス２４０では、類似度重みは解剖学的類似度重みと組み合わせて、画像内のパッチに対応する被検体ＯＢＪ領域間の類似度のより良い尺度を提供できる。例えば、ＰＥＴを使用して被検体ＯＢＪのノイズのある画像を生成する場合、Ｘ線ＣＴまたはＭＲＩ等の別のイメージング法を使用して、被検体ＯＢＪの第２の画像を生成することができる。この第２の画像を解剖学的画像と呼ぶことができる。例えば、ＣＴ画像は、ＰＥＴ画像にも表されるさまざまなパッチ間の類似度に関連する追加の情報を提供できる。したがって、解剖学的画像は、プロセス２３０で算出された類似度重みにより初めに推定される類似度の程度を承認または拒絶することができる。被検体ＯＢＪの領域が類似しているとノイズのある画像の類似度重みおよび解剖学的画像の類似度重みの両方が承認すれば、ノイズのある画像における対応するパッチが実際に類似しているという確実性が高く、これらの２つのパッチについての類似度重みは、領域が類似していると解剖学的画像の対応する類似度重みが示唆しない場合よりも大きくなりうる。

したがって、所定のパッチ領域の対に対応する正確にされた類似度重みは、（ｉ）解剖学的画像の類似度重みおよびノイズのある画像の類似度重みの両方が大きいときは最も大きく、（ｉｉ）解剖学的画像の類似度重みおよびノイズのある画像の類似度重みのうちいずれか１つのみが大きいときは小さくなり、（ｉｉｉ）解剖学的画像の類似度重みおよびノイズのある画像の類似度重みの両方が小さいときは最も小さい。言い方を変えれば、解剖学的画像の類似度重みがノイズのある画像パッチの対の類似度を承認すれば、プロセス２３０で算出された対応する類似度重みが大きくなる。他方では、解剖学的画像が２つのパッチが類似していないと示唆すれば、プロセス２３０で算出された対応する類似度重みが小さくなる。正確にされた類似度重みは、対応する解剖学的画像の類似度重みに従ってプロセス２３０で算出された類似度重みを大きくするかまたは小さくして調節するプロセスに由来する。

図６Ａはプロセス２４０の一実施態様を示す。図６Ａにおいて、ＮＬＭフィルタの加重和に使用される正確にされた類似度重みは、次式に従って算出される。

式中、「ｗ_ａ（ｉ，ｊ）」は解剖学的画像のパッチのみを使用して算出された解剖学的類似度重みであり、「ｗ_ｐｅｔ（ｉ，ｊ）」はノイズのある画像のパッチを使用して算出されたノイズのある画像の類似度重みである。類似度重み「ｗ_ｐｅｔ（ｉ，ｊ）」は本明細書記載の方法の任意の変形を使用して求めることができる。例えば、これらの類似度重み「ｗ_ｐｅｔ（ｉ，ｊ）」は、プロセス２３０のために述べられた方法のいずれかを使用してプロセス２３０で算出できる。

プロセス２４０のステップ６１０における解剖学的類似度重み「ｗ_ａ（ｉ，ｊ）」も、ノイズのある画像の類似度重みを算出するための本明細書記載の方法の任意の変形を使用して求めることができる。

プロセス２４０のステップ６２０では、解剖学的類似度重み「ｗ_ａ（ｉ，ｊ）」はノイズのある画像の類似度重み「ｗ_ｐｅｔ（ｉ，ｊ）」と組み合わせられる。例えば、解剖学的類似度重み「ｗ_ａ（ｉ，ｊ）」とノイズのある画像の類似度重み「ｗ_ｐｅｔ（ｉ，ｊ）」とは、画素毎に解剖学的類似度重み「ｗ_ａ（ｉ，ｊ）」とノイズのある画像の類似度重み「ｗ_ｐｅｔ（ｉ，ｊ）」とを乗じることによって組み合わせることができ、合計類似度重みを得ることができる。なお、合計類似度重みは、ＮＬＭ重みと解剖学的類似度重みとを乗じることによって算出してもよいし、ノイズのある画像のパッチの対について算出した類似度の値と解剖学的画像について算出した類似度の値とを乗じた値から算出してもよい。一例を挙げると、合計類似度重みは、次式により求められる。

図６Ｂはプロセス２４０の別の実施態様を示す。図６Ｂにおけるプロセス２４０は、解剖学的画像を領域に分類することを含む。例えば、解剖学的画像の領域は、（ｉ）骨領域、（ｉｉ）軟部組織領域（例えば、肝臓、筋肉、腎臓、および血液）、（ｉｉｉ）水領域、ならびに（ｉｖ）肺組織および空気領域を含むことができる。領域は連続的である必要はない。例えば、２つの別個の骨は両方とも骨領域に属することができ、２つの別個の異なる軟部組織である臓器は両方とも軟部組織領域に属することができる。このことは、例えば、閾値化法および領域拡張法によって、または単純に領域が強度または吸収密度に従って分類される閾値化法（例えば、吸収密度は、エネルギー積分ＣＴスキャナによる再構成画像とともに使用することができ、最も高い吸収密度領域は骨領域に対応し、より低い吸収密度画素は軟部組織領域に対応する、等）によって行うことができる。また、光子係数検出器やエネルギー分解Ｘ線検出器を使用するデュアルエネルギーＣＴ又はＣＴでは、例えば、領域をスペクトル吸収基準に従って規定することができる。例えば、解剖学的画像における各画素を複数の領域のうちのいずれかに類別することで、解剖学的画像を領域に分類又は分割することができる。図６Ｂにおいて、解剖学的画像の画素間の類似度は、例えば、画素が同じ領域のタイプであるかどうかに基づくことができる。

解剖学的画像の領域への分割は、いくつかのタイプの解剖学的画像（例えば、デュアルエネルギーＣＴおよびＭＲＩ）は単なる密度分布以上の情報を伝えることができ、この追加の情報によって組織のタイプ（例えば、骨ならびに肝臓、筋肉、腎臓、血液、水、および肺等の軟部組織）の区別を改善できるということから恩恵を受けることができる。一方で、デュアルエネルギー検出に頼らずとも、ＣＴ画像はそれらの減衰密度に従って領域に分類可能である（例えば、最も密な吸収領域は骨に分類され、次に、第２の分類は肝臓、筋肉、腎臓、および血液等の軟部組織に対して行うことができ、水は軟部組織よりも低い減衰密度に対応する第３のカテゴリに分類でき、次いで、肺および空気は最も低い吸収密度の領域に対応する第４のカテゴリに分類できる）。

図６Ｂに示すステップ６３０では、解剖学的画像が領域に分類されると、２つの画素は、これらがどの領域に属するかに基づいて類似しているか判断できる。例えば、ある種の実施態様では、同じ領域に対応する画素は類似していると判断され、解剖学的画像のパッチの対についての類似度の値を、所定の高い値に設定する（例えば、画素ｉおよび画素ｊが同じ領域にあればｗ_ａ（ｉ，ｊ）＝１）。対照的に、２つの画素が異なる領域に対応する場合はこれらの画素は類似していないと判断され、解剖学的画像のパッチの対についての類似度の値を、所定の低い値に設定する（例えば、画素ｉおよび画素ｊが異なる領域に属していればｗ_ａ（ｉ，ｊ）＝０）。したがって、解剖学的画像の画素間の対応関係／類似度は次式により求められる。なお、対応関係とは、解剖学的類似度重みの一例である。

プロセス１３０を完了し、最終的な類似度重みを求めることによって、方法１００は図１に示すステップ１４０に移る。ステップ１４０では、ＮＬＭフィルタの加重平均が、次式に従って行われる。

次に、プロセス１５０では、ＮＬＭフィルタリング済み画像「ＮＬ（ｕ）」を、第１のフィルタ法（すなわち、非ＮＬＭフィルタ法）を使用してフィルタリングされた画像と組み合わせることができる。図７Ａはプロセス１５０の一実施態様のフローチャートを示す。

プロセス１５０のステップ７１０では、ステップ１４０のＮＬＭフィルタリング済み画像が３Ｄウェーブレット変換を使用して変換される。また、ステップ１２０の非ＮＬＭフィルタリング済み画像が３Ｄウェーブレット変換を使用して変換される。

プロセス１５０のステップ７２０では、ＮＬＭフィルタリング済み画像の高周波ウェーブレット係数を、非ＮＬＭフィルタリング済み画像の低周波ウェーブレット係数及びＮＬＭフィルタリング済み画像の低周波ウェーブレット係数のブレンドと組み合わせて、合成ウェーブレット係数を生成する。例えば、低周波ウェーブレット係数は、対応するＮＬＭウェーブレット係数および非ＮＬＭウェーブレット係数を正規化し、非ＮＬＭ低周波ウェーブレット係数及びＮＬＭ低周波ウェーブレット係数の対毎の代数平均を算出することによってブレンドできる。あるいは、低周波ウェーブレット係数は、代数平均ではなく対毎の相乗平均を使用してブレンドできる。なお、非ＮＬＭフィルタリング済み画像の低周波ウェーブレット係数とＮＬＭフィルタリング済み画像の低周波ウェーブレット係数とをブレンドして生成する係数を、低周波ブレンドウェーブレット係数、又はブレンドウェーブレット係数とも記載する。また、ＮＬＭフィルタリング済み画像の高周波ウェーブレット係数と、ブレンドウェーブレット係数とを組み合わせて生成する係数を、合成係数、又は合成ウェーブレット係数、又は混合フィルタリング済み係数とも記載する。

プロセス１５０のステップ７３０では、混合フィルタリング済み係数は、ブレンドされたウェーブレット係数に逆３Ｄウェーブレット変換を行うことにより、ブレンド画像に変換される。なお、混合フィルタリング済み係数から生成される画像をブレンド画像、ブレンドフィルタリング済み画像、又は合成画像とも記載する。

図７Ｂはプロセス１５０の一実施態様を示す。非ＮＬＭフィルタリング済み画像およびＮＬＭフィルタリング済み画像はそれぞれ、ステップ７４０およびステップ７４４で取得される。ステップ７４２およびステップ７４６では、３Ｄウェーブレット変換は非ＮＬＭフィルタリング済み画像およびＮＬＭフィルタリング済み画像のそれぞれに行われる。ステップ７５０にて、ＮＬＭの低周波ウェーブレット係数Ｃ４および非ＮＬＭフィルタ画像の低周波ウェーブレット係数Ｃ３は、ステップ７５２でブレンドされるように選択される。また、ステップ７５０にて、ＮＬＭフィルタ画像の高周波ウェーブレット係数Ｃ５は、ブレンドされた低周波ウェーブレット係数と組み合わせられるように選択され、その後、逆３Ｄウェーブレット変換をステップ７５４で実行して、ブレンドされた低周波ウェーブレット係数およびＮＬＭフィルタ画像の高周波ウェーブレット係数Ｃ５の組み合わせからブレンド画像を生成する。ステップ７５２では、低周波ウェーブレット係数は、図７Ａに示すステップ７２０のための述べられたブレンド法のうち１つを使用してブレンドできる。ステップ７５４にて、ブレンドされた低周波ウェーブレット係数とＮＬＭフィルタリング済み高周波ウェーブレット係数との組み合わせは、逆３Ｄウェーブレット変換を使用して変換され、ブレンド画像が生成される。

上述の方法に加えて、ノイズのある画像は、当業者に理解されるように、上述のさまざまなステップおよびプロセスを省略したＮＬＭフィルタリング法を使用してフィルタリングすることもできる。例えば、ある種の実施態様では、ステップ１２０およびプロセス１５０が省略可能である。さらに、ある種の実施態様では、プロセス２５０、プロセス２３０およびプロセス２４０、またはプロセス２５０およびプロセス２４０はプロセス１３０から省略可能である。ある種の実施態様では、ステップ２０５およびステップ２１０はプロセス１３０から省略可能である。プロセス２３０では、プロセス２３０のある種の実施態様に従って、３つの選択肢のうちいずれか１つまたは２つが省略可能である。加えて、例えば、図４Ａ、図４Ｂ、図５Ａ、図５Ｂ、図６Ａ、図６Ｂ、図７Ａ、および図７Ｂに示すように、プロセス３５０、プロセス２５０、プロセス２４０、およびプロセス１５０の複数の変形がさまざまに組み合わせられ置き換えられて実施可能である。

いくつかの改善が本明細書記載の方法を使用することにより実現可能である。例えば、本明細書記載の方法は有利には、ノイズのある画像の変換領域におけるフィルタリングを行うことによりノイズのある画像のよりロバストなフィルタリングを実現できる。また、類似度重みは、対応するチャネルに対して個々に最適化された計算パラメータ（例えば、平滑化強度パラメータｈ）を用いたチャネル化された類似度重みの計算を使用して改善できる。ノイズのある画像が時系列の画像を含む場合、ＮＬＭフィルタリング法の時間ウィンドウは拡張され、図２のステップ２１０に示されるように時系列における時間が近接した画像からのパッチを含むことができる。ＫＬ距離測度を使用する実施態様では、ＮＬＭフィルタリングのロバスト性は、低強度パッチおよび高強度パッチによる寄与率をさらに均一に重み付けすることによって改善される。加えて、パッチ適応平滑化強度パラメータｈ（ｉ，ｊ）を使用する実施態様は、低強度パッチおよび高強度パッチの両方による寄与率のさらなる均一な重み付けのため、よりロバストなＮＬＭフィルタリングからも恩恵を受ける。また、ＮＬＭフィルタリング済み画像を他のフィルタリング済み画像と組み合わせる／ブレンドする、例えば、非ＮＬＭフィルタリング済み画像をＮＬＭフィルタリング済み画像とブレンドすることにより、ブレンド画像の画質をさまざまな臨床的用途に適応させることができる。非ＮＬＭフィルタリング済み画像に使用されるフィルタのタイプの選択を通して、ブレンド画像は特定の臨床目的を対象にするように調整可能である。さらに、解剖学的画像を使用して類似度重みを正確にするかまたは作り出すことによって、より良好な身体／臓器の輪郭規定およびより良好な全体の画質がもたらされうる。

図８Ａおよび図８Ｂは、それぞれが矩形検出器モジュールとして構成される複数のＧＲＤ（例えば、ＧＲＤ１、ＧＲＤ２、．．．、ＧＲＤＮ）を備えるＰＥＴスキャナ８００を示す。一実施態様によると、検出器リングは４０個のＧＲＤを備える。別の実施態様では、４８個のＧＲＤがあり、ＰＥＴスキャナ８００のボアサイズをより大きくするためにより多数のＧＲＤが使用される。

各ＧＲＤは、ガンマ放射線を吸収しシンチレーション光子を放出する個々の検出器結晶の２Ｄアレイを備えることができる。シンチレーション光子は、さらにＧＲＤ内に配置される２Ｄアレイの光電子増倍管（PhotoMultiplier Tube：ＰＭＴ）によって検出することができる。ライトガイドは検出器結晶のアレイとＰＭＴとの間に配置できる。また、各ＧＲＤは、さまざまなサイズからなる複数のＰＭＴを備えることができ、ＰＭＴはそれぞれ、複数の検出器結晶からのシンチレーション光子を受信するように配置される。各ＰＭＴは、いつシンチレーションイベントが発生したかを示すアナログ信号、および検出イベントを引き起こすガンマ線エネルギーを発生させることができる。さらに、１つの検出器結晶から放出された光子は２つ以上のＰＭＴにより検出されうるため、各ＰＭＴで発生したアナログ信号に基づき、検出イベントに対応する検出器結晶は、例えば、アンガー論理および結晶解読を使用して決定できる。

図８Ｂは、被検体ＯＢＪから放出される対消滅ガンマ線を検出するように配置されたガンマ線光子計数検出器（ＧＲＤ）を有するＰＥＴスキャナシステムの概略図を示す。ＧＲＤは各対消滅ガンマ線の検出に対応するタイミング、位置、およびエネルギーを測定できる。一実施態様において、図８Ａおよび図８Ｂに示すようにガンマ線検出器はリング状に配置される。検出器結晶はシンチレータであることができ、シンチレータは２Ｄアレイで配置される個々のシンチレータ素子を有し、シンチレータ素子は任意の公知の発光物質であることができる。ＰＭＴは、各シンチレータ素子からの光が複数のＰＭＴにより検出され、シンチレーションイベントのアンガー算術および結晶解読が可能なように配置されうる。

図８ＢはＰＥＴスキャナ８００の配置の一例を示し、撮像される被検体ＯＢＪはテーブル８１６（寝台）に静置され、ＧＲＤモジュールＧＲＤ１〜ＧＲＤＮは被検体ＯＢＪおよびテーブル８１６の周りに円周方向に配置される。ＧＲＤは、ガントリ８４０に固定して連結される円形部材８２０に固定して連結することができる。ガントリ８４０はＰＥＴ撮像装置の多くの部品を収容する。ＰＥＴ撮像装置のガントリ８４０は、被検体ＯＢＪおよびテーブル８１６が通過可能な開口部をさらに備え、対消滅イベントのため被検体ＯＢＪから反対方向へ放出される対消滅ガンマ線は、ＧＲＤによって検出することができ、タイミングおよびエネルギー情報を使用して、対消滅ガンマ線対の同時計数を測定できる。

図８Ｂでは、対消滅ガンマ線の検出データを収集し、格納し、処理し、また提供するための回路機構（処理回路）およびハードウェアをさらに示す。回路機構およびハードウェアは、プロセッサ８７０、ネットワーク制御部８７４、メモリ８７８、およびデータ収集システム（Data Acquisition System：ＤＡＳ）８７６を備える。ＰＥＴ撮像装置は、ＧＲＤからデータ収集システム８７６、プロセッサ８７０、メモリ８７８、およびネットワーク制御部８７４に検出測定値の結果を経路指定するデータチャネルをさらに備える。データ収集システム８７６は、検出器からの検出データの収集、デジタル化、および経路指定を制御できる。一実施態様において、データ収集システム８７６はテーブル８１６の動きを制御する。プロセッサ８７０は、本明細書で述べるように、検出データからの画像再構成、検出データの再構成前処理、および画像データの再構成後処理を含む機能を実行する。

プロセッサ８７０は、ＮＬＭフィルタ法、および例えば方法１００のような本明細書に記載されるプロセスの機能を実行するように構成できる。プロセッサ８７０は、離散論理ゲートとして、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ）、またはその他の複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）としての実装が可能な中央演算処理装置（Central Processing Unit：ＣＰＵ）を備えることができる。ＦＰＧＡまたはＣＰＬＤの実施態様は、超高速集積回路設計用ハードウェア記述言語（VHSIC（Very High Speed Integrated Circuit） Hardware Description Language：ＶＨＤＬ）、Ｖｅｒｉｌｏｇ、または他のどのようなハードウェア記述言語でプログラムされてもよく、そのコードはＦＰＧＡまたはＣＰＬＤ内部の電子メモリに直接格納されても、または別の電子メモリに格納されてもよい。さらに、メモリは、ＲＯＭ（Read Only Memory）、ＥＰＲＯＭ（Erasable Programmable Read Only Memory）、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）、またはフラッシュメモリのように不揮発性であってよい。メモリは、スタティックＲＡＭ（Random Access Memory）またはダイナミックＲＡＭのように揮発性とすることもでき、その場合、電子メモリだけでなくＦＰＧＡまたはＣＰＬＤとメモリとの間の連携を管理するマイクロコントローラまたはマイクロプロセッサ等のプロセッサを設けてもよい。

あるいは、プロセッサ８７０のＣＰＵは、本明細書に記載されるＮＬＭフィルタリング法の機能を実行する１組のコンピュータ可読命令を含むコンピュータプログラムを実行することができ、このプログラムは上述した非一時的な電子メモリおよび／またはハードディスクドライブ、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ＦＬＡＳＨドライブ、もしくは任意の他の公知の記憶媒体のいずれかに格納される。さらに、それらのコンピュータ可読な命令は、ユーティリティアプリケーション、バックグラウンドデーモン、オペレーティングシステムの一部、またはそれらの組み合わせとして提供され、米国インテル社のＸｅｎｏｎプロセッサまたは米国ＡＭＤ社のＯｐｔｅｒｏｎプロセッサ等のプロセッサ、およびＭｉｃｒｏｓｏｆｔ ＶＩＳＴＡ、ＵＮＩＸ（登録商標）、Ｓｏｌａｒｉｓ、ＬＩＮＵＸ（登録商標）、Ａｐｐｌｅ ＭＡＣ−ＯＳ、および当業者に既知のその他のオペレーティングシステム等のオペレーティングシステムと連携して実行される。さらに、ＣＰＵは、命令を実行するために並行して協調して動作する複数のプロセッサとして実装することもできる。

一実施態様において、ＮＬＭフィルタリング済み画像はディスプレイに表示することができる。ディスプレイは、液晶ディスプレイ（Liquid Crystal Display：ＬＣＤ）、ＣＲＴ（Cathode-Ray Tube）ディスプレイ、プラズマディスプレイ、ＯＬＥＤ（Organic Light Emitting Diode）、ＬＥＤ（Light Emitting Diode）、または当該技術分野において公知の任意の他のディスプレイであることができる。

メモリ８７８はハードディスクドライブ、ＣＤ−ＲＯＭドライブ、ＤＶＤドライブ、ＦＬＡＳＨドライブ、ＲＡＭ、ＲＯＭ、または当該技術分野において公知の任意の他の電子記憶装置であることができる。

米国のＩｎｔｅｌ社製Ｉｎｔｅｌ Ｅｔｈｅｒｎｅｔ（登録商標） ＰＲＯネットワークインタフェースカード等のネットワーク制御部８７４はＰＥＴ撮像装置の種々の部品間をインタフェース接続できる。また、ネットワーク制御部８７４はさらに外部ネットワークとインタフェース接続できる。当然のことながら、外部ネットワークは、インターネット等の公共ネットワーク、ローカルエリアネットワーク（Local Area Network：ＬＡＮ）またはワイドエリアネットワーク（Wide Area Network：ＷＡＮ）等の私的ネットワーク、またはこれらの組み合わせであることができ、ＰＳＴＮ（Public Switched Telephone Network）またはＩＳＤＮ（Integrated Services Digital Network）のサブネットワークを含むこともできる。また、外部ネットワークは、イーサネット（Ethernet）（登録商標）ネットワークのように有線であることができ、またはＥＤＧＥ（Enhanced Data rates for Global Evolution）、３Ｇ、および４Ｇの無線携帯電話通信システムを含む携帯電話通信ネットワークのように無線であることができる。さらに、無線ネットワークは、ＷｉＦｉ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、または公知の任意の他の無線通信形態であることができる。

以上説明した少なくとも一つの実施形態によれば、ＮＬＭフィルタを用いたフィルタリングにより、医用画像のノイズ除去の効果を向上させることができる。

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。

８００ ＰＥＴスキャナ
８２０ 円形部材
８４０ ガントリ
８７０ プロセッサ
８７４ ネットワーク制御部
８７６ データ収集システム
８７８ メモリ

Claims (22)

1. 被検体を表し、ノイズのある画像を受信するインタフェースと、
   ノイズを低減するフィルタを用いて前記ノイズのある画像をフィルタリングすることでフィルタリング済み画像を生成し、
   前記フィルタリング済み画像について、同一画像内のパッチの対の類似度の値を算出し、
   前記類似度の値を用いて、パッチの対ごとに、非局所平均（Non-Local Means：ＮＬＭ）重みを算出し、
   前記ノイズのある画像の各画素の画素値について、前記ＮＬＭ重みを用いて、画素間での加重平均を行うことにより、ＮＬＭ画像を生成する処理回路と、
   を備える、医用画像処理装置。
2. 前記処理回路は、ローパスフィルタを用いて前記フィルタリング済み画像を生成する、請求項１に記載の医用画像処理装置。
3. 前記処理回路は、前記ノイズのある画像を空間領域から変換領域に変換して変換領域係数を生成し、生成した変換領域係数のうち所定の閾値未満の変換領域係数をゼロに設定して閾値化係数を生成し、生成した閾値化係数を変換領域から空間領域に変換することにより、前記フィルタリング済み画像を生成する、請求項１に記載の医用画像処理装置。
4. 前記処理回路は、高速フーリエ変換及び離散コサイン変換のうち少なくとも１つを用いて、前記ノイズのある画像を空間領域から変換領域に変換する、請求項３に記載の医用画像処理装置。
5. 前記処理回路は、ウェーブレット変換を用いて前記ノイズのある画像を空間領域から変換領域に変換してウェーブレット係数を生成し、生成したウェーブレット係数のうち所定の閾値未満のウェーブレット係数をゼロに設定して閾値化係数を生成し、生成した閾値化係数を、逆ウェーブレット変換を用いて変換領域から空間領域に変換することにより、前記フィルタリング済み画像を生成する、請求項１に記載の医用画像処理装置。
6. 前記処理回路は、バンドパスフィルタを用いて前記ノイズのある画像をフィルタリングすることで、複数の周波数帯域にそれぞれ対応する複数の前記フィルタリング済み画像を生成し、
   複数の前記フィルタリング済み画像について、同一画像内のパッチの対の前記類似度の値を算出し、
   前記類似度の値を用いて、パッチの対ごとに、チャネル類似度重みを算出し、前記フィルタリング済み画像における位置が対応するパッチの対について算出した前記チャネル類似度重みを、前記周波数帯域ごとの重みに応じて加算することで、前記ＮＬＭ重みを算出する、請求項１に記載の医用画像処理装置。
7. 前記処理回路は、前記類似度の値と、前記周波数帯域に対応する平滑化強度パラメータとの比の関数を計算することにより、前記チャネル類似度重みを算出する、請求項６に記載の医用画像処理装置。
8. 前記インタフェースは、時系列的に収集された複数の前記ノイズのある画像を受信し、
   前記処理回路は、複数の前記ノイズのある画像をそれぞれフィルタリングすることで、複数の前記フィルタリング済み画像を生成し、
   複数の前記フィルタリング済み画像について、同一画像内のパッチの対、及び、時間的に連続な所定数の前記フィルタリング済み画像のうち２つの画像からそれぞれパッチを選択したパッチの対について、前記類似度の値を算出し、
   前記類似度の値を用いて、同一画像内のパッチの対、及び、時間的に連続な所定数の前記フィルタリング済み画像のうち２つの画像からそれぞれパッチを選択したパッチの対のそれぞれについて、前記ＮＬＭ重みを算出し、
   前記ノイズのある画像の各画素の画素値について、パッチの対ごとに算出した前記ＮＬＭ重みを用いて、画素間での加重平均を行うことにより、前記ＮＬＭ画像を生成する、請求項１乃至７のいずれか一項に記載の医用画像処理装置。
9. 前記インタフェースは、更に、前記被検体を表す解剖学的画像を受信し、
   前記処理回路は、前記フィルタリング済み画像、及び、前記解剖学的画像について、同一画像内のパッチの対の前記類似度の値を算出し、
   前記解剖学的画像のパッチの対について算出した前記類似度の値を用いて、パッチの対ごとに、解剖学的類似度重みを算出し、前記ＮＬＭ重みと前記解剖学的類似度重みとを乗じることにより、合計類似度重みを算出し、
   前記ノイズのある画像の各画素の画素値について、前記合計類似度重みを用いて、画素間での加重平均を行うことにより、ＮＬＭ画像を生成する、請求項１乃至７のいずれか一項に記載の医用画像処理装置。
10. 前記処理回路は、前記解剖学的画像における各画素を複数の領域に類別し、前記解剖学的画像内のパッチの対のそれぞれに含まれる画素が同じ前記領域に類別される場合、前記解剖学的画像のパッチの対についての前記類似度の値を所定の高い値に設定し、前記解剖学的画像内のパッチの対のそれぞれに含まれる画素が異なる前記領域に類別される場合、前記解剖学的画像のパッチの対についての前記類似度の値を所定の低い値に設定する、請求項９に記載の医用画像処理装置。
11. 前記インタフェースは、更に、前記被検体を表す解剖学的画像を受信し、
    前記処理回路は、前記フィルタリング済み画像と前記解剖学的画像とを組み合わせて混合画像を生成し、
    前記混合画像について、同一画像内のパッチの対の前記類似度の値を算出し、
    前記混合画像のパッチの対について算出した前記類似度の値を用いて、パッチの対ごとに、前記ＮＬＭ重みを算出する、請求項１乃至７のいずれか一項に記載の医用画像処理装置。
12. 前記インタフェースは、時系列的に収集された複数の前記ノイズのある画像、及び時系列的に収集された複数の前記解剖学的画像を受信し、
    前記処理回路は、複数の前記ノイズのある画像をそれぞれフィルタリングすることで、複数の前記フィルタリング済み画像を生成し、
    前記フィルタリング済み画像と、対応する前記解剖学的画像とを組み合わせて、複数の前記混合画像を生成し、
    複数の前記混合画像について、同一画像内のパッチの対、及び、時間的に連続な所定数の前記混合画像のうち２つの画像からそれぞれパッチを選択したパッチの対について、前記類似度の値を算出する、請求項１１に記載の医用画像処理装置。
13. 前記処理回路は、ウェーブレット変換を用いて、前記フィルタリング済み画像を変換領域に変換して低周波ウェーブレット係数を生成し、前記解剖学的画像を変換領域に変換して高周波ウェーブレット係数を生成し、前記フィルタリング済み画像の低周波ウェーブレット係数と、前記解剖学的画像の高周波ウェーブレット係数とを組み合わせて混合係数を生成し、逆ウェーブレット変換を用いて、前記混合係数を空間領域に変換することで、前記混合画像を生成する、請求項１１又は１２に記載の医用画像処理装置。
14. 前記処理回路は、パッチの対におけるユークリッド距離測度又はカルバックライブラー距離測度の関数として、前記類似度の値を算出する、請求項１乃至１３のいずれか一項に記載の医用画像処理装置。
15. 前記処理回路は、前記類似度の値と、当該類似度の値に係るパッチの対に含まれる画素の画素値に基づく平滑化強度パラメータとの比の関数を計算することにより、パッチの対ごとに、前記ＮＬＭ重みを算出する、請求項１乃至１４のいずれか一項に記載の医用画像処理装置。
16. 前記処理回路は、更に、局所フィルタを用いて前記ノイズのある画像をフィルタリングすることで、局所フィルタリング済み画像を生成し、
    ウェーブレット変換を用いて、前記局所フィルタリング済み画像を変換領域に変換して低周波ウェーブレット係数を生成し、前記ＮＬＭ画像を変換領域に変換して高周波ウェーブレット係数及び低周波ウェーブレット係数を生成して、前記局所フィルタリング済み画像の低周波ウェーブレット係数と、前記ＮＬＭ画像の低周波ウェーブレット係数とをブレンドしてブレンドウェーブレット係数を生成し、前記ＮＬＭ画像の高周波ウェーブレット係数と前記ブレンドウェーブレット係数とを組み合わせて合成係数を生成し、逆ウェーブレット変換を用いて、前記合成係数を空間領域に変換することで、前記局所フィルタリング済み画像と前記ＮＬＭ画像とをブレンドした合成画像を生成し、
    前記局所フィルタは、局所線形フィルタ、局所非線形フィルタ及び正則化フィルタのうちの１つである、請求項１乃至１５のいずれか一項に記載の医用画像処理装置。
17. 前記処理回路は、前記局所フィルタリング済み画像の低周波ウェーブレット係数のそれぞれと、前記ＮＬＭ画像の低周波ウェーブレット係数のうちの対応する低周波ウェーブレット係数との代数平均又は相乗平均を算出することにより、前記局所フィルタリング済み画像の低周波ウェーブレット係数と、前記ＮＬＭ画像の低周波ウェーブレット係数とをブレンドする、請求項１６に記載の医用画像処理装置。
18. 被検体を表し、ノイズのある画像、及び、前記被検体を表す解剖学的画像を受信するインタフェースと、
    前記ノイズのある画像と前記解剖学的画像とを組み合わせて混合画像を生成し、
    前記混合画像について、同一画像内のパッチの対の類似度の値を算出し、
    前記類似度の値を用いて、パッチの対ごとに、非局所平均（Non-Local Means：ＮＬＭ）重みを算出し、
    前記ノイズのある画像の各画素の画素値について、前記ＮＬＭ重みを用いて、画素間での加重平均を行うことにより、ＮＬＭ画像を生成する処理回路と、
    を備える、医用画像処理装置。
19. 前記インタフェースは、時系列的に収集された複数の前記ノイズのある画像、及び時系列的に収集された複数の前記解剖学的画像を受信し、
    前記処理回路は、前記ノイズのある画像と、対応する前記解剖学的画像とを組み合わせて、複数の前記混合画像を生成し、
    複数の前記混合画像について、同一画像内のパッチの対、及び、時間的に連続な所定数の前記混合画像のうち２つの画像からそれぞれパッチを選択したパッチの対について、前記類似度の値を算出する、請求項１８に記載の医用画像処理装置。
20. 前記処理回路は、ウェーブレット変換を用いて、前記ノイズのある画像を変換領域に変換して低周波ウェーブレット係数を生成し、前記解剖学的画像を変換領域に変換して高周波ウェーブレット係数を生成し、前記ノイズのある画像の低周波ウェーブレット係数と、前記解剖学的画像の高周波ウェーブレット係数とを組み合わせて混合係数を生成し、逆ウェーブレット変換を用いて、前記混合係数を空間領域に変換することで、前記混合画像を生成する、請求項１８又は１９に記載の医用画像処理装置。
21. 被検体から放出された放射線を検出し、放射線検出イベントのそれぞれの時間およびそれぞれの位置を表す検出データを生成する複数の検出器素子と、
    前記検出データを用いて、前記被検体を表し、ノイズのある画像を再構成し、
    ノイズを低減するフィルタを用いて前記ノイズのある画像をフィルタリングすることで、フィルタリング済み画像を生成し、
    前記フィルタリング済み画像について、同一画像内のパッチの対の類似度の値を算出し、
    前記類似度の値を用いて、パッチの対ごとに、非局所平均（Non-Local Means：ＮＬＭ）重みを算出し、
    前記ノイズのある画像の各画素の画素値について、前記ＮＬＭ重みを用いて、画素間での加重平均を行うことにより、ＮＬＭ画像を生成する処理回路と、
    を備える、ポジトロン放射断層撮影（Positron Emission Tomography：ＰＥＴ）装置。
22. 前記被検体を表す解剖学的画像を受信するインタフェースを更に備え、
    前記処理回路は、更に、前記解剖学的画像について、同一画像内のパッチの対の前記類似度の値を算出し、
    更に、前記解剖学的画像のパッチの対について算出した前記類似度の値を用いて、パッチの対ごとに、解剖学的類似度重みを算出し、前記ＮＬＭ重みと前記解剖学的類似度重みとを乗じることにより、合計類似度重みを算出し、
    前記合計類似度重みを用いて、前記ＮＬＭ画像を生成する、請求項２１に記載のＰＥＴ装置。

Images