JP2019515255A - 医療画像処理 - Google Patents

医療画像処理 Download PDF

Info

Publication number
JP2019515255A
JP2019515255A JP2018551957A JP2018551957A JP2019515255A JP 2019515255 A JP2019515255 A JP 2019515255A JP 2018551957 A JP2018551957 A JP 2018551957A JP 2018551957 A JP2018551957 A JP 2018551957A JP 2019515255 A JP2019515255 A JP 2019515255A
Authority
JP
Japan
Prior art keywords
information
edge
image
noise
pattern
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2018551957A
Other languages
English (en)
Other versions
JP2019515255A5 (ja
JP6792634B2 (ja
Inventor
デイ，トマス
ゲーディケ，アンドレアス
フランク サルモン，アンドレ
フランク サルモン，アンドレ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of JP2019515255A publication Critical patent/JP2019515255A/ja
Publication of JP2019515255A5 publication Critical patent/JP2019515255A5/ja
Application granted granted Critical
Publication of JP6792634B2 publication Critical patent/JP6792634B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Nuclear Medicine (AREA)

Abstract

例えばＰＥＴ撮像システムのような患者撮像システムは、人工的に導入されるノイズの導入に苦しむことがある。このノイズは、標準的に、生取得情報から２Ｄ又は３Ｄ画像を再生成しようと試みる最小二乗アルゴリズムのような再構成アルゴリズムの反復の間に導入される。ノイズは、再構成画像の中の「ホットスポット」として現れる。これらのアーチファクトを解決するための手法は、フィルタリング手法を用いる。標準的に、最小二乗再構成は、「相対差分ペナルティ」として知られる手法である、ペナルティ項により補足される。ペナルティパラメータは、再構成アルゴリズムに、再構成の特定領域において事実上強力にフィルタリングさせる。本願は、エッジが画像の一部に存在する可能性に関する連続確率情報により、ペナルティ項を補足する手法を提案する。

Description

本発明は、反復画像再構成における人工ノイズ抑制のための装置、反復画像再構成における人工ノイズ抑制のための方法、医療撮像システム、コンピュータプログラムエレメント、及びコンピュータ可読媒体に関する。
反復画像再構成手法は、例えばＰＥＴ及び／又はＰＥＴ／ＣＴ画像の再構成のような医療画像再構成の分野で広がっている。分析的（ワンパス）手法と比べて、反復画像再構成技術は、画像品質を低下させるアーチファクトを低減させるために、取得したデータの統計的特性を考慮することを可能にする。各反復について、取得した検出器信号は、所定の停止基準に達するまで、画像データの現在推定へのシステムモデルの適用と比較される。
このような手法は、特に、ＰＥＴ信号検出の特性により、信号対雑音比が他の撮像モダリティに比べて低い、ＰＥＴトレーサ信号の再構成に適する。反復手法は、再構成進捗として、画像内のノイズクラスタの出現を生じ得る。
現存の画像再構成手法は、画像データが生物学的構造を表さないことを考慮しない場合が多い。したがって再構成画像を向上する機会は、現在失われている。
文献「LBP−based penalized weighted least−squares approach to low−dose cone−beam computed tomography reconstruction」、Ma他、Proc. SPIE Vol.９０３３９０３３３６−１、「Medical Imaging ２０１４: Physics of Medical Imaging」、Whiting他により編集、doi: １０.１１１７/１２.２０４３２８９は、反復画像再構成手法に関する。この手法では、最小二乗再構成が提供され、ペナルティ項を有する。しかしながら、このような手法は、更に改良可能である。
したがって、改良した人工ノイズ抑制技術を提供する技術を有することが有利であり得る。
本発明の目的は、独立請求項の主題により解決される。ここで、更なる実施形態は、従属請求項に組み込まれる。
本発明の上述の及び他の態様は、本願明細書に記載される実施形態から明らかであり、それらの実施形態を参照して教示される。
本発明の第１の態様によると、反復画像再構成における人工ノイズ抑制のための装置が提供される。装置は、処理ユニットを有する。
処理ユニットは、画像先駆（precursor）情報を取得し、（ｉ）エッジパターン検出器を用いて画像先駆情報のエッジパターン情報を、及び（ｉｉ）ノイズパターン情報を、生成し、エッジパターン情報、ノイズパターン情報、及び画像先駆情報に基づき、エッジ保存パラメータ情報を生成するよう構成される。
エッジ保存パラメータ情報は、連続確率指標に基づく。処理ユニットは、正規化関数を生成し、ここで正規化関数はエッジ保存パラメータ情報を用いて局所的に調整され、並びに、画像再構成アルゴリズムを画像先駆情報に適用することにより再構成画像情報を生成するよう構成される。
画像再構成アルゴリズムは、正規化関数Ｒを、画像先駆情報λｉに適用し、したがって、画像先駆情報λｉのノイズ相関特徴が画像先駆情報λｉのエッジ相関特徴より強力にフィルタリングされた再構成画像情報（λｉ＋１）を提供する。
したがって、クラスタ化されたノイズスペックル（最終画像において望ましくない）から生じる画像内の大きな局所的ボクセル差分は除去でき、一方で、同時に、生理学的に重要なエッジ特徴（最終画像において望ましい）を表す小さな局所的ボクセル差分が保存できる。見付かったパターンが一般的特徴（エッジ）モデル及びノイズモデルにどれだけ良好に一致するかを決定するために、統計モデルが使用される。該統計モデルは、画像先駆情報の中の局所的統計的変動も考慮する。エッジ保存パラメータ情報は、例えば１又は複数の確率密度関数からサンプリングできるので、統計モデルの使用は、エッジ保存パラメータ情報が連続関数であることを可能にする。
したがって、クラスタ化されたノイズスペックル及び生理的特徴の間のより正確な区別が可能である。
第１の態様の一実施形態によると、エッジパターン検出器は、１又は複数のエッジモデルを画像先駆情報λｉに適用するよう構成される。エッジモデルは、画像先駆情報の中の特徴エッジの存在の可能性を統計的に示すために使用できる、画像ピクセル又はボクセルのサブセットの模範空間分布モデルである基準エッジモデルを有する。
任意的に、処理ユニットは、１又は複数の２進エッジパターンに基づき基準エッジパターン情報を取得することによりエッジパターン情報を生成し、及び基準エッジパターン情報を画像先駆情報に適用することによりエッジ検出情報を計算するよう更に構成される。
エッジパターンは、エッジの存在を追跡する効率的な方法を提供し、一方で複雑性の低減した処理手法に変更可能でもある。
第１の態様の一実施形態によると、処理ユニットは、画像先駆情報から符号２進パターン情報を、及び画像先駆情報から差分２進パターン情報を、計算することにより、エッジパターン情報を生成するよう更に構成される。符号２進パターン情報は、画像先駆情報と比較するとき、各近隣ピクセル又はボクセルの正及び負の差分の間を区別する。差分２進パターン情報は、近隣ピクセル又はボクセルの中で、差分閾より大きい、中央ピクセル又はボクセルに対する強度差を有するピクセルを区別する。
したがって、ボクセルのエッジ及びノイズ状態に関する追加エビデンスを、第１の態様の前の項に導入することが可能である。
任意で、処理ユニットは、画像先駆情報から符号２進パターン情報を計算することにより、エッジパターン情報を生成し、及び画像先駆情報から差分２進パターン情報を生成するよう更に構成される。
第１の態様の一実施形態によると、処理ユニットは、クラス毎にピクセル又はボクセル発生情報を有する複数のクラスを生成するよう構成され、複数のクラスのうちの各クラスは、エッジパターン情報、差分２進パターン情報、及び符号２進パターン情報、のうちの少なくとも２つの一致ビットの論理結合に基づき形成される。
したがって、第１の態様の前の項は、２進パターンへの統計的原理の適用により、ボクセルのエッジ及び／又はノイズ状態の最適推定に非常に近くなる。
任意で、処理ユニットは、エッジ確率指標を得るために、エッジパターン情報、差分２進パターン情報、及び符号２進パターン情報を結合するよう更に構成される。
第１の態様の一実施形態によると、処理ユニットは、複数のクラスのうちの各クラスの中のピクセル又はボクセルの数と、各クラスの確率と、に基づきエッジ確率指標を生成するよう更に構成される。
したがって、周囲のボクセルにより生成される空間分布パターンは、ノイズ／特徴分離決定における追加基準として、考慮され得る。
第１の態様の一実施形態によると、処理ユニットは、エッジ確率指標を用いてエッジ保存パラメータ情報を計算するよう更に構成される。
第１の態様の一実施形態によると、処理ユニットは、ノイズパターン情報として、複数の基準ノイズパターンを取得するよう更に構成される。複数の基準ノイズパターンをエッジパターン情報と結合することにより、エッジ保存パラメータ情報が追加で生成される。
したがって、特定ボクセルがエッジ又はノイズ要素を表す確率は、エッジボクセル及びノイズボクセルの存在の結合された前提の下で生成されて良い。
第１の態様の一実施形態によると、処理ユニットは、画像先駆情報の要素について、複数のクラスのうちのそれぞれのクラスのノイズ確率の積の和としてノイズ確率値、及びそれらのノイズ確率、を生成するよう更に構成される。
したがって、正規化項が、ノイズ統計のより正確なセットと共に提供され得る。
第１の態様の一実施形態によると、処理ユニットは、ピクセル又はボクセル毎に、ノイズの確率に対するエッジの確率の確率比を見出すことにより、エッジ保存パラメータ情報を生成し、確率比を合計して、初期エッジ保存パラメータ情報として合計比を形成するよう更に構成される。
第１の態様の一実施形態によると、処理ユニットは、エッジ保存パラメータ情報を形成するために、指数関数又はシグモイド関数を用いて初期エッジ保存パラメータ情報を制限するよう更に構成される。
したがって、エッジ保存パラメータ情報は、算術的に制限された範囲内で提供される。
本発明の第２の態様によると、反復画像処理における人工ノイズ抑制のための方法が提供される。方法は、以下を有する。
ａ）画像先駆情報λｉを取得するステップと、
ｂ）（ｉ）エッジパターン検出器を用いて画像先駆情報λｉのエッジパターン情報を、及び（ｉｉ）ノイズパターン情報を、生成するステップと、
ｃ）エッジパターン情報、ノイズパターン情報、及び画像先駆情報λｉに基づきエッジ保存パラメータ情報を生成するステップであって、
エッジ保存パラメータ情報γは、連続確率指標に基づく、ステップと、
ｄ）エッジ保存パラメータ情報γを用いて局所的に調整される正規化関数Ｒを生成するステップと、
ｅ）画像再構成アルゴリズムを画像先駆情報λｉに適用することにより、再構成画像情報λｉ＋１を生成するステップ。
画像再構成アルゴリズムは、正規化関数Ｒを、画像先駆情報λｉに適用し、したがって、画像先駆情報λｉのノイズ相関特徴が画像先駆情報λｉのエッジ相関特徴より強力にフィルタリングされた再構成画像情報（λｉ＋１）を提供する。
第２の態様の方法によると、画像の再構成中に、クラスタ化されたノイズスペックル及び生理学的特徴の間のより正確な区別が可能である。
第２の態様の一実施形態によると、エッジパターン情報を生成するステップは、１又は複数のエッジモデルを画像先駆情報に適用するために、エッジパターン検出器を使用するステップを更に有する。エッジモデルは、画像先駆情報λｉの中の特徴エッジの存在の可能性を統計的に示すために使用できる、画像ピクセル又はボクセルのサブセットの模範空間分布モデルである基準エッジモデルを有する。
任意で、ステップｃ）は、以下により、エッジパターン情報を生成するステップを更に有する。
ｃ１）１又は複数の２進エッジパターンに基づき、基準エッジパターン情報を取得するステップ、及び、
ｃ２）画像先駆情報に基準エッジパターン情報を適用することにより、エッジ検出情報を計算するステップ。
本発明の第３の態様によると、医療撮像システムが提供される。システムは、以下を有する。
−患者撮像構成、
−ディスプレイユニット、
−第１の態様又はその実施形態において定められた、反復画像再構成における人工ノイズ抑制のための装置。
患者撮像構成は、患者の関心領域の画像情報を画像再構成のための装置に提供するよう構成される画像化センサを有する。
ディスプレイユニットは、画像再構成のための装置により出力される再構成画像情報を表示するよう構成される。
したがって、クラスタ化されたノイズスペックル及び生理的特徴の間のより正確な区別を提供する医療撮像システムが提供される。
本発明の第４の態様によると、第１の態様、その実施形態のうちの１つによる画像再構成のための装置を制御するコンピュータプログラムエレメントであって、コンピュータプログラムエレメントが制御ユニットにより実行されると、第２の態様又はその実施形態のうちの１つのステップを実行するよう適応される、コンピュータプログラムエレメントが提供される。
本発明の第５の態様によると、第４の態様によるプログラムエレメントを格納したコンピュータ可読媒体が提供される。
アルゴリズムは画像再構成の分野において広範な適用可能性を有することが理解される。２Ｄ、３Ｄ又はより高い次元の画像が、本願明細書で議論したアルゴリズムに従い処理され得る。したがって、用語「ピクセル」及び「ボクセル」は、一般性を失うことなく、説明及び請求項の中で同義的に使用される。
以下の明細書では、用語「画像先駆情報」は、撮像モダリティからの生画像情報、及び／又は再構成諸理由の画像情報を意味する。画像先駆情報は、ＣＴ、ＭＲＩ、及び／又はＰＥＴ再構成手法からの体積情報であって良い。画像先駆情報は、患者の関心領域のボクセルを有する。
以下の明細書において、用語「エッジパターン情報」は、特徴エッジ又はエッジを有する近隣を表す１又は複数のボクセルセットを意味する。標準的に、エッジパターン情報は、中心ボクセル及び周囲の例示的なエッジパターンを有する（２Ｄの場合には）２進グリッドを有して良い。「非エッジ」ボクセルは、論理０により表され、「エッジ」ボクセルは論理１により表される。エッジパターン情報に含まれるグリッド又は複数のグリッドは、中心ボクセルが画像先駆情報を通じて繰り返されるとき、画像先駆情報のボクセルと連続的に比較される。したがって、エッジパターン情報のアイテム毎に及び中心ボクセル毎に、エッジパターン情報の中の候補エッジパターンに対する選択された中心ボクセルの類似指標が、形成される。このように表現されるエッジは、例えば、線の端、角、又は平坦部分であって良い。
以下の明細書において、用語「ノイズパターン情報」は、「エッジパターン情報」と同様に、ノイズパターンの形式を表す１又は複数のボクセルセットを意味する。画像先駆情報のボクセルは反復処理されて良く、ノイズパターン情報が、画像先駆情報の中の検討される中心ボクセルの近隣との類似性について比較される。
以下の明細書では、用語「エッジパターン検出器」は、アルゴリズムが、エッジパターンが画像先駆情報の検討されるボクセルに存在する可能性を識別するために、１又は複数のエッジパターンに適用することを意味する。
以下の明細書において、用語「エッジ保存パラメータ情報」は、特徴（より少ないペナルティを科せられる）又はノイズ（より大きなペナルティを科せられる）のような局所的画像先駆情報の中の処理する強度差の間の遷移点を制御するために使用される相対差分ペナルティ再構成方式において提供されるパラメータを意味する。したがって、エッジ保存パラメータ情報は、エッジ情報を拡張するため及びノイズ情報を除去するために、再構成の反復中に調整されて良い。一例として、エッジ保存パラメータ情報は、再構成アルゴリズムの「最後の」反復においてボクセル毎に定められ、どのボクセルを強調すべき又は減衰すべきかについて、再構成アルゴリズムの「次の」反復のための情報を提供する。
以下の明細書において、用語「正規化関数」は、反復画像再構成方式に（前の、prior）追加されたペナルティ項を意味する。これは、局所的ボクセル更新の間に周囲の近隣ボクセルの特性を、制御（又は重み付け）パラメータとして考慮する。
したがって、例えば医療撮像手法に適用される（少なくとも平方手法）反復画像再構成方式では、相対差分ペナルティ項がエッジ強調パラメータを有する相対差分ペナルティ項を反復画像再構成方式に適用することは基本的思想である。これは、再構成画像反復の中にエッジの存在を保持し、及び／又は再構成画像反復の中のノイズパッチを重視しない。
したがって、臓器及び骨のような、生体情報から生じる画像の中の構造は、人工的に生成されたノイズがより効果的に抑制されるので、より視覚的に正確な方法で再構成される。エッジ強調パラメータは、観察されたボクセルが画像基礎再構成のエッジ特徴又はノイズ特徴の部分である統計尤度から生成された連続関数である。
例示的な実施形態が、以下の図面を参照して記載される。
第２の態様による方法を示す。 ２つの可能なエッジパターンを示す。 一例による代表的な処理アルゴリズムを示す。 アルゴリズムで使用されるクラス確率の統計分布を示す。 アルゴリズムで使用されるクラス確率の統計分布を示す。 医療画像模型、及び不要なノイズアーチファクトを示す。 エッジパターン検出器を用いて導出された連続する統計的に導出されたエッジ保存パラメータ情報を利用する再構成アルゴリズムが使用されるとき、医療模型を含む画像のエッジ保存パラメータ情報の値を表す、再構成ＰＥＴ画像から導出されたグレイスケール心臓マップの一例を示す。 標準的な再構成アルゴリズムが適用されるとき、医療模型を含む画像のエッジ保存パラメータ情報の値を表す、ＰＥＴ画像から導出されたグレイスケール心臓マップの一例を示す。 第１の態様による装置を示す。 第３の態様による医療撮像システムを示す。
画像先駆情報からの画像の反復再構成は、コンピュータ断層撮影法（ＣＴ）、磁気共鳴撮影法（ＭＲＩ）、陽電子放射コンピュータ断層撮影法（ＰＥＴ）、等のような多数の撮像モダリティに適用可能な一般的な問題である。
一例として、ＰＥＴは低い信号対雑音比を有する画像を生成するので、ＰＥＴ画像再構成は、特に関心のある焦点である。これは、以下に簡単に説明されるＰＥＴ検出に特有の物理的態様に起因する。
送信Ｘ線撮像手法は、制御可能な強度のＸ線が目標を通じて方向付けられ、例えば、Ｘ線ビームのパワーを増大することにより、又は検出器電子機器を改良することにより、ＳＮＲの向上を可能にする。しかしながら、ＰＥＴ撮像では、画像の発端は、放射性トレーサを介して、標準的に、撮像の直前に患者の血流に導入される糖に付着される。
代謝過程はトレーサの摂取を生じる。高い代謝率ほど、標準的に、癌性増殖においては、放射性トレーサの癌性増殖への早いレートを表す。
放射性トレーサの基質の代謝により引き起こされる陽電子崩壊及び消滅過程は、画像化媒体の中に自由電子との陽子の結合の放射をもたらす。この消滅による「ポジトロニウム」減衰は、２つのガンマ線を、それぞれ５１１ｋｅＶのエネルギを伴う崩壊から、ほぼ反対方向に伝搬させる。これらの「対の」減衰は、コヒーレントにサンプリングされた、一直線上に配置された検出器を用いて検出できる。より純粋な「対の」減衰は、組織セグメントから検出され、より代謝的に活発な組織セグメントは、おそらく、腫瘍の可能性を示す。
現在のＰＥＴ再構成手法は、局所的な統計的変動にペナルティを科そうとするが、取得したデータの中のエッジのような「実在する」特徴を保存しようとする。これは、エビデンスに基づくノイズ特徴差別化を用いる「正規化」と呼ばれる技術を用いて達成される。一般に使用される手法は、このような特徴が臓器又は特徴境界に属する高い可能性を有するという仮定の下で、前の項にエッジ保存を提供して、小さな差分より大きな局所的差分を強調する。
図５に、従前のエッジ保存を用いる多くの現在のＰＥＴ画像再構成手法に伴う問題が示される。図５では、模型心筋の中の臓器を表す馬蹄形医療模型が表示される。しかしながら、非生理的「ホットスポット」（点線の輪で示される）も、再構成画像の中に現れる。これは、ノイズの発生源である局所的ボクセル差分が、再構成中に保存され、画像内にアーチファクトを生じるために、引き起こされる。
臨床分野では、このようなアーチファクトは、医療診断において重要性を有する小さな病巣と誤って解釈され得る。しかしながら、ＰＥＴにおける腫瘍のような現実のエッジにより引き起こされる小さな差分は、ペナルティを科せられ、したがって画像再構成中に消滅してしまう。
したがって、ＰＥＴ画像におけるような特徴を検出し及び識別するために利用可能なエビデンスを増加させる更なる努力が必要である。
本発明の態様は、特徴に対してノイズの分離を決定するための追加基準として、周囲のボクセルにより生成される空間分布パターンも考慮する、変更された評価方式を提案する。以下に議論する態様によると、発見したパターンが一般的エッジモデルにどれくらい良好に一致するかを決定するために、統計モデルを使用することが提案される。これは、画像内の局所的（統計的）変動も考慮する。統計モデルは、連続確率指標に基づきエッジ保存パラメータ情報を提供するために使用される。
したがって、本発明の第１の態様によると、反復画像再構成における人工ノイズ抑制のための方法が提供され、前記方法は、
ａ）画像先駆情報λｉを取得するステップと、
ｂ）（ｉ）エッジパターン検出器を用いて前記画像先駆情報λｉのエッジパターン情報と、（ｉｉ）ノイズパターン情報と、を生成するステップと、
ｃ）前記エッジパターン情報、前記ノイズパターン情報、及び前記画像先駆情報λｉに基づきエッジ保存パラメータ情報γを生成するステップであって、前記エッジ保存パラメータ情報γは、連続確率指標に基づく、ステップと、
ｄ）正規化関数Ｒを生成するステップであって、前記正規化関数Ｒは、前記エッジ保存パラメータ情報γを用いて局所的に調整されるステップと、
ｅ）画像再構成アルゴリズムを前記画像先駆情報λｉに適用することにより再構成画像情報λｉ＋１を生成するステップと、を含む。 画像再構成アルゴリズムは、正規化関数（Ｒ）を画像先駆情報λｉに適用し、したがって、画像先駆情報λｉのノイズ相関特徴が画像先駆情報λｉのエッジ相関特徴より強力にフィルタリングされた再構成画像情報（λｉ＋１）を提供する。
画像再構成アルゴリズムは、正規化関数（Ｒ）を、画像先駆情報λｉに適用し、したがって、画像先駆情報λｉのノイズ相関特徴が画像先駆情報λｉのエッジ相関特徴より強力にフィルタリングされた再構成画像情報（λｉ＋１）を提供する。
図１は、第１の態様による方法を示す。
第１の態様による方法は、（ペナルティを科された加重最小二乗アルゴリズムのような）画像再構成アルゴリズムの正規化項において使用される従来の情報を提供する技術を提供する。方法は、統計モデルを、画像先駆情報λｉに適用して、１又は複数のノイズパターンが存在するとき、画像の進行中の再構成の中で発見されたパターンが、一般エッジモデルにどれだけ良好に一致するかを決定する。ノイズにより引き起こされた可能性のより高い画像先駆情報の中の特徴は、事実上、生理的アーチファクトからのエッジ特徴により引き起こされた可能性のより高い画像先駆情報の中の特徴と比べて、より強力なそれらに適用される空間フィルタを有する。したがって、クラスタ化されたノイズスペックル及び生理学に基づく特徴の間のより正確な区別が可能である。
次に、第１の態様によるアルゴリズムの実装例の詳細な説明を記載する。当業者は、アルゴリズムの他の変形が提供され得ることを理解する。
実装例は、相対的差分ペナルティ手法（relative difference penalty approach：ＲＤＰ）枠組みの中で反復画像再構成方式を適用する。この手法は、文献「Quantitatively Accurate Image Reconstruction for Clinical Whole−Body PET Imaging」、著者：E.Asma他、発行：Signal & Information Processing Association Annual Summit and Conference (APSIPA ASC)の論文集、２０１２ Asia−Pacific、３−６ December ２０１２, pages １−９, ISBN ９７８−１−４６７３−４８６３−８、のセクションＥにおいて更に議論されている。
Figure 2019515255
 式（１）で、βは、グローバル制御パラメータであり、ペナルティ項Ｒの強度を、画像推定の可能性と比較して拡大縮小する。ｎνは、３Ｄ（又は２Ｄ）画像の中のボクセルの合計数を表す。Ｎｊは、検討されるボクセルの近隣を表す。パラメータωｊ及びωｋは、選択された近隣ボクセルがペナルティＲの強度にどれくらい貢献するかを指定する重みである。項λｊ及びλｋは、特定の選択されたボクセルλｊ、及び選択されたボクセルに関連する特定の近隣ボクセルλｋのボクセル強度を表す。パラメータγは、エッジ保存レベルパラメータである。
エッジ保存レベルパラメータ（エッジ保存パラメータ情報γ）は、γの選択に依存して、全体のＲＤＰペナルティ項Ｒが、例えば、二次ペナルティ（quadraticpenalty）と活動依存平滑化との結合、及び／又はエッジ保存正規化ガウスペナルティとして振る舞うので、アルゴリズムにおいて重要な効果を有する。
言い換えると、γの選択は、保存されるべき特徴として（この場合、ＲＤＰ項Ｒは、局所的に、より少ないペナルティ効果を有する）、又は取り消されるべきノイズとして（この場合、ＲＤＰ項Ｒは、局所的に、より多くのペナルティ効果を有する）、取り扱う局所的画像強度差分の間の遷移点を制御する。
したがって、γ項の選択は、ＲＤＰペナルティ項の決定にとって重要である。纏めると、本発明の本態様によると、γを連続する統計的に導出される変数として提供するアルゴリズムを提供することが提案される。ここで、γは、画像先駆情報に適用されるエッジパターン検出器を用いて生成されるエッジパターン情報に基づき計算される。
エッジパターン検出器は、画像再構成アルゴリズム、例えば最小二乗アルゴリズムの反復の間に、中間画像再構成結果（画像先駆情報λ）に適用される。エッジパターン検出器は、画像再構成中にエッジ保存パラメータγを局所的に調整する連続確率指標として補正因子を提供する。
用語「連続確率指標」は、画像先駆情報λの特徴における任意の小さな変化が、統計分布又は処理により決定されるエッジ保存パラメータγにおける任意の連続的変化を生じるという意味で使用される。
言い換えると、エッジ保存パラメータγは、画像先駆情報に適用される、エッジパターン検出器を用いて生成されたエッジパターン情報及びノイズパターン情報の統計的結合を用いて決定される。
エッジ保存パラメータγ（エッジ保存パラメータ情報γ）が提供されると、画像について正規化関数（ＲＤＰペナルティ項）Ｒが生成され、関連する画像再構成反復に適用されて良い。任意で、上述した処理は、後続の反復の画像先駆情報を形成する画像再構成反復の前の結果を伴い、１又は複数回、反復されて良い。
正規化項に適用されるエッジ保存パラメータγが、所定エッジモデル（及び少なくとも１つのノイズモデル）の画像先駆情報λとの比較に従い導出される連続変数であるので、上述のエッジ保存手法は、画像再構成中に改良されたエッジ保存をもたらす。実際に、所定エッジモデルは、２進パターンのようなパターンとして実装される。
任意で、所定エッジモデル（及び任意で、ノイズモデル）の画像先駆情報λとの比較は、統計的比較である。したがって、エッジ保存パラメータλ（エッジ保存パラメータ情報λ）は、知られている手法と比べて、より統計的に最適なエッジ保存パラメータである。
アルゴリズムの例示的な実装が以下に議論されるが、当業者は、上述のアルゴリズムの枠組みに従いエッジ保存アルゴリズムを実装する多くの異なる方法が存在することを理解する。本例では、アルゴリズムの２次元の例を参照するが、当業者は、これが３次元以上の場合に一般化可能であることを理解する。
実装例の最重要の説明は次の通りである。
（ｉ）エッジパターン検出器は、１又は複数の２進エッジモデル、及び少なくとも１つのノイズパターンを、画像先駆情報の各ボクセルに適用する。
（ｉｉ）画像先駆情報の各ボクセルの差分２進パターンが見付かる。
（ｉｉｉ）画像先駆情報の各ボクセルの符号２進パターンが見付かる。
（ｉｖ）２進エッジパターン、差分２進パターン、及び符号２進パターンの全ての可能な論理結合に基づき、多数のクラスが形成される。ここで、多数のクラスのうちの各クラスは、異なる確率分布を有する。
（ｖ）検討されるパターンが所与の基準エッジパターンにより説明可能な全体の条件付き確率が、各クラスの確率を積として結合することにより、見付かる。１つの（又は複数の）ノイズを表す基準パターンとの一致についての条件付き確率が、同様に見付かる。任意で、クラスは、サブサンプリングされる（言い換えると、差分、符号、及びエッジ２進パターンの全ての可能な論理結合より少ないクラスが、全体の条件付き確率を形成するために使用される）。
（ｖｉｉ）最後に、ボクセルがエッジに属するか否かの可能性を示す、所与の中央ボクセルのエッジ保存パラメータ情報γを見付けるために、エッジ条件付き確率と、ノイズ条件付き確率と、の間の比が計算される。
エッジパターン検出器を適用する他の例示的なアルゴリズムが、ステップ（ｉ）〜（ｖｉ）に適用され得ることが理解される。勿論、ステップ（ｉ）、（ｉｉ）、及び（ｉｉｉ）は、一般性を失わずに、任意の順序で実行されて良い。
一例では、エッジ保存パラメータγは、画像先駆情報に適用される、エッジパターン検出器を用いて生成されたエッジパターン情報の統計的結合を用いて決定される。エッジパターン検出器は、１又は複数のエッジモデルを画像先駆情報に適用する。
本例の第１のステップによると、基準エッジモデルが提供される。
任意で、複数の基準エッジモデルが提供される。１つのノイズパターンも提供される。任意で、複数のノイズパターンが提供される。
基準エッジモデルは、特徴エッジの存在の可能性を統計的に示すことが期待できる、画像ボクセルサブセットの模範（prototype）空間分布モデルである。
任意で、基準エッジモデルは、「局所的２進パターン」として提供される。これは、画像テクスチャの詳細な説明である。中心ボクセル「ｔｃ」が示され、中心ピクセルの領域にある各近隣は、特定の基準に依存して、２進ラベルを割り当てられる。単純な基準は、選択された近隣ピクセルを、選択された近隣ピクセルが中央ピクセルより強度が大きい場合に「１」でラベル付けし、選択された近隣ピクセルが中央ピクセルより強度が小さい場合に「０」でラベル付けすることである。
ノイズパターンは、（例えばガウス統計に基づき）エッジパターン領域内のノイズ特性を表すランダムに生成されたパターンである。
したがって、実装例のステップ（ｉ）で、特定の２進エッジモデルｂｅｄｇｅが、画像先駆情報内の各ボクセルに適用される。ボクセル近隣、特定の２進エッジモデルｂｅｄｇｅ、及び少なくとも１つのノイズパターンの間の合意レベルが見付かる。２進エッジモデル及びノイズモデルの各ボクセルへの適用の結果は、更なる使用のために格納されるべきである。
任意で、複数の異なる２進エッジモデルが、画像先駆情報に適用される。この場合、複数の２進エッジモデルの各ボクセルへの適用の結果は、更なる使用のために格納される。任意で、２進ノイズモデル、又は複数の２進ノイズモデルが、画像先駆情報に適用され、また、これらは更なる使用のために格納される。
したがって、エッジパターン検出器を用いて、１又は複数の２進エッジモデル（及び少なくとも１つのノイズモデル）に対するボクセル近隣の間の「合意」の指標が提供される。
実装例の第２のステップ（ｉｉ）で、差分２進パターンｂｄｉｆｆが、検討されるボクセルの各々について見付けられる。ｂｄｉｆｆを見付ける１つの手法は、画像先駆情報λから直接（例えば、近隣ボクセル強度の平均値の平方根により）導出される期待変化量σｖｏｘｅｌを見付けることである。代替として、画像先駆情報λのフィッシャ（Fisher）情報のような別の使用が使用されて良い。
次に、場合によっては広範囲における（例えば、利用可能な計算リソース及び画像強度の期待される変化量に依存して０〜５）、倍率σｓｃａｌｉｎｇが選択される。差分閾は、σ＝σｓｃａｌｉｎｇ・σｖｏｘｅｌとして定められる。差分２進パターンｂｄｉｆｆを得るために、中心ボクセルに対する全ての近隣ボクセルの差分は、式（２）に従い、閾σ＝σｓｃａｌｉｎｇ・σｖｏｘｅｌと比較される。
Figure 2019515255
 式（２）で、項λｃは、近隣の検討される中央ボクセルの強度値を表す。項λiは、検討される近隣ボクセルの強度値を表す。前述のように、画像に渡り検討される中央ボクセルの各々の差分２進パターンｂｄｉｆｆは、後の処理のために保存される。
実装例の第３のステップ（ｉｉｉ）で、画像先駆情報の各ボクセルの符号２進パターンｂｓｉｇｎが見付かる。符号２進パターンｂｓｉｇｎは、式（３）に定めるように、近隣ボクセルの正差分と負差分との間を区別するために導出される。
Figure 2019515255
 式（３）で、項λｃは、近隣の検討される中央ボクセルの強度値を表す。項λiは、検討される近隣ボクセルの強度値を表す。
実装例のステップ（ｉｖ）で、式（４）に示すように、エッジ２進パターン、差分２進パターン、及び符号２進パターンの一致するビットの論理（ブール）結合に基づき、多数のクラスが形成される。ここで、多数のクラスのうちの各クラスは、多数の異なる確率分布を有する。
Figure 2019515255
 エッジ確率は、（４）のクラス内の多数のボクセルＣｉ及び各クラスの確率ｐｉに基づき計算される。
本例では、各クラスの確率ｐｉは、λｃ＋σｖｏｘｅｌの強度を有する、及び全ての強度がσｓｃａｌｉｎｇ＝０．５を有する正規分布に従う、という仮定に基づき計算される。
図４Ａ及び４Ｂは、例えばσｓｃａｌｉｎｇ＝０．５について、異なるクラスの確率を示す。
ステップ（ｖ）で、検討されるパターンが基準エッジパターン（ｋ）に属する全体の条件付き確率が、次に式（５）により与えられる。
Figure 2019515255
 ここで、［Ｃｉ］は、クラスＣｉ内で見付かったボクセルの数を表す。
一連のノイズモデルが画像先駆情報に適用される任意的場合には、適用されるノイズモデルに関して、ステップ（ｉ）〜（ｖ）に対して並列処理が実行される。
次に、任意的ステップで、検討されるボクセルについて、エッジ確率のノイズ確率に対する差分比が結合される。一例では、これは、間隔［−σｓｃａｌｉｎｇ，σｓｃａｌｉｎｇ］の中の値の確率により重み付けされた値の対数を加算することにより、達成できる。
ステップ（ｖｉ）で、上述のアルゴリズムから導出された値は、次に、式（１）で定められたような正規化された再構成方式において、エッジ保存パラメータγを局所的に採用するために使用される。
エッジ保存パラメータγを局所的に採用する１つの手法は、画像先駆情報のエッジ画像に値範囲制限を適用することであり、厳格な値範囲制限（例えば、０と１の間）をもたらす。
より具体的には、（式５の後に計算される）モデルエッジｐｅｄｇｅ，ｉを前提として、特定のσｓｃａｌｉｎｇ因子σｉについて画像内で見付かるパターンの確率から開始する。
ノイズｐｅｄｇｅ，ｉを前提とするパターンの確率は、同様に計算される。通常、モデルノイズパターンは、ｂｅｄｇｅ＝０のように、平坦である。
確率比は、次に式（６）により与えられる。
Figure 2019515255
 全てのσｓｃａｌｉｎｇ値の確率比は、合計比Ｒｓｕｍに結合される。任意で、これは、式（７）に従い見付かる。
Figure 2019515255
 正規分布の場合に間隔［−σｉ，σｉ］の中の値を見付ける確率をｐσｉとして、及び使用される因子σｓｃａｌｉｎｇの最大及び最小値をσｍａｘ及びσｍｉｎとする。
式（７）で詳述されるアルゴリズムは、異なる確率比を結合するための１つの方法であること、しかし、例えば対数又はｐσｉ因子を使用しない多くの他のアルゴリズムが適用できることが理解される。
因子Ｒｉ及びＲｓｕｍの値は、［−∞，∞］の範囲内である。本例では、元のエッジ保存レベルパラメータγ（γｏｒｇ）を変更するために、厳格な値範囲制限が必要である。
したがって、本例では、更新されたエッジ保存レベルパラメータγが式（８）のように計算される。
Figure 2019515255
 代替の例では、エッジ保存レベルパラメータγは、例えばシグモイド関数クラスを用いて制限される。
前述の説明は、任意のエッジ又はノイズパターンが検討されるボクセルの近隣に存在する可能性に基づき相対的ペナルティ差分方式の正規化項に連続局所的変更を提供可能な連続エッジ保存レベルパラメータγを導出するために、エッジパターン決定手法がどのように使用され得るかを説明した。
上述のアルゴリズムはテストされ、単一の「ホットボクセル」アーチファクトを低減すること、及び同種の領域内の変動を低減することにおいて、良好な結果を示した。
図６Ａは、再構成ＰＥＴ画像の中の生理的模型の一例を示す。この中で、各ピクセル位置における画像コントラストにより示される変量は、該ピクセル位置におけるローカルγ値である。明るいピクセル強度ほど大きな値のγを表し、暗いピクセル強度ほど小さな値のγを表す。式（１）により示されるように、大きな値のγほど、画像再構成ステップでより明るい値を有する画像先駆の領域に適用される小さなペナルティ項をもたらす。
図６Ａで、γは、第２の態様による方法の方針に沿って計算された。γは、医療模型の端に近い非常に濃い領域内でより高いことが分かる。実際に、模型の馬蹄の大部分は、低いγ値を有する。これは、アルゴリズムが画像のエッジ領域を区別することにおいて良好であることを意味する。
図６Ｂで、γは、標準的なＲＤＰ方法の方針に沿って計算された。この場合、γは、医療模型の全領域に渡り高く、標準的なＲＤＰ方法を用いるエッジ位置特定が粗悪であることを示す。
余談として、エッジパターン検出器のローカル出力の結合は、「エッジパターン画像」として解釈できる。このような画像は、検討されるボクセルが再構成画像の中の生理的に生じる「エッジ」特徴を表す可能性を表す。
図３は、「エッジパターン画像」を提供するための一般的手順を示す。
ボックス３０は、画像内のボクセルのセットを通じて、図３の機能を繰り返す反復処理を表す。したがって、ボックス４６、３２、及び３４で実行される処理（及び結合される処理）は、各ボクセルについて実行される。
ボックス３２で、一般ノイズ分散σは、σｖｏｘｅｌと倍率σｓｃａｌｉｎｇの倍数としてボクセルに対して設定される。σｖｏｘｅｌは、検討中ボクセルの期待分散を示す。項σｖｏｘｅｌは、画像から直接（例えば、近隣ボクセル強度の平均値の平方根により）、又は別の指標（例えばフィッシャー情報）から導出できる。倍率σｓｃａｌｉｎｇは、利用可能な計算リソースに依存して、（０〜５のような）広範囲から選択され得る。
ボックス３４で、１又は複数の２進パターンが得られる。２進パターンは、線、点、又は角、のような模範エッジモデルである。任意で、２進エッジモデルの回転が見付かる場合がある。
ボックス３８で、「現在」エッジパターンが検討中ボクセルの現在の近隣と類似することが分かる可能性がある。エッジパターンの複合確率、及び任意的に変形は、一般エッジ尤度値を表すために、検討されるボクセル毎に導出されて良い。
ボックス４０で、画像内のノイズの最大パワーが分かる。
ボックス４２で、ランダムパターン、又は任意的に複数のランダムパターンが、最大パワーに基づき生成される。このランダムパターンは、検討中の現在ボクセルの近隣と比較され、現在ボクセルが画像内のノイズ特徴を表す可能性を特徴付ける確率指標が生成される。
ボックス４４で、現在ボクセルがエッジパターン又はノイズパターンのうちの１つである可能性の間の比が計算される。
ボックス４６で、確率比が合計される。
ボックス４８で、４６の結果に基づき、検討中ボクセルがエッジ又はノイズボクセルを表すかに関して決定が行われる。次に、決定に基づき、対応する「エッジ画像」ボクセルが設定される。全てのピクセル（ボクセル）を通して反復した後に、結果として「エッジ画像」が生じる。
上述のアルゴリズムは、導入された人工ノイズが存在する多くの種類の反復画像再構成への広範な適用可能性を有することが理解される。例えば、アルゴリズムは、少なくともＣＴ、ＭＲＩ、及び超音波システム、及びＰＥＴ／ＣＴ手法、並びにより一般的には画像再構成処理への適用可能性も有する。
第２の態様の一実施形態によると、解剖学的情報が、外部医療画像データソースから、例えばＣＴデータ、ＭＲＩデータ、又は超音波データから取得される。解剖学的情報は、ステップｅ）で適用される再構成アルゴリズムにおいて、追加の前の項として使用される。したがって、解剖学的情報は、再構成精度を更に向上するために、画像再構成処理に適用されて良い。
任意で、ステップｃ）で、連続確率指標としてのエッジ保存パラメータ情報の生成は、（例えば、式（４）で定めたように）多数のボクセルが特定の論理クラスの中で見付かる確率を表す複数の論理クラスを組み立てることにより実行される。
任意で、ステップｃ）で、連続確率指標としてのエッジ保存パラメータ情報の生成は、（例えば、式（４）で定めたように）多数のボクセルが特定の論理クラスの中で見付かる確率を表す複数の論理クラスを組み立てることにより実行され、ここで、論理クラスの数は算術的に最適なものより少ない。言い換えると、確率分布の可能な範囲がサブサンプリングされる。これは、アルゴリズムの計算の複雑性を低減できる。
第２の態様の一実施形態によると、エッジパターン検出器は、１又は複数のエッジモデルを画像先駆情報λｉに適用する。エッジモデルは、画像先駆情報λｉの中の特徴エッジの存在の可能性を統計的に示すために使用できる、画像ピクセル又はボクセルのサブセットの模範空間分布モデルである基準エッジモデルを有する。
任意で、ステップｂ）は、以下により、エッジパターン情報を生成するステップを更に有する。
ｂ１）１又は複数の２進エッジパターンに基づき、基準エッジパターン情報ｂｅｄｇｅを取得するステップ、及び、
ｂ２）画像先駆情報λｉに基準エッジパターン情報を適用することにより、エッジ検出情報を計算するステップ。
したがって、一般に期待されるエッジパターンの基準エッジパターンが提供されるので、エッジの存在の可能性のより正確な推定が可能である。
第２の態様の一実施形態によると、ステップｂ）は、以下により、エッジパターン情報を生成するステップを更に有する。
ｂ３）エッジ確率指標ｐｅｄｇｅを得るために、エッジパターン情報ｂｅｄｇｅ、差分２進パターン情報ｂｄｉｆｆ、及び符号２進パターン情報ｂｓｉｇｎを結合するステップ。
符号２進パターン情報ｂｓｉｇｎは、画像先駆情報λｉと比較するとき、各近隣ピクセル又はボクセルの正及び負の差分の間を区別する。差分２進パターン情報ｂｄｉｆｆは、近隣ピクセル又はボクセルの中で、差分閾より大きい、中央ピクセル又はボクセルに対する強度差を有するピクセルを区別する。
したがって、エッジの存在の可能性の推定は、多数の異なる論理クラスを分類手順に組み込むことにより、より正確になる。
第２の態様の一実施形態によると、ステップｂ）は、クラス毎にピクセル又はボクセル発生条件を有する複数のクラスを生成するステップを更に有する。複数のクラスのうちの各クラスは、エッジパターン情報ｂｅｄｇｅ、差分２進パターン情報ｂｄｉｆｆ、及び符号２進パターン情報ｂｓｉｇｎのうちの少なくとも２つの一致するビットの論理結合に基づき形成される。
したがって、エッジの存在の可能性の推定は、多数の異なる論理クラスを分類手順に組み込むことにより、より正確になる。
任意で、ステップｂ）は更に以下を有する。
ｂ４）クラス毎のピクセル又はボクセル発生情報を有する複数のクラスを生成するステップであって、複数のクラスのうちの各クラスは、エッジパターン情報ｂｅｄｇｅ、差分２進パターン情報ｂｄｉｆｆ、及び符号２進パターン情報ｂｓｉｇｎの論理結合を有する、ステップ、
ｂ５）複数のクラスのうちの各クラスの確率の和として、エッジ確率指標ｐｅｄｇｅを生成するステップ。
第２の態様の一実施形態によると、ステップｂ）は更に以下は、複数のクラスのうちの各クラスの中のピクセル又はボクセルの数と、各クラスの確率と、に基づきエッジ確率指標ｐｅｄｇｅを生成するステップを更に有する。
したがって、可能なボクセルの論理クラスの様々な組み合わせの確率分布がサンプリングされ、エッジ確率のより正確な指標をもたらす。
任意で、ステップｂ）は更に以下を有する。
ｂ６）クラス毎のピクセル又はボクセル発生情報を有する複数のクラスを生成するステップであって、複数のクラスのうちの各クラスは、エッジパターン情報ｂｅｄｇｅ、差分２進パターン情報ｂｄｉｆｆ、及び符号２進パターン情報ｂｓｉｇｎの論理結合を有する、ステップ、
複数のクラスのうちの各クラスの確率の和として、エッジ確率指標ｐｅｄｇｅを生成するステップ。
第２の態様の一実施形態によると、ステップｂ）は更に以下を有する。
ｂ７）エッジ確率指標ｐｅｄｇｅを用いて、エッジ保存パラメータ情報γを計算するステップ。
したがって、エッジ保存パラメータは、エッジが画像の局所点に存在する可能性に統計的にリンクされた、局所的に変化する連続量である。
第２の態様の一実施形態によると、ステップｂ）は更に以下を有する。
ｂ８）ノイズパターン情報として、複数の基準ノイズパターンを取得するステップ、
ｂ９）複数の基準ノイズパターンをエッジパターン情報ｂｅｄｇｅと結合することにより、エッジ保存パラメータ情報γを生成するステップ。
したがって、画像内のノイズは推定の中でモデル化されるので、エッジ確率のより正確な推定が提供される。
第２の態様の一実施形態によると、ステップｂ）は更に以下を有する。
画像先駆情報λｉの要素について、複数のクラスのうちのそれぞれのクラスＣｉのノイズ確率の積の和としてノイズ確率値ｐｎｏｉｓｅ、及びそれらのノイズ確率、を生成するステップ。
したがって、ノイズモデルは、エッジ確率について使用されたものと同じ論理クラスを用いてサンプリングされる。
第２の態様の一実施形態によると、ステップｂ）は更に以下を有する。
ｂ１０）ピクセル又はボクセル毎に、ノイズの確率に対するエッジの確率の確率比Ｒｉを見付けることにより、エッジ保存パラメータ情報を生成するステップ、
ｂ１１）初期エッジ保存パラメータ情報γ１として合計比Ｒｓｕｍを形成するために、確率比Ｒｉを合計するステップ。
したがって、エッジ保存パラメータ情報は、ノイズ確率に対するエッジ確率の推定を用いて導出される。
第２の態様の一実施形態によると、ステップｂ）は更に以下を有する。
ｂ１２）エッジ保存パラメータ情報γを形成するために、指数関数又はシグモイド関数を用いて、初期エッジ保存パラメータ情報γ１を制限するステップ。
本発明の第１の態様によると、反復画像再構成における人工ノイズ抑制のための装置が提供される。装置は、処理ユニットを有する。
処理ユニットは、画像先駆情報を取得し、（ｉ）エッジパターン検出器を用いて画像先駆情報のエッジパターン情報を、及び（ｉｉ）ノイズパターン情報を、生成し、エッジパターン情報、ノイズパターン情報、及び画像先駆情報に基づき、エッジ保存パラメータ情報を生成するよう構成される。
エッジ保存パラメータ情報は、連続確率指標に基づく。処理ユニットは、正規化関数を生成し、ここで正規化関数はエッジ保存パラメータ情報を用いて局所的に調整され、並びに、画像再構成アルゴリズムを画像先駆情報に適用することにより再構成画像情報を生成するよう構成される。
画像再構成アルゴリズムは、正規化関数Ｒを、画像先駆情報λｉに適用し、したがって、画像先駆情報λｉのノイズ相関特徴が画像先駆情報λｉのエッジ相関特徴より強力にフィルタリングされた再構成画像情報（λｉ＋１）を提供する。
したがって、クラスタ化されたノイズスペックル（最終画像において望ましくない）から生じる画像内の大きな局所的ボクセル差分は除去でき、一方で、同時に、生理学的に重要なエッジ特徴（最終画像において望ましい）を表す小さな局所的ボクセル差分が保存できる。見付かったパターンが一般的特徴（エッジ）モデル及びノイズモデルにどれだけ良好に一致するかを決定するために、統計モデルが使用される。該統計モデルは、画像先駆情報の中の局所的統計的変動も考慮する。エッジ保存パラメータ情報は、例えば１又は複数の確率密度関数からサンプリングできるので、統計モデルの使用は、エッジ保存パラメータ情報が連続関数であることを可能にする。
したがって、クラスタ化されたノイズスペックル及び生理的特徴の間のより正確な区別が可能である。
第１の態様の更なる実施形態は、発明の説明において議論される。
本発明の第３の態様によると、医療撮像システムが提供される。システムは、以下を有する。
−患者撮像構成、
−ディスプレイユニット、
−第１の態様又はその実施形態において定められた、反復画像再構成における人工ノイズ抑制のための装置。
患者撮像構成は、患者の関心領域の画像情報を画像再構成のための装置に提供するよう構成される画像化センサを有する。
ディスプレイユニットは、画像再構成のための装置により出力される再構成画像情報を表示するよう構成される。
したがって、クラスタ化されたノイズスペックル及び生理的特徴の間のより正確な区別を提供する医療撮像システムが提供される。
本発明の第４の態様によると、第１の態様、その実施形態のうちの１つによる画像再構成のための装置を制御するコンピュータプログラムエレメントであって、コンピュータプログラムエレメントが制御ユニットにより実行されると、第２の態様又はその実施形態のうちの１つのステップを実行するよう適応される、コンピュータプログラムエレメントが提供される。
本発明の第５の態様によると、第４の態様によるプログラムエレメントを格納したコンピュータ可読媒体が提供される。
上述の方法のステップは、異なる順序で実行されても良いことに留意する。例えば、医療画像データは、Ｃアーム撮像の方向が受信される前に、Ｃアーム撮像構成の画像検出器から受信されて良い。
本発明の別の態様では、前述の実施形態のうちの１つに従い議論されたように、第２の態様又はその実施形態の方法のステップを適切なシステムで実行するために適応されることにより特徴付けられるコンピュータプログラム又はコンピュータプログラムエレメントが提供される。
コンピュータプログラムエレメントは、したがって、本発明の一実施形態の部分でもあり得るコンピュータユニットに格納されても良い。このコンピューティングユニットは、上述の方法のステップを実行する又は実行を誘起するよう適応されて良い。さらに、上述の装置のコンポーネントを作動するために適応されて良い。コンピューティングユニットは、自動的に作動するよう及び／又はユーザの命令を実行するよう適応できる。コンピュータプログラムは、データプロセッサのワーキングメモリにロードされて良い。データプロセッサは、したがって、第２の態様の方法を実行するよう実装されて良い。
本発明のこの例示的な実施形態は、本発明を最初に使用するよう構成されるコンピュータプログラム、又は例えばソフトウェアアップデートにより既存プログラムから本発明を使用するプログラムに構成されたコンピュータプログラム、の両方を包含する。
コンピュータプログラムエレメントは、したがって、上述の第２の態様に従い要求される手順を満たすために必要な全ての必要ステップを提供できる。
本発明の更なる例示的な実施形態によると、ＣＤ−ＲＯＭのようなコンピュータ可読媒体が提示され、コンピュータ可読媒体は、コンピュータプログラムエレメントを格納され、該コンピュータプログラムエレメントは先行するセクションにより記載された。
コンピュータプログラムは、他のハードウェアと一緒に又はその部分として提供される光記憶媒体又は固体媒体のような適切な媒体に格納され及び／又は分散されて良い。コンピュータ可読媒体は、例えばインターネット又は他の有線又は無線通信システムを介して、他の形式で分散されても良い。
コンピュータプログラムは、ワールドワイドウェブのようなネットワークを介して提示でき、このようなネットワークからデータプロセッサのワーキングメモリにダウンロード可能であり得る。本発明の態様の更なる例示的な実施形態によると、コンピュータプログラムエレメントをダウンロードのために利用可能にする媒体が提供される。該コンピュータプログラムエレメントは、本発明の前述の実施形態のうちの１つによる方法を実行するよう構成される。
留意すべきことに、本発明の実施形態は、異なる主題を参照して記載された。特に、幾つかの実施形態は、方法様式の特徴を参照して記載されたが、他の実施形態は、装置様式の請求項を参照して記載された。当業者は、上述の及び以下の説明から、特に断らない限り、ある種類の主題に属する特徴のいかなる組合せに加えて、異なる主題に関連する特徴の間のいかなる組合せも本願に開示されるものと見なされることを理解する。全ての特徴は結合でき、特徴の単純な和より大きな相乗効果を提供する。
本発明は図面及び上述の説明で詳細に説明されたが、このような図面及び説明は説明及び例であり、本発明を限定するものではない。本発明は開示された実施形態に限定されない。開示された実施形態の他の変形は、図面、詳細な説明、及び従属請求項の中の開示を研究することにより、請求された発明を実施する際に当業者に理解され実施できる。
請求の範囲において、用語「有する（comprising）」は、他の要素又はステップの存在を除外しない。不定冠詞「ａ」又は「ａｎ」は複数を排除しない。単一のプロセッサ又は他のユニットが、請求の範囲に記載された幾つかのアイテムの機能を満たして良い。特定の量が相互に異なる従属請求項に記載されるという事実は、これらの量の組合せが有利に用いることが出来ないことを示すものではない。
請求項中のいかなる参照符号も請求の範囲又は本発明の範囲を制限するものと考えられるべきではない。
任意で、ステップｂ）は、以下により、エッジパターン情報を生成するステップを更に有する。
ｂ１）１又は複数の２進エッジパターンに基づき、基準エッジパターン情報を取得するステップ、及び、
ｂ２）画像先駆情報λｉに基準エッジパターン情報を適用することにより、エッジ検出情報を計算するステップ。
第２の態様の一実施形態によると、ステップｂ）は、以下により、エッジパターン情報を生成するステップを更に有する。
ｂ３）エッジ確率指標ｐｅｄｇｅを得るために、エッジパターン情報、差分２進パターン情報ｂｄｉｆｆ、及び符号２進パターン情報ｂｓｉｇｎを結合するステップ。
第２の態様の一実施形態によると、ステップｂ）は、クラス毎にピクセル又はボクセル発生条件を有する複数のクラスを生成するステップを更に有する。複数のクラスのうちの各クラスは、エッジパターン情報、差分２進パターン情報ｂｄｉｆｆ、及び符号２進パターン情報ｂｓｉｇｎのうちの少なくとも２つの一致するビットの論理結合に基づき形成される。
任意で、ステップｂ）は更に以下を有する。
ｂ４）クラス毎のピクセル又はボクセル発生情報を有する複数のクラスを生成するステップであって、複数のクラスのうちの各クラスは、エッジパターン情報、差分２進パターン情報ｂｄｉｆｆ、及び符号２進パターン情報ｂｓｉｇｎの論理結合を有する、ステップ、
ｂ５）複数のクラスのうちの各クラスの確率の和として、エッジ確率指標ｐｅｄｇｅを生成するステップ。
任意で、ステップｂ）は更に以下を有する。
ｂ６）クラス毎のピクセル又はボクセル発生情報を有する複数のクラスを生成するステップであって、複数のクラスのうちの各クラスは、エッジパターン情報、差分２進パターン情報ｂｄｉｆｆ、及び符号２進パターン情報ｂｓｉｇｎの論理結合を有する、ステップ、
複数のクラスのうちの各クラスの確率の和として、エッジ確率指標ｐｅｄｇｅを生成するステップ。
第２の態様の一実施形態によると、ステップｂ）は更に以下を有する。
ｂ８）ノイズパターン情報として、複数の基準ノイズパターンを取得するステップ、
ｂ９）複数の基準ノイズパターンをエッジパターン情報と結合することにより、エッジ保存パラメータ情報γを生成するステップ。

Claims (15)

  1. 反復画像再構成における人工ノイズ抑制のための装置であって、前記装置は、
    処理ユニットを有し、
    前記処理ユニットは、画像先駆情報を取得し、（ｉ）エッジパターン検出器を用いて前記画像先駆情報のエッジパターン情報と、（ｉｉ）ノイズパターン情報と、を生成し、前記エッジパターン情報、前記ノイズパターン情報、及び前記画像先駆情報に基づきエッジ保存パラメータ情報を生成するよう構成され、
    前記エッジ保存パラメータ情報は、連続確率指標に基づき、
    前記処理ユニットは、前記エッジ保存パラメータ情報を用いて局所的に調整される正規化関数を生成し、画像再構成アルゴリズムを前記画像先駆情報に適用することにより再構成画像情報を生成するよう構成され、
    前記画像再構成アルゴリズムは、前記正規化関数を前記画像先駆情報に適用し、したがって、前記画像先駆情報のノイズ相関特徴が前記画像先駆情報のエッジ相関特徴より強力にフィルタリングされた再構成画像情報を提供する、装置。
  2. 前記エッジパターン検出器は、１又は複数のエッジモデルを前記画像先駆情報に適用するよう構成され、前記エッジモデルは、前記画像先駆情報の中の特徴エッジの存在の可能性を統計的に示すために使用できる画像ピクセル又はボクセルサブセットの模範空間分布モデルである基準エッジモデルを有する、請求項１に記載の装置。
  3. 前記処理ユニットは、
    前記画像先駆情報から符号２進パターン情報を、前記画像先駆情報から差分２進パターン情報を計算することにより前記エッジパターン情報を生成するよう更に構成され、
    前記符号２進パターン情報は、前記画像先駆情報と比べたとき、各近隣ピクセル又はボクセルの正及び負の差分を区別し、前記差分２進パターン情報は、前記近隣ピクセル又はボクセルの中で、差分閾より大きい中央ピクセル又はボクセルに対する強度差を有するピクセル又はボクセルを区別する、請求項１又は２に記載の装置。
  4. 前記処理ユニットは、クラス毎にピクセル又はボクセル発生情報を有する複数のクラスを生成するよう更に構成され、前記複数のクラスのうちの各クラスは、前記エッジパターン情報、前記差分２進パターン情報、及び前記符号２進パターン情報、のうちの少なくとも２つの一致ビットの論理結合に基づき形成される、請求項３に記載の装置。
  5. 前記処理ユニットは、前記複数のクラスのうちの各クラスの中のピクセル又はボクセルの数と、各クラスの前記確率と、に基づきエッジ確率指標を生成するよう更に構成される、請求項４に記載の装置。
  6. 前記処理ユニットは、前記エッジ確率指標を用いて前記エッジ保存パラメータ情報を計算するよう更に構成される、請求項４又は５のいずれか一項に記載の装置。
  7. 前記処理ユニットは、前記ノイズパターン情報として複数の基準ノイズパターンを取得するよう更に構成され、前記エッジ保存パラメータ情報は、前記複数の基準ノイズパターンを前記エッジパターン情報と結合することにより更に生成される、請求項１乃至６のいずれか一項に記載の装置。
  8. 前記処理ユニットは、前記画像先駆情報の要素について、前記複数のクラスのうちのそれぞれのクラスの前記ノイズ確率の積の和としてノイズ確率値、及びそれらのノイズ確率、を生成するよう更に構成される、請求項５に記載の装置。
  9. 前記処理ユニットは、ピクセル又はボクセル毎に、ノイズの確率に対するエッジの確率の確率比を見出すことにより、前記エッジ保存パラメータ情報を生成し、前記確率比を合計して、初期エッジ保存パラメータ情報として合計比を形成するよう更に構成される、請求項８に記載の装置。
  10. 前記処理ユニットは、前記エッジ保存パラメータ情報を形成するために、指数関数又はシグモイド関数を用いて初期エッジ保存パラメータ情報を制限するよう更に構成される、請求項９に記載の装置。
  11. 反復画像再構成における人工ノイズ抑制のための方法であって、
    ａ）画像先駆情報を取得するステップと、
    ｂ）（ｉ）エッジパターン検出器を用いて前記画像先駆情報のエッジパターン情報と、（ｉｉ）ノイズパターン情報と、を生成するステップと、
    ｃ）前記エッジパターン情報、前記ノイズパターン情報、及び前記画像先駆情報に基づきエッジ保存パラメータ情報を生成するステップであって、前記エッジ保存パラメータ情報は、連続確率指標に基づく、ステップと、
    ｄ）正規化関数を生成するステップであって、前記正規化関数は、前記エッジ保存パラメータ情報を用いて局所的に調整されるステップと、
    ｅ）画像再構成アルゴリズムを前記画像先駆情報に適用することにより再構成画像情報を生成するステップであって、前記画像再構成アルゴリズムは、前記正規化関数を前記画像先駆情報に適用し、したがって、前記画像先駆情報のノイズ相関特徴が前記画像先駆情報のエッジ相関特徴より強力にフィルタリングされた再構成画像情報を提供する、ステップと、
    を有する方法。
  12. 前記エッジパターン情報を生成するステップは、１又は複数のエッジモデルを前記画像先駆情報に適用するために前記エッジパターン検出器を使用するステップを更に有し、前記エッジモデルは、前記画像先駆情報の中の特徴エッジの存在の可能性を統計的に示すために使用できる画像ピクセル又はボクセルサブセットの模範空間分布モデルである基準エッジモデルを有する、請求項１１に記載の方法。
  13. 患者撮像構成と、
    ディスプレイユニットと、
    請求項１乃至１０のいずれか一項に記載の画像再構成のための装置と、
    を有し、
    前記患者撮像構成は、患者の関心領域の画像情報を画像再構成のための前記装置に提供するよう構成される撮像センサを有し、
    前記ディスプレイユニットは、画像再構成のための前記装置により出力される再構成画像情報を表示するよう構成される、
    医療撮像システム。
  14. 請求項１乃至１０のいずれか一項に記載の画像再構成のための装置を制御するコンピュータプログラムエレメントであって、前記コンピュータプログラムエレメントが制御ユニットにより実行されると、請求項１１又は１２のいずれか一項に記載のステップを実行するよう適応される、コンピュータプログラムエレメント。
  15. 請求項１４に記載のプログラムエレメントを格納したコンピュータ可読媒体。
JP2018551957A 2016-04-05 2017-04-05 医療画像処理 Active JP6792634B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP16163873 2016-04-05
EP16163873.9 2016-04-05
PCT/EP2017/058060 WO2017174627A1 (en) 2016-04-05 2017-04-05 Medical image processing

Publications (3)

Publication Number Publication Date
JP2019515255A true JP2019515255A (ja) 2019-06-06
JP2019515255A5 JP2019515255A5 (ja) 2020-07-16
JP6792634B2 JP6792634B2 (ja) 2020-11-25

Family

ID=55745569

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018551957A Active JP6792634B2 (ja) 2016-04-05 2017-04-05 医療画像処理

Country Status (5)

Country Link
US (1) US10740877B2 (ja)
EP (1) EP3440625B1 (ja)
JP (1) JP6792634B2 (ja)
CN (1) CN108885786B (ja)
WO (1) WO2017174627A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7159341B2 (ja) * 2018-01-02 2022-10-24 コーニンクレッカ フィリップス エヌ ヴェ 正則化再構成のための学習ベースのボクセル進化
CN110367985B (zh) * 2019-07-18 2023-01-03 惠仁望都医疗设备科技有限公司 一种低场磁共振线扫弥散成像去除黑色条纹的方法
DE102020207210A1 (de) * 2020-06-09 2021-12-09 Siemens Healthcare Gmbh Rekonstruktionsmodul und Verfahren zur Rekonstruktion von medizinischen Bildern
CN118000786A (zh) * 2024-04-10 2024-05-10 之江实验室 一种基于解剖学先验的超声层析成像方法和系统

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7412107B2 (en) * 2004-12-17 2008-08-12 The Regents Of The University Of California, Santa Cruz System and method for robust multi-frame demosaicing and color super-resolution
US8538099B2 (en) 2005-03-23 2013-09-17 General Electric Company Method and system for controlling image reconstruction
US8059905B1 (en) * 2005-06-21 2011-11-15 Picture Code Method and system for thresholding
JP5753791B2 (ja) * 2008-12-25 2015-07-22 メディック ビジョン イメージング ソルーション リミティッド ノイズ除去された所定の解像度の医療画像を提供する方法、所定の解像度のノイズ除去された所定の解像度の医療画像を提供するシステム
DE102009014723B4 (de) * 2009-03-25 2012-10-25 Siemens Aktiengesellschaft Kontrastabhängige Regularisierungsstärke bei der iterativen Rekonstruktion von CT-Bildern
DE102010029281A1 (de) * 2010-05-25 2011-12-01 Siemens Aktiengesellschaft Verfahren und Bildrekonstruktionseinrichtung zur Rekonstruktion von Bilddaten
JP5759159B2 (ja) * 2010-12-15 2015-08-05 富士フイルム株式会社 放射線断層画像生成方法および装置
DE102011106405B4 (de) * 2011-07-02 2021-08-12 Drägerwerk AG & Co. KGaA Elektroimpedanztomographie-Gerät
US8416914B2 (en) * 2011-07-08 2013-04-09 General Electric Company System and method of iterative image reconstruction for computed tomography
US9305379B2 (en) * 2012-01-10 2016-04-05 The Johns Hopkins University Methods and systems for tomographic reconstruction
RU2014143489A (ru) * 2012-03-29 2016-05-27 Конинклейке Филипс Н.В. Итеративная реконструкция изображения с регуляризацией
US9595121B2 (en) 2012-11-02 2017-03-14 General Electric Company Systems and methods for PET penalized-likelihood image reconstruction with spatially varying smoothing parameters
WO2014170780A1 (en) * 2013-04-19 2014-10-23 Koninklijke Philips N.V. Iterative image reconstruction with tissue dependent regularization
US9836824B2 (en) * 2013-04-29 2017-12-05 Koninklijke Philips N.V. De-noised reconstructed image data edge improvement
EP3134867B1 (en) * 2014-04-23 2019-09-11 Koninklijke Philips N.V. Restoration of low contrast structure in de-noise image data
US9524567B1 (en) * 2014-06-22 2016-12-20 InstaRecon Method and system for iterative computed tomography reconstruction
US9225889B1 (en) * 2014-08-18 2015-12-29 Entropix, Inc. Photographic image acquisition device and method

Also Published As

Publication number Publication date
WO2017174627A1 (en) 2017-10-12
EP3440625B1 (en) 2021-06-09
US20190080438A1 (en) 2019-03-14
CN108885786A (zh) 2018-11-23
US10740877B2 (en) 2020-08-11
JP6792634B2 (ja) 2020-11-25
CN108885786B (zh) 2023-07-07
EP3440625A1 (en) 2019-02-13

Similar Documents

Publication Publication Date Title
Kaplan et al. Full-dose PET image estimation from low-dose PET image using deep learning: a pilot study
JP7433883B2 (ja) 医用装置及びプログラム
US11062449B2 (en) Method and system for extracting vasculature
US20200184639A1 (en) Method and apparatus for reconstructing medical images
WO2018023917A1 (zh) 一种下肢血管的提取方法及系统
Sheng et al. Denoised and texture enhanced MVCT to improve soft tissue conspicuity
CN107527341B (zh) 血管造影图像的处理方法和系统
WO2016042466A2 (en) Iterative image reconstruction with a sharpness driven regularization parameter
JP6792634B2 (ja) 医療画像処理
Alam et al. Generalizable cone beam CT esophagus segmentation using physics-based data augmentation
Mirajkar et al. Acute ischemic stroke detection using wavelet based fusion of CT and MRI images
WO2015162519A1 (en) Restoration of low contrast structure in de-noise image data
Dawood et al. The importance of contrast enhancement in medical images analysis and diagnosis
US10993688B2 (en) Method of data processing for computed tomography
Izadi et al. Enhanced direct joint attenuation and scatter correction of whole-body PET images via context-aware deep networks
JP5632920B2 (ja) ボケイメージ内のブラーの特性を決定するシステム及び方法
Leonardi et al. 3D reconstruction from CT-scan volume dataset application to kidney modeling
WO2020086128A1 (en) Activity image reconstruction using anatomy data
CN106875342B (zh) 一种计算机断层图像处理方法和装置
Miandoab et al. Extraction of respiratory signal based on image clustering and intensity parameters at radiotherapy with external beam: A comparative study
Ashfaq et al. A modified fuzzy C means algorithm for shading correction in craniofacial CBCT images
Javale et al. Reconstruction of Greyscale X-Ray for Boundary Analysis of Anatomical Structure
Debus Medical Image Processing
Rudzki Automatic liver vasculature segmentation method using a modified multiscale vesselness filter
Leventić et al. Cardiac CT image enhancement for 3D heart registration and visualization

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20181009

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200402

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200605

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20200605

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20200610

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200616

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200903

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20201013

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20201106

R150 Certificate of patent or registration of utility model

Ref document number: 6792634

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250