JP2020127708A - Ｘ線撮像におけるグリッドアーチファクトの学習に基づく補正 - Google Patents

Abstract

【課題】Ｘ線撮像におけるグリッドアーチファクトの学習に基づく補正方法を提供する。【解決手段】Ｘ線システムは、位置決め装置を構成するＣアーム３と駆動装置と旋回ジョイント５を有し、特にＣアーム３は、検出器２および検出器前方のビーム経路における散乱防止グリッド４を備える。検出器２が多数の異なる位置において位置決めされ、位置決め装置を構成するＣアーム３と旋回ジョイント５は曲げられるおよび／またはねじられる。位置決めされた位置のそれぞれで、少なくとも１つのＸ線画像を撮影し、および、全てのＸ線画像から、Ｘ線システムの機能を訓練するために散乱防止グリッド４によって生成されるアーチファクトを自動学習する。【選択図】図２

Description

本発明は、検出器と、検出器前方のビーム経路に散乱防止グリッドとを有するＸ線システムを操作する方法に関する。さらに、本発明は、対象物画像データを生成するためのコンピュータ実装方法、ならびに検出器と、検出器前方のビーム経路に位置する散乱防止グリッドとを有する（Ｃアーム）Ｘ線システムに関する。

Ｘ線撮像では、一般的に検査対象物に散乱線が発生する。Ｘ線管からの本来の有用放射線は、検出器または画像担体に直接向けられる一方で、散乱線は向けられないか、またはそれから逸れた方向を有する。散乱線は検出器に均等な線量分布を引き起こすことが多い。Ｘ線エネルギーが増加するにつれて、散乱線は一般的に減少する。散乱線の割合は、対象物の厚さが増加するにつれて増加する。画像の質、特に信号／ノイズ比は、散乱線によって低下する。

散乱線の減少は、一般に、検出器の前に配置された集束散乱防止グリッドによって達成される。散乱防止グリッドは散乱線の入射を減少させ、これにより、Ｘ線画像のコントラストを増加させる。そのような散乱防止グリッドは通常、薄い鉛箔片で構成されている。吸収性鉛箔片の間には、通常、アルミニウムまたはセルロースからなるスペーサが存在する。箔片は放射線と平行であるため、散乱線が吸収されながら、向けられた所望の放射線が箔片を透過する。

最近の開発では、例えば、散乱防止グリッドを、例えば縦横比が非常に良好なタングステンから生成するためのレーザ焼結技術を用いる。ここで、縦横比とは、グリッド中のギャップ高に対するギャップ幅の比率であると理解される。この比率は従来１：１０であることが多い。

散乱防止グリッドを使用する際に生じる問題は、画像内のグリッド構造の撮像である。これは、撮像されたグリッド構造が本来の画像情報に重なっていることを意味する。このグリッド構造を補正しなければ、縦横比が非常に良好なこのグリッドの使用は不可能である。

これまで、この問題は、Ｘ線システムを適切に較正しようと試すことによって解決されてきた。これは、検査対象物なしで、散乱防止グリッドとともに適切な撮影が得られ、検査対象物とともに撮影する際には、グリッドの画像が適切に差し引かれることを意味する。このようにして、対象物データ、特に画像上の解剖学的構造は保持される一方で、グリッド構造は縮小または除去される。

このような較正にもかかわらず、例えばＣアームの所定の位置では、再びグリッド構造が見える。これは、Ｃアームが限りなく剛性ではないからである。むしろ、Ｃアームは、三次元空間のそれぞれの位置に依存して、それ自重ために曲げられおよび／またはねじられている。これは、この減算較正後のＣアームの所定の位置では、グリッド構造が見えない一方で、他の位置ではグリッド構造が明確に見えることを意味する。事情に応じて、Ｃアームは、Ｃアームの多数の位置において、Ｘ線源およびＸ線検出器の方向性がある程度変化するように、ねじれたり曲がったりすることがある。これでは、画像中の対応するグリッド構造を十分に除去できない。これに応じて、信号／ノイズ比またはグリッドアーチファクトは破壊構造として認識可能である。

したがって、本発明の課題は、Ｘ線画像における散乱防止グリッドのアーチファクトをより容易に除去するための前提を作成することである。

本発明によれば、この課題は、独立請求項のいずれか一項に記載の方法およびＸ線システムにより解決される。本発明の有利な展開形態は、従属請求項により生じる。

本発明の一態様によれば、位置決め装置と、特に検出器を備えたＣアームおよび検出器前方のビーム経路における散乱防止グリッドと、を有する、Ｘ線システムの機能を訓練するための方法であって、、
検出器を多数の異なる位置において位置決めするステップであって、位置決め装置は曲げられおよび／またはねじられるステップと、
それらの位置のそれぞれで、それぞれ少なくとも１つのＸ線画像を撮影するステップと、
第１学習ステップにおける機能のための全てのＸ線画像から、散乱防止グリッドによって生成されるアーチファクトを自動学習するステップと、
を含むことを特徴とする方法。

したがって、Ｘ線装置の機能は訓練されるべきものであり、ここで訓練とは、Ｘ線システムの初期訓練でもあると理解できる。すなわち、Ｘ線システムは、特にその形状に関して、それ自身の挙動を学習することができる。

Ｘ線システムは、好ましくは、ＣアームＸ線システム、またはロボットアームを有するシステムである。しかしながら、Ｘ線システムは、検出器が散乱防止グリッドを備え、両方の構成要素が検査対象物に対して旋回または移動することができる他の各Ｘ線配置構成を含んでもよい。対応して動く場合、通常、理想的なビーム経路に比べて検出器のわずかながらのずれが常に存在する。これらの多少とも大きなずれは、得られたＸ線画像上の散乱防止グリッドの視認性に影響を及ぼす。

位置決め装置は、好ましくはＣアームまたはロボットアームである。Ｃアームの一端には、通常Ｘ線管があり、Ｃアームの他端には、散乱防止グリッドを有する検出器が位置する。Ｘ線構成要素を備えるこのようなＣアームは、優に数１００キロの重量があるため、Ｃアームを三次元空間に動かすだけで、自重によって曲げやねじりが生じることがすぐにわかる。また、曲げまたはねじりの程度は、位置決め装置やＣアームの剛性に大きく左右される。しかしながら、曲げまたはねじりの程度は特に、位置決め装置や空間内のＣアームの向きに依存する。例えばＣアームが垂直である場合は、位置決め装置またはＣアームが傾いている場合よりも、Ｃアームの曲げが少なくなることがある。

Ｃアームを位置決め装置として使用することができる。この場合、Ｃアームは、異なる位置や方向に動かす駆動ユニットも含んでいる。しかしながら、位置決め装置は、例えば、検出器を適切に配置および／または方向づけるロボットアームであってもよい。

基本的にＸ線装置は、室内の異なる位置に検出器を位置決めすることができる。例えば、ＣアームＸ線装置は、球面の部分に検出器を位置決めまたは配置することができる。これらの位置のそれぞれにおいて、Ｃアームは１つまたは複数の軸を中心に傾斜している。これらの位置のそれぞれにおいて、Ｃアームまたは位置決め装置は、その懸架、重量分布、剛性等に応じて曲げられ、またはねじられる。

ここで、これらの位置のそれぞれにおいて、少なくとも１つのＸ線が撮影される。曲げおよび／またはねじれに応じて、散乱防止グリッドのグリッド構造は、異なる程度で、画像上で認識できる。理想的には、曲げまたはねじりがない場合、散乱防止グリッドは網目構造として認識できる。曲げまたはねじりがより大きい場合、グリッド穴はビーム経路と平行ではなくなるため、グリッド構造の構造要素はより広くなる。この結果、検出器の全ての位置で散乱防止グリッドの画像が異なる。例えば、ＣアームＸ線装置が２つの回転自由度を有し、第１の回転自由度によって３６０°の回転が可能である場合、例えば５°、１０°等のグリッドで撮影を行うことができる。この３６０°の終わりに、Ｃアームは１つのグリッド要素（例えば、５°または１０°も）の周囲を、第２の自由度でさらに回転する。続いて、第１の自由度でグリッドを再度通過させる。ひいては、球面を走査することができる。

多数のＸ線撮影によって、散乱防止グリッドの画像に関連したＸ線システムの幾何学的変化の影響を示すデータセットが利用可能である。このデータセットから、散乱防止グリッドのアーチファクトは、特定の機能のための各位置で学習できる。それぞれ発生したアーチファクトは、画像面上への散乱防止グリッドの垂直投影から生じるものではない、またはそれのみによって生じるものではない画像成分に対応する。これは、例えば、グリッド構造の拡大またはぼやけであり得る。

アーチファクトの学習、または訓練は、必ずしもそれぞれの位置に関係する必要はない。むしろ、画像化された構造が、まさに散乱防止グリッドのグリッド構造であることを、システムが学習すれば十分である。次に、システムは、ビーム経路と平行の理想的な方向性の散乱防止グリッドのみならず、ビーム経路に対して１つまたは複数の方向に傾斜している場合の散乱防止グリッドも認識する。

本発明にかかる方法の有利な実施形態では、検出器をそれぞれ位置決めする際に、Ｘ線システムのそれぞれの装置幾何学データが提供され、これは自動学習のための入力変数として機能する。既に上述したように、この装置幾何学データは全てのケースで利用できる必要はない。しかし、装置幾何学データが利用可能であり、それぞれの画像とともに学習できる場合、Ｘ線システムの機能に対するそれぞれの分類をより確実に行うことができるという利点を有する。

さらに、検出器の異なる位置のそれぞれに、自動学習のために位置決め装置が数回接触することが可能である。同一の位置へ複数回接触することによって、Ｘ線システムの様々な挙動を考慮できるという利点がある。すなわち、グリッド点への最初の進行は、同じグリッド点への２回目の進行とはわずかに異なるアーチファクトを引き起こすことが多いことが示されている。このことは、このグリッド点に複数回接触し、対応するＸ線画像が対応して複数回撮影されると、散乱防止グリッドによって引き起こされる異なるアーチファクトが生成または撮像されることを意味する。複数の撮影によって、アーチファクトを適切に平均化することができる。これにより、それぞれのアーチファクトを正確に認識できる確実性が高まる。

特に、多数のグリッド点の各位置または各グリッド点が、異なる方向から接触することができる。すなわち、曲げおよび／またはねじりは、位置決め装置またはＣアームの以前の動きの履歴にも依存する。すなわち、システムが動きごとに完全に初期状態（非曲げ状態）に戻るわけではない。したがって、曲げやねじりは完全には可逆的ではなく、むしろ、検出器が新しい位置に移動した開始位置に依存する。ここで、散乱防止グリッドを含むシステムまたは検出器の振動も関与している。振動は、典型的には、それぞれの駆動に依存する。特に、例えば、軸周りの駆動は、他の軸周りの駆動同様に、他の振動を生み出すことができる。振動が十分に弱まっていない場合、振動はアーチファクトに対して異なって作用する。

さらに有利な実施形態では、検出器の多数の異なる位置が、Ｘ線システムのシステムに起因する移動空間全体にわたって均一に分布して配置されている。すなわち、グリッド点は検出器が占めることのできる空間に均等に分布している。この時、検出器は理想化されて点として見なすことができる。

さらに、自動学習には、第１の学習ステップに加えて、第１の学習ステップと同じであるが、検出器から散乱防止グリッドが除去された第２の学習ステップを含むことができる。すなわち、第１の学習ステップでは、実際に存在する散乱防止グリッドのアーチファクトを学習し、第２の学習ステップでは、散乱防止グリッドなしで画像がどのように見えるかを学習する。このようにして、システムは散乱防止グリッドの効果をよりよく認識することができるため、最終的にそれらをより良く排除することができる。

この方法の改善形態によると、（可能なかぎり）散乱線を生成しないファントムが、Ｘ線画像撮影時にビーム経路に配置される。ファントムはＸ線を照射する人工物に対応する。すなわち、撮影されたＸ線画像には、散乱防止グリッドの画像だけでなく、ファントムの画像も含まれている。自動学習によって、ファントムの画像構成要素と、散乱防止グリッドの画像構成要素とをより確実に区別することが可能になる。特に、Ｘ線画像は異なる角度から撮影されるため、学習効果が高くなる。

本発明のさらなる態様によれば、仮想訓練データはシミュレーションによって得られ、Ｘ線撮影に加えて自動学習に使用される。これは、信号／雑音比を改善するために、追加の訓練データを迅速かつ安価に提供することができるという利点を有する。実際のＸ線画像は、自動学習または訓練のために、移動空間の所定の領域のみで取得すればよい場合があり、仮想訓練データは対称性のため他の空間部分で使用することができる。必要であれば、装置が老朽化した際に生じ、状況によってアーチファクトの拡大を引き起こす可能性がある、より強い振動もシミュレートすることができる。必要であれば、既に得られているＸ線画像を重ね合わせることで、仮想訓練データも得ることができる。

また、好ましくは、対象物から対象物のＸ線画像が得られ、この対象物のＸ線画像における散乱防止グリッドのアーチファクトが、学習されたアーチファクトによって減少または除去される。すなわち、この自動学習もしくは機械ベースの学習または訓練の出力データは、実際のＸ線撮影におけるアーチファクトを部分的に、または完全に減少させるために使用される。結果として、略散乱防止グリッドのアーチファクトを伴わずに、補正された対象物のＸ線画像が得られる。単純化した場合では、例えば、散乱防止グリッドの（位置固有の）グリッド構造を対象Ｘ線画像で認識し、ソフトウェア技術を用いて対象Ｘ線画像から差し引く。したがって、散乱防止グリッドの位置固有のアーチファクトを持たない対象物のＸ線画像を得ることができる。

本発明によれば、訓練された機能の使用において、位置決め装置と、特に検出器を備えたＣアームおよび検出器前方のビーム経路における散乱防止グリッドと、を有する方法において、
検出器を１つの位置において位置決めするステップであって、位置決め装置は曲げられおよび／またはねじられるステップと、
その位置のそれぞれで、Ｘ線画像を撮影するステップと、
Ｘ線画像で、上述の方法のいずれかに対応して学習されたアーチファクトまたは機能を用いて、散乱防止グリッドによって引き起こされる、位置決め装置が曲げおよび/またはねじれた際に発生するアーチファクトを補正するステップと、
を含むこと特徴とする方法。

本発明のさらなる態様によれば、
対象物のＸ線画像を受信するステップと、
上記方法による機能をＸ線画像に適用して補正対象Ｘ線画像を作成するステップと、
補正対象Ｘ線画像を対象画像データとして提供するステップと、
を有する、対象物画像データを生成するためのコンピュータ実装方法が提供される。

すなわち、本発明にかかる方法は、対象Ｘ線画像が学習機能に応じてアーチファクトに対して補正されるコンピュータ実装方法に関連して実現することができる。

本発明のさらなる態様によれば、
位置決め装置と、
検出器および検出器前方のビーム経路にある散乱防止グリッドを有する撮影装置と、を備えるＸ線システムであって、
検出器および散乱防止グリッドは、位置決め装置に取り付けられ、
位置決め装置を用いて、位置決め装置が位置に応じて曲げられ、および／またはねじられる多数の異なる位置に検出器を配置することができ、
撮影装置を用いて位置のそれぞれに少なくとも１つのＸ線画像を作成することができ、
Ｘ線システムは、第１の学習ステップにおいて、全てのＸ線画像から散乱防止グリッドによって生成されたアーチファクトを自動学習するための計算装置を備えているＸ線システムが提供される。

Ｘ線システムは、例えば、ＣアームＸ線システム、または検出器を異なる位置に配置することができる別のシステムである。これに対し、検出器および散乱防止グリッドが取り付けられている位置決め装置が機能する。位置決め装置は、本発明にかかる方法に関連して、既に上記で詳述されている。Ｘ線システムの撮影装置は、検出器および散乱防止グリッドに加えて、当然ながら対応するＸ線源も含む。自動学習は、例えば１つまたは複数のプロセッサを含むことができる計算装置を用いて実行される。

自動学習または機械学習には、教師あり訓練、半教師あり訓練、強化学習および／または能動学習を含むことができる。さらに、自動学習には、表現学習（英語：「ｆｅａｔｕｒｅ ｌｅａｒｎｉｎｇ」）を含んでもよい。特に、訓練された機能のパラメータは、複数の訓練ステップで反復的に適応させることができる。

特に、訓練された機能は、ニューラルネットワーク、サポートベクトルマシン、ディシジョンツリーおよび／またはベイズネットワークを有することができる。さらに、訓練された機能は、ｋ平均アルゴリズム、Ｑ学習アルゴリズム、遺伝的アルゴリズムおよび／またはアソシエーションルールに基づくことができる。特に、ニューラルネットワークは、ディープニューラルネットワーク、畳み込みニューラルネットワーク（英語：「ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ」）または畳み込みディープニューラルネットワークであってよい。また、ニューラルネットワークは、敵対的ネットワーク（英語：「ａｄｖｅｒｓａｒｉａｌ ｎｅｔｗｏｒｋ」）、敵対的ディープネットワークおよび／または敵対的生成ネットワーク（英語：「ｇｅｎｅｒａｔｉｖｅ ａｄｖｅｒｓａｒｉａｌ ｎｅｔｗｏｒｋ」）であってよい。

本発明にかかる方法に関連して上述した利点および変形例の可能性も、本発明にかかるＸ線システムに準用され、その逆も同様である。

本文書では、本発明にかかる解決方法を、Ｘ線システムおよび対応するＸ線システムの操作方法を参照して記載するが、Ｘ線システム又は対応するＸ線システムを訓練するための方法も参照して記載する。特徴、利点および代替実施形態は、対応する方法、および対応するＸ線システムの両方に互いに適用される。換言すると、訓練のための方法およびシステムに関する請求項は、使用のための方法およびシステムに関連して記載又は請求される特徴を用いて展開することができ、その逆も同様である。

一般的に、訓練された機能は（学習されたアーチファクトに基づいて）認知機能を模倣する。特に、訓練された機能は、新しい状況に順応し、対応するパターンを検出し、推定することができる。

本発明を、添付の図を参照して詳述する。

概略的なプロセスフローを示す。 Ｘ線システムの模式図を示す。

以下に詳細に記載される実施例は、本発明の好ましい実施形態を表す。

図１の実施例は、Ｘ線システムを操作するための本発明にかかる方法の概略的なフローチャートを示す。任意のステップＰＨでは、Ｘ線システムのビーム経路、特にＣアームＸ線システムにファントムを配置する。ファントムは、自然解剖学的構造と類似した形状および構造を有する対象物であり得る。ファントムにＸ線が照射されている場合、ファントムはビーム経路に散乱線を全く、またはほとんど生じさせないことが好ましい。

位置決めステップＰＯＳでは、Ｘ線システムの検出器を空間内の所定位置に配置する。検出器前方のビーム経路に散乱防止グリッドがある。検出器に対向するビーム経路に対応して、Ｘ線源がある。Ｃアームシステムでは、両方のコンポーネントがＣアームに取り付けられているため、Ｘ線源が検出器と共に既知の方法で移動する。

撮影ステップＰＩＣ１では、Ｘ線撮影を行う。続いて、検出器を再配置して、方法が位置決めステップＰＯＳに戻るようにする。これにより、検出器が室内に再配置される。

続いて、検出器のこの新しい位置で再度Ｘ線撮影を行う。これらのステップＰＯＳおよびＰＩＣ１は、検出器の所定の移動空間内の全てのグリッド点が１回または複数回撮影されるまで繰り返される。検出器または撮影システムの全移動空間に、グリッド点が設けられることが好ましい。例えば、グリッド点は、全移動空間にわたる均一なグリッド上に位置することができる。グリッド点は、例えば、撮影システムがそれぞれ一定の角度量のみ第１の軸の周りを離散的に動き、同様の方法で第２の垂直軸の周りを離散的に動くことによって定義できる。システムは、例えば、１つのグリッド点から次のグリッド点に５°または１０°（または別の角度の値）移動することができる。

散乱防止グリッドを含む検出器の全ての位置または方向において、Ｘ線システムのシステムまたは位置決め装置は、特徴的な方法でねじられ、または曲げられる。このような曲げまたはねじりがわずかで、ほとんど認識できなくても、検出器上の散乱防止グリッドの画像に重要な役割を果たしている場合がある。曲げおよびねじりの程度は、検出器または画像システム全体のそれぞれの位置決めに依存するため、撮像中に生じるアーチファクトも、それに応じて検出器の位置決めに依存する。

システムによって、検出器は異なる方法で配置される。ＣアームＸ線システムでは、１つまたは複数の球面上に粗い固定移動経路が設定されている。ロボットベースのＸ線システムでは、検出器は、例えば、第１の軸を中心に直線的にシフトし、１つまたは複数の軸を中心に旋回する。この場合、例えば、検出器の位置はＸ線源の位置とは完全に独立に設定できる。ロボットベースのＸ線システムは、底部または天井に取り付けることができる。

これに関係なく、検出器の全ての位置決めおよび方向づけの際に、システム、例えばロボットアームの内在的な曲げまたはねじりが生じる。

これらのシステムに起因する曲げとねじりは、再現しない場合が多く、または非常に再現しづらい。第１の位置では、システムは第１の方法で曲げられる。システムを第２の位置に置く場合、システムは第１の方法に依存する第２の方法で曲げられ、ねじられる。これは、位置を変えても必ずしも同じ開始位置に戻るとは限らないためである。第３の位置から開始すると、第２の位置では第１の位置から始める場合とは異なる曲げまたはねじりが生じる。

自動学習ステップまたは機械学習ステップＭＬでは、Ｘ線システムの機能のために撮影された多数のＸ線画像から、散乱防止グリッドによって引き起こされるアーチファクトが学習される。状況によっては、位置決めステップＰＯＳから場合によって提供され得る位置データも考慮に入れることが有益であろう。すなわち、このシステムは、可能な位置の多くまたは全てにおいて、散乱防止グリッドによって引き起こされるアーチファクトを学習する。場合によって、移動履歴、特に現在の検出器位置の前の検出器の位置も学習時に学習する。例えば、現在のＸ線画像、現在の位置および以前の位置は、１つの学習ステップでリンクされる。

システムを訓練するための訓練データ量を増やすために、追加の仮想訓練画像を生成できる。このような仮想訓練画像は、シミュレーションステップＳＩＭにおけるシミュレーションによって得ることができる。このようにして、これらの仮想訓練画像は、対応するシミュレーションを用いて、仮想散乱防止グリッドによって得ることができる。これにより、訓練データの基礎を拡大することができ、ひいては学習の質を改善することができる。

散乱防止グリッド除去の更なる方法ステップＳＳＲにおいて、散乱防止グリッドは、Ｘ線源とＸ線検出器との間のビーム経路から取り除くことができる。これにより、散乱防止グリッドから生じるアーチファクトのないＸ線を得ることができる。場合によって、Ｘ線画像上にファントムの透視画像のみが残る。学習システムは、これらの画像を参照して、ファントムの構造と散乱防止グリッドの構造との違いを学習できる。散乱防止グリッドを取り除いた後、位置決めステップＰＯＳでの方法を継続し、散乱防止グリッドを使用する前と同じＸ線画像を得る。

ここで、機械学習ＭＬは、アーチファクトを含む散乱防止グリッドを示す画像、散乱防止グリッドなしで撮影された画像、および場合によっては、ＳＩＭシミュレーションからの仮想訓練画像を用いて行われる。このようにして学習したシステム、またはこのようにして学んだ機能は、実際の作動に利用できるようになっている。このために、さらなる撮影ステップＰＩＣ２では、検査対象物、例えば人体の一部の対象物のＸ線画像が得られる。画像は、散乱防止グリッドを用いて生成された。画像処理ステップＲＥＢＡでは、同様に散乱防止グリッドに起因する位置依存のアーチファクトを含む散乱防止グリッドのグリッド構造が、学習機能によって対象物のＸ線画像から減少または除去される。場合によって、検出器位置または撮影装置の位置の現在の位置データもまた、この目的のために使用できる。この位置データは、当然ながら、検出器または撮影装置の方向性に関する計算情報を含むことができる。

図２は、Ｘ線システムの実施例を概略的に示す。この場合では、ＣアームＸ線システムである。Ｃアーム３の対向するアームにＸ線源１と検出器２とを有する。Ｘ線源１と検出器２との間のビーム経路には、検出器２上に直接散乱防止グリッド４がある。Ｘ線源１は、検出器２と、場合によっては使用される散乱防止グリッド４と共に、撮影装置を形成する。Ｃアーム３は、場合によって、Ｃアーム３のための回転ジョイントまたは旋回ジョイント５および対応する駆動装置と共に、撮影装置１、２、４のための位置決め装置を形成する。対応する制御装置および画像処理装置、または対応する計算装置は、装置本体６に収容することができる。

Ｘ線源１および取り外し可能な散乱防止グリッド４を有する検出器２は、代替的に、ロボットアームのような他の保持装置によって保持され、位置決めされてもよい。ここでも、位置決めには方向性も含められることを再度強調するべきである。

Ｘ線源１と検出器２との間のビーム経路には、ファントム７または実際に検査する対象物がある。この対象物は一般に散乱線を発生し、散乱防止グリッドは理想的にはビーム経路と並んでいるため、Ｘ線源１および検出器２が理想的に方向づけられると、散乱線は散乱防止グリッド４によって大部分が排除される。その後、検出器上では散乱防止グリッド４の鮮明な画像が得られ、これは単純なサブトラクションによって容易に除去できる。しかし、Ｃアーム３が傾くと、または回転すると、Ｃアーム３の一方のアームがＣアーム３の他方のアームとはわずかに異なって曲げられ、またはねじられる可能性がある。この場合、Ｘ線画像のグリッド構造上に追加のアーチファクトが生じる。これらは、検出器２または撮影装置の全ての可能な位置におけるアーチファクトを「知る」学習システムの助けによって除去できる。ここで、学習したシステムは、Ｘ線画像から本来のグリッド構造も除去できる。

具体例では、グリッド構造を学習し、場合によってアーチファクトを除去するために、学習ベースの方法が、製造時またはユーザにおけるいわゆる「キャリブレーション・ラン」に基づいて適用される。

このシステムは、例えば、２つの学習ステップＡおよびＢで訓練される。学習ステップＡは、以下のように構成されている。
ａ）散乱防止グリッドを挿入する。
ｂ）可能な移動軌跡の全空間を十分な精度（例えば、５または１０°のステップ幅）で走査する。
ｃ）走査点ごとに放射線がトリガされ、結果画像が保存される。
ｄ）加えてこの点のシステム構造も保存できる。
ｅ）選択肢として、解剖学的ファントムをビーム経路に配置できる。

学習ステップＢは、以下のように構成されている。
ｆ）グリッドが取り外されている。
ｇ）可能な移動軌跡の全空間を十分な精度（例えば、５または１０°のステップ幅）で走査する。
ｈ）走査点ごとに放射線がトリガされ、結果画像が保存される。
ｉ）加えて、この点のシステム構造も保存できる。
ｊ）選択肢として、解剖学的ファントムをビーム経路に配置できる。

学習ステップＡおよびＢからのデータは、学習ベースの方法を訓練するため、学習ベースの方法に使用される。必要であれば、監視された訓練、半監視された訓練、監視されていない訓練等を通して訓練を行う。これには、ニューラルネットワーク、サポートベクトルマシン等を用いることができる。そして、アーチファクトを含むグリッド構造を排除するために、適用には訓練されたネットワークまたは訓練された機能が使用される。

学習に基づく方法を適用することにより、補正に画像の正確な知識は必要ではない。各変更は、新たに分析的に検出する必要はなく、新しい較正ランで解決することができる。

Claims (13)

1. 位置決め装置（３、５）と、特に検出器（２）および前記検出器（２）の前方のビーム経路内の散乱防止グリッド（４）を備えたＣアーム（３）と、を有する、Ｘ線システムの機能を訓練するための方法であって、
   前記検出器（２）を多数の異なる位置において位置決め（ＰＯＳ）するステップであって、前記位置決め装置（３、５）が曲げられるおよび／またはねじられるステップと、
   前記位置のそれぞれで、それぞれ少なくとも１つのＸ線画像を撮影（ＰＩＣ１）するステップと、
   第１学習ステップにおける機能のための全てのＸ線画像から、前記散乱防止グリッド（４）によって生成されるアーチファクトを自動学習（ＭＬ）するステップと、
   を含むことを特徴とする方法。
2. 前記検出器（２）をそれぞれ位置決め（ＰＯＳ）するステップの際に、前記Ｘ線システムのそれぞれの装置の幾何学的データが提供され、これが前記自動学習（ＭＬ）するステップのための入力変数として機能する、請求項１に記載の方法。
3. 前記検出器（２）の前記異なる位置のそれぞれに、前記自動学習（ＭＬ）するステップのために前記位置決め装置（３、５）が数回接触する、請求項１または２に記載の方法。
4. 各位置が、異なる方向から接触される、請求項３に記載の方法。
5. 前記検出器（２）の前記多数の異なる位置が、前記Ｘ線システムのシステムに起因する移動空間全体にわたって均一に分布して配置されている、請求項１から４のいずれか１項に記載の方法。
6. 前記自動学習（ＭＬ）するステップが、前記第１の学習ステップに加えて、前記第１の学習ステップと同じであるが、前記検出器（２）から前記散乱防止グリッド（４）が取り外され、前記ビーム経路から除去（ＳＳＲ）される第２の学習ステップを含む、請求項１から５のいずれか１項に記載の方法。
7. 前記散乱線を生成しないファントム（７）が、前記Ｘ線画像撮影時にビーム経路に配置される、請求項１から６のいずれか１項に記載の方法。
8. シミュレーション（ＳＩＭ）によって仮想訓練画像を得ることができ、前記Ｘ線画像に加えて、前記自動学習（ＭＬ）するステップで使用される、請求項１から７のいずれか１項に記載の方法。
9. 対象物から対象物のＸ線画像が得られ（ＰＣ２）、この対象物のＸ線画像における前記散乱線線グリッド（４）のアーチファクトが、訓練された機能を用いて減少または除去される、請求項１から８のいずれか１項に記載の方法。
10. 位置決め装置（３、５）と、特に検出器（２）および前記検出器（２）の前方のビーム経路内の散乱防止グリッド（４）を備えたＣアーム（３）と、を有するＸ線システムの作動方法であって、
    前記検出器（２）を１つの位置において位置決めするステップであって、前記位置決め装置（３、５）が曲げられるおよび／またはねじられるステップと、
    前記位置で、Ｘ線画像を撮影（ＰＩＣ１）するステップと、
    Ｘ線画像で、請求項１から９のいずれか１項に対応して学習されたアーチファクトを用いて、前記散乱防止グリッド（４）によって引き起こされる、前記位置決め装置（３、５）が曲げられおよび/またはねじられた際に発生するアーチファクトを補正（ＲＥＤＡ）するステップと、
    を有することを特徴とする方法。
11. 対象物のＸ線画像を受信するステップと、
    請求項９に記載の方法による機能を前記対象物のＸ線画像に適用して補正された対象物のＸ線画像を作成するステップと、
    前記補正された対象物のＸ線画像を対象物画像データとして提供するステップと、
    を含む、対象物の画像データを生成するためのコンピュータ実装方法。
12. 位置決め装置（３、５）と、
    検出器（２）、および、前記検出器（２）前方のビーム経路内の散乱防止グリッド（４）を有する撮影装置（１，２，４）と、を備え、
    前記検出器（２）および前記散乱防止グリッド（４）は、前記位置決め装置（３、５）に取り付けられている、Ｘ線システムであって、
    前記位置決め装置（３、５）を用いて、前記位置決め装置（３、５）が位置に応じて曲げられおよび／またはねじられる複数の異なる位置に前記検出器（２）を位置決めすることができ、
    前記撮影装置（１、２、４）を用いて、前記位置のそれぞれに少なくとも１つのＸ線画像を作成することができ、
    前記Ｘ線システムは、第１の学習ステップにおいて、全てのＸ線画像から前記散乱防止グリッドによって生成されたアーチファクトを自動学習するための計算装置を備えている、
    Ｘ線システム。
13. ＣアームＸ線システム、またはロボットアームベースのＸ線システムとして構成されている、請求項１２に記載のＸ線システム。