JP2020128882A - 画像処理装置および画像処理方法 - Google Patents
画像処理装置および画像処理方法 Download PDFInfo
- Publication number
- JP2020128882A JP2020128882A JP2019020467A JP2019020467A JP2020128882A JP 2020128882 A JP2020128882 A JP 2020128882A JP 2019020467 A JP2019020467 A JP 2019020467A JP 2019020467 A JP2019020467 A JP 2019020467A JP 2020128882 A JP2020128882 A JP 2020128882A
- Authority
- JP
- Japan
- Prior art keywords
- image
- tomographic image
- tomographic
- creating
- output
- 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
Links
- 238000012545 processing Methods 0.000 title claims abstract description 87
- 238000003672 processing method Methods 0.000 title claims description 12
- 230000005855 radiation Effects 0.000 claims abstract description 40
- 238000003325 tomography Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims description 49
- 238000000034 method Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 34
- 230000000052 comparative effect Effects 0.000 description 22
- 238000002600 positron emission tomography Methods 0.000 description 18
- 210000004884 grey matter Anatomy 0.000 description 11
- 210000004885 white matter Anatomy 0.000 description 11
- 238000004088 simulation Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002603 single-photon emission computed tomography Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 230000005442 electron-positron pair Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- AOYNUTHNTBLRMT-SLPGGIOYSA-N 2-deoxy-2-fluoro-aldehydo-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](F)C=O AOYNUTHNTBLRMT-SLPGGIOYSA-N 0.000 description 1
- 241000282693 Cercopithecidae Species 0.000 description 1
- 241000282560 Macaca mulatta Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008827 biological function Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003446 ligand Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/29—Measurement performed on radiation beams, e.g. position or section of the beam; Measurement of spatial distribution of radiation
- G01T1/2914—Measurement of spatial distribution of radiation
- G01T1/2985—In depth localisation, e.g. using positron emitters; Tomographic imaging (longitudinal and transverse section imaging; apparatus for radiation diagnosis sequentially in different planes, steroscopic radiation diagnosis)
-
- 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
-
- 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
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/412—Dynamic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/441—AI-based methods, deep learning or artificial neural networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
- Nuclear Medicine (AREA)
- Image Analysis (AREA)
Abstract
【課題】放射線断層撮影装置により収集されたリストデータに基づいて高性能にノイズ除去された断層画像を作成することができる装置を提供する。【解決手段】画像処理装置１０は、第１画像作成部１１、第２画像作成部１２及びＣＮＮ処理部１３を備える。第１画像作成部１１は、リストデータのうち第ｍフレームに含まれるデータ群を用いて第ｍフレームの第１断層画像Ｄｍを作成する。第２画像作成部１２は、リストデータのうち第１画像作成部１１において第１断層画像Ｄｍを作成する際に用いたデータ群より多いデータ数のデータ群を用いて第２断層画像Ｓｍを作成する。ＣＮＮ処理部１３は、ＣＮＮに第２断層画像Ｓｍを入力させてＣＮＮから出力断層画像Ｏｍを出力させ、出力断層画像Ｏｍと第１断層画像Ｄｍとの比較に基づいてＣＮＮを学習させ、学習動作を繰り返し行って学習の度に出力断層画像Ｏｍを生成する。【選択図】図１
Description
本発明は、放射線断層撮影装置により収集されたリストデータに基づいてノイズ除去処理後の断層画像を作成する装置および方法に関するものである。
被検体（生体）の断層画像を取得することができる放射線断層撮影装置として、ＰＥＴ（Positron Emission Tomography）装置およびＳＰＥＣＴ（Single Photon Emission Computed Tomography）装置が挙げられる。
ＰＥＴ装置は、被検体が置かれる測定空間の周囲に配列された多数の小型の放射線検出器を有する検出部を備えている。ＰＥＴ装置は、陽電子放出アイソトープ（ＲＩ線源）が投入された被検体内における電子・陽電子の対消滅に伴って発生するエネルギ５１１ｋｅＶの光子対を検出部により同時計数法で検出し、この同時計数情報を収集する。そして、この収集した多数の同時計数情報に基づいて、測定空間における光子対の発生頻度の空間分布（すなわち、ＲＩ線源の空間分布）を表す断層画像を再構成することができる。このとき、ＰＥＴ装置により収集された同時計数情報を時系列に並べたリストデータを収集順に複数のフレームに分割し、そのリストデータのうち各フレームに含まれるデータ群を用いて画像再構成処理を行うことで、複数のフレームの断層画像からなる動態ＰＥＴ画像を得ることができる。このＰＥＴ装置は核医学分野等で重要な役割を果たしており、これを用いて例えば生体機能や脳の高次機能の研究を行うことができる。
このようにして再構成された断層画像は、ノイズを多く含んでいるので、画像フィルタによるノイズ除去処理が必要である。ノイズ除去の為に用いられる画像フィルタとしては、ガウシアン・フィルタ（Gaussian Filter）およびガイディド・フィルタ（Guided Filter）が挙げられる。従来からガウシアン・フィルタが用いられている。これに対して、ガイディド・フィルタは、近年になって開発されたものであって、ガウシアン・フィルタと比べると画像中の濃淡の境界をよく保存することができるという特徴がある。
特許文献１および非特許文献１，２には、ガイディド・フィルタにより動態ＰＥＴ画像のノイズを除去する技術が記載されている。特許文献１および非特許文献１に記載された技術は、ガイディド・フィルタによるノイズ除去処理に際して、複数のフレームの断層画像からなる動態ＰＥＴ画像を積算して得られる画像をガイダンス画像として用いている。また、非特許文献２に記載された技術は、より適切なガイダンス画像を用いることで、より効果的なノイズ除去を可能としている。
非特許文献３には、深層ニューラルネットワーク（ＤＮＮ: Deep Neural Network）の一種である畳み込みニューラルネットワーク（ＣＮＮ: Convolutional Neural Network）を用いた Deep Image Prior技術（非特許文献４）によりＰＥＴ画像のノイズを除去する技術が記載されている。
Lijun Lu, et al. "DynamicPET Denoising Incorporating a Composite Image Guided Filter," IEEE NuclearScience Symposium and Medical Imaging Conference (NSS/MIC), 2014.
F. Hashimoto, et al. "Denoising of Dynamic Sinogram by Image Guided Filteringfor Positron Emission Tomography," IEEE Transactionson Radiation and Plasma Medical Sciences, Vol.2, No.6, November2018.
Kuang Gong, et al. "PET Image Reconstruction Using Deep Image Prior," IEEE Transactions on Medical Imaging, December 2018.
Dmitry Ulyanov, et al. "DeepImage Prior," arXiv preprint arXiv:1711.10925 (2017).
特許文献１および非特許文献１〜３に記載された技術によるＰＥＴ画像に対するノイズ除去処理は、ガウシアン・フィルタを用いる場合と比べるとノイズ除去性能が優れている。しかし、ＰＥＴ画像およびＳＰＥＣＴ画像に対して更なるノイズ除去性能の向上が望まれている。
本発明は、上記問題点を解消する為になされたものであり、放射線断層撮影装置により収集されたリストデータに基づいて高性能にノイズ除去された断層画像を作成することができる装置および方法を提供することを目的とする。
本発明の画像処理装置は、放射線断層撮影装置により収集されたリストデータに基づいてノイズ除去処理後の断層画像を作成するための装置であって、(1) リストデータを収集順に複数のフレームに分割し、複数のフレームそれぞれについてリストデータのうち該フレームに含まれるデータ群を用いて再構成処理を行って該フレームの第１断層画像を作成する第１画像作成部と、(2) リストデータのうち第１画像作成部において各フレームの第１断層画像を作成する際に用いたデータ群より多いデータ数のデータ群を用いて再構成処理を行って第２断層画像を作成する第２画像作成部と、(3) 複数のフレームそれぞれについて、畳み込みニューラルネットワークに第２断層画像を入力させて畳み込みニューラルネットワークから出力断層画像を出力させ、この出力断層画像と第１断層画像との比較に基づいて畳み込みニューラルネットワークを学習させることを繰り返して、複数の出力断層画像を生成するＣＮＮ処理部と、を備える。
本発明の画像処理装置は、複数のフレームそれぞれについて複数の出力断層画像のうちから何れかの出力断層画像をノイズ除去処理後の断層画像として選択する画像選択部を更に備えるのが好適である。この画像選択部は、複数のフレームそれぞれについて出力断層画像と第１断層画像との比較に基づいて複数の出力断層画像のうちから何れかの出力断層画像を選択するのが好適である。
本発明の画像処理装置においては、第２画像作成部は、各フレームの第１断層画像に対応する第２断層画像を作成する際に、第１画像作成部において該フレームの第１断層画像を作成する際に用いたデータ群を含むデータ群を用いるのが好適である。第２画像作成部は、各フレームの第１断層画像に対応する第２断層画像を作成する際に、第１画像作成部において該フレームの第１断層画像を作成する際に用いたデータ群の前後のデータ群を用いるのも好適である。
本発明の放射線断層撮影システムは、被検体の断層画像を再構成するためのリストデータを収集する放射線断層撮影装置と、放射線断層撮影装置により収集されたリストデータに基づいてノイズ除去処理後の断層画像を作成する上記の本発明の画像処理装置と、を備える。
本発明の画像処理方法は、放射線断層撮影装置により収集されたリストデータに基づいてノイズ除去処理後の断層画像を作成するための方法であって、(1) リストデータを収集順に複数のフレームに分割し、複数のフレームそれぞれについてリストデータのうち該フレームに含まれるデータ群を用いて再構成処理を行って該フレームの第１断層画像を作成する第１画像作成ステップと、(2) リストデータのうち第１画像作成ステップにおいて各フレームの第１断層画像を作成する際に用いたデータ群より多いデータ数のデータ群を用いて再構成処理を行って第２断層画像を作成する第２画像作成ステップと、(3) 複数のフレームそれぞれについて、畳み込みニューラルネットワークに第２断層画像を入力させて畳み込みニューラルネットワークから出力断層画像を出力させ、この出力断層画像と第１断層画像との比較に基づいて畳み込みニューラルネットワークを学習させることを繰り返して、複数の出力断層画像を生成するＣＮＮ処理ステップと、を備える。
本発明の画像処理方法は、複数のフレームそれぞれについて複数の出力断層画像のうちから何れかの出力断層画像をノイズ除去処理後の断層画像として選択する画像選択ステップを更に備えるのが好適である。この画像選択ステップにおいて、複数のフレームそれぞれについて出力断層画像と第１断層画像との比較に基づいて複数の出力断層画像のうちから何れかの出力断層画像を選択するのが好適である。
本発明の画像処理方法は、第２画像作成ステップにおいて、各フレームの第１断層画像に対応する第２断層画像を作成する際に、第１画像作成ステップにおいて該フレームの第１断層画像を作成する際に用いたデータ群を含むデータ群を用いるのが好適である。第２画像作成ステップにおいて、各フレームの第１断層画像に対応する第２断層画像を作成する際に、第１画像作成ステップにおいて該フレームの第１断層画像を作成する際に用いたデータ群の前後のデータ群を用いるのも好適である。
本発明によれば、放射線断層撮影装置により収集されたリストデータに基づいて高性能にノイズ除去された断層画像を作成することができる。
以下、添付図面を参照して、本発明を実施するための形態を詳細に説明する。なお、図面の説明において同一の要素には同一の符号を付し、重複する説明を省略する。本発明は、これらの例示に限定されるものではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。
図１は、放射線断層撮影システム１の構成を示す図である。放射線断層撮影システム１は、放射線断層撮影装置２および画像処理装置１０を備える。画像処理装置１０は、第１画像作成部１１、第２画像作成部１２、ＣＮＮ処理部１３、画像選択部１４および記憶部１５を備える。画像処理装置１０として、ＣＰＵ、ＲＡＭ、ＲＯＭおよびハードディスクドライブ等を有するコンピュータが用いられる。また、画像処理装置１０は、操作者の入力を受け付ける入力部（例えばキーボードやマウス）を備え、画像等を表示する表示部（例えば液晶ディスプレイ）を備える。
放射線断層撮影装置２は、被検体の断層画像を再構成するためのリストデータを収集する装置である。放射線断層撮影装置２として、ＰＥＴ装置およびＳＰＥＣＴ装置が挙げられる。以下では、放射線断層撮影装置２がＰＥＴ装置であるとして説明をする。
放射線断層撮影装置２は、被検体が置かれる測定空間の周囲に配列された多数の小型の放射線検出器を有する検出部を備えている。放射線断層撮影装置２は、陽電子放出アイソトープ（ＲＩ線源）が投入された被検体内における電子・陽電子の対消滅に伴って発生するエネルギ５１１ｋｅＶの光子対を検出部により同時計数法で検出し、この同時計数情報を蓄積する。そして、放射線断層撮影装置２は、この蓄積した多数の同時計数情報を時系列に並べたものをリストデータとして画像処理装置１０へ出力する。
リストデータは、光子対を同時計数した１対の放射線検出器の識別情報および検出時刻情報を含む。リストデータは、さらに、各放射線検出器が検出した光子のエネルギ情報、および、１対の放射線検出器の検出時間差情報をも含んでいてもよい。
画像処理装置１０は、リストデータに基づいて断層画像を再構成する。リストデータに基づいて断層画像を再構成する技術としては、ＭＬ-ＥＭ（maximum likelihood expectationmaximization）法、および、これを改良したブロック反復法による逐次近似的画像再構成技術が知られている。また、ブロック反復法による逐次近似的画像再構成技術としては、ＯＳＥＭ（ordered subset ＭＬ-ＥＭ）法、ＲＡＭＬＡ（row-action maximum likelihood algorithm）法およびＤＲＡＭＡ（dynamic ＲＡＭＬＡ）法などが知られている。また、画像処理装置１０は、畳み込みニューラルネットワーク（ＣＮＮ）を用いてノイズ除去処理後の断層画像を作成する。
第１画像作成部１１は、リストデータを収集順に複数のフレーム（第１〜第Ｍのフレーム）に分割し、複数のフレームそれぞれについて、リストデータのうち第ｍフレームに含まれるデータ群を用いて再構成処理を行って、第ｍフレームの第１断層画像Ｄｍを作成する。第１断層画像Ｄ１〜ＤＭは、動態ＰＥＴ画像である。
第２画像作成部１２は、リストデータのうち第１画像作成部１１において第ｍフレームの第１断層画像Ｄｍを作成する際に用いたデータ群より多いデータ数のデータ群を用いて再構成処理を行って第２断層画像Ｓｍを作成する。第２断層画像Ｓｍは静態ＰＥＴ画像であってよい。第２断層画像は、フレーム毎に作成されてもよいが、全フレームに対して共通に作成されてもよく、また、幾つかのフレームに対して共通に作成されてもよい。
第１画像作成部１１および第２画像作成部１２は、共通のものであってもよいし、別個に設けられてもよい。
ＣＮＮ処理部１３は、図２に示されるように、第１〜第Ｍのフレームそれぞれについて、ＣＮＮに第２断層画像Ｓｍを入力させて、ＣＮＮから出力断層画像Ｏｍを出力させる。ＣＮＮ処理部１３は、この出力断層画像Ｏｍと第１断層画像Ｄｍとを比較し、その比較結果に基づいてＣＮＮを学習させる。ＣＮＮ処理部１３は、この学習動作を繰り返し行い、学習の度に出力断層画像Ｏｍ,ｎを生成する。出力断層画像Ｏｍ,ｎは、第ｍフレームについて第１断層画像Ｄｍおよび第２断層画像Ｓｍを用いたＣＮＮの(ｎ−１)回の学習の後にＣＮＮから出力された出力断層画像である。出力断層画像Ｏｍ,０は、一度も学習を行っていない状態でＣＮＮから出力された出力断層画像である。
画像選択部１４は、第１〜第Ｍのフレームそれぞれについて、複数の出力断層画像Ｏｍ,１〜Ｏｍ,Ｎのうちから何れかの出力断層画像を、ノイズ除去処理後の断層画像として選択する。好適には、画像選択部１４は、出力断層画像Ｏｍ,ｎと第２断層画像Ｓｍとの比較に基づいて、複数の出力断層画像Ｏｍ,１〜Ｏｍ,Ｎのうちから何れかの出力断層画像を選択する。例えば、出力断層画像Ｏｍ,ｎと第２断層画像Ｓｍとの間の誤差が最小となる出力断層画像を選択してもよいし、出力断層画像Ｏｍ,ｎと第２断層画像Ｓｍとの間の誤差が閾値以下となる１または２以上の出力断層画像のうちから何れかの出力断層画像を選択してもよい。なお、医師や技師などが、複数の出力断層画像Ｏｍ,１〜Ｏｍ,Ｎのうちから何れかの出力断層画像を選択してもよい。
記憶部１５は、リストデータを記憶し、各フレームの第１断層画像Ｄｍおよび第２断層画像Ｓｍを記憶する。また、記憶部１５は、各フレームの複数の出力断層画像Ｏｍ,１〜Ｏｍ,Ｎを記憶し、これらのうちから選択された出力断層画像を記憶する。
図３は、画像処理方法を説明するフローチャートである。この画像処理方法は、放射線断層撮影装置２により収集されたリストデータを取得するリストデータ取得ステップＳ１０と、第１画像作成部１１が行う第１画像作成ステップＳ１１と、第２画像作成部１２が行う第２画像作成ステップＳ１２と、ＣＮＮ処理部１３が行うＣＮＮ処理ステップＳ１３と、画像選択部１４が行う画像選択ステップＳ１４と、を備える。
リストデータ取得ステップＳ１０では、放射線断層撮影装置２により収集されたリストデータを取得する。第１画像作成ステップＳ１１では、リストデータを収集順に複数のフレーム（第１〜第Ｍのフレーム）に分割し、複数のフレームそれぞれについて、リストデータのうち第ｍフレームに含まれるデータ群を用いて再構成処理を行って、第ｍフレームの第１断層画像Ｄｍを作成する。第２画像作成ステップＳ１２では、リストデータのうち第１画像作成部１１において第ｍフレームの第１断層画像Ｄｍを作成する際に用いたデータ群より多いデータ数のデータ群を用いて再構成処理を行って第２断層画像Ｓｍを作成する。第１画像作成ステップＳ１１および第２画像作成ステップＳ１２は、任意の順に行われてもよいし、並列的に行なわれてもよい。
ＣＮＮ処理ステップＳ１３では、第１〜第Ｍのフレームそれぞれについて、ＣＮＮに第２断層画像Ｓｍを入力させて、ＣＮＮから出力断層画像Ｏｍを出力させる。この出力断層画像Ｏｍと第１断層画像Ｄｍとの比較に基づいてＣＮＮを学習させる。そして、この学習動作を繰り返して行い、学習の度に出力断層画像Ｏｍ,ｎを生成する。画像選択ステップＳ１４では、第１〜第Ｍのフレームそれぞれについて、複数の出力断層画像Ｏｍ,１〜Ｏｍ,Ｎのうちから何れかの出力断層画像を、ノイズ除去処理後の断層画像として選択する。
図４は、ＣＮＮ処理部１３の動作およびＣＮＮ処理ステップＳ１３を説明するフローチャートである。この例では、第１〜第Ｍのフレームそれぞれについて、ＣＮＮをＮ回繰り返して学習させてＮ個の出力断層画像Ｏｍ,１〜Ｏｍ,Ｎを保存する。出力断層画像Ｏｍ,ｎを得る度に該出力断層画像Ｏｍ,ｎと第２断層画像Ｓｍとを比較して、両者間の誤差が所定の閾値以下となった時点でＣＮＮ処理ステップＳ１３を終了して、最後に得られた出力断層画像をノイズ除去処理後の断層画像としてもよい。
図５は、リストデータ、フレーム、第１断層画像Ｄｍおよび第２断層画像Ｓｍを説明する図である。この図において横軸はリストデータを収集した時間を表し、その時間軸が複数のフレームに分割されている。第ｍフレームの第１断層画像Ｄｍは、リストデータのうち第ｍフレームに含まれるデータ群を用いて再構成された断層画像である。第ｍフレームの第１断層画像Ｄｍに対応する第２断層画像Ｓｍは、リストデータのうち第ｍフレームに含まれるデータ群より多いデータ数のデータ群を用いて再構成された断層画像である。
第ｍフレームの第１断層画像Ｄｍに対応する第２断層画像Ｓｍは、第ｍフレームのデータ群の２倍以上のデータ数のデータ群を用いて作成されるのが好適である。第ｍフレームの第１断層画像Ｄｍに対応する第２断層画像Ｓｍは、第ｍフレームのデータ群を含むデータ群を用いて作成されてもよいし、第ｍフレームのデータ群の前後のデータ群を用いて作成されてもよい。
図６は、ＲＩ線源が投入された被検体における同時計数情報の取得頻度の時間変化を示すグラフである。一般に、ＲＩ線源が投入された被検体内における電子・陽電子の対消滅の頻度（同時計数情報の取得頻度）は、図６に示されるように、ＲＩ線源投入直後から時間の経過とともに次第に高くなっていき、やがて或る時刻Ｔｐでピークに達し、そのピークの後は緩やかに次第に低くなっていく。このことから、ＲＩ線源投入直後から同時計数情報の取得の頻度が高い期間においては各フレームの期間は相対的に短く設定され、その後の同時計数情報の取得の頻度が緩やかに低くなっていく期間においては各フレームの期間は相対的に長く設定される。また、ＲＩ線源投入直後から同時計数情報の取得の頻度がピークに達するまでの期間（時刻Ｔｐ以前）と、そのピークの後の期間（時刻Ｔｐ以降）とでは、断層画像が大きく相違していることが知られている。
そこで、第ｍフレームが図６において時刻Ｔｐ以前（血流依存領域）である場合には、第ｍフレームの第１断層画像Ｄｍに対応する第２断層画像Ｓｍは、リストデータのうち時刻Ｔｐ以前のデータ群を用いて作成されるのが好適である。第ｍフレームが図６において時刻Ｔｐ以降（ＰＥＴリガンド動態依存領域）である場合には、第ｍフレームの第１断層画像Ｄｍに対応する第２断層画像Ｓｍは、リストデータのうち時刻Ｔｐ以降のデータ群を用いて作成されるのが好適である。第ｍフレームの第１断層画像Ｄｍに対応する第２断層画像Ｓｍは、リストデータの全体を用いて作成されてもよい。
第２画像作成部１２（第２画像作成ステップＳ１２）において、第ｍフレームの第１断層画像Ｄｍに対応する第２断層画像Ｓｍは、第２断層画像Ｓｍの最大画素値が第１断層画像Ｄｍの最大画素値と等しくなるよう正規化を行って作成されるのが好適である。すなわち、下記（１）式で表される正規化第２断層画像Ｓ'ｍを用いるのが好適である。MaxＤｍは、第ｍフレームの第１断層画像Ｄｍの最大画素値である。MaxＳｍは、第ｍフレームの第１断層画像Ｄｍに対応する第２断層画像Ｓｍの最大画素値である。
次に、シミュレーション結果について説明する。図７は、シミュレーション方法を説明する図である。先ず数値ファントム（図７（ａ））を用意した。この数値ファントムは、18Ｆ-ＦＤＧ（フルオロデオキシグルコース）を投入したサルの脳の断層画像を模擬したものである。この数値ファントムには、脳の白質部（white matter、ＷＭ）および灰白質部（gray matter、ＧＭ）が含まれている。図８は、シミュレーションにおいて用いた白質部（ＷＭ）および灰白質部（ＧＭ）それぞれのアクティビティの時間変化のモデルを示すグラフである。アクティビティの時間変化（ＴＡＣ： Time-Activity Curve）は、一般に、ＲＩ線源投入直後から時間の経過とともに次第に高くなっていき、やがて或る時刻でピークに達し、そのピークの後は緩やかに次第に低くなっていく。総カウント数（同時計数情報の数）を１５００万とした。
この数値ファントムに基づいて各フレームのサイノグラム（図７（ｂ））を作成した。サイノグラムは、放射線断層撮影装置２の放射線検出器の対ごとに同時計数情報をヒストグラム化したものである。第１〜第４のフレームの各期間を２０秒（小計８０秒）とし、第５〜第８のフレームの各期間を４０秒（小計１６０秒）とし、第９〜第１２のフレームの各期間を６０秒（小計２４０秒）とし、第１３〜第１６のフレームの各期間を１８０秒（小計７２０秒）とし、第１７〜第３０のフレームの各期間を６００秒（小計４２００秒）として、全体のリストデータの収集時間を５４００秒（＝９０分）とした。
各フレームのサイノグラムに対して、該フレームのカウント数に応じたポアソンノイズを与えて、ノイズ付加サイノグラム（図７（ｃ））を作成した。このノイズ付加サイノグラムに基づいてＭＬ-ＥＭ法により再構成画像（図７（ｄ））を作成した。ＭＬ-ＥＭ法における反復回数は４０回であった。
図９は、数値ファントム画像を示す図である。図１０は、第６フレームの第１断層画像を示す図である。図１１は、図１０の第１断層画像に対して比較例１のノイズ除去処理をして得られた画像を示す図である。比較例１のノイズ除去処理は、ガウシアン・フィルタによる処理である。図１２は、図１０の第１断層画像に対して比較例２のノイズ除去処理をして得られた画像を示す図である。比較例２のノイズ除去処理は、非特許文献２に記載された処理である。図１３は、図１０の第１断層画像に対して本実施形態のＣＮＮ処理をして選択された出力断層画像を示す図である。ここでは、リストデータの全体を用いて作成された正規化第２断層画像Ｓ'ｍを用いた。これらの図の対比から分かるように、比較例１，２のノイズ除去処理と比べて、本実施形態のノイズ除去処理では、画像中の濃淡の境界がよく保存された上でノイズがよく除去されており、しかも、処理画像の不自然さが低減されている。
図１４は、シミュレーションにおいて得られた比較例１、比較例２および本実施形態それぞれの場合の再構成画像のＰＳＮＲの時間変化を示すグラフである。ＰＳＮＲ（Peak Signal to Noise Ratio）は、画像の品質をデシベル（ｄＢ）で表したものであり、値が高いほど良好な画質であることを意味する。図１５は、シミュレーションにおいて得られた比較例１、比較例２および本実施形態それぞれの場合の再構成画像のＳＳＩＭの時間変化を示すグラフである。ＳＳＩＭ（Structural Similarity Index）は、画像の輝度およびコントラストならびに構造の変化を定量化する指標であり、値が高いほど良好な画質であることを意味する。ＰＳＮＲおよびＳＳＩＭの何れの指標も、比較例１，２のノイズ除去処理と比べて本実施形態のノイズ除去処理の場合の方が性能が優れていることを示している。他のフレームについても、本実施形態のノイズ除去処理の場合の方が性能が優れている。
次に、実施例について説明する。実施例では、被検体として、18Ｆ-ＦＤＧを投入したアカゲサルの脳を用いた。ＰＥＴ装置として、浜松ホトニクス株式会社製の動物用ＰＥＴ装置（ＳＨＲ-３８０００）を用いた。トランスミッション計測を３０分間に亘って行い、また、エミッション計測を９０分間に亘って行って、トランスミッション計測結果に基づいてエミッション計測結果に対して吸収補正を行った。リストデータを第１〜第３０のフレームに分割した。各フレームの再構成画像をＤＲＡＭＡ法により作成した。
図１６は、リストデータの全体を用いて作成された第２断層画像を示す図である。図１７は、第６フレームの第１断層画像を示す図である。図１８は、図１７の第１断層画像に対して比較例１のノイズ除去処理をして得られた画像を示す図である。図１９は、図１７の第１断層画像に対して比較例２のノイズ除去処理をして得られた画像を示す図である。図２０〜図２３は、図１７の第１断層画像に対し実施例のＣＮＮ処理をして選択された出力断層画像を示す図である。図２０は、ｎ＝３０の場合の出力断層画像を示す。図２１は、ｎ＝１００の場合の出力断層画像を示す。図２２は、ｎ＝２００の場合の出力断層画像を示す。図２３は、ｎ＝３００の場合の出力断層画像を示す。
この実施例からも、比較例１，２のノイズ除去処理と比べて本実施例のノイズ除去処理の場合の方が性能が優れていることが分かる。また、本実施例の出力断層画像を示す図２０〜図２３のうち図２２の出力断層画像（ｎ＝１００）が、最も自然な画像であり、図１６の第２断層画像との誤差が近い。すなわち、学習回数ｎを適切に選択することで、より自然な出力断層画像を取得することが可能であることが分かる。
図２４は、白質（ＷＭ）におけるＴＡＣを示す図である。図２５は、灰白質（ＧＭ）におけるＴＡＣを示す図である。白質および灰白質の何れにおいても、比較例１，２のノイズ除去処理と比べて本実施例のノイズ除去処理の場合の方が、ＴＡＣが時間的に緩やかに変化している。このことからも、本実施形態のノイズ除去処理の場合の方が性能が優れていることが分かる。このＴＡＣを用いることで統計解析やモデル解析を行うことができ、ＴＡＣの時間的変動が大きいと定量値に大きな誤差が生じる場合がある。
本発明は、上記実施形態に限定されるものではなく、種々の変形が可能である。例えば、放射線断層撮影装置２は、上記の実施形態ではＰＥＴ装置であるとしたが、ＳＰＥＣＴ装置であってもよい。
１…放射線断層撮影システム、２…放射線断層撮影装置、１０…画像処理装置、１１…第１画像作成部、１２…第２画像作成部、１３…ＣＮＮ処理部、１４…画像選択部、１５…記憶部。
Claims (11)
- 放射線断層撮影装置により収集されたリストデータに基づいてノイズ除去処理後の断層画像を作成するための装置であって、
前記リストデータを収集順に複数のフレームに分割し、前記複数のフレームそれぞれについて前記リストデータのうち該フレームに含まれるデータ群を用いて再構成処理を行って該フレームの第１断層画像を作成する第１画像作成部と、
前記リストデータのうち前記第１画像作成部において各フレームの第１断層画像を作成する際に用いたデータ群より多いデータ数のデータ群を用いて再構成処理を行って第２断層画像を作成する第２画像作成部と、
前記複数のフレームそれぞれについて、畳み込みニューラルネットワークに前記第２断層画像を入力させて前記畳み込みニューラルネットワークから出力断層画像を出力させ、この出力断層画像と前記第１断層画像との比較に基づいて前記畳み込みニューラルネットワークを学習させることを繰り返して、複数の出力断層画像を生成するＣＮＮ処理部と、
を備える画像処理装置。 - 前記複数のフレームそれぞれについて前記複数の出力断層画像のうちから何れかの出力断層画像をノイズ除去処理後の断層画像として選択する画像選択部を更に備える、
請求項１に記載の画像処理装置。 - 前記画像選択部は、前記複数のフレームそれぞれについて前記出力断層画像と前記第１断層画像との比較に基づいて前記複数の出力断層画像のうちから何れかの出力断層画像を選択する、
請求項２に記載の画像処理装置。 - 前記第２画像作成部は、各フレームの第１断層画像に対応する第２断層画像を作成する際に、前記第１画像作成部において該フレームの第１断層画像を作成する際に用いたデータ群を含むデータ群を用いる、
請求項１〜３の何れか１項に記載の画像処理装置。 - 前記第２画像作成部は、各フレームの第１断層画像に対応する第２断層画像を作成する際に、前記第１画像作成部において該フレームの第１断層画像を作成する際に用いたデータ群の前後のデータ群を用いる、
請求項１〜４の何れか１項に記載の画像処理装置。 - 被検体の断層画像を再構成するためのリストデータを収集する放射線断層撮影装置と、
前記放射線断層撮影装置により収集されたリストデータに基づいてノイズ除去処理後の断層画像を作成する請求項１〜５の何れか１項に記載の画像処理装置と、
を備える放射線断層撮影システム。 - 放射線断層撮影装置により収集されたリストデータに基づいてノイズ除去処理後の断層画像を作成するための方法であって、
前記リストデータを収集順に複数のフレームに分割し、前記複数のフレームそれぞれについて前記リストデータのうち該フレームに含まれるデータ群を用いて再構成処理を行って該フレームの第１断層画像を作成する第１画像作成ステップと、
前記リストデータのうち前記第１画像作成ステップにおいて各フレームの第１断層画像を作成する際に用いたデータ群より多いデータ数のデータ群を用いて再構成処理を行って第２断層画像を作成する第２画像作成ステップと、
前記複数のフレームそれぞれについて、畳み込みニューラルネットワークに前記第２断層画像を入力させて前記畳み込みニューラルネットワークから出力断層画像を出力させ、この出力断層画像と前記第１断層画像との比較に基づいて前記畳み込みニューラルネットワークを学習させることを繰り返して、複数の出力断層画像を生成するＣＮＮ処理ステップと、
を備える画像処理方法。 - 前記複数のフレームそれぞれについて前記複数の出力断層画像のうちから何れかの出力断層画像をノイズ除去処理後の断層画像として選択する画像選択ステップを更に備える、
請求項７に記載の画像処理方法。 - 前記画像選択ステップにおいて、前記複数のフレームそれぞれについて前記出力断層画像と前記第１断層画像との比較に基づいて前記複数の出力断層画像のうちから何れかの出力断層画像を選択する、
請求項８に記載の画像処理方法。 - 前記第２画像作成ステップにおいて、各フレームの第１断層画像に対応する第２断層画像を作成する際に、前記第１画像作成ステップにおいて該フレームの第１断層画像を作成する際に用いたデータ群を含むデータ群を用いる、
請求項７〜９の何れか１項に記載の画像処理方法。 - 前記第２画像作成ステップにおいて、各フレームの第１断層画像に対応する第２断層画像を作成する際に、前記第１画像作成ステップにおいて該フレームの第１断層画像を作成する際に用いたデータ群の前後のデータ群を用いる、
請求項７〜１０の何れか１項に記載の画像処理方法。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019020467A JP7237624B2 (ja) | 2019-02-07 | 2019-02-07 | 画像処理装置および画像処理方法 |
| PCT/JP2020/003268 WO2020162296A1 (ja) | 2019-02-07 | 2020-01-29 | 画像処理装置および画像処理方法 |
| US17/428,693 US11893660B2 (en) | 2019-02-07 | 2020-01-29 | Image processing device and image processing method |
| EP20752373.9A EP3923033A4 (en) | 2019-02-07 | 2020-01-29 | IMAGE PROCESSING DEVICE AND IMAGE PROCESSING METHOD |
| CN202080012799.XA CN113454489B (zh) | 2019-02-07 | 2020-01-29 | 图像处理装置和图像处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019020467A JP7237624B2 (ja) | 2019-02-07 | 2019-02-07 | 画像処理装置および画像処理方法 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2020128882A true JP2020128882A (ja) | 2020-08-27 |
| JP2020128882A5 JP2020128882A5 (ja) | 2022-02-15 |
| JP7237624B2 JP7237624B2 (ja) | 2023-03-13 |
Family
ID=71947437
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019020467A Active JP7237624B2 (ja) | 2019-02-07 | 2019-02-07 | 画像処理装置および画像処理方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11893660B2 (ja) |
| EP (1) | EP3923033A4 (ja) |
| JP (1) | JP7237624B2 (ja) |
| CN (1) | CN113454489B (ja) |
| WO (1) | WO2020162296A1 (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230088130A (ko) * | 2021-12-10 | 2023-06-19 | 광주과학기술원 | Ste 및 최적 중단시점 자동 결정 알고리즘을 적용한 dip를 사용하여 노이즈 이미지를 디노이징하는 방법 및 장치 |
| WO2023121206A1 (ko) * | 2021-12-22 | 2023-06-29 | 이화여자대학교 산학협력단 | 신경망을 이용하여 영상의 노이즈를 저감하기 위한 학습 및 복원 방법과 이를 수행하는 컴퓨팅 장치 |
| WO2023149403A1 (ja) * | 2022-02-02 | 2023-08-10 | 浜松ホトニクス株式会社 | 画像処理装置および画像処理方法 |
| WO2023228910A1 (ja) * | 2022-05-26 | 2023-11-30 | 浜松ホトニクス株式会社 | 画像処理装置および画像処理方法 |
| WO2023234171A1 (ja) * | 2022-05-31 | 2023-12-07 | 浜松ホトニクス株式会社 | 画像処理装置および画像処理方法 |
| WO2024075570A1 (ja) * | 2022-10-05 | 2024-04-11 | 浜松ホトニクス株式会社 | 画像処理装置および画像処理方法 |
| JP7562223B2 (ja) | 2020-11-17 | 2024-10-07 | キヤノンメディカルシステムズ株式会社 | 核医学診断装置および核医学データ処理装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170039738A1 (en) * | 2004-01-13 | 2017-02-09 | Spectrum Dynamics Llc | Gating with anatomically varying durations |
| US20180018757A1 (en) * | 2016-07-13 | 2018-01-18 | Kenji Suzuki | Transforming projection data in tomography by means of machine learning |
| JP2018110866A (ja) * | 2017-01-13 | 2018-07-19 | キヤノンメディカルシステムズ株式会社 | 医用画像生成装置及び医用画像生成方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955899A (zh) | 2014-05-02 | 2014-07-30 | 南方医科大学 | 基于组合图像引导的动态pet图像去噪方法 |
| WO2018048507A1 (en) * | 2016-09-06 | 2018-03-15 | Han Xiao | Neural network for generating synthetic medical images |
| RU2667879C1 (ru) * | 2017-05-30 | 2018-09-24 | Общество с ограниченной ответственностью "Аби Продакшн" | Обработка и анализ данных на изображениях компьютерной томографии |
| EP3698269A4 (en) * | 2017-11-22 | 2020-12-09 | Zhejiang Dahua Technology Co., Ltd. | IMAGE PROCESSING METHOD AND SYSTEM |
| WO2019161043A1 (en) * | 2018-02-15 | 2019-08-22 | GE Precision Healthcare LLC | System and method for synthesizing magnetic resonance images |
| JP7262933B2 (ja) | 2018-05-25 | 2023-04-24 | キヤノンメディカルシステムズ株式会社 | 医用情報処理システム、医用情報処理装置、放射線診断装置、超音波診断装置、学習用データの生産方法及びプログラム |
| US10685445B2 (en) * | 2018-06-09 | 2020-06-16 | Uih-Rt Us Llc | Systems and methods for generating augmented segmented image set |
| CN109166161B (zh) | 2018-07-04 | 2023-06-30 | 东南大学 | 一种基于噪声伪影抑制卷积神经网络的低剂量ct图像处理系统 |
| CN109009179B (zh) | 2018-08-02 | 2020-09-18 | 浙江大学 | 基于深度置信网络的相同同位素标记双示踪剂pet分离方法 |
| US10991092B2 (en) * | 2018-08-13 | 2021-04-27 | Siemens Healthcare Gmbh | Magnetic resonance imaging quality classification based on deep machine-learning to account for less training data |
| US11446008B2 (en) * | 2018-08-17 | 2022-09-20 | Tokitae Llc | Automated ultrasound video interpretation of a body part with one or more convolutional neural networks |
| CN109272472B (zh) | 2018-10-15 | 2022-07-15 | 天津大学 | 面向医用能谱ct图像的噪声及伪影消除方法 |
| US11222447B2 (en) * | 2020-05-06 | 2022-01-11 | Siemens Medical Solutions Usa, Inc. | Inter-frame motion correction in whole-body direct parametric image reconstruction |
-
2019
- 2019-02-07 JP JP2019020467A patent/JP7237624B2/ja active Active
-
2020
- 2020-01-29 WO PCT/JP2020/003268 patent/WO2020162296A1/ja unknown
- 2020-01-29 EP EP20752373.9A patent/EP3923033A4/en active Pending
- 2020-01-29 CN CN202080012799.XA patent/CN113454489B/zh active Active
- 2020-01-29 US US17/428,693 patent/US11893660B2/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170039738A1 (en) * | 2004-01-13 | 2017-02-09 | Spectrum Dynamics Llc | Gating with anatomically varying durations |
| US20180018757A1 (en) * | 2016-07-13 | 2018-01-18 | Kenji Suzuki | Transforming projection data in tomography by means of machine learning |
| JP2018110866A (ja) * | 2017-01-13 | 2018-07-19 | キヤノンメディカルシステムズ株式会社 | 医用画像生成装置及び医用画像生成方法 |
Non-Patent Citations (1)
| Title |
|---|
| 大手 希望 他: "畳み込みニューラルネットワークによるＰＥＴ画像ノイズ除去", MADICAL IMAGING TECHNOLOGY, vol. 37, no. 1, JPN6023003630, 25 January 2019 (2019-01-25), pages 35 - 45, ISSN: 0004976757 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7562223B2 (ja) | 2020-11-17 | 2024-10-07 | キヤノンメディカルシステムズ株式会社 | 核医学診断装置および核医学データ処理装置 |
| KR20230088130A (ko) * | 2021-12-10 | 2023-06-19 | 광주과학기술원 | Ste 및 최적 중단시점 자동 결정 알고리즘을 적용한 dip를 사용하여 노이즈 이미지를 디노이징하는 방법 및 장치 |
| KR102561613B1 (ko) | 2021-12-10 | 2023-08-01 | 광주과학기술원 | Ste 및 최적 중단시점 자동 결정 알고리즘을 적용한 dip를 사용하여 노이즈 이미지를 디노이징하는 방법 및 장치 |
| WO2023121206A1 (ko) * | 2021-12-22 | 2023-06-29 | 이화여자대학교 산학협력단 | 신경망을 이용하여 영상의 노이즈를 저감하기 위한 학습 및 복원 방법과 이를 수행하는 컴퓨팅 장치 |
| WO2023149403A1 (ja) * | 2022-02-02 | 2023-08-10 | 浜松ホトニクス株式会社 | 画像処理装置および画像処理方法 |
| WO2023228910A1 (ja) * | 2022-05-26 | 2023-11-30 | 浜松ホトニクス株式会社 | 画像処理装置および画像処理方法 |
| WO2023234171A1 (ja) * | 2022-05-31 | 2023-12-07 | 浜松ホトニクス株式会社 | 画像処理装置および画像処理方法 |
| WO2024075570A1 (ja) * | 2022-10-05 | 2024-04-11 | 浜松ホトニクス株式会社 | 画像処理装置および画像処理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20220114772A1 (en) | 2022-04-14 |
| WO2020162296A1 (ja) | 2020-08-13 |
| EP3923033A1 (en) | 2021-12-15 |
| EP3923033A4 (en) | 2022-11-16 |
| US11893660B2 (en) | 2024-02-06 |
| CN113454489B (zh) | 2024-07-26 |
| CN113454489A (zh) | 2021-09-28 |
| JP7237624B2 (ja) | 2023-03-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020162296A1 (ja) | 画像処理装置および画像処理方法 | |
| CN110097611B (zh) | 图像重建方法、装置、设备及存储介质 | |
| US11610346B2 (en) | Image reconstruction using machine learning regularizers | |
| CN109035169B (zh) | 一种无监督/半监督ct图像重建深度网络训练方法 | |
| US7949172B2 (en) | Iterative image processing | |
| JP2011509697A (ja) | 画像解析 | |
| US20230102661A1 (en) | Image processing device and image processing method | |
| CN114494479A (zh) | 利用神经网络对低剂量pet图像进行同时衰减校正、散射校正和去噪声的系统和方法 | |
| US11270479B2 (en) | Optimization-based reconstruction with an image-total-variation constraint in PET | |
| CN105488824B (zh) | 一种重建pet图像的方法和装置 | |
| Kudo et al. | Metal artifact reduction in CT using fault-tolerant image reconstruction | |
| Nauwynck et al. | Ring artifact reduction in sinogram space using deep learning | |
| JP6974159B2 (ja) | 画像処理装置および画像処理方法 | |
| KR101493683B1 (ko) | 콘-빔 기반 반응선 재구성을 이용한 초고해상도 ｐｅｔ 영상 재구성 장치 및 그 방법 | |
| Pawitan et al. | Data-dependent bandwidth selection for emission computed tomography reconstruction | |
| JP6495615B2 (ja) | 画像処理装置および画像処理方法 | |
| JP6986961B2 (ja) | 画像処理装置および画像処理方法 | |
| WO2023149403A1 (ja) | 画像処理装置および画像処理方法 | |
| Liang et al. | A model-based deep learning reconstruction for X-Ray CT | |
| WO2023228910A1 (ja) | 画像処理装置および画像処理方法 | |
| EP3889881A1 (en) | Method, device and system for generating a denoised medical image | |
| Sheng et al. | A fast image reconstruction algorithm based on penalized-likelihood estimate | |
| JP2019113475A (ja) | 画像処理装置および画像処理方法 | |
| Bian et al. | Dynamic PET image reconstruction using a spatial-temporal edge-preserving prior |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220204 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220204 |
|
| 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: 20230131 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230301 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7237624 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |