JP2020168353A - 医用装置及びプログラム - Google Patents

医用装置及びプログラム Download PDF

Info

Publication number
JP2020168353A
JP2020168353A JP2019230422A JP2019230422A JP2020168353A JP 2020168353 A JP2020168353 A JP 2020168353A JP 2019230422 A JP2019230422 A JP 2019230422A JP 2019230422 A JP2019230422 A JP 2019230422A JP 2020168353 A JP2020168353 A JP 2020168353A
Authority
JP
Japan
Prior art keywords
filter
data
synogram
neural network
network
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
JP2019230422A
Other languages
English (en)
Other versions
JP7432356B2 (ja
Inventor
チェン リー ツ
Tzu-Cheng Lee
チェン リー ツ
ジョウ ジエン
Jian Zhou
ジョウ ジエン
ユウ ジョウ
Zhou Yu
ユウ ジョウ
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.)
Canon Medical Systems Corp
Original Assignee
Canon Medical Systems Corp
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 Canon Medical Systems Corp filed Critical Canon Medical Systems Corp
Publication of JP2020168353A publication Critical patent/JP2020168353A/ja
Application granted granted Critical
Publication of JP7432356B2 publication Critical patent/JP7432356B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16—Measuring radiation intensity
    • G01T1/161—Applications in the field of nuclear medicine, e.g. in vivo counting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16—Measuring radiation intensity
    • G01T1/17—Circuit arrangements not adapted to a particular type of detector
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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]
    • 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
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Optics & Photonics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Nuclear Medicine (AREA)
  • Image Processing (AREA)

Abstract

【課題】医用画像の画質を向上させること。【解決手段】実施形態の医用装置は、放射線強度を示す放射線データを取得し、フィルタの畳み込みカーネルの形状関数を定義する前記フィルタのパラメータを決定するためにトレーニングされた重み付け係数を有するニューラルネットワークを取得し、前記放射線データを前記ニューラルネットワークに適用することで前記ニューラルネットワークから出力された前記放射線データに基づくパラメータを取得し、前記ニューラルネットワークから出力されたパラメータによって規定される前記フィルタを適用することにより前記放射線データをフィルタリングして、フィルタリングされた放射線データを生成する回路を備える。【選択図】図１

Description

本発明の実施形態は、医用装置及びプログラムに関する。
医療イメージングは、患者の体内構成部の画像を生成する。医療イメージングのモダリティの一例には、Ｘ線撮影、Ｘ線断層撮影（Ｘ−ｒａｙ Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ：ＣＴ）、ポジトロン断層撮影（Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ：ＰＥＴ）、単一光子放射断層撮影（Ｓｉｎｇｌｅ−ｐｈｏｔｏｎ Ｅｍｉｓｓｉｏｎ ＣＴ：ＳＰＥＣＴ）、蛍光透視法、ならびに血管造影法がある。画像が生成されると、医師はその画像を用いて患者の怪我や病気を診断することができる。
Ｘ線ＣＴシステムおよび方法は広く用いられており、特に、医療イメージングおよび診断に広く用いられている。ＣＴシステムは、一般的に、対象の体全体の一つ以上の断面スライスの画像を生成する。Ｘ線源などの放射線源は、体を片側から照射する。体の反対側にある少なくとも一つの検出器が体内を通過した放射線を受信する。検出器から受信された電気信号を処理することにより、体内を通過した放射線の減衰が測定される。
Ｘ線ＣＴは、癌、心臓および脳のイメージングにおける広範囲な臨床的応用を見出している。ＣＴが、例えば癌スクリーニングおよび小児イメージングを含む多様な応用により用いられるにつれ、臨床ＣＴスキャンの放射線量を減らして合理的に達成可能な限り低くすることが推進されている。低線量ＣＴでは、高量子ノイズが課題となるスキャン形状などの多くの要因により画質を悪化させることがある。
低線量ＣＴの画質を向上させるために多くの最先端技術が開発されているが、更にノイズを抑制して低Ｘ線量で臨床画質を生成するためのより良い方法（より高速で、強固で、および／または向上したノイズ抑制）が求められている。ＣＴ以外の他のモダリティについても同様に、画質を向上させるためのより良い方法が求められている。
米国特許出願公開第２０１８／００１８７５７号明細書 国際公開第２０１７／２２３５６０号 欧州特許第３４４７７３１号明細書
Ｍｕｈａｍｍａｄ Ｕｓｍａｎ Ｇｈａｎｉ，ｅｔ ａｌ．"Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ｂａｓｅｄ Ｓｉｎｏｇｒａｍ Ｃｏｒｒｅｃｔｉｏｎ ｆｏｒ Ｍｅｔａｌ Ａｒｔｉｆａｃｔ Ｒｅｄｕｃｔｉｏｎ"，Ｓｏｃｉｅｔｙ ｆｏｒ Ｉｍａｇｉｎｇ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２０１８，ｐａｇｅｓ：４７２−１ ｔｏ ４７２−８
本発明が解決しようとする課題は、医用画像の画質を向上させることである。
実施形態の医用装置は、放射線強度を示す放射線データを取得し、フィルタの畳み込みカーネルの形状関数を定義する前記フィルタのパラメータを決定するためにトレーニングされた重み付け係数を有するニューラルネットワークを取得し、前記放射線データを前記ニューラルネットワークに適用することで前記ニューラルネットワークから出力された前記放射線データに基づくパラメータを取得し、前記ニューラルネットワークから出力されたパラメータによって規定される前記フィルタを適用することにより前記放射線データをフィルタリングして、フィルタリングされた放射線データを生成する回路を備える。
図１は、一実例に係る、深層学習（ＤＬ）ネットワークをトレーニングし、ＤＬネットワークを用いて投影ドメインの断層撮影（ＣＴ）データをノイズ除去し、ノイズ除去されたデータから画像を再構成する方法のフロー図を示す。 図２は、一実例に係る、ＤＬネットワークを用いて投影ドメインデータをノイズ除去するプロセスのフロー図を示す。 図３は、一実例に係る、ＤＬネットワークの係数を反復的に調整して損失−誤差関数を最適化することにより、ＤＬネットワークをトレーニングするプロセスのフロー図である。 図４Ａは、一実例にかかるＤＬネットワークの一例を示す。 図４Ｂは、一実例にかかる畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＣＮＮ）と呼ばれるＤＬネットワークの種類の一例を示す。 図５は、一実例にかかる医療イメージングシステムの図を示す。 図６は、一実例にかかるＸ線ＣＴスキャナの模式図を示す。 図７Ａは、一実例にかかるポジトロン断層撮影（Ｐｏｓｉｔｒｏｎ Eｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ：ＰＥＴ）スキャナの斜視図を示す。 図７Ｂは、一実例にかかるＰＥＴスキャナの模式図を示す。
実施形態は、特徴認識トレーニングに基づく深層学習ネットワークを用いて医療画像のノイズ除去が行われる医療画像の再構成に関し、より具体的には、（i）Ｘ線断層撮影（ＣＴ）画像を含む医療画像に対し、ノイズの除去とアーチファクト削減を行うことができる。
上述の通り、より良いノイズ抑制は低線量での臨床画質を可能にする、などの多くの理由で、ノイズ抑制のためのより良い方法が求められている。その上、ノイズ抑制のための方法をより高速で強固なものとすることにより、方法を改善することができる。実施形態に記載の方法は、特に、所定の投影データに合わせたノイズ除去フィルタを用いてデータドメインサイノグラム復元を行うことにより、より良いノイズ抑制のためのパフォーマンスを提供する。所定の投影データに対し、ノイズ除去フィルタのカーネルに最適なパラメータを決定する深層学習ネットワークを用いて、ノイズ除去フィルタを、特に、所定の投影データに合わせる。
これにより、実施形態に記載の方法は、演算時間およびハードウェアコストを有利に削減し、断層撮影（ＣＴ）画像などの医用画像のために画質を向上させることができる。更に、実施形態に挙げられる例は、ＣＴ医療イメージングを実例となる非限定的な一例として用いる。しかしながら、実施形態に記載の方法は、実施形態に提示されるフレームワークを適応させることにより、ＰＥＴやＳＰＥＣＴなどの他の医療イメージングモダリティと共に用いることができる。よって、実施形態の議論は、非限定的な例を開示し説明するものである。当業者に理解されるように、実施形態は、本質的な特徴の主旨から逸脱することなく他の特定の形態で実施されてもよい。よって、実施形態は、実例的なものとなることを目的としているが、特許請求の範囲を制限するものではない。実施形態は、容易に認識できる狭義の変形例を含み、特許請求の範囲の用語の範囲を部分的に規定する。
上述の通り、実施形態に記載の方法は、トレーニングされてノイズ除去フィルタのカーネルのパラメータを選択してサイノグラムの復元／ノイズ除去を最適化するＤＬネットワーク（ニューラルネットワークや人工ニューラルネットワークとも呼ぶことができる）を用いる。よって、ノイズ除去フィルタは、特定の投影データをノイズ除去するように選択的に調整される。ＤＬネットワークにより選択されるカーネルパラメータは、ＣＴ再構成画像の画質を向上させるデータ−ドメインノイズ除去技術も用いる関連方法に関するより良いパフォーマンスをもたらすことができる。
ＤＬネットワークを用いる代わりに、関連方法は、適応フィルタリングおよび統計に基づく平均推定のどちらか一方を用いてカーネルパラメータを選択する。実施形態に記載の方法と比較して、これらの関連方法にはそれぞれ欠点や課題がある。例えば、統計平均推定方法は、収束解を得るために反復を必要とするが、これは、計算の集中と時間の浪費になり得る。更に、平均推定に関するモデルパラメータ（正則化の強度を制御するパラメータ）には手動でしか選択できないものがあり、ユーザの入力を必要とする。
更に、カーネルパラメータの適応的選択もまた困難を伴う可能性がある。例えば、データ‐ドメイン適応フィルタリング法は、小さなカーネルを有するフィルタ（例えば、幅／分散の小さいガウス関数）を用いる。カーネルは、局所的にデータに適応してノイズを平滑化する。適応フィルタは、公知のカーネル関数（例えば、三角関数およびガウス関数）から、経験的に選択されたカーネルの分散などのパラメータを用いて選択される。これにより、適応フィルタリングのための最適なカーネル設計とパラメータ選択が、特に、スキャン状態が悪い実際の状況で困難となり得る。
実施形態に記載の方法は、ＤＬネットワークをトレーニングして適応フィルタリングフレームワークに最適なカーネルパラメータを選択しデータドメイン内のサイノグラム復元／ノイズ除去を行うことにより、関連方法の上記の課題に対処する。
実施形態に記載の方法は、（画像ドメイン内のノイズ除去に対向し）データドメイン内の投影／放射データのノイズ除去に平滑化フィルタを用いることができる。サイノグラムを入力としてニューラルネットワークに適用することにより、ニューラルネットワークをトレーニングして平滑化フィルタのカーネルに対するパラメータを決定することができる。更に、ガウスカーネルを用いてサイノグラムを畳み込み積分することにより平滑化フィルタリングを行うことができ、ニューラルネットワークにより決定されるガウスカーネルのパラメータ（例えば、ガウス分布の幅／分散）は、サイノグラム内の位置／画素の関数として変化し得る。
ＤＬネットワークを用いて適応平滑化フィルタ用のカーネルパラメータを決定することは、上述の関連方法と比較していくつかの利点をもたらす。
第一に、ＤＬネットワークは、実際のデータを用いてトレーニングを行ない、損失関数を最少化することによりデータドメインで適応的にフィルタリングを行うための最適な戦略を学習することができる。これは、関連する適応フィルタリング方法においてしばしば困難となる手動でのカーネル選択の労力軽減を促す。アドホックまたは手動でチューニング調整される適応フィルタリング法と比較し、ＤＬネットワークは、より良い成果をあげる（例えば、ノイズの低減と解像度との間のより好ましいトレードオフを実現する）ことができる。
第二に、実施形態に記載の方法は、ＤＬネットワークをトレーニングする方法が特定の種類のノイズまたはノイズ源から独立しているので、関連する方法よりもより柔軟で強固なものである。
第四に、平滑化関数のカーネルを規定するには少数のパラメータのみが必要とされるので、ＤＬネットワークは高速計算が可能となる。
ここでは、「データドメイン」という表現を用いており、「画像ドメイン」でのＣＴ再構成を介して生成される画像データ（つまり、再構成画像）からＣＴ投影データを区別している。つまり、「データドメイン」は再構成前の投影データであり、「画像ドメイン」は再構成後の画像データである。データドメインは、また、「投影ドメイン」や「サイノグラムドメイン」と呼ぶこともできる。一般的に、データドメインの投影は三つのディメンションを有し、それぞれビュー、チャネル、セグメントと呼ばれる。チャネルとセグメントのディメンションは、２次元Ｘ線検出器アレイの二つの方向／軸に対応し、ビューのディメンションは、投影画像が得られる投影角度または投影ビューに対応する。ノイズ除去／平滑化フィルタは、データドメインの三つのディメンション全てに対応する３次元（３Ｄ）フィルタとすることができるが、ノイズ除去／平滑化フィルタは、２次元（２Ｄ）フィルタ（例えば、２Ｄガウスカーネルを用いた２Ｄ畳み込み）にできることが多い。ノイズ除去／平滑化フィルタが２次元フィルタである場合、フィルタは、３つのディメンションのうち２つのディメンションのみ（例えば、ビューおよびチャネルのディメンションにのみ、または、チャネルおよびセグメントのディメンションにのみ）に適用される。
「サイノグラムドメイン」の代わりに「データドメイン」という言葉を用いるのは、サイノグラムプロットがビューのディメンションを含むことが多いので、ノイズ除去／平滑化フィルタがビューのディメンションを含むディメンションの集合に適用されなければならないという誤った解釈を避けるためである。むしろ、「サイノグラム」という言葉は、ビューのディメンションを含む投影データに限定されないが、サイノグラムデータは、例えば、セグメントおよびチャネルのディメンションのみを有する２Ｄ単一ビューでの投影画像を含むことができる。これにより、実施形態に記載のデータドメインノイズ除去方法は、特定のディメンションの集合に限定されず、ノイズ除去／平滑化フィルタに対するディメンションの全てのあり得る配列を対象とする（例えば、ノイズ除去／平滑化フィルタは、ビュー、チャネル、およびセグメントのディメンションのうちいずれの組み合わせにも適用される２Ｄフィルタまたは３Ｄフィルタのどちらにもできる）。例えば、ノイズ除去／平滑化フィルタは、（ｉ）ビューおよびチャネルのディメンション、（ｉｉ）チャネルおよびセグメントのディメンション、（ｉｉｉ）ビューおよびセグメントのディメンション、ならびに（ｉｖ）ビュー、チャネル、およびセグメントのディメンションに適用できる。更に、実施形態に記載の方法は、第１のノイズ除去／平滑化フィルタが第１のディメンションの集合（例えばビューおよびチャネルのディメンション）に適用されて一度フィルタリングされたデータを生成し、第２のノイズ除去／平滑化フィルタが第２のディメンションの集合（例えばチャネルおよびセグメントのディメンション）に沿って一度フィルタリングされたデータに適用されて二度フィルタリングされたデータを生成する実例を含む。
Ｘ線ＣＴは、第一の実例となる例として用いられるが、説明する方法は、例えば、ＰＥＴ、ＳＰＥＣＴ、および蛍光透視法にも適用可能である。実例となる例では、平滑化フィルタをＸ線ＣＴからのサイノグラムに適用することを説明するが、平滑化／ノイズ除去がデータドメインにおいて（つまり、画像ドメインにおいてではない）適用されるので、平滑化／ノイズ除去を単一の視野角で得られるＸ線蛍光透視法からの投影データに適用することもできる。つまり、ノイズ除去された投影データが後にＣＴ再構成に用いられるかどうかに関係なく、平滑化／ノイズ除去をデータドメインで適用することができる。
更に、データドメインで適用されるフィルタは平滑化フィルタに限定されない。フィルタには、エッジ強調またはアーチファクト抑制のための畳み込みカーネルを含んでも良い。特定の実例では、ノイズ除去、エッジ強調、およびアーチファクト抑制のうち１つ以上を実現するために、畳み込みカーネルおよび畳み込みカーネルのパラメータを選択することができる。それでもなお、実施形態に記載の方法は、サイノグラムドメインで投影データのノイズ除去を行う平滑化／ノイズ除去フィルタの非限定的な一例を用いて、一般性を喪失することなく説明される。
ここで、図面を参照する。複数の図面を通して同じ参照符号は同一または対応する部分を示す。図１は、ＤＬネットワーク１７０をトレーニングして用いてＣＴ投影データのデータドメインの修正（例えば、サイノグラム復元、ノイズ除去、平滑化、および／またはアーチファクト修正）を行う方法の非限定的な一例のフロー図を示す。図１に示すように、方法１０は、ＤＬネットワーク１７０を用いて、生データ１０５をどのようにノイズ除去するかを学習し、ノイズ除去したデータからＣＴ画像を再構成する。方法１０は、（ｉ）オフライントレーニングプロセス１５０および（ｉｉ）医療イメージングプロセス１００の２つの部分からなる。つまり、オフライントレーニングプロセス１５０はＤＬネットワーク１７０をトレーニングし、医療イメージングプロセス１００はトレーニングされたＤＬネットワーク１７０を用いてデータドメインで投影データのノイズ除去を行ない、これにより、ノイズとアーファクトが低減された高品質な再構成画像１３５を生成する。
特定の実例では、ＤＬネットワーク１７０は、一連の畳み込み（Ｃｏｎｖｏｌｕｔｉｏｎ：ｃоｎｖ）、バッチ正規化（Ｂａｔｃｈ Ｎｏｒｍａｌｉｚａｔｉｏｎ：ＢＮ）、ならびに正規化線形関数（Ｒｅｃｔｉｆｉｅｄ Ｌｉｎｅａｒ Ｕｎｉｔ：ＲｅＬｕ）ネットワーク層が実施される畳み込みニューラルネットワーク（ＣＮＮ）を有する。
ＤＬネットワーク１７０は、トレーニングプロセス１６０を用いてトレーニングされる。トレーニングプロセス１６０において、損失関数を用いてＤＬネットワーク１７０のパラメータを反復的に調整／最適化する（例えば、ＤＬネットワーク１７０のパラメータは、ネットワーク層を繋げる重み付け係数および層内のノードの活性化関数／ポテンシャルを含むことができる）。ネットワークパラメータの最適化は、停止基準が満たされるまで継続し（例えば、損失関数の値が所定の閾値に収束したかどうかを停止基準にすることができる）トレーニングされたＤＬネットワーク１７０を生成する。
損失関数は、対象データ１５３を、入力データ１５７およびＤＬネットワーク１７０の最新版を用いて得られた出力と比較する。例えば、入力データは、それぞれのＣＴスキャンに対し、ノイズを含む投影データをデータドメインで含むことができ、対象データは、同一のそれぞれのＣＴスキャンに対し、ノイズの少ない（つまり、入力データよりもノイズの少ない）投影データをデータドメインで含むことができる。例えば、所定のスキャンに対する各ノイズを含むデータは、対応する所定のスキャン用のノイズが低減されたデータセットと対にできる。一実例では、低線量のスキャンを用いてノイズを含むデータセットが生成され、高線量のスキャンを用いてノイズの低減されたデータセットが生成される。これらのスキャンは、例えば、ファントムに対して行うことができる。ここで、質量名詞である「データ」を用いる曖昧さを避けるため、所定のＣＴスキャンに対する投影データについて言及する場合は、「サイノグラム」という用語を用いて、データドメインにおける完全なＣＴスキャンに対応する投影データの単位を表す。
入力データからのノイズを含むサイノグラムをＤＬネットワーク１７０の最新版に適用することで、ノイズを含むサイノグラムのノイズ除去版（つまり、ノイズ除去されたサイノグラム）になると考えられるネットワークからの出力を生成する。ＤＬネットワーク１７０は、ＤＬネットワーク１７０内のネットワーク係数を反復して調整することでトレーニングされて、ＤＬネットワーク１７０からのノイズ除去されたサイノグラム出力と対象データ１５３からのノイズが低減されたサイノグラムとの差を最少化する。ネットワーク出力と対象データとの差が最小化された時にＤＬネットワーク１７０が完了するものとしているが、その差が十分に最小化されたかどうかは、トレーニングプロセス１６０の１つ以上の所定の停止基準に基づく。一度停止基準が満たされると、トレーニングされたＤＬネットワーク１７０が記憶され、その後再び呼び出されて医療イメージングプロセス１００で用いられる。
方法１０では、損失関数を用いて、停止基準が満たされるまで（例えば、パラメータの収束が所定の閾値になるまで）反復してネットワーク係数（例えば、畳み込みおよびプール化層の重みおよびバイアス）を調整して、トレーニングされたＤＬネットワーク１７０を生成する。損失係数は、高品質データである対象データ１５３を、入力データ１５７が適用されたＤＬネットワーク１７０の最新版の結果と比較する。
上述の通り、ＣＴ画像再構成は、非限定的な実例にすぎない。別の一例は、ポジトロン断層撮影（ＰＥＴ）撮像である。ＰＥＴイメージングにおいて、ポジトロン放射データに対しサイノグラムを生成することができ、サイノグラムノイズ除去／復元は、方法１０を用いてポジトロン放射データに適用できる。例えば、方法１０は、ＤＬネットワーク１７０をトレーニングし、低品質（例えば、ノイズを含む）ＰＥＴサイノグラム（例えば、生データ１０５）をトレーニングされたＤＬネットワーク１７０に適用して、高品質の（例えば、ノイズ除去された）ＰＥＴサイノグラムを生成する。
ＰＥＴイメージングの場合、高品質および低品質のデータが、それぞれ長期間および短期間のスキャンを通じて蓄積される。一般的に、信号対ノイズ比（Ｓｉｇｎａｌ−ｔｏ−ｎｏｉｓｅ Ｒａｔｉｏ：ＳＮＲ）は、短期間で蓄積されたサイノグラムでは小さい。よって、対象データ１５３（例えば、高品質サイノグラム）は、サイノグラムに対する可能な限り高いＳＮＲを生成する全期間ＰＥＴスキャンからの全ての同時計数を用いて、生成することができる。一方、低品質データである入力データ１５７は、大量のデータセットから選択された同時計数のサブセットの一部を用いて（例えば、全期間ＰＥＴスキャンの半分のみからのデータを用いて）生成することができ、ノイズを含むサイノグラムができる（例えば、√２の低ＳＮＲ）。
図１に戻り、医療イメージングプロセス１００は、生データを取得することにより、例えば、ＣＴスキャンを行ない一連の視野角でのＣＴ投影（つまり、ノイズを含むサイノグラム）を生成することで行われる。例えば、低線量ＣＴスキャンを用いて生データ１０５を生成することによりサイノグラムを実行することができる。なお、生データ１０５は、放射線データの一例である。
医療イメージングプロセス１００のデータドメインノイズ除去ステップ１１０では、生データ１０５をトレーニングされたＤＬネットワーク１７０に適用することにより生データ１０５をノイズ除去する。ＤＬネットワーク１７０は、その後、ノイズ除去されたサイノグラムを出力する。
医療イメージングプロセス１００の画像再構成ステップ１２０では、フィルタ補正逆投影法（Ｆｉｌｔｅｒｅｄ Ｂａｃｋ−ｐｒｏｊｅｃｔｉｏｎ：ＦＢＰ）および統計的反復再構成法（Ｉｔｅｒａｔｉｖｅ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ：ＩＲ）アルゴリズムを含む様々な方法を用いて、投影データからＣＴ画像を再構成することができる。ＦＢＰに加え、フェルドカンプ・デイビス・クレス（Ｆｅｌｄｋａｍｐ Ｄａｖｉｓ Ｋｒｅｓｓ）法や逐次近似応用再構成法（Ａｄａｐｔｉｖｅ Ｉｔｅｒａｔｉｖｅ Ｄｏｓｅ Ｒｅｄｕｃｔｉｏｎ ３Ｄ：ＡＩＤＲ ３Ｄ）などの他の分析方法用いることができる。ＦＢＰ再構成法と比較して、ＩＲ法は、低線量でより良い画質を提供することができる。
医療イメージングプロセス１００の画像ドメインノイズ除去ステップ１３０で、追加の画像ドメインノイズ除去が行われる。このステップは任意であり、実例によって省略することができる。
ノイズ除去例は、線形平滑化フィルタ、異方性拡散、非局所的手段、または非線形フィルタを含む。線形平滑化フィルタは、ローパスフィルタまたは平滑化演算を示す畳み込みカーネルを用いて元画像に畳み込みを行うことでノイズ取り除く。例えば、ガウス畳み込みカーネルは、ガウス関数で決定される要素からなる。この畳み込みは、各画素値を隣接画素値とほぼ一致させる。異方性拡散は、熱伝導方程式に類似の平滑化偏微分方程式に従った画像に畳み込みを行うことで鋭いエッジを保ちながらノイズを除去する。メディアンフィルタは、非線形フィルタの一例であり、適切に設計されれば、非線形フィルタもエッジを保ってぶれを回避することができる。メディアンフィルタは、ランク条件付きランク選択（Ｒａｎｋ−ｃｏｎｄｉｔｉｏｎｅｄ Ｒａｎｋ−Ｓｅｌｅｃｔｉｏｎ：ＲＣＲＳ）フィルタの一例であり、著しいぶれのアーチファクトを取り入れずに画像からのごま塩ノイズを除去するために適用することができる。加えて、トータルバリエーション（Ｔｏｔａｌ−ｖａｒｉａｔｉｏｎ：ＴＶ）最小化正則の項を用いるフィルタは、撮像された領域が同じ領域間の鮮明な境界により境界を定められた広い領域に渡る統一性の前提を裏付けるのであれば、適用できる。ＴＶフィルタは、非線形フィルタの別の一例である。更に、非局所的手段のフィルタリングは、画像内の類似パッチの加重平均を用いてノイズ除去された画素を決定する方法の一例である。
最後に、再構成画像１３５が生成され、再構成画像１３５は表示されて用いられまたは保存されて後に利用される。
図２は、データドメインノイズ除去ステップ１１０の非限定的な一例のフロー図を示す。平滑化は、平滑化／ノイズ除去フィルタステップ１１４において行われ、平滑フィルタを用いてローパスフィルタ（例えば、ガウス分布）のカーネルで生データに畳み込みを行うことによりノイズを除去する。カーネルの形状はガウス形状に限定されず、どんな形状であってもよい（例えば、三角形、正方形、ブラックマン‐ハリス（Ｂｌａｃｋｍａｎ−Ｈａｒｒｉｓ）、ドルフ・チェビシェフアレー（Ｄｏｌｐｈ−Ｃｈｅｂｙｓｅｖ）、ハン（Ｈａｎｎ）、ハミング（Ｈａｍｍｉｎｇ）または他のウィンドウの形状）。更に、カーネルは、等方性を有する必要はなく、異方性を有することができる。更に、カーネルは、位置関数として動的にできる。つまり、カーネルは、生データ１０５の局所的な特徴に適合することができる。ＤＬネットワーク１７０は、平滑化／ノイズ除去フィルタステップ１１４で適用される平滑化フィルタの形状を規定するフィルタパラメータ１１３を決定するために用いられる。
例えば、平滑化フィルタが二変量ガウス分布である場合、フィルタは３つの値である第１および第２の変数および回転角で規定される。更に、平滑化フィルタが位置関数として適応する場合、これらの３つの値は生データ１０５内で位置変数として変化できる。
別の一例では、平滑化フィルタが等方性のガウス分布である場合、フィルタは１つの値であるガウス分布の変数で規定される。平滑化フィルタが位置関数として適応すると、ガウス分布の変数は、生データ１０５内で位置関数として変化可能である。
生データ１０５をＤＬネットワーク１７０に適用することで、最適なフィルタパラメータ１１３を生データ１０５内の位置関数として決定できる。例えば、解像度を維持するために強い信号の領域での狭いカーネルが望ましいが、ノイズはこれらの領域ですでに低減されている。更に、サイノグラムは、特定の応用で、長く細い領域を提示することができるが、リッジの狭い方向に沿うよりもリッジの長い方向に沿うほうがより大きく平滑化されることが望まれても良い。これらは、医療イメージングプロセス１００においてトレーニングされたＤＬネットワーク１７０の特徴の一種である。
一般的に、生データ１０５は、前ログデータ（つまり、Ｘ線放射の強度に比例する）または後ログデータ（Ｘ線強度の対数を取ることによりＸ線減衰係数に比例する）とすることもできる。生データ１０５をＤＬネットワーク１７０に適用することでフィルタパラメータを生成し、これにより平滑化フィルタを生データ１０５の特定の内容（例えば、空間変化型の回転角および変数）に適応可能となる。その後、平滑化／ノイズ除去フィルタステップ１１４では、ＤＬネットワーク１７０により生成されたパラメータを用いて適応フィルタリングを生データ１０５に対して行ない、これにより生データ１０５の復元済／ノイズ除去済版が生成される。
所定の実例では、フィルタパラメータ生成ステップ１１２で用いられるＤＬネットワーク１７０は、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＣＮＮ）である。ＣＮＮは、例えば、次の式（２）に示すような、局所的小型フィルタを直接生成するネットワークとすることができる。
ｗijはｉ番目の画素に対するフィルタである。
特定の実例では、トレーニングデータは、低線量スキャンを介して得られた入力データ１５７と高線量スキャンを通じて得られた対象データ１５３とを含む（つまり、高線量スキャンは、低線量スキャンよりも高い放射線量を用いるどんなスキャンでもよい）。そして、入力データ１５７を生成するために用いられる低線量スキャンに類似の低線量スキャンを用いて、生データ１０５が得られる。
特定の実例では、ＤＬネットワーク１７０は、ガウスカーネルに対するカーネルパラメータを生成するネットワークであり、カーネルパラメータは、トレーニングデータを用いるトレーニングに基づいて変数および配向角を規定する。つまり、パラメータのフィルタ（例えば、ガウスカーネル）が用いられ、生データ１０５をＤＬネットワーク１７０に適用することにより決定されるパラメータに応じてフィルタリングが行われる。
特定の実例では、対象データ１５３が高品質生データまたはサイノグラム（例えば、高線量スキャンによる）である。
ここで、ＤＬネットワークのトレーニングのより詳細な説明を行う（例えば、トレーニングプロセス１６０）。以下では対象データ１５３の一例として、ノイズが低減されたサイノグラムである対象サイノグラム１５３１について説明する。また、以下では入力データ１５７の一例として、ノイズを含むサイノグラムである入力サイノグラム１５７１について説明する。
図３は、トレーニングプロセス１６０の実例のフロー図を示す。トレーニングプロセス１６０では、入力データ１５７（例えば、ノイズを含むサイノグラム）および対象データ１５３（例えば、ノイズ低減されたサイノグラム）がトレーニングデータとして用いられてＤＬネットワーク１７０をトレーニングし、トレーニングプロセス１６０のステップ３１９から出力されるＤＬネットワーク１７０となる。トレーニングプロセス１６０は、対応する対象サイノグラム１５３１と対になる多数の入力サイノグラム１５７１を用いてＤＬネットワーク１７０をトレーニングして、入力サイノグラム１５７１からの対象サイノグラム１５３１に類似のノイズ処理されたサイノグラムを生成する。
トレーニングプロセス１６０では、トレーニングデータのセットが得られ、ＤＬネットワーク１７０が繰返し更新されて誤差（例えば、損失関数により生成された値）を低減する。ＤＬネットワークはトレーニングデータにより暗示されるマッピングを推測し、コスト関数は、対象サイノグラム１５３１と入力サイノグラム１５７１にＤＬネットワーク１７０の最新の型を適用することにより生成された結果との不一致に関する誤差値を生成する。例えば、特定の実例では、コスト関数は、平均二乗誤差を用いて平均平方誤差を最少化することができる。多層パーセプトロン（Ｍｕｌｔｉｌａｙｅｒ Ｐｅｒｃｅｐｔｒｏｎｓ：ＭＬＰ）ニューラルネットワークの場合、（確率的）勾配降下法を用いて平均二乗誤差に基づくコスト関数を最少化することによりネットワークをトレーニングするために誤差逆伝播アルゴリズムを用いることができる。
トレーニングプロセス１６０のステップ３１６では、ＤＬネットワーク１７０の係数に対する初期推測が生成される。例えば、初期推測は、撮像される領域の演繹的知識またはノイズ除去方法の一例、エッジ検出法、および／またはブロブ検出法の少なくとも一つに基づくことができる。加えて、初期推測はＬｅＣｕｎ初期化、Ｘａｖｉｅｒ初期化、およびＫａｉｍｉｎｇ初期化の何れか一つに基づくことができる。
トレーニングプロセス１６０のステップ３１６〜３１９は、ＤＬネットワーク１７０をトレーニングするための最適化法の非限定的な一例を提供する。
ネットワークの最新版が適用された後、誤差が算出され（例えば、損失関数またはコスト関数を用いて）対象サイノグラム１５３１（つまり、グランドトゥルース）と入力サイノグラム１５７１との差の測定量（例えば、距離測定量）を表す。誤差は、上記のコスト関数を含む公知のコスト関数または画像データ間の距離測定量を用いて算出することができる。さらに、特定の実例では、ヒンジ損失および交差エントロピー損失の少なくとも１つを用いて誤差／損失関数を算出することができる。
特定の実例では、逆伝搬を用いてＤＬネットワーク１７０がトレーニングされる。逆伝搬は、ニューラルネットワークをトレーニングするために用いることができ、また、勾配降下最適化法と共に用いられる。前方パスの間、アルゴリズムは、最新パラメータΘに基づいてネットワークの予測を算出する。その後、これらの予測は、損失関数に入力され、これにより、対応するグラウンドトゥルースラベル（つまり、高品質データである対象データ１５３）と比較される。後方パスの間、モデルは、最新パラメータに対し損失関数の勾配を算出し、この後、最小化損失の方向の事前に規定されたサイズのサイズステップを行うことにより、パラメータが更新される（例えば、加速法では、ステップサイズを選択してより迅速に収束して損失関数を最適化することができる）。
特定の実例では、フィルタパラメータ生成ステップ１１２および平滑化／ノイズ除去フィルタステップ１１４の画像処理は、逆伝搬のためのＤＬネットワークとして考えられる。しかしながら、フィルタパラメータ生成ステップ１１２で実施されるＣＮＮにおける重み付け係数だけが変更可能である。つまり、ＣＮＮにおける重み付け係数が調整されることでより良いフィルタパラメータ１１３を生成することができるが、平滑化／ノイズ除去フィルタステップ１１４への変化のみがフィルタパラメータ１１３の変化によるものであり、これは平滑化／ノイズ除去フィルタステップ１１４以外に由来する。平滑化／ノイズ除去フィルタステップ１１４自体は固定されたままで、平滑化／ノイズ除去フィルタステップ１１４への内部変化はない。こうした意味で、フィルタパラメータ生成ステップ１１２のＣＮＮ内の重み付け係数のみがトレーニングプロセスによって調整されているにも関わらず、フィルタパラメータ生成ステップ１１２および平滑化／ノイズ除去フィルタステップ１１４の全体をＤＬネットワークとして考えることができる。
逆投影法が行われる最適化方法は、勾配降下法、バッチ勾配降下法、確率的勾配降下法、およびミニバッチ確率的勾配降下のうち一つ以上を用いることができる。前方および後方へのパスは、ネットワークの各層を通して徐々に行うことができる。前方へのパスでは、１層目を通して入力供給することで実行が開始し、これにより、後続層のための出力活性化を引き起こす。このプロセスは、最終層の損失関数に到達するまで繰り返される。後方パスの間、最終層は、自身が学習可能なパラメータ（もしあれば）、そしてまた、自身の入力に対する勾配を算出するが、これが、前の層に対する上流導関数となる。このプロセスは、入力層に到達するまで繰り返される。
図３に戻り、トレーニングプロセス１６０のステップ３１７は、ネットワーク内の変化関数としての誤差の変化を算出できる（例えば、誤差勾配）と判断し、この誤差の変化を用いてＤＬネットワーク１７０の重み／係数への後の変化のための方向およびステップサイズを選択することができる。このように誤差の勾配を算出することは、勾配降下最適化法の特定の実施と一致している。他の特定の実施では、当業者に理解されるように、当ステップを省略および／または他の最適化アルゴリズム（例えば、シミュレーテッドアニーリングまたは遺伝アルゴリズムのような非勾配降下最適化アルゴリズム）に応じて他のステップに置換することができる。
トレーニングプロセス１６０のステップ３１７では、ＤＬネットワーク１７０に対し新たな係数の組が決定される。例えば、勾配降下最適化法または加速緩和加速法のように、ステップ１３７で算出された変化を用いて重み／係数を更新することができる。
トレーニングプロセス１６０のステップ３１８において、ＤＬネットワーク１７０の更新された重み／係数を用いて新たな誤差値が算出される。
ステップ３１９で、予め規定された停止基準を用いてネットワークのトレーニングが完了したか否かを判断する。例えば、予め規定された停止基準は、新たな誤差および／または実施された合計反復数が予め定義された値を超えるかどうかを評価することができる。例えば、新たな誤差が予め定義された閾値より低い場合である場合、または、最大反復数に達していれば、停止基準を満たすことができる。停止基準が満たされない場合、トレーニングプロセス１６０で行われるトレーニングプロセスは、新たな重みおよび係数を用いてステップ３１７に戻り繰り返すことにより、反復ループの（反復ループはステップ３１７、３１８および３１９を含む）始まりに戻って継続する。停止基準が満たされると、トレーニングプロセス１６０で実施されるトレーニングプロセスが完了する。
図４Ａおよび図４Ｂは、ＤＬネットワーク１７０内のレイヤー間の相互接続の様々な例を示す。ＤＬネットワーク１７０は、完全結合された層、畳み込み層、そしてプール化層を備えるが、全ての層を以下に説明する。ＤＬネットワーク１７０の所定の好ましい実例では、畳み込み層が入力層の近くに設置され、それに対し、高レベルの推論を行う完全結合された層は、損失関数に向けてアーキテクチャの下方に設置される。プール化層は、畳み込みの後に挿入することができ、フィルタの空間的広がりを低下させることで学習可能なパラメータの量を下げるということを証明する。活性化関数もまた様々な層に組み込まれて非線形性を導入してネットワークが複雑な予測関係を学習することを可能にする。活性化関数は、飽和活性化関数（例えば、Ｓ字状または双曲線接線活性化関数）または調整された活性化関数（例えば、上述の第１および第２の例で適用される正規化線形関数（ＲｅＬｕ）)とすることができる。ＤＬネットワーク１７０の層は、また、上述の第１および第２の例に例示されるように、バッチ正規化を組み込むことができる。
図４Ａは、Ｎ個の入力と、Ｋ個の隠れ層と、３つの出力とを有する一般的な人工ニューラルネットワーク（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＡＮＮ）の一例を示す。各層は、ノード（ニューロンとも呼ばれる）で構成され、各ノードは入力総和を重み付けして重み付けされた総和の結果を閾値と比較して出力を生成する。ＡＮＮは、閾値、結合重み、またはノード数および／またはその結合性などのアーキテクチャの名目を変化させることにより階層のメンバーが得られる関数の階層を作り上げる。あるＡＮＮ内のノードは、ニューロン（またはニューロンのノード）と呼ぶことができ、ニューロンは、ＡＮＮシステムの異なるレイヤー間の接続を有することができる。シナプス（つまり、ニューロン間の接続部）は、計算におけるデータを操作する「重み」（同じ意味で「係数」または「重み付け係数」とも呼ばれる）と呼ばれる値を記憶する。ＡＮＮの出力は、（ｉ）異なるニューロン層間の相互連結パターン、（ｉｉ）相互連結の重みを更新するための学習プロセス、および（ｉｉｉ）ニューロンの重み付けされた入力をその出力活性化へと変換させる活性化関数、の三種類のパラメータによって決まる。
図４Ａでは（図４Ｂでも同様に）、ニューロン（つまり、ノード）は、閾値関数の周りの円で描かれている。図４Ａに示す非限定的な例に関し、入力が線形関数の周りの円として描かれており、矢印は、ニューロン間の方向性を持った結合を示す。特定の実例では、ＤＬネットワーク１７０は、フィードフォアワードネットワークである。
図４Ｂは、ＤＬネットワーク１７０が畳み込みニューラルネットワーク（ＣＮＮ）である非限定的な一例を示す。ＣＮＮは、画像処理に有益な性質のＡＮＮの型であるので、画像のノイズ除去の適用に特に関係がある。ＣＮＮは、ニューロン間の結合性パターンが画像処理における畳み込みを表すことができるフィードフォアワードＡＮＮを用いることができる。例えば、ＣＮＮは、受容野と呼ばれる入力画像の一部を処理する小さなニューロンの集合の複数の層を用いることによる画像処理最適化に用いることができる。これらの集合の出力はタイル表示されることで重なり、原画像のより良い表現を得ることができる。この処理パターンは、交互の畳み込みを有する複数の層およびプール化層全体に繰り返すことができる。
畳み込み層に続き、ＣＮＮは、局所的および／または全体的なプール化層を含むことができ、これにより、畳み込み層内のニューロンクラスタの出力を結びつける。更に、特定の実例では、ＣＮＮは、また、各層の端部または各層の後で点ごとの非線形性が適用される、畳み込み層および完全結合された層の様々な結合を有することができる。
図５は、医療イメージングシステム４０の実施形態例を示す。医療イメージングシステム４０は、少なくとも１つのスキャン装置４３０と、それぞれが特別に構成された演算装置である１つ以上の画像生成装置４１０（例えば、特別に構成されたデスクトップコンピュータ、特別に構成されたノートパソコン、または特別に構成されたサーバ）、および表示装置４２０を有する。
なお、スキャン装置４３０及び画像生成装置４１０は医用装置の一例である。例えば、スキャン装置４３０は、スキャンを実施することで取得した放射線データについて、上述した方法１０における種々のステップ及びその変形例を実施することができる。或いは、画像生成装置４１０、スキャン装置４３０から取得した放射線データについて、上述した方法１０における種々のステップ及びその変形例を実施することができる。
スキャン装置４３０は、物体（例えば、患者）の領域（例えば、エリア、ボリューム、またはスライス）をスキャンすることによりスキャンデータを取得するように構成される。スキャニングモダリティは、例えば、断層撮影（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ：ＣＴ）、ポジトロン断層撮影（Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ：ＰＥＴ）および／または単一光子放射断層撮影（Ｓｉｎｇｌｅ−ｐｈｏｔｏｎ Ｅｍｉｓｓｉｏｎ ＣＴ：ＳＰＥＣＴ）であってもよい。１つ以上の画像生成装置４１０は、スキャン装置４３０からのスキャンデータを取得し、スキャンデータに基づき、物体の領域の画像を生成する。１つ以上の画像生成装置４１０が画像を生成した後、１つ以上の画像生成装置４１０は、画像を表示する表示装置４２０に画像を送信する。
図６は、医療イメージングシステム４０がＣＴスキャナを備える実例を示す。図６に示すように、ラジオグラフィガントリ５００が側面から描かれ、更にＸ線管５０１と、環状フレーム５０２と、複数列または二次元アレイ型のＸ線検出器５０３とを備える。Ｘ線管５０１およびＸ線検出器５０３は、回転軸ＲＡを中心に回転可能に支持される環状フレーム５０２に径方向に物体ＯＢＪを横断して取り付けられる。
マルチスライスＸ線ＣＴ装置は、更に、スリップリング５０８を通じてＸ線管５０１に印加される管電圧を生成する高電圧発生器５０９を備え、それによりＸ線管５０１はＸ線を生成する。Ｘ線は、断面領域が円で示される物体ＯＢＪに向けて放出される。例えば、Ｘ線管５０１の第１のスキャンの間の平均Ｘ線エネルギーは、第２のスキャンの間の平均Ｘ線エネルギーよりも小さい。こうして、異なるＸ線エネルギーに応じて二つ以上のスキャンを得ることができる。Ｘ線検出器５０３は、物体ＯＢＪを通過した放射Ｘ線を検出するために、物体ＯＢＪを横断してＸ線管５０１の反対側に設置する。Ｘ線検出器５０３は、更に、個別の検出素子またはユニットを備える。
ＣＴ装置は、更に、Ｘ線検出器５０３からの検出された信号を処理するための他の装置を備える。データ取得回路またはデータ取得システム（Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ Ｓｙｓｔｅｍ：ＤＡＳ）５０４は、Ｘ線検出器５０３から出力される信号を各チャネルごとに電圧信号に変換し、信号を増幅し、そして更に信号をデジタル信号に変換する。
上記のデータは、非接触データ送信部５０５を介してラジオグラフィガントリ５００の外のコンソールに保管される処理回路５０６へと送られる。処理回路５０６は、生データに対し感度補正などの特定の補正を行う。メモリ５１２は、得られたデータを記憶するが、このデータは、再構成処理直前の段階で投影データとも呼ばれる。メモリ５１２は、データ／制御バス５１１を介して再構成回路５１４、入力インターフェース５１５、およびディスプレイ５１６と共に処理回路５１０に接続される。処理回路５１０は、電流をＣＴシステムを駆動するために十分なレベルに制限する電流規制回路５１３を制御する。
検出器は、ＣＴスキャンシステムの様々な世代間で患者に対して回転および／または固定される。一実例では、Ｘ線管５０１およびＸ線検出器５０３は、環状フレーム５０２に径方向に取り付けられ、環状フレーム５０２が回転軸ＲＡを中心に回転するにつれて物体ＯＢＪの周りを回転させる。
メモリ５１２は、Ｘ線検出器５０３でのＸ線放射照度を表す測定値を記憶することができる。更に、メモリ５１２は、方法１０を実行する専用のプログラムを記憶することができる。
再構成回路５１４は、方法１０の様々な方法を実行することができる。また、再構成回路５１４は、再構成前にボリュームレンダリング処理および画像差処理などの画像処理を必要に応じて実行することができる。
処理回路５０６により行われる投影データの再構成前処理は、例えば、検出器キャリブレーション、検出器非線形性、および極性効果のための補正を含むことができる。
再構成回路５１４により行われる再構成後処理は、必要に応じて、画像のフィルタリングおよび平滑化、ボリュームレンダリング処理、および画像差異処理を含むことができる。画像再構成プロセスは、方法１０の様々なステップを実施することができる。再構成回路５１４は、例えば、投影データ、再構成データ、キャリブレーションデータおよびパラメータ、およびコンピュータプログラムを記憶するメモリを用いることができる。
様々な回路（例えば、再構成回路５１４および処理回路５０６）は、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、他のコンプレックス・プログラマブル・ロジック・デバイス（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｉｃｅ：ＣＰＬＤ）など、離散論理ゲートとして実施することができるＣＰＵ（処理回路）を備えることができる。ＦＰＧＡまたはＣＰＬＤの実施は、ＶＨＤＬ、ヴェリログ（Ｖｅｌｉｌｏｇ）、または他のどんなハードウェア記述言語でコード化されてもよく、そのコードは、ＦＰＧＡまたはＣＰＬＤで電子メモリに直接、または単独の電子メモリとして、記憶されても良い。さらに、メモリ５１２は、ＲＯＭ、ＥＰＲＯＭ，ＥＥＰＲＯＭまたはＦＬＡＳＨメモリなどの不揮発性とすることができる。メモリ５１２は、また、静的または動的ＲＡＭなどの揮発性とすることができ、電子メモリだけでなくＦＰＧＡまたはＣＰＬＤとメモリとの相互関係を管理するために、マイクロコントローラやマイクロプロセッサなどの処理部を提供することができる。
一実例では、再構成画像は、ディスプレイ５１６に表示することができる。ディスプレイ５１６は、ＬＣＤディスプレイ、ＣＲＴディスプレイ、プラズマディスプレイ、ＯＬＥＤ、ＬＥＤまたは当技術分野で公知の他のディスプレイとすることができる。
図７Ａおよび図７Ｂは、医療イメージングシステム４０が方法１０を実施できるＰＥＴスキャナを有する実例を示す。ＰＥＴスキャナは、それぞれ矩形の検出モジュールとして構成された多数のガンマ線検出器（Ｇａｍｍａ−ｒａｙＤｅｔｅｃｔｏｒｓ：ＧＲＤｓ）（例えば、ＧＲＤ１、ＧＲＤ２〜ＧＲＤＮ）を備える。
各ＧＲＤは、ガンマ線を吸収しシンチレーション光子を放射する個別の検出器結晶の二次元アレイを備えることができる。シンチレーション光子は、光電子増倍管（Ｐｈｏｔｏｍｕｌｔｉｐｌｉｅｒ Ｔｕｂｅｓ：ＰＭＴｓ）またはシリコン光電子増倍管（Ｓｉｌｉｃｏｎ Ｐｈｏｔｏｍｕｌｔｉｐｌｉｅｒｓ：ＳｉＰＭｓ）の二次元アレイにより検出することができる。ライトガイドは、検出器結晶アレイと光検出器との間に設置することができる。
各光検出器（例えば、ＰＭＴまたはＳｉＰＭ）は、いつシンチレーションイベントが起こるかと、検出イベントを生成するガンマ線のエネルギーと、を示すアナログ信号を生成することができる。更に、検出器結晶から放射される光子を１つ以上の光検出器によって検出でき、また、各光検出器で生成されたアナログ信号に基づいて、検出イベントに対応する検出器結晶は、例えば、アンガ−ロジックおよびクリスタル復号化を用いて決定することができる。
図７Ｂは、物体ＯＢＪから放射されるガンマ線を検出するために配置されるガンマ線光子計数検出器（Ｇａｍｍａ−ｒａｙ Ｐｈｏｔｏｎ Ｃｏｕｎｔｉｎｇ Ｄｅｔｅｃｔｏｒｓ：ＧＲＤｓ）を有するＰＥＴスキャナの模式図を示す。ＧＲＤは、各ガンマ線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することができる。一実例では、図７Ａおよび図７Ｂに示すように、ガンマ線検出器は環状に配置される。検出器結晶は、二次元アレイに配置される個別シンチレータ素子を有するシンチレータ結晶とすることができ、シンチレータ装置は、公知のどんなシンチレーション材料であってもよい。ＰＭＴは、複数のＰＭＴにより各シンチレータ素子からの光が検出されてアンガー計算およびシンチレーションイベントの結晶復号化を可能とするように配置することができる。
図７Ｂは、ＰＥＴスキャナの配置の一例を示し、撮像される物体ＯＢＪはテーブル８１６の上に横に載置され、ＧＲＤモジュールＧＲＤ１〜ＧＲＤＮは、物体ＯＢＪおよびテーブル８１６の周りに環状に配置される。ＧＲＤは、ガントリ８４０に固定して接続される環状部材８２０に固定して接合することができる。ガントリ８４０は、ＰＥＴ撮像器の多くのパーツを格納する。ＰＥＴ撮像器のガントリ８４０は、また、物体ＯＢＪおよびテーブル８１６が通過可能な開口部を有し、対消滅イベントにより物体ＯＢＪから反対方向に放射されるガンマ線をＧＲＤで検出することができ、ガンマ線対の一致を判断するためにタイミングとエネルギーの情報を用いることができる。
図７Ｂでは、ガンマ線検出データを取得し、記憶し、処理し、また配布するために配信回路およびハードウェアも示される。回路およびハードウェアは、処理部８７０と、ネットワークコントローラ８７４と、メモリ８７８と、データ取得システム（Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ Ｓｙｓｔｅｍ：ＤＡＳ）８７６とを備える。ＰＥＴ撮像器は、また、ＧＲＤからＤＡＳ８７６、処理部８７０、メモリ８７８、およびネットワークコントローラ８７４への検出測定結果を転送するデータチャネルを備える。ＤＡＳ８７６は、検出器からの検出データの取得、デジタル化、および転送を制御することができる。一実例では、ＤＡＳ８７６は、テーブル８１６の動きを制御する。処理部８７０は、上述のように、検出データからの画像の再構成、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果たす。
処理部８７０は、実施形態に記載の方法１０の様々なステップおよびその変形例を実施するに構成することができる。処理部８７０は、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、他のコンプレックス・プログラマブル・ロジック・デバイス（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｉｃｅ：ＣＰＬＤ）としての離散論理ゲートとして実現できるＣＰＵを備えることができる。ＦＰＧＡまたはＣＰＬＤの実施は、ＶＨＤＬ、ヴェリログ（Ｖｅｌｉｌｏｇ）、または他のどんなハードウェア記述言語で符号化されてもよく、コードは、ＦＰＧＡまたはＣＰＬＤで電子メモリに直接、または単独の電子メモリとして、記憶されても良い。さらに、メモリは、ＲＯＭ、ＥＰＲＯＭ，ＥＥＰＲＯＭまたはＦＬＡＳＨメモリなどの非揮発性記憶部としてもよい。メモリは、また、静的または動的ＲＡＭなどの揮発性記憶部とすることができ、電子メモリとともにＦＰＧＡまたはＣＰＬＤとメモリとの相互関係を管理するためにマイクロコントローラやマイクロプロセッサなどの処理部を提供してもよい。
または、処理部８７０のＣＰＵは、方法１０の各種ステップを行うコンピュータが読み取り可能な命令の集合を含むコンピュータプログラムを実行することができ、そのプログラムは、上記の持続電子メモリ及び／またはハードディスクドライブ、ＣＤ、ＤＶＤ、ＦＬＡＳＨドライブ、または他の公知の記憶媒体のいずれかに記憶される。更に、コンピュータが読み取り可能な命令は、実用的用途、バックグラウンドのデーモン、オペレーティングシステムの構成部、またはその組み合わせとして提供してもよく、これにより、アメリカのインテル社のＸｅｏｎプロセッサ、アメリカのＡＭＤ社のＯｐｔｅｒｏｎプロセッサ、などのプロセッサと、マイクロソフト社のＶＩＳＴＡ、ＵＮＩＸ（登録商標）、Ｓｏｌａｒｉｓ、ＬＩＮＵＸ（登録商標）、Ａｐｐｌｅ社、ＭＡＣ−ＯＳ、および他の当業者に公知のオペレーティングシステムなどのオペレーティングシステムと共に実行する。更に、ＣＰＵは、並行して協働して機能して命令を実行する複数のプロセッサとして実現することができる。
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で公知の他の電子記憶部とすることができる。
アメリカのインテル社のＥｔｈｅｒｎｅｔ（登録商標）ＰＲＯネットワークインターフェースカードなどのネットワークコントローラ８７４は、ＰＥＴ撮像装置の多様なパーツをインターフェース接続することができる。さらに、ネットワークコントローラ８７４は、外部ネットワークとインターフェース接続することができる。理解されるように、外部ネットワークは、インターネットのような公共のネットワークや、ＬＡＮまたはＷＡＮネットワークのようなプライベートネットワークや、それらの組み合わせとすることができ、また、ＰＳＴＮまたはＩＳＤＮサブネットワークを含むことができる。外部ネットワークは、Ｅｔｈｅｒｎｅｔネットワークのように有線で接続することができ、または、ＥＤＧＥ、３Ｇおよび４Ｇ無線セルラーネットワークシステムを含むセルラーネットワークとすることができる。無線ネットワは、また、ＷｉＦｉ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、または公知の他の無線通信形態でとすることができる。
以上説明した少なくとも１つの実施形態によれば、医用画像の画質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、変更を行なうことができる。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。
４０ 医療イメージングシステム
５００ ラジオグラフィガントリ
５１４ 再構成回路
８４０ ガントリ
８７０ 処理部

Claims (14)

  1. 放射線強度を示す放射線データを取得し、
    フィルタの畳み込みカーネルの形状関数を定義する前記フィルタのパラメータを決定するためにトレーニングされた重み付け係数を有するニューラルネットワークを取得し、
    前記放射線データを前記ニューラルネットワークに適用することで前記ニューラルネットワークから出力された前記放射線データに基づくパラメータを取得し、
    前記ニューラルネットワークから出力されたパラメータによって規定される前記フィルタを適用することにより前記放射線データをフィルタリングして、フィルタリングされた放射線データを生成する回路を備えた、医用装置。
  2. 前記放射線データは、Ｘ線源と検出器との角度を撮像対象に対して回転させた一連の投影ビューでＸ線投影画像を生成することにより得られるサイノグラムであり、
    前記回路は、前記ニューラルネットワークから出力された前記パラメータにより規定される前記フィルタを適用することにより前記サイノグラムをノイズ除去することで、ノイズ除去されたサイノグラムを生成する、請求項１に記載の医用装置。
  3. 前記回路は、セグメントディメンションおよびチャネルディメンション、ビューディメンションおよびチャネルディメンション、および／またはセグメントディメンションおよびビューディメンションを有する、前記サイノグラムの三次元ボリュームまたは前記サイノグラムの二次元スライスに対して前記フィルタを適用する、請求項２に記載の医用装置。
  4. 前記放射線データは、Ｘ線断層撮影（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ（ＣＴ)）データ、Ｘ線蛍光透視法データ、ガンマ線ポジトロン断層撮影（Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ：ＰＥＴ）、および単一光子放射断層撮影（Ｓｉｎｇｌｅ−ｐｈｏｔｏｎ Ｅｍｉｓｓｉｏｎ ＣＴ：ＳＰＥＣＴ）のうちの一つである、請求項１に記載の医用装置。
  5. 前記回路は、更に、分析再構成法を用いて、前記ノイズ除去されたサイノグラムから断層撮影（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ：ＣＴ）画像を再構成する、請求項２又は３に記載の医用装置。
  6. 前記フィルタは、円滑フィルタであり、
    前記回路は、前記放射線データをフィルタリングすることで前記放射線データをノイズ除去する、請求項１〜５のいずれか一項に記載の医用装置。
  7. 前記円滑フィルタの前記形状関数は、多変量ローパスフィルタカーネルであり、
    前記円滑フィルタの前記パラメータは、多変量ローパスフィルタカーネルの幅と向きを規定する値からなり、
    前記パラメータからなる前記値は、前記放射線データ内で画素位置の関数として変化する、請求項６に記載の医用装置。
  8. 前記多変量ローパスフィルタカーネルは、多変量ガウス分布である、請求項７に記載の医用装置。
  9. 前記フィルタは、セグメント次元およびチャネル次元、ビュー次元および前記チャネル次元、または前記ビュー次元および前記セグメント次元に沿って前記放射線データの二次元スライスに適用される二次元フィルタである、請求項１に記載の医用装置。
  10. 前記重み付け係数は、入力データおよび対象データを含むトレーニングデータを用いてトレーニングされており、
    前記入力データは、第１放射線量を用いて取得される第１トレーニングサイノグラムからなり、
    前記対象データは、前記第１放射線量より大きい第２放射線量を用いて取得される第２トレーニングサイノグラムからなる、請求項２又は３に記載の医用装置。
  11. 前記回路は、
    対象サイノグラムと、対応の対象サイノグラムよりも大きいノイズを示す入力サイノグラムとの対を含んだトレーニングデータセットを取得し、
    前記重み付け係数を反復して調整することで前記ニューラルネットワークをトレーニングし、前記対象サイノグラムと、前記入力サイノグラムを適用することで前記ニューラルネットワークから出力されたサイノグラムとの不一致を示す損失関数の値を最少化する、請求項２又は３に記載の医用装置。
  12. 前記損失関数は、ピーク信号対ノイズ比、構造類似性インデックス、および／または前記対象サイノグラムと前記入力サイノグラムを適用することで前記ニューラルネットワークから出力されたサイノグラムとの差のＬｐノルムを有する、請求項１１に記載の医用装置。
  13. 前記回路は、更に、前記フィルタを用いて前記入力サイノグラムの一つをフィルタリングするように構成され、
    前記フィルタは、前記畳み込みカーネルが前記入力サイノグラムの一つの中の位置関数として変化することで前記入力サイノグラムの一つで示される特徴に適応する適応フィルタである、請求項１１に記載の医用装置。
  14. 放射線強度を示す放射線データを取得し、
    フィルタの畳み込みカーネルの形状関数を定義する前記フィルタのパラメータを決定するためにトレーニングされた重み付け係数を有するニューラルネットワークを取得し、
    前記放射線データを前記ニューラルネットワークに適用することで前記ニューラルネットワークから出力された前記放射線データに基づくパラメータを取得し、
    前記ニューラルネットワークから出力されたパラメータによって規定される前記フィルタを適用することにより前記放射線データをフィルタリングして、フィルタリングされた放射線データを生成する、
    各処理をコンピュータに実行させる、プログラム。
JP2019230422A 2019-04-01 2019-12-20 医用装置及びプログラム Active JP7432356B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/372,206 US11176428B2 (en) 2019-04-01 2019-04-01 Apparatus and method for sinogram restoration in computed tomography (CT) using adaptive filtering with deep learning (DL)
US16/372,206 2019-04-01

Publications (2)

Publication Number Publication Date
JP2020168353A true JP2020168353A (ja) 2020-10-15
JP7432356B2 JP7432356B2 (ja) 2024-02-16

Family

ID=72607353

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019230422A Active JP7432356B2 (ja) 2019-04-01 2019-12-20 医用装置及びプログラム

Country Status (2)

Country Link
US (1) US11176428B2 (ja)
JP (1) JP7432356B2 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220073156A (ko) * 2020-11-26 2022-06-03 건양대학교산학협력단 딥 러닝 기반의 제한각도 컴퓨터 단층촬영상 재구성 시스템
US11540798B2 (en) 2019-08-30 2023-01-03 The Research Foundation For The State University Of New York Dilated convolutional neural network system and method for positron emission tomography (PET) image denoising
KR20240038339A (ko) * 2022-09-16 2024-03-25 연세대학교 원주산학협력단 구급차용 뇌 ct 촬영 시스템 및 그 방법

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6333871B2 (ja) * 2016-02-25 2018-05-30 ファナック株式会社 入力画像から検出した対象物を表示する画像処理装置
US11176428B2 (en) * 2019-04-01 2021-11-16 Canon Medical Systems Corporation Apparatus and method for sinogram restoration in computed tomography (CT) using adaptive filtering with deep learning (DL)
JP7292184B2 (ja) * 2019-11-11 2023-06-16 富士フイルム株式会社 学習装置、学習方法および学習済みモデル
JP2021189582A (ja) * 2020-05-27 2021-12-13 ブラザー工業株式会社 学習済みの機械学習モデル、画像処理装置、および、機械学習モデルのトレーニング方法
US11776125B2 (en) * 2020-08-24 2023-10-03 GE Precision Healthcare LLC Image data processing to increase follow-up analysis fidelity
KR102283673B1 (ko) 2020-11-30 2021-08-03 주식회사 코어라인소프트 병변 추적 검사에 기반하여 진단 보조 정보의 임계치를 조정하는 의료 영상 판독 지원 장치 및 방법
KR102337031B1 (ko) 2020-11-30 2021-12-08 주식회사 코어라인소프트 복수의 폐질환을 스크리닝하기 위한 의료 영상 재구성 장치 및 방법
CN112330575B (zh) * 2020-12-03 2022-10-14 华北理工大学 一种卷积神经网络医学ct图像去噪方法
US11710218B2 (en) * 2021-03-17 2023-07-25 GE Precision Healthcare LLC System and method for normalizing dynamic range of data acquired utilizing medical imaging
CN113096238B (zh) * 2021-04-02 2022-05-17 杭州柳叶刀机器人有限公司 一种x射线图模拟方法、装置、电子设备及存储介质
US11823354B2 (en) * 2021-04-08 2023-11-21 GE Precision Healthcare LLC System and method for utilizing a deep learning network to correct for a bad pixel in a computed tomography detector
EP4327287A1 (en) * 2021-04-23 2024-02-28 Koninklijke Philips N.V. Processing projection domain data produced by a computed tomography scanner
CN113570042A (zh) * 2021-07-30 2021-10-29 昕海智创(深圳)科技有限公司 一种基于带通滤波软件的滤波算法
WO2023114265A1 (en) * 2021-12-15 2023-06-22 The Johns Hopkins University Methods and related aspects for mitigating unknown biases in computed tomography data
CN114444727B (zh) * 2021-12-31 2023-04-07 北京瑞莱智慧科技有限公司 活体检测的方法、装置、电子模型及存储介质
US11940512B2 (en) 2022-08-18 2024-03-26 GE Precision Healthcare LLC Systems and methods for body coil air cooling

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100092102A1 (en) * 2008-10-14 2010-04-15 Shenzhen Mindray Bio-Medical Electronics Co., Ltd. Method and apparatus for image processing
JP2014023936A (ja) * 2012-07-30 2014-02-06 Toshiba Corp Ｘ線コンピュータ断層撮影装置及び画像再構成方法
JP2017135641A (ja) * 2016-01-29 2017-08-03 株式会社東芝 無線通信装置、方法及びプログラム
WO2018200493A1 (en) * 2017-04-25 2018-11-01 The Board Of Trustees Of The Leland Stanford Junior University Dose reduction for medical imaging using deep convolutional neural networks
US20190035118A1 (en) * 2017-07-28 2019-01-31 Shenzhen United Imaging Healthcare Co., Ltd. System and method for image conversion

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130051516A1 (en) * 2011-08-31 2013-02-28 Carestream Health, Inc. Noise suppression for low x-ray dose cone-beam image reconstruction
US9044153B2 (en) * 2013-01-09 2015-06-02 Siemens Medical Solutions Usa, Inc. Random sinogram variance reduction in continuous bed motion acquisition
US10970887B2 (en) 2016-06-24 2021-04-06 Rensselaer Polytechnic Institute Tomographic image reconstruction via machine learning
US20180018757A1 (en) * 2016-07-13 2018-01-18 Kenji Suzuki Transforming projection data in tomography by means of machine learning
US10685429B2 (en) * 2017-02-22 2020-06-16 Siemens Healthcare Gmbh Denoising medical images by learning sparse image representations with a deep unfolding approach
EP3447731A1 (en) 2017-08-24 2019-02-27 Agfa Nv A method of generating an enhanced tomographic image of an object
US11195310B2 (en) * 2018-08-06 2021-12-07 General Electric Company Iterative image reconstruction framework
US11039806B2 (en) * 2018-12-20 2021-06-22 Canon Medical Systems Corporation Apparatus and method that uses deep learning to correct computed tomography (CT) with sinogram completion of projection data
US11176428B2 (en) * 2019-04-01 2021-11-16 Canon Medical Systems Corporation Apparatus and method for sinogram restoration in computed tomography (CT) using adaptive filtering with deep learning (DL)

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100092102A1 (en) * 2008-10-14 2010-04-15 Shenzhen Mindray Bio-Medical Electronics Co., Ltd. Method and apparatus for image processing
JP2014023936A (ja) * 2012-07-30 2014-02-06 Toshiba Corp Ｘ線コンピュータ断層撮影装置及び画像再構成方法
JP2017135641A (ja) * 2016-01-29 2017-08-03 株式会社東芝 無線通信装置、方法及びプログラム
WO2018200493A1 (en) * 2017-04-25 2018-11-01 The Board Of Trustees Of The Leland Stanford Junior University Dose reduction for medical imaging using deep convolutional neural networks
US20190035118A1 (en) * 2017-07-28 2019-01-31 Shenzhen United Imaging Healthcare Co., Ltd. System and method for image conversion

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11540798B2 (en) 2019-08-30 2023-01-03 The Research Foundation For The State University Of New York Dilated convolutional neural network system and method for positron emission tomography (PET) image denoising
KR20220073156A (ko) * 2020-11-26 2022-06-03 건양대학교산학협력단 딥 러닝 기반의 제한각도 컴퓨터 단층촬영상 재구성 시스템
KR102441033B1 (ko) * 2020-11-26 2022-09-05 건양대학교 산학협력단 딥 러닝 기반의 제한각도 컴퓨터 단층촬영상 재구성 시스템
KR20240038339A (ko) * 2022-09-16 2024-03-25 연세대학교 원주산학협력단 구급차용 뇌 ct 촬영 시스템 및 그 방법
KR102659991B1 (ko) 2022-09-16 2024-04-22 연세대학교 원주산학협력단 구급차용 뇌 ct 촬영 시스템 및 그 방법

Also Published As

Publication number Publication date
US11176428B2 (en) 2021-11-16
JP7432356B2 (ja) 2024-02-16
US20200311490A1 (en) 2020-10-01

Similar Documents

Publication Publication Date Title
JP7432356B2 (ja) 医用装置及びプログラム
JP7433883B2 (ja) 医用装置及びプログラム
US20230119427A1 (en) Apparatus and method for medical image reconstruction using deep learning for computed tomography (ct) image noise and artifacts reduction
US11847761B2 (en) Medical image processing apparatus having a plurality of neural networks corresponding to different fields of view
JP7334048B2 (ja) Ｘ線ｃｔシステム及び方法
JP7381224B2 (ja) 医用画像処理装置及びプログラム
JP7486983B2 (ja) 医用装置
US11403791B2 (en) Apparatus and method using deep learning (DL) to improve analytical tomographic image reconstruction
US11026642B2 (en) Apparatuses and a method for artifact reduction in medical images using a neural network
US10945695B2 (en) Apparatus and method for dual-energy computed tomography (CT) image reconstruction using sparse kVp-switching and deep learning
JP6956505B2 (ja) 画像処理装置、ｘ線ｃｔ装置及び画像処理方法
JP2021013736A (ja) Ｘ線診断システム、画像処理装置及びプログラム
EP3195265A2 (en) Iterative image reconstruction with a sharpness driven regularization parameter
JP7475979B2 (ja) Ｘ線システム及び撮像プログラム
JP2016152916A (ja) Ｘ線コンピュータ断層撮像装置及び医用画像処理装置
JP2021013729A (ja) Ｘ線システム、画像処理装置及びプログラム
JP2017124149A (ja) データ処理装置、ｘ線ｃｔ装置及びデータ処理方法
JP2024516611A (ja) 反復画像再構成における機械学習ベースの改善
CN112215910A (zh) X射线系统、图像处理装置及程序
US20220139006A1 (en) Information processing method, medical image diagnostic apparatus, and information processing system
JP2022027382A (ja) 情報処理方法、医用画像診断装置及び情報処理システム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220822

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230523

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230526

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230724

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20230905

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231204

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20231211

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: 20240104

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240205

R150 Certificate of patent or registration of utility model

Ref document number: 7432356

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150