JP2021006247A - 医用画像結像方法及びシステム - Google Patents

Abstract

【課題】本願は医用画像結像方法及びシステムと、非一時的なコンピュータ読み取り可能な記憶媒体とを提供している。【解決手段】前記医用画像結像方法は、Ｘ線画像結像システムが収集した原画像を取得することと、トレーニングされたネットワークに基づき、原画像に後処理を施し、処理後の最適化画像を得ることとを含む。【選択図】図６

Description

本発明は医用画像結像技術に関し、より具体的には医用画像結像方法及びシステム、並びに非一時的なコンピュータ読み取り可能な記憶媒体に関する。

Ｘ線画像結像システムにおいては、供給源からの放射線を被験者に照射するが、当該被験者は通常医学診断応用における患者である。放射線の一部は前記患者を通過し、かつ、検出器に衝撃を与え、当該検出器は離散素子（例えば、画素）のマトリクスに区分される。検出器素子を読み取って衝撃を受けた各画素領域の放射線の数量または強度に基づき出力信号を生成する。次いで、前記信号を処理して、表示可能な検視用の医用画像を生成することができ、当該医用画像はＸ線画像結像システムの表示装置中に表示することができる。

検出器が収集した信号に基づき得られる医用画像の画像品質はあまり理想的ではないため、通常は当該医用画像に後処理（例えば、ノイズ低減、細部補正、コントラストの調整など）を施して、画像の品質を高める必要があるが、この過程においては、画像処理パラメータの間に相互依存性が存在しているため、ある１つの項目の後処理パラメータの調整がその他項目の後処理の効果に影響を及ぼし、例えば、コントラストパラメータに基づき医用画像のコントラストを調整すると、当該パラメータの調整が医用画像の細部に影響を及ぼす可能性があり（例えば、ある種の鍵となる細部が曖昧となる）、相応に、医用画像の背景ノイズに対する処理も医用画像の細部（コントラストまたはその他の面）に影響を及ぼす可能性があるため、各後処理過程における相応のパラメータを調節することにより比較的理想的な最適化画像を得ることは、繰り返し試みる必要があり、かつ、比較的困難である。

本発明では、医用画像結像方法及びシステム、並びに非一時的なコンピュータ読み取り可能な記憶媒体が提供されており、当該画像結像方法は、ディープラーニング技術に基づきネットワークを構築及びトレーニングしており、Ｘ線画像結像システムが収集した原画像をネットワーク中に入力することにより、後処理が施された後の最適化画像を得る（出力）することができ、当該最適化画像はコントラスト、細部補正、ノイズ低減などの面においていずれも非常に良好な結果を示している。

本発明の例示的な実施例では、医用画像結像方法が提供されており、前記方法は、Ｘ線画像結像システムが収集した原画像を取得することと、トレーニングされたネットワークに基づき、前記原画像に後処理を施して、処理後の最適化画像を得ることとを含む。

本発明の例示的な実施例では、更に、コンピュータプログラムを記憶するための非一時的なコンピュータ読み取り可能な記憶媒体が提供されており、前記コンピュータプログラムは、コンピュータにより実行されると、コンピュータに上記の医用画像結像方法に用いられる指令を実行させる。

本発明の例示的な実施例では、更に、医用画像結像システムが提供されており、前記システムは、制御モジュール及び後処理モジュールを含む。前記制御モジュールは、Ｘ線画像結像システムが収集した原画像を取得するために用いられ、前記後処理モジュールは、トレーニングされたネットワークに基づき、前記原画像に後処理を施して、処理後の最適化画像を得るために用いられる。

以下の詳細な記述、添付図面及び請求項を通して、その他の特徴及び方面が明確になるはずである。

添付図面を結合して本発明の例示的な実施例について記述することにより、本発明をより良好に理解することが可能となる。添付図面において、

本発明の一連の実施例におけるＸ線画像結像システムの概略図である。 本発明の一連の実施例における医用画像結像システムの概略図である。 本発明の一連の実施例における最適化過程の概略図である。 本発明の一連の実施例におけるネットワークの概略図である。 図２に示されている医用画像結像システムにおける表示モジュールの画像表示インターフェイスの概略図である。及び、 本発明の一連の実施例における医用画像結像方法の流れ図である。

以下においては本発明の具体的な実施形態について記述するが、ここで指摘すべきは、それら実施形態の具体的な記述過程においては、簡明かつ要点を明確に記述するため、本明細書では実際の実施形態におけるすべての特徴についていずれも詳細に記述することは不可能である点である。従って、任意の実施形態の実際の実施過程において、正に任意１つの工事プロジェクトまたは設計プロジェクトの過程においては、開発者の具体的な目標を実現するために、システム関連またはビジネス関連の制限を満足するために、常に各種各様の具体的な方針が下され、それにより１つの実施形態から他の実施形態への変化が生じる点を理解すべきである。また、更に、この種の開発過程において費やされた努力はおそらく複雑かつ冗長であるが、本発明で公開されている内容に関連する当業者に対して述べると、本公開で開示されている技術的内容を基礎として実施する一連の設計、製造または生産などの変更は通常の技術的手段に過ぎないと理解すべきであり、本公開の内容が不十分であると理解すべきではない。

別途定義されていない限り、特許請求の範囲及び明細書中で使用されている技術用語または科学用語は、本発明が属する技術分野内における一般の技術者が理解する通常の意味でなければならない。本発明特許出願の明細書及び特許請求の範囲中で使用する「第１」、「第２」及び類似した用語は、何らかの順序、数量または重要性を示しているものではなく、異なる構成部分を区別するためのものに過ぎない。「１つ」または「１」などの類似した用語は、数量の制限は示しておらず、少なくとも１つが存在することを示している。「含む」、「包含する」などの類似した用語は、「含む」または「包含する」の前に出現した要素または対象が「含む」または「包含する」の後に列挙されている要素または対象及びその等価な要素をカバーしていることを指しており、その他の要素または対象を排除するものではない。「接続する」、「接続される」などの類似した用語は、物理的または機械的な接続に限定されず、また直接的ないしは間接的な接続にも限定されない。

Ｘ線画像結像システムにおいては、後処理過程における各調節パラメータの間の相互影響により、ある１つのパラメータがその他の後処理過程に影響を及ぼすため、本発明の一連の実施例における医用画像結像方法及びシステムは、ディープラーニング技術に基づきＸ線画像結像システムで得られた原画像に後処理を施し、後処理後の最適化画像を直接取得することができ、それに基づき、後処理過程におけるパラメータ調節の難度及び調節する時間が低減されるばかりではなく、後処理後に得られる最適化画像の画像品質も向上しており、また、異なるユーザ（例えば、医師）の嗜好に応じて異なる学習ネットワークをトレーニングするとともに、ユーザの指令応じてネットワークの選択を行うことにより、異なるスタイル（つまり異なるユーザの嗜好）の最適化画像を得ることができる。ここで指摘すべきは、本分野または関連分野の一般的な技術者の角度から見て、このような記述は本発明をデジタルＸ線画像結像システム中に制限するものであると理解すべきではなく、実際に、このように記述されている医用画像結像方法及びシステムは医療分野及び非医療分野におけるその他の画像結像分野、例えば、ＣＴシステム、ＭＲシステム、ＰＥＴシステム、ＳＰＥＣＴシステムまたはそれらの任意の組合せに合理的に応用することができる点である。

図１には本発明の一連の実施例に基づくＸ線画像結像システム１００が示されている。図１に示すように、Ｘ線画像結像システム１００は、Ｘ線源１０４、検出器１０６、及び制御サブシステム１０８を含む。一連の実施例において、前記Ｘ線画像結像システム１００は、固定Ｘ線画像結像室中に設置される固定Ｘ線画像結像システムとしてもよく、移動Ｘ線画像結像システムとしてもよい。

Ｘ線源１０４は、被検出対象１０２中の所期の関心領域（ＲＯＩ）にＸ線１１４を投射することができる。具体的には、Ｘ線源１０４はコリメータ１１６に近接して位置決めすることができ、コリメータ１１６はＸ線１１４を被検出対象１０２中の所期のＲＯＩに位置合わせするために用いられる。Ｘ線１１４の少なくとも一部は被検出対象１０２を通過して減衰し、かつ、検出器１０６上に入射することができる。

検出器１０６は、検出器パネルアレイを含み、それは光を検知するフォトダイオード及びスイッチングする薄膜電界効果トランジスタ（ＦＥＴ）の画素アレイを含み、フォトンを電気信号に変換する。フォトダイオード及びＦＥＴの画素アレイ上に堆積されたシンチレータ材料は、シンチレータ材料表面上で受信した入射Ｘ線が放射したフォトンを比較的低エネルギのフォトンに変換する。上記文章で言及されている通り、フォトダイオード及びＦＥＴの画素アレイはフォトンを電気信号に変換する。代替候補として、検出器パネルアレイはＸ線フォトンを電気信号に直接変換することができる。それらの電気信号は検出器パネルアレイインターフェイス（それはデジタル信号を提供する）からコンピューティング装置１２０に与えられて、画像データに変換され、かつ、被検出対象１０２の医用画像を再構築する。一連の実施例において、検出器１０６は、光変換、直接変換及び／またはその他任意の適当な検出技術を使用して、入射Ｘ線１１４を電気信号に変換するように配置することができる。一連の実施例において、検出器１０６は、通信リンク１１２と無線通信するための無線通信インターフェイス及び有線通信インターフェイスを含み、制御サブシステム１０８と無線及び／または有線通信するために用いられ、無線通信インターフェイスは、任意の好適な無線通信プロトコル、例えば、超広帯域（ＵＷＢ）通信規格、ブルートゥース通信規格または任意のＩＥＥＥ ８０２．１１通信規格を利用することができる。

検出器１０６は、更に、有線または無線接続を経由して未処理または部分的に処理された画像データをワークステーションまたはポータブル式検出器制御装置に伝送するか、または処理されたＸ線画像をプリンタに伝送して画像のコピーを生成するように配置することができる。ポータブル式検出器制御装置は、携帯情報端末（ＰＤＡ）、パームトップコンピュータ、ラップトップコンピュータ、スマートフォン、例えばｉＰａｄＴＭなどのフラットパネルコンピュータまたは任意の好適な汎用もしくは専用のポータブル式インターフェイス装置を含むことができる。ポータブル式検出器制御装置は、ユーザが所持しかつ検出器１０６と無線通信するように配置される。検出器及びポータブル式検出器制御装置は、任意の好適な無線通信プロトコル、例えば、ＩＥＥＥ ８０２．１５．４プロトコル、ＵＷＢ通信規格、ブルートゥース通信規格または任意のＩＥＥＥ ８０２．１１通信規格を利用することができる点に注意すること。代替候補として、ポータブル式検出器制御装置は、検出器１０６に連結または着脱可能に連結して有線接続を経由して通信するように配置することができる。

制御サブシステム１０８は、ソースコントローラ（図示せず）及び検出器コントローラ（図示せず）を含む。ソースコントローラは、Ｘ線源１０４に画像を露光するためのＸ線１１４を発するように命令するために用いられる。検出器コントローラは、各種検出器機能の制御の協調を図るために用いられ、例えば、各種信号処理及びフィルタリング機能を実行することができ、具体的には、動的範囲の初期調整、デジタル画像データのインターリーブなどに用いられる。一連の実施例において、制御サブシステム１０８は、Ｘ線放射源１０４及び検出器１０６の操作を制御するためのパワー及びタイミング信号を提供することができる。確実に述べると、制御サブシステム１０８は、それぞれ電源１１０及び１つまたは複数の有線及び／または無線通信リンク１１２を使用することによりＸ線放射源１０４及び／または検出器１０６にパワー及びタイミング信号を提供することができ、通信リンク１１２は、バックプレーンバス、ローカルエリアネットワーク、ワイドエリアネットワーク及び／またはインターネットなどに対応可能である。一連の実施例において、電源１１０は１つまたは複数の電池を含み、また、図１には電源１１０とＸ線源１０４とが通信リンクを介して接続されると示されているが、当業者であれば理解可能な通り、電源１１０とＸ線源１０４とは直接結合することもできる。

制御サブシステム１０８は、異なる方式で使用するように設置及び／または配置することができる。例えば、一連の実現においては、単一の制御サブシステム１０８を使用することができ、その他の実現においては、複数の制御サブシステム１０８が一括して（例えば、分散型処理に基づく配置）または単独で動作するように配置され、各制御サブシステム１０８は、特定の面及び／または機能を処理する、及び／または特定の医用画像結像システムモデルの生成のみに用いられるデータを処理するように配置される。一連の実現において、制御サブシステム１０８は、ローカル（例えば、１つまたは複数のＸ線画像結像システム１００と同一地点、例えば、同一施設及び／または同一のローカルエリアネットワーク内）としてもよく、その他の実現において、制御サブシステム１０８は、リモートとしてもよく、リモート接続のみを経由（例えば、インターネットまたはその他の利用可能リモートアクセス技術を経由）してアクセスすることができる。特定の実現において、制御サブシステム１０８は、クラウドに類似した方式で配置してもよく、かつ、その他のクラウドベースのシステムにアクセス及び使用する方式と基本的に類似した方式でアクセス及び／または使用してよい。

一連の実施例において、システム１００は、更にコンピューティング装置１２０を含み、コンピューティング装置１２０は、デジタル化信号を使用して１つまたは複数の必要とする画像を再構築する及び／または被検出対象１０２に対応する有用診断情報を確定するように配置することができ、コンピューティング装置１２０は、１つまたは複数の専用プロセッサ、図形処理ユニット、デジタル信号プロセッサ、マイクロコンピュータ、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）またはその他適当な処理装置を含むことができる。

一連の実施例において、システム１００は、更に、記憶装置１２２を含み、コンピューティング装置１２０はデジタル化信号を記憶装置１２２中に記憶することができる。例えば、記憶装置１２２は、ハードディスクドライバ、ソフトディスクドライバ、光ディスク読み／書き（ＣＤ−Ｒ／Ｗ）ドライバ、デジタル汎用磁気ディスク（ＤＶＤ）ドライバ、フラッシュメモリドライバ及び／またはソリッドステート記憶装置を含むことができる。当該記憶装置は、コンピュータが実行可能なプログラムを記憶するために用いられ、コンピュータがプログラムを実行すると、Ｘ線画像結像システムの複数の部材が上記画像シーケンスに対応した操作を実施する。コンピュータがプログラムを実行すると、更に、医用画像結像方法を実行して、原画像に後処理を施して、後処理後の最適化画像を得ることができる。

図１では記憶装置１２２、コンピューティング装置１２０、及び制御サブシステム１０８を単独の装置として図示しているが、一連の実施例においては、それらのうちの１つまたは複数を単一の装置として組み合わせることにより、占有面積を効果的に使用及び／または所期の画像結像要求を満足することができる。

１つの実施例において、システム１００は、更に、表示装置１２４を含み、表示装置１２４は、再構築画像及び／または診断情報などを表示するために用いることができ、例えば、表示装置１２４は、上記の原画像及び／または最適化画像を表示することができ、その画像表示インターフェイスについては図３を結合して更に記述する。

１つの実施例において、システム１００は、更に、オペレータワークステーション１２６を含み、オペレータワークステーション１２６は、ユーザが再構築画像を受信及び評価すること、及び制御指令（操作信号または制御信号）を入力することを許容する。オペレータワークステーション１２６は、ユーザインターフェイス（またはユーザ入力機器）、例えば、キーボード、マウス、音声活性化コントローラまたは任意のその他好適な入力機器などのオペレータインターフェイスのある種の形式を含み、オペレータは、ユーザインターフェイスを介して制御サブシステム１０８に操作信号／制御信号、例えば、１つまたは複数の走査パラメータを入力、及び／または必要とする診断情報及び／または画像をリクエストして、被検出対象１０２の内部構造及び／またはメカニズムを評価することができる。

図２には本発明の一連の実施例に基づく医用画像結像システム２００が示されており、図３には本発明の一連の実施例に基づく最適化過程の概略図が示されており、図２〜３に示すように、医用画像結像システム２００は、制御モジュール２１０、後処理モジュール２２０及び表示モジュール２３０を含む。

制御モジュール２１０は、Ｘ線画像結像システムが収集した原画像を取得するために用いられる。

一連の実施例においては、検出器１０６（図１に示す）を介して被検出対象を通過して減衰したＸ線を収集し、かつ、データ処理及び再構築を行うと原画像を取得することができ、図３中の原画像２４６に示すように、原画像２４６は表示モジュール２３０中に表示することができる。一連の実施例において、制御モジュール２１０は、図１に示すように設置されているＸ線画像結像システム１００中の制御サブシステム１０８（またはコンピューティング装置１２０）に接続されるか、または当該制御サブシステム１０８（またはコンピューティング装置１２０）の一部となる。

後処理モジュール２２０は、トレーニングされたネットワークに基づき、原画像に後処理を施して、処理後の最適化画像を得るために用いられる。

具体的には、図３に示すように、原画像２４６をトレーニングされたネットワーク３００中に入力することにより、後処理後の最適化画像２４７を得る（または出力する）ことができる。一連の実施例において、後処理モジュール２２０が出力した最適化画像２４７も表示モジュール２３０中に表示することができる。一連の実施例において、後処理モジュール２２０は、図１に示されているＸ線画像結像システム１００中に設置されている制御サブシステム１０８（またはコンピューティング装置１２０）に接続されるか、または当該制御サブシステム１０８（またはコンピューティング装置１２０）の一部となる。

一連の実施例において、医用画像結像システム２００は、サンプル原画像セット（既知入力）及び目標画像セット（所望出力）に基づきネットワーク３００をトレーニングするためのトレーニングモジュール（図示せず）を更に含む。前記ネットワークは、トレーニングデータの準備、ネットワークモデルの選択及び構築、ネットワークのトレーニング、テスト及び最適化により完成する。一連の実施例において、トレーニングデータセットは、Ｘ線画像結像システム１００の記憶装置１２２中に記憶され、トレーニングモジュールは、前記トレーニングデータセットを取得することによりネットワークをトレーニング及び／または更新することができる。

一連の実施例において、トレーニングモジュールは、更に、以下の機能を実現するように配置される。

第１：Ｘ線画像結像システムが収集した複数枚の医用画像をサンプル原画像セットとして取得する。一連の実施例において、前記サンプル原画像は、Ｘ線画像結像システムに基づき再構築して得られた医用画像に前処理を施した後に得られ、前処理には正規化処理などが含まれる。別の一連の実施例においては、正規化処理を施していない医用画像をサンプル原画像セットとするとともに、前記サンプル原画像セットをネットワーク中に入力し、その後、ネットワーク中の正規化層に基づき前記サンプル画像に正規化処理を施すこともできる。別の一連の実施例において、前記サンプル原画像は、異なる型式番号のＸ線画像結像システムにより収集、再構築するとともに、正規化処理を施した後に得られる。

第２：前記サンプル原画像セット中の各画像に対応する後処理された後の最適化画像を取得して、目標画像セットとする。一連の実施例において、前記後処理には、ノイズ低減、細部補正、及びコントラスト調整過程のうちの１つまたは複数が含まれる。一連の実施例において、前記最適化画像は従来の後処理方法に基づき得られ、例えば、１つまたは複数の後処理パラメータを手動で調整するとともに、経験に基づき判断して得られる。しかし、当業者であれば理解可能な通り、上記最適化画像の取得は、上記表示方式に限定されず、任意の好適な方式を採用することもできる。

第３：前記サンプル原画像セットを入力とし、目標画像セットを出力とし、ネットワークをトレーニングして、前記トレーニングされたネットワークを得る。

別の一連の実施例において、トレーニングモジュールは、更に、以下の機能を実現するように配置される。

第１：Ｘ線画像結像システムが収集した複数枚の医用画像をサンプル原画像セットとする。

第２：複数のユーザの嗜好に基づき、それぞれサンプル原画像セット中の各画像に後処理を施して、各ユーザの嗜好に対応した複数の目標画像セットを得る。一連の実施例において、ユーザ（例えば、医師）の最適化画像に対する嗜好はいずれも異なり、あるユーザはコントラストが比較的高い画像を好み、あるユーザは細部が突出した画像を好むため、ユーザの嗜好に応じて、サンプル原画像に異なる後処理を施して、複数の目標画像セットを得ることができ、例えば、第１目標画像セットはコントラストが高い目標画像に対応しており、第２目標画像セットは細部が突出した目標画像に対応している。

第３：前記サンプル原画像セットを入力とし、複数の目標画像セットのうちの各々を出力とし、ネットワークをトレーニングして、各ユーザの嗜好に対応した１つまたは複数のネットワークを得る。例えば、サンプル原画像セット及び第１目標画像セットによりトレーニングして第１ネットワークを得る場合では、当該第１ネットワークはコントラストが高いことを好むユーザに対応しており、第１ネットワークにより後処理して得られる最適化画像もコントラストが比較的高くなり、同様に、サンプル原画像セット及び第２目標画像セットによりトレーニングして第２ネットワークを得る場合では、当該第２ネットワークは細部が突出することを好むユーザに対応しており、第２ネットワークにより後処理して得られる最適化画像も細部が突出している。

一連の実施例において、前記１つまたは複数のネットワークはＵＮｅｔまたはその他公知のモデルに基づきトレーニングされる。図４には本発明の一連の実施例に基づくネットワーク３００の概略図が示されている。図４に示すように、ネットワーク３００は、入力層３１０、処理層（隠れ層とも称される）３３０及び出力層３２０を含む。

一連の実施例において、処理層３３０は、エンコード部分（３３１〜３３８）及びデコード部分（３４１〜３４８）を含み、具体的に、処理層３３０は、第１エンコード層３３１及び第１エンコード層３３１にスキップコネクション（ｓｋｉｐ ｃｏｎｎｅｃｔｉｏｎ）された第１デコード層３４１と、第２エンコード層３３２及びそれにスキップコネクションされた第２デコード層３４２と、第３エンコード層３３３及びそれにスキップコネクションされた第３デコード層３４３と、第４エンコード層３３４及びそれにスキップコネクションされた第４デコード層３４４と、第５エンコード層３３５及びそれにスキップコネクションされた第５デコード層３４５と、第６エンコード層３３６及びそれにスキップコネクションされた第６デコード層３４６と、第７エンコード層３３７及びそれにスキップコネクションされた第７デコード層３４７と、第８エンコード層３３８及びそれにスキップコネクションされた第８デコード層３４８とを含み、かつ、第１〜第８エンコード層３３１〜３３８及び第８〜第１デコード層３４８〜３４１も順次接続される。スキップコネクションを設置することにより、ある１つのエンコード層の出力を、近隣層（つまり順次接続層）ではなく、それにスキップコネクションされたデコード層に直接伝送することができるため、異なる級別（例えば、異なる分解能）の特徴画像を出力することができる。

図４中には８つのエンコード層及び８つのデコード層を含む処理層が示されているが、当業者であれば理解可能な通り、処理層は任意の数量のエンコード層を含むことができ（デコード層の数量はエンコード層の数量に対応している）、８つに限定されず、エンコード層（またはデコード層）の数量はサンプル画像中の画素の数量に応じて適宜に調整することができる。また、当業者であれば理解可能な通り、図４にはネットワークの構造が例示的に示されているだけであり、任意のその他好適な配置を採用することもできる。

一連の実施例において、第１〜第８エンコード層３３１〜３３８及び第１〜第８デコード層３４１〜３４８のうちの各層は、いずれも少なくとも１つの畳み込み層及び少なくとも１つのプーリング層を含み、各畳み込み層及び各プーリング層はいずれも若干のニューロンを含み、かつ、各層中のニューロンの数量は同一としてもよく、必要に応じて異なる設定としてもよい。サンプル原画像（既知入力）及び目標画像（所望出力）に基づき、ネットワークにおける処理層の数量及び各処理層におけるニューロンの数量を設定するとともに、ネットワークの重み付け及び／または偏差を予測（または調整もしくは校正）することにより、既知入力と所望出力との間の数学的関係を識別する、及び／または各層入力と出力との間の数学的関係を識別及び特徴付ける。

具体的には、１つの層のニューロンの数量をｎと設定し、かつ、当該ｎ個のニューロン中の対応する値をＸ_１、Ｘ_２、…Ｘ_ｎと設定し、前記１つの層に接続する直下１層のニューロンの数量をｍと設定し、かつ、当該ｍ個のニューロン中の対応する値をＹ_１、Ｙ_２、…Ｙ_ｍと設定すると、前記隣接する２つの層の間は下記の通り表示することができる。

式中、Ｘ_ｉは直前１層の第ｉ番目のニューロンに対応する値を示し、Ｙ_ｊは直後１層の第ｊ番目のニューロンに対応する値を示し、Ｗ_ｊｉは重み付けを示し、Ｂ_ｊは偏差を示す。一連の実施例において、関数ｆは正規化線形ユニットである（Ｒｅｃｔｉｆｉｅｄ Ｌｉｎｅａｒ ｕｎｉｔ、ＲｅＬＵ）。

従って、重み付けＷ_ｊｉ及び／または偏差Ｂ_ｊを調整することにより、各層の入力と出力との間の数学的関係を識別して、損失関数（ｌｏｓｓ ｆｕｎｃｔｉｏｎ）を収束させて、前記ネットワークをトレーニングすることができる。

ネットワークを新たに構築するか良好にトレーニングすると、後処理待ちの原画像をネットワーク中に入力するだけで、後処理後の最適化画像を取得することができる。

１つの実施例において、ネットワーク３００の配置は、予測問題の先験的知識、入力、出力などの次元によりリードされるが、入力データに依存するかまたは専ら基づくことにより必要とする出力データの最適近似解が実現される。各種の代替実施形態においては、データ、結像幾何学、再構築アルゴリズムなどのある種の面及び／または特徴を利用して、ネットワーク３００中のある種のデータ表示に明確な意義を付与することができ、それはトレーニング加速の助けとなる。それによりネットワーク３００中における単独トレーニング（またはプレトレーニング）が新たに構築されるかまたはある種の層を定義する機会が得られる。

一連の実施例において、上記のサンプル原画像セット（サンプル原画像セット及びそれに対応する目標画像セットを含む）は更新して、新たなサンプル画像セットに基づき前記トレーニング済みのネットワークに対して更新または最適化を実施することができ、前記目標画像セットは、従来の後処理方法に基づき得ることができ（つまり１つまたは複数の後処理パラメータを調整するとともに、経験に応じて判断して得られる）、本発明における一連の実施例に記載されている医用画像結像方法に基づき（つまり上記のトレーニングされたネットワークを介して）得ることもできる。

別の一連の実施例において、上記のトレーニングされたネットワークは、外部キャリア（例えば、医用画像結像システム以外の機器）上のトレーニングモジュールに基づきトレーニングして得られる。一連の実施例において、前記トレーニングモジュールは、サンプル原画像セット及びそれに対応して後処理を実施した後の目標画像セットに基づき、ＵＮｅｔまたはその他公知のモデルに基づいて、前記ネットワークをトレーニングする。一連の実施例において、トレーニングシステムは、トレーニングデータセット（サンプル原画像セット及び目標画像セットを含む）を記憶するための第１モジュール、モデルに基づきトレーニング及び／または更新を実施するための第２モジュール、及び第１モジュールと第２モジュールとを接続するためのネットワークを含むことができる。一連の実施例において、前記第１モジュールは、第１処理ユニット及び第１記憶ユニットを含み、第１記憶ユニットは、トレーニングデータセットを記憶するために用いられ、第１処理ユニットは、関連する指令（例えば、トレーニングデータセットを取得する）を受信するとともに、指令に応じて前記トレーニングデータセットを送信するために用いられ、また、前記第２モジュールは、第２処理ユニット及び第２記憶ユニットを含み、第２記憶ユニットは、トレーニングモデルを記憶するために用いられ、第２処理ユニットは、関連する指令を受信して、ネットワークのトレーニング及び／または更新などを実施するために用いられ、別の一連の実施例においては、更に、トレーニングデータセットを第２モジュールの第２記憶ユニット中に記憶することができ、トレーニングシステムは第１モジュールを含まなくてもよい。一連の実施例において、ネットワーク各種の接続類型、例えば、有線、無線通信リンクまたは光ファイバケーブルなどを含むことができる。

ひとたびデータ（例えば、トレーニングされたネットワーク）が生成及び／または配置されると、データはＸ線画像結像システム１００中に複製及び／またはロードされるが、それは異なる方式で達成することができる。例えば、Ｘ線画像結像システム１００と制御サブシステム１０８との間■定方向接続またはリンクを介してモデルをロードすることができる。この点について述べると、利用可能な有線及び／または無線接続を使用する、及び／または任意の好適な通信（及び／またはネットワーク）規格またはプロトコルに応じて異なる素子の間の通信を達成することができる。選択候補またはそれ以外として、データは間接的にＸ線画像結像システム１００中にロードすることができる。例えば、データは好適な機器の読み取り可能媒体（例えば、フラッシュメモリカードなど）中に記憶することができ、その後、当該媒体を使用してデータをＸ線画像結像システム１００（フィールド、例えば、システムのユーザまたは権限付与した人）中にロードするか、またはデータをローカル通信可能な電子機器（例えば、ノートパソコンなど）中にダウンロードし、その後、フィールドで（例えば、システムのユーザまたは権限付与した人が）当該機器を使用して当該データを直接接続（例えば、ＵＳＢコネクタなど）を経由してＸ線画像結像システム１００中にアップロードすることができる。

本文で検討している通り、ディープラーニング技術（深層機械学習、階層型学習または深層構造化学習などとも称される）には学習するための人工ニューラルネットワークが採用されている。ディープラーニング方法の特徴は、１つまたは複数のネットワーク構造を使用して関心のあるデータを抽出またはシミュレートすることにある。ディープラーニング方法は、１つまたは複数の処理層（例えば、入力層、出力層、畳み込み層、正規化層、サンプリング層などであり、異なる深層ネットワークモデルに基づき異なる数量及び機能の処理層を有することができる）を使用して達成することができ、層の配置及び数量は、深度ネットワークが複雑な情報抽出を処理し、タスクをモデリングすることを許容している。通常はいわゆる学習過程（またはトレーニング過程）を介してネットワークの特定パラメータ（「重み付け」または「偏差」と称してもよい）を予測する。学習またはトレーニングされたパラメータは、通常、１つの異なる級別層に対応するネットワークを導出（または出力）するため、初期データの異なる面の抽出もしくはシミュレート、または直前１層の出力は、通常、層の階層構造またはカスケードを表示することができる。画像処理または再構築過程において、それはデータ中の異なる特徴級別の異なる層に対するものであると特徴付けられる。従って、処理は層別に実施することができ、つまり、比較的早いまたは比較的高い級別の層は、入力データ中から「簡単な」特徴を抽出することに対応可能であり、次いで、これらの簡単な特徴をより高い複雑度の特徴を表現する層となるように組み合わせる。実際上、各層（またはより具体的に、各層中の各「ニューロン」）は１つまたは複数の線形及び／または非線形変換（いわゆる活性化関数）を採用して、入力データを出力データとなるように処理して表示することができる。複数の「ニューロン」の数量は複数の層の間で一定としてもよく、または層から層まで変化としてよい。

本文で検討している通り、特定問題を解決するディープラーニング過程における初期トレーニングの一部として、トレーニングデータセットは、既知入力値（例えば、サンプル画像または画像を座標変換した画素マトリクス）及びディープラーニング過程において最終的に出力する所望（目標）出力値（例えば、画像または識別判断結果）を含む。この種の方式により、ディープラーニングアルゴリズムは、既知入力と所望出力との間の数学的関係を識別及び／または各層の入力と出力との間の数学的関係を識別及び特徴付けるまで、当該トレーニングデータセットを（監督もしくはリードする方式または無監督もしくは非リード方式で）処理することができる。学習過程においては、通常、（一部の）入力データを利用するとともに、当該入力データのためにネットワーク出力を新たに構築し、その後、新たに構築されたネットワーク出力と当該データセットの所望出力とを比較した後、新たに構築された所望の出力との間の差異を使用してネットワークのパラメータ（重み付け及び／または偏差）を繰り返し更新する。通常は確率的勾配下降（Ｓｔｏｃｈａｓｔｉｃ ｇｒａｄｉｅｎｔ ｄｅｓｃｅｎｔ、ＳＧＤ）法を使用してネットワークのパラメータを更新することができ、その後、当業者であれば理解している通り、本分野における既知のその他の方法を使用してネットワークパラメータを更新することもできる。同様に、単独の検証データセットを採用してトレーニングされたネットワークを検証することができ、既知入力及び所望出力はいずれも既知であるため、既知入力をトレーニングされたネットワークに提供することによりネットワーク出力を得ることができ、その後、当該ネットワーク出力と（既知の）所望出力とを比較して先行するトレーニング及び／または過度のトレーニングの防止を検証する。

引き続き図２を参照すると、表示モジュール２３０は、原画像及び最適化画像を表示するために用いられる。図５には医用画像結像システム２００における表示モジュール２３０の画像表示インターフェイス２３１が示されており、図５に示すように、画像表示インターフェイス２３１は、最適化画像２４７を表示するために用いられ、同様に、図３に示されている原画像２４６も画像表示インターフェイス２３１中に表示することもできる。

表示モジュール２３０は、第１指令を生成して、原画像２４６をネットワーク３００中に入力するための第１操作ユニットを含み、例えば、前記第１操作ユニットは画像表示インターフェイス２３１中に設置され、具体的に、前記第１操作ユニットは画像表示インターフェイス２３１のメニュー欄２４１中に設置され、より具体的に、前記第１操作ユニットはメニュー欄２４１中の後処理制御オプション２４２である。一連の実施例において、ユーザは第１操作ユニットを励起することにより、第１指令を得ることができ、具体的に、ユーザはマウスまたは外部入力機器を介して前記オプション２４２を選択することができ、タッチすることによりオプション２４２などを選択することもできる。

表示モジュール２３０は、第２指令を生成し、１つまたは複数のネットワークにおいて１つを選択して、原画像２４６に後処理を施すための第２操作ユニットを含む。一連の実施例において、前記第２操作ユニットは、画像表示インターフェイス２３１のメニュー欄２４１中に設置され、より具体的に、前記第２操作ユニットは、メニュー欄２４１中のネットワーク選択オプション（図示せず）であり、ユーザは第２操作ユニットを励起することにより、第２指令を得ることができ、具体的には、ユーザはマウスまたは外部入力機器を介して前記オプションを選択することができ、タッチすることによりオプションなどを選択することもできる。別の一連の実施例において、第２操作ユニットはユーザ登録インターフェイスに設置され、ユーザが自らのアカウントを登録すると、システムは当該ユーザに対応するネットワークを自動的に識別するかまたは選択することができ、選択可能として、ユーザが自らのアカウントを登録した後、ネットワークの選択インターフェイスがポップアップし、ユーザが必要とするネットワークを手動で選択することができる（つまり必要とする最適化画像スタイルに対応している）。

上記実施例では第２操作ユニットを表示モジュールに設置することを説明しているが、当業者であれば理解可能な通り、第２操作ユニットは、任意その他の制御機器またはシステム中に設置することもでき、例えば、制御室のカードリーダに設置してユーザのＩＤを識別し、当該ユーザに対応するネットワークを自動的に選択することができる。

表示モジュール２３０は、第３指令を生成して、前記原画像及び前記最適化画像を前記ネットワーク中に入力して前記ネットワークを最適化するための第３操作ユニットを含み、例えば、前記第３操作ユニットは画像表示インターフェイス２３１のメニュー欄２４１中に設置され、具体的に、前記第３操作ユニットはメニュー欄２４１中のネットワーク最適化オプションである（図示せず）。一連の実施例において、ユーザは第３操作ユニットを励起することにより、第３指令を得ることができ、具体的に、ユーザはマウスまたは外部入力機器を介して前記オプションを選択することができ、タッチすることによりオプションなどを選択することもできる。

一連の実施例において、画像表示インターフェイス２３１中のメニュー欄２４１は、更に、拡大または縮小、移動などの操作ユニットを含むことができる。

図５ではメニュー欄２４１が画像表示インターフェイスの左側の位置に位置しているとのみ表示されているが、当業者であれば理解可能な通り、メニュー欄２４１は任意の方式及び／または位置及び／またはスタイルで表示することができ、例えば、フローティングウィンドウを有してもよく、選択することによりすべてのメニューオプションを展開することができ、またはメニュー欄を表示インターフェイスの下方に１列配置するなどであってもよい。また、図５中の画像表示インターフェイス２３１は最適化画像２４７及びメニュー欄２４１のみを表示しているが、当業者であれば理解可能な通り、画像表示インターフェイス２３１は、更に、その他のタイプの内容を表示してもよく、例えば、最適化画像表示部分の左側に、更に、画像のアドレス、複数の画像（原画像及び最適化画像）の切換え制御などのその他の内容を含むことができる。一連の実施例においては、原画像及び最適化画像を同一のグラフィックユーザインターフェイス中に表示することもできる。

一連の実施例において、表示モジュール２３０は、Ｘ線画像結像システムにおける表示装置１２４（図１に示す）であり、表示モジュール２３０は、走査室（または機器室）に設置された制御表示器及び／または制御室に設置された表示器を含む。

図６には本発明の一連の実施例に基づく医用画像結像方法４００の流れ図が示されている。図６に示すように、本発明の一連の実施例における医用画像結像方法４００は、ステップ４１０及び４２０を含む。

ステップ４１０においては、Ｘ線画像結像システムが収集した原画像を取得する。

一連の実施例においては、検出器を介して被検出対象を通過して減衰したＸ線を収集し、かつ、データ処理及び再構築を実施すると医用画像を得ることができ、前記原画像は、Ｘ線画像結像システムにおける表示装置または表示モジュール中に表示することができる。

ステップ４２０においては、トレーニングされたネットワークに基づき、前記原画像に後処理を施して、処理後の最適化画像を得る。具体的には、原画像をトレーニングされたネットワーク中に入力することにより、後処理後の最適化画像を得る（または出力する）ことができ、最適化画像も同様にＸ線画像結像システムにおける表示機器中に表示することができる。

一連の実施例において、前記ネットワークは、トレーニングデータの準備、ネットワークモデルの選択及び構築、ネットワークのトレーニング、テスト及び最適化により完成する。一連の実施例において、前記１つまたは複数のネットワークはＵＮｅｔまたはその他公知のモデルに基づきトレーニングされ、前記ネットワークは、サンプル原画像セット及び目標画像セットに基づくトレーニングにより得られ、具体的に、前記ネットワークのトレーニングは、以下のステップ１〜ステップ３を含む。

ステップ１：Ｘ線画像結像システムが収集した複数枚の医用画像をサンプル原画像セットとする。一連の実施例において、前記サンプル原画像は、Ｘ線画像結像システムに基づき再構築して得られた医用画像に前処理を施した後に得られ、前処理には正規化処理などが含まれる。一連の実施例において、前記サンプル原画像は、異なる型式番号のＸ線画像結像システムにより収集、再構築するとともに、正規化処理を施した後に得られる。

ステップ２：前記サンプル原画像セット中の各画像に対応する後処理された後の最適化画像を取得して、目標画像セットとする。一連の実施例において、前記後処理には、ノイズ低減、細部補正、及びコントラスト調整過程のうちの１つまたは複数が含まれる。一連の実施例において、前記最適化画像は従来の後処理方法に基づき得られ、例えば、１つまたは複数の後処理パラメータを手動で調整するとともに、経験に基づき判断して得られる。しかし、当業者であれば理解可能な通り、上記最適化画像の取得は、上記表示方式に限定されず、任意の好適な方式を採用することもできる。

ステップ３：前記サンプル原画像セットを入力とし、目標画像セットを出力とし、ネットワークをトレーニングして、前記トレーニングされたネットワークを得る。

別の一連の実施例において、前記ネットワークのトレーニングは、以下のステップ１〜ステップ３を含む。

ステップ１：Ｘ線画像結像システムが収集した複数枚の医用画像をサンプル原画像セットとする。

ステップ２：複数のユーザの嗜好に基づき、それぞれサンプル原画像セット中の各画像に後処理を施して、各ユーザの嗜好に対応した複数の目標画像セットを得る。一連の実施例において、ユーザ（例えば、医師）の最適化画像に対する嗜好はいずれも異なり、あるユーザはコントラストが比較的高い画像を好み、あるユーザは細部が突出した画像を好むため、ユーザの嗜好に応じて、サンプル原画像に異なる後処理を施して、複数の目標画像セットを得ることができ、例えば、第１目標画像セットはコントラストが高い目標画像に対応しており、第２目標画像セットは細部が突出した目標画像に対応している。

ステップ３：前記サンプル原画像セットを入力とし、複数の目標画像セットのうちの各々を出力とし、ネットワークをトレーニングして、各ユーザの嗜好に対応した１つまたは複数のネットワークを得る。例えば、サンプル原画像セット及び第１目標画像セットによりトレーニングして第１ネットワークを得る場合では、当該第１ネットワークはコントラストが高いことを好むユーザに対応しており、第１ネットワークにより後処理して得られる最適化画像もコントラストが比較的高くなり、同様に、サンプル原画像セット及び第２目標画像セットによりトレーニングして第２ネットワークを得る場合では、当該第２ネットワークは細部が突出することを好むユーザに対応しており、第２ネットワークにより後処理して得られる最適化画像も細部が突出している。

一連の実施例においては、ステップ４２０（トレーニングされたネットワークに基づき、前記原画像に後処理を施して、処理後の最適化画像を得る）の前に、ユーザの第１指令に基づき前記原画像を前記ネットワーク中に入力することが更に含まれ、具体的に、前記第１指令は、画像表示インターフェイス中の第１操作ユニットに基づき励起される。

一連の実施例において、前記トレーニングされたネットワークは、１つまたは複数のネットワークを含み、医用画像結像方法４００は、更に、ユーザの第２指令に基づき、前記１つまたは複数のネットワーク中の１つを選択して、前記原画像に後処理を施すことを含む。一連の実施例において、前記ユーザの第２指令は、ユーザの身分識別に基づき励起される。別の一連の実施例において、前記ユーザの第２指令は、画像表示インターフェイス中の第２操作ユニットに基づき励起される。

一連の実施例において、医用画像結像方法４００は、更に、ユーザの第３指令に基づき、前記原画像及び前記最適化画像を更に前記ネットワーク中に入力して前記ネットを最適化することを含み、具体的に、前記第３指令は、画像表示インターフェイス中の第３操作ユニットに基づき励起される。

本発明で提出されているディープラーニングに基づく医用画像結像方法は、より正確、より適時に医用原画像に後処理を施すことができるため、現場技師の手動調整及び経験による判断に依拠することなく、後処理過程におけるパラメータ調節の難度及び調節時間が低減されると同時に、後処理後に得られる最適化画像の画像品質も更に向上している。また、更に、ユーザの嗜好（またはスタイル）に応じて、異なるスタイルのサンプル画像セットを設置して、異なるスタイルの学習ネットワークをトレーニングし、ユーザがそれに対応した学習ネットワークを選択することにより、ユーザの嗜好に対応した最適化画像スタイルを得ることができる。

本発明では、更に、指令セット及び／またはコンピュータプログラムを記憶するための非一時的なコンピュータ読み取り可能な記憶媒体が提供されており、当該指令セット及び／またはコンピュータプログラムは、コンピュータにより実行されると、コンピュータに上記の医用画像結像方法に用いられる指令を実行させ、当該指令セット及び／またはコンピュータプログラムを実行するコンピュータは、Ｘ線画像結像システムのコンピュータとしてもよく、Ｘ線画像結像システムのその他の装置／モジュールとしてもよく、１種の実施例において、当該指令セット及び／またはコンピュータプログラムは、コンピュータのプロセッサ／コントローラ中に編成されている。

具体的に、当該指令セット及び／またはコンピュータプログラムがコンピュータにより実行されると、コンピュータに、
Ｘ線画像結像システムが収集した原画像を取得させ、
トレーニングされたネットワークに基づき、前記原画像に後処理を施して、処理後の最適化画像を取得させる。

以上に記載された指令は、１つの指令に併合して実行することができ、任意１つの指令を複数の指令に分割して実行することもでき、また、上記の指令実行順序にも限定されない。

一連の実施例において、前記原画像に後処理を施す前に、更に、ユーザの第１指令に基づき前記原画像を前記ネットワーク中に入力することを含む。

一連の実施例において、前記トレーニングされたネットワークは、１つまたは複数のネットワークを含み、かつ、前記方法は、更に、ユーザの第２指令に基づき前記１つまたは複数のネットワークのうちの１つを選択して、前記原画像に後処理を施すことを含む。

一連の実施例においては、更に、ユーザの第３指令に基づき、前記原画像及び前記最適化画像を前記ネットワーク中に更に入力して前記ネットワークを最適化することを含む。

本文章で使用している用語「コンピュータ」には、任意のプロセッサベースまたはマイクロプロセッサベースのシステムを含むことができ、それにはマイクロコントローラ、縮小命令セットコンピュータ（ＲＩＳＣ）、特定用途向け集積回路（ＡＳＩＣ）、論理回路及び本文で記述している機能を実行可能な任意その他の回路またはプロセッサを使用したシステムが含まれる。上記文章の例示はデモンストレーションであるに過ぎず、任意の方式を採用して用語「コンピュータ」の定義及び／または意義を制限することは意味していない。

指令セットは、処理機としてのコンピュータまたはプロセッサに特定の操作、例えば、各種実施例の方法及びプロセスを実行するように指示する各種の命令を含むことができる。指令セットにはソフトウェアプログラムの形式を採用することができ、当該ソフトウェアプログラムは、１つまたは複数の有形の非一時的なコンピュータ読み取り可能な媒体の一部を形成することができる。当該ソフトウェアには、例えば、システムソフトウェアまたはアプリケーションソフトウェアの各種の形式を採用することができる。また、当該ソフトウェアには、独立したプログラムまたはモジュールの集合、更に大きなプログラム内におけるプログラムモジュールまたはプログラムモジュールの一部分の形式を採用することができる。当該ソフトウェアは、更に、オブジェクト指向プログラミングの形式を採用したモジュール化プログラミングを含むことができる。入力データは、処理機の処理によりオペレータの命令に応答するか、または先行する処理結果に応答するか、または別の処理機により行われたリクエストに応答することができる。

上記においてはすでに一連の例示的な実施例について記述している。しかし、ここで理解すべきは、各種の修正を施すこともできる点である。例えば、記述されている技術を異なる順序で実行する、及び／または記述されているシステム、アーキテクチャ、設備、または回路中のコンポーネントを異なる方式で組み合わせる及び／または個別のコンポーネントまたはその等価物で代替または補充することにより、好適な結果を実現することができる。相応に、その他の実施形態も特許請求の範囲の保護範囲内に入っているものとする。

１００ Ｘ線画像結像システム
１０２ 被検出対象
１０４ Ｘ線源（Ｘ線放射源）
１０６ 検出器
１０８ 制御サブシステム
１１０ 電源
１１２ 通信リンク
１１４ Ｘ線
１１６ コリメータ
１２０ コンピューティング装置
１２２ 記憶装置
１２４ 表示装置
１２６ オペレータワークステーション
２００ 医用画像結像システム
２１０ 制御モジュール
２２０ 後処理モジュール
２３０ 表示モジュール
２３１ 画像表示インターフェイス
２４１ メニュー欄
２４２ オプション
２４６ 原画像
２４７ 最適化画像
３００ ネットワーク
３１０ 入力層
３２０ 出力層
３３０ 処理層
３３１〜３３８ エンコード部分
３３１ 第１エンコード層
３３２ 第２エンコード層
３３３ 第３エンコード層
３３４ 第４エンコード層
３３５ 第５エンコード層
３３６ 第６エンコード層
３３７ 第７エンコード層
３３８ 第８エンコード層
３４１〜３４８ デコード部分
３４１ 第１デコード層
３４２ 第２デコード層
３４３ 第３デコード層
３４４ 第４デコード層
３４５ 第５デコード層
３４６ 第６デコード層
３４７ 第７デコード層
３４８ 第８デコード層
４００ 医用画像結像方法

Claims (17)

1. Ｘ線画像結像システム（１００）が収集した原画像（２４６）を取得することと、
   トレーニングされたネットワーク（３００）に基づき、前記原画像（２４６）に後処理を施し、処理後の最適化画像（２４７）を得ることと、を含む、医用画像結像方法（４００）。
2. 前記原画像（２４６）に後処理を施す前に、ユーザの第１指令に基づき前記原画像（２４６）を前記ネットワーク（３００）中に入力することを更に含む、請求項１に記載の方法（４００）。
3. 前記第１指令は、画像表示インターフェイス（２３１）中の第１操作ユニットに基づき励起される、請求項２に記載の方法（４００）。
4. 前記トレーニングされたネットワーク（３００）は、１つまたは複数のネットワーク（３００）を含み、かつ、前記方法（４００）は、
   ユーザの第２指令に基づき前記１つまたは複数のネットワーク（３００）のうちの１つを選択し、前記原画像（２４６）に後処理を施すことを更に含む、請求項１に記載の方法（４００）。
5. 前記ユーザの第２指令は、ユーザの身分認証に基づき励起される、請求項４に記載の方法（４００）。
6. 前記ユーザの第２指令は、画像表示インターフェイス（２３１）中の第２操作ユニットに基づき励起される、請求項４に記載の方法（４００）。
7. 前記ネットワーク（３００）は、サンプル原画像セット及び目標原画像セットに基づきトレーニングして得られる、請求項１に記載の方法（４００）。
8. 前記トレーニング方法は、
   Ｘ線画像結像システム（１００）が収集して得られた複数枚の原画像（２４６）を取得して、サンプル原画像セットを得ることと、
   １つまたは複数のユーザの嗜好に基づき、それぞれ前記原画像（２４６）に後処理を施して、各ユーザの嗜好に対応した複数の目標画像セットを得ることと、
   前記サンプル原画像セットを入力とし、前記複数の目標画像セットのうちの各々をそれぞれ出力として、ニューラルネットワークをトレーニングし、各ユーザの嗜好に対応した１つまたは複数のネットワーク（３００）を得ることと、を含む、請求項７に記載の方法（４００）。
9. ユーザの第３指令に基づき、前記原画像（２４６）及び前記最適化画像（２４７）を更に前記ネットワーク（３００）中に入力して前記ネットワーク（３００）を最適化することを更に含む、請求項１に記載の方法（４００）。
10. 前記第３指令は、画像表示インターフェイス（２３１）中の第３操作ユニットに基づき励起される、請求項９に記載の方法（４００）。
11. コンピュータプログラムを記憶するための非一時的なコンピュータ読み取り可能な記憶媒体であって、前記コンピュータプログラムは、コンピュータにより実行されると、コンピュータに請求項１〜１０のいずれか１項に記載の医学画像結像方法（４００）を実行させる、非一時的なコンピュータ読み取り可能な記憶媒体。
12. Ｘ線画像結像システム（１００）が収集した原画像（２４６）を取得するための制御モジュール（２１０）と、
    トレーニングされたネットワーク（３００）に基づき、前記原画像（２４６）に後処理を施し、処理後の最適化画像（２４７）を得るための後処理モジュール（２２０）と、
    前記原画像（２４６）及び前記最適化画像（２４７）を表示するための表示モジュール（２３０）と、を含む、医用画像結像システム（２００）。
13. 前記表示モジュール（２３０）は、第１指令を生成して、前記原画像（２４６）を前記ネットワーク（３００）中に入力するための第１操作ユニットを含む、請求項１２に記載のシステム（２００）。
14. サンプル原画像セット及び目標画像セットをトレーニングするためのトレーニングモジュールを更に含む、請求項１２に記載のシステム（２００）。
15. 前記トレーニングモジュールは、更に、
    Ｘ線画像結像システム（１００）が収集して得られた複数枚の原画像（２４６）を取得して、サンプル原画像セットを得て、
    １つまたは複数のユーザの嗜好に基づき、それぞれ前記原画像（２４６）に後処理を施して、各ユーザの嗜好に対応した複数の目標画像セットを得て、
    前記サンプル原画像セットを入力とし、前記複数の目標画像セットのうちの各々をそれぞれ出力として、ニューラルネットワークをトレーニングし、各ユーザの嗜好に対応した１つまたは複数のネットワーク（３００）を得るように、配置される、請求項１４に記載のシステム（２００）。
16. 前記表示モジュール（２３０）は、第２指令を生成し、前記１つまたは複数のネットワーク（３００）のうちの１つを選択して、前記原画像（２４６）に後処理を施すための第２操作ユニットを含む、請求項１５に記載のシステム（２００）。
17. 前記表示モジュール（２３０）は、第３指令を生成し、前記原画像（２４６）及び前記最適化画像（２４７）を前記ネットワーク（３００）中に入力して前記ネットワーク（３００）を最適化するための第３操作ユニットを含む、請求項１２に記載のシステム（２００）。