JP2021013725A - 医用装置 - Google Patents

医用装置 Download PDF

Info

Publication number
JP2021013725A
JP2021013725A JP2020035530A JP2020035530A JP2021013725A JP 2021013725 A JP2021013725 A JP 2021013725A JP 2020035530 A JP2020035530 A JP 2020035530A JP 2020035530 A JP2020035530 A JP 2020035530A JP 2021013725 A JP2021013725 A JP 2021013725A
Authority
JP
Japan
Prior art keywords
synogram
filter
neural network
data
radiation
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.)
Pending
Application number
JP2020035530A
Other languages
English (en)
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 JP2021013725A publication Critical patent/JP2021013725A/ja
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/037—Emission tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/70—
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging 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
    • G06T2207/10—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
    • G06T2207/10072—Tomographic images
    • G06T2207/10108—Single photon emission computed tomography [SPECT]
    • 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
    • G06T2207/10121—Fluoroscopy
    • 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
    • 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
    • G06T2211/421—Filtered back projection [FBP]
    • 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

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、検出器によって検出された放射線の強度を表す放射線サイノグラムを取得し、第１のニューラルネットワークを取得し、再構成カーネルを使用して前記放射線サイノグラムにフィルタを掛けることで、フィルタ補正済みのデータを生成し、前記フィルタ補正済みのデータを前記第１のニューラルネットワークに適用することで、前記第１のニューラルネットワークからフィルタ補正済みサイノグラムを出力し、前記フィルタ補正済みサイノグラム上で解析的画像再構成を実行する回路を備える。【選択図】図１

Description

本明細書等に開示の実施形態は、医用装置に関する。
本開示は、解析的画像再構成プロセス（例えば、フィルタ補正逆投影）中にディープラーニング（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ：ＤＬ）ニューラルネットワークを適用する医用イメージングの再構成に関し、より詳細には、再構成カーネル（例えば、ｒａｍｐフィルタ）を使用してサイノグラムをフィルタするフィルタ補正ステップの後におよび解析的画像再構成ステップ（例えば、逆投影）の前に、ＤＬニューラルネットワークを適用する医用イメージングの再構成に関する。
本明細書で行う背景技術の説明は、一般に本開示の文脈を提示することを目的としている。本発明者の研究は、この背景技術の項でその研究が記載されている範囲において、また出願時点で従来技術と認められていない可能性のある記載の態様についても、本開示に対する従来技術として明示的にも暗示的にも認められない。
医用イメージングは生体の内部器官を描画する。医用イメージングの実施例には、Ｘ線撮影、Ｘ線コンピュータ断層撮影（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ：ＣＴ）、陽電子放射型断層撮影（Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ：ＰＥＴ）、単光子放射型ＣＴ（Ｓｉｎｇｌｅ−Ｐｈｏｔｏｎ Ｅｍｉｓｓｉｏｎ ＣＴ：ＳＰＥＣＴ）、蛍光透視、および血管造形がある。画像が生成されると、医師はその画像を使用して患者のけがや病気を診断することができる。
Ｘ線ＣＴシステムおよびその方法は、特に医用イメージングおよび診断に広く使用されている。ＣＴシステムは一般に対象の身体を通して１つまたは複数の切断面切片の画像を作成する。Ｘ線源などの放射線源は身体を一方から照射する。身体の反対側にある少なくとも１つの検出器は身体を透過した放射線を受け取る。身体を通過した放射線の減衰は、検出器で受け取った電気信号を処理することによって測定される。
Ｘ線ＣＴは、癌、心臓、および脳のイメージングに広範な臨床用途を見出した。例えば、癌スクリーニングや小児科用イメージングを含む様々な用途にＣＴがますます使用されるにつれて、臨床的ＣＴスキャンの放射線量を合理的に達成可能な限り低くする動きが生じている。低線量ＣＴの場合、高量子ノイズ負荷走査幾何学などの多くの要因によって、画質が劣化する可能性がある。
低線量ＣＴ画像品質を改善するために多くの最先端技術が開発されてきたが、画像品質を改善し、それによってますます低いＸ線量での臨床的品質画像を可能にするより良い方法（例えば、より高速、よりロバスト、および／またはノイズ抑圧が改善された方法）が望まれている。
米国特許出願公開第２０１８／０２９３７６２号明細書 米国特許出願公開第２０１９／００３５１１８号明細書 米国特許出願公開第２０１４／０１１９６２８号明細書
Ｄｏｎｇ Ｈｙｅ Ｙｅ， ｅｔ ａｌ. "Ｄｅｅｐ Ｂａｃｋ Ｐｒｏｊｅｃｔｉｏｎ Ｆｏｒ Ｓｐａｒｓｅ−Ｖｉｅｗ ＣＴ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ"； Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｉｃａｌ ａｎｄ Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ−Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｍａｔｈｅｍａｔｉｃｓ ， Ｐｕｒｄｕｅ Ｕｎｉｖｅｒｓｉｔｙ， Ｗｅｓｔ Ｌａｆａｙｅｔｔｅ， ＩＮ， ４７９０７； ａｒＸｉｖ：１８０７．０２３７０ｖ１； ［ｅｅｓｓ.ＩＶ] Ｊｕｌｙ ６， ２０１８． Ｈｕ Ｃｈｅｎ， ｅｔ ａｌ． "Ｌｏｗ−Ｄｏｓｅ ＣＴ ｖｉａ Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ"； Ｃｏｌｌｅｇｅ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ， Ｓｉｃｈｕａｎ Ｕｎｉｖｅｒｓｉｔｙ， Ｃｈｅｎｇｄｕ ６１００６５，Ｃｈｉｎａ， Ｎａｔｉｏｎａｌ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｆｕｎｄａｍｅｎｔａｌ Ｓｃｉｅｎｃｅ ｏｎ Ｓｙｎｔｈｅｔｉｃ Ｖｉｓｉｏｎ， Ｓｉｃｈｕａｎ Ｕｎｉｖｅｒｓｉｔｙ； Ｃｈｅｎｇｄｕ ６１００６５， Ｃｈｉｎａ， Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｓｃｉｅｎｔｉｆｉｃ Ｒｅｓｅａｒｃｈ ａｎｄ Ｅｄｕｃａｔｉｏｎ， Ｔｈｅ Ｓｉｘｔｈ Ｐｅｏｐｌｅ’ｓ Ｈｏｓｐｉｔａｌ ｏｆ Ｃｈｅｎｇｄｕ； Ｃｈｅｎｇｄｕ ６１００６５， Ｃｈｉｎａ， Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｒｅｎｓｓｅｌａｅｒ Ｐｏｌｙｔｅｃｈｎｉｃ Ｉｎｓｔｉｔｕｔｅ， Ｔｒｏｙ， ＮＹ １２１８０， ＵＳＡ； ９ ｐａｇｅｓ.
本明細書等に開示の実施形態が解決しようとする課題の一つは、医用画像の画質を向上させることである。ただし、本明細書等に開示の実施形態により解決される課題は上記課題に限られない。後述する実施形態に示す各構成による各効果に対応する課題を、本明細書等に開示の実施形態が解決する他の課題として位置付けることもできる。
実施形態の医用装置は、検出器によって検出された放射線の強度を表す放射線サイノグラムを取得し、第１のニューラルネットワークを取得し、再構成カーネルを使用して前記放射線サイノグラムにフィルタを掛けることで、フィルタ補正済みのデータを生成し、前記フィルタ補正済みのデータを前記第１のニューラルネットワークに適用することで、前記第１のニューラルネットワークからフィルタ補正済みサイノグラムを出力し、前記フィルタ補正済みサイノグラム上で解析的画像再構成を実行する回路を備える。
図１は、一実施形態による、ディープラーニング（ＤＬ）ネットワークをトレーニングし、次いでＤＬネットワークを使用して解析的コンピュータ断層撮影（ＣＴ）画像再構成を実行する方法のフロー図である。 図２は、一実施形態による、解析的再構成ステップの前にサイノグラムをフィルタするプロセスのフロー図である。 図３は、一実施形態による、ＤＬネットワークの係数を反復的に調整することによってＤＬネットワークをトレーニングして損失−誤差関数を最適化するプロセスのフロー図である。 図４Ａは、一実施形態による、ＤＬネットワークの一実施例である。 図４Ｂは、一実施形態による、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１タイプの一実施例である。 図５は、一実施形態による、医用イメージングシステムの図である。 図６は、一実施形態による、Ｘ線ＣＴスキャナの概要図である。 図７Ａは、一実施形態による、陽電子放射型断層撮影（ＰＥＴ）スキャナの斜視図である。 図７Ｂは、一実施形態による、ＰＥＴスキャナの概要図である。
前述のように、断層画像の解析的再構成の画質を改善するより良い方法が多くの理由から望まれている。これらの理由には、解析的画像再構成方法が速成であることができること、および画質を改善することによってより低い放射線量で臨床的画質を可能にすることができることがある。さらに、より良い方法はアーチファクトを低減したり、解像度を高めたりすることができる。本明細書に記載の方法により、解析的画像再構成方法のフィルタ補正ステップ中に１つまたは複数のディープラーニングネットワークを適用することを通じて性能改善を提供する。
例えば、フィルタ補正逆投影（Ｆｉｌｔｅｒｅｄ Ｂａｃｋ−Ｐｒｏｊｅｃｔｉｏｎ：ＦＢＰ）がコンピュータ断層撮影（ＣＴ）画像の解析的再構成にしばしば使用される。ＦＢＰは解析的再構成ステップに伴ったフィルタ補正ステップとして捉えることができる。フィルタ補正ステップでは、ｒａｍｐフィルタ（または他の再構成カーネル）を使用してサイノグラムをフィルタする。そして、解析的再構成ステップでは、フィルタ済みのサイノグラムを逆投影することによってＣＴ画像が生成される。一般に、再構成カーネルを用いたフィルタ補正は、空間領域（例えば、再構成カーネルを用いてサイノグラムを畳み込むことによって）または空間周波数領域（例えば、サイノグラムと再構成カーネルをそれぞれ周波数領域に変換して掛け合わせることによって）のいずれかで実行することが可能である。以下では、「空間周波数」を略して「周波数」とも記載する。また、「投影領域」及び「サイノグラム領域」の用語は解析的再構成ステップ以前のデータについて使用され、「画像領域」の用語は解析的再構成ステップ後のデータについて使用される。
ＦＢＰの実施例を続けると、本明細書に記載の方法はフィルタ補正ステップの後および解析的再構成ステップの前にＤＬネットワークを適用する。さらに、ある実施形態では、第２のＤＬネットワークをフィルタ補正ステップの前に使用してサイノグラムをノイズ除去することもできる。この第２のＤＬネットワークは、例えば、ローパスフィルタまたは平滑化フィルタを実行することができる。
再構成カーネル（または、フィルタ）はＣＴ画像再構成において解析アルゴリズムの重要な機能を担う。例えば、データ逆投影プロセスのｒａｍｐフィルタは画像がぼやけることを防ぐ。ｒａｍｐフィルタと呼ばれる理由は、それが周波数領域において飛行機のタラップ（ｒａｍｐ）に似ているからである。例えば、ｒａｍｐフィルタはしばしば、周波数領域において｜Ｗ｜の要素（すなわち、ゼロ周波数からの距離に比例）を掛け合わせることによって適用され、逆投影が実行されると正確な解析解を提供する。さらに、ｒａｍｐフィルタは、望ましいノイズテクスチャと画像コントラスト／解像度を提供するために選択したウィンドウ関数と掛け合わせることができる。
関連した方法と比較すると、本明細書に記載の方法はいくつかの利点を有している。関連した方法では、ディープ畳み込みニューラルネットワーク（Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＤＣＮＮ）は、再構成カーネルを用いてサイノグラムをフィルタする前にのみ（した後ではなく）、サイノグラムに適用されてノイズ除去及びサイノグラム復元の少なくとも一方を実行する。フィルタ補正ステップの前にのみＤＣＮＮを適用することによって、関連した方法は、解析的画像再構成において高周波数の構成要素の重要性と役割を低く強調している可能性がある。これは、解析的画像再構成に関して、データが再構成カーネル（例えば、ｒａｍｐフィルタ）でフィルタされてから逆投影され、そのｒａｍｐフィルタが低周波数の構成要素に小さい重み付けを適用することを考慮すると、分かりやすい。大きく重み付けされた構成要素は、これらはしばしば高周波数の構成要素であるが、解析的再構成においてより重要な役割を果たす。再構成カーネルによってフィルタする前に実行されるこの関連した方法は、高周波数の構成要素に適用された大きな重み付けを考慮していないため、解析的画像再構成の性能低下につながる。
したがって、関連した方法とは対照的に、本明細書に記載の方法は、サイノグラムの高周波数の構成要素に適用される大きな重み付けを考慮に入れて、再構成カーネルフィルタ補正ステップと解析的再構成ステップの間においてニューラルネットワークを使用する。
本明細書に記載の方法は、主にＸ線ＣＴの非限定的実施例を用いて示され、このＸ線ＣＴはＣＴ画像が再構成されるサイノグラムを取得するのに使用される画像診断装置（モダリティ）である。しかし、本明細書に記載の方法は、本明細書で提案するフレームワークを適用することによって、ＰＥＴやＳＰＥＣＴなどの他の医用イメージング診断装置に使用することも可能である。したがって、本明細書での論考により、本開示の非限定的実施例を開示し記載する。当業者に理解されるように、本開示はそれの精神または本質的特質から逸脱することなく他の特定の形式で実施することができる。したがって、本開示は、本発明の範囲を限定せず、他のクレームと同様に例示することを意図している。本開示は、本明細書の教示について容易に識別可能なあらゆる変形を含み、発明の主題を公にしないように前述のクレーム中の用語の範囲を一部に限定する。
前述のように、本明細書に記載の方法はＤＬネットワーク（これは、ニューラルネットワークまたはアーティフィシャルニューラルネットワークと呼ぶこともできる）を使用する。このＤＬネットワークはトレーニングされ、解析的画像再構成ステップ（例えば、逆投影）より前にサイノグラム処理を最適化する。以下に述べる例示的実施例は、しばしば、トレーニング済みのＤＬネットワークがサイノグラムのノイズ除去を実行することを仮定している。しかし、より一般的には、トレーニング済みＤＬネットワークは、フィルタ補正済みサイノグラムが対象のサイノグラムに最もよく一致することを可能にする画像処理機能を習得している。このように、トレーニング済みＤＬネットワークはノイズ除去に限定されず、サイノグラムのエッジ強調やアーチファクト抑制の機能を実行することもでき、例えば、これらの機能により、フィルタ済み／ネットワーク処理済みサイノグラムが対象のサイノグラムにより近づくという結果がもたらされる。しかし単純化と簡略化のために、論考では、対象のサイノグラムにより近づけるために実行される機能を羅列するのではなく、ノイズ除去を実行するものとしてＤＬネットワークに言及する。
ここで図を参照すると、いくつかの図を通して同様の参照番号が同一または対応する部分を示している。図１は、ＤＬネットワーク１７０をトレーニングし使用してＣＴ投影データのデータ領域補正を実行する方法の非限定的実施例（例えば、サイノグラム復元やノイズ除去、スムージング、アーチファクト補正など）を示すフロー図である。方法１０は、図１に図示するように、ＤＬネットワーク１７０を使用して生データ１０５（例えば、サイノグラム）に最適にフィルタを掛ける方法を学習し、次いで解析的画像再構成ステップ（例えば、逆投影）を実行してＤＬネットワークでフィルタ済みのデータからＣＴ画像を再構成する。方法１０は２つの部分、（ｉ）オフライントレーニングプロセス１５０および（ｉｉ）医用イメージングプロセス１００を有する。すなわち、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、医用イメージングプロセス１００はトレーニング済みのＤＬネットワーク１７０を使用して投影領域で生データ１０５にフィルタを掛け、それによって、ノイズとアーチファクトを低減させた高品質の再構成画像１３５を生成する。
いくつかの実施形態では、ＤＬネットワーク１７０は畳み込みニューラルネットワーク（ＣＮＮ）を備え、そこでは、連続した畳み込み層、バッチ正規化層、および正規化線形ユニットネットワーク層が実行される。
ＤＬネットワーク１７０はトレーニングプロセス１６０を使用してトレーニングされる。トレーニングプロセス１６０では、損失関数を使用してＤＬネットワーク１７０のパラメータ（例えば、ＤＬネットワーク１７０のパラメータは、ネットワーク層を接続する重み付け係数、および各層内のノードの活性化関数／ポテンシャルを含む）を反復調整／最適化する。ネットワークパラメータの最適化は停止基準が充足するまで継続し（例えば、停止基準は損失関数の値が既定の閾値に収束したかどうかであってもよい）、トレーニング済みのＤＬネットワーク１７０を生成する。
損失関数は、入力データ１５７をＤＬネットワーク１７０の現在のバージョンに適用して生成された出力と対象データ１５３を比較する。例えば、入力データはＣＴスキャンそれぞれについてのサイノグラム／データ領域の中にノイズを含んだ投影データを含み、対象データは同一のＣＴスキャンそれぞれについてのサイノグラム／データ領域の中に低ノイズ（すなわち、入力データよりもノイズが少ない）投影データを含むことができる。さらに、既定の再構成カーネル（例えば、ｒａｍｐフィルタ）を使用して対象データにフィルタを掛ける。これは、図２のステップ１１４に示すように、入力データに上でＤＬネットワーク１７０が実行するプロセス／フィルタ補正は再構成カーネルを使用したフィルタ補正を含むためである。
所与のＣＴスキャンについて、入力データの各低品質（例えば、ノイズを含んでいる）のサイノグラムは、対応する再構成カーネルでフィルタ補正済みの高品質のサイノグラムと対をなす。１つの実施形態では、低品質の（例えば、ノイズを含む）サイノグラムが低線量ＣＴスキャンを使用して生成され、高品質の（例えば、ノイズ低減済み）サイノグラムは高線量ＣＴスキャンを使用して生成される。これらスキャンは、例えば、生体疑似模型で実行することができる。
入力データからの低品質サイノグラムをＤＬネットワーク１７０の現在のバージョンおよび再構成カーネルフィルタ補正に適用すると、ネットワークからの出力が生成される。その出力は、低品質サイノグラムをＤＬネットワークでフィルタ補正済みのもの（すなわち、フィルタ補正済みのサイノグラム）であると想定される。ＤＬネットワーク１７０はＤＬネットワーク１７０の中でネットワーク係数を反復的に調整することによってトレーニングされ、ＤＬネットワーク１７０からのＤＬネットワークでフィルタ補正済みサイノグラムと対象データ１５３からの高品質なサイノグラムとの差異を最小化する。対象データとＤＬネットワーク１７０からの出力との差異が最小化すると、ＤＬネットワーク１７０のトレーニングは完了したと判断される。この差異が十分に最小化したかどうかの判定は、トレーニングプロセス１６０の１つまたは複数の既定の停止基準に基づいて行なうことができる。停止基準が充足されると、トレーニング済みのＤＬネットワーク１７０は、格納され、次いで後で呼び出されて医用イメージングプロセス１００で使用することができる。
代替の実施形態では、ＤＬネットワーク１７０は残差ネットワーク（Ｒｅｓｉｄｕａｌ Ｎｅｔｗｏｒｋ：ＲｅｓＮｅｔ）として実装される。このケースは、本明細書に記載の方法は、低品質のサイノグラムから直接除去することが可能な付加的な残差としてノイズを取り扱うことによって画像をノイズ除去することができる。これは対象データをノイズ／アーチファクトそのもの（例えば、低品質のサイノグラムと高品質のサイノグラムとの間の差異）として取り扱うことによって達成される。このように、低品質のサイノグラムがニューラルネットワークに適用されると、ネットワークはノイズ／アーチファクトを表した画像を出力する。次いで、修正済みサイノグラムを生成するために低品質のサイノグラムからのネットワーク出力（ノイズ／アーチファクト）を取り除くことによって、修正済みサイノグラムを生成することができる。
方法１０では、損失関数を使用して、停止基準を充足する（例えば、既定の閾値にパラメータが収束する）までＤＬネットワーク１７０のネットワーク係数（例えば、畳み込み層およびプーリング層の重み付けやバイアス）を反復的に調整し、トレーニング済みのＤＬネットワーク１７０を生成する。損失関数は、入力データ１５７が適用されるＤＬネットワーク１７０の現在のバージョンの結果と高品質データである対象データ１５３を比較する。
前述のように、ＣＴ画像再構成はただ１つの非限定的例示的実施例に過ぎない。別の実施例は陽電子放射型断層撮影法（ＰＥＴ）のイメージングである。ＰＥＴイメージングのケースでは、陽電子放射データ用にサイノグラムを生成することができ、方法１０を使用して陽電子放射データにサイノグラムのノイズ除去／復元を適用することができる。例えば、方法１０には、ＤＬネットワーク１７０をトレーニングすることと、トレーニング済みのＤＬネットワーク１７０に低品質の（例えば、ノイズを含んでいる）ＰＥＴサイノグラム（すなわち、生データ１０５）を適用して高品質のＰＥＴサイノグラムを生成することが含まれる。
ＰＥＴイメージングのケースでは、高品質データと低品質データがそれぞれ、長時間と短時間のスキャンで蓄積される。一般的に、短時間で蓄積されたサイノグラムの信号雑音比（Ｓｉｇｎａｌ−ｔｏ−Ｎｏｉｓｅ Ｒａｔｉｏ：ＳＮＲ）は低い。したがって、完全長のＰＥＴスキャンからのすべての一致カウントを使用して対象データ１５３（例えば、高品質なサイノグラム）を生成し、サイノグラムについて可能な最高のＳＮＲを生成することができる。一方、完全なデータセットから選択された一致カウントの部分サブセットを使用して（例えば、完全長のＰＥＴスキャンの半分だけからのデータを使用して）低品質データである入力データ１５７を生成し、その結果、ノイズが多く含まれたサイノグラム（例えば、√２の小さいＳＮＲ）をもたらす。
図１に戻ると、医用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って、例えば、ＣＴスキャンを実行して一連の視野角（すなわち、低品質のサイノグラム）でＣＴ投影を生成することによって実行される。例えば、低線量ＣＴスキャンを使用して、生データ１０５としてサイノグラムを生成することができる。
医用イメージングプロセス１００のプロセス１１０では、生データ１０５をトレーニング済みのＤＬネットワーク１７０に適用することによって、生データ１０５をフィルタ補正する。次いで、ＤＬネットワーク１７０はＤＬネットワークでフィルタ補正済みのサイノグラムを出力する。プロセス１１０のより詳細な説明は図２を参照して以下に提供する。
医用イメージングプロセス１００のステップ１２０では、ＤＬネットワークでフィルタ補正済みのサイノグラムからＣＴ画像が再構成される。もっと頻繁には、逆投影を使用して解析的画像再構成が実行される。より一般的には、様々な方法を使用して解析的画像再構成を実行することができる。それらには、Ｆｅｌｄｋａｍｐ Ｄａｖｉｓ Ｋｒｅｓｓ（Ｆｅｌｄｋａｍｐ Ｄａｖｉｓ Ｋｒｅｓｓ：ＦＤＫ）法、一般化ＦＤＫ法、リビニングＦＢＰ法、ｎ−Ｐｉ法、Ｐｉ−ｓｌａｎｔ法、Ｋａｔｓｅｖｉｃｈの厳密法、アダプティブマルチプルプレーン再構成（Ａｄａｐｔｉｖｅ Ｍｕｌｔｉｐｌｅ ｐｌａｎｅ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ：ＡＭＰＲ）法、拡張シングルスライスリビニング（Ａｄｖａｎｃｅｄ Ｓｉｎｇｌｅ−Ｓｌｉｃｅ Ｒｅｂｉｎｎｉｎｇ：ＡＳＳＲ）法、重み付けＦＢＰ法、逐次近似応用再構成法（Ａｄａｐｔｉｖｅ Ｉｔｅｒａｔｉｖｅ Ｄｏｓｅ Ｒｅｄｕｃｔｉｏｎ ３Ｄ：ＡＩＤＲ ３Ｄ）がある。
医用イメージングプロセス１００のステップ１３０では、別の画像領域ノイズ除去が実行される。このステップは任意で、いくつかの実施形態では省くことができる。
例示的ノイズ除去方法は、線形平滑化フィルタ、異方性拡散、ｎｏｎーｌｏｃａｌ ｍｅａｎ、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フィルタを代表する畳み込みカーネルを用いて元の画像を畳み込むことによってノイズを取り除く。例えば、ガウス畳み込みカーネルはガウス関数によって決定する要素からなる。この畳み込みは各画素の値をその隣接する画素の値により同調するように仕向ける。異方性拡散は、熱伝導方程式に類似した平滑化偏微分方程式のもとで画像を展開することによって鮮明なエッジを保存したままでノイズを取り除く。メディアンフィルタは非線形フィルタの一例である。これを適切に設計すれば、非線形フィルタはエッジを保存してぼやけを回避することもできる。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る。これを適用して、目立ったぼやけアーチファクトを持ち込むことなく画像からごま塩ノイズを取り除くことができる。さらに、ｔｏｔａｌ−ｖａｒｉａｔｉｏｎ（Ｔｏｔａｌ−Ｖａｒｉａｔｉｏｎ：ＴＶ）最小化正則化の期間を使用するフィルタは、均一な区域間のくっきりとした境界線によって境界を画定された広域を通じた均一性の仮説を画像化領域がサポートする場合に適用することができる。ＴＶフィルタは非線形フィルタの別の例である。さらに、ｎｏｎ−ｌｏｃａｌ ｍｅａｎフィルタ補正は、画像内の類似した区画にまたがった重み付け平均を使用してノイズ除去する画素を決定する例示的方法である。
最後に、再構成画像１３５は良好な画像品質を有する出力であり、この再構成画像１３５はユーザに表示することができる、さらに言うと、将来の利用のために格納することができる。
図２は、プロセス１１０の非限定的実施例のフロー図である。このプロセスはＤＬネットワークが使用されてサイノグラムにフィルタを掛ける２つのステップ（すなわち、ステップ１１２およびステップ１１６）を示している。第１のＤＬ−ネットワークステップ（すなわち、ステップ１１２）はＤＬネットワークを使用してサイノグラムにフィルタを掛けてから再構成カーネルフィルタ補正を行い、第２のＤＬ−ネットワークステップ（すなわち、ステップ１１６）は別のＤＬネットワークを使用してサイノグラムにフィルタを掛ける前に再構成カーネルフィルタ補正を行う。第１のＤＬ−ネットワークステップ（すなわち、ステップ１１２）は選択であり、ある実施形態では省くことができる。ステップ１１２とステップ１１６の両方についてのＤＬネットワークはＤＬネットワーク１７０の一部として考えることができる。また、ステップ１１４で再構成カーネルを適用することは、ＤＬネットワーク１７０の一部として考えることもできる。しかし、ステップ１１４はトレーニングプロセス１６０中に最適化される調整可能な重み付け係数を含んでいない。したがって、図２はＤＬネットワーク１７０から入力を受け取るステップ１１４を示していない。ステップ１１２とステップ１１６の両方はＲｅｓＮｅｔとして実装することができる。
ステップ１１２では、生データ１０５をＤＬネットワーク１７０の第１のネットワークに適用して、１度フィルタ補正済みデータ１１３を生成する。
ステップ１１４では、１度フィルタ補正済みデータ１１３に再構成カーネルを使用してフィルタを掛け、２度フィルタ補正済みのデータ１１５を生成する。例えば、空間領域において、１度フィルタ補正済みデータ１１３を再構成カーネルを用いて畳み込むことができる。以下で説明するように、様々なタイプの再構成カーネルを使用することができる。一般に、ステップ１１４で１度フィルタ補正済みデータ１１３にフィルタを掛けるのに使用する再構成カーネルと同一のものを使用してＤＬネットワーク１７０をトレーニングするのに使用する対象データを準備することもできる。
ステップ１１６では、２度フィルタ補正済みデータ１１３をＤＬネットワーク１７０の第２のネットワークに適用し、３度フィルタ補正済みデータ１１７を生成する。トレーニングプロセス１６０では、生データ１０５から３度フィルタ補正済みのデータ１１７を生成するためにプロセス１１０で使用したものと同一のプロセスを使用して、入力データから出力サイノグラムを生成することができる。次いで、損失関数を使用して出力サイノグラムを対象データと比較することができる。
しばしば、再構成カーネルはｒａｍｐフィルタであるが、方法１０の精神から離れて他のバリエーションを使用することができる。一般に、再構成カーネルは、ぼやけを画像の中に出現させる低周波数に減じた重み付けを適用するハイパスフィルタである。周波数領域では、ｒａｍｐフィルタ数学関数が次の方程式によって与えられる。
ここで、ｋｘとｋｙは空間周波数である。
ｒａｍｐフィルタは、単純逆投影からもたらされる放射状アーチファクトを除去するような補償的なフィルタである。ぼやけが体軸横断面に出現するため、フィルタはその横断面にのみ適用される。ｒａｍｐフィルタは空間周波数に線形的に比例する。一般に、ｒａｍｐフィルタのようなハイパスフィルタは画像のエッジを鮮明にし（信号が敏速に変化する画像の領域）、対象エッジ情報を造影する。ハイパスフィルタの欠点は、測定されたカウントの中に存在する統計ノイズを増幅することである。ｒａｍｐフィルタの高周波数の増幅を低減するために、ｒａｍｐフィルタはローパスフィルタ（例えば、ウィンドウ関数）と組み合わせて再構成カーネルを作成することができる。
ＣＴ画像の中の統計ノイズを低減するまたは取り除くために、ｒａｍｐフィルタは様々なローパス／平滑化フィルタと組み合わせることができる。ローパスフィルタは主に２つのパラメータ、すなわち、「遮断周波数」と「次数」（または「パワー」）によって特徴づけられる。遮断周波数（または、ロールオフ周波数）は、ノイズが除去される周波数より上方を定義する。フィルタ関数は遮断周波数より上方のすべての周波数についてゼロであると定義される。遮断周波数の値は、フィルタが画像ノイズと解像度の両方にどのように影響するかを決定する。高遮断周波数は空間解像度を改善し、したがってより細部を見ることができるが、画像にノイズが残存する。低遮断周波数は平滑化を高めるが最終再構成における画像コントラストを低下させる。パラメータの次数はフィルタ関数のスロープを制御し、ロールオフの峻度の特徴を明らかにする。高次数は急落をもたらす。
ｒａｍｐフィルタはいくつかのローパスフィルタのうちの１つと組み合わせることができ、それらにはバタワースフィルタ、Ｈａｎｎｉｎｇフィルタ、Ｐａｒｚｅｎフィルタ、Ｓｈｅｐｐ−Ｌｏｇａｎフィルタがある。さらに、ＭｅｔｚおよびＷｉｅｎｅｒの２タイプの解像度復元フィルタは再構成カーネルに使用されてきた。これらのローパスフィルタはしばしばウィンドウと呼ばれ、ｒａｍｐフィルタとのローパスフィルタの組み合わせはウィンドウ化ｒａｍｐフィルタと呼ぶことができる。どのローパスフィルタを使用するかの選択、および他のパラメータの中から遮断周波数の選択が適切であることは、ＣＴスキャナの幾何学的配置および検出器配列（例えば、画素ピッチ、コーン／ファンビーム角、およびＸ線の点広がり関数）に依存する可能性がある。ローパスフィルタとｒａｍｐフィルタの一般的な組み合わせは略称で呼ばれている。例えば、ｒａｍｐフィルタの矩形関数はＲａｍ−Ｌａｋフィルタと呼ばれる。Ｓｈｅｐｐ−Ｌｏｇａｎフィルタは別の組み合わせで使用することができる。
ある実施形態では、ステップ１１２およびステップ１１６で使用されるＤＬネットワーク１７０の第１のネットワークおよび第２のネットワークは畳み込みニューラルネットワーク（ＣＮＮ）である。ＣＮＮのネットワークは、例えば次のようなローカルの小型フィルタを直接生成してもよい。
ここで、ｗｉｊはｉ番目の画素上のフィルタである。
ここで、ＤＬネットワークのトレーニングについて詳細に説明する（例えば、トレーニングプロセス１６０）。ここでの説明は、対象データ１５３が高品質のサイノグラムであって、入力データ１５７が低品質のサイノグラムである例を使用する。
図３はトレーニングプロセス１６０の１つの実施形態のフロー図である。トレーニングプロセス１６０では、入力データ１５７（例えば、低品質のサイノグラム）と対象データ１５３（例えば、高品質のサイノグラム）がＤＬネットワーク１７０をトレーニングするためのトレーニングデータとして使用され、その結果として、ＤＬネットワーク１７０がトレーニングプロセス１６０のステップ３１９から出力される。オフラインのＤＬのトレーニングプロセス１６０は、ＤＬネットワーク１７０をトレーニングするために対応した対象データ１５３（対象サイノグラム）と対をなす入力データ１５７（入力サイノグラム）を多数使用してＤＬネットワーク１７０をトレーニングし、入力データ１５７から対象データ１５３に似たＤＬ−ネットワークでフィルタ補正済みサイノグラムを作成する。
トレーニングプロセス１６０では、１組のトレーニングデータが取得され、ＤＬネットワーク１７０は反復的に更新され、誤差（例えば、損失関数によって生じた値）を低減する。ＤＬネットワークはトレーニングデータによって暗示されたマッピングを推測し、コスト関数は、対象データ１５３とＤＬネットワーク１７０の現在のインカネーションを入力データ１５７に適用したことによって生じた結果との間の不整合に関する誤差値を作り出す。例えば、ある実施形態では、コスト関数は平均二乗誤差を使用して平均的な二乗誤差を最小化する。多層パーセプトロン（ＭｕｌｔｉＬａｙｅｒ Ｐｅｒｃｅｐｔｒｏｎｓ：ＭＬＰ）ニューラルネットワークのケースでは、（確率的）勾配降下法を使用して平均二乗誤差ベースのコスト関数を最小化することによって、逆伝搬アルゴリズムをネットワークのトレーニングに使用することができる。
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の係数についての初期推定が生成される。例えば、初期推定は、画像化される領域の演繹的知識、あるいは例示的ノイズ除去法、エッジ検出法、および／またはｂｌｏｂ検出法のうちの１つまたは複数に基づいて行うことができる。さらに、初期推定は、ＬｅＣｕｎ初期化、Ｘａｖｉｅｒ初期化、およびＫａｉｍｉｎｇ初期化のうちの１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からステップ３１９により、ＤＬネットワーク１７０をトレーニングするための最適方法の非限定的実施例を提供する。
誤差は、例えば損失関数またはコスト関数を使用して、ＤＬネットワーク１７０の現在のバージョンを適用した後の対象データ１５３（すなわち、グランドトルース）と入力データ１５７との間の差異の尺度（例えば、距離尺度）を示すように計算される。前述のコスト関数を含み、任意の既知のコスト関数または画像データ間の距離尺度を使用して、誤差を計算することができる。さらに、ある実施形態では、誤差／損失関数は、１つまたは複数のヒンジ損失および交差エントロピー損失を使用して計算することができる。
ある実施形態では、トレーニングは以下の損失関数を最小化することによって実行される。
ここで、ｄｊはｐをスカラ量にもつ形式を有する重みである。
ある実施形態では、ＤＬネットワーク１７０は逆伝搬によってトレーニングされる。逆伝搬を使用してニューラルネットワークをトレーニングすることができ、勾配降下最適化法と併せて使用される。フォワードパス中には、アルゴリズムは現在のパラメータθに基づいてネットワークの予測を見積もる。次いで、これらの予測は損失関数に入力され、それによって対応するグランドトルースラベル（すなわち、高品質の対象データ１５３）と比較される。バックワードパス中には、モデルは現在のパラメータに関して損失関数の勾配を見積もる。その後に、そのパラメータは最小化された損失の方向に既定のサイズのステップサイズを使用することによって更新される（例えば、Ｎｅｓｔｅｒｏｖモメンタム法や様々なアダプティブ法のような加速法においては、より敏速に収束させて損失関数を最適化するように、ステップのサイズを選択することができる）。
ある実施形態では、ステップ１１２からステップ１１６の画像処理は逆伝搬用ＤＬネットワークであると想定される。しかし、ステップ１１２からステップ１１６に実装されるＣＮＮの重み付け係数だけが変化することを許可される。すなわち、ＣＮＮの重み付け係数を調整して対象のサイノグラムとのより高い整合性を生成することができるが、ステップ１１４で実行するパラメータは変化しない。この意味において、ステップ１１２からステップ１１６のネットワークにおいて重み付け係数だけがトレーニングプロセスによって調整されているとしても、ステップ１１２からステップ１１６の全体をＤＬネットワークとしてみなすことができる。
逆投影が実行される最適化法は、勾配降下、バッチ勾配降下、確率的勾配降下、およびミニバッチ確率的勾配降下のうちの１つまたは複数を使用することができる。フォワードパスおよびバックワードパスは、ネットワーク層それぞれを通じてインクリメンタルに実行することができる。フォワードパスにおいては、入力を第１の層に送り込むことによって処理が開始し、こうして次の層向けに出力活性化を作成する。このプロセスは、最後の層の損失関数に到達するまで繰り返される。バックワードパス中は、最後の層が（もしあるなら）それ自体の学習可能なパラメータに関して、またそれ自体の入力に関しても勾配を見積もり、それによって前の層向けのアップストリーム導函数として機能する。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に戻ると、トレーニングプロセス１６０のステップ３１７は、ネットワークの中の変化の関数が計算できるように（例えば、誤差勾配）、誤差の中の変化を測定し、誤差の中の変化を使用してＤＬネットワーク１７０の重み／係数に対するその後の変化のために方向と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計算することは、勾配降下最適化法のある実施形態に合致している。いくつかの他の実施形態では、普通の当業者に理解されるように、このステップは、別の最適化アルゴリズム（例えば、模擬アニーリングまたは遺伝的アルゴリズムのような非勾配降下最適化アルゴリズム）により、省略し、または他のステップによって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、新しい１組の係数がＤＬネットワーク１７０向けに決定される。例えば、重み／係数は、勾配降下最適化法またはオーバリラクゼーション加速法でのように、ステップ３１７で計算された変化を使用して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では、新しい誤差値がＤＬネットワーク１７０の更新済み重み／係数を使用して計算される。
ステップ３１９では、既定の停止基準を使用して、ネットワークのトレーニングが完了したかどうかを判定する。例えば、既定の停止基準は、新しい誤差および／または実行された反復総数が既定値を超過しているかどうかを評価することができる。例えば、新しい誤差が既定の閾値を下回っている場合、または反復の最大数に到達している場合に、停止基準は充足することができる。停止基準が充足していない場合は、トレーニングプロセス１６０で実行されたトレーニングプロセスは、新しい重みと係数を使用してステップ３１７に戻りそれを繰り返すことによって反復ループの開始点に戻って継続する（反復ループはステップ３１７、ステップ３１８、およびステップ３１９を含む。）。停止基準が充足されると、トレーニングプロセス１６０で実行されたトレーニングプロセスは完了する。
図４Ａおよび図４Ｂは、ＤＬネットワーク１７０の中の層間の相互接続の様々な実施例を示す図である。ＤＬネットワーク１７０は、全結合層、畳み込み層およびプーリング層を含むことができ、それらすべてを以下で説明する。ＤＬネットワーク１７０のある好ましい実施形態では、畳み込み層は入力層に接して配置されるが、高次の推論を実行する全結合層は、損失関数向け構造のさらに下方に配置される。プーリング層は畳み込み層の後に挿入し、フィルタの空間範囲を狭めて縮小した結果、およびそれによる学習可能なパラメータの総数を検査することができる。また、活性化関数を様々な層に組み入れ、非線形性を導入してネットワークが複雑な予測関連性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、シグモイドまたはハイパボリックタンジェント活性化関数）または正規化活性化関数（例えば、前述の第１および第２の実施例で適用された正規化線形ユニット（Ｒｅｃｔｉｆｉｅｄ Ｌｉｎｅａｒ Ｕｎｉｔ：ＲｅＬＵ））であってもよい。前述の第１および第２の実施例においても例示したように、ＤＬネットワーク１７０の層にはバッチ正規化を組み入れることもできる。
図４Ａは、Ｎ個の入力、Ｋ個の隠れ層、および３つの出力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）の実施例を示す図である。各層はノード（ニューロンとも呼ぶ）からなり、各ノードは入力の重み付け和を実行し、その重み付け和の結果を閾値と比較して出力を生成する。ＡＮＮは１つの関数クラスを作成し、閾値、結合重み、またはノードの数および／またはそれらの結合性などの構造の詳細を変更してそのクラスの構成関数を取得する。ＡＮＮの中のノードはニューロン（または、ニューロンノード）と呼ぶことができ、ニューロンはＡＮＮシステムの別々の層間を相互接続することができる。シナプス（すなわち、ニューロン間の結合）は「重み」（「係数」または「重み付け係数」とも同じ意味で呼ぶ）と呼ぶ値を格納し、計算時にデータを巧みに処理する。ＡＮＮの出力は次の３つのタイプのパラメータに依存する。（ｉ）ニューロンの別々の層の相互接続パターン、（ｉｉ）その相互接続の重みを更新する学習プロセス、（ｉｉｉ）ニューロンの重み付け入力をその出力活性化に変換する活性化関数、の３つである。
数学的には、ニューロンのネットワーク関数ｍ（ｘ）は別の関数ｎｉ（ｘ）との混合として定義され、さらに別の関数との混合として定義することができる。これは、図４Ａに示すように、変数間の独立性を示す矢印を用いて、ネットワーク構造として簡便に表現することができる。例えば、ＡＮＮは非線形重み付け和を使用することができる。
ここで、Ｋ（一般に活性化関数と呼ばれる）は、ハイパボリックタンジェントなどのいくつかの既定の関数である。
図４Ａにおいて（および同様に図４Ｂにおいて）、ニューロン（すなわち、ノード）は閾値関数を取り囲む円で示される。図４Ａに示す非限定的実施例について、入力は線形関数を取り囲む円で示され、矢印はニューロン間の結合方向を示している。ある実施形態では、ＤＬネットワーク１７０はフィードフォワード型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）である非限定的実施例を示す図である。ＣＮＮは画像処理に対して有益な特質を有するＡＮＮタイプであり、画像のノイズ除去の適用と特別な関連性を有している。ＣＮＮは、ニューロン間の結合パターンが画像処理の畳み込みを表すことができるフィードフォワード型ＡＮＮを使用する。例えば、受容野と呼ぶ、入力画像の各部分を処理する小さなニューロンの集まりの多重層を使用することによって、ＣＮＮを画像処理の最適化に使用することがでる。これらのニューロンの集まりの出力が並べて表示され、それらを重ね合わせて元の画像のより良い表現を得る。この処理パターンは、畳み込み層とプーリング層を交互に重ねた多数の層にわたって繰り返すことができる。
畳み込み層に続いて、ＣＮＮはローカルプーリング層及びグローバルプーリング層の少なくとも一方を含むことができ、畳み込み層の中のニューロンクラスタの出力を組み合わせる。さらに、ある実施形態では、ＣＮＮは、点別の非線形性を各層の終端または各層の後で適用して、畳み込み層と全結合層との様々な組み合わせを含むことができる。
図５は、医用イメージングシステム４０の例示的実施形態を示す図である。医用イメージングシステム４０は、少なくとも１つのスキャニングデバイス４３０と、１つまたは複数の画像生成デバイス４１０であって、それぞれは特殊構成のコンピューティングデバイス（例えば、特殊構成のデスクトップコンピュータ、特殊構成のラップトップコンピュータ、特殊構成のサーバ）である画像生成デバイス４１０と、表示デバイス４２０を含む。
スキャニングデバイス４３０は、対象（例えば、患者）の領域（例えば、区域、ボリューム、切片）をスキャンすることによって、スキャンデータを取得するよう構成されている。例えば、スキャニング診断装置は、コンピュータ断層撮影（ＣＴ）、陽電子放射型断層撮影（ＰＥＴ）、および／または単光子放射型ＣＴ（ＳＰＥＣＴ）であってもよい。１つまたは複数の画像生成デバイス４１０はスキャニングデバイス４３０からスキャンデータを取得し、スキャンデータに基づいて対象の領域の画像を生成する。１つまたは複数の画像生成デバイス４１０が画像を生成すると、１つまたは複数の画像生成デバイス４１０はその画像を表示デバイス４２０に送り、表示デバイス４２０は画像を表示する。
図６は、医用イメージングシステム４０がＣＴスキャナを有する実施形態を示す図である。図６に示すように、Ｘ線撮影ガントリ５００が側面から示され、さらにＸ線管５０１、環状フレーム５０２、および多列２次元アレイ型Ｘ線検出器５０３を含む。Ｘ線管５０１およびＸ線検出器５０３は、環状フレーム５０２上に対象ＯＢＪをまたがって径方向に取り付けられ、環状フレーム５０２は回転軸ＲＡの周りを回転可能に支持されている。
マルチスライスＸ線ＣＴ装置は、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装置５０９をさらに含み、そうしてＸ線管５０１はＸ線を生成する。Ｘ線は対象ＯＢＪに向け放射され、その断面区域が円で表されている。例えば、Ｘ線管５０１は第１のスキャン中に平均的なＸ線エネルギーを有するが、そのエネルギーは第２のスキャン中の平均的なＸ線エネルギーよりも小さい。このように、２つ以上スキャンは異なるＸ線エネルギーに対応して取得することができる。Ｘ線検出器５０３は対象ＯＢＪをまたがってＸ線管５０１から反対側に配置され、対象ＯＢＪを透過した放射Ｘ線を検出する。Ｘ線検出器５０３は個別の検出器素子またはユニットをさらに含む。
ＣＴ装置は、Ｘ線検出器５０３からの検出信号を処理する他のデバイスをさらに含む。データ取得回路またはデータ取得システム（ＤＡＳ）５０４は、チャネルごとにＸ線検出器５０３からの信号出力を電圧信号に変換し、信号を増幅し、さらに信号をデジタル信号に変換する。
前述のデータは、非接触データ送信器５０５を通って、Ｘ線撮影ガントリ５００の外側のコンソールの中に収納されている前処理回路５０６に送信される。前処理回路５０６は、生データの感度補正などのいくつかの補正を実行する。記憶回路５１２は結果として生じるデータを格納するが、それは、再構成処理直前の段階での投影データとも呼ばれる。記憶回路５１２は、再構成回路５１４、入力インタフェース５１５、ディスプレイ５１６とともに、データ／制御バス５１１を通って処理回路５１０と結合している。処理回路５１０は、ＣＴシステムを駆動するのに十分なレベルに電流を制限する電流調整器５１３を制御する。
検出器は、ＣＴスキャナシステムの様々な世代の患者に対して回転および／または固定される。１つの実施形態では、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の周りを回転するように、対象ＯＢＪの周囲を回転する。
記憶回路５１２は、Ｘ線検出器５０３でＸ線の放射照度を表す測定値を格納することができる。さらに、記憶回路５１２は方法１０を実行する専用プログラムを格納することができる。
再構成回路５１４は方法１０の様々なステップを実行することができる。さらに、再構成回路５１４は、必要に応じ、ボリュームレンダリング処理および画像差分処理などの画像処理を処理する事前再構成を実行することができる。
前処理回路５０６によって実行される投影データの事前再構成処理は、例えば、検出器較正、検出器非線形性、および極性効果の補正を含むことができる。
再構成回路５１４で実行される事後再構成処理は、必要に応じ、画像のフィルタ補正および平滑化、ボリュームレンダリング処理、および画像差分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装することができる。再構成回路５１４はメモリを使用して、例えば、投影データ、再構成済み画像、較正データとパラメータ、およびコンピュータプログラムを格納することができる。
様々な回路（例えば、再構成回路５１４および前処理回路５０６）はＣＰＵ（処理回路）を含むことがでる。このＣＰＵは、個別の論理ゲートとして、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 Ｄｅｖｉｃｅ：ＣＰＬＤ）として、実装することができる。ＦＰＧＡまたはＣＰＬＤの実装は、ＶＨＤＬ、Ｖｅｒｉｌｏｇ、または他のハードウェア記述言語で符号化してもよく、またその符号は、直接ＦＰＧＡまたはＣＰＬＤ内の電子メモリに、または個別の電子メモリのように格納してもよい。さらに、記憶回路５１２は、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、またはＦＬＡＳＨメモリなどの不揮発性であってもよい。記憶回路５１２はスタティックまたはダイナミックＲＡＭなどの揮発性であってもよく、また、マイクロコントローラやマイクロプロセッサなどのプロセッサを備えることができ、電子メモリおよびＦＰＧＡまたはＣＰＬＤとメモリとの間のインタラクションを制御する。
１つの実施形態では、再構成済み画像はディスプレイ５１６上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既知の任意の他のディスプレイであってもよい。
図７Ａおよび図７Ｂは、医用イメージングシステム４０が方法１０を実装することができるＰＥＴスキャナを有する実施形態を示す図である。ＰＥＴスキャナはいくつかのガンマ線検出器（Ｇａｍｍａ−Ｒａｙ Ｄｅｔｅｃｔｏｒ：ＧＲＤ）（例えば、ＧＲＤＮを介したＧＲＤ１、ＧＲＤ２）を有し、これらは矩形検出器モジュールとして構成されている。
各ＧＲＤは、個々の検出器クリスタルの２次元アレイを有することができ、検出器クリスタルはガンマ放射線を吸収してシンチレーション光子を放射する。シンチレーション光子は、光電子増倍管（ＰｈｏｔｏＭｕｌｔｉｐｌｉｅｒ Ｔｕｂｅ：ＰＭＴ）またはシリコン光電子倍増管（Ｓｉｌｉｃｏｎ ＰｈｏｔｏＭｕｌｔｉｐｌｉｅｒ：ＳｉＰＭ）の２次元アレイによって検出することができる。光導体は、検出器クリスタルのアレイと受光素子との間配置される。
各受光素子（例えば、ＰＭＴまたはＳｉＰＭ）は、シンチレーションイベントが発生したことを示すアナログ信号を作り出すことができ、ガンマ線のエネルギーが検出イベントを生じさせる。さらに、１つの検出器クリスタから放射された光子は１つ以上の受光素子で検出することができ、各受光素子で作り出されたアナログ信号に基づいて、検出イベントに対応している検出器クリスタルは、例えば、Ａｎｇｅｒロジックおよびクリスタル復号化を使用して判定することができる。
図７Ｂは、対象ＯＢＪから放射されたガンマ線を検出するように配列されたガンマ線光子計数検出器（ＧＲＤ）を有するＰＥＴスキャナの概要図である。ＧＲＤは、各ガンマ線検出に対応した、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。１つの実施形態では、ガンマ線検出器は、図７Ａおよび７Ｂに示すように、リング状に配列されている。検出器クリスタルはシンチレータクリスタルであってもよく、２次元アレイ状に配列された個々のシンチレータ素子を有し、シンチレータ素子は任意の既知の発光物質であってもよい。ＰＭＴは、各シンチレータ素子からの光が多数のＰＭＴによって検出され、Ａｎｇｅｒ計算およびシンチレーションイベントのクリスタル復号が可能になる。
図７Ｂは、ＰＥＴスキャナの配列の実施例を示す図である。画像化する対象ＯＢＪが寝台８１６上で静止しており、ＧＲＤＮを通じてＧＲＤモジュールＧＲＤ１が対象ＯＢＪおよび寝台８１６の周囲を周方向に配列されている。ＧＲＤは、ガントリ８４０に固定して結合された円形部材８２０に固定して結合されている。ガントリ８４０はＰＥＴ画像機の多くの部品を収納している。ＰＥＴ画像機のガントリ８４０は、対象ＯＢＪおよび寝台８１６が通過することができる開放開口も有し、消滅イベントによって対象ＯＢＪから反対方向に放射されたガンマ線はＧＲＤによって検出することができ、タイミングとエネルギーの情報を使用してガンマ線対について一致度を判定する。
図７Ｂでは、ガンマ線検出データの取得、格納、処理、および配信用の回路およびハードウェアも示されている。回路およびハードウェアは、プロセッサ８７０、ネットワークコントローラ８７４、メモリ８７８、およびデータ取得システム（ＤＡＳ）８７６を含む。ＰＥＴ画像装置は、ＧＲＤからの検出測定結果をＤＡＳ８７６、プロセッサ８７０、メモリ８７８、およびネットワークコントローラ８７４に送信するデータチャネルも有する。データ取得システム８７６は、取得、デジタル化、および検出器からの検出データの送信を制御することができる。１つの実施形態では、ＤＡＳ８７６は寝台８１６の移動を制御する。プロセッサ８７０は、本明細書で論考するように、検出データ再構成画像を含む関数、検出データの事前再構成処理、および画像データの事後再構成処理を実行する。
プロセッサ８７０は、本明細書に記載の方法１０の様々なステップおよびその変形を実行するように設定することができる。プロセッサ８７０は、個別の論理ゲートとして、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）、または他のコンプレックスプログラマブルロジックデバイス（ＣＰＬＤ）として、実装することができるＣＰＵを有することができる。ＦＰＧＡまたはＣＰＬＤの実装は、ＶＨＤＬ、Ｖｅｒｉｌｏｇ、または任意の他のハードウェア記述言語で符号化してもよく、またその符号は、直接ＦＰＧＡまたはＣＰＬＤ内の電子メモリに、または個別の電子メモリのように格納してもよい。さらに、メモリは、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、またはＦＬＡＳＨメモリなどの不揮発性であってもよい。メモリはスタティックまたはダイナミックＲＡＭなどの揮発性であってもよく、また、マイクロコントローラやマイクロプロセッサなどのプロセッサを備えることができ、電子メモリおよびＦＰＧＡまたはＣＰＬＤとメモリとの間のインタラクションを制御する。
あるいは、プロセッサ８７０の中のＣＰＵは、方法１０の様々なステップを実行する１組のコンピュータ可読命令を有するコンピュータプログラムを実行することができ、そのプログラムは前述の不揮発性電子メモリ、および／またはハードディスクドライブ、ＣＤ、ＤＶＤ、ＦＬＡＳＨドライブまたは任意の他の既知のストレージ媒体のうちのいずれかに格納されている。さらに、コンピュータ可読命令を、ユーティリティアプリケーション、バックグラウンドデーモン、またはオペレーティングシステムの構成要素、あるいはそれらの組み合わせとして備えることができる。これらは、米国インテルのＸｅｏｎプロセッサまたは米国ＡＭＤのＯｐｔｅｒｏｎプロセッサなどのプロセッサ、ならびにマイクロソフトＶＩＳＴＡ，ＵＮＩＸ（登録商標）、Ｓｏｌａｒｉｓ、ＬＩＮＵＸ（登録商標）、Ａｐｐｌｅ、ＭＡＣ−ＯＳおよび当業者に既知の他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、と組み合わせて実行することができる。さらに、ＣＰＵは、並行に協同で作動し命令を実行する多重プロセッサとして実装することができる。
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または任意の他の当業界で既知の電子ストレージであってもよい。
米国インテルコーポレーションのＩｎｔｅｌ Ｅｔｈｅｒｎｅｔ（登録商標） ＰＲＯネットワークインタ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画像機の様々な部品間をインタ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もインタフェース接続することができる。理解できているように、外部ネットワークはインターネットなどの公衆ネットワーク、またはＬＡＮまたはＷＡＮネットワークなどのプライベートネットワーク、あるいはそれらの任意の組み合わせであってもよい。また、ＰＳＴＮまたはＩＳＤＮサブネットワークを含んでもよい。外部ネットワークは、Ｅｔｈｅｒｎｅｔネットワークなどの有線であってもよく、またはＥＤＧＥ、３Ｇおよび４Ｇワイヤレス携帯電話システムを含む携帯電話ネットワークなどのワイヤレスであってもよい。ワイヤレスネットワークはＷｉＦｉ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、または既知の任意の他のワイヤレス通信形式であってもよい。
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
５１４ 再構成回路
８７０ プロセッサ

Claims (18)

  1. 検出器によって検出された放射線の強度を表す放射線サイノグラムを取得し、
    第１のニューラルネットワークを取得し、
    再構成カーネルを使用して前記放射線サイノグラムにフィルタを掛けることで、フィルタ補正済みのデータを生成し、
    前記フィルタ補正済みのデータを前記第１のニューラルネットワークに適用することで、前記第１のニューラルネットワークからフィルタ補正済みサイノグラムを出力し、
    前記フィルタ補正済みサイノグラム上で解析的画像再構成を実行する回路を備えた、医用装置。
  2. 前記回路は、
    第２のニューラルネットワークを取得し、
    前記放射線サイノグラムを前記第２のニューラルネットワークに適用することで、前記第２のニューラルネットワークを使用してフィルタを掛けた前記放射線サイノグラムを出力し、
    前記再構成カーネルを使用して、前記第２のニューラルネットワークを使用してフィルタを掛けられた前記放射線サイノグラムにフィルタを掛けることで、前記フィルタ補正済みのデータを生成する、請求項１に記載の医用装置。
  3. 前記回路は、前記フィルタ補正済みサイノグラムを逆投影することによって、前記フィルタ補正済みサイノグラム上で解析的画像再構成を実行する、請求項１又は２に記載の医用装置。
  4. 前記回路は、フィルタ補正逆投影（Ｆｉｌｔｅｒｅｄ Ｂａｃｋ−Ｐｒｏｊｅｃｔｉｏｎ：ＦＢＰ）、ＦＤＫ（Ｆｅｌｄｋａｍｐ Ｄａｖｉｓ Ｋｒｅｓｓ）法、一般化ＦＤＫ法、リビニングＦＢＰ法、ｎ−Ｐｉ法、Ｐｉ−ｓｌａｎｔ法、Ｋａｔｓｅｖｉｃｈの厳密法、アダプティブマルチプルプレーン再構成（Ａｄａｐｔｉｖｅ Ｍｕｌｔｉｐｌｅ ｐｌａｎｅ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ：ＡＭＰＲ）法、拡張シングルスライスリビニング（Ａｄｖａｎｃｅｄ Ｓｉｎｇｌｅ−Ｓｌｉｃｅ Ｒｅｂｉｎｎｉｎｇ：ＡＳＳＲ）法、重み付けＦＢＰ法、又は、逐次近似応用再構成法（Ａｄａｐｔｉｖｅ Ｉｔｅｒａｔｉｖｅ Ｄｏｓｅ Ｒｅｄｕｃｔｉｏｎ ３Ｄ：ＡＩＤＲ ３Ｄ）を用いて、前記フィルタ補正済みサイノグラム上で解析的画像再構成を実行する、請求項１又は２に記載の医用装置。
  5. 前記再構成カーネルはｒａｍｐフィルタである、請求項１〜４のいずれか一項に記載の医用装置。
  6. 前記回路は、更に、
    対象サイノグラムそれぞれと対をなす入力サイノグラムを有するトレーニング用データセットを取得し、
    所与の入力サイノグラムを前記第２のニューラルネットワークに適用して第１の出力を生成し、前記再構成カーネルを使用して前記第１の出力にフィルタを掛けて第２の出力を生成し、前記第２の出力を第１のニューラルネットワークに適用して第３の出力を生成することによって、前記入力サイノグラムそれぞれから出力サイノグラムを生成し、
    第１のニューラルネットワークの重み付け係数および前記第２のニューラルネットワークの重み付け係数を反復的に調整して、前記第３の出力と前記第３の出力を生成するために使用した前記所与の入力サイノグラムに対応した対象サイノグラムとの間の不整合を測定した損失関数の値を最小化することによって前記第１のニューラルネットワークおよび前記第２のニューラルネットワークをトレーニングする、請求項２に記載の医用装置。
  7. 前記回路は、更に、
    対象サイノグラムそれぞれと対をなす入力サイノグラムを有するトレーニング用データセットを取得し、
    前記再構成カーネルを所与の入力サイノグラムに適用して第１の出力を生成し、前記第１の出力を前記第１のニューラルネットワークに適用して第２の出力を生成することによって、前記入力サイノグラムそれぞれから出力サイノグラムを生成することと、
    前記第１のニューラルネットワークの重み付け係数を反復的に調整して、前記第２の出力と前記第２の出力を生成するために使用した前記所与の入力サイノグラムに対応した対象サイノグラムとの間の不整合を測定した損失関数の値を最小化することによって前記第１のニューラルネットワークをトレーニングする、請求項１に記載の医用装置。
  8. 前記入力サイノグラムは、入力サイノグラムとして低線量サイノグラムを取得するためにＣＴ低線量スキャンを使用して取得され、
    前記対象サイノグラムは、高線量を前記ＣＴ低線量スキャンに適用したＣＴ高線量スキャンにより取得された高線量サイノグラムに対して既定の再構成カーネルを適用して取得される、請求項７に記載の医用装置。
  9. 前記回路は、前記高線量サイノグラムに対して適用される前記既定の再構成カーネルとして、スキャナの幾何学的配置に基づいて、ｒａｍｐフィルタ、Ｒａｍ−Ｌａｋフィルタ、Ｓｈｅｐｐ−Ｌｏｇａｎフィルタ、コサインウィンドウｒａｍｐフィルタ、Ｈａｍｍｉｎｇウィンドウｒａｍｐフィルタ、およびウィンドウｒａｍｐフィルタのうちの１つを使用して、前記対象サイノグラムを取得する、請求項８に記載の医用装置。
  10. 前記入力サイノグラムに適用される前記再構成カーネルは、前記トレーニング用データセットの前記対象サイノグラムを生成するために使用される既定の再構成カーネルと同一の畳み込みカーネルである、請求項７に記載の医用装置。
  11. 前記入力サイノグラムとして、イメージングスキャナの第１の構成を使用して第１の構成のサイノグラムが取得され、
    イメージングスキャナの第２の構成を使用して第２の構成のサイノグラムが取得され、既定の再構成カーネルを前記第２の構成のサイノグラムに適用して前記対象サイノグラムが生成され、
    フィルタ補正済み逆投影ＣＴ画像再構成が実行された場合、前記第２の構成のサイノグラムは、対応する前記第１の構成のサイノグラムよりも高品質の画像を作り出す、請求項７に記載の医用装置。
  12. 前記入力サイノグラムを獲得するために使用される前記イメージングスキャナの前記第１の構成、及び、前記対象サイノグラムを獲得するために使用される前記イメージングスキャナの前記第２の構成は、前記イメージングスキャナの放射線源の１つ以上の設定に関して異なる、請求項１１に記載の医用装置。
  13. 前記回路が前記放射線サイノグラムを前記第１のニューラルネットワークに適用するようにさらに構成され、前記第１のニューラルネットワークは残差ネットワークである、請求項１に記載の医用装置。
  14. 前記放射線サイノグラムは、Ｘ線コンピュータ断層撮影（ＣＴ）データ、Ｘ線透視データ、ガンマ線陽電子放射型断層撮影（Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ：ＰＥＴ）データ、および単光子放射型ＣＴデータ（Ｓｉｎｇｌｅ−Ｐｈｏｔｏｎ Ｅｍｉｓｓｉｏｎ ＣＴ：ＳＰＥＣＴ）のうちの１つである、請求項１に記載の医用装置。
  15. 前記回路は、前記放射線サイノグラムを前記第２のニューラルネットワークに適用することで、前記放射線サイノグラムの中のノイズを低減する、請求項２に記載の医用装置。
  16. 前記第１のニューラルネットワークの重み付け係数は、入力データおよび対象データを含むトレーニング用データセットを使用してトレーニングされ、
    前記入力データは、第１の放射線量を使用して獲得された第１のトレーニング用サイノグラムを有し、
    前記対象データは、前記第１の放射線量よりも大きい第２の放射線量を使用して獲得された第２のトレーニング用サイノグラムを有する、請求項１に記載の医用装置。
  17. 前記損失関数が、ピーク信号対ノイズ比、構造的類似性インデックス、及び、前記入力サイノグラムに対応する対象サイノグラムとフィルタ補正済みサイノグラムそれぞれの間の不整合のＬｐノルムのうち少なくとも１つを含む、請求項７に記載の医用装置。
  18. 前記放射線サイノグラムは、Ｘ線ＣＴ投影データであり、
    前記医用装置は、Ｘ線を放射するように構成され、対象の周囲を回転するように構成されたＸ線源と、回転するように構成され、前記対象の向かい側の前記Ｘ線源の反対側に所在する検出器とをさらに有し、
    前記検出器は、前記Ｘ線源から放射されたＸ線を複数の検出器素子で受け取って前記放射線サイノグラムとして投影データを生成し、前記投影データは前記複数の検出器素子での前記Ｘ線の強度を示す、請求項１に記載の医用装置。
JP2020035530A 2019-07-11 2020-03-03 医用装置 Pending JP2021013725A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/509,429 US11403791B2 (en) 2019-07-11 2019-07-11 Apparatus and method using deep learning (DL) to improve analytical tomographic image reconstruction
US16/509,429 2019-07-11

Publications (1)

Publication Number Publication Date
JP2021013725A true JP2021013725A (ja) 2021-02-12

Family

ID=74101974

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020035530A Pending JP2021013725A (ja) 2019-07-11 2020-03-03 医用装置

Country Status (2)

Country Link
US (1) US11403791B2 (ja)
JP (1) JP2021013725A (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102399792B1 (ko) * 2022-01-27 2022-05-23 주식회사 휴런 인공지능 기반 Hounsfield unit (HU) 정규화 및 디노이징 (Denoising)을 통한 전처리 장치 및 방법
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

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3095109A1 (en) * 2018-03-23 2019-09-26 Memorial Sloan Kettering Cancer Center Deep encoder-decoder models for reconstructing biomedical images
US11120582B2 (en) * 2019-07-31 2021-09-14 Z2Sky Technologies Inc. Unified dual-domain network for medical image formation, recovery, and analysis
US11455755B2 (en) * 2019-09-05 2022-09-27 Siemens Medical Solutions Usa, Inc. Methods and apparatus for neural network based image reconstruction
DE102020207210A1 (de) * 2020-06-09 2021-12-09 Siemens Healthcare Gmbh Rekonstruktionsmodul und Verfahren zur Rekonstruktion von medizinischen Bildern
US11342946B1 (en) * 2021-03-22 2022-05-24 Bae Systems Information And Electronic Systems Integration Inc. Neural network kernels for signal processing in lieu of digital signal processing in radio receivers
CN115542433B (zh) * 2022-12-05 2023-03-24 香港中文大学（深圳） 基于自注意力的深度神经网络编码光子晶体的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180293762A1 (en) * 2017-04-05 2018-10-11 General Electric Company Tomographic reconstruction based on deep learning
US20190035118A1 (en) * 2017-07-28 2019-01-31 Shenzhen United Imaging Healthcare Co., Ltd. System and method for image conversion
JP2019028072A (ja) * 2017-07-25 2019-02-21 清華大学Ｔｓｉｎｇｈｕａ Ｕｎｉｖｅｒｓｉｔｙ Ｃｔ画像を再構成する方法及びデバイス、並びに記憶媒体
JP2019069145A (ja) * 2017-10-06 2019-05-09 キヤノンメディカルシステムズ株式会社 医用画像処理装置及び医用画像処理システム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9036885B2 (en) 2012-10-28 2015-05-19 Technion Research & Development Foundation Limited Image reconstruction in computed tomography
US11195310B2 (en) * 2018-08-06 2021-12-07 General Electric Company Iterative image reconstruction framework

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180293762A1 (en) * 2017-04-05 2018-10-11 General Electric Company Tomographic reconstruction based on deep learning
JP2019028072A (ja) * 2017-07-25 2019-02-21 清華大学Ｔｓｉｎｇｈｕａ Ｕｎｉｖｅｒｓｉｔｙ Ｃｔ画像を再構成する方法及びデバイス、並びに記憶媒体
US20190035118A1 (en) * 2017-07-28 2019-01-31 Shenzhen United Imaging Healthcare Co., Ltd. System and method for image conversion
JP2019069145A (ja) * 2017-10-06 2019-05-09 キヤノンメディカルシステムズ株式会社 医用画像処理装置及び医用画像処理システム

Cited By (2)

* 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
KR102399792B1 (ko) * 2022-01-27 2022-05-23 주식회사 휴런 인공지능 기반 Hounsfield unit (HU) 정규화 및 디노이징 (Denoising)을 통한 전처리 장치 및 방법

Also Published As

Publication number Publication date
US11403791B2 (en) 2022-08-02
US20210012541A1 (en) 2021-01-14

Similar Documents

Publication Publication Date Title
JP7433883B2 (ja) 医用装置及びプログラム
JP7432356B2 (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
JP7234064B2 (ja) 反復的画像再構成フレームワーク
JP2021013725A (ja) 医用装置
JP7309500B2 (ja) Ｘ線ｃｔシステム及び方法
EP3716214A1 (en) Medical image processing apparatus and method for acquiring training images
JP6956505B2 (ja) 画像処理装置、ｘ線ｃｔ装置及び画像処理方法
US20130051516A1 (en) Noise suppression for low x-ray dose cone-beam image reconstruction
US10925568B2 (en) Apparatus and method using physical model based deep learning (DL) to improve image quality in images that are reconstructed using computed tomography (CT)
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
Zhang et al. PET image reconstruction using a cascading back-projection neural network
CN115777114A (zh) 针对ct图像去噪的3d-cnn处理
JP7475979B2 (ja) Ｘ線システム及び撮像プログラム
US20220327665A1 (en) Neural network for improved performance of medical imaging systems
JP2021013737A (ja) Ｘ線システム及び撮像プログラム
JP2023108605A (ja) 方法、医用画像処理装置及びプログラム
Amroabadi Low dose computed tomography reconstruction methods

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230112

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230913

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230926

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20231027

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240125

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20240416