JP2021013726A - 医用装置 - Google Patents

Abstract

【課題】ワークフローを改善すること。【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サイノグラムを取得し、ニューラルネットワークを取得し、前記取得されたサイノグラムを前記ニューラルネットワークに適用することによって、前記ニューラルネットワークから、２以上のアーチファクトの指標を出力し、前記ニューラルネットワークからの前記指標に基づいて、前記取得されたサイノグラムによって第１のアーチファクトが呈示されるか否か、および前記取得されたサイノグラムによって第２のアーチファクトが呈示されるか否かを判定し、１以上のアーチファクトが前記取得されたサイノグラムによって呈示されると判定されるときは、アーチファクトを補正した補正サイノグラムを生成して再構成処理を実行し、アーチファクトが呈示されないと判定されるときは、そのサイノグラムにより再構成処理を実行する処理回路を備える。【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、再構成医用画像の画質を改善するための深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ：ＤＬ）ネットワークの使用に関し、より詳細には、再構成コンピュータ断層撮影（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ：ＣＴ）画像、ポジトロン放射断層撮影（Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ：ＰＥＴ）画像、磁気共鳴イメージング（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ：ＭＲＩ）画像におけるノイズおよびアーチファクトを低減するためのＤＬネットワークの使用に関する。

コンピュータ断層撮影（ＣＴ）システムおよび方法は、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以上の断面スライス画像を作成する。Ｘ線源のような放射線源は、身体の一方の側から放射線を照射する。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。そして、身体を通過した放射線の減衰が、検出器から受信された電気信号を処理することによって測定される。

ＣＴサイノグラムは、様々な投影測定値について、身体を通しての減衰を、検出器アレイに沿った位置の関数として、またＸ線源と検出器アレイの間の投影角の関数として示す。サイノグラムにおいて、空間次元はＸ線検出器のアレイに沿った位置を言う。時間／角度次元は、ＣＴスキャン中に時間の関数として変化するＸ線の投射角度を言う。撮像される被検体の中の点から生じる減衰は、垂直軸の周りに正弦波を描く。回転軸からより遠いこれらの点は、より大きな振幅を有する正弦波を生成し、この正弦波の位相は、回転軸の周囲の物体の角度位置に対応する。逆ラドン変換（またはその他の画像再構成方法）を実行すると、サイノグラムの投影データから画像が再構成される。

Ｘ線ＣＴと同様に、ポジトロン放射断層撮影（ＰＥＴ）および単一光子放出ＣＴ（Ｓｉｎｇｌｅ Ｐｈｏｔｏｎ Ｅｍｉｓｓｉｏｎ ＣＴ：ＳＰＥＣＴ）を用いて、医用イメージングを行うことができる。ＰＥＴイメージングでは、トレーサ物質が患者の中に導入され、当該物質の物理的および生体分子的特性により、それが患者の身体の特定の位置に集中される。当該トレーサはポジトロンを放出し、このポジトロンが電子と衝突すると消滅事象が生じ、これにより実質的に１８０度離れて移動する２つのガンマ線（５１１ｋｅＶで）を生成する。

ＰＥＴイメージングシステムは、患者の周囲に配置された検出器を使用して、ガンマ線の同時発生対を検出する。各々の角度から来るガンマ線を検出するために、検出器の輪を使用することができる。したがって、ＰＥＴスキャナは、ガンマ線の等方性放射の捕捉を最大にするために、実質的に円筒形であることができる。ＰＥＴスキャナは、数千の個々の結晶（例えば、ルテチウムオルトシリケート（Ｌｕｔｅｔｉｕｍ Ｙｔｔｒｉｕｍ Ｏｒｔｈｏｓｉｌｉｃａｔｅ：ＬＹＳＯ）または他のシンチレータ結晶）からなることができ、これらは二次元のシンチレータアレイに配列されて、それぞれのシンチレーション事象からの光パルスを測定するために光検出器を備えたモジュールにパッケージされる。例えば、シンチレータ結晶アレイの各素子からの光は、複数の光電子増倍管（Ｐｈｏｔｏｍｕｌｔｉｐｌｉｅｒ Ｔｕｂｅ：ＰＭＴ）の間で共有することができ、或いはシンチレータ結晶アレイの素子と１対１で対応するシリコン光電子増倍管（Ｓｉｌｉｃｏｎ Ｐｈｏｔｏｍｕｌｔｉｐｌｉｅｒ：ＳｉＰＭ）によって検出することができる。

断層撮影再構成原理によってトレーサの時空間分布を再構成するために、各検出された事象は、そのエネルギー（即ち発生した光の量）、その位置、およびそのタイミングに関して特徴付けることができる。２つの一致するガンマ線を検出し、それらの位置の間に線を引くことによって、元の崩壊のありそうな位置に対応した応答線（Ｌｉｎｅ−ｏｆ−Ｒｅｓｐｏｎｓｅ：ＬＯＲ）を決定することができる。タイミング情報を使用することにより、飛行時間（Ｔｉｍｅ−ｏｆ−Ｆｌｉｇｈｔ：ＴＯＦ）分析を使用して、元の崩壊のありそうな位置をＬＯＲに沿った統計的分布（例えば、ガウス曲線）へと狭めることができる。このプロセスは、多数の同時発生計数を累積することによって、元の崩壊の位置についての線／領域を識別するだけであるが、トモグラフィ再構成プロセスは、活性分布の画像（例えば、患者内のトレーサ密度）を推定することができる。

上記で述べたように、前記同時発生対のＬＯＲおよびタイミング情報は、放射能の断層画像を再構成するために使用され、臨床情報をもたらす。しかしながら、この臨床情報はしばしばノイズや散乱によって不明瞭になる場合がある。ノイズは、様々なノイズ除去方法を使用してある程度軽減することができるが、ノイズ除去方法は画像にアーチファクトを導入し、入力画像のノイズレベルに依存して不均一な画質を生じる可能性がある。

Ｘ線ＣＴ、ＰＥＴ、およびＳＰＥＣＴに加えて、磁気共鳴イメージング（ＭＲＩ）は、患者を診断およびモニターするために使用できる一般的な医用イメージング法である。これらの医用イメージング法の各々は、運動アーチファクトなどの様々なイメージングアーチファクトの影響を受けやすい可能性がある。

アーチファクトは医用画像においては珍しくはない。臨床的には、これらアーチファクトは、病理を不明瞭化して偽陰性をもたらすか、または病理として誤認されて偽陽性をもたらす可能性がある。様々な医用イメージング法におけるアーチファクトは、しばしば病理を不明瞭化したり模倣したりする。従って、アーチファクトは、臨床診断を困難にしたり、エラーを起こしやすくしたりする場合がある。そのような複雑化は、例えば、ＭＲＩやＸ線ＣＴによって取得された高解像度データセットにおいては増幅される。

幾つかのアーチファクト（例えば、金属インプラントやリング由来のアーチファクト、ビーム硬化アーチファクトなど）は、画像取得および処理の様々な段階で容易に認識および補正できるが、現在のところ、イメージングワークフロープロセスにおける自動アーチファクト検出および補正のメカニズムは存在しない。その代わりに、患者がスキャンされ、次いで画像が再構築された後に、技術者によってアーチファクトが識別されることが多く、これは既に退出させた患者を呼び戻してイメージングスキャンを実行し、次いで画像を再構築するプロセスを繰り返すといった非効率をもたらす可能性がある。結果として、アーチファクトは臨床上の非効率性を浮き彫りにし、長いワークフロー時間の一因となる。

ユーザがアーチファクトを認識し、特定のアーチファクトを補正するために適切なアルゴリズムを選択できる限り、ときには、アーチファクトは後処理で除去することができる。他の場合には、アーチファクトが大きすぎて画像処理技術では効果的に除去できないので、患者を再スキャンしなければならない。例えば、患者による小さな動きは補正されるであろうが、大きな動きはスキャンを回復不能にする可能性がある。スキャンが修復不能との判定がずっと後になってしかなされなければ、患者を退出させたときに、別のスキャンを実行できるまでにかなりの時間が失われる可能性がある。

更に、医用撮像スキャナのオペレータ／技術者の専門知識に頼ってアーチファクトを検出し、次いでスキャンされたデータにアーチファクト低減方法を適用するのは非効率的である可能性がある。例えば、経験の浅いオペレータは、何がアーチファクトで何がアーチファクトでないかを認識できない可能性がある。更に、オペレータは、何れの種類のアーチファクトであるかを誤って認識し、したがって誤ったアーチファクト低減方法／アルゴリズムを適用し、結果として画質が悪くなる可能性がある。更に、異なるアーチファクト低減方法を試して何れが最良の結果をもたらすかを見出すことによる推測およびチェックアプローチは、特に、与えられた医用画像に複数種類のアーチファクトが存在する可能性があるため、時間を要し非効率的である可能性がある。

したがって、イメージングチェーンの一体的な部分としての、アーチファクトを検出しかつそれらを補正する自動化された方法は、個々の患者のワークフロー効率を高めてワークフロー時間を低減し、したがって治療できる患者の数を増やすために有益であろう。

上記の「背景」の説明は、本開示の文脈を一般的に提示することを目的とするものである。本発明者らの研究は、この背景技術の項に記載された範囲において、ならびに他の点で出願時の先行技術としての適格性がないかもしれない説明の態様において記載された範囲において、明示的にも暗示的にも本発明に対する先行技術としては認められない。

米国特許第７７５１５２４号明細書 米国特許第６９０７１００号明細書 米国特許出願公開第２０１４／７４６０１２号明細書 米国特許出願公開第２０１６／１８２１５６号明細書 米国特許出願公開第２０１６／２０６８９２号明細書 米国特許出願公開第２０１６／３７０２３０号明細書 中国特許出願公開第１０７９４５１３２号明細書 中国特許出願公開第１０７８７１３３２号明細書 米国特許出願公開第２０１９／００７３８０４号明細書 欧州特許第３４０４６１５号明細書

Ｚｈａｎｇ Ｙ， ｅｔ ａｌ． "Ａ Ｈｙｂｒｉｄ Ｍｅｔａｌ Ａｒｔｉｆａｃｔ Ｒｅｄｕｃｔｉｏｎ Ａｌｇｏｒｉｔｈｍ Ｆｏｒ Ｘ−Ｒａｙ ＣＴ．"； Ｍｅｄ Ｐｈｙｓ． Ａｐｒｉｌ ２０１３； ４０（４）：０４１９１０． ｄｏｉ：１０．１１１８／１．４７９４４７４．

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、ワークフローを改善することである。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サイノグラムを取得し、ニューラルネットワークを取得し、前記取得されたサイノグラムを前記ニューラルネットワークに適用することによって、前記ニューラルネットワークから、２以上のアーチファクトの指標を出力し、前記ニューラルネットワークからの前記指標に基づいて、前記取得されたサイノグラムによって第１のアーチファクトが呈示されるか否か、および前記取得されたサイノグラムによって第２のアーチファクトが呈示されるか否かを判定し、１以上のアーチファクトが前記取得されたサイノグラムによって呈示されると判定されるときは、前記取得されたサイノグラムによって呈示されると判定されている前記１以上のアーチファクトを補正することによって補正されたサイノグラムを生成し、前記補正されたサイノグラムについて再構成処理を実行し、前記１以上のアーチファクトが前記取得されたサイノグラムによって呈示されないと判定されるときは、前記取得されたサイノグラムについて再構成処理を実行する処理回路を備える。

図１は、一実施に従って、１以上の深層学習（ＤＬ）ネットワークを使用することにより、医用イメージングスキャン内のアーチファクトを検出および補正する方法の流れ図を示す。 図２は、一実施に従って、画像領域内およびサイノグラム領域内のアーチファクトを検出および補正する方法の流れ図を示す。 図３は、一実施に係る検出および補正すべきアーチファクトの図を示す。 図４は、一実施に係るＤＬネットワークを訓練するためのプロセスの流れ図を示す。 図５は、一実施に係るフィードフォワード人工ニューラルネットワーク（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＡＮＮ）の図を示す。 図６は、一実施に係るＸ線コンピュータ断層撮影（ＣＴ）スキャナのハードウエア構成を示す。 図７は、一実施に係る磁気共鳴イメージング（ＭＲＩ）スキャナのハードウエア構成を示す。 図８Ａは、一実施に係るポジトロン放射断層撮影（ＰＥＴ）スキャナの斜視図を示す。 図８Ｂは、一実施に係るＰＥＴスキャナのハードウエア構成を示す。

本明細書で使用される不定冠詞「ａ」または「ａｎ」の用語は、１つまたは複数として定義される。本明細書で使用される「複数」の用語は、２以上として定義される。本明細書で使用される「別の」の用語は、少なくとも第２のまたはそれ以上として定義される。本明細書で使用される「含む」および／または「有する」との用語は、具備する（即ち、オープン言語）として定義される。この文書の全体を通して、「一実施形態」、「特定の実施形態」、「実施形態（ｅｍｂｏｄｉｍｅｎｔ）」、「実施（ｉｍｐｌｅｍｅｎｔａｔｉｏｎ）」、「実施例（ｅｘａｍｐｌｅ）」、または同様の用語への言及は、その実施形態に関して説明した特定の特徴、構造、または特性が、本開示の少なくとも１つの実施形態に含まれることを意味する。したがって、このような語句の出現または本明細書全体に亘る種々の場所での出現は、必ずしも全部が同じ実施形態を参照しているわけではない。更に、特定の特徴、構造、または特性は、制限なく、１つまたは複数の実施形態において任意の適切な方法で組み合わされてよい。

上述のように、アーチファクトは、医用イメージング法によって生成された画像に一般的に存在し、しばしば病理を不明瞭化したり模倣したりすることによって、臨床診断を困難にしたりエラーを起こしやすくしたりする。そのような複雑さは、例えば磁気共鳴イメージングおよびコンピュータ断層撮影（ＣＴ）により取得された高解像度データセットにおいて増幅される。特に、ＣＴデータセットはアーチファクトの影響を受けやすく、これはアーチファクトの疑われる原因に従って広く分類でき、（１）物理学ベースのアーチファクト、（２）患者ベースのアーチファクト、（３）スキャナベースのアーチファクト、および（４）画像再構成アーチファクトが含まれる。物理学ベースのアーチファクトには、ビーム硬化、部分ボリューム、光子不足から生じるアーチファクト、およびデータ取得の物理学から生じる他のアーチファクトが含まれ得る。患者ベースのアーチファクトは、動き、金属インプラント、切り捨て（例えば、スキャナの視野外にある患者の解剖学的構造）、および他の患者関連の要因によって発生する可能性がある。リングアーチファクトを含むスキャナベースのアーチファクトは、検出器素子の誤動作または校正欠陥が原因であり得る。画像再構成アーチファクトには、コーンビームアーチファクト、ヘリカル「風車」アーチファクト、および画像再構成アルゴリズムから生じる他のアーチファクトが含まれ得る。

リングおよびビーム硬化アーチファクトおよび金属インプラント由来のアーチファクトのような幾つかのアーチファクトは、画像取得および処理の様々な段階で認識および補正できるが、イメージングワークフロープロセスにおける自動的なアーチファクト検出および補正のためのメカニズムは現在存在しない。その代わり、アーチファクトは患者がスキャンされ、画像が再構成された後に技術者によって識別されることが多く、それは問題を直ちに検出および補正するのではなく、患者を再度スキャンするというワークフローの非効率性を導く可能性がある。結果として、アーチファクトは臨床上の非効率性を浮き彫りにし、長いワークフロー時間の一因となる。

したがって、アーチファクトを検出し、それらをイメージングチェーンの一体的部分として補正する自動化された方法は、個々の患者のワークフロー効率を高め、ワークフロー時間を短縮して、治療できる患者の数を増やすために有益である。これらの利点は、スキャンデータ内のアーチファクトを検出および補正するために、サイノグラムデータ（および特定の実施では再構成画像）をリアルタイムかつインサイチューでモニターすることにより達成される。これらの補正は、（ｉ）アーチファクトを除去するための後処理、（ｉｉ）スキャンパラメータ／プロトコルの調整、（ｉｉｉ）スキャンから除外すべきデータへのフラグ付け、および（ｉｖ）データが回復不能と見なされたときのスキャンの停止および最初から再開を含む、様々な形態で生じ得る。

医用画像における特徴の識別および抽出のための様々な方法が存在する。例えば、コンピュータビジョンおよびパターン認識技術は、アーチファクトを示すパターンを検出するための画像処理において使用することができる。

本明細書に記載の方法とは対照的に、コンピュータビジョンおよびパターン認識技術は様々な制限を受ける。実際に、コンピュータビジョンおよびパターン認識技術は、関心のある特徴について広範な知識を有する人間の専門家によって特別に設計されなければならないので、限られた成功しか収めていない。したがって、各アプリケーションは特別な機能またはスキャナの幾何学形状のためにカスタム設計されており、各アプリケーションはかなりの手作業を必要とし、他の特徴のために一般化することができない。

本明細書に記載の方法は、深層学習（ＤＬ）ネットワーク（例えば、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＣＮＮ））を使用することによって、上記の制限を克服する。ＣＮＮおよびＤＬネットワークは、以前のコンピュータビジョンおよびパターン認識技術よりもロバストで一般化可能であることができる。したがって、本明細書に記載の方法は、Ｘ線ＣＴデータおよび画像内の潜在的なアーチファクトを識別するために、ＤＬネットワーク（例えばＣＮＮ）を使用する。一定の実施において、ＣＮＮへの入力は画像データおよびサイノグラムであり、ＣＮＮからの出力は何れのアーチファクトが存在するか、およびサイノグラム／画像の何れの部分にアーチファクトが存在するかを示すリストである。

本明細書に記載の方法は、アーチファクト検出ＣＮＮをＣＴスキャナおよび画像再構成ワークフローに統合し、この統合されたアーチファクト検出ＣＮＮがワークフロー動作を決定するために使用される。このアーチファクト検出ＣＮＮによって決定されるこれらワークフロー動作は、スキャンを中断する決定、何れのアーチファクト補正方法（もしあれば）を適用するか、アーチファクトを軽減するためのスキャンプロトコルの変更、およびＣＴ画像を再構成するときに使用する再構成アルゴリズムを含むことができる。例えば、特定の再構成アルゴリズムは、それぞれの種類のアーチファクトをより良好に最小化することができる。全変動最小化（Ｔｏｔａｌ−Ｖａｒｉａｔｉｏｎ ｍｉｎｉｍｉｚａｔｉｏｎ：ＴＶ）正則化器を使用する反復再構成は、ストリークアーチファクトを低減できることを考慮されたい。

スキャンを中断する決定に関しては、もし深刻なアーチファクトが存在するため画像が臨床用途には全く不適切になっているならば、スキャンを継続する意味がなく、スキャンは中断されて技術者／ユーザに通知される。技術者に送信されるシグナル／メッセージには、解決策の提案と共に、考え得る原因のリストを含めることができる。スキャンを中断することについて考え得る原因には、患者の動きが過度であること；コントラストの増強を伴うスキャンについて画像にコントラストが表示されないこと；またはシステムの誤動作により使用不能な画像が生成されることが含まれる。

何れのアーチファクト補正を適用するかの決定に関しては、もし補正可能なアーチファクトが検出されれば、適用可能なアーチファクト補正方法（例えば、その特定種類のアーチファクトを補正するように訓練されたＤＬネットワーク）が選択され、前記補正可能なアーチファクトを補正するために適用される。補正可能なアーチファクトの幾つかの例は、例えば、金属アーチファクトが検出された場合の金属アーチファクト補正、切り捨てが検出された場合の切り捨て補正、またはヨウ素コントラスト増強心臓スキャンにおいてビーム硬化が検出された場合のヨウ素ビーム硬化補正が含まれる。

何れの再構成アルゴリズムを適用するかの決定に関して、例えば非常に高いノイズアーチファクトが検出されたならば、低線量でうまく機能する再構成アルゴリズムを使用する。

スキャンプロトコルを如何にして変更するかの決定に関しては、スキャンプロトコルを調整することによってアーチファクトを補正できるならば、プロトコルが調整され、再スキャンが実行される。再スキャンは自動的に実行することができ、または再スキャンを開始する前で技術者からの信号を待つ前に、再スキャンが推奨されることを技術者に知らせることができる。一例は、線量が低すぎるときに、ノイズが多すぎる画像を生じる場合である。

一定の実施では、画像正常性検出ＣＮＮが、画像保管通信システム（Ｐｉｃｔｕｒｅ Ａｒｃｈｉｖｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍ：ＰＡＣＳ）に送信する前の最終チェックとして使用される。画像が最終テストに合格しなかった場合には技術者に通知される。

ここで図面を参照する。幾つかの図を通して、同様の参照番号は同一または対応する部分を示す。図１は方法１００の非限定的な例の流れ図を示しており、当該方法は、アーチファクトについての投影データの取得をモニターするために第１のディープラーニング（ＤＬ）ネットワークを使用し、また検出されたアーチファクトを補正するために第２のＤＬネットワークを使用する。

方法１００のステップ１０２において、イメージングスキャンが初期化される。当該イメージングスキャンは、例えば、Ｘ線コンピュータ断層撮影（ＣＴ）スキャン、ポジトロン放射断層撮影（ＰＥＴ）スキャン、磁気共鳴イメージング（ＭＲＩ）スキャン、または単一光子放出ＣＴ（ＳＰＥＣＴ）スキャンであることができる。スキャンを初期化することは、スキャンに関する様々なパラメータの設定を含むことができ、例えば、Ｘ線管の電流および電圧設定、スキャナの幾何学形状（例えば、散乱防止グリッドが検出器の前に配置されているか否か、またはコーンビームの角度を補正するために何れのボウタイフィルタ（もしあれば）を使用するか）、検出器の設定が含まれる。Ｘ線ＣＴにおける検出器設定には、例えば、校正、増幅器利得設定、光子計数型Ｘ線検出器のエネルギービン間のエネルギー閾値、パイルアップ補正に関する設定が含まれ得るであろう。ＰＥＴスキャナの検出器設定には、例えば、ガンマ線検出器における相関ガンマ線のエネルギーおよびタイミングウィンドウの設定が含まれ得るであろう。

方法１００のステップ１１０において、スキャンデータが取得されてサイノグラムが生成されると、これまでに生成されたサイノグラム（「これまでのサイノグラム」と略記される）が第１のＤＬネットワークに適用されて、様々な出力を生成する。これらの出力は、（ｉ）アーチファクトが検出されたかどうかの決定、（ｉｉ）アーチファクトが検出されていれば、当該アーチファクトがスキャンプロトコルに起因するかどうか（即ち、スキャンプロトコルの潜在能力を変更するとアーチファクトが改善されるか）の判定、（ｉｉｉ）後処理によってアーチファクトを補正できるかどうかの判定、および（ｉｖ）当該アーチファクトは、イメージングスキャンの中断を要する程度のものか否かの判定を含むことができる。

方法１００のステップ１１５では、アーチファクトが検出されたか否かに関して問い合わせが行われる。アーチファクトが検出されていれば、方法１００はステップ１２５に進む。そうでなければ、方法１００はステップ１１５からステップ１２０に進む。

方法１００のステップ１２０では、イメージングスキャンが継続されて、サイノグラムについての追加のデータが取得される。追加のサイノグラムデータがこれまでのサイノグラムに追加／連結されて、更新されたこれまでのサイノグラムが生成される。ステップ１２０からステップ１５５へと継続し、次いでステップ１１０へと戻ることによってもスキャンが完了しなければ、サイノグラム取得の継続的なモニタリングを実行することができ、ここでは、更新されたこれまでに生成されたサイノグラムが再び第１のＤＬネットワークに適用される。

方法１００のステップ１２５では、検出されたアーチファクトがスキャンプロトコルに起因するか否かに関して問い合わせが行われる。即ち、この問い合わせは、スキャンプロトコルを変更することによって、検出されたアーチファクトを補正することができるかどうかを尋ねる。スキャンプロトコルアーチファクトを変更することによってアーチファクトが補正される可能性があるならば、方法１００はステップ１３０へと続く。そうでなければ、方法１００はステップ１２５からステップ１３５へと続く。

方法１００のステップ１３０では、ステップ１３０においてアーチファクトを改善するためにスキャンパラメータが調整される。スキャンパラメータがどのように変更されるべきかの指標を、第１のＤＬネットワークからの出力に含めることができる。

方法１００のステップ１３５では、アーチファクトが後処理によって補正され得るか否かに関して問い合わせが行われる。アーチファクトが後処理によって補正され得るならば、方法１００はステップ１４０へと続く。そうでないならば、方法１００はステップ１３５からステップ１４５へと続く。

方法１００のステップ１４０では、アーチファクトを補正するためにサイノグラムを後処理するためのプロセスが選択される。何れの後処理アルゴリズムがアーチファクトを補正するかの指標を、前記第１のＤＬネットワークからの出力に含めることができる。それぞれの種類のアーチファクトを補正するために使用できる後処理アルゴリズムのタイプについて、図３を参照して説明する。

方法１００のステップ１４５において、アーチファクトがイメージングスキャンの中止を要する程度のものか否かに関して問い合わせが行われる。アーチファクトが中断基準を満たせば、方法１００はステップ１５０に進み、当該方法は中断され、致命的アーチファクトが検出されたとの信号をユーザに返す。この時点において、ユーザは、アーチファクトを引き起こしている要因を補正して、スキャンを繰り返すための対策を講じることができる。例えば、スキャンの最中での患者の大きな運動は、致命的な運動アーチファクト生じる可能性がある。この場合、技術者は患者に動かないように指示することができ、次いで技術者はスキャンを繰り返すことができるであろう。

アーチファクトが中断基準を満たさない場合、方法１００はステップ１２０に進むことによってイメージングスキャンを継続する。この場合、アーチファクトは存在するが、再構成された画像は未だ十分に高い画質であって、臨床的に有用である可能性が高い。即ち、補正できない幾つかの残留アーチファクトがあるために画質が完全ではなくても、それでも画質は十分に良好である。したがって、スキャンは中断されず、ステップ１２０へと継続される。

方法１００のステップ１５５では、イメージングスキャンが完了したかどうかに関する問い合わせが行われる。スキャンが完了していれば、方法１００はステップ１６０に進む。そうでなければ、ステップ１５５からステップ１１０に進む方法１００によって、イメージングスキャンはモニターされ続ける。即ち、スキャンが完了していない場合、ステップ１２０からステップ１５５へと継続し、次いでステップ１１０に戻ることによってサイノグラム取得の継続的モニタリングを実行することができ、ここではこれまでに生成されたサイノグラムが再び第１のＤＬネットワークに適用される。

方法１００のステップ１６０では、アーチファクトを補正するためにステップ１４０で選択された後処理アルゴリズムが前記完全なサイノグラムに適用され、補正されたサイノグラム１６２がステップ１６０から出力される。

一定の実施では、サイノグラム１６２は次にＣＴ画像を再構成するために使用され、方法１００を使用してサイノグラム領域で実行される仕方と同様にして、サイノグラム領域においてアーチファクト検出および補正を実行することができる。

図２は、サイノグラム領域と画像領域の両方で、アーチファクトの検出および補正を実行するための方法２００の非限定的な例を示す。プロセス２１０は、サイノグラム領域においてアーチファクト検出および補正を実行するためのステップを示し、プロセス２５０は、画像領域においてアーチファクトの検出および補正を実行するためのステップを示す。一定の実施では、プロセス２１０を省略することができ、アーチファクト検出および補正は画像領域内でのみ実行される。他の実装では、プロセス２５０を省略することができ、アーチファクト検出および補正はサイノグラム領域でのみ実行される。一定の実施では、ステップ２８０を省略することができ、方法２００は、出力画像２７２を生成することから、出力画像２７２がＰＡＣＳに保存されるステップ２８４へと直接進むことができる。

一定の実施において、方法２００のプロセス２１０は、方法１００とかなり類似している。

プロセス２１０のステップ２１２では、イメージングスキャンが実行され、これは方法１００におけるステップ１０２およびステップ１２０と同様であることができる。

プロセス２１０のステップ２１４においては、これまでに取得されたサイノグラム（即ち、これまでのサイノグラム）がサイノグラム畳み込みニューラルネットワーク（ＣＮＮ）に適用されるが、これは方法１００における第１のＤＬネットワークと同様であることができる。ステップ２１４およびステップ２１２は、それぞれの時間間隔でのサイノグラムデータへのイメージングスキャン／連結／追加と同時に進行することができ、それまでに取得されたサイノグラムは前記時間間隔でサイノグラムＣＮＮに適用される。例えば、これまでのサイノグラムは、スキャンが３０％、４０％、５０％、６０％、７０％、８０％、９０％、および１００％完了したときに、サイノグラムＣＮＮに適用することができる。サイノグラムＣＮＮからの出力は、方法１００における第１のＤＬネットワークからの出力と同様であり得る。

ステップ２１６での問い合わせは、ステップ１１５における問い合わせと同様であることができる。ステップ２１８での問い合わせは、ステップ１２５における問い合わせと同様であることができる。ステップ２２０での問い合わせは、ステップ１３５における問い合わせと同様であることができる。ステップ２２２での問い合わせは、ステップ１４５における問い合わせと同様であることができる。

ステップ２２８では、サイノグラムにおいて検出されたアーチファクトが中断基準を満たすときには、スキャンは中断される。

ステップ２２６において、前記アーチファクトがステップ２２０で補正可能であると決定されれば、サイノグラム領域のアーチファクト補正が当該サイノグラムに適用される。このアーチファクト補正は、サイノグラム取得が完了したときに当該サイノグラムに適用することができ、または当該これまでのサイノグラムに適用することができる。サイノグラム領域のアーチファクト補正は、１以上のサイノグラム領域アーチファクト補正ＣＮＮを、補正可能なアーチファクトによって影響を受けると判定されたサイノグラムに適用することによって実行することができる。後述するように、幾つかの種類のアーチファクトは、ＣＮＮを含まないアルゴリズムを使用して補正することができる。ステップ２２６では、前記サイノグラムＣＮＮからの出力を使用して、ステップ２１６で検出されたアーチファクトの種類に基づき、何れのアーチファクト補正ＣＮＮを使用するかを決定することができる。

プロセス２１０の結果は、完全なサイノグラム１６２である。ステップ２３０では、ＣＴ画像がサイノグラム１６２から再構成される。プロセス２５０において、画像領域のアーチファクト検出および補正が、再構成されたＣＴ画像に対して行われる。

方法２００のプロセス２５０は、サイノグラムではなく前記再構成された画像がアーチファクトの検出および補正に使用されることを除いて、方法２００のプロセス２１０と同様である。更に、プロセス２５０は、これまでに取得されたサイノグラムから再構成された画像（即ち、完全なサイノグラムが取得される前）、または完全なサイノグラムから再構成された画像の何れかに対して実行することができる。不完全なサイノグラムからＣＴ画像を再構成するために、様々な方法を使用することができる。例えば、反復的再構成法を用いて、不完全ビュー（複数）から画像を再構成することができる。更に、その全体を本明細書の一部として援用する米国特許第７，７５１，５２４号、およびその全体を本明細書の一部として援用する米国特許第６，９０７，１００号で論じられているように、ショートスキャンコーンビーム（ＣＢ）の画像再構成ＣＴは、フルスキャンＣＢ・ＣＴのＦＢＰ方法と同様の方法を使用して実行できるが、ショートスキャンＣＴの投影データは投影角度に従って重み付けされる点が異なる。投影データのこの重み付けは、ショートスキャンデータの不均等なデータ冗長性を補正する。例えば、このパーカー（Ｐａｒｋｅｒ）の重み付けは、なかでもハーフスキャン（即ち、１８０°＋２γのスキャン、ここでのγは半ファン角度）に使用することができる。

１つの実施では、フェルドカンプ（Ｆｅｌｄｋａｍｐ）法を用いてＣＢ・ＣＴ投影データから画像を再構成する。フェルドカンプ法では、１組の二次元投影から三次元密度関数を直接再構成するために、畳み込み逆投影式が用いられる。フェルドカンプのアプローチは、古典的な二次元ファンビーム再構成法のヒューリスティックな一般化として導き出された。

３次元ＣＢ画像再構成の文脈において１つの重要な問題は、何れの状況下で画像fの正確な再構成が可能であるかという問題である。この問題に対する幾つかの貢献の中で、トゥイ（Ｔｕｙ）のＣＢデータ充足基準の定式化が最も注目を集めている。トゥイの充足基準は、（ｘ，ｙ，ｚ）を通る殆ど全ての平面が線源軌道と少なくとも１つの交点を持つ場合に限り、点（ｘ，ｙ，ｚ）での理論的に正確かつ安定なＣＢ再構成が可能であると述べている。

トゥイの充足条件を満たすデータからの正確なＣＢ再構成のための数値アルゴリズムは、例えばグレンジ（Ｇｒａｎｇｅａｔ）によって開発された補正を用いて、上述したフェルドカンプ法の直接の実施によって構成することができる。得られた各ＣＢ投影にグレンジの定式化を適用すると、３次元ラドン領域全体に中間ラドン関数が連続的に伝達される。

クラーク（Ｃｌａｃｋ）およびデフリゼ（Ｄｅｆｒｉｓｅ）、ならびにクドウ（Ｋｕｄｏ）およびサイトウ（Ｓａｉｔｏ）は、様々な線源軌跡に対してそのようなＦＢＰタイプのＣＢ再構成アルゴリズムを見つけるためのスキームを提案した。これらの方式の重要な要素の１つは、考慮する線源軌跡に適応させる必要があり、また与えられたＣＢデータセットから取得できる中間ラドン関数の冗長性を説明する重み付け関数である。結果として生じる数値ＣＢ再構成アルゴリズムは、シフト可変フィルタリングステップと、その後のフィルタリングされたデータの３次元重み付けＣＢ逆投影に基づく。考慮されたＣＢデータが切り捨てられておらず、トゥイの充足条件も満たしている限り、これらのＦＢＰ法は正確な再構成を可能にする。ＣＢ再構成理論のもう１つのブレークスルーは、カッツェビッチ（Ｋａｔｓｅｖｉｃｈ）によって達成されたものであり、彼はトゥイの充足条件を満たすＣＢデータから、理論的に正確な再構成のための画像再構成アルゴリズムを導出する新しい一般スキームを提案した。この方式は、前の段落で説明した方式に関連しており、これもまた、特定の線源軌跡に対する実用的なアルゴリズムを見つけるための冗長度重み付け関数の適切な定義を必要とする。対照的に、カッツェビッチの方法は、多くの実際的に関連するシナリオのためＦＢＰアルゴリズムの合成を可能にする。これらのＦＢＰアルゴリズムは、特定のフィルタ方向に沿ったシフト不変一次元畳み込みによるデータフィルタリングを達成する。したがって、これらのＦＢＰアルゴリズムは、従来のアルゴリズムよりも効率的であり、一般に、必要なフィルタ方向に依存して、ＣＢデータ内の切り捨てに関してより柔軟である。近年では、ほんの数例を挙げれば、らせん線源軌跡、円と円弧の軌跡、および楕円と斜線の軌跡を含む、様々な魅力的な再構成アルゴリズムがカッツェビッチの一般理論から導き出されている。

上記の観点から、プロセス２５０は、これまでに取得されたサイノグラムが不完全（例えば、ある範囲のビューを見逃している）である場合でも、これまでに取得されたサイノグラムから画像を再構成することによって、イメージングスキャンが完了する前に生成された再構成画像を使用して開始できる。ＰＥＴイメージングでは、これまでに取得されたサイノグラムは完全なビューを有し得るが、完全なサイノグラムよりも統計量が劣る可能性がある。

他の実施において、プロセス２５０は、完全なサイノグラムデータが取得された後に開始することができる。

プロセス２５０のステップ２５４では、再構成された画像が、画像領域ＣＮＮ（画像ＣＮＮと略される）に適用される。ステップ２５４およびステップ２１２は、所定の時間間隔（例えば、スキャンが３０％、４０％、５０％、６０％、７０％、８０％、９０％、および１００％完了したとき）で複数回実行できる。画像ＣＮＮからの出力は、サイノグラムＣＮＮからの出力と同様であることができる（例えば、画像ＣＮＮからの出力は、アーチファクトが検出されたかどうか、何れのアーチファクトが検出されたか、当該アーチファクトがスキャンプロトコルに起因するかどうか、当該アーチファクトが補正可能かどうか、および当該アーチファクトが致命的かどうかの表示を含むことができる）。

ステップ２５６での問い合わせは、問い合わせがサイノグラムではなく再構成画像に基づくことを除き、ステップ２１６での問い合わせと同様であることができる。同様に、ステップ２５８、２６０、および２６２における問い合わせは、ステップ２５８、２６０、および２６２がサイノグラムではなく再構成された画像に基づくことを除き、それぞれステップ２１８、２２０、および２２２における問い合わせと同様であることができる。

ステップ２６８では、前記画像において検出されたアーチファクトが画像アーチファクトについての中断基準を満たすときにはスキャンが中断される。

ステップ２６６において、アーチファクトがステップ２６０で補正可能であると判定されたならば、画像領域アーチファクト補正が前記画像に適用される。このアーチファクト補正は、サイノグラム取得が完了したときに画像に適用することができ、またはこれまでのサイノグラムから再構成された画像に適用することができる。画像領域のアーチファクト補正は、１以上の画像領域アーチファクト補正ＣＮＮを、補正可能なアーチファクトの影響を受けていると判定された画像に適用することによって実行することができる。画像ＣＮＮからの出力は、ステップ２６６において何れのアーチファクト補正ＣＮＮを使用すべきかを決定するために使用できる。

プロセス２５０の結果は、出力画像２７２である。

ステップ２８０においては、アーチファクトの検出および補正プロセスが臨床的に妥当な画像を生成するのに成功したかどうか、または結果として得られる画像２７２が、依然として合理的に誤診を導く可能性のあるアーチファクトおよび／またはノイズを有するかどうかを判定するために、画像２７２の最終チェックが実施される。画像が良好であれば（即ち、画像２７２が臨床的に妥当な十分な画質である）、方法２００はステップ２８２からステップ２８４へと進み、画像２７２は、例えば、後で取り出して放射線科医が見るために写真保管通信システム（ＰＡＣＳ）に保存される。そうでない場合、方法２００はステップ２８２からステップ２８６へと進み、エラーが通知され、イメージングスキャンが失敗したことをユーザに警告する。

方法１００におけるステップ１１０および１６０、ならびに方法２００におけるステップ２１４、２２６、２５４、および２６６を含めて、方法１００および２００における複数のステップは、ＤＬネットワークを使用して実行することができる。これらの場合のそれぞれにおいて、ＤＬネットワークは、適切な１組の訓練データを使用して訓練することができる。各場合において、当該訓練データは、ターゲットデータと対になった入力データを有するように選択される。各ＤＬネットワークは、入力データの一部（例えば、画像またはサイノグラムの何れのドメインでＤＬネットワークが使用されるかに応じて、画像または再構成された画像）をそれぞれのＤＬネットワークに適用して出力を生成し、次いで損失関数を使用して、ＤＬネットワークからの出力を対応するターゲットデータと比較することによって訓練される。当該ＤＬネットワークは、損失関数を最小にするように、ネットワークの重み付け係数を繰り返し調整することによって訓練される。

例えば、それぞれステップ２１４および２５４におけるサイノグラムＣＮＮおよび画像ＣＮＮについて、出力はアーチファクトが検出されたかどうかの判定を含むことができる。この判定は、アーチファクトが検出されたかどうかを示すバイナリーの結果（即ち、イエスまたはノー）であることができ、またはそれぞれのアーチファクトが存在する異なる程度を示す値の範囲であることができる。更に、この判定は複数の値とすることができ、各値は異なる種類のアーチファクトに対応する。図３はアーチファクトテーブル３００を示し、（ｉ）ビーム硬化アーチファクト、（ｉｉ）リングアーチファクト、（ｉｉｉ）運動アーチファクト、（ｉｖ）金属アーチファクト、（ｖ）光子不足アーチファクト、（ｖｉ）風車アーチファクト、（ｖｉｉ）ゼブラアーチファクト、（ｖｉｉｉ）部分ボリュームアーチファクト、（ｉｘ）カッピングアーチファクト、（ｘ）切り捨てアーチファクト、（ｘｉ）ストリーキングアーチファクト、および（ｘｉｉ）シャドウイングアーチファクトを含む幾つかの異なるアーチファクトが列挙されている。サイノグラムＣＮＮおよび画像ＣＮＮからの出力は、表３００の各種類のアーチファクトについてのそれぞれの値を含むことができ、これらの値は、当該タイプのアーチファクトがサイノグラムおよび／または再構成された画像内に存在する程度を表す。

幾つかの種類のアーチファクトは、サイノグラム領域において検出および／または補正する方がより容易であり得るが、他の種類のアーチファクトは、画像領域において検出および／または補正する方がより容易であり得る。したがって、画像ＣＮＮからの出力は表３００のアーチファクトの種類の第１のサブセットを処理することができ、サイノグラムＣＮＮからの出力は表３００のアーチファクトの種類の第２のサブセットを処理することができる。一定の実施では、表３００における前記種類のアーチファクトの前記第１のサブセットと前記第２のサブセットとの間に重複が存在し得る。

ステップ２１６および２５６において、所定の種類のアーチファクトが存在するか否かの判定は、その種類のアーチファクトについて、ＣＮＮからの指標が所定の検出閾値を超えるかどうかに基づくことができる。例えば、サイノグラムの中の運動アーチファクトは、サイノグラムＣＮＮが１以上の運動アーチファクト出力ノード（即ち、サイノグラムＣＮＮの出力ニューロン）から、運動アーチファクトについて所定の検出閾値を超える運動アーチファクト指標を出力するときに検出される。一定の実施では、第１のサイノグラムＣＮＮを訓練して５０％完成したサイノグラムに適用することができる一方、第２のサイノグラムＣＮＮを訓練して６０％完成したサイノグラムに適用することができ、以下同様である。或いは、スキャンの何パーセントが完了したかにかかわらず、単一のサイノグラムＣＮＮを訓練してサイノグラムに適用することができる。

ターゲットデータについて、ユーザは、入力データが特定の種類のアーチファクトを示す程度を指定する値を備えた入力データを、手動でレビュー、分析、およびラベル付けする（または一定の実施では、入力データに特定の種類のアーチファクトがあるか否かのバイナリー判定をラベル付けする）ことができる。次に、ＤＬネットワーク（例えば、サイノグラムおよび画像ＣＮＮ）は、ユーザが手動で決定したターゲットデータ中の判定にできるだけ厳密に一致するように訓練される。

サイノグラム領域および画像領域のためのアーチファクト補正ＣＮＮを訓練することにおいて、前記ターゲットデータは、それぞれ、アーチファクトを示さないサイノグラムおよび画像であろう。したがって、アーチファクト補正ＣＮＮは、アーチファクトを補正するように訓練される。１つのＣＮＮは、特定の種類の成果物を補正するため、または複数の種類の成果物を同時に補正するために訓練され得る。したがって、何れの種類のアーチファクトが検出されたかに応じて、当該アーチファクトを補正するために適切なＣＮＮが選択される。複数の種類のアーチファクトが検出された場合、複数のアーチファクト補正ＣＮＮを使用して、各々が検出されたそれぞれの種類のアーチファクトを補正するようにすることができる。

スキャニングプロトコルを変更することで、一定種類のアーチファクトを処理することができる。例えば、光子不足アーチファクトは、スキャニングプロトコルのパラメータを変更すること（例えば、Ｘ線管の電流および／または電圧を変更すること）を通して、Ｘ線束を増加させることにより処理することができる。更に、切り捨てアーチファクトは、（例えば、異なるボウタイフィルタを使用することを通して）Ｘ線ビームのコーンビーム角を増大させることによって処理することができる。したがって、ステップ２１８および２５８は、プロトコル関連のアーチファクトが存在するかどうかの判定を使用して、プロトコルを変更すべきかどうかを決定し、もしそうであれば、プロトコルをどのように変更すべきかを決定することができる。

ステップ２２０および２６０では、補正可能な閾値を使用して、特定のアーチファクトが補正できる範囲内にあるかどうかを判定することができる。また、幾つかの種類のアーチファクトは、プロトコルを変更しまたは後処理を行っても、補正できない場合があり得るであろう。

したがって、残されている唯一の問題は、これらの補正不可能なアーチファクトが許容可能なほど十分に小さいかどうか、またはこれらの補正不可能なアーチファクトが大きすぎて致命的かどうかである。補正不可能なアーチファクトが致命的であるかどうかを判定するために、サイノグラムおよび画像ＣＮＮからのアーチファクト指標を、補正不可能なアーチファクトの種類に対応するそれぞれの致命的閾値と比較することができる。

致命的閾値および補正可能な閾値の選択は、それぞれの入力データが補正可能または致命的なアーチファクトを含むかどうかを示す、ユーザが定義したラベルを含むターゲットデータを使用して、前記ＤＬネットワークを訓練することによって導かれ得る。

例えば、特定の種類のアーチファクトは、０から１０までの範囲の値を戻すサイノグラムＣＮＮによって示すことができ、０はアーチファクトがなく、１０は非常に大きいアーチファクトである。サイノグラムＣＮＮによって戻されるアーチファクト指標の閾値は、検出閾値については３に、補正可能閾値については５に、そして致命的閾値については７に設定することができる。したがって、入力データ内のサイノグラムが、検出されたアーチファクトの種類を有するものとしてユーザによりラベル付けされるが、当該アーチファクトは致命的でも補正不可能でもないときには、前記サイノグラムＣＮＮは、これと、同様に悪質なアーチファクトを有する他のサイノグラムとを、３と５の間のアーチファクト指標値に割り当てることを学習する。アーチファクトの種類が検出され、かつ補正不可能であるが致命的ではないサイノグラムについて、前記サイノグラムＣＮＮは、これと、同様に悪質なアーチファクトを有する他のサイノグラムとを、５と７の間のアーチファクト指標値に割り当てることを学習する。最後に、アーチファクトの種類が検出され、補正不可能でかつ致命的なサイノグラムについて、前記サイノグラムＣＮＮは、これと、同様に悪質なアーチファクトを有する他のサイノグラムとを、７を超えるアーチファクト指標値に割り当てることを学習する。

他の実施では、アーチファクトが検出されるか否か、補正不可能であるか否か、および致命的であるか否かを判定する毎に、異なるアーチファクト指標が出力される。したがって、各種類のアーチファクトは、当該サイノグラムＣＮＮからの複数の指標によって表すことができる。

サイノグラムＣＮＮについての上記の議論は、画像ＣＮＮにも適用することができる。

次に、様々な種類のアーチファクトの説明を提供する。

ストリークアーチファクトは、金属や骨のように、殆どのＸ線をブロックする物質の周囲にしばしば見られる。多数の要因がこれらストリークに寄与する。即ち、アンダーサンプリング、光子不足、運動、ビーム硬化、およびコンプトン散乱である。この種のアーチファクトは、通常は脳の後部窩に、または金属製インプラントがある場合に発生する。更に、ストリークは、フィルタ補正逆投影（ｆｉｌｔｅｒｅｄ ｂａｃｋ−ｐｒｏｊｅｃｔｉｏｎ：ＦＢＰ）を使用して再構成された画像において観察することができ、また正則化（例えば、全変動（Ｔｏｔａｌ−Ｖａｒｉａｔｉｏｎ：ＴＶ）正則化）を伴う反復再構成（Ｉｔｅｒａｔｉｖｅ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ：ＩＲ）法を使用して画像を再構成することにより低減できる。

スキャンフィールド内の金属物体は、深刻なストリーキングアーチファクトを引き起こす可能性がある。これらのアーチファクトは、人体の減衰と比較して高い金属の減衰から生じる。加えて、金属は、ビーム硬化アーチファクト、ノイズアーチファクト、散乱アーチファクトおよび部分ボリュームアーチファクトを引き起こす可能性がある。ＣＴ検査の前に、宝石類のような取り外し可能な金属製の物体が取り除かれれば、金属アーチファクトは回避される。金属物体が取り外し不能である場合（例えば、患者の中の金属製医療用インプラント）、金属は、ガントリアンギュレーションを用いて当該スキャンから排除することができる。更に、様々な補間技術を用いたソフトウェア補正により、金属ストリークによって導入されたストリーキングアーチファクトの除去が可能になり、また金属インプラントに起因する他のアーチファクトは、その全体を本明細書の一部として援用する米国特許出願第１４／７４６，０１２号で述べられた金属アーチファクト低減（Ｍｅｔａｌ Ａｒｔｉｆａｃｔ Ｒｅｄｕｃｔｉｏｎ：ＭＡＲ）を使用して対処できる。ＭＡＲ技術はスペクトルイメージングを含み、そこでは異なるエネルギーレベルの光子を用いてＣＴ画像が撮影され、次いで単色画像に合成される。

部分ボリュームアーチファクトは、エッジのぼやけとして現れる可能性がある。部分ボリュームアーチファクトは、スキャナが、少量の高密度材料（例えば骨）と大量の低密度材料（例えば軟骨）とを区別できないことに起因する。再構成は、各ボクセル内のＸ線減衰が均一であると仮定するが、鋭いエッジにおいてはそうでない可能性がある。これはｚ方向において最も一般的に見られるもので、面内解像度よりもはるかに低い面外解像度を有する高度に異方性のボクセルの慣用的使用に起因する。これは、より薄いスライスを使用したスキャン、または最新のスキャナでの等方性の取得によって部分的に克服することができる。

部分ボリュームアーチファクトは、高減衰構造が、当該ボリュームの取得スライス全体をカバーしないとき、即ち検出器のピクセルの一部分のみをカバーするときに発生する。一般的な検出器は、各ピクセル要素内の蓄積エネルギーを検出するので、測定された強度と真の強度との間、したがってまた減衰値との間の食い違いをもたらす固有の空間的平均化が行われる。更に、同じ再構成されたボクセル内に異なる吸収係数を有する材料が提示されるときには、部分ボリュームアーチファクトが現れる。本明細書の一部として援用する米国特許出願第１６／１８２，１５６号で述べられているように、薄い取得セクション幅を使用することによって部分ボリュームアーチファクトを低減することができる。また、アルゴリズムを使用して、部分ボリュームアーチファクトを補正することができる。

リングアーチファクトは、画像内に１以上のリングが現れる一般的な機械的アーチファクトである。これらのリングは、欠陥または不正確な校正に起因して、二次元Ｘ線検出器内の個々の要素からの応答の変動によって引き起こされる可能性がある。リングアーチファクトは、フラットフィールド補正とも呼ばれる強度正規化によって低減することができる。残りのリングは極座標空間（ｐｏｌａｒ ｓｐａｃｅ）への変換によって抑制され、そこでは線状の縞となる。一定の実施では、リングアーチファクトは、シジュベル（Ｓｉｊｂｅｒｓ）およびポストノヴ（Ｐｏｓｔｎｏｖ）の方法を使用して低減することができる。多くの場合、リングアーチファクトは、ＣＴ画像において交互に濃くまたは明るく見える同心円状に配置された正確に円形のリングである。それらは、誤動作または検出器の不十分な校正の何れかから生じる。各々の角度位置に亘って誤測定が一貫して発生するため、円形リングがＣＴ画像に現れる（即ち、例えば欠陥ピクセルが各投影において画像内の同じ位置に表示される）。検出器の正しい校正が、リングアーチファクトの発生を防止する。

光子不足アーチファクトは、一定の画像セクションにおいて、画像ノイズを増大させる可能性がある。光子不足アーチファクトは、形態の違いによるＸ線放射の減衰の増大（例えば、信号対雑音比の低下）によって引き起こされる可能性がある。再構成されたボリュームにおいては、ノイズがＣＴ画像における縞を導く。光子不足アーチファクトは、当該管の電流を増加させることによって減少させることができる。これは医療用途では不必要な高線量の放射線をもたらす可能性がある。或いは、放射線がどれだけの量の材料を通過しなければならないかに基づく自動管電流変調、または適応フィルタリングを使用してこれらのアーチファクトを回避することができる。

検出器が再構成面と交差するときに、風車アーチファクトが発生する可能性がある。これは、フィルタまたはピッチを狭くすることで低減できる。ヘリカルアーチファクトは測定データの補間から生じ、これはスパイラルＣＴ投影の再構成のための要件である。これらアーチファクトは、各回転の経路の間で幾つかの検出器列が再構成平面と交差するので、風車のような外観を有する。ヘリカルアーチファクトは、薄い取得セクションを使用することによって低減できる。

グレースケールが高さとして視覚化されると、ビーム硬化アーチファクトがカップ状の外観になることがある。これは、Ｘ線管のような従来の線源が多色スペクトルを放射するために起きる。より高い光子エネルギーレベルの光子は、典型的にはより少なく減衰される。このため、スペクトルの平均エネルギーは、物体を通過するときに増加し、しばしばより硬くなると説明される（即ち、Ｘ線はそれらの軌道の終わりでは、始まりでよりも減衰が少ないように見える）。これが補正されないと、材料の厚さをますます過小評価する効果につながる。このアーチファクトを補正するために様々なアルゴリズムを使用することができ、サイノグラムが検出されたときにそれを適用することができる。このアーチファクトを補正するためのアルゴリズムは、モノマテリアル方式とマルチマテリアル方式に分けられる。ビーム硬化アーチファクトを補正することは、画像領域よりもサイノグラム領域において補正するのが容易である可能性がある。

運動アーチファクトに関して、これらのアーチファクトは、患者がスキャン中に動いたときに発生する。患者の運動は不随意的または随意的であり得る。不随意的運動は、例えば呼吸による心臓または胸部の動きである。随意的運動に起因するアーチファクトは、補助器具を配置するか、またはより短いスキャン時間を使用することによって回避することができる。スキャン時間がより短いと、不随意的運動アーチファクトも低減される。更に、心臓の動きに起因するアーチファクトは、ＥＫＧ誘発（ＥＫＧ−ｔｒｉｇｇｅｒｅｄ）ＣＴプロトコルによって低減でき、呼吸によるアーチファクトは、患者に息を止めさせるように指示することによって低減できる。姿勢のずれなどの特定の種類の動きは、動きの前後に撮影されたそれらの投影画像間の位置合わせを通して補正することができる。場合によっては、運動アーチファクトが致命的になることがあるが、その解決策は患者を静止させたままスキャンを繰り返すことである。

切り捨てアーチファクトに関しては、投影の一部が再構成に利用できないときに不完全な投影が現れる。医療分野では、スキャン視野内に患者をセンタリングすることは必ずしも可能ではない。その結果、投影の一部が切り捨てられる。切り捨て投影は、再構成を通して明るいシェーディングアーチファクトを生成する。不完全な投影によるアーチファクトは、スキャン視野内に患者または被検体をセンタリングことによって回避できる。しかしながら、ときには投影の切り捨てが不可避である。その全体を本明細書の一部として援用する米国特許出願第１６／２０６，８９２号で述べられているように、アルゴリズムを使用して視野の外側に位置する患者の部分を推定／外挿し、それによってアーチファクトを補正することができる。

コーンビーム効果アーチファクトは、マルチチャネル検出器におけるＸ線ビームの幾何学形状から生じる。Ｘ線はチューブから検出器までの経路で発散する。しかしながら、再構成アルゴリズムでは平行ビームの幾何学形状が仮定される。これはボクセルの円錐形の歪みをもたらす。コーンビーム再構成／補正アルゴリズムを用いてこれらのアーチファクトを低減できる。例えば、その全体を本明細書の一部として援用する米国特許出願第１６／３７０，２３０号は、ＤＬネットワークに基づくコーンビームアーチファクト低減方法を記載している。

上記の説明から分かるように、スキャンプロトコルを変更することによって、様々な種類のアーチファクトに対処／補正でき、サイノグラムおよび／または画像を後処理するためのアルゴリズムを通して、他の種類のアーチファクトに対処／補正できる。更に、スキャンプロトコルを変更することで、一部の種類のアーチファクトに部分的に対処／補正してから、後処理で更に補正することもできる。幾つかの種類のアーチファクト（例えば、ビーム硬化）については、アーチファクトを補正するための後処理は、サイノグラム領域において更に効果的であり、他の種類のアーチファクト（例えば、金属アーチファクト）については、当該アーチファクトを補正するための後処理は画像領域において更に効果的である。

上述の非ＤＬベースのアーチファクト補正方法に加えて、アーチファクトを補正するための後処理は、問題の特定種類のアーチファクトを補正するように訓練されたＤＬネットワーク（例えば、ＣＮＮ）を使用して実行できる。アーチファクト補正ＣＮＮは、アーチファクトを示す入力データと、アーチファクトを示さないターゲットデータとを共に含む訓練データを使用して訓練される。サイノグラム領域のアーチファクト補正ＣＮＮの場合、入力データは特定のアーチファクトを示すサイノグラムであり、ターゲットデータはアーチファクトが低減されているか、または存在しない対応するサイノグラムである。画像領域におけるアーチファクト補正ＣＮＮの場合、入力データは特定のアーチファクトを示す再構成画像であり、ターゲットデータはアーチファクトが低減されているか、または存在しない対応する再構成画像である。

図４は、訓練データを使用してニューラルネットワークを訓練するための、訓練プロセス４３５の実施の非限定的な例である。訓練プロセス４３５は、適切に選択された訓練データを用いて、上述の各ＤＬネットワーク（即ち、ＣＮＮ）を訓練するために使用することができる。上記で述べたように、前記訓練データは、複数のラベル付きの入力画像またはサイノグラム（例えば、入力データが特定の種類の、検出可能な、補正可能な、および／または致命的なアーチファクトを含むか否かを示すためにラベル付けされたもの）を含むことができる。或いは、前記訓練データは、特定のアーチファクトを含まないターゲットサイノグラム／画像と共に、特定のアーチファクトを示す入力サイノグラム／画像を含むことができる。

プロセス４３５の動作４８０では、ニューラルネットワークの係数についての初期推定が生成される。例えば、当該初期推定は、収集されているデータに関するアプリオリな知識およびその中の関連指標に基づくことができる。更に、当該初期推定は、ルカン（ＬｅＣｕｎ）の初期化、ザビエル（Ｘａｖｉｅｒ）の初期化、およびカイミン（Ｋａｉｍｉｎｇ）の初期化のうちの１つに基づくことができる。

プロセス４３５の動作４８１は、ニューラルネットワークを訓練するための最適化方法の非限定的な例を提供する。プロセス４３５の動作４８１では、ラベル付きデータ（即ち、グラウンドトゥルース）と、ニューラルネットワークの現在の反復において適用されるようなニューラルネットワークのデータ出力との間の差の尺度（例えば、距離尺度）を表すために、（例えば、損失関数またはコスト関数を用いて）エラーが計算される。このエラーは、訓練データ間の任意の既知の費用関数または距離測定値を使用して計算することができる。更に、一定の実施では、エラー／損失関数は、ヒンジ損失およびクロスエントロピー損失のうちの１以上を使用して計算することができる。一例において、前記損失関数は、ニューラルネットワークの出力（Ｓ_ＮＮ）と前記ラベル付きのグラウンドトゥルースデータ（Ｓ_ＡＧＴ）との間の平均二乗エラー、または下記のように定義することができる。

ここでのｎは訓練対象の数である。この損失は、とりわけ確率勾配降下を含む最適化方法を使用して最小化することができる。

加えて、損失関数を正則化アプローチと組み合わせて、訓練データに表された特定の事例にネットワークが過剰に適合しないようにすることができる。正則化は、機械学習問題における過剰適合を防ぐのに役立つ。学習時間が長すぎ、モデルが十分な表現力を有すると仮定すると、ネットワークはそのデータセットに固有のノイズを学習するが、これを過剰適合と称する。過剰適合の場合、ニューラルネットワークは一般化が不十分になり、ノイズはデータセット間で異なるため、分散が大きくなる。最小合計エラーは、バイアスおよび分散の合計が最小のときに発生する。したがって、訓練されたネットワークが、前記訓練データのノイズに特有の解決策ではなく、一般的な解決策を表す可能性を最大にするために、可能な限り簡単な方法で、前記データを説明する極小値に達することが望ましい。この目標は、例えば、早期停止、体重の正則化、ラッソ（ｌａｓｓｏ）正則化、リッジ（ｒｉｄｇｅ）正則化、またはエラスティックネット（ｅｌａｓｔｉｃ ｎｅｔ）正則化によって達成することができる。

特定の実施形態では、ニューラルネットワークは逆伝播を使用して訓練される。逆伝播は、ニューラルネットワークを訓練するために使用することができ、勾配降下最適化法と共に使用される。順方向パスでは、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計算する。これらの予測は次いで損失関数に入力され、それによって、それらの予測は対応するグラウンドトゥルースラベル（即ちラベル付きデータ）と比較される。逆方向パスに際して、当該モデルは現在のパラメータに関して損失関数の勾配を計算し、その後、最小損失の方向に所定サイズのステップサイズをとることによって、パラメータが更新される（例えば、ネステロフ（Ｎｅｓｔｅｒｏｖ）のモーメンタム法および種々のアダプティブ法のような加速法においては、ステップサイズを、より速く収束して損失関数を最適化するように選択することができる）。

逆伝播を実行する最適化方法は、勾配降下、バッチ勾配降下、確率勾配降下、およびミニバッチ確率勾配降下のうちの１以上を使用することができる。加えて、最適化方法は、例えばネステロフのモーメンタム技術、またはアダグラド（Ａｄａｇｒａｄ）の部分傾斜法、前記アダグラド法のアダデルタ（Ａｄａｄｅｌｔａ）またはＲＭＳＰｒｏｐパラメータ更新バリエーション、およびアダム（Ａｄａｍ）のアダプティブ最適化技術のようなアダプティブ法を含む、深層ネットワークにおける確率勾配降下のより速い収束速度をもたらす最適化アプローチにおける、１以上のモーメンタム更新技術を用いて加速され得る。この最適化方法はまた、ヤコビ行列を更新ステップに組み込むことによって二次方法を適用することができる。

順方向パスおよび逆方向パスは、ネットワークのそれぞれの層を通して増分的に行うことができる。順方向パスにおいて、実行は、最初の層を介して入力をフィードすることにより開始され、したがって後続の層のための出力アクティベーションが作成される。このプロセスは、最後の層において損失関数に達するまで繰り返される。逆方向パスの際は、最後の層は、（もしあれば）それ自身の学習可能なパラメータに関して、また前の層に対する上流の導関数として働くそれ自体の入力に関しても勾配を計算する。このプロセスは前記入力層に達するまで繰り返される。

図４に示される非限定的な例に戻ると、プロセス４３５の動作４８２は、前記エラーにおける変化を決定するが、これは前記ネットワークにおける変化の関数が計算でき（例えばエラー勾配）、またこのエラーにおける変化が、前記ニューラルネットワークの重み／係数における後続の変化についての方向およびステップサイズを選択するために使用できるからである。このようにしてエラーの勾配を計算することは、勾配降下最適化方法の一定の実施と一致する。他の一定の実施では、当業者が理解するように、この動作は省略でき、および／または別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的アルゴリズムなどの非勾配降下最適化アルゴリズム）に従って別の動作で置き換えることができる。

プロセス４３５の動作４８３において、前記ニューラルネットワークのための新しい１組の係数が決定される。例えば、重み／係数は、勾配降下最適化方法または過緩和加速方法におけるように、動作４８２で計算された変化を使用して更新することができる。

プロセス４３５の動作４８４においては、ニューラルネットワークの更新された重み／係数を使用して新しいエラー値が計算される。

プロセス４３５の動作４８５においては、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ために、所定の停止基準が使用される。例えば、この所定の停止基準は、新しいエラーおよび／または実行された反復総数が所定の値を超えているかどうかを評価することができる。例えば、新しいエラーが所定の閾値を下回った場合、または最大反復回数に達した場合は、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、プロセス４３５で実行される訓練プロセスは、新しい重みおよび係数を使用して、動作４８２に戻って当該動作を繰り返すことにより、繰り返しループの開始点に戻って継続する（繰り返しループには動作４８２、４８３、４８４、および４８５が含まれる）。停止基準が満たされると、プロセス４３５で実行される訓練プロセスは完了する。

ＣＮＮアーキテクチャに関しては、一般に、畳み込み層は入力層の近くに配置され、これに対して高水準推論を実行する完全に接続された層は、損失関数に向かってアーキテクチャの更に下に配置される。プーリング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、したがって学習可能なパラメータの量を低減できる。バッチ正規化層は、外れ値に対する勾配の動揺を調整し、学習プロセスを加速する。活性化関数もまた、非線形性を導入し、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ために、様々な層に組み込まれる。活性化関数は、飽和活性化関数（例えば、シグモイドまたは双曲線正接活性化関数）または整流活性化関数（例えば、上述のＲｅＬＵ）であり得る。

図５は、ＤＬネットワークとも称することができる人工ニューラルネットワーク（ＡＮＮ）における層間の相互接続の例を示しており、ＣＮＮは畳み込み層を含むＡＮＮの特定のタイプである。ＡＮＮは完全に接続されたものを含むことができ、ＣＮＮの特定の場合には、上記および下記で説明する畳み込み層、プーリング層、バッチ正規化層、および活性化層を含むことができる。一実施形態において、畳み込みニューラルネットワーク層は、ＡＮＮ内に埋め込むことができる。或いは、畳み込みニューラルネットワークは、ＡＮＮと直列に、例えばＣＮＮの出力層が部分的にＡＮＮの入力層を定義するように配置することができる。ＡＮＮに対する畳み込みニューラルネットワークの配置は、畳み込みニューラルネットワークが、部分的に、処理された入力画像をＡＮＮの入力層に提供する限りにおいて重要である。

図５は、Ｎ個の入力、Ｋ個の隠れ層、および３個の出力を有する一般的なＡＮＮの例を示す。各層はノード（ニューロンとも呼ばれる）で構成され、各ノードは入力の加重合計を実行し、加重合計の結果を閾値と比較して出力を生成する。ＡＮＮは、関数のクラスを構成し、そのために当該クラスのメンバーは閾値、接続の重み、またはノード数や接続性などのアーキテクチャの詳細を変更することによって取得される。ＡＮＮ内のノードはニューロン（またはニューロンノード）と称することができ、ニューロンはＡＮＮシステムの異なる層の間の相互接続を有することができる。最も単純なＡＮＮは３つの層を有し、オートエンコーダと呼ばれる。本開示のＣＮＮは、３層を超えるニューロンを有することができ、入力ニューロンと同数の出力ニューロン を有することができ、ここで、Ｎは処理された入力画像データ内のデータエントリの数である。シナプス（即ち、ニューロン間の接続）は、計算にてデータを操作する「重み」と呼ばれる値（「係数」または「重み付け係数」とも互換的に呼ばれる）を保存する。ＡＮＮの出力は３つの種類のパラメータ、即ち、（ｉ）ニューロンの異なる層間の相互接続パターン、（ｉｉ）相互接続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入力をその出力活性化へと変換する活性化関数に依存する。

数学的には、ニューロンのネットワーク関数ｍ（ｘ）は他の関数ｎ_ｉ（ｘ）の組み合わせとして定義され、これは更に他の関数の組み合わせとして定義することがでる。これは、図５に示すように、変数間の依存関係を表す矢印付きのネットワーク構造として便利に表すことができる。例えば、ＡＮＮは、非線形加重和を使用することができ、ここでｍ（ｘ）＝Ｋ（Σ_ｉｗ_ｉｎ_ｉ（ｘ））であり、またＫ（一般に活性化関数と呼ばれる）は、双曲線正接のような何らかの予め定められた関数である。

図５において、ニューロン（即ちノード）は、閾値関数の周囲の円によって描かれている。図５に示す非限定的な例では、入力は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有向性通信（ｄｉｒｅｃｔｅｄ ｃｏｍｍｕｎｉｃａｔｉｏｎｓ）を示している。一定の実施において、ＡＮＮはフィードフォワードネットワークである。

図６は、ＣＴスキャナ６００の非限定的な例を示す。図６に示すように、放射線撮影ガントリ６２０は側面図から示されており、更にＸ線管６２１、環状フレーム６２２、および複数列もしくは二次元アレイタイプのＸ線検出器６２３が含まれている。Ｘ線管６２１およびＸ線検出器６２３は、回転軸ＲＡを中心に回転可能に支持された環状フレーム６２２上で、被検体ＯＢＪを横切って直径方向に搭載されている。

マルチスライスＸ線ＣＴ装置は、更に高電圧発生器６０９を含んでおり、これはＸ線管６２１がエックス線を発生するように、スリップリング６２８を通してＸ線管６２１に印加される管電圧を発生する。Ｘ線は、その断面積が円で表されている被検体ＯＢＪに向けて放射される。例えば、Ｘ線管６２１は第１のスキャンの際の平均Ｘ線エネルギーを有し、これは第２のスキャンの際の平均Ｘ線エネルギーよりも小さい。したがって、異なるＸ線エネルギーに対応して、２以上のスキャンを得ることができる。Ｘ線検出器６２３は、被検体ＯＢＪを透過した放射Ｘ線を検出するために、被検体ＯＢＪを横切ってＸ線管６２１とは反対側に配置される。Ｘ線検出器６２３は更に、個々の検出器要素またはユニットを含む。

前記ＣＴ装置は更に、Ｘ線検出器６２３からの検出信号を処理するための、他の装置を含んでいる。各チャネルのためのデータ取得回路またはデータ取得システム（ＤＡＳ）６２４は、Ｘ線検出器６２３から出力される信号を電圧信号に変換し、当該信号を増幅し、更に当該信号をデジタル信号に変換する。

上述のデータは、非接触データ送信機６２５を介して、放射線撮影ガントリ６２０の外側コンソールに収容されている前処理回路６２６に送られる。この前処理回路６２６は、生データの感度補正のような一定の補正を実行する。得られたデータは記憶回路６１２に記憶され、これは再構成処理の直前の段階において投影データとも呼ばれる。記憶回路６１２は、再構成回路６１４、入力インタフェース６１５、およびディスプレイ６１６と共に、データ／制御バス６１１を介して処理回路６１０に接続される。処理回路６１０は、ＣＴシステムを運転するための十分なレベルに電流を制限する電流調整器６１３を制御する。

検出器は、様々な世代のＣＴスキャナシステムの中の患者に対して、回転および／または固定される。１つの実施において、Ｘ線管６２１およびＸ線検出器６２３は、環状フレーム６２２上で直径方向に取り付けられ、環状フレーム６２２が回転軸ＲＡを中心に回転するにつれて被検体ＯＢＪの周りを回転する。

記憶回路６１２は、Ｘ線検出器ユニット６２３におけるＸ線の放射照度を表す測定値を記憶することができる。更に、記憶回路６１２は、方法１００および２００の様々なステップ、ならびにＤＬネットワークを訓練するためのプロセス４３５の様々なステップを実行するための、専用プログラムを記憶することができる。

再構成回路６１４は、方法１００および２００の様々なステップを実行することができる。更に、再構成回路６１４は、必要に応じて、ボリュームレンダリング処理および画像差分処理のような再構成前処理画像処理を実行することができる。

前処理回路６２６によって実行される投影データの再構成前処理は、例えば、検出器校正、検出器非線形性、および極性効果について補正することを含むことができる。

再構成回路６１４によって実行さ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、および画像差分処理を含むことができる。画像再構成プロセスは、方法１００および２００の様々なステップを実施することができる。再構成回路６１４は、例えば投影データ、再構成画像、校正データおよびパラメータ、ならびにコンピュータプログラムを記憶するためにメモリーを使用することができる。

様々な回路（例えば、再構成回路６１４および前処理回路６２６）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）、または他の複合プログラマブル論理装置（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＣＰＬＤ）のような、個別論理ゲートとして実装できるＣＰＵ（処理回路）を含むことができる。ＦＰＧＡまたはＣＰＬＤの実施は、ＶＨＤＬ、ヴェリログ（Ｖｅｒｉｌｏｇ）、または他の任意のハードウエア記述言語でコード化することができ、当該コードはＦＰＧＡまたはＣＰＬＤ内の電子メモリーに直接、または別個の電子メモリーとして保存することができる。更に、記憶回路６１２は、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭまたはＦＬＡＳＨメモリーのような不揮発性であることができる。記憶回路６１２はスタティックもしくはダイナミックＲＡＭのような揮発性であってもよく、また電子メモリーを管理すると共に、ＦＰＧＡまたはＣＰＬＤとメモリーとの間の相互作用を管理するために、マイクロコントローラまたはマイクロプロセッサのようなプロセッサを設けることもできる。

１つの実施では、再構成画像をディスプレイ６１６に表示することができる。ディスプレイ６１６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知られている任意の他のディスプレイとすることができる。

図７は、磁気共鳴イメージング（ＭＲＩ）システム７００の非限定的な例を示す。図７に示すＭＲＩシステム７００は、ガントリ７０１（概略断面図で示す）、およびこれとインターフェース接続された様々な関連システム構成要素７０３を含んでいる。少なくともガントリ７０１は、典型的にはシールド室の中に配置される。図７に示すＭＲＩシステムの幾何学形状は、静磁場Ｂ０磁石７１１、Ｇｘ、Ｇｙ、およびＧｚ勾配コイルセット７１３、および大型全身ＲＦコイル（Ｗｈｏｌｅ−Ｂｏｄｙ ＲＦ Ｃｏｉｌ：ＷＢＣ）アセンブリ７１５の実質的に同軸の円筒形配置を含む。この円筒形アレイの要素の水平軸は、患者テーブル７２０に支持された患者７１９の頭部を実質的に取り囲むように示されているイメージングボリューム７１７である。

１つまたは複数の小型アレイＲＦコイル７２１は、イメージングボリューム７１７内の、患者頭部（本明細書では、例えば、「スキャン被検体」または「被検体」と呼ばれる）のより近くに連結されてもよい。当業者には理解されるように、ＷＢＣ（全身コイル）と比較して、表面コイルなどのような比較的小型のコイルおよび／またはアレイは、しばしば身体の特定の部分（例えば、腕、肩、肘、手首、膝、脚部、胸部、脊柱など）向けにカスタマイズされる。そのような小型ＲＦコイルは、本明細書では、アレイコイル（ａｒｒａｙ ｃｏｉｌ：ＡＣ）、またはフェーズドアレイコイル（ｐｈａｓｅｄ−ａｒｒａｙ ｃｏｉｌ：ＰＡＣ）と呼ばれる。これらは、ＲＦ信号をイメージングボリューム内へ送信するように構成された少なくとも１つのコイルと、患者頭部のような被検体からＲＦ信号を受信するように構成された複数の受信コイルとを、イメージングボリューム内に含むことができる。

ＭＲＩシステム７００は、ディスプレイ７２４、キーボード７２６、およびプリンタ７２８に接続された入力／出力ポートを有するＭＲＩシステムコントローラ７３０を含む。理解されるように、ディスプレイ７２４は、制御入力も提供するように、タッチスクリーンタイプのものとすることができる。マウスまたは他の入出力（Ｉ／Ｏ）装置も提供することができる。

ＭＲＩシステムコントローラ７３０は、ＭＲＩシーケンスコントローラ７４０とインターフェースをとり、ＭＲＩシーケンスコントローラ７４０はＧｘ、Ｇｙ、およびＧｚ勾配コイルドライバ７３２、ならびにＲＦ送信機７３４、および送信／受信スイッチ７３６（送信および受信の両方に同じＲＦコイルが用いられる場合）を制御する。ＭＲＩシーケンスコントローラ７４０は、パラレルイメージングを含むＭＲＩイメージング（核磁気共鳴、またはＮＭＲイメージングとしても知られる）技術を実施するための適切なプログラムコード構造７３８を含んでいる。ＭＲＩシーケンスコントローラ７４０は、パラレルイメージングの有無にかかわらず、ＭＲイメージング用に構成することができる。更に、ＭＲＩシーケンスコントローラ７４０は、１以上の準備スキャン（プレスキャン）シーケンス、およびメインスキャン磁気共鳴（ＭＲ）画像（診断画像と呼ばれる）を得るためのスキャンシーケンスを容易にすることができる。プレスキャンからのＭＲデータは、例えば、ＲＦコイル７１５および／または７２１の感度マップ（ときには、コイル感度マップまたは空間感度マップとも呼ばれる）を決定し、並列イメージングのための展開マップを決定するために使用することができる。

ＭＲＩシステム構成要素７０３は、ディスプレイ７２４へ送信される処理済み画像データを作成するために、プロセッサ７４２への入力を提供するＲＦ受信機７４１を含んでいる。プロセッサ７４２は、例えば、ＭＲＩデータプロセッサ（μＰ、Ｉ／Ｏ、メモリ）である。プロセッサ７４２はまた、以前に生成されたＭＲデータ、画像、および／またはマップ、例えばコイル感度マップ、平行画像展開マップ、歪みマップ、および／またはシステム構成パラメータ７４６、ならびにＭＲＩ画像再構成プログラムコード構造７４４および記憶装置７５０にアクセスするように構成される。記憶装置７５０は、方法１００および２００の様々なステップ、ならびに前記ＤＬネットワークを訓練するためのプロセス４３５の様々なステップを実行する命令を保存する。

一実施形態において、プロセッサ７４２は処理回路を含む。この処理回路は、特定用途向け集積回路（ＡＳＩＣ）、構成可能論理装置（例えば、単純プログラマブル論理装置（Ｓｉｍｐｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＳＰＬＤ）、複合プログラマブル論理装置（ＣＰＬＤ）、およびフィールドプログラマブルゲートアレイ（ＦＰＧＡ））のような装置、ならびに本開示に記載された機能を実行するように構成された他の回路構成要素を含むことができる。

プロセッサ７４２は、プログラムコード構造７４４および記憶装置７５０に含まれる１以上の命令の１以上のシーケンスを実行する。或いは、当該命令は、ハードディスクまたはリムーバブルメディアドライブなどの別のコンピュータ可読媒体から読み取ることができる。プログラムコード構造７４４および記憶装置７５０に含まれる命令のシーケンスを実行するために、マルチプロセッシング構成における１以上のプロセッサを採用することもできる。代替実施形態では、ソフトウェア命令の代わりに、またはソフトウェア命令と組み合わせて、ハードワイヤード回路を使用することができる。したがって、開示された実施形態は、ハードウエア回路およびソフトウェアの如何なる特定の組み合わせにも限定されない。

更に、本明細書で使用される「コンピュータ可読媒体」の用語は、実行のためにプロセッサ７４２に命令を提供することに関与する任意の非一時的媒体を指す。コンピュータ可読媒体は多くの形態をとることができ、不揮発性媒体または揮発性媒体が含まれるが、これらに限定されない。不揮発性媒体には、例えば、光ディスク、磁気ディスク、および光磁気ディスク、或いはリムーバブルメディアドライブが含まれる。揮発性媒体にはダイナミックメモリーが含まれる。

図７にはまた、ＭＲＩシステムプログラム記憶装置（メモリー）７５０の一般化された描写が示されており、ここでは記憶されたプログラムコード構造が、ＭＲＩシステム７００の様々なデータ処理構成要素にアクセス可能な非一時的コンピュータ可読媒体に保存される。当業者には理解されるように、プログラムの記憶装置７５０はセグメント化され、少なくとも一部は、通常の動作においてそのような記憶されたプログラムコード構造を最も即時に必要とするシステム７０３処理コンピュータの異なるそれぞれに直接接続されることができる（即ち、一般に記憶されて、ＭＲＩシステムコントローラ７３０に直接接続されるのではなく）。

加えて、図７に描かれるようなＭＲＩシステム７００は、本明細書で以下に記載される例示的な実施形態を実施するために利用することができる。システム構成要素は、「ボックス」の異なる論理的集合に分割することができ、典型的には、多数のデジタル信号プロセッサ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ：ＤＳＰ）、マイクロプロセッサ、および特殊用途処理回路（例えば、高速Ａ／Ｄ変換、高速フーリエ変換、アレイ処理など）を含む。これらのプロセッサの各々は典型的にはクロックされた「状態マシン」であり、ここでの物理的データ処理回路は、各クロックサイクル（または所定数のクロックサイクル）の発生時に１つの物理的状態から別の物理的状態へと進む。

図８Ａおよび図８Ｂは、ＤＬネットワークを訓練するための方法１００および２００の様々なステップ、ならびにプロセス４３５の様々なステップを実施するＰＥＴスキャナ８００の非限定的な例を示している。ＰＥＴスキャナ８００は、それぞれ矩形検出器モジュールとして構成される幾つかのガンマ線検出器（ＧＲＤ）（例えば、ＧＲＤ１、ＧＲＤ２ないしＧＲＤＮ）を含んでいる。

各ＧＲＤは、ガンマ線を吸収してシンチレーション光子を放出する個々の検出器結晶の二次元アレイを含むことができる。シンチレーション光子は、光電子増倍管（ＰＭＴ）またはシリコン光電子増倍管（ＳｉＰＭ）の２次元配列によって検出できる。光導波路を、検出器結晶のアレイと光検出器との間に配置することができる。

図８Ｂは、被検体ＯＢＪから放出されたガンマ線を検出するように配置されたガンマ線（ガンマ線）光子計数検出器（Ｇａｍｍａ−Ｒａｙ ｐｈｏｔｏｎ ｃｏｕｎｔｉｎｇ Ｄｅｔｅｃｔｏｒ：ＧＲＤ）を有するＰＥＴスキャナ８００の概略図を示す。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。１つの実施では、図８Ａおよび図８Ｂに示すように、前記ガンマ線検出器はリング状に配置される。

図８Ｂは、ＰＥＴスキャナ８００の配置の一例を示しており、ここでは、撮像されるべき被検体ＯＢＪがテーブル８１６上に載置されており、ＧＲＤモジュールＧＲＤ１〜ＧＲＤＮが被検体ＯＢＪおよびテーブル８１６の周囲に円周方向に配置されている。これらＧＲＤは、ガントリ８４０に固定的に連結された円形構成要素８２０に固定的に接続されることができる。ガントリ８４０は、ＰＥＴ撮像装置の多くの部分を収容している。ＰＥＴ撮像装置のガントリ８４０はまた、被検体ＯＢＪおよびテーブル８１６が通過できる開放アパーチャを含み、消滅事象によって被検体ＯＢＪから反対方向に放出されるガンマ線は、ＧＲＤによって検出することができ、またタイミングおよびエネルギー情報を用いて、ガンマ線対についての一致を判定することができる。

図８Ｂには、ガンマ線検出データを取得、保存、処理、および配信するための回路およびハードウエアも示されている。この回路およびハードウエアは、プロセッサ８７０、ネットワークコントローラ８７４、メモリー８７８、およびデータ取得システム（ｄａｔａ ａｃｑｕｉｓｉｔｉｏｎ ｓｙｓｔｅｍ：ＤＡＳ）８７６を含んでいる。ＰＥＴ撮像装置はまた、ＧＲＤからの検出測定結果をＤＡＳ８７６、プロセッサ８７０、メモリー８７８、およびネットワークコントローラ８７４にルーティングするデータチャネルを含んでいる。データ取得システム８７６は、検出器からの検出データの取得、デジタル化、およびルーティングを制御することができる。１つの実施において、ＤＡＳ８７６はベッド８１６の移動を制御する。プロセッサ８７０は、本明細書で説明するように、検出データからの画像の再構成、検出データを再構成する前処理、および画像データを再構成する後処理を含む機能を実行する。ＤＡＳ８７６、プロセッサ８７０、およびメモリー８７８の組み合わせは命令を保存し、また方法１００および２００のステップならびにプロセス４３５のステップを実行する。

プロセッサ８７０は、本明細書に記載の方法１０およびその変形形態の様々なステップを実行するように構成することができる。プロセッサ８７０は、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）、または他の複合プログラマブル論理装置（ＣＰＬＤ）として、個別の論理ゲートとして実装できるＣＰＵを含むことができる。ＦＰＧＡまたはＣＰＬＤの実施は、ＶＨＤＬ、ヴェリログ（Ｖｅｒｉｌｏｇ）、または他の任意のハードウエア記述言語でコード化することができ、当該コードはＦＰＧＡまたはＣＰＬＤ内の電子メモリーに直接、または別個の電子メモリーとして保存することができる。更に、前記メモリーは、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭまたはＦＬＡＳＨメモリーなどの不揮発性であってもよい。前記メモリーは、スタティックもしくはダイナミックＲＡＭのような揮発性であってもよく、マイクロコントローラまたはマイクロプロセッサのようなプロセッサは、ＦＰＧＡまたはＣＰＬＤとメモリーとの間の対話と同様に、電子メモリーを管理するために提供されてもよい。

或いは、プロセッサ８７０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含んだ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で述べた非一時的電子メモリーおよび／またはハードディスクドライブ、ＣＤ、ＤＶＤ、ＦＬＡＳＨドライブ、または他の任意の既知の記憶媒体の何れかに保存される。更に、前記コンピュータ可読命令は、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、もしくはオペレーティングシステムのコンポーネント、またはそれらの組み合わせとして提供されてよく、米国のインテル社からのＸｅｏｎプロセッサ、または米国のＡＭＤからのオプテロン（Ｏｐｔｅｒｏｎ）プロセッサのようなプロセッサ、ならびにオペレーティングシステム、例えばマイクロソフトビスタ（ＶＩＳＴＡ）、ユニックス（ＵＮＩＸ（登録商標））、ソラリス、リナックス（登録商標）（ＬＩＮＵＸ（登録商標））、アップル、ＭＡＣ−ＯＳおよび当業者に知られた他のオペレーティングシステムと連携して実行されてよい。更に、ＣＰＵは、命令を実行するために協調的に並行して動作する複数のプロセッサとして実施できる。

メモリー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、または当技術分野で知られた他の任意の電子記憶装置であることができる。

米国のインテルコーポレーションからのインテルイーサネット（登録商標）ＰＲＯネットワークインターフェースカードのようなネットワークコントローラ８７４は、ＰＥＴ撮像装置の様々なパーツの間のインターフェースをとることができる。更に、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することもできる。理解できるように、外部ネットワークは、インターネットなどのパブリックネットワーク、またはＬＡＮもしくはＷＡＮネットワークなどのプライベートネットワーク、またはそれらの任意の組み合わせとすることができ、ＰＳＴＮまたはＩＳＤＮサブネットワークも含むことができる。外部ネットワークはまた、イーサネット（登録商標）ネットワークなどの有線であることができ、またはＥＤＧＥ、３Ｇおよび４Ｇ無線移動体通信システムを含む移動体通信ネットワークのような無線であることができる。無線ネットワークはまた、ＷｉＦｉ、ブルートゥース（Ｂｌｕｅｔｏｏｔｈ（登録商標））、または既知の他の任意の無線形式の通信であることもできる。

上記の教示を考慮して改変および変形が可能である。したがって、添付の特許請求の範囲内で、本明細書に具体的に記載されたものとは別の方法で本発明を実施できることが理解されるべきである

したがって、上述した説明は、本発明の単なる例示的実施形態を開示し、説明したものである。当業者が理解するように、本発明はその精神または本質的な特徴から逸脱することなく、他の特定の形態で具体化することができる。したがって、本発明の開示は例示を意図したものであり、本発明の範囲ならびに他の特許請求の範囲を限定するものではない。本開示は、本明細書における教示の容易に識別可能な変形を含めて、発明の主題が公衆に公開されることがないように、上述の特許請求の範囲の用語の範囲を部分的に定義するものである。

以上説明した少なくとも１つの実施形態によれば、ワークフローを改善することができる。

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。

６００ ＣＴスキャナ
６１４ 再構成回路
７００ ＭＲＩシステム
７４２ プロセッサ
８００ ＰＥＴスキャナ
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サイノグラムを取得し、
   ニューラルネットワークを取得し、
   前記取得されたサイノグラムを前記ニューラルネットワークに適用することによって、前記ニューラルネットワークから、２以上のアーチファクトの指標を出力し、
   前記ニューラルネットワークからの前記指標に基づいて、前記取得されたサイノグラムによって第１のアーチファクトが呈示されるか否か、および前記取得されたサイノグラムによって第２のアーチファクトが呈示されるか否かを判定し、
   １以上のアーチファクトが前記取得されたサイノグラムによって呈示されると判定されるときは、前記取得されたサイノグラムによって呈示されると判定されている前記１以上のアーチファクトを補正することによって補正されたサイノグラムを生成し、前記補正されたサイノグラムについて再構成処理を実行し、
   前記１以上のアーチファクトが前記取得されたサイノグラムによって呈示されないと判定されるときは、前記取得されたサイノグラムについて再構成処理を実行する処理回路を備えた、医用装置。
2. 前記処理回路は、更に、
   前記取得されたサイノグラムによって呈示されると判定される前記１以上のアーチファクトのうち少なくとも１つが修復困難且つスキャンの中止を要する程度のアーチファクトであるか否かを判定し、
   前記１以上のアーチファクトのうちの少なくとも１つが修復困難且つスキャンの中止を要する程度のアーチファクトであるときは、前記再構成処理を実行することなく、前記サイノグラムの取得を停止する、請求項１に記載の医用装置。
3. 前記処理回路は、更に、
   前記ニューラルネットワークからの前記指標に基づいて、前記取得されたサイノグラムによって呈示されると判定される前記１以上のアーチファクトのうち少なくとも１つが、前記サイノグラムを取得するためのプロトコルを変更することによって軽減できるか否かを判定し、
   前記プロトコルを変更することによって前記１以上のアーチファクトのうち少なくとも１つが軽減できるときは、前記サイノグラムを取得するための前記プロトコルを変更し、当該変更されたプロトコルを使用して、前記サイノグラムの取得を継続する、請求項１又は２に記載の医用装置。
4. 前記処理回路は、
   更に、別のニューラルネットワークを取得し、
   前記取得されたサイノグラムを前記別のニューラルネットワークに適用することによって、呈示されると判定される前記１以上のアーチファクトを補正し、前記別のニューラルネットワークからの出力を、前記補正されたサイノグラムとして生成する、請求項１〜３のいずれか一項に記載の医用装置。
5. 前記ニューラルネットワークは、（ｉ）ビーム硬化アーチファクト、（ｉｉ）リングアーチファクト、（ｉｉｉ）運動アーチファクト、（ｉｖ）金属アーチファクト、（ｖ）光子不足アーチファクト、（ｖｉ）風車アーチファクト、（ｖｉｉ）リングアーチファクト、（ｖｉｉｉ）ゼブラアーチファクト、（ｉｘ）部分ボリュームアーチファクト、（ｘ）カッピングアーチファクト、（ｘｉ）切り捨てアーチファクト、（ｘｉｉ）ストリーキングアーチファクト、および（ｘｉｉｉ）シャドウイングアーチファクトのうち２以上が、前記サイノグラムによって呈示されるかどうかを示す指標を出力するように訓練されている、請求項１〜３のいずれか一項に記載の医用装置。
6. 前記処理回路は更に、
   入力サイノグラムが１以上のアーチファクトを示すか否かを示すそれぞれの目標指標と組み合わせた入力サイノグラムを含んだ、第１の訓練データセットを入手することと、
   所与の前記入力サイノグラムを前記ニューラルネットワークに適用して対応するアーチファクト指標を生成することにより、前記ニューラルネットワークを使用して前記入力サイノグラムそれぞれからアーチファクト指標を生成することと、
   損失関数の値を最小にするように前記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することとによって、
   前記ニューラルネットワークを訓練し、
   前記損失関数は、前記第１の訓練データセットのそれぞれの入力サイノグラムに応答して生成されたアーチファクト指標と、前記第１の訓練データセットの対応する目標指標との間の不一致を評価する、請求項１に記載の医用装置。
7. 前記処理回路は更に、
   それぞれの目標サイノグラムと組み合わせた入力サイノグラムを含む第２の訓練データセットを入手することと、
   前記入力サイノグラムを前記別のニューラルネットワークに適用することにより、前記別のニューラルネットワークを使用して前記入力サイノグラムそれぞれからアーチファクトが補正されたサイノグラムを生成することと、
   損失関数の値を最小にするために前記別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することとによって、
   前記別のニューラルネットワークを訓練し、
   前記入力サイノグラムは、前記取得されたサイノグラムにより呈示されると判定される前記１以上のアーチファクトを示し、
   前記目標サイノグラムは、前記取得されたサイノグラムにより呈示されると判定される前記１以上のアーチファクトを示さないか、またはより少ない当該アーチファクトを示し、
   前記損失関数は、それぞれの目標サイノグラムと、それぞれの入力サイノグラムを前記別のニューラルネットワークに適用することに応答して生成された対応するアーチファクトが補正されたサイノグラムとの間の不一致を評価する、請求項４に記載の医用装置。
8. 検出器によって検出された放射線の強度を表すサイノグラムを取得し、
   前記サイノグラムから画像を再構成し、
   ニューラルネットワークを取得し、
   前記再構成された画像を前記ニューラルネットワークに適用することによって、前記ニューラルネットワークから、２以上のアーチファクトの指標を出力し、
   前記ニューラルネットワークからの前記指標に基づいて、前記再構成された画像によって第１のアーチファクトが示されているか否か、および前記再構成された画像によって第２のアーチファクトが示されているか否かを判定し、
   １以上のアーチファクトが前記再構成された画像によって呈示されると判定されるときは、前記再構成された画像によって呈示されると判定されている前記１以上のアーチファクトを補正することによって、補正された画像を生成する処理回路を備えた、医用装置。
9. 前記処理回路は、更に、
   前記再構成された画像によって呈示されると判定される前記１以上のアーチファクトのうち少なくとも１つが修復困難且つスキャンの中止を要する程度のアーチファクトであるか否かを判定し、
   前記１以上のアーチファクトのうちの少なくとも１つが修復困難且つスキャンの中止を要する程度のアーチファクトであるときは、前記サイノグラムの取得を停止し、そうでなければ前記サイノグラムの取得を継続する、請求項８に記載の医用装置。
10. 前記処理回路は、更に、
    前記ニューラルネットワークからの前記指標に基づいて、前記再構成された画像によって示されると判定される前記１以上のアーチファクトのうち少なくとも１つが、前記サイノグラムを取得するためのプロトコルを変更することによって軽減できるか否かを判定し、
    前記プロトコルを変更することによって前記１以上のアーチファクトのうち少なくとも１つが軽減できるときは、前記サイノグラムを取得するための前記プロトコルを変更し、当該変更されたプロトコルを使用して、前記サイノグラムの取得を継続する、請求項８又は９に記載の医用装置。
11. 前記処理回路は、
    更に、別のニューラルネットワークを取得し、
    前記再構成された画像を前記別のニューラルネットワークに適用することによって、呈示されると判定される前記１以上のアーチファクトを補正し、前記別のニューラルネットワークからの出力を、前記補正された画像として生成する、請求項８〜１０のいずれか一項に記載の医用装置。
12. 前記処理回路は更に、
    入力画像が１以上のアーチファクトを呈示するか否かを示すそれぞれの目標指標と組み合わせた入力画像を含む、第１の訓練データセットを入手することと、
    所与の前記入力画像を前記ニューラルネットワークに適用して対応するアーチファクト指標を生成することにより、前記ニューラルネットワークを使用して前記入力画像それぞれからアーチファクト指標を生成することと、
    損失関数の値を最小にするように前記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することとによって、
    前記ニューラルネットワークを訓練し、
    前記損失関数は、前記第１の訓練データセットのそれぞれの入力画像に応答して生成されたアーチファクト指標と、前記第１の訓練データセットの対応する目標指標との間の不一致を評価する、請求項８に記載の医用装置。
13. 前記処理回路は更に、
    それぞれの目標画像と組み合わせた入力画像を含む第２の訓練データセットを入手することと、
    前記入力画像を前記別のニューラルネットワークに適用することにより、前記別のニューラルネットワークを使用して前記入力画像それぞれからアーチファクト補正された画像を生成することと、
    損失関数の値を最小にするために前記別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することとによって、
    前記別のニューラルネットワークを訓練し、
    前記入力画像は、前記再構成された画像により呈示されると判定される前記１以上のアーチファクトを示し、
    前記目標画像は、前記再構成された画像により呈示されると判定される前記１以上のアーチファクトを示さないか、またはより少ない当該アーチファクトを示し、
    前記損失関数は、それぞれの目標画像と、それぞれの入力画像を前記別のニューラルネットワークに適用することに応答して生成された対応するアーチファクト補正された画像との間の不一致を評価する、請求項１１に記載の医用装置。
14. 前記サイノグラムは、Ｘ線投影データ、ポジトロン放射断層撮影データ、および単一光子放出コンピュータ断層撮影データのうちの１つである、請求項１〜１３のいずれか一項に記載の医用装置。
15. 前記サイノグラムは、Ｘ線投影データであり、
    前記処理回路は、Ｘ線管の電流、Ｘ線管の電圧、Ｘ線ビームのコーンビーム角度、ヘリカルスキャンのピッチ、校正、および前記検出器の画素ピッチのうちの１以上を変更することによって、前記プロトコルを変更する、請求項３又は１０に記載の医用装置。
16. 前記処理回路は更に、
    別のニューラルネットワークを取得し、
    前記別のニューラルネットワークにＣＴ画像を適用して、残留アーチファクトが前記ＣＴ画像によって呈示されるかどうかを示す出力を生成し、
    前記別のニューラルネットワークからの出力が、前記ＣＴ画像によって前記残留アーチファクトが呈示されることを示すときに、前記残留アーチファクトが前記ＣＴ画像によって呈示されることを前記医用装置のユーザに知らせる、請求項１に記載の医用装置。
17. 前記処理回路は更に、
    別のニューラルネットワークを取得し、
    前記別のニューラルネットワークにＣＴ画像を適用することによって、前記別のニューラルネットワークから別の２以上のアーチファクトの指標を出力し、
    前記別のニューラルネットワークからの指標に基づいて、前記ＣＴ画像によって第３のアーチファクトが呈示されるか否か、および前記ＣＴ画像によって第４のアーチファクトが呈示されるか否かを判定し、
    別の１以上のアーチファクトが前記ＣＴ画像によって呈示されると判定されるときは、前記ＣＴ画像によって示されると判定される前記別の１以上のアーチファクトを補正することによって、補正された画像を生成する、請求項１に記載の医用装置。
18. 前記ニューラルネットワークは、前記取得されたサイノグラムによって呈示されると判定される前記１以上のアーチファクトが（ｉ）光子不足アーチファクト、（ｉｉ）風車アーチファクト、（ｉｉｉ）リングアーチファクト、（ｉｖ）ゼブラアーチファクト、（ｖ）部分ボリュームアーチファクト、および（ｖｉ）切り捨てアーチファクトのうち１以上を含むときは、前記サイノグラムを取得するためのプロトコルに対する変更を指示する指標を発生するように訓練されている、請求項３に記載の医用装置。