JP2021013729A - Ｘ線システム、画像処理装置及びプログラム - Google Patents

Ｘ線システム、画像処理装置及びプログラム Download PDF

Info

Publication number
JP2021013729A
JP2021013729A JP2020053357A JP2020053357A JP2021013729A JP 2021013729 A JP2021013729 A JP 2021013729A JP 2020053357 A JP2020053357 A JP 2020053357A JP 2020053357 A JP2020053357 A JP 2020053357A JP 2021013729 A JP2021013729 A JP 2021013729A
Authority
JP
Japan
Prior art keywords
projection data
ray
data
size
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2020053357A
Other languages
English (en)
Other versions
JP7451256B2 (ja
Inventor
チェン リー ツ
Tzu-Cheng Lee
チェン リー ツ
ジョウ ジエン
Jian Zhou
ジョウ ジエン
ユウ ジョウ
Zhou Yu
ユウ ジョウ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Canon Medical Systems Corp
Original Assignee
Canon Medical Systems Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Canon Medical Systems Corp filed Critical Canon Medical Systems Corp
Priority to EP20184932.0A priority Critical patent/EP3764325B1/en
Priority to CN202010660989.4A priority patent/CN112215910A/zh
Publication of JP2021013729A publication Critical patent/JP2021013729A/ja
Application granted granted Critical
Publication of JP7451256B2 publication Critical patent/JP7451256B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/58—Testing, adjusting or calibrating thereof
    • A61B6/582—Calibration
    • A61B6/583—Calibration using calibration phantoms
    • A61B6/584—Calibration using calibration phantoms determining position of components of the apparatus or device using images of the phantom
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06T2207/20—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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

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

Abstract

【課題】画質を向上すること。【解決手段】 実施形態に係るＸ線システムは、生成部を備える。生成部は、第１の焦点サイズのＸ線を利用して収集された第１の投影データを入力、前記前記第１の焦点サイズより小さい第２の焦点サイズのＸ線を利用して収集された第２の投影データを出力として学習された第１の学習済みモデルに対して、前記第２の焦点サイズより大きい第３の焦点サイズのＸ線を利用して収集された第３の投影データを入力することにより、第４の投影データを生成する。【選択図】図８

Description

本明細書及び図面に開示の実施形態は、Ｘ線システム、画像処理装置及びプログラムに関する。
Ｘ線システムにおいて、Ｘ線管の焦点サイズを変化させたとき、解像度と画質の間にトレードオフが存在する。
例えば、Ｘ線の焦点サイズを大きくすると、Ｘ線のフラックスが大きくなるため、投影画像の画質、すなわちＳＮＲが向上するが、Ｘ線の焦点サイズを大きくすると、空間的な解像度は低下する。
これに対して、Ｘ線の焦点サイズを小さくすると、解像度は向上する一方で、投影画像のＳＮＲは低下し画質が低下する。
米国特許出願公開２０１８／００１８７５７号明細書 米国特許出願公開２０１９／００３０３７１号明細書
本明細書及び図面の開示の実施形態が解決しようとする課題の一つは、画質を向上することである。ただし、本明細書及び図面に開示の実施形態により解決しようとす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他の課題として位置づけることもできる。
実施形態に係るＸ線システムは、生成部を備える。生成部は、第１の焦点サイズのX線を利用して収集された第１の投影データを入力、前記前記第１の焦点サイズより小さい第２の焦点サイズのX線を利用して収集された第２の投影データを出力として学習された第１の学習済みモデルに対して、前記第２の焦点サイズより大きい第３の焦点サイズのX線を利用して収集された第３の投影データを入力することにより、第４の投影データを生成する。
図１Ａは、小さな焦点および比較的小さなＸ線露出を使用して生成された投影画像の例を示す図である。 図１Ｂは、図１Ａを得るために用いた焦点よりも大きい焦点と、図１Ａのときの２倍大きい露出を使用して生成された投影画像の例を示す図である。 図２は、Ｘ線源における焦点の有限幅から生じるＸ線投影画像のぼけの図を示す図である。 図３Ａは、大きなアノード角と、小さな電子ビーム面積とを用いた実施形態について説明する図である。 図３Ｂは、大きなアノード角と、大きな電子ビーム面積とを用いた実施形態について説明する図である。 図３Ｃは、小さなアノード角と、大きな電子ビーム面積とを用いた実施形態について説明する図である。 図４は、実施形態に係るＸ線システムが行う処理の流れについて説明した図である。 図５は、実施形態に係るＸ線システムが行う学習の流れを説明したフローチャートである。 図６は、実施形態に係るＤＬネットワークの例を示す図である。 図７は、実施形態に係るＤＬネットワークにおいて、畳み込みニューラルネットワーク（Convolutional Neural Network：ＣＮＮ）を用いる場合について説明した図である。 図８は、実施形態に係るＸ線ＣＴ装置の一例について示した図である。
以下、図面を参照しながら、Ｘ線システム、画像処理装置及びプログラムの実施形態について詳細に説明する。
まずはじめに、図８を用いて、実施形態に係るＸ線システムの構成について説明する。
図８は、実施形態に係るＸ線ＣＴ装置（Ｘ線システム）の非限定的な例を示している。図８に示すように、Ｘ線撮影ガントリー５００が側面図で示されており、更に、Ｘ線管５０１、環状フレーム５０２、および複数列または２次元アレイ型のＸ線検出器５０３を含んでいる。Ｘ線管５０１およびＸ線検出器５０３は、回転軸ＲＡの周りに回転可能に支持された環状フレーム５０２上で、撮像対象Ｓを横切って直径方向に取り付けられている。
マルチスライスＸ線ＣＴ装置は、更に、スリップリング５０８を介してＸ線管５０１に印加される管電圧を生成し、Ｘ線管５０１がＸ線を生成する高電圧発生器５０９を含んでいる。Ｘ線は、断面積が円で表される撮像対象Ｓに向かって放射される。
例えば、Ｘ線管５０１は、第２のスキャン中の平均Ｘ線エネルギーよりも小さい第１のスキャン中の平均Ｘ線エネルギーを有する。従って、異なるＸ線エネルギーに対応する２以上のスキャンを取得できる。Ｘ線検出器５０３は、撮像対象Ｓを透過した放射Ｘ線を検出するために、撮像対象Ｓを挟んでＸ線管５０１の反対側に配置される。Ｘ線検出器５０３は更に、個々の検出器要素またはユニットを含んでいる。
Ｘ線ＣＴ装置は、更に、Ｘ線検出器５０３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。データ収集回路またはデータ収集システム（Data Acquisition System：ＤＡＳ）５０４は、各チャネルのＸ線検出器５０３からの信号出力を電圧信号に変換し、この信号を増幅し、更にこの信号をデジタル信号に変換する。
上述のデータは、非接触型データ送信機５０５を介して、Ｘ線撮影ガントリー５００の外部コンソールに収容された前処理回路５０６に送られる。前処理回路５０６は、生データの感度補正のような一定の補正を実行する。記憶装置５１２は、その結果のデータを保存し、当該データは再構成処理の直前の段階での投影データとも呼ばれる。
記憶装置５１２は、生成回路５２０、再構成回路５１４、入力装置５１５、およびディスプレイ５１６と共に、データ／制御バス５１１を介してシステムコントローラ５１０に接続される。システムコントローラ５１０は電流調整器５１３を制御し、これは当該ＣＴシステムを駆動するための十分なレベルに電流を制限する。
検出器は、様々な世代のＣＴスキャナーシステムの中で、患者に対して回転および／または固定される。実施形態において、Ｘ線管５０１およびＸ線検出器５０３は、環状フレーム５０２に直径方向に取り付けられ、環状フレーム５０２が回転軸ＲＡの周りを回転するときに、撮像対象Ｓの周りを回転する。
記憶装置５１２は、Ｘ線検出器５０３での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、記憶装置５１２は、方法１０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５１４は、方法１０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５１４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、再構成処理前の画像処理を実行することができる。再構成回路５１４は、再構成部の一例である。
生成回路５２０は、後述の学習済みモデルに対して投影データを入力することにより、投影データを生成する等、様々な処理を行う。生成回路５２０の処理については後述する。生成回路５２０は、生成部の一例である。
前処理回路５０６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、検出器較正、検出器非線形性、および極性効果（polar effect）のための補正を含むことができる。
再構成回路５１４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、図４に示す方法１０の様々なステップを実施できる。再構成回路５１４は、メモリを使用して、例えば投影データ、再構成画像、較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保存できる。
様々な回路（例えば、再構成回路５１４、生成回路５２０および前処理回路５０６）は、個別論理ゲート、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）、またはその他の複合プログラマブル論理装置（Complex Programmable Logic Device：ＣＰＬＤ）として実装可能なＣＰＵ（処理回路）を含むことができる。
ＦＰＧＡまたはＣＰＬＤの実施は、ＶＨＤＬ、Verilog、またはその他のハードウェア記述言語でコード化でき、当該コードはＦＰＧＡもしくはＣＰＬＤ内の電子メモリに直接保存するか、または個別の電子メモリとして保存できる。
更に、記憶装置５１２は、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、またはフラッシュメモリのような不揮発性メモリであることができる。記憶装置５１２は、スタチックまたはダイナミックＲＡＭのような揮発性でもよく、また、電子メモリ、ならびにＦＰＧＡまたはＣＰＬＤとメモリ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ができる。
実施形態において、再構成された画像はディスプレイ５１６に表示することができる。ディスプレイ５１６は、ＬＣＤディスプレイ、ＣＲＴディスプレイ、プラズマディスプレイ、ＯＬＥＤ、ＬＥＤ、または当該技術分野で知られている何れか他のディスプレイであることができる。
続いて、実施形態に係る背景について説明する。
実際的な制約により、投影イメージング用のＸ線源として使用されるＸ線管の最小焦点サイズは制限され、また、この焦点サイズの制限により、Ｘ線撮影、コンピュータ断層撮影、蛍光透視および血管造影のようなアプリケーションで達成可能な解像度が制限される。これらの制約には、実用的なサイズの制限、熱伝達および材料の特性、線量の制約（例えば、放射線量を可能な限り低く維持すること）、ならびに時間の制約が含まれる。
実際問題として、焦点サイズを大きくするとＸ線のフラックスが大きくなり、投影画像のＳ／Ｎ比（ＳＮＲ）が高くなるが、焦点サイズを大きくする代償として空間解像度は低くなる。
ここで説明する方法および装置は、大小両方の焦点サイズを使用して投影画像を含む学習データセットを取得し、次いでニューラルネットワークを学習して、大きな焦点サイズで得られる高いＳＮＲを犠牲にすることなく、大きな焦点サイズを使用して取得した投影画像から小さな焦点サイズの画像解像度を達成することにより、大きな焦点サイズおよび小さな焦点サイズの最良の結果を組み合わせる。
従って、本明細書で説明する方法は、小さな焦点サイズを使用して生成された画像と同様の良好な空間解像度と、大きな焦点サイズを使用して生成された画像の大きなＳＮＲの両方を有する投影画像を生成することができる。Ｘ線検出器のサイズが小さくなり続けているので、良好な空間分解能を達成することの重要性はますます重要になっている。
ここで図面を参照すると、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しており、図１Ａおよび図１Ｂは、異なる焦点サイズを使用して撮影した２つの投影画像を示している。
図１Ａは、図１Ｂに示すＸ線投影画像を取得するために使用される焦点サイズよりも小さい焦点サイズを使用して取得されたＸ線投影画像を示している。図１Ａの焦点は図１Ｂのものよりも小さく、図１ＢのＸ線露出量は図１Ａの場合の２倍である。図１Ａには図１Ｂよりも高い解像度が見られるが、図１Ａはこの改善された解像度を得るためにＳＮＲを犠牲にしている。これは、より小さい焦点サイズを使用して達成可能なＸ線フラックスが少ないため、図１Ａでは図１Ｂで比較して信号が小さくなり、ＳＮＲが低くなるからである。
従って、既存の臨床システムに使用されているような、検出器の限界寸法に比較して有意に大きい焦点サイズは、システム全体の解像度に悪影響を及ぼすことが認められる。焦点のサイズは、特定の設計選択と特定のＸ線撮像素子のトレードオフに依存するが、一般に、すべてのＸ線撮像素子の焦点は、より小さな焦点のための管負荷容量に起因して、約１ミリメートルである。
理想的に言えば、焦点サイズは任意に小さくされるであろうが、それはＸ線管の設計上の制限により達成できない。結局のところ、解像度と画質の間にはトレードオフが存在する。一方で、焦点サイズを大きくすれば、より大きな露出量およびより大きいＳＮＲを与えることができるが、このより大きいＳＮＲは、空間分解能が低下するという代償を伴う。他方、焦点サイズを小さくすると、空間分解能は向上するが、この改善により露出量が少なくなり、ＳＮＲが小さくなるという代償を伴う。
図２は、Ｘ線源からのＸ線によって撮像対象が撮像される例示的なイメージングシステムを示しており、Ｘ線は、撮像対象を通過して画像平面で検出される。Ｘ線源のアノード上での電子ビームのサイズによって、焦点サイズが決定される。実線は、焦点の中心から物体の周辺を通過するＸ線の軌跡を示している。
破線は、焦点の端から撮像対象の周辺を通過するＸ線の軌跡を示している。線源から撮像対象までの距離（Source-To-Object Distance：ＳＯＤ）が撮像対象から画像までの距離（Object-To-Imaged Distance：ＯＩＤ）よりもはるかに大きい場合、倍率は小さくなり、画像平面における点広がり関数は低下する。画像平面における画像の倍率および点広がり関数は、線源におけるＸ線フィルター／レンズ（例えばバタフライフィルター）の使用によっても影響を受ける可能性がある。画像解像度および点広がり関数に対するＸ線装置の幾何形状と焦点サイズの間の関係は一般によく理解されており、簡単な光線追跡を使用してモデル化できるため、これらの詳細についてはここでは説明しない。
図３Ａ、３Ｂ、および３Ｃは、電子ビームおよび／またはアノード角度を大きくするか小さくするかの間のトレードオフを示している。
図３Ａでは、アノード角が大きく且つ電子ビームの面積が小さいため、良好な視野範囲（即ち、ビーム角が大きいため視野が大きくなる）、良好な分解能のための小さい焦点サイズが得られるが、低い電力負荷を生じる（即ち、Ｘ線フラックスが低いため、所定の視野角でのＳＮＲが低くなるか、または低いフラックス率を補償するために露光時間が長くなる）。
図３Ｂでは、アノード角が大きく且つ電子ビームの面積が大きいため、良好な視野範囲、低い解像度となる大きな焦点サイズ、および良好な電力負荷がもたらされる。図３Ｃでは、アノード角が小さく且つ電子ビームの面積が大きいため、狭く／貧弱な視野範囲、良好な解像度となる小さい焦点サイズ、および良好な電力負荷が生じる。これらのトレードオフは、製造コストおよび患者のサイズ制限のような、ＣＴイメージングの他の側面にも影響する。
例えば、より小さい有効焦点サイズを使用すると、より低い電力負荷またはより小さい視野範囲が生じる。また、これらの要因は、更に微細な焦点サイズ（例えば、０．４×０．５ｍｍ）を、より大きく且つより強く減衰させる患者に適用するための実用性を制限する（例えば、大きな患者の場合は、より大きなビーム角および５００ｍＡのように更に高いｍＡ設定が必要になり得る）。
更に、大きな電力負荷およびより小さな有効焦点サイズは、製造コストを増加させる可能性がある。
図４は、ＤＬネットワーク１７０を学習および使用して、Ｘ線投影データに対するデータ領域の補正（例えば、エッジ／解像度向上、サイノグラム復元、ノイズ除去、および／またはアーチファクト補正）を実行する方法１０についての、非限定的な例の流れ図を示す。図４に示すように、方法１０は、ＤＬネットワーク１７０を使用して、生データ２５１（例えばサイノグラム）を最適にフィルタリングする方法を学習し、次いでフィルターされたデータからＣＴ画像を再構築する。方法１０は２つの部分、即ち、（ｉ）オフラインでの学習（訓練）プロセス１５０、および（ｉｉ）医用イメージングプロセス１００を含んでいる。
即ち、学習プロセス１５０はＤＬネットワーク１７０の学習を行い、プロセス１００は、学習済みのＤＬネットワーク１７０を使用して投影領域において生データ２５１をフィルタリングする。
これにより、ノイズおよびアーチファクトが低減された高品質の再構成画像１３５が生成される。蛍光透視法のような実施形態の一例では、ステップ１２０および１３０を省略でき、出力は補正された投影データであることができる。
実施形態の一例において、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）を含んでおり、ここでは一連の畳み込み、バッチ正規化、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、学習（訓練）プロセス１６０を使用して学習を行う。学習プロセス１６０では、損失関数を使用して、ＤＬネットワーク１７０のパラメータが繰り返し調整／最適化される（例えば、ＤＬネットワーク１７０のパラメータは、ネットワーク層を接続する重み係数、および層内のノードの活性化関数／ポテンシャルを含むことができる）。ネットワークパラメータの最適化は、停止基準（例えば、停止基準は、損失関数の値が事前に定義された閾値に収束したか否かであることができる）が満たされるまで継続され、学習されたＤＬネットワーク１７０を生じる。
損失関数は、目標データ１５３を、ＤＬネットワーク１７０の現在のバージョンに入力データ１５７を適用して生成された出力と比較する。例えば、入力データには、大きい焦点サイズを使用して取得した投影データを含めることができ、また目標データには、ノイズを低減させるために小さい焦点サイズおよび大量の平均化を使用して取得した投影データを含めることができる。
すなわち、第１の学習済みモデルであるＤＬネットワーク１７０の学習（訓練）は、第１の焦点サイズのＸ線を利用して収集された第１の投影データである入力データ１５７を入力、第１の焦点サイズより小さい第２の焦点サイズのＸ線を利用して収集された第２の投影データである目標データ１５３に対応するデータを出力として行われる。
ここで、第２の投影データは、例えば複数の検出器により検出されたデータを平均することにより取得されたデータであり、第２の投影データの信号対ノイズ比は、第１の投影データの信号比ノイズより例えば大きい。
また、別の例として、第２の投影データは、第１の投影データよりも、小さい点広がり関数を用いて取得されてもよい。
また、第１の投影データである入力データ１５７及び第２の投影データである目標データ１５３は、例えばサイノグラムである。
かかる場合、所与のＣＴスキャンについて、入力データの低品質（例えば、焦点サイズが大きい）のサイノグラムは、対応する高品質（例えば、焦点サイズが小さい）のサイノグラムとの対を形成する。入力データ１５７についての低品質サイノグラムおよび目標データ１５３についての高品質サイノグラムを取得するためのスキャンは、例えばファントム上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に適用すると、ネットワークから出力が生成されるが、これは低品質サイノグラムの解像度が向上したバージョン（即ち、フィルターされたサイノグラム）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からのフィルターされたサイノグラム出力と、目標データ１５３からの高品質サイノグラムとの間の差を最小化するために、ＤＬネットワーク１７０内のネットワーク係数を繰り返し調整することによって学習される。
ＤＬネットワーク１７０の学習は、目標データとＤＬネットワーク１７０からの出力との間の差が最小化されたときに完了したと決定される。
この差が十分に最小化されたかどうかの問題は、学習プロセス１６０の１以上の所定の停止基準に基づいて解決される。基準が満たされていれば、この学習されたＤＬネットワーク１７０は保存され、その後に呼び出して、医用イメージングプロセス１００で使用することができる。
別の実施において、ＤＬネットワーク１７０は、残差ネットワーク（Residual Network：ＲｅｓＮｅｔ）として実施される。すなわち、第１の学習済みモデルであるＤＬネットワーク１７０は、残差ネットワークを用いて行われてもよい。
この場合、ここで説明する方法は、小さな焦点サイズのサイノグラムと大きな焦点サイズのサイノグラムとの差を、低品質のサイノグラムから直接除去できる加算残差として扱うことにより、画像をフィルタリングできる。この加算残差または差分画像は、小さい焦点サイズの投影データのハイパスフィルターバージョンと考えることができる。
従って、低品質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、ネットワークは差分画像に対応する画像を出力する。次に、低品質サイノグラムからネットワーク出力（ノイズ／アーティファクト）を差し引いて補正されたサイノグラムを生成することにより、補正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、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およびバイアス）を、停止基準（例えば、パラメータの所定の閾値への収束）が満たされるまで繰り返し調整して、学習されたＤＬネットワーク１７０を生成する。損失関数は、高品質データである目標データ１５３を、入力データ１５７が適用される現バージョンのＤＬネットワーク１７０の結果と比較する。
すなわち、第１の学習済みモデルであるＤＬネットワーク１７０の学習は、ＤＬネットワーク１７０の重み係数が、第１の投影データである入力データ１５７に基づいて出力される出力サイノグラムと、第２の投影データである目標データ１５３との間の不一致度に基づいて定められる損失関数を最小化するように繰り返し調整されるように学習が行われる。
プロセス１００は、生データ２５１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ビュー角度でのＣＴ投影（即ち、低品質サイノグラム）を生成することによって実行される。例えば、サイノグラムは、生データ２５１を生成する低線量ＣＴスキャンを使用して実行することができる。
ここで、生データ２５１は、第２の焦点サイズのＸ線を利用して収集された第２の投影データである目標データ１５３の焦点サイズである第２の焦点サイズより大きい第３の焦点サイズのＸ線を利用して収集された第３の投影データである。
プロセス１００のステップ１１０において、生データ２５１は、学習が行われたＤＬネットワーク１７０に生データ２５１を適用することによりフィルターされる。すなわち、生成回路５２０は、第１の学習済みモデルであるＤＬネットワーク１７０に対して、第２の焦点サイズより大きい第３の焦点サイズのＸ線を利用して収集された第３の投影データである生データ２５１を入力することにより、第４の投影データを生成する。
例えば、第１の学習済みモデルであるＤＬネットワーク１７０の学習が、残差ネットワークを用いて行われる場合、生成回路５２０は、第３の投影データから当該残差ネットワークの出力を減算することにより第４の投影データを生成する。
なお、一般に、第４の投影データの解像度は、例えば第３の投影データの解像度より高くなる。
なお、第３の投影データは、例えば蛍光透視データであってもよい。
次いで、ＤＬネットワーク１７０は、フィルターされたサイノグラムを出力する。実施形態の一例において、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）である。このＣＮＮは、ローカルな小さいサイズのフィルター、即ち、下記を直接生成するネットワークであることができる。
ここで、ｗｉｊは、i番目の画素のフィルターである。
学習プロセス１６０では、生データ２５１からフィルターされたサイノグラムを生成するためにステップ１１０で使用したプロセスと同じプロセスが、入力データから出力サイノグラムを生成するためにも用いられ、次いで、損失関数を使用して出力サイノグラムを目標データと比較する。
プロセス１００のステップ１２０では、ノイズ除去されたサイノグラムからＣＴ画像が再構成される。すなわち、再構成回路５１４は、第４の投影データに基づいて、たとえばＣＴ画像である第１の画像を再構成する。
投影データからＣＴ画像を再構成するために、フィルター補正逆投影（Filtered Back-Projection：ＦＢＰ）および統計的反復再構成（Iterative Reconstruction：ＩＲ）アルゴリズムを含む多様な方法を使用することができる。
ＦＢＰに加えて、フェルドカンプ・デービス・クレス（Feldkamp Davis Kress：ＦＤＫ）法、逐次近似応用再構成（Adaptive Iterative Dose Reduction 3D：ＡＩＤＲ ３Ｄ）法などの他の分析法も使用することができる。ＦＢＰ再構成法と比較して、ＩＲ法は低減された放射線量でも画像品質を改善できる。
ＩＲ法は、次式を最小化する引数ｐを見つけるために、制約なし（または制約付き）の最適化を実行する。
ここで、ｌは、一連の投影角度で撮像された投影画像のＸ線強度の対数を表す投影データであり、ｐは、画像空間におけるボクセル／ボリューム画素（または２次元の再構成画像における２次元画素）についての、Ｘ線減衰の再構成画像である。システムマトリックスＡについて、各マトリックス値ａｉｊ（ｉは行インデックス、ｊは列インデックス）は、ボクセルｐｊに対応するボリュームと投影値ｌｉに対応するＸ線軌跡との間の重なりを表す。再構成された画像pの順投影Ａが、測定されたすべての投影画像ｌに対して良好な近似を提供するときに、データ忠実度項||Ap-l||2wは最小化される。従って、当該データ忠実度項の最小化は、システムマトリックス方程式Ap=lを解くことと関連し、これは線源からpで表される空間内の撮像対象Ｓを通ってlの値を生じるＸ線検出器に向かう様々な放射線のラドン変換（即ち、投影）を表している（例えば、三次元撮像対象Ｓを通って二次元投影画像lに至るＸ線投影）。
表記||g||2wはgTWgの形の重み付き内積を意味し、ここでのWは重み行列である（例えば、画素毎の信号対ノイズ比に基づいて、投影データの信頼性を表す）。他の実施において、重み行列Wは恒等行列で置き換えることができる。重み行列Wがデータ忠実度の項で使用されるとき、上記のＩＲ法は、ペナルティ付き重み付け最小二乗（Penalized Weighted Least Squares：ＰＬＷＳ）アプローチと呼ばれる。
関数U(p)は正則化の項であり、この項は、１以上の制約（例えば、合計変動（Total Variation：ＴＶ）最小化制約）を課すことを目的としており、これは再構成された画像を平滑化またはノイズ除去する効果を持つことが多い。値βは正則化パラメータであり、データ忠実度項および正則化項の相対的な寄与を重み付けする値である。
プロセス１００のステップ１３０では、追加の画像領域ノイズ除去が実行される。このステップはオプションであり、幾つかの実施では省略できる。
すなわち、ステップ１３０において、生成回路５２０は、ステップ１２０で再構成された第１の画像に基づいて、より画質が向上した第２の画像である再構成画像１３５を生成してもよい。
ノイズ除去方法の例として、線形平滑化フィルター、異方性拡散、ノンローカルミーン、または非線形フィルターが挙げられる。線形平滑化フィルターは、ローパスフィルターまたは平滑化操作を表す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りノイズを除去する。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される要素で構成される。この畳み込みにより、各画素の値は、隣接する画素の値とより厳密に一致する。異方性拡散は、熱方程式に似た平滑化偏微分方程式の下で画像を進化させることにより、シャープなエッジを維持しながらノイズを除去する。メディアンフィルターは非線形フィルターの例であり、適切に設計されれば、非線形フィルターはエッジを保持してぼやけを防ぐこともできる。メディアンフィルターは、ランク条件付きランク選択（Rank-Conditioned Rank-Selection：ＲＣＲＳ）フィルターの一例であり、これを適用すると、画像に著しいぼやけアーチファクトを生じることなく、胡麻塩ノイズを除去できる。
加えて、画像化された領域が均一な領域間のシャープな境界で区切られた大きな領域に亘る均一性の仮定を支持する場合、合計変動（ＴＶ）最小化正則化項を使用するフィルターを適用できる。ＴＶフィルターは、非線形フィルターの別の例である。更に、非局所平均フィルタリングは、画像内の同様のパッチの加重平均を使用して、ノイズを除去した画素を決定する例示的な方法である。
なお、実施形態はこれに限られず、ステップ１３０において、生成回路５２０は、ＤＬネットワーク１７０とは別のニューラルネットワークを用いて、第１の画像から、より画質が向上した第２の画像である再構成画像１３５を生成してデノイズ処理を行ってもよい。換言すると、ステップ１３０において、生成回路５２０は、第１の画像に基づいて、第１の画像より高画質の第２の画像を生成する第２の学習済みモデルに対して、第１の画像を入力することにより、第２の画像である再構成画像１３５を生成する。
なお、第２の学習済みモデルの学習は、例えば低画質の画像を入力、入力画像より高画質の画像を出力として、例えば第２の学習済みモデルの実行より前に事前に行われる。
図４に戻り、最後に、良好な画像品質を有する再構成画像１３５が出力され、この再構成画像１３５はユーザーに表示されるか、または後で使用するために保存される。
次に、ＤＬネットワークの学習（例えば、学習プロセス１６０）の、より詳細に説明する。ここで、目標データ１５３は、上述のように、Ｘ線管内の小さな焦点サイズを使用して取得された高品質サイノグラムであり、入力データ１５７は、大きな焦点サイズを使用して取得された低品質サイノグラムである。
図５は、実施形態における学習プロセス１６０の流れ図を示す。学習プロセス１６０では、入力データ１５７および目標データ１５３を学習データとして使用してＤＬネットワーク１７０の学習を行い、その結果として、ＤＬネットワーク１７０が学習プロセス１６０のステップ３１９から出力される。オフラインＤＬ学習プロセス１６０は、ＤＬネットワーク１７０を学習するように対応する目標サイノグラムである目標データ１５３と対になった多数の入力データ１５７である入力サイノグラムを使用して、ＤＬネットワーク１７０の学習を行い、入力データ１５７である入力サイノグラムから目標サイノグラムである目標データ１５３に似たフィルターされたサイノグラムを生成する。
学習プロセス１６０では、学習データのセットが取得され、ＤＬネットワーク１７０は、誤差（例えば、損失関数により生成される値）を低減するように繰り返し更新される。ＤＬネットワークは、学習データによって暗示されるマッピングを推測し、またコスト関数は、目標サイノグラムである目標データ１５３と、ＤＬネットワーク１７０の現在の形を入力データ１５７である入力サイノグラムに適用することにより生じる結果との間のミスマッチに関連した誤差値を生じる。
例えば、特定の実施において、コスト関数は、平均二乗誤差を使用して平均二乗誤差を最小化できる。多層パーセプトロン（Multilayer Perceptrons：ＭＬＰ）ニューラルネットワークの場合は、（確率的）勾配降下法を使用して平均二乗誤差に基づくコスト関数を最小化することにより、ネットワークの学習のために逆伝播アルゴリズムを使用できる。
学習プロセス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測が生成される。例えば、当該初期推測は、撮像される領域の先験的知識、または１以上の例示的なノイズ除去方法、エッジ検出方法、および／またはブロブ検出方法に基づくことができる。更に、初期推測は、レクン（LeCun）初期化、ザビエル（Xavier）初期化、およびカイミン（Kaiming）初期化の何れかに基づいて行うことができる。
学習プロセス１６０のステップ３１６〜３１９は、ＤＬネットワーク１７０の学習を行うための最適化方法の非限定的例を提供する。
現在のバージョンのＤＬネットワーク１７０を適用した後の、目標サイノグラムである目標データ１５３（即ち、グラウンドトゥルース）と入力データ１５７である入力サイノグラムとの間の差の尺度（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使用して）誤差が計算される。上記のコスト関数を含む、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。更に、特定の実施では、誤差／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１つまたは複数を使用して計算できる。実施形態の一例において、損失関数は、目標データと、入力データをＤＬネットワーク１７０に適用した結果との差のｌｐノルムであり得る。ｌｐノルムにおける「ｐ」の異なる値は、ノイズの異なる側面を強調するために使用することができる。更に、（例えば、信号強度の減衰係数に基づいた）重み付けマスクを、目標データと入力データから生成された結果との間の差に対して、画素毎に適用することができる。実施形態では、目標データと入力データからの結果との間の差のｌｐノルムを最小化するのではなく、損失関数は類似性を表すことができる（例えば、ピーク信号対ノイズ比（Peak Signal-To-Noise Ratio：ＰＳＮＲ）または構造的類似性（Structural Similarity：ＳＳＩＭ）指数を用いて）。
すなわち、損失関数は、ピーク信号ノイズ比、構造的類似性指数、または出力サイノグラムと第２の投影データとの間の差のｌｐノルムのうち少なくとも一つであってもよい。
特定の実施形態において、学習は、次の損失関数を最小化することにより実行される。
ここで、θはＤＬネットワーク１７０の調整可能な重み係数、ｈは調整不可能なパラメータ（例えば、再構成カーネルの選択など、ユーザーが選択したパラメータ）、ｙ（ｎ）は、ｎ番目の入力サイノグラムを表し、ｙ’（ｎ）は、ｎ番目の目標サイノグラムを表す。数Ｎは、学習データの総数である。実施形態の一例では、次の加重平均絶対誤差損失関数が使用される。
ここで、ｄｊは次の形を有する重みであり、
pはスカラー量である。この重みの選択は、統計的平均推定法に触発されており、ここでのdjは、データノイズ分散の逆数になるように選択されることが多い。過剰適合の問題に対処するために、ｈの追加の正則化Ｒが使用され、これはR(h)=Σｊｈｊで与えられる。正則化強度は、パラメータβを介して調整できる。
実施形態の一例において、ＤＬネットワーク１７０は逆伝播を使用して学習が行われる。逆伝播は、ニューラルネットワークの学習のために使用でき、勾配降下最適化法と組み合わせて使用される。フォワードパスの際、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。
次に、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ウンドトゥルースラベル（つまり、高品質の目標データ１５３）と比較される。バックワードパスの際、当該モデルは現在のパラメータに関する損失関数の勾配を計算し、その後、最小化された損失の方向で予め定められたサイズのステップサイズを取ることによってパラメータが更新される（ネステロフの運動量法および様々なアダプティブ法では、より迅速に収束して損失サイズを最適化するようにステップサイズを選択できる）。
逆投影を実行する最適化方法では、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１以上を使用できる。フォワードパスおよびバックワードパスは、ネットワークのそれぞれの層を通して段階的に実行できる。
フォワードパスでは、最初の層を介して入力を供給し、後続の層のための出力活性化を行うことによって実行が開始される。このプロセスは、最後の層の損失関数に達するまで繰り返される。バックワードパスの際に、最後の層は、それ自体の学習可能なパラメータ（存在する場合）と、以前の層の上流導関数として働く独自の入力に関して、勾配を計算する。このプロセスは、入力層に到達するまで繰り返される。
図５に戻ると、学習プロセス１６０のステップ３１７は、例えば、誤差勾配等、ネットワークにおける変化の関数を計算できるので誤差における変化を決定し、この誤差における変化を使用して、ＤＬネットワーク１７０の重み／係数に対するその後の変更のための方向およびステップサイズを選択することができる。
このようにして誤差の勾配を計算することは、勾配降下最適化法の実施形態の一例と一致している。当業者が理解するように、他の実施形態の一例ではこのステップを省略し、および／または別の最適化アルゴリズム（例えば、疑似アニーリング法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）に従う別のステップで置き換えることができる。
学習プロセス１６０のステップ３１７では、ＤＬネットワーク１７０に対して係数の新しいセットが決定される。例えば、重み／係数は、勾配降下最適化方法または過剰緩和加速法におけると同様に、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。
学習プロセス１６０のステップ３１８では、ＤＬネットワーク１７０の更新された重み／係数を使用して、新しい誤差値が計算される。
ステップ３１９では、予め定められた停止基準を使用して、ネットワークの学習が完了したかどうかを判定する。例えば、予め定められた停止基準は、新しい誤差および／または実行された反復の総数が予め定められた値を超えているかどうかを評価できる。
例えば、新しい誤差が予め定められた閾値を下回った場合、または反復の最大数に達した場合には、停止基準は満たされることができる。停止基準が満たされない場合、学習プロセス１６０で実行される学習プロセスは、新しい重みおよび係数を使用してステップ３１７に戻り、このステップを繰り返すことにより、反復ループのスタートに戻る（反復ループにはステップ３１７、３１８、および３１９が含まれる）。停止基準が満たされると、学習プロセス１６０で実行される学習プロセスは完了する。
図６および図７は、ＤＬネットワーク１７０における層間の相互接続の２つの例を示している。ＤＬネットワーク１７０は、完全に接続された畳み込み層およびプーリング層を含むことができ、それらのすべてを以下で説明する。ＤＬネットワーク１７０の特定の好ましい実施において、畳み込み層は入力層の近くに配置されるのに対して、高レベルの推論を実行する、完全に接続された層は、損失関数に向かって、当該アーキテクチャの更に下流に配置される。畳み込み層の後にプーリング層を挿入すると、フィルターの空間範囲、従って学習可能なパラメータの量が減少することが証明された。
活性化関数もまた、種々の層に組み込まれて非線形性を導入し、またネットワークが複雑な予測関係を学習することを可能にする。活性化関数は、飽和活性化関数（例えば、Ｓ字型または双曲線正接活性化関数）、または正規化活性化関数（例えば、上記の最初と２番目の例で適用された正規化線形ユニット（Rectified Linear Unit：ＲｅＬＵ））である。ＤＬネットワーク１７０の層は、上述の第１および第２の例でも例示したように、バッチ正規化を組み込むこともできる。
図６は、Ｎ個の入力、Ｋ個の隠れ層、３つの出力を持つ一般的な人工ニューラルネットワーク（ＡＮＮ）の例を示している。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和を実行し、この加重和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、それについて、当該クラスのメンバーは、閾値、接続の重み、或いはノードの数および／またはそれらの接続などのアーキテクチャの詳細を変化させることによって取得される。ＡＮＮのノードはニューロン（またはニューロンノード）と呼ばれ、当該ニューロンはＡＮＮシステムの異なる層間での相互接続を有することができる。
シナプス（つまり、ニューロン間の接続）には、計算においてデータを操作する「重み」と呼ばれる値（「係数」または「重み係数」とも呼ばれる）が保存される。ＡＮＮの出力は、３つのタイプのパラメータ、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）ニューロンの加重入力をその出力活性化に変換する活性化関数の３つに依存する。
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（複数）ｎｉ（ｘ）の混成として定義され、これは更に他の関数の混成として定義することができる。このことは、図６に示すように、変数間の依存関係を表す矢印を用いた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は非線形の加重和を使用でき、ここでは
であり、ここでのＫ（一般には活性化関数と称される）は或る予め定められた関数、例えば双曲線正接である。
図６（および図７でも同様）において、ニューロン（つまりノード）は閾値関数の周りの円で表されている。図６に示す非限定的な例において、入力は線形関数を囲む円として描かれ、矢印はニューロン間の指向性接続を示している。実施形態の一例において、ＤＬネットワーク１７０はフィードフォワードネットワークである。
図７は、ＤＬネットワーク１７０が畳み込みニューラルネットワーク（ＣＮＮ）である非限定的な例を示している。ＣＮＮはＡＮＮの一種で、画像処理に有益な特性を有しており、従って、画像ノイズ除去アプリケーションのために特に関連している。ＣＮＮは、フィードフォワードＡＮＮを使用し、ここではニューロン間の接続パターンが画像処理の畳み込みを表すことができる。
例えば、ＣＮＮは、入力画像の一部を処理する受容野と称する小さなニューロンコレクションの複数の層を使用することにより、画像処理の最適化のために使用することができる。次いで、これらコレクションの出力は、元の画像のより良い表現を得るために、重なり合うように並べて表示できる。この処理パターンは、交互の畳み込み層およびプーリング層を有する複数の層に亘って繰り返すことができる。
畳み込み層の後、ＣＮＮはローカルおよび／またはグローバルなプーリング層を含むことができ、これは畳み込み層のニューロンクラスターの出力を結合する。加えて、特定の実施では、畳み込み層と完全に接続された層の種々の組み合わせをＣＮＮに含めることができ、点毎の非線形性が各層の末端または後において適用される。
なお、上述の実施形態では、第１の学習済みモデルであるＤＬネットワーク１７０の学習が、焦点サイズの大きい投影データを入力、焦点サイズの小さい投影データを出力として行われる場合について説明したが、実施形態はこれに限られない。
一例として、第１の学習モデルであるＤＬネットワーク１７０の学習が、第１のサイズの検出器素子を用いて収集したデータを入力、第１のサイズより小さい第２のサイズの検出器素子を用いて収集したデータを出力として更に行われても良い。かかる場合、第１の学習モデルであるＤＬネットワーク１７０は、焦点サイズの学習を行う第１のＤＬネットワークと、検出器素子サイズの学習を行う第２のＤＬネットワークとからなり、第１のＤＬネットワークと、第２のＤＬネットワークとに対して、独立に学習が行われ、学習済モデルが生成される。
学習済モデルの実行段階、すなわちプロセス１００において、生データ２５１は、例えば、焦点サイズの大きい第１の焦点サイズ、かつ、検出器素子サイズの大きい第１のサイズの検出器素子を用いて収集されたデータである。生成回路５２０は、ＤＬネットワーク１７０に対して生データ２５１を入力することにより、第１の焦点サイズより小さい第２の焦点サイズ、かつ、第１のサイズより小さい第２のサイズの検出器素子を用いて収集したデータに相当するデータを出力する。一例として、生成回路５２０は、第１のＤＬネットワークに対して生データ２５１を入力し、その出力結果を第２のＤＬネットワークに対して入力しその出力結果を得ることにより、第１の焦点サイズより小さい第２の焦点サイズ、かつ、第１のサイズより小さい第２のサイズの検出器素子を用いて収集したデータに相当するデータを取得する。
また、別の例として、焦点サイズに関する学習と検出器素子サイズに関する学習が同時に行われてもよい。
例えば、第１の学習モデルであるＤＬネットワーク１７０の学習が、第１の焦点サイズかつ第１のサイズの検出器素子を用いて収集したデータを入力、第１の焦点サイズより小さい第２の焦点サイズ、かつ第１のサイズより小さい第２のサイズの検出器素子を用いて収集したデータを出力として行われても良い。
また、別の例として、例えば第１の学習モデルであるＤＬネットワーク１７０の学習が、第１の焦点サイズかつ第２のサイズの検出器素子を用いて収集したデータを入力、第２の焦点サイズ、かつ第１のサイズを用いて収集したデータを出力として行われるなど、学習に用いられるデータの組み合わせはその他の組み合わせでもよい。
上述の例では、Ｘ線システムの実施形態について説明したが、例えば図１の生成回路５２０、再構成回路５１４、記憶装置５１２、ディスプレイ５１６、入力装置５１５等と同様の機能を有する画像処理装置が、独立した画像処理装置を構成してもよい。かかる画像処理装置は、第１の焦点サイズのX線を利用して収集された第１の投影データを入力、第１の焦点サイズより小さい第２の焦点サイズのX線を利用して収集された第２の投影データを出力として学習された第１の学習済みモデルに対して、第２の焦点サイズより大きい第３の焦点サイズのX線を利用して収集された第３の投影データを入力することにより、第４の投影データを生成する、生成回路５２０と同様の機能を有する生成回路を備える。
また、コンピュータで実行されるプログラムが、第１の焦点サイズのX線を利用して収集された第１の投影データを入力、第１の焦点サイズより小さい第２の焦点サイズのX線を利用して収集された第２の投影データを出力として学習された第１の学習済みモデルに対して、第２の焦点サイズより大きい第３の焦点サイズのX線を利用して収集された第３の投影データを入力することにより、第４の投影データを生成するステップを、コンピュータに実行させてもよい。
以上説明した少なくとも１つの実施形態によれば、画質を向上することができる。
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、実施形態同士の組み合わせを行うことができる。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。
以上の実施形態に関し、発明の一側面および選択的な特徴として以下の付記を開示する。
(付記１)
第１の焦点サイズのX線を利用して収集された第１の投影データを入力、前記前記第１の焦点サイズより小さい第２の焦点サイズのX線を利用して収集された第２の投影データを出力として学習された第１の学習済みモデルに対して、前記第２の焦点サイズより大きい第３の焦点サイズのX線を利用して収集された第３の投影データを入力することにより、第４の投影データを生成する生成部
を備えたX線システム。
（付記２）
前記第４の投影データに基づいて第１の画像を再構成する再構成部を備えた。
（付記３）
前記第１の画像に基づいて、前記第１の画像より高画質の第２の画像を生成する第２の学習済みモデルに対して、前記第１の画像を入力することにより、前記第２の画像を生成する。
（付記４）
前記第１の学習済みモデルは、第１のサイズの検出器素子を用いて収集されたデータを入力、前記第１のサイズより小さい第２のサイズの検出器素子を用いて収集されたデータを出力として更に学習が行われた学習済みモデルである。
（付記５）
前記第１の投影データは、第１のサイズの検出器素子を用いて収集されたデータであり、
前記第２の投影データは、前記第１のサイズより小さい第２のサイズの検出器素子を用いて収集されたデータである。
（付記６）
前記第１の投影データ及び前記第２の投影データはサイノグラムであり、
前記第１の画像はＣＴ画像である、請求項１に記載のＸ線システム。
（付記７）
前記第２の投影データは、複数の検出器により検出されたデータを平均することにより取得されたデータであり、
前記第２の投影データの信号対ノイズ比は、前記第１の投影データの信号対ノイズ比より大きい。
（付記８）
前記第２の投影データは、前記第１の投影データよりも、小さい点広がり関数を用いて取得され、
前記第４の投影データの解像度は、前記第３の投影データの解像度より高い。
（付記９）
前記学習済みモデルの学習は、残差ネットワークを用いて行われ、
前記生成部は、前記第３の投影データから前記残差ネットワークの出力を減算することにより前記第４の投影データを生成する。
（付記１０）
前記第１の投影データ及び前記第２の投影データはサイノグラムであり、
前記学習済みモデルは、ニューラルネットワークの重み係数が、前記第１の投影データに基づいて出力される出力サイノグラムと前記第２の投影データとの間の不一致度に基づいて定められる損失関数を最小化するように繰り返し調整されるように学習が行われる。
（付記１１）
前記損失関数は、ピーク信号対ノイズ比、構造的類似性指数、または、前記出力サイノグラムと前記第２の投影データとの間の差のｌｐノルムのうち少なくとも一つである。
（付記１２）
前記第３の投影データは、蛍光透視データである。
（付記１３）
前記第３の投影データは、Ｘ線ＣＴ投影データであり、
回転可能なガントリーを更に備え、
前記ガントリーは、
前記ガントリー上で撮像対象の周りを回転するように構成され、焦点のサイズがアノード上の電子ビームの面積と、前記アノードから放出されたＸ線を含むＸ線ビームの方向に対する前記アノードの角度とによって制御されるＸ線管と、
複数の検出器を含む検出器アレイであって、前記Ｘ線管とは径方向に反対側のガントリー上に配置され、前記Ｘ線管と一緒に回転し、前記Ｘ線に基づいて前記投影データを生成する検出器アレイと、
を含む。
（付記１４）
第１の焦点サイズのX線を利用して収集された第１の投影データを入力、前記前記第１の焦点サイズより小さい第２の焦点サイズのX線を利用して収集された第２の投影データを出力として学習された第１の学習済みモデルに対して、前記第２の焦点サイズより大きい第３の焦点サイズのX線を利用して収集された第３の投影データを入力することにより、第４の投影データを生成する。
（付記１５）
第１の焦点サイズのX線を利用して収集された第１の投影データを入力、前記前記第１の焦点サイズより小さい第２の焦点サイズのX線を利用して収集された第２の投影データを出力として学習された第１の学習済みモデルに対して、前記第２の焦点サイズより大きい第３の焦点サイズのX線を利用して収集された第３の投影データを入力することにより、第４の投影データを生成するステップをコンピュータに実行させる。
５１２ 記憶装置
５１４ 再構成回路
５１５ 入力装置
５１６ ディスプレイ
５２０ 生成回路

Claims (15)

  1. 第１の焦点サイズのＸ線を利用して収集された第１の投影データを入力、前記第１の焦点サイズより小さい第２の焦点サイズのＸ線を利用して収集された第２の投影データを出力として学習された第１の学習済みモデルに対して、前記第２の焦点サイズより大きい第３の焦点サイズのＸ線を利用して収集された第３の投影データを入力することにより、第４の投影データを生成する生成部
    を備えたＸ線システム。
  2. 前記第４の投影データに基づいて第１の画像を再構成する再構成部を備えた、請求項１に記載のＸ線システム。
  3. 前記第１の画像に基づいて、前記第１の画像より高画質の第２の画像を生成する第２の学習済みモデルに対して、前記第１の画像を入力することにより、前記第２の画像を生成する、請求項２に記載のＸ線システム。
  4. 前記第１の学習済みモデルは、第１のサイズの検出器素子を用いて収集されたデータを入力、前記第１のサイズより小さい第２のサイズの検出器素子を用いて収集されたデータを出力として更に学習が行われた学習済みモデルである、請求項１に記載のＸ線システム。
  5. 前記第１の投影データは、第１のサイズの検出器素子を用いて収集されたデータであり、
    前記第２の投影データは、前記第１のサイズより小さい第２のサイズの検出器素子を用いて収集されたデータである、請求項１に記載のＸ線システム。
  6. 前記第１の投影データ及び前記第２の投影データはサイノグラムであり、
    前記第１の画像はＣＴ画像である、請求項１に記載のＸ線システム。
  7. 前記第２の投影データは、複数の検出器により検出されたデータを平均することにより取得されたデータであり、
    前記第２の投影データの信号対ノイズ比は、前記第１の投影データの信号対ノイズ比より大きい、請求項１に記載のＸ線システム。
  8. 前記第２の投影データは、前記第１の投影データよりも、小さい点広がり関数を用いて取得され、
    前記第４の投影データの解像度は、前記第３の投影データの解像度より高い、請求項１に記載のＸ線システム。
  9. 前記第１の学習済みモデルの学習は、残差ネットワークを用いて行われ、
    前記生成部は、前記第３の投影データから前記残差ネットワークの出力を減算することにより前記第４の投影データを生成する、請求項１に記載のＸ線システム。
  10. 前記第１の投影データ及び前記第２の投影データはサイノグラムであり、
    前記学習済みモデルは、ニューラルネットワークの重み係数が、前記第１の投影データに基づいて出力される出力サイノグラムと前記第２の投影データとの間の不一致度に基づいて定められる損失関数を最小化するように繰り返し調整されるように学習が行われる、請求項１に記載のＸ線システム。
  11. 前記損失関数は、ピーク信号対ノイズ比、構造的類似性指数、または、前記出力サイノグラムと前記第２の投影データとの間の差のｌｐノルムのうち少なくとも一つである、請求項１に記載のＸ線システム。
  12. 前記第３の投影データは、蛍光透視データである、請求項１に記載のＸ線システム。
  13. 前記第３の投影データは、Ｘ線ＣＴ投影データであり、
    回転可能なガントリーを更に備え、
    前記ガントリーは、
    前記ガントリー上で撮像対象の周りを回転するように構成され、焦点のサイズがアノード上の電子ビームの面積と、前記アノードから放出されたＸ線を含むＸ線ビームの方向に対する前記アノードの角度とによって制御されるＸ線管と、
    複数の検出器を含む検出器アレイであって、前記Ｘ線管とは径方向に反対側のガントリー上に配置され、前記Ｘ線管と一緒に回転し、前記Ｘ線に基づいて前記投影データを生成する検出器アレイと、
    を含む、
    請求項１に記載のＸ線システム。
  14. 第１の焦点サイズのＸ線を利用して収集された第１の投影データを入力、前記第１の焦点サイズより小さい第２の焦点サイズのＸ線を利用して収集された第２の投影データを出力として学習された第１の学習済みモデルに対して、前記第２の焦点サイズより大きい第３の焦点サイズのＸ線を利用して収集された第３の投影データを入力することにより、第４の投影データを生成する生成部を備えた画像処理装置。
  15. 第１の焦点サイズのＸ線を利用して収集された第１の投影データを入力、前記第１の焦点サイズより小さい第２の焦点サイズのＸ線を利用して収集された第２の投影データを出力として学習された第１の学習済みモデルに対して、前記第２の焦点サイズより大きい第３の焦点サイズのＸ線を利用して収集された第３の投影データを入力することにより、第４の投影データを生成するステップをコンピュータに実行させるプログラム。
JP2020053357A 2019-07-12 2020-03-24 Ｘ線システム、画像処理装置及びプログラム Active JP7451256B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP20184932.0A EP3764325B1 (en) 2019-07-12 2020-07-09 System and program for avoiding focal spot blurring
CN202010660989.4A CN112215910A (zh) 2019-07-12 2020-07-10 X射线系统、图像处理装置及程序

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/510,594 US11224399B2 (en) 2019-07-12 2019-07-12 Apparatus and method using deep learning (DL) to compensate for large focal spot size in x-ray projection imaging
US16/510,594 2019-07-12

Publications (2)

Publication Number Publication Date
JP2021013729A true JP2021013729A (ja) 2021-02-12
JP7451256B2 JP7451256B2 (ja) 2024-03-18

Family

ID=74102490

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020053357A Active JP7451256B2 (ja) 2019-07-12 2020-03-24 Ｘ線システム、画像処理装置及びプログラム

Country Status (2)

Country Link
US (1) US11224399B2 (ja)
JP (1) JP7451256B2 (ja)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11828934B1 (en) 2019-07-10 2023-11-28 X Development Llc High-dispersion optical components and methods for making the same
US11011884B1 (en) 2019-08-29 2021-05-18 X Development Llc Systems and methods for designing optical devices having mode selective facets
US11604957B1 (en) * 2019-09-20 2023-03-14 X Development Llc Methods for designing hybrid neural networks having physical and digital components
CN110751701B (zh) * 2019-10-18 2021-03-30 北京航空航天大学 一种基于深度学习的x射线吸收衬度计算机断层成像不完备数据重建方法
US11835715B1 (en) 2019-12-19 2023-12-05 X Development Llc Multimodal photonic components
US11842129B1 (en) 2020-05-28 2023-12-12 X Development Llc Finite floating-point numerical simulation and optimization

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005342514A (ja) * 1995-02-10 2005-12-15 Nexray Inc 走査ビーム型ｘ線画像システム
WO2010061810A1 (ja) * 2008-11-27 2010-06-03 株式会社 日立メディコ 放射線撮像装置
JP2014226321A (ja) * 2013-05-22 2014-12-08 株式会社東芝 Ｘ線コンピュータ断層撮影装置、再構成処理方法および再構成処理プログラム
JP2015116408A (ja) * 2013-12-19 2015-06-25 株式会社日立メディコ Ｘ線ｃｔ装置及び不良素子補正方法
JP2016034374A (ja) * 2014-08-01 2016-03-17 株式会社東芝 Ｘ線ｃｔ装置
JP2017225522A (ja) * 2016-06-21 2017-12-28 ゼネラル・エレクトリック・カンパニイ コリメータ装置、放射線検出器及び放射線撮影装置
US20180078221A1 (en) * 2016-09-20 2018-03-22 Siemens Healthcare Gmbh Sinogram-based scattered ray correction in computer tomography
US20180146935A1 (en) * 2016-11-25 2018-05-31 Samsung Electronics Co., Ltd. X-ray apparatus and method of acquiring medical image thereof
JP2018126506A (ja) * 2017-02-06 2018-08-16 キヤノンメディカルシステムズ株式会社 Ｘ線コンピュータ断層撮影装置
US20180293762A1 (en) * 2017-04-05 2018-10-11 General Electric Company Tomographic reconstruction based on deep learning
WO2019005180A1 (en) * 2017-06-26 2019-01-03 Elekta, Inc. METHOD FOR ENHANCING CT QUALITY QUALITY WITH CONIC BEAM THROUGH DEEP CONVOLUTIVE NEURAL NETWORK
US20190035118A1 (en) * 2017-07-28 2019-01-31 Shenzhen United Imaging Healthcare Co., Ltd. System and method for image conversion
US20190066268A1 (en) * 2017-08-31 2019-02-28 Shhanghai United Imaging Healthcare Co., Ltd. System and method for determining a trained neural network model for scattering correction
JP2019063385A (ja) * 2017-10-04 2019-04-25 キヤノンメディカルシステムズ株式会社 Ｘ線画像診断装置
JP2019093126A (ja) * 2017-11-24 2019-06-20 キヤノンメディカルシステムズ株式会社 医用データ処理装置、磁気共鳴イメージング装置及び学習済みモデル生成方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9389172B2 (en) * 2007-01-30 2016-07-12 New Jersey Institute Of Technology Methods and apparatus for the non-destructive measurement of diffusion in non-uniform substrates
US8625870B2 (en) 2011-10-19 2014-01-07 Kabushiki Kaisha Toshiba Method and system for supplementing detail image in successive multi-scale reconstruction
WO2016017534A1 (ja) 2014-07-28 2016-02-04 株式会社日立メディコ Ｘ線撮像装置および画像再構成方法
US10970887B2 (en) 2016-06-24 2021-04-06 Rensselaer Polytechnic Institute Tomographic image reconstruction via machine learning
US20180018757A1 (en) 2016-07-13 2018-01-18 Kenji Suzuki Transforming projection data in tomography by means of machine learning
US10751548B2 (en) 2017-07-28 2020-08-25 Elekta, Inc. Automated image segmentation using DCNN such as for radiation therapy
EP3447731A1 (en) 2017-08-24 2019-02-27 Agfa Nv A method of generating an enhanced tomographic image of an object
CN107644225A (zh) * 2017-10-31 2018-01-30 北京青燕祥云科技有限公司 肺部病灶识别方法、装置和实现装置

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005342514A (ja) * 1995-02-10 2005-12-15 Nexray Inc 走査ビーム型ｘ線画像システム
WO2010061810A1 (ja) * 2008-11-27 2010-06-03 株式会社 日立メディコ 放射線撮像装置
JP2014226321A (ja) * 2013-05-22 2014-12-08 株式会社東芝 Ｘ線コンピュータ断層撮影装置、再構成処理方法および再構成処理プログラム
JP2015116408A (ja) * 2013-12-19 2015-06-25 株式会社日立メディコ Ｘ線ｃｔ装置及び不良素子補正方法
JP2016034374A (ja) * 2014-08-01 2016-03-17 株式会社東芝 Ｘ線ｃｔ装置
JP2017225522A (ja) * 2016-06-21 2017-12-28 ゼネラル・エレクトリック・カンパニイ コリメータ装置、放射線検出器及び放射線撮影装置
US20180078221A1 (en) * 2016-09-20 2018-03-22 Siemens Healthcare Gmbh Sinogram-based scattered ray correction in computer tomography
US20180146935A1 (en) * 2016-11-25 2018-05-31 Samsung Electronics Co., Ltd. X-ray apparatus and method of acquiring medical image thereof
JP2018126506A (ja) * 2017-02-06 2018-08-16 キヤノンメディカルシステムズ株式会社 Ｘ線コンピュータ断層撮影装置
US20180293762A1 (en) * 2017-04-05 2018-10-11 General Electric Company Tomographic reconstruction based on deep learning
WO2019005180A1 (en) * 2017-06-26 2019-01-03 Elekta, Inc. METHOD FOR ENHANCING CT QUALITY QUALITY WITH CONIC BEAM THROUGH DEEP CONVOLUTIVE NEURAL NETWORK
US20190035118A1 (en) * 2017-07-28 2019-01-31 Shenzhen United Imaging Healthcare Co., Ltd. System and method for image conversion
US20190066268A1 (en) * 2017-08-31 2019-02-28 Shhanghai United Imaging Healthcare Co., Ltd. System and method for determining a trained neural network model for scattering correction
JP2019063385A (ja) * 2017-10-04 2019-04-25 キヤノンメディカルシステムズ株式会社 Ｘ線画像診断装置
JP2019093126A (ja) * 2017-11-24 2019-06-20 キヤノンメディカルシステムズ株式会社 医用データ処理装置、磁気共鳴イメージング装置及び学習済みモデル生成方法

Also Published As

Publication number Publication date
JP7451256B2 (ja) 2024-03-18
US11224399B2 (en) 2022-01-18
US20210007702A1 (en) 2021-01-14

Similar Documents

Publication Publication Date Title
JP7432356B2 (ja) 医用装置及びプログラム
JP7334048B2 (ja) Ｘ線ｃｔシステム及び方法
JP7433883B2 (ja) 医用装置及びプログラム
JP7451256B2 (ja) Ｘ線システム、画像処理装置及びプログラム
JP7381224B2 (ja) 医用画像処理装置及びプログラム
US11026642B2 (en) Apparatuses and a method for artifact reduction in medical images using a neural network
JP7309500B2 (ja) Ｘ線ｃｔシステム及び方法
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)
US11403791B2 (en) Apparatus and method using deep learning (DL) to improve analytical tomographic image reconstruction
JP7475979B2 (ja) Ｘ線システム及び撮像プログラム
EP3671646A1 (en) X-ray computed tomography (ct) system and method
EP3764325B1 (en) System and program for avoiding focal spot blurring
US11672498B2 (en) Information processing method, medical image diagnostic apparatus, and information processing system
US20220139006A1 (en) Information processing method, medical image diagnostic apparatus, and information processing system
US20230326596A1 (en) Information processing method, medical image diagnostic apparatus, and information processing system
EP3671647B1 (en) X-ray computed tomography (ct) system and method
JP2023107528A (ja) 情報処理方法、医用画像診断装置及び情報処理システム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230112

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230830

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230919

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: 20240118

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240206

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240306

R150 Certificate of patent or registration of utility model

Ref document number: 7451256

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150