JP2021013737A - Ｘ線システム及び撮像プログラム - Google Patents

Ｘ線システム及び撮像プログラム Download PDF

Info

Publication number
JP2021013737A
JP2021013737A JP2020103630A JP2020103630A JP2021013737A JP 2021013737 A JP2021013737 A JP 2021013737A JP 2020103630 A JP2020103630 A JP 2020103630A JP 2020103630 A JP2020103630 A JP 2020103630A JP 2021013737 A JP2021013737 A JP 2021013737A
Authority
JP
Japan
Prior art keywords
ray
detection element
synogram
detector
projection data
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
JP2020103630A
Other languages
English (en)
Other versions
JP7475979B2 (ja
Inventor
ハイン イルマー
A Hein Ilmar
ハイン イルマー
ユウ ジョウ
Zhou Yu
ユウ ジョウ
リー エフレン
Lee Efren
リー エフレン
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 JP2021013737A publication Critical patent/JP2021013737A/ja
Application granted granted Critical
Publication of JP7475979B2 publication Critical patent/JP7475979B2/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 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
    • 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
    • A61B6/42—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4208—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
    • 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
    • A61B6/42—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4208—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
    • A61B6/4233—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector using matrix detectors
    • 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
    • A61B6/42—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4266—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a plurality of detector units
    • 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
    • A61B6/44—Constructional features of apparatus for radiation diagnosis
    • A61B6/4429—Constructional features of apparatus for radiation diagnosis related to the mounting of source units and detector units
    • A61B6/4435—Constructional features of apparatus for radiation diagnosis related to the mounting of source units and detector units the source unit and the detector unit being coupled by a rigid structure
    • 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
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • 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
    • 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
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06T2211/432—Truncation
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/30—Transforming light or analogous information into electric information
    • H04N5/32—Transforming X-rays

Landscapes

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

Abstract

【課題】検出器からの送信データ量を増大させずに解像度を向上させることである。【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、大きさが異なる複数の検出素子を有する第１のＸ線検出器を用いて収集された第１の投影データを入力、前記第１のＸ線検出器を構成する検出素子群のうちの最も大きい検出素子より小さい複数の検出素子で構成される第２のＸ線検出器を用いて収集された第２の投影データを出力として学習された学習済みモデルに対して、大きさが異なる複数の検出素子で構成される第３のＸ線検出器を用いて収集された第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１

Description

本明細書及び図面に開示の実施形態は、Ｘ線システム及び撮像プログラムに関する。
Ｘ線撮影の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。Ｘ線撮影システムは、一般に、被験者の身体を通して２次元の投影画像を作成する。Ｘ線管のような放射線源は、身体を片側から照射する。一般に、Ｘ線源に隣接するコリメータはＸ線ビームの角度範囲を制限して、身体に入射する放射線が、身体の画像ボリュームを決定するコーンビーム／ファンビーム領域（即ち、Ｘ線投影ボリューム）にほぼ限定されるようになっている。身体の反対側にある少なくとも１つの検出器は、実質的に投影ボリューム内で身体を透過した放射線を受信する。身体を通過した放射線の減衰は、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。
画像の細部を視覚化するためには、空間分解能の高いＸ線投影画像が望ましい。更に、再構成された画像の解像度は、投影データの解像度に依存する。例えば、空間解像度は検出器の画素サイズによって制限され得る。画素サイズを小さくして、同じ面積をカバーするピクセルを増やすことによって、解像度を向上させることができる。しかし、画素サイズを小さくすると検出器アレイのコストが増加し、またサイズの小さい検出器の画素が増えることによって生成されるデータ量が増加するため、検出器からスリップリングを介して、コンピューター断層撮影（Computed Tomography：ＣＴ）画像再構成を実行するコンピューターハードウェアへ追加のデータを送信する通信バンド幅の要求が増大する可能性がある。
従って、一方ではＸ線検出器のコストおよびスリップリングを介して通信されるデータ量の増加と、他方では解像度を改善することとのトレードオフをより効果的にバランスさせるために、改良されたＣＴシステムが望まれている。
本明細書において提供される「背景」の説明は、本開示の文脈を一般的に提示する目的のためのものである。本発明者の研究は、他の点で出願時の先行技術として認められない可能性のある説明の態様と同様に、この背景の項で記載された範囲においては、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６７００９４８号明細書
本明細書及び図面に開示の実施形態が解決しようとする課題の一つは、検出器からの送信データ量を増大させずに解像度を向上させることである。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、大きさが異なる複数の検出素子を有する第１のＸ線検出器を用いて収集された第１の投影データを入力、前記第１のＸ線検出器を構成する検出素子群のうちの最も大きい検出素子より小さい複数の検出素子で構成される第２のＸ線検出器を用いて収集された第２の投影データを出力として学習された学習済みモデルに対して、大きさが異なる複数の検出素子で構成される第３のＸ線検出器を用いて収集された第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１は、一実施例に従った、Ｘ線コンピューター断層撮影（ＣＴ：Computed Tomography）システムの概略図を示す。 図２は、一実施例に従った、Ｘ線ＣＴシステムの別の概略図を示す。 図３は、一実施例に従った、多重解像度検出器と共にＸ線源の斜視図を示す。 図４Ａは、一実施例に従った、プラス記号形状の多重解像度検出器と共にＸ線源の側面図を示す。 図４Ｂは、一実施例に従った、プラス記号形状の多重解像度検出器の画素構成を示す。 図５Ａは、一実施例に従った、単一バンド多重解像度検出器と共にＸ線源の側面図を示す。 図５Ｂは、一実施例に従った、単一バンド多重解像度検出器の画素構成を示す。 図６Ａは、一実施例に従った、多重解像度検出器の画素のための片側単一幅構成を示す。 図６Ｂは、一実施例に従った、多重解像度検出器の画素のための偏心単一幅構成を示す。 図６Ｃは、一実施例に従った、多重解像度検出器の画素のための片側プラス形状の構成を示す。 図６Ｄは、一実施例に従った、多重解像度検出器の画素のための偏心プラス形状の構成を示す。 図６Ｅは、一実施例に従った、多重解像度検出器の画素のためのテーパー構成を示す。 図７は、一実施に従って深層学習（ＤＬ：deep learning）ネットワークを訓練し、次いでこのＤＬネットワークを使用して、多重解像度検出器を用いて取得された投影データの解像度を高める方法の流れ図を示す。 図８は、一実施に従って、損失関数を最適化するようにＤＬネットワークの係数を反復調整することによりＤＬネットワークを訓練する方法の流れ図を示す。 図９は、一実施に従ったＤＬネットワークの例を示す。 図１０は、一実施に従った、畳み込みニューラルネットワーク（Convolutional Neural Network：ＣＮＮ）であるＤＬネットワークの例を示す。
上記で説明したように、一方での解像度と、他方でのハードウェアコスト（例えば、Ｘ線検出器、およびスリップリングを横切る通信インターフェイス）との間にはトレードオフが存在する。例えば、より精細な解像度（例えば、より小さな画素ピッチ）を有し、結果として同じ面積内により多くの検出器を有する検出器アレイは、より粗い解像度を有する検出器アレイよりも、製造するためにより多くの費用がかかる。加えて、より広い帯域幅を持つ通信ハードウェアはまた、より多くの検出器素子によって生成されるデータ量の増加に適応することが必要とされる。
多重解像度検出器（multi-resolution detector）は、この解像度とコストの間のトレードオフを埋めることができる。例えば、視野（ＦＯＶ：field of view）の中心近くでは高解像度であるのが有益であり得るので、検出器は、普通はＦＯＶの中心近くにおいてより精細な解像度を維持しながら、ＦＯＶの周辺ではより粗い解像度を使用することが可能になる。更に、深層学習（ＤＬ）ネットワークは、より粗い解像度の領域では拡張補間を実行して、解像度の強化を実現する（例えば、粗い解像度の領域では超解像度を実現する）ように使用できるであろう。投影データがスリップリングを介して送信された後にのみ、ＤＬネットワークを使用して解像度を向上させるようにすれば、通信帯域幅の増加は必要とされない。即ち、通信スループットの要件とは独立に、向上した解像度を達成できる。
解像度とコストとのトレードオフ、並びにここで説明する装置および方法の利点は、多数のスライスを備えたマルチスライスＣＴスキャナーは１回転で身体の大きな領域を撮像できるため望ましいことを考慮することにより、よりよく理解できる。システムの時間分解能は、検出器素子（Detector Elements）（ＤＡＳ：Data Acquisition System）と画像再構成ハードウェア（ＣＴシステムの静止部分）の間のデータ転送速度によって制限される。前記素子の数は、最大データ転送速度を決定する重要な要素である。Ｘ線検出器素子の数が多いほど、生成される全部のデータをスリップリング全体に転送するのが困難になる。これにより、時間に関して転送される投影画像の数が少なくなり、時間分解能が低くなる。更に、ＣＴスキャナーのコストは、検出器素子の数に影響される。素子の数が多くなると、スキャナーはより高価になる。
拍動する心臓での心臓イメージングのような特定のアプリケーションでは、運動アーチファクトを最小限に抑えるために高い時間分解能が望まれる。しかしながら、システムのコストを削減することも望まれる。従って、画質およびコストの両方の観点から、全体的に少ない数の検出器素子でスキャナーを設計することが望ましい。多重解像度検出器は、空間解像度を犠牲にすることなく、検出器要素の総数を小さく保つことができ、ここでは解像度が高いほど最大の利点が得られる。例えば、心臓のイメージングでは、切り捨てアーチファクトを回避するために胸部の幅全体をカバーするＦＯＶが重要になるが、心臓の外側領域は高解像度でイメージングする必要はない。従って、本明細書で説明するＣＴスキャナーは、ＦＯＶの中心付近での精細な画素ピッチ、およびＦＯＶの周辺部での粗い画素ピッチを有する多重解像度検出器を含むことができる。
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の部分または対応する部分を示しており、図１は医用イメージングシステム４０の例示的な実施形態を示している。医用イメージングシステム４０は、少なくとも１つのスキャニング装置１００、各々が特別に構成されたコンピューター処理装置（例えば、特別に構成されたデスクトップコンピューター、特別に構成されたラップトップコンピューター、特別に構成されたサーバー）である１以上の画像生成装置１５０、および表示装置１６０を含んでいる。
スキャニング装置１００は、撮像対象（例えば、患者）の領域（例えば、エリア、ボリューム、スライス）をスキャンすることにより、走査データを取得するように構成される。スキャン様式は、例えば、Ｘ線撮影であってよい。スキャニング装置１００は、患者を通過するＸ線の投影データを取得することができる。つまり、スキャニング装置１００は、Ｘ線システムの一例である。Ｘ線システムは、アンギオ装置、Ｘ線透視撮影装置、及びコンピューター断層撮影装置のうちいずれかの装置である。
１以上の画像生成装置１５０は、スキャニング装置１００から走査データを取得し、この走査データに基づいて、撮影対象の前記領域の画像を生成する。フィルター補正逆投影（Filtered Back-Projection：ＦＢＰ）および統計的な反復再構成（Iterative Reconstruction：ＩＲ）アルゴリズムを含む様々な方法を使用して、投影データからＣＴ画像を再構成できる。従来のＦＢＰ再構成法と比較して、ＩＲ法は低放射線量でも改善された画質を提供できる。様々な反復再構成（ＩＲ）法が存在する。
１つの一般的なＩＲ法は、下記の式（１）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、測定された全ての投影画像ｌに対して良好な近似を提供するときに、データ忠実度項は最小化される。なお、データ忠実度項は、上記の式（１）に含まれる項であり、下記の式（１−１）で表される項である。
従って、当該データ忠実度項は、システムマトリックス方程式Ａｐ＝ｌを解くことに向けられており、これは線源からｐで表される空間内の撮像対象（ＯＢＪ）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（ＯＢＪ）を通って二次元投影画像ｌに至るＸ線投影）。
下記の式（１−２）で表される表記はｇｒＷｇ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、投影データの信憑性のリライアビリティーを表す）。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。
図１に戻ると、前記１以上の画像生成装置１５０が画像を生成した後、この１以上の画像生成装置１５０は、画像を表示する表示装置１６０へと画像を送信する。
図２は、ＣＴスキャナーシステム４０に含まれるＸ線撮影ガントリの第２の実施を示す。図２に示すように、Ｘ線撮影ガントリ１００は側面図で示されており、更に、Ｘ線管１０１、環状フレーム１０２、および多列または２次元アレイ型のＸ線検出器１０３が含まれている。Ｘ線管１０１およびＸ線検出器１０３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１０２上で、直径方向に撮像対象ＯＢＪを横切って取り付けられる。
マルチスライスＸ線ＣＴ装置は更に高電圧発生器１０９を含み、これはＸ線管１０１がＸ線を発生するように、スリップリング１０８を介してＸ線管１０１に印加される管電圧を発生する。Ｘ線は、断面積が円で表される撮像対象ＯＢＪに向かって放射される。例えば、Ｘ線管１０１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。従って、異なるＸ線エネルギーに対応した２以上のスキャンを取得できる。Ｘ線検出器１０３は、撮像対象（ＯＢＪ）を透過した放射Ｘ線を検出するために、撮像対象（ＯＢＪ）を挟んでＸ線管１０１とは反対側に配置される。Ｘ線検出器１０３は更に個々の検出器素子またはユニットを含む。
ＣＴ装置は更にＸ線検出器１０３からの検出信号を処理するための他の装置を含む。データ収集回路またはデータ収集システム（Data Acquisition System：ＤＡＳ）１０４は、各チャネルのＸ線検出器１０３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、非接触型データ送信機１０５（例えばスリップリング）を介して、Ｘ線撮影ガントリ１００の外部コンソールに収容された前処理回路１０６へと送信される。前処理回路１０６は、生データの感度補正のような一定の補正を実行する。
画像生成装置１５０は、例えば、データバス／制御バス１１１、記憶装置１５２、再構成装置１５４、および入力インターフェイス１５５を含んでいる。記憶装置１５２は、結果データを記憶するが、これは、再構成処理の直前の段階では投影データとも呼ばれる。記憶装置１５２は、再構成装置１５４、入力インターフェイス１５５、および表示装置１６０と共に、データバス／制御バス１１１を介してシステムコントローラ１１０に接続される。システムコントローラ１１０は電流調整器１１３を制御して、ＣＴシステムを駆動するために十分なレベルに電流を制限する。
記憶装置１５２は、Ｘ線検出器ユニット１０３におけるＸ線の放射線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１５２は、方法７０（これについては図７を参照して後述する）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１５４は、方法７０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１５４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。
前処理回路１０６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、および極性効果の補正を含むことができる。更に、再構成前処理は、方法７０の様々なステップを実施することができる。例えば、方法７０は、解像度を高めるためおよび／またはノイズおよびアーチファクトを低減するために、深層学習（ＤＬ）ネットワークを使用して投影データを処理することを含むことができる。
再構成回路１５４によって実行される再構成後処理は、必要に応じて、画像のフィルター処理および平滑化、ボリュームレンダリング処理、並びに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７０の様々なステップを実施することができる。再構成回路１５４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、並びにコンピュータープログラムを記憶できる。
再構成回路１５４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ロジックデバイス（Complex Programmable Logic Device：ＣＰＬＤ）として、個別の論理ゲートとして実施できるＣＰＵ（処理回路）を含むことができる。ＦＰＧＡまたはＣＰＬＤの実施は、ＶＨＤＬ、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、このコードはＦＰＧＡまたはＣＰＬＤ内の電子メモリに直接記憶するか、個別の電子メモリとして記憶できる。更に、記憶装置１５２は、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、またはフラッシュメモリのように不揮発性であることができる。記憶装置１５２は、スタチックＲＡＭまたはダイナミックＲＡＭのように揮発性であることもでき、また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提供して、電子メモリ、並びにＦＰＧＡまたはＣＰＬＤと前記メモリとの間の相互作用を管理することができる。
或いは、再構成回路１５４のＣＰＵは、本明細書に記載の機能を実行する１組のコンピューター可読命令を含むコンピュータープログラムを実行することができ、当該プログラムは、上記の非一時的電子メモリおよび／またはハードウェアディスクドライブ、ＣＤ、ＤＶＤ、フラッシュドライブ、またはその他の既知の記憶媒体の何れかに記憶される。更に、前記コンピューター可読命令は、アメリカのインテル社のＸｅｏｎプロセッサおよびアメリカのＡＭＤ社のＯｐｔｅｒｏｎプロセッサのようなプロセッサ、並びにマイクロソフトＶＩＳＴＡ、ＵＮＩＸ（登録商標）、Ｓｏｌａｒｉｓ、ＬＩＮＵＸ、Ａｐｐｌｅ、ＭＡＣ−ＯＳのようなオペレーティングシステム、および当業者に既知の他のオペレーティングシステムと組み合わせて実行される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、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得る。更に、ＣＰＵは、前記命令を実行するために並行して協調動作する複数のプロセッサとして実施できる。
一実施においては、前記再構成された画像は表示装置１６０に表示することができる。表示装置１６０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た他の表示装置であることができる。
記憶装置１５２は、ハードディスクドライブ、ＣＤ−ＲＯＭドライブ、ＤＶＤドライブ、フラッシュドライブ、ＲＡＭ、ＲＯＭ、または当技術分野で既知の他の電子記憶装置とすることができる。
図３は、検出器１０３と共にＸ線源１０１の斜視図を示しており、検出器１０３では高解像度画素がプラス形状に構成され、低解像度画素は検出器１０３の周辺部、即ち、４つのコーナー部（ここには高解像度画素は存在しない）に構成される。図４Ａは、検出器１０３と共にＸ線源１０１の側面図を示している。図４Ｂは、検出器１０３上の高解像度画素のプラス記号形状パターンを示す。図４Ａは、全撮像領域が中央の撮像領域と、この中央領域から相互に排他的である周辺領域とに分割できることを示す。中央領域には関心のある撮像対象を含めることができ、この中央領域のイメージングにはより高い解像度が望ましい可能性がある。従って、狭いＦＯＶの画素は、周辺ＦＯＶの画素よりも高い解像度を有することができる（即ち、周辺ＦＯＶは、狭いＦＯＶの外側にある全体の広いＦＯＶの一部である）。狭いＦＯＶはまた、小さなＦＯＶと称することができ、ｄＦＯＶＯＩとして表すことができる。
こうして、心臓スキャンのような適用において、問題の撮像対象（例えば、心臓）は比較的小さい視野ｄＦＯＶＯＩ内にある。切り捨てによるアーチファクトを回避するには、ｄＦＯＶＯＩの外側にある撮像対象を引き続きサンプリングすべきであろう。ｄＦＯＶＯＩの外側の撮像対象は主要な画像の一部ではないため、より大きな画素サイズ（つまり、低解像度／粗解像度）でサンプリングすることができる。より大きな画素が周辺領域をカバーするために使用されるので、検出器１０３内の画素の総数は、全ての画素が小さい単一解像度の検出器に比べて低減することができる。図４Ｂでは、小さな画素のプラス記号形状の構成は、両方の次元において検出器１０３の中央ストリップに沿ってより高い解像度を提供し、四隅の領域はそれぞれより大きな画素で覆われる。
図５Ａは、高解像度画素のストリップについて均一な幅を有する単一ストリップ検出器１０３と共に、Ｘ線源１０１の側面図を示している。図５Ｂは、単一ストリップ検出器１０３の画素の構成を示している。小さな視野ｄＦＯＶＯＩが図５Ａおよび５Ｂに示されている均一な幅の領域である場合、高解像度の画素が全ての小さな視野ｄＦＯＶＯＩを占有し、この小さな視野ｄＦＯＶＯＩの外側には高解像度の画素は存在しない。この構成は、中央の単一幅構成と称される（単一幅構成とも呼ばれる）。
図６Ａ〜６Ｅは、高解像度画素の他の５つの構成を示している。図６Ａには片側構成が示されており、ここでは検出器の半分が高解像度の画素素子を有し、他の半分が低解像度の画素素子を有する。図６Ｂには、偏心単一幅の構成が示されている。図６Ｃには、片側プラス形状の構成が示されている。図６Ｄには、偏心プラス形状の構成が示されている。図６Ｅでは、テーパー構成が示されている。当業者が理解するように、本開示の精神から逸脱することなく、高解像度画素のこれら構成の変形を使用することができる。
図７は、図４Ｂ、５Ｂ、および６Ａ〜６Ｅに示されるような多重解像度検出器を使用して得た投影データについて、スマート補間を実行するように深層学習（ＤＬ）ネットワーク７７０を訓練し、多重解像度検出器１０３内のより大きな画素に対応する投影データ領域で高解像度を達成する方法７０を示す。従って、ＤＬネットワーク７７０から出力されるフィルター処理された投影データ出力は、均一な画素ピッチを有することができる（例えば、画素値は均一な格子上にあることができる）。深層学習（ＤＬ）ネットワーク７７０は、学習済みモデルの一例である。
図７は、Ｘ線投影データに対するデータ領域補正（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）を実行するために、ＤＬニューラルネットワーク７７０を訓練および使用する方法７０の非限定的な例の流れ図を示す。方法７０は、図７に示すように、ＤＬネットワーク７７０を使用して、生データ７０５（例えばサイノグラム）を最適にフィルター処理し、このフィルター処理されたサイノグラムからＣＴ画像を再構築する方法を学習する。方法７０は２つの部分、即ち、（ｉ）オフライン訓練プロセス７５０、および（ｉｉ）医用イメージングプロセス７００を含んでいる。即ち、プロセス７５０はＤＬネットワーク７７０を訓練し、またプロセス７００はこの訓練されたＤＬネットワーク７７０を使用して、投影領域の生データ７０５をフィルター処理し、それによって、特に大きな画素に対応する領域で、生データよりも高い解像度を有する高品質サイノグラムを生成する。蛍光透視法のような特定の実施では、ステップ７２０および７３０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。
特定の実施において、ＤＬネットワーク７７０は畳み込みニューラルネットワーク（Convolutional Neural Network：ＣＮＮ）であり、ここでは一連の畳み込み、バッチ正規化、および調整された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７７０は、プロセス７６０を使用して訓練される。プロセス７６０では、損失関数を使用して、ＤＬネットワーク７７０のパラメータを反復して調整／最適化する（例えば、ＤＬネットワーク７７０のパラメータは、ネットワーク層を連結する重み係数、および前記層内の活性化関数／ノードの電位を含むことができる）。ネットワークパラメータの最適化は、停止基準が満たされるまで継続し（例えば、停止基準は、損失関数の値が予め定義された閾値に収束したかどうかであることができる）、訓練されたネットワーク７７０を生成する。
損失関数は、目標データ７５３と、入力データ７５７を現在のバージョンのＤＬネットワーク７７０に適用することにより生成された出力とを比較する。例えば、入力データは、多重解像度検出器構成を使用して取得した投影データであり、目標データは、均一な高解像度検出器構成を使用して取得した投影データである。言い換えると、入力データは、大きさが異なる複数の検出素子を有する第１のＸ線検出器を用いて収集された第１の投影データである。また、目標データは、第１のＸ線検出器を構成する検出素子群のうちの最も大きい検出素子より小さい複数の検出素子で構成される第２のＸ線検出器を用いて収集された第２の投影データである。第２の投影データは、均一な解像度を有するのが好適であるが、必ずしも均一な解像度を有していなくても良い。
所定のＣＴスキャンについて、各入力データの低品質サイノグラム（例えば、多重解像度検出器を使用して取得したサイノグラム）が、対応する高品質サイノグラム（例えば、均一な高解像度検出器を使用して取得したサイノグラム）との対を形成する。入力データ７５７の低品質サイノグラムと目標データ７５３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できる。加えて、ＤＬネットワーク７７０は、例えば、高品質サイノグラムを取得するために使用するよりも低い線量を用いて低品質サイノグラムを取得することにより、解像度向上に加えて、ノイズ除去およびアーチファクト低減を実行するように訓練することができる。
入力データからの低品質サイノグラムを現在のバージョンのＤＬネットワーク７７０に適用すると、当該ネットワークからの出力が生成され、これは低品質サイノグラムの解像度が強化されたバージョン（つまり、フィルター処理されたサイノグラム）であると思われる。ＤＬネットワーク７７０は、ＤＬネットワーク７７０からのフィルター処理されたサイノグラム出力と、目標データ７５３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７７０内のネットワーク係数を反復調整することにより訓練される。ネットワーク７７０の訓練は、目標データとＤＬネットワーク７７０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、プロセス７６０の１以上の予め定められた停止基準に基づいて解決される。停止基準が満たされたら、訓練されたネットワーク７７０は記憶され、その後、医用イメージングプロセス７００で使用されるように呼び出される。
別の実施において、ＤＬネットワーク７７０は残差ネットワーク（ＲｅｓＮｅｔ）として実施される。この場合、本明細書で説明する方法は、低品質サイノグラムと高品質サイノグラムとの間の差を、低品質サイノグラムから直接除去できる加算残差（additive residue）として扱うことにより、画像をフィルター処理することができる。従って、低品質サイノグラムが前記ニューラルネットワークに適用されると、前記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、補正サイノグラムが生じるように前記低品質サイノグラムから前記ネットワーク出力（ノイズ／アーティファクト）を差し引くことにより、補正されたサイノグラムを生成することができる。
方法７０のプロセス７６０では、停止関数が満たされるまで（例えば、パラメータが所定の閾値に収束するまで）、損失関数を使用して、ＤＬネットワーク７７０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）を反復調整し、訓練されたネットワーク７７０を生成する。前記損失関数は、高品質データ７５３を、入力データ７５７が適用される現在のバージョンのＤＬネットワーク７７０の結果と比較する。言い換えると、ＤＬネットワーク７７０は、大きさが異なる複数の検出素子を有する第１のＸ線検出器を用いて収集された第１の投影データを入力、前記第１のＸ線検出器を構成する検出素子群のうちの最も大きい検出素子より小さい複数の検出素子で構成される第２のＸ線検出器を用いて収集された第２の投影データを出力として学習された学習済みモデルに対応する。
プロセス７００は、生データ７０５を取得することによって、例えば、一連の視野角でのＣＴ投影（即ち、低品質サイノグラム）を生成するようにＣＴスキャンを実行することによって実行される。例えば、前記サイノグラムは、生データ７０５を生成するように、低線量ＣＴスキャンを使用して実行できる。
プロセス７００のステップ７１０において、生データ７０５は、訓練されたＤＬネットワーク７７０に生データ７０５を適用することによってフィルター処理される。次いで、ＤＬネットワーク７７０は、フィルター処理されたサノグラムを出力する。特定の実施において、ＤＬネットワーク７７０は畳み込みニューラルネットワーク（ＣＮＮ）である。ＣＮＮは、ローカルな小さいサイズのフィルターを直接生成するネットワーク、例えば、下記の式（２）であることができ、ここでのｗｉｊはｉ番目の画素に対するフィルターである。言い換えると、生成部としての前処理回路１０６は、学習済みモデルに対して、大きさが異なる複数の検出素子で構成される第３のＸ線検出器を用いて収集された第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。第３のＸ線検出器は、必ずしも第１のＸ線検出器と同一の解像度を有していなくてもよい。また、第４の投影データは、均一な解像度を有するのが好適であるが、必ずしも均一な解像度を有していなくても良い。
訓練プロセス７６０では、ステップ７１０で生データ７０５からフィルター処理されたサイノグラムを生成するのと同じ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し、損失関数を使用して、この出力サイノグラムを目標データと比較する。
プロセス７００のステップ７２０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。投影データからＣＴ画像を再構成するために、ＦＢＰおよび統計的ＩＲアルゴリズムを含む様々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）法のような他の分析法を使用することができる。ＦＢＰ再構成法と比較して、ＩＲ法は放射線量を減らしても画像品質を向上させることができる。一例において、ＩＲ法は、上記のように最適化問題を解くことによって実行される。言い換えると、再構成部としての再構成回路１５４は、第４の投影データに基づいて画像を再構成する。
なお、最適化問題は、下記の式（３）で表される。下記の式（３）は、上述した式（１）と同様である。
プロセス７００のステップ７３０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。
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、ノンローカルミーンフィルタリングは、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。
最後に、良好な画像品質を有する再構成画像７３５が出力され、この再構成画像７３５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ネットワークの訓練についてのより詳細な説明を提供する（例えば、プロセス７６０）。ここで、上記で述べたように、目標データ７５３は均一な高解像度検出器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７５７は、多重解像度検出器を使用して取得された低品質サイノグラムである。
図８は、一実施になる訓練プロセス７６０の流れ図を示す。プロセス７６０では、入力データ７５７および目標データ７５３を訓練データとして使用してＤＬネットワーク７７０を訓練し、その結果として、ＤＬネットワーク７７０がプロセス７６０のステップ８４０から出力される。オフラインＤＬ訓練プロセス７６０は、ＤＬネットワーク７７０を訓練するように対応する目標サイノグラム７５３と対になった多数の入力サイノグラム７５７を使用して、ＤＬネットワーク７７０を訓練し、入力サイノグラム７５７から目標サイノグラム７５３に似たフィルターされたサイノグラムを生成する。
プロセス７６０では、訓練データのセットが取得され、ネットワーク７７０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、訓練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７５３と、ＤＬネットワーク７７０の現在の形を入力サイノグラム７５７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、ネットワークの訓練のために逆伝播アルゴリズムを使用できる。
プロセス７６０のステップ８１０では、ＤＬネットワーク７７０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。
プロセス７６０のステップ８１０〜８４０は、ＤＬネットワーク７７０を訓練する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ネットワーク７７０を適用した後の、目標サイノグラム７５３（即ち、グラウンドトゥルース）と入力サイノグラム７５７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。一定の実施において、損失関数は、目標データと、入力データをＤＬネットワーク７７０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。一定の実施では、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）。
特定の実施において、訓練は、下記の式（４）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７７０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）（ｙは上線付き）は、ｎ番目の目標サイノグラムを表す。数Ｎは、訓練投影の総数である。一定の実施では、下記の式（５）の加重平均絶対誤差損失関数が使用される。
ここで、ｄｊは下記の式（６）の形を有する重みである。
式（６）において、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、これは下記の式（７）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。
一定の実施において、ネットワーク７７０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の訓練のために使用でき、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７５３）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のような加速法では、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作成する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８に戻ると、プロセス７６０のステップ８２０は、ネットワークにおける変化の関数を計算できるので（例えば、誤差勾配）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７７０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一定の実施と一致している。当業者が理解するように、他の一定の実施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。
プロセス７６０のステップ８２０では、ＤＬネットワーク７７０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８２０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７６０のステップ８３０では、ＤＬネットワーク７７０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８４０では、予め定められた停止基準を使用して、ネットワークの訓練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、プロセス７６０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ステップ８２０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８２０、８３０、および８４０が含まれる）。停止基準が満たされると、プロセス７６０で実行される訓練プロセスは完了する。
図９および図１０は、ＤＬネットワーク７７０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７７０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、それらの全てを以下で説明する。ＤＬネットワーク７７０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７７０の層は、上記で述べた第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９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９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、ここでは下記の式（８）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９（および図１０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９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。一定の実施において、ＤＬネットワーク７７０はフィードフォワードネットワークである。
図１０は、ＤＬネットワーク７７０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。
特定の実施について説明したが、これらの実施は例としてのみ提示されたものであり、本開示の教示を限定することを意図したものではない。実際に、本明細書で説明される新規な方法、装置、およびシステムは、様々な他の形態で具現化され得るものである。更に、本開示の精神を逸脱することなく、本明細書に記載の方法、装置、およびシステムの形態において、様々な省略、置換、および変更を行うことができる。
１０３ Ｘ線検出器
１０４ データ取得回路（ＤＡＳ）
１０５ 非接触型データ送信機
１０６ 前処理装置
１０７ 回転ユニット
１０８ スリップリング
１０９ 高電圧発生器
１１０ システムコントローラ
１１３ 電流調整器
１５２ 記憶装置
１５４ 再構成装置
１５５ 入力装置
１６０ 表示装置

Claims (17)

  1. 大きさが異なる複数の検出素子を有する第１のＸ線検出器を用いて収集された第１の投影データを入力、前記第１のＸ線検出器を構成する検出素子群のうちの最も大きい検出素子より小さい複数の検出素子で構成される第２のＸ線検出器を用いて収集された第２の投影データを出力として学習された学習済みモデルに対して、大きさが異なる複数の検出素子で構成される第３のＸ線検出器を用いて収集された第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２の投影データは、均一な解像度を有し、
    前記第４の投影データは、均一な解像度を有する、
    請求項１に記載のＸ線システム。
  3. 前記第４の投影データに基づいて画像を再構成する再構成部を更に備えた、
    請求項１又は２に記載のＸ線システム。
  4. 中央部分と、前記中央部分の周辺に配置された周辺部分とを備えた視野を有するＸ線ビームを放出するように構成されたＸ線源と、
    前記Ｘ線ビームの視野内のＸ線を検出するように前記Ｘ線源の反対側に配置された検出器アレイと、を更に備え、
    前記検出器アレイは、前記視野の中央部分に配置される第１の検出素子と、前記視野の周辺部分に配置される第２の検出素子であって、前記第１の検出素子よりも大きい前記第２の検出素子とを有する、
    請求項１〜３のいずれか一つに記載のＸ線システム。
  5. 前記検出器アレイは更に、
    前記第１の検出素子が、第１の方向で前記検出器アレイの中心軸に沿った第１のバンドと、第２方向で前記検出器アレイの別の中心軸に沿った第２のバンドを備えたプラス形状に配置されるように構成される、
    請求項４に記載のＸ線システム。
  6. 前記検出器アレイは更に、
    前記第１の検出素子が、前記検出器アレイの第１の方向に沿った均一な幅の単一バンドに配置されるように構成される、
    請求項４に記載のＸ線システム。
  7. 前記Ｘ線源は更に、
    前記視野の中央部分が関心領域を含むように構成され、
    前記視野の周辺部分が関心領域を含まず、切り捨てアーチファクトを回避するためのイメージング領域を含むように構成される、
    請求項４〜６のいずれか一つに記載のＸ線システム。
  8. 前記Ｘ線源は更に、
    前記視野の周辺部分よりも前記視野の中央部分において、より高いＸ線強度を放出するように構成される、
    請求項４〜７のいずれか一つに記載のＸ線システム。
  9. 前記検出器アレイは単一のモノリシック構造部材であり、
    前記第１の検出素子は前記第２の検出素子と同じ表面上にある、
    請求項４〜８のいずれか一つに記載のＸ線システム。
  10. 前記学習における入力は、前記第１のＸ線検出器を用いて生成された入力サイノグラムであり、
    前記学習における出力は、前記第２のＸ線検出器を用いて生成された目標サイノグラムであり、
    前記学習済みモデルは、
    前記目標サイノグラムと対になった前記入力サイノグラムとを含む訓練データセットを用いて、前記入力サイノグラムから出力サイノグラムを生成するようにニューラルネットワークが利用され、
    前記ニューラルネットワークの重み係数を反復調整することで、前記出力サイノグラムの生成時に使用される特定の入力サイノグラムに対応する目標サイノグラムとの間の不一致の尺度である損失関数の値を最小化することにより生成される、
    請求項４〜９のいずれか一つに記載のＸ線システム。
  11. 前記生成部は更に、前記学習済みモデルを訓練するように構成され、
    前記損失関数が、ピーク信号対ノイズ比、構造的類似性指数、および／またはそれぞれの前記目標サイノグラムと前記入力サイノグラムに対応するフィルター処理されたサイノグラムとの間の差のｌｐノルムを含む、
    請求項１０に記載のＸ線システム。
  12. 前記生成部は更に、前記出力サイノグラムを生成するために前記ニューラルネットワークを訓練し、
    前記出力サイノグラムは、前記訓練データセットを使用して前記ニューラルネットワークを訓練することにより、前記入力サイノグラムに対して向上した解像度を有し、
    前記目標サイノグラムを取得するために使用される前記第２のＸ線検出器は、前記第１の検出素子の画素解像度に対応する均一な画素解像度を有する、
    請求項１０に記載のＸ線システム。
  13. 前記生成部は、前記第３の投影データとして、蛍光透視データを入力する、
    請求項１〜１２のいずれか一つに記載のＸ線システム。
  14. 前記生成部は更に、
    前記第３の投影データとして、コンピューター断層撮影のサイノグラムを入力する、
    請求項１〜１２のいずれか一つに記載のＸ線システム。
  15. 前記生成部は更に、投影データを取得するように構成され、前記複数の検出素子のうち前記第１の検出素子の構成は、（ｉ）片側単一バンド構成、（ｉｉ）片側プラス記号構成、（ｉｉｉ）偏心単一バンド構成、（ｉｖ）偏心プラス記号構成、（ｖ）テーパー構成から選択され、
    前記片側単一バンド構成は、前記検出器アレイの片側に第１の検出素子を有し、前記検出器アレイのもう一方の側には第２の検出素子を有し、
    前記片側プラス記号構成は、前記検出器アレイの前記片側に第１の方向に沿って前記第１の検出素子の第１のバンドを有し、前記検出器アレイのもう一方の側には第２の方向に中心軸に沿って前記第１の検出素子の第２のバンドを有し、
    前記偏心単一バンド構成は、前記検出器アレイの前記第１の方向に沿って、前記検出器アレイの全体にではなく前記片側に、中心軸を外れた前記第１の検出素子の前記第１のバンドを有し、
    前記偏心プラス記号構成は、前記検出器アレイの前記第１の方向に沿って、前記検出器アレイの全体にではなく前記片側に、中心軸を外れた前記第１の検出素子の前記第１のバンドを有し、前記第２の方向には前記第１のバンドの両側に伸びる前記第１の検出素子の第２バンドを有し、
    前記テーパー構成は、前記第１および第２の方向に傾斜する形状の前記第１の検出素子を有する、
    請求項４に記載のＸ線システム。
  16. アンギオ装置、Ｘ線透視撮影装置、及びコンピューター断層撮影装置のうちいずれかの装置である、
    請求項１に記載のＸ線システム。
  17. 大きさが異なる複数の検出素子を有する第１のＸ線検出器を用いて収集された第１の投影データを入力、前記第１のＸ線検出器を構成する検出素子群のうちの最も大きい検出素子より小さい複数の検出素子で構成される第２のＸ線検出器を用いて収集された第２の投影データを出力として学習された学習済みモデルに対して、大きさが異なる複数の検出素子で構成される第３のＸ線検出器を用いて収集された第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
    処理をコンピュータに実行させる、撮像プログラム。
JP2020103630A 2019-07-11 2020-06-16 Ｘ線システム及び撮像プログラム Active JP7475979B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/509,369 US11547378B2 (en) 2019-07-11 2019-07-11 Apparatus and method combining deep learning (DL) with an X-ray computed tomography (CT) scanner having a multi-resolution detector
US16/509,369 2019-07-11

Publications (2)

Publication Number Publication Date
JP2021013737A true JP2021013737A (ja) 2021-02-12
JP7475979B2 JP7475979B2 (ja) 2024-04-30

Family

ID=74101646

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020103630A Active JP7475979B2 (ja) 2019-07-11 2020-06-16 Ｘ線システム及び撮像プログラム

Country Status (2)

Country Link
US (1) US11547378B2 (ja)
JP (1) JP7475979B2 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256500B (zh) * 2021-07-02 2021-10-01 北京大学第三医院（北京大学第三临床医学院） 一种多模态图像合成的深度学习神经网络模型系统
US20230132514A1 (en) * 2021-10-27 2023-05-04 Wisconsin Alumni Research Foundation System and method for controlling errors in computed tomography number
US20230177747A1 (en) * 2021-12-06 2023-06-08 GE Precision Healthcare LLC Machine learning generation of low-noise and high structural conspicuity images
CN114782566B (zh) * 2021-12-21 2023-03-10 首都医科大学附属北京友谊医院 Ct数据重建方法和装置、电子设备和计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002233522A (ja) * 2000-12-12 2002-08-20 Ge Medical Systems Global Technology Co Llc 複数の動作モードをもつ低コストのマルチスライス型ｃｔ検出器
JP2008544766A (ja) * 2005-05-12 2008-12-11 ブラッコ イメージング エス．ピー．エー． デジタル画像のピクセルまたはボクセルをコーディングするための方法、およびデジタル画像を処理するための方法
JP2013198724A (ja) * 2012-02-24 2013-10-03 Toshiba Corp Ｘ線ｃｔ装置およびその制御プログラム
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
US20190205606A1 (en) * 2016-07-21 2019-07-04 Siemens Healthcare Gmbh Method and system for artificial intelligence based medical image segmentation

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6385278B1 (en) 2000-04-28 2002-05-07 Ge Medical Systems Global Technology Company, Llc Method and apparatus for region of interest multislice CT scan
EP1887937B1 (en) 2005-05-31 2016-10-05 Arineta Ltd. Graded resolution field of view ct scanner
US7515678B2 (en) 2005-11-23 2009-04-07 General Electric Company Method and system for performing CT image reconstruction with motion artifact correction
WO2007092877A2 (en) 2006-02-07 2007-08-16 University Of Tennessee Research Foundation Variable resolution x-ray ct detector with target imaging capability
US7974377B2 (en) 2006-09-19 2011-07-05 General Electric Company X-ray detection methods and apparatus
US7916836B2 (en) * 2007-09-26 2011-03-29 General Electric Company Method and apparatus for flexibly binning energy discriminating data
US8437526B2 (en) 2007-12-05 2013-05-07 Siemens Medical Solutions Usa, Inc. System for adaptively processing medical image data
CN103648391B (zh) 2011-07-12 2016-08-17 皇家飞利浦有限公司 成像系统探测器校准
US11094058B2 (en) * 2015-08-14 2021-08-17 Elucid Bioimaging Inc. Systems and method for computer-aided phenotyping (CAP) using radiologic images
WO2017223560A1 (en) * 2016-06-24 2017-12-28 Rensselaer Polytechnic Institute Tomographic image reconstruction via machine learning
US11062489B2 (en) * 2018-02-13 2021-07-13 Wisconsin Alumni Research Foundation System and method for multi-architecture computed tomography pipeline
CN112602119A (zh) * 2018-09-03 2021-04-02 爱克发有限公司 一种生成对象的增强断层图像的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002233522A (ja) * 2000-12-12 2002-08-20 Ge Medical Systems Global Technology Co Llc 複数の動作モードをもつ低コストのマルチスライス型ｃｔ検出器
JP2008544766A (ja) * 2005-05-12 2008-12-11 ブラッコ イメージング エス．ピー．エー． デジタル画像のピクセルまたはボクセルをコーディングするための方法、およびデジタル画像を処理するための方法
JP2013198724A (ja) * 2012-02-24 2013-10-03 Toshiba Corp Ｘ線ｃｔ装置およびその制御プログラム
US20190205606A1 (en) * 2016-07-21 2019-07-04 Siemens Healthcare Gmbh Method and system for artificial intelligence based medical image segmentation
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

Also Published As

Publication number Publication date
JP7475979B2 (ja) 2024-04-30
US20210007694A1 (en) 2021-01-14
US11547378B2 (en) 2023-01-10

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
US11847761B2 (en) Medical image processing apparatus having a plurality of neural networks corresponding to different fields of view
JP7433883B2 (ja) 医用装置及びプログラム
US20230119427A1 (en) Apparatus and method for medical image reconstruction using deep learning for computed tomography (ct) image noise and artifacts reduction
US11026642B2 (en) Apparatuses and a method for artifact reduction in medical images using a neural network
US10945695B2 (en) Apparatus and method for dual-energy computed tomography (CT) image reconstruction using sparse kVp-switching and deep learning
JP7475979B2 (ja) Ｘ線システム及び撮像プログラム
JP2020036877A (ja) 反復的画像再構成フレームワーク
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
JP7451256B2 (ja) Ｘ線システム、画像処理装置及びプログラム
CN115777114A (zh) 针对ct图像去噪的3d-cnn处理
EP3764325B1 (en) System and program for avoiding focal spot blurring
US20220139006A1 (en) Information processing method, medical image diagnostic apparatus, and information processing system
US11672498B2 (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
EP3671647A1 (en) X-ray computed tomography (ct) system and method

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230330

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231031

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231031

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231226

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: 20240319

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240417