JP2021049424A - 組織パラメータ推定を用いたｍｒデータからの疑似ｃｔ生成 - Google Patents
組織パラメータ推定を用いたｍｒデータからの疑似ｃｔ生成 Download PDFInfo
- Publication number
- JP2021049424A JP2021049424A JP2020216068A JP2020216068A JP2021049424A JP 2021049424 A JP2021049424 A JP 2021049424A JP 2020216068 A JP2020216068 A JP 2020216068A JP 2020216068 A JP2020216068 A JP 2020216068A JP 2021049424 A JP2021049424 A JP 2021049424A
- Authority
- JP
- Japan
- Prior art keywords
- image
- images
- pseudo
- training
- tissue parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 claims abstract description 224
- 238000000034 method Methods 0.000 claims abstract description 122
- 238000002591 computed tomography Methods 0.000 claims description 303
- 230000015654 memory Effects 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims 1
- 210000001519 tissue Anatomy 0.000 description 105
- 239000013598 vector Substances 0.000 description 85
- 230000008569 process Effects 0.000 description 54
- 230000009467 reduction Effects 0.000 description 33
- 238000001959 radiotherapy Methods 0.000 description 28
- 238000011282 treatment Methods 0.000 description 25
- 230000005855 radiation Effects 0.000 description 18
- 230000011218 segmentation Effects 0.000 description 18
- 238000000605 extraction Methods 0.000 description 16
- 206010028980 Neoplasm Diseases 0.000 description 13
- 238000013145 classification model Methods 0.000 description 13
- 238000003384 imaging method Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 210000003128 head Anatomy 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 210000000056 organ Anatomy 0.000 description 8
- 210000003484 anatomy Anatomy 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 210000000988 bone and bone Anatomy 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 210000002307 prostate Anatomy 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101710082751 Carboxypeptidase S1 homolog A Proteins 0.000 description 1
- 102100023804 Coagulation factor VII Human genes 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000005003 heart tissue Anatomy 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 210000005228 liver tissue Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000002673 radiosurgery Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/4808—Multimodal MR, e.g. MR combined with positron emission tomography [PET], MR combined with ultrasound or MR combined with computed tomography [CT]
- G01R33/4812—MR combined with X-ray or computed tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- 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]
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pulmonology (AREA)
- High Energy & Nuclear Physics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Radiation-Therapy Devices (AREA)
- Image Analysis (AREA)
Abstract
【課題】マルチチャネルＭＲ画像を用いて疑似ＣＴ予測モデルを生成するためのシステム及び方法をが提供する。【解決手段】例示的なシステムは、複数の訓練対象のそれぞれについて、複数のマルチチャネルＭＲ画像と少なくともひとつのＣＴ画像を含む訓練グデータを取り出すように構成されたプロセッサを含むことができる。各訓練対象について、プロセッサは、複数のマルチチャネルＭＲ画像に基づいて少なくともひとつの組織パラメータマップを決定し、少なくともひとつのＣＴ画像に基づいてＣＴ値を得ることができる。プロセッサは、また、複数の訓練対象の組織パラメータマップ及びＣＴ値に基づいて疑似ＣＴ予測モデルを生成してもよい。【選択図】図８
Description
（関連出願との相互参照）
［００１］
本出願は、２０１５年１０月１３日に提出され、「特徴回帰モデルを用いたＭＲデータからの疑似ＣＴ生成」と題された代理人整理番号１２４７５．００４３−０００００に関連し、その全内容は参照により本明細書に組み込まれる。
［００１］
本出願は、２０１５年１０月１３日に提出され、「特徴回帰モデルを用いたＭＲデータからの疑似ＣＴ生成」と題された代理人整理番号１２４７５．００４３−０００００に関連し、その全内容は参照により本明細書に組み込まれる。
（技術分野）
［００２］
本開示は、一般に、放射線治療（radiation therapy）又は放射線療法（radiotherapy）に関する。より詳しくは、本開示は、放射線治療中に使用される放射線治療計画を開発する際に使用するために、ＭＲデータから疑似ＣＴ画像を生成するためのシステム及び方法に関する。
［００２］
本開示は、一般に、放射線治療（radiation therapy）又は放射線療法（radiotherapy）に関する。より詳しくは、本開示は、放射線治療中に使用される放射線治療計画を開発する際に使用するために、ＭＲデータから疑似ＣＴ画像を生成するためのシステム及び方法に関する。
［００３］
放射線療法は、哺乳動物（例えば、ヒト及び動物）組織における癌及び他の病気を治療するために使用される。そのような放射線治療技術のひとつはガンマナイフであり、それによって患者は標的（例えば、腫瘍）において高強度かつ高精度に収束する多数の低強度ガンマ線によって照射される。別の実施形態では、線形加速器を使用して放射線療法が提供され、それによって腫瘍が高エネルギー粒子（例えば、電子、プロトン、イオンなど）によって照射される。腫瘍が所定の放射線を確実に受けるように、放射線ビームの配置及び線量を正確に制御しなければならず、ビームの配置は周囲の健康な組織（しばしばリスク臓器（ＯＡＲｓ）と呼ばれる）への損傷を最小限に抑えるようなものでなければならない。医学の処方箋と同様に、医師が、腫瘍及び周囲の器官に所定量の放射線を指示するので、放射線は「処方された」と呼ばれる。
放射線療法は、哺乳動物（例えば、ヒト及び動物）組織における癌及び他の病気を治療するために使用される。そのような放射線治療技術のひとつはガンマナイフであり、それによって患者は標的（例えば、腫瘍）において高強度かつ高精度に収束する多数の低強度ガンマ線によって照射される。別の実施形態では、線形加速器を使用して放射線療法が提供され、それによって腫瘍が高エネルギー粒子（例えば、電子、プロトン、イオンなど）によって照射される。腫瘍が所定の放射線を確実に受けるように、放射線ビームの配置及び線量を正確に制御しなければならず、ビームの配置は周囲の健康な組織（しばしばリスク臓器（ＯＡＲｓ）と呼ばれる）への損傷を最小限に抑えるようなものでなければならない。医学の処方箋と同様に、医師が、腫瘍及び周囲の器官に所定量の放射線を指示するので、放射線は「処方された」と呼ばれる。
［００４］
従来、臨床及び線量測定の目的及び制約（例えば、腫瘍及び重要な器官への放射線の最大、最小及び平均線量）に基づく最適化技術を使用して、各患者について、放射線療法治療計画（「治療計画」）を作成することができる。治療計画手順は、標的領域（例えば、腫瘍）を同定し、腫瘍の近くの重要な器官を同定するために、患者の三次元画像を使用することを含むことができる。治療計画の作成は、計画作成者が個々の重要性（例えば、重み付け）を考慮して、臨床的に許容される治療計画を生成するために、様々な治療目的又は制約（例えば、線量量ヒストグラム（ＤＶＨ）目的）に従うことを試みる時間のかかるプロセスとなり得る。この作業は、リスク臓器（ＯＡＲｓ）の数が増える（例えば、頭頸部治療では１３個まで）につれてプロセスの複雑さが増すので、様々なリスク臓器（ＯＡＲｓ）によって複雑になり時間のかかる試行錯誤のプロセスとなり得る。腫瘍から離れたリスク臓器（ＯＡＲｓ）は、放射線から容易に逃げることができ、一方、標的腫瘍に近いか又は重複するリスク臓器（ＯＡＲｓ）は、逃げることが困難である。
従来、臨床及び線量測定の目的及び制約（例えば、腫瘍及び重要な器官への放射線の最大、最小及び平均線量）に基づく最適化技術を使用して、各患者について、放射線療法治療計画（「治療計画」）を作成することができる。治療計画手順は、標的領域（例えば、腫瘍）を同定し、腫瘍の近くの重要な器官を同定するために、患者の三次元画像を使用することを含むことができる。治療計画の作成は、計画作成者が個々の重要性（例えば、重み付け）を考慮して、臨床的に許容される治療計画を生成するために、様々な治療目的又は制約（例えば、線量量ヒストグラム（ＤＶＨ）目的）に従うことを試みる時間のかかるプロセスとなり得る。この作業は、リスク臓器（ＯＡＲｓ）の数が増える（例えば、頭頸部治療では１３個まで）につれてプロセスの複雑さが増すので、様々なリスク臓器（ＯＡＲｓ）によって複雑になり時間のかかる試行錯誤のプロセスとなり得る。腫瘍から離れたリスク臓器（ＯＡＲｓ）は、放射線から容易に逃げることができ、一方、標的腫瘍に近いか又は重複するリスク臓器（ＯＡＲｓ）は、逃げることが困難である。
［００５］
コンピュータ断層撮影（ＣＴ）画像は、伝統的に、放射線治療の治療計画のための画像データの主要なソースとして役立つ。ＣＴ画像は患者の幾何形状の正確な表現を提供し、ＣＴ値は放射線量計算のために電子密度（例えば、ハウンスフィールド単位（Hounsfield units））に直接変換することができる。しかし、ＣＴを使用すると、患者は追加の放射線量にさらされる。ＣＴ画像に加えて、磁気共鳴画像（ＭＲＩ）スキャンは、ＣＴ画像と比較してより優れた軟組織コントラストのために、放射線療法で使用することができる。ＭＲＩは電離放射線を含まず、組織代謝及び機能性などの人体の機能情報を捕捉するために使用することができる。
コンピュータ断層撮影（ＣＴ）画像は、伝統的に、放射線治療の治療計画のための画像データの主要なソースとして役立つ。ＣＴ画像は患者の幾何形状の正確な表現を提供し、ＣＴ値は放射線量計算のために電子密度（例えば、ハウンスフィールド単位（Hounsfield units））に直接変換することができる。しかし、ＣＴを使用すると、患者は追加の放射線量にさらされる。ＣＴ画像に加えて、磁気共鳴画像（ＭＲＩ）スキャンは、ＣＴ画像と比較してより優れた軟組織コントラストのために、放射線療法で使用することができる。ＭＲＩは電離放射線を含まず、組織代謝及び機能性などの人体の機能情報を捕捉するために使用することができる。
［００６］
したがって、より正確な構造輪郭形成のためにＣＴを補完するＭＲＩを使用することができる。しかしながら、ＭＲＩの強度値は電子密度に直接関係せず、線量計算に直接使用することはできない。したがって、ＭＲ画像を対応する導出画像、通常はＣＴ画像（しばしば「疑似ＣＴ画像（pseudo-CT image）」と呼ばれる）に変換することが望ましい。実際のＣＴ画像のような疑似ＣＴ画像は、線量計算のために電子密度に直接変換可能なＣＴ値を示すデータ点の集合を有する。したがって、ＭＲ画像から得られた疑似ＣＴ画像を用いて、放射線療法治療計画における患者線量計算を容易にすることができる。従って、ＣＴ撮像から生じる追加の放射線被曝から患者を守るためには、ＭＲ画像データを用いて疑似ＣＴ画像を正確に生成することが望ましい。必要なことは、疑似ＣＴ画像が「実際の」ＣＴ画像に置き換えることができることである。
したがって、より正確な構造輪郭形成のためにＣＴを補完するＭＲＩを使用することができる。しかしながら、ＭＲＩの強度値は電子密度に直接関係せず、線量計算に直接使用することはできない。したがって、ＭＲ画像を対応する導出画像、通常はＣＴ画像（しばしば「疑似ＣＴ画像（pseudo-CT image）」と呼ばれる）に変換することが望ましい。実際のＣＴ画像のような疑似ＣＴ画像は、線量計算のために電子密度に直接変換可能なＣＴ値を示すデータ点の集合を有する。したがって、ＭＲ画像から得られた疑似ＣＴ画像を用いて、放射線療法治療計画における患者線量計算を容易にすることができる。従って、ＣＴ撮像から生じる追加の放射線被曝から患者を守るためには、ＭＲ画像データを用いて疑似ＣＴ画像を正確に生成することが望ましい。必要なことは、疑似ＣＴ画像が「実際の」ＣＴ画像に置き換えることができることである。
［００７］
典型的には、疑似ＣＴ画像を生成するために、アトラス画像が使用される。アトラス画像は、派生画像を生成するために新しい画像をどのように変換するかを容易にするために参照として使用される既存の画像である。例えば、疑似ＣＴ画像生成コンテキストでは、アトラスＭＲ画像及びアトラスＣＴ画像を、新しいＭＲ画像から誘導ＣＴ画像を生成するための基準として使用することができる。新しいＭＲ画像の対象となる同じ患者の同じ関心領域のアトラス画像を事前に生成することができ、そこではこれらのアトラス画像を解析して関心のある構造を識別する。例えば、多くの治療又は診断状況では、患者は、治療又は診断の過程にわたって異なる時間に撮像に供される必要がある。しかしながら、これは必ずしも真実である必要はなく、例えば、アトラス画像は同じ人物の画像である必要はない。
典型的には、疑似ＣＴ画像を生成するために、アトラス画像が使用される。アトラス画像は、派生画像を生成するために新しい画像をどのように変換するかを容易にするために参照として使用される既存の画像である。例えば、疑似ＣＴ画像生成コンテキストでは、アトラスＭＲ画像及びアトラスＣＴ画像を、新しいＭＲ画像から誘導ＣＴ画像を生成するための基準として使用することができる。新しいＭＲ画像の対象となる同じ患者の同じ関心領域のアトラス画像を事前に生成することができ、そこではこれらのアトラス画像を解析して関心のある構造を識別する。例えば、多くの治療又は診断状況では、患者は、治療又は診断の過程にわたって異なる時間に撮像に供される必要がある。しかしながら、これは必ずしも真実である必要はなく、例えば、アトラス画像は同じ人物の画像である必要はない。
［００８］
アトラスＭＲ画像とアトラスＣＴ画像は、位置合わせ技術によって互いに位置合わせされる（アトラスＭＲ画像とアトラスＣＴ画像とが互いに「位置合わせ」されるか、アトラスＭＲ画像とアトラスＣＴ画像双方が「位置合わせ」するか）ことが好ましい。そのような位置合わせでは、被検体の特定の位置についてのアトラスＭＲ画像内のポイントを、同じ特定の位置についてのアトラスＣＴ画像内の所定のポイントにマッピングすることができる（逆もまた同様である）。しかしながら、この位置合わせにはある程度の誤差が存在する可能性がある。それ自体、アトラスＭＲ画像とアトラスＣＴ画像との間の位置合わせは完全ではない可能性がある。
アトラスＭＲ画像とアトラスＣＴ画像は、位置合わせ技術によって互いに位置合わせされる（アトラスＭＲ画像とアトラスＣＴ画像とが互いに「位置合わせ」されるか、アトラスＭＲ画像とアトラスＣＴ画像双方が「位置合わせ」するか）ことが好ましい。そのような位置合わせでは、被検体の特定の位置についてのアトラスＭＲ画像内のポイントを、同じ特定の位置についてのアトラスＣＴ画像内の所定のポイントにマッピングすることができる（逆もまた同様である）。しかしながら、この位置合わせにはある程度の誤差が存在する可能性がある。それ自体、アトラスＭＲ画像とアトラスＣＴ画像との間の位置合わせは完全ではない可能性がある。
［００９］
実際のＣＴ画像を置換するためには、疑似ＣＴ画像は、放射線療法治療計画における線量計算の目的で、又は画像のデジタル再構成放射線写真（ＤＲＲ）を生成するために、患者の実際のＣＴ画像に可能な限り近接しているべきである。しかしながら、ＣＴ画像強度値（ＣＴ値）とＭＲ強度値との間には単純な数学的関係はない。ＭＲ強度値は標準化されておらず、またＭＲ強度値は異なるＭＲスキャナ設定又は異なるＭＲ画像シーケンスパラメータに応じて大きく変化する可能性があるので、困難が生じる。したがって、ＭＲ画像の組織セグメンテーションに基づくＣＴ値を割り当てる、又は点比較及び重み付けされた組み合わせに基づくＣＴ値を割り当てるなどの既存の技法は非常に粗い割り当てのみを提供するだけで、結果的に真の解剖学的詳細を欠く疑似ＣＴ画像をもたらすことなる。
実際のＣＴ画像を置換するためには、疑似ＣＴ画像は、放射線療法治療計画における線量計算の目的で、又は画像のデジタル再構成放射線写真（ＤＲＲ）を生成するために、患者の実際のＣＴ画像に可能な限り近接しているべきである。しかしながら、ＣＴ画像強度値（ＣＴ値）とＭＲ強度値との間には単純な数学的関係はない。ＭＲ強度値は標準化されておらず、またＭＲ強度値は異なるＭＲスキャナ設定又は異なるＭＲ画像シーケンスパラメータに応じて大きく変化する可能性があるので、困難が生じる。したがって、ＭＲ画像の組織セグメンテーションに基づくＣＴ値を割り当てる、又は点比較及び重み付けされた組み合わせに基づくＣＴ値を割り当てるなどの既存の技法は非常に粗い割り当てのみを提供するだけで、結果的に真の解剖学的詳細を欠く疑似ＣＴ画像をもたらすことなる。
［０１０］
したがって、治療計画の線量計算のために実際のＣＴ画像を置き換えることが可能な改良された品質の疑似ＣＴ画像を生成し、画像誘導などのためにデジタル再構成放射線写真（ＤＲＲｓ:Digitally Reconstructed Radiographs）を生成する必要がある。
したがって、治療計画の線量計算のために実際のＣＴ画像を置き換えることが可能な改良された品質の疑似ＣＴ画像を生成し、画像誘導などのためにデジタル再構成放射線写真（ＤＲＲｓ:Digitally Reconstructed Radiographs）を生成する必要がある。
［０１１］
一態様において、本開示は、疑似ＣＴ予測モデルを生成するシステムを含む。システムは、複数の訓練対象のＭＲデータ及びＣＴデータを含む訓練データを格納するように構成されたデータベースを含むことができる。各訓練対象は、少なくともひとつのＭＲ画像及び少なくともひとつのＣＴ画像を有することができる。システムはまた、データベースに格納された情報にアクセスするためにデータベースに通信可能に結合されたプロセッサを含むことができる。システムは、プロセッサに通信可能に結合されたメモリをさらに含むことができる。メモリは、プロセッサによって実行されると、プロセッサが様々な操作を実行するように構成する命令を格納することができる。この操作は、データベースにアクセスして、複数の訓練対象のそれぞれについて少なくともひとつのＭＲ画像及び少なくともひとつのＣＴ画像を含む訓練データを取り出すことを含むことができる。この操作は、各訓練対象について、少なくともひとつのＭＲ画像の各画像点から複数の特徴を抽出すること、抽出された特徴に基づいて各画像点の特徴ベクトルを作成すること、及び少なくともひとつのＣＴ画像の各画像点からＣＴ値を抽出することを含むことができる。この操作は、また、複数の訓練対象の特徴ベクトル及びＣＴ値に基づいて疑似ＣＴ予測モデルを生成することを含むことができる。
一態様において、本開示は、疑似ＣＴ予測モデルを生成するシステムを含む。システムは、複数の訓練対象のＭＲデータ及びＣＴデータを含む訓練データを格納するように構成されたデータベースを含むことができる。各訓練対象は、少なくともひとつのＭＲ画像及び少なくともひとつのＣＴ画像を有することができる。システムはまた、データベースに格納された情報にアクセスするためにデータベースに通信可能に結合されたプロセッサを含むことができる。システムは、プロセッサに通信可能に結合されたメモリをさらに含むことができる。メモリは、プロセッサによって実行されると、プロセッサが様々な操作を実行するように構成する命令を格納することができる。この操作は、データベースにアクセスして、複数の訓練対象のそれぞれについて少なくともひとつのＭＲ画像及び少なくともひとつのＣＴ画像を含む訓練データを取り出すことを含むことができる。この操作は、各訓練対象について、少なくともひとつのＭＲ画像の各画像点から複数の特徴を抽出すること、抽出された特徴に基づいて各画像点の特徴ベクトルを作成すること、及び少なくともひとつのＣＴ画像の各画像点からＣＴ値を抽出することを含むことができる。この操作は、また、複数の訓練対象の特徴ベクトル及びＣＴ値に基づいて疑似ＣＴ予測モデルを生成することを含むことができる。
［０１２］
他の一態様において、本開示は、疑似ＣＴ画像を生成するためのシステムに関する。システムは、プロセッサと、プロセッサに通信可能に結合されたメモリとを含むことができる。メモリは、プロセッサによって実行されると、プロセッサが様々な操作を実行するように構成する命令を格納することができる。この操作は、患者のＭＲ画像を受信し、ＭＲ画像の各画像点から複数の特徴を抽出することを含むことができる。この操作は、また、抽出された特徴に基づいて各画像点の特徴ベクトルを生成することを含むことができる。この操作は、予測モデルを使用してその画像ポイントに対して作成された特徴ベクトルに基づいて各画像ポイントのＣＴ値を決定することをさらに含むことができる。この操作は、さらに、全ての画像点に対して決定されたＣＴ値に基づいて疑似ＣＴ画像を生成することを含むことができる。
他の一態様において、本開示は、疑似ＣＴ画像を生成するためのシステムに関する。システムは、プロセッサと、プロセッサに通信可能に結合されたメモリとを含むことができる。メモリは、プロセッサによって実行されると、プロセッサが様々な操作を実行するように構成する命令を格納することができる。この操作は、患者のＭＲ画像を受信し、ＭＲ画像の各画像点から複数の特徴を抽出することを含むことができる。この操作は、また、抽出された特徴に基づいて各画像点の特徴ベクトルを生成することを含むことができる。この操作は、予測モデルを使用してその画像ポイントに対して作成された特徴ベクトルに基づいて各画像ポイントのＣＴ値を決定することをさらに含むことができる。この操作は、さらに、全ての画像点に対して決定されたＣＴ値に基づいて疑似ＣＴ画像を生成することを含むことができる。
［０１３］
更なる一態様において、本開示は、患者の疑似ＣＴ予測画像を生成するシステムを含む。システムは、プロセッサと、プロセッサに通信可能に結合されたメモリとを含むことができる。メモリは、プロセッサによって実行されると、プロセッサが様々な操作を実行するように構成する命令を格納することができる。この操作は、患者のＭＲ画像を受信し、ＭＲ画像から複数の特徴を抽出することを含むことができる。この操作は、また、抽出された特徴に基づいて予測モデルを使用して中間画像を生成することを含むことができる。この操作は、中間画像からひとつ又はそれ以上の特徴を抽出することをさらに含むことができる。操作は、さらに、ＭＲ画像から抽出された複数の特徴及び中間画像から抽出されたひとつ又はそれ以上の特徴に基づいて患者の疑似ＣＴ画像を生成することを含むことができる。
更なる一態様において、本開示は、患者の疑似ＣＴ予測画像を生成するシステムを含む。システムは、プロセッサと、プロセッサに通信可能に結合されたメモリとを含むことができる。メモリは、プロセッサによって実行されると、プロセッサが様々な操作を実行するように構成する命令を格納することができる。この操作は、患者のＭＲ画像を受信し、ＭＲ画像から複数の特徴を抽出することを含むことができる。この操作は、また、抽出された特徴に基づいて予測モデルを使用して中間画像を生成することを含むことができる。この操作は、中間画像からひとつ又はそれ以上の特徴を抽出することをさらに含むことができる。操作は、さらに、ＭＲ画像から抽出された複数の特徴及び中間画像から抽出されたひとつ又はそれ以上の特徴に基づいて患者の疑似ＣＴ画像を生成することを含むことができる。
［０１４］
更なる一態様において、本開示は、疑似ＣＴ予測モデルを生成するためのシステムを含む。システムは、複数の訓練対象のマルチチャネルＭＲデータ及びＣＴデータを含む訓練データを格納するように構成されたデータベースを含むことができる。各訓練対象は、複数のＭＲ画像及び少なくともひとつのＣＴ画像を有することができる。システムは、また、データベースに格納された情報にアクセスするためにデータベースに通信可能に結合されたプロセッサを含むことができる。システムは、プロセッサに通信可能に結合されたメモリをさらに含むことができる。メモリは、プロセッサによって実行されると、プロセッサが様々な操作を実行するように構成する命令を格納することができる。この操作は、データベースにアクセスして、複数のＭＲ画像を含む訓練データ及び複数の訓練対象のそれぞれのための少なくともひとつのＣＴ画像を取り出すことを含むことができる。この操作は、各訓練対象について、複数のＭＲ画像に基づいて少なくともひとつの組織パラメータマップを決定し、少なくともひとつのＣＴ画像に基づいてＣＴ値を取得することを含むことができる。この操作は、また、組織パラメータマップ及び複数の訓練対象のＣＴ値に基づいて疑似ＣＴ予測モデルを生成することを含むことができる。
更なる一態様において、本開示は、疑似ＣＴ予測モデルを生成するためのシステムを含む。システムは、複数の訓練対象のマルチチャネルＭＲデータ及びＣＴデータを含む訓練データを格納するように構成されたデータベースを含むことができる。各訓練対象は、複数のＭＲ画像及び少なくともひとつのＣＴ画像を有することができる。システムは、また、データベースに格納された情報にアクセスするためにデータベースに通信可能に結合されたプロセッサを含むことができる。システムは、プロセッサに通信可能に結合されたメモリをさらに含むことができる。メモリは、プロセッサによって実行されると、プロセッサが様々な操作を実行するように構成する命令を格納することができる。この操作は、データベースにアクセスして、複数のＭＲ画像を含む訓練データ及び複数の訓練対象のそれぞれのための少なくともひとつのＣＴ画像を取り出すことを含むことができる。この操作は、各訓練対象について、複数のＭＲ画像に基づいて少なくともひとつの組織パラメータマップを決定し、少なくともひとつのＣＴ画像に基づいてＣＴ値を取得することを含むことができる。この操作は、また、組織パラメータマップ及び複数の訓練対象のＣＴ値に基づいて疑似ＣＴ予測モデルを生成することを含むことができる。
［０１５］
更なる一態様において、本開示は、疑似ＣＴ画像を生成するためのシステムに関する。システムは、プロセッサと、プロセッサに通信可能に結合されたメモリとを含むことができる。メモリは、プロセッサによって実行されると、プロセッサが様々な操作を実行するように構成する命令を格納することができる。この操作は、患者の複数のマルチチャネルＭＲ画像を受信し、複数のマルチチャネルＭＲ画像を少なくともひとつの組織パラメータマップに変換することを含むことができる。この操作は、また、少なくともひとつの組織パラメータマップに予測モデルを適用することによってＣＴ値を生成することを含むことができる。この操作は、予測モデルによって生成されたＣＴ値に基づいて疑似ＣＴ画像を生成することをさらに含むことができる。
更なる一態様において、本開示は、疑似ＣＴ画像を生成するためのシステムに関する。システムは、プロセッサと、プロセッサに通信可能に結合されたメモリとを含むことができる。メモリは、プロセッサによって実行されると、プロセッサが様々な操作を実行するように構成する命令を格納することができる。この操作は、患者の複数のマルチチャネルＭＲ画像を受信し、複数のマルチチャネルＭＲ画像を少なくともひとつの組織パラメータマップに変換することを含むことができる。この操作は、また、少なくともひとつの組織パラメータマップに予測モデルを適用することによってＣＴ値を生成することを含むことができる。この操作は、予測モデルによって生成されたＣＴ値に基づいて疑似ＣＴ画像を生成することをさらに含むことができる。
［０１６］
更なる一態様において、本開示は、疑似ＣＴ予測モデルを生成するためのコンピュータ実装方法を含む。この方法は、複数のマルチチャネルＭＲ画像を含む訓練データと、複数の訓練対象のそれぞれについての少なくともひとつのＣＴ画像とを取り出すことを含むことができる。この方法は、各訓練対象について、複数のマルチチャネルＭＲ画像に基づいて少なくともひとつの組織パラメータマップを決定し、少なくともひとつのＣＴ画像に基づいてＣＴ値を取得することを含むことができる。この方法は、また、組織パラメータマップ及び複数の訓練対象のＣＴ値に基づいて疑似ＣＴ予測モデルを生成することを含むことができる。
更なる一態様において、本開示は、疑似ＣＴ予測モデルを生成するためのコンピュータ実装方法を含む。この方法は、複数のマルチチャネルＭＲ画像を含む訓練データと、複数の訓練対象のそれぞれについての少なくともひとつのＣＴ画像とを取り出すことを含むことができる。この方法は、各訓練対象について、複数のマルチチャネルＭＲ画像に基づいて少なくともひとつの組織パラメータマップを決定し、少なくともひとつのＣＴ画像に基づいてＣＴ値を取得することを含むことができる。この方法は、また、組織パラメータマップ及び複数の訓練対象のＣＴ値に基づいて疑似ＣＴ予測モデルを生成することを含むことができる。
［０１７］
前述の一般的な説明及び以下の詳細な説明は、例示的及び説明的なものに過ぎず、特許請求されるような開示された実施形態を限定するものではないことを理解されたい。本開示のこれら及び他の特徴及び利点は、以下の説明、図面及び特許請求の範囲に記載される教示を検討することにより、当業者には明らかであろう。
前述の一般的な説明及び以下の詳細な説明は、例示的及び説明的なものに過ぎず、特許請求されるような開示された実施形態を限定するものではないことを理解されたい。本開示のこれら及び他の特徴及び利点は、以下の説明、図面及び特許請求の範囲に記載される教示を検討することにより、当業者には明らかであろう。
［０１８］
添付の図面は、本明細書に組み込まれ、本明細書の一部を構成し、開示された実施形態を説明し、説明及び請求項とともに開示された実施形態を説明する役割を果たす。そのような実施形態は例証的であり、本装置、システム、又は方法の網羅的又は排他的な実施形態であることを意図するものではない。必ずしも一定の縮尺で描かれていない図面では、同様の参照番号は異なる図で類似の構成要素を示すことがある。文字の接尾辞又は異なる文字の接尾辞を有する同様の数字は、同様の構成要素の異なる例を表すことがある。
添付の図面は、本明細書に組み込まれ、本明細書の一部を構成し、開示された実施形態を説明し、説明及び請求項とともに開示された実施形態を説明する役割を果たす。そのような実施形態は例証的であり、本装置、システム、又は方法の網羅的又は排他的な実施形態であることを意図するものではない。必ずしも一定の縮尺で描かれていない図面では、同様の参照番号は異なる図で類似の構成要素を示すことがある。文字の接尾辞又は異なる文字の接尾辞を有する同様の数字は、同様の構成要素の異なる例を表すことがある。
［０１９］
図１は、疑似ＣＴ予測モデルを構築するための例示的なプロセスの図である。
［０２０］
図２は、ＭＲ画像の各ボクセルから特徴を抽出する例示的なプロセスの図である。
［０２１］
図３は、図１の予測モジュールを使用して患者の疑似ＣＴ画像を生成する例示的なプロセスの図である。
［０２２］
図４Ａは、例示的な放射線治療システムを示す。
［０２３］
図４Ｂは、例示的な放射線治療装置であるガンマナイフを示す。
［０２４］
図４Ｃは、線形加速器である例示的な放射線治療装置を示す。
［０２５］
図５は、疑似ＣＴ予測モデルを構築し、疑似ＣＴ画像を生成するための例示的なシステムを示す。
［０２６］
図６は、疑似ＣＴ予測モデルを訓練及び構築するための例示的なプロセスのフローチャートである。
［０２７］
図７は、疑似ＣＴ画像を生成するために疑似ＣＴ予測モデルを使用する例示的なプロセスのフローチャートである。
［０２８］
図８は、多段式疑似ＣＴ予測モデルを訓練及び構築するための例示的プロセスの図である。
［０２９］
図９は、疑似ＣＴ画像を生成するために多段式疑似ＣＴ予測モデルを使用する例示的プロセスの図である。
［０３０］
図１０は、マルチチャネルＭＲスキャンから推定された組織パラメータを用いて疑似ＣＴ予測モデルを訓練するための例示的プロセスの図である。
［０３１］
図１１は、マルチチャネルＭＲデータを用いて疑似ＣＴ予測モデルを構築する例示的な方法のフローチャートである。
［０３２］
図１２は、マルチチャネルＭＲ画像を用いて患者の疑似ＣＴ画像を生成する例示的な方法のフローチャートである。
［０３３］
ここで、開示された実施形態を詳細に参照し、その例を添付図面に示す。便宜上、図面全体を通して同じ又は同様の部分を指すために同じ参照番号が使用される。
ここで、開示された実施形態を詳細に参照し、その例を添付図面に示す。便宜上、図面全体を通して同じ又は同様の部分を指すために同じ参照番号が使用される。
［０３４］
一実施形態では、ＭＲ画像から疑似ＣＴ画像（合成ＣＴ画像又は誘導ＣＴ画像とも称される）を作成するために、訓練モジュール及び予測モジュールを含む学習ベースの手法が提供される。訓練モジュールは、選択された位置についてひとつ又はそれ以上のＭＲ画像から抽出された特徴に基づいて任意の所与のボクセルのＣＴ値を予測するのに使用できる予測モデル（回帰モデルとも呼ばれる）を構築する。訓練中、複数の既存の患者からＭＲスキャン及びＣＴスキャンを収集して訓練データを形成する。訓練データは、既存の患者からの事前に整列されたＣＴ画像及びＭＲ画像の対を含む。ＣＴ画像及びＭＲ画像の各対について、対応するＭＲ値及びＣＴ値は既知であり、各ピクセル又はボクセル（２Ｄ及び３Ｄシナリオの両方を含む画像ポイントとも呼ばれる）について登録される。
一実施形態では、ＭＲ画像から疑似ＣＴ画像（合成ＣＴ画像又は誘導ＣＴ画像とも称される）を作成するために、訓練モジュール及び予測モジュールを含む学習ベースの手法が提供される。訓練モジュールは、選択された位置についてひとつ又はそれ以上のＭＲ画像から抽出された特徴に基づいて任意の所与のボクセルのＣＴ値を予測するのに使用できる予測モデル（回帰モデルとも呼ばれる）を構築する。訓練中、複数の既存の患者からＭＲスキャン及びＣＴスキャンを収集して訓練データを形成する。訓練データは、既存の患者からの事前に整列されたＣＴ画像及びＭＲ画像の対を含む。ＣＴ画像及びＭＲ画像の各対について、対応するＭＲ値及びＣＴ値は既知であり、各ピクセル又はボクセル（２Ｄ及び３Ｄシナリオの両方を含む画像ポイントとも呼ばれる）について登録される。
［０３５］
予測モデルは、訓練データを使用して訓練することができる。訓練段階の間、収集された訓練データに回帰法（例えば、統計学習、回帰分析、機械学習など）を使用してモデルを訓練することができる。予測モデルが訓練された後、そのモデルは、予測モジュールによって使用されて、患者画像の各画像ポイントのＣＴ値を予測することができる。したがって、訓練されたモデルを使用して、同じ又は異なる患者に対して、任意の将来のスキャンのＭＲデータからの疑似ＣＴ画像を作成することができる。
予測モデルは、訓練データを使用して訓練することができる。訓練段階の間、収集された訓練データに回帰法（例えば、統計学習、回帰分析、機械学習など）を使用してモデルを訓練することができる。予測モデルが訓練された後、そのモデルは、予測モジュールによって使用されて、患者画像の各画像ポイントのＣＴ値を予測することができる。したがって、訓練されたモデルを使用して、同じ又は異なる患者に対して、任意の将来のスキャンのＭＲデータからの疑似ＣＴ画像を作成することができる。
［０３６］
図１は、開示された実施形態と一致する、疑似ＣＴ予測モデル１５０を構築するための例示的なプロセスのフローチャートを示す。図に示すように、一実施形態は、訓練モジュールと予測モジュールとを含む学習ベースのアプローチである。訓練モジュールは、ひとつ又はそれ以上の新しいＭＲスキャンに基づいて疑似ＣＴ値を予測するために予測モジュールによって使用されることができる回帰モデル（例えば、疑似ＣＴモデル１５０）を作成する。
図１は、開示された実施形態と一致する、疑似ＣＴ予測モデル１５０を構築するための例示的なプロセスのフローチャートを示す。図に示すように、一実施形態は、訓練モジュールと予測モジュールとを含む学習ベースのアプローチである。訓練モジュールは、ひとつ又はそれ以上の新しいＭＲスキャンに基づいて疑似ＣＴ値を予測するために予測モジュールによって使用されることができる回帰モデル（例えば、疑似ＣＴモデル１５０）を作成する。
［０３７］
一実施形態では、訓練データ１１０は、既存の患者又は対象（総称して「訓練対象」と呼ばれる）から収集することができる。訓練対象は、疑似ＣＴ予測モデル１５０を構築するために使用される、以前に撮影されたＭＲスキャン及び対応するＣＴスキャンの両方を有することができる。訓練データ１１０は、少なくともひとつのＭＲスキャン及び少なくともひとつのＣＴスキャン（例えば、訓練対象データ１１０ａ−１１０Ｎ）を有する複数の訓練対象のデータを含むことができる。訓練データを提供する訓練対象の数が多いほど（例えば、データセットが大きいほど）、
より小さいデータセットからなるモデルと比較して、より良好な疑似ＣＴ予測モデルが生成される。訓練対象データ１１０ａ−１１０Ｎは、予め整列されたＭＲ画像及びＣＴ画像の対を含む。ＭＲ画像とＣＴ画像は別々に取得することができる。したがって、画像が互いに重ね合わされている場合、それらは通常一致しない。したがって、当技術分野で知られているように、ＭＲ画像及びＣＴ画像を事前に整列させるために画像位置合わせが使用される。いくつかの実施形態によれば、訓練対象に関連するＭＲスキャンは、疑似ＣＴ画像が所望される新しい患者のＭＲスキャンのものと同じＭＲスキャナによって生成することができる。他の実施形態では、訓練対象に関連するＭＲスキャンは、異なるＭＲスキャナによって生成されてもよい。さらに、単一の訓練対象に関連する複数のＭＲスキャンは、より正確な疑似ＣＴ生成結果を提供するために、異なるコントラスト特性（例えば、Ｔ１加重、Ｔ２加重など）のＭＲスキャンを含むことができる。
一実施形態では、訓練データ１１０は、既存の患者又は対象（総称して「訓練対象」と呼ばれる）から収集することができる。訓練対象は、疑似ＣＴ予測モデル１５０を構築するために使用される、以前に撮影されたＭＲスキャン及び対応するＣＴスキャンの両方を有することができる。訓練データ１１０は、少なくともひとつのＭＲスキャン及び少なくともひとつのＣＴスキャン（例えば、訓練対象データ１１０ａ−１１０Ｎ）を有する複数の訓練対象のデータを含むことができる。訓練データを提供する訓練対象の数が多いほど（例えば、データセットが大きいほど）、
より小さいデータセットからなるモデルと比較して、より良好な疑似ＣＴ予測モデルが生成される。訓練対象データ１１０ａ−１１０Ｎは、予め整列されたＭＲ画像及びＣＴ画像の対を含む。ＭＲ画像とＣＴ画像は別々に取得することができる。したがって、画像が互いに重ね合わされている場合、それらは通常一致しない。したがって、当技術分野で知られているように、ＭＲ画像及びＣＴ画像を事前に整列させるために画像位置合わせが使用される。いくつかの実施形態によれば、訓練対象に関連するＭＲスキャンは、疑似ＣＴ画像が所望される新しい患者のＭＲスキャンのものと同じＭＲスキャナによって生成することができる。他の実施形態では、訓練対象に関連するＭＲスキャンは、異なるＭＲスキャナによって生成されてもよい。さらに、単一の訓練対象に関連する複数のＭＲスキャンは、より正確な疑似ＣＴ生成結果を提供するために、異なるコントラスト特性（例えば、Ｔ１加重、Ｔ２加重など）のＭＲスキャンを含むことができる。
［０３８］
画像特徴抽出モジュール１１１を使用して、訓練データ１１０に関連するＭＲ画像から画像特徴を抽出することができる。画像特徴は、ＭＲボクセルの数値（例えば、強度値、特徴の座標位置など）又はカテゴリ特性（例えば、組織タイプ、構造ラベルなど）を参照することができる。例えば、「濃淡特徴」は、ＭＲボクセルの強度値を参照することができる。しかしながら、単一のＭＲ特徴は、疑似ＣＴ画像を生成するためにＭＲボクセルを適切に表現するには不十分である可能性がある。例えば、単独で取られたＭＲボクセルの強度値は、ＣＴ推定のためのあいまいな表現を提供する。単一強度値は、とりわけ、同じ強度レベルの２つのＭＲボクセルが、異なるＣＴ値を有する異なる組織（例えば、骨及び空気）に属し得るため、曖昧である。本明細書で使用される用語「組織」は分類を参照し、単に特定のタイプの組織を示唆するものではない。例えば、空気は組織ではない。したがって、ＭＲボクセルのより明確な記述を提供するために、ＭＲスキャンの各ＭＲボクセルの複数の特徴タイプが抽出される。
画像特徴抽出モジュール１１１を使用して、訓練データ１１０に関連するＭＲ画像から画像特徴を抽出することができる。画像特徴は、ＭＲボクセルの数値（例えば、強度値、特徴の座標位置など）又はカテゴリ特性（例えば、組織タイプ、構造ラベルなど）を参照することができる。例えば、「濃淡特徴」は、ＭＲボクセルの強度値を参照することができる。しかしながら、単一のＭＲ特徴は、疑似ＣＴ画像を生成するためにＭＲボクセルを適切に表現するには不十分である可能性がある。例えば、単独で取られたＭＲボクセルの強度値は、ＣＴ推定のためのあいまいな表現を提供する。単一強度値は、とりわけ、同じ強度レベルの２つのＭＲボクセルが、異なるＣＴ値を有する異なる組織（例えば、骨及び空気）に属し得るため、曖昧である。本明細書で使用される用語「組織」は分類を参照し、単に特定のタイプの組織を示唆するものではない。例えば、空気は組織ではない。したがって、ＭＲボクセルのより明確な記述を提供するために、ＭＲスキャンの各ＭＲボクセルの複数の特徴タイプが抽出される。
［０３９］
複数のＭＲ画像又はマルチチャネルＭＲ画像では、豊富な一連の画像ベースの特徴を抽出することができ、より多くの情報を提供し、より正確な疑似ＣＴ予測に導かれる。画像特徴抽出モジュール１１１を使用して、各画像又は各チャネルから別々に特徴（例えば、ＭＲ特徴ベクトル１２０）を抽出することができる。
複数のＭＲ画像又はマルチチャネルＭＲ画像では、豊富な一連の画像ベースの特徴を抽出することができ、より多くの情報を提供し、より正確な疑似ＣＴ予測に導かれる。画像特徴抽出モジュール１１１を使用して、各画像又は各チャネルから別々に特徴（例えば、ＭＲ特徴ベクトル１２０）を抽出することができる。
［０４０］
結果として得られるＭＲ特徴ベクトル１２０は、各々が訓練対象のＭＲスキャン（例えば、画像ベクトルセット１２０ａ−１２０Ｎ）に関連する収集された画像特徴ベクトルの複数のセットを含むことができる。各画像特徴ベクトルセット１２０ａ−１２０Ｎは、複数の特徴ベクトルを含むことができる。例えば、所与の特徴ベクトルセット（例えば、１２０ａ）の各列は、ベクトルのエレメントとして複数の特徴を含む特徴ベクトルを表すことができる。特徴ベクトルの複数の特徴は、例えば、訓練対象のＭＲ走査／画像の画像ポイント（例えば、ボクセル）に関連する異なるタイプの画像特徴を表す。特徴ベクトル内の特徴要素の数（例えば、列内のエレメントの数）は、特徴ベクトルの次元に参照される。いくつかの実施形態では、特徴ベクトルを、行又は他の適切な形態で配置することもできる。開示された実施形態による特徴抽出は、図２を参照して、以下でさらに詳細に説明される。
結果として得られるＭＲ特徴ベクトル１２０は、各々が訓練対象のＭＲスキャン（例えば、画像ベクトルセット１２０ａ−１２０Ｎ）に関連する収集された画像特徴ベクトルの複数のセットを含むことができる。各画像特徴ベクトルセット１２０ａ−１２０Ｎは、複数の特徴ベクトルを含むことができる。例えば、所与の特徴ベクトルセット（例えば、１２０ａ）の各列は、ベクトルのエレメントとして複数の特徴を含む特徴ベクトルを表すことができる。特徴ベクトルの複数の特徴は、例えば、訓練対象のＭＲ走査／画像の画像ポイント（例えば、ボクセル）に関連する異なるタイプの画像特徴を表す。特徴ベクトル内の特徴要素の数（例えば、列内のエレメントの数）は、特徴ベクトルの次元に参照される。いくつかの実施形態では、特徴ベクトルを、行又は他の適切な形態で配置することもできる。開示された実施形態による特徴抽出は、図２を参照して、以下でさらに詳細に説明される。
［０４１］
図２は、開示された実施形態と一致する特徴抽出プロセスを示す。患者（例えば、ＭＲ対象２１０）のＭＲスキャンの各ＭＲボクセルについて複数の画像特徴を抽出することができる。図２に示すように、抽出された画像特徴は、局所パターン特徴２１２、ランドマーク特徴２１４、コンテキスト特徴２１６、及び様々な他のタイプの特徴２１８を含むことができる。これらの特徴の各々は、集合的に図２の特徴ベクトル列を形成する小さなブロックとして示されるひとつ又はそれ以上の特徴要素によって表されてもよい。特徴は、画像ピクセル（２Ｄ）、画像ボクセル（３Ｄ）、又は画像ポイントの集合（例えば、２Ｄ又は３Ｄの画像パッチ）に関連付けることができる。例えば、図２は、ボクセルｉ、ボクセルｉ＋１、．．．、ボクセルＭに関連する特徴ベクトル（例えば、列）を示す。複数の特徴ベクトル、例えば、ＭＲ画像の複数のボクセル（例えば、ボクセルｉ〜Ｍ）に関連する特徴ベクトルの集合は、訓練対象ａに対応する特徴ベクトル集合１２０ａを形成することができる。
図２は、開示された実施形態と一致する特徴抽出プロセスを示す。患者（例えば、ＭＲ対象２１０）のＭＲスキャンの各ＭＲボクセルについて複数の画像特徴を抽出することができる。図２に示すように、抽出された画像特徴は、局所パターン特徴２１２、ランドマーク特徴２１４、コンテキスト特徴２１６、及び様々な他のタイプの特徴２１８を含むことができる。これらの特徴の各々は、集合的に図２の特徴ベクトル列を形成する小さなブロックとして示されるひとつ又はそれ以上の特徴要素によって表されてもよい。特徴は、画像ピクセル（２Ｄ）、画像ボクセル（３Ｄ）、又は画像ポイントの集合（例えば、２Ｄ又は３Ｄの画像パッチ）に関連付けることができる。例えば、図２は、ボクセルｉ、ボクセルｉ＋１、．．．、ボクセルＭに関連する特徴ベクトル（例えば、列）を示す。複数の特徴ベクトル、例えば、ＭＲ画像の複数のボクセル（例えば、ボクセルｉ〜Ｍ）に関連する特徴ベクトルの集合は、訓練対象ａに対応する特徴ベクトル集合１２０ａを形成することができる。
［０４２］
潜在的な画像特徴の非限定的なリストは次のものを含む。
・強度の特徴：複数のスケールでのＭＲ画像強度値−生の強度値、又はＭＲ強度バイアス補正及び／又はＭＲ強度標準化・正規化のような前処理の後のいずれか。
・ランドマークベースの特徴：ひとつ又はそれ以上のランドマーク点に関して所与のボクセルについて計算される相対位置、距離または他の幾何学的特徴（例えば、脳の前交連−後交連（anterior commissure-posterior commissure）（ＡＣ−ＰＣ）点、各眼球の中心など）。
・コンテキストの特徴：所与の点の特定の近傍位置で計算される任意の他の画像特徴。
・位置の特徴：各ボクセルの正規化された座標。正規化は、例えば、線形又は非線形の画像位置合わせのいずれかを使用して、各画像を共通の基準フレームに位置合わせすることによって達成することができる。
・パッチの特徴：パッチは、いくつかの実施形態では、特徴が計算される画像ボクセルを取り囲む画像のサブ領域またはサブセットを参照することができる。例えば、パッチは５×５×５ボクセルのサイズを含み、１２５ボクセル位置の画像強度値はパッチの中心の点の１２５個の特徴要素に関連させることができる。
・高レベルの特徴はひとつ又はそれ以上のパッチから導き出すことができる：これらのタイプの特徴は、ＳＩＦＴ（スケール不変特徴変換：Scale-invariant feature transform）、ＳＵＲＦ（スピードアップロバスト特徴：Speeded Up Robust Features）、ＧＬＯＨ（勾配位置及びオリエンテーションヒストグラム:Gradient Location and Orientation Histogram）、ＬＢＰ（ローカルバイナリパターン：local binary patterns）、又はＨＯＧ（指向勾配のヒストグラム：Histogram of Oriented Gradients）などのような当該技術分野で知られている様々な特徴記述子を含むことができる。そのような特徴は、考慮中のボクセルを含む各２Ｄ画像スライスについて計算されてもよく、さらに、そのような特徴は、一実施形態では３Ｄ画像に拡張されてもよい、
・テクスチャの特徴：エネルギー、エントロピー、コントラスト、均質性、及び局所画像のグレースケール共出現行列の相関性、及びガボールフィルタ（Gabor filters）などで画像をフィルタリングすることによって計算されたものなど。
・ジョイントの特徴：複数のＭＲ画像（例えば、Ｔ１強調、Ｔ２強調など）が所定の訓練対象に関連付けられている場合など。そのような場合、強度、パッチ、テクスチャなどの特徴は、その後の組み合わせのために各ＭＲスキャンから独立して抽出することができる。さらに、複数のＭＲスキャン間の相関を特徴付ける特徴は、各ボクセル位置、例えば局所関節ヒストグラム及び／又は局所相互相関、又は複数のＭＲチャネルの共分散で計算することができる。
・少なくともひとつの線形又は非線形フィルタ（例えば、局部位相、勾配、曲率、エッジ検出器、又はコーナー検出器など）を有する画像の畳み込みから得られる特徴。
・画像の変換（例えば、フーリエ変換、ヒルベルト変換、ラドン変換、距離変換、離散コサイン変換、ウェーブレット変換など）によって得られる特徴。
・領域共分散特徴：局所的な小領域内の上記の点ごとの特徴のいずれかの共分散。
・分類ベースの特徴。これについては、以下で詳しく説明する。
潜在的な画像特徴の非限定的なリストは次のものを含む。
・強度の特徴：複数のスケールでのＭＲ画像強度値−生の強度値、又はＭＲ強度バイアス補正及び／又はＭＲ強度標準化・正規化のような前処理の後のいずれか。
・ランドマークベースの特徴：ひとつ又はそれ以上のランドマーク点に関して所与のボクセルについて計算される相対位置、距離または他の幾何学的特徴（例えば、脳の前交連−後交連（anterior commissure-posterior commissure）（ＡＣ−ＰＣ）点、各眼球の中心など）。
・コンテキストの特徴：所与の点の特定の近傍位置で計算される任意の他の画像特徴。
・位置の特徴：各ボクセルの正規化された座標。正規化は、例えば、線形又は非線形の画像位置合わせのいずれかを使用して、各画像を共通の基準フレームに位置合わせすることによって達成することができる。
・パッチの特徴：パッチは、いくつかの実施形態では、特徴が計算される画像ボクセルを取り囲む画像のサブ領域またはサブセットを参照することができる。例えば、パッチは５×５×５ボクセルのサイズを含み、１２５ボクセル位置の画像強度値はパッチの中心の点の１２５個の特徴要素に関連させることができる。
・高レベルの特徴はひとつ又はそれ以上のパッチから導き出すことができる：これらのタイプの特徴は、ＳＩＦＴ（スケール不変特徴変換：Scale-invariant feature transform）、ＳＵＲＦ（スピードアップロバスト特徴：Speeded Up Robust Features）、ＧＬＯＨ（勾配位置及びオリエンテーションヒストグラム:Gradient Location and Orientation Histogram）、ＬＢＰ（ローカルバイナリパターン：local binary patterns）、又はＨＯＧ（指向勾配のヒストグラム：Histogram of Oriented Gradients）などのような当該技術分野で知られている様々な特徴記述子を含むことができる。そのような特徴は、考慮中のボクセルを含む各２Ｄ画像スライスについて計算されてもよく、さらに、そのような特徴は、一実施形態では３Ｄ画像に拡張されてもよい、
・テクスチャの特徴：エネルギー、エントロピー、コントラスト、均質性、及び局所画像のグレースケール共出現行列の相関性、及びガボールフィルタ（Gabor filters）などで画像をフィルタリングすることによって計算されたものなど。
・ジョイントの特徴：複数のＭＲ画像（例えば、Ｔ１強調、Ｔ２強調など）が所定の訓練対象に関連付けられている場合など。そのような場合、強度、パッチ、テクスチャなどの特徴は、その後の組み合わせのために各ＭＲスキャンから独立して抽出することができる。さらに、複数のＭＲスキャン間の相関を特徴付ける特徴は、各ボクセル位置、例えば局所関節ヒストグラム及び／又は局所相互相関、又は複数のＭＲチャネルの共分散で計算することができる。
・少なくともひとつの線形又は非線形フィルタ（例えば、局部位相、勾配、曲率、エッジ検出器、又はコーナー検出器など）を有する画像の畳み込みから得られる特徴。
・画像の変換（例えば、フーリエ変換、ヒルベルト変換、ラドン変換、距離変換、離散コサイン変換、ウェーブレット変換など）によって得られる特徴。
・領域共分散特徴：局所的な小領域内の上記の点ごとの特徴のいずれかの共分散。
・分類ベースの特徴。これについては、以下で詳しく説明する。
［０４３］
図２に示すように、ＭＲ画像ボクセルに関連する特徴の集合は、単一のベクトル（例えば、ボクセルｉ、ボクセルｉ＋１、．．．、ボクセルＭに関連するベクトル）で表すことができる。
図２に示すように、ＭＲ画像ボクセルに関連する特徴の集合は、単一のベクトル（例えば、ボクセルｉ、ボクセルｉ＋１、．．．、ボクセルＭに関連するベクトル）で表すことができる。
［０４４］
図１に戻ると、画像特徴の抽出に際して、ＭＲ特徴ベクトル１２０は、複数の次元を有することができる（例えば、図２に示すように、特徴ベクトル内の各特徴要素は次元と見なすことができる）。しかしながら、ＭＲ画像からの抽出された特徴の数が増加すると、予測モデルを作成するタスクを達成することがより困難になる。これは、各患者の画像が通常何百万ものボクセルを含み、各ボクセルが多数の特徴と関連している可能性があるからである。したがって、複数の既存の全ての患者からの全ての画像の全てのボクセルから抽出された特徴が予測モデルを構築するために使用される場合、そのような莫大な量のデータを処理するための計算コストは非常に高価になる。その結果、実用的な次元数は、計算コストと比較して利用可能なコンピュータの処理能力に依存する。さらに、抽出された特徴を処理することから生じる予測モデルの性能は、特徴の次元の数に比例しないことがある。場合によっては、特徴の次元の数が増えるにつれて、両方の特徴が処理に含まれると、ある特徴の影響が他の特徴によりキャンセルされたり、弱められたりすることがあるので、予測モデルの性能が低下することがある。多数の特徴は、また、新しいＭＲデータに基づいて疑似ＣＴ画像を決定するために予測モデルを使用する際に容認できない計算コストを引き起こす可能性がある。したがって、一実施形態では、次元低減モジュール１３２を使用して、ＭＲ特徴によって提供される識別情報を実質的に失うことなく、低減された次元特徴ベクトル１４０を生成することができる。次元低減モジュール１３２は、元の次元数を減らすときに、元の特徴ベクトルから関連情報の大部分を取得するために使用する。例えば、ＭＲ特徴ベクトル１２０のいくつかの次元は、除去可能な疑似ＣＴ画像を生成することと無関係なノイズ又は他の情報を含む。他の次元には、特徴によって提供される特有の情報のよりコンパクトな表現のために組み合わせる、又は合理化できる冗長な情報が含まれている場合がある。例えば、元のデータがガウス分布に適合する場合、元のデータの平均及び標準偏差を用いて元のデータを表すことによって、元のデータの全体的な寸法を縮小することができる。このような次元削減方法により、元のデータが変換される。いくつかの実施形態では、次元数の削減のレベルは、元の特徴ベクトルを使用すること（すなわち削減なし）から任意の所定のレベルの次元を使用すること（例えば、特徴ベクトルの削減されたセットを使用すること）までに及ぶことができる。したがって、一実施形態では、次元削減モジュール１３２はオプションであり、元の特徴ベクトルを使用して疑似ＣＴモデル１５０を生成することができる。
図１に戻ると、画像特徴の抽出に際して、ＭＲ特徴ベクトル１２０は、複数の次元を有することができる（例えば、図２に示すように、特徴ベクトル内の各特徴要素は次元と見なすことができる）。しかしながら、ＭＲ画像からの抽出された特徴の数が増加すると、予測モデルを作成するタスクを達成することがより困難になる。これは、各患者の画像が通常何百万ものボクセルを含み、各ボクセルが多数の特徴と関連している可能性があるからである。したがって、複数の既存の全ての患者からの全ての画像の全てのボクセルから抽出された特徴が予測モデルを構築するために使用される場合、そのような莫大な量のデータを処理するための計算コストは非常に高価になる。その結果、実用的な次元数は、計算コストと比較して利用可能なコンピュータの処理能力に依存する。さらに、抽出された特徴を処理することから生じる予測モデルの性能は、特徴の次元の数に比例しないことがある。場合によっては、特徴の次元の数が増えるにつれて、両方の特徴が処理に含まれると、ある特徴の影響が他の特徴によりキャンセルされたり、弱められたりすることがあるので、予測モデルの性能が低下することがある。多数の特徴は、また、新しいＭＲデータに基づいて疑似ＣＴ画像を決定するために予測モデルを使用する際に容認できない計算コストを引き起こす可能性がある。したがって、一実施形態では、次元低減モジュール１３２を使用して、ＭＲ特徴によって提供される識別情報を実質的に失うことなく、低減された次元特徴ベクトル１４０を生成することができる。次元低減モジュール１３２は、元の次元数を減らすときに、元の特徴ベクトルから関連情報の大部分を取得するために使用する。例えば、ＭＲ特徴ベクトル１２０のいくつかの次元は、除去可能な疑似ＣＴ画像を生成することと無関係なノイズ又は他の情報を含む。他の次元には、特徴によって提供される特有の情報のよりコンパクトな表現のために組み合わせる、又は合理化できる冗長な情報が含まれている場合がある。例えば、元のデータがガウス分布に適合する場合、元のデータの平均及び標準偏差を用いて元のデータを表すことによって、元のデータの全体的な寸法を縮小することができる。このような次元削減方法により、元のデータが変換される。いくつかの実施形態では、次元数の削減のレベルは、元の特徴ベクトルを使用すること（すなわち削減なし）から任意の所定のレベルの次元を使用すること（例えば、特徴ベクトルの削減されたセットを使用すること）までに及ぶことができる。したがって、一実施形態では、次元削減モジュール１３２はオプションであり、元の特徴ベクトルを使用して疑似ＣＴモデル１５０を生成することができる。
［０４５］
次元削減モジュール１３２が利用される場合、次元削減モジュール１３２によって使用される次元削減技法には、（１）教師なし次元削減と（２）教師あり次元削減の少なくとも２つのタイプの技法を含むことができる。典型的には、教師あり次元削減は、後述するように、教師なし次元削減よりも優れている。
次元削減モジュール１３２が利用される場合、次元削減モジュール１３２によって使用される次元削減技法には、（１）教師なし次元削減と（２）教師あり次元削減の少なくとも２つのタイプの技法を含むことができる。典型的には、教師あり次元削減は、後述するように、教師なし次元削減よりも優れている。
［０４６］
教師なし次元削減は、重要でない雑音及びデータ冗長性を除去し、入力としてＭＲ特徴ベクトル１２０のみを必要とすることができる。一般的な教師なし次元削減技法には、例えば、主成分分析（ＰＣＡ）及びその非線形バージョン、カーネル主成分分析（ＫＰＣＡ）が含まれる。
教師なし次元削減は、重要でない雑音及びデータ冗長性を除去し、入力としてＭＲ特徴ベクトル１２０のみを必要とすることができる。一般的な教師なし次元削減技法には、例えば、主成分分析（ＰＣＡ）及びその非線形バージョン、カーネル主成分分析（ＫＰＣＡ）が含まれる。
［０４７］
教師なし次元削減は、他の関心あるデータを利用して、疑似ＣＴ画像を生成するのに無関係な次元をさらに除くことができる。例えば、ＣＴ値１３０は、次元削減のために使用されてもよい。訓練データ１１０のＣＴスキャンデータからＣＴ値１３０（例えば、元のＣＴ値又はＣＴ数）を得ることができる。教師あり次元削減は、ＭＲ特徴ベクトル１２０とＣＴ値１３０の両方を入力とすることができる。教師あり次元削減技法には、例えば、正準成分分析（ＣＣＡ）、メトリック学習（ＭＬ）、主成分分析（ＳＰＣＡ）、局所感性ハッシング（ＬＳＨ）、局所感性弁別分析（ＬＳＤＡ）などがある。関心のあるデータを離散クラスラベルに関連付けることを必要とする次元削減技法では、訓練データ１１０のＣＴスキャン又はＭＲスキャンに画像セグメンテーションを適用して、クラスラベルとして使用できるセグメンテーションクラスを得ることができる。
教師なし次元削減は、他の関心あるデータを利用して、疑似ＣＴ画像を生成するのに無関係な次元をさらに除くことができる。例えば、ＣＴ値１３０は、次元削減のために使用されてもよい。訓練データ１１０のＣＴスキャンデータからＣＴ値１３０（例えば、元のＣＴ値又はＣＴ数）を得ることができる。教師あり次元削減は、ＭＲ特徴ベクトル１２０とＣＴ値１３０の両方を入力とすることができる。教師あり次元削減技法には、例えば、正準成分分析（ＣＣＡ）、メトリック学習（ＭＬ）、主成分分析（ＳＰＣＡ）、局所感性ハッシング（ＬＳＨ）、局所感性弁別分析（ＬＳＤＡ）などがある。関心のあるデータを離散クラスラベルに関連付けることを必要とする次元削減技法では、訓練データ１１０のＣＴスキャン又はＭＲスキャンに画像セグメンテーションを適用して、クラスラベルとして使用できるセグメンテーションクラスを得ることができる。
［０４８］
ＣＴ値１３０は、次元削減モジュール１３２によって利用されて、訓練データ１１０内のどの信号が基礎となるＣＴ値に関連するかを決定することができる。元のＣＴ値を使用すると、無関係な信号を抑制し、関連する信号を維持することができる。一般に、各訓練対象について少なくともひとつのＣＴ画像が利用可能であるべきである。いくつかの実施形態では、複数のＣＴ画像が利用可能であってもよい。画像ノイズを低減するために、より多くのＣＴスキャンを平均化することができ、それによって、次元削減モジュール１３２の有効性が改善される。次元削減モジュール１３２の出力は、縮小次元特徴ベクトル１４０である。
ＣＴ値１３０は、次元削減モジュール１３２によって利用されて、訓練データ１１０内のどの信号が基礎となるＣＴ値に関連するかを決定することができる。元のＣＴ値を使用すると、無関係な信号を抑制し、関連する信号を維持することができる。一般に、各訓練対象について少なくともひとつのＣＴ画像が利用可能であるべきである。いくつかの実施形態では、複数のＣＴ画像が利用可能であってもよい。画像ノイズを低減するために、より多くのＣＴスキャンを平均化することができ、それによって、次元削減モジュール１３２の有効性が改善される。次元削減モジュール１３２の出力は、縮小次元特徴ベクトル１４０である。
［０４９］
訓練データが収集され、処理されると（例えば、画像特徴抽出、次元削減技術などに供されると）、疑似ＣＴ予測モデル１５０は、統計学習又は機械学習技術のいずれかを使用して構築することができる。ひとつの実施形態では、回帰分析を使用して、疑似ＣＴ予測モデル１５０を構築することができる。回帰分析は、変数間の関係を推定するための統計的プロセスである。回帰分析を行うための多くの既知の方法がある。例えば、線形回帰又は一般最小二乗回帰は、回帰関数が訓練データから推定できる有限数の未知モデルパラメータに関して定義される点で「パラメトリック」である。疑似ＣＴ画像生成の場合、回帰モデル（例えば、式１）は、例えば、以下のように定義することができる。
訓練データが収集され、処理されると（例えば、画像特徴抽出、次元削減技術などに供されると）、疑似ＣＴ予測モデル１５０は、統計学習又は機械学習技術のいずれかを使用して構築することができる。ひとつの実施形態では、回帰分析を使用して、疑似ＣＴ予測モデル１５０を構築することができる。回帰分析は、変数間の関係を推定するための統計的プロセスである。回帰分析を行うための多くの既知の方法がある。例えば、線形回帰又は一般最小二乗回帰は、回帰関数が訓練データから推定できる有限数の未知モデルパラメータに関して定義される点で「パラメトリック」である。疑似ＣＴ画像生成の場合、回帰モデル（例えば、式１）は、例えば、以下のように定義することができる。
ここで、「Ｈ」はＣＴ値を示し、「Ｘ」は入力変数のベクトル（例えば、ＭＲ特徴ベクトル１２０又は削減された次元特徴ベクトル１４０のいずれか）を示し、「β」は回帰モデルに対する決定又は訓練された未知のパラメータのベクトルを示す。ある実施形態では、ＣＴ値は、ＣＴスキャンのハウンスフィールド値（ Hounsfield values）であってもよい。
［０５０］
ＭＲスキャン及びＣＴスキャンを含む訓練データ１１０は、対応するＸ値（例えば、同じ訓練対象のＭＲスキャンから抽出された特徴ベクトル）を有する既知のＨ値のセット（例えば、訓練対象のＣＴスキャンに関連するＣＴ値）を提供する。これらのデータを使用して、モデルパラメータβは、最小２乗、最大尤度などのデータフィッティング技法を使用して計算できる。βが推定されると、モデルは新しいＸ値の集合（例えば、新しいＭＲスキャンから抽出された特徴ベクトル）についてＨ（例えば疑似ＣＴ値）を計算することができる。
ＭＲスキャン及びＣＴスキャンを含む訓練データ１１０は、対応するＸ値（例えば、同じ訓練対象のＭＲスキャンから抽出された特徴ベクトル）を有する既知のＨ値のセット（例えば、訓練対象のＣＴスキャンに関連するＣＴ値）を提供する。これらのデータを使用して、モデルパラメータβは、最小２乗、最大尤度などのデータフィッティング技法を使用して計算できる。βが推定されると、モデルは新しいＸ値の集合（例えば、新しいＭＲスキャンから抽出された特徴ベクトル）についてＨ（例えば疑似ＣＴ値）を計算することができる。
［０５１］
別の実施形態では、疑似ＣＴ予測モデル１５０を構築するために、機械学習及び教師あり学習を使用することができる。教師あり学習は、学習データのセットを与えられた予測モデルを推定する機械学習の分派である。訓練データの各サンプルは、入力データ（例えば、測定値又は特徴のベクトル）と所望の出力値（教室信号とも呼ばれる）からなるペアである。教師あり学習アルゴリズムは、訓練データを分析し、出力変数が数値又は連続であるときの回帰関数である予測関数を生成する。開示された実施形態として、多くの異なるアルゴリズムを適用することができる。アルゴリズムは、ｋＮＮ（ｋ最近傍）回帰（kNN (k-nearest neighbors) regression）、サポートベクトルマシン（support vector machines）、ニューラルネットワーク（neural networks）、決定木（decision trees）、ランダムフォレスト（random forests）、勾配ブースティングマシン（gradient boosting machines）を含むがそれらに限定されない。
別の実施形態では、疑似ＣＴ予測モデル１５０を構築するために、機械学習及び教師あり学習を使用することができる。教師あり学習は、学習データのセットを与えられた予測モデルを推定する機械学習の分派である。訓練データの各サンプルは、入力データ（例えば、測定値又は特徴のベクトル）と所望の出力値（教室信号とも呼ばれる）からなるペアである。教師あり学習アルゴリズムは、訓練データを分析し、出力変数が数値又は連続であるときの回帰関数である予測関数を生成する。開示された実施形態として、多くの異なるアルゴリズムを適用することができる。アルゴリズムは、ｋＮＮ（ｋ最近傍）回帰（kNN (k-nearest neighbors) regression）、サポートベクトルマシン（support vector machines）、ニューラルネットワーク（neural networks）、決定木（decision trees）、ランダムフォレスト（random forests）、勾配ブースティングマシン（gradient boosting machines）を含むがそれらに限定されない。
［０５２］
図３は、開示された実施形態として、疑似ＣＴモデル１５０を使用することができる予測モジュールの例示的なプロセスのフローチャートを示す。疑似ＣＴモデル１５０が作成されて訓練されると、その疑似ＣＴモデル１５０は、同じ患者又は新しい患者のいずれかについて、新しいＭＲスキャンから疑似ＣＴ画像を生成するために、適用段階の予測モジュール３０１によって使用される。図３に示すように、疑似ＣＴ画像３５０を生成するプロセスは、先に生成され訓練された疑似ＣＴ予測モデル１５０が適用段階で利用されることを除いて、図１について上述したプロセスと同様である。このプロセスでは、新しいＭＲスキャン３１０が予測モジュール３０１に入力される。一実施形態では、予測モジュール３０１は、画像特徴抽出モジュール３１１及び疑似ＣＴ予測モデル１５０を含むことができる。この実施形態では、ＭＲスキャン３０１は対応するＣＴスキャンを有さない。特徴は、ＭＲスキャン３０１から抽出され、ＭＲ特徴ベクトル１２０の生成について上述と同様の方法で、患者ＭＲ特徴ベクトル３２０を生成することができる。次元削減モジュール３２１が含まれて、患者ＭＲ特徴ベクトル３２０の大きさを縮小することができる。あるいは、患者ＭＲ特徴ベクトル３２０は、破線３３１により示されるように、次元の削減なしに疑似ＣＴ予測モデル１５０によって使用されてもよい。
図３は、開示された実施形態として、疑似ＣＴモデル１５０を使用することができる予測モジュールの例示的なプロセスのフローチャートを示す。疑似ＣＴモデル１５０が作成されて訓練されると、その疑似ＣＴモデル１５０は、同じ患者又は新しい患者のいずれかについて、新しいＭＲスキャンから疑似ＣＴ画像を生成するために、適用段階の予測モジュール３０１によって使用される。図３に示すように、疑似ＣＴ画像３５０を生成するプロセスは、先に生成され訓練された疑似ＣＴ予測モデル１５０が適用段階で利用されることを除いて、図１について上述したプロセスと同様である。このプロセスでは、新しいＭＲスキャン３１０が予測モジュール３０１に入力される。一実施形態では、予測モジュール３０１は、画像特徴抽出モジュール３１１及び疑似ＣＴ予測モデル１５０を含むことができる。この実施形態では、ＭＲスキャン３０１は対応するＣＴスキャンを有さない。特徴は、ＭＲスキャン３０１から抽出され、ＭＲ特徴ベクトル１２０の生成について上述と同様の方法で、患者ＭＲ特徴ベクトル３２０を生成することができる。次元削減モジュール３２１が含まれて、患者ＭＲ特徴ベクトル３２０の大きさを縮小することができる。あるいは、患者ＭＲ特徴ベクトル３２０は、破線３３１により示されるように、次元の削減なしに疑似ＣＴ予測モデル１５０によって使用されてもよい。
［０５３］
このように、予測モジュール３０１は、訓練段階中に作成された疑似ＣＴ予測モデル１５０を使用して、新しいＭＲスキャンに対応してもともとＣＴスキャンが提供されなかったので、患者ＭＲ画像３１０の各位置で疑似ＣＴ値を予測する 。疑似ＣＴ予測モデル１５０は、例えば各画像位置で「点ごと」に動作することができるので、疑似ＣＴ値は、ＭＲスキャン３１０内の特定の位置における特定のボクセルの特徴ベクトルに基づいて導出された値を表す。したがって、予測モデル３０１は、疑似ＣＴ値３４０を生成することができる。疑似ＣＴ値３４０は、疑似ＣＴ画像３５０の複数の強度値を表す。疑似ＣＴ画像３５０を生成するために、疑似ＣＴ値３４０は、典型的には、ボクセルのグリッド上のそれらの適切な位置に配置される。一実施形態では、予測モデル３０１は、画像がボクセルのグリッドであるため（例えば、すべての画像ボクセルが予測されるわけではない）、ボクセルグリッドのいくつかの値（例えば、疑似ＣＴ値３４０）を予測することができ、患者の解剖学的詳細の正確な視覚的表現を示すために疑似ＣＴ画像３５０を生成するために補間を使用することができる。
このように、予測モジュール３０１は、訓練段階中に作成された疑似ＣＴ予測モデル１５０を使用して、新しいＭＲスキャンに対応してもともとＣＴスキャンが提供されなかったので、患者ＭＲ画像３１０の各位置で疑似ＣＴ値を予測する 。疑似ＣＴ予測モデル１５０は、例えば各画像位置で「点ごと」に動作することができるので、疑似ＣＴ値は、ＭＲスキャン３１０内の特定の位置における特定のボクセルの特徴ベクトルに基づいて導出された値を表す。したがって、予測モデル３０１は、疑似ＣＴ値３４０を生成することができる。疑似ＣＴ値３４０は、疑似ＣＴ画像３５０の複数の強度値を表す。疑似ＣＴ画像３５０を生成するために、疑似ＣＴ値３４０は、典型的には、ボクセルのグリッド上のそれらの適切な位置に配置される。一実施形態では、予測モデル３０１は、画像がボクセルのグリッドであるため（例えば、すべての画像ボクセルが予測されるわけではない）、ボクセルグリッドのいくつかの値（例えば、疑似ＣＴ値３４０）を予測することができ、患者の解剖学的詳細の正確な視覚的表現を示すために疑似ＣＴ画像３５０を生成するために補間を使用することができる。
［０５４］
疑似ＣＴ予測モデル１５０は、全ての利用可能な患者の訓練データ１１０を使用して一度訓練され、そして、疑似ＣＴ予測モデル１５０は、全ての将来の新しい患者に使用され得る。あるいは、同じ疑似ＣＴ予測モデル１５０をすべての患者に使用することはできない。疑似ＣＴ予測モデル１５０は、特定の患者のためにカスタマイズすることができる。例えば、訓練データは、新しい患者に最も類似又は関連するデータを含むように選択されてもよく、モデルは、新しい患者に対して特異的に構築されてもよい。
疑似ＣＴ予測モデル１５０は、全ての利用可能な患者の訓練データ１１０を使用して一度訓練され、そして、疑似ＣＴ予測モデル１５０は、全ての将来の新しい患者に使用され得る。あるいは、同じ疑似ＣＴ予測モデル１５０をすべての患者に使用することはできない。疑似ＣＴ予測モデル１５０は、特定の患者のためにカスタマイズすることができる。例えば、訓練データは、新しい患者に最も類似又は関連するデータを含むように選択されてもよく、モデルは、新しい患者に対して特異的に構築されてもよい。
［０５５］
図４Ａは、本開示のいくつかの実施形態による、例示的な放射線治療システム４００を示す。放射線療法システム４００は、訓練モジュール４１２、予測モジュール４１４、訓練データベース４２２、検査データベース４２４、放射線治療装置４３０、及び画像取得装置４４０を含むことができる。放射線療法システム４００は、患者情報を提供することができる治療計画システム（ＴＰＳ）４４２及び腫瘍学情報システム（ＯＩＳ）４４４に接続することもできる。さらに、放射線治療システム４００は、表示装置及びユーザインターフェース（図示せず）を含むことができる。
図４Ａは、本開示のいくつかの実施形態による、例示的な放射線治療システム４００を示す。放射線療法システム４００は、訓練モジュール４１２、予測モジュール４１４、訓練データベース４２２、検査データベース４２４、放射線治療装置４３０、及び画像取得装置４４０を含むことができる。放射線療法システム４００は、患者情報を提供することができる治療計画システム（ＴＰＳ）４４２及び腫瘍学情報システム（ＯＩＳ）４４４に接続することもできる。さらに、放射線治療システム４００は、表示装置及びユーザインターフェース（図示せず）を含むことができる。
［０５６］
図４Ｂは、本開示のいくつかの実施形態による、放射線治療装置４３０ひとつのタイプの例（例えば、スウエーデン、ストックホルムのエレクタ アクチボラゲット（パブル）（Ｅｌｅｋｔａ、ＡＢ、Ｓｔｏｃｋｈｏｌｍ、Ｓｗｅｄｅｎ）によって製造されたＬｅｋｓｅｌｌ Ｇａｍｍａ Ｋｎｉｆｅ）を示す。図４Ｂに示すように、放射線治療セッションでは、患者４５２は、手術又は放射線療法を受けている患者の体部分（例えば、頭部）を安定に保つために座標フレーム４５４を着用してもよい。座標フレーム４５４及び患者位置決めシステム４５６は、患者を撮像している間、又は放射線手術中に使用することができる空間座標系を確立することができる。放射線治療装置４３０は、複数の放射線源４６２を囲む保護ハウジング４６４を含むことができる。放射源４６２は、ビームチャネル４６６を介して複数の放射ビーム（例えば、ビームレット）を生成することができる。複数の放射ビームは、異なる方向からアイソセンタ４５８に集束するように構成することができる。個々の放射ビームの強度は比較的低いが、アイソセンタ４５８は、異なる放射ビームからの複数の線量がアイソセンタ４５８に蓄積するとき、相対的に高いレベルの放射を受け取ることができる。特定の実施形態では、アイソセンタ４５８は、腫瘍などの外科手術又は治療下の標的に対応し得る。放射線治療装置４３０（例えば、スウエーデン、ストックホルムのエレクタ アクチボラゲット（パブル）（Ｅｌｅｋｔａ、ＡＢ、Ｓｔｏｃｋｈｏｌｍ、Ｓｗｅｄｅｎ）によって製造されたＬｅｋｓｅｌｌ Ｇａｍｍａ Ｋｎｉｆｅ）は、一実施形態では、割り当てられたバルク密度を有するＭＲ画像、又はＭＲ画像と融合されたＣＴ画像を利用し、開示された実施形態として生成される。
図４Ｂは、本開示のいくつかの実施形態による、放射線治療装置４３０ひとつのタイプの例（例えば、スウエーデン、ストックホルムのエレクタ アクチボラゲット（パブル）（Ｅｌｅｋｔａ、ＡＢ、Ｓｔｏｃｋｈｏｌｍ、Ｓｗｅｄｅｎ）によって製造されたＬｅｋｓｅｌｌ Ｇａｍｍａ Ｋｎｉｆｅ）を示す。図４Ｂに示すように、放射線治療セッションでは、患者４５２は、手術又は放射線療法を受けている患者の体部分（例えば、頭部）を安定に保つために座標フレーム４５４を着用してもよい。座標フレーム４５４及び患者位置決めシステム４５６は、患者を撮像している間、又は放射線手術中に使用することができる空間座標系を確立することができる。放射線治療装置４３０は、複数の放射線源４６２を囲む保護ハウジング４６４を含むことができる。放射源４６２は、ビームチャネル４６６を介して複数の放射ビーム（例えば、ビームレット）を生成することができる。複数の放射ビームは、異なる方向からアイソセンタ４５８に集束するように構成することができる。個々の放射ビームの強度は比較的低いが、アイソセンタ４５８は、異なる放射ビームからの複数の線量がアイソセンタ４５８に蓄積するとき、相対的に高いレベルの放射を受け取ることができる。特定の実施形態では、アイソセンタ４５８は、腫瘍などの外科手術又は治療下の標的に対応し得る。放射線治療装置４３０（例えば、スウエーデン、ストックホルムのエレクタ アクチボラゲット（パブル）（Ｅｌｅｋｔａ、ＡＢ、Ｓｔｏｃｋｈｏｌｍ、Ｓｗｅｄｅｎ）によって製造されたＬｅｋｓｅｌｌ Ｇａｍｍａ Ｋｎｉｆｅ）は、一実施形態では、割り当てられたバルク密度を有するＭＲ画像、又はＭＲ画像と融合されたＣＴ画像を利用し、開示された実施形態として生成される。
［０５７］
図４Ｃは、本開示のいくつかの実施形態による、放射線治療装置４３０（例えば、線形加速器４７０）の別の例を示す。線形加速器４７０を使用して、患者４７２を患者テーブル４７３上に配置して、治療計画によって決定された放射線量を受けることができる。線形加速器４７０は、放射ビーム４７６を生成する放射ヘッド４７５を含むことができる。放射ヘッド４７５全体は、水平軸４７７の周りを回転可能であってもよい。さらに、患者テーブル４７３の下には、アイソセンタ４７１の周りで放射線ヘッド４７５と同期して回転するフラットパネルシンチレータ検出器４７４が設けられてもよい。放射ヘッド４７５によって生成された軸４７７とビーム４７６の中心との交差点は、通常アイソセンタと呼ばれる。患者テーブル４７３は、患者４７２がアイソセンタ４７１又はその近くに腫瘍部位とともに配置されるように電動化されてもよい。放射線ヘッド４７５は、ガントリ４７８の周りを回転して、治療計画に従って複数の変化する放射線量を患者４７２に提供することができる。別の実施形態では、線形加速器４７０は、ＭＲ線形加速器（「ＭＲ−ＬＩＮＡＣ」）であってもよい。線形加速器１０及びＭＲ−ＬＩＮＡＣは、一実施形態では、ＭＲ画像、ＣＴ画像を利用することができ、開示された実施形態により生成された疑似ＣＴ画像を使用することができる。
図４Ｃは、本開示のいくつかの実施形態による、放射線治療装置４３０（例えば、線形加速器４７０）の別の例を示す。線形加速器４７０を使用して、患者４７２を患者テーブル４７３上に配置して、治療計画によって決定された放射線量を受けることができる。線形加速器４７０は、放射ビーム４７６を生成する放射ヘッド４７５を含むことができる。放射ヘッド４７５全体は、水平軸４７７の周りを回転可能であってもよい。さらに、患者テーブル４７３の下には、アイソセンタ４７１の周りで放射線ヘッド４７５と同期して回転するフラットパネルシンチレータ検出器４７４が設けられてもよい。放射ヘッド４７５によって生成された軸４７７とビーム４７６の中心との交差点は、通常アイソセンタと呼ばれる。患者テーブル４７３は、患者４７２がアイソセンタ４７１又はその近くに腫瘍部位とともに配置されるように電動化されてもよい。放射線ヘッド４７５は、ガントリ４７８の周りを回転して、治療計画に従って複数の変化する放射線量を患者４７２に提供することができる。別の実施形態では、線形加速器４７０は、ＭＲ線形加速器（「ＭＲ−ＬＩＮＡＣ」）であってもよい。線形加速器１０及びＭＲ−ＬＩＮＡＣは、一実施形態では、ＭＲ画像、ＣＴ画像を利用することができ、開示された実施形態により生成された疑似ＣＴ画像を使用することができる。
［０５８］
図５は、開示された実施形態と一致して、疑似ＣＴ予測モデルを構築し、疑似ＣＴ画像を生成するための例示的なシステム５００である。いくつかの実施形態によれば、システム５００は、開示された実施形態と一致する大量のデータを識別、分析、維持、生成、及び／又は提供することができるひとつ又はそれ以上の高性能コンピューティングデバイスであってもよい。システム５００は、スタンドアローンでもよいし、サブシステムの一部であってもよく、サブシステムは、より大きなシステムの一部であってもよい。例えば、システム５００は、遠隔地に位置し、インターネットなどのネットワーク又はＬＡＮ又はＷＡＮなどの専用ネットワークを介して通信する分散型高性能サーバを表すことができる。いくつかの実施形態では、システム５００は、ひとつ又はそれ以上の遠隔配置された高性能コンピューティングデバイスと通信する組み込みシステム、ＭＲスキャナ、及び／又はタッチスクリーンディスプレイデバイスを含むことができる。
図５は、開示された実施形態と一致して、疑似ＣＴ予測モデルを構築し、疑似ＣＴ画像を生成するための例示的なシステム５００である。いくつかの実施形態によれば、システム５００は、開示された実施形態と一致する大量のデータを識別、分析、維持、生成、及び／又は提供することができるひとつ又はそれ以上の高性能コンピューティングデバイスであってもよい。システム５００は、スタンドアローンでもよいし、サブシステムの一部であってもよく、サブシステムは、より大きなシステムの一部であってもよい。例えば、システム５００は、遠隔地に位置し、インターネットなどのネットワーク又はＬＡＮ又はＷＡＮなどの専用ネットワークを介して通信する分散型高性能サーバを表すことができる。いくつかの実施形態では、システム５００は、ひとつ又はそれ以上の遠隔配置された高性能コンピューティングデバイスと通信する組み込みシステム、ＭＲスキャナ、及び／又はタッチスクリーンディスプレイデバイスを含むことができる。
［０５９］
一実施形態では、システム５００は、ひとつ又はそれ以上のプロセッサ５１４、ひとつ又はそれ以上のメモリ５１０、及びひとつ又はそれ以上の通信インターフェース５１５を含むことができる。プロセッサ５１４は、処理装置であってもよく、マイクロプロセッサ、中央処理装置（ＣＰＵ）、グラフィック処理装置（ＧＰＵ）などのようなひとつ以上の汎用処理装置を含む。より詳細には、プロセッサ５１４は、ＣＩＳＣマイクロプロセッサ、ＲＩＳＣマイクロプロセッサ、ＶＬＩＷマイクロプロセッサ、他の命令セットを実装するプロセッサ、又は命令セットの組み合わせを実装するプロセッサであってもよい。プロセッサ５１４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）、デジタル信号プロセッサ（ＤＳＰ）、システムオンチップ（ＳｏＣ）などのひとつ以上の専用処理装置であってもよい。当業者に理解されるように、いくつかの実施形態では、プロセッサ５１４は、汎用プロセッサではなく、専用プロセッサであってもよい。プロセッサ５１４は、Ｉｎｔｅｌ（登録商標）によって製造された、Ｐｅｎｔｉｕｍ（登録商標）又はＸｅｏｎ（登録商標）ファミリーや、ＡＭＤ（登録商標）によって製造されたＴｕｒｉｏｎ（登録商標）ファミリーからのマイクロプロセッサ、Ｓｕｎ Ｍｉｃｒｏｓｙｓｔｅｍｓによって製造された様々なプロセッサのような、ひとつ又はそれ以上の既知の処理デバイスを含むことができる。プロセッサ５１４はまたＮｖｉｄｉａ（登録商標）により製造されたグラフィカル処理ユニットを含むことができる。開示された実施形態は、大量のイメージングデータ、又は開示された実施形態と一致する任意の他のタイプのデータの識別、分析、維持、生成、及び／又は提供の計算命令を満たすように構成された任意のタイプのプロセッサに限定されない。
一実施形態では、システム５００は、ひとつ又はそれ以上のプロセッサ５１４、ひとつ又はそれ以上のメモリ５１０、及びひとつ又はそれ以上の通信インターフェース５１５を含むことができる。プロセッサ５１４は、処理装置であってもよく、マイクロプロセッサ、中央処理装置（ＣＰＵ）、グラフィック処理装置（ＧＰＵ）などのようなひとつ以上の汎用処理装置を含む。より詳細には、プロセッサ５１４は、ＣＩＳＣマイクロプロセッサ、ＲＩＳＣマイクロプロセッサ、ＶＬＩＷマイクロプロセッサ、他の命令セットを実装するプロセッサ、又は命令セットの組み合わせを実装するプロセッサであってもよい。プロセッサ５１４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）、デジタル信号プロセッサ（ＤＳＰ）、システムオンチップ（ＳｏＣ）などのひとつ以上の専用処理装置であってもよい。当業者に理解されるように、いくつかの実施形態では、プロセッサ５１４は、汎用プロセッサではなく、専用プロセッサであってもよい。プロセッサ５１４は、Ｉｎｔｅｌ（登録商標）によって製造された、Ｐｅｎｔｉｕｍ（登録商標）又はＸｅｏｎ（登録商標）ファミリーや、ＡＭＤ（登録商標）によって製造されたＴｕｒｉｏｎ（登録商標）ファミリーからのマイクロプロセッサ、Ｓｕｎ Ｍｉｃｒｏｓｙｓｔｅｍｓによって製造された様々なプロセッサのような、ひとつ又はそれ以上の既知の処理デバイスを含むことができる。プロセッサ５１４はまたＮｖｉｄｉａ（登録商標）により製造されたグラフィカル処理ユニットを含むことができる。開示された実施形態は、大量のイメージングデータ、又は開示された実施形態と一致する任意の他のタイプのデータの識別、分析、維持、生成、及び／又は提供の計算命令を満たすように構成された任意のタイプのプロセッサに限定されない。
［０６０］
メモリ５１０は、開示された実施形態に関連する機能を実行するためにプロセッサ５１４によって使用されるコンピュータ実行可能命令を格納するように構成されたひとつ又はそれ以上の記憶装置を含むことができる。
例えば、メモリ５１０は、治療計画ソフトウェア５１１、オペレーティングシステムソフトウェア５１２、及び訓練／予測ソフトウェア５１３のためのコンピュータ実行可能ソフトウェア命令を格納することができる。プロセッサ５１４は、メモリ／記憶装置５１０に通信可能に結合されてもよく、プロセッサ５１４は、開示された実施形態によるひとつ又はそれ以上の動作を実行するために記憶されたコンピュータ実行可能命令を実行するように構成されてもよい。例えば、プロセッサ５１４は、訓練／予測ソフトウェア５１３を実行して、訓練モジュール４１２及び予測モジュール４１４の機能を実装することができる。さらに、プロセッサ装置５１４は、訓練／予測ソフトウェア５１３にインターフェースされる治療計画ソフトウェア５１１（例えば、Ｅｌｅｋｔａによって製造されたＭｏｎａｃｏ（登録商標）ソフトウェアなど）を実行することができる。
メモリ５１０は、開示された実施形態に関連する機能を実行するためにプロセッサ５１４によって使用されるコンピュータ実行可能命令を格納するように構成されたひとつ又はそれ以上の記憶装置を含むことができる。
例えば、メモリ５１０は、治療計画ソフトウェア５１１、オペレーティングシステムソフトウェア５１２、及び訓練／予測ソフトウェア５１３のためのコンピュータ実行可能ソフトウェア命令を格納することができる。プロセッサ５１４は、メモリ／記憶装置５１０に通信可能に結合されてもよく、プロセッサ５１４は、開示された実施形態によるひとつ又はそれ以上の動作を実行するために記憶されたコンピュータ実行可能命令を実行するように構成されてもよい。例えば、プロセッサ５１４は、訓練／予測ソフトウェア５１３を実行して、訓練モジュール４１２及び予測モジュール４１４の機能を実装することができる。さらに、プロセッサ装置５１４は、訓練／予測ソフトウェア５１３にインターフェースされる治療計画ソフトウェア５１１（例えば、Ｅｌｅｋｔａによって製造されたＭｏｎａｃｏ（登録商標）ソフトウェアなど）を実行することができる。
［０６１］
開示された実施形態は、専用のタスクを実行するように構成された別々のプログラム又はコンピュータに限定されない。例えば、メモリ５１０は、システム５００又は複数のプログラム（例えば、治療計画ソフトウェア５１１及び／又は訓練／予測ソフトウェア５１３）の機能を実行する単一のプログラムを含むことができる。さらに、プロセッサ５１４は、データベース５２０に格納されたプログラムなど、システム５００から遠隔に位置するひとつ又はそれ以上のプログラムを実行してもよく、このような遠隔プログラムは、腫瘍情報システムソフトウェア又は治療計画ソフトウェアを含むことができる。メモリ５１０はまた開示された実施形態による動作を実行するためにシステムが使用することができる任意のフォーマットの画像データ又は任意の他のタイプのデータ／情報を格納することができる。
開示された実施形態は、専用のタスクを実行するように構成された別々のプログラム又はコンピュータに限定されない。例えば、メモリ５１０は、システム５００又は複数のプログラム（例えば、治療計画ソフトウェア５１１及び／又は訓練／予測ソフトウェア５１３）の機能を実行する単一のプログラムを含むことができる。さらに、プロセッサ５１４は、データベース５２０に格納されたプログラムなど、システム５００から遠隔に位置するひとつ又はそれ以上のプログラムを実行してもよく、このような遠隔プログラムは、腫瘍情報システムソフトウェア又は治療計画ソフトウェアを含むことができる。メモリ５１０はまた開示された実施形態による動作を実行するためにシステムが使用することができる任意のフォーマットの画像データ又は任意の他のタイプのデータ／情報を格納することができる。
［０６２］
通信インターフェース５１５は、データがシステム５００によって受信及び／又は送信されるように構成されたひとつ又はそれ以上のデバイスであってもよい。通信インターフェース５１５は、システム５００がシステム５００の遠隔に位置するコンポーネント、データベース５２０、又は病院データベース５３０などの他の機械及びデバイスと通信することを可能にするひとつ又はそれ以上のデジタル及び／又はアナログ通信デバイスを含むことができる。例えば、プロセッサ５１４は、通信インターフェース５１５を介してデータベース５２０又は病院データベース５３０に通信可能に接続されてもよい。例えば、通信インターフェース５１５は、インターネットなどのコンピュータネットワーク、又はＬＡＮ又はＷＡＮなどの専用ネットワークとすることができる。あるいは、通信インターフェース５１５は、プロセッサ５１４がデータベース５２０、５３０のいずれかとの間でデータを送受信することを可能にする衛星通信リンク又は任意の形式のデジタル又はアナログ通信リンクであってもよい。
通信インターフェース５１５は、データがシステム５００によって受信及び／又は送信されるように構成されたひとつ又はそれ以上のデバイスであってもよい。通信インターフェース５１５は、システム５００がシステム５００の遠隔に位置するコンポーネント、データベース５２０、又は病院データベース５３０などの他の機械及びデバイスと通信することを可能にするひとつ又はそれ以上のデジタル及び／又はアナログ通信デバイスを含むことができる。例えば、プロセッサ５１４は、通信インターフェース５１５を介してデータベース５２０又は病院データベース５３０に通信可能に接続されてもよい。例えば、通信インターフェース５１５は、インターネットなどのコンピュータネットワーク、又はＬＡＮ又はＷＡＮなどの専用ネットワークとすることができる。あるいは、通信インターフェース５１５は、プロセッサ５１４がデータベース５２０、５３０のいずれかとの間でデータを送受信することを可能にする衛星通信リンク又は任意の形式のデジタル又はアナログ通信リンクであってもよい。
［０６３］
データベース５２０及び病院データベース５３０は、情報を記憶し、システム５００を介してアクセス及び管理されるひとつ又はそれ以上のメモリデバイスを含むことができる。例えば、データベース５２０、病院データベース５３０、又はその両方は、Ｏｒａｃｌｅ（登録商標）データベース、Ｓｙｂａｓｅ（登録商標）データベースなどのリレーショナルデータベース、又は、Ｈａｄｏｏｐシーケンスファイル、ＨＢａｓｅ、Ｃａｓｓａｎｄｒａなどの非リレーショナルデータベースを含むことができる。データベース又は他のファイルは、例えば、訓練対象に関連するＭＲスキャン又はＣＴスキャンからの生データ、ＭＲ特徴ベクトル１２０、ＣＴ値１３０、縮小次元特徴ベクトル１４０、疑似ＣＴ予測モデル１５０、疑似ＣＴ値３４０、疑似ＣＴ画像３５０、ＤＩＣＯＭデータ等を含む。しかしながら、開示された実施形態のシステム及び方法は、別々のデータベースに限定されない。一態様では、システム５００は、データベース５２０又は病院データベース５３０を含むことができる。あるいは、データベース５２０及び／又は病院データベース５３０は、システム５００から遠隔に位置してもよい。データベース５２０及び病院データベース５３０は、データベース５２０又は病院データベースのメモリデバイスに格納されたデータの要求を受信及び処理し、データベース５３０又は病院データベース５３０からデータを提供するように構成された計算コンポーネント（例えば、データベース管理システム、データベースサーバなど）を含むことができる。
データベース５２０及び病院データベース５３０は、情報を記憶し、システム５００を介してアクセス及び管理されるひとつ又はそれ以上のメモリデバイスを含むことができる。例えば、データベース５２０、病院データベース５３０、又はその両方は、Ｏｒａｃｌｅ（登録商標）データベース、Ｓｙｂａｓｅ（登録商標）データベースなどのリレーショナルデータベース、又は、Ｈａｄｏｏｐシーケンスファイル、ＨＢａｓｅ、Ｃａｓｓａｎｄｒａなどの非リレーショナルデータベースを含むことができる。データベース又は他のファイルは、例えば、訓練対象に関連するＭＲスキャン又はＣＴスキャンからの生データ、ＭＲ特徴ベクトル１２０、ＣＴ値１３０、縮小次元特徴ベクトル１４０、疑似ＣＴ予測モデル１５０、疑似ＣＴ値３４０、疑似ＣＴ画像３５０、ＤＩＣＯＭデータ等を含む。しかしながら、開示された実施形態のシステム及び方法は、別々のデータベースに限定されない。一態様では、システム５００は、データベース５２０又は病院データベース５３０を含むことができる。あるいは、データベース５２０及び／又は病院データベース５３０は、システム５００から遠隔に位置してもよい。データベース５２０及び病院データベース５３０は、データベース５２０又は病院データベースのメモリデバイスに格納されたデータの要求を受信及び処理し、データベース５３０又は病院データベース５３０からデータを提供するように構成された計算コンポーネント（例えば、データベース管理システム、データベースサーバなど）を含むことができる。
［０６４］
システム５００は、ネットワーク（図示せず）を介してシステム５００の他のデバイス及びコンポーネントと通信することができる。ネットワークは、通信を提供し、情報を交換し、又は情報の交換を容易にし、ネットワーク（図示せず）を介して他のデバイス及び／又はシステム５００のコンポーネント間で情報の送受信を可能にする任意のタイプのネットワーク（インフラストラクチャを含む）であることができる。他の実施形態では、システム５００のひとつ又はそれ以上のコンポーネントは、システム５００とデータベース５２０と病院データベース５３０との間のリンク（例えば、有線リンク、無線リンク、又は衛星リンク、又は他の通信リンク）のような専用通信リンクを介して直接的に通信することができる。
システム５００は、ネットワーク（図示せず）を介してシステム５００の他のデバイス及びコンポーネントと通信することができる。ネットワークは、通信を提供し、情報を交換し、又は情報の交換を容易にし、ネットワーク（図示せず）を介して他のデバイス及び／又はシステム５００のコンポーネント間で情報の送受信を可能にする任意のタイプのネットワーク（インフラストラクチャを含む）であることができる。他の実施形態では、システム５００のひとつ又はそれ以上のコンポーネントは、システム５００とデータベース５２０と病院データベース５３０との間のリンク（例えば、有線リンク、無線リンク、又は衛星リンク、又は他の通信リンク）のような専用通信リンクを介して直接的に通信することができる。
［０６５］
システム５００の機能構築ブロックの構成及び境界は、ここでは説明の便宜のために定義されている。指定された機能及びそれらの関係が適切に実行される限り、代替の境界を定義することができる。本明細書に含まれる教示に基づいて、当業者には代替物（本明細書に記載されているものの均等物、拡張物、変形物、偏差などを含む）は明らかであろう。そのような代替案は、開示された実施形態の範囲及び精神の範囲内に入る。
システム５００の機能構築ブロックの構成及び境界は、ここでは説明の便宜のために定義されている。指定された機能及びそれらの関係が適切に実行される限り、代替の境界を定義することができる。本明細書に含まれる教示に基づいて、当業者には代替物（本明細書に記載されているものの均等物、拡張物、変形物、偏差などを含む）は明らかであろう。そのような代替案は、開示された実施形態の範囲及び精神の範囲内に入る。
［０６６］
図６は、開示された実施形態による、疑似ＣＴ予測モデルを訓練及び構築するための例示的なプロセス６００のフローチャートである。プロセス６００は、複数のステップを含み、そのいくつかは任意であってもよい。ステップ６１０において、システム５００は、例えば、データベース５２０及び／又は病院データベース５３０から、複数の訓練対象に関連する訓練データ１１０にアクセスする。訓練データ１１０は、各訓練対象（例えば、図１に示すような、訓練対象データ１１０ａ−１１０Ｎ）について、少なくともひとつのＭＲスキャン及び少なくともひとつのＣＴスキャンを含むことができる。いくつかの実施形態では、訓練データ１１０は、同じ患者に対する少なくともひとつのＭＲスキャン及び複数のＣＴスキャンを含むことができる。
図６は、開示された実施形態による、疑似ＣＴ予測モデルを訓練及び構築するための例示的なプロセス６００のフローチャートである。プロセス６００は、複数のステップを含み、そのいくつかは任意であってもよい。ステップ６１０において、システム５００は、例えば、データベース５２０及び／又は病院データベース５３０から、複数の訓練対象に関連する訓練データ１１０にアクセスする。訓練データ１１０は、各訓練対象（例えば、図１に示すような、訓練対象データ１１０ａ−１１０Ｎ）について、少なくともひとつのＭＲスキャン及び少なくともひとつのＣＴスキャンを含むことができる。いくつかの実施形態では、訓練データ１１０は、同じ患者に対する少なくともひとつのＭＲスキャン及び複数のＣＴスキャンを含むことができる。
［０６７］
いくつかの実施形態によれば、システム５００は、疑似ＣＴ予測モデル１５０を訓練及び構築するために使用される前に、訓練データ１１０のいくつか又はすべてが前処理を必要とするか否かを決定することができる。ステップ６２０において、プロセッサ５１４は、訓練データ内のひとつ又はそれ以上の訓練対象について、ＭＲスキャン及び対応するＣＴスキャンが整列されているかどうかを判定する（例えば、各ＭＲボクセルについて、対応するＣＴボクセルからのＣＴ値は、知られている）。ＭＲ画像及びＣＴ画像が整列していない場合、プロセス６００は、ステップ６２４で走査を整列させるために分岐６２１（例えば「ＮＯ」）に進む。システム６００は、必要に応じて、当業者に公知の方法に従ってＭＲスキャン及び対応するＣＴスキャンを整列させることができる。あるいは、ＭＲ画像及びＣＴ画像が整列されている場合、プロセス６００は分岐６２２（例えば「ＹＥＳ」）に進み、ステップ６３０に続く。
いくつかの実施形態によれば、システム５００は、疑似ＣＴ予測モデル１５０を訓練及び構築するために使用される前に、訓練データ１１０のいくつか又はすべてが前処理を必要とするか否かを決定することができる。ステップ６２０において、プロセッサ５１４は、訓練データ内のひとつ又はそれ以上の訓練対象について、ＭＲスキャン及び対応するＣＴスキャンが整列されているかどうかを判定する（例えば、各ＭＲボクセルについて、対応するＣＴボクセルからのＣＴ値は、知られている）。ＭＲ画像及びＣＴ画像が整列していない場合、プロセス６００は、ステップ６２４で走査を整列させるために分岐６２１（例えば「ＮＯ」）に進む。システム６００は、必要に応じて、当業者に公知の方法に従ってＭＲスキャン及び対応するＣＴスキャンを整列させることができる。あるいは、ＭＲ画像及びＣＴ画像が整列されている場合、プロセス６００は分岐６２２（例えば「ＹＥＳ」）に進み、ステップ６３０に続く。
［０６８］
任意に、ステップ６３０において、プロセッサ５１４は、訓練データ１１０が同じ訓練対象について複数のＣＴスキャンを含むかどうかを検証する。複数のＣＴスキャンがある場合、プロセッサ５１４は、同じ患者の画像ノイズを低減するために、複数のＣＴスキャン間の対応するＣＴボクセルの平均ＣＴ値を決定する。そうでない場合、プロセス６００は、ステップ６２０からステップ６４０に直接進む。
任意に、ステップ６３０において、プロセッサ５１４は、訓練データ１１０が同じ訓練対象について複数のＣＴスキャンを含むかどうかを検証する。複数のＣＴスキャンがある場合、プロセッサ５１４は、同じ患者の画像ノイズを低減するために、複数のＣＴスキャン間の対応するＣＴボクセルの平均ＣＴ値を決定する。そうでない場合、プロセス６００は、ステップ６２０からステップ６４０に直接進む。
［０６９］
ステップ６４０において、前処理の一部として、プロセッサ５１４は、例えば、治療計画ソフトウェア５１１又は訓練／予測ソフトウェア５１３に反映されたシステム設定に基づいて、ＭＲスキャンから画像アーチファクトを低減するか又は消滅させるかを決定する。画像アーチファクトの低減が所望される場合、プロセス６００は、分岐６４２（「ＹＥＳ」）からステップ６４４に進む。ステップ６４４において、プロセッサ５１４は、前処理の一部として、画像アーチファクト低減技術を適用する。ＭＲ走査を前処理することにより、プロセッサ５１４は、強度不均一性（ＭＲ画像バイアスフィールドとしても知られている）及び画像ノイズなどの画像アーチファクトを除去又は低減することができる。さらに、前処理は、異なるＭＲスキャナタイプ（例えば、ＧＥ、Ｓｉｅｍｅｎｓなどによって製造されたもの、又は０．５テスラ、１．５テスラなどの様々な磁場強度）によってＭＲ画像強度値を正規化／標準化することができる。前処理技術は、新しい特許ＭＲスキャン３１０（図３に示す）の画像アーチファクトを除去又は低減するために使用することもできる。画像アーチファクト低減が行われない場合、プロセス６００は、特徴を抽出するためにステップ６５０に進む。いくつかの実施形態では、前処理のひとつ又はそれ以上のステップ（例えば、図６の破線で囲まれた）を省略することができる。
ステップ６４０において、前処理の一部として、プロセッサ５１４は、例えば、治療計画ソフトウェア５１１又は訓練／予測ソフトウェア５１３に反映されたシステム設定に基づいて、ＭＲスキャンから画像アーチファクトを低減するか又は消滅させるかを決定する。画像アーチファクトの低減が所望される場合、プロセス６００は、分岐６４２（「ＹＥＳ」）からステップ６４４に進む。ステップ６４４において、プロセッサ５１４は、前処理の一部として、画像アーチファクト低減技術を適用する。ＭＲ走査を前処理することにより、プロセッサ５１４は、強度不均一性（ＭＲ画像バイアスフィールドとしても知られている）及び画像ノイズなどの画像アーチファクトを除去又は低減することができる。さらに、前処理は、異なるＭＲスキャナタイプ（例えば、ＧＥ、Ｓｉｅｍｅｎｓなどによって製造されたもの、又は０．５テスラ、１．５テスラなどの様々な磁場強度）によってＭＲ画像強度値を正規化／標準化することができる。前処理技術は、新しい特許ＭＲスキャン３１０（図３に示す）の画像アーチファクトを除去又は低減するために使用することもできる。画像アーチファクト低減が行われない場合、プロセス６００は、特徴を抽出するためにステップ６５０に進む。いくつかの実施形態では、前処理のひとつ又はそれ以上のステップ（例えば、図６の破線で囲まれた）を省略することができる。
［０７０］
ステップ６５０では、訓練データ１１０から特徴を抽出する。いくつかの実施形態では、システム５００は、訓練データ１１０内の各ＭＲスキャンの各ボクセルから特徴を抽出することができる。例えば、ＭＲ画像自体を使用することができ、ＭＲ画像からの各ボクセル又は選択されたボクセルを使用して特徴を抽出することができる。あるいは、プロセッサ５１４は、ＭＲ画像を異なる組織タイプにセグメント化し、組織タイプに基づいて各ＭＲスキャンの画像ボクセルをセグメント化することができる。これは、例えば、他の抽出された特徴に加えて、追加の特徴として組織タイプを使用することができるので、場合によっては有利であり得る。
ステップ６５０では、訓練データ１１０から特徴を抽出する。いくつかの実施形態では、システム５００は、訓練データ１１０内の各ＭＲスキャンの各ボクセルから特徴を抽出することができる。例えば、ＭＲ画像自体を使用することができ、ＭＲ画像からの各ボクセル又は選択されたボクセルを使用して特徴を抽出することができる。あるいは、プロセッサ５１４は、ＭＲ画像を異なる組織タイプにセグメント化し、組織タイプに基づいて各ＭＲスキャンの画像ボクセルをセグメント化することができる。これは、例えば、他の抽出された特徴に加えて、追加の特徴として組織タイプを使用することができるので、場合によっては有利であり得る。
［０７１］
ステップ６６０において、システム５００は、ＭＲスキャンの各ボクセルについて抽出された画像特徴に基づいてＭＲ特徴ベクトルを作成する。したがって、ＭＲスキャンの各ボクセルについて複数の特徴を含むベクトルをプロセッサ５１４によって生成することができる。複数のＭＲ特徴ベクトル１２０は、ＭＲ走査の複数のボクセルに対してプロセッサ５１４によって生成され得る。
ステップ６６０において、システム５００は、ＭＲスキャンの各ボクセルについて抽出された画像特徴に基づいてＭＲ特徴ベクトルを作成する。したがって、ＭＲスキャンの各ボクセルについて複数の特徴を含むベクトルをプロセッサ５１４によって生成することができる。複数のＭＲ特徴ベクトル１２０は、ＭＲ走査の複数のボクセルに対してプロセッサ５１４によって生成され得る。
［０７２］
ステップ６７０において、システム５００は、訓練データ内の各ＣＴスキャンの各ボクセルからＣＴ値を抽出する。
ステップ６７０において、システム５００は、訓練データ内の各ＣＴスキャンの各ボクセルからＣＴ値を抽出する。
［０７３］
ステップ６８０において、システム５００は、ＭＲ特徴ベクトル１２０に関連する次元の数を減らすかどうかを決定する。
ステップ６８０において、システム５００は、ＭＲ特徴ベクトル１２０に関連する次元の数を減らすかどうかを決定する。
［０７４］
例えば、システム５００のプロセッサ５１４は、疑似ＣＴ予測モデル１５０によって処理されたときに、ＭＲ特徴ベクトル１２０に関連する次元の数が高い計算コストをもたらすか、又は潜在的に性能問題を引き起こすと判断することができる。別の例では、システム５００は、ＭＲ特徴ベクトル１２０が、疑似ＣＴ予測モデル１５０の精度に影響を及ぼすと考えられる閾値を超えるノイズ又は複製データを含むと判断することができる。別の実施形態では、システム５００は、性能及び／又は出力品質に影響を及ぼす要因に基づいて次元削減を行うかどうかを決定することができる。従って、プロセッサ５１４が、次元削減が必要であると判定した場合、プロセス６００は、分岐６８２（例えば「ＹＥＳ」）からステップ６８６に進み、プロセッサ５１４は、ＭＲ特徴ベクトル１２０に関連する次元を縮小することができる。代替的に、いくつかの実施形態では、システム５００は、ＭＲ特徴ベクトル１２０の次元削減を行わないように（例えば、ユーザからの）入力を受け取ることができる。
例えば、システム５００のプロセッサ５１４は、疑似ＣＴ予測モデル１５０によって処理されたときに、ＭＲ特徴ベクトル１２０に関連する次元の数が高い計算コストをもたらすか、又は潜在的に性能問題を引き起こすと判断することができる。別の例では、システム５００は、ＭＲ特徴ベクトル１２０が、疑似ＣＴ予測モデル１５０の精度に影響を及ぼすと考えられる閾値を超えるノイズ又は複製データを含むと判断することができる。別の実施形態では、システム５００は、性能及び／又は出力品質に影響を及ぼす要因に基づいて次元削減を行うかどうかを決定することができる。従って、プロセッサ５１４が、次元削減が必要であると判定した場合、プロセス６００は、分岐６８２（例えば「ＹＥＳ」）からステップ６８６に進み、プロセッサ５１４は、ＭＲ特徴ベクトル１２０に関連する次元を縮小することができる。代替的に、いくつかの実施形態では、システム５００は、ＭＲ特徴ベクトル１２０の次元削減を行わないように（例えば、ユーザからの）入力を受け取ることができる。
［０７５］
次元削減が必要ない場合、プロセス６００は分岐６８４から直接ステップ６９０に進むことができる。ステップ６９０において、システム５００は、ＭＲ特徴ベクトル（例えば、１２０）及び抽出されたＣＴ値に基づいて疑似ＣＴ予測モデル１５０を生成するために、統計又は機械学習技術を利用することができる。いくつかの実施形態では、次元削減された特徴ベクトル１４０を利用することができる。
次元削減が必要ない場合、プロセス６００は分岐６８４から直接ステップ６９０に進むことができる。ステップ６９０において、システム５００は、ＭＲ特徴ベクトル（例えば、１２０）及び抽出されたＣＴ値に基づいて疑似ＣＴ予測モデル１５０を生成するために、統計又は機械学習技術を利用することができる。いくつかの実施形態では、次元削減された特徴ベクトル１４０を利用することができる。
［０７６］
いくつかの実施形態によれば、訓練データ１１０のサブセットは、疑似ＣＴ予測モデル１５０を訓練して構築するための基礎として使用することができる。したがって、システム５００は、疑似ＣＴ予測モデル１５０を訓練及び構築するために、訓練データ１１０のサブセットを（例えば、治療計画ソフトウェア５１１及び／又は訓練／予測ソフトウェア５１３に反映されたユーザ入力及び／又はシステム設定に基づいて）決定することができる。別の実施形態では、訓練データ１１０のサブセットは、特定の画像領域に基づいて分類することができる。例えば、訓練データ１１０のサブセットは、１）特定の解剖学的領域に関して、２）様々な組織分類に関して、又は３）訓練対象の特徴に関して、であることができる。
いくつかの実施形態によれば、訓練データ１１０のサブセットは、疑似ＣＴ予測モデル１５０を訓練して構築するための基礎として使用することができる。したがって、システム５００は、疑似ＣＴ予測モデル１５０を訓練及び構築するために、訓練データ１１０のサブセットを（例えば、治療計画ソフトウェア５１１及び／又は訓練／予測ソフトウェア５１３に反映されたユーザ入力及び／又はシステム設定に基づいて）決定することができる。別の実施形態では、訓練データ１１０のサブセットは、特定の画像領域に基づいて分類することができる。例えば、訓練データ１１０のサブセットは、１）特定の解剖学的領域に関して、２）様々な組織分類に関して、又は３）訓練対象の特徴に関して、であることができる。
［０７７］
例えば、ひとつ又はそれ以上の特徴は、所与の患者のＭＲスキャンのための基礎となる解剖学的構造の優れた解釈を提供することができる。したがって、疑似ＣＴ予測モデル１５０を訓練する際に使用するために、訓練データ１１０から上位の特徴のサブセットのみを抽出することができる。優れた特徴を使用して、所与の患者のＭＲスキャンに対する対応する疑似ＣＴ値３４０を推定する疑似ＣＴ予測モデル１５０の予測力を改善することができる。特徴のサブセットは、ひとつ又はそれ以上の疑似ＣＴモデルを生成及び訓練するために使用することができる。
例えば、ひとつ又はそれ以上の特徴は、所与の患者のＭＲスキャンのための基礎となる解剖学的構造の優れた解釈を提供することができる。したがって、疑似ＣＴ予測モデル１５０を訓練する際に使用するために、訓練データ１１０から上位の特徴のサブセットのみを抽出することができる。優れた特徴を使用して、所与の患者のＭＲスキャンに対する対応する疑似ＣＴ値３４０を推定する疑似ＣＴ予測モデル１５０の予測力を改善することができる。特徴のサブセットは、ひとつ又はそれ以上の疑似ＣＴモデルを生成及び訓練するために使用することができる。
［０７８］
一実施形態では、特定の解剖学的領域に関して疑似ＣＴ予測モデルを構築する場合、訓練データ１１０のサブセット（例えば、関心のある身体領域に関連する訓練データ１１０のみ）を使用して、疑似−ＣＴ予測モデル１５０を訓練し、構築することができる。ひとつの疑似ＣＴ予測モデルの代わりに、プロセッサ５１４は、身体の特定の解剖学的領域（例えば、頭部、上半身、下半身など）に関して複数の疑似ＣＴ予測モデルを生成することができる。したがって、プロセッサ５１４は、ＭＲ特徴ベクトル１２０（又は削減次元特徴ベクトル１４０）及び所定の解剖学的位置のＣＴ値１３０を利用して、ＭＲスキャン内に表れた所定の解剖学的関心位置の疑似ＣＴ予測モデル１５０を生成することができる。
一実施形態では、特定の解剖学的領域に関して疑似ＣＴ予測モデルを構築する場合、訓練データ１１０のサブセット（例えば、関心のある身体領域に関連する訓練データ１１０のみ）を使用して、疑似−ＣＴ予測モデル１５０を訓練し、構築することができる。ひとつの疑似ＣＴ予測モデルの代わりに、プロセッサ５１４は、身体の特定の解剖学的領域（例えば、頭部、上半身、下半身など）に関して複数の疑似ＣＴ予測モデルを生成することができる。したがって、プロセッサ５１４は、ＭＲ特徴ベクトル１２０（又は削減次元特徴ベクトル１４０）及び所定の解剖学的位置のＣＴ値１３０を利用して、ＭＲスキャン内に表れた所定の解剖学的関心位置の疑似ＣＴ予測モデル１５０を生成することができる。
［０７９］
例えば、システム５００は、患者ＭＲスキャン３１０が、患者の前立腺のＭＲ画像を含むと判断することができる。したがって、開示された実施形態により、システム５００は、訓練データとして前立腺のひとつ又はそれ以上のＭＲスキャン及びＣＴスキャンを利用して訓練データ１１０に基づいて構築及び訓練された疑似ＣＴ予測モデルを特定することができる。一実施形態では、複数の疑似ＣＴ予測モデルが利用可能であり、各モデルは、例えば、前立腺の様々な解剖学的側面を表すことができる。したがって、複数の疑似ＣＴ予測モデルを生成することができ、各疑似ＣＴ予測モデルは、特定の解剖学的領域（例えば、前立腺の疑似ＣＴ予測モデル、右肺の疑似ＣＴ予測モデル、左肺の疑似ＣＴ予測モデル、脳の疑似ＣＴ予測モデルなど）に対するものである。
例えば、システム５００は、患者ＭＲスキャン３１０が、患者の前立腺のＭＲ画像を含むと判断することができる。したがって、開示された実施形態により、システム５００は、訓練データとして前立腺のひとつ又はそれ以上のＭＲスキャン及びＣＴスキャンを利用して訓練データ１１０に基づいて構築及び訓練された疑似ＣＴ予測モデルを特定することができる。一実施形態では、複数の疑似ＣＴ予測モデルが利用可能であり、各モデルは、例えば、前立腺の様々な解剖学的側面を表すことができる。したがって、複数の疑似ＣＴ予測モデルを生成することができ、各疑似ＣＴ予測モデルは、特定の解剖学的領域（例えば、前立腺の疑似ＣＴ予測モデル、右肺の疑似ＣＴ予測モデル、左肺の疑似ＣＴ予測モデル、脳の疑似ＣＴ予測モデルなど）に対するものである。
［０８０］
別の実施形態では、疑似ＣＴ予測モデル１５０は、組織分類のような分類ベースの特徴に基づいて生成されてもよい。例えば、システム５００は、画像特徴抽出モジュール１１１を使用して、組織クラス（例えば、骨、脂肪、筋肉、水分、空気、及び、心臓組織、肺組織、肝臓組織、脳組織などのような構造クラス）に従って、訓練データ１１０内の各ＭＲスキャンの画像ボクセルをセグメント化することができる。セグメント化された画像ボクセルに基づいて、各ＭＲスキャンに対する複数のセグメント化マップを生成することができる。画像特徴は、セグメンテーションマップから抽出することができる。セグメンテーションマップ抽出画像特徴は、各ボクセルのＭＲスキャン抽出画像特徴と組み合わせることができる。ＭＲ特徴ベクトルは、結合された画像特徴に基づいて各訓練対象について決定されてもよい。合成されたＭＲ特徴ベクトルと抽出されたＣＴ値に基づく疑似ＣＴ予測モデルを生成することができる。上述のように、用語「組織」は、単に特定のタイプの組織（例えば、空気は組織ではない）を示唆するためではなく、分類として使用されている。
別の実施形態では、疑似ＣＴ予測モデル１５０は、組織分類のような分類ベースの特徴に基づいて生成されてもよい。例えば、システム５００は、画像特徴抽出モジュール１１１を使用して、組織クラス（例えば、骨、脂肪、筋肉、水分、空気、及び、心臓組織、肺組織、肝臓組織、脳組織などのような構造クラス）に従って、訓練データ１１０内の各ＭＲスキャンの画像ボクセルをセグメント化することができる。セグメント化された画像ボクセルに基づいて、各ＭＲスキャンに対する複数のセグメント化マップを生成することができる。画像特徴は、セグメンテーションマップから抽出することができる。セグメンテーションマップ抽出画像特徴は、各ボクセルのＭＲスキャン抽出画像特徴と組み合わせることができる。ＭＲ特徴ベクトルは、結合された画像特徴に基づいて各訓練対象について決定されてもよい。合成されたＭＲ特徴ベクトルと抽出されたＣＴ値に基づく疑似ＣＴ予測モデルを生成することができる。上述のように、用語「組織」は、単に特定のタイプの組織（例えば、空気は組織ではない）を示唆するためではなく、分類として使用されている。
［０８１］
さらに別の実施形態では、疑似ＣＴ画像を生成するプロセスは、訓練対象の特性に従って選択された訓練データを使用することに基づくことができる。例えば、システム５００は、訓練対象のサブセットのうちのひとつ又はそれ以上の共通特性を識別することができる。例えば、システム５００は、各訓練対象に関連する年齢、性別、体重クラス等を特定し、ひとつ以上の共通特性を有する訓練対象を選択してもよい。他の例では、システム５００は、訓練データ１１０内のＭＲ及びＣＴスキャンに基づいて訓練対象のひとつ又はそれ以上の特性を識別することができる。さらに、システム５００は、訓練対象のサブセットと共通の患者（例えば、新しい患者）のひとつ又はそれ以上の特性を識別することができる。例えば、システム５００は、患者のひとつ又はそれ以上の特性を識別し、患者の特性を、共通特性を識別するために訓練対象について識別された特性と比較することができる。次いで、システム５００は、疑似ＣＴ予測モデル１５０を訓練し構築するために、訓練データとしてひとつ又はそれ以上の共通の特性を有する訓練対象を選択することができる。
さらに別の実施形態では、疑似ＣＴ画像を生成するプロセスは、訓練対象の特性に従って選択された訓練データを使用することに基づくことができる。例えば、システム５００は、訓練対象のサブセットのうちのひとつ又はそれ以上の共通特性を識別することができる。例えば、システム５００は、各訓練対象に関連する年齢、性別、体重クラス等を特定し、ひとつ以上の共通特性を有する訓練対象を選択してもよい。他の例では、システム５００は、訓練データ１１０内のＭＲ及びＣＴスキャンに基づいて訓練対象のひとつ又はそれ以上の特性を識別することができる。さらに、システム５００は、訓練対象のサブセットと共通の患者（例えば、新しい患者）のひとつ又はそれ以上の特性を識別することができる。例えば、システム５００は、患者のひとつ又はそれ以上の特性を識別し、患者の特性を、共通特性を識別するために訓練対象について識別された特性と比較することができる。次いで、システム５００は、疑似ＣＴ予測モデル１５０を訓練し構築するために、訓練データとしてひとつ又はそれ以上の共通の特性を有する訓練対象を選択することができる。
［０８２］
画像特徴は、訓練対象の特徴に関連するＣＴスキャンからのＭＲスキャン及びＣＴ番号から抽出することができる。例えば、システム５００は、新しい患者と共通の特性を有する訓練対象のサブセットに関連する訓練データ１１０のＣＴスキャンからＭＲスキャン及びＣＴ値１３０から画像特徴を抽出することができる。次に、抽出された画像特徴に基づいて、サブセットの各訓練対象についてＭＲ特徴ベクトルを決定することができる。これらのＭＲ特徴ベクトルと抽出されたＣＴ値とに基づいて疑似ＣＴ予測モデルを生成することができる。
画像特徴は、訓練対象の特徴に関連するＣＴスキャンからのＭＲスキャン及びＣＴ番号から抽出することができる。例えば、システム５００は、新しい患者と共通の特性を有する訓練対象のサブセットに関連する訓練データ１１０のＣＴスキャンからＭＲスキャン及びＣＴ値１３０から画像特徴を抽出することができる。次に、抽出された画像特徴に基づいて、サブセットの各訓練対象についてＭＲ特徴ベクトルを決定することができる。これらのＭＲ特徴ベクトルと抽出されたＣＴ値とに基づいて疑似ＣＴ予測モデルを生成することができる。
［０８３］
疑似ＣＴ予測モデル１５０は、すべての訓練データ１１０を使用して訓練され、次いで、新しい患者のための新しいＭＲスキャンのために利用され得る。疑似ＣＴ予測モデル１５０は、すべての将来の新しい患者にも使用することができる。いくつかの実施形態では、同じ疑似ＣＴ予測モデル１５０をすべての患者に使用することはできない。疑似ＣＴ予測モデル１５０は、特定の患者についてカスタム生成されてもよい。例えば、訓練データは、新しい患者に類似又は関連する訓練対象に基づいて選択されてもよく、モデルは新しい患者のために特別に構築されてもよい。
疑似ＣＴ予測モデル１５０は、すべての訓練データ１１０を使用して訓練され、次いで、新しい患者のための新しいＭＲスキャンのために利用され得る。疑似ＣＴ予測モデル１５０は、すべての将来の新しい患者にも使用することができる。いくつかの実施形態では、同じ疑似ＣＴ予測モデル１５０をすべての患者に使用することはできない。疑似ＣＴ予測モデル１５０は、特定の患者についてカスタム生成されてもよい。例えば、訓練データは、新しい患者に類似又は関連する訓練対象に基づいて選択されてもよく、モデルは新しい患者のために特別に構築されてもよい。
［０８４］
医療従事者は、最適な治療又は診断を決定するために、患者の関心領域のＭＲ特性及びＣＴ特性の両方を評価することが有用であることが分かる。さらに、疑似ＣＴモデルを使用して、ＭＲ画像からＣＴ画像を導出して、放射線療法治療計画における患者線量計算を容易にすることができる。これは、ＣＴ画像から生じる追加の放射線被曝から患者を守るために、ＭＲ画像から疑似ＣＴ画像を正確に生成するために望ましい。実際のＣＴ画像を置換するためには、疑似ＣＴ画像は、放射線療法治療計画における線量計算の目的で、又は画像ガイダンスに対するデジタル再構成放射線写真（ＤＲＲ）を生成するために、患者の実際のＣＴ画像にできるだけ近づけるべきである。しかし、ＣＴ画像強度値（ＣＴ値）とＭＲ強度値との間には単純な数学的関係はない。ＭＲ強度値は標準化されておらず、異なるＭＲスキャナ設定又は異なるＭＲ画像シーケンスパラメータに応じて大きく変化し得るので、困難が生じる。
医療従事者は、最適な治療又は診断を決定するために、患者の関心領域のＭＲ特性及びＣＴ特性の両方を評価することが有用であることが分かる。さらに、疑似ＣＴモデルを使用して、ＭＲ画像からＣＴ画像を導出して、放射線療法治療計画における患者線量計算を容易にすることができる。これは、ＣＴ画像から生じる追加の放射線被曝から患者を守るために、ＭＲ画像から疑似ＣＴ画像を正確に生成するために望ましい。実際のＣＴ画像を置換するためには、疑似ＣＴ画像は、放射線療法治療計画における線量計算の目的で、又は画像ガイダンスに対するデジタル再構成放射線写真（ＤＲＲ）を生成するために、患者の実際のＣＴ画像にできるだけ近づけるべきである。しかし、ＣＴ画像強度値（ＣＴ値）とＭＲ強度値との間には単純な数学的関係はない。ＭＲ強度値は標準化されておらず、異なるＭＲスキャナ設定又は異なるＭＲ画像シーケンスパラメータに応じて大きく変化し得るので、困難が生じる。
［０８５］
図７は、開示された実施形態のように、モデルが（図３に記載されているように）疑似ＣＴ値および疑似ＣＴ画像を生成するように訓練された後、（図１及び図６により説明されるように）疑似ＣＴ予測モデルを使用するための例示的なプロセス７００のフローチャートである。ステップ７１０において、システム５００は、患者（例えば、新しい患者）に関連する少なくともひとつのＭＲスキャン（例えば、ＭＲスキャン３１０）を受信することができる。少なくともひとつのＭＲスキャンは、対応するＣＴスキャンを有していなくてもよい。ＭＲスキャンは、疑似ＣＴ画像を生成するために使用される。
図７は、開示された実施形態のように、モデルが（図３に記載されているように）疑似ＣＴ値および疑似ＣＴ画像を生成するように訓練された後、（図１及び図６により説明されるように）疑似ＣＴ予測モデルを使用するための例示的なプロセス７００のフローチャートである。ステップ７１０において、システム５００は、患者（例えば、新しい患者）に関連する少なくともひとつのＭＲスキャン（例えば、ＭＲスキャン３１０）を受信することができる。少なくともひとつのＭＲスキャンは、対応するＣＴスキャンを有していなくてもよい。ＭＲスキャンは、疑似ＣＴ画像を生成するために使用される。
［０８６］
ステップ７２０において、プロセッサ５１４は、ＭＲ画像ボクセルがセグメント化されるべきかどうかを決定することができる。ＭＲスキャンをセグメント化することは任意である。プロセッサ５１４は、治療計画ソフトウェア５１１（図５に示す）又はユーザインターフェース（図示せず）から命令を受信して、ＭＲスキャンを分割すべきかどうかを示すことができる。そうである場合、プロセス７００は、分岐７２２（例えば「ＹＥＳ」）に進み、ＭＲスキャンを分割する。ステップ７３０では、ＭＲスキャンの画像ボクセルが、例えば、組織分類に従ってセグメント化される。セグメント化は、当業者に知られているセグメント化技術に従って実施することができる。例えば、プロセッサ５１４は、ひとつ又はそれ以上のセグメンテーションマップを作成するために、ｋ−ｍｅａｎｓクラスタリングセグメンテーション法（k-means clustering segmentation method）、ファジーｃ−ｍｅａｎｓセグメンテーション法（fuzzy C-means segmentation method）などを採用することができる。
ステップ７２０において、プロセッサ５１４は、ＭＲ画像ボクセルがセグメント化されるべきかどうかを決定することができる。ＭＲスキャンをセグメント化することは任意である。プロセッサ５１４は、治療計画ソフトウェア５１１（図５に示す）又はユーザインターフェース（図示せず）から命令を受信して、ＭＲスキャンを分割すべきかどうかを示すことができる。そうである場合、プロセス７００は、分岐７２２（例えば「ＹＥＳ」）に進み、ＭＲスキャンを分割する。ステップ７３０では、ＭＲスキャンの画像ボクセルが、例えば、組織分類に従ってセグメント化される。セグメント化は、当業者に知られているセグメント化技術に従って実施することができる。例えば、プロセッサ５１４は、ひとつ又はそれ以上のセグメンテーションマップを作成するために、ｋ−ｍｅａｎｓクラスタリングセグメンテーション法（k-means clustering segmentation method）、ファジーｃ−ｍｅａｎｓセグメンテーション法（fuzzy C-means segmentation method）などを採用することができる。
［０８７］
プロセッサ５１４はさらに進んだセグメンテーション方法を使用することができる。例えば、プロセッサ５１４は、セグメンテーションを実行するための学習ベースまたは特徴ベースのアプローチを採用することができ、それは、例えば、アルゴリズム（例えば、局所パターン特徴、ランドマーク特徴、コンテキスト特徴など）を使用して分類予測モデルを構築することを含み、画像ボクセルの特徴に基づいて各画像ボクセルの組織ラベルを予測することができる。
プロセッサ５１４はさらに進んだセグメンテーション方法を使用することができる。例えば、プロセッサ５１４は、セグメンテーションを実行するための学習ベースまたは特徴ベースのアプローチを採用することができ、それは、例えば、アルゴリズム（例えば、局所パターン特徴、ランドマーク特徴、コンテキスト特徴など）を使用して分類予測モデルを構築することを含み、画像ボクセルの特徴に基づいて各画像ボクセルの組織ラベルを予測することができる。
［０８８］
ステップ７３２において、プロセッサ５１４は、分類された画像ボクセルに基づいて各ＭＲスキャンについて複数のセグメント化マップを生成して、分類予測モデルを作成することができる。例えば、バイナリボーンセグメンテーションマップ（binary bone segmentation map）は、ボーンとしてラベル付けされたボクセルでは「１」に等しい値を有し、他のすべてのボクセルでは「０」である画像であってもよい。プロセッサ５１４は、セグメンテーションマップを使用して元のＭＲ画像から追加の特徴を抽出することができる。開示された実施形態による、上記に開示された学習ベースの方法を用いて、ひとつ又はそれ以上のセグメンテーションマップを生成するための予測モデルを訓練し構築することができる。あるいは、ＭＲスキャンのセグメンテーションが必要でない場合、プロセス７００は、分岐７２４（例えば「ＮＯ」）に進む。
ステップ７３２において、プロセッサ５１４は、分類された画像ボクセルに基づいて各ＭＲスキャンについて複数のセグメント化マップを生成して、分類予測モデルを作成することができる。例えば、バイナリボーンセグメンテーションマップ（binary bone segmentation map）は、ボーンとしてラベル付けされたボクセルでは「１」に等しい値を有し、他のすべてのボクセルでは「０」である画像であってもよい。プロセッサ５１４は、セグメンテーションマップを使用して元のＭＲ画像から追加の特徴を抽出することができる。開示された実施形態による、上記に開示された学習ベースの方法を用いて、ひとつ又はそれ以上のセグメンテーションマップを生成するための予測モデルを訓練し構築することができる。あるいは、ＭＲスキャンのセグメンテーションが必要でない場合、プロセス７００は、分岐７２４（例えば「ＮＯ」）に進む。
［０８９］
ステップ７４０において、プロセッサ５１４は、患者のＭＲスキャンから画像特徴を抽出することができる。上記で説明したＭＲスキャンをセグメント化する任意の経路が実行された場合、抽出された画像特徴を経路７２２に沿って提供することができる。ステップ７３４において、プロセッサ５１４は、ＭＲ画像からセグメンテーションマップを使用して抽出された追加の特徴と、ＭＲ画像から直接抽出された特徴とを組み合わせて、各データポイント（例えば、ボクセル）の特徴の組合せセットを形成する。
ステップ７４０において、プロセッサ５１４は、患者のＭＲスキャンから画像特徴を抽出することができる。上記で説明したＭＲスキャンをセグメント化する任意の経路が実行された場合、抽出された画像特徴を経路７２２に沿って提供することができる。ステップ７３４において、プロセッサ５１４は、ＭＲ画像からセグメンテーションマップを使用して抽出された追加の特徴と、ＭＲ画像から直接抽出された特徴とを組み合わせて、各データポイント（例えば、ボクセル）の特徴の組合せセットを形成する。
［０９０］
ＭＲスキャンが分割されているかどうかにかかわらず、画像特徴が抽出された後、プロセス７００は（例えば、経路７４４又は７３６に沿って）ステップ７５０に進む。ステップ７５０において、プロセッサ５１４は、抽出された画像特徴から各訓練対象についての特徴ベクトル１２０を決定することができる。
ＭＲスキャンが分割されているかどうかにかかわらず、画像特徴が抽出された後、プロセス７００は（例えば、経路７４４又は７３６に沿って）ステップ７５０に進む。ステップ７５０において、プロセッサ５１４は、抽出された画像特徴から各訓練対象についての特徴ベクトル１２０を決定することができる。
［０９１］
ステップ７６０において、プロセッサ５１４は、ＭＲ特徴ベクトル１２０を疑似ＣＴ予測モデル１５０に入力することができる。ステップ７７０において、プロセッサ５１４は、疑似ＣＴ予測モデル１５０を入力ＭＲ特徴ベクトル１２０に適用して、患者ＭＲ画像３１０の各ボクセルのＣＴ数（例えば、疑似ＣＴ値３４０）を決定することができる。
ステップ７６０において、プロセッサ５１４は、ＭＲ特徴ベクトル１２０を疑似ＣＴ予測モデル１５０に入力することができる。ステップ７７０において、プロセッサ５１４は、疑似ＣＴ予測モデル１５０を入力ＭＲ特徴ベクトル１２０に適用して、患者ＭＲ画像３１０の各ボクセルのＣＴ数（例えば、疑似ＣＴ値３４０）を決定することができる。
［０９２］
ステップ７８０において、プロセッサ５１４は、疑似ＣＴ値３４０に基づいて、患者の疑似ＣＴ画像３５０を生成することができる。得られた疑似ＣＴ画像３５０は、治療計画における線量計算、画像誘導のためのＤＲＲの生成などのために使用されてもよい。
ステップ７８０において、プロセッサ５１４は、疑似ＣＴ値３４０に基づいて、患者の疑似ＣＴ画像３５０を生成することができる。得られた疑似ＣＴ画像３５０は、治療計画における線量計算、画像誘導のためのＤＲＲの生成などのために使用されてもよい。
［０９３］
図８は、開示された実施形態と一致する、疑似ＣＴ予測モデルを構築するための訓練データを増強するための例示的な方法の図を示す。図８に示す方法は、カスケード訓練技法又は多段階訓練技法とも呼ばれ、最初に訓練された予測モデルが中間予測結果を生成するために使用され、中間予測結果は、データを訓練して、述語モデルをさらに洗練させる。カスケード訓練技術は、複数の訓練段階を含むことができる。各段階において、予測モデルは、前の段階で生成された予測モデルによって生成された予測結果と組み合わされた初期データ（例えば、訓練データ１１０）を用いて訓練される。
図８は、開示された実施形態と一致する、疑似ＣＴ予測モデルを構築するための訓練データを増強するための例示的な方法の図を示す。図８に示す方法は、カスケード訓練技法又は多段階訓練技法とも呼ばれ、最初に訓練された予測モデルが中間予測結果を生成するために使用され、中間予測結果は、データを訓練して、述語モデルをさらに洗練させる。カスケード訓練技術は、複数の訓練段階を含むことができる。各段階において、予測モデルは、前の段階で生成された予測モデルによって生成された予測結果と組み合わされた初期データ（例えば、訓練データ１１０）を用いて訓練される。
［０９４］
一実施形態では、図１に関して上述したように、疑似ＣＴ予測モデル１５０は、当初構築され、訓練データの初期セットを使用して訓練されてもよい。最初の訓練プロセスの一部として、複数の画像走査から画像特徴が抽出され、抽出された画像特徴から特徴ベクトルが決定される。さらに、ＣＴスキャンから対応するＣＴ値を決定することができる。例えば、各訓練主題のための少なくともひとつのＣＴ画像が利用可能であるべきである。一実施形態では、複数のＣＴ画像が利用可能であってもよい。複数のＣＴ画像が利用可能であれば、ＣＴ画像を平均して画像ノイズを低減することができる。疑似ＣＴモデルは、カスケード訓練プロセスの任意の段階で訓練され得る。
一実施形態では、図１に関して上述したように、疑似ＣＴ予測モデル１５０は、当初構築され、訓練データの初期セットを使用して訓練されてもよい。最初の訓練プロセスの一部として、複数の画像走査から画像特徴が抽出され、抽出された画像特徴から特徴ベクトルが決定される。さらに、ＣＴスキャンから対応するＣＴ値を決定することができる。例えば、各訓練主題のための少なくともひとつのＣＴ画像が利用可能であるべきである。一実施形態では、複数のＣＴ画像が利用可能であってもよい。複数のＣＴ画像が利用可能であれば、ＣＴ画像を平均して画像ノイズを低減することができる。疑似ＣＴモデルは、カスケード訓練プロセスの任意の段階で訓練され得る。
［０９５］
別の実施形態では、分類予測モデルは、初期モデル又は任意の中間モデルとして訓練されてもよい。上述のように、分類予測モデルは、分類ベースの特徴を抽出して次の訓練段階で使用することができるひとつ以上の区分マップを予測するために使用されてもよい。
別の実施形態では、分類予測モデルは、初期モデル又は任意の中間モデルとして訓練されてもよい。上述のように、分類予測モデルは、分類ベースの特徴を抽出して次の訓練段階で使用することができるひとつ以上の区分マップを予測するために使用されてもよい。
［０９６］
例示的なカスケード訓練プロセスでは、疑似ＣＴ予測モデルが最終段階で訓練され構築されている限り、疑似ＣＴ予測モデル及び分類予測モデルを複数のステージ間の任意の組み合わせで使用することができる。
例示的なカスケード訓練プロセスでは、疑似ＣＴ予測モデルが最終段階で訓練され構築されている限り、疑似ＣＴ予測モデル及び分類予測モデルを複数のステージ間の任意の組み合わせで使用することができる。
［０９７］
図８に示すように、最初に構築された予測モデルはモデル＃１として示されている。モデル＃１は、訓練段階＃１の間、各ＭＲスキャン、各ＣＴスキャン、又はＭＲ及びＣＴスキャンの各ペア（例えば、１１０ａ、１１０ｂ）のような元の訓練データを処理することによって生成される。上述したように、モデル＃１は、疑似ＣＴ予測モデル又は分類予測モデルであってもよい。モデル＃１は、次の段階の訓練プロセスで使用できる。例えば、モデル＃１は、複数の予測結果（例えば、予測結果１、ステージ１；予測結果２、ステージ１；．．．；予測結果Ｎ、ステージ１）を生成するために使用することができる。例えば、モデル＃１が疑似ＣＴ予測モデルである場合、訓練対象ａのＭＲスキャンをモデル＃１への入力として使用して（例えば、訓練対象ａが新しい患者であり、訓練対象ａのＭＲスキャンが新しいＭＲスキャンであるかのように）、疑似ＣＴ予測結果１１２０ａ：予測結果１、ステージ１を生成することができる。別の例では、モデル＃１が分類予測モデルである場合、モデル＃１の予測結果はセグメントマップであってもよい。他の予測結果１１２０ｂ．．．１１２０Ｎも同様に生成することができる。次いで、これらの予測結果は、初期訓練データに増強されて、拡張訓練データ１１２０を形成することができる。例えば、モデル＃１から生成された対応する予測結果（例えば、１１２０ａ、１１２０ｂ、．．．１１２０Ｎ）とＭＲ及びＣＴスキャンのペア（例えば、１１０ａ、１１０ｂ、．．．１１０Ｎ）を関連付けることによって、拡張された訓練データ１１２０を作成することができる。拡張訓練データ１１２０は、別のモデル（例えば、モデル＃２）を生成するために、次の訓練段階で訓練モジュール（例えば、訓練モジュール４１２）によって使用され得る。
図８に示すように、最初に構築された予測モデルはモデル＃１として示されている。モデル＃１は、訓練段階＃１の間、各ＭＲスキャン、各ＣＴスキャン、又はＭＲ及びＣＴスキャンの各ペア（例えば、１１０ａ、１１０ｂ）のような元の訓練データを処理することによって生成される。上述したように、モデル＃１は、疑似ＣＴ予測モデル又は分類予測モデルであってもよい。モデル＃１は、次の段階の訓練プロセスで使用できる。例えば、モデル＃１は、複数の予測結果（例えば、予測結果１、ステージ１；予測結果２、ステージ１；．．．；予測結果Ｎ、ステージ１）を生成するために使用することができる。例えば、モデル＃１が疑似ＣＴ予測モデルである場合、訓練対象ａのＭＲスキャンをモデル＃１への入力として使用して（例えば、訓練対象ａが新しい患者であり、訓練対象ａのＭＲスキャンが新しいＭＲスキャンであるかのように）、疑似ＣＴ予測結果１１２０ａ：予測結果１、ステージ１を生成することができる。別の例では、モデル＃１が分類予測モデルである場合、モデル＃１の予測結果はセグメントマップであってもよい。他の予測結果１１２０ｂ．．．１１２０Ｎも同様に生成することができる。次いで、これらの予測結果は、初期訓練データに増強されて、拡張訓練データ１１２０を形成することができる。例えば、モデル＃１から生成された対応する予測結果（例えば、１１２０ａ、１１２０ｂ、．．．１１２０Ｎ）とＭＲ及びＣＴスキャンのペア（例えば、１１０ａ、１１０ｂ、．．．１１０Ｎ）を関連付けることによって、拡張された訓練データ１１２０を作成することができる。拡張訓練データ１１２０は、別のモデル（例えば、モデル＃２）を生成するために、次の訓練段階で訓練モジュール（例えば、訓練モジュール４１２）によって使用され得る。
［０９８］
このようにして、各段階で、新しく洗練された訓練されたモデル（例えば、モデル＃２、モデル＃３、．．．モデル＃Ｍ）を生成することができる。前段階で開発されたモデルは、拡張訓練データ（例えば、拡張訓練データ１１２０，１１３０など）を訓練モジュールに適用することによって改良することができる。例えば、モデル＃２は、モデル＃１によって生成された予測結果を含む拡張訓練データ１１２０を使用して生成することができる。モデル＃２を生成するために、拡張された訓練データ１１２０は、訓練段階＃２において訓練モジュール（例えば、訓練モジュール４１２）に入力され得る。いくつかの実施形態では、モデル＃１によって生成される予測結果は、各訓練対象についての画像（例えば、疑似ＣＴ画像）又はマップ（例えば、セグメンテーションマップ）であってもよい。次いで、画像特徴は、例えば、画像特徴抽出モジュール１１１を使用して、予測結果（例えば、画像又はマップ）から抽出することができる。予測結果から抽出することができる画像特徴は、輝度特徴、文脈特徴、パッチ特徴、局所パターン特徴、ランドマーク特徴など、従来の文章で論じた任意の特徴を含むことができる。予測結果から抽出された特徴は、元のＭＲ画像から抽出された特徴と組み合わされて、各画像点のための新たな拡張特徴ベクトルを形成することができる。拡張特徴ベクトルは、例えばモデル＃２を訓練するために次の訓練段階で使用されてもよい。各後続の予測モデル（例えば、モデル＃２）は、その以前の予測モデル（例えば、モデル＃１）の予測結果を使用して構築され、訓練されるので、予測結果から明らかにされた新しい情報を訓練プロセスに加え、後続の予測モデルを改善することができる。各逐次モデル（例えば、モデル＃１、モデル＃２、．．．など）を訓練するために拡張訓練データ（例えば、拡張されたトレーニングデータ１１２０、１１３０など）を使用するこのプロセスは、最終予測モデルモデル＃Ｍが訓練され構築されるまで続く。カスケード訓練プロセスの目標が疑似ＣＴ予測モデルを構築することである場合、最後のモデルであるモデル＃Ｍは疑似ＣＴ予測モデルであり、中間ステージの他のモデルはいずれのモデルでもよい。利用される段階の数は、ＣＴ値を正確に予測するためのモデル＃Ｍの検証に依存し得る。例えば、最新のモデルによって生成された疑似ＣＴ予測値と元のＣＴ値との間の差が所定の閾値未満である場合、この反復プロセスは停止することができる。別の例では、反復プロセスは、連続する疑似ＣＴ予測モデルの予測結果の間の差が所定の閾値未満であるときに停止することができる。
このようにして、各段階で、新しく洗練された訓練されたモデル（例えば、モデル＃２、モデル＃３、．．．モデル＃Ｍ）を生成することができる。前段階で開発されたモデルは、拡張訓練データ（例えば、拡張訓練データ１１２０，１１３０など）を訓練モジュールに適用することによって改良することができる。例えば、モデル＃２は、モデル＃１によって生成された予測結果を含む拡張訓練データ１１２０を使用して生成することができる。モデル＃２を生成するために、拡張された訓練データ１１２０は、訓練段階＃２において訓練モジュール（例えば、訓練モジュール４１２）に入力され得る。いくつかの実施形態では、モデル＃１によって生成される予測結果は、各訓練対象についての画像（例えば、疑似ＣＴ画像）又はマップ（例えば、セグメンテーションマップ）であってもよい。次いで、画像特徴は、例えば、画像特徴抽出モジュール１１１を使用して、予測結果（例えば、画像又はマップ）から抽出することができる。予測結果から抽出することができる画像特徴は、輝度特徴、文脈特徴、パッチ特徴、局所パターン特徴、ランドマーク特徴など、従来の文章で論じた任意の特徴を含むことができる。予測結果から抽出された特徴は、元のＭＲ画像から抽出された特徴と組み合わされて、各画像点のための新たな拡張特徴ベクトルを形成することができる。拡張特徴ベクトルは、例えばモデル＃２を訓練するために次の訓練段階で使用されてもよい。各後続の予測モデル（例えば、モデル＃２）は、その以前の予測モデル（例えば、モデル＃１）の予測結果を使用して構築され、訓練されるので、予測結果から明らかにされた新しい情報を訓練プロセスに加え、後続の予測モデルを改善することができる。各逐次モデル（例えば、モデル＃１、モデル＃２、．．．など）を訓練するために拡張訓練データ（例えば、拡張されたトレーニングデータ１１２０、１１３０など）を使用するこのプロセスは、最終予測モデルモデル＃Ｍが訓練され構築されるまで続く。カスケード訓練プロセスの目標が疑似ＣＴ予測モデルを構築することである場合、最後のモデルであるモデル＃Ｍは疑似ＣＴ予測モデルであり、中間ステージの他のモデルはいずれのモデルでもよい。利用される段階の数は、ＣＴ値を正確に予測するためのモデル＃Ｍの検証に依存し得る。例えば、最新のモデルによって生成された疑似ＣＴ予測値と元のＣＴ値との間の差が所定の閾値未満である場合、この反復プロセスは停止することができる。別の例では、反復プロセスは、連続する疑似ＣＴ予測モデルの予測結果の間の差が所定の閾値未満であるときに停止することができる。
［０９９］
上述したように、カスケード訓練技術は、疑似ＣＴ予測モデル及び／又は組織分類モデルの訓練及び構築に適用可能である。組織分類モデルを訓練及び構築する場合、各中間予測モデル（例えば、モデル＃１、モデル＃２、．．．モデル＃Ｍ−１）は、例えば組織ラベルを反映するセグメントマップを提供することができる組織分類モデルであり得る疑似ＣＴ値を生成する。上述の多段階訓練プロセスを使用して、各組織分類モデルは、以前のモデルの予測結果を含む拡張データを使用して構築され、訓練され、各段階でモデルを絶えず改良することができる。さらに、組織分類及び疑似ＣＴ予測は、多段階プロセスに混在させることができる。例えば、最初のＫ段階では、訓練されたモデルは組織分類モデルであってもよく、予測結果は組織分類結果であってもよい。組織分類モデルが訓練されると、Ｋ＋１段階で組織分類結果を使用して疑似ＣＴ値を予測することができ、ここで組織分類結果を使用して、抽出された他の特徴と共に特徴の集合をＭＲスキャンから抽出することができる。Ｍ段階に達するまで（例えば、Ｍ＞Ｋ＋１の場合）、単一の余分な段階を実行することができる（例えば、Ｍ＝Ｋ＋１である場合）又は追加の段階を実行することができる。プロセスの最後に、最終的な予測モデルであるモデル＃Ｍが疑似ＣＴ値を生成するように訓練され構築される。
上述したように、カスケード訓練技術は、疑似ＣＴ予測モデル及び／又は組織分類モデルの訓練及び構築に適用可能である。組織分類モデルを訓練及び構築する場合、各中間予測モデル（例えば、モデル＃１、モデル＃２、．．．モデル＃Ｍ−１）は、例えば組織ラベルを反映するセグメントマップを提供することができる組織分類モデルであり得る疑似ＣＴ値を生成する。上述の多段階訓練プロセスを使用して、各組織分類モデルは、以前のモデルの予測結果を含む拡張データを使用して構築され、訓練され、各段階でモデルを絶えず改良することができる。さらに、組織分類及び疑似ＣＴ予測は、多段階プロセスに混在させることができる。例えば、最初のＫ段階では、訓練されたモデルは組織分類モデルであってもよく、予測結果は組織分類結果であってもよい。組織分類モデルが訓練されると、Ｋ＋１段階で組織分類結果を使用して疑似ＣＴ値を予測することができ、ここで組織分類結果を使用して、抽出された他の特徴と共に特徴の集合をＭＲスキャンから抽出することができる。Ｍ段階に達するまで（例えば、Ｍ＞Ｋ＋１の場合）、単一の余分な段階を実行することができる（例えば、Ｍ＝Ｋ＋１である場合）又は追加の段階を実行することができる。プロセスの最後に、最終的な予測モデルであるモデル＃Ｍが疑似ＣＴ値を生成するように訓練され構築される。
［０１００］
図９は、開示された実施形態により、疑似ＣＴ値を予測するために多段階モデルを適用する例示的プロセスの図を示す。
図９は、開示された実施形態により、疑似ＣＴ値を予測するために多段階モデルを適用する例示的プロセスの図を示す。
［０１０１］
図９に示すように、プロセッサ（例えば、図５に示すプロセッサ５１４）は、画像取得装置４４０又はデータベース５２０，５３０（図５に示す）からひとつ又はそれ以上の患者のＭＲスキャン３１０を取得することができる。
図９に示すように、プロセッサ（例えば、図５に示すプロセッサ５１４）は、画像取得装置４４０又はデータベース５２０，５３０（図５に示す）からひとつ又はそれ以上の患者のＭＲスキャン３１０を取得することができる。
［０１０２］
患者のＭＲスキャンが取得されると、複数の画像特徴をＭＲスキャンの各ＭＲボクセルについて抽出することができる。図２に関して上述したように、抽出された画像特徴は、局所パターン特徴２１２、ランドマーク特徴２１４、コンテキスト特徴２１６、及び様々な他のタイプの特徴２１８を含むことができる。特徴は、画像ポイント、画像ボクセル、又は画像サンプルに関連付けることができる。図９に示すように、画像特徴抽出モジュール３１１を使用して、ＭＲ走査から画像特徴を抽出することができる。画像特徴は、ＭＲボクセルの数値（例えば、強度値、特徴の座標位置など）又はカテゴリ特性（例えば、組織タイプ、構造ラベルなど）を参照することができる。上述したように、各画像点について抽出された画像特徴は、特徴ベクトルを形成することができる。例えば、ＭＲスキャン３１０のすべての画像ポイントに対する特徴ベクトルのセット（例えば３２０）は、モデル＃１（図８の訓練段階１で生成されたモデル）に入力されてもよい。言い換えれば、プロセッサ５１４は、図８の多段階訓練プロセスにおける訓練段階１で生成されたモデル＃１をＭＲスキャン３１０から抽出された一連の特徴ベクトルに適用することができる。モデル＃１は、予測結果＃１ ９４０（例えば、モデル＃１のタイプに応じて、疑似ＣＴ値、セグメンテーションマップなど）を出力することができる。その後、予測結果＃１ ９４０とＭＲスキャン３１０とを組み合わせて別の画像特徴抽出３１１を行うことができる。より多くの情報が予測結果＃１ ９４０によって提供されるので、より多くの画像特徴が第２の抽出から生じ得るか、又は第２の抽出からの画像特徴結果が第１の抽出からの結果よりも優れた品質を有し得る。第２の抽出からの画像特徴結果は、図８の訓練段階２で生成されたモデル＃２に入力されて予測結果＃２ ９５０を生成することができるＭＲ特徴ベクトルのセットを形成することができ、ＭＲスキャン３１０と組み合わせることができる。画像特徴抽出モジュール３１１は、組み合わされた予測結果＃２ ９５０及びＭＲスキャン３１０からＭＲ特徴ベクトルのセットを再び抽出することができる。このプロセスは、最終予測モデルモデル＃Ｍが疑似ＣＴ値３４０を生成するために適用されるまで繰り返される。いくつかの実施形態によれば、モデル＃１からモデル＃Ｍの予測モデルは、訓練プロセスで生成されたモデルと同じ順序で適用されるべきである。疑似ＣＴ値３４０は、患者の解剖学的形状の正確な視覚的表現を示す疑似ＣＴ画像３５０を生成するために使用することができる。
患者のＭＲスキャンが取得されると、複数の画像特徴をＭＲスキャンの各ＭＲボクセルについて抽出することができる。図２に関して上述したように、抽出された画像特徴は、局所パターン特徴２１２、ランドマーク特徴２１４、コンテキスト特徴２１６、及び様々な他のタイプの特徴２１８を含むことができる。特徴は、画像ポイント、画像ボクセル、又は画像サンプルに関連付けることができる。図９に示すように、画像特徴抽出モジュール３１１を使用して、ＭＲ走査から画像特徴を抽出することができる。画像特徴は、ＭＲボクセルの数値（例えば、強度値、特徴の座標位置など）又はカテゴリ特性（例えば、組織タイプ、構造ラベルなど）を参照することができる。上述したように、各画像点について抽出された画像特徴は、特徴ベクトルを形成することができる。例えば、ＭＲスキャン３１０のすべての画像ポイントに対する特徴ベクトルのセット（例えば３２０）は、モデル＃１（図８の訓練段階１で生成されたモデル）に入力されてもよい。言い換えれば、プロセッサ５１４は、図８の多段階訓練プロセスにおける訓練段階１で生成されたモデル＃１をＭＲスキャン３１０から抽出された一連の特徴ベクトルに適用することができる。モデル＃１は、予測結果＃１ ９４０（例えば、モデル＃１のタイプに応じて、疑似ＣＴ値、セグメンテーションマップなど）を出力することができる。その後、予測結果＃１ ９４０とＭＲスキャン３１０とを組み合わせて別の画像特徴抽出３１１を行うことができる。より多くの情報が予測結果＃１ ９４０によって提供されるので、より多くの画像特徴が第２の抽出から生じ得るか、又は第２の抽出からの画像特徴結果が第１の抽出からの結果よりも優れた品質を有し得る。第２の抽出からの画像特徴結果は、図８の訓練段階２で生成されたモデル＃２に入力されて予測結果＃２ ９５０を生成することができるＭＲ特徴ベクトルのセットを形成することができ、ＭＲスキャン３１０と組み合わせることができる。画像特徴抽出モジュール３１１は、組み合わされた予測結果＃２ ９５０及びＭＲスキャン３１０からＭＲ特徴ベクトルのセットを再び抽出することができる。このプロセスは、最終予測モデルモデル＃Ｍが疑似ＣＴ値３４０を生成するために適用されるまで繰り返される。いくつかの実施形態によれば、モデル＃１からモデル＃Ｍの予測モデルは、訓練プロセスで生成されたモデルと同じ順序で適用されるべきである。疑似ＣＴ値３４０は、患者の解剖学的形状の正確な視覚的表現を示す疑似ＣＴ画像３５０を生成するために使用することができる。
［０１０３］
いくつかの実施形態では、予測モデルのモデル＃１、モデル＃２、モデル＃Ｍ−１のうちの任意のひとつは、組織分類モデルであってもよい。例えば、モデル＃１は分類モデルであってもよい。ＭＲスキャン３１０から抽出された特徴ベクトルにモデル＃１を適用することにより、分類マップ（例えば、組織分類マップ）を生成することができる。モデル分類マップは、ＭＲスキャン３１０と共に、画像特徴抽出モジュール３１１への入力として使用されて、モデル＃２が適用され得るより多くの情報又は改善された品質を有する特徴ベクトルを生成することができる。特徴ベクトルをさらに精細化するために、同様のステップを繰り返すことができる。一連の分類モデルは、多段階訓練プロセスから提供されてもよい（図８）。例えば、モデル＃１は、分類モデルＡであってもよく、モデル＃２は、分類モデルＢであってもよい。分類モデルＡ及び分類モデルＢは、同一の組織クラスであるが異なる精緻に関連してもよく、又は異なる組織クラスに関連してもよい。上述のように、最終予測モデル＃Ｍは、開示された実施形態により、疑似ＣＴ値３４０を生成する疑似ＣＴ予測モデルである。
いくつかの実施形態では、予測モデルのモデル＃１、モデル＃２、モデル＃Ｍ−１のうちの任意のひとつは、組織分類モデルであってもよい。例えば、モデル＃１は分類モデルであってもよい。ＭＲスキャン３１０から抽出された特徴ベクトルにモデル＃１を適用することにより、分類マップ（例えば、組織分類マップ）を生成することができる。モデル分類マップは、ＭＲスキャン３１０と共に、画像特徴抽出モジュール３１１への入力として使用されて、モデル＃２が適用され得るより多くの情報又は改善された品質を有する特徴ベクトルを生成することができる。特徴ベクトルをさらに精細化するために、同様のステップを繰り返すことができる。一連の分類モデルは、多段階訓練プロセスから提供されてもよい（図８）。例えば、モデル＃１は、分類モデルＡであってもよく、モデル＃２は、分類モデルＢであってもよい。分類モデルＡ及び分類モデルＢは、同一の組織クラスであるが異なる精緻に関連してもよく、又は異なる組織クラスに関連してもよい。上述のように、最終予測モデル＃Ｍは、開示された実施形態により、疑似ＣＴ値３４０を生成する疑似ＣＴ予測モデルである。
［０１０４］
いくつかの実施形態では、予測モデルは、マルチチャネルＭＲスキャン及び対応するＣＴ値を含む訓練データ１１０（図１に示す）で構築及び訓練することができる。マルチチャネルＭＲスキャンは、シングルチャネルＭＲスキャンより多くの情報を提供する。マルチチャネルＭＲ画像で利用可能な情報の増加は、疑似ＣＴ画像を生成するためにＣＴ値のより正確でより堅牢な予測を可能にする。例えば、マルチチャネルＭＲ画像は、ＭＲ強度値から固有の組織パラメータ値への変換を可能にする。
いくつかの実施形態では、予測モデルは、マルチチャネルＭＲスキャン及び対応するＣＴ値を含む訓練データ１１０（図１に示す）で構築及び訓練することができる。マルチチャネルＭＲスキャンは、シングルチャネルＭＲスキャンより多くの情報を提供する。マルチチャネルＭＲ画像で利用可能な情報の増加は、疑似ＣＴ画像を生成するためにＣＴ値のより正確でより堅牢な予測を可能にする。例えば、マルチチャネルＭＲ画像は、ＭＲ強度値から固有の組織パラメータ値への変換を可能にする。
［０１０５］
ＭＲＩは、磁気及び無線周波数（ＲＦ）フィールドの操作を通じて、人体の様々な特性（例えば、構造的及び機能的の両方）の研究を可能にする、非常に汎用性の高いイメージング技術である。標準的な構造（又は解剖学的）イメージングのために、測定されたＭＲ信号（例えば、ＭＲ画像強度）は、いくつかの固有の組織パラメータ、すなわちプロトン密度（Ｐ）、縦緩和時間（Ｔ１）及び横緩和時間（Ｔ２又はＴ＊ ２（磁場の不均一性の影響を考慮した場合））の関数である。例えば、ＦＬＡＳＨ（登録商標）及びＳＰＧＲイメージングプロトコル（例えばイメージングシーケンスとしても知られている）の両方について、ＭＲ信号強度（Ｓ）は、式２に従って固有の組織パラメータ（Ｐ、Ｔ１、及びＴ＊ ２）の関数として表すことができる。
ＭＲＩは、磁気及び無線周波数（ＲＦ）フィールドの操作を通じて、人体の様々な特性（例えば、構造的及び機能的の両方）の研究を可能にする、非常に汎用性の高いイメージング技術である。標準的な構造（又は解剖学的）イメージングのために、測定されたＭＲ信号（例えば、ＭＲ画像強度）は、いくつかの固有の組織パラメータ、すなわちプロトン密度（Ｐ）、縦緩和時間（Ｔ１）及び横緩和時間（Ｔ２又はＴ＊ ２（磁場の不均一性の影響を考慮した場合））の関数である。例えば、ＦＬＡＳＨ（登録商標）及びＳＰＧＲイメージングプロトコル（例えばイメージングシーケンスとしても知られている）の両方について、ＭＲ信号強度（Ｓ）は、式２に従って固有の組織パラメータ（Ｐ、Ｔ１、及びＴ＊ ２）の関数として表すことができる。
ここで、ＴＲ、ＴＥ、及びαは、ユーザが自由に変更できるＭＲ取得パラメータである。異なるパラメータを使用して、異なる画像コントラストを生成することができる。
［０１０６］
ＭＲ画像からＣＴ数を予測するために、予測モデルは、シーケンスパラメータ（ＴＲ、ＴＥ、及びα）に依存するＭＲ信号強度Ｓの代わりに、主に固有組織パラメータ（Ｐ、Ｔ１、及びＴ＊ ２）に依存してもよい。何故ならシーケンスパラメータ（ＴＲ、ＴＥ、及びα）は患者の解剖学的特性を少なくとも直接には表していないからである。
ＭＲ画像からＣＴ数を予測するために、予測モデルは、シーケンスパラメータ（ＴＲ、ＴＥ、及びα）に依存するＭＲ信号強度Ｓの代わりに、主に固有組織パラメータ（Ｐ、Ｔ１、及びＴ＊ ２）に依存してもよい。何故ならシーケンスパラメータ（ＴＲ、ＴＥ、及びα）は患者の解剖学的特性を少なくとも直接には表していないからである。
［０１０７］
マルチチャネルＭＲ画像を使用すると、シーケンスパラメータ（ＴＲ、ＴＥ、及びα）の異なる設定を有する各画像を有する複数の画像を提供することができるため、これらの固有の組織パラメータの推定を可能にする。したがって、マルチチャネルＭＲ画像は、Ｓの複数の値とシーケンスパラメータ（ＴＲ、ＴＥ、及びα）が既知である式２を解くことによって、固有の組織パラメータ（Ｐ、Ｔ１、及びＴ＊ ２）の推定を可能にする。例えば、３つの未知のパラメータ（Ｐ、Ｔ１、及びＴ＊ ２）すべて推定するために、３つのＭＲ画像（例えば、３つのチャネル）が必要とされる。追加のチャネルを使用することは、画像ノイズを低減することによってパラメータ推定のロバスト性（robustness）を改善する。
マルチチャネルＭＲ画像を使用すると、シーケンスパラメータ（ＴＲ、ＴＥ、及びα）の異なる設定を有する各画像を有する複数の画像を提供することができるため、これらの固有の組織パラメータの推定を可能にする。したがって、マルチチャネルＭＲ画像は、Ｓの複数の値とシーケンスパラメータ（ＴＲ、ＴＥ、及びα）が既知である式２を解くことによって、固有の組織パラメータ（Ｐ、Ｔ１、及びＴ＊ ２）の推定を可能にする。例えば、３つの未知のパラメータ（Ｐ、Ｔ１、及びＴ＊ ２）すべて推定するために、３つのＭＲ画像（例えば、３つのチャネル）が必要とされる。追加のチャネルを使用することは、画像ノイズを低減することによってパラメータ推定のロバスト性（robustness）を改善する。
［０１０８］
いくつかの実施形態では、開示された方法を実施するためのワークフローは、訓練（例えば、モデル構築）ステージと適用（例えば、疑似ＣＴ生成）ステージの２つのステージを含む。いくつかの実施形態では、訓練ステージは、訓練データが収集された後に一度計算されるだけでよい。(c)
予測モデルを訓練した後、適用ステージで、訓練されたモデルを新しいマルチチャネルＭＲスキャンに適用して、マルチチャネルＭＲスキャンのみを有する新しい患者の疑似ＣＴ画像を生成することができる。以下の説明では、図１０及び図１１は訓練ステージについてでありし、図１２は予測ステージについてである。
いくつかの実施形態では、開示された方法を実施するためのワークフローは、訓練（例えば、モデル構築）ステージと適用（例えば、疑似ＣＴ生成）ステージの２つのステージを含む。いくつかの実施形態では、訓練ステージは、訓練データが収集された後に一度計算されるだけでよい。(c)
予測モデルを訓練した後、適用ステージで、訓練されたモデルを新しいマルチチャネルＭＲスキャンに適用して、マルチチャネルＭＲスキャンのみを有する新しい患者の疑似ＣＴ画像を生成することができる。以下の説明では、図１０及び図１１は訓練ステージについてでありし、図１２は予測ステージについてである。
［０１０９］
図１０は、マルチチャネルＭＲスキャンから推定された組織パラメータを用いて疑似ＣＴ予測モデルを訓練するための例示的プロセスの図を示す。図１に示すプロセスと同様に、ＣＴスキャンとマルチチャネルＭＲスキャンの両方を有する複数の訓練対象からの訓練データを収集することができる。例えば、図１０に示すように、被検体ａに対して、マルチチャンネルＭＲ画像データ１０１０ａ及びＣＴ画像データ１０１４ａを収集することができる。マルチチャネルＭＲデータ１０１０ａは、異なるシーケンスパラメータセットを使用して得られた複数のＭＲ画像を含むことができる。同様に、被検体ｂについて、マルチチャネルＭＲ画像データ１０１０ｂ、ＣＴ画像データ１０１４ｂを取得することができる。マルチチャネルＭＲ画像データ及びＣＴ画像データは、画像取得装置（例えば、４４０）又は画像データベース（例えば、５２０，５３０）から収集することができる。データ取得／収集のプロセスは、ｎ番目のデータセット（例えば１０１０ｎと１０１４ｎ）が訓練データに含まれるまで続きます。一実施形態では、図１０に示す訓練データは、図１０のＭＲ画像データがマルチチャネルＭＲデータであることを除いて、図１の訓練データ１１０と同様であるが、一方、図１のＭＲデータは、チャネル又はマルチチャネルのＭＲデータのいずれかである。
図１０は、マルチチャネルＭＲスキャンから推定された組織パラメータを用いて疑似ＣＴ予測モデルを訓練するための例示的プロセスの図を示す。図１に示すプロセスと同様に、ＣＴスキャンとマルチチャネルＭＲスキャンの両方を有する複数の訓練対象からの訓練データを収集することができる。例えば、図１０に示すように、被検体ａに対して、マルチチャンネルＭＲ画像データ１０１０ａ及びＣＴ画像データ１０１４ａを収集することができる。マルチチャネルＭＲデータ１０１０ａは、異なるシーケンスパラメータセットを使用して得られた複数のＭＲ画像を含むことができる。同様に、被検体ｂについて、マルチチャネルＭＲ画像データ１０１０ｂ、ＣＴ画像データ１０１４ｂを取得することができる。マルチチャネルＭＲ画像データ及びＣＴ画像データは、画像取得装置（例えば、４４０）又は画像データベース（例えば、５２０，５３０）から収集することができる。データ取得／収集のプロセスは、ｎ番目のデータセット（例えば１０１０ｎと１０１４ｎ）が訓練データに含まれるまで続きます。一実施形態では、図１０に示す訓練データは、図１０のＭＲ画像データがマルチチャネルＭＲデータであることを除いて、図１の訓練データ１１０と同様であるが、一方、図１のＭＲデータは、チャネル又はマルチチャネルのＭＲデータのいずれかである。
［０１１０］
いくつかの実施形態では、ＣＴスキャン（例えば、１０１４ａ）及びマルチチャネルＭＲスキャン（例えば、１０１０ａ）が整列される。そうでない場合には、自動又は半自動画像登録又は整列手順を適用してそれらを整列させることができる。上述のように、ＣＴ画像とＭＲ画像の位置合わせされたペアは、各ボクセル（例えば、画像の空間的位置を示す）について、対応するＣＴ及びＭＲ画像値が既知であるか、又は対応関係が分かっていることを意味する。加えて、ＭＲ画像は、幾何学的歪みを補正するために何らかの手順を経ることもある。
いくつかの実施形態では、ＣＴスキャン（例えば、１０１４ａ）及びマルチチャネルＭＲスキャン（例えば、１０１０ａ）が整列される。そうでない場合には、自動又は半自動画像登録又は整列手順を適用してそれらを整列させることができる。上述のように、ＣＴ画像とＭＲ画像の位置合わせされたペアは、各ボクセル（例えば、画像の空間的位置を示す）について、対応するＣＴ及びＭＲ画像値が既知であるか、又は対応関係が分かっていることを意味する。加えて、ＭＲ画像は、幾何学的歪みを補正するために何らかの手順を経ることもある。
［０１１１］
本出願は、訓練データを使用して予測モデルを構築して訓練する学習ベースのアプローチを開示する。一実施形態では、予測モデルは、予測モデルの出力が連続変数（例えば、ＣＴ値）であり得るように、回帰モデル又は回帰関数であり得る。
本出願は、訓練データを使用して予測モデルを構築して訓練する学習ベースのアプローチを開示する。一実施形態では、予測モデルは、予測モデルの出力が連続変数（例えば、ＣＴ値）であり得るように、回帰モデル又は回帰関数であり得る。
［０１１２］
ＭＲ画像から得られた特徴に基づいてＣＴ画像強度（ＣＴ値又はＣＴ数としても知られている）を予測することができる予測モデルを構築及び／又は訓練するために、多くの統計学的又は機械学習法を使用することができる。例えば、教師付き学習は、学習データの集合に基づいて予測モデルを決定するために使用することができる機械学習のブランチである。訓練データの各サンプルは、入力データ（例えば、測定値又は特徴のベクトル）及び所望の出力値（例えば、監視信号）を含むペアである。教師付き学習アルゴリズムは、疑似ＣＴ画像を生成するアプリケーションにおいて、通常、出力変数が数値又は連続である場合、訓練データを分析して予測関数（例えば、回帰関数）を生成することができる。様々なアルゴリズムを適用して、サポートベクトルマシン、ニューラルネットワーク、決定木、及びランダムフォレストを含むが、これらに限定されない予測モデルを決定することができる。
ＭＲ画像から得られた特徴に基づいてＣＴ画像強度（ＣＴ値又はＣＴ数としても知られている）を予測することができる予測モデルを構築及び／又は訓練するために、多くの統計学的又は機械学習法を使用することができる。例えば、教師付き学習は、学習データの集合に基づいて予測モデルを決定するために使用することができる機械学習のブランチである。訓練データの各サンプルは、入力データ（例えば、測定値又は特徴のベクトル）及び所望の出力値（例えば、監視信号）を含むペアである。教師付き学習アルゴリズムは、疑似ＣＴ画像を生成するアプリケーションにおいて、通常、出力変数が数値又は連続である場合、訓練データを分析して予測関数（例えば、回帰関数）を生成することができる。様々なアルゴリズムを適用して、サポートベクトルマシン、ニューラルネットワーク、決定木、及びランダムフォレストを含むが、これらに限定されない予測モデルを決定することができる。
［０１１３］
訓練データを用いて訓練された予測モデルは、同一又は異なる患者の任意の新しいマルチチャネルＭＲスキャンセットに対して疑似ＣＴ画像を生成するために使用することができる。
訓練データを用いて訓練された予測モデルは、同一又は異なる患者の任意の新しいマルチチャネルＭＲスキャンセットに対して疑似ＣＴ画像を生成するために使用することができる。
［０１１４］
本願の実施形態は、ＭＲ強度値（例えば、Ｓ）を固有の組織パラメータ（例えば、Ｐ、Ｔ１、Ｔ＊ ２、又はＴ＊ ２）に変換し、固有の組織パラメータに基づいて予測モデルを構築することができる。上述のように、ＭＲイメージングを使用する能力は、ＣＴイメージングよりも大きなフレキシビリティとより少ない放射線被曝を提供するが、ＭＲ強度値は、シーケンス依存性であるため、投与量計算に直接使用することはできない。生のＭＲ強度値を使用する代わりに、固有の組織パラメータを使用して予測モデルを訓練することは、シーケンスに依存しない予測モデルを提供することができる。配列に依存しないことは、画像化配列又は配列パラメータが容易に変更可能であり、しばしば異なる診療所間で著しく異なるため、有利であり得る。予測モデルを配列に依存しないように設計することにより、ＭＲシーケンスを用いて固有の組織パラメータを推定することができるならば、異なるＭＲスキャナ、異なるＭＲ画像シーケンス、又は異なる診療所から取得したデータを一緒に使用することができる。さらに、新しい患者のＭＲイメージングシーケンスは、訓練データによって使用されるＭＲイメージングシーケンスと同じである必要はない。したがって、ユーザは、予測モデルを訓練するために新たな訓練データを取得する必要なく、将来の患者のために新しいＭＲ画像シーケンスを自由に設計することができる。
本願の実施形態は、ＭＲ強度値（例えば、Ｓ）を固有の組織パラメータ（例えば、Ｐ、Ｔ１、Ｔ＊ ２、又はＴ＊ ２）に変換し、固有の組織パラメータに基づいて予測モデルを構築することができる。上述のように、ＭＲイメージングを使用する能力は、ＣＴイメージングよりも大きなフレキシビリティとより少ない放射線被曝を提供するが、ＭＲ強度値は、シーケンス依存性であるため、投与量計算に直接使用することはできない。生のＭＲ強度値を使用する代わりに、固有の組織パラメータを使用して予測モデルを訓練することは、シーケンスに依存しない予測モデルを提供することができる。配列に依存しないことは、画像化配列又は配列パラメータが容易に変更可能であり、しばしば異なる診療所間で著しく異なるため、有利であり得る。予測モデルを配列に依存しないように設計することにより、ＭＲシーケンスを用いて固有の組織パラメータを推定することができるならば、異なるＭＲスキャナ、異なるＭＲ画像シーケンス、又は異なる診療所から取得したデータを一緒に使用することができる。さらに、新しい患者のＭＲイメージングシーケンスは、訓練データによって使用されるＭＲイメージングシーケンスと同じである必要はない。したがって、ユーザは、予測モデルを訓練するために新たな訓練データを取得する必要なく、将来の患者のために新しいＭＲ画像シーケンスを自由に設計することができる。
［０１１５］
組織パラメータに基づいて予測モデルを構築するには、ＭＲ画像強度を各患者の組織パラメータ値に変換する必要がある。これは、患者のＭＲ画像の各画像点（例えば、ボクセル）においてＭＲ画像化方程式（例えば、式２）を解くことによって達成することができる。組織パラメータ画像（組織パラメータマップとも呼ばれる）のセットを生成することができる。このセットは、各組織パラメータのひとつの組織パラメータマップを含むことができる。例えば、セットは、Ｐのマップと、Ｔ１のマップと、Ｔ２又はＴ＊ ２のマップを含むことができる。組織パラメータ値は、患者の体の下にある組織又は器官の特性を反映する固有の値である。さらに、ＣＴ画像は各訓練対象についてＭＲ画像と整列されるので、ＣＴ画像はＭＲ画像から生成された組織パラメータマップとさらに整列する。
組織パラメータに基づいて予測モデルを構築するには、ＭＲ画像強度を各患者の組織パラメータ値に変換する必要がある。これは、患者のＭＲ画像の各画像点（例えば、ボクセル）においてＭＲ画像化方程式（例えば、式２）を解くことによって達成することができる。組織パラメータ画像（組織パラメータマップとも呼ばれる）のセットを生成することができる。このセットは、各組織パラメータのひとつの組織パラメータマップを含むことができる。例えば、セットは、Ｐのマップと、Ｔ１のマップと、Ｔ２又はＴ＊ ２のマップを含むことができる。組織パラメータ値は、患者の体の下にある組織又は器官の特性を反映する固有の値である。さらに、ＣＴ画像は各訓練対象についてＭＲ画像と整列されるので、ＣＴ画像はＭＲ画像から生成された組織パラメータマップとさらに整列する。
［０１１６］
図１０に示すように、各訓練対象の組織パラメータマップは、マルチチャネルＭＲ画像データに基づいて生成されてもよい。例えば、被験体ａの組織パラメータマップ１０１２ａは、３つの組織パラメータマップのすべてのセットを含むことができる。いくつかの実施形態では、マルチチャネルＭＲ画像からのすべての組織パラメータの推定が困難な場合、モデルは、組織パラメータのサブセットのみを使用して構築することもできる。各訓練対象の組織パラメータマップ（例えば、１０１２ｂ、．．．、１０１２ｎ）が得られると、訓練モジュール１０４５を使用して疑似ＣＴ予測モデル１０５０を構築して訓練するために、組織パラメータマップを対応するＣＴ画像と共に使用することができる（例えば、統計的又は機械的学習技術を使用して）。いくつかの実施形態では、各画像点（例えば、ボクセル）について、組織パラメータのセットは、図１で説明したように特徴ベクトルに含まれる特徴として扱うことができる。例えば、３つの組織パラメータのすべてが使用される場合、［Ｐ、Ｔ１、Ｔ＊ ２］の特徴ベクトルを構成することができる。この組織パラメータ特徴ベクトルは、予測モデルを構築し訓練するために、図２に関連して説明したように、単独で、又は他の特徴と組み合わせて使用することができる。上述の予測モデル１５０を構築し訓練する開示された技術は、予測モデル１０５０を構築し訓練するプロセスにも適用可能である。
図１０に示すように、各訓練対象の組織パラメータマップは、マルチチャネルＭＲ画像データに基づいて生成されてもよい。例えば、被験体ａの組織パラメータマップ１０１２ａは、３つの組織パラメータマップのすべてのセットを含むことができる。いくつかの実施形態では、マルチチャネルＭＲ画像からのすべての組織パラメータの推定が困難な場合、モデルは、組織パラメータのサブセットのみを使用して構築することもできる。各訓練対象の組織パラメータマップ（例えば、１０１２ｂ、．．．、１０１２ｎ）が得られると、訓練モジュール１０４５を使用して疑似ＣＴ予測モデル１０５０を構築して訓練するために、組織パラメータマップを対応するＣＴ画像と共に使用することができる（例えば、統計的又は機械的学習技術を使用して）。いくつかの実施形態では、各画像点（例えば、ボクセル）について、組織パラメータのセットは、図１で説明したように特徴ベクトルに含まれる特徴として扱うことができる。例えば、３つの組織パラメータのすべてが使用される場合、［Ｐ、Ｔ１、Ｔ＊ ２］の特徴ベクトルを構成することができる。この組織パラメータ特徴ベクトルは、予測モデルを構築し訓練するために、図２に関連して説明したように、単独で、又は他の特徴と組み合わせて使用することができる。上述の予測モデル１５０を構築し訓練する開示された技術は、予測モデル１０５０を構築し訓練するプロセスにも適用可能である。
［０１１７］
図１１は、マルチチャネルＭＲデータを使用して疑似ＣＴ予測モデルを構築する例示的な方法１１００のフローチャートである。方法１１００は、システム５００によって実装することができる。ステップ１１１０において、プロセッサ５１４は、マルチチャネルＭＲデータ（例えば、１０１０ａ、１０１０ｂなど）及びＣＴデータ（例えば、１０１４ａ、１０１４ｂなど）を含む訓練データを受信することができる。マルチチャネルＭＲデータは、１人又はそれ以上の患者のマルチチャネルＭＲ画像を含むことができる。いくつかの実施形態では、マルチチャネルＭＲデータは、各患者について少なくとも２つのマルチチャネルＭＲ画像を含むことができる。同じ患者のマルチチャネルＭＲ画像は、異なる撮像シーケンスパラメータを使用して得ることができる。ＣＴデータは、１人以上の患者のＣＴ画像を含むことができる。いくつかの実施形態では、ＣＴデータは、各患者について少なくともひとつのＣＴ画像を含むことができる。複数のＣＴ画像が利用可能であれば、それらを平均して画像ノイズを低減することができる。所与の患者に対して、ＣＴ画像及びマルチチャネルＭＲ画像は整列され得る。いくつかの実施形態では、ＣＴ画像及びマルチチャネルＭＲ画像が位置合わせされていない場合、画像位置合わせ技術を使用してそれらを位置合わせすることができる。
図１１は、マルチチャネルＭＲデータを使用して疑似ＣＴ予測モデルを構築する例示的な方法１１００のフローチャートである。方法１１００は、システム５００によって実装することができる。ステップ１１１０において、プロセッサ５１４は、マルチチャネルＭＲデータ（例えば、１０１０ａ、１０１０ｂなど）及びＣＴデータ（例えば、１０１４ａ、１０１４ｂなど）を含む訓練データを受信することができる。マルチチャネルＭＲデータは、１人又はそれ以上の患者のマルチチャネルＭＲ画像を含むことができる。いくつかの実施形態では、マルチチャネルＭＲデータは、各患者について少なくとも２つのマルチチャネルＭＲ画像を含むことができる。同じ患者のマルチチャネルＭＲ画像は、異なる撮像シーケンスパラメータを使用して得ることができる。ＣＴデータは、１人以上の患者のＣＴ画像を含むことができる。いくつかの実施形態では、ＣＴデータは、各患者について少なくともひとつのＣＴ画像を含むことができる。複数のＣＴ画像が利用可能であれば、それらを平均して画像ノイズを低減することができる。所与の患者に対して、ＣＴ画像及びマルチチャネルＭＲ画像は整列され得る。いくつかの実施形態では、ＣＴ画像及びマルチチャネルＭＲ画像が位置合わせされていない場合、画像位置合わせ技術を使用してそれらを位置合わせすることができる。
［０１１８］
ステップ１１２０において、プロセッサ５１４は、マルチチャネルＭＲデータからのＭＲ強度に基づいて、少なくともひとつの組織パラメータマップ（例えば、１０１２ａ、１０１２ｂなど）を決定することができる。Ｐ、Ｔ１、Ｔ＊ ２の少なくともひとつの組織パラメータマップは、数式２を解くことによって患者の複数のＭＲ画像のＭＲ強度値を用いて推定することができる。数式２は非線形方程式であるので、フィッティング技法を使用して、マルチチャネルＭＲデータに基づいて既知である複数のＭＲ強度（Ｓ）及びシーケンスパラメータ（ＴＲ、ＴＥ、及びα）に基づいて組織パラメータ値を推定することができる。上述のように、３つの組織パラメータマップのすべてが好ましいが、組織パラメータマップのサブセットが使用されてもよい。
ステップ１１２０において、プロセッサ５１４は、マルチチャネルＭＲデータからのＭＲ強度に基づいて、少なくともひとつの組織パラメータマップ（例えば、１０１２ａ、１０１２ｂなど）を決定することができる。Ｐ、Ｔ１、Ｔ＊ ２の少なくともひとつの組織パラメータマップは、数式２を解くことによって患者の複数のＭＲ画像のＭＲ強度値を用いて推定することができる。数式２は非線形方程式であるので、フィッティング技法を使用して、マルチチャネルＭＲデータに基づいて既知である複数のＭＲ強度（Ｓ）及びシーケンスパラメータ（ＴＲ、ＴＥ、及びα）に基づいて組織パラメータ値を推定することができる。上述のように、３つの組織パラメータマップのすべてが好ましいが、組織パラメータマップのサブセットが使用されてもよい。
［０１１９］
いくつかの実施形態では、組織パラメータマップは、個々の画像点を推定することによって生成することができる。例えば、いくつかの種類の組織パラメータ（例えば、Ｐ、Ｔ１、Ｔ＊ ２、又はＴ＊ ２）を含む組織パラメータ値のセットは、あらゆる画像ポイントで推定されてもよい。対応する組織パラメータマップは、特定の種類の全ての組織パラメータ値の集合として形成することができる。
いくつかの実施形態では、組織パラメータマップは、個々の画像点を推定することによって生成することができる。例えば、いくつかの種類の組織パラメータ（例えば、Ｐ、Ｔ１、Ｔ＊ ２、又はＴ＊ ２）を含む組織パラメータ値のセットは、あらゆる画像ポイントで推定されてもよい。対応する組織パラメータマップは、特定の種類の全ての組織パラメータ値の集合として形成することができる。
［０１２０］
ステップ１１３０において、プロセッサ５１４は、ステップ１１２０で生成された組織パラメータマップに対応するＣＴ値を取得することができる。いくつかの実施形態では、ＣＴ値は、組織パラメータマップと同じ患者のＣＴ画像のＣＴ強度値であってもよい。上述したように、ＣＴ画像はＭＲ画像と位置合わせされるので、ＣＴ画像はまた、ＭＲ画像から変換された組織パラメータマップと位置合わせされる。
ステップ１１３０において、プロセッサ５１４は、ステップ１１２０で生成された組織パラメータマップに対応するＣＴ値を取得することができる。いくつかの実施形態では、ＣＴ値は、組織パラメータマップと同じ患者のＣＴ画像のＣＴ強度値であってもよい。上述したように、ＣＴ画像はＭＲ画像と位置合わせされるので、ＣＴ画像はまた、ＭＲ画像から変換された組織パラメータマップと位置合わせされる。
［０１２１］
ステップ１１４０において、プロセッサ５１４は、ＣＴ値及び組織パラメータマップに基づいて疑似ＣＴ予測モデル（例えば、１０５０）を生成することができる。いくつかの実施形態では、疑似ＣＴモデル１０５０を訓練するために、ＣＴ値及び組織パラメータマップを訓練モジュール（例えば、１０４５）に入力することができる。統計的学習又は機械学習技術のような回帰方法は、予測モデルを訓練するために訓練モジュール１０４５によって使用されてもよい。訓練された予測モデル１０５０は、ひとつ又はそれ以上の組織パラメータ値（例えば、Ｐ、Ｔ１、Ｔ＊ ２、Ｔ＊ ２）に基づいてＣＴ値を予測するために使用され得る数学的又は統計的モデルであり得る。上述のように、全ての組織パラメータを使用することが好ましいが、組織パラメータのサブセットのみを使用してモデルを構築することもできる。
ステップ１１４０において、プロセッサ５１４は、ＣＴ値及び組織パラメータマップに基づいて疑似ＣＴ予測モデル（例えば、１０５０）を生成することができる。いくつかの実施形態では、疑似ＣＴモデル１０５０を訓練するために、ＣＴ値及び組織パラメータマップを訓練モジュール（例えば、１０４５）に入力することができる。統計的学習又は機械学習技術のような回帰方法は、予測モデルを訓練するために訓練モジュール１０４５によって使用されてもよい。訓練された予測モデル１０５０は、ひとつ又はそれ以上の組織パラメータ値（例えば、Ｐ、Ｔ１、Ｔ＊ ２、Ｔ＊ ２）に基づいてＣＴ値を予測するために使用され得る数学的又は統計的モデルであり得る。上述のように、全ての組織パラメータを使用することが好ましいが、組織パラメータのサブセットのみを使用してモデルを構築することもできる。
［０１２２］
図１２は、マルチチャネルＭＲ画像を用いて患者の疑似ＣＴ画像を生成するための方法例１２００のフローチャートである。方法１２００は、システム５００によって実施され、方法１１００によって構築された予測モデル（例えば、１０５０）を使用して新しい患者の疑似ＣＴ画像を生成するために使用されてもよい。
図１２は、マルチチャネルＭＲ画像を用いて患者の疑似ＣＴ画像を生成するための方法例１２００のフローチャートである。方法１２００は、システム５００によって実施され、方法１１００によって構築された予測モデル（例えば、１０５０）を使用して新しい患者の疑似ＣＴ画像を生成するために使用されてもよい。
［０１２３］
ステップ１２１０において、プロセッサ５１４は、例えば画像取得装置４４０又はデータベース５２０，５３０から患者（例えば、新しい患者）のマルチチャネルＭＲ画像を受信することができる。受信されたマルチチャネルＭＲ画像は、対応するＣＴ画像を有していなくてもよい。ステップ１２２０において、プロセッサ５１４は、マルチチャネルＭＲ画像を少なくともひとつの組織パラメータマップに変換することができる。例えば、プロセッサ５１４は、フィッティング技術などを用いて数式２を解くことによって、マルチチャネルＭＲ画像を組織パラメータマップに変換することができる。Ｐ、Ｔ１、Ｔ＊ ２、及び／又はＴ＊ ２のマップのような、ひとつ又はそれ以上の組織パラメータマップが、変換プロセス１２２０によって生成されてもよい。上述のように、すべての組織パラメータマップを有することが好ましいが、いくつかの実施形態では、マップのサブセットもまた使用され得る。
ステップ１２１０において、プロセッサ５１４は、例えば画像取得装置４４０又はデータベース５２０，５３０から患者（例えば、新しい患者）のマルチチャネルＭＲ画像を受信することができる。受信されたマルチチャネルＭＲ画像は、対応するＣＴ画像を有していなくてもよい。ステップ１２２０において、プロセッサ５１４は、マルチチャネルＭＲ画像を少なくともひとつの組織パラメータマップに変換することができる。例えば、プロセッサ５１４は、フィッティング技術などを用いて数式２を解くことによって、マルチチャネルＭＲ画像を組織パラメータマップに変換することができる。Ｐ、Ｔ１、Ｔ＊ ２、及び／又はＴ＊ ２のマップのような、ひとつ又はそれ以上の組織パラメータマップが、変換プロセス１２２０によって生成されてもよい。上述のように、すべての組織パラメータマップを有することが好ましいが、いくつかの実施形態では、マップのサブセットもまた使用され得る。
［０１２４］
ステップ１２３０において、プロセッサ５１４は、組織パラメータマップに予測モデル（例えば、１０５０）を適用することができる。例えば、変換された組織パラメータマップは、予測モデルへの入力として使用されてもよい。いくつかの実施形態では、予測モデルは、ポイントモデル方式で動作することができ、ここで、予測モデルは、その場所で計算された組織パラメータ値に基づいて患者画像の各位置（例えば、疑似ＣＴ画像）でのＣＴ値を予測する。より複雑な予測モデルを使用することもできる。例えば、モデルは、各点について近傍の組織パラメータ値を考慮に入れることができ、データノイズに関する頑健性を改善することができる。モデルはまた、組織パラメータ値と、画像ポイント位置のような他の情報、又は、例えば、テクスチャ、グラジエントなどの組織パラメータマップから導き出され得る他の特徴との組み合わせに基づいて予測を行うことができる。
ステップ１２３０において、プロセッサ５１４は、組織パラメータマップに予測モデル（例えば、１０５０）を適用することができる。例えば、変換された組織パラメータマップは、予測モデルへの入力として使用されてもよい。いくつかの実施形態では、予測モデルは、ポイントモデル方式で動作することができ、ここで、予測モデルは、その場所で計算された組織パラメータ値に基づいて患者画像の各位置（例えば、疑似ＣＴ画像）でのＣＴ値を予測する。より複雑な予測モデルを使用することもできる。例えば、モデルは、各点について近傍の組織パラメータ値を考慮に入れることができ、データノイズに関する頑健性を改善することができる。モデルはまた、組織パラメータ値と、画像ポイント位置のような他の情報、又は、例えば、テクスチャ、グラジエントなどの組織パラメータマップから導き出され得る他の特徴との組み合わせに基づいて予測を行うことができる。
［０１２５］
ステップ１２４０において、患者の疑似ＣＴ画像は、ステップ１２３０から得られた疑似ＣＴ値を組み立てることによって生成することができる。
ステップ１２４０において、患者の疑似ＣＴ画像は、ステップ１２３０から得られた疑似ＣＴ値を組み立てることによって生成することができる。
［０１２６］
予測モデルを訓練し、モデルを使用して疑似ＣＴ値を予測するには、線形回帰又は一般最小二乗回帰などのパラメトリック手法を使用することができる。これらのパラメトリック法では、回帰関数は、入力データから推定できる有限数の未知モデルパラメータによって定義される。例えば、回帰モデルは次のように定義できる。
予測モデルを訓練し、モデルを使用して疑似ＣＴ値を予測するには、線形回帰又は一般最小二乗回帰などのパラメトリック手法を使用することができる。これらのパラメトリック法では、回帰関数は、入力データから推定できる有限数の未知モデルパラメータによって定義される。例えば、回帰モデルは次のように定義できる。
ここで、Ｈは予測されるＣＴ値を示し、Ｘは入力変数のベクトル、例えば組織パラメータ値（Ｐ、Ｔ１、及びＴ＊ ２（又はＴ２））を示し、βは回帰モデルの未知モデルパラメータのベクトルを示す。ひとつの例示的なモデルは次のように定義される線形回帰モデルである。
［０１２７］
訓練ステージでは、訓練データは多数の観測、例えば、（例えば、ステップ１１３０でのＣＴスキャンにより提供される）既知のＨ値と、（例えば、ステップ１１２０でのＭＲスキャンを変換することにより提供される）対応するＰ、Ｔ１、及びＴ＊ ２値、を提供することができる。これらの観測データを使用して、モデルパラメータを（例えば、最小二乗フィッティングを使用して）計算又は訓練することができる。訓練後にβが得られると、モデルは、（例えば、方法１２００を使用して予測ステージにおいて）Ｐ、Ｔ１、及びＴ＊ ２値の新しいセットに対するＨを計算するために使用することができる。
訓練ステージでは、訓練データは多数の観測、例えば、（例えば、ステップ１１３０でのＣＴスキャンにより提供される）既知のＨ値と、（例えば、ステップ１１２０でのＭＲスキャンを変換することにより提供される）対応するＰ、Ｔ１、及びＴ＊ ２値、を提供することができる。これらの観測データを使用して、モデルパラメータを（例えば、最小二乗フィッティングを使用して）計算又は訓練することができる。訓練後にβが得られると、モデルは、（例えば、方法１２００を使用して予測ステージにおいて）Ｐ、Ｔ１、及びＴ＊ ２値の新しいセットに対するＨを計算するために使用することができる。
［０１２８］
いくつかの実施形態では、予測モデルの入力データとして組織パラメータを使用する代わりに、又はそれに加えて、他の情報も収集することができる。たとえば、計算又は収集できる余分な特徴には、以下のものが含まれるが、これらに限定されない。
・イメージポイントの座標、又は外部参照空間又はひとつ又はいくつかの内部ランドマークポイントに対する正規化座標。
・サンプルポイント位置で計算された組織パラメータマップの曲率。
・サンプルポイント位置で計算された組織パラメータマップのテクスチャ測定値。
・局所組織パラメータ値のパッチ、例えば、サンプル点の５×５×５近傍内の組織パラメータ値。
いくつかの実施形態では、予測モデルの入力データとして組織パラメータを使用する代わりに、又はそれに加えて、他の情報も収集することができる。たとえば、計算又は収集できる余分な特徴には、以下のものが含まれるが、これらに限定されない。
・イメージポイントの座標、又は外部参照空間又はひとつ又はいくつかの内部ランドマークポイントに対する正規化座標。
・サンプルポイント位置で計算された組織パラメータマップの曲率。
・サンプルポイント位置で計算された組織パラメータマップのテクスチャ測定値。
・局所組織パラメータ値のパッチ、例えば、サンプル点の５×５×５近傍内の組織パラメータ値。
［０１２９］
本明細書の記述及び方法に基づいたコンピュータプログラムは、ソフトウェア開発者の技術の範囲内である。様々なプログラム又はプログラムモジュールは、様々なソフトウェアプログラミング技術を使用して作成することができる。例えば、プログラムセクション又はプログラムモジュールは、Ｊａｖａ、Ｐｙｔｈｏｎ、Ｃ、Ｃ＋＋、アセンブリ言語、又は既知のプログラミング言語で設計することができる。このようなソフトウェアのセクション又はモジュールのひとつ又はそれ以上は、コンピュータシステム及び／又はコンピュータ読み土地可能媒体に統合することができる。
本明細書の記述及び方法に基づいたコンピュータプログラムは、ソフトウェア開発者の技術の範囲内である。様々なプログラム又はプログラムモジュールは、様々なソフトウェアプログラミング技術を使用して作成することができる。例えば、プログラムセクション又はプログラムモジュールは、Ｊａｖａ、Ｐｙｔｈｏｎ、Ｃ、Ｃ＋＋、アセンブリ言語、又は既知のプログラミング言語で設計することができる。このようなソフトウェアのセクション又はモジュールのひとつ又はそれ以上は、コンピュータシステム及び／又はコンピュータ読み土地可能媒体に統合することができる。
［０１３０］
さらに、例示的な実施形態が本明細書において説明したが、本開示に基づく等価な要素、修正、省略、（様々な実施形態にわたる態様の）組み合わせ、適合又は変更を有する任意の及びすべての実施形態を含む。特許請求の範囲の要素は、特許請求の範囲で使用されている言語に基づいて広く解釈されるべきであり、本明細書に記載された実施例に限定されるものではなく、アプリケーションの実行中に限定されるものではない。したがって、明細書及び実施例は、単なる例示としてみなされ、真の範囲及び精神は、添付の特許請求の範囲及びそれらの等価物の全範囲によって示されるものである。
さらに、例示的な実施形態が本明細書において説明したが、本開示に基づく等価な要素、修正、省略、（様々な実施形態にわたる態様の）組み合わせ、適合又は変更を有する任意の及びすべての実施形態を含む。特許請求の範囲の要素は、特許請求の範囲で使用されている言語に基づいて広く解釈されるべきであり、本明細書に記載された実施例に限定されるものではなく、アプリケーションの実行中に限定されるものではない。したがって、明細書及び実施例は、単なる例示としてみなされ、真の範囲及び精神は、添付の特許請求の範囲及びそれらの等価物の全範囲によって示されるものである。
Claims (20)
- 疑似ＣＴ予測モデルを生成するシステムであって、
複数の訓練対象の磁気共鳴（ＭＲ）データ及びコンピュータ断層撮影（ＣＴ）データを含む訓練データを格納するように構成されたデータベースであって、各訓練対象が複数のＭＲ画像及び少なくともひとつのＣＴ画像を有するデータベースと、
前記データベースに格納された情報にアクセスするために前記データベースに通信可能に結合されたプロセッサと、
前記プロセッサに通信可能に結合されたメモリを有し、
前記メモリは、前記プロセッサによって実行されると、前記プロセッサが操作を実行するように構成された命令を格納しており、
前記操作は、
前記データベースにアクセスして、前記複数の訓練対象のそれぞれについて、複数のＭＲ画像及び少なくともひとつのＣＴ画像を含む訓練データを取り出すステップであって、各訓練対象について、前記複数のＭＲ画像に基づいて少なくともひとつの組織パラメータマップを決定し、前記少なくともひとつのＣＴ画像に基づいてＣＴ値を取得するステップと、
前記複数の訓練対象の前記組織パラメータマップと前記ＣＴ値とに基づいて疑似ＣＴ予測モデルを生成するステップとを含む
ことを特徴とする疑似ＣＴ予測モデルを生成するシステム。 - 請求項１記載のシステムにおいて、
前記少なくともひとつの組織パラメータマップは、陽子密度マップと縦緩和時間マップと横緩和時間マップとを含むグループから選択されている
ことを特徴とする疑似ＣＴ予測モデルを生成するシステム。 - 請求項１記載のシステムにおいて、
前記複数のＭＲ画像に基づいて少なくともひとつの組織パラメータマップを決定するステップは、
前記複数のＭＲ画像のそれぞれに関連するシーケンスパラメータを取得するステップと、
前記組織パラメータマップの画像点に対応するそれぞれの画像位置における前記複数のＭＲ画像の前記シーケンスパラメータとＭＲ画像強度値に基づいて、前記少なくともひとつの組織パラメータの各画像点の組織パラメータ値を推定するステップとを含む
ことを特徴とする疑似ＣＴ予測モデルを生成するシステム。 - 請求項１記載のシステムにおいて、
前記複数のＭＲ画像は少なくとも３つのマルチチャネルＭＲ画像を含む
ことを特徴とする疑似ＣＴ予測モデルを生成するシステム。 - 請求項１記載のシステムにおいて、
前記訓練データは、前記複数の訓練対象のうちの少なくともひとつ対する複数のＣＴ画像を含み、
前記操作は、
前記複数のＣＴ画像の対応する画像点のＣＴ値を平均化するステップを含む
ことを特徴とする疑似ＣＴ予測モデルを生成するシステム。 - 請求項１記載のシステムにおいて、
前記操作は、
前記複数の訓練対象のそれぞれに対して、前記複数のＭＲ画像と前記少なくともひとつのＣＴ画像とを整列させるステップを含む
ことを特徴とする疑似ＣＴ予測モデルを生成するシステム。 - 請求項１記載のシステムにおいて、
前記訓練データは、第１の訓練対象の複数のＭＲ画像の第１のセットと第２の訓練対象の複数のＭＲ画像の第２のセットとを含み、前記第１のセットのＭＲ画像と前記第２のセットのＭＲ画像とは異なるシーケンスパラメータを有し、
前記操作は、
前記第１のセットのＭＲ画像と前記第２のセットのＭＲ画像の両方からのデータを用いて前記疑似ＣＴ予測モデルを生成するステップを含む
ことを特徴とする疑似ＣＴ予測モデルを生成するシステム。 - 請求項１記載のシステムにおいて、
前記操作は、
各訓練対象の前記複数のＭＲ画像、又は前記少なくともひとつの組織パラメータマップからひとつ又はそれ以上の特徴を抽出するステップと、
前記複数の訓練対象の前記組織パラメータマップと、前記抽出された特徴と、前記ＣＴ値とに基づいて前記疑似ＣＴ予測モデルを生成するステップを含む
ことを特徴とする疑似ＣＴ予測モデルを生成するシステム。 - 請求項８記載のシステムにおいて、
前記複数のＭＲ画像又は前記少なくともひとつの組織パラメータマップから抽出された前記ひとつ又はそれ以上の特徴は、
画像点の座標、
前記ＭＲ画像の外部の基準点に対して正規化された座標、
前記ＭＲ画像内のひとつ又はそれ以上のランドマーク点に対して正規化された座標、
前記少なくともひとつの組織パラメータマップ内のひとつ又はそれ以上の湾曲、
前記少なくともひとつの組織パラメータマップのひとつ又はそれ以上のテクスチャ測定値、又は
前記少なくともひとつの組織パラメータマップ内のひとつ又はそれ以上の画像パッチ
のうちの少なくともひとつを含む
ことを特徴とする疑似ＣＴ予測モデルを生成するシステム。 - 疑似ＣＴ画像を生成するシステムであって、
プロセッサと、
前記プロセッサに通信可能に結合されたメモリを有し、
前記メモリは、前記プロセッサによって実行されると、前記プロセッサが操作を実行するように構成された命令を格納しており、
前記操作は、
患者の複数のマルチチャネル磁気共鳴（ＭＲ）画像を受信するステップと、
前記複数のマルチチャネルＭＲ画像を少なくともひとつの組織パラメータマップに変換するステップと、
前記少なくともひとつの組織パラメータマップに予測モデルを適用することによってＣＴ値を生成するステップと、
前記予測モデルによって生成された前記ＣＴ値に基づいて前記疑似ＣＴ画像を生成するステップを含む
ことを特徴とする疑似ＣＴ画像を生成するシステム。 - 請求項１０記載のシステムにおいて、
前記少なくともひとつの組織パラメータマップは、陽子密度マップと縦緩和時間マップと横緩和時間マップとを含むグループから選択されている
ことを特徴とする疑似ＣＴ画像を生成するシステム。 - 請求項１０記載のシステムにおいて、
前記複数のマルチチャネルＭＲ画像を前記少なくともひとつの組織パラメータマップに変換するステップは、
前記複数のＭＲ画像のそれぞれに関連するシーケンスパラメータを取得するステップと、
前記組織パラメータマップの画像点に対応するそれぞれの画像位置における前記複数のＭＲ画像の前記シーケンスパラメータとＭＲ画像強度値に基づいて、前記少なくともひとつの組織パラメータの各画像点の組織パラメータ値を推定するステップを含む
ことを特徴とする疑似ＣＴ画像を生成するシステム。 - 請求項１０記載のシステムにおいて、
前記複数のマルチチャネルＭＲ画像は少なくとも３つのマルチチャネルＭＲ画像を含む
ことを特徴とする疑似ＣＴ画像を生成するシステム。 - 請求項１０記載のシステムにおいて、
前記操作は、
前記複数のマルチチャネルＭＲ画像を画像取得装置から受信するステップを含む
ことを特徴とする疑似ＣＴ画像を生成するシステム。 - 請求項１０記載のシステムにおいて、
前記操作は、
前記複数のマルチチャネルＭＲ画像をＭＲ画像データベースから受信するステップを含む
ことを特徴とする疑似ＣＴ画像を生成するシステム。 - 請求項１０記載のシステムにおいて、
前記予測モデルは、シーケンスパラメータの第１のセットを有するマルチチャネルＭＲ画像の第１のセットによって訓練され、
前記受信された複数のマルチチャネルＭＲ画像は、前記シーケンスパラメータの第１のセットとは異なるシーケンスパラメータの第２のセットを有する
ことを特徴とする疑似ＣＴ画像を生成するシステム。 - 疑似ＣＴ予測モデルを生成するためのコンピュータに実装された方法であって、
複数の訓練対象のそれぞれについて、複数のマルチチャネル磁気共鳴（ＭＲ）画像及び少なくともひとつの断層撮影（ＣＴ）画像を取り出すステップであって、各訓練対象について、前記複数のマルチチャネルＭＲ画像に基づいて少なくともひとつの組織パラメータマップを決定し、前記少なくともひとつのＣＴ画像に基づいてＣＴ値を取得するステップと、
前記複数の訓練対象の前記組織パラメータマップと前記ＣＴ値とに基づいて疑似ＣＴ予測モデルを生成するステップとを含む
ことを特徴とするコンピュータに実装された方法。 - 請求項１７記載の方法において、
前記少なくともひとつの組織パラメータマップは、陽子密度マップと縦緩和時間マップと横緩和時間マップとを含むグループから選択されている
ことを特徴とするコンピュータに実装された方法。 - 請求項１７記載の方法において、
前記複数のマルチチャネルＭＲ画像に基づいて少なくともひとつの組織パラメータマップを決定するステップは、
前記複数のマルチチャネルＭＲ画像のそれぞれに関連するシーケンスパラメータを取得するステップと、
前記組織パラメータマップの画像点に対応するそれぞれの画像位置における前記複数のマルチチャネルＭＲ画像の前記シーケンスパラメータとＭＲ画像強度値に基づいて、前記少なくともひとつの組織パラメータの各画像点の組織パラメータ値を推定するステップとを含む
ことを特徴とするコンピュータに実装された方法。 - 請求項１７記載の方法において、
前記訓練データは、第１の訓練対象の複数のマルチチャネルＭＲ画像の第１のセットと第２の訓練対象の複数のマルチチャネルＭＲ画像の第２のセットとを含み、前記第１のセットのマルチチャネルＭＲ画像と前記第２のセットのマルチチャネルＭＲ画像とは異なるシーケンスパラメータを有し、
前記方法は、
前記第１のセットのマルチチャネルＭＲ画像と前記第２のセットのマルチチャネルＭＲ画像の両方からのデータを用いて前記疑似ＣＴ予測モデルを生成するステップを含む
ことを特徴とするコンピュータに実装された方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US14/881,939 | 2015-10-13 | ||
| US14/881,939 US10102451B2 (en) | 2015-10-13 | 2015-10-13 | Pseudo-CT generation from MR data using tissue parameter estimation |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018519467A Division JP7030050B2 (ja) | 2015-10-13 | 2016-10-12 | 組織パラメータ推定を用いたｍｒデータからの疑似ｃｔ生成 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021049424A true JP2021049424A (ja) | 2021-04-01 |
| JP2021049424A5 JP2021049424A5 (ja) | 2021-05-13 |
Family
ID=57178551
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018519467A Active JP7030050B2 (ja) | 2015-10-13 | 2016-10-12 | 組織パラメータ推定を用いたｍｒデータからの疑似ｃｔ生成 |
| JP2020216068A Pending JP2021049424A (ja) | 2015-10-13 | 2020-12-25 | 組織パラメータ推定を用いたｍｒデータからの疑似ｃｔ生成 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018519467A Active JP7030050B2 (ja) | 2015-10-13 | 2016-10-12 | 組織パラメータ推定を用いたｍｒデータからの疑似ｃｔ生成 |
Country Status (7)
| Country | Link |
|---|---|
| US (2) | US10102451B2 (ja) |
| EP (1) | EP3362146B1 (ja) |
| JP (2) | JP7030050B2 (ja) |
| CN (1) | CN108778416B (ja) |
| AU (1) | AU2016339009B2 (ja) |
| RU (1) | RU2018117507A (ja) |
| WO (1) | WO2017066317A1 (ja) |
Families Citing this family (37)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10102451B2 (en) | 2015-10-13 | 2018-10-16 | Elekta, Inc. | Pseudo-CT generation from MR data using tissue parameter estimation |
| EP3389780B1 (en) * | 2015-12-18 | 2019-10-23 | Koninklijke Philips N.V. | Method for determining a patient specific locally varying margin |
| US11139068B2 (en) * | 2016-11-04 | 2021-10-05 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for smart image protocoling |
| EP3441003B1 (en) * | 2017-08-08 | 2020-07-22 | Siemens Healthcare GmbH | Method for performing digital subtraction angiography, hybrid imaging device, computer program and electronically readable storage medium |
| TWI637187B (zh) * | 2017-09-19 | 2018-10-01 | 臺北榮民總醫院 | 磁共振影像的分析方法及評估放射治療風險的方法 |
| US10803984B2 (en) | 2017-10-06 | 2020-10-13 | Canon Medical Systems Corporation | Medical image processing apparatus and medical image processing system |
| US11517197B2 (en) * | 2017-10-06 | 2022-12-06 | Canon Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction |
| JP6810675B2 (ja) * | 2017-11-16 | 2021-01-06 | 東京エレクトロンデバイス株式会社 | 情報処理装置及びプログラム |
| US10878529B2 (en) * | 2017-12-22 | 2020-12-29 | Canon Medical Systems Corporation | Registration method and apparatus |
| US11410086B2 (en) * | 2018-02-22 | 2022-08-09 | General Electric Company | System and method for class specific deep learning |
| EP3543911A1 (en) * | 2018-03-22 | 2019-09-25 | Koninklijke Philips N.V. | Anomaly detection using magnetic resonance fingerprinting |
| US10453224B1 (en) * | 2018-03-27 | 2019-10-22 | Ziwei Lin | Pseudo-CT generation with multi-variable regression of multiple MRI scans |
| US10657410B2 (en) * | 2018-04-13 | 2020-05-19 | Siemens Healthcare Gmbh | Method and system for abnormal tissue detection using z-scores in a joint histogram |
| EP3617733A1 (en) * | 2018-08-30 | 2020-03-04 | Max-Planck-Gesellschaft zur Förderung der Wissenschaften e.V. | Method and apparatus for processing magnetic resonance data using machine learning |
| US10594027B1 (en) * | 2018-08-31 | 2020-03-17 | Hughes Networks Systems, Llc | Machine learning models for detecting the causes of conditions of a satellite communication system |
| CN110809782B (zh) * | 2018-10-22 | 2023-09-12 | 上海联影医疗科技股份有限公司 | 衰减校正系统和方法 |
| CN109697741B (zh) * | 2018-12-28 | 2023-06-16 | 上海联影智能医疗科技有限公司 | 一种pet图像重建方法、装置、设备及介质 |
| CN109785405A (zh) * | 2019-01-29 | 2019-05-21 | 子威·林 | 利用多组磁共振图像的多变量回归生成准ct图像的方法 |
| JP7467145B2 (ja) * | 2019-02-08 | 2024-04-15 | キヤノンメディカルシステムズ株式会社 | 放射線治療計画装置 |
| JP7195961B2 (ja) * | 2019-02-08 | 2022-12-26 | キヤノンメディカルシステムズ株式会社 | 医用処理装置、ｘ線ｃｔシステム及び処理プログラム |
| US11969283B2 (en) | 2019-04-26 | 2024-04-30 | Spectronic Ab | Generating synthetic electron density images from magnetic resonance images |
| CN110270015B (zh) * | 2019-05-08 | 2021-03-09 | 中国科学技术大学 | 一种基于多序列MRI的sCT生成方法 |
| EP3751579A1 (en) | 2019-06-13 | 2020-12-16 | RaySearch Laboratories AB | System and method for training a machine learning model and for providing an estimated interior image of a patient |
| US11531080B2 (en) * | 2019-07-24 | 2022-12-20 | Cypress Semiconductor Corporation | Leveraging spectral diversity for machine learning-based estimation of radio frequency signal parameters |
| US11282218B2 (en) * | 2019-11-25 | 2022-03-22 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for providing medical guidance using a patient depth image |
| US11348243B2 (en) | 2020-01-24 | 2022-05-31 | GE Precision Healthcare LLC | Systems and methods for medical image style transfer using deep neural networks |
| US11562482B2 (en) * | 2020-03-30 | 2023-01-24 | Varian Medical Systems International Ag | Systems and methods for pseudo image data augmentation for training machine learning models |
| US11554496B2 (en) * | 2020-04-03 | 2023-01-17 | Fanuc Corporation | Feature detection by deep learning and vector field estimation |
| JP6989860B2 (ja) * | 2020-05-02 | 2022-01-12 | Ａｒｉｔｈｍｅｒ株式会社 | 画像検査装置、画像検査方法及びプログラム |
| CN111626972B (zh) * | 2020-06-02 | 2023-06-02 | 上海鹰瞳医疗科技有限公司 | Ct图像重构方法、模型训练方法及设备 |
| JP7487096B2 (ja) | 2020-12-24 | 2024-05-20 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 制御システム及び制御方法 |
| KR20220128505A (ko) * | 2021-03-11 | 2022-09-21 | 한국과학기술연구원 | 인공지능 기반 mri-ct 영상 변환 방법 및 이를 이용한 초음파 치료 장치 |
| CN113255756B (zh) * | 2021-05-20 | 2024-05-24 | 联仁健康医疗大数据科技股份有限公司 | 图像融合方法、装置、电子设备及存储介质 |
| CN114882996B (zh) * | 2022-03-17 | 2023-04-07 | 深圳大学 | 基于多任务学习的肝细胞癌ck19及mvi预测方法 |
| US20230377721A1 (en) * | 2022-05-19 | 2023-11-23 | Elekta Ltd. | Jointly trained machine learning models for automatic contouring in radiotherapy applications |
| US12107742B2 (en) | 2022-08-31 | 2024-10-01 | Hughes Network Systems, Llc | Machine learning to enhance satellite terminal performance |
| CN118154587A (zh) * | 2024-05-09 | 2024-06-07 | 四川省肿瘤医院 | 一种MRI-only放疗的质量控制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013144799A1 (en) * | 2012-03-29 | 2013-10-03 | Koninklijke Philips N.V. | Mri method for assigning individual pixels or voxels tissue - specific pet attenuation values |
| JP2018535732A (ja) * | 2015-10-13 | 2018-12-06 | エレクタ、インク.Elekta, Inc. | 組織パラメータ推定を用いたｍｒデータからの擬似ｃｔ生成 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101959454B (zh) * | 2008-03-07 | 2013-11-20 | 皇家飞利浦电子股份有限公司 | 通过磁共振图像的自动分割进行ct替代 |
| US8218848B2 (en) * | 2008-07-23 | 2012-07-10 | Siemens Aktiengesellschaft | System and method for the generation of attenuation correction maps from MR images |
| US8774482B2 (en) * | 2010-05-20 | 2014-07-08 | Siemens Aktiengesellschaft | Generating pseudo-CT image volumes from ultra-short echo time MR |
| US9135695B2 (en) * | 2012-04-04 | 2015-09-15 | Siemens Aktiengesellschaft | Method for creating attenuation correction maps for PET image reconstruction |
| US9392958B2 (en) * | 2012-05-30 | 2016-07-19 | Siemens Aktiengesellschaft | Method of attenuation correction of positron emission tomography data and combined positron emission tomography and magnetic resonance tomography system |
| FR2994481B1 (fr) * | 2012-08-07 | 2014-08-29 | Snecma | Procede de caracterisation d'un objet en materiau composite |
| US9256965B2 (en) * | 2013-01-30 | 2016-02-09 | Impac Medical Systems, Inc. | Method and apparatus for generating a derived image using images of different types |
| CN105263407B (zh) | 2013-04-02 | 2018-09-14 | 皇家飞利浦有限公司 | 使用磁共振成像的对骨组织的探测 |
| WO2015081079A1 (en) | 2013-11-26 | 2015-06-04 | Henry Ford Innovation Institute | Software for using magnetic resonance images to generate a synthetic computed tomography image |
| WO2015103184A1 (en) | 2013-12-31 | 2015-07-09 | The Medical College Of Wisconsin, Inc. | Adaptive replanning based on multimodality imaging |
| US10223794B2 (en) | 2014-03-28 | 2019-03-05 | Koninklijke Philips N.V. | Method and device for generating one or more computer tomography images based on magnetic resonance images with the help of tissue class separation |
| EP3127083B1 (en) * | 2014-04-01 | 2018-08-29 | Koninklijke Philips N.V. | A method estimating a pseudo hounsfield unit value |
| US10307108B2 (en) * | 2015-10-13 | 2019-06-04 | Elekta, Inc. | Pseudo-CT generation from MR data using a feature regression model |
-
2015
- 2015-10-13 US US14/881,939 patent/US10102451B2/en active Active
-
2016
- 2016-10-12 EP EP16784722.7A patent/EP3362146B1/en active Active
- 2016-10-12 CN CN201680072849.7A patent/CN108778416B/zh active Active
- 2016-10-12 JP JP2018519467A patent/JP7030050B2/ja active Active
- 2016-10-12 RU RU2018117507A patent/RU2018117507A/ru not_active Application Discontinuation
- 2016-10-12 AU AU2016339009A patent/AU2016339009B2/en active Active
- 2016-10-12 WO PCT/US2016/056635 patent/WO2017066317A1/en active Application Filing
-
2018
- 2018-09-05 US US16/122,331 patent/US10664723B2/en active Active
-
2020
- 2020-12-25 JP JP2020216068A patent/JP2021049424A/ja active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013144799A1 (en) * | 2012-03-29 | 2013-10-03 | Koninklijke Philips N.V. | Mri method for assigning individual pixels or voxels tissue - specific pet attenuation values |
| JP2018535732A (ja) * | 2015-10-13 | 2018-12-06 | エレクタ、インク.Elekta, Inc. | 組織パラメータ推定を用いたｍｒデータからの擬似ｃｔ生成 |
Also Published As
| Publication number | Publication date |
|---|---|
| AU2016339009B2 (en) | 2020-02-06 |
| EP3362146A1 (en) | 2018-08-22 |
| US20170103287A1 (en) | 2017-04-13 |
| US10664723B2 (en) | 2020-05-26 |
| US20190042885A1 (en) | 2019-02-07 |
| CN108778416A (zh) | 2018-11-09 |
| RU2018117507A (ru) | 2019-11-14 |
| EP3362146B1 (en) | 2020-03-25 |
| JP2018535732A (ja) | 2018-12-06 |
| JP7030050B2 (ja) | 2022-03-04 |
| CN108778416B (zh) | 2020-06-19 |
| US10102451B2 (en) | 2018-10-16 |
| WO2017066317A1 (en) | 2017-04-20 |
| AU2016339009A1 (en) | 2018-04-26 |
| RU2018117507A3 (ja) | 2020-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7030050B2 (ja) | 組織パラメータ推定を用いたｍｒデータからの疑似ｃｔ生成 | |
| US11944463B2 (en) | Pseudo-CT generation from MR data using a feature regression model | |
| US11386557B2 (en) | Systems and methods for segmentation of intra-patient medical images | |
| US10149987B2 (en) | Method and system for generating synthetic electron density information for dose calculations based on MRI | |
| AU2015275750A1 (en) | System and method for automatic treatment planning | |
| Nasief et al. | Predicting necessity of daily online adaptive replanning based on wavelet image features for MRI guided adaptive radiation therapy | |
| Opposits et al. | Population based ranking of frameless CT-MRI registration methods | |
| Wodzinski et al. | Application of B-splines FFD image registration in breast cancer radiotherapy planning | |
| Wodzinski et al. | Usage of ICP algorithm for initial alignment in B-splines FFD image registration in breast cancer radiotherapy planning | |
| Li et al. | CT Synthesis from MRI Using Generative Adversarial Network with Frequency-Aware Discriminator |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210115 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210323 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211102 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220125 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20220621 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220729 |
|
| C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20220729 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20220808 |
|
| C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20220809 |
|
| A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20220902 |
|
| C211 | Notice of termination of reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C211 Effective date: 20220906 |
|
| C22 | Notice of designation (change) of administrative judge |
Free format text: JAPANESE INTERMEDIATE CODE: C22 Effective date: 20221122 |
|
| C13 | Notice of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: C13 Effective date: 20230110 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230407 |