JP2021509953A - 深層学習を使用した低線量ｐｅｔイメージングからの全線量ｐｅｔ画像の推定 - Google Patents

深層学習を使用した低線量ｐｅｔイメージングからの全線量ｐｅｔ画像の推定 Download PDF

Info

Publication number
JP2021509953A
JP2021509953A JP2020536840A JP2020536840A JP2021509953A JP 2021509953 A JP2021509953 A JP 2021509953A JP 2020536840 A JP2020536840 A JP 2020536840A JP 2020536840 A JP2020536840 A JP 2020536840A JP 2021509953 A JP2021509953 A JP 2021509953A
Authority
JP
Japan
Prior art keywords
dose
image
training
low
radiation imaging
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2020536840A
Other languages
English (en)
Other versions
JP7203852B2 (ja
Inventor
シドニー カプラン
シドニー カプラン
ヤン‐ミン ズー
ヤン‐ミン ズー
アンドリー アンドレーエフ
アンドリー アンドレーエフ
チュアンヨン バイ
チュアンヨン バイ
スティーヴン マイケル コチョフ
スティーヴン マイケル コチョフ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of JP2021509953A publication Critical patent/JP2021509953A/ja
Application granted granted Critical
Publication of JP7203852B2 publication Critical patent/JP7203852B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/037—Emission tomography
    • 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
    • A61B6/40—Arrangements for generating radiation specially adapted for radiation diagnosis
    • A61B6/4035—Arrangements for generating radiation specially adapted for radiation diagnosis the source being combined with a filter or grating
    • 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
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

放射イメージングデータを再構成して、低線量再構成画像を生成する。標準取り込み値（ＳＵＶ）３０を適用して、低線量再構成画像を低線量ＳＵＶ画像に変換する。低線量ＳＵＶ画像にニューラルネットワーク４６、４８を適用して、推定全線量ＳＵＶ画像を生成する。ニューラルネットワークを適用する前に、低線量ＳＵＶ画像又は低線量ＳＵＶ画像は、ローパスフィルタ３２を使用してフィルタ処理される。ニューラルネットワークは、平均二乗誤差損失コンポーネント３４と、画像テクスチャの損失にペナルティを課す損失コンポーネント３６及び／又はエッジ保存を促す損失コンポーネント３８とを有する損失関数を使用して、訓練用低線量ＳＵＶ画像を、対応する訓練用全線量ＳＵＶ画像に一致させて変形するように、訓練用低線量ＳＵＶ画像と対応する訓練用全線量ＳＵＶ画像とのセットで訓練される。

Description

[0001] 下記は、全般に、医療イメージング技術、陽電子放射断層撮影（ＰＥＴ）イメージング及び画像再構成技術、単一光子放射コンピュータ断層撮影（ＳＰＥＣＴ）イメージング及び画像再構成技術、並びに関連する技術に関する。
[0002] ＰＥＴイメージングは、病変の悪性度や疾患ステージを評価するなどの作業のために腫瘍学で使用される。典型的なワークフローでは、放射性医薬品が、例えば静脈注入によって患者に投与される。一部のＰＥＴイメージングワークフローにおいて通例は数十分から１時間程度である待ち期間の後、患者がＰＥＴイメージングスキャナの中に入れられ、ＰＥＴイメージングデータが獲得される。待ち期間の間に、放射性医薬品は、放射性トレーサの取り込みが高い悪性病変などの関心組織に選択的に集まることが予想される。よって、ＰＥＴイメージングデータは、患者体内における放射性医薬品の分布を表し、したがって、放射性医薬品を含んでいる組織又は器官の画像を与える。
[0003] ＰＥＴにおける病変検出のための放射性トレーサの使用は、ＰＥＴスキャン中に患者及び技術者が曝露される放射線の量のために、懸念事項である。高レベルの放射線への曝露は、癌発生リスクが高まる結果となり得る。よって、患者に注入される放射性トレーサの線量を減らして放射線曝露を最小にしたいという要求がある。しかしながら、放射性医薬品の線量を低くすると、所与のＰＥＴイメージングデータ獲得時間期間に対して総カウント数が減ることになり、総カウント数が減ると、ひいては、再構成されたＰＥＴ画像内の相対的ノイズが高くなり、場合によっては細かいディテールの損失が伴う。結果的に得られる「低線量」ＰＥＴ画像の全体的な品質が低下すると、例えば、小さい病変を見逃す、及び／又は検出される病変の状態の解釈を誤るなどの誤診につながる可能性がある。獲得後の画像処理技術によって低線量ＰＥＴの画像品質の劣化に対処する取り組みがなされている。例えば、エッジを保存する画像正則化を用いることでノイズを減らすことができる。
[0004] また、深層学習を介したノイズ除去によって線量の影響を緩和することに向けた取り組みもなされている。低線量画像と全線量画像との間の関係が、モデルによって学習される。この手法のいくつかの例が、Ｘｉａｎｇら、「Ｄｅｅｐ ａｕｔｏ−ｃｏｎｔｅｘｔ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｓｔａｎｄａｒｄ−ｄｏｓｅ ＰＥＴ ｉｍａｇｅ ｅｓｔｉｍａｔｉｏｎ ｆｒｏｍ ｌｏｗ−ｄｏｓｅ ＰＥＴ／ＭＲＩ」、Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ、ｖｏｌ．２６７．ｎｏ．１，ｐｐ．４０６−４１６、２０１７年６月；Ｙａｎｇら、「ＣＴ Ｉｍａｇｅ Ｄｅｎｏｉｓｉｎｇ ｗｉｔｈ Ｐｅｒｃｅｐｔｉｖｅ Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ」 ｉｎ Ｔｈｅ １４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｍｅｅｔｉｎｇ ｏｎ Ｆｕｌｌｙ Ｔｈｒｅｅ−Ｄｉｍｅｎｓｉｏｎａｌ Ｉｍａｇｅ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ｉｎ Ｒａｄｉｏｌｏｇｙ ａｎｄ Ｎｕｃｌｅａｒ Ｍｅｄｉｃｉｎｅ、Ｘｉａｎ Ｃｈｉｎａ、２０１７年、ｐｐ．８５８−８６３；及びＷｏｌｔｅｒｉｎｋら 「Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｎｏｉｓｅ Ｒｅｄｕｃｔｉｏｎ ｉｎ Ｌｏｗ−Ｄｏｓｅ ＣＴ」、ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ， ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ（巻：３６、発行：２０１７年１２月１２日）に記載されている。
[0005] 以下に、特定の改良を開示する。
[0006] 本明細書に開示されるいくつかの実施形態では、放射イメージングデータ再構成デバイスが、電子プロセッサと、画像再構成及び強調プロセスを行うために電子プロセッサにより読取り及び実行可能な命令を記憶した非一時的記憶媒体と、を備え、画像再構成及び強調プロセスは、放射イメージングデータを再構成して低線量再構成画像（例えば、グレースケール値画像）を生成することと、標準取り込み値（ＳＵＶ）変換を適用して、低線量再構成画像を低線量ＳＵＶスケール画像に変換することと、低線量ＳＵＶ画像にニューラルネットワークを適用して、推定全線量ＳＵＶ画像を生成することと、を含む。いくつかの実施形態では、ＳＵＶ画像は、除脂肪体重ＳＵＶ（ＳＵＬ）画像を含む。
[0007] 本明細書に開示されるいくつかの実施形態では、放射イメージングデータ再構成デバイスが、電子プロセッサと、画像再構成及び強調プロセスを行うために電子プロセッサにより読取り及び実行可能な命令を記憶した非一時的記憶媒体と、を備え、画像再構成及び強調プロセスは、放射イメージングデータを再構成して低線量再構成画像を生成することと、ローパスフィルタを使用して低線量再構成画像をフィルタ処理することと、フィルタ処理の後、低線量画像にニューラルネットワークを適用して推定全線量画像を生成することと、を含む。
[0008] 本明細書に開示されるいくつかの実施形態では、放射イメージングデータ再構成デバイスが、電子プロセッサと、再構成及び強調プロセスを行うために電子プロセッサにより読取り及び実行可能な命令を記憶した非一時的記憶媒体と、を備え、画像再構成及び強調プロセスは、訓練用低線量画像を、対応する訓練用全線量画像に一致させて変形するように、ニューラルネットワークを、訓練用低線量画像と対応する訓練用全線量画像とのセットで訓練することであって、訓練することが、平均二乗誤差損失コンポーネント（又は他の平滑化損失コンポーネント）及び少なくとも１つの追加的な損失コンポーネントを有する損失関数を使用する、ことと、放射イメージングデータを再構成して低線量再構成画像を生成することと、低線量再構成画像に、訓練されたニューラルネットワークを適用して、推定全線量画像を生成することと、を含む。
[0009] 本明細書に開示されるいくつかの実施形態では、放射イメージングシステムが、放射イメージングデータを獲得するように構成された放射イメージングデバイスと、先行する３つの段落のいずれか１つに記載の放射イメージングデータ再構成デバイスとを備える。本明細書には、対応する放射イメージングデータ再構成方法も開示される。
[0010] 本明細書に開示されるいくつかの実施形態では、放射イメージングデータ処理デバイスが、電子プロセッサと、ニューラルネットワーク訓練プロセスを行うために電子プロセッサにより読取り及び実行可能な命令を記憶した非一時的記憶媒体と、を備え、ニューラルネットワーク訓練プロセスは、（ｉ）訓練用放射イメージングデータセットを再構成することにより、訓練用全線量画像を生成することと、（ｉｉ）訓練用放射イメージングデータセットをサンプリングすることにより、複数の訓練用低線量放射イメージングデータセットを生成することであって、２つ以上の異なる低線量を表す訓練用低線量放射イメージングデータセットに対して異なる数のサンプルをサンプリングすることにより、２つ以上の異なる低線量を表す訓練用低線量放射イメージングデータセットを生成することを含む、ことと、（ｉｉｉ）複数の訓練用低線量放射イメージングデータセットの各訓練用低線量放射イメージングデータセットを再構成することにより、複数の訓練用低線量画像を生成することと、（ｉｖ）訓練用低線量画像を、訓練用全線量画像に一致させて変形するように、ニューラルネットワークを複数の訓練用低線量画像及び訓練用全線量画像で訓練することと、を含む。ニューラルネットワーク訓練プロセスは、複数の訓練用放射イメージングデータセットに対して生成動作（ｉ）、（ｉｉ）、及び（ｉｉｉ）を繰り返すことを含んでよく、訓練動作（ｉｖ）は、訓練用低線量画像を、対応する訓練用全線量画像に一致させて変形するように、ニューラルネットワークを、繰り返しによって生成された訓練用低線量画像及び対応する訓練用全線量画像で訓練する。非一時的記憶媒体は、画像再構成及び強調プロセスを行うために電子プロセッサにより読取り及び実行可能な命令をさらに記憶してよく、画像再構成及び強調プロセスは、放射イメージングデータを再構成して低線量再構成画像を生成することと、低線量再構成画像に、訓練されたニューラルネットワークを適用して、推定全線量画像を生成することと、を含む。
[0011] 本明細書に開示されるいくつかの実施形態では、放射イメージングデータ再構成デバイスが、電子プロセッサと、再構成及び強調プロセスを行うために電子プロセッサにより読取り及び実行可能な命令を記憶した非一時的記憶媒体と、を備え、画像再構成及び強調プロセスは、訓練用低線量画像及び対応する訓練用全線量画像のセットの各画像を異なる解剖学的領域に区画することと、得られた訓練用低線量画像の区画を、得られた対応する訓練用全線量画像の区画に一致させて変形するように、得られた訓練用低線量画像のセットの区画と、得られた対応する訓練用全線量画像の区画とで、ニューラルネットワークを解剖学的領域ごとに訓練することと、放射イメージングデータを再構成して低線量再構成画像を生成することと、低線量再構成画像を異なる解剖学的領域に区画することと、訓練されたニューラルネットワークを解剖学的領域ごとに、得られた低線量再構成画像の区画に適用して、推定全線量画像を生成することと、を含む。いくつかの実施形態では、異なる解剖学的領域は、脳を含む解剖学的領域、心臓を含む解剖学的領域、肝臓を含む解剖学的領域、及び骨盤を含む解剖学的領域を含む。
[0012] １つの利点は、低線量放射画像から全線量放射（例えば、ＰＥＴ又はＳＰＥＣＴ）画像の改良された推定を提供することにある。
[0013] 別の利点は、画像のテクスチャ付けの劣化を低減して、低線量放射画像から推定全線量放射画像を提供することにある。
[0014] 別の利点は、画像特徴の劣化を低減して、低線量放射画像から推定全線量放射画像を提供することにある。
[0015] 別の利点は、訓練用画像と比べた低線量画像の放射性医薬品放射線量の差に対するロバスト性を改良して、低線量放射画像から推定全線量放射画像を提供することにある。
[0016] 別の利点は、低線量画像強調プロセスを訓練するための改良された訓練データを提供することにある。
[0017] 本開示を読んで理解すると当業者には理解されるように、所与の実施形態は、上述の利点のどれも提供しないか、１つ、２つ、それ以上、若しくはすべてを提供し、及び／又は他の利点を提供する。
[0018] 本発明は、様々な構成要素及び構成要素の構成、並びに様々なステップ及びステップの構成の形態を取る。図面は、好ましい実施形態を説明することのみを目的とし、本発明を制限するものとは解釈すべきでない。
[0019] 本明細書に開示される実施形態に係る、低線量画像強調を行う陽電子放射断層撮影（ＰＥＴ）イメージングシステムと、その低線量画像強調を訓練する訓練システムとを示す図である。 [0020] 図１の低線量画像強調の好適な実施形態を図式的に示す図である。 [0021] 説明のための低線量画像強調訓練プロセスで使用される前景画像及びパッチ抽出の手法を図式的に示す図である。 [0022] 推定器ネットワークを含む、説明のための低線量画像強調訓練プロセスで使用される深層学習モデルを図式的に示す図である。 [0022] 敵対的識別器ネットワークを含む、説明のための低線量画像強調訓練プロセスで使用される深層学習モデルを図式的に示す図である。 [0023] テスト対象者の身体の様々な部分から得たＰＥＴ画像の図である。左の列の画像は、全放射性医薬品線量の１／１０を受ける患者から獲得された低線量画像であり、真ん中の列の画像は、深層学習モデルからの推定全線量画像であり、右の列の画像は、同じ対象者のグランドトゥルース全線量画像である。図６は脳の画像を示す。 [0023] テスト対象者の身体の様々な部分から得たＰＥＴ画像の図である。左の列の画像は、全放射性医薬品線量の１／１０を受ける患者から獲得された低線量画像であり、真ん中の列の画像は、深層学習モデルからの推定全線量画像であり、右の列の画像は、同じ対象者のグランドトゥルース全線量画像である。図７は心臓の画像を示す。 [0023] テスト対象者の身体の様々な部分から得たＰＥＴ画像の図である。左の列の画像は、全放射性医薬品線量の１／１０を受ける患者から獲得された低線量画像であり、真ん中の列の画像は、深層学習モデルからの推定全線量画像であり、右の列の画像は、同じ対象者のグランドトゥルース全線量画像である。図８は肝臓の画像を示す。 [0023] テスト対象者の身体の様々な部分から得たＰＥＴ画像の図である。左の列の画像は、全放射性医薬品線量の１／１０を受ける患者から獲得された低線量画像であり、真ん中の列の画像は、深層学習モデルからの推定全線量画像であり、右の列の画像は、同じ対象者のグランドトゥルース全線量画像である。図９は骨盤の画像を示す。 [0024] 図６〜図９の低線量画像及び推定全線量画像の両方についての、根平均二乗誤差（ＲＭＳＥ）、平均構造的類似度指標（ＭＳＳＩＭ）、及びピーク信号対ノイズ比（ＰＳＮＲ）の分布を示す図である。 [0025] ある母集団からの訓練データを使用して図１の低線量画像強調を訓練するための訓練ワークフローを図式的に示す図である。 [0026] 分割放射線療法レジメンを受ける特定の患者について図１の低線量画像強調を訓練するための訓練ワークフローを図式的に示す図である。
[0027] 低線量ＰＥＴ画像を改良するために深層学習を適用する既存の手法には、ある不都合点がある。一部のそのような技術は、過度な平滑化を導入することがあり、そのことが画像テクスチャの損失につながる。転移はＰＥＴ画像内で画像テクスチャとして現れることがあるため、これは、癌の病期分類の誤りにつながり得る。同様に、エッジ及び特徴の保存も劣化し得る。ロバスト性は別の懸念事項である。例えば、全線量の２０％を使用して獲得された低線量画像で訓練された畳み込みニューラルネットワーク（ＣＮＮ）は、その放射線量を受けた後にイメージングされた患者に対しては良好に機能するが、例えば全線量のわずか１０％などの何らかの他の放射線量を使用して獲得された低線量ＰＥＴ画像を改良することには効果が低い。実際、ＰＥＴイメージングデータ獲得時における「グランドトゥルース」線量は、数多くの要因によって変動し得、それらには、異なる患者代謝率、放射性医薬品の投与とＰＥＴイメージングデータ獲得の開始との間の正確な時間の差、投与される放射線量の誤差、又は投与された放射性医薬品の放射能（短寿命放射性医薬品の場合に特に問題になる）等がある。
[0028] より一般的には、深層学習を訓練するための高品質な訓練データの入手性が懸念事項である。理想的には、訓練セットは、現在臨床的にイメージングされる対象の患者によく似た母集団の患者について獲得及び再構成された低線量訓練用画像と、それに対応する、同じＰＥＴイメージングスキャナ及び画像再構成プロセスを使用してそれらの患者について獲得及び再構成された全線量訓練用画像の形態の「グランドトゥルース」画像とを含むべきである。同じ患者の組に対して低線量ＰＥＴイメージングと全線量ＰＥＴイメージングとを行うことによってそのような訓練データを生成することは、結果として、患者が、１回の全線量ＰＥＴイメージングセッションのみを行う場合と比べて、過度な放射線曝露を受けることになるため、一般には容認されない。代替法は、イメージングファントムに対して訓練イメージングを行うものであるが、これらは人間の解剖学的構造を近似したものに過ぎない。
[0029] 本明細書に開示される手法では、訓練中にエッジ及び構造的ディテールを損失関数の中で特に考慮し、損失関数内で指定される特徴を通じて画像テクスチャを維持することにより、かつ、訓練の途中で敵対的識別器ネットワークを導入することにより、エッジ及び構造的ディテールを保存しながら、低線量ＰＥＴ画像（例えば、１／１０線量のＰＥＴ画像）が強調される。開示される手法のいくつかの態様は以下を含む。（１）低線量ＰＥＴ画像をニューラルネットワークに入力する前に、ガウスフィルタ（又はより一般的にはローパスフィルタフィルタ）を低線量ＰＥＴ画像に適用する。これは、主要な構造的ディテールを損なうことなく一部のノイズを除去することにより、訓練を支援する。（２）例えば勾配や全変動などの特定の特徴を、平均二乗誤差（ＭＳＥ）コンポーネントと組み合わせる損失関数を用いると共に、敵対的ネットワークを追加して、推定全線量画像が、エッジ、構造、及びテクスチャディテールを保存することを保証する。（３）全身（又は他の大きい解剖学的エリア）イメージングの場合に、身体を異なる領域に区画し、低線量画像強調ニューラルネットワークを領域ごとに訓練して、領域間で発生する大きく異なる構造及びテクスチャを考慮する。並びに、（４）標準取り込み値（ＳＵＶ）変換（例えば、従来のＳＵＶ、又は除脂肪体重ＳＵＶ、すなわちＳＵＬ）を画像に適用して、訓練画像内及び強調される対象の低線量画像内の患者ごとの変動性を低減する。これらの改良は様々な組み合わせで適用され、特定の実施形態は、それらの改良のうち１つ又は複数を省略し得るが、それでもなお有利な利益を得ることが認識されよう。
[0030] 説明のための実施形態では、強調される対象の低線量放射画像は陽電子放射断層撮影（ＰＥＴ）画像であるが、開示される改良は、例えばガンマカメラを使用して獲得される、単一光子放射コンピュータ断層撮影（ＳＰＥＣＴ）画像などの他の種の放射画像にも一般に適用可能であることが認識されよう。
[0031] 図１を参照すると、説明のためのイメージングデバイス２はＰＥＴ／ＣＴイメージングデバイスを備え、これは、回転ガントリ上にＸ線管及びＸ線検出器アレイ（内部コンポーネントは図示せず）を含むコンピュータ断層撮影（ＣＴ）ガントリ４と、５１１ｋｅＶガンマ線を検出するための１つ又は複数のＰＥＴ検出器リング（内部コンポーネントは図示せず）を含むＰＥＴガントリ６とを有する。ＣＴガントリ及びＰＥＴガントリ４、６は、イメージング対象者（例えば、医療患者）を受け入れる同軸の穴部を有し、また、該当するＣＴガントリ又はＰＥＴガントリの中にイメージング対象者を入れるために、患者台又は寝台８が設けられる。ＣＴガントリ４は任意選択であるが、患者解剖学的構造の査定、イメージングする組織又は他の内部特徴の位置特定、５１１ｋｅＶガンマ線吸収に関してＰＥＴ画像を補正するための減衰マップの生成、及びその他に使用される対象者のＣＴ画像を獲得するのに使用できるため、設けることが有利である。
[0032] ＰＥＴイメージングデータ獲得に先立って、イメージング対象者（例えば、医療患者）には、陽電子を放出する放射性トレーサを含み、関心器官又は組織に選択的に蓄積するように設計された化学的性質を有する放射性医薬品が投与される。放射性医薬品の投与後に、通常は、放射性医薬品が関心器官又は組織に集まる待ち期間がある。この待ち期間の間に、任意選択でＣＴガントリ４を用いて、患者の関心器官又は領域と軸方向に位置合わせするためのスカウトＣＴ画像を獲得する、及び／又は患者の減衰マップが生成される元となるＣＴ画像を獲得してもよい。イメージングの目的、及び場合によって他の臨床要因に応じて、ＰＥＴイメージングは、全線量ＰＥＴ画像を獲得するように、又は低線量ＰＥＴ画像を獲得するように意図される。用語「全線量」ＰＥＴイメージング又は同様の術語は、信号対ノイズ比（ＳＮＲ）、所与の獲得時間間隔に対する総カウント数等の指標によって測定された、一定の所望の画像品質を有する画像を提供するように設計された放射性医薬品の放射線量を言う。用語「低線量」ＰＥＴイメージング又は同様の術語は、全線量ＰＥＴイメージングのための全放射線量よりも低い放射性医薬品の放射線量を言い、全線量の何分の１又はパーセントとして利便に定量化される。よって、例えば、低線量ＰＥＴイメージングは、放射性医薬品の全線量の１／１０（すなわち１０％）を用い、又は全線量の１５％を用いる等である。いくつかの実施形態では、低線量ＰＥＴは、全線量の５０％以下を用いるものと定義されるが、他の定義が使用されてもよい（例えば、全線量の７５％以下）。低線量ＰＥＴイメージングを行うことは、利点として、放射性の放射性医薬品が注入又はその他の形で投与される患者の放射線曝露を低減させる。また、低線量ＰＥＴイメージングは、放射性医薬品の投与後に患者に接近するイメージング技術者、看護師、又は他の医療従事者の放射線曝露も低減させる。（医療従事者は、１回のＰＥＴイメージングセッション中に曝露される放射線はイメージングされる患者に比べてはるかに少ないが、医療従事者は、所与の勤務シフト及び各自のキャリアにわたって多数のそのようなＰＥＴイメージングセッションに携わるため、ＰＥＴイメージング中の医療従事者の放射線曝露を制限することは非常に重要である。）一方で、低線量ＰＥＴイメージングには、所与のイメージング時間にわたって獲得される総カウント数が低減するという不都合点があり、例えば、全線量の１０％では、所与のイメージング時間に対する総カウント数は、統計的には、全線量の放射性医薬品を投与された患者に対して取得されるであろうカウント数の１／１０になることが予想され得る。
[0033] 低線量ＰＥＴイメージングで獲得される総カウント数が減ることは、同等の全線量ＰＥＴイメージングと比べて劣化した画像品質につながることが予想され得る。原理上、これは獲得時間を増すことによって対処することができ、例えば、１０％の低線量イメージングには、獲得時間を１０倍増すと、全線量イメージングと同じ総カウント数が得られる。しかしながら、ＰＥＴイメージングの検査所は、例えば各勤務シフトに一定数の患者をイメージングするなど、一定の作業量を維持することを期待されるため、そのような大きい獲得時間の増大（又は実際どのような獲得時間の増大でも）は、しばしば非実際的である。さらに、イメージング時間の延長は、イメージングデータ獲得中に患者が動く可能性を増し、それにより、収集されたイメージングデータが損なわれ、さらには使用不可能になる可能性がある。その上、投与された放射性医薬品の放射能は時間と共に低下し、放射能は、放射性トレーサの半減期間隔ごとに２分の１ずつ減少する。短寿命放射性トレーサの場合、これは、実施可能なイメージングデータ獲得時間に対する別の制限となり得る。よって、一般には、低線量ＰＥＴイメージングを、同等の全線量ＰＥＴイメージングと比べて同じ（又は少なくとも近い）イメージングデータ獲得時間で行うことが好ましい。
[0034] 待ち期間が経過した後、患者がＰＥＴガントリ６に入れられてＰＥＴイメージングデータ獲得が開始する。イメージングデータ獲得では、ＰＥＴガントリ６のＰＥＴ検出器によって検出された５１１ｋｅＶガンマ線が、スプリアス放射線（５１１ｋｅＶガンマ線以外）をフィルタ処理で除去するためのエネルギー窓を使用して、かつ、共通の電子−陽電子消滅事象に各々が帰属する同時発生したガンマ線を検出するための同時計数時間窓を使用して、処理される。得られた同時計数カウント数は、リストモードＰＥＴイメージングデータストレージ１０に収集される。各同時計数カウント数は、共通の陽電子−電子消滅事象に帰属する５１１ｋｅＶガンマ線の同時発生した対によって定義され、また、２つの同時発生した５１１ｋｅＶ検出事象をつなぐ応答線（ＬＯＲ）（したがって、それに沿って陽電子−電子消滅事象が存在することが予想される）が、定義されている。飛行時間（ＴＯＦ）ＰＥＴでは、２つの５１１ｋｅＶガンマ線のタイムスタンプ間の時間差をさらに使用して、ＬＯＲに沿った事象を特定する。先述したように、所与の時間間隔にわたり、総カウント数（合計の同時発生した５１１ｋｅＶガンマ線対）は、低減された線量に相当する全線量ＰＥＴと比べて減る。例えば、１０％の低線量ＰＥＴでは、総カウント数は、全線量ＰＥＴで獲得されるであろう総数の約１０％になる。
[0035] ＰＥＴイメージングが説明のための例として説明されるが、ＳＰＥＣＴイメージングでも患者は放射性医薬品を投与される。ただし、それは、１回の放射性崩壊事象当たり１つ又は複数の単独ガンマ線を放出させるものであり、それらのガンマ線はタイミング同時計数窓においては獲得されない。ＳＰＥＣＴイメージングにはガンマカメラが使用され、事象（ＳＰＥＣＴの場合は同時発生した対ではなく単発事象）を、ハニカム開口の視野方向に沿って定義された応答線に空間的に制限するために使用されるハニカムコリメータ等を伴う。
[0036] 引き続き図１を参照すると、患者から獲得された同時計数カウント数を含むＰＥＴイメージングデータセットが、ＰＥＴ画像再構成プロセス１２によって再構成されて、対応する再構成ＰＥＴ画像を生成する。ＰＥＴ画像再構成プロセス１２は、反復的最大尤度期待値最大化（ＭＬ−ＥＭ）アルゴリズム、順序付けサブセット期待値最大化（ＯＳＥＭ）アルゴリズム、ブロック順次正則化期待値−最大化（ＢＳＲＥＭ）、フィルタ処理された逆伝播などの非反復的再構成等の、適切な再構成アルゴリズムを用いる。低線量ＰＥＴイメージングの場合、画像品質を改良するために、本明細書に開示されるような低線量画像強調プロセス１４が適用され、それにより、全線量ＰＥＴイメージングと比べて減少した総カウント数によって生じた低下した画像品質を部分的に補償する。これにより、強調後低線量ＰＥＴ画像１６を生成し、これを本明細書では推定全線量ＰＥＴ画像とも呼ぶが、その理由は、低線量画像強調プロセス１４は、低線量再構成ＰＥＴ画像を、全線量ＰＥＴイメージングによって取得される画像により似せた画像へと変形するように設計されるためである。強調後低線量ＰＥＴ画像１６は、コンピュータ又は他の電子データ処理２２の（又はそれに動作的に接続された）ディスプレイ２０に表示される。
[0037] 低線量画像強調プロセス１４は、低線量画像強調訓練器２４によって行われる深層学習によって生成される。説明のための深層学習は、以下のようにして生成される訓練データに作用する。ＰＥＴイメージングデータ獲得ガントリ６を使用して、リストモード全線量ＰＥＴイメージングデータセットを獲得する（すなわち、患者は全線量の放射性医薬品を投与されてイメージングされる）。このデータセットを、ランダム（又は疑似ランダム）なサンプリングプロセスを使用するサンプラー２６によってサンプリングして、低線量ＰＥＴイメージングデータセットを生成（すなわち合成）する。例えば、１０％の低線量ＰＥＴイメージングデータセットを生成するには、サンプラー２６は、１０％の低線量ＰＥＴイメージングデータセットが、全線量ＰＥＴイメージングデータセットの同時計数サンプルのうちから（疑似）ランダムに選択された１０％によって構成されるまで、全線量データセット（置き換えなし）からランダムな同時計数サンプルを引き出す。同様にして、１５％の低線量ＰＥＴイメージングデータセットは、全線量ＰＥＴイメージングデータセットの同時計数サンプルの１５％を（疑似）ランダムに引き出すことによって生成される（元の全線量ＰＥＴイメージングデータセット、すなわち、１０％のデータセットのために引き出された同時計数サンプルが置き換えられたもの、から開始する）。同様にして、２０％の低線量ＰＥＴイメージングデータセットは、リストモード全線量ＰＥＴイメージングデータセットの同時計数サンプルの２０％を（疑似）ランダムに引き出すことによって生成される。全線量データセットが、一部の商用ＰＥＴスキャナ構成で行われるようにサイノグラム形式に圧縮されている場合、低線量訓練セットを生成するそのようなサンプリング手法は容易に行うことができないが、適切な獲得統計値（すなわち、ポアソン）をモデル化するブートストラップ法が、低線量サンプルを抽出するために適用されることが企図される。
[0038] また、２つ以上の低線量ＰＥＴイメージングデータセットが、同じ低線量をシミュレートしてサンプラー２６によって生成されてよいことが留意される。例えば、（１）第１の１０％低線量ＰＥＴイメージングデータセットが取得されるまで、全線量データセット（置き換えなし）からランダムな同時計数サンプルを引き出し、次いで、（２）再び元の全線量ＰＥＴイメージングデータセットから始めて、第２の１０％低線量ＰＥＴイメージングデータセットが取得されるまで、再び全線量データセット（置き換えなし）からランダムな同時計数サンプルを引き出すことにより、２つの１０％低線量ＰＥＴイメージングデータセットが生成される。サンプリングはランダム（又は疑似ランダム）であるため、そのように合成された２つの１０％低線量ＰＥＴイメージングデータセットは一般には異なる、すなわち、全線量ＰＥＴイメージングデータセットのそれぞれ異なる部分を含んでいる。
[0039] 訓練用の低線量ＰＥＴイメージングデータセットを生成するこの手法には著しい利点があることが認識されよう。同じ及び／又は異なる低線量をシミュレートした１つ、２つ、又はそれ以上のＰＥＴイメージングデータセットが、単一の全線量ＰＥＴイメージングデータセットから生成され得る。それら低線量ＰＥＴイメージングデータセットの各々をＰＥＴ画像再構成プロセッサ１２によって再構成して、訓練用低線量ＰＥＴ画像を作成し、また、元の全線量ＰＥＴイメージングデータセットをＰＥＴ画像再構成プロセッサ１２によって再構成して、低線量画像強調１４を訓練するための「グランドトゥルース」画像の役目を果たす訓練用全線量ＰＥＴ画像を作成する。すなわち、低線量画像強調１４は、サンプラー２６によって取得された訓練用低線量ＰＥＴ画像を、対応する訓練用全線量再構成ＰＥＴ画像と一致させて変形するように訓練される。訓練用低線量イメージングデータセットは全線量イメージングデータセットから引き出されるため、対応する訓練用全線量ＰＥＴ画像は本質的に、同じＰＥＴイメージングスキャナ６及び画像再構成プロセス１２を使用して同じ患者について獲得及び再構成され、したがって、低線量画像強調１４を訓練するための理想的な「グランドトゥルース」画像の役目を果たす。高品質な訓練用ＰＥＴイメージングデータセットのこのような実質的な数量は、単一の全線量イメージングデータセットから合成されたものであり、そのため、基礎となる患者は、不必要な放射性医薬品トレーサに曝露されることがない。
[0040] １人の患者について説明されるが、訓練は、複数の（訓練用の）患者について獲得された複数の全線量ＰＥＴイメージングデータセットを利用することができ、各々の全線量ＰＥＴイメージングデータセットがサンプラー２６によってサンプリングされて、１つ又は複数の低線量ＰＥＴイメージングデータセットを作成し、それが、元の全線量ＰＥＴイメージングデータセットの再構成と併せて、再構成プロセス１２で再構成されて、１つ又は複数の訓練用低線量ＰＥＴ画像と、それに対応する、グランドトゥルースとしての訓練用全線量ＰＥＴ画像とのセットを得ることが認識されよう。
[0041] 引き続き図１を参照すると、説明のための低線量画像強調訓練器２４は、訓練用低線量画像及び訓練用全線量画像を以下のように処理する。標準取り込み値（ＳＵＶ）変換３０を適用して、各々の訓練用低線量再構成画像を訓練用低線量ＳＵＶ画像に変換し、同様に適用して、各々の訓練用全線量再構成画像を訓練用全線量ＳＵＶ画像に変換する。ローパスフィルタ３２を適用して、各訓練用低線量ＳＵＶ画像をフィルタ処理する。代替実施形態では、この前処理が逆にされ、すなわち、ローパスフィルタ３２が、代替として、各訓練用低線量再構成画像をフィルタ処理するために最初に適用されることができ、次いでＳＵＶ変換３０がそのようにフィルタ処理された画像に適用される。前処理された画像（ＳＵＶ変換３０及びローパスフィルタ３２によって、若しくは代替としてそれらの一方のみによって前処理された、又はさらに別の説明のための実施形態では一切の前処理を行わない）は、ニューラルネットワーク訓練プロセスに入力される。ニューラルネットワーク訓練プロセスは、逆伝播又は他のニューラルネットワーク訓練技術を用いて、訓練用低線量ＳＵＶ画像を、対応する訓練用全線量ＳＵＶ画像に一致させて変形するように、訓練用低線量ＳＵＶ画像と対応する訓練用全線量ＳＵＶ画像とのセットで、ニューラルネットワークを訓練する。説明のためのニューラルネットワーク訓練は、多コンポーネント損失関数を用いて、変形された低線量ＳＵＶ画像と、対応する全線量ＳＵＶ画像との間の一致を定量化する。説明のための多コンポーネント損失関数は、平均二乗誤差（ＭＳＥ）損失などの平滑化損失関数コンポーネント３４と、全変動（ＴＶ）損失コンポーネントなどの画像テクスチャ保存損失関数コンポーネント３６と、勾配損失コンポーネントなどのエッジ保存損失関数コンポーネント３８とを含む。いくつかの実施形態では、ニューラルネットワーク訓練はさらに、さらなる（すなわち第２の）敵対的ネットワーク損失関数４０が追加される第２段階を用いる。これらの損失関数及びそれを用いるニューラルネットワーク訓練のいくつかの好適な実施形態が、本明細書にさらに記載される。
[0042] ここで図２を参照して、図１の低線量画像強調１４の好適な実施形態が説明され、これは、図１の訓練器２４によって実施される深層学習と適合している。先に説明したように低線量ＰＥＴイメージングデータセットに対して作用するＰＥＴ画像再構成１２によって出力される再構成低線量画像４２が、入力の役目を果たす。ＳＵＶ変換３０を再構成低線量画像４２に適用して、ローパスフィルタ３２によってフィルタ処理される低線量ＳＵＶ画像を生成し、多コンポーネント損失関数（図１参照）を使用した訓練によって生成された訓練済み低線量画像強調ニューラルネットワーク４４を適用して、強調後低線量ＰＥＴ画像１６を生成する。ＳＵＶ変換３０及びローパスフィルタ３２は種々の実施形態を取ることができるが、同じＳＵＶ変換３０及び同じローパスフィルタ３２が、訓練器２４（図１）並びに図１及び図２の低線量画像強調１４の両方によって適用されるべきであることが認識されよう。
[0043] 再び図１を参照すると、図１のＰＥＴイメージングシステムの様々な処理コンポーネント１２、１４、２４、２６は、開示される処理動作を行うようにプログラムされたコンピュータ又は他の電子データ処理デバイス２２によって実施される。例えば、電子データ処理デバイス２２は、それらの処理動作をコンピュータ２２に行わせるように接続された、マイクロプロセッサと、補助コンポーネント（例えば、ＲＡＭメモリ、支援回路／電子機器、及び／又はその他）とを含むコンピュータを備える。命令は、そのような命令を記憶した非一時的記憶媒体から適宜読み出される。非一時的記憶媒体は、例えば、ハードディスクドライブ又は他の磁気記憶媒体、光ディスク又は他の光学記憶媒体、固体状態ドライブ（ＳＳＤ）又は他の電子記憶媒体、それらの様々な組み合わせ等を含む。
[0044] 図１及び図２を参照して低線量画像強調を伴うＰＥＴイメージングシステムの概要を提供したので、様々なコンポーネントの説明のための実施形態を以下でさらに説明する。
[0045] さらに詳細には、ＳＵＶ変換３０は、身体の大きさ指標及び線量指標を少なくとも含むスケーリング因子を使用して、ＰＥＴ画像のボクセルの値をＳＵＶ値にスケーリングするように動作する。例えば、次の非制限的な説明のためのＳＵＶの公式化が用いられる。
Figure 2021509953
 ここで、ｉは、ＰＥＴ画像のボクセルのインデックスであり、ｖｉは、ＳＵＶ値に変換される画像中のボクセルｉの値（すなわち、ボクセルｉにおける組織中の放射性トレーサ放射能濃度）であり、Ｄは、放射性医薬品の線量であり、Ｍは、患者の体型であり、ｔは、放射性医薬品の投与とＰＥＴイメージングデータ獲得との間の待ち時間であり、ｔ１／２は、放射性医薬品の半減期である。放射能濃度ｖｉは、ｖｉが、例えばＭＢｑ／ｍｌ又はｍＣｉ／ｍｌなどの単位ボリューム当たりの放射能を単位とするように較正される。注入された放射能Ｄを体型Ｍで割った値（すなわち、比Ｄ／Ｍ）は、グラム単位の体重が身体の大きさの測定値Ｍとして使用される場合には、ＭＢｑ／ｇの単位又はそれと同等のものをもたらす。そして、これによりＳＵＶはｇ／ｍｌ又はそれと同等の単位のままとなる。軟組織はおよそ１ｇ／ｍｌであると考えられるため、ＳＵＶ値は通例は無単位パラメータとして提示される。さらに、放射能の注入の後には、通常、ＰＥＴイメージングデータの獲得の前に線量取り込みのための指示された待ち時間ｔが続く。このことにより、注入線量測定の時刻と、画像中での放射能濃度測定の時刻（スキャン時）との間の時間間隔ｔにわたって線量崩壊が生じることになる。項
Figure 2021509953
 は、よって、待ち時間ｔにわたる線量崩壊を考慮する線量崩壊スケーリング因子である。式（１）のＳＵＶの公式化は例に過ぎず、他の公式化が知られている。例えば、式（１）では、身体の大きさは体型Ｍによって取り込まれるのに対し、他の公式化では、身体の大きさは、脂肪組織による放射性医薬品の取り込みがより低いことを考慮するために、体表面積項又は除脂肪体重ＳＵＶ（ＳＵＬ）によって取り込まれる。
[0046] 図３を参照すると、様々な画像前処理が行われてよい。先ほど触れたように、ＰＥＴ画像は通例、ピクセル値に大きい範囲を有する（例えば、カウント数又は放射能濃度として定量化される）ので、ＳＵＶ変換３０を適用してＰＥＴ画像をそのＳＵＶスケールに変換することで、ＣＮＮの訓練を支援する。低線量画像（ＳＵＶ変換の前又は後のいずれか）は、ローパスフィルタ３２に通され、ローパスフィルタ３２は、本明細書における説明のための実施形態では、σ＝１．５ボクセルのガウスフィルタである。ローパスフィルタ３２は、過度に多くの構造的ディテールを失うことなく、一部のノイズを低減するように動作する。通例、ＰＥＴ画像は、診断に関連する情報を含んでいない、大きな背景部分を有する。前景部分を分離するためにさらなる任意選択の前処理が行われてもよく、それにより、関連する情報を含んでいる前景画像のみが、ノイズ除去された推定全線量画像を推定するために使用されるようになる。図３に示すように、前景画像は、関連する情報を含んでいる境界ボックスＢＢの一番左上のピクセル及び一番右下のピクセルを見つけることによって判定される。適切な一手法では、これらのピクセルは、ピクセルのＳＵＶ及び２座標離れたピクセルのＳＵＶが０．２より大きくなるような最も小さい座標及び最も大きい座標として定義される。計算コストを低減し、訓練用のデータを強化するために、次いで、図３の一番右の画像に示すように、画像の切り取られた部分が、ｎピクセルずつ重なった１６ｘ１６のピクセルパッチに分割される。本明細書における説明のための実施形態では、ｎ＝２である。これらのパッチは、低線量画像及び全線量画像の同じ位置から抽出され、最終的に深層学習モデルを通して供給される。
[0047] 図４及び図５を参照して、ニューラルネットワーク及びその訓練の説明のための実施形態について説明する。低線量ＰＥＴ画像から全線量ＰＥＴ画像を推定するために使用される深層学習モデルアーキテクチャであって、説明のためのアーキテクチャでは、推定器ネットワーク４６（図４）が、真の全線量画像を推定し、敵対的識別器ネットワーク４８（図５）を欺くことを試み、敵対的識別器ネットワーク４８は、推定された画像からグランドトゥルース全線量画像を区別することを試みる。図４の説明のための推定器ネットワーク４６は、４つの隠れ畳み込み層（「畳み込み＋ｅｌｕ」層と表記される）を有し、それらは各々、学習されたカーネルとの前の層の２次元（２Ｄ）の畳み込みを計算して、入力から特徴を抽出する。説明のための図４では、第１の層は、ローパスフィルタ３２によるフィルタ処理後の低線量ＳＵＶ画像に作用する。４つの「畳み込み＋ｅｌｕ」層の後には４つの隠れ逆畳み込み層（「逆畳み込み＋ｅｌｕ」層と表記される）が続き、それらは、学習されたカーネルとの前の層の２Ｄ転置畳み込みを計算する。層１は、３×３×１×１２８個のカーネルを使用し、層２〜７は、３×３×１２８×１２８個のカーネルを使用し、層８は、３×３×１２８×１個のカーネルを使用する。すべてのカーネルは２のストライドを使用し、すべての隠れ層の後にはｅｌｕ活性化が続き、それは、
Figure 2021509953
 として実現され得、ここで、ｘは、その要素が所与の層についての特徴を記憶する特徴ベクトルである（０との比較が要素ごとに行われる）。図４ではΣとして示されるスキップ接続は、同じ次元の層の間で利用され、前の層からの特徴が後の層の特徴に加えられる。最終層では、スキップ接続は、残りの画像パッチＲと入力画像パッチＸとの間であり、これは次のように定義され得る。
Figure 2021509953
 ここで、
Figure 2021509953
 は、推定される「全線量」画像パッチである。
[0048] ここで図５に移ると、敵対的識別器ネットワーク４８は、１つの隠れ畳み込み層（「畳み込み＋Ｔａｎｈ層」と表記される）を有し、その後に１つの全結合層（「全結合＋Ｔａｎｈ層」と表記される）が続く。説明のための例では、層１は、ストライドが１である３×３×１×６４個のカーネルを使用し、層２は、１６，３８４個の隠れユニットを使用する。両方の層とも、その後に双曲線正接（ｔａｎｈ）活性化が続き、それは、
Figure 2021509953
 として実現され得る。全結合層はパッチのロジットを出力し、それらは次いで最終的なシグモイド活性化に通され、ここでシグモイドは、
Figure 2021509953
 として実現され得る。この最後の活性化は、そのパッチがグランドトゥルース画像からのものである確率をもたらす。
[0049] 以下では、図４及び図５のニューラルネットワーク４６、４８の説明のための訓練について説明する。図４の推定器ネットワーク４６は、推定全線量画像が対応するグランドトゥルース全線量画像に比較的近くなるように、最初に単独で訓練される。ここでも、グランドトゥルース全線量画像は、図１のＰＥＴ画像再構成プロセス１２によって全線量ＰＥＴイメージングデータセットから再構成された訓練用全線量ＰＥＴ画像である。その理由は、訓練用低線量ＰＥＴ画像は、サンプラー２６によって引き出された全線量ＰＥＴイメージングデータセットのうちランダムに選択されたサブセットから再構成され、各々の訓練用低線量ＰＥＴ画像を形成するデータがそこから引き出される訓練用全線量ＰＥＴ画像は、グランドトゥルース画像として、すなわち、低線量ＰＥＴイメージングデータセットから理想的に再構成されるはずの画像として働くからである。図４の推定器ネットワーク４６を最初に単独で訓練するという手法は、図５の敵対的識別器ネットワーク４８が後に導入されたときに、それが、グランドトゥルース全線量画像を生成された画像から区別する、テクスチャ等の、構造及びピクセル値を超える特徴を学習するように行われる。
[0050] 敵対的ネットワーク４８の導入前に最小化すべき損失関数は、推定される「全線量」画像パッチと真の全線量画像パッチとの間のＭＳＥと、最終的な推定において予想される様々な画像特徴との加重和である。それは、平均二乗誤差（ＭＳＥ）損失コンポーネント（例えば、図１の平滑化損失関数コンポーネント３４の実施形態）と、全変動（ＴＶ）損失コンポーネント（例えば、図１の画像テクスチャ保存損失関数コンポーネント３６の実施形態）と、勾配のＭＳＥ損失コンポーネント（例えば、図１のエッジ保存損失関数コンポーネント３８の実施形態）との、それぞれ重みｗ１、ｗ２、及びｗ３で重み付けした加重和として実現され得る。
Figure 2021509953
 ここで、Ｎは、パッチの数を表し（図３参照）、θは、学習されたパラメータ（すなわちカーネル及びバイアス値）を表し、
Figure 2021509953
 は、推定される「全線量」パッチを表し、Ｙｉは、真の全線量パッチを表し、ｊは、所与のパッチに対応するピクセルを表し、
Figure 2021509953
 及び
Figure 2021509953
 は、それぞれ水平方向及び垂直方向における推定パッチの勾配を表す。
[0051] ＴＶ損失関数コンポーネント３６は、推定パッチの全変動を定量化する。この項は、ＭＳＥ損失関数コンポーネント３４における平均化によって生じる平滑化効果を低減するために、式（６）の多コンポーネント損失関数の中で最大化（減算）される。これにより、推定される画像が、低線量画像に見られるテクスチャ及びエッジディテールを維持することを保証する。勾配のＭＳＥ損失関数コンポーネント３８は、推定される全線量画像パッチと真の全線量画像パッチとの間の勾配のＭＳＥを定量化する。この項は、推定される画像の構造的コンポーネントが可能な限り真の全線量画像に類似するように最小化される。
[0052] 説明のための実施形態では、深層学習のためのＡＤＡＭ最適化アルゴリズムが、０．００１に等しい学習率を用い、カーネルにＬ１正則化を適用して、図４の推定器ネットワーク４６を訓練するために適切に使用される。重みの値は、他の２つを一定に保ちながら一度に１つの重みを変動させることによって最適化された。本明細書に記載される実際に行われた説明のための最適化では、最も少ない損失を達成した重みは、経験的に、ｗ１＝１、ｗ２＝０．００００５、及びｗ３＝０．０７５に決定された。各項のスケールは異なる。
[0053] １００エポックの訓練後、推定器ネットワーク４６が収束し、図５の敵対的ネットワーク４８が導入され、それに沿って訓練された。この時、推定画像に起因する敵対的損失（例えば、図１の敵対的損失関数４０の実施形態）が導入され、損失は、
Figure 2021509953
 になる。ここで、Ｌ（θ）は、式（６）で与えられる多コンポーネント損失関数であり、それに第２の（敵対的）損失関数４０を第４の重みｗ４と共に加えて、損失関数Ｌ＊（θ）を得る。式（７）において、項
Figure 2021509953
 は、図５の敵対的識別器ネットワーク４８によって予測される、そのパッチが実際の画像からのものであった確率を表し、ｚｉは、パッチの真のラベル（１＝実際の画像、０＝生成された画像）を表し、ｗ４＝０．１である。この項は、推定画像に起因する交差エントロピー損失である。この敵対的（第２の）損失関数項４０は、図４の推定器ネットワーク４６が、図５の識別器ネットワーク４８をどのように欺く（すなわち、真の画像と生成された画像とを正しく区別することの誤り率を増大させる）かを学習するように、式（７）の損失関数の中で最大化される。学習率は、損失Ｌ＊（θ）を形成するために敵対的（第２の）損失関数が含められる場合は、１０分の１に低減され、それにより、推定器ネットワーク４６は、すでに学習された構造的ディテール及びエッジディテールを改変することなく、テクスチャなどの細かいディテールを学習するようになる。
[0054] 実際に行われたテストでは、本明細書に開示される低線量画像強調手法を、全線量の１／１０を与えたＰＥＴ画像スライス（脳から脚まで）で試験し、それを、１人の患者についての対応する真の全線量画像スライスと比較した。１人のみの患者を使用したのは、低線量及び全線量のＰＥＴ医療データの入手性が限られているためであった。当該患者について４８２個のスライスがあり、すべての画像は、２ｍｍの等方性ボクセルサイズを有する２８８×２８８ピクセルである。データセットは、各々が１００スライスの４つの領域に分割され、低線量画像強調プロセス１４が領域ごとに訓練された。身体の異なる領域は大きく異なるテクスチャ及び構造を有するため、訓練を支援するために全身画像を４つの区画に分けることが行われた。各領域のデータセットは、訓練用セット及びテストセットにランダムに分割され、スライスの約７０％が訓練に使用され、３０％がテストに使用された。計２７２個のスライス（２４，４９５パッチ）が訓練に使用された。推定全線量画像（低線量画像強調１４によって出力される）とグランドトゥルース全線量画像との間の根平均二乗誤差（ＲＭＳＥ）、平均構造的類似度指標（ＭＳＳＩＭ）、及びピーク信号対ノイズ比（ＰＳＮＲ）が、画像品質の指標として使用された。
[0055] 図６〜図９は、脳画像（図６）、心臓画像（図７）、肝臓画像（図８）、及び骨盤画像（図９）の４つの領域各々について視覚的に比較するために、得られた代表的な画像を提示する。図６〜図９の左の列（１／１０線量画像）と真ん中の列（低線量画像強調１４によって出力された推定全線量画像）を比較すると、画像品質の向上は明らかである。右の列（グランドトゥルース全線量画像）と真ん中の列（推定全線量画像）との間の視覚的類似性が近いことも明らかである。
[0056] 低線量画像強調を１２８個のスライス（１１，５４５パッチ）で試験し、ＲＭＳＥ、ＭＳＳＩＭ、及びＰＳＮＲが、推定「全線量」画像前景と真の全線量画像前景との間、及び低線量画像前景と真の全線量画像前景との間で計算された。これらの結果は表１に提示されている。表から、推定全線量画像は、低線量画像よりもグランドトゥルース全線量画像に類似していることが明らかである。また、ＭＳＳＩＭ及びＰＳＮＲの値が高く、推定全線量画像のＲＭＳＥが低いことは、学習された低線量画像強調プロセス１４によって作成された画像品質が、真の全線量画像により近いことを示している。
Figure 2021509953
[0057] 図１０を参照すると、低線量画像及び推定全線量画像についての３つの指標の分布を比較することによって、画像品質の差がさらに査定される。これらの分布が実際に統計的に異なっていたのかどうかを判定するために、対にした２サンプルのｔ検定を、１／１０線量の画像スライス及び推定全線量画像スライスについてのＲＭＳＥ、ＭＳＳＩＭ、及びＰＳＮＲの分布に対して行った。帰無仮説は、分布平均が同一であるというものであり、α＝０．０５の有意値を使用した。３つの検定は各々、ｐ＜＜０．００１という結果になった。３つの指標各々についてのこのような小さいｐ値は、１／１０線量の画像品質及び推定全線量画像品質についての平均値が実際に統計的に異なることを実証している。
[0058] 次いで図１１を参照すると、訓練データを収集し、それを使用して、ある母集団に対して獲得された低線量ＰＥＴ画像を強調するように低線量画像強調１４を訓練するための、説明のためのワークフローが図式的に示されている。動作５０において、全線量ＰＥＴリストモードイメージングデータセットが、あるサンプル母集団に対して獲得される。イメージング対象者への不必要な放射線曝露を回避するために、動作５０は通例、通常の臨床行為の一部として行われる。例えば、全線量イメージングデータセットは、臨床治療の通常の過程で全線量ＰＥＴイメージングを受ける対象母集団を表すコホートの患者（例えば、特定種類の癌を有する患者、又は心臓イメージングを受ける成人患者等）から獲得される。ＰＥＴ画像再構成１２（図１）を適用して、全線量の「グランドトゥルース」ＰＥＴ訓練用画像５２を生成する。動作５４において、動作５０で獲得された全線量ＰＥＴイメージングデータセットをサンプラー２６（図１）によってサンプリングして、低線量ＰＥＴ訓練用画像のセットを生成し、それらが各々再構成されて、対応する低線量ＰＥＴ訓練用画像５６を生成する。訓練動作５８において、低線量ＰＥＴ訓練用画像５６及びそれらに対応する全線量「グランドトゥルース」ＰＥＴ訓練用画像５２を訓練データとして使用して、例えば図１〜５を参照して本明細書に説明されたように、低線量画像強調１４を訓練する。ソース訓練データ５０は母集団を表しているため、そのようにして訓練された低線量画像強調１４は、その母集団に該当する患者から獲得された低線量画像を強調するのに効果的であることが予想される。
[0059] 述べたように、サンプリング動作５４において、動作５０で獲得された全線量ＰＥＴイメージングデータセットをサンプラー２６（図１）によってサンプリングして、低線量ＰＥＴ訓練用画像のセットを生成し、これらが各々再構成されて、対応する低線量ＰＥＴ訓練用画像５６を生成する。図１１の説明のための例では、これは、低線量データセット内で異なる総カウント数を用いて繰り返し行われ、それにより、例えば説明のための図１１における全線量の１０％、全線量の１５％、及び全線量の２０％など、異なる低放射線量を投与された患者についての低線量イメージングデータセットをシミュレートする。そうすることにより、それらの異なる線量レベル（１０％、１５％、２０％）の訓練用低線量画像で訓練された、結果的に得られる低線量画像強調プロセス１４が、単一の低線量のみ（例えば、１５％の線量のみ）を使用して訓練するのと比べて、放射線量の差に対してよりロバストになることが予想される。先に本明細書において説明したように、異なる線量レベルの各低線量訓練用画像は、低線量データセットに対して適当な総カウント数を選択するようにサンプリングすることによってシミュレートされ、例えば２０％データセットを生成するには、動作５０で獲得された全線量イメージングデータセットのサンプルのうち２０％をサンプリングで引き出し、対して１０％データセットを生成するには、動作５０で獲得された全線量イメージングデータセットのサンプルのうち１０％をサンプリングで引き出す等である。
[0060] 図１１の母集団レベルの訓練ワークフローは、利点として、動作５０で獲得された訓練データによって表される母集団に該当するあらゆるイメージング対象者及びタスク（例えば、イメージングされる解剖学的領域）に広く適用可能であると予想される、訓練済み低線量画像強調プロセス１４を提供する。しかしながら、ある状況においては特定の個人に合わせて特に訓練された低線量画像強調プロセス１４を得ることが代替として企図される。
[0061] 次いで図１２を参照して、例えば、特定の患者が、初回のＰＥＴイメージング検査と連続した追跡ＰＥＴイメージング検査とを伴う長期の治療レジメンを受けている状況を考える。そのような長期の治療レジメンの例は分割放射線療法であり、患者は、連続した放射線療法治療セッションを受け、各セッション間は数日又は数週間である。そのようなワークフローでは、最初に高品質（すなわち全線量）ＰＥＴリストモードデータセット６０を獲得するのが通例であり、それを再構成して、分割放射線療法計画を策定及び最適化するために放射線療法計画６４で使用される全線量計画用画像６２を生成する。放射線療法計画６４は、任意の適切な放射線療法計画ワークフローを使用してよく、例えば、逆放射線療法計画を用いて、放射線源軌道、マルチリーフコリメータ（ＭＬＣ）設定、放射線治療回の数、及び／又はその他を最適化する。策定され、最適化された放射線療法計画は、数日、数週間、又は数か月にわたって、分割放射線療法レジメン６６として実行される。ある放射線療法実施部分の間に、腫瘍医は、患者が１つ又は複数の追跡ＰＥＴイメージング検査を受けることを命じる。追跡ＰＥＴイメージング検査の目的は、その時点までの分割放射線療法レジメン６６の効果を査定することであり、査定は、腫瘍の成長又は縮小、転移の増加又は減少、腫瘍壊死の程度（ある場合）、及び／又はその他などの指標を使用して行われる。
[0062] 引き続き図１２を参照すると、そのような追跡査定には、ＰＥＴ画像は、放射線療法計画６４で使用される全線量ＰＥＴ画像６２ほど高品質である必要はない。さらに、放射線療法を受けている患者は、すでに多大な蓄積放射線線量に曝露されており、追跡ＰＥＴ検査が低放射線量の放射性医薬品を用いることが有利である。そのため、説明のための追跡ＰＥＴ検査は、動作７０において低線量ＰＥＴリストモードデータセットを獲得することを伴う。この動作７０は、患者が低線量の放射性医薬品（例えば、恐らくは全線量の１０％のみ、又は１５％等）を実際に投与される、真の低線量ＰＥＴイメージングデータ獲得であることが理解されるべきである。動作７２において、この低線量イメージングデータセットが再構成されて、低線量ＰＥＴ画像を生成する。
[0063] ここで、再構成された低線量ＰＥＴ画像の画像品質を向上させるために、本明細書に開示される低線量画像強調プロセス１４の実施形態を適用することが有利である。そのために、図１１を参照して先に説明したように母集団レベルで訓練された低線量画像強調プロセス１４が使用され得る。しかしながら、この訓練済みの低線量画像強調プロセス１４は、対象の患者に合わせて特に訓練された低線量画像強調プロセス１４のインスタンスほど正確であることは予想されない。
[0064] そのため、図１２に図式的に示すように、全線量計画用ＰＥＴ画像６２及びその基礎となる全線量ＰＥＴリストモードデータセット６０が、低線量画像強調プロセス１４の患者固有のインスタンスを訓練するために活用される。利点として、これらのデータ６０、６２は、放射線療法計画６４で使用するために獲得されているはずであるため、すでに入手可能である。したがって、動作７４において、サンプラー２６（図１）を適用して、全線量ＰＥＴリストモードデータセット６０からの１つ又は複数の訓練用低線量ＰＥＴイメージングデータセットを合成し、それらが動作７６において再構成されて、訓練用低線量ＰＥＴ画像のセットを生成する。全線量計画用ＰＥＴ画像６２は、それらの訓練用低線量ＰＥＴ画像に対応する「グランドトゥルース」全線量画像の役目を果たす。訓練動作７８において、これらの低線量ＰＥＴ訓練用画像及びそれらに対応する全線量「グランドトゥルース」ＰＥＴ訓練用画像６２が訓練データとして使用されて、例えば図１〜５を使用して本明細書に説明されたように、患者固有の低線量画像強調１４Ｐを訓練する。ソース訓練データ６０はこの特定の患者に対するものであるため、そのように訓練された低線量画像強調１４Ｐは、動作７２で再構成される追跡低線量画像を強調するのに特に効果的であり、よって、進行中の分割放射線療法レジメン６６の効果を査定するために使用する強調後追跡ＰＥＴ画像８０をもたらすことが予想される。このようにして、図１２に図式的に示される患者固有のワークフロー８２が分割放射線療法に導入されて、改良された追跡ＰＥＴ画像を提供する。
[0065] 先述したように、説明のための実施形態は低線量ＰＥＴ画像を強調することを対象とするが、開示される手法は、低線量ＳＰＥＣＴ画像など、他の種類の低線量放射画像にも容易に適用される。
[0066] 本発明について、好ましい実施形態を参照して説明した。上述の詳細な説明を読み、理解すると、変形例及び改変例が他者に想到されよう。例示的実施形態は、それらが添付の特許請求の範囲及びその同等範囲に該当する限り、そのようなすべての変形例及び改変例を含むように解釈されることが意図される。

Claims (40)

  1. 電子プロセッサと、
    画像再構成及び強調プロセスを行うために前記電子プロセッサにより読取り及び実行可能な命令を記憶した非一時的記憶媒体と、を備え、前記画像再構成及び強調プロセスが、
    放射イメージングデータを再構成して低線量再構成画像を生成することと、
    標準取り込み値（ＳＵＶ）変換を適用して、前記低線量再構成画像を低線量ＳＵＶ画像に変換することと、
    前記低線量ＳＵＶ画像にニューラルネットワークを適用して推定全線量ＳＵＶ画像を生成することと
    を含む、放射イメージングデータ再構成デバイス。
  2. 前記画像再構成及び強調プロセスが、
    前記ニューラルネットワークを適用する前に、前記低線量再構成画像及び前記低線量ＳＵＶ画像の一方を、ローパスフィルタを使用してフィルタ処理すること
    をさらに含む、請求項１に記載の放射イメージングデータ再構成デバイス。
  3. 前記ニューラルネットワークは、訓練用低線量ＳＵＶ画像を、対応する訓練用全線量ＳＵＶ画像に一致させて変形するように、前記訓練用低線量ＳＵＶ画像と前記対応する訓練用全線量ＳＵＶ画像とのセットで訓練される、請求項１又は２に記載の放射イメージングデータ再構成デバイス。
  4. 前記画像再構成及び強調プロセスが、
    訓練用低線量ＳＵＶ画像を、対応する訓練用全線量ＳＵＶ画像に一致させて変形するように、前記ニューラルネットワークを、前記訓練用低線量ＳＵＶ画像と前記対応する訓練用全線量ＳＵＶ画像とのセットで訓練すること
    をさらに含む、請求項１又は２に記載の放射イメージングデータ再構成デバイス。
  5. 各訓練用全線量ＳＵＶ画像及び対応する１つ又は複数の訓練用低線量ＳＵＶ画像が、
    放射イメージングデータセットを再構成して訓練用全線量画像を生成し、前記訓練用全線量画像に前記ＳＵＶ変換を適用して前記訓練用全線量ＳＵＶ画像を生成する動作と、
    前記放射イメージングデータセットをサンプリングすることにより、１つ又は複数の訓練用低線量放射イメージングデータセットを生成する動作と、
    各訓練用低線量放射イメージングデータセットを再構成して訓練用低線量画像を生成し、前記訓練用低線量画像に前記ＳＵＶ変換を適用して前記訓練用低線量ＳＵＶ画像を生成する動作と
    を含む動作によって生成される、請求項３又は４に記載の放射イメージングデータ再構成デバイス。
  6. 前記１つ又は複数の訓練用低線量放射イメージングデータセットが、異なる数のサンプルを用いて生成された複数の訓練用低線量放射イメージングデータセットを含み、それにより、前記異なる訓練用低線量放射イメージングデータセットが、それぞれ異なる低線量を表す、請求項５に記載の放射イメージングデータ再構成デバイス。
  7. 前記ニューラルネットワークが、平滑化損失コンポーネントと、画像テクスチャの損失にペナルティを課す損失コンポーネントとを有する損失関数を使用して訓練される、請求項３から６のいずれか一項に記載の放射イメージングデータ再構成デバイス。
  8. 画像テクスチャの損失にペナルティを課す前記損失コンポーネントが、全変動損失コンポーネントを備える、請求項７に記載の放射イメージングデータ再構成デバイス。
  9. 前記ニューラルネットワークが、平滑化損失コンポーネントと、エッジ保存を促す損失コンポーネントとを有する損失関数を使用して訓練される、請求項３から８のいずれか一項に記載の放射イメージングデータ再構成デバイス。
  10. エッジ保存を促す前記損失コンポーネントが、勾配の平均二乗誤差損失コンポーネントを備える、請求項９に記載の放射イメージングデータ再構成デバイス。
  11. 前記ニューラルネットワークが、推定器ネットワークと敵対的識別器ネットワークとを含み、
    第１の損失関数を使用して前記推定器ネットワークのみを訓練する第１段階、及び
    前記第１の損失関数と敵対的損失関数とを含む第２の損失関数を使用して、前記推定器ネットワークと前記敵対的識別器ネットワークとの組み合わせを訓練する第２段階
    で訓練される、請求項３から１０のいずれか一項に記載の放射イメージングデータ再構成デバイス。
  12. 前記ＳＵＶ変換は、身体の大きさ指標及び線量指標を少なくとも含むスケーリング因子を使用して、ボクセルの値をＳＵＶ値にスケーリングするように動作する、請求項１から１１のいずれか一項に記載の放射イメージングデータ再構成デバイス。
  13. 前記スケーリング因子が、線量崩壊時間間隔に対して計算された線量崩壊をさらに含む、請求項１２に記載の放射イメージングデータ再構成デバイス。
  14. 電子プロセッサと、
    画像再構成及び強調プロセスを行うために前記電子プロセッサにより読取り及び実行可能な命令を記憶した非一時的記憶媒体と、を備え、前記画像再構成及び強調プロセスが、
    放射イメージングデータを再構成して低線量再構成画像を生成することと、
    ローパスフィルタを使用して前記低線量再構成画像をフィルタ処理することと、
    前記フィルタ処理の後、前記低線量画像にニューラルネットワークを適用して、推定全線量画像を生成することと
    を含む、放射イメージングデータ再構成デバイス。
  15. 前記低線量再構成画像が、標準取り込み値（ＳＵＶ）の形態である、請求項１４に記載の放射イメージングデータ再構成デバイス。
  16. 前記ニューラルネットワークは、訓練用低線量画像を、対応する訓練用全線量画像に一致させて変形するように、前記訓練用低線量画像と前記対応する訓練用全線量画像とのセットで訓練される、請求項１４又は１５に記載の放射イメージングデータ再構成デバイス。
  17. 前記画像再構成及び強調プロセスが、
    訓練用低線量画像を、対応する訓練用全線量画像に一致させて変形するように、前記ニューラルネットワークを、前記訓練用低線量画像と前記対応する訓練用全線量画像とのセットで訓練すること
    をさらに含む、請求項１４又は１５に記載の放射イメージングデータ再構成デバイス。
  18. 各訓練用全線量画像及び対応する１つ又は複数の訓練用低線量画像が、
    放射イメージングデータセットをサンプリングすることにより、１つ又は複数の訓練用低線量放射イメージングデータセットを生成する動作と、
    各訓練用低線量放射イメージングデータセットを再構成して訓練用低線量画像を生成し、前記ローパスフィルタを使用して前記訓練用低線量画像をフィルタ処理する動作と
    を含む動作によって生成される、請求項１６又は１７に記載の放射イメージングデータ再構成デバイス。
  19. 前記１つ又は複数の訓練用低線量放射イメージングデータセットが、異なる数のサンプルを用いて生成された複数の訓練用低線量放射イメージングデータセットを含み、それにより、前記異なる訓練用低線量放射イメージングデータセットが、それぞれ異なる低線量を表す、請求項１８に記載の放射イメージングデータ再構成デバイス。
  20. 前記ニューラルネットワークが、平均二乗誤差損失コンポーネントと、画像テクスチャの損失にペナルティを課す損失コンポーネントとを有する損失関数を使用して訓練される、請求項１６から１９のいずれか一項に記載の放射イメージングデータ再構成デバイス。
  21. 画像テクスチャの損失にペナルティを課す前記損失コンポーネントが、全変動（ＴＶ）損失コンポーネントを備える、請求項２０に記載の放射イメージングデータ再構成デバイス。
  22. 前記ニューラルネットワークが、平均二乗誤差損失コンポーネントと、エッジ保存を促す損失コンポーネントとを有する損失関数を使用して訓練される、請求項１６から２１のいずれか一項に記載の放射イメージングデータ再構成デバイス。
  23. エッジ保存を促す前記損失コンポーネントが、勾配の平均二乗誤差損失コンポーネントを備える、請求項２２に記載の放射イメージングデータ再構成デバイス。
  24. 前記ニューラルネットワークが、推定器ネットワークと敵対的識別器ネットワークとを含み、第１の損失関数を使用して前記推定器ネットワークのみを訓練する第１段階、及び、前記第１の損失関数と敵対的損失関数とを含む第２の損失関数を使用して、前記推定器ネットワークと前記敵対的識別器ネットワークとの組み合わせを訓練する第２段階で訓練される、請求項１６から２３のいずれか一項に記載の放射イメージングデータ再構成デバイス。
  25. 電子プロセッサと、
    画像再構成及び強調プロセスを行うために前記電子プロセッサにより読取り及び実行可能な命令を記憶した非一時的記憶媒体と、を備え、前記画像再構成及び強調プロセスが、
    訓練用低線量画像を、対応する訓練用全線量画像に一致させて変形するように、ニューラルネットワークを、前記訓練用低線量画像と前記対応する訓練用全線量画像とのセットで訓練することであって、前記訓練することが、平滑化損失コンポーネント及び少なくとも１つの追加的な損失コンポーネントを有する損失関数を使用する、ことと、
    放射イメージングデータを再構成して低線量再構成画像を生成することと、
    前記低線量再構成画像に、訓練された前記ニューラルネットワークを適用して、推定全線量画像を生成することと
    を含む、放射イメージングデータ再構成デバイス。
  26. 前記平滑化損失コンポーネントが、平均二乗誤差損失コンポーネントを備える、請求項２５に記載の放射イメージングデータ再構成デバイス。
  27. 前記少なくとも１つの追加的な損失コンポーネントが、全変動（ＴＶ）損失コンポーネントを含む、請求項２５又は２６に記載の放射イメージングデータ再構成デバイス。
  28. 前記少なくとも１つの追加的な損失コンポーネントが、勾配の平均二乗誤差損失コンポーネントを含む、請求項２５から２７のいずれか一項に記載の放射イメージングデータ再構成デバイス。
  29. 前記ニューラルネットワークが、推定器ネットワークと敵対的識別器ネットワークとを備え、
    第１の損失関数を使用して前記推定器ネットワークのみを訓練する第１段階、及び、
    前記第１の損失関数と敵対的損失関数とを含む第２の損失関数を使用して、前記推定器ネットワークと前記敵対的識別器ネットワークとの組み合わせを訓練する第２段階
    で訓練される、請求項２５から２８のいずれか一項に記載の放射イメージングデータ再構成デバイス。
  30. 前記訓練用低線量画像、前記訓練用全線量画像、前記低線量再構成画像、及び前記推定全線量画像が、標準取り込み値（ＳＵＶ）の形態である、請求項２５から２９のいずれか一項に記載の放射イメージングデータ再構成デバイス。
  31. 前記訓練用低線量画像及び前記低線量再構成画像の各々が、ローパスフィルタを使用したフィルタ処理によって前処理される、請求項２５から３０のいずれか一項に記載の放射イメージングデータ再構成デバイス。
  32. 前記訓練用低線量画像及び対応する訓練用全線量画像、並びに前記低線量再構成画像が各々、異なる解剖学的領域に区画され、
    前記訓練すること、前記再構成すること、及び前記適用することが、解剖学的領域ごとに別個に行われる、請求項２５から３１のいずれか一項に記載の放射イメージングデータ再構成デバイス。
  33. 電子プロセッサと、
    ニューラルネットワーク訓練プロセスを行うために前記電子プロセッサにより読取り及び実行可能な命令を記憶した非一時的記憶媒体と、を備え、前記ニューラルネットワーク訓練プロセスが、
    （ｉ）訓練用放射イメージングデータセットを再構成することにより、訓練用全線量画像を生成することと、
    （ｉｉ）前記訓練用放射イメージングデータセットをサンプリングすることにより、複数の訓練用低線量放射イメージングデータセットを生成することであって、２つ以上の異なる低線量を表す訓練用低線量放射イメージングデータセットに対して異なる数のサンプルをサンプリングすることにより、前記２つ以上の異なる低線量を表す前記訓練用低線量放射イメージングデータセットを生成することを含む、ことと、
    （ｉｉｉ）前記複数の訓練用低線量放射イメージングデータセットの各訓練用低線量放射イメージングデータセットを再構成することにより、複数の訓練用低線量画像を生成することと、
    （ｉｖ）前記訓練用低線量画像を、前記訓練用全線量画像に一致させて変形するように、ニューラルネットワークを前記複数の訓練用低線量画像及び前記訓練用全線量画像で訓練することと
    を含む、放射イメージングデータ再構成デバイス。
  34. 前記ニューラルネットワーク訓練プロセスが、複数の訓練用放射イメージングデータセットに対して前記生成動作（ｉ）、（ｉｉ）、及び（ｉｉｉ）を繰り返すことを含み、前記訓練動作（ｉｖ）は、前記訓練用低線量画像を、対応する前記訓練用全線量画像に一致させて変形するように、前記ニューラルネットワークを、前記繰り返しによって生成された前記訓練用低線量画像及び対応する前記訓練用全線量画像で訓練する、請求項３３に記載の放射イメージングデータ再構成デバイス。
  35. 前記非一時的記憶媒体が、画像再構成及び強調プロセスを行うために前記電子プロセッサにより読取り及び実行可能な命令をさらに記憶し、前記画像再構成及び強調プロセスが、
    放射イメージングデータを再構成して低線量再構成画像を生成することと、
    前記低線量再構成画像に、訓練された前記ニューラルネットワークを適用して、推定全線量画像を生成することと
    を含む、請求項３３又は３４に記載の放射イメージングデータ再構成デバイス。
  36. 電子プロセッサと、
    画像再構成及び強調プロセスを行うために前記電子プロセッサにより読取り及び実行可能な命令を記憶した非一時的記憶媒体と、を備え、前記画像再構成及び強調プロセスが、
    訓練用低線量画像及び対応する訓練用全線量画像のセットの各画像を異なる解剖学的領域に区画することと、
    得られた前記訓練用低線量画像の区画を、得られた前記対応する訓練用全線量画像の区画に一致させて変形するように、得られた訓練用低線量画像の前記セットの区画と、得られた前記対応する訓練用全線量画像の区画とで、ニューラルネットワークを解剖学的領域ごとに訓練することと、
    放射イメージングデータを再構成して低線量再構成画像を生成することと、
    前記低線量再構成画像を前記異なる解剖学的領域に区画することと、
    訓練された前記ニューラルネットワークを解剖学的領域ごとに、得られた前記低線量再構成画像の区画に適用して、推定全線量画像を生成することと
    を含む、放射イメージングデータ再構成デバイス。
  37. 前記異なる解剖学的領域は、脳を含む解剖学的領域、心臓を含む解剖学的領域、肝臓を含む解剖学的領域、及び骨盤を含む解剖学的領域を含む、請求項３６に記載の放射イメージングデータ再構成デバイス。
  38. 前記ニューラルネットワークを適用することによって生成された前記画像を表示するディスプレイ
    をさらに備える、請求項１から３７のいずれか一項に記載の放射イメージングデータ再構成デバイス。
  39. 放射イメージングデータを獲得する放射イメージングデバイスと、
    請求項１から３８のいずれか一項に記載の放射イメージングデータ再構成デバイスと
    を備える、放射イメージングシステム。
  40. 前記放射イメージングデバイスが、ＰＥＴイメージングデータを含む前記放射イメージングデータを獲得する陽電子放射断層撮影（ＰＥＴ）イメージングデバイスを備える、請求項３９に記載の放射イメージングシステム。
JP2020536840A 2018-01-03 2018-12-26 深層学習を使用した低線量ｐｅｔイメージングからの全線量ｐｅｔ画像の推定 Active JP7203852B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862613143P 2018-01-03 2018-01-03
US62/613,143 2018-01-03
PCT/EP2018/086874 WO2019134879A1 (en) 2018-01-03 2018-12-26 Full dose pet image estimation from low-dose pet imaging using deep learning

Publications (2)

Publication Number Publication Date
JP2021509953A true JP2021509953A (ja) 2021-04-08
JP7203852B2 JP7203852B2 (ja) 2023-01-13

Family

ID=64900992

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020536840A Active JP7203852B2 (ja) 2018-01-03 2018-12-26 深層学習を使用した低線量ｐｅｔイメージングからの全線量ｐｅｔ画像の推定

Country Status (5)

Country Link
US (1) US11576628B2 (ja)
EP (1) EP3735177A1 (ja)
JP (1) JP7203852B2 (ja)
CN (1) CN111867474A (ja)
WO (1) WO2019134879A1 (ja)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7139749B2 (ja) * 2018-07-23 2022-09-21 日本電信電話株式会社 画像認識学習装置、画像認識装置、方法、及びプログラム
US20200294288A1 (en) * 2019-03-13 2020-09-17 The Uab Research Foundation Systems and methods of computed tomography image reconstruction
CN110559000B (zh) * 2019-08-14 2024-07-26 上海联影医疗科技股份有限公司 药物注射剂量检测方法、装置、存储介质及计算机设备
CN110516201B (zh) * 2019-08-20 2023-03-28 Oppo广东移动通信有限公司 图像处理方法、装置、电子设备及存储介质
US20210150671A1 (en) * 2019-08-23 2021-05-20 The Trustees Of Columbia University In The City Of New York System, method and computer-accessible medium for the reduction of the dosage of gd-based contrast agent in magnetic resonance imaging
CN117291830A (zh) * 2019-10-01 2023-12-26 长沙微妙医疗科技有限公司 使用自关注深度学习进行图像增强的系统和方法
CN111709890B (zh) 2020-06-12 2023-11-24 北京小米松果电子有限公司 一种图像增强模型的训练方法、装置及存储介质
CN112053412B (zh) * 2020-08-31 2022-04-29 浙江大学 基于教师-学生生成器的低剂量Sinogram去噪与PET图像重建方法
CN112150378B (zh) * 2020-09-18 2022-06-24 浙江明峰智能医疗科技有限公司 基于自逆卷积生成对抗网络的低剂量全身pet图像增强方法
CN112488952B (zh) * 2020-12-07 2024-09-13 深圳先进技术研究院 Pet图像的重建方法及重建终端、计算机可读存储介质
WO2022120588A1 (zh) * 2020-12-08 2022-06-16 深圳先进技术研究院 一种低剂量pet图像还原方法、系统、设备和介质
CN112258642B (zh) * 2020-12-21 2021-04-09 之江实验室 基于深度学习的低剂量pet数据三维迭代更新重建方法
CN112927132B (zh) * 2021-01-25 2022-07-19 浙江大学 提升pet系统空间分辨率均匀性的pet图像重建方法
CN112819713B (zh) * 2021-01-28 2022-11-04 明峰医疗系统股份有限公司 基于无监督学习的低剂量pet图像降噪方法
CN112927318B (zh) * 2021-02-22 2022-04-22 明峰医疗系统股份有限公司 低剂量pet图像的降噪重建方法及计算机可读存储介质
US12073538B2 (en) * 2021-04-08 2024-08-27 Canon Medical Systems Corporation Neural network for improved performance of medical imaging systems
CN113298900B (zh) * 2021-04-30 2022-10-25 北京航空航天大学 一种基于低信噪比pet图像的处理方法
CN113052840B (zh) * 2021-04-30 2024-02-02 江苏赛诺格兰医疗科技有限公司 一种基于低信噪比pet图像的处理方法
US20240220814A1 (en) * 2021-05-27 2024-07-04 Nippon Telegraph And Telephone Corporation Training device, training method and training program
WO2022257959A1 (en) * 2021-06-09 2022-12-15 Subtle Medical, Inc. Multi-modality and multi-scale feature aggregation for synthesizing spect image from fast spect scan and ct image
WO2023101959A1 (en) * 2021-12-01 2023-06-08 Arizona Board Of Regents On Behalf Of Arizona State University Deep residual inception encoder-decoder network for amyloid pet harmonization
US12086990B1 (en) * 2024-04-23 2024-09-10 MultiFunctional Imaging LLC Systems and methods for simultaneous imaging of multiple positron emission tomography (PET) tracers

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006079279A (ja) * 2004-09-08 2006-03-23 Institute Of Physical & Chemical Research 自己進化型パターン認識システム
US20090234626A1 (en) * 2008-03-13 2009-09-17 Siemens Medical Solutions Usa, Inc. Dose distribution modeling by region from functional imaging
JP2012533384A (ja) * 2009-07-20 2012-12-27 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 関心腫瘍領域の画成のための生体構造モデリング
JP2015135664A (ja) * 2013-12-19 2015-07-27 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． 画像処理装置、画像処理方法及び画像処理プログラム
JP2017509411A (ja) * 2014-03-28 2017-04-06 ハートフロー， インコーポレイテッド データ及びモデルを用いた画像再構成ならびに補正のためのシステム及び方法
WO2017072030A1 (en) * 2015-10-28 2017-05-04 Koninklijke Philips N.V. Device and method for suv determination in emission tomography
JP2017532092A (ja) * 2014-09-02 2017-11-02 エレクタ、インク.Elekta, Inc. 解剖学的ランドマークベースの特徴に基づいた医用画像をセグメント化するためのシステム及び方法
US20170351935A1 (en) * 2016-06-01 2017-12-07 Mitsubishi Electric Research Laboratories, Inc Method and System for Generating Multimodal Digital Images

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2890300B1 (en) * 2012-08-31 2019-01-02 Kenji Suzuki Supervised machine learning technique for reduction of radiation dose in computed tomography imaging
US9730660B2 (en) * 2014-01-15 2017-08-15 Alara Systems, Inc. Converting low-dose to higher dose mammographic images through machine-learning processes
US10610182B2 (en) * 2014-01-15 2020-04-07 Alara Systems, Inc Converting low-dose to higher dose 3D tomosynthesis images through machine-learning processes
EP3452983A4 (en) 2016-05-04 2019-04-10 Tel HaShomer Medical Research Infrastructure and Services Ltd. METHOD AND SYSTEM FOR PROVIDING A LOCALLY CONSISTENT IMPROVEMENT OF A MINIMUM IMAGE
US20180018757A1 (en) * 2016-07-13 2018-01-18 Kenji Suzuki Transforming projection data in tomography by means of machine learning
US10475214B2 (en) * 2017-04-05 2019-11-12 General Electric Company Tomographic reconstruction based on deep learning

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006079279A (ja) * 2004-09-08 2006-03-23 Institute Of Physical & Chemical Research 自己進化型パターン認識システム
US20090234626A1 (en) * 2008-03-13 2009-09-17 Siemens Medical Solutions Usa, Inc. Dose distribution modeling by region from functional imaging
JP2012533384A (ja) * 2009-07-20 2012-12-27 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 関心腫瘍領域の画成のための生体構造モデリング
JP2015135664A (ja) * 2013-12-19 2015-07-27 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． 画像処理装置、画像処理方法及び画像処理プログラム
JP2017509411A (ja) * 2014-03-28 2017-04-06 ハートフロー， インコーポレイテッド データ及びモデルを用いた画像再構成ならびに補正のためのシステム及び方法
JP2017532092A (ja) * 2014-09-02 2017-11-02 エレクタ、インク.Elekta, Inc. 解剖学的ランドマークベースの特徴に基づいた医用画像をセグメント化するためのシステム及び方法
WO2017072030A1 (en) * 2015-10-28 2017-05-04 Koninklijke Philips N.V. Device and method for suv determination in emission tomography
US20170351935A1 (en) * 2016-06-01 2017-12-07 Mitsubishi Electric Research Laboratories, Inc Method and System for Generating Multimodal Digital Images

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JUNSHEN XU ET AL.: "200x Low-dose PET Reconstruction using Deep Learning", ARXIV, JPN6022050150, December 2017 (2017-12-01), pages 1 - 7, ISSN: 0004930470 *

Also Published As

Publication number Publication date
CN111867474A (zh) 2020-10-30
US11576628B2 (en) 2023-02-14
WO2019134879A1 (en) 2019-07-11
JP7203852B2 (ja) 2023-01-13
US20210052233A1 (en) 2021-02-25
EP3735177A1 (en) 2020-11-11

Similar Documents

Publication Publication Date Title
JP7203852B2 (ja) 深層学習を使用した低線量ｐｅｔイメージングからの全線量ｐｅｔ画像の推定
Beekman et al. Efficient fully 3-D iterative SPECT reconstruction with Monte Carlo-based scatter compensation
Li et al. Model‐based image reconstruction for four‐dimensional PET
JP7326160B2 (ja) 定量的分子撮像のための正確なハイブリッドデータセットの生成
KR102283934B1 (ko) Pet 영상에 기반한 가상 ct 영상 및 감쇠보정 pet 영상 생성 방법 및 시스템
Schmidtlein et al. Using an external gating signal to estimate noise in PET with an emphasis on tracer avid tumors
Humphries et al. Slow‐rotation dynamic SPECT with a temporal second derivative constraint
Tadesse et al. Techniques for generating attenuation map using cardiac SPECT emission data only: a systematic review
Pourmoghaddas et al. Quantitatively accurate activity measurements with a dedicated cardiac SPECT camera: physical phantom experiments
Erlandsson Partial volume correction in PET imaging
Sanders Emission tomography
Lyra Single photon emission tomography (SPECT) and 3D images evaluation in nuclear medicine
Strother et al. Testing quantitation in PET
Romdhane et al. New Attenuation Map for SPECT Images Quality Enhancement
Juma Lesion Synthesis Toolbox: Development and validation of dedicated software for synthesis of lesions in raw PET and CT patient images
Humphries Temporal regularization and artifact correction in single slow-rotation dynamic SPECT
Curkic Evaluation of internal dosimetry for 225-Ac using one single measurement based on 111-In imaging
Yang et al. Reducing scan time in 177Lu planar scintigraphy using convolutional neural network: A Monte Carlo simulation study
IŞIN MOTION CORRECTION STRATEGIES IN PET/MRI SCANNERS AND DEVELOPMENT OF A DEEP LEARNING BASED COMPUTER AIDED DETECTION SYSTEM
Ashouri Talouki Kernel-Based PET Image Reconstruction using Dynamic PET and MR Anatomical Information
JP2023532602A (ja) 鮮鋭性保持呼吸動き補償
Vigfúsdóttir Accurate quantification of PET pig brain imaging for radioligand development
Emond Improving Quantification in Lung PET/CT for the Evaluation of Disease Progression and Treatment Effectiveness
Gabrani-Juma Lesion Synthesis Toolbox: Development and validation of dedicated software for synthesis of realistic lesions in raw PET and CT patient images
Gong Improving PET Image Quality by System Modeling, Anatomical Information and Geometry Design

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211222

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211222

TRDD Decision of grant or rejection written
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20221124

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20221128

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20221227

R150 Certificate of patent or registration of utility model

Ref document number: 7203852

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150