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 PDFInfo
- 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
Links
- 238000012879 PET imaging Methods 0.000 title claims description 82
- 238000013135 deep learning Methods 0.000 title description 8
- 238000012636 positron electron tomography Methods 0.000 title 1
- 238000012549 training Methods 0.000 claims abstract description 220
- 238000003384 imaging method Methods 0.000 claims abstract description 134
- 230000005855 radiation Effects 0.000 claims abstract description 112
- 238000013528 artificial neural network Methods 0.000 claims abstract description 51
- 238000004321 preservation Methods 0.000 claims abstract description 6
- 238000002600 positron emission tomography Methods 0.000 claims description 102
- 238000000034 method Methods 0.000 claims description 76
- 230000008569 process Effects 0.000 claims description 56
- 210000003484 anatomy Anatomy 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 9
- 210000004556 brain Anatomy 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 210000004185 liver Anatomy 0.000 claims description 4
- 210000004197 pelvis Anatomy 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 239000012217 radiopharmaceutical Substances 0.000 description 32
- 229940121896 radiopharmaceutical Drugs 0.000 description 32
- 230000002799 radiopharmaceutical effect Effects 0.000 description 32
- 230000006870 function Effects 0.000 description 27
- 238000001959 radiotherapy Methods 0.000 description 15
- 230000008901 benefit Effects 0.000 description 12
- 238000002591 computed tomography Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 11
- 238000013136 deep learning model Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000000700 radioactive tracer Substances 0.000 description 7
- 238000002603 single-photon emission computed tomography Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 6
- 206010073306 Exposure to radiation Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000009472 formulation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 206010027476 Metastases Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000037237 body shape Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000011866 long-term treatment Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241001669679 Eleotris Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 206010054094 Tumour necrosis Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000005258 radioactive decay Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000004614 tumor growth Effects 0.000 description 1
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
Description
Claims (40)
- 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。 - 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。 - 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。
- 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。 - 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。 - 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。
- 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。
- 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。
- 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。
- 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。
- 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。 - 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。
- 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。
- 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。 - 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。
- 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。
- 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。 - 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。 - 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。 - 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。
- 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。
- 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。
- 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。 - 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。
- 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。
- 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。 - 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。 - 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。
- 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。 - 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。 - 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。
- 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。 - 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。 - 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。
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)
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)
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)
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 |
-
2018
- 2018-12-26 EP EP18826751.2A patent/EP3735177A1/en active Pending
- 2018-12-26 WO PCT/EP2018/086874 patent/WO2019134879A1/en unknown
- 2018-12-26 US US16/959,289 patent/US11576628B2/en active Active
- 2018-12-26 JP JP2020536840A patent/JP7203852B2/ja active Active
- 2018-12-26 CN CN201880090666.7A patent/CN111867474A/zh active Pending
Patent Citations (8)
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)
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 |