JP2021511874A - スペクトルコンピュータ断層撮影（ｃｔ）スキャナによって生成される画質が向上したバーチャル非造影画像 - Google Patents

Abstract

スペクトルコンピュータ断層撮影イメージングシステム１０２は、放射Ｘ線を放出する放射線源１１２と、放射Ｘ線を検出し、スペクトルデータを生成する検出器アレイ１１４とを含む。スペクトルイメージングシステムは更に、画質が向上したバーチャル非造影画像を生成するようにトレーニングされたニューラルネットワークを含むコンピュータ実行可能命令を含むバーチャル非造影画像向上モジュール１３６を格納するメモリ１３４を含む。ニューラルネットワークは、トレーニング用スペクトルデータと、非造影スキャンから生成されるトレーニング用非造影画像でトレーニングされる。スペクトルイメージングシステムは更に、トレーニングされたニューラルネットワークでスペクトルデータを処理して画質が向上したバーチャル非造影画像を生成するプロセッサ１３２を含む。

Description

以下は、概してイメージングに関し、より具体的には、スペクトルコンピュータ断層撮影（ＣＴ）スキャナで収集されたデータで生成されたバーチャル非造影画像の画質向上に関する。

ＣＴスキャナは一般に、検出器アレイの反対側で回転式ガントリ上に取り付けられる単一広帯域Ｘ線管を含む。Ｘ線管は、Ｘ線管と検出器アレイとの間にある検査領域の周りを回転し、検査領域を横断する多色放射線を放出する。検出器アレイは、検査領域を横断する放射線を検出し、投影データを生成する。投影データは再構成されてボリュメトリック画像データが生成され、これを使用して１つ以上の２次元画像を生成することができる。画像は、相対的な放射線密度に対応するグレースケール値で表されるピクセルを含む。これらの値は、スキャンされた被験者の減衰特性を反映し、一般に被験者内の解剖学的構造といった構造を示す。

造影ＣＴスキャンは、造影剤が投与された被験者をスキャンすることを含む。造影スキャンを含む手順には、非造影スキャンも含まれている。例えば冠動脈疾患の場合、造影画像は、血管の狭窄及び／又は漏出を検出するのに役立つが、ヨウ素が存在するために血管の石灰化を検出するのにはあまり適していない。血管石灰化の検出のために別の非造影スキャンが行われる。別の例では、腎腫瘤の場合、患者は非造影スキャンと造影腎撮影スキャンとを受け、非造影腎撮影画像と造影腎撮影画像との減衰値が比較されて、腫瘤が亢進しているかどうかが判断される。残念ながら、１回ではなく２回のスキャンを行うと、患者の総Ｘ線被ばく量及びスキャン時間が増加し、患者スループットが低下する。

このようなＣＴスキャナでは、被験者及び／又は物体による放射線の吸収は被験者及び／又は物体を通過する光子のエネルギーに依存するため、検出された放射線はスペクトル情報も含む。このようなスペクトル情報は、被験者及び／又は物体の組織及び／又は材料の元素組成又は材料組成（例えば原子番号）を示す情報といった追加情報を提供することができる。残念ながら、投影データは、検出器アレイによって出力される信号はエネルギースペクトル全体で積分されるエネルギーフルエンスに比例するため、スペクトル特性を反映しない。このようなＣＴスキャナは、本明細書では非スペクトルＣＴスキャナとも呼ばれる。スペクトルイメージング用に構成されたＣＴスキャナは、スペクトル情報を利用する。このようなＣＴスキャナは、本明細書ではスペクトルＣＴスキャナと呼ばれる。

スペクトルＣＴスキャナは、被験者内の材料（例えば骨、軟組織、脂肪、注入された造影剤）のエネルギー依存減衰特性の違いを利用して、材料分解を通じて材料固有の画像を提供する。例示的なスペクトルＣＴスキャナは、デュアルエネルギー用に構成されており、投影データは、２つの異なる（例えばより高い及びより低い）エネルギーレベルで収集される。例示的なデュアルエネルギー構成には、１）１つのエネルギーレベルで放射Ｘ線を放出する１つのＸ線管と、低エネルギーＸ線と高エネルギーＸ線とをそれぞれ検出する２層のＸ線検出器、２）高速ｋＶスイッチングを有する１つのＸ線管と、単層検出器、及び、３）互いに角度的に（例えば９０度で）オフセットしている２つのＸ線管／単層検出器のペアが含まれる。

造影スキャンからの材料固有の画像は、「バーチャル（ｖｉｒｔｕａｌ）」非造影（ＶＮＣ）画像を生成するように処理される。ＶＮＣ画像は、非造影スキャンからの「真の」非造影（ＴＮＣ）画像の近似を表す。したがって、スペクトルＣＴスキャナは、１回の造影スキャンから造影画像とＶＮＣ画像との両方を生成することができる。一例では、これは、両タイプのスキャンを必要とする検査のために、非造影スキャンと造影スキャンとの両方を行う必要を軽減する。この結果、患者の総Ｘ線被ばく量及びスキャン時間が低減し、患者スループットを増加させることができる。

しかし、ＶＮＣ画像の画質は、ＴＮＣ画像に比べて低下する傾向がある。例えばＶＮＣ画像では、信号が、グラウンドトゥルースよりも小さくなったり、ＴＮＣ画像に比べて欠落したりすることがある。文献では、ＴＮＣ画像には両方が含まれているのに、同じＶＮＣ画像において１つの腎臓結石が存在し、別の腎臓結石が欠落している例が示されている。更に、ＶＮＣ画像は、ＴＮＣ画像に比べてノイズ及びアーチファクトが多くなる傾向がある。ノイズが多いと感度が低下し、検出における偽陽性率が増加する可能性がある。アーチファクトの例には、ビーム硬化及びリムアーティファクトが含まれる。残念ながら、このような画質低下は診断に影響を与える可能性がある。

本明細書に説明する態様は、上記問題及びその他に対処する。

一態様では、スペクトルイメージングシステムが、放射Ｘ線を放出する放射線源と、放射Ｘ線を検出し、スペクトルデータを生成する検出器アレイとを含む。スペクトルイメージングシステムは更に、画質が向上したバーチャル非造影画像を生成するようにトレーニングされたニューラルネットワークを含むコンピュータ実行可能命令を含むバーチャル非造影画像向上モジュールを格納するメモリを含む。ニューラルネットワークは、トレーニング用スペクトルデータと、非造影スキャンから生成されるトレーニング用非造影画像とでトレーニングされる。スペクトルイメージングシステムは更に、トレーニングされたニューラルネットワークでスペクトルデータを処理して画質が向上したバーチャル非造影画像を生成するプロセッサを含む。

別の態様では、スペクトルイメージングシステムが、放射Ｘ線を放出する放射線源と、放射Ｘ線を検出し、スペクトルデータを生成する検出器アレイとを含む。スペクトルイメージングシステムは更に、ニューラルネットワークを含むコンピュータ実行可能命令を含むバーチャル非造影画像向上モジュールを格納するメモリを含む。スペクトルイメージングシステムは更に、トレーニング用スペクトルデータと、非造影スキャンから生成されるトレーニング用非造影画像とで画質が向上したバーチャル非造影画像を生成するようにニューラルネットワークをトレーニングするプロセッサを含む。

別の態様では、コンピュータ可読記憶媒体が、コンピューティングシステムのプロセッサによって実行されると、当該プロセッサに、放射線源で放射Ｘ線を放出させ、検出器アレイで、放出された放射Ｘ線を検出させ、スペクトルデータを生成させ、画質が向上したバーチャル非造影画像を生成するようにトレーニングされたニューラルネットワークをトレーニングさせ、画質が向上したバーチャル非造影画像を生成するように、トレーニングされたニューラルネットワークでスペクトルデータを処理させるコンピュータ可読命令でエンコードされる。

当業者であれば、添付の説明を読んで理解すると、本願の更に他の態様を認識するであろう。

本発明は、様々なコンポーネント及びコンポーネントの構成、また、様々なステップ及びステップの構成の形を取ってよい。図面は、好適な実施形態を例示するに過ぎず、本発明を限定するものと解釈されるべきではない。

図１は、スキャナによって生成されたＶＮＣ画像の画質を向上させるようにトレーニングされたニューラルネットワークを含むＶＮＣ画像向上モジュールを有する例示的なスペクトルコンピュータ断層撮影スキャナを概略的に示す。 図２は、トレーニング用ＶＮＣ画像のセット及びトレーニング用ＴＮＣ画像のセットを用いるニューラルネットワークのトレーニングの一例を概略的に示す。 図３は、図２のトレーニングされたニューラルネットワークを、スペクトルコンピュータ断層撮影スキャナによって生成されたＶＮＣ画像と共に使用して、画質が向上したＶＮＣ画像を生成する一例を概略的に示す。 図４は、トレーニング用デュアルエネルギー画像のセット及びトレーニング用ＴＮＣ画像のセットを用いるニューラルネットワークのトレーニングの一例を概略的に示す。 図５は、図４のトレーニングされたニューラルネットワークを、スペクトルコンピュータ断層撮影スキャナによって生成された造影デュアルエネルギー画像と共に使用して、画質が向上したＶＮＣ画像を生成する一例を概略的に示す。 図６は、トレーニング用デュアルエネルギー投影データのセット及びＴＮＣ画像のセットを用いるニューラルネットワークのトレーニングの一例を概略的に示す。 図７は、図６のトレーニングされたニューラルネットワークを、スペクトルコンピュータ断層撮影スキャナによって生成された造影デュアルエネルギー投影データと共に使用して、画質が向上したＶＮＣ画像を生成する一例を概略的に示す。 図８は、トレーニング用ＶＮＣ画像及びトレーニング用ＴＮＣ画像を用いてニューラルネットワークをトレーニングし、トレーニングされたニューラルネットワークを使用して画質が向上したＶＮＣ画像を生成する例示的な方法を示す。 図９は、トレーニング用デュアルエネルギー画像及びトレーニング用ＴＮＣ画像を用いてニューラルネットワークをトレーニングし、トレーニングされたニューラルネットワークを使用して画質が向上したＶＮＣ画像を生成する例示的な方法を示す。 図１０は、トレーニング用デュアルエネルギー投影データ及びＴＮＣ画像を用いてニューラルネットワークをトレーニングし、トレーニングされたニューラルネットワークを使用して画質が向上したＶＮＣ画像を生成する例示的な方法を示す。

以下は、造影スペクトルスキャン中にスペクトルＣＴスキャナで収集されたデータで生成されたバーチャル非造影（ＶＮＣ）画像の画質を向上させるアプローチについて説明する。スペクトルＣＴスキャナからの低ｋＶｐデータ及び高ｋＶｐデータといった造影デュアルエネルギースペクトルデータは再構成されて、造影低ｋＶｐ画像及び造影高ｋＶｐ画像が生成される。これらは分解されて、ＶＮＣ画像を含むスペクトル画像が生成される。２つのｋＶｐ画像は、例えば造影剤（つまり、光電吸収）によるビーム硬化アーチファクトを含む。ｋＶｐ画像の再構成中にビーム硬化補償が適用されても、２つのｋＶｐ画像は、残留ビーム硬化アーチファクトを含む可能性がある。残留ビーム硬化アーチファクトは、分解中に更に低減することができるが、結果として得られるＶＮＣ画像は、依然として残留ビーム硬化アーチファクトを含み、これは、画質を低下する可能性がある。

本明細書に説明する手法では、ニューラルネットワークが、入力としてのトレーニング用スペクトル画像のセットと、参照データとしてのトレーニング用ＴＮＣ画像のセットとでトレーニングされる。トレーニング中、ニューラルネットワークは、トレーニング用スペクトル画像のセットをトレーニング用ＴＮＣ画像のセットにマッピングすることを学習する。一例では、トレーニング用スペクトル画像のセットは、ノイズレベルの異なるスペクトル画像を含み、参照データとしてのトレーニング用ＴＮＣ画像のセットは、低ノイズＴＮＣ画像を含む。マッピングは非線形であるので、入力ＶＮＣ画像における残留ビーム硬化アーチファクトは更に低減されるか、及び／又は、最終ＶＮＣ画像には現れず、入力ＶＮＣ画像におけるノイズは最終ＶＮＣ画像では低減される。したがって、このアプローチでは、造影画像と、ＴＮＣ画像と同様又は同等の画質を有するＶＮＣ画像とを生成することができる。

図１は、スペクトルＣＴイメージング、例えばデュアルエネルギーイメージングといったマルチエネルギーイメージング用に構成された例示的なコンピュータ断層撮影（ＣＴ）スキャナ１０２を概略的に示す。ＣＴスキャナ１０２は、固定ガントリ１０４と、回転ガントリ１０６とを含み、回転ガントリ１０６は、固定ガントリ１０４によって回転可能に支持され、長手方向又はＺ軸１１０を中心に検査領域１０８（及びその中の物体又は被験者の一部）の周りを回転する。

Ｘ線管といった放射線源１１２が、回転ガントリ１０６によって支持され、回転ガントリ１０６と共に検査領域１０８の周りを回転する。放射線源１１２は、コリメートされて、検査領域１０８を横断する概ね扇形、くさび形又は円錐形の放射Ｘ線ビームを形成する放射Ｘ線を放出する。一例では、放射線源１１２は、関心の単一の選択されたピーク放出電圧（ｋＶｐ）について広帯域（多色）放射線を放出する単一のＸ線管である。

別の例では、放射線源１１２は、スキャン中に少なくとも２つの異なる放出電圧（例えば７０ｋｅＶ、１００ｋｅＶ、１２０ｋｅＶ等）間で切り替わる。更に別の例では、放射線源１１２は、回転ガントリ１０６上で角度オフセットされ、それぞれが異なる平均エネルギースペクトルを有する放射線を放出する２つ以上のＸ線管を含む。米国特許第８，４４２，１８４Ｂ２号は、ｋＶｐスイッチング及び複数のＸ線管を有するシステムを説明しており、参照によりその全体が本明細書に組み込まれる。

放射線感応検出器アレイ１１４が、検査領域１０８を挟んで放射線源１１２の反対側にある弧に対応する。検出器アレイ１１４は、Ｚ軸方向に沿って互いに対して配置される１つ以上の検出器列を含み、検査領域１０８を横断する放射線を検出する。造影スキャンの場合、検出器アレイ１１４は、造影高エネルギー投影データ及び造影低エネルギー投影データといった造影スペクトル投影データ（線積分）を生成する。

この例では、検出器アレイ１１４は、多層シンチレータ／光センサ検出器（例えば参照によりその全体が本明細書に組み込まれる米国特許第７，９６８，８５３Ｂ２号）といったエネルギー分解検出器を含む。変形例では、検出器アレイ１１４は、光子計数（直接変換）検出器（例えば参照によりその全体が本明細書に組み込まれる国際特許公開ＷＯ２００９／０７２０５６Ａ２）を含む。これらの例では、放射線源１１２は、広帯域源、ｋＶｐスイッチング及び／又は複数のＸ線管放射線源を含む。検出器アレイ１１４が、非エネルギー分解検出器を含む場合、放射線源１１２は、ｋＶｐスイッチング及び／又は複数のＸ線管放射線源を含む。

再構成器１１６が、造影スペクトル投影データを処理し、造影高エネルギーボリュメトリック画像データ及び造影低エネルギーボリュメトリック画像データといった造影スペクトルボリュメトリック画像データを生成する。再構成器１１６はまた、例えば最初に高エネルギー投影データと低エネルギー投影データとを組み合わせた後に、組み合わされた投影データを再構成することによって、及び／又は、高エネルギーボリュメトリック画像と低エネルギーボリュメトリック画像データとを組み合わせることによって、造影非スペクトルボリュメトリック画像データを生成することもできる。そこからスペクトル画像及び非スペクトル画像を導き出すことができる。再構成器１１６は、中央処理演算ユニット（ＣＰＵ）、マイクロプロセッサといったプロセッサで実装することができる。

図示される実施形態では、基礎材料分解器１１８が、造影投影データ（投影領域分解）、並びに／又は、造影スペクトルボリュメトリック画像データ及び／若しくは画像（画像領域分解）を基礎成分に分解する。投影領域分解用に構成される場合、再構成器１１６は、投影データ基礎成分を再構成して、ＶＮＣボリュメトリック画像データ及び／又は画像といった基礎成分ボリュメトリック画像データ及び／又は画像を生成する。画像領域分解用に構成される場合、基礎材料分解器１１８は、造影スペクトルボリュメトリック画像データ及び／又は画像を、ＶＮＣボリュメトリック画像データ及び／又は画像といった基礎成分ボリュメトリック画像データ及び／又は画像に分解する。変形例では、別々の基礎材料分解器が投影領域分解と画像領域分解とに使用される。別の変形例では、基礎材料分解器１１８は省略されるか又は使用されない。

１つの手法では、基礎材料分解器１１８は、それぞれが水−ヨウ素基礎材料ペア又はカルシウム−ヨウ素基礎材料ペアを想定する２つの材料分解アルゴリズムを使用して、ヨウ素なしのＶＮＣ画像を生成する。別のアプローチは、Ｎ次元クラスタ分析を行って、画像を、ヨウ素や、軟組織、カルシウム等を含む他の材料といった成分に分解することである。他の例は、Ｓｏｎｇ他の「Ｖｉｒｔｕａｌ Ｎｏｎ−Ｃｏｎｔｒａｓｔ ＣＴ Ｕｓｉｎｇ Ｄｕａｌ−Ｅｎｅｒｇｙ Ｓｐｅｃｔｒａｌ ＣＴ：Ｆｅａｓｉｂｉｌｉｔｙ ｏｆ Ｃｏｒｏｎａｒｙ Ａｒｔｅｒｙ Ｃａｌｃｉｕｍ Ｓｃｏｒｉｎｇ」、Ｋｏｒｅａｎ Ｊｏｕｒｎａｌ ｏｆ Ｒａｄｉｏｌｏｇｙ２０１６、１７（３）、３２１−３２９及び２０１４年１月１３日に出願され、「Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ ｆｏｒ Ｓｐｅｃｔｒａｌ ＣＴ」という名称の米国特許出願公開第２０１４／０１３３７２９Ａｌ号に説明されている。これは、参照によりその全体が本明細書に組み込まれる。分解器１１８は、プロセッサ等で実装することができる。

カウチといった被験者支持体１２０が、検査領域１０８内で被験者又は物体（例えばファントム）１２２を支持する。被検者支持体１２０は、被検者又は物体のローディング、スキャン及び／又はアンローディングのために被験者及び／又は物体を検査領域１０８に対して誘導するように、イメージング手順の実行と協調して移動可能である。

インジェクタ１２４が、灌流スキャンのためにスキャンされる被験者又は物体１２２に、１つ以上の（例えばヨウ素）造影剤といった材料を注入又は投与する。造影剤は、更に又は或いは、臨床医等によって手動で投与されてもよい。造影剤が被験者又は物体１２２に手動で投与される場合は、インジェクタ１２４は省略されてよい。

オペレータコンソール１２６は、ディスプレイモニタ、フィルマ等といった人間が読み取り可能な出力デバイス１２８と、キーボード、マウス等といった入力デバイス１３０とを含む。コンソール１２６は更に、プロセッサ１３２（例えばＣＰＵ、マイクロプロセッサ等）と、物理メモリといったコンピュータ可読記憶媒体１３４（一時的媒体を除く）を含む。図示される実施形態では、コンピュータ可読記憶媒体１３４は、ＶＮＣ画像向上モジュール１３６を含む。

図示されるＶＮＣ画像向上モジュール１３６は、ＶＮＣ画像を処理して、非造影スキャンから生成されたＴＮＣ画像と同様又は同等の向上された画質のＶＮＣ画像（画質が向上したバーチャル非造影画像）を生成するためのコンピュータ実行可能命令を含む。以下でより詳細に説明するように、命令は、トレーニング用スペクトルデータ及びＴＮＣ画像でトレーニングされたニューラルネットワークを含む。したがって、前述のように、スペクトルＣＴスキャナ１０２は、１回の造影スキャンで収集されたデータを使用して、造影画像と、非造影スキャンから生成されたＴＮＣ画像と診断上同様又は同等の画質を有するＶＮＣ画像とを生成することができる。

図２から図７は、ニューラルネットワークをトレーニングするための様々な実施形態を概略的に示す。これらの実施形態では、ニューラルネットワークは、異なる造影剤送達で収集されたデータを有するトレーニング用データセットを使用することによって、入力データにおける造影剤の送達の違いを考慮するようにトレーニングされる。一例では、トレーニング用データセットは、データ特徴（即ち、造影剤送達）の分布が、実際の臨床シナリオにおけるデータ特徴の分布をよく表すように構築される。トレーニング用データセットは、実際の臨床スキャンとシミュレーションとの両方から得ることができる。シミュレーションの利点は、すべてのデータセット（造影スペクトルＣＴデータ及びＴＮＣ画像を含む）における造影剤送達を操作することができるため、データ特徴の推定分布に厳密に従う多数のデータセットを生成することができる点である。別の例では、入力及びトレーニング用データは、造影剤送達がデータ全体で一貫しているように収集することができる。

図２は、材料分解を使用して生成されたトレーニング用ＶＮＣ画像及び非造影ＣＴスキャンからのトレーニング用ＴＮＣ画像を用いるニューラルネットワーク２０２の例示的なトレーニングを概略的に示す。ニューラルネットワークのパラメータは更新され、目的関数２０４を使用して多数の反復を通じて収束する。目的関数２０４は、一例では、ニューラルネットワーク２０２によって出力されたＶＮＣボリュメトリック画像データ又は画像とＴＮＣ画像との間の誤差を、例えばニューラルネットワーク２０２によって出力されたＶＮＣボリュメトリック画像データ又は画像とＴＮＣ画像との間の平均二乗差及び／又は他の差に基づいて最小限にする数学関数を含む。この場合、パラメータは、誤差が所定閾値を下回るまで更新される。他の停止基準には、所定の回数の反復、所定の期間等が含まれる。

図３は、ＶＮＣ画像向上モジュール１３６が図２のトレーニングされたニューラルネットワーク２０２を含む一実施形態を概略的に示す。トレーニングされたニューラルネットワーク２０２は、基礎材料分解器１１８（図１）によって生成されたＶＮＣ画像（ＴＮＣ画像に比べてノイズ及び／又はアーチファクトが多い）を受け取り、入力ＶＮＣ画像よりもノイズ及び／又はアーチファクトが少なく、また、診断に十分な画質を有するＶＮＣ画像を含む画質が向上したＶＮＣ画像を出力する。

図４は、ニューラルネットワーク２０２への入力が、トレーニング用デュアルエネルギー（高エネルギー及び低エネルギー）画像である図２の変形例を概略的に示す。図５は、ＶＮＣ画像向上モジュール１３６が図４でトレーニングされたニューラルネットワーク２０２を含む一実施形態を概略的に示す。トレーニングされたニューラルネットワーク２０２は、再構成器１１６（図１）によって生成された造影デュアルエネルギー画像を受け取り、画質が向上したＶＮＣ画像を出力する。この変形例では、基礎材料分解器１１８は、図１のシステム１０２から省略されるか又は使用されない。

この変形例では、ニューラルネットワーク２０２は、データの非線形マッピングを行うことができるため、材料分解を担う。材料分解は、近似の後に（例えば高エネルギー及び低エネルギー用の）多項式を解くことを伴うことがよくある。材料分解にニューラルネットワーク２０２を使用することによって、基本材料画像におけるノイズを従来の材料分解からのノイズよりも少なくすることができる。これは、例えば従来の材料分解では、一度に１つの検出器ピクセルで測定されたデータか又は１つの画像ボクセルの再構成値しか使用されないが、ニューラルネットワークは、２つ以上のピクセル又はボクセルを含む小さいパッチを使用するからである。

一般に、投影データは、データに隠された固有のスペクトル情報を含む。例えば特定の光線経路に沿った減衰は、高Ｚで低密度の物体と低Ｚで高密度の物体との両方で同じである可能性があるが、物理的効果、即ち、コンプトン散乱及び光電吸収は異なり、低Ｚで高密度の物体のコンプトン散乱はより多く、これらの違いは収集された生の投影データに隠されている。別の例は、低Ｚ材料に比べて高Ｚ材料では、ビーム硬化アーチファクトが多いことである。これらの違いは、例えば効果的な散乱補正、ビーム硬化補償等によって低減及び／又は除去され、再構成されたボリュメトリック画像データには現れない。

変形例では、散乱補正及び／又はビーム硬化補償といったスペクトル情報を除去する補正は、再構成から省略される。例えば別の例では、図２及び図３のニューラルネットワーク２０２は、散乱補正及び／又はビーム硬化補償といった固有のスペクトル情報を除去する補正を使用せずに再構成されたボリュメトリック画像データから生成されたＶＮＣ画像でトレーニングされ、及び／又は、図４及び図５のニューラルネットワーク２０２は、散乱補正及び／又はビーム硬化補償といった固有のスペクトル情報を除去する補正を使用せずに再構成された高エネルギー画像及び低エネルギー画像でトレーニングされる。これにより、トレーニングで固有のスペクトル情報を考慮することができるようになる。

図６は、ニューラルネットワーク２０２への入力がトレーニング用デュアルエネルギー（高エネルギー及び低エネルギー）投影データである図２の変形例を概略的に示す。図７は、ＶＮＣ画像向上モジュール１３６が図６でトレーニングされたニューラルネットワーク２０２を含む一実施形態を概略的に示す。トレーニングされたニューラルネットワーク２０２は、検出器アレイ１１４（図１）によって生成された造影デュアルエネルギー投影データを受け取り、画質が向上したＶＮＣ画像を出力する。この変形例では、基礎材料分解器１１８は、図１のシステム１０２から省略されるか又は使用されない。

一変形例は、図２から図７に説明した３つの実施形態のうちの２つを含む。例えば１つの変形例は、図２及び図４のニューラルネットワークを含む。別の変形例は、図２及び図６のニューラルネットワークを含む。別の変形例は、図４及び図６のニューラルネットワークを含む。別の変形は、図２から図７に説明した３つの実施形態の３つすべてを含む。別の変形例は、図２及び図４、図２及び図６、図２及び図６、又は、図２、図４及び図６におけるトレーニング用データといった様々なタイプのトレーニング用データでトレーニングされた１つのニューラルネットワークを含む。これらの変形例は、画質が向上したＶＮＣ画像を出力するように、図３、図５及び／又は図７の入力データを用いて使用することができる。

適切なニューラルネットワークの例は、Ｇｏｕｋ他の「Ｆａｓｔ Ｓｌｉｄｉｎｇ Ｗｉｎｄｏｗ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ」、ＩＶＮＶＺ‘１４ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２９ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｍａｇｅ ａｎｄ Ｖｉｓｉｏｎ Ｃｏｍｐｕｔｉｎｇ Ｎｅｗ Ｚｅａｌａｎｄ、１１４〜１１８頁、２０１４年１１月１９〜２１日、「Ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｓｅｍａｎｔｉｃ ｓｅｇｍｅｎｔａｔｉｏｎ」、Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ、２０１５年、及び、Ｒｏｎｎｅｂｅｒｇｅｒ他の「Ｕ−Ｎｅｔ：Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｂｉｏｍｅｄｉｃａｌ Ｉｍａｇｅ Ｓｅｇｍｅｎｔａｔｉｏｎ」、Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｐｕｔｅｒ−Ａｓｓｉｓｔｅｄ Ｉｎｔｅｒｖｅｎｔｉｏｎ（ＭＩＣＣＡＩ）、Ｓｐｒｉｎｇｅｒ、ＬＮＣＳ、第９３５１巻、２３４−−２４１、２０１５年に説明されている。

図８は、本明細書における一実施形態による例示的な方法を示す。

この方法のステップの順序は限定ではないことを理解されたい。したがって、本明細書では他の順序も考えられる。更に、１つ以上のステップが省略されても及び／又は１つ以上の追加のステップが含まれてもよい。

ステップ８０２において、ここで及び／又は他で説明するように、トレーニング用ＶＮＣ画像のセットを受け取る。

ステップ８０４において、ここで及び／又は他で説明するように、トレーニング用ＴＮＣ画像のセットを受け取る。

ステップ８０６において、ここで及び／又は他で説明するように、トレーニング用ＶＮＣ画像のセット及びトレーニング用ＴＮＣ画像のセットを使用して、ニューラルネットワークをトレーニングする。

ステップ８０８において、ここで及び／又は他で説明するように、ＶＮＣ画像を受け取る。

ステップ８１０において、受け取ったＶＮＣ画像をトレーニングされたニューラルネットワークで処理して、画質が向上したＶＮＣ画像を生成する。

図９は、本明細書における一実施形態による別の例示的な方法を示す。

この方法のステップの順序は限定ではないことを理解されたい。したがって、本明細書では他の順序も考えられる。更に、１つ以上のステップが省略されても及び／又は１つ以上の追加のステップが含まれてもよい。

ステップ９０２において、本明細書に説明するように及び／又は他の方法で、トレーニング用デュアルエネルギー画像のセットを受け取る。

ステップ９０４において、ここで及び／又は他で説明するように、トレーニング用ＴＮＣ画像のセットを受け取る。

ステップ９０６において、ここで及び／又は他で説明するように、トレーニング用デュアルエネルギー画像のセット及びトレーニング用ＴＮＣ画像のセットを使用して、ニューラルネットワークをトレーニングする。

ステップ９０８において、ここで及び／又は他で説明するように、造影デュアルエネルギー画像を受け取る。

ステップ９１０において、造影デュアルエネルギー画像をトレーニングされたニューラルネットワークで処理して、画質が向上したＶＮＣ画像を生成する。

図１０は、本明細書における一実施形態による別の例示的な方法を示す。

この方法のステップの順序は限定ではないことを理解されたい。したがって、本明細書では他の順序も考えられる。更に、１つ以上のステップが省略されても及び／又は１つ以上の追加のステップが含まれてもよい。

ステップ１００２において、ここで及び／又は他で説明するように、トレーニング用デュアルエネルギー投影データのセットを受け取る。

ステップ１００４において、ここで及び／又は他で説明するように、トレーニング用ＴＮＣ画像のセットを受け取る。

ステップ１００６において、ここで及び／又は他で説明するように、トレーニング用デュアルエネルギー投影データのセット及びトレーニング用ＴＮＣ画像のセットを使用して、ニューラルネットワークをトレーニングする。

ステップ１００８において、ここで及び／又は他で説明するように、造影デュアルエネルギー投影データを受け取る。

ステップ１０１０において、造影デュアルエネルギー投影データをトレーニングされたニューラルネットワークで処理して、画質が向上したＶＮＣ画像を生成する。

上記は、コンピュータ可読記憶媒体にエンコードされ又は埋め込まれ、コンピュータプロセッサによって実行されると当該プロセッサに、説明したステップを行わせるコンピュータ可読命令によって実施することができる。更に又は或いは、コンピュータ可読命令の少なくとも１つは、信号、搬送波又はコンピュータ可読記憶媒体ではない他の一時的媒体によって運ばれる。

本発明は、図面及び上記説明において詳細に例示され、説明されたが、当該例示及び説明は、例示的に見なされるべきであり、限定的に見なされるべきではない。本発明は、開示した実施形態に限定されない。開示した実施形態の他の変形態様は、図面、開示内容及び添付の請求項の検討から、請求項に係る発明を実施する当業者によって理解され、実施される。

請求項において、「含む」との用語は、他の要素又はステップを排除するものではなく、また、単数形は、複数形を排除するものではない。単一のプロセッサ又は他のユニットが、請求項に引用される幾つかのアイテムの機能を果たしてもよい。特定の手段が相互に異なる従属請求項に記載されることだけで、これらの手段の組み合わせを有利に使用することができないことを示すものではない。

コンピュータプログラムは、他のハードウェアと共に又はその一部として供給される光学記憶媒体又はソリッドステート媒体といった適切な媒体上に記憶及び／又は分散されてもよいが、インターネット又は他の有線若しくは無線通信システムを介するといった他の形式で分散されてもよい。請求項における任意の参照符号は、範囲を限定するものと解釈されるべきではない。

Claims (20)

1. 放射Ｘ線を放出する放射線源と、
   放射Ｘ線を検出し、スペクトルデータを生成する検出器アレイと、
   画質が向上したバーチャル非造影画像を生成するようにトレーニングされたニューラルネットワークを含むコンピュータ実行可能命令を含むバーチャル非造影画像向上モジュールを格納するメモリと、
   トレーニングされた前記ニューラルネットワークで前記スペクトルデータを処理して前記画質が向上したバーチャル非造影画像を生成するプロセッサと、
   を含み、
   前記ニューラルネットワークは、トレーニング用スペクトルデータと、非造影スキャンから生成されるトレーニング用非造影画像とでトレーニングされる、スペクトルコンピュータ断層撮影イメージングシステム。
2. 前記スペクトルデータは、マルチエネルギースペクトル投影データを含む、請求項１に記載のスペクトルコンピュータ断層撮影イメージングシステム。
3. 前記トレーニング用スペクトルデータは、スペクトルスキャンから生成されるマルチエネルギースペクトル投影データを含み、前記ニューラルネットワークは、パラメータを更新して、前記トレーニング用マルチエネルギースペクトル投影データから生成されるバーチャル非造影画像と、前記トレーニング用非造影画像との間の誤差を低減する、請求項２に記載のスペクトルコンピュータ断層撮影イメージングシステム。
4. 前記マルチエネルギースペクトル投影データを再構成し、マルチエネルギースペクトル画像を生成する再構成器を更に含み、
   前記プロセッサは更に、トレーニングされた前記ニューラルネットワークで前記マルチエネルギースペクトル画像を処理して前記画質が向上したバーチャル非造影画像を生成する、請求項２に記載のスペクトルコンピュータ断層撮影イメージングシステム。
5. 前記トレーニング用スペクトルデータは、前記スペクトルスキャンから生成されるマルチエネルギースペクトル画像を含み、前記ニューラルネットワークは、前記パラメータを更新して、前記トレーニング用マルチエネルギースペクトル画像から生成されるバーチャル非造影画像と、前記トレーニング用非造影画像との間の誤差を低減する、請求項４に記載のスペクトルコンピュータ断層撮影イメージングシステム。
6. 前記マルチエネルギースペクトル画像を処理して初期のバーチャル非造影画像を生成する基礎材料分解器を更に含み、
   前記プロセッサは更に、トレーニングされた前記ニューラルネットワークで前記初期のバーチャル非造影画像を処理して前記画質が向上したバーチャル非造影画像を生成する、請求項４に記載のスペクトルコンピュータ断層撮影イメージングシステム。
7. 前記マルチエネルギースペクトル投影データを処理してバーチャル非造影スペクトル投影データを生成する基礎材料分解器と、
   前記バーチャル非造影スペクトル投影データを再構成して初期のバーチャル非造影画像を生成する再構成器と、
   を更に含み、
   前記プロセッサは更に、トレーニングされた前記ニューラルネットワークで前記初期のバーチャル非造影画像を処理して前記画質が向上したバーチャル非造影画像を生成する、請求項６に記載のスペクトルコンピュータ断層撮影イメージングシステム。
8. 前記トレーニング用スペクトルデータは、前記スペクトルスキャンから生成されるバーチャル非造影画像を含み、前記ニューラルネットワークは、パラメータを更新して、前記トレーニング用バーチャル非造影画像から生成されるバーチャル非造影画像と、前記トレーニング用非造影画像との間の誤差を低減する、請求項６又は７に記載のスペクトルコンピュータ断層撮影イメージングシステム。
9. 放射Ｘ線を放出する放射線源と、
   放射Ｘ線を検出し、スペクトルデータを生成する検出器アレイと、
   ニューラルネットワークを含むコンピュータ実行可能命令を含むバーチャル非造影画像向上モジュールを格納するメモリと、
   トレーニング用スペクトルデータと、非造影スキャンから生成されるトレーニング用非造影画像とで画質が向上したバーチャル非造影画像を生成するように前記ニューラルネットワークをトレーニングするプロセッサと、
   を含む、スペクトルコンピュータ断層撮影イメージングシステム。
10. 前記トレーニング用スペクトルデータは、スペクトルスキャンから生成されるマルチエネルギースペクトル投影データを含み、前記ニューラルネットワークは、パラメータを更新して、前記トレーニング用マルチエネルギースペクトル投影データから生成されるバーチャル非造影画像と、前記トレーニング用非造影画像との間の誤差を低減する、請求項９に記載のスペクトルコンピュータ断層撮影イメージングシステム。
11. 前記スペクトルデータは、マルチエネルギースペクトル投影データを含み、前記プロセッサは更に、トレーニングされた前記ニューラルネットワークで前記マルチエネルギースペクトル投影データを処理して前記画質が向上したバーチャル非造影画像を生成する、請求項１０に記載のスペクトルコンピュータ断層撮影イメージングシステム。
12. 前記トレーニング用スペクトルデータは、前記スペクトルスキャンから生成されるマルチエネルギースペクトル画像を含み、前記ニューラルネットワークは、パラメータを更新して、前記トレーニング用マルチエネルギースペクトル画像から生成されるバーチャル非造影画像と、前記トレーニング用非造影画像との間の誤差を低減する、請求項９に記載のスペクトルコンピュータ断層撮影イメージングシステム。
13. 前記スペクトルデータは、マルチエネルギースペクトル投影データを含み、
    前記システムは更に、
    前記マルチエネルギースペクトル投影データを再構成し、マルチエネルギースペクトル画像を生成する再構成器を含み、
    前記プロセッサは更に、トレーニングされた前記ニューラルネットワークで前記マルチエネルギースペクトル画像を処理して前記画質が向上したバーチャル非造影画像を生成する、請求項１２に記載のスペクトルコンピュータ断層撮影イメージングシステム。
14. 前記トレーニング用スペクトルデータは、前記スペクトルスキャンから生成されるバーチャル非造影画像を含み、
    前記ニューラルネットワークは、パラメータを更新して、前記トレーニング用バーチャル非造影画像から生成されるバーチャル非造影画像と、前記トレーニング用非造影画像との間の誤差を低減する、請求項９に記載のスペクトルコンピュータ断層撮影イメージングシステム。
15. 前記スペクトルデータは、マルチエネルギースペクトル投影データを含み、
    前記システムは更に、
    前記マルチエネルギースペクトル投影データを再構成し、マルチエネルギースペクトル画像を生成する再構成器と、
    前記マルチエネルギースペクトル画像を処理して初期のバーチャル非造影画像を生成する基礎材料分解器と、
    を含み、
    前記プロセッサは更に、トレーニングされた前記ニューラルネットワークで前記初期のバーチャル非造影画像を処理して前記画質が向上したバーチャル非造影画像を生成する、請求項１４に記載のスペクトルコンピュータ断層撮影イメージングシステム。
16. 前記スペクトルデータは、マルチエネルギースペクトル投影データを含み、
    前記スペクトルコンピュータ断層撮影イメージングシステムは更に、
    前記マルチエネルギースペクトル画像を処理してバーチャル非造影スペクトル投影データを生成する基礎材料分解器と、
    前記バーチャル非造影スペクトル投影データを再構成して初期のバーチャル非造影画像を生成する再構成器と、
    を含み、
    前記プロセッサは更に、トレーニングされた前記ニューラルネットワークで前記初期のバーチャル非造影画像を処理して前記画質が向上したバーチャル非造影画像を生成する、請求項１４に記載のスペクトルコンピュータ断層撮影イメージングシステム。
17. コンピューティングシステムのプロセッサによって実行されると、前記プロセッサに、
    放射線源で放射Ｘ線を放出させ、
    検出器アレイで、放出された放射Ｘ線を検出させ、スペクトルデータを生成させ、
    画質が向上したバーチャル非造影画像を生成するようにトレーニングされたニューラルネットワークをトレーニングさせ、
    前記画質が向上したバーチャル非造影画像を生成するように、トレーニングされた前記ニューラルネットワークで前記スペクトルデータを処理させる、コンピュータ可読命令でエンコードされた、コンピュータ可読記憶媒体。
18. 前記スペクトルデータは、マルチエネルギースペクトル投影データ、マルチエネルギースペクトル画像又はバーチャル非造影画像データである、請求項１７に記載のコンピュータ可読記憶媒体。
19. 前記プロセッサは、患者スキャンからの造影剤送達の分布を表す造影剤送達の分布を有するトレーニング用データを使用して前記ニューラルネットワークをトレーニングする、請求項１７に記載のコンピュータ可読記憶媒体。
20. 前記プロセッサは、関心の造影剤送達のユーザ決定分布を有するシミュレートされたトレーニング用データを使用して前記ニューラルネットワークをトレーニングする、請求項１７に記載のコンピュータ可読記憶媒体。

Images