JP2021511881A - 定量分析が向上された低放射線量コンピュータ断層撮影灌流（ｃｔｐ） - Google Patents

Abstract

コンピュータ断層撮影スキャナ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、それを示す信号を生成する検出器アレイ１１６と、信号を再構成して、シーケンシャルスパースタイムライン灌流ボリュメトリック画像データを生成する再構成器１１８とを含む。コンピュータ断層撮影スキャナは更に、灌流データ強化モジュール１３６の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シーケンシャルスパースタイムライン灌流ボリュメトリック画像データを処理して、シーケンシャルデンスタイムライン灌流ボリュメトリック画像データを生成するプロセッサ１３２を含む。

Description

以下は、一般にイメージングに関連し、より具体的には、定量分析が向上された低放射線量コンピュータ断層撮影灌流（ＣＴＰ）に関する。

コンピュータ断層撮影灌流（ＣＴＰ）イメージングは、血管及び／又は臓器といった関心脈管組織を通る投与された造影剤（例えばヨウ素）の通過を捕捉するイメージング技術である。一般にＣＴＰイメージングでは、造影剤ボーラスが患者に投与され、関心脈管組織を含む患者の関心領域がスキャンされる。造影剤は、造影剤が脈管組織を通って流れるときに、関心脈管組織におけるＸ線密度を一時的に増加させる。典型的な灌流スキャンには、例えば造影剤の到着、取り込み及びウォッシュアウトを含む複数の時間間隔にわたって同じ領域のデータを収集することが含まれる。

収集されたデータを分析して、例えば造影剤の動態に基づいて、関心脈管組織の灌流状態を決定することができる。心臓用途では、これには、時間の経過に伴う心筋内の造影剤分布の定量化が含まれうる。このような分析には、時間減衰曲線、血流、血液量、平均通過時間、最大上昇勾配、ピークまでの時間等といった関心脈管組織の様々な灌流関連情報を決定することが含まれうる。この情報を使用して、虚血組織を特定したり、不可逆的に損傷した（又は壊死した）組織と潜在的に可逆的に損傷した（又はリスクのある）組織とを区別したりすることができる。

しかし、放射Ｘ線は、電離放射線であり、細胞を殺したり、損傷したり、がんのリスクを高めたりすることがある。ＣＴＰイメージングでは、Ｘ線が３０秒以上継続してオンにされ、これは患者Ｘ線量が高いと見なされる。Ｘ線量を減らす１つの方法は、患者が連続的にスキャンされない時間領域でスパーススキャンを行うことである。残念ながら、スキャン間の時間間隔が長いと、定量測定の精度が低下する可能性がある。別のアプローチは、高度反復再構成（ＩＲ）を行うことである。しかし、ＩＲは集中的な計算を必要とし、全体的な再構成時間を増加させる。更に、Ｘ線量を減らすとノイズが増加し、画質が低下する。

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、コンピュータ断層撮影スキャナは、放射Ｘ線を放出する放射線源と、放射Ｘ線を検出し、それを示す信号を生成する検出器アレイと、信号を再構成して、シーケンシャルスパースタイムライン灌流ボリュメトリック画像データを生成する再構成器とを含む。コンピュータ断層撮影スキャナは更に、潅流データ強化モジュールの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シーケンシャルスパースタイムライン灌流ボリュメトリック画像データを処理してシーケンシャルデンスタイムライン灌流ボリュメトリック画像データを生成するプロセッサを含む。

別の態様では、コンピュータ断層撮影スキャナは、放射Ｘ線を放出する放射線源と、放射Ｘ線を検出し、それを示す信号を生成する検出器アレイと、信号を再構成して、シーケンシャルスパースタイムライン灌流ボリュメトリック画像データを生成する再構成器とを含む。コンピュータ断層撮影スキャナは更に、ニューラルネットワークをトレーニングして、トレーニング用シーケンシャルスパースタイムライン灌流ボリュメトリック画像データ及びトレーニング用シーケンシャルデンスタイムライン灌流ボリュメトリック画像データからシーケンシャルデンスタイムライン灌流ボリュメトリック画像データを予測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は、コンピューティングシステムのコンピュータプロセッサによって実行されると、コンピュータプロセッサに、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、シーケンシャルスパースタイムライン灌流ボリュメトリック画像データを処理して、シーケンシャルデンスタイムライン灌流ボリュメトリック画像データを生成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、シーケンシャルスパースタイムラインＣＴＰボリュメトリック画像データからシーケンシャルデンスタイムラインＣＴＰボリュメトリック画像データを予測するためのニューラルネットワークを有するＣＴＰデータ強化モジュールを含む例示的なＣＴスキャナを概略的に示す。 図２は、トレーニング用シーケンシャルスパースタイムラインＣＴＰボリュメトリック画像データのセット及びトレーニング用シーケンシャルデンスタイムラインＣＴＰボリュメトリック画像データのセットを用いた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に示すようにトレーニングすることができる例示的なニューラルネットワークを概略的に示す。 図４は、図２に示すようにトレーニングされた図３のニューラルネットワークを使用するＣＴスキャナを概略的に示す。 図５は、トレーニング用シーケンシャルデンスタイムラインＣＴＰボリュメトリック画像データのセットを用いて生成されるＣＴＰパラメータのセットを用いたニューラルネットワークの更なるトレーニングの一例を概略的に示す。 図６は、図５に示すようにトレーニングすることができる例示的なニューラルネットワークを概略的に示す。 図７は、図５に示すようにトレーニングされた図６のニューラルネットワークを使用するＣＴスキャナを概略的に示す。 図８は、本明細書の一実施形態による例示的な方法を示す。 図９は、本明細書の一実施形態による別の例示的な方法を示す。

以下は、定量分析が向上される低放射線量ＣＴＰのアプローチについて説明する。ＣＴＰイメージングは、高Ｘ線量の手順と見なされている。Ｘ線量は、例えばＸ線が連続的にオンではない時間領域でスパーススキャンを行うことによって減らすことができる。しかし、これにより時間分解能が低下するため、定量測定の精度も低下する。線形補間は、時間スパース画像から時間デンス画像を生成することができる。しかし、造影剤は血管内を一定の速度で流れないので、造影剤の分布は時間に対して線形ではない場合がある。結果として、線形補間された画像は恣意的であり、情報を失う傾向がある。

本明細書に説明する実施形態では、ニューラルネットワークをトレーニングして、血管／組織の構造、血管／組織内の空間強度分布及び造影剤が異なる構造及び異なる強度分布を有する血管／組織内をどのように流れるかを学習する。次に、トレーニングされたニューラルネットワークは、スパースタイムラインＣＴＰ画像のセットを処理し、時間分解能が増加したことで定量的測定の精度も増加したデンスタイムラインＣＴＰ画像のセットを生成することができる。

図１は、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、検査領域１０４の周りを回転ガントリ１０６と共に回転する。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。

線源コントローラ（ＳＣ）１１４が、放射線源１１２を制御する。これには、放射線源１１２を作動させて、時系列灌流イメージング中に放射線を放出させて、時間フレームデータを収集することが含まれる。このような作動は、放射線源１１２の各回転の全体又は一部を含む放射線源１１２の１回以上の回転についてのイメージング検査中に時間的に連続的又は時間的に断続的であってよい。

放射線感応検出器アレイ１１６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１１６は、ｚ軸１１０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。検出器アレイ１１６は、検出された放射線を示す投影データ（線積分）を生成する。

再構成器１１８が、投影データを再構成して、ボリュメトリック画像データを生成する。ＣＴＰ手順では、これには、以下で更に詳細に説明するように、シーケンシャル収集の投影データを再構成することと、時系列ＣＴＰボリュメトリック画像データを生成することとが含まれる。適切な再構成アルゴリズムの例には、フィルタ補正逆投影、統計的、反復的なスパースサンプリング及び／又は他の再構成アルゴリズムが含まれる。

カウチといった被験者支持体１２０が、検査領域１０８内の物体（例えばファントム）又は被験者１２２を支持する。被験者支持体１２０は、物体又は被験者１２２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物体又は被験者１２２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連携して移動可能である。

インジェクタ１２４が、灌流スキャン中にスキャンされる物体又は被験者１２２に、１つ以上の造影剤といった材料を注入又は投与する。造影剤（例えばヨウ素ベース）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。造影剤が物体又は被験者１２２に手動で投与される場合、インジェクタ１２４を省略することができる。

オペレーターコンソール１２６が、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（例えば中央処理演算ユニット（ＣＰＵ）、マイクロプロセッサ等）及び物理メモリといったコンピュータ可読記憶媒体１３４（一時的な媒体を除く）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、ＣＴＰデータ強化モジュール１３６を含む。変形例では、ＣＴＰデータ強化モジュール１３６は、スキャナ１０２から離れており、スキャナ１０２の一部ではない別のコンピューティングシステムの一部である。

図示されるＣＴＰデータ強化モジュール１３６は、ＣＴＰイメージングスキャン中にＣＴスキャナ１０２（又は他のスキャナ）によって生成されるシーケンシャルスパースタイムラインＣＴＰボリュメトリック画像データからシーケンシャルデンスタイムラインＣＴＰボリュメトリック画像データを予測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、コンピュータ実行可能命令は、シーケンシャルデンスタイムラインＣＴＰボリュメトリック画像データを予測するためにトレーニングされたニューラルネットワークを含む。一例では、これにより、例えば時間的に連続する（デンス（dense））ＣＴＰイメージングスキャンからシーケンシャルデンスタイムラインＣＴＰボリュメトリック画像データが生成されたかのように、時間的に断続的な（スパース（sparse））ＣＴＰスキャンを行い、シーケンシャルデンスタイムラインＣＴＰボリュメトリック画像データを生成することができる。したがって、患者のＸ線量は（時間的に連続するＣＴＰイメージングスキャンと比較して）減少するが、正確なＣＴＰパラメータ測定のためのシーケンシャルデンスタイムラインＣＴＰボリュメトリック画像データが生成される。

コンピュータ可読記憶媒体１３４は更に、ＣＴＰデータ分析モジュール１３８を含み、これは、ＣＴＰデータ強化モジュール１３６によって生成されたシーケンシャルデンスタイムラインＣＴＰボリュメトリック画像データを処理して、時間減衰曲線、血流、血液量、平均通過時間、最大上昇勾配、ピークまでの時間及び／又は他の灌流パラメータといった１つ以上のＣＴＰパラメータを決定するためのコンピュータ実行可能命令を含む。変形例では、ＣＴＰデータ強化モジュール１３６のニューラルネットワークは更に、トレーニング用シーケンシャルデンスタイムラインＣＴＰボリュメトリック画像データから生成された１つ以上のトレーニング用ＣＴＰパラメータでトレーニングされ、これらのＣＴＰパラメータのうちの１つ又は複数を、予測されたシーケンシャルデンスタイムラインＣＴＰボリュメトリック画像データから予測する。この変形例では、ＣＴＰデータ分析モジュール１３８を省略することができる。

図２は、シーケンシャルスパースタイムラインＣＴＰボリュメトリック画像データのトレーニングセット及びシーケンシャルデンスタイムラインＣＴＰボリュメトリック画像データのトレーニングセット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。一例では、トレーニング用スパースボリュメトリック画像及びデンスボリュメトリック画像は、同じデンスタイムラインＣＴＰスキャンから取得される。例えばシーケンシャルスパースタイムラインＣＴＰボリュメトリック画像データのトレーニングセットは、シーケンシャルデンスタイムラインＣＴＰボリュメトリック画像データのトレーニングセットから、例えばそのサブセットとして（例えば時間的に１つおきのセット等）導出することができる。或いは、トレーニング用スパースＣＴＰボリュメトリック画像データ及びデンスＣＴＰボリュメトリック画像データは、別々のＣＴＰイメージングスキャンを通じて取得される。

ニューラルネットワーク２０２の出力は、目的関数２０４を用いて評価される。この例では、目的関数２０４は、シーケンシャルスパースタイムラインＣＴＰボリュメトリック画像データのトレーニングセットとシーケンシャルデンスタイムラインＣＴＰボリュメトリック画像データのトレーニングセットとの間のエラーを、例えばそれらの間の平均平方差に基づいて及び／又は別の方法で最小にする数学関数を含む。ニューラルネットワークのトレーニング可能なパラメータが更新され、幾つかの反復を通じて収束する。この例では、パラメータは、エラーが所定の閾値を下回るまで更新される。他の停止基準には、所定の反復回数、所定の継続時間等が含まれる。

一例では、目的関数２０４は、例えば式１：

に示すように、費用関数Ｌ（ｗ）として実装される。ここで、Ｓ１は、トレーニング用スパースタイムラインＣＴＰボリュメトリック画像データのｊ番目のセットであり、Ｄ１は、トレーニング用デンスタイムラインＣＴＰボリュメトリック画像データのｊ番目のセットであり、Ｔは、トレーニング可能なパラメータｗを有する変換を表す。正則化項

は、小さいパラメータｗに向けて式を駆動し、λ_２は、ハイパーパラメータを表し、ｋは、ニューラルネットワークの層を表す。

図３は、図２に適したニューラルネットワーク２０２の一例を概略的に示す。入力にはシーケンシャルスパースタイムラインＣＴＰボリュメトリック画像データ（スパースデータ）が含まれ、出力にはシーケンシャルデンスタイムラインＣＴＰボリュメトリック画像データ（デンスデータ）が含まれる。

この例では、ニューラルネットワーク２０２は、３次元（３Ｄ）畳み込み層３０２、正規化線形ユニット３０４及びバッチ正規化３０６を有する３Ｄ畳み込みニューラルネットワークであり、３Ｄ畳み込み層／正規化線形ユニット／バッチ正規化中間層のＮ個（Ｎは１以上の正数）のセット３０８_１、…、３０８_Ｎを有する。一例では、各畳み込み層で使用される畳み込みカーネルは３Ｄカーネルである。適切なサイズのカーネルの例には、３×３×３、５×５×５、７×７×７及び／又は他のサイズのカーネルが含まれる。層数、カーネルサイズ、チャネル数、学習率等を調整することができる。

一般に、各畳み込み層は、入力に畳み込み演算を適用する畳み込みニューロンを含む。一例では、これには、各ボリュームの幅及び高さにわたってカーネルのセットを畳み込み、フィルタのエントリとボリュームとのドット積を計算することが含まれる。各正規化線形ユニットは、その入力に非線形活性化関数を適用する。これにより、ネットワーク全体の非線形特性が増加する。バッチ正規化は、出力が正規化線形ユニットによって処理される前に、３Ｄ畳み込み層の出力を正規化する。これにより、内部共変量シフトが減少し、より高い学習率の使用につながる可能性がある。

畳み込みネットワークの例については、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年に更に説明されている。

図４は、ＣＴＰデータ強化モジュール１３６が図２でトレーニングされた図３の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、ＣＴスキャナ１０２（又は他のスキャナ）によって生成されるシーケンシャルスパースタイムラインＣＴＰボリュメトリック画像データを受け取り、シーケンシャルデンスタイムラインＣＴＰボリュメトリック画像データを出力する。ＣＴＰデータ分析モジュール１３８は、この出力を処理し、時間減衰曲線、血流、血液量、平均通過時間、最大上昇勾配、ピークまでの時間及び／又は他の灌流パラメータといった１つ以上のＣＴＰパラメータを生成する。

図５は、ニューラルネットワーク２０２が、トレーニング用シーケンシャルデンスタイムラインＣＴＰボリュメトリック画像データから生成されるトレーニング用灌流パラメータで更にトレーニングされている図２の変形例を概略的に示す。この例では、目的関数２０４は、式２：

に示す費用関数といった費用関数Ｌ（ｗ，ｗｌ）として実装される。ここで、Ｔ１は、トレーニング可能なパラメータｗ及び灌流パラメータＮＮトレーニング可能なパラメータｗ１を有する変換を表し、Ｂｆｍは、デンスタイムラインのＣＴＰボリュメトリック画像データから生成されるトレーニング用灌流パラメータを表す。この例では、ニューラルネットワーク２０２は、真のデンスタイムラインＣＴＰボリュメトリック画像データとできるだけ近いデンスタイムラインＣＴＰボリュメトリック画像データを、真のデンスタイムラインＣＴＰボリュメトリック画像データから計算される真の灌流パラメータとできるだけ近い灌流パラメータと同時に予測するようにトレーニングされる。

図６は、図５に示す構成のニューラルネットワーク２０２に適したニューラルネットワークの一例を概略的に示す。この例では、ニューラルネットワーク２０２は更に、ＣＴＰパラメータ層６０２を含む。ＣＴＰパラメータ層６０２は、出力されたシーケンシャルデンスタイムラインＣＴＰボリュメトリック画像データを同時に受け取り、そこから１つ以上のＣＴＰパラメータを生成する。

図７は、ＣＴＰデータ強化モジュール１３６が図５でトレーニングされた図６の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、ＣＴスキャナ１０２（又は他のスキャナ）によって生成されるシーケンシャルスパースタイムラインＣＴＰボリュメトリック画像データを受け取り、シーケンシャルデンスタイムラインＣＴＰボリュメトリック画像データ及び１つ以上のＣＴＰパラメータの両方を出力する。

図８は、図２〜図４に説明する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、本明細書及び／又は別の方法で説明するように、トレーニング用スパース灌流画像のセットを受け取る。

ステップ８０４において、本明細書及び／又は別の方法で説明するように、トレーニング用デンス灌流画像のセットを受け取る。

ステップ８０６において、本明細書及び／又は別の方法で説明するように、トレーニング用スパース灌流画像のセット及びトレーニング用デンス灌流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、本明細書及び／又は別の方法で説明するように、スパース灌流画像を受け取る。

ステップ８１０において、スパース灌流画像を、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デンス灌流画像を生成する。

ステップ８１２において、デンス灌流画像を処理してＣＴＰパラメータを生成する。

図９は、図５〜図７に説明する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９０２において、本明細書及び／又は別の方法で説明するように、トレーニング用スパース灌流画像のセットを受け取る。

ステップ９０４において、本明細書及び／又は別の方法で説明するように、トレーニング用デンス灌流画像のセット及びそこから生成されるＣＴＰパラメータのセットを受け取る。

ステップ９０６において、本明細書及び／又は別の方法で説明するように、トレーニング用スパース灌流画像のセット、トレーニング用デンス灌流画像のセット及びＣＴＰパラメータ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、本明細書及び／又は別の方法で説明するように、スパース灌流画像を受け取る。

ステップ９１０において、スパース灌流画像を、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デンス灌流画像及びそこからＣＴＰパラメータを生成する。

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、単数形も、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、それを示す信号を生成する検出器アレイと、
   前記信号を再構成して、シーケンシャルスパースタイムライン灌流ボリュメトリック画像データを生成する再構成器と、
   潅流データ強化モジュールの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前記シーケンシャルスパースタイムライン灌流ボリュメトリック画像データを処理してシーケンシャルデンスタイムライン灌流ボリュメトリック画像データを生成するプロセッサと、
   を含む、コンピュータ断層撮影スキャナ。
2. 前記プロセッサは更に、前記シーケンシャルデンスタイムライン灌流ボリュメトリック画像データを処理して１つ以上の灌流パラメータを生成する、請求項１に記載のコンピュータ断層撮影スキャナ。
3. 前記プロセッサは、前記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、前記シーケンシャルデンスタイムライン灌流ボリュメトリック画像データ及び前記１つ以上の灌流パラメータの両方を生成する、請求項２に記載のコンピュータ断層撮影スキャナ。
4. 前記プロセッサは、異なるニューラルネットワークを使用して、前記１つ以上の灌流パラメータを生成する、請求項２に記載のコンピュータ断層撮影スキャナ。
5. 前記プロセッサは、灌流データ分析モジュールを使用して前記１つ以上の灌流パラメータを生成する、請求項２に記載のコンピュータ断層撮影スキャナ。
6. 前記プロセッサは、シーケンシャルスパースタイムライン灌流ボリュメトリック画像データのトレーニングセット及びシーケンシャルデンスタイムライン灌流ボリュメトリック画像データのトレーニングセットを用い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１から５のいずれか一項に記載のコンピュータ断層撮影スキャナ。
7. 前記プロセッサは、シーケンシャルスパースタイムライン灌流ボリュメトリック画像データのトレーニングセット、シーケンシャルデンスタイムライン灌流ボリュメトリック画像データのトレーニングセット、及び、前記シーケンシャルデンスタイムライン灌流ボリュメトリック画像データのトレーニングセットから生成される灌流パラメータのトレーニングセットを用い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１から５のいずれか一項に記載のコンピュータ断層撮影スキャナ。
8. 前記シーケンシャルスパースタイムライン灌流ボリュメトリック画像データのトレーニングセットは、前記シーケンシャルデンスタイムライン灌流ボリュメトリック画像データのトレーニングセットのサブセットである、請求項６又は７に記載のコンピュータ断層撮影スキャナ。
9. 放射Ｘ線を放出する放射線源と、
   放射Ｘ線を検出し、それを示す信号を生成する検出器アレイと、
   前記信号を再構成して、シーケンシャルスパースタイムライン灌流ボリュメトリック画像データを生成する再構成器と、
   ニューラルネットワークをトレーニングして、トレーニング用シーケンシャルスパースタイムライン灌流ボリュメトリック画像データ及びトレーニング用シーケンシャルデンスタイムライン灌流ボリュメトリック画像データからシーケンシャルデンスタイムライン灌流ボリュメトリック画像データを予測するプロセッサと、
   を含む、コンピュータ断層撮影スキャナ。
10. 前記シーケンシャルスパースタイムライン灌流ボリュメトリック画像データのトレーニングセットは、前記シーケンシャルデンスタイムライン灌流ボリュメトリック画像データのトレーニングセットのサブセットである、請求項９に記載のコンピュータ断層撮影スキャナ。
11. 前記プロセッサは、費用関数の出力が、前記シーケンシャルデンスタイムライン灌流ボリュメトリック画像データの生成されたセットと前記シーケンシャルデンスタイムライン灌流ボリュメトリック画像データのトレーニングセットとの間の差を最小にするまで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９又は１０に記載のコンピュータ断層撮影スキャナ。
12. 前記プロセッサは更に、前記シーケンシャルデンスタイムライン灌流ボリュメトリック画像データのトレーニングセットから生成される灌流パラメータのトレーニングセットを用い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１０又は１１に記載のコンピュータ断層撮影スキャナ。
13. 前記プロセッサは、費用関数の出力が、前記シーケンシャルデンスタイムライン灌流ボリュメトリック画像データの生成されたセットと前記シーケンシャルデンスタイムライン灌流ボリュメトリック画像データのトレーニングセットとの間の差、及び、前記シーケンシャルデンスタイムライン灌流ボリュメトリック画像データの生成されたセットから生成される灌流パラメータのセットと前記シーケンシャルデンスタイムライン灌流ボリュメトリック画像データのトレーニングセットから生成される灌流パラメータのセットとの間の差を最小にするまで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１２に記載のコンピュータ断層撮影スキャナ。
14. 前記プロセッサは、前記トレーニングされたニューラルネットワークを用いて前記シーケンシャルスパースタイムライン灌流ボリュメトリック画像データを処理して、前記シーケンシャルデンスタイムライン灌流ボリュメトリック画像データを生成する、請求項９から１３のいずれか一項に記載のコンピュータ断層撮影スキャナ。
15. 前記プロセッサは更に、前記シーケンシャルデンスタイムライン灌流ボリュメトリック画像データを処理して１つ以上の灌流パラメータを生成する、請求項１４に記載のコンピュータ断層撮影スキャナ。
16. 前記プロセッサは、前記トレーニングされたニューラルネットワークを用いて前記シーケンシャルスパースタイムライン灌流ボリュメトリック画像データを処理して、前記シーケンシャルデンスタイムライン灌流ボリュメトリック画像データ及び１つ以上の灌流パラメータを生成する、請求項９から１５のいずれか一項に記載のコンピュータ断層撮影スキャナ。
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、
    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、シーケンシャルスパースタイムライン灌流ボリュメトリック画像データを処理して、シーケンシャルデンスタイムライン灌流ボリュメトリック画像データを生成させる、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. 前記コンピュータ可読命令を実行することにより、前記プロセッサに更に、
    前記シーケンシャルデンスタイムライン灌流ボリュメトリック画像を処理して、１つ以上の灌流パラメータを作成させる、請求項１７に記載のコンピュータ可読記憶媒体。
19. 前記コンピュータ可読命令を実行することにより、前記プロセッサに更に、
    前記トレーニングされたニューラルネットワークを用いて前記シーケンシャルデンスタイムライン灌流ボリュメトリック画像を処理して、前記シーケンシャルデンスタイムライン灌流ボリュメトリック画像データ及び１つ以上の灌流パラメータの両方を生成させる、請求項１７に記載のコンピュータ可読記憶媒体。
20. 前記コンピュータ可読命令を実行することにより、前記プロセッサに更に、
    前記ニューラルネットワークをトレーニングして、シーケンシャルデンスタイムライン灌流ボリュメトリック画像データを生成させる、請求項１７から１９のいずれか一項に記載のコンピュータ可読記憶媒体。

Images