JP2021521993A5 - - Google Patents

Claims (15)

1. 訓練されたモデルを使用して強化されたコーンビームコンピュータ断層撮影、ＣＢＣＴ画像を生成するためのコンピュータ実装方法であって、
   前記方法は、
   被験体のＣＢＣＴ画像を受け取るステップと、
   生成モデルを使用して、前記ＣＢＣＴ画像に対応する合成コンピュータ断層撮影、ｓＣＴ画像を生成するステップであって、前記生成モデルは、敵対的生成ネットワーク、ＧＡＮで訓練され、前記生成モデルは、更に、入力として前記ＣＢＣＴ画像を処理し、出力として前記ｓＣＴ画像を提供するように訓練されるステップと、
   前記被験体の医学的分析のために前記ｓＣＴ画像を提示するステップと
   を有する
   ことを特徴とするコンピュータ実装方法。
2. 請求項１記載の方法において、
   前記敵対的生成ネットワークは、識別モデルを使用して前記生成モデルを訓練するように構成され、
   前記生成モデルおよび前記識別モデルによって適用される値が、前記識別モデルと前記生成モデルの間の敵対的訓練を使用して確立され、
   前記生成モデルと前記識別モデルは、それぞれ畳み込みニューラルネットワークを有する
   ことを特徴とする方法。
3. 請求項２記載の方法において、
   前記敵対的訓練は、与えられたＣＢＣＴ画像から与えられたｓＣＴ画像を生成するために前記生成モデルを訓練することと、与えられたｓＣＴ画像を合成または実コンピュータ断層撮影、ＣＴ画像として分類するために前記識別モデルを訓練することとを有し、
   前記生成モデルの出力は、前記識別モデルを訓練するために使用され、前記識別モデルの出力は、前記生成モデルを訓練するために使用される
   ことを特徴とする方法。
4. 請求項１記載の方法において、
   前記敵対的生成ネットワークは、前記生成モデルと前記識別モデルからなるサイクル敵対的生成ネットワーク、ＣｙｃｌｅＧＡＮを使用して訓練され、前記生成モデルは第１の生成モデルであり、前記識別モデルは第１の識別モデルであり、
   前記ＣｙｃｌｅＧＡＮは、
   所定のＣＴ画像を入力として処理し、所定の合成ｓＣＢＣＴ画像を出力として提供するように訓練された第２の生成モデルと、
   前記所定のｓＣＢＣＴ画像を合成ＣＢＣＴ画像または実ＣＢＣＴ画像として分類するように訓練された第２の識別モデルと
   を有する
   ことを特徴とする方法。
5. 請求項４記載の方法において、
   前記ＣｙｃｌｅＧＡＮは、前記第１の生成モデルを訓練するための第１の部分と第２の部分を有し、
   前記第１の部分は、
   実ＣＴ画像とペアになった訓練ＣＢＣＴ画像を取得し、
   前記訓練されたＣＢＣＴ画像を、前記第１の生成モデルの前記入力に送信して、所定の合成ＣＴ画像を出力し、
   前記所定の合成ＣＴ画像を前記第１の識別モデルの入力で受け取り、前記所定の合成ＣＴ画像を合成ＣＴ画像または実ＣＴ画像として分類し、サイクル整合性損失を計算するためのサイクルＣＢＣＴ画像を前記第２の生成モデルの入力で生成するように訓練され、
   前記第２の部分は、
   前記実ＣＴ画像を前記第２の生成モデルの前記入力に送信し、所定の合成ＣＢＣＴ画像を生成し、
   前記所定の合成ＣＢＣＴ画像を前記第２の識別モデルの前記入力で受け取り、前記所定の合成ＣＢＣＴ画像を合成ＣＢＣＴ画像又は実ＣＢＣＴ画像として分類し、サイクル整合性損失を計算するためのサイクルＣＴ画像を前記第１の生成モデルの前記入力で生成するように訓練される
   ことを特徴とする方法。
6. 請求項５記載の方法において、
   前記第１の生成モデルは、複数の合成ＣＴ画像とそれぞれペアになった実ＣＴ画像との間の差の期待値を表す第１の画素ベース損失項を最小化または減少させるように訓練され、
   前記第２の生成モデルは、複数の合成ＣＢＣＴ画像とそれぞれペアになった実ＣＢＣＴ画像との間の差の期待値を表す第２の画素ベース損失項を最小化または減少させるように訓練される
   ことを特徴とする方法。
7. 請求項６記載の方法において、
   前記ＣｙｃｌｅＧＡＮは、前記第１の画素ベース損失項と前記第２の画素ベース損失項にメトリックを適用するように訓練され、前記メトリックは、ＣＢＣＴ画像と実ＣＴ画像のペアと同じサイズを有するマップに基づいて生成され、その結果、前記マップ内の各ピクセル値が、前記所定のＣＢＣＴ画像と前記所定のＣＢＣＴ画像とペアになった所定の実ＣＴ画像との間の類似度レベルを表す
   ことを特徴とする方法。
8. 請求項７記載の方法において、
   前記ＣｙｃｌｅＧＡＮは、前記メトリックに閾値を適用するように訓練され、その結果、前記類似度レベルが前記閾値を超える場合、前記メトリックが前記第１の画素ベース損失項と前記第２の画素ベース損失項に適用され、そうでない場合、ゼロ値が前記第１の画素ベース損失項と前記第２の画素ベース損失項に適用される
   ことを特徴とする方法。
9. 請求項１記載の方法において、
   前記敵対的生成ネットワークは、敵対的損失項とサイクル整合性損失項と画素ベース損失項に基づく目的関数に従って訓練される
   ことを特徴とする方法。
10. 強化されたコーンビームコンピュータ断層撮影、ＣＢＣＴ画像を生成するためのモデルを訓練するためのコンピュータ実装方法であって、
    前記方法は、
    生成モデルの入力として被験体のＣＢＣＴ画像を受け取るステップと、
    前記ＣＢＣＴ画像を処理して、前記生成モデルの出力として前記ＣＢＣＴ画像に対応する合成コンピュータ断層撮影、ｓＣＴ画像を提供するために、前記生成モデルを前記敵対的生成ネットワーク（ＧＡＮ）で訓練するステップと
    を有する
    ことを特徴とするコンピュータ実装方法。
11. 請求項１０記載の方法において、
    前記敵対的生成ネットワークは、前記生成モデルと前記識別モデルを有するサイクル敵対的生成ネットワーク、ＣｙｃｌｅＧＡＮを使用して訓練され、
    前記生成モデルは第１の生成モデルであり、前記識別モデルは第１の識別モデルであり、
    前記方法は、更に、
    入力として所定のＣＴ画像を処理し、出力として所定の合成、ｓＣＢＣＴ画像を提供するため、第２の生成モデルを訓練するステップと、
    前記所定のｓＣＢＣＴ画像を合成ＣＢＣＴ画像または実ＣＢＣＴ画像として分類するため、第２の識別モデルを訓練するステップと
    を有する
    ことを特徴とする方法。
12. 請求項１０記載の方法において、
    前記ＣｙｃｌｅＧＡＮは、前記第１の生成モデルを訓練するための第１の部分と第２の部分を有し、
    前記方法は、更に、
    実ＣＴ画像と対となっている訓練ＣＢＣＴ画像を取得するステップと、
    前記訓練ＣＢＣＴ画像を前記第１の生成モデルの前記入力に送信し、所定の合成ＣＴ画像を出力するステップと、
    前記所定の合成ＣＴ画像を前記第１の識別モデルの前記入力で受け取るステップと、
    前記第１の識別モデルを用いて、前記所定の合成ＣＴ画像を合成ＣＴ画像または実ＣＴ画像として分類するステップと、
    前記所定の合成ＣＴ画像を前記第２の生成モデルの前記入力で受け取り、周期整合性損失を計算するためのサイクルＣＢＣＴ画像を生成するステップと、
    前記実ＣＴ画像を前記第２の生成モデルの前記入力に送信し、合成訓練ＣＢＣＴ画像を出力するステップと、
    前記合成訓練ＣＢＣＴ画像を前記第２の識別モデルの前記入力で受け取り、前記合成訓練ＣＢＣＴ画像を合成ＣＢＣＴ画像または実ＣＢＣＴ画像として分類し、サイクル整合性損失を計算するためのサイクルＣＴ画像を前記第１の生成モデルの前記入力で生成するステップと、
    複数の合成ＣＴ画像と、それぞれペアになっている実ＣＴ画像との間の差の期待値を表す第１の画素ベース損失項を最小化または減少させるために前記第１の生成モデルを訓練するステップと、
    複数の合成ＣＴ画像と、それぞれペアになっている実ＣＢＣＴ画像との間の差の期待値を表す第２の画素ベース損失項を最小化または減少させるために前記第２の生成モデルを訓練するステップと
    を有する
    ことを特徴とする方法。
13. 訓練されたモデルを使用して強化されたコーンビームコンピュータ断層撮影、ＣＢＣＴ画像を生成するためのシステムであって、
    前記システムは、
    少なくとも１つのプロセッサを有する処理回路と、
    前記少なくとも１つのプロセッサにより実行されたとき、請求項１乃至９のいずれか１項に記載の方法を前記プロセッサに実行させる命令を有する記憶媒体と
    を有することを特徴とするシステム。
14. 強化されたコーンビームコンピュータ断層撮影、ＣＢＣＴ画像を生成するためのモデルを訓練するためのシステムであって、
    前記システムは、
    少なくとも１つのプロセッサを有する処理回路と、
    前記少なくとも１つのプロセッサにより実行されたとき、請求項１０乃至１２のいずれか１項に記載の方法を前記プロセッサに実行させる命令を有する記憶媒体と
    を有することを特徴とするシステム。
15. コンピュータ装置の１つまたはそれ以上のプロセッサにより実行されたときに、請求項１乃至１２のいずれか１項に記載の方法を前記コンピュータ装置に実行させる命令を格納するコンピュータ可読媒体。