JP2022122250A

JP2022122250A - 人体の物質密度画像の再構成方法およびｘ線ｃｔ装置、並びに放射線治療装置

Info

Publication number: JP2022122250A
Application number: JP2021215519A
Authority: JP
Inventors: 昭弘芳賀; Akihiro Haga; 泰生下村; Yasuo Shimomura
Original assignee: Individual
Current assignee: Individual
Priority date: 2021-02-09
Filing date: 2021-12-14
Publication date: 2022-08-22

Abstract

【課題】Ｘ線コーンビームＣＴ装置において、ＣＴ画像の高画質化を図るためには、散乱Ｘ線の影響を除去し、直接Ｘ線による投影画像からＣＴ画像を再構成することが望ましいが、散乱線の除去には限界があり、高画質化が難しかった。【解決手段】人体を構成する物質分布からなる仮想人体ファントムを多数生成する第１のステップと、前記多数の仮想人体ファントムのＸ線投影画像を計算する第２のステップと、前記多数のＸ線投影画像を入力訓練画像とし、仮想人体ファントムの電子密度画像および元素密度画像をそれぞれ出力訓練画像として設定した多層ニューラルネットワークの深層学習を実施する第３のステップと、人体のＸ線投影画像を前記学習した多層ニューラルネットワークに入力し、電子密度画像および元素密度画像を出力画像として得る第４のステップを有することを特徴とする。【選択図】図４

Description

本発明は、Ｘ線を用いて、人体の電子密度分布および元素密度分布を推定する技術に関する。

従来より患者体内の腫瘍を治療寝台上で位置決めすることを目的として、Ｘ線コーンビームＣＴを具備した放射線治療装置が知られている。詳細は、例えば特許文献１および対応日本出願である特許文献２に記載されている。体内の腫瘍は患者体表のマークでは高精度に位置決めすることが困難であり、リニアックなどの放射線治療装置にＸ線コーンビームＣＴ装置を直交同軸配置した装置が放射線治療における位置決め精度向上に有効である。

米国特許第６８４２５０２号公報特許第５５７２１０３号公報米国特許第８５０４３６１Ｂ２号公報

ＦｅｌｄｋａｍｐＬＡ，ＤａｖｉｓＬＣａｎｄＫｒｅｓｓＪＷ１９８４Ｐｒａｃｔｉｃａｌｃｏｎｅ－ｂｅａｍａｌｇｏｒｉｔｈｍ．Ｊ．Ｏｐｔ．Ｓｏｃ．Ａｍ．Ａ１６１２－９，ｈｔｔｐｓ：／／ｄｏｉ．ｏｒｇ／１０．１３６４／ＪＯＳＡＡ．１．０００６１２ＫｉｄａＳ，ＮａｋａｍｏｔｏＴ，ＮａｋａｎｏＭ，ｅｔａｌ．ＣｏｎｅＢｅａｍＣｏｍｐｕｔｅｄＴｏｍｏｇｒａｐｈｙＩｍａｇｅＱｕａｌｉｔｙＩｍｐｒｏｖｅｍｅｎｔＵｓｉｎｇａＤｅｅｐＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ．Ｃｕｒｅｕｓ１０：ｅ２５４８，２０１８．ｄｏｉ：１０．７７５９／ｃｕｒｅｕｓ．２５４８ＡｎｎａｌｓｏｆＩＣＲＰ，ＩＣＲＰＰｕｂｌｉｃａｔｉｏｎ１１０，ＡｄｕｌｔＲｅｆｅｒｅｎｃｅＣｏｍｐｕｔａｔｉｏｎａｌＰｈａｎｔｏｍｓ，Ｖｏｌｕｍｅ３９，Ｎｏ．２，２００９，ｈｔｔｐｓ：／／ｗｗｗ．ｉｃｒｐ．ｏｒｇ／ｐｕｂｌｉｃａｔｉｏｎ．ａｓｐ？ｉｄ＝ｉｃｒｐ％２０ｐｕｂｌｉｃａｔｉｏｎ％２０１１０ＳｈｉｍｏｍｕｒａＴ，ＨａｇａＡ．ＣｏｍｐｕｔｅｄｔｏｍｏｇｒａｐｈｙｉｍａｇｅｒｅｐｒｅｓｅｎｔａｔｉｏｎｕｓｉｎｇｔｈｅＬｅｇｅｎｄｒｅｐｏｌｙｎｏｍｉａｌａｎｄｓｐｈｅｒｉｃａｌｈａｒｍｏｎｉｃｓｆｕｎｃｔｉｏｎｓ．ＲａｄｉｏｌＰｈｙｓＴｅｃｈｎｏｌ．１４：１１３－１２１．２０２１．ｄｏｉ：１０．１００７／ｓ１２１９４－０２０－００６０４－０．ＬｉｕＢ，ＹａｎｇＨ，ＬｖＨ，ＬｉＬ，ＧａｏＸ，ＺｈｕＪ，ＪｉｎｇＦ，ＡｍｅｔｈｏｄｏｆＸ－ｒａｙｓｏｕｒｃｅｓｐｅｃｔｒｕｍｅｓｔｉｍａｔｉｏｎｆｒｏｍｔｒａｎｓｍｉｓｓｉｏｎｍｅａｓｕｒｅｍｅｎｔｓｂａｓｅｄｏｎｃｏｍｐｒｅｓｓｅｄｓｅｎｓｉｎｇ，ＮｕｃｌｅａｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＴｅｃｈｎｏｌｏｇｙ，５２，１４９５－１５０２，２０２０．ｄｏｉ：１０．１０１６／ｊ．ｎｅｔ．２０１９．１２．００４ＨａｒｒｙＲ．Ｉｎｇｌｅｂｙ，ＩｄｒｉｓＡ．Ｅｌｂａｋｒｉ，ＤａｎｉｅｌＷ．Ｒｉｃｋｅｙ，ＳｔｅｐｈｅｎＰｉｓｔｏｒｉｕｓ，Ａｎａｌｙｔｉｃａｌｓｃａｔｔｅｒｅｓｔｉｍａｔｉｏｎｆｏｒｃｏｎｅ－ｂｅａｍｃｏｍｐｕｔｅｄｔｏｍｏｇｒａｐｈｙ，Ｐｒｏｃ．ＳＰＩＥ７２５８，ＭｅｄｉｃａｌＩｍａｇｉｎｇ：ＰｈｙｓｉｃｓｏｆＭｅｄｉｃａｌＩｍａｇｉｎｇ，７２５８３９，２００９．ｄｏｉ：１０．１１１７／１２．８１３８０４ＨａｓｅｇａｗａＹ，ＨａｇａＡ，ＳａｋａｔａＤ，ＫａｎａｚａｗａＹ，ＴｏｍｉｎａｇａＭ，ＳａｓａｋｉＭ，ＩｍａｅＴ，ＮａｋａｇａｗａＫ，ＥｓｔｉｍａｔｉｏｎｏｆＸ－ｒａｙＥｎｅｒｇｙＳｐｅｃｔｒｕｍｏｆＣｏｎｅ－ＢｅａｍＣｏｍｐｕｔｅｄＴｏｍｏｇｒａｐｈｙＳｃａｎｎｅｒＵｓｉｎｇＰｅｒｃｅｎｔａｇｅＤｅｐｔｈＤｏｓｅＭｅａｓｕｒｅｍｅｎｔｓａｎｄＭａｃｈｉｎｅＬｅａｒｎｉｎｇＡｐｐｒｏａｃｈ．ＪｏｕｒｎａｌｏｆｔｈｅＰｈｙｓｉｃａｌＳｏｃｉｅｔｙｏｆＪａｐａｎ，９０，０７４８０１，２０２１；ｄｏｉ：１０．７５６６／ＪＰＳＪ．９０．０７４８０１

Ｘ線コーンビームＣＴ装置に備えられたＸ線源で発生したＸ線は被験者体内を直線的に通過して、投影画像撮像用平面パネル内に配置された２次元検出器に到達するが、検出器には患者体内で発生した散乱Ｘ線も混入する。散乱Ｘ線による検出信号は、投影画像からコーンビームＣＴ画像を再構成するためには不要であり、投影画像およびコーンビームＣＴ画像のコントラストを悪化させることが知られている。投影画像からコーンビームＣＴ画像を再構成する方法は、非特許文献１に記載されている。これはフェルドカンプの投影再構成法と呼ばれている方法で、多方向からコーンビームで被験者を照射した時に得られる投影画像を逆投影して、被験者の３次元体内画像を再構成する方法であり、今や産業界で一般的に利用されている。

このような散乱線混入によるコーンビームＣＴの画質劣化は、軟組織の輪郭抽出を困難にすることが知られている。散乱線低減用のグリッドを用いることも報告されているが、グリッドだけでは、散乱抑制効果は不十分で、さらなる改善が望まれていた。

散乱線の混入が少ない治療計画用ＣＴ画像と同一患者のコーンビームＣＴ画像を多数の患者に対して集積し、これらのデータを多層ニューラルネットに入力して深層学習させて、新規のコーンビームＣＴ画像から散乱線を除去した治療計画用ＣＴ画像に近い品質の画像を生成する方法も提案されているが、信頼性を向上するためには非常に多くの画像ペアを集積する必要があり、そのために膨大な時間を要する。さらに、非特許文献２で示唆されているように、参照する画像間の位置ずれの影響で、得られる画像の信頼性が低下する可能性もある。

本発明では、人体を構成する物質分布からなる仮想人体ファントムを多数生成する第１のステップと、前記多数の仮想人体ファントムのＸ線投影画像を計算する第２のステップと、前記多数のＸ線投影画像を入力訓練画像とし、仮想人体ファントムの物質分布画像を出力訓練画像として設定した多層ニューラルネットワークの深層学習を実施する第３のステップと、新規人体のＸ線投影画像を前記学習した多層ニューラルネットワークに入力し、物質分布画像を出力画像として得る第４のステップを有する。

本発明では、人体を構成する物質分布からなる仮想人体ファントムを多数生成して学習用の入力および出力訓練データを与えるため、従来の患者画像を用いた多層ニューラルネットワークによる方法で課題となっていた入力と出力訓練画像間の位置ずれがないデータで深層学習が可能である。さらに、多数の仮想人体ファントムを用いて、解析的にファントムの種々のパラメータを統計的にばらつかせて、大量の画像を生成するため、膨大な数の画像ペアを高速に生成でき、その結果、深層学習が高速に実行できる特徴を有する。すなわち、新規のコーンビームＣＴ画像から散乱線を除去したＣＴ画像への変換精度が高く、例えば、その日の腫瘍と注意臓器の輪郭を抽出して、治療直前に治療計画を毎回最適化できる。したがって、腫瘍や近傍の注意臓器が多数回の照射期間中に大きく変形・移動しても、腫瘍の局所制御性を高く維持しながら、同時に注意臓器の副作用が生じない安全な適応型放射線治療を実現できる。さらに、従来の深層学習に比べて、形状、密度、元素組成などの物質パラメータを所定の統計分布に従って大幅にばらつかせることが容易である。深層学習では学習したパラメータの存在する空間を逸脱する入力データに対する出力は不安定になる可能性があるため、学習空間を必要十分な大きさに設定できることは計算結果の信頼性を高めることになる。これ以外にも、コーンビームＣＴ画像を用いて線量分布を計算する際に、各画素値をハウンスフィールド値に変換する必要があったが、変換誤差を低減することは難しかった。本発明によれば、正確な物質密度分布が求まるため、線量計算精度が高いという効果もある。

本発明に係るＸ線コーンビームＣＴ画像再構成方法の好適な実施形態について添付の図面を参照しながら以下詳細に説明する。

［１．本実施形態の構成］
図１は、本実施形態にかかわる放射線治療装置の外観図であり、治療用Ｘ線ビームを生成するガントリヘッド１、前記治療用Ｘ線ビームを腫瘍形状に整形するコリメータユニット３、ガントリヘッドを回転させる回転機構５、患者の病変部を前記治療用Ｘ線ビーム位置に位置決めする寝台７、コーンビームＣＴ画像を得るためのＸ線源９と平面検出器１１、治療用Ｘ線ビーム用の平面検出器１３、装置の動作状況を表示する表示装置１５を備えている。Ｘ線源９はＸ線管、フィルタ、コリメータで構成されている。放射線治療装置を設置した治療室に隣接する操作室には、計算機１７が設置されており、放射線治療装置との間は信号制御ケーブル１９で接続されている。計算機１７は、放射線治療装置全体を制御するが、コーンビームＣＴ画像再構成プログラムを有する。平面検出器１１で測定したＸ線投影画像は信号制御ケーブル１９を介して計算機１７に送られる。ガントリ回転機構５を用いて、ガントリ回転中に、平面検出器１１で検出した多数のＸ線投影画像からコーンビームＣＴ画像を再構成する。本明細書では、Ｘ線源９と平面検出器１１および計算機１７内のコーンビームＣＴ画像を計算するプログラムをまとめて、Ｘ線コーンビームＣＴ装置と呼称する。

図２は、Ｘ線源９から射出されたＸ線が人体２１を通過後、平面検出器１１に到達するまでのＸ線の伝搬経路を説明する図である。Ｘ線は直進する直接Ｘ線２３と人体内で散乱後に平面検出器１１に到達する散乱Ｘ線２７に分類することができる。２５は散乱前のＸ線を示している。散乱線は投影画像のコントラストを悪化させることが知られている。

図３は、Ｘ線束３１がＸ線源９から扇状に射出される診断用Ｘ線ＣＴ装置を示している。この場合は、体軸方向の広い範囲でＣＴ画像を得るため、人体２１を載せた図示しない寝台を連続的に動かしながら、撮像する。人体２１を通過したＸ線は検出器２９に到達する。検出器２９は円弧上に検出素子が多数配列され、さらに散乱線の混入を避けるための図示しないコリメータを素子ごとに備える。計算機と信号制御ケーブルは図１と同様である。本発明では、診断用Ｘ線ＣＴ画像から元素密度情報と電子密度情報を分離抽出することも可能である。
［２．本実施形態の動作］

図４は本実施形態に係るＸ線コーンビームＣＴ画像再構成方法を説明する流れ図である。第１のステップ（ＳＴＥＰ１）で、人体を構成する物質分布からなる仮想人体ファントムを多数生成する。具体的には、非特許文献３記載の数値から男女別の標準人体モデルを生成する。前記標準値を平均とする正規分布などの統計モデルを用いて、構造変形パラメータや元素組成比をランダム抽出することで標準人体モデルから大量の仮想人体ファントムを生成する。次に、第２のステップ（ＳＴＥＰ２）では、前記多数の仮想人体ファントムのＸ線投影画像を生成する。上記で作成した仮想人体ファントムの元素密度分布とＸ線スペクトルから直接Ｘ線および散乱Ｘ線の寄与を計算し、Ｘ線投影画像を生成する。続いて、第３のステップ（ＳＴＥＰ３）では、前記多数のＸ線投影画像を入力訓練画像とし、仮想人体ファントムの電子密度画像および元素密度画像をそれぞれ出力訓練画像と設定した多層ニューラルネットワークの深層学習を実施する。最後の第４のステップ（ＳＴＥＰ４）では、新規の人体のＸ線投影画像を前記学習した多層ニューラルネットワークに入力して電子密度画像および元素密度画像を得る。

なお、多層ニューラルネットワークに入力訓練画像と出力訓練画像を深層学習して、新規入力画像を入力した時に、出力画像を予測する技術に類似する技術として、文字画像を入力画像、文字の認識ラベルを出力とした多層ニューラルネットワークを深層学習して、新規文字画像を入力したときに、その文字を認識する手法が特許文献３に記載されている。本発明でも、演算の詳細をブラックボックス化して、画像入力と画像出力を直接深層学習する手法を用いているが、数学的な処理内容は特許文献３および非特許文献２に記載されている。

図５は、直接Ｘ線による仮想人体ファントムに対するＸ線投影画像計算方法を示す模式図である。直接Ｘ線２３はＸ線源９から仮想人体ファントム２２を通過して、平面検出器１１まで直進するため、Ｘ線源９から放射状に照射される多数の直線軌道を与えて、軌道上のＸ線強度減衰を計算することができる。平面検出器１１上のｉ番目の検出素子３３に入射するＸ線強度（観測光子数）は次式で与えられる。

数式１は、平面検出器１１上のｉ番目の検出素子３３に到達する光子数ｎ_ｉ（Ｅ）が仮想人体ファントム２２入射時の初期値ｎ_０（Ｅ）から指数関数的に減弱していくことを示している。初期光子数はエネルギーＥごとに異なるため、エネルギーごとに到達光子数を計算後、エネルギーに対して加算している。ｉ番目の検出素子３３に到達する光子の直進経路における減衰は、仮想人体ファントム２２内のｊ番目のボクセル３５内の移動長さａ_ｉｊと線減弱係数μ_ｊ（Ｅ）の積に負符号を付けた指数関数で与えられる。経路全長では、ボクセルごとの減衰率を積算することにより、計算することができる。

数式２は、ｊ番目のボクセル３５内で与えられる線減弱係数μ_ｊ（Ｅ）をボクセル３５内に存在する複数の元素の組成比ｗ_ｍ（ｍ＝１，２，．．）で平均化して計算することを示している。ここで、組成比ｗ_ｍの総和は１に規格化している。人体の主な構成元素は、水素、炭素、窒素、酸素、リン、カルシウムであり、元素組成比ｗ_ｍは臓器ごとに異なる。非特許文献３に標準人体ファントムの元素組成比分布が記載されており、図６はそのデータを特定の横断面で画像化したものである（左上から右に水素、炭素、窒素、２段目の左から順に酸素、リン、カルシウム）。線減弱係数は元素ごとに定まっているため、ボクセルごとの元素組成比がわかれば、数式２に基づいて、ボクセルごとの線減弱係数を計算できる。

図７はＸ線源から出射されたＸ線２５が仮想人体ファントム２２内で、散乱して進行方向を変化させてから、平面検出器１１に到達する場合を図示したものである。非特許文献４に記載されているように、平面検出器１１のｉ番目の素子に到達する光子数Ｄは、近似的に数式３で与えられる。ここで、Ｙ_ｌｍ（θ，φ）は球面調和関数、ｋ_ｌｍ（ｒ，ｒ’）は既知の散乱カーネルＫ（ｒ－ｒ’）に対して数式４で与えられる。散乱カーネルは、例えば、非特許文献６記載のクライン仁科の式に基づくカーネルを用いることができる。さらに、Ｒ_ｌｍ（ｒ）は仮想人体ファントムの画素強度分布ｆ（ｒ，θ，φ）を球面調和関数で表現した場合の係数であり、数式５で与えられる。

図８にＸ線投影画像を計算する流れ図を示す。この計算は図１の計算機１７に格納されたプログラムにより実行される。第１のステップでＸ線源から射出し仮想人体ファントムに入射するＸ線スペクトルを取得する。Ｘ線スペクトルとはエネルギーごとの光子数の分布であるが、スペクトルを推定する方法は公知であり、例えば非特許文献７には、種々の条件で深部線量とＸ線スペクトルをモンテカルロ法で大量に計算し、両者を訓練データとして多層ニューラルネットワークで深層学習することにより、新たに測定した深部線量に対するＸ線スペクトルを求める方法が開示されている。さらに、他のスペクトル推定方法として、種々の単一エネルギーＸ線の深部線量を基底関数として与えて、測定された深部線量を前記基底関数の線形加算で近似推定する方法も記載されている。他方、非特許文献５には、Ｘ線源から出射されるＸ線を種々の厚さを有する複数材料の金属ファントムに照射して、その出口線量を測定することにより、ファントムに照射される光子数をエネルギーごとに推定する方法が記載されている。本実施例では、以上の公知の方法のいずれかを採用すればよい。第２のステップで、推定したＸ線スペクトルを１～１０ｋｅＶ程度の幅に離散化する。第３のステップで、仮想人体ファントム内の元素密度情報を用いて、ボクセルｊにおける線減弱係数をエネルギーごとに数式２で計算する。第４のステップで、平面検出器の各素子に到達する直接Ｘ線強度および散乱Ｘ線強度を数式１および数式３でそれぞれ計算し、加算してＸ線投影画像を得る。実際は、平面検出器出力には暗電流によるノイズレベルが含まれるため、より好ましくは、このノイズレベルを測定して、前記Ｘ線投影画像に加算する。なお、図８は図１及び図２に示したコーンビームＣＴ装置の場合であり、図３の診断用ＣＴ装置の場合は、扇状のビームになり、特に検出器が一列だけ配置された診断用ＣＴ装置の場合は、上記ボクセルをピクセルと読み替えればよい。

図９は、図８のステップ１で得られたＸ線スペクトルの一例である。図１０は、コーンビームＣＴ装置に対して、図８の流れ図で説明した方法で計算した仮想人体ファントムの投影画像の一例である。

図１１は、図４の流れ図のステップ１からステップ３を実施する場合のブロック図である。非特許文献３記載の数値から男女別の標準人体モデルを生成し、前記標準値を平均とする正規分布などの統計モデルを用いて、構造変形パラメータや元素組成比をランダム抽出することで標準人体モデルから大量の仮想人体ファントム２２を生成する。次に、前記多数の仮想人体ファントム２２の密度分布画像および元素密度分布画像４３を生成する。さらに、作成した仮想人体ファントムの元素密度分布とＸ線源から射出されたＸ線スペクトルから平面検出器上の各検出素子で観測される直接Ｘ線および散乱Ｘ線の寄与を計算し、Ｘ線投影画像４１を生成する。前記多数のＸ線投影画像４１を入力訓練画像とし、仮想人体ファントム２２の電子密度画像および元素密度画像４３をそれぞれ出力訓練画像と設定した多層ニューラルネットワーク４５の深層学習を実施する。

図１２は、図４のステップ４を実施する場合のブロック図である。コーンビームＣＴ装置で撮像した新規人体のＸ線投影画像５１を大量の人体ファントムモデルで深層学習が終了した多層ニューラルネットワーク４５Ａに入力して、当該人体に対する電子密度画像および元素密度画像５５を再構成する。この結果、Ｘ線コーンビームＣＴ装置で撮像した散乱線を含むＸ線投影画像５１が電子密度画像および元素密度画像５５に変換される。

上記実施形態では、学習が完了した多層ニューラルネットワーク５３の入力として、コーンビームＣＴ画像装置で撮像したＸ線投影画像を用いたが、これ以外に、コーンビームＣＴ画像を前記多層ニューラルネットワークの入力として利用しても良いので、次にこの実施形態について説明する。

［３．他の実施形態の構成］
図１３は他の実施形態に係るＸ線コーンビームＣＴ画像再構成方法を説明する流れ図である。図４との違いは、投影画像取得後に、第３のステップでコーンビームＣＴ画像を再構成することと、第４のステップで、そのコーンビームＣＴ画像を多層ニューラルネットワークに入力訓練画像として入力し、深層学習することと、第５のステップで、新規人体のコーンビームＣＴ画像を深層学習が完了した多層ニューラルネットワークに入力することである。他は、図４と同一のため、説明を省略する。

図１４は図１３の流れ図の第３のステップで示した再構成後のコーンビームＣＴ画像例であり、ここでは直交３断面を表示している。図１５は、コーンビームＣＴ画像４７を入力した多層ニューラルネットワーク４９の深層学習過程を示すブロック図である。入力訓練画像がコーンビームＣＴ画像４７である点を除けば、図１１と同じである。なお、図１３の第３のステップおよび図１５のコーンビームＣＴ画像４７の再構成は、例えば非特許文献１記載の方法を使う。
図１６は、深層学習が完了したニューラルネットワーク４９Ａに新規人体のコーンビームＣＴ画像６１を入力し、当該人体の電子密度画像または元素密度画像６５を得るためのブロック図である。図１２との違いは、入力画像がコーンビームＣＴ画像であることである。
図１７は、図１６の学習が完了した多層ニューラルネットワークの出力として得られる当該人体の元素密度画像（左上から右に水素、炭素、窒素、２段目の左から順に酸素、リン、カルシウム）を例示している。なお、電子密度分布はそれぞれの元素密度画像に原子番号Ｚと原子量Ａの比Ｚ／Ａを積算後、総和を取れば求めることができる。

［４．他の実施形態の構成］
第１の実施例では、図８の第１のステップにおけるＸ線スペクトルを得る方法として、非特許文献７または５記載の公知の方法を説明した。本実施例では、Ｘ線スペクトルを得る他の方法として、深層学習を用いて推定する新しい方法を説明する。
図１８は、Ｘ線スペクトルを得る新しい方法を説明する流れ図である。人体を構成する物質分布からなる仮想人体ファントムを大量生成する第１のステップ、種々のＸ線スペクトルに対して、前記多数の仮想人体ファントムのＸ線投影画像を生成する第２のステップ、前記Ｘ線投影画像を用いてコーンビームＣＴ画像を再構成する第３のステップ、前記再構成したコーンビームＣＴ画像を入力訓練画像として設定し、前記種々のＸ線スペクトルを出力訓練データとする多層ニューラルネットワークの深層学習を実施する第４のステップ、新規人体のコーンビームＣＴ画像を深層学習が完了した多層ニューラルネットワークに入力して、Ｘ線スペクトルを出力する第５のステップから構成される。
Ｘ線スペクトルを種々変化させるためには、例えば非特許文献７で開示された方法を用いて、複数の異なる加速電圧を印加したＸ線源で発生させた複数のＸ線スペクトルを複数の標準スペクトルモデルとして決定後、そのモデルパラメータを所定の平均値のまわりで正規分布などの統計モデルに従ってランダムサンプリングすることで大量に生成できる。生成した大量のＸ線スペクトルを用いることにより、大量の投影画像を生成できる。

図１９は、図１８のＳＴＥＰ１からＳＴＥＰ４の深層学習過程を示すブロック図であり、多層ニューラルネットワーク６９は、入力訓練画像のコーンビームＣＴ画像４７と出力訓練データのＸ線スペクトル６７を用いて深層学習される。コーンビームＣＴ画像４７は投影画像４１から再構成されるが、投影画像４１の計算においては、前記ランダムサンプリングされたＸ線スペクトル６７を用いる。なお、図１８の第３のステップおよび図１９のコーンビームＣＴ画像４７の再構成は、例えば非特許文献１記載の方法を使う。
図２０は深層学習が完了した多層ニューラルネットワーク６９Ａに、新規人体のコーンビームＣＴ画像７１を入力すると、未知であったＸ線スペクトルを得ることができることを示すブロック図である。例えば、コーンビームＣＴ画像が他施設のデータであり、Ｘ線スペクトルが不明の場合、訓練画像を生成できないことになるが、本発明を用いれば他施設のコーンビームＣＴ画像から直接Ｘ線スペクトルを推定することができ、有用である。
本実施例では、入力訓練画像としてコーンビームＣＴ画像を例にして説明したが、コーンビームＣＴ画像を再構成する前段で求めた投影画像を入力訓練画像として深部学習させてもよい。この場合は、深層学習が完了した多層ニューラルネットワークに、新規人体の投影画像を入力すると、未知であったＸ線スペクトルを得ることができる。
なお、本実施例では、複数の異なる加速電圧を印加したＸ線源で発生させた複数のＸ線スペクトルを複数の標準スペクトルモデルとして決定後、そのモデルパラメータを所定の平均値のまわりで正規分布などの統計モデルに従ってランダムサンプリングすることで大量に生成したが、この大量生成したＸ線スペクトルを用いて、図４または図１３記載の方法で、仮想人体ファントムの投影画像またはＣＴ画像を入力訓練画像、仮想人体ファントムの電子密度画像または元素密度画像を出力訓練画像として多層ニューラルネットワークを深層学習することも可能である。この方法では、Ｘ線スペクトルを同定することなく深部学習を実施し、電子密度画像または元素密度画像を求めることができる利点がある。

［５．他の実施形態の構成］
コーンビームＣＴ装置においては、Ｘ線源近傍にしばしば金属製ボウタイフィルタを設置する。図２１はボウタイフィルタ１０を通過後の直接Ｘ線ビーム２３Ａによる仮想人体ファントムに対するＸ線投影画像計算方法を示す模式図である。ボウタイフィルタ通過前の直接Ｘ線ビーム２３と通過後の直接Ｘ線ビーム２３Ａでは、Ｘ線強度およびスペクトルが異なるため、補正が必要になる。
図２２は金属製のボウタイフィルタ１０の外観図であるが、両端の厚みが厚くなっている。ボウタイフィルタ１０は、人体の断面が近似的に楕円形状であるため、人体の左右端部に入射するＸ線強度を下げて、平面検出器１１の左右端部における飽和を避けるために利用される。ビーム２３の強度とビーム２３Ａの強度の関係は数式６で与えられる。

ここで、Ｉ_１（Ｅ）はビーム２３の強度のエネルギー特性すなわちスペクトル強度であり、Ｉ_２（α，β，Ｅ）はビーム２３Ａの強度のエネルギー特性すなわちスペクトル強度である。ここで、ＥはＸ線のエネルギーである。Ｘ線強度の減衰は、金属製のボウタイフィルタ１０内をＸ線が通過する距離に依存する。その距離は図２２のコーン角αとβに依存するため、数式６では、前記距離をｄ（α、β）と書いた。さらに、金属内の単位強度のＸ線が単位長さ進んだ場合の減衰量は金属の材質とＸ線エネルギーに依存するため、これをμ（Ｅ）で表現すれば、距離ｄ通過後の減衰率をｅｘｐ｛－μ（Ｅ）ｄ（α、β）｝で与えることができ，数式６を得る。この式を用いれば、ビーム２３のＸ線スペクトルからビーム２３ＡのＸ線スペクトルを計算することができる。

図２３は、形状と材質が既知のボウタイフィルタを介した場合のＸ線スペクトルを得る新しい方法を説明する流れ図である。人体を構成する物質分布からなる仮想人体ファントムを大量生成する第１のステップ、既知のＸ線スペクトルのモデルパラメータを統計的にランダムサンプリングしてビーム２３のＸ線スペクトルを求め、さらにボウタイフィルタ形状と材質からビーム２３Ａのコーン角依存のＸ線スペクトルを数式６で計算し、前記多数の仮想人体ファントムのＸ線投影画像を多数生成する第２のステップ、前記Ｘ線投影画像を用いてコーンビームＣＴ画像を再構成する第３のステップ、前記再構成したコーンビームＣＴ画像を入力訓練画像として設定し、前記種々のＸ線スペクトルを出力訓練データとする多層ニューラルネットワークの深層学習を実施する第４のステップ、新規人体のコーンビームＣＴ画像を深層学習が完了した多層ニューラルネットワークに入力して、Ｘ線スペクトルを出力する第５のステップから構成される。

図２３の流れ図は図１８の流れ図と類似するが、ボウタイフィルタを介するため、第２のステップだけが異なる。
図２４は、図２３の第１のステップから第４のステップの深層学習過程を示すブロック図であり、多層ニューラルネットワーク７３は、入力訓練画像のコーンビームＣＴ画像４７Ａと出力訓練データの種々のＸ線スペクトル６７を用いて深層学習される。コーンビームＣＴ画像４７Ａは仮想人体ファントム２２の投影画像４１Ａから例えば非特許文献１記載の方法で再構成されるが、投影画像４１Ａの計算においては、前記ランダムサンプリングされたＸ線スペクトル６７を、ボウタイフィルタ１０を通過後のＸ線スペクトルに変換してから適用している。他の動作は図１９と同じである。

図２５は、図２４における深層学習が完了した多層ニューラルネットワーク７３Ａに、ボウタイフィルタ１０を介した新規人体のコーンビームＣＴ画像７１Ａを入力すると、未知であったＸ線スペクトルを得ることができることを示すブロック図である。例えば、コーンビームＣＴ画像が他施設のデータであり、Ｘ線スペクトルが不明の場合、訓練画像を生成できないことになるが、本発明を用いればボウタイフィルタ１０の形状が既知の他施設のコーンビームＣＴ画像から直接Ｘ線スペクトルを推定することができ、有用である。
なお、本実施例ではコーンビームＣＴ画像を入力訓練画像とした場合を説明したが、コーンビームＣＴ画像を再構成する前段の投影画像を入力訓練画像としてもよい。この場合は、新規人体の投影画像からＸ線スペクトルを求めることができる。
さらに、本実施例では出力訓練画像として、ボウタイフィルタ通過後のコーン角依存のＸ線スペクトルを用いてもよい。この場合は、新規人体の投影画像またはコーンビームＣＴ画像を学習後の多層ニューラルネットワークに入力することで、ボウタイフィルタ通過後のコーン角依存のＸ線スペクトルを得ることができる。

［６．他の実施形態の構成］
図２６は、形状と材質が未知のボウタイフィルタを介してコーンビームＣＴ画像を撮像する場合のＸ線スペクトルを得る方法を説明する流れ図である。人体を構成する物質分布からなる仮想人体ファントムを大量生成する第１のステップ、ビーム２３のＸ線スペクトルを例えば図１８に従って計算し、さらに多数のボウタイフィルタモデルを用いて多数のコーン角依存のビーム２３ＡのＸ線スペクトルを計算し、前記多数の仮想人体ファントムのＸ線投影画像を多数生成する第２のステップ、前記Ｘ線投影画像を用いてコーンビームＣＴ画像を再構成する第３のステップ、前記再構成したコーンビームＣＴ画像を入力画像として設定し、ボウタイフィルタ通過後のビーム２３Ａの前記コーン角依存のＸ線スペクトルを出力とする多層ニューラルネットワークの深層学習を実施する第４のステップ、新規患者のコーンビームＣＴ画像を前記学習した多層ニューラルネットワークに入力して、ボウタイフィルタ通過後のビーム２３Ａのコーン角ごとのＸ線スペクトルを出力する第５のステップから構成される。

図２６の流れ図は図２３の流れ図と類似するが、ボウタイフィルタの形状や材質が未知のため、第２のステップが大きく異なる。
図２７は、図２６の第１のステップから第４のステップの深層学習過程を示すブロック図であり、ビーム２３のＸ線スペクトル７５を例えば図１８に従って計算し、さらに多数のボウタイフィルタ形状・材質モデル７８を用いて多数のコーン角依存のビーム２３ＡのＸ線スペクトルを計算し、多数の仮想人体ファントム２２のＸ線投影画像４１Ａを多数生成し、コーンビームＣＴ画像４７Ａを計算する。多層ニューラルネットワーク７７は、入力訓練画像のコーンビームＣＴ画像４７Ａと前記多数のボウタイフィルタモデル７８を用いて計算された多数のコーン角依存のビーム２３ＡのＸ線スペクトルを用いて深層学習される。

図２８は、図２７において深層学習が完了した多層ニューラルネットワーク７７Ａに、形状や材質が未知であったボウタイフィルタ１０を介した新規人体のコーンビームＣＴ画像８０を入力すると、ボウタイフィルタ通過後のコーン角度ごとのＸ線スペクトルが得られることを示すブロック図である。例えば、コーンビームＣＴ画像が他施設のデータであり、Ｘ線スペクトルが不明の場合、訓練画像を生成できないことになるが、本発明を用いればボウタイフィルタの形状・材質が未知の他施設のコーンビームＣＴ画像からボウタイフィルタ通過後のコーン角度ごとのＸ線スペクトルを推定することができ、有用である。
なお、本実施例ではコーンビームＣＴ画像を入力訓練画像とした場合を説明したが、コーンビームＣＴ画像を再構成する前段の投影画像を入力訓練画像として深層学習してもよい。この場合は、新規人体の投影画像からボウタイフィルタ通過後のコーン角度ごとのＸ線スペクトルを求めることができる。

［７．他の実施形態の構成］
図２９は、コーンビームＣＴ画像から臓器ラベル付き元素密度画像を計算するための新しい方法を説明する流れ図である。ステップ１で、人体を構成する物質分布からなる多数の仮想人体ファントムを生成する。ステップ２で、前記多数の仮想人体ファントムのＸ線投影画像を生成する。ステップ３で、前記Ｘ線投影画像からコーンビームＣＴ画像を生成する。ステップ４で、前記コーンビームＣＴ画像を入力訓練画像とし、仮想人体ファントムの元素密度画像と臓器ラベル画像を紐付けしたデータセットを出力訓練画像と設定し、多層ニューラルネットワークの深層学習を実施する。ステップ５で、新規人体のコーンビームＣＴ画像を前記学習した多層ニューラルネットワークに入力して、元素密度画像および臓器ラベル画像を再構成する。

図３０は図２９のステップ１ないしステップ４でコーンビームＣＴ画像を用いて深層学習する場合の計算過程を示すブロック図であり、多数の仮想人体ファントム２２に対して多数の投影画像４１を計算し、さらにこの投影画像４１から非特許文献１に記載された再構成手法を用いて多数のコーンビームＣＴ画像４７を計算し、入力訓練画像とする。同時に、多数の仮想人体ファントム２２のそれぞれに対する臓器ラベルと元素密度画像を計算し、前記臓器ラベルと前記元素密度画像を紐付けしたデータセット８８を出力訓練画像として、多層ニューラルネットワーク８４の深層学習を実施する。

図３１は、図２９のステップ５で、新規人体のコーンビームＣＴ画像を学習が完了した多層ニューラルネットワークに入力し、前記新規人体の元素密度画像と臓器ラベル画像を計算する過程を示すブロック図である。図３０で学習が完了した多層ニューラルネットワーク８４Ａに対して、新規人体のコーンビームＣＴ画像６１を入力することにより、臓器ラベル付きの元素密度画像８６を出力として得ることができる。

［８．他の実施形態の構成］
図３２は投影画像から臓器ラベル付き元素密度画像を計算するための新しい方法を説明する流れ図である。図２９との違いは、多層ニューラルネットワークの入力として、コーンビームＣＴ画像の代わりに投影画像を採用している点である。ステップ１で、人体を構成する物質分布からなる多数の仮想人体ファントムを生成する。ステップ２で、前記多数の仮想人体ファントムのＸ線投影画像を生成する。ステップ３で、前記Ｘ線投影画像を入力訓練画像とし、仮想人体ファントムの元素密度画像と臓器ラベル画像を紐付けしたデータセットを出力訓練画像と設定し、多層ニューラルネットワークの深層学習を実施する。ステップ４で、新規人体のＸ線投影画像を前記学習が完了した多層ニューラルネットワークに入力して、元素密度画像および臓器ラベル画像を計算する。

図３３は図３２のステップ１ないしステップ３の計算過程を示すブロック図であり、多数の仮想人体ファントム２２に対して多数の投影画像４１を計算し、入力訓練画像とする。同時に、多数の仮想人体ファントム２２のそれぞれに対する臓器ラベルと元素密度画像を計算し、前記臓器ラベルと前記元素密度画像を紐付けしたデータセット８８を出力訓練画像として、多層ニューラルネットワーク８５を深層学習する。

図３４は、図３２のステップ４の計算過程を示すブロック図である。図３３で学習が完了した多層ニューラルネットワーク８５Ａに対して、新規人体の各方向からの投影画像５１を入力することにより、臓器ラベル付きの元素密度画像８６を出力として得ることができる。

図３５は図３０の深層学習用の仮想人体ファントムのコーンビームＣＴ画像４７の一例であり、ここでは特定の横断面のスライス画像を示している。
図３６は、図３０または図３３の深層学習用の仮想人体ファントムの臓器ラベル付き元素密度画像８８の一例であり、臓器ラベル画像８８Ａと元素密度画像８８Ｂを紐付けしたデータセットで構成される。臓器ラベル画像の各画素に臓器組織がラベル（属性）として割り当てられている。
なお、本発明は、上述した実施形態に限らず、本発明の要旨を逸脱することなく、種々の構成を採り得ることは勿論である。例えば、コーンビームＣＴ装置およびコーンビームＣＴ画像に関して詳しく説明したが、図３で代表される診断用ＣＴ装置についても、本発明が適用できることは言うまでもない。

本実施形態に係る放射線治療装置の外観図。Ｘ線の伝搬経路を説明する図。診断用Ｘ線ＣＴ装置。本実施形態に係るＸ線コーンビームＣＴ画像再構成方法を説明する流れ図。直接Ｘ線による仮想人体ファントムに対するＸ線投影画像計算方法を示す模式図。水素、炭素、窒素、酸素、リン、カルシウムの元素組成比分布図。散乱Ｘ線が平面検出器１１に到達する経路図。Ｘ線投影画像を計算する流れ図。図８のステップ１で得られたＸ線スペクトルの一例。図８の流れ図で計算した仮想人体ファントムの投影画像の一例。図４のステップ１からステップ３を実施する場合のブロック図。図４のステップ４を実施する場合のブロック図。他の実施形態に係るＸ線コーンビームＣＴ画像再構成方法を説明する流れ図。図１３の流れ図のステップ３で示した再構成後のコーンビームＣＴ画像例。コーンビームＣＴ画像４７を入力した多層ニューラルネットワーク４９の深層学習過程を示すブロック図。深層学習が完了したニューラルネットワークに新規人体のコーンビームＣＴ画像を入力し、当該人体の電子密度画像および元素密度画像を得るためのブロック図。図１６の学習が完了した多層ニューラルネットワークの出力として得られる当該人体の元素密度画像例。Ｘ線スペクトルを得る新しい方法を説明する流れ図。図１８のステップ１からステップ４の深層学習過程を示すブロック図。図１８のステップ５で示された深層学習が完了した多層ニューラルネットワークに、新規人体のコーンビームＣＴ画像を入力し、Ｘ線スペクトルを得るブロック図。ボウタイフィルタを介した直接Ｘ線による仮想人体ファントムに対するＸ線投影画像計算方法を示す模式図。ボウタイフィルタの外観図。形状と材質が既知のボウタイフィルタを介した場合のＸ線スペクトルを得る新しい方法を説明する流れ図。図２３のステップ１からステップ４の深層学習過程を示すブロック図。図２３のステップ５で示された深層学習が完了した多層ニューラルネットワークに、新規人体のコーンビームＣＴ画像を入力し、Ｘ線スペクトルを得るブロック図。形状、材質が未知のボウタイフィルタを介した場合のＸ線スペクトルを得る新しい方法を説明する流れ図。図２６のステップ１からステップ４の深層学習過程を示すブロック図。図２６のステップ５で示された深層学習が完了した多層ニューラルネットワークに、新規人体のコーンビームＣＴ画像を入力し、ボウタイフィルタ通過後のコーン角度ごとのＸ線スペクトルを得るブロック図。多数の仮想人体ファントムに対して計算したコーンビームＣＴ画像から臓器ラベル付き元素密度画像を計算するための新しい方法を説明する流れ図。図２９のステップ１からステップ４の深層学習過程を示すブロック図。図２９のステップ５の計算過程を示すブロック図。多数の仮想人体ファントムに対して計算した投影画像から臓器ラベル付き元素密度画像を計算するための新しい方法を説明する流れ図。図３２のステップ１からステップ３の深層学習過程を示すブロック図。図３２のステップ４の計算過程を示すブロック図。図３０のコーンビームＣＴ画像４７の一例。図３０または図３３の深層学習に用いる臓器ラベル付き元素密度画像８８の一例で、臓器ラベル８８Ａと紐付けされた元素密度画像８８Ｂで構成される。

１ガントリーヘッド
３コリメータ
５ガントリ回転機構
７寝台
９Ｘ線源
１０ボウタイフィルタ
１１平面検出器
１３治療ビーム用平面検出器
１５表示装置
１７制御用計算機
１９制御信号ケーブル
２１人体
２２仮想人体ファントム
２３直接Ｘ線ビーム
２３Ａボウタイフィルタ通過後の直接Ｘ線ビーム
２５散乱前のＸ線
２７散乱Ｘ線
２９検出器
３１扇状Ｘ線束
３３平面検出器の検出素子
３５ボクセルｊ
４１投影画像
４１Ａボウタイフィルタを介した投影画像
４３電子密度画像および元素密度画像
４５深層学習用多層ニューラルネットワーク
４５Ａ深層学習完了後の多層ニューラルネットワーク
４７コーンビームＣＴ画像
４７Ａボウタイフィルタを介したコーンビームＣＴ画像
４９深層学習用多層ニューラルネットワーク
４９Ａ深層学習完了後の多層ニューラルネットワーク
５１新規人体の投影座像
５５電子密度画像および元素密度画像
６１新規人体のコーンビームＣＴ画像
６５電子密度画像および元素密度画像
６７種々のＸ線スペクトル
６９深層学習用多層ニューラルネットワーク
６９Ａ深層学習完了後の多層ニューラルネットワーク
７１新規人体のコーンビームＣＴ画像
７１Ａボウタイフィルタを介した新規人体のコーンビームＣＴ画像
７３深層学習用多層ニューラルネットワーク
７３Ａボウタイフィルタを介した深層学習完了後の多層ニューラルネットワーク
７５推定されたＸ線スペクトル
７７深層学習用多層ニューラルネットワーク
７７Ａ深層学習完了後の多層ニューラルネットワーク
７８多数のボウタイフィルタモデル
８２ボウタイフィルタ通過後のコーン角度ごとのＸ線スペクトル
８４深層学習用多層ニューラルネットワーク
８４Ａ深層学習完了後の多層ニューラルネットワーク
８５深層学習用多層ニューラルネットワーク
８５Ａ深層学習完了後の多層ニューラルネットワーク
８６新規人体のコーンビームＣＴ画像６１に対する臓器ラベル付き元素密度画像
８８臓器ラベル付き元素密度画像
８８Ａ臓器ラベル
８８Ｂ臓器ラベルと紐付けされた元素密度分布

Claims

人体を構成する物質分布からなる仮想人体ファントムを多数生成する第１のステップと、前記多数の仮想人体ファントムのＸ線投影画像を計算する第２のステップと、前記Ｘ線投影画像を入力訓練画像とし、前記仮想人体ファントムの物質分布画像を出力訓練画像として設定した多層ニューラルネットワークの深層学習を実施する第３のステップと、新規人体について測定したＸ線投影画像を前記学習した多層ニューラルネットワークに入力し、物質分布画像を出力画像として得る第４のステップを有することを特徴とする人体の物質分布画像の再構成方法。
人体を構成する物質分布からなる仮想人体ファントムを多数生成する第１のステップと、前記仮想人体ファントムのＸ線投影画像を計算する第２のステップと、前記Ｘ線投影画像からＣＴ画像を再構成する第３のステップと、前記再構成されたＣＴ画像を入力訓練画像とし、前記仮想人体ファントムの物質分布画像を出力訓練画像として設定した多層ニューラルネットワークの深層学習を実施する第４のステップと、新規人体のＣＴ画像を前記学習した多層ニューラルネットワークに入力し、物質分布画像を出力画像として得る第５のステップを有することを特徴とする人体の物質分布画像の再構成方法。
人体を構成する物質分布からなる仮想人体ファントムを多数生成する第１のステップと、前記多数の仮想人体ファントムのＸ線投影画像を計算する第２のステップと、前記Ｘ線投影画像を入力訓練画像とし、前記仮想人体ファントムの物質分布画像と臓器ラベル画像を出力訓練画像として設定した多層ニューラルネットワークの深層学習を実施する第３のステップと、新規人体のＸ線投影画像を前記学習した多層ニューラルネットワークに入力し、物質分布画像と臓器ラベル画像を出力画像として得る第４のステップを有することを特徴とする人体の物質分布画像の再構成方法。
人体を構成する物質分布からなる仮想人体ファントムを多数生成する第１のステップと、前記多数の仮想人体ファントムのＸ線投影画像を計算する第２のステップと、前記Ｘ線投影画像からＣＴ画像を再構成する第３のステップと、前記再構成されたＣＴ画像を入力訓練画像とし、前記仮想人体ファントムの物質分布画像と臓器ラベル画像を出力訓練画像として設定した多層ニューラルネットワークの深層学習を実施する第４のステップと、新規人体のＣＴ画像を前記学習した多層ニューラルネットワークに入力し、物質画像と臓器ラベル画像を出力画像として得る第５のステップを有することを特徴とする人体の物質分布画像の再構成方法。
Ｘ線源から射出され仮想人体ファントムに入射するＸ線の標準スペクトルモデルを決定し、前記モデルのパラメータを変化させて生成した多数のＸ線スペクトルを得る第１のステップと、前記Ｘ線スペクトルを離散化する第２のステップと、前記離散化したＸ線スペクトルの各エネルギーに応じた前記仮想人体ファントムの定義域内の各ボクセルにおける直接Ｘ線強度と散乱過程を少なくとも元素密度情報と電子密度情報のいずれかを用いて計算する第３のステップと、離散化した各Ｘ線エネルギーに対して、検出器の各素子上で、少なくとも直接Ｘ線強度と散乱Ｘ線を加算後、さらに各Ｘ線エネルギーのスペクトル強度の重みを付けて加算することによりＸ線投影画像を計算する第４のステップを有することを特徴とする請求項１ないし請求項４いずれかに記載の人体の物質分布画像の再構成方法。
Ｘ線源から射出され仮想人体ファントムに入射するＸ線のスペクトルを計算する第１のステップと、前記Ｘ線スペクトルを離散化する第２のステップと、前記離散化したＸ線スペクトルの各エネルギーに応じた前記仮想人体ファントムの定義域内の各ボクセルにおける直接Ｘ線強度と散乱過程を少なくとも元素密度情報と電子密度情報のいずれかを用いて計算する第３のステップと、離散化した各Ｘ線エネルギーに対して、検出器の各素子上で、少なくとも直接Ｘ線と散乱Ｘ線を加算してＸ線投影画像を計算する第４のステップを有することを特徴とする請求項１ないし請求項４いずれかに記載の人体の物質分布画像の再構成方法。
人体を構成する物質分布からなる仮想人体ファントムを多数生成する第１のステップと、種々のＸ線スペクトルに対する前記仮想人体ファントムのＸ線投影画像を計算する第２のステップと、前記Ｘ線投影画像を入力訓練画像とし、対応する前記Ｘ線スペクトルを出力訓練データとして設定した多層ニューラルネットワークの深層学習を実施する第３のステップと、新規Ｘ線投影画像を前記学習した多層ニューラルネットワークに入力して、Ｘ線スペクトルを計算する第４のステップを有することを特徴とする請求項６記載の人体の物質分布画像の再構成方法。
人体を構成する物質分布からなる仮想人体ファントムを多数生成する第１のステップと、種々のＸ線スペクトルに対する前記仮想人体ファントムのＸ線投影画像を計算する第２のステップと、前記Ｘ線投影画像からＣＴ画像を再構成する第３のステップと、前記ＣＴ画像を入力訓練画像とし、対応する前記Ｘ線スペクトルを出力訓練データとして設定した多層ニューラルネットワークの深層学習を実施する第４のステップと、新規ＣＴ画像を前記学習した多層ニューラルネットワークに入力して、Ｘ線スペクトルを計算する第５のステップを有することを特徴とする請求項６記載の人体の物質分布画像の再構成方法。
Ｘ線源の所定の構造と所定の印加電圧に対してモンテカルロ法で前記Ｘ線源から出射されるＸ線スペクトルを計算する第１のステップ、前記Ｘ線スペクトルから深部線量をモンテカルロ法で計算する第２のステップ、前記Ｘ線管から出射されるＸ線の深部線量を計測する第３のステップ、前記計算した深部線量と前記計測した深部線量が近似的に一致するＸ線スペクトルを反復計算して決定することを特徴とする請求項６記載の人体の物質分布画像の再構成方法。
Ｘ線源の標準構造モデルのパラメータと印加電圧を変化させて、モンテカルロ法で前記Ｘ線管から出射されるＸ線スペクトルを計算する第１のステップ、前記Ｘ線スペクトルによる深部線量を計算する第２のステップ、前記計算した深部線量を入力訓練データ、前記計算したＸ線スペクトルを出力訓練データとして、多層ニューラルネットワークの深層学習を実施する第３のステップ、前記Ｘ線管から出射されるＸ線の深部線量を計測する第４のステップ、前記計測したＸ線の深部線量を前記学習した多層ニューラルネットワークに入力して、Ｘ線スペクトルを出力することを特徴とする請求項６記載の人体の物質分布画像の再構成方法。
人体を構成する物質分布からなる仮想人体ファントムを多数生成する第１のステップ、Ｘ線源から出射したビームの標準スペクトルモデルのパラメータを変化させて生成した多数のＸ線スペクトルを生成する第２のステップ、Ｘ線源の近傍に配置されたボウタイフィルタ形状と材質から前記ボウタイフィルタ通過後のビームのコーン角依存のＸ線スペクトルを計算する第３のステップ、前記多数の仮想人体ファントムのＸ線投影画像を生成する第４のステップ、前記Ｘ線投影画像を入力訓練画像として設定し、前記Ｘ線源から出射したビームのＸ線スペクトルを出力訓練データとする多層ニューラルネットワークの深層学習を実施する第５のステップ、新規人体のＸ線投影画像を深層学習が完了した多層ニューラルネットワークに入力して、Ｘ線源から出射したビームのＸ線スペクトルを計算する第６のステップ、第６のステップで計算したＸ線スペクトルから前記ボウタイフィルタ通過後のコーン角依存のＸ線スペクトルを計算する第７のステップを有することを特徴とする請求項６記載の人体の物質分布画像の再構成方法。
人体を構成する物質分布からなる仮想人体ファントムを多数生成する第１のステップ、Ｘ線源から出射したビームの標準スペクトルモデルのパラメータを変化させて生成した多数のＸ線スペクトルを生成する第２のステップ、Ｘ線源の近傍に配置されたボウタイフィルタ形状と材質から前記ボウタイフィルタ通過後のビームのコーン角依存のＸ線スペクトルを計算する第３のステップ、前記多数の仮想人体ファントムのＸ線投影画像を生成する第４のステップ、前記Ｘ線投影画像を用いてＣＴ画像を再構成する第５のステップ、前記再構成したＣＴ画像を入力訓練画像として設定し、前記Ｘ線源から出射したビームのＸ線スペクトルを出力訓練データとする多層ニューラルネットワークの深層学習を実施する第６のステップ、新規人体のＣＴ画像を深層学習が完了した多層ニューラルネットワークに入力して、Ｘ線源から出射したビームのＸ線スペクトルを計算する第７のステップ、第７のステップで計算したＸ線スペクトルから前記ボウタイフィルタ通過後のコーン角依存のＸ線スペクトルを計算する第８のステップを有することを特徴とする請求項６記載の人体の物質分布画像の再構成方法。
人体を構成する物質分布からなる仮想人体ファントムを多数生成する第１のステップ、Ｘ線源から出射したビームの標準スペクトルモデルのパラメータを変化させて生成した多数のＸ線スペクトルを生成する第２のステップ、Ｘ線源の近傍に配置されたボウタイフィルタ形状と材質から前記ボウタイフィルタ通過後のビームのコーン角依存のＸ線スペクトルを計算する第３のステップ、前記多数の仮想人体ファントムのＸ線投影画像を生成する第４のステップ、前記Ｘ線投影画像を入力訓練画像として設定し、前記ボウタイフィルタ通過後のビームのコーン角依存のＸ線スペクトルを出力訓練データとする多層ニューラルネットワークの深層学習を実施する第５のステップ、新規人体のＸ線投影画像を深層学習が完了した多層ニューラルネットワークに入力して、ボウタイフィルタ通過後のコーン角依存のＸ線スペクトルを出力する第６のステップを有することを特徴とする請求項６記載の人体の物質分布画像の再構成方法。
人体を構成する物質分布からなる仮想人体ファントムを多数生成する第１のステップ、Ｘ線源から出射したビームの標準スペクトルモデルのパラメータを変化させて生成した多数のＸ線スペクトルを生成する第２のステップ、Ｘ線源の近傍に配置されたボウタイフィルタ形状と材質から前記ボウタイフィルタ通過後のビームのコーン角依存のＸ線スペクトルを計算する第３のステップ、前記多数の仮想人体ファントムのＸ線投影画像を生成する第４のステップ、前記Ｘ線投影画像を用いてＣＴ画像を再構成する第５のステップ、前記再構成したＣＴ画像を入力訓練画像として設定し、前記ボウタイフィルタ通過後のビームのコーン角依存のＸ線スペクトルを出力訓練データとする多層ニューラルネットワークの深層学習を実施する第６のステップ、新規人体のＣＴ画像を深層学習が完了した多層ニューラルネットワークに入力して、ボウタイフィルタ通過後のコーン角依存のＸ線スペクトルを計算する第７のステップを有することを特徴とする請求項６記載の人体の物質分布画像の再構成方法。
人体を構成する物質分布からなる仮想人体ファントムを多数生成する第１のステップ、Ｘ線源から出射したビームのＸ線標準スペクトルモデルのパラメータを変化させて生成した多数のＸ線スペクトルを生成する第２のステップ、標準ボウタイフィルタモデルのパラメータを変化させて多数のボウタイフィルタを生成する第３のステップ、前記ボウタイフィルタ通過後のビームのコーン角依存のＸ線スペクトルを計算する第４のステップ、前記仮想人体ファントムのＸ線投影画像を生成する第５のステップ、前記Ｘ線投影画像を入力画像とし、前記ボウタイフィルタ通過後のビームのコーン角依存のＸ線スペクトルを出力とする多層ニューラルネットワークの深層学習を実施する第６のステップ、新規患者のＸ線投影画像を前記学習した多層ニューラルネットワークに入力して、ボウタイフィルタ通過後のビームのコーン角依存のＸ線スペクトルを出力する第７のステップを備えたことを特徴とする請求項６記載の人体の物質分布画像の再構成方法。
人体を構成する物質分布からなる仮想人体ファントムを多数生成する第１のステップ、Ｘ線源から出射したビームのＸ線標準スペクトルモデルのパラメータを変化させて生成した多数のＸ線スペクトルを生成する第２のステップ、標準ボウタイフィルタモデルのパラメータを変化させて多数のボウタイフィルタを生成する第３のステップ、前記ボウタイフィルタ通過後のビームのコーン角依存のＸ線スペクトルを計算する第４のステップ、前記仮想人体ファントムのＸ線投影画像を生成する第５のステップ、前記Ｘ線投影画像を用いてＣＴ画像を再構成する第６のステップ、前記再構成したコーンビームＣＴ画像を入力画像とし、前記ボウタイフィルタ通過後のビームのコーン角依存のＸ線スペクトルを出力とする多層ニューラルネットワークの深層学習を実施する第７のステップ、新規患者のＣＴ画像を前記学習した多層ニューラルネットワークに入力して、ボウタイフィルタ通過後のビームのコーン角依存のＸ線スペクトルを出力する第８のステップを備えたことを特徴とする請求項６記載の人体の物質分布画像の再構成方法。
前記Ｘ線投影画像を撮像する手段として、Ｘ線コーンビームＣＴ装置を用いることを特徴とする請求項１ないし１６いずれかに記載の物質分布画像の再構成方法。
前記Ｘ線投影画像を撮像する手段として、ヘリカルスキャン型のＸ線ＣＴ装置を用いることを特徴とする請求項１ないし１６いずれかに記載の物質分布画像の再構成方法。
前記物質分布画像として元素密度画像または電子密度画像の少なくともいずれか１つを選ぶことを特徴とする請求項１ないし１８いずれかに記載の人体の物質分布画像の再構成方法。
請求項１ないし１９いずれかに記載の物質分布画像の再構成アルゴリズムを実行する計算機プログラムを有することを特徴とするＸ線ＣＴ装置。
請求項２０に記載のＸ線ＣＴ装置を有することを特徴とする放射線治療装置。