JP2022159648A - 画像処理装置、画像処理方法および断層画像取得システム - Google Patents
画像処理装置、画像処理方法および断層画像取得システム Download PDFInfo
- Publication number
- JP2022159648A JP2022159648A JP2021063977A JP2021063977A JP2022159648A JP 2022159648 A JP2022159648 A JP 2022159648A JP 2021063977 A JP2021063977 A JP 2021063977A JP 2021063977 A JP2021063977 A JP 2021063977A JP 2022159648 A JP2022159648 A JP 2022159648A
- Authority
- JP
- Japan
- Prior art keywords
- image
- subject
- image processing
- input
- feature map
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 44
- 238000003672 processing method Methods 0.000 title claims description 13
- 230000005251 gamma ray Effects 0.000 claims abstract description 67
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000010521 absorption reaction Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 30
- 238000002595 magnetic resonance imaging Methods 0.000 description 23
- 230000000052 comparative effect Effects 0.000 description 17
- 230000005855 radiation Effects 0.000 description 13
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000002591 computed tomography Methods 0.000 description 7
- 238000002600 positron emission tomography Methods 0.000 description 5
- 102100033620 Calponin-1 Human genes 0.000 description 3
- 102100033591 Calponin-2 Human genes 0.000 description 3
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 3
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Images
Landscapes
- Nuclear Medicine (AREA)
Abstract
【課題】ＴＯＦ-ＰＥＴ装置を用いてＳ／Ｎがよい断層画像を短時間に取得することができる画像処理装置を提供する。【解決手段】断層画像取得システム１は、画像処理装置１０、ＴＯＦ-ＰＥＴ装置２０、ＣＴ装置３０およびＭＲＩ装置４０を備える。画像処理装置１０は、入力画像群に基づいて深層ニューラルネットワークにより被験者の断層画像を推測し、この推測した断層画像を出力する。入力画像群は、少なくとも、ＴＯＦ-ＰＥＴ装置２０において同時計数線の方位角θに関して区分された複数の領域それぞれに対応して取得された被験者の複数のγ線対発生位置分布画像を含む。入力画像群は、被験者のγ線吸収係数分布画像を含んでいてもよいし、被験者のＭＲＩ画像を含んでいてもよい。【選択図】図１
Description
本発明は、画像処理装置、画像処理方法および断層画像取得システムに関するものである。
ＰＥＴ（Positron Emission Tomography）装置は、測定空間を取り囲んで設けられた多数の放射線検出器を備えている。その測定空間に、陽電子放出核種で標識された薬剤を投与された被験者が置かれる。その被験者の体内において電子-陽電子の対消滅によりエネルギ５１１ＫｅＶの２個のγ線光子が発生し、これら２個のγ線光子は互いに反対方向に飛行する。ＰＥＴ装置は、これら２個のγ線光子を何れか２個の放射線検出器により同時計数する。そして、ＰＥＴ装置は、このような同時計数情報を収集して、所要の画像再構成処理を行うことで、被験者の断層画像を取得することができる。
ＰＥＴ装置のうちでもＴＯＦ-ＰＥＴ（Time-ofFlight PET）装置は、同時計数事象毎に、γ線対を同時計数した２個の放射線検出器それぞれの検出タイミングの間の時間差に基づいて、これら２個の放射線検出器を互いに結ぶ同時計数線上におけるγ線対発生位置を検出することができる。ＴＯＦ-ＰＥＴ装置は、多数の同時計数事象についてγ線対発生位置を検出することで、γ線対発生位置の分布を表すγ線対発生位置分布画像を取得することができる。γ線対発生位置分布画像はＴＯＦ分解能に応じてボケた画像となる。このボケを画像再構成処理によって取り除くことにより臨床に用いる断層画像を取得できる。非特許文献１，２には、ＴＯＦ-ＰＥＴ装置を用いて被験者の断層画像を短時間に取得する技術が記載されている。
William Whiteley, et al,"FastPET: Near Real-Time Reconstruction of PET Histo-Image Data Using aNeural Network," IEEE TRANSACTIONS ON RADIATION& PLASMA MEDICAL SCIENCES, October 2020.
Eiichi Tanaka, "Line-WritingData Acquisition and Signal-to-Noise Ratio in Time-of-Flight Positron EmissionTomography," Workshop on Time-of-Flight Tomography, May 1982.
"BrainWeb: Simulated Brain Database"，［online］，［令和３年３月１５日検索］，インターネット＜https://brainweb.bic.mni.mcgill.ca/brainweb/＞
ＴＯＦ-ＰＥＴ装置を用いて被験者の断層画像を短時間に取得する従来の技術では、最終的に得られる断層画像のＳ／Ｎはよくない。
本発明は、上記問題点を解消する為になされたものであり、ＴＯＦ-ＰＥＴ装置を用いてＳ／Ｎがよい断層画像を短時間に取得することができる画像処理装置および画像処理方法を提供することを目的とする。また、このような画像処理装置およびＴＯＦ-ＰＥＴ装置を備える断層画像取得システムを提供することを目的とする。
本発明の画像処理装置は、ＴＯＦ-ＰＥＴ装置において同時計数線の方位角に関して区分された複数の領域それぞれに対応して取得された被験者の複数のγ線対発生位置分布画像を含む入力画像群を入力する入力部と、入力部に入力された入力画像群に基づいて深層ニューラルネットワークにより被験者の断層画像を推測する推測部と、推測部により推測された断層画像を出力する出力部と、を備える。
入力部に入力される入力画像群は、被験者のγ線吸収係数分布画像を更に含んでいてもよいし、被験者のＭＲＩ画像を更に含んでいてもよい。
推測部は、複数のγ線対発生位置分布画像に基づいて断層画像を推測する第１深層ニューラルネットワークにおいて、その処理の過程で作成した特徴マップに対し、ＭＲＩ画像を入力する第２深層ニューラルネットワークによる処理の過程で作成した特徴マップにより重み付けを行って、新たな特徴マップを作成するのが好適である。
推測部は、第１深層ニューラルネットワークにおいて特徴マップの解像度が異なる複数の層それぞれにおいて重み付けを行うのが好適である。
推測部は、第１深層ニューラルネットワークにおいて特徴マップの解像度が異なる複数の層それぞれにおいて、第２深層ニューラルネットワークにおいて特徴マップの解像度が異なる複数の層それぞれの最後の特徴マップにより重み付けを行って、その重み付けにより作成した新たな特徴マップを該層の最後の特徴マップとするのが好適である。
本発明の画像処理装置は、複数の被験者それぞれについて取得された入力画像群および断層画像のデータベースを用いて深層ニューラルネットワークを学習させる学習部を更に備えるのが好適である。
本発明の断層画像取得システムは、同時計数線の方位角に関して区分された複数の領域それぞれに対応して被験者の複数のγ線対発生位置分布画像を取得するＴＯＦ-ＰＥＴ装置と、複数のγ線対発生位置分布画像に基づいて被験者の断層画像を推測する上記の本発明の画像処理装置と、を備える。
本発明の断層画像取得システムは、同時計数線の方位角に関して区分された複数の領域それぞれに対応して被験者の複数のγ線対発生位置分布画像を取得するＴＯＦ-ＰＥＴ装置と、被験者のγ線吸収係数分布画像を取得する装置と、複数のγ線対発生位置分布画像およびγ線吸収係数分布画像に基づいて被験者の断層画像を推測する上記の本発明の画像処理装置と、を備える構成であってもよい。
本発明の断層画像取得システムは、同時計数線の方位角に関して区分された複数の領域それぞれに対応して被験者の複数のγ線対発生位置分布画像を取得するＴＯＦ-ＰＥＴ装置と、被験者のＭＲＩ画像を取得するＭＲＩ装置と、複数のγ線対発生位置分布画像およびＭＲＩ画像に基づいて被験者の断層画像を推測する上記の本発明の画像処理装置と、を備える構成であってもよい。
本発明の画像処理方法は、ＴＯＦ-ＰＥＴ装置において同時計数線の方位角に関して区分された複数の領域それぞれに対応して取得された被験者の複数のγ線対発生位置分布画像を含む入力画像群を入力する入力ステップと、入力ステップで入力された入力画像群に基づいて深層ニューラルネットワークにより被験者の断層画像を推測する推測ステップと、推測ステップで推測された断層画像を出力する出力ステップと、を備える。
入力ステップで入力される入力画像群は、被験者のγ線吸収係数分布画像を更に含んでいてもよいし、被験者のＭＲＩ画像を更に含んでいてもよい。
推測ステップは、複数のγ線対発生位置分布画像に基づいて断層画像を推測する第１深層ニューラルネットワークにおいて、その処理の過程で作成した特徴マップに対し、ＭＲＩ画像を入力する第２深層ニューラルネットワークによる処理の過程で作成した特徴マップにより重み付けを行って、新たな特徴マップを作成するのが好適である。
推測ステップは、第１深層ニューラルネットワークにおいて特徴マップの解像度が異なる複数の層それぞれにおいて重み付けを行うのが好適である。
推測ステップは、第１深層ニューラルネットワークにおいて特徴マップの解像度が異なる複数の層それぞれにおいて、第２深層ニューラルネットワークにおいて特徴マップの解像度が異なる複数の層それぞれの最後の特徴マップにより重み付けを行って、その重み付けにより作成した新たな特徴マップを該層の最後の特徴マップとするのが好適である。
本発明の画像処理方法は、複数の被験者それぞれについて取得された入力画像群および断層画像のデータベースを用いて深層ニューラルネットワークを学習させる学習ステップを更に備えるのが好適である。
本発明によれば、ＴＯＦ-ＰＥＴ装置を用いてＳ／Ｎがよい断層画像を短時間に取得することができる。
以下、添付図面を参照して、本発明を実施するための形態を詳細に説明する。なお、図面の説明において同一の要素には同一の符号を付し、重複する説明を省略する。本発明は、これらの例示に限定されるものではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。
図１は、断層画像取得システム１の構成を示す図である。断層画像取得システム１は、画像処理装置１０およびＴＯＦ-ＰＥＴ装置２０を備える。ＴＯＦ-ＰＥＴ装置２０は、図２に示されるように、同時計数事象毎に、γ線対を同時計数した２個の放射線検出器それぞれの検出タイミングの間の時間差に基づいて、これら２個の放射線検出器を互いに結ぶ同時計数線上におけるγ線対発生位置を検出する。
ＴＯＦ-ＰＥＴ装置２０は、同時計数線の方位角に関して区分された複数の領域それぞれにおいて、同時計数事象毎のγ線対発生位置を収集して、被験者のγ線対発生位置分布画像を取得する。例えば、図３に示されるように、同時計数線の方位角θに関して８個の領域に区分する場合、ＴＯＦ-ＰＥＴ装置２０は、０.０°≦θ＜２２.５°、２２.５°≦θ＜４５.０°、４５.０°≦θ＜６７.５°、６７.５°≦θ＜９０.０°、９０.０°≦θ＜１１２.５°、１１２.５°≦θ＜１３５.０°、１３５.０°≦θ＜１５７.５°および１５７.５°≦θ＜１８０.０°の各領域において、被験者のγ線対発生位置分布画像を取得する。
画像処理装置１０は、入力画像群に基づいて深層ニューラルネットワーク（Deep Neural Network、ＤＮＮ）により被験者の断層画像を推測し、この推測した断層画像を出力する。入力画像群は、少なくとも、ＴＯＦ-ＰＥＴ装置２０において同時計数線の方位角θに関して区分された複数の領域それぞれに対応して取得された被験者の複数のγ線対発生位置分布画像を含む。また、入力画像群は、被験者のγ線吸収係数分布画像を含んでいてもよいし、被験者のＭＲＩ（Magnetic Resonance Imaging）画像を含んでいてもよい。
被験者のγ線吸収係数分布画像は、ＴＯＦ-ＰＥＴ装置２０によるトランスミッションスキャンにより取得されたものであってもよいし、ＣＴ（Computed Tomography）装置により得られた被験者のＸ線吸収係数分布画像に基づいて取得されたものであってもよいし、また、ＭＲＩ装置により得られた被験者の構造を表す画像に基づいて取得されたものであってもよい。
断層画像取得システム１は、好ましくはＣＴ装置３０またはＭＲＩ装置４０を備える。ＣＴ装置３０は、被験者のＸ線吸収係数分布画像を取得して、これに基づいてエネルギ５１１Ｋｅｖのγ線吸収係数分布画像を取得するためのものである。ＭＲＩ装置４０は、被験者の構造を表すＭＲＩ画像を取得するためのものであり、また、このＭＲＩ画像に基づいてγ線吸収係数分布画像を取得することができる。ＴＯＦ-ＰＥＴ装置２０またはＭＲＩ装置４０を用いて被験者のγ線吸収係数分布画像を取得する場合には、ＣＴ装置３０は不要である。ＴＯＦ-ＰＥＴ装置２０、ＣＴ装置３０およびＭＲＩ装置４０のうちの何れか２以上の装置が一体化されていてもよい。
図４は、画像処理装置１０の構成を示す図である。画像処理装置１０は、入力画像群に基づいてＤＮＮにより被験者の断層画像を推測する。また、画像処理装置１０は、画像データベース１５を用いてＤＮＮを学習させることができる。画像処理装置１０は、入力部１１、推測部１２、出力部１３および学習部１４を備える。
入力部１１は、同時計数線の方位角θに関して区分された領域毎の被験者の複数のγ線対発生位置分布画像を少なくとも含む入力画像群を入力する。入力部１１は、被験者の複数のγ線対発生位置分布画像に加えてγ線吸収係数分布画像およびＭＲＩ画像の双方または何れかを一方を含む入力画像群を入力してもよい。
推測部１２は、入力部１１に入力された入力画像群に基づいて、ＤＮＮにより、被験者の断層画像を推測する。このＤＮＮは畳み込みニューラルネットワーク（Convolutional Neural Network、ＣＮＮ）であるのが好適である。ＣＮＮでは、特徴量を抽出する畳み込み層と、特徴量を圧縮するプーリング層とが、交互に設けられている。推測部１２は、ＤＮＮの処理をＣＰＵ（Central Processing Unit）により行ってもよいが、より高速な処理が可能なＤＳＰ（Digital Signal Processor）またはＧＰＵ（Graphics Processing Unit）により行うのが好適である。
出力部１３は、推測部１２により推測された断層画像を出力する。出力部１３は、画像を表示するディスプレイを含むのが好適である。
学習部１４は、画像データベース１５を用いて推測部１２のＤＮＮを学習させる。画像データベース１５は、複数の被験者について入力画像群のデータおよび断層画像のデータを格納している。学習部１４は、画像データベース１５に格納されている各被験者の入力画像群を入力部１１に入力させ、この入力画像群に対して出力部１３から出力された断層画像、および、画像データベースに格納されている該被験者の断層画像に基づいて、推測部１２のＤＮＮを学習させる。このようなＤＮＮの学習は深層学習（Deep Learning）と呼ばれる。
このような画像処理装置１０を用いた画像処理方法は、入力部１１による入力ステップ、推測部１２による推測ステップ、出力部１３による出力ステップ、および、学習部１４による学習ステップを備える。すなわち、入力ステップにおいて、同時計数線の方位角θに関して区分された領域毎の被験者の複数のγ線対発生位置分布画像を入力する。推測ステップにおいて、入力ステップで入力された入力画像群に基づいて、ＤＮＮにより、被験者の断層画像を推測する。出力ステップにおいて、推測ステップで推測した被験者の断層画像を出力する。学習ステップにおいて、画像データベース１５を用いてＤＮＮを学習させる。
学習ステップにおいてＤＮＮの学習を一度行っておけば、以降は入力、推測および出力の一連のステップを繰り返して行うことができるので、入力、推測および出力の一連のステップを行う度に学習ステップを行う必要はない。同様の理由で、ＤＮＮが学習済みであれば学習部１４は必要ではない。ただし、ＤＮＮが学習済みであっても、更に高精度の推測を可能にする為に更に学習を行う場合には、学習ステップおよび学習部１４があってもよい。
図５は、推測部１２のＤＮＮの構成の一例を示す図である。この図５に示される構成例では、Ｕネット構造を有するエンコーダ-デコーダＣＮＮを用いる。図６は、推測部１２のＤＮＮの構成の他の例を示す図である。この図６に示される構成例では、２つのＵネット構造を有するエンコーダ-デコーダＣＮＮ（ＣＮＮ１、ＣＮＮ２）を用いる。図７は、図６に示されるＤＮＮ構成の一部を詳細に示す図である。これらの図において、特徴マップはボックスで示され、演算は矢印で示されている。
図６および図７に示される構成例では、第１深層ニューラルネットワーク（ＣＮＮ１）は、入力画像群のうち被験者の複数のγ線対発生位置分布画像（およびγ線吸収係数分布画像）を入力して、被験者の断層画像を推測する。第２深層ニューラルネットワーク（ＣＮＮ２）は、入力画像群のうち被験者のＭＲＩ画像を入力する。推測部１２は、ＣＮＮ１において、その処理の過程で作成した特徴マップに対し、ＣＮＮ２による処理の過程で作成した特徴マップ（Attentionマップ）により重み付け（要素毎の乗算）を行って、新たな特徴マップを作成する。
推測部１２は、ＣＮＮ１において特徴マップの解像度が異なる複数の層それぞれにおいて重み付けを行うのが好適である。また、推測部１２は、ＣＮＮ１において特徴マップの解像度が異なる複数の層それぞれにおいて、ＣＮＮ２において特徴マップの解像度が異なる複数の層それぞれの最後の特徴マップ（Attentionマップ）により重み付けを行って、その重み付けにより作成した新たな特徴マップを該層の最後の特徴マップとするのが好適である。また、ＣＮＮ１において重み付け直前の特徴マップは規格化されて全要素の平均値が０とされ標準偏差が１とされているのが好適であり、ＣＮＮ２においてAttentionマップはシグモイド関数により各要素が０と１との間の値とされているのが好適である。
次に、実施例について説明する。以下に説明する実施例では、非特許文献３に公開されているヒトの脳の画像データ（２０例）を利用し、ＴＯＦ-ＰＥＴ装置において同時計数線の方位角θに関して区分された８個の領域それぞれに対応して取得される８個のγ線対発生位置分布画像、γ線吸収係数分布画像およびＭＲＩ画像を作成して、モンテカルロシミュレーションを行った。
線源分布を、灰白質：白質：脳髄液＝１：０.２５：０.０５ とした。ＴＯＦ-ＰＥＴ装置２０における放射線検出器の配置を、浜松ホトニクス株式会社製の頭部用ＰＥＴ装置（ＳＨＲ２９０００）と同様のものとした。ＴＯＦ-ＰＥＴ装置２０におけるＴＯＦ時間分解能を３００ｐｓとした。各画像の画素数を７０×１２０×１２０ voxels とした。画素サイズを３.２２１×３.０×３.０ｍｍ３とした。
脳画像データ（２０例）のうち、ＤＮＮの学習に１３例を用い、学習の検証に２例を用い、試験に５例を用いた。学習データ拡張のためにランダムクロップ（６４×６４×６４ voxels）を用いたＡｄａｍオプティマイザにより、バッチサイズを３２または１６としてＤＮＮを学習させた。“２０４８／バッチサイズ”を１エポックとして、エポック数を５００とした。学習時のＤＮＮの出力画像と教師画像との間の差を表す損失関数として、ＭＳＥ（Mean Squared Error)を用いた。
図８は、ＴＯＦ-ＰＥＴ装置において同時計数線の方位角θに関して区分された８個の領域それぞれに対応して取得された８個のγ線対発生位置分布画像を示す図である。この図に示されるように、それぞれのγ線対発生位置分布画像は、ＴＯＦ時間分解能が低いことに因り方位角に平行な方向についてはボケており、方位角に直交する方向については放射線検出器の大きさに応じた空間分解能（数ｍｍ）となっている。
図９は、真の線源分布画像を示す図である。図１０は、γ線吸収係数分布画像を示す図である。図１１は、ＭＲＩ画像を示す図である。
図１２は、比較例１の断層画像を示す図である。比較例１では、ＴＯＦ-ＰＥＴ装置において同時計数線の方位角θに関して区分することなく被験者の断層画像を作成した。ＴＯＦ時間分解能が低いことから、比較例１の断層画像の空間分解能は４.５ｃｍと低い。
図１３は、比較例２の断層画像を示す図である。比較例２では、ＬＭ-ＤＲＡＭＡ（List-Mode Dynamic Row-Action Maximum-likelihood Algorithm）法により画像再構成処理を行って被験者の断層画像を作成した。
図１４は、比較例３の断層画像を示す図である。比較例３では、非特許文献１に記載された手法により被験者の断層画像を作成した。
図１５は、実施例１の断層画像を示す図である。実施例１では、図５に示されたＤＮＮ構成を用い、被験者の断層画像を推測した。入力画像群として、８個のγ線対発生位置分布画像（図８）およびγ線吸収係数分布画像（図１０）を用いた。
図１６は、実施例２の断層画像を示す図である。実施例２では、図６および図７に示されたＤＮＮ構成を用い、被験者の断層画像を推測した。入力画像群として、８個のγ線対発生位置分布画像（図８）、γ線吸収係数分布画像（図１０）およびＭＲＩ画像（図１１）を用いた。
実施例１，２の断層画像（図１５，図１６）は、何れも、比較例１～３の断層画像（図１２～図１４）と比較して、真の線源分布画像（図９）に近い。
図１７は、比較例１～３および実施例１，２それぞれの断層画像のピーク信号対雑音比の平均値および標準偏差を比較するグラフである。ピーク信号対雑音比（Peak Signal to Noise Ratio、ＰＳＮＲ）は、画像の品質をデシベル（ｄＢ）で表したものであり、値が高いほど良好な画質であることを意味する。比較例１のＰＳＮＲは２１.３８（±０.５２）ｄＢであり、比較例２のＰＳＮＲは２７.８３（±０.４１）ｄＢであり、比較例３のＰＳＮＲは２８.８２（±０.２４）ｄＢであった。これに対して、実施例１のＰＳＮＲは２９.９０（±０.０８）ｄＢであり、実施例２のＰＳＮＲは３７.０９（±０.７３）ｄＢであった。実施例１，２の断層画像のＰＳＮＲは、比較例１～３の断層画像のＰＳＮＲより高い。
以上のとおり、本実施形態では、ＴＯＦ-ＰＥＴ装置を用いてＳ／Ｎがよい断層画像を取得することができる。また、深層ニューラルネットワークによって画像再構成処理を行うことで、短時間に断層画像を取得することができる。
１…断層画像取得システム、１０…画像処理装置、１１…入力部、１２…推測部、１３…出力部、１４…学習部、１５…画像データベース、２０…ＴＯＦ-ＰＥＴ装置、３０…ＣＴ装置、４０…ＭＲＩ装置。
Claims (17)
- ＴＯＦ-ＰＥＴ装置において同時計数線の方位角に関して区分された複数の領域それぞれに対応して取得された被験者の複数のγ線対発生位置分布画像を含む入力画像群を入力する入力部と、
前記入力部に入力された前記入力画像群に基づいて深層ニューラルネットワークにより前記被験者の断層画像を推測する推測部と、
前記推測部により推測された前記断層画像を出力する出力部と、
を備える画像処理装置。 - 前記入力画像群は前記被験者のγ線吸収係数分布画像を含む、
請求項１に記載の画像処理装置。 - 前記入力画像群は前記被験者のＭＲＩ画像を含む、
請求項１または２に記載の画像処理装置。 - 前記推測部は、前記複数のγ線対発生位置分布画像に基づいて前記断層画像を推測する第１深層ニューラルネットワークにおいて、その処理の過程で作成した特徴マップに対し、前記ＭＲＩ画像を入力する第２深層ニューラルネットワークによる処理の過程で作成した特徴マップにより重み付けを行って、新たな特徴マップを作成する、
請求項３に記載の画像処理装置。 - 前記推測部は、前記第１深層ニューラルネットワークにおいて特徴マップの解像度が異なる複数の層それぞれにおいて前記重み付けを行う、
請求項４に記載の画像処理装置。 - 前記推測部は、前記第１深層ニューラルネットワークにおいて特徴マップの解像度が異なる複数の層それぞれにおいて、前記第２深層ニューラルネットワークにおいて特徴マップの解像度が異なる複数の層それぞれの最後の特徴マップにより前記重み付けを行って、その重み付けにより作成した新たな特徴マップを該層の最後の特徴マップとする、
請求項５に記載の画像処理装置。 - 複数の被験者それぞれについて取得された前記入力画像群および断層画像のデータベースを用いて前記深層ニューラルネットワークを学習させる学習部を更に備える請求項１～６の何れか１項に記載の画像処理装置。
- 同時計数線の方位角に関して区分された複数の領域それぞれに対応して被験者の複数のγ線対発生位置分布画像を取得するＴＯＦ-ＰＥＴ装置と、
前記複数のγ線対発生位置分布画像に基づいて前記被験者の断層画像を推測する請求項１に記載の画像処理装置と、
を備える断層画像取得システム。 - 同時計数線の方位角に関して区分された複数の領域それぞれに対応して被験者の複数のγ線対発生位置分布画像を取得するＴＯＦ-ＰＥＴ装置と、
前記被験者のγ線吸収係数分布画像を取得する装置と、
前記複数のγ線対発生位置分布画像および前記γ線吸収係数分布画像に基づいて前記被験者の断層画像を推測する請求項２に記載の画像処理装置と、
を備える断層画像取得システム。 - 同時計数線の方位角に関して区分された複数の領域それぞれに対応して被験者の複数のγ線対発生位置分布画像を取得するＴＯＦ-ＰＥＴ装置と、
前記被験者のＭＲＩ画像を取得するＭＲＩ装置と、
前記複数のγ線対発生位置分布画像および前記ＭＲＩ画像に基づいて前記被験者の断層画像を推測する請求項３～６の何れか１項に記載の画像処理装置と、
を備える断層画像取得システム。 - ＴＯＦ-ＰＥＴ装置において同時計数線の方位角に関して区分された複数の領域それぞれに対応して取得された被験者の複数のγ線対発生位置分布画像を含む入力画像群を入力する入力ステップと、
前記入力ステップで入力された前記入力画像群に基づいて深層ニューラルネットワークにより前記被験者の断層画像を推測する推測ステップと、
前記推測ステップで推測された前記断層画像を出力する出力ステップと、
を備える画像処理方法。 - 前記入力画像群は前記被験者のγ線吸収係数分布画像を含む、
請求項１１に記載の画像処理方法。 - 前記入力画像群は前記被験者のＭＲＩ画像を含む、
請求項１１または１２に記載の画像処理方法。 - 前記推測ステップは、前記複数のγ線対発生位置分布画像に基づいて前記断層画像を推測する第１深層ニューラルネットワークにおいて、その処理の過程で作成した特徴マップに対し、前記ＭＲＩ画像を入力する第２深層ニューラルネットワークによる処理の過程で作成した特徴マップにより重み付けを行って、新たな特徴マップを作成する、
請求項１３に記載の画像処理方法。 - 前記推測ステップは、前記第１深層ニューラルネットワークにおいて特徴マップの解像度が異なる複数の層それぞれにおいて前記重み付けを行う、
請求項１４に記載の画像処理方法。 - 前記推測ステップは、前記第１深層ニューラルネットワークにおいて特徴マップの解像度が異なる複数の層それぞれにおいて、前記第２深層ニューラルネットワークにおいて特徴マップの解像度が異なる複数の層それぞれの最後の特徴マップにより前記重み付けを行って、その重み付けにより作成した新たな特徴マップを該層の最後の特徴マップとする、
請求項１５に記載の画像処理方法。 - 複数の被験者それぞれについて取得された前記入力画像群および断層画像のデータベースを用いて前記深層ニューラルネットワークを学習させる学習ステップを更に備える請求項１１～１６の何れか１項に記載の画像処理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021063977A JP2022159648A (ja) | 2021-04-05 | 2021-04-05 | 画像処理装置、画像処理方法および断層画像取得システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021063977A JP2022159648A (ja) | 2021-04-05 | 2021-04-05 | 画像処理装置、画像処理方法および断層画像取得システム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2022159648A true JP2022159648A (ja) | 2022-10-18 |
Family
ID=83641292
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021063977A Pending JP2022159648A (ja) | 2021-04-05 | 2021-04-05 | 画像処理装置、画像処理方法および断層画像取得システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2022159648A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024075705A1 (ja) * | 2022-10-06 | 2024-04-11 | 浜松ホトニクス株式会社 | 画像処理装置および画像処理方法 |
-
2021
- 2021-04-05 JP JP2021063977A patent/JP2022159648A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024075705A1 (ja) * | 2022-10-06 | 2024-04-11 | 浜松ホトニクス株式会社 | 画像処理装置および画像処理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7246866B2 (ja) | 医用画像処理装置 | |
| CN109805950B (zh) | 医用图像处理装置以及医用图像处理系统 | |
| JP5530446B2 (ja) | Ｐｅｔ−ｍｒにおける減衰マップの生成方法及び装置 | |
| US20190266728A1 (en) | Positron emission tomography system and image reconstruction method using the same | |
| RU2471204C2 (ru) | Локальная позитронная эмиссионная томография | |
| WO2018200493A1 (en) | Dose reduction for medical imaging using deep convolutional neural networks | |
| US20130182930A1 (en) | System and method for medical image reconstruction and image series denoising using local low rank promotion | |
| JP2021013725A (ja) | 医用装置 | |
| US20230059132A1 (en) | System and method for deep learning for inverse problems without training data | |
| US20220047227A1 (en) | Methods and systems for motion detection in positron emission tomography | |
| JPWO2013094186A1 (ja) | 動き追従ｘ線ｃｔ画像処理方法および動き追従ｘ線ｃｔ画像処理装置 | |
| Ma et al. | An encoder-decoder network for direct image reconstruction on sinograms of a long axial field of view PET | |
| CN110270015B (zh) | 一种基于多序列MRI的sCT生成方法 | |
| CN111161182B (zh) | Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法 | |
| Marin et al. | Numerical surrogates for human observers in myocardial motion evaluation from SPECT images | |
| JP2022159648A (ja) | 画像処理装置、画像処理方法および断層画像取得システム | |
| WO2021260928A1 (ja) | 吸収係数画像生成方法、核医学診断装置および学習済みモデルの作成方法 | |
| US20080073538A1 (en) | Application-driven optimization of acquisition and reconstruction of SPECT/PET projection data | |
| JP7238134B2 (ja) | Ｐｅｔ画像化中の自動的な動き補正 | |
| US20230386036A1 (en) | Methods and systems for medical imaging | |
| CN117203671A (zh) | 基于机器学习的迭代图像重建改进 | |
| Yu et al. | Comparison of pre-and post-reconstruction denoising approaches in positron emission tomography | |
| Yang et al. | Evaluation of respiratory motion effect on defect detection in myocardial perfusion SPECT: a simulation study | |
| Liu et al. | A comparative study of assessment methods for medical image quality | |
| US20190206094A1 (en) | Fast iterative image reconstruction method for emission tomography |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240401 |