JP2022161857A - 深層学習ネットワークを用いて計算機式断層写真法検出器の不良ピクセルを補正するシステム及び方法 - Google Patents

Abstract

【課題】計算機式断層写真法データのアーティファクトを補正するコンピュータ実装型の方法を提供する。【解決手段】本方法は、少なくとも一つのピクセルについてピクセル値を欠落したサイノグラムを訓練済みサイノグラム補正ネットワークへ入力するステップを含んでいる。この方法はまた、訓練済みサイノグラム補正ネットワークの１又は複数の層を介してサイノグラムを処理するステップを含んでおり、このステップは、サイノグラムから補完情報を導くステップと、補完情報に基づいて上述の少なくとも一つのピクセルについてピクセル値を推定するステップとを含んでいる。この方法はさらに、訓練済みサイノグラム補正ネットワークから、推定されたピクセル値を有する補正されたサイノグラムを出力するステップを含んでいる。【選択図】図２

Description

本書に開示される主題は、医用撮像に関し、さらに具体的には、深層学習ネットワークを用いて計算機式断層写真法検出器の不良ピクセルを補正するシステム及び方法に関する。

非侵襲型撮像技術は、被検体（患者、製造品、手荷物、小包、又は旅客）の内部構造又は特徴の画像を非侵襲的に得ることを可能にする。具体的には、かかる非侵襲型撮像技術は、目標容積を通過するＸ線の透過差又は音波の反射のような様々な物理的原理を頼りにデータを取得して、画像を構築し又は他の方法で被検体の内部の特徴を表わす。

例えば、Ｘ線による撮像技術では、患者のような関心のある被検体をＸ線で照射し、減弱した放射線が検出器に入射して、検出器において減弱後の強度データが収集される。ディジタルＸ線システムでは、検出器は検出器表面の不連続なピクセル領域に入射した放射線の量又は強度を表わす信号を発生する。次いで、これらの信号を処理して画像を形成し、検討のために表示することができる。

計算機式断層写真法（ＣＴ）として知られるかかるＸ線による一手法では、スキャナが患者のような撮像対象物に対して多数の視角位置からＸ線源からのファン形状（扇形）又はコーン形状（円錐形）のＸ線ビームを投射することができる。Ｘ線ビームは対象物を横断するにつれて減弱して、一組の検出器素子によって検出され、これらの検出器素子が検出器における減弱後のＸ線の強度を表わす信号を発生する。信号は、Ｘ線の経路に沿った対象物の線減弱係数の線積分を表わすデータを生成するように処理される。これらの信号は典型的には「投影データ」又は単に「投影」と呼ばれる。フィルタ補正逆投影のような再構成手法を用いることにより、患者又は撮像対象物の関心領域の容積表現（ボリューム・レンダリング又はボリュメトリック・レンダリング）を表わす画像を形成することができる。医学的文脈では、次いで、再構成された画像又はレンダリングされた容積から病変又は他の関心のある構造の位置を突き止めたりかかる病変又は構造を特定したりすることができる。

検出器の不良ピクセルは、取得されたＣＴデータのサイノグラム領域に欠落データを生じて、再構成された画像又は容積に望ましくないアーティファクト（リング・アーティファクト及びストリーク・アーティファクト）を生じ得る。加えて、ＣＴ検出器に不良ピクセルが存在すると、ＣＴシステムを利用する能力に影響が出る。例えば、ＣＴ検出器のアイソセンタに１個でも不良ピクセルが存在するとＣＴシステムを利用することができなくなる。ＣＴ検出器に何らかの数の不良ピクセルが存在する場合もＣＴシステムを利用することができなくなる。

以下、本書に開示される幾つかの実施形態の概要について述べる。これらの観点は、読者にこれら幾つかの実施形態の簡単な概要を提供するためのみに掲げられており、これらの観点は本開示の範囲を制限するものではないことを理解されたい。実際に、本開示は、以下に述べない場合もある多様な観点を包含し得る。

一実施形態では、計算機式断層写真法データのアーティファクトを補正するコンピュータ実装型の方法が提供される。この方法は、少なくとも一つのピクセルについてピクセル値を欠落したサイノグラムを訓練済みサイノグラム補正ネットワークへ入力するステップを含んでいる。この方法はまた、訓練済みサイノグラム補正ネットワークの１又は複数の層を介してサイノグラムを処理するステップを含んでおり、サイノグラムを処理するこのステップは、サイノグラムから補完情報を導くステップと、補完情報に基づいて上述の少なくとも一つのピクセルについてピクセル値を推定するステップとを含んでいる。この方法はさらに、訓練済みサイノグラム補正ネットワークから、推定されたピクセル値を有する補正されたサイノグラムを出力するステップを含んでいる。

もう一つの実施形態では、計算機式断層写真法データにおける欠落値を推定するための訓練済みニューラル・ネットワークを生成するコンピュータ実装型の方法が提供される。この方法は、サイノグラム及び該サイノグラムから導かれる補完情報を含む訓練用データを用意するステップを含んでおり、サイノグラムは、欠落したピクセル値を全く有しないサイノグラムと、欠落したピクセル値を全く有しないサイノグラムからシミュレートされた欠落したピクセル値を有する対応するサイノグラムとを含んでいる。この方法はまた、訓練用データのサイノグラム領域及び訓練用データから再構成される画像の画像再構成領域の両方から導かれる結合型訓練損失を用いることに基づいて、少なくとも一つのピクセルについて欠落したピクセル値を有するサイノグラムを補正するように、訓練用データを用いてニューラル・ネットワークを訓練するステップを含んでいる。

さらにもう一つの実施形態では、深層学習によるサイノグラム補正システムが提供される。このシステムは、プロセッサにより実行可能なルーチンを符号化したメモリを含んでいる。このシステムはまた、メモリにアクセスして、プロセッサにより実行可能なルーチンを実行するように構成されている処理構成要素を含んでおり、ルーチンは処理構成要素によって実行されると、処理構成要素に動作を実行させる。これらの動作は、少なくとも一つのピクセルについてピクセル値を欠落したサイノグラムを訓練済みサイノグラム補正ネットワークへ入力するステップを含んでいる。この動作はまた、訓練済みサイノグラム補正ネットワークの１又は複数の層を介してサイノグラムを処理するステップを含んでおり、サイノグラムを処理するこのステップは、サイノグラムから補完情報を導くステップと、補完情報に基づいて上述の少なくとも一つのピクセルについてピクセル値を推定するステップとを含んでおり、補完情報はマルチチャネル・パッチを含んでおり、マルチチャネル・パッチは、上述の少なくとも一つのピクセルを有する横列のチャネル・ビュー方向に沿った部分に対応するサイノグラムからの局所隣接パッチ、上述の少なくとも一つのピクセルを有する横列に隣接する横列に対応するサイノグラムからの隣接横列パッチ、及び上述の少なくとも一つのピクセルに対する共役領域に対応するサイノグラムからの共役パッチを含んでいる。この動作はさらに、訓練済みサイノグラム補正ネットワークから、推定されたピクセル値を有する補正されたサイノグラムを出力するステップを含んでいる。

本発明のこれら及びその他の特徴、観点及び利点は、図面を参照しながら以下の詳細な説明を読むとさらに十分に理解されよう。全図面を通して、類似の文字は類似の部品を表わす。

本開示の観点による深層学習モデルを訓練するための人工ニューラル・ネットワークの一例を示す図である。 本開示の観点による計算機式断層写真法（ＣＴ）イメージング・システムの構成要素を示すブロック図である。 本開示の観点による不良ピクセルを補正するためのニューラル・ネットワークの訓練を示す模式図である。 本開示の観点によるマルチチャネル・サイノグラム補正ネットワークを示す模式図である。 本開示の観点による画像再構成領域損失を決定するための再構成領域解析を示す模式図である。 本開示の観点による訓練済みサイノグラム補正ネットワークの利用を示す模式図である。 本開示の観点による様々な形式のサイノグラム及び対応する画像再構成を示す図である。

以下、１又は複数の特定の実施形態について記載する。これらの実施形態の簡潔な記載を掲げる試みにおいて、実際の具現化形態の全ての特徴が明細書に盛り込まれている訳ではない。このようなあらゆる実際の具現化形態の開発時には、どの工学的プロジェクト又は設計プロジェクトとも同じく、開発者特有の目標を達成するために、具現化形態毎に異なり得るシステム関連の制約事項及び業務関連の制約事項の遵守等のように、具現化形態特有の多くの決定を下さねばならないことを認められたい。また、かかる開発努力は複雑で時間が掛かるかもしれないが、それでも本開示の利益を得る当業者にとっては設計、製造、及び製品化の定型業務であることを認められたい。

本発明の主題の様々な実施形態の要素について述べるに当たり、単数不定冠詞、定冠詞、「該」及び「前記」等の用語は、当該要素の１又は複数が存在することを意味するものとする。また「備えている（comprising）」、「含んでいる（including）」及び「有している（having）」の各用語は包括的であるものとし、所載の要素以外に付加的な要素が存在し得ることを意味する。さらに、以下の議論でのあらゆる数値例は非限定的であるものとし、従って、付加的な数値、範囲、及び百分率が、開示される実施形態の範囲内にある。

以下の議論の観点は医用撮像の文脈で掲げられるが、本発明の手法はかかる医学的文脈に限定されないことを認められたい。実際に、かかる医学的文脈での実例及び説明の記載は、実世界での具現化形態及び応用の例を挙げることにより議論を容易にするためだけのものである。しかしながら、本発明のアプローチはまた、製造部品若しくは製造物品の非破壊検査（すなわち品質管理応用若しくは品質審査応用）、並びに／又は小荷物、箱、及び手荷物等の非侵襲検査（すなわちセキュリティ応用若しくはスクリーニング応用）に用いられる産業用計算機式断層写真法（ＣＴ）のような他の文脈でも用いられ得る。

本書で議論されるように、ＣＴ画像に見られるアーティファクト（リング及びストリーク等）はＣＴ構成要素の問題の兆候である場合がある。例えば、ＣＴ検出器の不良ピクセルはリング・アーティファクト（回転中心を中心としたリング（環））を生じて、構造化された非一様性及び画質の劣化を招く場合がある。これらの環のせいでＣＴ画像を診断目的に利用することができなくなる。加えて、不良ピクセルの数が何らかの閾値を上回った場合、又は不良ピクセルがＣＴ検出器の中央領域（システム・アイソセンタ）の範囲内に位置している場合には、高額な修理費用が掛かったり、ＣＴ検出器の交換を要する可能性もある。

本書で議論されるアプローチは、教師あり学習を用いて１又は複数の不良ピクセルによるこれらのアーティファクトを除去する深層学習方法（例えば畳み込みニューラル・ネットワーク又は多層パーセプトロン）を適用することによりこれらの問題に取り組む。この深層学習アルゴリズムは、不良ピクセルに起因する歪みを除去するように学習するために、生（raw）サイノグラム領域及び再構成領域の両方で作用する。具体的には、この深層学習アルゴリズムは、サイノグラム領域データの範囲内で補完情報の間の相関を学習することにより、不良ピクセルによって生成されるアーティファクトを除去するように学習する。例えば、一具現化形態では、深層ニューラル・ネットワーク（又は他の適当な機械学習アーキテクチャ）をこの過程に用いることができる。認められるように、本書で議論されるニューラル・ネットワークは、多数の形式の構成（例えばアキシャル・スキャン若しくはヘリカル・スキャン（異なるピッチ）、変化するｋＶ／ｍＡ定格、検出器寸法、又は不良ピクセル構成（別々の位置若しくはグループ位置の内部の単一若しくは多数のピクセル））の横断的な利用向けに訓練され得る。さらに、幾つかの実施形態では、１よりも多いニューラル・ネットワークを用いてもよい。

以上を念頭に置いて、本書で議論されるニューラル・ネットワークは、深層ニューラル・ネットワーク、全結合ネットワーク、畳み込みニューラル・ネットワーク（ＣＮＮ）、パーセプトロン（例えば多層パーセプトロン（ＭＬＰ））、自己符号化器、再帰型ネットワーク、ウェーブレット・フィルタ・バンク、又は他のニューラル・ネットワーク設計を包含し得る。本書では、これらの手法を広く機械学習と呼ぶ。本書で議論されるように、機械学習の一具現化形態は深層学習手法であってよく、かかる深層学習の術語を、複数の層を有するニューラル・ネットワークである深層ニューラル・ネットワークの利用に特に関連して用いる場合がある。

本書で議論されるように、深層学習手法（深層機械学習、階層型学習、又は深層構造化学習としても知られる）は、学習のためのデータ及び人工ニューラル・ネットワークの数学的表現を用いた機械学習手法の一部門である。例として述べると、深層学習アプローチは、関心のあるデータの形式について高レベルの抽象概念を抽出し又はモデル化するために１又は複数のアルゴリズムを利用することを特徴とし得る。このことを達成するために、各々の層が典型的には異なるレベルの抽象概念、又は異なる段階若しくは相の過程若しくは事象に対応しているような１又は複数の処理層を用い、従って潜在的には、初期データ又は前段の層の出力の様々な観点（すなわち複数の層の階層又は段階）を所与の層の過程又はアルゴリズムの対象として採用し又は利用し得る。画像処理又は画像再構成の文脈では、このことはデータにおける異なる特徴レベル又は分解能に対応した異なる層として特徴付けられ得る。一般的には、一つの表現空間から次レベルの表現空間への処理を過程の「一段階」と看做すことができる。再構成の各々の段階が、別個のニューラル・ネットワークによって又はより大きい一つのニューラル・ネットワークの異なる部分によって実行されてもよい。

本書で議論されるように、画像データにおいて特定されたアーティファクトに基づく修理課題の特定のような具体的な問題を解くための深層学習過程の初期訓練の一部として、既知の初期値（例えば入力画像、及び投影データ（例えば検出器の不良ピクセルについて欠落値を有する又は有しないサイノグラム）等）と、最終出力としての既知の値又は望まれる値（例えば補正されたサイノグラムや、断面像又は容積表現のような再構成された断層写真再構成）とを有する訓練用データセットを用いることができる。単一段階の訓練は、一つの表現空間に対応する既知の入力値と、次レベルの表現空間に対応する既知の出力値とを有し得る。この態様で、深層学習アルゴリズムは、初期データと望まれる出力との間に数学的な関係が認められるまで、且つ／又は各々の層の入力と出力との間に数学的な関係が認められて特性表現されるまで、既知のデータセット又は訓練用データセットを処理することができる（教師付き態様で。すなわち訓練用データの全てが完全にラベル付けされている）。同様に、別の検証用データセットを用いることもでき、この場合には初期値及び望まれる目標値の両方とも既知であるが初期値のみを訓練済み深層学習アルゴリズムに供給し、次いで出力が深層学習アルゴリズムの出力と比較されて、事前訓練を検証し且つ／又は過学習を防ぐ。

以上を念頭に置いて述べると、図１は、本書で議論されるような深層学習モデルとして訓練され得る人工ニューラル・ネットワーク５０の一例を概略図示している。この例では、ネットワーク５０は多層構成されており、訓練入力５２と、入力層５４、隠れ層５８Ａ、５８Ｂ等、及び出力層６０を含む多数の層と、訓練目標６４とがネットワーク５０に存在している。この例では、各々の層が複数の「ニューロン」又はノード５６で構成されている。ニューロン５６の数は、各層の間で一定であってもよいし、図示のように層毎に異なっていてもよい。各々の層のニューロン５６がそれぞれの出力を生成し、これらの出力が次階層の層のニューロン５６への入力となる。実際には、バイアスを加味した各入力の重み付け総和を計算して、正規化線形ユニット（ＲｅＬＵ）、シグモイド関数、双曲線正接関数のような活性化関数、又は他の方法で指定され若しくはプログラムされている活性化関数に従って、各層のそれぞれのニューロンを「励起」し又は「活性化」する。最終層の出力はネットワーク出力６０（例えば１又は複数の畳み込みカーネル・パラメータ、及び畳み込みカーネル等）を構成し、この出力６０を訓練目標６４と組み合わせて用いて何らかの損失関数又は誤差関数６２を算出し、この関数６２は後に、ネットワーク訓練を指導するように逆伝播される。

損失関数又は誤差関数６２は、ネットワーク出力（例えば畳み込みカーネル又はカーネル・パラメータ）と訓練目標との間の差を測定する。幾つかの具現化形態では、損失関数は平均絶対誤差（ＭＡＥ）（例えば測定されたサイノグラムと補正されたサイノグラムとの間のＭＡＥ）であってよい。幾つかの具現化形態では、損失関数は、ボクセル・レベル値の平均自乗誤差（ＭＳＥ）若しくは部分線積分値であってもよく（例えば測定されたサイノグラムから導かれた再構成画像と補正されたサイノグラムから導かれた再構成画像との間での）、且つ／又は画像勾配若しくは他の画像統計値のような他の画像特徴に関わる差を表わすものであってもよい。代替的には、損失関数６２は、ソフトマックス関数のような問題となっている特定のタスクに関連した他の計量（例えば構造的類似性指数尺度（ＳＳＩＭ））によって定義されてもよい。後に詳述するように、混成型領域損失関数を訓練時に用いてもよい（例えばサイノグラム領域での損失及び画像再構成領域での損失）。また、以下の損失を用いてもよい。サイノグラム領域では、コンテンツ損失を用いてもよい（例えばＬ１損失及び／又はＬ２損失を目標サイノグラムと予測されたサイノグラムとの間で算出する）。知覚的損失を用いてもよい（例えばサイノグラム領域と再構成領域との間で算出されるＳＳＩＭ損失）。サイノグラム領域又は画像再構成領域において変換領域損失を用いてもよい（例えばフィルタ処理後の領域／ウェーブレット領域にわたり損失を算出することができる）。また、敵対的損失を訓練に用いてもよい。

訓練の例では、ネットワーク・パラメータの良い初期化を保証するために、ニューラル・ネットワーク５０を先ず線形に制約することができる（すなわち全ての非線形ユニットを除去することによる）。ニューラル・ネットワーク５０はまた、後に詳しく議論するように、コンピュータ・シミュレートされた入力－目標データセットを用いて段階毎に事前訓練を施されてもよい。事前訓練の後に、ニューラル・ネットワーク５０を全体として訓練して、さらに非線形ユニットを組み入れることもできる。

深層学習手法を用いた本発明の画像解析アプローチの説明を容易にするために、本開示は、ＣＴシステムの文脈でこれらのアプローチを議論する。但し、以下の議論は、限定しないがＰＥＴ、ＣＴ、ＣＢＣＴ、ＰＥＴ－ＣＴ、ＳＰＥＣＴ、マルチ・スペクトルＣＴを含む他の画像モダリティ及びシステムに適用可能であるし、医療以外の文脈や、断層写真再構成を用いて画像を再構成するあらゆる文脈に適用可能であり得ることを理解されたい。

このことを念頭に置いて述べると、ＣＴイメージング・システムの一例１１０（すなわちＣＴスキャナ）が図２に示されている。図示の例では、イメージング・システム１１０は、患者（又は関心のある他の被検体若しくは対象物）の周りの多様なビューでの走査データ（例えばＸ線減弱データ）を取得するように設計されており、断層写真再構成手法を用いて画像再構成を行なうのに適している。図２に示す実施形態では、イメージング・システム１１０はコリメータ１１４に隣接して配置されたＸ線の線源１１２を含んでいる。Ｘ線源１１２は、Ｘ線管、分散型Ｘ線源（固体若しくは熱電子型Ｘ線源等）、又は医用画像若しくは他の画像の取得に適した他の任意のＸ線の放射線源であってよい。

図示の例では、コリメータ１１４は患者／対象物１１８が配置されている領域に入るＸ線１１６のビームを成形し又は制限している。図示の例では、Ｘ線１１６はコリメートされてコーン（円錐）形状のビームすなわちコーン・ビームとなって被撮像容積を通過する。Ｘ線の部分１２０が患者／対象物１１８（又は他の関心のある被検体）の内部及び周囲を通過して、参照番号１２２に全体的に表わされている検出器アレイに入射する。アレイの検出器素子は、入射したＸ線１２０の強度を表わす電気信号を発生する。これらの信号を取得して、患者／対象物１１８の内部の特徴の画像を再構成するように処理する。

線源１１２はシステム制御器１２４によって制御され、システム制御器１２４は電力信号、及び後に行なわれる走査プロトコルについて患者／対象物の内部の関心のある解剖学的構造を識別するために用いられる二次元ローカライザ画像又はスカウト画像の取得を含めたＣＴ検査系列のための制御信号の両方を供給する。図示の実施形態では、システム制御器１２４は、当該システム制御器１２４の一構成要素であり得るＸ線制御器１２６を介して線源１１２を制御する。かかる実施形態では、Ｘ線制御器１２６は、電力信号及びタイミング信号をＸ線源１１２へ供給するように構成され得る。

また、システム制御器１２４には検出器１２２が結合されており、システム制御器１２４は検出器１２２において発生される信号の取得を制御する。図示の実施形態では、システム制御器１２４はデータ取得システム１２８を用いて、検出器によって発生された信号を取得する。データ取得システム１２８は、検出器１２２の読み出し電子回路によって収集されたデータを受け取る。データ取得システム１２８は、標本化されたアナログ信号を検出器１２２から受け取って、このデータを後述するプロセッサ１３０による後の処理のためのディジタル信号へ変換することができる。代替的には、他の実施形態では、検出器１２２自体に設けられた回路によってこのディジタルからアナログへの変換を行なってもよい。システム制御器１２４はまた、取得される画像信号に関してダイナミック・レンジの初期調節及びディジタル画像データのインタリーブ等のための様々な信号処理作用及びフィルタ処理作用を行なってもよい。

図２に示す実施形態では、システム制御器１２４は回転サブシステム１３２及び線形配置サブシステム１３４に結合されている。回転サブシステム１３２は、Ｘ線源１１２、コリメータ１１４及び検出器１２２を、主に患者の周りでｘｙ平面において回転させる等のように患者／対象物１１８の周りに１回又は多数回にわたり回転させることを可能にする。尚、回転サブシステム１３２は、それぞれのＸ線放出及び検出構成要素を配設したガントリ又はＣアームを含み得ることを特記しておく。このように、かかる実施形態では、システム制御器１２４を用いてガントリ又はＣアームを動作させることができる。

線形配置サブシステム１３４は、患者／対象物１１８、さらに明確に述べると患者を支持するテーブルを、ＣＴシステム１１０のボア（中孔）の内部でガントリの回転に対してｚ方向等に変位させることを可能にし得る。このように、テーブルは、患者１１８の特定の区域の画像を形成するためにガントリの内部で線形移動することができる（連続的に又は段階的に）。図示の実施形態では、システム制御器１２４は、モータ制御器１３６を介して回転サブシステム１３２及び／又は線形配置サブシステム１３４の動きを制御する。

一般的には、システム制御器１２４は、検査プロトコルを実行し、また取得されたデータを処理するようにイメージング・システム１１０の動作を命令する（上述の線源１１２、検出器１２２、及び各配置システムの動作等を介して）。例えば、システム制御器１２４は上述の各システム及び制御器を介して、線源１１２及び検出器１２２を支持しているガントリを関心のある被検体の周りに回転させて、被検体に対する１又は複数のビューにおいてＸ線減弱データを得ることができる。本書の文脈では、システム制御器１２４はまた、信号処理回路を含み得ると共に、コンピュータによって実行されるプログラム及びルーチン（１又は複数のニューラル・ネットワーク（例えばマルチチャネル・サイノグラム補正ネットワーク））、並びに構成パラメータ及び画像データ等を記憶する付設のメモリ回路を含み得る。

図示の実施形態では、システム制御器１２４によって取得されて処理された画像信号は、画像の再構成のために処理構成要素１３０に供給される。処理構成要素１３０は、１又は複数の汎用の又は特定応用向けのマイクロプロセッサであってよい。データ取得システム１２８によって収集されたデータは処理構成要素１３０へ直接又はメモリ１３８での記憶の後に伝送され得る。データを記憶させるのに適した任意の形式のメモリが、かかるシステム例１１０によって用いられ得る。例えば、メモリ１３８は、１又は複数の光学的、磁気的、及び／又は固体メモリ記憶構造を含み得る。また、メモリ１３８は取得システムの所在地に位置していてもよいし、且つ／又は後述するような断層写真画像再構成及び解析のためのデータ、処理パラメータ、及び／若しくはルーチンを記憶する遠隔の記憶装置を含んでいてもよい。

処理構成要素１３０は、典型的にはキーボード及び／又は他の入力装置を備えた操作者ワークステーション１４０を介して操作者から命令及び走査パラメータを受け取るように構成され得る。操作者は操作者ワークステーション１４０を介してシステム１１０を制御することができる。このように、操作者は操作者ワークステーション１４０を用いて、再構成された画像を観察し且つ／又はシステム１１０を他の方法で動作させることができる。例えば、操作者ワークステーション１４０に結合された表示器１４２を用いて、再構成された画像を観察し、また撮像を制御することができる。加えて、画像はまた、操作者ワークステーション１４０に結合され得るプリンタ１４４によって印刷されてもよい。

さらに、処理構成要素１３０及び操作者ワークステーション１４０は他の出力装置に結合されていてもよく、かかる出力装置としては標準型の又は特殊目的のコンピュータ・モニタ及び付設の処理回路等がある。１又は複数の操作者ワークステーション１４０が、システム・パラメータを出力する、検査を依頼する、及び画像を観察する等のためにシステムにさらに連結されていてもよい。一般的には、表示器、プリンタ、ワークステーション、及びシステム内に供給されている同様の装置は、データ取得構成要素に対してローカルに位置していてもよいし、インターネットや仮想専用網等のような１又は複数の構成可変の網を介して画像取得システムに連結されて、施設若しくは病院の内部の他の箇所、又は全く異なる位置のようにこれらの構成要素から遠隔に位置していてもよい。

さらに、操作者ワークステーション１４０は画像保管通信システム（ＰＡＣＳ）１４６にも結合され得ることを特記しておく。ＰＡＣＳ１４６は次いで、様々な位置の第三者が生の画像データ又は処理後の画像データを入手し得るように、遠隔クライアント１４８、放射線部門情報システム（ＲＩＳ）、病院情報システム（ＨＩＳ）又は内外網に結合され得る。

以上の議論ではイメージング・システム１１０の様々な構成要素の例を別個に扱ったが、これらの様々な構成要素は共通のプラットフォームの内部に設けられていてもよいし、相互接続された複数のプラットフォームに設けられていてもよい。例えば、処理構成要素１３０、メモリ１３８、及び操作者ワークステーション１４０が、本開示の観点に従って動作するように構成された汎用の又は特殊目的のコンピュータ又はワークステーションとしてまとめて設けられていてもよい。かかる実施形態では、汎用の又は特殊目的のコンピュータは、システム１１０のデータ取得構成要素に関して別個の構成要素として設けられていてもよいし、かかる構成要素と共通のプラットフォームに設けられていてもよい。同様に、システム制御器１２４も、かかるコンピュータ又はワークステーションの一部として設けられていてもよいし、画像取得専用の別個のシステムの一部として設けられていてもよい。

本書で議論されるように、図２のシステム１１０を用いて、患者１１８又は対象物の周りの多くの異なる角度から一連のビュー又は投影を測定することによりＣＴ走査を行なうことができる。各々のビューはＣＴ検出器１２２の縦列及び横列それぞれの数に対応する軸横断方向の寸法及び長手方向の寸法を有する。様々なビュー角度において取得される投影を結合して、多数のビューを単一のデータセットにまとめる一つのサイノグラムとすることができる。サイノグラムは患者の体内でのＸ線減弱係数の空間的分布を表わす。典型的には、サイノグラムは、ＣＴガントリの全回転（例えば単一の軸方向位置での）にわたるＸ線減弱係数の空間的分布を表わす。再構成アルゴリズムがこのサイノグラムを処理して、患者１１８又は対象物を表わす空間領域画像を形成する。

上で議論されたように、ＣＴ検出器は、再構成された画像にアーティファクトを生じ得る１又は複数の不良ピクセルを有する場合がある。図３は、不良ピクセルを補正するためのニューラル・ネットワークの訓練を示す模式図である。ニューラル・ネットワーク（マルチチャネル・サイノグラム補正ネットワーク）１５１を訓練する訓練用データを生成するために、上述のＣＴイメージング・システムを用いて、測定されたサイノグラム１５０（どのピクセルについても値を全く欠落させていない良いサイノグラム）が得られる。測定されたサイノグラム１５０から、不良ピクセルの合成１５４によって、不良ピクセルを有するシミュレートされたサイノグラム１５２が生成される。例えば、不良ピクセル・マスク１５６を用いて、測定されたサイノグラム１５０の内部の無作為の位置に不良ピクセルをシミュレートする。不良ピクセルは、特定の検出器ピクセルについて何らかのピクセル値を欠落したシミュレートされたサイノグラム１５２において１又は複数の線１５８によって表わされる。シミュレートされたサイノグラム１５２では１又は複数の不良ピクセルがシミュレートされ得る。シミュレートされた不良ピクセルは、別々の位置に位置していてもよいし、特定の一箇所にまとまってグループを成していてもよい。幾つかの実施形態では、シミュレートされる不良ピクセルは、ＣＴ検出器の中央領域（アイソセンタ）に対応していてよい。不良ピクセル・マスク１５６及び対応するシミュレートされたサイノグラム１５２（例えばパッチとしての）は、マルチチャネル・サイノグラム補正ネットワーク１５１への入力として供給される。ネットワーク１５１は、シミュレートされたサイノグラム１５２において欠落したピクセル値を予測するように学習する。具体的には、ネットワーク１５１は、サイノグラム１５２において利用可能な補完情報から、欠落したピクセル値を予測するように学習する。補完情報は、ネットワーク１５１へのマルチチャネル入力データ（例えばマルチチャネル二次元（２Ｄ）パッチ又は三次元（３Ｄ）パッチ）の形態で供給され、このことについては後に詳述する。多数のビューが用いられるときには３Ｄパッチを用いることができる。補完情報は、局所隣接サイノグラム情報及び共役サイノグラム情報（例えば不良ピクセルの位置に対する共役領域（例えばＣＴ検出器に沿って不良ピクセル位置から１８０度離れた位置））からの情報を含み得る。

補正（例えば推定又は予測）されたサイノグラム（例えばパッチとしての）１６０がネットワーク１５１によって出力され得る。補正されたサイノグラム又はサイノグラム・パッチ１６０を測定されたサイノグラム又はサイノグラム・パッチ１５０（正解データ（ground truth）となる）と比較して、サイノグラム領域での訓練損失１６１を決定することができる。サイノグラム領域損失１６１はＭＡＥ損失の形態にあってよい。サイノグラム損失１６１はコンテンツ損失の形態にあってもよい（例えばＬ１損失及び／又はＬ２損失を目標サイノグラムと予測されたサイノグラムとの間で算出する）。幾つかの実施形態では、サイノグラム１５２は、生サイノグラムとしてネットワーク１５１に供給され得る。幾つかの実施形態では、サイノグラム１５２は、ネットワーク１５１に供給される前に変換（例えばフィルタ処理）されてもよい。次いで、変換後の領域（例えばウェーブレット領域）において補正を行なった後に、最終的に通常の又はネイティブのサイノグラム領域に戻すように変換して出力することができる。変換領域でのサイノグラムの処理は、訓練を駆動する詳細な特徴を強調し、サイノグラム領域損失を強化する。

補正されたサイノグラム１６０から再構成１６４を介して断層写真画像又は容積１６２が生成される。加えて、測定されたサイノグラム１５０からも再構成１６６を介して断層写真画像又は容積が生成される。断層写真画像又は容積１６２のパッチを測定されたサイノグラム１５０から生成された断層写真画像又は容積のパッチ（正解データとなる）と比較して、画像再構成領域における訓練損失１６８を決定する。画像再構成領域損失１６８はＭＳＥ損失又はＳＳＩＭ損失の形態にあってよい。他の損失を用いてもよい。例えば、知覚的損失を用いてもよい（例えばサイノグラム領域と再構成領域との間で算出されるＳＳＩＭ損失）。サイノグラム領域又は画像再構成領域において変換領域損失を用いてもよい（例えばフィルタ処理後の領域／ウェーブレット領域にわたり損失を算出することができる）。また、敵対的損失を訓練に用いてもよい。

訓練用重み（ネットワーク重み）が、少なくともサイノグラム領域損失１６１を介して更新される（参照番号１７０によって示す）。幾つかの実施形態では、訓練用重みの更新１７０はサイノグラム領域損失１６１及び画像再構成領域損失１６８の両方を用いた二重領域損失関数を介して起こる。幾つかの実施形態では、単一の補正ネットワークが二重領域損失関数を用いる。他の実施形態では、別々の補正ネットワークを逐次態様で用いることができる。例えば、不良ピクセルのデータを有するサイノグラムをサイノグラムのネイティブ（生）領域又は変換後領域において定義される損失に基づいて補正する第一のネットワーク（例えばサイノグラム領域補正ネットワーク）を用いることができる。次いで、再構成領域損失に基づいて最終画像を改善するように、補正されたサイノグラムから導かれる再構成された断層写真画像におけるあらゆる知覚されるアーティファクトを補正する第二のネットワーク（例えば画像再構成領域補正ネットワーク）を用いることができる。

上で触れたように、マルチチャネル・サイノグラム補正ネットワーク１５１は、欠落したピクセル値を有するサイノグラムにおいて利用可能な補完情報から、欠落したピクセル値を予測するように学習する。図４は、不良ピクセルのためデータを欠落したサイノグラムにおいて欠落したピクセル値を予測するために訓練され最終的に用いられて補正を行なうマルチチャネル・サイノグラム補正ネットワーク１５１を示す模式図である。図示のように、ネットワーク１５１は多数のネットワーク（例えば特徴ネットワーク１７２、１７４、１７６、融合ネットワーク１８４、ブレンディング・ネットワーク１８６）を含み得る。補完情報はマルチチャネル入力データ（例えばマルチチャネル２Ｄ又は３Ｄパッチ）の形態でネットワーク１５１に供給される。幾つかの実施形態では、ネットワークの幾つかが２Ｄ－ＣＮＮネットワークであってよい。

入力パッチ１７８は、少なくとも一つの不良ピクセルについてピクセル値を欠落したサイノグラムから導かれる。入力パッチ１７８は、不良ピクセルの近傍（例えば不良ピクセルを有する横列のチャネル・ビュー方向に沿った部分に対応する）の範囲内の不良サイノグラムからの局所的（ローカル）な隣接パッチである。この局所隣接パッチは、隣接するチャネル及びビューの範囲内での空間的相関を利用する。入力パッチ１７８は特徴ネットワーク１７２に入力される。

隣接パッチ１８０（例えば隣接する横列のパッチ）は、不良ピクセルを有する横列に隣接する横列に対応する不良サイノグラムの部分から導かれる。隣接横列パッチは、ｚ方向での隣接センサ相関を利用する。隣接パッチ１８０は特徴ネットワーク１７４に入力される。

共役パッチ１８２は、不良ピクセルに関係する不良サイノグラムの共役領域から導かれる。例えば、サイノグラムの共役領域は、ＣＴ検出器に沿って不良ピクセル位置から１８０度離れたピクセル位置において取得されるデータを含み得る。共役パッチ１８２は、ＣＴの幾何学的構成によって利用可能となっている補完情報を利用する。共役パッチ１８２は特徴ネットワーク１７６に入力される。

特徴ネットワーク１７６及び特徴ネットワーク１７２から出力されるデータは、融合ネットワーク８４において結合される（例えばデータ連結を介して）。尚、特徴ネットワーク１７２、１７６及び融合ネットワーク１８４は、深層残差学習を用いて、不良ピクセルのため不良サイノグラムにおいて欠落したピクセル値についてピクセル値を推定するように学習し得ることを特記しておく。融合ネットワーク１８４の出力は特徴ネットワーク１７２、１７４からの出力と共にブレンディング・ネットワーク１８６において用いられて、補正されたサイノグラム用の出力パッチ１８８を生成する。幾つかの実施形態では、ブレンディング・ネットワーク１８６は、マスク加算を介して出力パッチを生成し得る（例えばピクセル値を欠落したパッチに対して適用されるピクセル値を含むマスクを生成する）。

パッチ１７８、１８０、１８２を介して提供される補完情報に加えて、マルチチャネル・サイノグラム補正ネットワーク１５１の訓練のために補完情報を提供する他の入力も存在する。例えば、二重エネルギＣＴ走査の場合には、第二のエネルギでの走査を入力チャネルとして用いることができる。また、利用者定義の隣接性に基づく類似性の別定義を含む代替的なパッチを用いてもよい。

上で触れたように、ニューラル・ネットワークの訓練は、画像再構成領域での訓練損失を決定することを含んでいる。図５は、画像再構成領域損失を決定するための再構成領域解析を示す模式図である。良いサイノグラム（すなわち不良ピクセルによるピクセル値の欠落が存在しない）から導かれた再構成画像１９０を正解データとして用いる。再構成画像１９２は、サイノグラム補正ネットワークから出力された補正されたサイノグラムから導かれる（例えば不良ピクセルについて推定又は予測されたピクセル値を有する推定サイノグラム）。補正されていないサイノグラム又は不良サイノグラム（例えば欠落したピクセル値を有する）から導かれる再構成画像１９４はリング・アーティファクトを有する。再構成画像１９４はリング・アーティファクトを有する。再構成画像１９２は正解データ（再構成画像１９０）と比較されて、再構成差１９６（例えば画像再構成領域訓練損失）を決定する。幾つかの実施形態では、画像１９０と画像１９２とのパッチを比較して画像再構成領域訓練損失を決定することができる。また幾つかの実施形態では、画像領域を異なる領域に変換（例えばフィルタ処理）してから、再構成領域損失解析を行なうこともできる。上で触れたように、この訓練損失１９６を二重領域損失又は混成型領域損失の部分として用いて、サイノグラム補正ネットワークを訓練する際に用いられる訓練用重みを更新する。幾つかの実施形態では、別個のネットワーク（サイノグラム補正ネットワークとは別個）を用いて（例えば逐次態様で）、補正されたサイノグラムから形成される再構成画像に依然として存在するあらゆるアーティファクト（例えばリング・アーティファクト）を補正することができる。この別個のネットワークは画像再構成領域損失を利用して学習することができる。

図６は、訓練済みサイノグラム補正ネットワークの利用を示す模式図である。訓練済みマルチチャネル・サイノグラム補正ネットワーク又はモデル１５１は、不良サイノグラム１９８（すなわち不良ピクセルのためピクセル値を欠落したサイノグラム）を受け取って、補正されたサイノグラム２００を出力するように構成される。ピクセル値は、不良サイノグラム１９８のあらゆる欠落ピクセル値について推論（例えば予測又は推定）される。具体的には、欠落したピクセル値を推論する際に、訓練済み重み２０２がネットワーク１５１によって用いられる。訓練済み重み２０２は、少なくとも上述のようなサイノグラム領域訓練損失によって調節されたものであってよい。幾つかの実施形態では、訓練済み重みを更新する際に、サイノグラム領域訓練損失及び画像再構成領域損失の両方を用いた。マルチチャネル・データ（例えば２Ｄ又は３Ｄパッチ）がネットワークへ入力される。補正はサイノグラム領域においてのみ生ずる。ネットワーク１５１はサイノグラム領域において入力されたパッチにのみ依存する。再構成領域に立ち入る必要はない。このように、変換は解剖学的構造、表示視野又は再構成視野、及び再構成パラメータ（再構成カーネルを含む）とは独立である。この過程は再構成パラメータとは独立であるので、調整パラメータは不要である。前述のように、ネットワーク１５１は生サイノグラム領域でもサイノグラムの変換後（例えばフィルタ処理後）の領域でも作用し得る。完全にサイノグラム領域で推論が生ずるので、より高速の予測が可能になる。

幾つかの実施形態では、前述のように、別個の補正ネットワークを逐次態様で用いてもよい。例えば、不良ピクセル・データを有するサイノグラムを補正する第一のネットワーク（例えばサイノグラム領域補正ネットワーク）を用い、続いて、補正されたサイノグラムから導かれる再構成された断層写真画像のあらゆる知覚されるアーティファクト（リング・アーティファクト又はストリーク・アーティファクト）を補正する第二のネットワーク（例えば画像再構成領域補正ネットワーク）を用いて、最終画像を改善することができる。

図６の訓練済みネットワーク１５１は４０回の検査からのデータで訓練されており、近似的に５００，０００個のマルチチャネル訓練パッチ（隣接、横列、共役）を得た。正解データについては、パッチは良いサイノグラム（不良ピクセルからの欠落データも共に）、及び良いサイノグラムからの再構成画像から採取された。４０回の検査のうち、３２回の検査を訓練に用い、８回の検査を検証に用いた。訓練パラメータは１０００エポック（ｅｐｏｃｈ）を含んでおり、学習率は２×１０^－４であり、ＬＲ減衰関数は５×１０^－４＊０．１^{ｅｐｏｃｈ／１００}、及び損失関数はＭＡＥ＋ＳＳＩＭである。

図７は、様々な形式のサイノグラム及び対応する画像再構成を示す。サイノグラム２０４、２０６、２０８は、真のサイノグラム（すなわち不良ピクセルによる欠落値が存在しない）、不良ピクセルによる線２０９によって示すようなピクセル値を欠落した不良サイノグラム、及び上で議論した深層学習によるサイノグラム補正モデルを用いて出力された補正されたサイノグラムを表わす。サイノグラム２０８に示すように、欠落したピクセル値についてピクセル値が推定されたので、サイノグラム２０６の線２０９は最早存在しない。再構成画像２１０、２１２、及び２１４は、サイノグラム２０４、２０６、及び２０８から導かれた対応する画像を表わす。画像２１２に示すように、不良ピクセルからの欠落データのためリング・アーティファクト及びストリーク・アーティファクトが存在している。画像２１４に示すように、リング・アーティファクト及びストリーク・アーティファクトは存在せず、画像２１４は画像２１０に類似して見える。

開示された主題の技術的効果としては、ＣＴ検出器の１又は複数の不良ピクセルのため欠落したピクセル値を補正する深層学習による手法を提供することが含まれる。サイノグラムにおいて補完情報を有するマルチチャネル入力データを訓練済みネットワークに用いて、欠落したピクセル値を予測する。具体的には、欠落したピクセル値の予測は、完全にサイノグラム領域において生じ、より高速の予測を提供する。補正はサイノグラム領域においてのみ生ずるので、この過程は解剖学的構造、表示視野、及び再構成パラメータ（再構成カーネルを含む）とは独立になる。不良ピクセルを補正することにより、この深層学習による手法は、不良検出器ピクセルによるリング・アーティファクト及びストリーク・アーティファクトが存在しない診断目的に適した品質の再構成画像を提供する。この深層学習による手法は、ＣＴ検出器の製造時及びＣＴ検出器の現場での利用時の制約の緩和を可能にする。具体的には、中央領域に不良ピクセルを有する又は全体的に多数の不良ピクセルを有するＣＴ検出器を依然として用いることができる。これにより、不良ピクセルによる修理費用（例えば検出器パネル交換に関連するもの）を削減することができる。

この書面の記載は、最適な態様を含めて発明を開示し、また任意の装置又はシステムを製造して利用すること及び任意の組み込まれた方法を実行することを含めてあらゆる当業者が発明を実施することを可能にするように実例を用いている。特許付与可能な発明の範囲は特許請求の範囲によって画定されており、当業者に想到される他の実例を含み得る。かかる他の実例は、特許請求の範囲の書字言語に相違しない構造要素を有する場合、又は特許請求の範囲の書字言語と非実質的な相違を有する均等構造要素を含む場合には、特許請求の範囲内にあるものとする。

５０ 人工ニューラル・ネットワーク
５２ 訓練入力
５４ 入力層
５６ ニューロン（ノード）
５８Ａ、５８Ｂ 隠れ層
６０ 出力層
６４ 訓練目標
１１０ ＣＴイメージング・システム
１１２ Ｘ線源
１１４ コリメータ
１１６ Ｘ線
１１８ 患者（対象物）
１２０ Ｘ線の透過部分
１２２ 検出器アレイ
１２４ システム制御器
１３２ 回転サブシステム
１３４ 線形配置サブシステム
１５８、２０９ 不良ピクセルによる線

Claims (20)

1. 計算機式断層写真法データのアーティファクトを補正するコンピュータ実装型の方法であって、
   少なくとも一つのピクセルについてピクセル値を欠落したサイノグラムを訓練済みサイノグラム補正ネットワークへ入力するステップと、
   前記訓練済みサイノグラム補正ネットワークの１又は複数の層を介して前記サイノグラムを処理するステップであって、前記サイノグラムから補完情報を導くステップと、該補完情報に基づいて前記少なくとも一つのピクセルについて前記ピクセル値を推定するステップとを含んでいる、前記サイノグラムを処理するステップと、
   前記訓練済みサイノグラム補正ネットワークから、前記推定されたピクセル値を有する補正されたサイノグラムを出力するステップと
   を備えた方法。
2. 前記補完情報はマルチチャネル・パッチを含んでいる、請求項１に記載のコンピュータ実装型の方法。
3. 前記マルチチャネル・パッチは、前記少なくとも一つのピクセルを有する横列のチャネル・ビュー方向に沿った部分に対応する前記サイノグラムからの局所隣接パッチ、前記少なくとも一つのピクセルを有する前記横列に隣接する横列に対応する前記サイノグラムからの隣接横列パッチ、前記少なくとも一つのピクセルに対する共役領域に対応する前記サイノグラムからの共役パッチ、又は他のエネルギ・チャネルから抽出された二重エネルギ若しくは多重エネルギ計算機式断層写真法の補完情報を含んでいる、請求項２に記載のコンピュータ実装型の方法。
4. 前記少なくとも一つのピクセルについての前記欠落したピクセル値のため生ずるアーティファクトを減少させた前記補正されたサイノグラムから画像を再構成するステップを含んでいる請求項１に記載のコンピュータ実装型の方法。
5. 前記サイノグラムは、Ｘ線計算機式断層写真法システムの前記検出器により捕捉された測定としての生投影データである、請求項１に記載のコンピュータ実装型の方法。
6. 前記訓練済みサイノグラム補正ネットワークを生成するように、教師あり学習を用いてニューラル・ネットワークを訓練するステップを含んでおり、前記教師あり学習に用いられる訓練用データが、欠落したピクセル値を全く有しないサイノグラムと、欠落したピクセル値を全く有しない前記サイノグラムからシミュレートされた欠落したピクセル値を有する対応するサイノグラムとを含んでいる、請求項１に記載のコンピュータ実装型の方法。
7. 訓練損失が、前記訓練用データの少なくともサイノグラム領域から導かれる、請求項６に記載のコンピュータ実装型の方法。
8. 前記訓練損失は、前記訓練用データの前記サイノグラム領域及び前記訓練用データから再構成される画像の画像再構成領域の両方から導かれる、請求項７に記載のコンピュータ実装型の方法。
9. 前記訓練用データの欠落したピクセル値を有する前記対応するサイノグラムは、前記訓練用データの前記サイノグラム領域及び前記訓練用データから再構成される前記画像の前記画像再構成領域の両方から前記訓練損失を決定した後に補正される、請求項８に記載のコンピュータ実装型の方法。
10. 前記訓練用データの欠落したピクセル値を有する前記対応するサイノグラムは、前記訓練用データの前記サイノグラム領域からサイノグラム領域訓練損失を決定した後に補正され、次いで、欠落したピクセル値を有する前記対応するサイノグラムの補正されたサイノグラムが前記画像に再構成され、該画像から画像再構成領域訓練損失を決定して前記画像を改善する、請求項８に記載のコンピュータ実装型の方法。
11. 前記訓練用データは、生のもの、変換されたもの、又はこれらの組み合わせであってよい、請求項６に記載のコンピュータ実装型の方法。
12. 計算機式断層写真法データにおける欠落値を推定するための訓練済みニューラル・ネットワークを生成するコンピュータ実装型の方法であって、
    サイノグラム及び該サイノグラムから導かれる補完情報を含む訓練用データを用意するステップであって、前記サイノグラムは、欠落したピクセル値を全く有しないサイノグラムと、欠落したピクセル値を全く有しない前記サイノグラムからシミュレートされた欠落したピクセル値を有する対応するサイノグラムとを含んでいる、用意するステップと、
    前記訓練用データのサイノグラム領域及び前記訓練用データから再構成される画像の画像再構成領域の両方から導かれる結合型訓練損失を利用することに基づいて、少なくとも一つのピクセルについて欠落したピクセル値を有するサイノグラムを補正するように、前記訓練用データを用いてニューラル・ネットワークを訓練するステップと
    を備えた方法。
13. 前記補完情報は、欠落したピクセル値を有する前記サイノグラムの各々から導かれるマルチチャネル・パッチを含んでいる、請求項１２に記載のコンピュータ実装型の方法。
14. 欠落したピクセル値を有するそれぞれのサイノグラムについての前記マルチチャネル・パッチは、前記欠落したピクセル値を有する横列のチャネル・ビュー方向に沿った部分に対応する局所隣接パッチ、前記欠落したピクセル値を有する前記横列に隣接する横列に対応する隣接横列パッチ、前記欠落したピクセル値に対する共役領域に対応する共役パッチ、又は他のエネルギ・チャネルから抽出された二重エネルギ又は多重エネルギ計算機式断層写真法の補完情報を含んでいる、請求項１３に記載のコンピュータ実装型の方法。
15. 前記訓練用データは、生のもの、変換されたもの、又はこれらの組み合わせである、請求項１２に記載のコンピュータ実装型の方法。
16. 前記少なくとも一つのピクセルについて欠落した前記ピクセル値を有する前記サイノグラムを補正するように前記ニューラル・ネットワークを訓練するステップは、走査対象の解剖学的構造、表示視野、及び前記サイノグラムを再構成画像に再構成するのに用いられる再構成パラメータとは独立に前記ピクセル値を推定するように前記ニューラル・ネットワークを訓練するステップを含んでいる、請求項１２に記載のコンピュータ実装型の方法。
17. 前記訓練時に、前記訓練用データの欠落したピクセル値を有する前記対応するサイノグラムは、結合型訓練損失を決定した後に補正される、請求項１２に記載のコンピュータ実装型の方法。
18. 前記訓練時に、前記訓練用データの欠落したピクセル値を有する前記対応するサイノグラムは、前記訓練用データの前記サイノグラム領域からサイノグラム領域訓練損失を決定した後に補正され、次いで、欠落したピクセル値を有する前記対応するサイノグラムの補正されたサイノグラムが前記画像に再構成され、該画像から画像再構成領域訓練損失を決定して前記画像を改善する、請求項１２に記載のコンピュータ実装型の方法。
    １９． 前記訓練ネットワークは以下の損失を用いる。サイノグラム領域では、
    （ａ）コンテンツ損失：Ｌ１損失及び／又はＬ２損失を目標サイノグラムと予測されたサイノグラムとの間で算出する。
    （ｂ）知覚的損失：サイノグラム領域と再構成領域との間で算出されるＳＳＩＭ損失。
    （ｃ）変換領域損失：フィルタ処理後の領域／ウェーブレット領域にわたり損失を算出することができる。
    （ｄ）敵対的損失を前記訓練に用いることができる。
19. プロセッサにより実行可能なルーチンを符号化したメモリと、
    該メモリにアクセスして、前記プロセッサにより実行可能なルーチンを実行するように構成されている処理構成要素と
    を備えた深層学習によるサイノグラム補正システムであって、前記ルーチンは前記処理構成要素により実行されると、
    少なくとも一つのピクセルについてピクセル値を欠落したサイノグラムを訓練済みサイノグラム補正ネットワークへ入力するステップと、
    前記訓練済みサイノグラム補正ネットワークの１又は複数の層を介して前記サイノグラムを処理するステップであって、前記サイノグラムから補完情報を導くステップと、該補完情報に基づいて前記少なくとも一つのピクセルについて前記ピクセル値を推定するステップとを含んでおり、前記補完情報はマルチチャネル・パッチを含んでおり、該マルチチャネル・パッチは、前記少なくとも一つのピクセルを有する横列のチャネル・ビュー方向に沿った部分に対応する前記サイノグラムからの局所隣接パッチ、前記少なくとも一つのピクセルを有する前記横列に隣接する横列に対応する前記サイノグラムからの隣接横列パッチ、及び前記少なくとも一つのピクセルに対する共役領域に対応する前記サイノグラムからの共役パッチ、又は他のエネルギ・チャネルから抽出された二重エネルギ若しくは多重エネルギ計算機式断層写真法の補完情報を含んでいる、前記サイノグラムを処理するステップと、
    前記訓練済みサイノグラム補正ネットワークから、前記推定されたピクセル値を有する補正されたサイノグラムを出力するステップと
    を前記処理構成要素に行なわせる深層学習によるサイノグラム補正システム。
20. 前記ルーチンは前記処理構成要素により実行されると、前記訓練済みサイノグラム補正ネットワークを生成するように、教師あり学習を用いてニューラル・ネットワークを訓練するステップであって、前記教師あり学習に用いられる訓練用データが、欠落したピクセル値を全く有しないサイノグラムと、欠落したピクセル値を全く有しない前記サイノグラムからシミュレートされた欠落したピクセル値を有する対応するサイノグラムとを含んでおり、訓練損失が、前記訓練用データのサイノグラム領域のみから導かれるか、又はサイノグラム領域及び前記訓練用データから再構成される画像の画像再構成領域の両方から導かれる、訓練するステップを前記処理構成要素に行なわせる請求項１９に記載のシステム。

Images