JP2022188000A - 設定方法、医用画像診断システム及びプログラム - Google Patents
設定方法、医用画像診断システム及びプログラム Download PDFInfo
- Publication number
- JP2022188000A JP2022188000A JP2022091663A JP2022091663A JP2022188000A JP 2022188000 A JP2022188000 A JP 2022188000A JP 2022091663 A JP2022091663 A JP 2022091663A JP 2022091663 A JP2022091663 A JP 2022091663A JP 2022188000 A JP2022188000 A JP 2022188000A
- Authority
- JP
- Japan
- Prior art keywords
- image
- medical
- medical imaging
- imaging
- projection data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000003384 imaging method Methods 0.000 claims abstract description 91
- 230000005855 radiation Effects 0.000 claims abstract description 13
- 238000002059 diagnostic imaging Methods 0.000 claims description 94
- 238000013528 artificial neural network Methods 0.000 claims description 52
- 238000012545 processing Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 28
- 230000004044 response Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 description 35
- 230000015556 catabolic process Effects 0.000 description 18
- 238000006731 degradation reaction Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 15
- 230000000875 corresponding effect Effects 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 10
- 238000012937 correction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012879 PET imaging Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002594 fluoroscopy Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5294—Devices using data or image processing specially adapted for radiation diagnosis involving using additional data, e.g. patient information, image labeling, acquisition parameters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/54—Control of apparatus or devices for radiation diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- High Energy & Nuclear Physics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
【課題】装置ごとの較正を容易に行うこと。【解決手段】実施形態の設定方法は、医用画像診断装置においてイメージングパラメータの第1セットを用い、被検体を透過した放射線の強度を示す投影データを収集し、投影データに関連する画像品質データセットをサーバに送信し、サーバにおいて、画像品質データセットに基づいて医用画像診断装置に適応させた復元情報を生成し、復元情報を医用画像診断装置に送信し、復元情報を用いて、医用画像診断装置の設定を更新する、ことを、含む。【選択図】図2
Description
本明細書及び図面に開示の実施形態は、設定方法、医用画像診断システム及びプログラムに関する。
具体的には、本開示は、医用画像診断装置(ローカルイメージングシステム)のノイズ特性決定、画像復元モデル決定、およびローカルイメージングシステムへの画像復元パラメータの自動展開のための方法および医用画像診断システム(イメージングシステム)に関する。
本明細書に記載されている背景技術の説明は、本開示の背景を概略的に示すためのものである。この背景技術において説明される技術の範囲、および出願時には先行技術として認められていない本明細書の態様に対する本願発明者の研究内容を、本開示に対する先行技術であるとは、明示的にも黙示的にも認めていない。
X線画像の最適な画像品質は、システムがそれ固有の構成要素および環境向けに適切に較正されているか否かに依存し得る。X線システムの無数の装置が、全て別々に保守され、異なって使用され、かつそれらの耐用年数が異なる場合、上記システムの較正が変動し、異なるイメージングパラメータをもたらす場合がある。現在の実践では、不良画素、適用されることになる適切な信号ゲインおよびオフセットなど、関連するパラメータおよび因子を決定するためのローカル較正操作を含むが、ノイズ低減または画像復元プロセスによって影響を受けることになるシステムのノイズ属性または点広がり関数をモデル化することは試みていない。変動の一発生源は、上記ローカル較正操作に対して異なる操作者(サービス技術者)が割り当てられることに起因する場合がある。さらに、X線管寿命は異なるため、異なるシステムでは時間の経過とともに異なるノイズ特性が発生する可能性があることが考えられる。したがって、システムの保守および較正時にサービス技術者の介入を伴わない方法およびシステムが望まれる。特に、サイト固有データのAIベース画像復元およびサイト固有システムの自動更新のための方法およびシステムが望まれる。
本明細書及び図面に開示の実施形態が解決しようとする課題の一つは、装置ごとの較正を容易に行うことを可能にすることである。ただし、本明細書及び図面に開示の実施形態により解決しようとする課題は上記課題に限られない。後述する実施形態に示す各構成による各効果に対応する課題を他の課題として位置付けることもできる。
実施形態の設定方法は、医用画像診断装置においてイメージングパラメータの第1セットを用い、被検体を透過した放射線の強度を示す投影データを収集し、前記投影データに関連する画像品質データセットをサーバに送信し、前記サーバにおいて、前記画像品質データセットに基づいて前記医用画像診断装置に適応させた復元情報を生成し、前記復元情報を前記医用画像診断装置に送信し、前記復元情報を用いて、前記医用画像診断装置の設定を更新する、ことを、含む。
本開示は、医用画像診断装置(ローカルイメージングシステム)において、イメージングパラメータの第1セットを使用して、被検体を通した複数の光線に沿って検出された放射線の強度を表す被検体の投影データを取得することと、取得した投影データに関連する画像品質データセットをリモートサーバに伝送することと、リモートサーバを介して、受信した画像品質データセットに基づいてローカライズされた復元情報を生成することと、リモートサーバからローカルイメージングシステムに、ローカライズされた復元情報を転送することと、ローカライズされた復元情報を使用して、ローカルイメージングシステムを更新することと、を含む方法に関する。
本開示は、さらに、ローカルイメージングシステムで、イメージングパラメータの第1セットを使用して、被検体を通した複数の光線に沿って検出された放射線の強度を表す被検体の投影データを取得し、取得した投影データに関連する画像品質データセットをリモートサーバに伝送し、リモートサーバを介して、受信した画像品質データセットに基づいてローカライズされた復元情報を生成し、リモートサーバからローカルイメージングシステムに、ローカライズされた復元情報を転送し、ローカライズされた復元情報を使用して、ローカルイメージングシステムを更新する、ように構成された処理回路を備える医用画像診断システム(イメージングシステム)に関する。
なお、上記記載では、全ての実施形態および/または本開示または特許請求される発明の漸増的新規態様を特定していないことに注意されたい。その代わりに、上記記載は、様々な実施形態および新規性に相当する点の予備的な議論のみを提供する。さらなる詳細および/または本発明および実施形態の可能な観点については、以下にさらに説明する本開示の発明を実施するための形態セクションおよび対応する図面を参照されたい。
以下、例として提示される本開示の種々の実施形態について、図面を参照しながら詳細に説明する。また、以下の説明において、同様の構成要素には共通の符号を付与するとともに、重複する説明を省略する。
以下の開示は、提示する主題の様々な特徴を実装するための、多くの様々な実施形態、または例を提示する。構成要素および配列の具体例は、本開示を簡易にするために以下で説明する。これらは、当然、単に例だけであり、制限されることを意図していない。例えば、以下の説明における第2の機構上の、またはそれに載った第1の機構の構成は、第1および第2の機構が直接接触した状態で構成される実施形態を含む場合があり、かつ、第1および第2の機構が直接接触していないこともあるような、別の機構が第1の機構と第2の機構との間で構成される場合がある実施形態も含む場合もある。加えて、本開示は、種々の例において、参照番号および/または参照文字を繰り返す場合がある。この繰り返しは、簡易かつ明瞭にするためのものであるが、説明する種々の実施形態および/または構成間の関係性をそれ自体によって定めるものではない。さらに、図に示されているような1つの要素、あるいは他の要素または機構との機構の関係性を表す説明を容易にするために、空間的な相対的語句、例えば「top(上部)」、「bottom(下部)」、「beneath(~の下)」、「below(下方に)」、「lower(下部の)」、「above(上方の)」、「upper(上部の)」などが、本明細書において使用される場合がある。空間的な相対的語句は、図に描写される方向に加えて、使用中または動作中のデバイスの様々な方向を包含することが意図される。装置は、別の方法で方向付けられる(90°にまたは他の方向に回転される)場合があり、本明細書で使用される空間的な相対的記述は、同様に、それに従って解釈される場合がある。
本明細書に記載のように、異なる手順の説明の順序は、明確にするために提示される。概して、これらの手順は、任意の適切な順序で行うことができる。また、本明細書の異なる特徴、技術、構成の各々は、本開示の様々な場所で説明される場合があるが、概念のそれぞれは、互いに独立して、または互いに組み合わせて、実行できることが意図される。したがって、本発明は多くの様々な方法で具現化され、かつ考察され得るものである。
サイト固有の医用画像診断装置から収集されたデータを使用してAIベース画像復元プロセスを使用する画像復元パラメータを自動で展開するための設定方法および医用画像診断システムについて、本明細書に記載する。AIベース画像復元プロセスは、画像復元モデルを更新するために、訓練データセットとして収集したデータを使用するニューラルネットワークを含む場合がある。カスタム訓練ニューラルネットワークは、より感度が高いか、またはノイズなど特定のタイプの画像品質劣化に事項を非常に適応させることができ、異なるシステムは異なるように動作するといった予想を伴って、特定のシステムに属することができる。ニューラルネットワークが訓練されて、検証されるときに、ニューラルネットワークはシステムに対する更新を推進し、画像復元を段階的に向上させるか、またはシステム向けの画像復元を再較正する。有利には、本明細書に記載のシステムおよび方法は、画像補正/復元プロセスを個々のシステム(あるいはシステム構成要素)に調整すること、および、一旦システムが適切に較正されると、ローカルの操作者によるさらなる介入を必要とすることなく、これを自動的に行う能力を可能にする。上述したように、このことは、異なる寿命の複数の構成要素を用いる動作の異なる耐用年数の異なる時点で実装される複数のシステムにとって特に有用であり、ここで、全てのシステムは、単一の基準に従って較正することができる。
図1は、本実施形態に係る複数の医用画像診断装置(ローカルシステム)を含む、画像復元パラメータの自動展開のための医用画像診断システムの概略を示している。一実施形態では、医用画像診断システムは、医用画像診断装置100およびリモートサーバ140を含む。リモートサーバ140は、医用画像診断装置100に通信可能に連結されている。例えば、リモートサーバ140は、イーサネット(登録商標)、衛星リンク、Wi-Fi(2.4GHz、5GHz、6GHz)、セルラ(3G、4G、5G)、またはこれらの任意の組み合わせを介して医用画像診断装置100に接続されうる。特に、複数の医用画像診断装置100が、(図示のように)リモートサーバ140に接続されている場合がある。例えば、2番目の医用画像診断装置100aからn番目の医用画像診断装置100nが、リモートサーバ140に接続されている場合がある。既に言及したように、医用画像診断装置100は、領域内外で耐用年数が変動する。すなわち、医用画像診断装置100、2番目の医用画像診断装置100a、n番目の医用画像診断装置100nは、それらの間で全て同じ寿命および同じモデルである必要はない。
本実施形態に係る設定方法は、医用画像診断装置(ローカルシステム)100によって収集された画像データ(例えば、投影データ)や、画像データの収集に関与する各種パラメータ(例えば、信号ゲインパラメータ、画像分解能パラメータ、信号ノイズパラメータおよびイメージングパラメータなど)などを含む画像品質データをリモートサーバ140に送信する。リモートサーバ140は、医用画像診断装置100から受信した画像品質データを用いて、医用画像診断装置100を較正するための復元情報を生成する。具体的には、リモートサーバ140は、医用画像診断装置100によって収集する画像品質を一定に保つために、画像データを補正するための情報(例えば、訓練済みのニューラルネットワークである新しい復元モデルや、ノイズ補正を行うためのノイズ係数、スキャンパラメータなど)を生成して、医用画像診断装置100に送信する。医用画像診断装置100は、復元情報を受信し、受信した復元情報により設定を更新する。本実施形態に係る設定方法は、上記した処理を医用画像診断装置ごとにそれぞれ実施することで、各医用画像診断装置に適した較正を、医用画像診断装置ごとに容易に行うことを可能にする。以下、本実施形態に係る設定方法の詳細について説明する。
図2は、本実施形態に係る画像復元パラメータの自動展開のための医用画像診断システムの概略図を示している。一実施形態では、医用画像診断装置100は、患者または被検体のイメージングのための放射線学システムであり、イメージング装置およびローカル処理回路を含む。例えば、イメージング装置は、磁気共鳴イメージング(Magnetic Resonance Imaging:MRI)、ポジトロン放射断層撮影(Positron Emission Tomography:PET)、X線透視、コンピュータ断層写真撮影法(Computed Tomography:CT)、またはそれらの組み合わせ向けに構成される場合がある。例えば、組み合わせは、PETイメージング装置およびCTイメージング装置であってもよい。イメージング装置は、放射線源を介して所定の電磁放射線を放射し、複数の検出器素子を介して電磁放射線を検出し、ローカル処理回路を介して放射線源と複数の検出器素子との間に配置された被検体の画像を生成するように構成されてよい。ローカル処理回路は、さらに、取得した投影データ、信号ゲインパラメータ、画像分解能パラメータ、信号ノイズパラメータおよびイメージングパラメータに基づいて生成された画像に関連する画像品質データを取得するように構成される。本明細書において、画像品質データを取得することは、揮発性メモリから読み取ること、不揮発性メモリから読み取ること、ユーザ入力デバイスから読み取ること、同機種間またはネットワーク化された接続を通してデータをストリーミングすること、を含む場合がある。信号ノイズパラメータは、例えば、ノイズ電力スペクトル(Noise Power Spectra:NPS)、ノイズ補正係数またはこれらの任意の組み合わせを含むノイズ特性を含む場合がある。追加として、画像分解能パラメータは、変調伝達関数(Modulation Transfer Function:MTF)を含む場合がある。画像品質データセットの画像は、投影データの再構成を実施することによって取得されるか、または投影データ自体である場合がある。医用画像診断装置100は、画像品質データを送信し、かつ別のデバイスからデータを受信するように構成されてもよい。なお、画像品質データに含まれる情報のうち、画像から計算されるパラメータについては、リモートサーバ140が受信した投影データから取得するようにしてもよい。すなわち、医用画像診断装置100から投影データのみが送信される場合でもよい。例えば、ローカル業務ソフトウェア110(図2を参照)は、医用画像診断装置100とリモートサーバ140との間のインターフェースとして機能してもよい。代替として、ローカル処理回路は、リモートサーバ140と直接通信してもよい。ローカル業務ソフトウェア110は、ローカル処理回路に実装されてもよい。例えば、ローカル業務ソフトウェア110は、リモートサーバ140に画像品質データを送信し、同様にリモートサーバ140からデータを受信する場合がある。
投影データは、画像復元モデルを反映する場合があるので、特定の画像復元モデル(例えば、ノイズモデル)を使用して取得される必要がないことを理解されるであろう。画像復元(またはノイズ)モデルは、ニューラルネットワークの形態で作製される更新済みの画像復元モデルを可能にし、既存の画像復元モデルと置き換えることが可能である(下記を参照)。したがって、一部の実施形態では、画像復元モデルは、画像品質データとともに送信される必要はない。
一実施形態では、リモートサーバ140は、リモート処理回路およびリモート業務ポータル130を含む。ニューラルネットワークが、リモート処理回路に実装されてもよく、またリモート処理回路は、ニューラルネットワークのアプリケーションを実施する命令を備えている場合がある。リモート処理回路は、画像品質データまたは訓練データ150のセットなど、受信したデータにニューラルネットワークを適用するように構成されてよい。例えば、訓練データ150は、既知のノイズ特性を介してノイズが導入されるノイズ除去画像を含む場合がある。リモート業務ポータル130は、データを送信および受信するために、医用画像診断装置100とインターフェースをとるように構成されてよい。訓練データ150は、リモートサーバ140にとってローカルであるか、SATA、SAS、LAN、WLANを含む任意の適切なリンクによって接続されるか、または異なるロケーションから提供されてよい。
本明細書に記載の設定方法および医用画像診断システムは、医用画像診断装置100が、一般的使用のために、較正され、操作者に引き渡される際に収集された画像劣化特性(ノイズまたはイメージャ点広がり関数など)に基づいたニューラルネットワークの個別化訓練を可能にする。
医用画像診断装置100の較正における所定の時間、例えば、インストール中または日常業務中に、スキャンパラメータを含む画像品質データおよび画像復元モデルが収集されてもよい。画像復元モデルは、1つまたは複数のNPS、または対応する医用画像診断装置100用の固有のスキャンパラメータ/収集モード(例えば、スキャンの長さ、スキャンサイズ、線量など)にそれぞれが対応する他のノイズ測定値(例えば、量子および電子ノイズレベル)を含む場合がある。加えて、画像品質データは、点広がり関数など他のイメージングモデルを含む場合がある。例えば、バイプレーン血管造影X線システムは、高X線線量と低X線線量との両方で(ただし、その両方の可能な全ての線量ではなく)、その検出器ごとに画像復元モデルを収集する場合がある。ローカル画像劣化データベース120は、各検出器の画像復元モデルを使用される収集モードに関連付けて、この相関関係の履歴を記憶する場合がある。例えば、履歴は、揮発性メモリ、不揮発性メモリなどに記憶されてよい。点広がり関数および使用統計など、ノイズに直接関係しない追加のデータが、使用される個々の収集モードに関連付けられてもよい。医用画像診断装置100の較正が、サポート技術者の要望通りに完了した場合、医用画像診断装置100は、リモートサーバ140に、新しい較正が実施されたことを通知する。
リモートサーバ140は、医用画像診断装置100とリモートサーバ140とを接続しているネットワークを通して、保存されたデータ(すなわち、画像品質データ)を要求することによって、医用画像診断装置100からの新しい較正の通知に応答してもよい。例えば、上述したように通信可能に連結されたコンピュータネットワークが使用されてよい。別の例では、画像品質データは、記憶媒体に保存され、かつリモートサーバ140に物理的に転送されてよい。例えば、サポート技術者は、記憶媒体をリモートサーバ140に移送するか、または記憶媒体をリモートサーバ140にメールしてもよい。例えば、記憶媒体としては、コンパクトディスク(Compact Disc:CD)、ブルーレイ・ディスクまたはユニバーサルシリアルバス(Universal Serial Bus:USB)ドライブなどが挙げられる。保存されたデータは、訓練データ150を生成し、画像復元ニューラルネットワークの新しい訓練か、または部分的な訓練済みニューラルネットワークの微調整のどちらかをスケジュールするために使用されてよい。訓練の結果は、医用画像診断装置100に送信される場合があり、送信される結果は、ローカライズされた(画像品質データを送信した医用画像診断装置100に適応された)復元情報160である場合がある。ローカライズされた復元情報160は、例えば、計算されたニューラルネットワークである新しいローカル復元モデル、医用画像診断装置100によって実施されるノイズ補正プロセス用の改善されたノイズ係数、ローカルイメージング装置用の改善されたスキャンパラメータ、またはこれらの任意の組み合わせ、ならびに、医用画像診断装置100によって実施されるノイズ補正プロセス用の改善されたノイズ係数をローカルに生成するための遠隔的に計算された新しいローカル復元モデルの重み係数および接続、ローカルイメージング装置用の改善されたスキャンパラメータ、またはこれらの任意の組み合わせを含む場合がある。例えば、医用画像診断装置100は、固定構成ニューラルネットワークをホストし、固定構成ニューラルネットワーク用の更新済みのノイズ係数のみが、ローカライズされた復元情報160で送信される場合がある。一例では、更新済みのノイズ係数は、人工ニューラルネットワークと協働して、医用画像診断装置100に送信される。
ローカライズされた復元情報160バージョンの履歴が、復元ポイントを作成する目的で、医用画像診断装置100で、例えばローカル画像劣化データベース120に保存されてよい。このプロセスは、完全に自動化される場合があるが、一部の実施形態は、訓練を実施して、医用画像診断装置100を更新するために、操作者の介入を必要とする場合がある。医用画像診断装置100から100nのうちいずれか1つが復元ポイントに復帰する必要がある場合、復元ポイントは、過去の状態への復帰を可能にする。
さらに、医用画像診断装置100は、所定の時間(例えば、システムブート、サブシステムブート、オンデマンド、スケジュールされた時間など)で、更新済みのローカライズされた復元情報160をロードすることができ、ローカライズされた復元情報160を対応する収集モードおよび使用される画像復元処理と相関させる。医用画像診断装置100が更新された後に、医用画像診断装置100は、取得した画像が、更新済みのローカライズされた復元情報160によって、劣化していないことを保証するために、新しいローカライズされた復元情報160に対して画像品質チェックを追加的に実施してもよい。これらの品質チェックは、完全に自動化されるか、または手動のユーザ介入および許可を必要としてもよい。
自動化された画像品質チェックの場合、新たに取得された画像は、過去のローカライズされた復元情報160と、新しいローカライズされた復元情報160との両方(過去の画像復元モデルおよび新しい画像復元モデル、ならびに過去のイメージングパラメータおよび新しいイメージングパラメータ、すなわちニューラルネットワークを含む)を用いて処理されてよい。また、医用画像診断装置は、信号対雑音比(Signal-To-Noise Ratio:SNR)、およびコントラスト対雑音比(Contrast-To-Noise Ratio:CNR)のうち少なくとも1つを含む画像品質測定値を計算してもよい。一実施形態では、医用画像診断装置100は、画像の平坦な(「背景」)領域の位置を決めて、SNRの代用として、復元された両方の画像の画素の標準偏差を算定する場合がある。医用画像診断装置100は、追加的に画像内の高コントラストの被検体(例えば、ガイドワイヤ)の位置を決めて、復元された画像内の被検体の視認性の強度に基づいてコントラストを評価してもよい。これらの測定値は、自動的に、または操作者の許可を伴って、新たに実装されたローカライズされた復元情報160を承認または拒否するためのベースとなる場合がある。
部分的に自動化された画像品質チェックの場合、技術者(サービス技術者など)は、静止した被検体(例えば、ファントム)のいくつかのフレームを収集することによって、ほぼ欠陥のない画像、またはノイズのない画像を取得する場合があり、その平均値をグラウンドトゥルースとして扱い、それが復元画像のSNRおよびCNRの計算に使用される場合がある。静止した被検体のデータは、自動的に、または操作者の許可を伴って、新たに実装されたローカライズされた復元情報160を承認または拒否するためのベースとなる場合がある。
完全に手動の画像品質チェックの場合、技術者は、医用画像診断装置100とリモートサーバ140との両方によって処理されて、技術者に提示されることがある画像を収集する場合がある。この場合、使用するローカライズされた復元情報160は、より良い画像を選ぶことによって選択されてよく、これにより、対応するニューラルネットワーク、イメージングパラメータおよび画像復元モデルが選択される。
更新済みのローカライズされた復元情報160を使用した改善された画像品質が承認された場合、ローカライズされた復元情報の過去のバージョンは、更新済みのローカライズされた復元情報160によって置き換え可能であり、ローカライズされた復元情報の過去のバージョンは、ローカル画像劣化データベース120に記憶されてよい。例えば、更新済みのスキャン長さおよび更新済みのスキャン線量などのイメージングパラメータは、更新されてよい。例えば、更新済みのノイズ特性、更新済みのノイズ係数および更新済みのNPSなどの画像復元モデルは、更新されてよい。
一実施形態では、医用画像診断装置100から画像品質データを取得することと、リモートサーバ140に画像品質データを送信することと、医用画像診断装置100を更新するために更新済みのローカライズされた復元情報160を受信することとの全プロセスは、完全に自動化される場合がある。すなわち、医用画像診断装置100の所定のエリア内に人間がいないという判定に応じて、自己較正が、被検体用のファントムを使用して医用画像診断装置100によって自動的に開始されてよい。このようなシナリオでは、医用画像診断装置100は、ロボットアームをさらに含む場合がある。ロボットアームは、医用画像診断装置100のイメージングエリア内にファントムを配置するように構成されてよい。次に、ファントムの画像が取得されて、画像品質データがリモートサーバ140に送信されてよい。このことは、手動のユーザ入力の必要がなく、医用画像診断装置のより柔軟な較正を実施するのに有利となり得る。例えば、自動較正は、イメージングセンタが閉まっているときにも実施することができる。更新済みのローカライズされた復元情報160は、自動的に適用されるか、またはユーザ入力が、ローカライズされた復元情報160がイメージング結果を向上させることを保証するために要求されてもよい。完全な自動更新プロセス中に、人間が医用画像診断装置100の所定のエリアに入ったと判定するとすぐに、有害な放射線に人間を曝すことを防止するために、プロセスは直ちに停止されてもよい。
図3Aは、画像復元モデリング向けにニューラルネットワークを訓練するための上位のフレームワークを提示している。ニューラルネットワークは、グラウンドトゥルース画像復元モデルから生成された訓練データセットを使用して訓練することができる。訓練フェーズでは、プロセス310で、訓練データ150は、グラウンドトゥルース画像復元モデルを使用して生成することができ、グラウンドトゥルース画像復元モデルは、例えば、モデルベースノイズ推定方法から生成することができる。次に、訓練データ150は、ニューラルネットワークを訓練するために使用されてよい。画像復元モデル決定フェーズでは、プロセス320で、被検体または患者のイメージングからの画像品質データは、処理されて、次いで、訓練済みニューラルネットワークに適用されて、ニューラルネットワークからの結果とともに更新済みローカル復元モデルとなる。続いて、プロセス300のステップ330の補正フェーズは、医用画像診断装置100の補正が、ノイズなどの画像品質劣化因子をその後のイメージングから低減または除去するために実施されて、改善された画像が取得され得る。
図3Bは、画像品質劣化推定および復元/補正方法の下位のフロー図を提示している。
プロセス310のステップ310aで、訓練データが取得される。例えば、訓練データ150の複数のセットを含む大きな画像品質劣化訓練データベース(例えば、ローカル画像劣化データベース120)は、画像劣化がそれによって左右される、量子ノイズ、電子検出器ノイズ、X線ビーム漏出および患者の幾何学的形状を含むいくつかの因子を考慮に入れるために使用されてよい。このために、訓練データベースは、ファントムの複数の画像、および被検体の複数の画像を含む場合があるが、それぞれの画像は、画像復元/補正を伴うものと、伴わないものとがある。複数のファントム画像の各画像は、構成された各ファントムの形状、サイズおよび材料の調整を通して所定の人体解剖学に従って選択されてよい。加えて、患者の代表的な母集団を考慮して、患者の複数の画像は、単純および複雑な解剖学的構造の患者を含むために選択されてよく、訓練データは、とりわけ、臓器分布、サイズ、金属含有物およびコントラストを含むばらつきのある典型的な患者データを含む。
プロセス310のステップ310bで、ニューラルネットワークを訓練するための訓練データ150は、訓練データ150から生成される。ニューラルネットワークを訓練するために、訓練データ150は、ニューラルネットワークが訓練されるときにニューラルネットワークへの入力データの適用により、可能な限り密接に対象データに一致する結果を生成するように、対象データと対になった入力データを含む。このために、ニューラルネットワークへの入力データは、既知のパラメータに従って導入される劣化を伴う患者またはファントムのノイズ除去画像など、復元された画像である場合がある。さらに、ニューラルネットワークの対象データは、劣化特性の推定値である。
プロセス310のステップ310cで、入力画像の対応するセットと対になった対象画像を含んだ訓練データ150は、ニューラルネットワークの訓練および最適化のために使用される。概して、ニューラルネットワークの訓練は、当業者によって理解されている技法に従って処理されてよく、またニューラルネットワークの訓練は、訓練を実施することができるいくつかの方式を例示するために非限定的な例として提示する、本明細書に記載する特定の例に限定されない。
プロセス310の訓練フェーズでのニューラルネットワークの訓練に続いて、プロセス320の画像復元モデル決定フェーズが実施される。
プロセス320のステップ320aで、画像品質データからの画像品質劣化データは、訓練済みニューラルネットワークへのアプリケーション向けに取得および準備される。例えば、画像品質劣化データは、ノイズデータを含んでいてもよく、またノイズデータは、NPS、ノイズ係数などに分解されてよい。準備された画像品質劣化データは、訓練データ150内の入力画像/データと同じ構造を有する構成要素に分割されてよい。画像品質劣化データを準備するプロセスは、訓練データ150の入力画像/データを準備するための上述の方法のうち任意の1つまたは複数、あるいは任意の他の方法を含んでもよい。
プロセス320のステップ320bで、準備された画像品質劣化データは、訓練済みニューラルネットワークに適用されて、ローカライズされた復元情報160が生成される。訓練済みニューラルネットワークの出力は、ノイズを除去することによってステップ310aで取得された(ノイズが多い画像を含む)画像品質データを補正するために使用されてよい。例えば、補正されていないノイズが多い画像からノイズを排除することによって、ノイズ特性は単離され得る。
プロセス330のステップ330aで、訓練済みニューラルネットワークからの生成されたローカライズされた復元情報160が出力され、結果として生じる更新済み画像復元モデルが、医用画像診断装置100およびその後の画像収集イベントを補正するために使用される。
プロセス330のステップ330bで、単離された画像品質劣化特性は、医用画像診断装置100でローカライズされた復元情報160を使用して、その後の画像収集イベントのために画像品質劣化が低減または除去された新しい画像を取得するために使用される。
図4は、本実施形態に係る画像品質劣化の決定及び画像復元パラメータの自動展開に関する方法400のフローチャートの一例を示している。一実施形態では、方法400は、スケジュールされたメンテナンスあるいは技術者または操作者の要求に応じてオンデマンドでなど、所定の時間間隔で実施され得る。ステップ410で、医用画像診断装置100から、画像品質データが取得される。例えば、画像品質データは、既存の画像復元モデルまたは他のイメージングモデルを含んでいてもよい。画像復元モデルは、固有の画像収集構成に対応するNPSまたは他のノイズ測定値を含んでいてもよい。ステップ420で、将来的に医用画像診断装置100を過去の構成に戻すことが望まれる場合に備えて、医用画像診断装置100の復元ポイントが保存されてもよい。復元ポイントは、画像生成のために現在利用されている復元モデルを含む、医用画像診断装置100の設定の「スナップショット」をキャプチャしてよい。ステップ430で、画像品質データが、リモートサーバ140に送信される。ステップ440で、ニューラルネットワークは、訓練データ150および画像品質データを使用して訓練される。ステップ450で、ローカライズされた復元情報160が取得される。ステップ460で、ローカライズされた復元情報160が、医用画像診断装置100に送信される。ステップ470で、過去のイメージングパラメータを利用している医用画像診断装置100は、ローカル復元モデルを使用して更新される。ステップ480で、更新済みのローカライズされた復元情報160およびイメージングパラメータを利用する医用画像診断装置100を使用して、新しい画像が取得される。
図5Aは、N個の入力、K個の隠れ層、および3個の出力を有する一般的な人工ニューラルネットワーク(ANN)の例を示している。各層はノード(ニューロンとも呼ばれる)で構成されており、各ノードは入力の加重和を実施して、加重和の結果を閾値と比較して出力を生成する。ANNは関数のクラスを作成するが、この場合、このクラスのメンバは、閾値、結合重み、またはノードの個数および/またはそれらの結合性などの構造の詳細を変更することによって取得される。ANNのノードは、ニューロン(またはニューロンノード)と呼ばれる場合があり、このニューロンは、ANNシステムの異なる層間で相互結合を有する場合がある。最も簡素なANNは、3つの層を有し、オートエンコーダと呼ばれる。ニューラルネットワークは、ニューロンの4つ以上の層を有していてもよく、入力ニューロンと同数の出力ニューロンを有するが、この際、Nは、訓練画像の画素の数である。シナプス(すなわち、ニューロン間の結合部)は、「重み」と呼ばれる値(同じ意味で「係数」または「重み付け係数」とも呼ばれる)を記憶し、計算中にデータを処理する。ANNの出力は、(i)ニューロンの異なる層間の相互結合パターン、(ii)相互結合部の重みを更新するための学習プロセス、および(iii)ニューロンの重み付けられた入力をその出力活性化に変換する活性化関数の3つのタイプのパラメータに依存する。
数学的に、ニューロンのネットワーク関数m(x)は、他の関数ni(x)の合成として定義され、この他の関数ni(x)は、さらに他の関数の合成として定義され得る。これは、図5Aに示すように変数間の依存関係を表す矢印をもつネットワーク構造として便宜上、表現されることがある。例えば、ANNは、非線形加重和を使用することがあり、関数m(x)は、以下の式(1)にて表現され得る。なお、式(1)におけるK(通例、活性化関数と呼ばれる)は、双曲線正接などのいくつかの所定の関数である。
図5Aにおいて、ニューロン(すなわち、ノード)は、閾値関数を囲む円として描かれている。図5Aに示されている非限定的な例の場合、入力は線形関数を囲む円として描かれており、また、矢印はニューロン間の方向付けられた伝達を示している。特定の実装形態では、ニューラルネットワークは、図5Aに例示するような(例えば、有向非巡回グラフとして表される場合がある)フィードフォワードネットワークである。
図5Bは、本実施形態に係る設定方法(例えば方法400)を実施するために使用することができるX線診断装置のブロック図である。X線診断装置は、ガントリ500およびコンソール520を備える。ガントリ500は、X線源システム511、コリメーションシステム512、テーブル513、検出システム514およびガントリ制御伝送回路515を備える。
X線源システム511は、高電圧発生器510およびX線管501を備える。高電圧発生器510は、ガントリ制御伝送回路515の制御下で高電圧をX線管501に適用して、ガントリ制御伝送回路515の制御下でフィラメント電流をX線管501に供給する。X線管501は、高電圧発生器510からのトリガの受信に応じて被検体OBJに対して照射するX線を生成する。
コリメーションシステム512は、X線管501からのX線ビームのスペクトルを変更するビームフィルター/減衰器516を備える。コリメータ517は、操作時に選択される画像視野に従って開閉する。コリメーションシステム512は、被検体OBJに対して照射するX線のX線ビームを形成する。
検出システム514は、被検体OBJを通過して伝播されるX線を吸収して、吸収したX線の強度に比例する電荷信号を生成するように構成された検出器素子(画素)の二次元アレイを備える。各画素の電気信号は、増幅されて、A/D変換器によってデジタル数字に変換される。
例えば、検出システム514は、検出器503およびデータ収集システム(Data Acquisition System:DAS)504を備える。検出器503は、X線管501から生成されたX線を検出する。検出器503は、二次元に配列された複数の検出素子を装備している。各検出素子は、X線管501から生成されたX線を検出して、検出したX線の強度に対応する電気信号(電流信号)を生成する。
生成された電気信号は、DAS504に供給される。DAS504は、増幅器504A、A/D変換器504Bおよび制御パネル504Cを備える。DAS504は、検出器503を介して電気信号を読み取って、制御パネル504Cを介して読み取った電気信号を取得する。ガントリ制御伝送回路515は、高電圧発生器510、減衰器516、コリメータ517および制御パネル504Cを制御して、X線イメージングを実行する。
コンソール520は、前処理回路521、画像処理回路522、ディスプレイ523、操作デバイス524、データ記憶装置525およびシステム制御回路526を備える。
前処理回路521は、ガントリ制御伝送回路515を介して検出システム514から供給される未処理データに対する感度補正などの前処理を実施する。
画像処理回路522は、本明細書に記載の画像処理方法、例えば方法300および400を実施することができる。
ディスプレイ523は、画像処理回路522によって生成された画像を表示する。
操作デバイス524は、入力デバイスを介して、操作者からの様々なタイプのコマンドおよび情報入力を承認する。
データ記憶装置(メモリ)525は、未処理データ、ならびに投影データおよび画像などの様々なタイプのデータを記憶する。加えて、データ記憶装置525は、X線装置用の制御プログラム、および本明細書に記載の画像処理方法を実施するための制御プログラムを記憶する。
システム制御回路526は、X線診断装置の主回路として機能する。システム制御回路526は、データ記憶装置525に記憶されている制御プログラムを読み取り、かつメモリにプログラムをロードする。システム制御回路526は、ロードされた制御プログラムに従ってX線診断装置内の対応する回路を制御する。
前述の説明では、具体的な詳細、例えば、処理システムの特定の形態、それに関して使用される様々な構成要素およびプロセスの説明が記載されている。しかしながら、本明細書の技法は、これらの具体的詳細からはそれるその他の実施形態において実施されてもよいこと、およびそのような詳細は、説明目的であって、制限するためのものではないことが理解されるべきである。本明細書に開示された実施形態は、添付の図面を参照して説明してきた。同様に、説明の目的のために、特定の数、材料、および構成が、完全な理解を提供するために記載されている。それでも、実施形態は、そのような特定の詳細なしに実施されてもよい。実質的に同一の機能構成を有する構成要素には、類似の参照符号が付され、そのためいずれかの重複する説明は省略される場合がある。
種々の技法は、様々な実施形態の理解を助けるために、複数の別個の操作として記載されている。説明の順序は、これらの操作が必然的に順序に従うことを意味すると解釈されるべきではない。実際、これらの操作は、提示の順序で実施される必要はない。説明した操作は、上記実施形態とは異なる順序で実施されてもよい。種々の追加の操作が実施されてもよく、および/または記載された操作は、追加の実施形態において省略されてもよい。
本開示の実施形態は、以下のように付加的に述べることもできる。
(1)ローカルイメージングシステムで、イメージングパラメータの第1セットを使用して、被検体を通した複数の光線に沿って検出された放射線の強度を表す被検体の投影データを取得することと、取得した投影データに関連する画像品質データセットをリモートサーバに伝送することと、リモートサーバを介して、受信した画像品質データセットに基づいてローカライズされた復元情報を生成することと、リモートサーバからローカルイメージングシステムに、ローカライズされた復元情報を転送することと、ローカライズされた復元情報を使用して、ローカルイメージングシステムを更新することと、を含む、方法。
(2)被検体はファントムであり、投影データを取得するステップは、人間がローカルイメージングシステムの所定のエリアに配置されていないという判断に応じて、人間の初期処理を伴わずにファントムの投影データを取得することをさらに含む、(1)の方法。
(3)投影データを取得するステップは、ロボットを用いてイメージングエリアにファントムを配置することをさらに含む、(2)の方法。
(4)ローカルイメージングシステムからリモートサーバにイメージングパラメータの第1セットを伝送することと、イメージングパラメータの第1セットを第1復元ポイントとして保存することと、をさらに含む、(1)から(3)のいずれか1つの方法。
(5)ローカライズされた復元情報は、イメージングパラメータの第2セットを含み、ローカルイメージングシステムを更新することは、イメージングパラメータの第1セットを、イメージングパラメータの第2セットと置き換えることをさらに含む、(1)から(4)のいずれか1つの方法。
(6)投影データは、第1画像復元モデルを使用して取得され、ローカライズされた復元情報は、第2画像復元モデルを含み、ローカルイメージングシステムを更新することは、第1画像復元モデルを、第2画像復元モデルに置き換えることを含む、(1)から(5)のいずれか1つの方法。
(7)画像品質データセットは、投影データの再構成を実施することによって取得される画像を含む、(1)から(6)のいずれか1つの方法。
(8)ローカルイメージングシステムで、リモートサーバから受信したローカライズされた復元情報を使用して、画像を取得すること、をさらに含む、(1)から(7)のいずれか1つの方法。
(9)ローカルイメージングシステムにローカライズされた復元情報を転送するステップは、コンピュータネットワークを使用して実施される、(1)から(8)のいずれか1つの方法。
(10)ローカライズされた復元情報を生成するステップは、ローカライズされた復元情報を生成するために、リモートサーバを介して、受信した画像品質データセットに基づいて人工ニューラルネットワークを計算することをさらに含む、(1)から(9)のいずれか1つの方法。
(11)処理回路を備えるイメージングシステムであって、該処理回路は、ローカルイメージングシステムで、イメージングパラメータの第1セットを使用して、被検体を通した複数の光線に沿って検出された放射線の強度を表す被検体の投影データを取得し、取得した投影データに関連する画像品質データセットをリモートサーバに伝送し、リモートサーバを介して、受信した画像品質データセットに基づいてローカライズされた復元情報を生成し、リモートサーバからローカルイメージングシステムに、ローカライズされた復元情報を転送し、ローカライズされた復元情報を使用して、ローカルイメージングシステムを更新する、ように構成される、イメージングシステム。
(12)被検体はファントムであり、処理回路は、人間がローカルイメージングシステムの所定のエリアに配置されていないという判断に応じて、人間の初期処理を伴わずにファントムの投影データを取得することによって、投影データを取得するようにさらに構成される、(11)のシステム。
(13)処理回路は、ロボットを用いてイメージングエリアにファントムを配置することによって投影データを取得するようにさらに構成される、(12)のシステム。
(14)処理回路は、ローカルイメージングシステムからリモートサーバにイメージングパラメータの第1セットを伝送し、イメージングパラメータの第1セットを第1復元ポイントとして保存するようにさらに構成される、(11)から(13)のいずれか1つのシステム。
(15)ローカライズされた復元情報は、イメージングパラメータの第2セットを含み、処理回路は、イメージングパラメータの第1セットを、イメージングパラメータの第2セットと置き換えることによって、ローカルイメージングシステムを更新するようにさらに構成される、(11)から(14)のいずれか1つのシステム。
(16)投影データは、第1画像復元モデルを使用して取得され、ローカライズされた復元情報は、第2画像復元モデルを含み、処理回路は、第1画像復元モデルを、第2画像復元モデルと置き換えることによって、ローカルイメージングシステムを更新するようにさらに構成される、(11)から(15)のいずれか1つのシステム。
(17)画像品質データセットは、投影データの再構成を実施することによって取得される画像を含む、(11)から(16)のいずれか1つのシステム。
(18)処理回路は、ローカルイメージングシステムで、ローカライズされた復元情報を使用して、画像を取得するようにさらに構成される、(11)から(17)のいずれか1つのシステム。
(19)実行可能命令を含む非一時的コンピュータ可読記憶媒体であって、該命令は回路によって実行されると、該回路に、ローカルイメージングシステムで、イメージングパラメータの第1セットを使用して、被検体を通した複数の光線に沿って検出された放射線の強度を表す被検体の投影データを取得することと、取得した投影データに関連する画像品質データセットをリモートサーバに伝送することと、リモートサーバを介して、受信した画像品質データセットに基づいてローカライズされた復元情報を生成することと、リモートサーバからローカルイメージングシステムに、ローカライズされた復元情報を転送することと、ローカライズされた復元情報を使用して、ローカルイメージングシステムを更新することと、を含む、イメージングシステムにおいて低減する方法を実施させる、非一時的コンピュータ可読記憶媒体。
(20)被検体はファントムであり、投影データを取得するステップは、人間がローカルイメージングシステムの所定のエリアに配置されていないという判断に応じて、人間の初期処理を伴わずにファントムの投影データを取得することをさらに含む、(19)の非一時的コンピュータ可読記憶媒体。
(21)ローカルイメージングシステムにローカライズされた復元情報を転送するステップは、記憶媒体を使用して実施される、(1)から(10)のいずれか1つの方法。
上記したように、実施形態によれば、装置ごとの較正を容易に行うことを可能にする。
当業者はまた、依然として本発明の同じ目的を達成しながら、上述した技法の操作に対してなされた多くの変形形態が存在し得ることを理解するであろう。このような変形形態は、本開示の範囲に含まれることが意図される。このように、本発明の実施形態の上記の説明は、限定することを意図するものではない。むしろ、本発明の実施形態に対するいずれの制限も、以下の特許請求の範囲に示されている。
Claims (20)
- 医用画像診断装置においてイメージングパラメータの第1セットを用い、被検体を透過した放射線の強度を示す投影データを収集し、
前記投影データに関連する画像品質データセットをサーバに送信し、
前記サーバにおいて、前記画像品質データセットに基づいて前記医用画像診断装置に適応させた復元情報を生成し、
前記復元情報を前記医用画像診断装置に送信し、
前記復元情報を用いて、前記医用画像診断装置の設定を更新する、
ことを、含む設定方法。 - 前記被検体はファントムであり、
前記医用画像診断装置における所定のエリアに人間が配置されていないという判定に応じて、操作者による初期処理を伴わずに前記ファントムの前記投影データを収集することをさらに含む、請求項1に記載の設定方法。 - 前記ファントムは、ロボットを用いて前記投影データを収集するイメージングエリアに配置される、請求項2に記載の設定方法。
- 前記医用画像診断装置から前記サーバに前記イメージングパラメータの第1セットを送信し、
前記イメージングパラメータの第1セットを第1復元ポイントとして保存する、
ことをさらに含む、請求項1に記載の設定方法。 - 前記医用画像診断装置に適応させた復元情報は、前記イメージングパラメータの第2セットを含み、前記医用画像診断装置の設定の更新は、前記イメージングパラメータの第1セットを、前記イメージングパラメータの第2セットと置き換えることをさらに含む、請求項1に記載の設定方法。
- 前記投影データは、第1画像復元モデルを用いて収集され、
前記医用画像診断装置に適応させた復元情報は、第2画像復元モデルを含み、
前記医用画像診断装置の設定の更新は、前記第1画像復元モデルを、前記第2画像復元モデルに置き換えることをさらに含む、請求項1に記載の設定方法。 - 前記画像品質データセットは、前記投影データを再構成することによって取得される画像を含む、請求項1に記載の設定方法。
- 前記医用画像診断装置において、前記サーバから受信した前記医用画像診断装置に適応させた復元情報を用いて画像を取得することをさらに含む、請求項1に記載の設定方法。
- 前記医用画像診断装置への前記医用画像診断装置に適応させた復元情報の送信は、コンピュータネットワークを使用して実施される、請求項1に記載の設定方法。
- 前記医用画像診断装置に適応させた復元情報の生成は、前記サーバにおいて、受信した画像品質データセットに基づいて人工ニューラルネットワークを計算することをさらに含む、請求項1に記載の設定方法。
- 医用画像診断装置においてイメージングパラメータの第1セットを用い、被検体を透過した放射線の強度を示す投影データを収集し、
前記投影データに関連する画像品質データセットをサーバに送信し、
前記サーバにおいて、前記画像品質データセットに基づいて前記医用画像診断装置に適応させた復元情報を生成し、
前記復元情報を前記医用画像診断装置に送信し、
前記復元情報を用いて、前記医用画像診断装置の設定を更新する、処理回路
を備える、医用画像診断システム。 - 前記被検体はファントムであり、
前記処理回路は、前記医用画像診断装置における所定のエリアに人間が配置されていないという判定に応じて、操作者による初期処理を伴わずに前記ファントムの前記投影データを取得する、請求項11に記載の医用画像診断システム。 - 前記処理回路は、ロボットを用いて前記投影データを収集するイメージングエリアに前記ファントムを配置する、請求項12に記載の医用画像診断システム。
- 前記処理回路は、
前記医用画像診断装置から前記サーバに前記イメージングパラメータの第1セットを送信し、
前記イメージングパラメータの第1セットを第1復元ポイントとして保存する、請求項11に記載の医用画像診断システム。 - 前記医用画像診断装置に適応させた復元情報は、イメージングパラメータの第2セットを含み、前記処理回路は、前記イメージングパラメータの第1セットを、前記イメージングパラメータの第2セットと置き換えることによって、前記医用画像診断装置の設定を更新する、請求項11に記載の医用画像診断システム。
- 前記投影データは、第1画像復元モデルを使用して取得され、
前記医用画像診断装置に適応させた復元情報は、第2画像復元モデルを含み、
前記処理回路は、前記第1画像復元モデルを、前記第2画像復元モデルと置き換えることによって、前記医用画像診断装置の設定を更新する、請求項11に記載の医用画像診断システム。 - 前記画像品質データセットは、前記投影データを再構成することによって取得される画像を含む、請求項11に記載の医用画像診断システム。
- 前記処理回路は、前記医用画像診断装置において、前記医用画像診断装置に適応させた復元情報を用いて画像を取得する、請求項11に記載の医用画像診断システム。
- 医用画像診断装置においてイメージングパラメータの第1セットを用い、被検体を透過した放射線の強度を示す投影データを収集し、
前記投影データに関連する画像品質データセットをサーバに送信し、
前記サーバにおいて、前記画像品質データセットに基づいて前記医用画像診断装置に適応させた復元情報を生成し、
前記復元情報を前記医用画像診断装置に送信し、
前記復元情報を用いて、前記医用画像診断装置の設定を更新する、
各処理をコンピュータに実行させる、プログラム。 - 前記被検体はファントムであり、
前記医用画像診断装置における所定のエリアに人間が配置されていないという判定に応じて、操作者による初期処理を伴わずに前記ファントムの前記投影データを取得する処理を前記コンピュータにさらに実行させる、請求項19に記載のプログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/341,622 US20220386977A1 (en) | 2021-06-08 | 2021-06-08 | Method and system for automatic deployment of image restoration parameters |
US17/341,622 | 2021-06-08 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022188000A true JP2022188000A (ja) | 2022-12-20 |
Family
ID=84284715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022091663A Pending JP2022188000A (ja) | 2021-06-08 | 2022-06-06 | 設定方法、医用画像診断システム及びプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220386977A1 (ja) |
JP (1) | JP2022188000A (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230289193A1 (en) * | 2022-03-08 | 2023-09-14 | Verizon Patent And Licensing Inc. | Systems and methods for deploying a distributed containers-as-a-service platform architecture for telecommunications applications |
CN117271969A (zh) * | 2023-09-28 | 2023-12-22 | 中国人民解放军国防科技大学 | 辐射源个体指纹特征在线学习方法、系统、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10242443B2 (en) * | 2016-11-23 | 2019-03-26 | General Electric Company | Deep learning medical systems and methods for medical procedures |
US11062489B2 (en) * | 2018-02-13 | 2021-07-13 | Wisconsin Alumni Research Foundation | System and method for multi-architecture computed tomography pipeline |
-
2021
- 2021-06-08 US US17/341,622 patent/US20220386977A1/en active Pending
-
2022
- 2022-06-06 JP JP2022091663A patent/JP2022188000A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220386977A1 (en) | 2022-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022188000A (ja) | 設定方法、医用画像診断システム及びプログラム | |
US10973489B2 (en) | CT imaging system and method using a task-based image quality metric to achieve a desired image quality | |
US10339655B2 (en) | Automated image evaluation in x-ray imaging | |
US11941786B2 (en) | Image noise reduction method and device | |
JP7451256B2 (ja) | X線システム、画像処理装置及びプログラム | |
US20200090385A1 (en) | Extended high efficiency computed tomography with optimized recursions and applications | |
US20190266436A1 (en) | Machine learning in an imaging modality service context | |
US20220327662A1 (en) | Medical data processing method, model generation method, medical data processing apparatus, and computer-readable non-transitory storage medium storing medical data processing program | |
US20230206404A1 (en) | Image processing apparatus, image processing method, and computer-readable medium | |
JP2022506395A (ja) | 陽電子放出断層撮影(pet)のための人工知能(ai)ベースの標準取込み値(suv)補正及び変動評価 | |
JP7434402B2 (ja) | 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 | |
US8938104B2 (en) | Systems and methods for adaptive filtering | |
EP3719750A1 (en) | Medical imaging artifact correction | |
US11666301B2 (en) | Data correction in X-ray imaging | |
JP2021510579A (ja) | 非スペクトルイメージングシステムを用いたスペクトルイメージング | |
CN110415312B (zh) | 一种获取放射图像方法、系统、装置及存储介质 | |
US11432787B2 (en) | Method and apparatus for image noise reduction | |
US20220414832A1 (en) | X-ray imaging restoration using deep learning algorithms | |
US11461940B2 (en) | Imaging method and device | |
EP3764325B1 (en) | System and program for avoiding focal spot blurring | |
CN115797485A (zh) | 图像去伪影方法、系统、电子设备及存储介质 | |
US20200357150A1 (en) | Method and device for obtaining predicted image of truncated portion | |
EP4232997A1 (en) | Method and system for training and tuning neural network models for denoising | |
US10670744B2 (en) | Current measurement in an imaging system | |
US20240078723A1 (en) | Medical image processing apparatus and medical image processing method |