JP2022505451A - 解剖学的データを用いた活動的な画像の再構成 - Google Patents

解剖学的データを用いた活動的な画像の再構成 Download PDF

Info

Publication number
JP2022505451A
JP2022505451A JP2021521489A JP2021521489A JP2022505451A JP 2022505451 A JP2022505451 A JP 2022505451A JP 2021521489 A JP2021521489 A JP 2021521489A JP 2021521489 A JP2021521489 A JP 2021521489A JP 2022505451 A JP2022505451 A JP 2022505451A
Authority
JP
Japan
Prior art keywords
image
anatomical
organs
different
organ
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.)
Granted
Application number
JP2021521489A
Other languages
English (en)
Other versions
JP7312820B2 (ja
Inventor
フ，ジクン
ワイ． パニン，ウラジミール
シャー，ヴィジャイ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Medical Solutions USA Inc
Original Assignee
Siemens Medical Solutions USA Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens Medical Solutions USA Inc filed Critical Siemens Medical Solutions USA Inc
Publication of JP2022505451A publication Critical patent/JP2022505451A/ja
Application granted granted Critical
Publication of JP7312820B2 publication Critical patent/JP7312820B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • 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
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • 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
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/464—Dual or multimodal imaging, i.e. combining two or more imaging modalities

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pulmonology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

Figure 2022505451000001
医用画像を再構成する方法であって、解剖学的画像に基づいて、被検者の身体中の複数の臓器を識別することと、解剖学的画像に基づいて、複数の臓器のそれぞれに対して、身体中の複数の体積要素を関連付けることと、複数の臓器のそれぞれに対して関連付けられた体積要素に対して、それぞれ異なる処置を用いて身体の活動的な画像を再構成することと、を含む。

Description

「関連出願の相互参照」
本出願は、２０１８年１０月２３日に出願された米国仮出願第１６号／１６７，８１９号に基づく優先権を主張するものであり、上記仮特許出願の開示内容を参照により本明細書に援用するものである。
本開示内容は、概して医用画像化に関し、より具体的には、機能的画像化に解剖学的画像化技術を組み合わせたシステムに関する。
がんや心臓病の検出を可能にするものとして、ポジトロン断層法（ＰＥＴ：positron-emission-tomography）がある。ＰＥＴ画像は、機能的画像化法として考えられている。何故なら、ＰＥＴ画像では、画像化（撮像）された臓器（器官）の異なる領域における放射性トレーサの濃度を経時的に示すことができるからである。放射性トレーサは、既知の位置（例えば、大動脈）で、被検者に内に注入される。センサ（例えば、シリコン光電子増倍管、ＳｉＰＭ）は、様々な場所で陽電子（ポジトロン）対の消滅を経時的に検出する。この消滅の事象は、関心の組織中での血液の流れと放射性トレーサの取り込みを示すことができる。
空間的な解剖学的画像、例えば、コンピュータ断層撮影（ＣＴ：computed tomography）または磁気共鳴画像法（ＭＲＩ：magnetic resonance imagery）と比較して、ＰＥＴ画像は空間的な分解能が低く、信号対ノイズ比が低く、ぼやけ（不鮮明さ）が多めに生じることがある。また、ＰＥＴ画像はより長期間にわたって撮影されるため、被検者の動きに起因するアーチファクトを有することが起こり得る。その結果、ＣＴ画像とＭＲ画像での臓器間の境界は、ＰＥＴ画像と比べてより鮮明である。
多くの医用画像システムでは、ＣＴまたはＭＲ画像化からの空間的情報をＰＥＴ画像再構成中に組み込むことで、解剖学的境界をより明確にし、画質を向上させることが図られている。
幾つかの実施形態では、医用画像を再構成する方法であって、解剖学的画像に基づいて、被検者の身体中の複数の臓器を識別することと；解剖学的画像に基づいて、複数の臓器のそれぞれに対して、身体中の複数の体積要素（ボクセル）を関連付けることと；複数の臓器のそれぞれに対して関連付けられた体積要素に対して、それぞれ異なる処置（プロセス）を用いて身体の活動的な画像を再構成することと；とを含む、方法を提供する。
幾つかの実施形態では、医用画像を再構成するためのシステムであって、医用画像データを受信するように接続された非一時的な機械可読の記憶媒体を含む。機械可読の記憶媒体は、指示を含む。指示を実行するために機械可読の記憶媒体に対してプロセッサが接続される。指示はプロセッサに対して方法を実行させるように構成され、その方法は、解剖学的画像に基づいて、被検者の身体中の複数の臓器を識別することと；解剖学的画像に基づいて、複数の臓器のそれぞれに対して、身体中の複数の体積要素を関連付けることと；複数の臓器のそれぞれに対して関連付けられた体積要素に対して、それぞれ異なる処置を用いて身体の活動的な画像を再構成することと、を含む、システムを提供する。
幾つかの実施形態では、指示を含む、非一時的な機械可読の記憶媒体であって、プロセッサが指示を実行するとき、指示は、プロセッサが医用画像を再構成するようにし、この際、解剖学的画像に基づいて、被検者の身体中の複数の臓器を識別することと；解剖学的画像に基づいて、複数の臓器のそれぞれに対して、身体中の複数の体積要素を関連付けることと、複数の臓器のそれぞれに対して関連付けられた体積要素に対して、それぞれ異なる処置を用いて身体の活動的な画像を再構成することと、を行う、記憶媒体を提供する。
図１Ａは、人の解剖学的マップ図を３次元（３Ｄ）的に示した図である。 図１Ｂは、図１Ａのセグメント化されたの解剖学的マップ中の体積要素を、コンピュータ断層撮影（ＣＴ）スキャナを用いて被検者から収集された解剖学的データに対してマッピングした図である。 図２は、類似性マップを用いて活動的な画像を再構成する際に解剖学的データを適用する方法のフローチャートである。 図３Ａ－３Ｃは、脳の画像を再構成する際に先立つＭＲ解剖学的構造のデータを適用した例を示している。 図４Ａ－４Ｃは、脳の画像を再構成する際に先立つＣＴ解剖学的構造のデータを適用した例を示している。 図５Ａ－５Ｄは、類似性マップを用いて全身の画像を再構成する際に、先立つＣＴ解剖学的構造のデータを適応的に適用した例を示している。 図６Ａ－６Ｄは、適応的な正則化を用いて全身の画像を再構成する際に、先立つＣＴ解剖学的構造のデータを適用した例を示している。 図７Ａは、異なる臓器について異なる動態モデルを示した模式図である。 図７Ｂは、与えられた体積要素について適用可能な動態モデルを決定するために参照されるテーブルを示した模式図である。 図８は、異なる臓器の活動的な画像を再構成する際に、異なる動態モデルを適用する方法のフローチャートである。 図９は、異なる臓器の活動的な画像を再構成する際に、異なる動態モデルを適用する方法の実施形態のフローチャートである。 図１０は、図９の方法の一実施形態例のフローチャートである。 図１１Ａ－１１Ｅは、大動脈のパラメトリック画像に対するＣＴデータの適用を示している。 図１２Ａ－１２Ｄは、肝臓のパラメトリック画像に対するＣＴデータの適用を示している。 図１３は、ＰＥＴ／ＣＴスキャン用の装置の模式図である。
以下の例示的な実施形態の説明は、添付図面を参照して読まれることを意図している。これら図面は、本詳細な説明の全体の一部を成すと考えることができる。
単一の、静的または動的な、ポジトロン断層法（ＰＥＴ：PositronEmission Tomography）画像の再構成アルゴリズムを適用することで、全容積（例えば、被検者の全胴体、または被検者の胴体と頭部）を再構成することができる。このことには、画像全体にわたって均一な正則化強度（regularization strength）を適用することと、画像中のすべての臓器内で均一なパトラック（Patlak）モデルを用いることが含まれ得る。
本明細書に記載の実施形態は、解剖学的マップに基づく静的／パラメトリックな画像の再構成中に、臓器に基づく正則化または臓器に基づく動態モデル（カイネテックモデル）を適用する。幾つかの実施形態では、エミッション（発光）画像の再構成を適応的に正則化するために、解剖学的マップを用いることができる。例えば、解剖学的マップは、各体積要素（ボクセル）をそれぞれの臓器に割り当てることができ、そして、各臓器は、画像再構成用にそれぞれの正則化強度（例えば、０％、１００％、または０％と１００％の間の値）を有することができる。または、解剖学的マップは各体積要素をそれぞれの臓器に割り当てることができ、そして、各臓器をそれぞれの動態モデルに割り当てることができる。解剖学的マップに従って、各体積要素に対応するそれぞれの動態モデルを適用することによって、ＰＥＴ画像を再構成することができる。
幾つかの実施形態では、本明細書に記載のように、再構成用のパラメータまたはアルゴリズムは、人の解剖学的構造に従って適応することができる。臓器が異なれば、生理学や解剖学的構造も相違する。動的再構成では、異なる臓器が異なる動態モデルに従うことがある。例えば、脳の画像化では、コンピュータ断層撮影（ＣＴ）情報と磁気共鳴（ＭＲ）情報のどちらを用いるかによって、先立つ解剖学的構造が異なる可能性がある。例えば、点拡がり関数（ＰＳＦ：point spread function)の再構成では、脳の領域と胴体の領域とでは、それぞれ異なるＰＳＦの幅を適用することができる。また、最大事後確率（ＭＡＰ：maximum a posteriori）の画像再構成では、異なる臓器に対してそれぞれ異なる正則化強度を適用することができる。
活動的な画像の再構成に解剖学的構造マップを組み込むことで、より優れた（よりインテリジェントな）再構成アルゴリズムを提供することができる。例えば、画像化対象の臓器が解剖学的画像（アナトミー・イメージ）と良好な相関を有するか否かによって、再構成では、先立つ解剖学的構造を適用することができる。ＭＲ／ＰＥＴでは、Ｔ１画像を用いることで、ＭＲ／ＰＥＴ中に事前の解剖学的構造を適用することができる。ＰＥＴ／ＣＴの脳の画像化では、先立つ解剖学的構造をオフにすることは可能である。
図１３を参照すると、医用画像化システム１の概略図が示されている。幾つかの実施形態では、本システム１は、解剖学的画像スキャナ２ａと、活動的な（エミッション）画像スキャナ２ｂとを含む。解剖学的画像スキャナ２ａは、コンピュータ断層撮影（ＣＴ）スキャナまたは磁気共鳴（ＭＲ）スキャナとすることができる。活動的な（エミッション）画像スキャナ２ｂは、ポジトロン断層法（ＰＥＴ）スキャナまたは単光子放出コンピュータ断層撮影（ＳＰＥＣＴ）スキャナとすることができる。本システム１は、これらスキャナ２ａ、２ｂの開口部５を通して移動可能となるように、被検者（患者）４を載せるための検査台３と、制御装置６と、プロセッサ（処理装置）７と、駆動装置８と、を含む。制御装置６は、スキャナ２を起動させて、スキャナ２ａ、２ｂによって読み取られる信号を（スキャナ２ａ、２ｂから）受信する。スキャナ２ａは、（スキャナ２ａがＣＴスキャナの場合）Ｘ線を読み取り、または（スキャナ２ａがＭＲスキャナの場合）電波を読み取る。スキャナ２ｂを用いることで、（スキャナ２ｂがＰＥＴスキャナまたはＳＰＥＣＴスキャナの場合）ガンマ線を収集することができる。また、スキャナ２ａ、２ｂ内には、検出器（デテクタ）ブロック９ａ，９ｂ（総称して９と呼ぶ）のリングが配置されていて、検出器ブロック９ａ，９ｂ内での電子と陽電子（ポジトロン）の消滅によって生成される光子を取得する。図１３には、見やすさのために検出器ブロック９ａ、９ｂが２つだけ示されているが、スキャナ２ａ、２ｂは、複数の検出器ブロック９をこれらスキャナ２ａ、２ｂの周囲にシリンダ内に配置することができる。さらに、制御装置６は、検出器ブロック９ａ、９ｂから信号を受信するように動作可能であり、ＰＥＴまたはＳＰＥＣＴ画像を作成するためにこれらの信号を評価することができる。さらに、制御装置６は駆動装置８を動作させて、スキャナ２ａ、２ｂの開口部５を通して、被検者４とともに検査台３を符号Ｚで示す方向に移動させる。制御装置６とプロセッサ７は、例えば、スクリーン（画面）、キーボード、非一時的な機械可読の記憶媒体１２（以下、「記憶媒体」と参照）を有するコンピューターシステムを備えることができ、記憶媒体１２には電子的に可読な制御情報が記憶されていて、この記憶媒体１２がプロセッサ７と制御装置６と共に使用されるときに、以下に説明する方法が実行されるようにしている。
シーメンス社（Siemens）による米国特許出願公開第２０１８／０２６０９５１Ａｌ号及び米国特許出願公開第２０１８／０２６０９５７Ａ１号に記載の装置を利用することは可能である（これら双方の開示内容は参照により本明細書に援用されている）。この装置は、解剖学的画像から臓器を正確にセグメント化（分割）することができる（図１Ａおよび図１Ｂ参照）。この装置が基づく解剖学的アルゴリズムは、適当なランドマークを検出して、３ＤのＣＴ／ＭＲ容積から臓器をセグメント化するが、その際、深層（ディープ）イメージ対イメージのネットワーク（ＤＩ２ＩＮ：deep image-to-image network）を用いて、マルチレベルの特徴量の連続と深層スーパービジョンと結合された畳み込みエンコーダ－デコーダ構造を利用する。
図１Ａを参照すると、３Ｄレンダリングでの解剖学的マップは、１つ以上のＣＴ画像またはＭＲ画像と重ね合わせることができ、その結果、図１Ｂに示すように、ＰＥＴまたは単光子放出コンピュータ断層撮影（ＳＰＥＣＴ）画像の各体積要素は、解剖学的画像データに基づいてその体積要素が割り当てられる臓器に従って再構成することができる。
セグメント化（分割）後、各臓器を識別表に割り当てることができる。例えば、各臓器にはそれぞれ整数を割り当てることができる（表１参照）。各臓器に対応する整数は、それぞれの動態モデル、先立つ解剖学的構造、正則化強度、または同様物、さらにはそれらの組合せに対してマッピングすることができる。解剖学的構造上のマップは、データベースを保存する非一時的な機械可読の記憶媒体を含むことができる。幾つかの実施形態では、データベースは、三次元（３Ｄ）配列を含むことができ、その中で、配列の各要素は、それぞれの体積要素を表すとともに、その体積要素が属する臓器を表す識別子（例えば、整数）を含むことができる。
Figure 2022505451000002
幾つかの実施形態では、各整数は、その整数と関連付けられた臓器をモデル化するために用いられるパラメータ（例えば、Ｋ１、Ｖ０）を定める各表または表エントリーを参照するために使用されてもよい。他の実施形態では、モデルのパラメータは、セグメント化表（分割表）に組み込むことができ、それによって、全ての体積要素がそれぞれの識別子（例えば、整数）を含むエントリーと動態モデルパラメータのセットを有するようにしてもよい。
この解剖学的マップによって、適応性のある正則化中にエミッション画像再構成を導くことや（図２参照）、及び／または、異なる臓器に対して異なる動態モデルを用いることができる（図７Ａ－図８参照）。
ここで図２を参照すると、ステップ２００では、エミッション・データが収集される。幾つかの実施形態では、単一の医用画像化システムは、解剖学的画像を収集するためのＭＲスキャナまたはＣＴスキャナと、放射性トレーサ濃度を表すエミッション・データを収集するためのＰＥＴスキャナまたはＳＰＥＣＴスキャナとを含む。幾つかの実施形態では、解剖学的構造データと活動データ（例えば、ＰＥＴデータとＣＴデータ）の両方とも、被検者がスキャナのベッド上にとどまっていて、ベッドから離れていない間に収集される。
ステップ２０２では、解剖学的データ（ＭＲデータまたはＣＴデータ）は、臓器に関してセグメント化（分割）される。各体積要素はそれぞれの臓器で識別される。例えば、セグメント化は、訓練された検査官によって識別された事前の被検者の臓器のセットを用いて訓練されたニューラルネットワークを用いることで、機械学習（マシーンラーニング）によって実施されてもよい。ニューラルネットワークは、各体積要素を特定の臓器に帰属させる分類を行うように訓練されている。他の実施形態では、画像認識アルゴリズム（例えば、特徴量の抽出）またはクラスタ化アルゴリズムを用いて、体積要素を臓器に割り当てることができる。
ステップ２０４では、それぞれの体積要素が属する臓器に対応して、各体積要素にそれぞれの識別子（例えば、整数）が割り当てられる。
ステップ２０６では、本システムは、各体積要素について解剖学的構造（ＭＲまたはＣＴ）画像に基づいて類似性マップを構築する（以下の数（１）から数（４）に従う）。幾つかの実施形態では、類似性マップは、先立つ解剖学的構造が適用されない１以上の臓器に割り当てられる体積要素を除外する。例えば、幾つかの実施形態では、本システムは、機能的（ＰＥＴまたはＳＰＥＣＴ）画像値が解剖学的（ＭＲまたはＣＴ）画像値と相関しているか否かについて決定する。
類似性マップは、ラジアル・ガウシアン・カーネル（radial Gaussiankernel）を用いて構築することができる。ピクセル（画素）ｊ、ｋでのＰＥＴ画像値ｘは、次の数（１）から求めることができる。
Figure 2022505451000003
この際、カーネルＫは、数（２）によって定められ、αは、数（３）によって定められる係数画像（coefficient image）である。
解剖学的画素ｊ、ｋの各対のカーネル関数Ｋ（ｆj，ｆk）は、次の数（２）で定められる。
Figure 2022505451000004
この際、ｆjとｆkは、画素ｊとｋについてのそれぞれの解剖学的特徴量ベクトルであり、Ｋは、カーネル関数であり、かつパラメータσは、エッジ感度を制御する。
期待値最大化（ＥＭ：expectation maximization）のために、係数画像は次の数（３）によって定められる。
Figure 2022505451000005
Figure 2022505451000006
数３ａは、システム行列であって、この際、ｐｉｊは、デテクタ（検出器）の対ｉ中の体積要素ｊで発生する事象を検出する確率を示し、ｒは、ランダムでかつ散乱した事象を包含するベクトルであり、そして、ＭｄとＮｖは、検出器のビンと体積要素（ボクセル）の数をそれぞれ表す。Ａは、減衰補正係数であり、Ｎは、正規化係数であり、Ｓは、シミュレートされた散乱サイノグラムである。ある臓器についての類似性行列（マップ）Ｋは、次の数（４）によって与えられる。
Figure 2022505451000007
再び図２を参照すると、ステップ２０８では、類似性マップは、反復的画像再構成中に適用され、例えば、数（３）中で、サブセット化による期待値最大化法(OSEM：ordered subset expectationmaximization method)のアルゴリズムを用いる。
ステップ２１０では、システムは再構成された画像を出力する。
図１Ｂの解剖学的マップと表１は、数（４）に従って、類似性マトリックスを構築する際に、活性（活動的）と減衰マップとの間に良好な相関を有する臓器を特に識別するために使用することができる。
数（４）では、解剖学的構造と活性との間で良好な相関を有する臓器中の体積要素ｆjについて、隣接する体積要素ｆk との類似値を算出するが、解剖学的構造と活性との間に良好な相関を有しない臓器中の体積要素については類似値を算出する必要はない。例えば、脳に関するＰＥＴデータとＣＴデータは相関が悪いことが知られているため、脳の中の体積要素については類似値を算出する必要はない。この類似度行列の適応性の算出は、数（４）中のファクター臓器（ｆj）によって制御することができるが、それは、臓器（ｆj）がどの臓器に体積要素ｆjが属しているのかを追跡しているためである。
図３Ａから図３Ｃを参照すると、先立つ解剖学的構造を持たない（機能的) ＰＥＴ画像再構成（図３Ａ参照）と脳の先立つＭＲ解剖学的構造の画像（図３Ｂ参照）との間に良好な相関がある例を示している。図３Ａと図３Ｂの双方では、脳の軟組織が詳細に示されている。その結果、図３ＢのＭＲ画像からの先立つ解剖学的構造の情報を用いて、図３ＡのＰＥＴ画像データを再構成すると、図３Ｃに示すようなより滑らかな画像が得られる。同様に、胴体の解剖学的構造とエミッション情報の間には、ＭＲデータとＣＴデータのどちらがその胴体について用いられたかにかかわらず、良好な相関がある（図３Ａから図３Ｃには示されていない）。
図４Ａから図４Ｃを参照すると、先立つ解剖学的構造を持たない脳の（活動的) ＰＥＴ画像再構成（図４Ａ参照）と、脳の先立つ解剖学的構造のＣＴの画像（図４Ｂ参照）との間に相関が乏しい例が示されている。図４Ａには脳の軟組織の詳細が示されているが、図４ＢではＣＴ画像には骨のみが示されている。結果的に、図４Ｂ中のＣＴ画像から先立つ解剖学的構造の情報を用いて図４ＡのＰＥＴ画像データを再構成することによって、図４Ｃに示すように画像が相当に滑らかにされており、ノイズを減少させながら詳細を喪失させている。したがって、図２のステップ２０６では、脳に関する類似性マップから、頭蓋骨に関する先立つ解剖学的構造のＣＴのデータを除外することが有利となり得る。
図５Ａから図５Ｄを参照すると、減衰マップに基づいて脳の外側に位置する全ての体積要素について、類似性マトリックスが構築されている。本方法では、異なる減衰特性を有する領域を区別して、それらに対して線形減衰係数を割り当てて、減衰マップを提供することで、再構築中のＰＥＴエミッション・データを補正する。脳の外側の領域に先立つ減衰マップをうまく適用することができる。再建された脳は滑らかではない。
図５Ａを参照すると、先立つ解剖学的構造を用いない、ＳＵＶ(standarduptake value）の再構成の結果を示している。画像の胴体部分にはノイズがある。
図５Ｂを参照すると、図５ＡからのＰＥＴデータが示されているが、これは、胴体と脳に対して対応するＣＴ画像から先立つ解剖学的構造データを用いて再構成されている。画像の胴部分は、詳細を許容可能に保持しながらノイズ低減によって改善されているが、画像の脳の部分では詳細は失われている。何故なら、脳の解剖学的構造（ＣＴ）データは脳の活動的（ＰＥＴ）データと相関しないためである。
図５Ｃを参照すると、脳の外側に位置する全ての体積要素について、類似性行列を用いて再構成された画像が示されている。画像の胴体部分は、図５Ｂの胴体と同様に、ノイズ低減の利益を得ているが、脳の部分は、図５Ａの脳の部分と同様に、詳細を保持している。この例では、図５Ｃの脳の中で詳細を保持する利点は、脳の中での先行ノイズ低減のコストを上回っている。
図５Ｄを参照すると、ＣＴデータと重ねられた解剖学的マップが示されている。ＭＲ／ＣＴからの解剖学的マップは、どの臓器に各体積要素が属しているのかを知ることによって、より優れた再構成アルゴリズムを設計するために用いることができる。
本システムは、様々な実施形態で、個々の各臓器について解剖学的構造と活動的データとの間の相関に基づいて、ＰＥＴ画像またはＳＰＥＣＴ画像を再構成するための先立つ解剖学的データを選択的及び／または可変的に適用することができる。本システムは、異なる臓器に対して、異なる正則化または先立つ解剖学的構造を適用することができる。
幾つかの実施形態では、本システムは、精度と、シグナル対ノイズ比とを高めるために、パラメトリック画像化のために異なる臓器に対して異なる動態モデルを適用することができる。
図６Ａから図６Ｄを参照すると、二次の先立つ、適応性のある正規化強度を用いた別の例が示されている。上述のように、解剖学的データと活動的データとが高い相関を示す場合には、ＭＲまたはＣＴの先立つ解剖学的構造を用いることが有利であり、また、解剖学的データと活性データとが非常に低い相関を示す場合には、先立つ解剖学的構造を用いずにＰＥＴ画像を再構成することが有利である。適応性のある正則化強度は、解剖学的データと活動的データとの間の中間の相関のために、ＣＴの先立つ解剖学的構造に基づいて低減された正則化強度を使用可能にする。適応性のある正規化は、ノイズの低減と詳細の保持との間のバランスをとることができる。
図６Ａと図６Ｂを参照すると、均一な正則化強度を用いて再構成された被検者のコロナル図とサジタル図である。胴体については、１００％の正則化強度（ＣＴデータに基づく）であり、脳については、１００％の正則化強度（ＣＴデータに基づく）である。画像の脳の部分が過度に滑らかにされている。図６Ｃと図６Ｄを参照すると、適応性のある正則化強度を用いて、図６Ａと図６Ｂと同じＰＥＴデータから画像を再構成する別の方法が示されている。図６Ｃと図６Ｄを参照すると、脳に適用された正則化強度は、人体の残りの部分に適用されたものの３分の１である。図６Ｃと図６Ｄでは、低減された正則化強度を用いることで、脳の領域ではより良好な分解能が保持され（図６Ａと図６Ｂと比較して）、一方では許容可能なノイズレベルが得られた。これは一例に過ぎず、任意の他の臓器に適用される正則化強度は、０％から１００％の間の任意の値で変えることができる。
または、解剖学的マップをパラメトリック画像化に適用することもできる。例えば、腫瘍（ホットスポット）画像化では、パトラック・モデルは十分であろう。しかし、パラメトリック画像（ＫｉとＤｖ）は、ＳＵＶ画像と比較してノイズが大きく、線形パトラック・モデルは、一部の臓器のパラメトリック画像化には正確ではないかもしれない。幾つかの実施形態では、本システムは、異なる臓器に対して異なる動態モデルを適用することができる。異なる臓器に対して異なる動態モデルを適用することによって、パラメトリック画像の信号対ノイズ比を向上させることが可能となる。
幾つかの実施形態では、各体積要素がどの臓器に割り当てられるかを決定するために、解剖学的マップまたは分割（セグメント化）テーブルが使用されて、各臓器はそれぞれの動態モデルに対して割り当てられる。図７Ａと図７Ｂを参照すると、与えられた臓器の動態モデルに含められるパラメータを決定するためのインデックス法が概略的に示されている。例えば、図７Ｂに示すように、与えられた体積要素に対応する分割テーブルのレコードが整数１を含む場合、その体積要素についてのモデルのパラメータは、モデルテーブルの最初のエントリ（例えば、行または列）で識別される。この場合、モデルテーブルの最初の横列は、線形モデルが使用されることを示し、パラメータＫ１とＶ０が識別され、パラメトリックＫ１とＶ０の画像が再構成される。同様に、モデルテーブルの残りのエントリ（行または列）は、他の臓器に使用されるモデルのパラメータを識別する。
例えば、パラメトリック画像化システムの幾つかの実装では、画像内の体積要素のすべてに対してパトラック・モデルが適用された。パトラック・モデルは、次の数（５）に基づく線形モデルである。
Figure 2022505451000008
この際、Ｒは関心領域内のトレーサの量を示し、Ｃp（ｔ）は血液中のトレーサの濃度を示し、Ｋは周辺（不可逆的な）区画への進入の割合を示し、Ｖ０は中央（可逆的な）区画へのトレーサの分布量を示している。
数（５）のモデルは、体積要素がどの臓器に該当しているかにかかわらず、すべての体積要素が線形モデルに従うと仮定している。ただし、多くの臓器はより複雑な挙動を示す。例えば、図７Ａを参照すると、大動脈、心筋、脳、および肝臓のそれぞれについての４つの異なる概略モデルが示されている。大動脈は通り抜け型と考えられ、トレーサの取り込みはなく、大動脈への入口と大動脈からの出口との間でのトレーサの濃度の変化はない。心筋は、１つの可逆の区画Ｃ１を有するものとしてモデル化することができ、各定数Ｋ1とＫ2は、それぞれトレーサの流入および流出を定める。脳は、可逆の区画Ｃ1と不可逆の区画Ｃ2を有するようにモデル化することができる。パラメータＫ3が追加されており、不可逆の区画Ｃ2による取り込みを示している。肝臓は、Ｃ1とＣ2の２つの可逆の区画を持つものとしてモデル化することができる。肝臓の流出パラメータＫ4が追加されている。
解剖学的マップは、臓器に特徴的なパラメトリック画像化も可能にしており、パラメトリック画像の信号対ノイズ比の向上を可能にしている。解剖学的マップは、高分解能ＭＲ画像またはＣＴ画像から導出することができる。静的またはパラメトリックなエミッション画像の再構成では、解剖学的構造（例えば、ＭＲ及び／またはＣＴ）とエミッション（ＰＥＴまたはＳＰＥＣＴ）画像との間の相関情報は、より正確な動態モデリングを可能にし、パラメトリック画像のノイズを除去し、医用需要に適応するより望ましい補正効果を提供できるようにする。
図８を参照すると、動的な画像化中に、異なる臓器に対して異なる動態モデルを適用する方法のフローチャートが示されている。ステップ８００では、エミッション・データが収集される。幾つかの実施形態では、単一の医用画像化システムは、解剖学的構造の画像を収集するためのＭＲスキャナまたはＣＴスキャナと、放射性トレーサ濃度を表すエミッション・データを収集するためのＰＥＴスキャナまたはＳＰＥＣＴスキャナとを含む。
ステップ８０２では、解剖学的データ（ＭＲデータまたはＣＴデータ）は、臓器へと分割（セグメント化）される。各体積要素はそれぞれの臓器で識別される。この際、図２のステップ２０２に関して上述したように、任意の分割法を用いることができる。
ステップ８０４では、その体積要素が属する臓器に対応して、各体積要素にそれぞれの識別子（例えば、整数）が割り当てられる。
ステップ８０６では、本システムは、各識別子（例えば整数）をそれぞれの動態モデルにマッピングする。例えば、図７Ａまたは図７Ｂに示すようにマッピングしてもよい。
ステップ８０８では、本方法は、各臓器についてループし、各体積要素に対応するそれぞれの動態モデルを適用する。
ステップ８１０では、本システムは、モデルのパラメータの各々についてパラメトリック画像を出力する。
図９を参照すると、異なる動態モデルをそれぞれの臓器に適用する例示的な実施形態が示されている。
ステップ９００では、動的シノグラム・データ、臓器セグメンテーション・マップ、減衰マップ、及び血液入力機能がシステムに入力される。幾つかの実施形態では、シノグラム・データと臓器セグメンテーション・マップは、ＰＥＴまたはＳＰＥＣＴ収集スキャナと、ＣＴまたはＭＲＩスキャナとを有するスキャナを用いて得ることができる。他の実施形態では、シノグラム・データと臓器セグメンテーション・マップは、非一時的な機械可読の記憶媒体からアクセスされる、事前に保存されたデータでもよい。
ステップ９０２では、各臓器がそれぞれの動態モデルに割り当てられる。説明を簡略にするため、図１０の残りのステップは線形パトラック・モデルに基づくが、他の例では、マルチ・コンパートメント・モデルおよび／または非線形モデル等の１つ以上の他のモデルが使用される。
ステップ９０４では、各パラメトリック画像が初期化される。例えば、各パラメトリック画像についての体積要素の全ては、最初に均一な値に設定できる（例えば、全て黒色にする、全て白色にする、または全て灰色にする等）。
ステップ９０８からステップ９１６は、主ループを実行する。
ステップ９０８では、本システムは、期待値最大化を用いてフレーム・エミッション画像を計算する。フレーム・エミッション画像は、シノグラム・データが収集される各時点でのそれぞれのＳＵＶ画像を含む。最初の時点のステップ９０８が実施されると、ステップ９０４からの初期のパラメータ値を用いてフレーム・エミッション画像が計算される。続いて、主ループの前回の反復からのパラメトリック画像を用いて、ステップ９０８の各反復が実行される。
ステップ９１０では、以前の時点のステップの推定に基づいて、各フレーム画像（スキャン中の各収集時点に対応するＳＵＶ画像）が更新される。例えば、第１の時点に対応するフレーム画像に基づいて、第２の時点に対応するフレーム画像が更新される。
ステップ９１２とステップ９１４は、動態モデリングを行うためのインナー・ループを形成する。インナー・ループは、フレーム画像に基づいてパラメトリック画像を更新する。
ステップ９１２では、フレーム・エミッション画像を用いて、それぞれの割り当てられた動態モデルに基づいて、臓器のパラメトリック画像（例えば、ＫｉとＤｖ画像）を更新する。各体積要素について、（各臓器に割り当てられたそれぞれのモデルに応じて）線または曲線が、全ての時点で、その体積要素のフレーム画像データに当てはめられて、パラメータ値（例えば、ＫｉとＤｖ）が決定される。
ステップ９１４では、各臓器について、ステップ９１２でのパラメトリック画像への更新が繰り返される。
ステップ９１６では、所望の数の反復が実行されるまで、ステップ９０８からステップ９１６まで主ループが繰り返される。
ステップ９１８では、一度所望の反復回数が実行されると、各臓器についてのそれぞれのパラメトリック画像が出力される。
図１０を参照すると、それぞれの臓器に対して異なる動態モデルを適用する例示的な実施形態が示されている。この際、臓器には、少なくとも大動脈が含まれている。
ステップ１０００では、動的シノグラム・データ、臓器セグメンテーション・マップ、減衰マップ、及び血液入力機能がシステムに入力される。幾つかの実施形態では、スキャナは、連続的ベッド・モーション（ＣＢＭ：continuous bed motion）モードで動作される。他の実施形態では、ステップ・アンド・スキャン・モードが用いられる。幾つかの実施形態では、シノグラム・データと臓器セグメンテーション・マップは、ＰＥＴまたはＳＰＥＣＴ収集スキャナと、ＣＴまたはＭＲＩスキャナとを有するスキャナとを用いて取得できる。他の実施形態では、シノグラム・データと臓器セグメンテーション・マップは、非一時的な機械可読の記憶媒体からアクセスされる、事前に保存されたデータでもよい。
ステップ１００２では、スキャン（走査）の各軸方向のスライスについて、各時点で、血液トレーサ濃度ＣＢ（ｔ）と、ＣＢ（ｔ）の積分とを計算する。幾つかの実施形態では、パラメトリックＰＥＴについて複数のスキャン・パスの画像スライス参照時間を計算する方法は、細かくサンプリングされた「ベッド・タグ」に基づく。ベッド・タグは、スキャンを通じてベッドの位置と時間の情報を正確に符号化するための座標の対である。ＣＢＭモードでスキャンするシステムでは、ベッド・タグを定期的に記録することができ、ベッドの速度と加速度に関係なく位置対時間の正確な記録を提供する。他の実施形態では、本システムは、ステップ・アンド・シュート（撮影）モードでスキャンする。
ステップ１００４では、各パラメトリック画像（例えば、ＫｉとＤＶ）が初期化される。例えば、各パラメトリック画像について全ての体積要素を最初に均一な値に設定することができる（例えば、全て黒色にする、全て白色にする、または全て灰色にする等）。
ステップ１００５からステップ１０１６は、主ループを実行する。
ステップ１００５とステップ１００７は、正則化ステップを構成する。ステップ１００５では、本システムは、各臓器の体積要素について、各パラメータ（例えば、Ｋｉ、ＤＶ）の平均パラメータ値を計算する。図１０の例では、大動脈に平均パラメータ値が割り当てられている。ＫｉとＤＶは、それぞれ、以下の数（６）と数（７）を用いて体積要素ごとに計算される。
Figure 2022505451000009
Figure 2022505451000010
体積要素ｊが解剖学的マップ中で大動脈に属する場合、平均値（ｍｅａｎ）は次のように計算される。
Ｋij ＝ｍｅａｎ（Ｋij（大動脈））
ＤＶj ＝ｍｅａｎ（ＤＶj（大動脈））
ステップ１００７では、全ての体積要素について計算された平均パラメータ値が、各臓器中の各体積要素に割り当てられる。図１０の例では、ステップ１００５で計算された平均パラメータ値ＫｉとＤＶに各体積要素が設定される。
ステップ１００８では、本システムは、パトラック（Ｐａｔｌａｋ）の数（８）を用いて、フレーム・エミッション画像を計算する。
Figure 2022505451000011
フレーム・エミッション画像は、シノグラム・データが収集される各時点でのそれぞれのＳＵＶ画像を含む。最初の時点でのステップ１００８が実行され、ステップ１００４からの初期パラメトリック画像を用いて、フレーム・エミッション画像が計算される。続いて、主ループの前の反復（ステップ１００５からステップ１０１６）からのパラメトリック画像を用いて、ステップ１００８の各反復が実行される。
ステップ１０１０では、各フレーム画像（スキャン中の各収集時点に対応するＳＵＶ画像）が、ステップ１００８からの推定に基づいて更新される。更新は、次の数（９）に従って行われる。
Figure 2022505451000012
ステップ１０１２とステップ１０１４は、動態モデリングを行うインナー・ループを形成する。
ステップ１０１２では、フレーム・エミッション画像を用いて、それぞれに割り当てられた動態モデルに基づいて、臓器についてパラメトリック画像（例えば、ＫｉとＤｖ画像）を更新する。各体積要素について、全ての時点で、その体積要素のフレーム画像データに対して線または曲線が当てはめられて、パラメータ値（例えば、ＫｉとＤｖ）が決定される。
ステップ１０１４では、各臓器について、ステップ１０１２でのパラメトリック画像への更新が繰り返される。
ステップ１０１６では、所望の数の反復が実行されるまで、ステップ１００８からステップ１０１６までの主ループが繰り返される。
ステップ１０１７では、一度所望の数の反復が実行されると、プロセッサは、ＫｉとＤＶパラメトリック画像を出力する。
図１１Ａから図１１Ｅを参照すると、大動脈の解剖学的マップの適用の前後で、同一の被検者のパラメトリック画像が比較される。
図１１Ａを参照すると、被検者のサジタル図のＣＴ画像が示されている。大動脈はラベル付けされていて、周囲の臓器から容易に区別することができる。図１１ＡのＣＴ画像は、ノイズが低い。
図１１Ｂを参照すると、図１１Ａの大動脈のマップ情報を適用することなく、同一の被検者のサジタル図のＫｉパラメトリック画像が示されている。大動脈は、図１１Ｂではラベル付けされているが、その画像にはノイズが多く含まれている。
図１１Ｃを参照すると、図１１Ａの大動脈のマップ情報を適用した後の、同一の被検者のサジタル図のＫｉパラメトリック画像が示されている。大動脈は図１１Ｃではラベル付けされている。図１１Ｂと比較してノイズは相当に減らされており、大動脈の画質が向上されている。
図１１Ｄを参照すると、図１１Ａの大動脈のマップ情報を適用することなく、同一の被検者のサジタル図のＤＶパラメトリック画像が示されている。大動脈は図１１Ｄではラベル付けされている。その画像にはノイズが多く含まれている。
図１１Ｅを参照すると、図１１Ａの大動脈のマップ情報を適用した後の、同一の被検者のサジタル図のＤＶパラメトリック画像が示されている。大動脈は図１１Ｅではラベル付けされている。ノイズは相当に減らされており、大動脈の画質が向上されている。
図１２Ａから図１２Ｄを参照すると、ＰＥＴパラメトリック画像の処置に対して、肝臓のマップを適用することで得られた肝臓のパラメトリック画像での同様の改善例が示されている。
図１２Ａを参照すると、肝臓のマップを適用することなく、被検者の前方図のＫｉパラメトリック画像が示されている。肝臓は、図１２Ａではラベル付けされているが、その画像にはノイズが多く含まれている。
図１２Ｂを参照すると、肝臓のマップの情報を適用した後の、同一の被検者のサジタル図のＫｉパラメトリック画像が示されている。肝臓は、図１２Ｂではラベル付けされている。図１２Ａと比較して、ノイズは相当に減らされており、肝臓の画質が向上されている。
図１２Ｃを参照すると、肝臓のマップを適用することなく、被検者の前方図のＤＶパラメトリック画像が示されている。肝臓は、図１２Ｃではラベル付けされているが、その画像にははノイズが多く含まれている。
図１２Ｄを参照すると、肝臓のマップの情報を適用した後の、同一の被検者のサジタル図のＤＶパラメトリック画像が示されている。肝臓は、図１２Ｄではラベル付けされている。図１２Ｃと比較して、ノイズは相当に減らされており、肝臓の画質が向上されている。
このように、入れ子（ネスト）状のパトラック画像の再構成中に大動脈または肝臓（または他の関心の臓器）の解剖学的情報を含めることで、パラメトリック画像の大動脈または肝臓の領域における信号対ノイズの比を改善することができる。上記の技術は、他の臓器のパラメトリック画像化にも適用できる。
解剖学的マップは、運動（モーション）補正、散乱（スカッタ）補正、点拡がり関数（ＳＰＦ）等、他のデータ補正方法でも用いることができる。また、様々な実施形態では、解剖学的マップは、以下の観点で、単独で、または任意の組合せで使用することができる。
(ａ) 最大事後確率（ＭＡＰ）画像再構成中に、異なる臓器に対して、それぞれ異なる正則化強度を適用すること。
(ｂ) データ補正アルゴリズムを適応的に適用すること。例えば、脳のプロトコルでは、点拡がり関数（ＰＳＦ）をオフにし、全身のプロトコルでは、ＰＳＦをオンにしてもよい。このシステムは、人体の異なる領域に対して異なる補正方法（例えば、点拡がり関数、散乱スケーリング等）を適用することができる。
(ｃ) 人体の異なる部分に対して異なるＰＳＦ幅を適用すること。例えば、脳については、本方法は、より小さな点拡がり関数を使用し、胴体領域については、点拡がり関数のより大きな幅を使用してもよい。放射線科医は、多くの詳細を有する領域（例えば、脳）に対して、点拡がり関数のより小さな幅を用いて、脳内を見る際のぼやけを少なくしてもよい。胴体については、放射線科医は、ノイズを減らすようにより大きな幅の点拡がり関数を用いて、詳細がより少ない場所では、より一層ノイズを削減してもよい。
(ｄ) 運動補正をより知的に適用すること。運動補正のために、一度セグメンテーション・マップが得られたら、本システムは、すべての体積要素に対してそれらが属する正確な臓器と関連付けることができる。本システムでは、運動を行う（動きを有する）可能性の高い臓器内の体積要素に対して運動補正を適用し、運動を行う可能性の低い臓器に対して運動補正を省略してもよい。例えば、被検者４がベッド３上で静止している場合、脳にはあまり動きが生じないが、肺と心臓には呼吸中に実質的な動きが生じるため、本システムは、胴体内の臓器（例えば、肺と心臓等）に関連付けられた体積要素に対しては運動補正を適用するが、脳に関連付けられた体積要素に対しては運動補正を適用しなくてもよい。
(ｅ) 病変に関する解剖学的情報を適用すること。病変の情報が入手可能であれば、本システムは、解剖学的マップ中に病変の情報を含めることができ、そして、画像領域をより良好に再構築することができる。例えば、病変（例えば、悪性腫瘍）は、解剖学的マップ中では別の臓器として扱うことができ、本システムは、その病変が位置する臓器に対して用いられる動態モデルとは異なる動態モデルをその病変に適用してもよい。このようにして、本システムは、病変に関してより正確な血液活性情報を得ることができる。
本明細書に記載した方法およびシステムは、コンピュータ実装による処置と、それらの処置を行うための装置の形態として、少なくとも部分的に具体化され得る。また、本開示の方法は、コンピュータープログラムコードを符号化した、有形で非一時的な機械可読の記憶媒体の形態として、少なくとも部分的に具体化され得る。この媒体は、例えば、ＲＡＭ、ＲＯＭ、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、ＢＤ－ＲＯＭ、ハードディスクドライブ、フラッシュメモリ、または他の任意の非一時的な機械可読の記憶媒体を含むことができ、コンピュータープログラムコードがコンピュータに備えられて実行されると、コンピュータは、この方法を実施する装置として機能する。また、本方法は、コンピュータープログラムコードを備え、及び／又は実行できるコンピュータの形態として、少なくとも部分的に具体化することができる。それによって、コンピュータは、本方法を実施するための特別な目的を有するコンピュータとなり得る。コンピュータープログラムコードセグメントは、汎用プロセッサを用いて実装されると、特定の論理回路を作成するように、そのプロセッサを構成する。また本方法は、本方法を実施するための特別な集積回路を適用して形成されたデジタル・シグナル・プロセッサにおいて、少なくとも部分的に具体化され得る。
以上、本発明の主題は、例示的な実施形態の観点から説明されているが、それらに限定されない。むしろ、特許請求の範囲は、当業者によって実施可能な他の変更や実施形態を含むように、広く解釈することができる。
１ 医用画像化システム
２ａ ＣＴスキャナ、ＭＲスキャナ（解剖学的画像スキャナ）
２ｂ ＰＥＴスキャナ、ＳＰＥＣＴスキャナ（活動的な（エミッション）画像スキャナ
３ 検査台（ベッド）
４ 被検者
５ 開口部
６ 制御装置
７ プロセッサ（処理装置）
８ 駆動装置

Claims (20)

  1. 医用画像を再構成する方法であって、
    解剖学的画像に基づいて、被検者の身体中の複数の臓器を識別することと、
    前記解剖学的画像に基づいて、前記複数の臓器のそれぞれに対して、身体中の複数の体積要素を関連付けることと、
    前記複数の臓器のそれぞれに対して関連付けられた前記体積要素に対して、それぞれ異なる処置を用いて身体の活動的な画像を再構成することと、
    とを含む方法。
  2. 前記解剖学的画像は、身体のコンピュータ断層撮影（ＣＴ）画像または磁気共鳴（ＭＲ）画像であり、かつ前記活動的な画像は、ポジトロン断層法（ＰＥＴ）画像または単光子放出型コンピュータ断層撮影（ＳＰＥＣＴ）画像である、請求項１記載の方法。
  3. 前記解剖学的画像はＣＴ画像であり、前記活動的な画像はＰＥＴ画像であり、かつ前記再構成には、
    前記解剖学的画像からの情報を用いて、脳を含む前記解剖学的画像の一部を再構成することと、
    前記解剖学的画像からの情報を用いずに、身体の胴体内の臓器を含む前記画像の一部を再構成することと、
    を含む、請求項１記載の方法。
  4. 前記再構成は、前記解剖学的画像からの情報に基づいて１以上の選択された臓器について正則化を行うことを含む、請求項１記載の方法。
  5. 前記選択された臓器は、前記解剖学的画像の体積要素値と前記活動的な画像の体積要素値との間の相関に基づいて選択される、請求項４記載の方法。
  6. 前記正則化は、各体積要素が割り当てられた臓器に基づいて適応的に行われる、請求項４記載の方法。
  7. さらに、複数の臓器のそれぞれ異なるものに対して割り当てられた体積要素に対して、それぞれ異なる動態モデルを適用することを含む、請求項１記載の方法。
  8. さらに、複数の臓器のそれぞれ異なるものに対して割り当てられた体積要素に対して、それぞれ異なる画像補正を適用することを含む、請求項１記載の方法。
  9. 前記それぞれ異なる画像補正は、それぞれ異なる点拡がり関数（ＰＳＦ）を含む、請求項８記載の方法。
  10. 前記それぞれ異なる画像補正は、それぞれ異なる散乱スケーリングを含む、請求項８記載の方法。
  11. 前記それぞれ異なる画像補正は、それぞれ異なる運動補正を含む、請求項８記載の方法。
  12. 医用画像を再構成するためのシステムであって、
    前記医用画像データを受信するように接続され、かつ指示を含む、非一時的な機械可読の記憶媒体と、
    前記指示を実行するために前記機械可読の記憶媒体に接続されたプロセッサであって、前記指示は前記プロセッサに対して方法を実行させるように構成され、前記方法は、
    解剖学的画像に基づいて、被検者の身体中の複数の臓器を識別することと、
    前記解剖学的画像に基づいて、前記複数の臓器のそれぞれに対して、身体中の複数の体積要素を関連付けることと、
    前記複数の臓器のそれぞれに対して関連付けられた前記体積要素に対して、それぞれ異なる処置を用いて身体の活動的な画像を再構成することと、
    を含む、システム。
  13. 前記解剖学的画像はＣＴ画像であり、前記活動的な画像はＰＥＴ画像であり、かつ前記再構成には、
    前記解剖学的画像からの情報を用いて、脳を含む前記解剖学的画像の一部を再構成することと、
    前記解剖学的画像からの情報を用いずに、身体の胴体内の臓器を含む前記画像の一部を再構成することと、
    を含む、請求項１２記載のシステム。
  14. 前記再構成は、前記解剖学的画像からの情報に基づいて１以上の選択された臓器について正則化を行うことを含む、請求項１２記載のシステム。
  15. 前記選択された臓器は、前記解剖学的画像の体積要素値と前記活動的な画像の体積要素値との間の相関に基づいて選択される、請求項１４記載のシステム。
  16. 前記正則化は、各体積要素が割り当てられた臓器に基づいて適応的に行われる、請求項１４記載のシステム。
  17. さらに、複数の臓器のそれぞれ異なるものに割り当てられた体積要素に対して、それぞれ異なる動態モデルを適用することを含む、請求項１２に記載のシステム。
  18. 指示を含む、非一時的な機械可読の記憶媒体であって、プロセッサが前記指示を実行するとき、前記指示は、前記プロセッサが医用画像を再構成するようにし、この際、
    解剖学的画像に基づいて、被検者の身体中の複数の臓器を識別することと、
    前記解剖学的画像に基づいて、前記複数の臓器のそれぞれに対して、身体中の複数の体積要素を関連付けることと、
    前記複数の臓器のそれぞれに対して関連付けられた前記体積要素に対して、それぞれ異なる処置を用いて身体の活動的な画像を再構成することと、
    を行う、非一時的な機械可読の記憶媒体。
  19. 前記解剖学的画像はＣＴ画像であり、前記活動的な画像はＰＥＴ画像であり、かつ前記再構成には、
    前記解剖学的画像からの情報を用いて、脳を含む前記解剖学的画像の一部を再構成することと、
    前記解剖学的画像からの情報を用いずに、身体の胴体内の臓器を含む前記画像の一部を再構成することと、
    を含む、請求項１８記載の非一時的な機械可読の記憶媒体。
  20. さらに、複数の臓器のそれぞれ異なるものに割り当てられた体積要素に対して、それぞれ異なる動態モデルを適用することを含む、請求項１８記載の非一時的な機械可読の記憶媒体。
JP2021521489A 2018-10-23 2019-07-18 解剖学的データを用いた活動的な画像の再構成 Active JP7312820B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/167,819 US10762626B2 (en) 2018-10-23 2018-10-23 Activity image reconstruction using anatomy data
US16/167,819 2018-10-23
PCT/US2019/042312 WO2020086128A1 (en) 2018-10-23 2019-07-18 Activity image reconstruction using anatomy data

Publications (2)

Publication Number Publication Date
JP2022505451A true JP2022505451A (ja) 2022-01-14
JP7312820B2 JP7312820B2 (ja) 2023-07-21

Family

ID=67515149

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021521489A Active JP7312820B2 (ja) 2018-10-23 2019-07-18 解剖学的データを用いた活動的な画像の再構成

Country Status (6)

Country Link
US (1) US10762626B2 (ja)
EP (1) EP3853818A1 (ja)
JP (1) JP7312820B2 (ja)
CN (1) CN112912934B (ja)
CA (1) CA3117317C (ja)
WO (1) WO2020086128A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11100611B2 (en) * 2019-03-29 2021-08-24 GE Precision Healthcare LLC Systems and methods for background noise reduction in magnetic resonance images

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006288458A (ja) * 2005-04-06 2006-10-26 Toshiba Corp 医用画像診断装置及び画像再構成方法
JP2013146540A (ja) * 2011-12-20 2013-08-01 Fujifilm Corp 画像処理装置および画像処理方法、並びに、画像処理プログラム
JP2014508282A (ja) * 2011-01-05 2014-04-03 コーニンクレッカ フィリップス エヌ ヴェ ゲート信号を持つリストモードｐｅｔデータにおいて運動を検出し補正する方法及び装置
JP2015102516A (ja) * 2013-11-27 2015-06-04 株式会社島津製作所 散乱成分推定方法
JP2015121407A (ja) * 2013-12-20 2015-07-02 株式会社東芝 核医学診断装置、画像処理装置および画像処理プログラム
JP2017086903A (ja) * 2015-11-02 2017-05-25 東芝メディカルシステムズ株式会社 医用画像診断システム、形態画像診断装置及び核医学画像診断装置
US20180025512A1 (en) * 2016-07-20 2018-01-25 Shanghai United Imaging Healthcare Co., Ltd. System and method for segmenting medical image

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7534418B2 (en) * 2004-12-10 2009-05-19 The Regents Of The University Of Michigan Imaging agents
FR2886433B1 (fr) * 2005-05-30 2007-09-07 Commissariat Energie Atomique Methode de segmentation d'une sequence d'images tridimensionnelles, notamment en pharmaco-imagerie.
US8724875B2 (en) * 2008-08-15 2014-05-13 Koninklijke Philips N.V. Attenuation correction for PET or SPECT nuclear imaging systems using magnetic resonance spectroscopic image data
US9364192B2 (en) * 2013-03-15 2016-06-14 Siemens Medical Solutions Usa, Inc. Error estimates in quantitative functional imaging
WO2018127507A1 (en) * 2017-01-06 2018-07-12 Koninklijke Philips N.V. Standardized uptake value (suv) guided reconstruction control for improved outcome robustness in positron emission tomography (pet) imaging
US10366491B2 (en) 2017-03-08 2019-07-30 Siemens Healthcare Gmbh Deep image-to-image recurrent network with shape basis for automatic vertebra labeling in large-scale 3D CT volumes
US10600185B2 (en) 2017-03-08 2020-03-24 Siemens Healthcare Gmbh Automatic liver segmentation using adversarial image-to-image network
EP3301649B1 (en) * 2017-09-07 2019-10-30 Siemens Healthcare GmbH Method for processing medical image data and image processing system for medical image data

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006288458A (ja) * 2005-04-06 2006-10-26 Toshiba Corp 医用画像診断装置及び画像再構成方法
JP2014508282A (ja) * 2011-01-05 2014-04-03 コーニンクレッカ フィリップス エヌ ヴェ ゲート信号を持つリストモードｐｅｔデータにおいて運動を検出し補正する方法及び装置
JP2013146540A (ja) * 2011-12-20 2013-08-01 Fujifilm Corp 画像処理装置および画像処理方法、並びに、画像処理プログラム
JP2015102516A (ja) * 2013-11-27 2015-06-04 株式会社島津製作所 散乱成分推定方法
JP2015121407A (ja) * 2013-12-20 2015-07-02 株式会社東芝 核医学診断装置、画像処理装置および画像処理プログラム
JP2017086903A (ja) * 2015-11-02 2017-05-25 東芝メディカルシステムズ株式会社 医用画像診断システム、形態画像診断装置及び核医学画像診断装置
US20180025512A1 (en) * 2016-07-20 2018-01-25 Shanghai United Imaging Healthcare Co., Ltd. System and method for segmenting medical image

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
S. ALENIUS ET AL: "Using Local Median as the Location of the Prior Distribution in Iterative Emission Tomography Image", IEEE TRANSACTIONS ON NUCLEAR SCIENCE, vol. 45, no. 6, JPN6022029581, 1998, pages 3097 - 3104, XP011088285, ISSN: 0004966165, DOI: 10.1109/23.737670 *

Also Published As

Publication number Publication date
WO2020086128A1 (en) 2020-04-30
CA3117317C (en) 2022-04-19
US10762626B2 (en) 2020-09-01
CN112912934B (zh) 2023-01-24
CN112912934A (zh) 2021-06-04
JP7312820B2 (ja) 2023-07-21
EP3853818A1 (en) 2021-07-28
CA3117317A1 (en) 2020-04-30
US20200126214A1 (en) 2020-04-23

Similar Documents

Publication Publication Date Title
US11344273B2 (en) Methods and systems for extracting blood vessel
Wang et al. 3D conditional generative adversarial networks for high-quality PET image estimation at low dose
JP7179757B2 (ja) ディープ畳み込みニューラルネットワークを使用した医用画像化のための線量低減
US20240087130A1 (en) Autonomous multidimensional segmentation of anatomical structures on three-dimensional medical imaging
CN107545584B (zh) 医学图像中定位感兴趣区域的方法、装置及其系统
CN104135931B (zh) 用于减少成像数据中的局部伪影的方法和系统
CN111008984B (zh) 医学影像中正常器官的轮廓线自动勾画方法
CN113711271A (zh) 用于通过正电子发射断层摄影进行肿瘤分割的深度卷积神经网络
US8675936B2 (en) Multimodal image reconstruction
CN109791701B (zh) 具有对噪声诱发的伪影的形成的动态抑制的迭代图像重建
KR101258814B1 (ko) 동적조영증강 유방 ｍｒ 영상에서 조직별 밝기값 보정 및 종양 강성 제약을 적용한 비강체 정합 방법 및 시스템
US11995745B2 (en) Systems and methods for correcting mismatch induced by respiratory motion in positron emission tomography image reconstruction
Li et al. Multienergy cone-beam computed tomography reconstruction with a spatial spectral nonlocal means algorithm
CN108885786B (zh) 医学图像处理
JP7312820B2 (ja) 解剖学的データを用いた活動的な画像の再構成
CN108475419A (zh) 用于计算机断层摄影的数据处理的方法
CN108010093A (zh) 一种pet图像重建方法和装置
Cao et al. Dynamic PET image reconstruction incorporating multiscale superpixel clusters
Sreeja et al. Pseudo Computed Tomography Image Generation from Brain Magnetic Resonance Image for Radiation Therapy Treatment Planning Using DCNN-UNET
CN112365593B (zh) 一种pet图像重建的方法和系统
JP7487406B2 (ja) 鮮鋭性保持呼吸動き補償
Dovletov et al. Bone-Aware Generative Adversarial Network with Supervised Attention Mechanism for MRI-Based Pseudo-CT Synthesis.
Delaplace et al. Dynamic PET reconstruction using KIBF 4D filter within reconstruction algorithm
Agita et al. RECONSTRUCTION OF PET IMAGE BASED ON KERNELIZED EXPECTATION-MAXIMIZATION METHOD
Lötjönen et al. Hippocampal atrophy rate using an expectation maximization classifier with a disease-specific prior

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210825

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210825

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220711

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220719

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221011

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20230117

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230516

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20230526

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230613

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230710

R150 Certificate of patent or registration of utility model

Ref document number: 7312820

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150