JP2023039438A - 画像生成装置、ｘ線ｃｔ装置及び画像生成方法 - Google Patents

Abstract

【課題】２つ以上の物質についてビームハードニング補正が行われた画像を生成する。【解決手段】画像生成装置は、複数の検出器素子で検出された放射線に基づく入力投影データを取得する取得部と、入力投影データに再構成アルゴリズムを適用して複数の未補正画像を再構成する再構成部と、深層学習セグメンテーションネットワークを複数の未補正画像に適用することによって複数の未補正画像を２つ以上の種類の物質構成要素画像にセグメンテーションするセグメンテーション処理部と、順投影に基づいて、２つ以上の種類の物質構成要素画像に対応する出力投影データを生成する第１の生成部と、出力投影データに基づいて補正済み複数物質弁別投影データを生成する第２の生成部と、補正済み複数物質弁別投影データから複数物質構成要素画像を再構成して１つまたは複数の補正済み画像を生成する第３の生成部とを備える。【選択図】図６

Description

本発明の実施形態は、画像生成装置、Ｘ線ＣＴ装置及び画像生成方法に関する。

コンピュータ断層撮影（Computed Tomography：ＣＴ）システムおよび方法は、幅広く使用されており、特に医用イメージングおよび診断向けに使用されている。一般に、ＣＴシステムは、被検体の身体の１つまたは複数の断面スライスの投影画像を生成する。Ｘ線源などの放射線源は、片側（一方の側）から被検体の身体に放射線を照射する。一般にＸ線源の近くにあるコリメータは、被検体の身体に照射される放射線が身体の断面スライスを画定する平面領域（例えば、Ｘ線投影平面）に実質的に絞られるようにＸ線ビームの角度範囲を限定する。被検体の身体を挟んで反対側にある少なくとも１つの検出器（一般には、２つ以上の検出器であることが多い）は、投影平面で身体を透過した放射線を受ける。被検体の身体を透過した放射線の減衰は、検出器から受けた電気信号を処理することによって測定される。一部の実装形態では、マルチスライス検出器構成を用いることにより、平面投影ではなく身体のボリューム投影が提供される。

典型的には、Ｘ線源は、被検体の身体の長軸を中心に回転するガントリに搭載される。検出器も同様に、ガントリに搭載され、Ｘ線源と向き合う。被検体の身体の断面画像は、一連のガントリ回転角度で投影減衰測定を行うことと、ガントリの回転部と固定部との間に設けられたスリップリングを介して投影データ／サイノグラムデータをプロセッサに送信することと、それに続いて、ＣＴ再構成アルゴリズム（例えば、逆ラドン変換、フィルター補正逆投影、Ｆｅｌｄｋａｍｐ型コーンビーム再構成、逐次再構成、または他の方法）を使用して投影データを処理することと、によって取得される。例えば、再構成された画像は、そのそれぞれが被検体（患者）の身体のボリューム要素（ボリュームピクセル又はボクセル）を示す複数の要素（ピクセル）の正方形マトリックスであるデジタルＣＴ画像である場合がある。一部のＣＴシステムには、被検体の身体の平行移動と被検体の身体を基準とするガントリの回転との組み合わせにより、Ｘ線源が身体に対してらせん状の軌道を描くように移動するものもある。次に複数のビュー（Ｘ線源の位置、角度）が用いられて、スライスのまたは複数のそのようなスライスの内部構造を表したＣＴ画像が再構成される。

大部分のＣＴ再構成アルゴリズムは、Ｘ線源が単色であると仮定している。実際は、Ｘ線源は多色で、組織を通るＸ線の減衰はエネルギーに左右される。より高いエネルギー光子は、より低いエネルギー光子よりも減衰しにくいため、検出器に到達するＸ線は、放射源から照射されたＸ線よりも「硬化している」。そのことを考慮しないと、ビームハードニングアーチファクトが、再構成画像に現れることになる。アーチファクトは、カッピング、ならびにダークストリークおよびダークバンドを含む場合があり、それらは、臨床診断に影響を与える可能性がある。例えば、心スキャンの際のビームハードニングが起因する心筋に存在するダークバンドは、虚血と解釈される可能性がある。しかし、現在のスキャナに存在する先進のＣＴ構成を用いた臨床ＣＴのビームハードニング補正は、より困難なものとなる。特に困難なケースは、高密度のＣＴ造影剤（典型的には、ヨウ化物を加えた造影剤）が被検体に注入される場合の心臓イメージングである。このケースでは、複数の一次（主要な）ビームハードニングソースがあり、かつ現在のビームハードニング方法では、複数の物質（マテリアル）のうち１つまたは２つ、多くても２つの物質しか補正されない場合がある。その結果、画像は、複数のビームハードニングソースによって起こった未補正の多くのアーチファクトを含む。

米国特許出願公開第２０１８／０１１６６２０号明細書 米国特許出願公開第２０２０／０１９３６５４号明細書 米国特許出願公開第２０１４／００８６４６５号明細書

Deep Scatter Estimation (DSE): Accurate Real-Time Scatter Estimation for X-Ray CT Using a Deep Convolutional Neural Network

本発明が解決しようとする課題は、２つ以上の物質についてビームハードニング補正が行われた画像を生成することができる画像生成装置、Ｘ線ＣＴ装置及び画像生成方法を提供することである。

実施形態の画像生成装置は、取得部と、再構成部と、セグメンテーション処理部と、第１の生成部と、第２の生成部と、第３の生成部とを備える。取得部は、複数の検出器素子で検出された放射線に基づいて生成された入力投影データを取得する。再構成部は、前記入力投影データに再構成アルゴリズムを適用することに応じて複数の未補正画像を再構成する。セグメンテーション処理部は、２つ以上の種類の物質構成要素画像にセグメンテーションするように学習された深層学習セグメンテーションネットワークを前記複数の未補正画像に適用することによって前記複数の未補正画像を２つ以上の種類の物質構成要素画像にセグメンテーションする。第１の生成部は、順投影に基づいて、前記２つ以上の種類の物質構成要素画像に対応する出力投影データを生成する。第２の生成部は、前記出力投影データに基づいて補正済み複数物質弁別投影データを生成する。第３の生成部は、前記補正済み複数物質弁別投影データから複数物質構成要素画像を再構成して１つまたは複数の補正済み画像を生成する。

図１は、本開示の例示的実施形態によるＸ線ＣＴ装置（ＣＴスキャナシステム）の実装形態の概略を示す図である。 図２Ａは、一連の単一のエネルギー（single energy（シングルエナジー））の未補正画像のうちの一つの単一のエネルギーの未補正画像の例である画像を示す図である。 図２Ｂは、セグメンテーションネットワークを学習させるために使用される、スペクトルＣＴスキャンにより得られる一連のラベル付けされた画像（ラベルが付与された画像）のうちのラベル付けされた画像の例である画像を示す図である。 図２Ｃは、セグメンテーションネットワークを学習させるために使用される、スペクトルＣＴスキャンにより得られる一連のラベル付けされた画像（ラベルが付与された画像）のうちのラベル付けされた画像の例である画像を示す図である。 図２Ｄは、Ｘ線管に対応する異なる投影角度に従って投影を生じさせるシステム（Ｘ線ＣＴ装置）を示す図である。 図３Ａは、複数の物質をベースにした深層学習型コンピュータ断層撮影ビームハードニング補正（Computed Tomography Beam Hardening Correction：ＣＴ ＢＨＣ）方法で使用されるセグメンテーションネットワークを学習させるための方法の、非限定的な一例のフロー図を示す図である。 図３Ｂは、３次元の複数の物質をベースにした深層学習型コンピュータ断層撮影ビームハードニング補正（ＣＴ ＢＨＣ）方法のために深層学習補正ネットワークに学習させる方法の非限定的な一例のフロー図を示す図である。 図４は、２つ以上の物質および一部の実施形態では３つ以上の物質のビームハードニング補正のために、図３Ａの学習済みセグメンテーションネットワーク及び図３Ｂの学習済み深層学習補正ネットワークを利用する、複数の物質をベースにした深層学習型コンピュータ断層撮影ビームハードニング補正（ＣＴ ＢＨＣ）方法の非限定的な一例のフロー図を示す図である。 図５Ａは、３次元の複数の物質をベースにしたＣＴ ＢＨＣを適用する前の未補正画像の一例を示す図である。 図５Ｂは、図５Ａの未補正画像にＣＴ ＢＨＣを適用した後の画像を示す図である。 図６は、実施形態に係る再構成回路が備える機能の一例を説明するための図である。

添付の図面に関連して以下に述べる説明は、開示される主題の種々の態様の説明を意図したものであり、必ずしも一態様のみを表すことを意図しているわけではない。特定の例において、その説明は、開示される主題の理解を促す目的で特定の詳細を含む。しかし、各態様は、これらの特定の詳細を伴わずに実施され得ることが当業者には明白であろう。場合によっては、よく知られている構造および構成要素が、開示される主題の概念が曖昧になることを避けるためにブロック図で示される場合がある。

「一態様」または「態様」に対する本明細書全体にわたる言及は、開示される主題の少なくとも１つの態様に含まれる態様に関連して記載されている特定の特性、構造、特徴、操作または機能を意味する。したがって、本明細書における語句「一態様では」または「態様では」のいずれの表現も、必ずしも同じ態様を言及しているわけではない。さらに、特定の特性、構造、特徴、操作または機能は、１つまたは複数の態様において任意の適切な方法で組み合わされてよい。さらに、開示される主題の態様は、当業者により変更及び修正され得る態様も含み得る。

本明細書中および特許請求の範囲で使用されるような単数形は、矛盾しない限り、また、文脈上特に明記されていない限り複数形を含む点に注意する必要がある。すなわち、矛盾しない限り、また、明確に特定していない限り、本明細書で使用するような単数形の構成は、「１つまたは複数」の構成といった意味を持つ。また、本明細書で使用される場合がある「上部」、「底部」、「正面」、「後部」、「側面」、「内部」、「外部」などの用語は、単に判断の基準を説明するだけのものであり、必ずしも開示される主題の態様を任意の特定の方向または構成に限定するものではないことを理解されたい。さらに、「第１」、「第２」、「第３」などの用語は、本明細書に記載のいくつかの構成部分、構成要素、判断の基準、操作および／または機能の１つを単に特定するだけのものであり、同様に、必ずしも開示される主題の態様を任意の特定の構成または方向に限定するものではない。

図１は、本開示の例示的実施形態によるＸ線ＣＴ装置（ＣＴスキャナシステム）の実装形態の概略を示している。図１に示すように、Ｘ線ＣＴ装置は、放射線撮影ガントリ１００を備える。放射線撮影ガントリ１００は、側面から見て描かれており、Ｘ線管１０１、環状フレーム１０２、及び、多列または２次元アレイ型Ｘ線検出器１０３を備える。Ｘ線管１０１及びＸ線検出器１０３は、被検体ＯＢＪを挟んで環状フレーム１０２に正反対に設けられる。環状フレーム１０２は、回転軸ＲＡ（または回転の軸）を中心に回転可能に支持される。回転装置１０７は、環状フレーム１０２を高速、例えば０．４秒／回転で回転させ、同時に、被検体ＯＢＪは、軸ＲＡに沿って図示されている面の奥の方向または手前の方向に移動される。Ｘ線ＣＴ装置は、画像生成装置の一例である。

Ｘ線ＣＴ装置は、種々の種類の装置を含む。例えば、Ｘ線ＣＴ装置は、検査される被検体を中心にしてＸ線管およびＸ線検出器が共に回転する回転／回転型装置（rotate/rotate-type apparatus）であってもよい。また、Ｘ線ＣＴ装置は、多数の検出器素子が環状または平面状に配列され、かつ検査される被検体を中心にしてＸ線管のみが回転する固定／回転型装置（stationary/rotate-type apparatus）であってもよい。本明細書に記載の技法および構成要素は、いずれのタイプにも適用可能である。なお、ここでは、Ｘ線ＣＴ装置が回転／回転型装置である場合について、一例として説明する。

Ｘ線ＣＴ装置は、例えば、マルチスライスＸ線ＣＴ装置であり、放射線撮影ガントリ１００は、更に、スリップリング１０８及びＸ線検出器１０３を備える。また、Ｘ線ＣＴ装置が備えるコンソールは、高電圧発生器１０９を備える。この高電圧発生器１０９は、Ｘ線管１０１がＸ線を生成するように、スリップリング１０８を介してＸ線管１０１に印加される管電圧を生成する。Ｘ線は、内側に被検体ＯＢＪが描かれている円により、その断面エリアが表されている被検体ＯＢＪに向かって放射される。Ｘ線管１０１を使用して、異なるＸ線エネルギーに対応する２回以上のスキャンが得られる場合がある。Ｘ線検出器１０３は、被検体ＯＢＪを透過した放射Ｘ線を検出するために、被検体ＯＢＪを挟んでＸ線管１０１の反対側に配置される。Ｘ線検出器１０３は、個々の検出器素子または検出器ユニットをさらに備える。すなわち、Ｘ線検出器１０３は、複数の検出器素子または複数の検出器ユニットを備える。複数の検出器素子または複数の検出器ユニットは、Ｘ線を検出し、検出したＸ線に応じた信号を出力する。

Ｘ線ＣＴ装置は、Ｘ線検出器１０３からの検出信号を処理する図１に示す他のデバイスをさらに備える。すなわち、Ｘ線ＣＴ装置の放射線撮影ガントリ１００は、データ取得回路またはデータ取得システム（Data Acquisition System：ＤＡＳ）１０４、非接触データ送信機１０５、回転装置１０７を更に備える。また、Ｘ線ＣＴ装置のコンソールは、前処理回路１０６、システムコントローラ１１０、記憶回路１１２、電流調整器１１３、再構成回路１１４、入力デバイス１１５及びディスプレイ１１６を備える。前処理回路１０６、システムコントローラ１１０及び再構成回路１１４は、例えば、プロセッサにより実現される。ＤＡＳ１０４は、チャンネルごとのＸ線検出器１０３から出力された信号を電圧信号に変換し、電圧信号を増幅し、増幅された電圧信号をデジタル信号へと変換する。Ｘ線検出器１０３およびＤＡＳ１０４は、１回転当たりの所定の全投影数（Total Number of Projections Per Rotation：ＴＰＰＲ）を処理するよう構成されている。

上述のＤＡＳ１０４によりデジタル信号へと変換されたデータは、検出データとして、放射線撮影ガントリ１００外部のコンソール（Ｘ線ＣＴ装置が備える上述したコンソール）内に収容された前処理回路１０６に、非接触データ送信機１０５を介して送信される。前処理回路１０６は、検出データに対して感度補正などのある特定の補正を実施する。前処理回路１０６により補正された検出データは、生データとも称され、また、前処理回路１０６により補正が施される前の検出データ及び生データは、投影データとも称される。更に、ＤＡＳ１０４から出力される検出データ、及び、生データは、サイノグラムデータ（単にサイノグラムとも称される）とも称される。記憶回路１１２は、例えば、メモリにより実現される。記憶回路１１２は、少なくとも、再構成処理直前の段階における投影データ、すなわち、生データを記憶する。記憶回路１１２は、再構成回路１１４、入力デバイス１１５、およびディスプレイ１１６と共に、データ／制御バス１１１を介してシステムコントローラ１１０に接続される。システムコントローラ１１０は、ＣＴシステムを駆動させるのに充分なレベルに電流を制限する電流調整器１１３を制御する。

Ｘ線検出器１０３は、どの世代のＸ線ＣＴ装置であっても、被検体ＯＢＪに対して回転および／または固定される。一実装形態において、上述のＸ線ＣＴ装置は、第３世代幾何学システムと第４世代幾何学システムとが組み合わせられた例である場合がある。第３世代システムでは、Ｘ線管１０１とＸ線検出器１０３とは、環状フレーム１０２に正反対に載置され、環状フレーム１０２が回転軸ＲＡを中心にして回転するときに、被検体ＯＢＪを中心にして回転する。第４世代幾何学システムでは、Ｘ線検出器１０３は被検体ＯＢＪの周辺に固定して配置され、Ｘ線管１０１は被検体ＯＢＪを中心にして回転する。代替的実施形態において、放射線撮影ガントリ１００は、Ｃアームおよびスタンドによって支持されている環状フレーム１０２に設けられた複数のＸ線検出器を有する。

記憶回路１１２は、Ｘ線検出器１０３で検出されたＸ線照射量を示す測定値を記憶することができる。さらに、記憶回路１１２は、例えば、１つまたは複数のニューラルネットワークに学習させるための本明細書に記載の方法の種々のステップの実行に関する専用のプログラム、及び、１つまたは複数のニューラルネットワークを使用するための本明細書に記載の方法の種々のステップの実行に関する専用のプログラムを記憶することができる。

再構成回路１１４は、本明細書に記載の方法の種々のステップを実行することができる。さらに、再構成回路１１４は、必要に応じて、ボリュームレンダリング処理、および画像差分処理などの画像処理を実行できる。

前処理回路１０６によって実施される投影データの再構成前処理は、例えば検出器較正、検出器非線形性、および極性効果を補正することを含む場合がある。

再構成回路１１４によって実施される再構成後処理は、必要に応じて、画像フィルタリングおよび画像平滑化、ボリュームレンダリング処理、ならびに画像差分処理を含む場合がある。再構成回路１１４は、メモリ（例えば記憶回路１１２）を使用して、イメージング特有情報、例えば、投影データ、再構成画像、較正データおよびパラメータ、ならびにコンピュータプログラムなどを記憶することができる。

前処理回路１０６、システムコントローラ１１０及び再構成回路１１４は、個別論理ゲート、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ）、または他の複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）として実装されることがあるＣＰＵ（処理回路）を備える場合がある。ＦＰＧＡまたはＣＰＬＤの実装形態は、ＶＨＤＬ、Ｖｅｒｉｌｏｇ、または任意のその他のハードウェア記述言語でコード化されてもよく、かつ、そのコードは、ＦＰＧＡまたはＣＰＬＤ内の電子メモリ内に直接記憶されるか、または別個の電子メモリとして記憶されてよい。さらに、記憶回路１１２は、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭまたはＦＬＡＳＨ（登録商標）メモリのような不揮発性メモリであってもよい。記憶回路１１２は、静的または動的ＲＡＭなどの揮発性メモリとすることができ、電子メモリおよびＦＰＧＡまたはＣＰＬＤとメモリとの相互動作を管理するために、マイクロコントローラまたはマイクロプロセッサなどのプロセッサが設けられてもよい。また、記憶回路１１２は、不揮発性メモリ及び揮発性メモリの両方のメモリにより実現されてもよい。

前処理回路１０６、システムコントローラ１１０及び再構成回路１１４のＣＰＵは、本明細書に記載の機能を実施するコンピュータ可読命令のセットを含むコンピュータプログラムを実行することができ、このプログラムは、上述の非一時的電子メモリおよび／またはハードディスクドライブ、ＣＤ、ＤＶＤ、ＦＬＡＳＨ（登録商標）ドライブまたは任意のその他の既知の記憶媒体のいずれかに記憶される。さらに、このコンピュータ可読命令は、実用アプリケーション、バックグラウンドデーモン、またはオペレーティングシステムのコンポーネント、あるいはそれらの組み合わせとして提供されてもよく、米国インテル社のＸｅｎｏｎプロセッサ、または米国ＡＭＤ社のＯｐｔｅｒｏｎプロセッサなどのプロセッサ、ならびに、Ｍｉｃｒｏｓｏｆｔ社のＶＩＳＴＡ、ＵＮＩＸ（登録商標）、Ｓｏｌａｒｉｓ、ＬＩＮＵＸ（登録商標）、Ａｐｐｌｅ社のＭＡＣ－ＯＳおよび当業者に既知の他のオペレーティングシステムなどのオペレーティングシステムと連動して実行される。さらに、ＣＰＵは、命令を実施するために並行して協動する複数のプロセッサとして実装されることがある。

一実装形態において、再構成画像は、ディスプレイ１１６で表示される場合がある。ディスプレイ１１６は、ＬＣＤディスプレイ、ＣＲＴディスプレイ、プラズマディスプレイ、ＯＬＥＤ、ＬＥＤまたは当該技術分野において既知の任意の他のディスプレイとすることができる。

記憶回路１１２は、ハードディスクドライブ、ＣＤ－ＲＯＭドライブ、ＤＶＤドライブ、ＦＬＡＳＨ（登録商標）ドライブ、ＲＡＭ、ＲＯＭまたは当該技術分野において既知の任意のその他の電子記憶装置とすることができる。

図２Ａは、一連の単一のエネルギー（single energy（シングルエナジー））の未補正画像のうちの一つの単一のエネルギーの未補正画像の例である画像２０２を示す図である。図２Ｂおよび図２Ｃは、セグメンテーションネットワークを学習させるために使用される、スペクトルＣＴスキャンにより得られる一連のラベル付けされた画像（ラベルが付与された画像）のうちのラベル付けされた画像の例である画像２０４および２０６を示す図である。特に、画像２０２は、被検体の頭骨で囲まれている脳の通常のＣＴ画像である。さらに、画像２０４は、デュアルエナジー（Dual Energy：ＤＥ）によって得られた画像２０２の頭骨に関連する骨領域を図示した画像である。また、画像２０４は、骨画像としてラベル付けされている。さらに、画像２０６は、ＤＥによって得られた画像２０２の頭骨内部の水領域を図示した画像である。また、画像２０６は、水画像としてラベル付けされている。骨画像としてラベル付けされた画像２０４および水画像としてラベル付けされた画像２０６は、セグメンテーションネットワークを学習させるために使用されるが、任意の他のタイプのラベル付けされた画像も、セグメンテーションネットワークを学習させるために用いられてもよい。なお、セグメンテーションネットワークとして、例えば、深層学習ニューラルネットワークが用いられる。

図２Ｄは、Ｘ線管２２０に対応する異なる投影角度に従って投影を生じさせるシステム（Ｘ線ＣＴ装置）２０８を示す図である。Ｘ線管２２０は、４５度の投影角度に配置されており、また検出器アレイ（Ｘ線検出器）２２４は被検体２２６の周囲を回転する。Ｘ線管２２０からのＸ線光子２２８は、被検体２２６で減衰し、Ｘ線管２２０の４５度の投影角度で投影される減衰したＸ線光子２２８を検出するように配置されている検出器アレイ２２４によって検出され、それにより第１投影が生じる。同様に、Ｘ線管２２０は、９０度、または１３５度の投影角度で配置されていてもよく、したがって、対応する投影は、Ｘ線管２２０の異なる投影角度で得ることができる。

図３Ａは、複数の物質をベースにした深層学習型コンピュータ断層撮影ビームハードニング補正（ＣＴ ＢＨＣ）方法で使用されるセグメンテーションネットワークを学習させるための方法の、非限定的な一例のフロー図３００Ａを示す図である。

図３Ａでは、オンライン補正システムで使用される学習済み深層学習セグメンテーションネットワークを生成するためのオフライン学習プロセスの一部が示されているが、他のネットワーク（例えば、２Ｄまたは３ＤのＵネット・ネットワーク又は残差ネットワーク）も使用することができる。セグメンテーションネットワークとして深層学習ニューラルネットワークを使用する場合、この深層学習ニューラルネットワークは、入力学習データ（input training data）として単一のエネルギーの未補正画像データ３０４（例えば、図２Ａに示す画像２０２）、及び、ラベル付けされたデータとしてスペクトルＣＴスキャンにより得られた画像データ３０６に基づいて画像をセグメンテーションするように学習される。単一のエネルギーの未補正画像データ３０４は、７０から１４０ｋＶｐ（１２０ｋＶｐが望ましい）のエネルギー範囲幅で単一の多色性Ｘ線ビーム源によって生成される画像を含む。単一のエネルギーの未補正画像データ３０４は、アーチファクトを含む。ラベル付けされた画像データ３０６（例えば、図２Ｂに示す画像２０４）は、デュアルエナジーまたはフォトンカウンティングスキャンによって生成され、かつ未補正画像を分離するようにセグメンテーションアルゴリズム（セグメンテーションネットワーク）３０２を（例えば、単一のエネルギーの画像（single energy images）でハウンスフィールド単位（ＨＵ）を重複させることによって）学習させるために利用される。

画像のセグメンテーションには、少なくとも１つの減衰係数の計算が必要である。デュアルエナジーコンピュータ断層撮影では、線形減衰係数は、下記の式（１）で表される。

式（１）中、μ_１（Ｅ）及びμ_２（Ｅ）は、光子エネルギーの関数として知られており、ｃ_１及びｃ_２は空間的に変動し、かつエネルギーに依存しない。さらにμ（Ｅ）は、下記の式（２）で表される。

ここで、ρ_ｅは、電子密度であり、Ｚは、実効原子番号である。ピクセルベースのρ_ｅ及びＺマップを使用することによって、スペクトル情報および既知の組織要素情報を用いて２つの方程式を解くことが可能である。既知のシステムは、組織および骨をセグメンテーションするそのような技法などを使用しているが、分離する必要があるより多くの物質（例えば、複数の造影剤、組織、骨、およびネジ、プレートなどの身体内部の金属）に対して技法を拡張することも可能である。この技法を使用することにより、水、骨、軟組織およびヨウ素を含む異なる物質に関連するセグメンテーションされた画像を生成することができ、また、生成された画像は、セグメンテーションネットワークに学習させるオフライン学習プロセスの一部として使用されることができる。そして、結果として生じるネットワークは、図４で後述するようにオンライン補正プロセスの一部として使用される。

図３Ｂは、３次元の複数の物質をベースにした深層学習型コンピュータ断層撮影ビームハードニング補正（ＣＴ ＢＨＣ）方法のために深層学習補正ネットワークに学習させる方法の非限定的な一例のフロー図３００Ｂを示す図である。すなわち、そのようなネットワークは、サイノグラムデータに影響を及ぼす多数の物質（２つよりも多い物質）のビームハードニングの影響を考慮して入力サイノグラムを補正するように学習される場合がある。さらに、そのようなネットワークはまた、理想とされる単一のエネルギーソースの代わりに、ＣＴ画像を生成するのに使用される複数のエネルギーレベルの使用を好ましくは補償する。

２マテリアルのポリ・トゥ・モノ（ｐｏｌｙ－ｔｏ－ｍｏｎｏ）ビームハードニングでは、補正済みサイノグラムは、下記の式（３）に従って、入力サイノグラムから生成されることができる。

式（３）中、ＰＬ_１（ｃ，ｓ，ｖ）及びＰＬ_２（ｃ，ｓ，ｖ）は２つの異なる物質の経路長サイノグラムであり、ＰＤ_ＩＮ（ｃ，ｓ，ｖ）は入力サイノグラムであり、ＰＤ_ＢＨＣ（ｃ，ｓ，ｖ）は補正済みサイノグラムである。また、（図２Ｃを参照して説明したように）ｃは検出器チャンネルのインデックス、ｓはセグメントのインデックス、ｖは、投影ビューのインデックスである。また、ＢＨＣ３Ｄ２Ｍは、補正テーブルとして機能する４次元テーブルである。

さらに、ＢＨＣ３Ｄ２Ｍは下記の式（４）により計算することができる。

式（４）において、ＭｏｎｏＣｎｔは、以下の式（５）により表され、ＰｏｌｙＣｎｔは、以下の式（６）により表され、Ｐ_０は、以下の式（７）により表される。

ここで、ｌ_１，ｌ_２，・・・ｌ_ｎはｎ個の異なる物質の経路長である。また、μ_１，μ_２，・・・μ_ｎは２つの物質の線形減衰係数である。また、Ｉ_０は、ウエッジ後カウントである。このウエッジ後カウントとは、ウエッジおよびフィルタリング後のＸ線源のカウントである。

しかしながら、物質の数が２個からｎ個に増えると、結果として生じる補正計算は、下記の式（８）となる。

式（８）中、ＰＬ_１（ｃ，ｓ，ｖ），ＰＬ_２（ｃ，ｓ，ｖ），・・・ＰＬ_ｎ（ｃ，ｓ，ｖ）は、ｎ個の異なる物質の経路長サイノグラムである。しかし、ＢＨＣ３ＤｎＭは、４次元補正テーブルではなく、（ｎ＋２）次元テーブルであるため、ＢＨＣ３ＤｎＭのサイズは、ｎの値が増えると急激に大きくなってしまう。したがって、ＢＨＣ３ＤｎＭ補正テーブルを、未補正サイノグラムデータに基づいて補正済みサイノグラムデータを出力するように学習されたニューラルネットワークに置き換えることが望ましい。

図３Ｂは、モンテカルロ型データ生成方法３１０を用いる深層学習補正ネットワーク３０８の例示的な学習方法を示す。深層学習補正ネットワーク３０８は、サイノグラムデータに対してビームハードニング補正を実施する。深層学習ビームハードニング補正ネットワークの学習には、学習のために大量のデータが必要である。そのため、モンテカルロ型データ生成方法３１０は、深層学習補正ネットワーク３０８に入力される学習データを生成するために使用される。加えて、生成されたデータを単一のエネルギーデータとして扱うために、学習データは、ポリ・トゥ・モノ補正アルゴリズム３１２に入力され、ポリ・トゥ・モノ補正アルゴリズム３１２の出力は、学習時の深層学習補正ネットワーク３０８用のラベルデータとして使用される補正済みデータ３１４である。モンテカルロ型データ生成方法３１０は、以下の３つのランダムジェネレータを利用する。
１）２つの独立した一様分布ジェネレータを使用して、（ａ）チャンネルｃ_ｉ及び（ｂ）セグメントｓ_ｊのインデックス「ｉ」及び「ｊ」を生成する。ここで、ｃ_ｉは範囲（０，Ｎ_ｃｈｎ）内の１つの値をとることができ、ｓ_ｊは範囲（０，Ｎ_ｓｅｇ）内の値をとることができる。
２）１つの一様分布ジェネレータを使用して、総経路長（または総投影長）ｔｌ_ｋを生成する。ここで、ｔｌ_ｋは、範囲（ＴＬ_ｍｉｎ，ＴＬ_ｍａｘ）内の値をとることができる。
さらに、異なる物質の経路長は、ディリクレ分布を使用してサンプリングすることができ、下記の式（９）で表される。

式（９）中、Ｂ（α）は正規化定数であり、Ｎは物質の数である。
Ｂ（α）は下記の式（１０）で表される。

モンテカルロ型データ生成方法３１０の一部として、サンプリングされたチャンネル、セグメントおよび総経路長から異なる物質の一連の経路長の値が生成されると、これらの値は、ポリ・トゥ・モノ補正アルゴリズム３１２に入力されて、補正済みデータ３１４とも呼ばれる、対応するビームハードニング補正値が決定される。それに応じて、ポリ・トゥ・モノ補正アルゴリズム３１２を使用することによってビームハードニング補正値が決定されると、深層学習補正ネットワーク３０８は、学習データであるデータの一部、および試験データであるデータの一部を使用して学習される。すなわち、深層学習補正ネットワーク３０８は、サイノグラムデータ及び補正済みデータ３１４を用いて学習される。学習済み深層学習補正ネットワーク３０８は、次に、オンライン補正システムの構成要素として使用される。

図４は、２つ以上の物質および一部の実施形態では３つ以上の物質のビームハードニング補正のために、図３Ａの学習済みセグメンテーションネットワーク３０２及び図３Ｂの学習済み深層学習補正ネットワーク３０８を利用する、複数の物質をベースにした深層学習型コンピュータ断層撮影ビームハードニング補正（ＣＴ ＢＨＣ）方法の非限定的な一例のフロー図４００を示す図である。

ステップ４０２で、再構成回路１１４は、入力投影サイノグラムデータを前処理回路１０６から受信する。入力投影サイノグラムデータは、スキャンされる被検体（スキャン対象の被検体）に関連する未補正画像サイノグラムデータを含む。

続いて、ステップ４０４で、再構成回路１１４は、受信された入力投影サイノグラムデータに対して画像再構成を行い、複数の再構成画像（未補正画像）を生成する。一例として、図５Ａは、再構成回路１１４により生成された未補正画像５０２を示している。再構成回路１１４は、入力投影サイノグラムデータから再構成画像を生成するために実行される命令を含む。一実施形態では、未補正画像サイノグラムデータの再構成は、再構成アルゴリズム（Ｆｅｌｄｋａｍｐ－Ｄａｖｉｓ－Ｋｒｅｓｓ（ＦＤＫ）解析アルゴリズムまたはフィルター補正逆投影（Filtered Back Projection：ＦＢＰ）アルゴリズム）を適用することによって実施されるが、任意の他のタイプの解析アルゴリズムまたは逐次再構成アルゴリズムが、ステップ４０２で受信される入力投影サイノグラムデータに対して使用されてもよい。

ステップ４０６で、図３Ａに示す学習済みセグメンテーションネットワーク３０２が、再構成画像に適用されて、画像がセグメンテーションされる。例えば、学習済みセグメンテーションネットワーク３０２が記憶回路１１２に記憶されており、ステップ４０６では、記憶回路１１２に記憶された学習済みセグメンテーションネットワーク３０２が用いられる。図３Ａに示すように、学習済みセグメンテーションネットワーク３０２は、入力された複数の再構成画像のそれぞれを、学習済みセグメンテーションネットワーク３０２がセグメンテーションするように学習された物質の種類（例えば、軟組織、骨、ヨウ素、および他の高密度コントラスト領域）に対応するＩｍｇ_１，Ｉｍｇ_２，Ｉｍｇ_ｉ，・・・Ｉｍｇ_ｎで表された異なる物質画像４０６ａにセグメンテーションする。なお、物質画像は基準物質画像とも称される。すなわち、学習済みセグメンテーションネットワーク３０２は、入力された複数の再構成画像のそれぞれに対してセグメンテーションを行い、対応する種類の物質がセグメンテーションされた結果を示す物質画像４０６ａを出力する。ステップ４０６では、再構成回路１１４が学習済みセグメンテーションネットワーク３０２に、ステップ４０４で生成された複数の再構成画像のそれぞれを入力することにより、学習済みセグメンテーションネットワーク３０２から出力される物質画像４０６ａを取得する。このようにして、再構成回路１１４は、物質画像４０６ａを取得することにより、物質画像４０６ａを生成する。

ステップ４０６で、軟組織、骨、ヨウ素、および他の高密度コントラスト領域の経路長は、セグメンテーションされた画像の順投影によって計算される。経路長はまた投影長とも称される。さらに、経路長計算の精度は、ボクセルサイズに依存する。ボクセルサイズが小さくなるほど、経路長分解能がより精細になり、補正がより良好になる。理想的には、再構成画像視野直径は、可能な限り小さく、かつセグメンテーション画像マトリックスサイズは、可能な限り大きいものである必要がある。

ボクセルサイズは、画像品質の重要な構成要素であり、かつボクセルは、ピクセルの３次元相似体である。ボクセルサイズは、ピクセルサイズおよびスライス厚の両方に関連がある。ピクセルサイズは、画像視野（field of view）および画像マトリックスの両方に依存する。ピクセルサイズは、マトリックスサイズで分割された画像視野に等しい。マトリックスサイズは通常、１２８ｘ、２５６ｘまたは１１２ｘである。ピクセルサイズは通常、０．５から１．５ｍｍである。ピクセルサイズが小さくなるほど、画像空間分解能が良好になる。

ボクセルサイズが大きくなると、信号対雑音比が大きくなる。ボクセルサイズを大きくすると、その分空間分解能が低下する。ボクセルサイズは、受信機のコイル特性によって影響を受ける可能性がある。例えば、表面コイルは、同じ信号対雑音比でより小さなボクセルサイズを可能にすることによって分解能を間接的に向上させる。

ステップ４０８では、再構成回路１１４は、順投影アルゴリズムを、異なる物質についてセグメンテーションされた画像（上述した物質画像４０６ａ）に適用する。適用される順投影アルゴリズムとしては、「X-ray tracing-based forward projection」、「Footprint-based approach」、および、高速フーリエ変換（Fast Fourier Transform：ＦＦＴ）／逆高速フーリエ変換（inverse Fast Fourier Transform：ｉ－ＦＦＴ）アルゴリズムが挙げられるが、これらに限定されない。この例では、「X-ray tracing-based forward projection」が、異なる物質についてセグメンテーションされた画像に適用される。Ｘ線は、Ｘ線に沿った均等に間隔をあけた位置でサンプリングされる。そして、サンプリング位置周辺のボクセルの３Ｄ補間法が、Ｘ線のそのサンプリングポイントの補足として使用される。さらに、複数の順投影が、異なる物質についてセグメンテーションされた複数の画像のそれぞれに対して実施される。順投影の出力は、異なる物質についてセグメンテーションされた画像のそれぞれに対応するＰＬ_１［ｃ，ｓ，ｖ］，ＰＬ_２［ｃ，ｓ，ｖ］，ＰＬ_ｉ［ｃ，ｓ，ｖ］，・・・，ＰＬ_ｎ［ｃ，ｓ，ｖ］の経路長サイノグラム４０８ａである。すなわち、再構成回路１１４は、順投影アルゴリズムを、複数の物質画像４０６ａのそれぞれに適用することにより、ＰＬ_１［ｃ，ｓ，ｖ］，ＰＬ_２［ｃ，ｓ，ｖ］，ＰＬ_ｉ［ｃ，ｓ，ｖ］，・・・，ＰＬ_ｎ［ｃ，ｓ，ｖ］の経路長サイノグラム４０８ａを生成する。経路長サイノグラム４０８ａは、それぞれＳｎｇ_１，Ｓｎｇ_２，Ｓｎｇ_ｉ，・・・，Ｓｎｇ_ｎで表される。ここで、Ｓｎｇ_１＝ＰＬ_１［ｃ，ｓ，ｖ］であり、Ｓｎｇ_２＝ＰＬ_２［ｃ，ｓ，ｖ］であり、Ｓｎｇ_ｉ＝ＰＬ_ｉ［ｃ，ｓ，ｖ］であり、Ｓｎｇ_ｎ＝ＰＬ_ｎ［ｃ，ｓ，ｖ］である。

ステップ４１０では、図３Ｂに示す学習済み深層学習補正ネットワーク３０８が、図４に表されている経路長サイノグラム４０８ａを補正するためにＳｎｇ_１，Ｓｎｇ_２，Ｓｎｇ_ｉ，・・・，Ｓｎｇ_ｎに適用されて、学習済み深層学習補正ネットワーク３０８から補正済み経路長サイノグラムが出力される。例えば、学習済み深層学習補正ネットワーク３０８が記憶回路１１２に記憶されており、ステップ４１０では、記憶回路１１２に記憶された学習済み深層学習補正ネットワーク３０８が用いられる。軟組織、骨、ヨウ素、および他の高密度コントラスト領域などの異なる物質についてセグメンテーションされた画像の経路長サイノグラム４０８ａを補正するように学習済み深層学習補正ネットワーク３０８は図３Ｂに示すように学習されている。このため、学習済み深層学習補正ネットワーク３０８は、経路長サイノグラム４０８ａから補正済み経路長サイノグラムを生成する。ステップ４１０では、再構成回路１１４が学習済み深層学習補正ネットワーク３０８に、ステップ４０８で生成された複数の経路長サイノグラム４０８ａのそれぞれを入力することにより、学習済み深層学習補正ネットワーク３０８から出力される補正済み経路長サイノグラムを取得する。このようにして、再構成回路１１４は、補正済み経路長サイノグラムを取得することにより、補正済み経路長サイノグラムを生成する。

そして、ステップ４１２では、再構成回路１１４は、補正済み経路長サイノグラムに対して画像再構成を行い、再構成画像（補正済み画像）を生成する。ここでは、補正済みサイノグラムは、画像再構成の既知の方法を使用して順番に再構成される。例えば、再構成回路１１４は、画像再構成プロセスとして、フィルター補正逆投影法、逐次画像再構成法（例えば、全変動最小化正規化項（total variation minimization regularization term）を使用する）、フーリエベース再構成法、または確率的画像再構成法のうちのいずれかを使用して実施することができる。一例として、図５Ｂは、ステップ４１２で生成される場合がある再構成された補正済み画像５０４を示している。特に、図５Ｂは、未補正画像５０２では見られない、異なる物質（例えば、軟組織、骨、ヨウ素、および他の高密度コントラスト領域）の補正が行われた例示的な再構成された補正済み画像５０４を示している。

図６は、実施形態に係る再構成回路１１４が備える機能の一例を説明するための図である。図６に示すように、再構成回路１１４は、取得機能１１４ａ、再構成機能１１４ｂ、セグメンテーション機能１１４ｃ、第１の生成機能１１４ｄ、第２の生成機能１１４ｅ及び第３の生成機能１１４ｆを実行する。ここで、例えば、図６に示す再構成回路１１４の構成要素である取得機能１１４ａ、再構成機能１１４ｂ、セグメンテーション機能１１４ｃ、第１の生成機能１１４ｄ、第２の生成機能１１４ｅ及び第３の生成機能１１４ｆの各処理機能は、コンピュータによって実行可能なプログラムの形態で記憶回路１１２内に記録されている。再構成回路１１４は、記憶回路１１２から各プログラムを読み出し、読み出された各プログラムを実行することで、各プログラムに対応する機能を実現する。換言すると、各プログラムを読み出した状態の再構成回路１１４は、図６の再構成回路１１４内に示された各機能を有することとなる。

取得機能１１４ａは取得部の一例である。再構成機能１１４ｂは再構成部の一例である。セグメンテーション機能１１４ｃはセグメンテーション処理部の一例である。第１の生成機能１１４ｄは第１の生成部の一例である。第２の生成機能１１４ｅは第２の生成部の一例である。第３の生成機能１１４ｆは第３の生成部の一例である。

取得機能１１４ａ、再構成機能１１４ｂ、セグメンテーション機能１１４ｃ、第１の生成機能１１４ｄ、第２の生成機能１１４ｅ及び第３の生成機能１１４ｆは、上述した方法及び上述した各種の処理を実行する。

例えば、取得機能１１４ａは、複数の検出器素子で検出された放射線（具体的にはＸ線）に基づいて生成された入力投影サイノグラムデータを取得する。入力投影サイノグラムデータは、入力投影データの一例である。

再構成機能１１４ｂは、取得機能１１４ａにより取得された入力投影サイノグラムデータに再構成アルゴリズムを適用することに応じて１つ又は複数の未補正画像を再構成する。

セグメンテーション機能１１４ｃは、２つ以上または３つ以上の種類の物質画像４０６ａにセグメンテーションするように学習された学習済みセグメンテーションネットワーク３０２を複数の未補正画像に適用することによって１つ又は複数の未補正画像を２つ以上又は３つ以上の種類の物質画像４０６ａにセグメンテーションする。３つ以上の種類の物質画像４０６ａは、例えば、軟組織、骨、水、またはヨウ素のうち少なくとも３つを含む。物質画像４０６ａは、物質構成要素画像の一例である。学習済みセグメンテーションネットワーク３０２は、学習された深層学習セグメンテーションネットワークの一例である。

第１の生成機能１１４ｄは、順投影に基づいて、２つ以上または３つ以上の種類の物質画像４０６ａに対応する経路長サイノグラム４０８ａを生成する。経路長サイノグラム４０８ａは、出力投影データの一例である。

第２の生成機能１１４ｅは、経路長サイノグラム４０８ａに基づいて補正済み経路長サイノグラムを生成する。第２の生成機能１１４ｅは、２つ以上または３つ以上の種類の物質画像４０６ａを補正するように学習された学習済み深層学習補正ネットワーク３０８を経路長サイノグラム４０８ａに適用することにより補正済み経路長サイノグラムを生成する。学習済み深層学習補正ネットワーク３０８は、ポリ・トゥ・モノビームハードニング補正アルゴリズム３１２を利用することよって学習される。補正済み経路長サイノグラムは、補正済み複数物質弁別投影データの一例である。

また、第２の生成機能１１４ｅは、２つまたは３つ以上の種類の物質画像４０６ａに関連付けられた投影長を決定し、決定された投影長に少なくとも基づいて補正済み経路長サイノグラムを生成する。また、第２の生成機能１１４ｅは、投影長に基づいて総投影長値を決定し、決定された総投影長値に少なくとも基づいて補正済み経路長サイノグラムを生成する。

第３の生成機能１１４ｆは、補正済み経路長サイノグラムから複数物質構成要素画像を再構成して１つまたは複数の補正済み画像を生成する。ここで、複数物質構成要素画像及び補正済み画像には、例えば、複数の物質が含まれる。また、例えば、複数物質構成要素画像及び補正済み画像は、複数の物質がセグメンテーションされた結果を示す画像である。

特定の実施形態について説明してきたが、これらの実施形態は、例としてのみ提示されたものであり、本開示の教示を制限することを意図するものではない。実際には、本明細書に記載の新規の方法、装置およびシステムは、種々の他の形態で具現化され得、さらに、本明細書に記載の方法、装置およびシステムの形態における種々の省略、置き換え、および変更は、本開示の趣旨および範囲から逸脱することなく、行われてもよい。

前述の実施形態の少なくとも１つの態様に従って、画像生成装置、Ｘ線ＣＴ装置、および画像生成方法を提供することが可能である。

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）複数の検出器素子で検出された放射線に基づいて生成された入力投影データを取得する取得部と、
前記入力投影データに再構成アルゴリズムを適用することに応じて１つまたは複数の未補正画像を再構成する再構成部と、
２つ以上または３つ以上の種類の物質構成要素画像にセグメンテーションするように学習された深層学習セグメンテーションネットワークを前記複数の未補正画像に適用することによって前記複数の未補正画像を２つ以上または３つ以上の種類の物質構成要素画像にセグメンテーションするセグメンテーション処理部と、
順投影に基づいて、前記２つ以上または３つ以上の種類の物質構成要素画像に対応する出力投影データを生成する第１の生成部と、
前記出力投影データに基づいて補正済み複数物質弁別投影データを生成する第２の生成部と、
前記補正済み複数物質弁別投影データから複数物質構成要素画像を再構成して１つまたは複数の補正済み画像を生成する第３の生成部と、
を備える、画像生成装置。
（２）前記第２の生成部は、２つまたは３つ以上の種類の物質構成要素画像を補正するように学習された学習済み深層学習補正ネットワークを前記出力投影データに適用することにより前記補正済み複数物質弁別投影データを生成する、（１）に記載の画像生成装置。
（３）前記２つ以上または３つ以上の種類の物質構成要素画像は、軟組織、骨、水、またはヨウ素のうち少なくとも３つを含む、（１）又は（２）に記載の画像生成装置。
（４）前記第２の生成部は、
前記２つ以上または３つ以上の種類の物質構成要素画像に関連付けられた投影長を決定し、
前記投影長に少なくとも基づいて前記補正済み複数物質弁別投影データを生成する、
（１）～（３）のいずれか１つに記載の画像生成装置。
（５）前記第２の生成部は、
前記投影長に基づいて総投影長値を決定し、
前記総投影長値に少なくとも基づいて前記補正済み複数物質弁別投影データを生成する、
（４）に記載の画像生成装置。
（６）前記学習済み深層学習補正ネットワークは、ポリ・トゥ・モノビームハードニング補正アルゴリズムを利用することよって学習される、（２）に記載の画像生成装置。
（７）撮影対象の被検体を収容できるように構成された物体空間を通るＸ線を放射するＸ線源と、
前記物体空間を挟んで前記Ｘ線源の反対側に設けられ、前記Ｘ線源からの前記Ｘ線を検出する複数の検出器素子と、
前記複数の検出器素子で検出されたＸ線に基づいて生成された入力投影データを取得する取得部と、
前記入力投影データに再構成アルゴリズムを適用することに応じて複数の未補正画像を再構成する再構成部と、
２つ以上または３つ以上の種類の物質構成要素画像にセグメンテーションするように学習された深層学習セグメンテーションネットワークを前記複数の未補正画像に適用することによって前記複数の未補正画像を２つ以上または３つ以上の種類の物質構成要素画像にセグメンテーションするセグメンテーション処理部と、
順投影に基づいて、前記２つ以上または３つ以上の種類の物質構成要素画像に対応する出力投影データを生成する第１の生成部と、
前記出力投影データに基づいて補正済み複数物質弁別投影データを生成する第２の生成部と、
前記補正済み複数物質弁別投影データから複数物質構成要素画像を再構成して１つまたは複数の補正済み画像を生成する第３の生成部と、
を備える、Ｘ線ＣＴ装置。
（８）前記第２の生成部は、２つまたは３つ以上の種類の物質構成要素画像を補正するように学習された学習済み深層学習補正ネットワークを前記出力投影データに適用することにより前記補正済み複数物質弁別投影データを生成する、（７）に記載のＸ線ＣＴ装置。
（９）前記２つ以上または３つ以上の種類の物質構成要素画像は、軟組織、骨、水、またはヨウ素のうち少なくとも３つを含む、（７）又は（８）に記載のＸ線ＣＴ装置。
（１０）前記第２の生成部は、
前記２つ以上または３つ以上の種類の物質構成要素画像に関連付けられた投影長を決定し、
前記投影長に少なくとも基づいて前記補正済み複数物質弁別投影データを生成する、
（７）～（９）のいずれか１つに記載のＸ線ＣＴ装置。
（１１）前記第２の生成部は、
前記投影長に基づいて総投影長値を決定し、
前記総投影長値に少なくとも基づいて前記補正済み複数物質弁別投影データを生成する、
（１０）に記載のＸ線ＣＴ装置。
（１２）前記学習済み深層学習補正ネットワークは、ポリ・トゥ・モノビームハードニング補正アルゴリズムを利用することよって学習される、（８）に記載のＸ線ＣＴ装置。
（１３）複数の検出器素子で検出された放射線に基づいて生成された入力投影データを取得することと、
前記入力投影データに再構成アルゴリズムを適用することに応じて複数の未補正画像を再構成することと、
２つ以上または３つ以上の種類の物質構成要素画像にセグメンテーションするように学習された深層学習セグメンテーションネットワークを前記複数の未補正画像に適用することによって前記複数の未補正画像を２つ以上または３つ以上の種類の物質構成要素画像にセグメンテーションすることと、
順投影に基づいて、前記２つ以上または３つ以上の種類の物質構成要素画像に対応する出力投影データを生成することと、
前記出力投影データに基づいて補正済み複数物質弁別投影データを生成することと、
前記補正済み複数物質弁別投影データから複数物質構成要素画像を再構成して１つまたは複数の補正済み画像を生成することと、
を含む画像生成方法。
（１４）前記補正済み複数物質弁別投影データを生成することは、２つまたは３つ以上の種類の物質構成要素画像を補正するように学習された学習済み深層学習補正ネットワークを前記出力投影データに適用することにより前記補正済み複数物質弁別投影データを生成することを含む、（１３）に記載の画像生成方法。
（１５）前記２つ以上または３つ以上の種類の物質構成要素画像は、軟組織、骨、水、またはヨウ素のうち少なくとも３つを含む、（１３）又は（１４）に記載の画像生成方法。
（１６）前記補正済み複数物質弁別投影データを生成することは、
前記２つ以上または３つ以上の種類の物質構成要素画像に関連付けられた投影長を決定し、
前記投影長に少なくとも基づいて前記補正済み複数物質弁別投影データを生成する、
ことを含む（１３）～（１５）のいずれか１つに記載の画像生成方法。
（１７）前記補正済み複数物質弁別投影データを生成することは、
前記投影長に基づいて総投影長値を決定し、
前記総投影長値に少なくとも基づいて前記補正済み複数物質弁別投影データを生成する、
ことを含む（１６）に記載の画像生成方法。
（１８）前記学習済み深層学習補正ネットワークは、ポリ・トゥ・モノビームハードニング補正アルゴリズムを利用することよって学習される、（１４）に記載の画像生成方法。

上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ(Graphics Processing Unit)、或いは、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等の回路を意味する。プロセッサは記憶回路に保存されたプログラムを読み出し実行することで機能を実現する。なお、記憶回路にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成しても構わない。この場合、プロセッサは回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。なお、本実施形態の各プロセッサは、プロセッサごとに単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて１つのプロセッサとして構成し、その機能を実現するようにしてもよい。さらに、図１における複数の構成要素を１つのプロセッサへ統合してその機能を実現するようにしてもよい。

上記の実施形態の説明において、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、或いは、ワイヤードロジックによるハードウェアとして実現され得る。

また、上記の実施形態で説明した画像生成方法は、予め用意された画像生成処理を実行するためのプログラムをパーソナルコンピュータやワークステーション等のコンピュータで実行することによって実現することができる。パーソナルコンピュータやワークステーション等のコンピュータは、医用画像処理装置の一例である。プログラムは、インターネット等のネットワークを介して配布することができる。また、このプログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＭＯ、ＤＶＤ等のコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することもできる。

以上説明した少なくとも一つの実施形態によれば、２つ以上の物質についてビームハードニング補正が行われた画像を生成することができる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１１４ 再構成回路
１１４ａ 取得機能
１１４ｂ 再構成機能
１１４ｃ セグメンテーション機能
１１４ｄ 第１の生成機能
１１４ｅ 第２の生成機能
１１４ｆ 第３の生成機能

Claims (8)

1. 複数の検出器素子で検出された放射線に基づいて生成された入力投影データを取得する取得部と、
   前記入力投影データに再構成アルゴリズムを適用することに応じて複数の未補正画像を再構成する再構成部と、
   ２つ以上の種類の物質構成要素画像にセグメンテーションするように学習された深層学習セグメンテーションネットワークを前記複数の未補正画像に適用することによって前記複数の未補正画像を２つ以上の種類の物質構成要素画像にセグメンテーションするセグメンテーション処理部と、
   順投影に基づいて、前記２つ以上の種類の物質構成要素画像に対応する出力投影データを生成する第１の生成部と、
   前記出力投影データに基づいて補正済み複数物質弁別投影データを生成する第２の生成部と、
   前記補正済み複数物質弁別投影データから複数物質構成要素画像を再構成して１つまたは複数の補正済み画像を生成する第３の生成部と、
   を備える、画像生成装置。
2. 前記第２の生成部は、２つ以上の種類の物質構成要素画像を補正するように学習された学習済み深層学習補正ネットワークを前記出力投影データに適用することにより前記補正済み複数物質弁別投影データを生成する、請求項１に記載の画像生成装置。
3. 前記２つ以上の種類の物質構成要素画像は、軟組織、骨、水、またはヨウ素のうち少なくとも３つを含む、請求項１又は２に記載の画像生成装置。
4. 前記第２の生成部は、
   前記２つ以上の種類の物質構成要素画像に関連付けられた投影長を決定し、
   前記投影長に少なくとも基づいて前記補正済み複数物質弁別投影データを生成する、
   請求項１に記載の画像生成装置。
5. 前記第２の生成部は、
   前記投影長に基づいて総投影長値を決定し、
   前記総投影長値に少なくとも基づいて前記補正済み複数物質弁別投影データを生成する、
   請求項４に記載の画像生成装置。
6. 前記学習済み深層学習補正ネットワークは、ポリ・トゥ・モノビームハードニング補正アルゴリズムを利用することよって学習される、請求項２に記載の画像生成装置。
7. 撮影対象の被検体を収容できるように構成された物体空間を通るＸ線を放射するＸ線源と、
   前記物体空間を挟んで前記Ｘ線源の反対側に設けられ、前記Ｘ線源からの前記Ｘ線を検出する複数の検出器素子と、
   前記複数の検出器素子で検出されたＸ線に基づいて生成された入力投影データを取得する取得部と、
   前記入力投影データに再構成アルゴリズムを適用することに応じて複数の未補正画像を再構成する再構成部と、
   ２つ以上の種類の物質構成要素画像にセグメンテーションするように学習された深層学習セグメンテーションネットワークを前記複数の未補正画像に適用することによって前記複数の未補正画像を２つ以上の種類の物質構成要素画像にセグメンテーションするセグメンテーション処理部と、
   順投影に基づいて、前記２つ以上の種類の物質構成要素画像に対応する出力投影データを生成する第１の生成部と、
   前記出力投影データに基づいて補正済み複数物質弁別投影データを生成する第２の生成部と、
   前記補正済み複数物質弁別投影データから複数物質構成要素画像を再構成して１つまたは複数の補正済み画像を生成する第３の生成部と、
   を備える、Ｘ線ＣＴ装置。
8. 複数の検出器素子で検出された放射線に基づいて生成された入力投影データを取得することと、
   前記入力投影データに再構成アルゴリズムを適用することに応じて複数の未補正画像を再構成することと、
   ２つ以上の種類の物質構成要素画像にセグメンテーションするように学習された深層学習セグメンテーションネットワークを前記複数の未補正画像に適用することによって前記複数の未補正画像を２つ以上の種類の物質構成要素画像にセグメンテーションすることと、
   順投影に基づいて、前記２つ以上の種類の物質構成要素画像に対応する出力投影データを生成することと、
   前記出力投影データに基づいて補正済み複数物質弁別投影データを生成することと、
   前記補正済み複数物質弁別投影データから複数物質構成要素画像を再構成して１つまたは複数の補正済み画像を生成することと、
   を含む画像生成方法。

Images