JP2023039438A - 画像生成装置、x線ct装置及び画像生成方法 - Google Patents
画像生成装置、x線ct装置及び画像生成方法 Download PDFInfo
- Publication number
- JP2023039438A JP2023039438A JP2022142306A JP2022142306A JP2023039438A JP 2023039438 A JP2023039438 A JP 2023039438A JP 2022142306 A JP2022142306 A JP 2022142306A JP 2022142306 A JP2022142306 A JP 2022142306A JP 2023039438 A JP2023039438 A JP 2023039438A
- Authority
- JP
- Japan
- Prior art keywords
- images
- projection data
- image
- projection
- types
- 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 description 49
- 238000012937 correction Methods 0.000 claims abstract description 66
- 230000011218 segmentation Effects 0.000 claims abstract description 52
- 238000013135 deep learning Methods 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 230000005855 radiation Effects 0.000 claims abstract description 12
- 239000000463 material Substances 0.000 claims description 108
- 210000000988 bone and bone Anatomy 0.000 claims description 15
- 210000004872 soft tissue Anatomy 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 claims description 5
- 229910052740 iodine Inorganic materials 0.000 claims description 5
- 239000011630 iodine Substances 0.000 claims description 5
- 239000000126 substance Substances 0.000 abstract description 18
- 238000012545 processing Methods 0.000 abstract description 17
- 238000002591 computed tomography Methods 0.000 description 64
- 230000006870 function Effects 0.000 description 55
- 238000010586 diagram Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 14
- 238000007781 pre-processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- PNDPGZBMCMUPRI-UHFFFAOYSA-N iodine Chemical compound II PNDPGZBMCMUPRI-UHFFFAOYSA-N 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 230000002238 attenuated effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000003625 skull Anatomy 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 101000666896 Homo sapiens V-type immunoglobulin domain-containing suppressor of T-cell activation Proteins 0.000 description 1
- 102100038282 V-type immunoglobulin domain-containing suppressor of T-cell activation Human genes 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- IJJVMEJXYNJXOJ-UHFFFAOYSA-N fluquinconazole Chemical compound C=1C=C(Cl)C=C(Cl)C=1N1C(=O)C2=CC(F)=CC=C2N=C1N1C=NC=N1 IJJVMEJXYNJXOJ-UHFFFAOYSA-N 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 239000012925 reference material Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 229910052724 xenon Inorganic materials 0.000 description 1
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- 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
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- 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
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/16—Measuring radiation intensity
- G01T1/161—Applications in the field of nuclear medicine, e.g. in vivo counting
-
- 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
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
- A61B6/42—Arrangements for detecting radiation specially adapted for radiation diagnosis
- A61B6/4208—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
- A61B6/4233—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector using matrix detectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Physiology (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
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。
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。
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。
ここで、ρe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ρe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、PL1(c,s,v)及びPL2(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、PDIN(c,s,v)は入力サイノグラムであり、PDBHC(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、P0は、以下の式(7)により表される。
ここで、l1,l2,・・・lnはn個の異なる物質の経路長である。また、μ1,μ2,・・・μnは2つの物質の線形減衰係数である。また、I0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、PL1(c,s,v),PL2(c,s,v),・・・PLn(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ci及び(b)セグメントsjのインデックス「i」及び「j」を生成する。ここで、ciは範囲(0,Nchn)内の1つの値をとることができ、sjは範囲(0,Nseg)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)tlkを生成する。ここで、tlkは、範囲(TLmin,TLmax)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。
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ci及び(b)セグメントsjのインデックス「i」及び「j」を生成する。ここで、ciは範囲(0,Nchn)内の1つの値をとることができ、sjは範囲(0,Nseg)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)tlkを生成する。ここで、tlkは、範囲(TLmin,TLmax)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。
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Img1,Img2,Imgi,・・・Imgn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PL1[c,s,v],PL2[c,s,v],PLi[c,s,v],・・・,PLn[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、PL1[c,s,v],PL2[c,s,v],PLi[c,s,v],・・・,PLn[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Sng1,Sng2,Sngi,・・・,Sngnで表される。ここで、Sng1=PL1[c,s,v]であり、Sng2=PL2[c,s,v]であり、Sngi=PLi[c,s,v]であり、Sngn=PLn[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Sng1,Sng2,Sngi,・・・,Sngn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。
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
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)
- 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。 - 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。
- 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。
- 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。 - 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。 - 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。
- 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。 - 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。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/469,310 US20230083935A1 (en) | 2021-09-08 | 2021-09-08 | Method and apparatus for partial volume identification from photon-counting macro-pixel measurements |
US17/469,310 | 2021-09-08 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023039438A true JP2023039438A (ja) | 2023-03-20 |
Family
ID=85478630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022142306A Pending JP2023039438A (ja) | 2021-09-08 | 2022-09-07 | 画像生成装置、x線ct装置及び画像生成方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230083935A1 (ja) |
JP (1) | JP2023039438A (ja) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016003957A2 (en) * | 2014-07-03 | 2016-01-07 | Duke University | Spectral estimation and poly-energetic reconstruction methods and x-ray systems |
US11769277B2 (en) * | 2017-09-28 | 2023-09-26 | Koninklijke Philips N.V. | Deep learning based scatter correction |
US10869646B2 (en) * | 2018-04-12 | 2020-12-22 | Canon Medical Systems Corporation | Method and apparatus for computed tomography (CT) and material decomposition with pile-up correction calibrated using real pulse pileup effect and detector response |
US10937206B2 (en) * | 2019-01-18 | 2021-03-02 | Canon Medical Systems Corporation | Deep-learning-based scatter estimation and correction for X-ray projection data and computer tomography (CT) |
-
2021
- 2021-09-08 US US17/469,310 patent/US20230083935A1/en active Pending
-
2022
- 2022-09-07 JP JP2022142306A patent/JP2023039438A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230083935A1 (en) | 2023-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8705822B2 (en) | Method for creating images indicating material decomposition in dual energy, dual source helical computed tomography | |
US10789738B2 (en) | Method and apparatus to reduce artifacts in a computed-tomography (CT) image by iterative reconstruction (IR) using a cost function with a de-emphasis operator | |
US10111638B2 (en) | Apparatus and method for registration and reprojection-based material decomposition for spectrally resolved computed tomography | |
US9662084B2 (en) | Method and apparatus for iteratively reconstructing tomographic images from electrocardiographic-gated projection data | |
US8818058B2 (en) | Method for determining a correction function for correcting computed tomographic numbers of a small target object in a CT image | |
JP2018140165A (ja) | 医用画像生成装置 | |
JP2018110866A (ja) | 医用画像生成装置及び医用画像生成方法 | |
EP3215015B1 (en) | Computed tomography system | |
JP2019111346A (ja) | 医用処理装置及び放射線診断装置 | |
US7978810B2 (en) | Imaging method for variable pitch spiral CT and a CT machine for carrying out the method | |
EP1677256B1 (en) | Method and arrangement for multiresolutive reconstruction for medical X-ray imaging | |
US11419566B2 (en) | Systems and methods for improving image quality with three-dimensional scout | |
EP2313865A2 (en) | System and method for spectral x-ray imaging | |
US10098603B2 (en) | Method for estimation and correction of grid pattern due to scatter | |
JP2018057855A (ja) | 画像再構成処理装置、x線コンピュータ断層撮像装置及び画像再構成処理方法 | |
US9858688B2 (en) | Methods and systems for computed tomography motion compensation | |
US10383589B2 (en) | Direct monochromatic image generation for spectral computed tomography | |
JP6878147B2 (ja) | X線コンピュータ断層撮影装置及び医用画像処理装置 | |
US20060146982A1 (en) | Method and arrangement for three-dimensional medical X-ray imaging | |
CN110073412B (zh) | 使用交替否定的图像噪声估计 | |
JP2023039438A (ja) | 画像生成装置、x線ct装置及び画像生成方法 | |
Kästner et al. | Truncation robust c-arm ct reconstruction for dynamic collimation acquisition schemes | |
Maqbool | Computed tomography | |
JP2023133250A (ja) | X線制御方法、x線イメージング装置及び非一時的コンピュータ可読媒体 | |
JP2023124839A (ja) | 医用画像処理方法、医用画像処理装置及びプログラム |