JP2023166550A - コンピュータ断層撮影撮像のための散乱補正 - Google Patents

Abstract

【課題】 Ｘ線画像の散乱補正のためのシステム及び方法が提供される。【解決手段】 物体の散乱画像は、開口板を使用して取得された部分的散乱なし画像を使用して補正することができる。板は、物体と放射検出器との間に位置付けられ、グリッド内の開口を含む。元のＸ線は、開口を通過し、散乱Ｘ線は、開口板によって遮断され得る。開口板は、異なる位置に移動させることができ、それにより、開口板の各位置において部分的散乱なし画像を取得することができる。完全な散乱なし画像は、部分的散乱なし画像を組み合わせることによって生成することができる。散乱画像及び散乱なし画像を更に使用して、散乱補正モデルを訓練することができる。【選択図】図７

Description

（関連出願の相互参照）
本出願は、２０２０年１０月９日に出願された「Ｓｃａｔｔｅｒ Ｃｏｒｒｅｃｔｉｏｎ Ｆｏｒ Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ Ｉｍａｇｉｎｇ」と題する米国仮特許出願第６３／０９０，１４４号の利益を主張し、その全体が参照により組み込まれる。

物体の検査が、一般に製造工業及び修理工業において行われる。工業検査プロセスでは、コンピュータ断層撮影（computed tomography、ＣＴ）、座標測定機（coordinate measuring machines、ＣＭＭ）、レーザベースのプロフィロメトリ、光ゲージ、赤外線など、様々なタイプの検査システムを使用することができる。例えば、これらの検査システムを使用して、製造された部品（例えば、タービンブレード）において寸法を測定するか、又は欠陥を識別することができる。

これらの検査システムの各々は、その利点及び不利点を有する。ＣＭＭ及びレーザベースのプロフィロメトリなどのモダリティを使用して、高い精度で外部表面を測定することができるが、物体が切り開かれない限り、内部特徴を測定することはできない。現在までのところ、ＣＴが、非破壊的に工業部品の内部構造及び外部構造の両方を明らかにするための測定／検査システムのうちで最も汎用性がある。内部測定並びに外部測定を提供する能力のために、ＣＴベースの技術は、とりわけ、リバースエンジニアリング、ラピッドプロトタイピング、鋳造シミュレーション及び検証、タイヤ開発、第１の物品検査、セラミック多孔性検査、プロセス検証、部品認定、並びに欠陥検出などのプロセスを容易にし得る。

しかしながら、ＣＴベースの技術はまた、それらの広範な使用を抑止し得る特定の制限を有する場合がある。例えば、工業用途（例えば、金属部品の撮像）のための容積測定コンピュータ断層撮影（volumetric computerized tomography、ＶＣＴ）撮像は、放射物質相互作用に基づくアーチファクト、スキャナに基づくアーチファクト、再構成技術に基づくアーチファクトなどに起因する画像アーチファクトを有する不満足な画像を提供することがある。放射物質相互作用に基づくアーチファクトは、ビームハードニングアーチファクト、及びＸ線散乱放射に起因するアーチファクトを更に含み得る。散乱放射は、撮像下の物体、使用されるビームスペクトル、幾何学的距離、及び周囲媒体などの撮像パラメータの強い関数である。一般に、投影画像内の散乱放射は、投影画像のコントラストを低減し、生成されたボリューム画像内の物体の鮮明な特徴の劣化を生じさせるか又はぼかし、計測用途の精度及びより小さい特徴の検出可能性を低減する可能性があるため、望ましくなり得る。

したがって、ＣＴ画像からの散乱を低減又は排除するために、散乱を推定する様々な技術が開発されてきた。一般に、撮像パラメータにおける様々な依存性により、投影撮像における散乱信号含量の正確な推定が困難であり得る。物理学ベースモデルは、多くの場合、Ｘ線画像内の散乱含量を予測するために使用されることが多いが、材料特性が既知であるという条件で、時間がかかり、スキャン下の物体から生じる散乱のみを予測する。

取得された投影画像内の散乱測定及び散乱補正のための異なる技術が存在する。例えば、１つの普及している散乱測定技術は、放射源と、ＶＣＴシステム内でスキャンされている物体との間に位置するビームストッパを用いて、対応する場所における散乱を測定する。しかしながら、現在既知であるほとんどの技術は、主に物体散乱に対処し、時間がかかるコンピュータシミュレーションを伴う。

製造公差がより厳しくなるにつれて、公差を維持するための計測技術に対する要求の対応する増加がある。品質及び性能試験の必要性は、生産又は製造プロセスの不可欠な部分となっている。したがって、ＣＴ検査精度及び効率を改善するために、散乱放射関連のアーチファクトを除去するためのより効果的な方法が必要とされる。

本開示の実施形態は、散乱補正のための改善されたシステム及び方法を提供する。物体の散乱画像は、散乱排除開口板を用いて取得された追加の画像を使用して補正することができる。散乱排除開口板は、グリッド上に位置付けられた複数の開口を含むことができる。使用中、開口板は、撮像されている物体と検出器との間に位置付けられる。コリメートされたＸ線が、Ｘ線源から物体に方向付けられたとき、元のＸ線は開口を通過することができ、その一方で、散乱Ｘ線の有意な部分が開口板によって遮断され得る。開口板はまた、異なる位置の間で移動するように構成することができる。したがって、部分的散乱なし画像は、開口板の各位置において取得することができ、これは、本明細書では部分的散乱なし画像と称される。部分的散乱なし画像を組み合わせることによって、散乱なし画像（グランドトゥルース）を得ることができる。位置の数及び取得された部分的散乱なし画像は、開口板の幾何学的形状に応じて変化し得る。一般に、位置の数は、散乱補正される散乱画像の領域全体を開口が覆うように十分であり得る。

上で考察される実施形態は、部分的散乱なし画像を取得するために、ビーム孔とも称される個別の孔を有する開口板の使用に依拠する。代替的な実施形態では、スリットコリメータ又はビームストップは、部分的散乱なし画像を取得するために、開口板の代わりに使用され得る。開口板の手法と同様に、スリットコリメータ又はビームストップは、放射源と検出器との間に位置付けられ、移動され得る。各部分的散乱なし画像は、スリットコリメータ又はビームストップの異なる位置において取得することができ、部分的散乱なし画像を組み合わせて、散乱なし画像を形成することができる。

開口板、スリットコリメータ、又はビームストップのうちのいずれかの使用によって取得された散乱なし画像は、散乱補正を容易にするために更に使用することができる。一態様では、散乱なし画像は、ニューラルネットワークを訓練するための基準として使用して、散乱補正のためのアルゴリズムを決定することができる。別の態様では、散乱なし画像を使用して、散乱デコンボリューションアルゴリズムの点拡散関数（point spread function、ＰＳＦ）を決定することができる。

更なる実施形態では、部分的散乱なし画像又は散乱なし画像を使用して、既に訓練されているニューラルネットワークを調整するか、又はコンボリューションベースの散乱補正のための既知のＰＳＦのパラメータを調整することができる。

一実施形態では、物体の画像の散乱補正のための方法が提供される。この方法は、撮像システムの放射検出器によって、物体の撮像ボリュームを通って透過される放射の検出に基づいて、物体の少なくとも１つの散乱画像を表すデータを取得することを含み得る。この方法は、物体と放射検出器との間において第１の位置に開口板を配置することを更に含むことができる。開口板は、放射検出器による検出からの散乱放射を抑制するように構成された複数の開口を含むことができる。この方法はまた、放射検出器によって、開口板が第１の位置にあるときに物体の撮像ボリュームを通って透過される放射の検出に基づいて、少なくとも１つの第１の部分的散乱なし画像を表すデータを取得することを含むことができる。この方法は、開口板を、第１の位置とは異なる１つ以上の第２の位置に移動させることを更に含み得る。第１の位置及び１つ以上の第２の位置における開口は、少なくとも１つの散乱画像内に捕捉された物体の領域を覆うことができる。この方法はまた、放射検出器によって、開口板が１つ以上の第２の位置にあるときに物体の撮像ボリュームを通って透過される放射の検出に基づいて、少なくとも１つの第２の部分的散乱なし画像を表すデータを取得することを含むことができる。この方法は、１つ以上のプロセッサを含む分析器によって、少なくとも１つの第１及び第２の部分的散乱なし画像データを受信することを更に含むことができる。この方法は、分析器によって、少なくとも１つの第１の部分的散乱なし画像データの少なくとも一部分と、少なくとも１つの第２の部分的散乱なし画像データの少なくとも一部分との組み合わせに基づいて、少なくとも１つの散乱なし画像を生成することを更に含むことができる。この方法はまた、分析器によって、少なくとも１つの散乱画像の少なくとも一部分及び少なくとも１つの散乱なし画像を使用して散乱補正モデルを更新することを含むことができる。この方法は、分析器によって、更新された散乱補正モデルを出力することを更に含むことができる。

別の実施形態では、散乱補正モデルは、散乱補正アルゴリズムを含むニューラルネットワークモデルであり得る。この方法は、少なくとも１つの散乱画像の少なくとも一部分に散乱補正アルゴリズムを適用して、散乱補正画像を生成することと、生成された散乱補正画像と少なくとも１つの散乱なし画像との間の偏差を決定することと、を含む動作によって散乱補正モデルを更新することを含む、分析器によって実行される動作を更に含むことができる。動作は、偏差が所定の偏差よりも大きいとき、偏差を低減するために散乱補正アルゴリズムを更新することを更に含み得る。動作は、偏差が所定の偏差以下であるとき、更新された散乱補正アルゴリズムを含む更新された散乱補正モデルを出力することを更に含むことができる。

別の実施形態では、散乱補正モデルは、散乱縁部拡散関数（edge spread function、ＥＳＦ）を含むデコンボリューションであり得る。散乱縁部拡散関数は、散乱画像内の散乱を補正するように構成された点拡散関数（ＰＳＦ）を更に含むことができる。この方法は、散乱補正モデルを更新することを更に含むことができる。散乱補正モデルは、少なくとも１つの散乱画像の少なくとも一部分にＰＳＦを適用して、散乱補正画像を生成することと、散乱補正画像と少なくとも１つの散乱なし画像との間の偏差を決定することと、を含む動作によって更新することができる。動作は、偏差が所定の偏差を上回るとき、ＰＳＦのパラメータを更新して、偏差を低減し、上記適用動作及び決定動作を繰り返すことを更に含むことができる。動作は、偏差が所定の偏差未満であるとき、更新されたＰＳＦパラメータを含む更新された散乱補正モデルを出力することを更に含むことができる。

別の実施形態では、検出された放射をコリメートすることができる。

別の実施形態では、少なくとも１つの散乱なし画像は、少なくとも１つの第１の部分的散乱なし画像データ又は少なくとも１つの第２の部分的散乱なし画像データの補間によって生成されない。

別の実施形態では、開口板を移動させることは、一方向並進、双方向並進、又は回転のうちの少なくとも１つを含むことができる。

別の実施形態では、少なくとも１つの散乱画像は、複数の画像を含む散乱画像セットとすることができる。

別の実施形態では、開口は、二次元グリッド内に配設され得る。

別の実施形態では、第１の位置及び少なくとも１つの第２の位置における開口は、互いに重なり合うことができる。

別の実施形態では、第１の位置及び少なくとも１つの第２の位置における開口は、互いに所定の距離だけ離間し得る。

一実施形態では、撮像システムが提供される。撮像システムは、放射源、移動可能な開口板、及び分析器を含むことができる。放射源は、物体に向かって方向付けられた放射を放出するように構成することができる。放射検出器は、物体の撮像ボリュームを通って透過される、放出された放射を検出するように構成することができる。移動可能な開口板は、物体と放射検出器との間に位置付けることができ、放射検出器による検出からの散乱放射を抑制するように構成された複数の開口を更に含むことができる。分析器は、１つ以上のプロセッサを含むことができる。分析器は、物体の撮像ボリュームを通って透過される放射の検出に基づいて、物体の少なくとも１つの散乱画像を表すデータを受信するように更に構成することができる。分析器はまた、開口板が第１の位置にあるときに物体の撮像ボリュームを通って透過される放射の検出に基づいて、物体の少なくとも１つの第１の部分的散乱なし画像を表すデータを受信するように構成することができる。分析器は、開口板が、第１の位置とは異なる１つ以上の第２の位置にあるときに、物体の撮像ボリュームを通って透過される放射の検出に基づいて、少なくとも１つの第２の部分的散乱なし画像を表すデータを受信するように更に構成することができる。第１の位置及び１つ以上の第２の位置における開口は、少なくとも１つの散乱画像内に捕捉された物体の領域を覆うことができる。分析器はまた、少なくとも１つの第１の部分的散乱なし画像データの少なくとも一部分と、少なくとも１つの第２の部分的散乱なし画像データの少なくとも一部分との組み合わせに基づいて、少なくとも１つの散乱なし画像を生成するように構成することができる。分析器は、少なくとも１つの散乱画像の少なくとも一部分及び少なくとも１つの散乱なし画像を使用して散乱補正モデルを訓練するように更に構成することができる。分析器は、訓練された散乱補正モデルを出力するように更に構成することができる。

別の実施形態では、散乱補正モデルは、散乱補正アルゴリズムを含むニューラルネットワークモデルであり得る。分析器は、少なくとも１つの散乱画像の少なくとも一部分に散乱補正アルゴリズムを適用して、散乱補正画像を生成することと、生成された散乱補正画像と少なくとも１つの散乱なし画像との間の偏差を決定することと、によって、散乱補正アルゴリズムを訓練するように更に構成することができる。偏差が所定の偏差よりも大きいとき、分析器は、偏差を低減するために散乱補正アルゴリズムを更に更新することができる。偏差が所定の偏差以下であるとき、分析器は、更新された散乱補正アルゴリズムを更に出力することができる。

別の実施形態では、散乱補正モデルは、散乱縁部拡散関数（ＥＳＦ）を含むデコンボリューションであり得る。散乱縁部拡散関数は、散乱画像内の散乱を補正するように構成された点拡散関数（ＰＳＦ）を更に含むことができる。分析器は、少なくとも１つの散乱画像の少なくとも一部分にＰＳＦを適用して、散乱補正画像を生成することと、散乱補正画像と少なくとも１つの散乱なし画像との間の偏差を決定することと、によって、ＰＳＦを訓練するように更に構成することができる。偏差が所定の偏差を上回るとき、分析器は、ＰＳＦのパラメータを更に更新して、偏差を低減し、上記適用動作及び決定動作を繰り返すことができる。偏差が所定の偏差未満であるとき、分析器は、ＰＳＦパラメータを出力することができる。

別の実施形態では、システムは、放出された放射をコリメートするように構成されたコリメータを更に含むことができる。

別の実施形態では、分析器は、少なくとも１つの第１の部分的散乱なし画像データ又は少なくとも１つの第２の部分的散乱なし画像データの補間によって、少なくとも１つの散乱なし画像を生成するように構成されていない。

別の実施形態では、第１の位置及び少なくとも１つの第２の位置は、一方向並進、双方向並進、又は回転のうちの少なくとも１つによって異なり得る。

別の実施形態では、少なくとも１つの散乱画像は、複数の画像を含む散乱画像セットとすることができる。

別の実施形態では、開口は、二次元グリッド内に配設され得る。

別の実施形態では、開口板の第１の位置及び開口板の少なくとも１つの第２の位置における開口は、互いに重なり合うことができる。

別の実施形態では、開口板の第１の位置及び開口板の少なくとも１つの第２の位置における開口は、互いに所定の距離だけ離間され得る。

一実施形態では、物体の画像の散乱補正のための方法が提供される。この方法は、撮像システムの放射検出器によって、物体の撮像ボリュームを通って透過される放射の検出に基づいて、物体の複数の散乱画像を表すデータを取得することを含むことができる。この方法はまた、物体と放射検出器との間に開口板を配置することを含むことができる。開口板は、放射検出器による検出からの散乱放射を抑制するように構成された複数の開口を含むことができる。この方法は、放射検出器によって、各散乱画像に対応する部分的散乱なし画像を表すデータを取得することを更に含むことができる。各部分的散乱なし画像は、開口板が存在するときに物体の撮像ボリュームを通って透過される放射の検出に基づくことができる。散乱画像及びその対応する部分的散乱なし画像は、開口板の存在を除いて、ほぼ同じ条件下で取得することができる。この方法は、１つ以上のプロセッサを含む分析器によって、複数の散乱画像データ及び対応する部分的散乱なし画像データを受信することを更に含むことができる。この方法は、分析器によって、訓練された散乱補正モデルを受信することを更に含むことができる。この方法は、分析器によって、受信された複数の散乱画像データ及び対応する部分的散乱なし画像データに基づいて、訓練された散乱補正モデルを更新して、更新された訓練された散乱補正モデルを得ることと、更新された訓練された散乱補正モデルに基づいて複数の散乱画像のうちの少なくとも１つを補正することと、少なくとも１つの補正された散乱画像を出力することと、を含む。

一実施形態では、訓練された散乱補正モデルは、訓練されたニューラルネットワークモデルであり得る。

別の実施形態では、訓練された散乱補正モデルを更新することは、対応する散乱画像及び部分的散乱なし画像の各ペアに対して、散乱画像に関する訓練されたニューラルネットワークモデルの出力と、部分的散乱なし画像に関する訓練されたニューラルネットワークモデルの出力との間で補間を実行することと、補間に基づいて、更新された訓練された散乱補正モデルを生成することと、を含むことができる。

別の実施形態では、訓練された散乱補正モデルは、以前に決定されたデコンボリューション点拡散関数（ＰＳＦ）推定値を含むことができる。

別の実施形態では、訓練された散乱補正モデルを更新することは、対応する散乱画像及び部分的散乱なし画像のそれぞれのペアの測定点を使用して、デコンボリューションＰＳＦ推定値を局所的にパラメータ化することと、局所的パラメータ化に基づいてデコンボリューションＰＳＦ推定値を更新することと、を含むことができる。

別の実施形態では、撮像システムが提供される。撮像システムは、放射源、放射検出器、及び分析器を含むことができる。放射源は、物体に向かって方向付けられた放射を放出するように構成することができる。放射検出器は、物体の撮像ボリュームを通って透過される、放出された放射を検出するように構成することができる。分析器は、１つ以上のプロセッサを含むことができる。分析器は、物体の撮像ボリュームを通って透過される放射源による放射の検出に基づいて、物体の複数の散乱画像を表すデータを受信するように更に構成することができる。分析器はまた、各散乱画像に対応する部分的散乱なし画像を表すデータを受信するように構成することができる。各部分的散乱なし画像は、開口板が存在するときに物体の撮像ボリュームを通って透過される放射の検出に基づくことができる。散乱画像及びその対応する部分的散乱なし画像は、開口板の存在を除いて、ほぼ同じ条件下で取得することができる。分析器は、訓練された散乱補正モデルを受信し、受信された複数の散乱画像データ及び対応する部分的散乱なし画像データに基づいて、訓練された散乱補正モデルを更新して、更新された訓練された散乱補正モデルを得るように更に構成することができる。分析器は、更新された訓練された散乱補正モデルに基づいて複数の散乱画像のうちの少なくとも１つを補正し、少なくとも１つの補正された散乱画像を出力するように更に構成することができる。

別の実施形態では、訓練された散乱補正モデルは、訓練されたニューラルネットワークモデルであり得る。

別の実施形態では、訓練された散乱補正モデルを更新することは、対応する散乱画像及び部分的散乱なし画像の各ペアに対して分析器によって、散乱画像に関する訓練されたニューラルネットワークモデルの出力と、部分的散乱なし画像に関する訓練されたニューラルネットワークモデルの出力との間で補間を実行することと、補間に基づいて、更新された訓練された散乱補正モデルを生成することと、を含むことができる。

別の実施形態では、訓練された散乱補正モデルは、以前に決定されたデコンボリューション点拡散関数（ＰＳＦ）推定値を含むことができる。

別の実施形態では、訓練された散乱補正モデルを更新することは、対応する散乱画像及び部分的散乱なし画像のそれぞれのペアの測定点を使用して、デコンボリューションＰＳＦ推定値を局所的にパラメータ化することと、局所的パラメータ化に基づいてデコンボリューションＰＳＦ推定値を更新することと、を含むことができる。

別の実施形態では、物体の画像の散乱補正のための方法が提供される。この方法は、撮像システムの放射検出器によって、物体の撮像ボリュームを通って透過される放射の検出に基づいて、物体の複数の散乱画像を表すデータを取得することを含むことができる。この方法は、物体と放射検出器との間に開口板を配置することを更に含むことができる。開口板は、放射検出器による検出からの散乱放射を抑制するように構成された複数の開口を含むことができる。この方法は、放射検出器によって、単一の部分的散乱なし画像を表すデータを取得することを更に含むことができる。単一の部分的散乱なし画像は、開口板が存在するときに物体の撮像ボリュームを通って透過される放射の検出に基づくことができる。この方法は、１つ以上のプロセッサを含む分析器によって、複数の散乱画像データ及び単一の部分的散乱なし画像データを受信することを更に含むことができる。この方法はまた、分析器によって、訓練された散乱補正モデルを受信することを含むことができる。この方法は、分析器によって、受信された複数の散乱画像データ及び単一の部分的散乱なし画像データに基づいて、訓練された散乱補正モデルを更新して、更新された訓練された散乱補正モデルを得ることを更に含むことができる。この方法は、分析器によって、更新された訓練された散乱補正モデルに基づいて複数の散乱画像のうちの少なくとも１つを補正することと、分析器によって、少なくとも１つの補正された散乱画像を出力することと、を更に含むことができる。

別の実施形態では、訓練された散乱補正モデルは、訓練されたニューラルネットワークモデルであり得る。

別の実施形態では、訓練された散乱補正モデルを更新することは、複数の散乱画像のうちの散乱画像、及び単一の部分的散乱なし画像を含む各画像ペアに対して、散乱画像に関する訓練されたニューラルネットワークモデルの出力と、単一の部分的散乱なし画像に関する訓練されたニューラルネットワークモデルの出力との間で補間を実行することと、補間に基づいて、更新された訓練された散乱補正モデルを生成することと、を含むことができる。

別の実施形態では、訓練された散乱補正モデルは、以前に決定されたデコンボリューション点拡散関数（ＰＳＦ）推定値を含むことができる。

別の実施形態では、訓練された散乱補正モデルを更新することは、複数の散乱画像のうちの散乱画像、及び単一の部分的散乱なし画像を含むそれぞれの画像ペアの測定点を使用して、デコンボリューションＰＳＦ推定値を局所的にパラメータ化することと、局所的パラメータ化に基づいてデコンボリューションＰＳＦ推定値を更新することと、を含むことができる。

別の実施形態では、撮像システムが提供され、放射源、放射検出器、及び分析器を含むことができる。放射源は、物体に向かって方向付けられた放射を放出するように構成することができる。放射検出器は、物体の撮像ボリュームを通って透過される、放出された放射を検出するように構成することができる。分析器は、１つ以上のプロセッサを含むことができる。分析器はまた、物体の撮像ボリュームを通って透過される放射源による放射の検出に基づいて、物体の複数の散乱画像を表すデータを受信するように構成することができる。分析器は、単一の部分的散乱なし画像を表すデータを受信するように更に構成することができる。単一の部分的散乱なし画像は、開口板が存在するときに物体の撮像ボリュームを通って透過される放射の検出に基づくことができる。分析器は、訓練された散乱補正モデルを受信することと、受信された複数の散乱画像データ及び単一の部分的散乱なし画像データに基づいて、訓練された散乱補正モデルを更新して、更新された訓練された散乱補正モデルを得ることと、更新された訓練された散乱補正モデルに基づいて複数の散乱画像のうちの少なくとも１つを補正することと、少なくとも１つの補正された散乱画像を出力することと、を行うように更に構成することができる。

別の実施形態では、訓練された散乱補正モデルは、訓練されたニューラルネットワークモデルであり得る。

別の実施形態では、訓練された散乱補正モデルを更新することは、複数の散乱画像のうちの散乱画像、及び単一の部分的散乱なし画像を含む各画像ペアに対して、散乱画像に関する訓練されたニューラルネットワークモデルの出力と、単一の部分的散乱なし画像に関する訓練されたニューラルネットワークモデルの出力との間で補間を実行することと、補間に基づいて、更新された訓練された散乱補正モデルを生成することと、を含むことができる。

別の実施形態では、訓練された散乱補正モデルは、以前に決定されたデコンボリューション点拡散関数（ＰＳＦ）推定値を含むことができる。

別の実施形態では、訓練された散乱補正モデルを更新することは、複数の散乱画像のうちの散乱画像、及び単一の部分的散乱なし画像を含むそれぞれの画像ペアの測定点を使用して、デコンボリューションＰＳＦ推定値を局所的にパラメータ化することと、局所的パラメータ化に基づいてデコンボリューションＰＳＦ推定値を更新することと、を含むことができる。

これらの特徴及び他の特徴は、添付図面と併せて講じられる以下の発明を実施するための形態からより容易に理解されるであろう。

ＣＴ撮像システムの例示的な一実施形態の上面図を示す概略図である。

図１ＡのＣＴ撮像システムの側面図を示す概略図である。

開口板が第１の位置に位置するときの、開口板の開口の位置を示す概略図である。

開口板が第１の位置に、及び第１の位置に対して垂直方向に並進される第２の位置に位置するときの、開口板の開口の位置を示す概略図である。

開口板が第１の位置に、及び第１の位置から水平方向に並進される第３の位置に位置するときの、開口板の開口の位置を示す概略図である。

開口板が第１の位置、第２の位置、及び第３の位置に位置するときの、開口板の開口の位置を示す概略図である。

開口板が所望の視野の実質的に全てを覆う複数の位置に位置するときの、開口板の開口の位置を示す概略図である。

開口板の単一の位置を使用して散乱補正されたＣＴ画像である。

開口板の４つの位置を使用して散乱補正されたＣＴ画像である。

散乱画像及び散乱なし画像を使用する計算技術を、散乱補正アルゴリズム又はデコンボリューションの開発のための入力として示す概略ブロック図である。

ＣＴ画像の散乱補正のための方法の例示的な一実施形態を示すフロー図である。

開口板を与えられる調整のための多数の測定点を示す概略図である。

以前に訓練されたニューラルネットワーク又は以前に決定されたデコンボリューションＰＳＦが、散乱画像セット及び部分的散乱なし画像セットの対応する画像ペアに基づいて調整される、散乱補正のための方法の例示的な一実施形態を示すフロー図である。

以前に訓練されたニューラルネットワーク又は以前に決定されたデコンボリューションＰＳＦが、散乱画像セット及び単一の部分的散乱なし画像の対応する画像ペアに基づいて調整される、散乱補正のための別の方法の例示的な一実施形態を示すフロー図である。

以前に訓練されたニューラルネットワーク又は以前に決定されたデコンボリューションＰＳＦが、異なる物体タイプのための未定義の数の散乱画像セットに基づいて調整され、ここで、単一の部分的散乱なし画像又は部分的散乱なし画像セットが使用される、散乱補正のための更なる方法の例示的な一実施形態を示すフロー図である。

ＣＴ撮像システムの例示的な一実施形態の上面図を示す概略図である。

図１０ＡのＣＴ撮像システムの側面図を示す概略図である。

図面は必ずしも縮尺どおりではないことに留意されたい。図面は、本明細書に開示される主題の典型的な態様のみを描写することを意図しており、したがって、本開示の範囲を限定するものと見なされるべきではない。

Ｘ線検査を実行するとき、Ｘ線を標的物体に通過させ、検出器によって検出して画像を生成することができる。いくつかのＸ線は、初期軌道から散乱される可能性があり、それにより、画像のコントラストを低減するアーチファクトがもたらされる。散乱補正のための技術が開発されてきたが、各々問題がある。一例では、散乱をモデル化するためのシミュレーションが開発されてきた。しかしながら、かかるシミュレーションは、非実験データ（純粋なシミュレーション）の制限に基づく可能性があり、及び／又は補間（補間によって補われる限定された実験データ）に重度に依存する可能性がある。更に、散乱の全ての態様が、十分な正確さを伴ってシミュレート又は補間され得るとは限らない。欠落している正確さは、散乱補正された画像内のアーチファクトの導入をもたらし得る。したがって、これらのシミュレーションから得られる散乱推定値は、実際の散乱から著しく逸脱する可能性がある。したがって、Ｘ線検査（例えば、コンピュータ断層撮影）のための散乱補正のための改善されたシステム及び方法が提供される。散乱なし画像及び散乱画像は、深層学習（例えば、ニューラルネットワーク）又はデコンボリューションモデルなどの計算技術の入力として使用することができる。散乱なし画像は、開口を含む開口板を使用して取得された複数の部分的散乱なし画像から生成することができる。各部分的散乱なし画像は、異なる位置における開口板を用いて取得され、散乱Ｘ線の一部分を遮断する。異なる位置における開口板の開口位置の組み合わせが散乱画像全体を覆うように、十分な部分的散乱なし画像を取得することができる。部分的散乱なし画像の組み合わせは、散乱なし画像を与える。このようにして生成された散乱なし画像は、補間なしで、小さいコリメート領域内で測定され、散乱推定値の精度が高くなる。

本開示の実施形態は、一般に、改善された画質を達成するコンピュータ断層撮影（ＣＴ）撮像のための散乱補正を対象とする。かかる撮像技術は、医療用撮像、工業的計測及び検査、セキュリティスクリーニング、手荷物又はパッケージ検査など、様々な撮像コンテキストにおいて有用であり得る。更に、かかる撮像技術は、ＣＴシステム、トモシンセシスシステム、Ｘ線撮像システムなどの様々な撮像システムにおいて採用されてもよい。本考察は、測定及び検査精度の改善をもたらす、ＣＴシステムに関する工業検査コンテキストの例を提供するが、当業者であれば、他のコンテキスト及び他のシステムにおけるこれらの技術の適用が本技術の範囲内にあることを容易に理解するであろう。

図１Ａ～図１Ｂは、高解像度画像を生成するように構成された撮像システム２００を示す。撮像システム２００は、画像データを取得することと、ディスプレイ及び分析のために画像データを処理することの両方を行うように設計された容積測定計算断層撮影（ＶＣＴ）システムであり得る。図示のように、撮像システム２００は、Ｘ線源２０２などの放射源２０２を含むことができる。放射源２０２によって放出される放射２０４をコリメートし、放射源２０２によって放出される放出放射２０４の寸法及び形状を調整するために、コリメータ２０５を放射源２０２に隣接して位置付けることができる。

放射２０４の流れは、撮像される物体２０８に対して放射源２０２の反対側に配置された検出器アレイ２０６に向かって投影することができる。物体２０８は、Ｘ線検査に好適な任意の物体（例えば、タービンブレード）であり得る。放射２０４の流れは、撮像される物体２０８が撮像される撮像ボリュームに入ることができる。放射２０４の一部分は、物体２０８を通過するか、又は物体２０８の周りを通り、検出器アレイ２０６に衝突する。検出器アレイ２０６は、概して、検出素子の二次元アレイとして形成することができる。検出器アレイ２０６によって収集されたデータは、１つ以上のプロセッサを含む分析器２０７に出力することができる。

物体２０８、放射源２０２、及び検出器アレイ２０６は、互いに対して変位させることができ、所望であれば、物体２０８に対して様々なビューで投影データを取得することができる。一例として、物体２０８は、回転軸２１０を中心として物体２０８を回転させることができるように、ターンテーブルなどのテーブル上に位置付けることができる。特定の実施形態では、検出器アレイ２０６から収集されたデータに（例えば、分析器２０７によって）前処理を施して、スキャンされる物体２０８の減衰係数の線積分を表すデータを調整することができる。次いで、処理されたデータ又は投影は、その全体が参照により本明細書に組み込まれる米国特許第９，８０４，１０６号でより詳細に考察されるように、スキャンされる領域の容積測定画像を定式化するために、（例えば、分析器２０７又は別の計算デバイスによって再構成することができる。

撮像システム２００は、画質及び解像度を改善するための様々な散乱緩和及び／又は補正技術を採用することができる。例えば、物体２０８から生じる散乱放射、並びに背景から生じる散乱放射を排除するための散乱排除開口板２１２を採用することができる。解像度及び画質を更に改善するために、開口板２１２は、以下でより詳細に考察される複数の位置の間で移動可能であり得る。開口板２１２を複数の位置の間で移動させることにより、物体２０８上のより小さい構造を認識することができ、アーチファクトをより良好に回避することができる。

米国特許第９，８０４，１０６号でより詳細に考察されるように、開口板２１２は、板に穿孔された円形開口など、複数のサブセンチメートルサイズの開口４８を含むことができる。開口４８は、二次元グリッド上に位置付けられ得る。開口４８の実施形態は、とりわけ、円形の形状、矩形の形状、又は六角形の形状など、任意の幾何学的形状を有する。特定の実施形態では、円形開口４８は、互いに（中心間で）約５ミリメートルだけ離間していた直径約１～２ミリメートルであってもよい。

上で考察されるように、開口板２１２は、生成される画像の解像度及び品質を増加させるために、複数の位置の間で移動可能であり得る。図２Ａに示すように、開口板２１２は、最初に第１の位置２１１に配置され得る。第１のグリッド画像が収集された後、開口板２１２は、第２の位置２１３、２１４に再位置付けされ、第２のグリッド画像が収集され得る。一実施形態では、開口板２１２は一方向に移動させることができる。例えば、開口板２１２を、図２Ｂに示すように、第１の位置２１１から第２の位置２１３まで垂直方向に移動させることができ、第２の画像を収集するか、又は開口板２１２を、図２Ｃに示すように、第１の位置２１１から第３の位置２１４まで水平方向に移動させることができ、第２の画像を収集する。別の実施形態では、開口板２１２は双方向に移動させることができる。例えば、開口板２１２を、図２Ｄに示すように、垂直方向と水平方向の両方に移動させることができる。この実施形態では、開口板２１２は、第１の位置２１１に配置され、第１の画像が収集され、第２の位置２１３に移動され、第２の画像が収集され、第３の位置２１４に移動され、第３の画像が収集され、第４の位置２１５に移動され、第４の画像が収集され得る。別の実施形態では、開口板２１２は、物体２０８に対して回転させることができる。開口板２１２の各位置２１１、２１３、２１４、２１５において画像を収集することができる。図２Ｅに示すように、開口の位置が所望の領域全体を覆うまで、開口板２１２を移動させ、画像を取得するプロセスを繰り返すことができる。

別の実施形態では、開口板２１２のグリッドの前に物体２０８を移動させることによって、画像の解像度も増加させることができる。上で考察される開口板２１２を再位置付けすることと同様に、この実施形態では、サンプルは、例えば、一方向に移動させるか、双方向に移動させるか、又は回転させることができる。物体２０８に対して開口板２１２の開口４８を再位置付けすることにより、画像の解像度を増加させることができる。開口板２１２及び／又は物体２０８は、手動で又は自動的に再位置付けすることができる。

画像の解像度は、開口板２１２及び／又は物体２０８を配置することができる位置の数によって決定することができる。位置の数が増加すると、画像の解像度も増加する。例えば、開口板２１２の双方向の移動を使用して、開口板２１２を４つの位置に位置付けると、画像解像度が２倍に増加する。別の例では、開口板２１２を１６個の位置に位置付けると、画像解像度が４倍に増加する。開口板２１２を再位置付けすることによる画像解像度の改善を図３Ａ～図３Ｂに示す。

図３Ａは、開口板２１２が単一の位置に配置された、生成された物体２０８の画像２１６を示している。図３Ｂは、データの収集中に開口板２１２が４つの位置に配置された物体２０８の画像２１９を示している。これらの図に示される第１の場所２１７及び第２の場所２１８によって示されるように、開口板２１２の追加の位置は、図３Ａと比較して、第１の場所２１７及び第２の場所２１８の各々において更なる詳細が視認可能である図３Ｂの画像をもたらす。

散乱なし画像は、散乱補正のための計算手法と組み合わせて使用することができる。この組み合わせは、Ｘ線断層撮影における散乱補正のためのより良好な結果及びより少ないスキャン努力を創出することができる。計算手法の例としては、深層学習（例えば、ニューラルネットワーク）又はデコンボリューション手法が挙げられ得る。

図４に示すように、散乱画像のセット４０２及び散乱なし画像のセットを、モデル４０６（例えば、ニューラルネットワーク又は散乱縁部拡散関数（ＥＳＦ））に入力することができる。ニューラルネットワークの場合、散乱補正のために１つ以上のアルゴリズムを受信又は生成し、散乱画像セット４０２に適用することができる。デコンボリューションの場合、散乱ＥＳＦを用いて、デコンボリューションのための点拡散関数（ＰＳＦ）を受信又は生成し、散乱画像セット４０２に適用することができる。いずれの場合も、散乱補正画像セットと散乱なし画像セット４０４との間の偏差が決定され、アルゴリズムの修正のためのフィードバック４１０として使用される。このプロセスはそれ自体を繰り返し、散乱補正画像セットと散乱なし画像セット４０４との間の偏差が所定の偏差未満になるまで、各反復でアルゴリズム又はパラメータを更新する。その後、決定されたアルゴリズム又はＰＳＦが出力される。

図５は、撮像システム２００上の先進的な散乱測定及び補正技術を採用することによって、物体２０８などの物体の画像の散乱補正のための方法５００の例示的な一実施形態を示すフロー図である。示されるように、方法５００は、動作５０２～５１２を含む。この方法は単なる例示であり、選択された動作は、必要に応じて変更、追加、削除、及び／又は再配設することができることを理解されたい。

動作５０２において、物体２０８の少なくとも１つの散乱画像を取得することができる。特定の実施形態では、複数の散乱画像（例えば、散乱画像セット）を取得することができる。

動作５０４において、開口板２１２を、物体２０８と検出器２０６との間において第１の位置に配置する。上で考察されるように、開口板２１２は、複数の開口２１１を含むことができ、検出器アレイ２０６による検出からの散乱放射（例えば、物体２０８及び／又は背景から散乱されるＸ線）を抑制するように構成することができる。開口板２１２が第１の位置にあるときに、少なくとも１つの第１の部分的散乱なし画像（例えば、単一の部分的散乱なし画像、又は複数の部分的散乱なし画像を含む部分的散乱なし画像セット）を取得することができる。

動作５０６において、開口板２１２を、第１の位置とは異なる１つ以上の他の位置（例えば、１つ以上の第２の位置）に移動させることができる。一例として、開口板２１２の移動は、並進のみ、回転のみ、又は並進と回転の組み合わせを含むことができる。並進は、少なくとも１つの方向（例えば、水平方向、垂直方向、又はこれらの組み合わせ）における移動を含むことができる。開口は、第１の位置と第２の位置との間の所定の距離だけ重なり合ってもよく、又は離間していてもよい。開口板２１２が、第２の位置のうちの選択された位置（例えば、第２の位置の少なくとも一部分及び最大で全て）に位置付けられたときに、第２の部分的散乱なし画像又は部分的散乱なし画像セットを取得することができる。開口がほぼ散乱画像全体を覆うように、必要な程度に多くの部分的散乱なし画像／画像セットを生成するために、動作５０６を繰り返すことができる。

動作５１０では、取得された部分的散乱なし画像を、分析器によって受信し、組み合わせて、散乱なし画像／画像セットを生成することができる。特定の実施形態では、部分的散乱なし画像の少なくとも一部分が使用される。

動作５１２において、散乱画像／画像セット及び散乱なし画像／画像セットを使用して、ディープアルゴリズムの訓練又はデコンボリューションアルゴリズムのＰＳＦ推定を行う。

Ｘ線検査システムの変化は、Ｘ線検査システムによって取得される画像を変化させ得ることが理解できるであろう。かかる変化としては、Ｘ線検出器、Ｘ線源、検査されている標的、及び環境が挙げられ得るが、これらに限定されない。Ｘ線検出器の変化としては、１つのＸ線検出器と別のＸ線検出器との交換、及び経時変化による検出能力の変化のうちの１つ以上が挙げられ得る。Ｘ線源の変化としては、Ｘ線源によって放出されるＸ線スペクトルの何らかの変化が挙げられ得る。かかる変化は、Ｘ線源の構成要素（例えば、フィルタ、チューブなど）の交換、又はＸ線源全体と別のＸ線源との交換に起因して発生し得る。環境の変化としては、Ｘ線源を取り囲む環境に起因するＸ線散乱挙動の何らかの変化が挙げられ得る。

これらの変化の結果として、かかる変化の前に訓練されたニューラルネットワークアルゴリズムは、出力散乱補正画像にエラーを導入する可能性がある。同様に、かかる変化の前に決定されたデコンボリューションＰＳＦ推定値は、出力散乱補正画像にエラーを導入する可能性がある。

したがって、Ｘ線検査システムにおける変化の影響に対処するために、以前に決定されたニューラルネットワークアルゴリズムを再訓練することができるか、又はデコンボリューションのＰＳＦ推定値を更新することができる。すなわち、ニューラルネットワークの訓練又はデコンボリューションＰＳＦ推定値は、完全に再生成される必要はない。以前に決定されたニューラルネットワークアルゴリズムを有益に再訓練するか、又は以前に決定されたＰＳＦ推定値を更新することは、最初から生成することよりも著しく少ない訓練データ及び時間を必要とし得る。

以下でより詳細に考察されるように、ニューラルネットワークアルゴリズムを再訓練するか、又はデコンボリューションＰＳＦ推定値を更新することは、様々な方法で実行することができる。単一の画像又は全画像セットを採用することができる。調整は、１つのデータセット及び１つのサンプルタイプに対して有効であり得るか、又は異なるサンプルタイプも有する多くのデータセットに対して有効であり得る。訓練データの選択は、ニューラルネットワーク又は評価されたＰＳＦ、それらが一般的な補正のために作成されたのかより特殊な事例なのために作成されたのか、に依存する。

図６は、ニューラルネットワークを再訓練するか又はデコンボリューションアルゴリズムのＰＳＦ推定値を調整するための部分的散乱なし画像を取得するために使用され得る多数の異なる可能な測定点を示す、開口板２１２の概略図である。

図７は、ニューラルネットワークを再訓練するための、又はデコンボリューションアルゴリズムのＰＳＦ推定値を調整するための方法７００の例示的な一実施形態のフロー図である。示されるように、方法７００は、動作７０２～７１２を含む。この方法は単なる例示であり、選択された動作は、必要に応じて変更、追加、削除、及び／又は再配設することができることを理解されたい。

動作７０２において、物体２０８の複数の散乱画像（例えば、散乱画像のセット）を取得することができる。

動作７０４において、物体２０８と検出器２０６との間に開口板２１２を配置し、放射検出器２０６によって、取得された散乱画像の各々に対応する部分的散乱なし画像を取得することができる。すなわち、散乱画像に対応する部分的散乱なし画像は、違いが、部分的散乱なし画像の取得中の開口板２１２の存在であることを除いて、散乱画像と同じ条件、又はほぼ同じ条件下（例えば、機器公差内）で取得することができる。

取得された散乱画像データ及び部分的散乱なし画像データは、分析器２０７によって更に受信され得る。特定の実施形態では、分析器２０７は、取得された散乱画像データ及び部分的散乱なし画像データを、放射検出器２０６から直接受信することができる。他の実施形態では、分析器２０７は、取得された散乱画像データ及び部分的散乱なし画像データを、別のソース（例えば、メモリデバイス）から受信することができる。

動作７０６において、分析器２０７が散乱画像セット及び部分的散乱なし画像セットを使用して、以前に訓練された散乱補正モデル（例えば、ニューラルネットワークの以前に訓練された散乱補正アルゴリズム、又は以前に決定されたデコンボリューションＰＳＦ推定値）を再訓練（調整又は更新）することができる。ニューラルネットワークを使用した散乱補正モデルの場合、再訓練は、所与の散乱画像に関して以前に訓練されたニューラルネットワークの出力と、対応する取得された部分的散乱なし画像との間の補間を実行することを含み得る。したがって、対応する散乱画像と部分的散乱なし画像とのペアごとに分析器２０７によって決定される補間が存在し得る。それぞれの補間は、調整された散乱補正アルゴリズムを生成するためにニューラルネットワークによって利用され得る。デコンボリューション手法を採用する散乱補正モデルでは、デコンボリューション関数は、全体的にではなく、測定点ごとに（例えば、対応する散乱画像と部分的散乱なし画像とのペアごとに）局所的にパラメータ化することができる。

動作７１０において、分析器２０７が、更新された散乱補正モデル（例えば、ニューラルネットワークアルゴリズム又はデコンボリューションＰＳＦ推定値）を使用して、複数の散乱画像のうちの少なくとも１つの散乱画像を補正することができる。

動作７１２において、分析器２０７が、補正された散乱画像のうちの少なくとも１つを出力することができる。例えば、少なくとも１つの補正された散乱画像は、記憶のためにメモリデバイス及び／又は閲覧のためにディスプレイデバイスに出力することができる。

図８は、ニューラルネットワーク又はデコンボリューションアルゴリズムのＰＳＦ推定値を再訓練（調整又は更新）するために分析器２０７によって実行され得る別の方法８００の例示的な一実施形態のフロー図である。示されるように、方法８００は、動作８０２～８１２を含む。この方法は単なる例示であり、選択された動作は、必要に応じて変更、追加、削除、及び／又は再配設することができることを理解されたい。

動作８０２において、放射検出器２０６によって物体２０８の複数の散乱画像（例えば、散乱画像のセット）を取得することができる。

動作８０４において、物体２０８と検出器２０６との間に開口板２１２を配置し、放射検出器２０６によって、単一の部分的散乱なし画像を取得することができる。

取得された散乱画像データ及び部分的散乱なし画像データは、分析器２０７によって更に受信され得る。特定の実施形態では、分析器２０７は、取得された散乱画像データ及び部分的散乱なし画像データを、放射検出器２０６から直接受信することができる。他の実施形態では、分析器２０７は、取得された散乱画像データ及び部分的散乱なし画像データを、別のソース（例えば、メモリデバイス）から受信することができる。

動作８０６において、複数の散乱画像データ及び単一の部分的散乱なし画像データを使用して、以前に訓練された散乱補正モデル（例えば、ニューラルネットワークの以前に訓練された散乱補正アルゴリズム、又は以前に決定されたデコンボリューションＰＳＦ推定値）を再訓練（例えば、調整又は更新）することができる。ニューラルネットワークを使用した散乱補正モデルの場合、再訓練は、所与の散乱画像に関して以前に訓練されたニューラルネットワークの出力と、単一の取得された部分的散乱なし画像との間の補間を実行することを含み得る。したがって、散乱画像と単一の部分的散乱なし画像とのペアごとに分析器２０７によって決定される補間が存在し得る。それぞれの補間は、調整された散乱補正アルゴリズムを生成するためにニューラルネットワークによって利用され得る。デコンボリューション手法を採用する散乱補正モデルでは、デコンボリューション関数は、全体的にではなく、測定点ごとに（例えば、散乱画像と単一の部分的散乱なし画像とのペアごとに）局所的にパラメータ化することができる。

動作８１０において、分析器２０７が、更新された散乱補正モデル（例えば、ニューラルネットワークアルゴリズム又はデコンボリューションＰＳＦ推定値）を使用して、複数の散乱画像のうちの少なくとも１つの散乱画像を補正することができる。

動作８１２において、分析器２０７が、補正された散乱画像のうちの少なくとも１つを出力することができる。例えば、少なくとも１つの補正された散乱画像は、記憶のためにメモリデバイス及び／又は閲覧のためにディスプレイデバイスに出力することができる。

調整のために単一の部分的散乱なし画像が取得される状況下では、Ｘ線検査システムは、任意選択的に、図１０Ａ～図１０Ｂに示されるように、開口板２１２を移動させる能力を省略することができる。

ニューラルネットワーク又はデコンボリューションＥＳＦを調整するために方法７００を採用するか方法８００を採用するかの選択は、使用事例、及び散乱補正の必要な精度に依存し得る。一例として、各検査物体２０８が同じである状況下では、方法８００の単一の部分的散乱なし画像手法で十分であり得る。この測定は、構成要素の経時変化を考慮するために、周期的に実行してニューラルネットワーク又はデコンボリューションＥＳＦを調整することができる。

図９は、ニューラルネットワーク又はデコンボリューションアルゴリズムのＰＳＦ推定値を再訓練（調整）するための更なる方法９００の例示的な一実施形態のフロー図である。示されるように、方法９００は、動作９０２～９１２を含む。この方法は単なる例示であり、選択された動作は、必要に応じて変更、追加、削除、及び／又は再配設することができることを理解されたい。

動作９０２において、物体２０８の散乱画像又は散乱画像のセットを取得する。

動作９０４において、物体２０８と検出器２０６との間に開口板２１２を配置し、単一の部分的散乱なし画像又は部分的散乱なし画像セットを取得する。上述のように、部分的散乱なし画像のセットを取得するとき、散乱なし画像セットの各画像は、散乱画像セットのそれぞれの画像に対応することができる。

動作９０６において、散乱画像セット及び単一の部分的散乱なし画像又は散乱なし画像セットを使用して、以前に訓練されたニューラルネットワーク又は以前に決定されたデコンボリューションＰＳＦ推定値を再訓練（調整）することができる。部分的散乱なし画像セットを使用して実行される調整は、動作７０６において上で考察されるように実行することができる。単一の部分的散乱なし画像を使用して実行される調整は、動作８０６において上で考察されるように実行することができる。

動作９１０において、調整されたニューラルネットワークアルゴリズム又はデコンボリューションＰＳＦ推定値を使用して、散乱画像セットを補正することができる。

動作９１２において、同じタイプの物体２０８又は異なるタイプの物体２０８の散乱画像又は散乱画像セットを取得することができる。散乱補正は、調整されたニューラルネットワークアルゴリズム又はデコンボリューションＰＳＦ推定値を使用して実行することができる。補正品質が、再調整なしで所望の結果のために十分である限り、動作９１２を繰り返すことができる。

本明細書に記載される方法、システム、及びデバイスの例示的な技術的効果としては、非限定的な例として、Ｘ線画像の散乱補正の改善が挙げられる。散乱なし画像は、異なる位置に位置付けられた開口板を使用して取得された複数の部分的散乱なし画像から生成することができる。散乱なし画像は、散乱補正のための計算手法（例えば、深層学習、デコンボリューションなど）と組み合わせて使用することができる。この組み合わせは、Ｘ線断層撮影における散乱補正のためのより良好な結果及びより少ないスキャン努力を創出することができる。

本明細書に開示されるシステム、デバイス、及び方法の構造、機能、製造、及び使用の原理の全体的な理解を提供するために、特定の例示的な実施形態を記載してきた。これらの実施形態の１つ以上の例が添付の図面に示されている。当業者は、本明細書に明確に記載され、添付の図面に例示されるシステム、デバイス、及び方法が、非限定的な例示的な実施形態であること、及び本発明の範囲が特許請求の範囲によってのみ定義されることを理解するであろう。例示的な一実施形態に関連して図示又は記載される特徴は、他の実施形態の特徴と組み合わされてもよい。かかる修正及び変形は、本発明の範囲内に含まれることが意図される。更に、本開示では、実施形態の類似する名称の構成要素は、概して類似の特徴を有しており、ゆえに、特定の実施形態において類似する名称の各構成要素の各特徴については、必ずしも完全には詳述していない。

本明細書に記載される主題は、本明細書に開示される構造的手段及びその構造的等価物を含む、アナログ電子回路、デジタル電子回路、及び／又はコンピュータソフトウェア、ファームウェア、若しくはハードウェアで、又はそれらの組み合わせで実装することができる。本明細書に記載される主題は、データ処理装置（例えば、プログラマブルプロセッサ、コンピュータ、又は多数のコンピュータ）による実行のため又はその動作を制御するため、情報キャリアで（例えば、機械可読記憶デバイスで）明白に具現化されるか、又は伝播信号で具現化される、１つ以上のコンピュータプログラムなどの、１つ以上のコンピュータプログラム製品として実装され得る。コンピュータプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、又はコードとしても既知である）は、コンパイル又は解釈された言語を含む任意の形態のプログラミング言語で書くことができ、独立型プログラムとして、又はモジュール、構成要素、サブルーチン、若しくはコンピューティング環境での使用に好適な他のユニットとしてなど、任意の形態で展開され得る。コンピュータプログラムは、必ずしもファイルに対応しない。プログラムは、他のプログラム若しくはデータを保持するファイルの一部分に、当該プログラム専用の単一ファイルに、又は多数の調整されたファイル（例えば、１つ以上のモジュール、サブプログラム、若しくはコードの部分を記憶するファイル）に記憶され得る。コンピュータプログラムは、１つのコンピュータ上で若しくは１つのサイトの多数のコンピュータ上で実行されるように、又は多数のサイトに分散され、通信ネットワークによって相互接続されるように展開され得る。

本明細書に記載される主題の方法工程を含む、本明細書に記載されるプロセス及び論理フローは、入力データ上で動作し、出力を生成することによって、本明細書に記載される主題の機能を実行するために１つ以上のコンピュータプログラムを実行する１つ以上のプログラム可能なプロセッサによって実行され得る。プロセス及び論理フローはまた、専用論理回路、例えば、ＦＰＧＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ、フィールドプログラマブルゲートアレイ）又はＡＳＩＣ（ａｐｐｌｉｃａｔｉｏｎ－ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ、特定用途向け集積回路）によって実行され得、本明細書に記載される主題の装置は、かかる専用論理回路として実装され得る。

コンピュータプログラムの実行に好適なプロセッサとしては、例えば、汎用マイクロプロセッサ及び専用マイクロプロセッサの両方、並びに任意の種類のデジタルコンピュータの任意の１つ以上のプロセッサが挙げられる。一般的に、プロセッサは、読み出し専用メモリ若しくはランダムアクセスメモリ、又はその両方から命令及びデータを受信する。コンピュータの必須要素は、命令を実行するためのプロセッサ、並びに命令及びデータを記憶するための１つ以上のメモリデバイスである。一般的に、コンピュータはまた、データを記憶するための１つ以上の大容量記憶デバイス、例えば、磁気ディスク、光磁気ディスク、若しくは光ディスクを含むか、又はそこからデータを受信する、そこにデータを転送する、若しくはその両方を行うように動作可能に結合される。コンピュータプログラム命令及びデータを具現化するのに好適な情報キャリアとしては、例として、半導体メモリデバイス（例えば、ＥＰＲＯＭ、ＥＥＰＲＯＭ、及びフラッシュメモリデバイス）と、磁気ディスク（例えば、内部ハードディスク又はリムーバブルディスク）と、光磁気ディスクと、光ディスク（例えば、ＣＤ及びＤＶＤディスク）と、を含む、不揮発性メモリの全ての形態が挙げられる。プロセッサ及びメモリは、専用論理回路によって補完されるか、又はその中に組み込まれ得る。

ユーザとの相互作用を提供するために、本明細書に記載される主題は、ユーザに情報を表示するためのディスプレイデバイス、例えば、ＣＲＴ（ｃａｔｈｏｄｅ ｒａｙ ｔｕｂｅ、陰極線管）又はＬＣＤ（ｌｉｑｕｉｄ ｃｒｙｓｔａｌ ｄｉｓｐｌａｙ、液晶ディスプレイ）モニタ、並びにユーザがコンピュータに入力を提供するのに利用し得るキーボード及びポインティングデバイス（例えば、マウス又はトラックボール）を有するコンピュータ上に実装され得る。他の種類のデバイスを使用して、ユーザとの相互作用を提供することもできる。例えば、ユーザに提供されるフィードバックは、任意の形態の感覚フィードバック（例えば、視覚フィードバック、聴覚フィードバック、又は触覚フィードバック）であり得、ユーザからの入力は、音響、音声、又は触覚入力を含む任意の形態で受信され得る。

本明細書に記載される技術は、１つ以上のモジュールを使用して実装され得る。本明細書で使用するとき、「モジュール」という用語は、コンピューティングソフトウェア、ファームウェア、ハードウェア、及び／又はそれらの様々な組み合わせを指す。しかしながら、最低でも、モジュールは、ハードウェア、ファームウェア上に実装されていないか、又は非一時的プロセッサの読み取り可能で記録可能な記憶媒体（すなわち、モジュールはソフトウェアそれ自体ではない）上に実装されていないソフトウェアとして解釈されるべきではない。実際に、「モジュール」は、プロセッサ又はコンピュータの一部などの少なくとも何らかの物理的な非一時的ハードウェアを常に含むものと解釈されるべきである。２つの異なるモジュールは、同じ物理ハードウェアを共有し得る（例えば、２つの異なるモジュールは、同じプロセッサ及びネットワークインターフェースを使用し得る）。本明細書に記載されるモジュールは、様々な用途をサポートするために組み合わせ、統合、分離、及び／又は複製が可能である。また、特定のモジュールで実行されるものとして本明細書に記載される機能は、特定のモジュールで実行される機能の代わりに、又はそれに加えて、１つ以上の他のモジュールで、及び／又は１つ以上の他のデバイスによって実行され得る。更に、モジュールは、互いにローカル又はリモートの多数のデバイス及び／又は他の構成要素にまたがって実装され得る。加えて、モジュールを１つのデバイスから移動し、別のデバイスに追加することができ、かつ／又は両方のデバイスに組み込むこともできる。

本明細書に記載される主題は、バックエンド構成要素（例えば、データサーバ）、ミドルウェア構成要素（例えば、アプリケーションサーバ）、若しくはフロントエンド構成要素（例えば、グラフィカルユーザインターフェース又はウェブブラウザを有するクライアントコンピュータであって、ユーザはそれらを通して、本明細書に記載される主題の実装と相互作用することができる）、又はかかるバックエンド、ミドルウェア、及びフロントエンド構成要素の任意の組み合わせを含む、コンピューティングシステムに実装され得る。システムの構成要素は、デジタルデータ通信の任意の形態又は媒体、例えば、通信ネットワークによって相互接続され得る。通信ネットワークの例としては、ローカルエリアネットワーク（「local area network、ＬＡＮ」）及び広域ネットワーク（「wide area network、ＷＡＮ」）、例えば、インターネットが挙げられる。

本明細書及び特許請求の範囲全体を通して本明細書で使用するとき、近似言語は、それが関連する基本機能の変化をもたらすことなく、許容可能に変化し得る、任意の定量的表現を修正するために適用されてもよい。したがって、「約」、「およそ」、及び「実質的に」など、１つ又は複数の用語によって修飾された値は、指定された正確な値に限定されるものではない。少なくともいくつかの例において、近似言語は、値を測定するための器具の精度に対応し得る。本明細書において、本明細書及び特許請求の範囲全体を通して、範囲制限の組み合わせ及び／又は交換が行われてもよく、かかる範囲は識別され、文脈又は言語が別段の指示をしていない限り、そこに含まれる全ての部分範囲を含む。

当業者は、上述の実施形態に基づいて本発明の更なる特徴及び利点を理解するであろう。したがって、本出願は、添付の特許請求の範囲によって示されるものを除き、特に示され説明されてきたものによって限定されるものではない。本明細書に引用される全ての刊行物及び参考文献は、その全体が参照により明示的に組み込まれる。

以下、本発明の好ましい実施形態を項分け記載する。
実施形態１
物体の画像の散乱補正のための方法であって、
撮像システムの放射検出器によって、物体の撮像ボリュームを通って透過される放射の検出に基づいて、前記物体の複数の散乱画像を表すデータを取得することと、
前記物体と前記放射検出器との間に開口板を配置することであって、前記開口板が、前記放射検出器による検出からの散乱放射を抑制するように構成された複数の開口を含む、配置することと、
前記放射検出器によって、各散乱画像に対応する部分的散乱なし画像を表すデータを取得することであって、各部分的散乱なし画像は、前記開口板が存在するときに前記物体の前記撮像ボリュームを通って透過される放射の検出に基づいており、前記散乱画像及びその対応する部分的散乱なし画像が、前記開口板の前記存在を除いてほぼ同じ条件下で取得される、取得することと、
１つ以上のプロセッサを含む分析器によって、前記複数の散乱画像データ及び対応する部分的散乱なし画像データを受信することと、
前記分析器によって、訓練された散乱補正モデルを受信することと、
前記分析器によって、前記受信された複数の散乱画像データ及び対応する部分的散乱なし画像データに基づいて、前記訓練された散乱補正モデルを更新して、更新された訓練された散乱補正モデルを得ることと、
前記分析器によって、前記更新された訓練された散乱補正モデルに基づいて、前記複数の散乱画像のうちの少なくとも１つを補正することと、
前記分析器によって、少なくとも１つの補正された散乱画像を出力することと、を含む、方法。
実施形態２
前記訓練された散乱補正モデルが、訓練されたニューラルネットワークモデルである、実施形態１に記載の方法。
実施形態３
前記訓練された散乱補正モデルを前記更新することが、
対応する散乱画像及び部分的散乱なし画像の各ペアに対して、前記散乱画像に関する前記訓練されたニューラルネットワークモデルの出力と、前記部分的散乱なし画像に関する前記訓練されたニューラルネットワークモデルの出力との間で補間を実行することと、
前記補間に基づいて、前記更新された訓練された散乱補正モデルを生成することと、を含む、実施形態２に記載の方法。
実施形態４
前記訓練された散乱補正モデルが、以前に決定されたデコンボリューション点拡散関数（point spread function、ＰＳＦ）推定値を含む、実施形態１に記載の方法。
実施形態５
前記訓練された散乱補正モデルを更新することが、
対応する散乱画像及び部分的散乱なし画像のそれぞれのペアの測定点を使用して、前記デコンボリューションＰＳＦ推定値を局所的にパラメータ化することと、
前記局所的パラメータ化に基づいて前記デコンボリューションＰＳＦ推定値を更新することと、を含む、実施形態４に記載の方法。
実施形態６
撮像システムであって、
物体に向かって方向付けられた放射を放出するように構成された放射源と、
前記物体の撮像ボリュームを通って透過される、前記放出された放射を検出するように構成された放射検出器と、
１つ以上のプロセッサを含む分析器と、を備え、前記分析器が、
物体の撮像ボリュームを通って透過される前記放射源による放射の検出に基づいて、前記物体の複数の散乱画像を表すデータを受信することと、
各散乱画像に対応する部分的散乱なし画像を表すデータを受信することであって、各部分的散乱なし画像は、前記開口板が存在するときに前記物体の前記撮像ボリュームを通って透過される放射の検出に基づいており、前記散乱画像及びその対応する部分的散乱なし画像が、前記開口板の前記存在を除いてほぼ同じ条件下で取得される、受信することと、
訓練された散乱補正モデルを受信することと、
前記受信された複数の散乱画像データ及び対応する部分的散乱なし画像データに基づいて、前記訓練された散乱補正モデルを更新して、更新された訓練された散乱補正モデルを得ることと、
前記更新された訓練された散乱補正モデルに基づいて、前記複数の散乱画像のうちの少なくとも１つを補正することと、
少なくとも１つの補正された散乱画像を出力することと、を行うように構成されている、撮像システム。
実施形態７
前記訓練された散乱補正モデルが、訓練されたニューラルネットワークモデルである、実施形態６に記載の撮像システム。
実施形態８
前記訓練された散乱補正モデルを前記更新することが、
対応する散乱画像及び部分的散乱なし画像の各ペアに対して、前記散乱画像に関する前記訓練されたニューラルネットワークモデルの出力と、前記部分的散乱なし画像に関する前記訓練されたニューラルネットワークモデルの出力との間で補間を実行することと、
前記補間に基づいて、前記更新された訓練された散乱補正モデルを生成することと、を含む、実施形態７に記載の撮像システム。
実施形態９
前記訓練された散乱補正モデルが、以前に決定されたデコンボリューション点拡散関数（point spread function、ＰＳＦ）推定値を含む、実施形態６に記載の撮像システム。
実施形態１０
前記訓練された散乱補正モデルを更新することが、
対応する散乱画像及び部分的散乱なし画像のそれぞれのペアの測定点を使用して、前記デコンボリューションＰＳＦ推定値を局所的にパラメータ化することと、
とと、を含む、実施形態９に記載の撮像システム。
実施形態１１
物体の画像の散乱補正のための方法であって、
撮像システムの放射検出器によって、物体の撮像ボリュームを通って透過される放射の検出に基づいて、前記物体の複数の散乱画像を表すデータを取得することと、
前記物体と前記放射検出器との間に開口板を配置することであって、前記開口板が、前記放射検出器による検出からの散乱放射を抑制するように構成された複数の開口を含む、配置することと、
前記放射検出器によって、単一の部分的散乱なし画像を表すデータを取得することであって、前記単一の部分的散乱なし画像は、前記開口板が存在するときに前記物体の前記撮像ボリュームを通って透過される放射の検出に基づいている、取得することと、
１つ以上のプロセッサを含む分析器によって、前記複数の散乱画像データ及び前記単一の部分的散乱なし画像データを受信することと、
前記分析器によって、訓練された散乱補正モデルを受信することと、
前記分析器によって、前記受信された複数の散乱画像データ及び前記単一の部分的散乱なし画像データに基づいて、前記訓練された散乱補正モデルを更新して、更新された訓練された散乱補正モデルを得ることと、
前記分析器によって、前記更新された訓練された散乱補正モデルに基づいて、前記複数の散乱画像のうちの少なくとも１つを補正することと、
前記分析器によって、少なくとも１つの補正された散乱画像を出力することと、を含む、方法。
実施形態１２
前記訓練された散乱補正モデルが、訓練されたニューラルネットワークモデルである、実施形態１１に記載の方法。
実施形態１３
前記訓練された散乱補正モデルを前記更新することが、
前記複数の散乱画像のうちの散乱画像、及び前記単一の部分的散乱なし画像を含む各画像ペアに対して、前記散乱画像に関する前記訓練されたニューラルネットワークモデルの出力と、前記単一の部分的散乱なし画像に関する前記訓練されたニューラルネットワークモデルの出力との間で補間を実行することと、
前記補間に基づいて、前記更新された訓練された散乱補正モデルを生成することと、を含む、実施形態１２に記載の方法。
実施形態１４
前記訓練された散乱補正モデルが、以前に決定されたデコンボリューション点拡散関数（point spread function、ＰＳＦ）推定値を含む、実施形態１１に記載の方法。
実施形態１５
前記訓練された散乱補正モデルを更新することが、
前記複数の散乱画像のうちの散乱画像、及び前記単一の部分的散乱なし画像を含むそれぞれの画像ペアの測定点を使用して、前記デコンボリューションＰＳＦ推定値を局所的にパラメータ化することと、
前記局所的パラメータ化に基づいて前記デコンボリューションＰＳＦ推定値を更新することと、を含む、実施形態１４に記載の方法。
実施形態１６
撮像システムであって、
物体に向かって方向付けられた放射を放出するように構成された放射源と、
前記物体の撮像ボリュームを通って透過される、前記放出された放射を検出するように構成された放射検出器と、
１つ以上のプロセッサを含む分析器と、を備え、前記分析器が、
物体の撮像ボリュームを通って透過される前記放射源による放射の検出に基づいて、前記物体の複数の散乱画像を表すデータを受信することと、
単一の部分的散乱なし画像を表すデータを受信することであって、前記単一の部分的散乱なし画像は、前記開口板が存在するときに前記物体の前記撮像ボリュームを通って透過される放射の検出に基づいている、受信することと、
訓練された散乱補正モデルを受信することと、
前記受信された複数の散乱画像データ及び前記単一の部分的散乱なし画像データに基づいて、前記訓練された散乱補正モデルを更新して、更新された訓練された散乱補正モデルを得ることと、
前記更新された訓練された散乱補正モデルに基づいて、前記複数の散乱画像のうちの少なくとも１つを補正することと、
少なくとも１つの補正された散乱画像を出力することと、を行うように構成されている、撮像システム。
実施形態１７
前記訓練された散乱補正モデルが、訓練されたニューラルネットワークモデルである、実施形態１６に記載の撮像システム。
実施形態１８
前記訓練された散乱補正モデルを前記更新することが、
前記複数の散乱画像のうちの散乱画像、及び前記単一の部分的散乱なし画像を含む各画像ペアに対して、前記散乱画像に関する前記訓練されたニューラルネットワークモデルの出力と、前記単一の部分的散乱なし画像に関する前記訓練されたニューラルネットワークモデルの出力との間で補間を実行することと、
前記補間に基づいて、前記更新された訓練された散乱補正モデルを生成することと、を含む、実施形態１７に記載の撮像システム。
実施形態１９
前記訓練された散乱補正モデルが、以前に決定されたデコンボリューション点拡散関数（point spread function、ＰＳＦ）推定値を含む、実施形態１６に記載の撮像システム。
実施形態２０
前記訓練された散乱補正モデルを更新することが、
前記複数の散乱画像のうちの散乱画像、及び前記単一の部分的散乱なし画像を含むそれぞれの画像ペアの測定点を使用して、前記デコンボリューションＰＳＦ推定値を局所的にパラメータ化することと、
前記局所的パラメータ化に基づいて前記デコンボリューションＰＳＦ推定値を更新することと、を含む、実施形態９に記載の撮像システム。

Claims (24)

1. 物体の画像の散乱補正のための方法であって、
   撮像システムの放射検出器によって、物体の撮像ボリュームを通って透過される放射の検出に基づく前記物体の散乱画像をそれぞれが表す複数の散乱画像データを取得することと、
   前記物体と前記放射検出器との間に開口板を配置することであって、前記開口板が、二次元グリッド状に配置された複数の開口を含み、放射線が放射源から前記物体に方向付けられたとき、散乱されない放射線が前記複数の開口を通過し、散乱した放射線の一部が当該開口板によって遮断されるように配置される、配置することと、
   前記放射検出器によって、各前記散乱画像に対応する部分的散乱なし画像を表す部分的散乱なし画像データを取得することであって、各前記部分的散乱なし画像は、前記開口板が存在するときに前記物体の前記撮像ボリュームを通って透過される放射の検出に基づいており、前記散乱画像及びその対応する部分的散乱なし画像が、前記開口板の前記存在を除いて実質的に同じ撮像条件下で撮像される、取得することと、
   １つ以上のプロセッサを含む分析器によって、前記複数の散乱画像データ及び対応する部分的散乱なし画像データを受信することと、
   前記分析器によって、訓練された散乱補正モデルを受信することと、
   前記分析器によって、前記受信された複数の散乱画像データ及び対応する部分的散乱なし画像データに基づいて、前記訓練された散乱補正モデルを更新して、更新された訓練された散乱補正モデルを得ることと、
   前記分析器によって、前記更新された訓練された散乱補正モデルに基づいて、前記複数の散乱画像データのうちの少なくとも１つを補正することと、
   前記分析器によって、少なくとも１つの補正された散乱画像データを出力することと、を含み、
   前記訓練された散乱補正モデルが、物体の撮像ボリュームを通って透過される放射の検出に基づく少なくとも１つの散乱画像の少なくとも一部分と、当該物体の撮像ボリュームを通って透過される放射の検出に基づく少なくとも１つの散乱なし画像とを使用して訓練され、
   前記少なくとも１つの散乱なし画像が、前記開口板の位置をそれぞれ異ならせて撮像された複数の部分的散乱なし画像の前記開口の領域に対応する画像部分を組み合わせることで生成され、前記少なくとも１つの散乱画像と、前記複数の部分的散乱なし画像が前記開口板の存在を除いて実質的に同じ撮像条件下で撮像されている、方法。
2. 前記訓練された散乱補正モデルが、訓練されたニューラルネットワークモデルである、請求項１に記載の方法。
3. 前記訓練された散乱補正モデルを前記更新することが、
   対応する前記散乱画像データ及び前記部分的散乱なし画像データの各ペアに対して、前記散乱画像データに関する前記訓練されたニューラルネットワークモデルの出力と、前記部分的散乱なし画像データに関する前記訓練されたニューラルネットワークモデルの出力との間で補間を実行することと、
   前記補間に基づいて、前記更新された訓練された散乱補正モデルを生成することと、を含む、請求項２に記載の方法。
4. 前記訓練された散乱補正モデルが、以前に決定されたデコンボリューション点拡散関数推定値を含む、請求項１に記載の方法。
5. 前記訓練された散乱補正モデルを更新することが、
   対応する前記散乱画像データ及び前記部分的散乱なし画像データのそれぞれのペアの測定点を使用して、前記デコンボリューション点拡散関数推定値を局所的にパラメータ化することと、
   前記局所的パラメータ化に基づいて前記デコンボリューション点拡散関数推定値を更新することと、を含む、請求項４に記載の方法。
6. 撮像システムであって、
   物体に向かって方向付けられた放射を放出するように構成された放射源と、
   前記物体の撮像ボリュームを通って透過される、前記放出された放射を検出するように構成された放射検出器と、
   二次元グリッド状に配置された複数の開口を含み、放射線が前記放射源から前記物体に方向付けられたとき、散乱されない放射線が前記複数の開口を通過し、散乱した放射線の一部が開口板によって遮断されるように前記物体と前記放射検出器との間に配置された開口板と、
   １つ以上のプロセッサを含む分析器と、
   を備え、前記分析器が、
   前記物体の前記撮像ボリュームを通って透過される前記放射源による放射の検出に基づく前記物体の散乱画像をそれぞれが表す複数の散乱画像データを受信することと、
   各前記散乱画像に対応する部分的散乱なし画像を表す部分的散乱なし画像データを受信することであって、各前記部分的散乱なし画像は、前記開口板が存在するときに前記物体の前記撮像ボリュームを通って透過される放射の検出に基づいており、前記散乱画像及びその対応する部分的散乱なし画像が、前記開口板の前記存在を除いて実質的に同じ撮像条件下で撮像される、受信することと、
   訓練された散乱補正モデルを受信することと、
   前記受信された複数の散乱画像データ及び対応する部分的散乱なし画像データに基づいて、前記訓練された散乱補正モデルを更新して、更新された訓練された散乱補正モデルを得ることと、
   前記更新された訓練された散乱補正モデルに基づいて、前記複数の散乱画像データのうちの少なくとも１つを補正することと、
   少なくとも１つの補正された散乱画像データを出力することと、を行うように構成され、
   前記訓練された散乱補正モデルが、物体の撮像ボリュームを通って透過される放射の検出に基づく少なくとも１つの散乱画像の少なくとも一部分と、当該物体の撮像ボリュームを通って透過される放射の検出に基づく少なくとも１つの散乱なし画像とを使用して訓練され、
   前記少なくとも１つの散乱なし画像が、前記開口板の位置をそれぞれ異ならせて撮像された複数の部分的散乱なし画像データの前記開口の領域に対応する画像部分を組み合わせることで生成され、前記少なくとも１つの散乱画像と、前記複数の部分的散乱なし画像が前記開口板の存在を除いて実質的に同じ撮像条件下で撮像されている、撮像システム。
7. 前記訓練された散乱補正モデルが、訓練されたニューラルネットワークモデルである、請求項６に記載の撮像システム。
8. 前記訓練された散乱補正モデルを前記更新することが、
   対応する前記散乱画像データ及び前記部分的散乱なし画像データの各ペアに対して、前記散乱画像データに関する前記訓練されたニューラルネットワークモデルの出力と、前記部分的散乱なし画像データに関する前記訓練されたニューラルネットワークモデルの出力との間で補間を実行することと、
   前記補間に基づいて、前記更新された訓練された散乱補正モデルを生成することと、を含む、請求項７に記載の撮像システム。
9. 前記訓練された散乱補正モデルが、以前に決定されたデコンボリューション点拡散関数推定値を含む、請求項６に記載の撮像システム。
10. 前記訓練された散乱補正モデルを更新することが、
    前記対応する散乱画像データ及び部分的散乱なし画像データのそれぞれのペアの測定点を使用して、前記デコンボリューション点拡散関数推定値を局所的にパラメータ化することと、
    前記局所的パラメータ化に基づいて前記デコンボリューション点拡散関数推定値を更新することと、を含む、請求項９に記載の撮像システム。
11. 物体の画像の散乱補正のための方法であって、
    撮像システムの放射検出器によって、物体の撮像ボリュームを通って透過される放射の検出に基づく前記物体の散乱画像をそれぞれが表す複数の散乱画像データを取得することと、
    前記物体と前記放射検出器との間に開口板を配置することであって、前記開口板が、二次元グリッド状に配置された複数の開口を含み、放射線が放射源から前記物体に方向付けられたとき、散乱されない放射線が前記複数の開口を通過し、散乱した放射線の一部が当該開口板によって遮断されるように配置される、配置することと、
    前記放射検出器によって、単一の部分的散乱なし画像を表す単一の部分的散乱なし画像データを取得することであって、前記単一の部分的散乱なし画像は、前記開口板が存在するときに前記物体の前記撮像ボリュームを通って透過される放射の検出に基づいている、取得することと、
    １つ以上のプロセッサを含む分析器によって、前記複数の散乱画像データ及び前記単一の部分的散乱なし画像データを受信することと、
    前記分析器によって、訓練された散乱補正モデルを受信することと、
    前記分析器によって、前記受信された複数の散乱画像データ及び前記単一の部分的散乱なし画像データに基づいて、前記訓練された散乱補正モデルを更新して、更新された訓練された散乱補正モデルを得ることと、
    前記分析器によって、前記更新された訓練された散乱補正モデルに基づいて、前記複数の散乱画像データのうちの少なくとも１つを補正することと、
    前記分析器によって、少なくとも１つの補正された散乱画像データを出力することと、を含み、
    前記訓練された散乱補正モデルが、物体の撮像ボリュームを通って透過される放射の検出に基づく少なくとも１つの散乱画像の少なくとも一部分と、当該物体の撮像ボリュームを通って透過される放射の検出に基づく少なくとも１つの散乱なし画像とを使用して訓練され、
    前記少なくとも１つの散乱なし画像が、前記開口板の位置をそれぞれ異ならせて撮像された複数の部分的散乱なし画像データの前記開口の領域に対応する画像部分を組み合わせることで生成され、前記少なくとも１つの散乱画像と、前記複数の部分的散乱なし画像が前記開口板の存在を除いて実質的に同じ撮像条件下で撮像されている、方法。
12. 前記訓練された散乱補正モデルが、訓練されたニューラルネットワークモデルである、請求項１１に記載の方法。
13. 前記訓練された散乱補正モデルを前記更新することが、
    前記複数の散乱画像データのうちの散乱画像データ、及び前記単一の部分的散乱なし画像データを含む各画像ペアに対して、前記散乱画像データに関する前記訓練されたニューラルネットワークモデルの出力と、前記単一の部分的散乱なし画像データに関する前記訓練されたニューラルネットワークモデルの出力との間で補間を実行することと、
    前記補間に基づいて、前記更新された訓練された散乱補正モデルを生成することと、を含む、請求項１２に記載の方法。
14. 前記訓練された散乱補正モデルが、以前に決定されたデコンボリューション点拡散関数推定値を含む、請求項１１に記載の方法。
15. 前記訓練された散乱補正モデルを更新することが、
    前記複数の散乱画像データのうちの散乱画像データ、及び前記単一の部分的散乱なし画像データを含むそれぞれの画像ペアの測定点を使用して、前記デコンボリューション点拡散関数推定値を局所的にパラメータ化することと、
    前記局所的パラメータ化に基づいて前記デコンボリューション点拡散関数推定値を更新することと、を含む、請求項１４に記載の方法。
16. 撮像システムであって、
    物体に向かって方向付けられた放射を放出するように構成された放射源と、
    前記物体の撮像ボリュームを通って透過される、前記放出された放射を検出するように構成された放射検出器と、
    二次元グリッド状に配置された複数の開口を含み、放射線が前記放射源から前記物体に方向付けられたとき、散乱されない放射線が前記複数の開口を通過し、散乱した放射線の一部が開口板によって遮断されるように前記物体と前記放射検出器との間に配置された開口板と、
    １つ以上のプロセッサを含む分析器と、
    を備え、前記分析器が、
    前記物体の前記撮像ボリュームを通って透過される前記放射源による放射の検出に基づく前記物体の散乱画像をそれぞれが表す複数の散乱画像データを受信することと、
    単一の部分的散乱なし画像を表す単一の部分的散乱なし画像データを受信することであって、前記単一の部分的散乱なし画像は、前記開口板が存在するときに前記物体の前記撮像ボリュームを通って透過される放射の検出に基づいている、受信することと、
    訓練された散乱補正モデルを受信することと、
    前記受信された複数の散乱画像データ及び前記単一の部分的散乱なし画像データに基づいて、前記訓練された散乱補正モデルを更新して、更新された訓練された散乱補正モデルを得ることと、
    前記更新された訓練された散乱補正モデルに基づいて、前記複数の散乱画像データのうちの少なくとも１つを補正することと、
    少なくとも１つの補正された散乱画像データを出力することと、を行うように構成され、
    前記訓練された散乱補正モデルが、物体の撮像ボリュームを通って透過される放射の検出に基づく少なくとも１つの散乱画像の少なくとも一部分と、当該物体の撮像ボリュームを通って透過される放射の検出に基づく少なくとも１つの散乱なし画像とを使用して訓練され、
    前記少なくとも１つの散乱なし画像が、前記開口板の位置をそれぞれ異ならせて撮像された複数の部分的散乱なし画像データの前記開口の領域に対応する画像部分を組み合わせることで生成され、前記少なくとも１つの散乱画像と、前記複数の部分的散乱なし画像が前記開口板の存在を除いて実質的に同じ撮像条件下で撮像されている、撮像システム。
17. 前記訓練された散乱補正モデルが、訓練されたニューラルネットワークモデルである、請求項１６に記載の撮像システム。
18. 前記訓練された散乱補正モデルを前記更新することが、
    前記複数の散乱画像データのうちの散乱画像データ、及び前記単一の部分的散乱なし画像データを含む各画像ペアに対して、前記散乱画像データに関する前記訓練されたニューラルネットワークモデルの出力と、前記単一の部分的散乱なし画像データに関する前記訓練されたニューラルネットワークモデルの出力との間で補間を実行することと、
    前記補間に基づいて、前記更新された訓練された散乱補正モデルを生成することと、を含む、請求項１７に記載の撮像システム。
19. 前記訓練された散乱補正モデルが、以前に決定されたデコンボリューション点拡散関数推定値を含む、請求項１６に記載の撮像システム。
20. 前記訓練された散乱補正モデルを更新することが、
    前記複数の散乱画像データのうちの散乱画像データ、及び前記単一の部分的散乱なし画像データを含むそれぞれの画像ペアの測定点を使用して、前記デコンボリューション点拡散関数推定値を局所的にパラメータ化することと、
    前記局所的パラメータ化に基づいて前記デコンボリューション点拡散関数推定値を更新することと、を含む、請求項１９に記載の撮像システム。
21. 前記訓練された散乱補正モデルが、散乱縁部拡散関数を含むデコンボリューションを含み、前記散乱縁部拡散関数が、散乱画像内の散乱を補正するように構成された点拡散関数を更に含む、
    請求項４から５および１４から１５のいずれか１項記載の方法。
22. 前記訓練された散乱補正モデルが、散乱縁部拡散関数を含むデコンボリューションを含み、前記散乱縁部拡散関数が、散乱画像内の散乱を補正するように構成された点拡散関数を更に含む、
    請求項９から１０および１９から２０のいずれか１項記載の撮像システム。
23. 物体の画像の散乱補正のための方法であって、
    撮像システムの放射検出器によって、前記物体の撮像ボリュームを通って透過される放射の検出に基づいて、前記物体の少なくとも１つの散乱画像を表すデータを取得することと、
    前記物体と前記放射検出器との間において第１の位置に開口板を配置することであって、前記開口板が、二次元グリッド状に配置された複数の開口を含み、放射線が放射源から前記物体に方向付けられたとき、散乱されない放射線が前記複数の開口を通過し、散乱した放射線の一部が当該開口板によって遮断されるように配置される、配置することと、
    前記放射検出器によって、前記開口板が前記第１の位置にあるときに前記物体の前記撮像ボリュームを通って透過される放射の検出に基づいて、少なくとも１つの第１の部分的散乱なし画像を表す第１の部分的散乱なし画像データを取得することと、
    前記開口板を、前記第１の位置とは異なる１つ以上の第２の位置に移動させることであって、撮像のために位置決めされた前記物体と前記開口板に関して、前記開口板が前記第１の位置に配置されたときの前記開口の領域と前記開口板が前記１つ以上の第２の位置に配置されたときの前記開口の領域との組み合わせが、前記物体の前記撮像ボリュームを通る放射線が通過する領域を包含するように構成される、移動させることと、
    前記放射検出器によって、前記開口板が前記１つ以上の第２の位置にあるときに前記物体の前記撮像ボリュームを通って透過される放射の検出に基づいて、少なくとも１つの第２の部分的散乱なし画像を表す第２の部分的散乱なし画像データを取得することと、
    １つ以上のプロセッサを含む分析器によって、前記第１及び第２の部分的散乱なし画像データを受信することと、
    前記分析器によって、前記第１の部分的散乱なし画像データから得られた前記複数の開口の領域に対応する画像部分と、前記第２の部分的散乱なし画像データから得られた前記複数の開口の領域に対応する画像部分とを組み合わせることで、少なくとも１つの散乱なし画像を生成することと、
    前記分析器によって、前記少なくとも１つの散乱画像の少なくとも一部分及び前記少なくとも１つの散乱なし画像を使用して散乱補正モデルを訓練することと、
    前記分析器によって、前記訓練された散乱補正モデルを出力することと、を含み、
    前記散乱補正モデルが、散乱補正アルゴリズムを含むニューラルネットワークモデルであり、前記方法が、前記分析器によって、
    前記少なくとも１つの散乱画像の少なくとも一部分に前記散乱補正アルゴリズムを適用して、散乱補正画像を生成することと、
    前記生成された散乱補正画像と前記少なくとも１つの散乱なし画像との間の差を所定の方法によって決定することと、
    前記差が所定の差よりも大きいとき、前記差を低減するために前記散乱補正アルゴリズムを更新することと、
    前記差が前記所定の差以下であるとき、前記更新された散乱補正アルゴリズムを含む前記更新された散乱補正モデルを出力することと、によって前記散乱補正モデルを訓練することを更に含む、方法。
24. 撮像システムであって、
    物体に向かって方向付けられた放射を放出するように構成された放射源と、
    前記物体の撮像ボリュームを通って透過される、前記放出された放射を検出するように構成された放射検出器と、
    前記物体と前記放射検出器との間に位置付けられ、二次元グリッド状に配置された複数の開口を含み、放射線が前記放射源から前記物体に方向付けられたとき、散乱されない放射線が前記複数の開口を通過し、散乱した放射線の一部が開口板によって遮断されるように配置される、移動可能な開口板と、
    １つ以上のプロセッサを含む分析器と、を備え、前記分析器が、
    前記物体の前記撮像ボリュームを通って透過される放射の検出に基づいて、前記物体の少なくとも１つの散乱画像を表すデータを受信することと、
    前記開口板が第１の位置にあるときに前記物体の前記撮像ボリュームを通って透過される放射の検出に基づいて、前記物体の少なくとも１つの第１の部分的散乱なし画像を表す第１の部分的散乱なし画像データを受信することと、
    前記開口板が、前記第１の位置とは異なる１つ以上の第２の位置にあるときに、前記物体の前記撮像ボリュームを通って透過される放射の検出に基づいて、少なくとも１つの第２の部分的散乱なし画像を表す第２の部分的散乱なし画像データを受信することであって、
    撮像のために位置決めされた前記物体と前記開口板に関して、前記開口板が前記第１の位置に配置されたときの前記開口の領域と前記開口板が前記１つ以上の第２の位置に配置されたときの前記開口の領域との組み合わせが、前記物体の前記撮像ボリュームを通る放射線が通過する領域を包含するように構成される、受信することと、
    前記第１の部分的散乱なし画像データから得られた前記複数の開口の領域に対応する画像部分と、前記第２の部分的散乱なし画像データから得られた前記複数の開口の領域に対応する画像部分とを組み合わせることで、少なくとも１つの散乱なし画像を生成することと、
    前記少なくとも１つの散乱画像の少なくとも一部分及び前記少なくとも１つの散乱なし画像を使用して散乱補正モデルを訓練することと、
    前記分析器によって、前記訓練された散乱補正モデルを出力することと、を行うように構成され、
    前記散乱補正モデルが、散乱補正アルゴリズムを含むニューラルネットワークモデルであり、前記分析器が、
    前記少なくとも１つの散乱画像の少なくとも一部分に前記散乱補正アルゴリズムを適用して、散乱補正画像を生成することと、
    前記生成された散乱補正画像と前記少なくとも１つの散乱なし画像との間の差を所定の方法によって決定することと、
    前記差が所定の差よりも大きいとき、前記差を低減するために前記散乱補正アルゴリズムを更新することと、
    前記差が前記所定の差以下であるとき、前記更新された散乱補正アルゴリズムを出力することと、によって前記散乱補正アルゴリズムを訓練するように構成されている、システム。