JP2023540949A - スペクトルｘ線物質分別方法 - Google Patents

Abstract

物体のスペクトルＸ線スキャンデータに基づいて、且つ周波数分離アプローチの適用に基づいて、物体を物質分別する方法である。この方法は、２つのＡＩモデルを並列に使用して、入力スペクトルＸ線データに基づいて物質分別分析を実行することを含む。モデルは、一方が他方よりも高いバイアスと低い分散（低ノイズ）を示すように構成されている。入力スペクトルＸ線データは両方のモデルに供給される。低バイアスモデルからの出力物質組成データはローパスフィルタリングされ、低分散モデルからの出力物質組成データはハイパスフィルタリングされる。２つのモデルからの出力は、フィルタリングの前又は後のいずれかで線形結合される。結果として得られる結合された物質分別データは、１つのＡＩモデルだけを使用した場合に生成される出力に比べて、バイアスとノイズの両方が低くなる。

Description

本発明は、スペクトルＸ線データを使用する物質分別方法に関する。

マルチエネルギーＸ線検出器を使用することで、物体のＸ線イメージング中にＸ線検出器の様々な場所で受けたＸ線エネルギー又は周波数のスペクトルを測定することができる。これはスペクトルＸ線イメージングとして知られている。スペクトルＸ線データにより、スキャンした物体に含まれている物質を判別し、定量化できる。これは、従来のＸ線イメージング若しくは蛍光透視法からのデータ、又はコンピュータ断層撮影（ＣＴ）イメージングからのデータを使用して行うことができる。

まず、ＣＴイメージングを参照すると、従来のコンピュータ断層撮影（ＣＴ）スキャナは、１つ以上の積分検出器に向かい合って回転式ガントリに取り付けられているＸ線管を含む。Ｘ線管は、Ｘ線管と１つ以上の検出器との間にある検査領域の周りを回転し、検査領域並びに検査領域に配置された被検体及び／又は物体を横断する多色放射線を放出する。１つ以上の検出器は、検査領域を横断する放射線を検出し、検査領域並びに検査領域に配置された被検体及び／又は物体を示す信号、即ち、投影データを生成する。投影データは、例えば生検出器データ又は投影サイノグラムであり、後者は、検出器によってキャプチャされた投影データの視覚的表現である。通常、再構成器を更に使用して、投影データを処理し、被検体又は物体のボリュメトリック画像が再構成される。

Ｘ線スペクトルＣＴは、異なるＸ線エネルギーを弁別できる検出器（例えば、エネルギー弁別光子計数検出器又はエネルギー積分検出器）を組み込むことで従来のＣＴシステムの機能を拡張するイメージングモダリティである。Ｘ線スペクトルＣＴにより、スキャンした物体の物質分別が可能になる。

物質分別では、順モデルを使用できる。順モデルは、検出器の各ピクセルにおける異なる光子エネルギー窓（ビン）において予想される光子カウント又は予想される積分光子エネルギーを、物質の特定のセット（基底）及びスキャンした物質におけるそれらのそれぞれの等価パス長の関数としてモデル化する。物体の物質組成を分別するために、この順モデルを反転させて、スペクトル投影データに基づいて基底物質の各々の物質パス長を決定できる。

これを行うやり方の１つは、例えば最尤推定（ＭＬＥ）アルゴリズムといった統計的推定アルゴリズムを使用して、式を数値的に反転させることである。しかしながら、これは、過度の単純化につながり、パルスパイルアップや電荷共有といった実世界の検出器効果を考慮できない。更に、ＭＬＥアルゴリズムは、解を見出す際に伴う反復最適化手法による大量の計算リソースが必要である。

別のアプローチは、人工知能ベースの方法を使用することである。ここでは、機械学習アルゴリズムといったＡＩアルゴリズムは、系順モデル反転を学習するために、既知の物質パス長と、エネルギービンごとの対応する光子カウント又は検出信号とでトレーニングされる。これは、物質基底ごとの１回のスキャン（オフライン）の前に行われる。この方法の利点は、ＡＩモデル推論の方が、分別問題にＭＬＥアプローチを適用することよりも計算量が少ない点である。しかしながら、ＡＩベースのアプローチもまた、例えばモデルアルゴリズムのバイアスによって不正確な結果につながる可能性がある。

スペクトルＸ線物質分別のＡＩベースのアプローチにおける精度及び信頼性が向上されることが望まれる。

発明者は、物質分別のＡＩベースのアプローチでは、ネットワークトレーニング中に、ＡＩモデルによって推定される物質パス長におけるノイズ量とバイアス量との間に既知の妥協（バイアス－分散トレードオフ）をしなければならないことを認識している。これにより、特定のバイアス及び特定のノイズを有するモデルがもたらされる。しかしながら、物質定量化を目的している光子計数システムでは、バイアス及びノイズが制限されたモデルが得られることが望ましい。

より一般的には、統計学及び機械学習では、バイアス－分散トレードオフは、予測モデルのセットの特性であり、パラメータ推定においてバイアスが低いモデルは、サンプル全体のパラメータ推定値の分散が高く、その逆もまた同じである。分散が高いということは、ノイズは多いがバイアスは少ないということを意味する。バイアスが高いということは、ノイズは少ないが、体系的な不正確さが潜在的により多いということを意味する。

バイアス誤差は、学習アルゴリズムにおける誤った仮定からの誤差として理解される。バイアスが多いと、アルゴリズムは、特徴とターゲット出力との関連性のある関係を見逃す可能性（アンダーフィッティング）がある。

分散は、トレーニングセットにおける小さな変化に対する感度からの誤差である。分散が多いと、アルゴリズムは、トレーニングデータ内の、目的の出力ではなくランダムノイズをモデル化する可能性（オーバーフィッティング）がある。

ＡＩアルゴリズムの出力のノイズ及びバイアスはともに低いことが理想的である。

本発明は、特許請求の範囲によって規定される。

本発明の一態様に従う例によれば、物体のスペクトルＸ線データを使用して物体を物質分別する方法が提供される。この方法は、
データストレージ装置にアクセスするステップであって、
データストレージ装置には、第１のＡＩモデル及び第２のＡＩモデルが記憶されており、第１及び第２のＡＩモデルの各々は、スペクトルＸ線データをモデル入力データとして受信し、物質分別データをモデル出力データとして生成し、
第１のＡＩモデルは、第２のＡＩモデルよりも低いバイアスを示し、第２のＡＩモデルよりも高い分散を示すように構成されている、アクセスするステップと、
入力スペクトルＸ線データを取得するステップと、
入力スペクトルＸ線データをモデル入力データとして第１のＡＩモデルに提供し、その後、第１のＡＩモデルのモデル出力データにローパスフィルタリングを適用して、第１の物質分別データを導出するステップと、
入力スペクトルＸ線投影データをモデル入力データとして第２のＡＩモデルに提供し、その後、第２のＡＩモデルのモデル出力データにハイパスフィルタリングを適用して、第２の物質分別データを導出するステップと、
第１及び第２の物質分別データを線形結合して第３の物質分別データを導出するステップとを含む。

本発明の実施形態は、物質分別のために２つのトレーニングされたＡＩモデル（一方は、バイアスは少ないがノイズは多い出力物質分別データを出し、もう一方は、バイアスは多いがノイズは少ない出力物質分別データを出す）を使用するという概念に基づいている。２つのモデルの出力は後に周波数分離アプローチを介して結合されて、バイアスが低く、ノイズも低い結果が達成される。周波数分離アプローチは、低バイアス（高ノイズ）ＡＩモデルから低周波成分のみを選択し、高バイアス（低ノイズ）モデルから高周波成分を選択し、これらの線形結合することを実質的に含む。これはフィルタリングを用いて行うことができる。

より詳細には、ローパスフィルタリングによって、第１のＡＩモデル（低バイアス）の出力の低周波成分又は低エネルギー成分のみを抽出又は選択し、ハイパスフィルタリングによって、第２のＡＩモデル（高バイアス）の出力の高周波成分又は高エネルギー成分のみを抽出又は選択する。上記２つを線形結合することによって、ノイズ及びバイアスがともに低い出力物質分別データが得られる。これは、ノイズは主に高い空間周波数を有し、バイアスは主に低い周波数効果であるという前提に基づいている。

好ましくは、上記の方法は、第１のＡＩモデルのモデル出力データにローパス空間フィルタリングを適用するステップを含む。これは、好ましくは、出力データの少なくとも１つの次元において適用される。ローパス空間フィルタリングとは、出力物質分別データの空間周波数のローパスフィルタリングを適用することを意味する。

好ましくは、上記の方法は、第２のＡＩモデルのモデル出力データにハイパス空間フィルタリングを適用するステップを含む。これは、好ましくは、上記と同じ少なくとも１つの次元において適用される。ハイパス空間フィルタリングとは、出力物質分別データの空間周波数のハイパスフィルタリングを適用することを意味する。

例えばモデル出力データは、２つ以上の次元に及ぶデータ値を含む。例えばモデル出力データは、ピクセルのアレイの複数のピクセルの各々についての物質分別データ値を含む。このピクセルアレイは少なくとも２つの次元に及ぶ。例えばローパス空間フィルタリングは、データの少なくとも１つの空間次元におけるモデル出力データのセットの空間周波数成分をフィルタリングするためのものである。例えばハイパス空間フィルタリングは、データの上記の同じ少なくとも１つの空間次元におけるモデル出力データのセットの空間周波数成分をフィルタリングするためのものである。

空間周波数のフィルタリングとは、一般的には、例えば画像が周期的パターンで分別されることを意味し（これはどの画像でも可能である）、各周期的パターンは、重み付け係数で重み付けされ、次に、重み付けされた周期的パターンは合計されて、修正された画像（フィルタリングされた画像）が得られる。この修正は、重み付けによる。ローパスフィルタリングでは、高い重み付けが周期的パターンの高い周波数に適用され、ハイパスフィルタリングでも同様にされる。実際には、このプロセスは画像に直接適用される畳み込み操作に置き換えることができる。この概念は、２Ｄ画像又は３Ｄ画像に適用できる。

モデル出力データは、例えば２Ｄグリッド又は３Ｄグリッドにスパンするピクセル位置のセットの各々についてのデータ値を含んでいるため、物質分別データの「画像」として理解することができる。したがって、空間フィルタリングは、標準的な画像に適用されるやり方と同様に２つのモデルの出力データに適用できる。

実際には、第１及び第２のＡＩモデルのモデル出力に空間フィルタリングを実施する方法には様々な選択肢がある。例えば、１つの非限定的な例では、モデル出力データは、物質のセットの各々について、及び像のセットの各々について、及びピクセルの（２Ｄ）アレイの各々についてのデータ値（例えば、物質パス長値又は他の値）を、各像及び各物質の対応する２Ｄ「画像」データセットとして含み、空間フィルタリングは、これらの２Ｄ「画像」データセットの各々に適用される。この例の変形例として、各物質について３Ｄ画像データセットのセットが形成されてもよい。各３Ｄデータセットは、上記の２Ｄ「画像」のスタックを含み、第３の次元は異なる像に対応し、空間フィルタリングは３Ｄ領域で適用される。即ち、空間フィルタリングは、例えば値のこの３Ｄアレイの１つ以上の次元において、各物質の３Ｄデータセットの各々に適用される。この後者の選択肢では、第３の次元は必ずしも物理的な空間次元である必要はないことが理解されるであろう。したがって、空間フィルタリングは、物理的な空間次元に沿って適用される必要はなく、出力データアレイの別の次元にわたる出力データにおける周期的パターンに適用されてもよい。当業者には他の選択肢が明らかであろう。

トレーニング中に２つのモデルに供給されるトレーニングデータを異ならせること（例えば一方には他方よりもノイズが多いデータが供給される）、又は２つのモデル間でトレーニング手順自体を異ならせること（例えば一方のモデルを他方のモデルとは異なるコスト関数（ノイズを好むように構成されている）でトレーニングする）のいずれかによって、２つの異なるＡＩモデルを生成できる。ＡＩモデルの各々は、１つ以上の機械学習アルゴリズム（１つ以上の人工ニューラルネットワークなど）を含んでいてもよい。

誤解を避けるために、第１のＡＩモデルは、第２のＡＩモデルよりも出力物質分別データ値において低いバイアスを示し、第２のＡＩモデルよりも出力物質分別データ値において高い分散を示すように構成されていることに留意されたい。

上記方法は、広範囲の様々な特定の応用に広く適用可能である。特に、使用される入力Ｘ線データのタイプは様々であってよく（例えば従来のＸ線データ又はＣＴデータ）、生成される出力物質組成データのタイプも様々であってもよい（例えば物質投影データ又は物質画像データ）。

したがって、異なる実施例では、入力スペクトルＸ線データは、スペクトル投影データ（即ち、再構成されていないスペクトル投影データ、例えば、異なるエネルギービンのセットについての光子カウントデータの形式にある）であってもよいし、スペクトル画像データ（即ち、再構成されたスペクトル投影データ）であってもよい。入力スペクトルＸ線データは、Ｘ線スキャン装置によって生成された生投影データを含んでいてもよいし、又は、前処理された、例えばスペクトル画像データを形成するように再構成されたデータであってもよい。

異なる実施例では、物質分別データは物質投影データであってもよいし、物質画像データであってもよい。

いくつかの例では、スペクトルＸ線データは、物体のスペクトルコンピュータ断層撮影（ＣＴ）データ（複数の投影角についての投影データを含む）を含んでいてもよい。或いは、単一の投影角からキャプチャされた従来のＸ線データ又は蛍光透視データを含んでいてもよい。

異なる実施例では、プロセス全体を投影データ領域か、画像データ領域（２つのＡＩモデルに供給する前に、スペクトル投影データを画像データに再構成することによって）で行っても、或いは、プロセスの一部を投影領域で行い、一部を画像領域で行ってもよい。例えばＡＩモデルは、入力スペクトル投影データを受け入れ、物質投影データを出力する一方で、周波数フィルタリングの部分は、物質投影データを再構成した後に画像領域で行う。様々な選択肢について以下により詳細に説明する。

第１及び第２のＡＩモデルは、教師付き学習手順を用いてトレーニングされた機械学習モデルであり得る。

１つ以上の実施形態によれば、第１のＡＩモデルはトレーニングデータＴ_１に基づいてトレーニングされ、第２のＡＩモデルはトレーニングデータＴ_２に基づいてトレーニングされ、Ｔ_１はＴ_２と比較してノイズが少ないように生成される。Ｔ_１における少ないノイズは、例えばＴ_２と比較してノイズが少なくなるように、トレーニングデータを前処理することによって達成できる。例えば第１のＡＩモデルはトレーニングデータＴ_１でトレーニングされ、第２のＡＩモデルはトレーニングデータＴ_２でトレーニングされ、Ｔ_１はＴ_２にノイズ抑制を適用することによって生成される。しかしながら、他の例では、ノイズを、トレーニングデータセットＴ_２に人工的に追加することもできる。つまり、第１のＡＩモデルはトレーニングデータＴ_１でトレーニングされ、第２のＡＩモデルはトレーニングデータＴ_２でトレーニングされ、Ｔ_２はＴ_１にノイズを追加することによって生成される。追加されるノイズは、例えばランダムノイズ発生器を使用してシミュレートできる。更なる実施例では、Ｔ_１及びＴ_２の一方又は両方をシミュレーションによって（即ち、Ｘ線シミュレーションプログラムを使用して）生成できる。シミュレーションでは、得られたデータのノイズレベルを任意に調整できるため、Ｔ_１及びＴ_２の一方又は両方をこのやり方で取得できる。

このアプローチでは、２つのＡＩモデルは、同じ機械学習ネットワーク又はアルゴリズムの２つのコピーとして開始されるが、別個の異なるトレーニングデータでトレーニングされて、それぞれのバイアス及び分散に相違がもたらされる。

このアプローチの代替案として、第１及び第２の機械学習モデルに含まれている学習アルゴリズムが、異なる学習又はトレーニング戦略に従うようにすることができる。１つは低バイアス（高ノイズ）を好み、１つは低ノイズ（高バイアス）を好むようにすることができる。

例えば第１のモデルを異なるコスト関数で構成することで、第１のモデルのバイアスは低減される。したがって、第２のモデルのコスト関数はより多くのノイズを与え、第１のモデルのコスト関数はより低いノイズを与える。

１つ以上の実施形態によれば、第１及び第２のＡＩモデルの各々は、スペクトルＸ線投影データをモデル入力データとして受信し、物質組成投影データをモデル出力データとして生成する。ここでは、したがって、物質分別は投影データ領域で行われる。

上記方法は、例えば基底物質分別方法であり、出力物質分別データは、既知の減衰係数を有する基底物質のセットの各々について、スキャンした物質を通る導出された放射パス長ｌ_ｓのセットを含む。ここでは、出力物質分別データは物質投影データを含む。つまり、例えば画像データではなくて、再構成されていない物質分別データである。

入力スペクトルＸ線データがスペクトルＣＴデータである場合、出力物質分別データは、パス長サイノグラムベクトル

を含む。パス長サイノグラムベクトルは、検出器のピクセルｐのセットの各々において到達した放射線について、且つ入力スペクトルＸ線データの投影像ｖのセットの各々について、基底物質のセットの各々について導出された基底物質パス長を含む。

サイノグラムとは、コンピュータ断層撮影の操作によって取得した生データの視覚的表現である。パス長サイノグラムとは、検出器の各ピクセルの物質基底パス長の視覚的表現である。

１つ以上の実施形態によれば、上記方法は更に、出力物質分別データが出力物質画像データを含むように、線形結合の前又は後のいずれかで、第１及び第２の物質分別データ画像に再構成操作を適用するステップを含む。

物質画像データとは、物質分別情報の視覚的表現又はグラフィカル的表現を指す。例えば物質画像データは画像のセットを含み、各画像が１つの物質を表す。更なる選択肢は、カラーコーディングを使用して、イメージングされた領域内の様々な物質を１つの画像内に表現することである（例えば各物質は専用のカラーで表される）。

１つ以上の実施形態によれば、入力スペクトルＸ線データは、投影データ、例えばＸ線検出器での複数のエネルギービンの各々において検出されたＸ線光子カウントを示すスペクトル光子カウントデータｃ_ｓを含む。

実施形態の更なるセットに従って、第１及び第２のモデルの各々は、スペクトルＸ線画像データをモデル入力データとして受信し、物質分別画像データをモデル出力データとして生成する。ここでは、したがって、物質分別は、投影領域ではなく画像領域で行われる。

前述のように、１つ以上の実施形態に従って、入力スペクトルＸ線データはスペクトルＣＴデータである。これは、異なる実施例において、スペクトルＣＴ投影データであっても、スペクトルＣＴ画像データであってもよい。ＣＴデータに代えて、入力スペクトルＸ線データは従来のスペクトルＸ線データであってもよい。

この実施例のセットに従って、入力スペクトルＸ線データは、Ｘ線検出器での複数のエネルギービンの各々において、また、複数のピクセルｐの各々について、且つ入力スペクトルＸデータの複数の投影像ｖの各々について検出されたＸ線光子カウントを示すスペクトル光子カウントデータｃ_ｓ（ｐ，ｖ）を含む。

本発明の更なる態様に従う例は、コンピュータプログラムコードを含むコンピュータプログラム製品を提供する。コンピュータプログラムコードは、プロセッサ又はコンピュータ上で実行可能である。コードは、プロセッサに、上記若しくは後述の任意の実施例若しくは実施形態に従う、又は本出願の任意の請求項に従う方法を実行させる。

本発明の更なる態様に従う例は、スペクトルＸ線データを処理して物質分別情報を導出する処理装置を提供する。この処理装置は、
データストレージ装置にアクセスすることであって、
データストレージ装置には、第１のＡＩモデル及び第２のＡＩモデルが記憶されており、第１及び第２のＡＩモデルの各々は、スペクトルＸ線データをモデル入力データとして受信し、物質分別データをモデル出力データとして生成し、
第１のＡＩモデルは、第２のＡＩモデルよりも低いバイアスを示し、第２のモデルよりも高い分散を示すように構成されている、アクセスすることと、
入力スペクトルＸ線データを取得することと、
入力スペクトルＸ線データをモデル入力データとして第１のＡＩモデルに提供し、その後、第１のＡＩモデルのモデル出力データにローパスフィルタリングを適用して、第１の物質分別データを導出することと、
入力スペクトルＸ線データをモデル入力データとして第２のＡＩモデルに提供し、その後、第２のＡＩモデルのモデル出力データにハイパスフィルタリングを適用して、第２の物質分別データを導出することと、
第１及び第２の物質分別データを線形結合して第３の物質分別データを導出することとを実行する。

いくつかの実施形態に従って、処理装置が、第１及び第２のＡＩモデルを記憶したデータストレージ装置を含んでいてもよい。

本発明の更なる態様に従う例は、Ｘ線イメージングシステムを提供する。このＸ線イメージングシステムは、
Ｘ線放射線源及びＸ線放射線検出器を含むＸ線スキャンアセンブリであって、Ｘ線放射線源とＸ線放射線検出器との間にスキャン対象の物体を受容するためのスキャン領域があり、Ｘ線放射線源とＸ線放射線検出器との間のＸ線放射パスがスキャン領域を通過する、Ｘ線スキャンアセンブリと、上記若しくは後述の任意の実施例若しくは実施形態に従う、又は本出願の任意の請求項に従う処理装置とを含む。処理装置は、Ｘ線放射線検出器と通信可能に連結して、Ｘ線検出器から入力スペクトルＸ線データを受信する。

スキャナアセンブリは、ＣＴスキャンアセンブリであってもよい。したがって、これは、Ｘ線検出器に対してＸ線源の角度位置が調整可能である。

Ｘ線検出器は、放射線周波数又はエネルギービンのセットの各々の光子カウントを検出するＸ線光子計数検出器であってもよい。

本発明の更なる態様に従う実施例は、入力スペクトルＸ線データから物質分別データを導出する際に使用する第１及び第２のＡＩモデルをトレーニングする方法を提供する。この方法は、
スペクトルＸ線データをモデル入力データとして取得し、物質分別データをモデル出力データとして生成する予備ＡＩモデルを取得するステップと、
予備ＡＩモデルの第１のコピーを第１のトレーニングデータＴ_１でトレーニングして、第１のＡＩモデルを取得するステップと、
予備ＡＩモデルの第２のコピーを第２のトレーニングデータＴ_２でトレーニングして、第２のＡＩモデルを取得するステップとを含み、
第１及び第２のトレーニングデータの各々は、サンプルスペクトルＸ線データの形式での入力データエントリと、サンプルスペクトルＸ線データごとに既知の物質分別データの形式での対応する出力データエントリとを含み、
第１のトレーニングデータＴ_１は、第１のトレーニングデータが第２のトレーニングデータと比較してノイズが少ないように、生成又は前処理されて、入力データエントリを形成するスペクトルＸ線データのノイズが低減される。

本発明のこれらの及び他の態様は、以下に説明する実施形態から明らかになり、また、当該実施形態を参照して説明する。

本発明を更に深く理解し、それがどのように実行されるかをより明確に示すために、ほんの一例として添付の図面を参照する。

図１は、１つ以上の実施形態による例示的な方法のステップの概要をブロック図で示す。 図２は、本発明の実施形態を使用して取得した物質分別の比較結果を示す。 図３は、本発明の１つ以上の実施形態による方法を実施する例示的な処理装置を示す。 図４は、スキャンした物体を物質分別する例示的なＸ線システムを概略的に示す。 図５は、スペクトルＸ線データに基づく物質分別に使用する２つのＡＩモデルをトレーニングする例示的な方法のステップの概要を示す。

本発明は、図を参照して説明される。

詳細な説明及び具体的な例は、装置、システム、及び方法の模範的な実施形態を示しているが、説明のみを目的としたものであり、発明の範囲を限定することを意図したものではないことが理解されるべきである。本発明の装置、システム、及び方法のこれらの及び他の特徴、態様並びに利点は、次の説明、添付の特許請求の範囲、及び添付の図面からよりよく理解されるようになるであろう。図は単なる概略図であり、縮尺どおりに描かれていないことが理解されるべきである。また、図全体で同じ参照番号を使用して、同じ部分又は類似の部品を示すことが理解されるべきである。

本発明の実施形態は、物体のスペクトルＸ線スキャンデータ、並びにＡＩモデル及び周波数分離アプローチの適用に基づいて、物体を物質分別する方法を提供する。この方法は、２つのＡＩモデルを並列に使用して、入力スペクトルＸ線データに基づいて物質分別を実行することを含む。モデルは、一方が他方よりも高いバイアスと低い分散（低ノイズ）を示すように構成されている。入力スペクトルＸ線データが両方のモデルに供給される。低バイアスモデルからの出力物質組成データはローパスフィルタリングされ、低分散モデルからの出力物質組成データはハイパスフィルタリングされる。２つのモデルからの出力は線形結合される。結果として得られる結合された物質分別データは、１つのＡＩモデルだけを使用した場合に生成される出力に比べて、バイアスとノイズの両方が低くなる。

マルチエネルギーＸ線検出器を使用することで、物体のＸ線イメージング中にＸ線検出器の様々な場所で受けたＸ線エネルギー又は周波数のスペクトルを測定することが可能である。これはスペクトルＸ線イメージングとして知られている。スペクトルＸ線データにより、スキャンした物体に含まれている物質を判別し、定量化できる。これは、従来のＸ線イメージングモダリティ又はＣＴイメージングからのデータを使用して行うことができる。

物質分別は、系順モデルのピクセル単位の反転に基づいて達成できる。このモデルは、個々のＸ線検出器エネルギービンにおいて予想される理論的信号を、物体に含まれている物質の特定のセット（基底）及びそれらのそれぞれの等価パス長の関数として記述する。この手順を、基底物質分別と呼ぶ。

スペクトル光子計数Ｘ線データを使用する物質分別は非線形で、不適切で計算コストのかかる問題である。分別にＡＩモデルを使用すると、計算時間を大幅に短縮できるが、問題の不適切な性質は依然としてＡＩモデルの出力に強いノイズ増幅及びバイアスをもたらす可能性がある。

本発明の実施形態では、バイアス及びノイズを低減するために、２つ以上のＡＩモデルを使用する分別方法が提案される。この分別方法では、ノイズは投影領域及び画像領域で高い空間周波数を有し、バイアスは低周波数効果であるという前提に基づいて、周波数分離の概念を利用する。

本発明の実施形態に適用されるスペクトルＸ線ベースの物質分別の基本原理について簡単に説明する。本明細書で適用される物質分別の基礎となる原理のより詳細な説明は、次の学術論文にもある：Ｋ．Ｃ．Ｚｉｍｍｅｒｍａｎ及びＴ．Ｇ．Ｓｃｈｍｉｄｔによる「Ｅｘｐｅｒｉｍｅｎｔａｌ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｅｍｐｉｒｉｃａｌ ｍａｔｅｒｉａｌ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ｍｅｔｈｏｄｓ ｆｏｒ ｓｐｅｃｔｒａｌ ＣＴ」、Ｐｈｙｓｉｃｓ ｉｎ Ｍｅｄｉｃｉｎｅ ＆ Ｂｉｏｌｏｇｙ、６０（２０１５）８。

Ｘ線光子が光子計数検出器に衝突すると、光子は入射光子のエネルギーに比例した電荷に変換される。電荷は電荷積分増幅器を使用して電圧に変換される。アナログ比較器を使用して、累積電荷の電圧が設定された閾値レベルを超えたときに、デジタルカウンタがインクリメントされる。取得の終了時に、閾値を超えるエネルギーを有する光子の検出された数をカウントされる。連続したカウンタ測定値を差し引いて、２つの閾値レベル間で検出された光子の数に対応するエネルギービンデータが生成される。このようにして、複数のＸ線エネルギービンの光子カウントが生成される。

以下の説明では、スペクトル光子計数検出器の使用を前提としていることに留意されたい。しかし、Ｘ線源のエネルギースペクトルの特定のウィンドウ内で放射線を検出できるスペクトルエネルギー積分検出器（ＥＩＤ）といった他のタイプの検出器も可能である。

厚さｘ及び減衰係数μ（Ｅ）の物質を通すＸ線測定を行う場合を考える。ここで、Ｅは物質を横断する光子のエネルギーである。複合物質のＸ線減衰は、物質に含まれている基底物質のセットの減衰の線形結合として表すことができる。より具体的に、また、Ｋ．Ｃ．Ｚｉｍｍｅｒｍａｎ（２０１５）で説明されているように、この物質を通るＸ線の減衰は、以下の式（１）で表されるように、任意の他の２つの物質（Ｋエッジのない状態で）の固有の組み合わせの減衰に相当する。ここで、μ_１（Ｅ）及びμ_２（Ｅ）は、２つの基底物質の各々のエネルギー依存減衰係数であり、ｌ_１及びｌ_２は、２つの基底物質の各々のパス長である。この分別は、診断用Ｘ線エネルギー範囲に次の２つの主な減衰現象、即ち、コンプトン散乱及び光電吸収が存在するため可能である。
ｘμ（Ｅ）＝ｌ_１μ_１（Ｅ）＋ｌ_２μ_２（Ｅ） （１）

この基底展開を拡張することで、理想的な光子計数検出器のｉ番目のエネルギービンｃ_ｉで検出される光子の予想数を次のようにモデル化できる。

ここで、Ｓ（Ｅ）はＸ線源スペクトルであり、ｌ_ｊはｌの要素であり、減衰係数関数μ_ｊを持つＭ個の基底物質の厚さである。スペクトル測定値は、検出された光子カウントのベクトルｃ＝［ｃ_１，ｃ_２，・・・，ｃ_Ｋ］^Ｔとして表される。ここで、Ｋはエネルギー測定の総数である。

一般的には、物質分別は、取得したスペクトルデータｃから、基底物質の厚さｌを推定することを含む。検出された光子の数ｃから、基底物質の厚さｌを推定する方法の１つは、例えば最尤推定（ＭＬＥ）といった統計的推定アルゴリズムを使用して、式（２）を数値的に反転することである。しかしながら、これは、過度の単純化につながり、パルスパイルアップや電荷共有といった実世界の検出器効果を考慮できない。

これらの問題のいくつかを克服できる別のアプローチは、人工知能（ＡＩ）モデルベースのアプローチである。本発明の実施形態ではこのアプローチを使用する。

本発明の実施形態によれば、投影領域において基底物質分別を行うために、基底物質の既知の厚さからのエネルギービンデータを用いてトレーニングされたニューラルネットワークといった機械学習アルゴリズムが採用される。例えば所与の関心の物質基底の様々な参照パス長ベクトルｌ（ｐ）のデータベースが、結果として得られる光子カウントデータベクトルｃ（ｐ）とともに生成され、両方とも検出器ピクセルｐの関数である。

トレーニングされたＡＩモデルｆは、スペクトルＸ線測定値から、スキャンした物体の基底物質の厚さを推定する。これは次のように表現できる：

ここで、ｌはピクセルｐについての基底物質の計算されたパス長ベクトルであり、ｗ（ｐ）はピクセルｐについてのＡＩモデルｆの重み付けパラメータベクトルである。入力スペクトルデータｃがＣＴデータである場合、計算されたパス長データは、検出器ピクセルｐと、スキャン中に取得された投影像ｖとの関数であるサイノグラムベクトル

である。

ＡＩモデルｆのトレーニングは、結果として得られるＡＩモデルｆが予測されるパス長（モデルの出力）と実際のパス長との誤差Ｅｒを最小限にするように、前述の参照パス長ベクトルｌ（ｐ）のデータベース及び光子カウントを使用することと、データベース内の各ピクセルのＡＩモデルのトレーニングとに基づくことができる：

上記の原則は、本発明の様々な実施形態に従って適用できる。本発明のいくつかの実施形態について、より詳細に説明する。

図１は、物体のスペクトルＸ線データを使用して物体を物質分別するための、１つ以上の実施形態による例示的な方法のステップの概要をブロック図で示している。

この方法は、データストレージ装置をアクセスすること（１２）を含む。データストレージ装置には、第１のＡＩモデル及び第２のＡＩモデルが記憶されている。第１及び第２のＡＩモデルの各々は、スペクトルＸ線データをモデル入力データとして受信し、物質分別データをモデル出力データとして生成する。

第１のＡＩモデルは、第２のＡＩモデルよりも低いバイアスを示す。第１のＡＩモデルは、第２のＡＩモデルよりも高い分散を示す。

上記方法は更に、入力スペクトルＸ線データを取得すること（１４）を含む。これは、入力投影データであっても、再構成されたスペクトル画像データであってもよい。入力Ｘ線データは、例えばリアルタイム処理のために、Ｘ線スキャン装置から直接取得されてもよい。例えばオフライン処理のために、データストアから取得されてもよい。例えば生投影データを受信し、再構成されたスペクトル画像データを出力する再構成器からのデータを前処理する処理構成要素又はユニットから取得されてもよい。このように、２つのＡＩモデルが入力として受信し供給されるスペクトルＸ線データの形式は、様々な実施形態で異なり得る。

上記方法は更に、入力スペクトルＸ線データをモデル入力データとして第１のＡＩモデルに提供すること（１６）を含む。

上記方法は更に、入力スペクトルＸ線投影データをモデル入力データとして第２のＡＩモデルに提供すること（１８）を含む。

上記方法は更に、第１のＡＩモデルのモデル出力データにローパスフィルタリングを適用し、第２のＡＩモデルのモデル出力データにハイパスフィルタリングを適用すること（２０）を含む。

ローパスフィルタリングには、任意の線形ローパスフィルタを使用できる。例えば非限定的な例として、移動平均フィルタ、ガウス窓フィルタ、ハン（Ｈａｎｎ）窓フィルタ、ハミング窓フィルタ、カイザー（Ｋａｉｓｅｒ）窓フィルタ、又は当業者には明らかなように、任意の他の適切なローパスフィルタがある。

ハイパスフィルタリングにも、当業者には明らかなように、任意の適切なハイパスフィルタを使用できる。非限定的な例として、ハイパスフィルタリングは、ディラックパルスからローパスフィルタを引いたものを使用して、又は例えばデータをローパスフィルタリングした後、元のデータからローパスフィルタリングされたデータを引くことによって行うことができる。

上記方法は更に、第１及び第２のＡＩモデルの出力を線形結合して、出力物質分別データを導出すること（２２）を含む。線形結合は、モデル出力がフィルタリングされた後で実行できる。

（上記のような）モデル出力のフィルタリングと線形結合との組み合わせは、周波数分離アプローチ又は周波数分離手順と呼ばれる。本明細書では、この用語は簡潔にするために使用される。

任意選択で、上記方法は更に、再構成ステップを含む。このステップは、出力物質分別データが出力物質画像データを含むように、フィルタリング及び／又は線形結合の前又は後のいずれかで第１及び第２のＡＩモデルの出力に画像再構成操作を適用することを含む。

物質画像データとは、物質分別情報の視覚的表現又はグラフィカル的表現を指す。例えば物質画像データは画像のセットを含み、各画像が１つの物質を表す。更なる選択肢は、カラーコーディングを使用して、イメージングされた領域内の様々な物質を１つの画像内に表現することである（例えば各物質は専用のカラーで表される）。

本発明の異なる実施形態において、ＡＩモデルは、様々な形式の入力スペクトルＸ線データを受信し、様々な形式の出力物質組成データを生成する。例えば入力データは投影データ又は再構成画像データであり、モデルからの出力物質組成データは投影領域（物質投影データ）又は画像領域（物質画像データ）にあることができる。

４つの主な異なる有利な選択肢の概要を以下に簡単に説明する。
（１）入力スペクトルＸ線データは、従来のＸ線モダリティシステムからのデータである。ここでは、取得したスペクトルＸ線投影データを２つのＡＩモデルで分別して、２セットの出力物質投影データを得る。これらの２セットの物質投影データは、上記の周波数分離ステップで組み合わされて、最終的な物質投影データになる。これにより、出力物質分別データが提供される。これは、いくつかの例では、視覚化のために直接使用できる。
（２）スペクトルＸ線データは、コンピュータ断層撮影（ＣＴ）システムからのデータである。取得したスペクトルＸ線投影データは、入力データとして２つのＡＩモデルに提供される。これは、２つのＡＩモデルを用いて分別されて、２セットの出力物質投影データを導出する。例えば物質投影データは、基底物質のセットのスキャンした物体内の物質パス長のベクトルを含む。これらの２セットの物質投影データは、上記の周波数分離ステップ（フィルタリングと線形結合）で組み合わされて、最終的な物質投影データを導出する。任意選択で、続けて再構成手順で処理して、最終的な物質画像データを導出することもできる。
（３）入力スペクトルＸ線データは、コンピュータ断層撮影（ＣＴ）システムからのデータである。取得したスペクトルＸ線投影データは、入力データとして２つのＡＩモデルに提供される。データは２つのＡＩモデルを用いて分別されて、２セットの物質投影データを導出する。これら２セットの物質投影データセットはともに再構成されて、２セットの物質画像データを導出する。これらの画像データセットは、上記のとおりに周波数分離ステップ（フィルタリングと線形結合）で組み合わされて、最終的な物質画像データを導出する。
（４）スペクトルＸ線データは、コンピュータ断層撮影（ＣＴ）システムからのデータである。取得したスペクトルＸ線投影データは再構成されて、入力スペクトルＸ線データとしてスペクトル画像データのセットを導出する。これは、入力データとして２つのＡＩモデルに提供される。スペクトル画像データを２つのＡＩモデルで分別して２セットの物質画像データを導出する。これらは、次に上記の周波数分離手順（フィルタリングと線形結合）で組み合わされて、最終的な物質画像データを導出する。

このように、選択肢（２）～（４）は、様々な処理ステップ（分別／周波数分離／再構成）の順序が異なる。選択肢（１）には再構成ステップがない。

上記方法の結果を得るためには、ともに物質分別が可能であるが、そのバイアス及び分散が異なる２つのＡＩモデルが必要である。

ＡＩモデルの各々は、１つ以上の機械学習アルゴリズムを含む。

機械学習アルゴリズムは、出力データを生成又は予測するために入力データを処理する任意の自己トレーニングアルゴリズムである。ここでは、入力データはスペクトルＸ線データを含み、出力データは物質分別データを含む。

本発明の使用に適した機械学習アルゴリズムは、当業者には明らかであろう。適切な機械学習アルゴリズムの例としては、決定木アルゴリズム及び人工ニューラルネットワークなどがある。多項式回帰、サポートベクター回帰、又はカーネル回帰などの他の機械学習アルゴリズムは、適切な代替案である。

人工ニューラルネットワーク（又は、単にニューラルネットワーク）の構造は、人間の脳から発想を得たものである。ニューラルネットワークは層で構成され、各層は複数のニューロンを含む。各ニューロンは数学操作を含む。特に、各ニューロンは、単一のタイプの変換の異なる重み付けの組み合わせ（例えば、シグモイドなどの同じタイプの変換であるが、異なる重み付けを有する）を含み得る。入力データの処理プロセスでは、各ニューロンの数学操作が入力データに対して行われて、数値出力が生成され、ニューラルネットワークの各層の出力は、次の層に順番に供給される。最終層が出力を提供する。

機械学習アルゴリズムのトレーニング方法はよく知られている。通常、このような方法は、トレーニング入力データエントリと対応するトレーニング出力データエントリとを含むトレーニングデータセットを取得することを含む。初期化された機械学習アルゴリズムが各入力データエントリに適用されて、予測された出力データエントリが生成される。予測された出力データエントリと対応するトレーニング出力データエントリとのエラーを使用して、機械学習アルゴリズムが修正される。このプロセスはエラーが収束するまで、すなわち、予測された出力データエントリがトレーニング出力データエントリと十分に類似する（例えば±１％）まで繰り返される。これは一般に、教師付き学習技術として知られている。

例えば、機械学習アルゴリズムがニューラルネットワークから形成される場合、各ニューロンの数学操作（の重み付け）は、エラーが収束するまで修正され得る。ニューラルネットワークを修正する既知の方法には、勾配降下アルゴリズム、誤差逆伝搬アルゴリズムなどがある。

トレーニング入力データエントリは、所与の物質基底の例示的な入力スペクトルＸ線データに対応している（例えば物質基底のサンプル光子エネルギービンカウント）。トレーニング出力データエントリは、物質分別データに対応している。

前述したように、本発明の異なる実施形態において、ＡＩモデルは、様々な形式の入力Ｘ線データを受信し、様々な形式の出力物質組成データを生成する。例えば入力データは投影データ又は再構成画像データであり、モデルからの出力物質組成データは投影領域（物質投影データ）又は画像領域（物質画像データ）にあることができる。

本発明の原理をよりよく理解するために、ＡＩモデルへの入力データがＣＴ投影データであり、ＡＩモデルからの出力物質分別データが分別投影データである例をより詳細に説明する。しかし、異なる形式でデータを入出力するモデルにも同じ原理を適用できる。

本例に従って、分別方法は基底物質分別方法である。この場合の最終出力物質分別データは、既知の減衰係数を有する基底物質のセットの各々について、スキャンした物質を通る導出された放射パス長ｌ_ｓのセットを含む。このアプローチの背後にある理論は、上でより詳細に説明されており、詳細はこの説明を参照されたい。

最終出力物質分別データは、例えばパス長サイノグラムベクトル

を含み、これは、ピクセルｐのセットの各々において到達した放射線について、且つ入力スペクトルＸ線データの投影像ｖのセットの各々について、基底物質のセットの各々について導出された基底物質パス長を含む。

上述したように、投影領域での基底物質分別には、系順モデルの効果的な反転（例えば、上記の式（２）に類似した形式で）が必要であり、これは、Ｘ線投影データの各ピクセル要素について、個々の検出器エネルギービンにおいて予想される光子カウントを、それぞれの基底及び等価パス長の関数としてモデル化する。ニューラルネットワークといった機械学習アルゴリズムは、この反転を実行するようにトレーニングできる。

ＡＩモデルをトレーニングするためには、所与の関心の物質基底の様々なパス長ベクトルｌ（ｐ）の参照データベースを、結果として得られる光子カウントデータベクトルｃ（ｐ）とともに使用でき、両方ともピクセルｐの関数である。次に、ＡＩモデルは、結果として得られるＡＩモデルｆが予測されるパス長（モデルの出力）と実際のパス長との誤差Ｅｒを最小限にするように、データベース内の各ピクセルについて学習され、ｗ（ｐ）はピクセルｐのＡＩモデルｆのパラメータベクトルである：

トレーニングデータベースは、較正ファントムを使用して実験的に生成するか、又は例えば現実的なシステムシミュレーションの実行に基づいて生成することもできる。トレーニングが完了すると、スキャン中に取得した各投影像の光子カウント投影データｃ_ｓ（ｐ，ｖ）に適用して、等価パス長サイノグラム

を推定できる：

前述したように、結果として得られるトレーニングされたモデルは、出力パス長バイアスとノイズの点で、ある程度の両方の現象の妥協を目指す。本発明の実施形態による目標は、バイアス及びノイズがともに低くなる全体的な方法を提供することである。

このために、また、説明されているように、第１のＡＩモデルは第２のＡＩモデルよりも低いバイアスを示し、第２のＡＩモデルよりも高い分散を示す。本コンテキストでは、バイアス誤差は、実際のパス長からのＡＩモデルの推定出力パス長の平均の偏差として理解される。分散誤差は、実際のパス長に対する前述のモデル出力パス長推定値のばらつきとして理解される。

第２のＡＩモデルよりも低いバイアスを示し、第２のＡＩモデルよりも高い分散を示す第１のＡＩモデルを達成するには様々なやり方がある。

１つのやり方は、最初に予備ネットワークｆの２つのコピーを生成し、２つのコピーを２つの異なるタイプの光子カウントデータ（１つはノイズなし、もう１つは典型的なＸ線又はＣＴスキャン中に予想される完全なフルノイズあり）でトレーニングすることである。例えば初期トレーニングデータセットの２つのコピーを生成し、次にデータセットの１つを前処理してノイズを低減する。低ノイズデータを使用して第１のＡＩモデルをトレーニングし、フルノイズデータを使用して第２のＡＩモデルをトレーニングする。ノイズレスデータを使用したトレーニングの結果、低バイアス及び高ノイズ（高分散）の第１のＡＩモデルが達成される：

。一方、ノイズの多いデータを使用したトレーニングでは、高バイアス及び低ノイズ（低分散）の第２のＡＩモデルが得られる：

。

２つのＡＩモデル間でバイアス及び分散の違いをもたらすための別のやり方は、両方に同じトレーニングデータを使用するが、２つのモデルで採用されるトレーニング戦略を変更することである。つまり、モデルにエンコードされている学習アルゴリズムを変更して、一方のモデルが低いバイアスを好むようにし、もう一方のモデルが低いノイズ（低い分散）を好むようにする。例えば第１のモデルを異なるコスト関数で構成することで、第１のモデルのバイアスは低減される。したがって、第２のモデルのコスト関数はより多くのノイズを与え、第１のモデルのコスト関数はより低いノイズを与える。その後、両方のモデルはフルノイズのトレーニングデータを使用してトレーニングされる。

例えば、１つ以上の実施形態に従って、発生するバイアスは、所与のモデルのトレーニング中に計算され、バイアスの絶対値が、コスト関数における１つの項として使用される。この項に重みが与えられるほど、トレーニングされたモデルのバイアスは低くなる。したがって、第１のＡＩモデルをトレーニングする際には、コスト関数のこの項により高い重みが与えられる。

例えば、所与の物質の組み合わせについてのトレーニングデータのセット内で、いくつかの（例）ノイズの多い光子カウントの実現が参照できる場合は、バイアスをトレーニング中に計算できる。

ＡＩモデル（例えばニューラルネットワーク）のバイアス及び分散は、測定可能でテスト可能な特性である。所与のモデル（モデルは、入力スペクトルＸ線データに基づいて出力物質分別情報を生成するようにトレーニングされている）のバイアス及び分散の測定は、例えば、異なる既知の物質濃度（ヨウ素や水など）を特徴とするインサートを用いてファントムをスキャンし、ファントムの対応するスペクトルＸ線データを生成することで、経験的に行うことができる。

この入力スペクトルＸ線データをテスト対象のモデルに供給することにより、バイアスは、既知の濃度に対して対応する画像の関心領域（ＲＯＩ）で測定される平均濃度値の偏差として測定できる。ノイズ又は分散は、物質画像の各々の均質な部分で測定された値の標準偏差として定量化できる。

上述したように、２つのＡＩモデルによって行われた分別に続いて、「周波数分離」ステップが適用される。このステップは、第１及び第２のＡＩモデルの出力の選択的フィルタリングと、それらの結果の線形結合との組み合わせを含む。

特に、入力スペクトルＸ線データがスペクトルＣＴ投影データである上記の例のコンテキストでは、線形ローパスフィルタ（Ｇ）及びそろいの線形ハイパスフィルタ（１－Ｇ）をそれぞれ使用してモデル出力をフィルタリングした後、ｆ_１モデルとｆ_２モデルをそれぞれ適用した結果得られる、個々のパス長サイノグラムを組み合わせることを含む：

結果として得られる結合されたサイノグラムベクトル

は、出力物質分別データを提供する。この場合、出力物質投影データ（サイノグラムベクトルは、所与の物質基底について、各ピクセル及び各投影像の物質パス長を表す）の形式で提供する。

結果として得られる結合されたパス長サイノグラム

は、低バイアスと低ノイズの両方を示す。

例示として、図２に、本発明の実施形態による物質分別方法の例示的なシミュレーション結果を示す。第１の縦列に、ヨウ素サンプルの実際の物質分別画像（上の横列）と水サンプルの実際の物質分別画像（下の横列）を示している。第２の縦列、第３の縦列、及び第４の縦列は、それぞれ、第１のＡＩモデルｆ_１のみ、第２のＡＩモデルｆ_２のみ、及び本発明による完全に結合された分別方法（周波数分離方法を含む）によって適用された分別からもたらされた物質分別サイノグラムデータの画像再構成を示している。上述したように、第１のモデルｆ_１はバイアス最適モデル（低バイアス）であり、第２のモデルｆ_２はノイズ最適モデル（低ノイズ）である。

２つのモデルの組み合わせからの結果（第４の縦列）は、バイアス最適モデル（ｆ_１）とノイズ最適モデル（ｆ_２）によってそれぞれ提供されるものに匹敵するバイアス及びノイズレベルを有する最良の結果をもたらすことがわかる。

以上の説明は、投影領域におけるスペクトルＣＴデータ（投影データ）を受信し、投影領域で物質分別データを出力するＡＩモデルのトレーニング、即ち、所与の物質基底のパス長ベクトル

の観点から概説した。

しかし、異なる形式のスペクトルＸ線データを受信し、異なる形式の分別情報を出力するＡＩモデルをトレーニング及び使用するために、同じ原理を同様に適用できる。これらのモデルを導出するためには、トレーニング入力データエントリが正しいモダリティ又は形式であり、トレーニング出力データエントリが正しい形式の物質組成データであるように、トレーニングデータを適切に選択するだけでよい。

例えば、様々な実施形態において、各ＡＩモデルに提供される入力スペクトルＸ線データは、上記の例のように、スペクトルコンピュータ断層撮影（ＣＴ）データである場合もあるし、更なる実施形態においては、従来の（非ＣＴ）Ｘ線スキャナ又は蛍光透視スキャナからのスペクトルＸ線データである場合もある。後者の場合、ＡＩモデルへの入力スペクトルＸ線データは、検出器のピクセルの関数として、各エネルギービンの光子カウントを与える光子カウント投影データｃ_ｓ（ｐ）の形式である。従来のＸ線スキャナでは１つの像しかない場合があるため、光子カウントデータはピクセルの関数のみである場合がある。別の事例では、従来のスペクトルＸ線データは、ＡＩモデルの適用前に画像データに再構成され、ＡＩモデルは、入力スペクトル画像データを受信して物質画像情報を出力するようにトレーニングできる。

入力スペクトルＸ線データがスペクトルＣＴデータである場合、２つのＡＩモデルは、入力スペクトルＣＴ投影データか、又は、生のスペクトル投影データから再構成された再構成スペクトルＣＴ画像データを受信できる。前者の場合は、ＡＩモデルは投影領域で物質分別データを出力するようにトレーニングされ、後者の場合は、モデルは画像領域で物質組成データを出力するようにトレーニングされる。

本発明の更なる態様に従う例は、コンピュータプログラムコードを含むコンピュータプログラム製品を提供する。コンピュータプログラムコードは、プロセッサ又はコンピュータ上で実行可能である。コードは、プロセッサに、上記若しくは後述の任意の実施例若しくは実施形態に従う、又は本出願の任意の請求項に従う方法を実行させる。

図３は、本明細書に開示されている実施形態に従って物質分別方法を行う例示的な装置の構成要素を示している。

特に、本発明の一態様は、スペクトルＸ線データを処理して物質分別情報を導出する処理装置３２を提供する。この例では、処理装置は単一のプロセッサ構成要素（例えば集積回路（ＩＣ））を含む。

処理装置３２は、データストレージ装置３６にアクセスする。データストレージ装置には、第１のＡＩモデル４２及び第２のＡＩモデル４４が記憶されている。第１及び第２のＡＩモデルの各々は、スペクトルＸ線データをモデル入力データとして受信し、物質分別データをモデル出力データとして生成する。第１のＡＩモデル４２は、第２のＡＩモデル４４よりも低いバイアスを示し、第２のＡＩモデルよりも高い分散を示す。

処理装置は、例えば、処理装置に通信可能に連結されているＸ線スキャン装置から、又は、他の例では、更なるデータストアから、入力スペクトルＸ線データを取得する。

処理装置３２は、入力スペクトルＸ線データをモデル入力データとして第１のＡＩモデル４２に提供し、その後、第１のＡＩモデルのモデル出力データにローパスフィルタリングを適用して、第１の物質分別データを導出する。

処理装置３２は、入力スペクトルＸ線データをモデル入力データとして第２のＡＩモデル４４に提供し、その後、第２のＡＩモデルのモデル出力データにハイパスフィルタリングを適用して、第２の物質分別データを導出する。

処理装置３２は、第１及び第２の物質分別データを線形結合して第３の物質分別データを導出する。

１つ以上の実施形態によれば、処理装置３２が、第１のＡＩモデル４２及び第２のＡＩモデル４４を記憶したデータストレージ装置３６を含んでいてもよい。他の例では、データストレージ装置に接続するための入力部／出力部を含んでいてもよい。

更なる実施形態に従う例は、スペクトルＸ線システムを提供する。図４に例示的なシステム６０が概略的に示されている。

このシステムは、Ｘ線放射線源６４（Ｘ線発生器）とＸ線放射線検出器６６とを含むＸ線スキャンアセンブリ６２を含み、Ｘ線放射線源６４とＸ線放射線検出器６６との間にスキャン対象の物体を受容するためのスキャン領域がある。線源と検出器との間のＸ線放射パス６８がスキャン領域を通過する。

上記システムは更に、上記若しくは後述する例若しくは実施形態による、又は本出願の任意の請求項による処理装置３２を含む。処理装置は、Ｘ線放射線検出器６６と通信可能に連結して、Ｘ線検出器から入力スペクトルＸ線データを受信する。

Ｘ線スキャンアセンブリ６２はＣＴスキャンアセンブリであってもよい。放射線源６４と放射線検出器６６は、調整可能な相対角度位置を持ち、これにより、スキャン領域を通る様々なＸ線パス角度に対応する複数の投影像をキャプチャすることを可能にする。

好ましい例では、Ｘ線検出器６６は、放射線周波数又はエネルギービンのセットの各々の光子カウントを検出するＸ線光子計数検出器である。

或いは、Ｘ線検出器６６は、１つ以上のエネルギー積分検出器（ＥＩＤ）を含んでいてもよい。ＥＩＤは、選択した放射線窓の入射Ｘ線放射線を選択的に検知できる。１つの可能な装置では、２つ以上のＥＩＤがスタック又は２層構成で使用され、各々がＸ線源（例えばＸ線管）のＸ線スペクトルの異なるエネルギー窓に対して感受性がある。

更に可能な装置では、単一のＥＩＤが使用される。この場合、Ｘ線源は２つ以上の異なるＸ線管電圧を周期的に繰り返して、異なるエネルギースペクトルの放射線を順次放射するように制御される。単一のＥＩＤは、各管電圧に関連付けられた放射線を順番に検出する。したがって、この場合、放射線のエネルギーレベルは、検出器で弁別的に検出されるのではなく、線源で制御される。

本発明の実施形態での使用に適しているＸ線スキャンアセンブリの基本的な構造は、例えば国際特許公開ＷＯ２０１４／１６７４５０の３ページ目の２６行目から５ページ目の２行目に説明されており、また、当該文書の図１に示されている。放射線検出器アレイは、例えば、光子計数検出器又は１つ以上のエネルギー積分検出器の形をとることができる。

適切なＸ線スキャンアセンブリの構造、操作、実装の詳細については、次の書籍：Ｋａｔｓｕｙｕｋｉ Ｔａｇｕｃｈｉによる「Ｓｐｅｃｔｒａｌ，Ｐｈｏｔｏｎ Ｃｏｕｎｔｉｎｇ Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ（Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ）」（２０２０）に記載されている。

適切なＣＴスキャンアセンブリの主な原理の詳細については、次の論文：Ｗｉｌｌｅｍｉｎｋ，Ｍ他、「Ｐｈｏｔｏｎ－ｃｏｕｎｔｉｎｇ ＣＴ： Ｔｅｃｈｎｉｃａｌ Ｐｒｉｎｃｉｐｌｅｓ ａｎｄ Ｃｌｉｎｉｃａｌ Ｐｒｏｓｐｅｃｔｓ」（２０１８）に記載されている。

上述したように、バイアスと分散が異なる２つのＡＩモデルを得るための１つの手段は、その２つのモデルを異なるトレーニングデータでトレーニングすることである。

したがって、本発明の更なる態様による例は、入力スペクトルＸ線データから物質分別データを導出する際に使用する第１及び第２のＡＩモデルをトレーニングする方法を提供する。図５は、そのような方法の一例のステップの概要をブロック図で示している。

この方法は、スペクトルＸ線データをモデル入力データとして受信し、物質分別データをモデル出力データとして生成する予備ＡＩモデルを取得すること（８２）を含む。

上記方法は更に、第１のトレーニングデータＴ_１及び第２のトレーニングデータＴ_２を取得すること（８４）を含み、ここでは、第１及び第２のトレーニングデータの各々は、サンプルスペクトルＸ線データの形式での入力データエントリと、サンプルスペクトルＸ線データごとに既知の物質分別データの形式での対応する出力データエントリとを含む。Ｔ_２と比較してノイズが少ないスペクトルＸ線データ（入力データエントリを形成する）を有する第１のトレーニングデータＴ_１が提供される。したがって、第１のトレーニングデータは、第２のトレーニングデータと比較してノイズが少ない。これは、例えば第１のトレーニングデータを前処理してノイズを低減することで達成できる。例えば、Ｔ_１は、Ｔ_２の第２のコピーにノイズ抑制を適用することによって生成される。或いは、第２のトレーニングデータを前処理して（Ｔ_１と比較して）追加のノイズを有するようにすることもできる。つまり、トレーニングデータセットＴ_２にノイズを人工的に追加することもできる。つまり、Ｔ_２はＴ_１の第２のコピーにノイズを追加することによって生成される。追加されるノイズは、例えばランダムノイズ発生器を使用してシミュレートできる。更なる例では、Ｔ_１及びＴ_２の一方又は両方をシミュレーションによって（即ち、Ｘ線シミュレーションプログラムを使用して）生成できる。シミュレーションでは、得られたデータのノイズレベルを任意に調整できるため、Ｔ_１及びＴ_２の一方又は両方をこのやり方で取得できる。

上記方法は更に、予備ＡＩモデルの第１のコピーを第１のトレーニングデータＴ_１でトレーニングすること（８６）を含み、これにより、第１のＡＩモデルを取得する。

上記方法は更に、予備ＡＩモデルの第２のコピーを第２のトレーニングデータＴ_２でトレーニングすること（８８）を含み、これにより、第２のＡＩモデルを取得する。

この結果、第２のモデルよりもバイアスが少なく、分散が大きい第１のＡＩモデルが取得される。

上記の例では、２つのモデルは同じ予備モデルのコピーとして開始されるが、これは必須ではない。更なる実施形態では、第１の予備モデルを第１のトレーニングデータＴ_１でトレーニングして第１のＡＩモデルを取得し、第２の予備モデルを第２のトレーニングデータＴ_２でトレーニングして、第２のＡＩモデルを取得でき、第１及び第２の予備モデルが異なっていてもよい。例えば、１つの予備モデルがニューラルネットワークで、もう１つが線形回帰モデルである。（上記のようなやり方で）予備モデルをトレーニングするために異なるトレーニングデータを使用しても、２つのモデルのバイアス及び分散が異なる。

上述したように、２つのＡＩモデル間でバイアス及び分散の違いをもたらすための別のやり方は、両方に同じトレーニングデータを使用するが、２つのモデルで採用されるトレーニング戦略を変更することである。つまり、モデルにエンコードされている学習アルゴリズムを変更して、一方のモデルが低いバイアスを好むようにし、もう一方のモデルが低いノイズ（低い分散）を好むようにする。

本発明の実施形態は、様々な異なる分野で広範に応用される。例えば、上記方法及びシステムは、医用イメージングデータ、例えば医用ＣＴデータの処理に使用できる。医療分野での物質分別は、例えば腫瘍の組成を分析して組織が癌性であるかどうかを判断するために使用されることが多い。しかしながら、実施形態は、例えば、無生物の物質組成を分析するために、医療分野外でも使用できる。

前述のように、システムはプロセッサを使用してデータ処理を行う。プロセッサは、ソフトウェアやハードウェアを使用して、様々なやり方で実装して、必要な様々な機能を行うことができる。通常、プロセッサは、ソフトウェア（例えばマイクロコード）を使用してプログラムされて、必要な機能を行う１つ以上のマイクロプロセッサを用いる。プロセッサは、一部の機能を行うための専用ハードウェアと、他の機能を行うための１つ以上のプログラム済みマイクロプロセッサ及び関連回路との組み合わせとして実装できる。

本開示の様々な実施形態に用いられ得る回路の例としては、従来のマイクロプロセッサ、特定用途向け集積回路（ＡＳＩＣ）、及びフィールドプログラマブルゲートアレイ（ＦＰＧＡ）が挙げられるが、これらに限定されない。

様々な実装形態では、プロセッサは、ＲＡＭ、ＰＲＯＭ、ＥＰＲＯＭ、及びＥＥＰＲＯＭ（登録商標）などの揮発性及び不揮発性コンピュータメモリなどの１つ以上の記憶媒体と関連付けられ得る。記憶媒体は、１つ又は複数のプロセッサ及び／又はコントローラ上で実行されると、必要な機能を実行する１つ又は複数のプログラムでエンコードされ得る。様々な記憶媒体は、プロセッサ又はコントローラ内で固定されていても、そこに保存されている１つ以上のプログラムをプロセッサにロードできるように輸送可能であってもよい。

開示された実施形態の変形例は、図面、開示及び添付の特許請求の範囲の検討から、請求項に係る発明を実施する際に当業者によって理解され、実行され得る。特許請求の範囲において、語「含む」は、他の要素又はステップを排除するものではなく、単数形は複数を排除するものではない。

単一のプロセッサ又は他のユニットが、特許請求の範囲に記載されているいくつかのアイテムの機能を果たすことができる。

特定の手段が相互に異なる従属請求項に記載されているという単なる事実は、これらの手段の組み合わせを有利に使用することができないことを意味するものではない。

コンピュータプログラムは、他のハードウェアと一緒に又はその一部として供給される、光記憶媒体又は固体媒体などの任意の適切な媒体に格納／配布することができるが、インターネット又は他の有線若しくはワイヤレス通信システムを介してなど他の形式で配布することもできる。

「～するように適応されている」という用語が、特許請求の範囲又は説明で使用されている場合、「～するように適応されている」という用語は「～するように構成されている」という用語と同等であることを意図していることに留意されたい。

特許請求の範囲における任意の参照符号は、範囲を限定するものと解釈されるべきではない。

Claims (15)

1. 物体のスペクトルＸ線データを使用して前記物体を物質分別する方法であって、前記方法は、
   データストレージ装置にアクセスするステップであって、
   前記データストレージ装置には、第１のＡＩモデル及び第２のＡＩモデルが記憶されており、前記第１のＡＩモデル及び前記第２のＡＩモデルの各々は、スペクトルＸ線データをモデル入力データとして受信し、物質分別データをモデル出力データとして生成し、
   前記第１のＡＩモデルは、前記第２のＡＩモデルよりも出力物質分別データ値において低いバイアスを示し、前記第２のＡＩモデルよりも前記出力物質分別データ値において高い分散を示すように構成されている、当該アクセスするステップと、
   入力スペクトルＸ線データを取得するステップと、
   前記入力スペクトルＸ線データを前記第１のＡＩモデルへの前記モデル入力データとして提供するステップと、
   前記入力スペクトルＸ線データを前記第２のＡＩモデルへの前記モデル入力データとして提供するステップと、
   前記第１のＡＩモデルの前記モデル出力データにローパス空間フィルタリングを適用するステップと、
   前記第２のＡＩモデルの前記モデル出力データにハイパス空間フィルタリングを適用するステップと、
   前記第１のＡＩモデル及び前記第２のＡＩモデルの出力を線形結合して、出力物質分別データを導出するステップと、
   を含む、方法。
2. 前記第１のＡＩモデル及び前記第２のＡＩモデルは、教師付き学習手順を用いてトレーニングされた機械学習モデルであり、前記第１のＡＩモデルはトレーニングデータＴ_１に基づいてトレーニングされ、前記第２のＡＩモデルはトレーニングデータＴ_２に基づいてトレーニングされ、Ｔ_１はＴ_２と比較してノイズが少ないように生成されている、請求項１に記載の方法。
3. 前記第１のＡＩモデル及び前記第２のＡＩモデルの各々は、スペクトルＸ線投影データをモデル入力データとして受信し、物質分別投影データをモデル出力データとして生成する、請求項１又は２に記載の方法。
4. 前記方法は、基底物質分別方法であり、前記出力物質分別データは、既知の減衰係数を有する基底物質のセットの各々について、スキャンした物質を通って導出された放射パス長ｌ_ｓのセットを含む、請求項３に記載の方法。
5. 前記出力物質分別データは、パス長サイノグラムベクトル
   

   

   を含み、前記パス長サイノグラムベクトルは、ピクセルｐのセットの各々に到達した放射線について、且つ前記入力スペクトルＸ線データの投影像ｖのセットの各々について、前記基底物質のセットの各々についての導出された基底物質パス長を含む、請求項４に記載の方法。
6. 前記出力物質分別データが出力物質画像データを含むように、前記線形結合の前又は後のいずれかで、前記第１の物質分別データ及び前記第２の物質分別データに画像再構成操作を適用するステップを更に含む、請求項３から５のいずれか一項に記載の方法。
7. 前記入力スペクトルＸ線データは、投影データであり、Ｘ線検出器での複数のエネルギービンの各々において検出されたＸ線光子カウントを示すスペクトル光子カウントデータｃ_ｓを含む、請求項３から６のいずれか一項に記載の方法。
8. 前記第１のＡＩモデル及び前記第２のＡＩモデルの各々は、スペクトルＸ線画像データをモデル入力データとして受信し、物質分別画像データをモデル出力データとして生成する、請求項１又は２に記載の方法。
9. 前記入力スペクトルＸ線データは、スペクトルＣＴデータである、請求項１から８のいずれか一項に記載の方法。
10. 前記入力スペクトルＸ線データは、Ｘ線検出器での複数のエネルギービンの各々において、また、複数のピクセルｐの各々について、且つ前記入力ＣＴ投影データの複数の投影像ｖの各々について検出されたＸ線光子カウントを示すスペクトル光子カウントデータｃ_ｓ（ｐ，ｖ）を含む、請求項９に記載の方法。
11. コンピュータプログラムコードを含むコンピュータプログラムであって、前記コンピュータプログラムコードは、プロセッサ上で実行可能であり、
    前記コンピュータプログラムコードは、前記プロセッサに、請求項１から１０のいずれか一項に記載の方法を実行させる、コンピュータプログラム。
12. スペクトルＸ線データを処理して物質分別情報を導出する処理装置であって、前記処理装置は、
    データストレージ装置にアクセスすることであって、
    前記データストレージ装置には、第１のＡＩモデル及び第２のＡＩモデルが記憶されており、前記第１のＡＩモデル及び前記第２のＡＩモデルの各々は、スペクトルＸ線データをモデル入力データとして受信し、物質分別データをモデル出力データとして生成し、
    前記第１のＡＩモデルは、前記第２のＡＩモデルよりも出力物質分別データ値において低いバイアスを示し、前記第２のＡＩモデルよりも前記出力物質分別データ値において高い分散を示すように構成されている、当該アクセスすることと、
    入力スペクトルＸ線データを取得することと、
    前記入力スペクトルＸ線データを前記第１のＡＩモデルへのモデル入力データとして提供することと、
    前記入力スペクトルＸ線データを前記第２のＡＩモデルへのモデル入力データとして提供することと、
    前記第１のＡＩモデルの前記モデル出力データにローパス空間フィルタリングを適用することと、
    前記第２のＡＩモデルの前記モデル出力データにハイパス空間フィルタリングを適用することと、
    前記第１のＡＩモデル及び前記第２のＡＩモデルの出力を線形結合して、出力物質分別データを導出することと、
    を実行する、処理装置。
13. 前記第１のＡＩモデル及び前記第２のＡＩモデルを記憶した前記データストレージ装置を含む、請求項１２に記載の処理装置。
14. Ｘ線放射線源及びＸ線放射線検出器を含むＸ線スキャンアセンブリであって、前記Ｘ線放射線源と前記Ｘ線放射線検出器との間にスキャン対象の物体を受容するためのスキャン領域があり、前記Ｘ線放射線源と前記Ｘ線放射線検出器との間のＸ線放射パスが前記スキャン領域を通過する、当該Ｘ線スキャンアセンブリと、
    請求項１２又は１３に記載の処理装置であって、前記Ｘ線放射線検出器と通信可能に連結して、前記Ｘ線放射線検出器から入力スペクトルＸ線データを受信する、当該処理装置と、
    を含む、スペクトルＸ線イメージングシステム。
15. 入力スペクトルＸ線データから物質分別データを導出する際に使用する第１のＡＩモデル及び第２のＡＩモデルをトレーニングする方法であって、
    スペクトルＸ線データをモデル入力データとして受信し、物質分別データをモデル出力データとして生成する予備ＡＩモデルを取得するステップと、
    前記予備ＡＩモデルの第１のコピーを第１のトレーニングデータＴ_１でトレーニングして、第１のＡＩモデルを取得するステップと、
    前記予備ＡＩモデルの第２のコピーを第２のトレーニングデータＴ_２でトレーニングして、第２のＡＩモデルを取得するステップと、
    を含み、
    前記第１のトレーニングデータ及び前記第２のトレーニングデータの各々は、サンプルスペクトルＸ線データの形式での入力データエントリと、前記サンプルスペクトルＸ線データごとに既知の物質分別データの形式での対応する出力データエントリとを含み、
    前記第１のトレーニングデータＴ_１は、前記第１のトレーニングデータが前記第２のトレーニングデータと比較してノイズが少ないように、前処理されて、前記入力データエントリを形成する前記サンプルスペクトルＸ線データのノイズが低減される、方法。

Images