JP7022268B2 - Ｘ線コーンビームｃｔ画像再構成方法 - Google Patents
Ｘ線コーンビームｃｔ画像再構成方法 Download PDFInfo
- Publication number
- JP7022268B2 JP7022268B2 JP2019150024A JP2019150024A JP7022268B2 JP 7022268 B2 JP7022268 B2 JP 7022268B2 JP 2019150024 A JP2019150024 A JP 2019150024A JP 2019150024 A JP2019150024 A JP 2019150024A JP 7022268 B2 JP7022268 B2 JP 7022268B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- cone beam
- projected image
- new patient
- ray
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 41
- 238000013528 artificial neural network Methods 0.000 claims description 42
- 238000013135 deep learning Methods 0.000 claims description 22
- 230000005855 radiation Effects 0.000 claims description 20
- 238000013170 computed tomography imaging Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 10
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 23
- 206010028980 Neoplasm Diseases 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000001959 radiotherapy Methods 0.000 description 12
- 238000011282 treatment Methods 0.000 description 9
- 230000001225 therapeutic effect Effects 0.000 description 6
- 210000000988 bone and bone Anatomy 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 210000004872 soft tissue Anatomy 0.000 description 4
- 241001669679 Eleotris Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003187 abdominal effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/1077—Beam delivery systems
- A61N5/1081—Rotating beam systems with a specific mechanical construction, e.g. gantries
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computerised tomographs
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/40—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with arrangements for generating radiation specially adapted for radiation diagnosis
- A61B6/4064—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with arrangements for generating radiation specially adapted for radiation diagnosis specially adapted for producing a particular type of beam
- A61B6/4085—Cone-beams
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
- A61B6/5282—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to scatter
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/58—Testing, adjusting or calibrating apparatus or devices for radiation diagnosis
- A61B6/582—Calibration
- A61B6/583—Calibration using calibration phantoms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1031—Treatment planning systems using a specific method of dose optimization
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1038—Treatment planning systems taking into account previously administered plans applied to the same patient, i.e. adaptive radiotherapy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/1048—Monitoring, verifying, controlling systems and methods
- A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/1048—Monitoring, verifying, controlling systems and methods
- A61N5/1075—Monitoring, verifying, controlling systems and methods for testing, calibrating, or quality assurance of the radiation treatment apparatus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1031—Treatment planning systems using a specific method of dose optimization
- A61N2005/1034—Monte Carlo type methods; particle tracking
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/1048—Monitoring, verifying, controlling systems and methods
- A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
- A61N2005/1061—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using an x-ray imaging system having a separate imaging source
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/1048—Monitoring, verifying, controlling systems and methods
- A61N5/1075—Monitoring, verifying, controlling systems and methods for testing, calibrating, or quality assurance of the radiation treatment apparatus
- A61N2005/1076—Monitoring, verifying, controlling systems and methods for testing, calibrating, or quality assurance of the radiation treatment apparatus using a dummy object placed in the radiation field, e.g. phantom
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/441—AI-based methods, deep learning or artificial neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/452—Computed tomography involving suppression of scattered radiation or scatter correction
Description
本発明は、Ｘ線コーンビームＣＴ画像再構成方法に関するもので、特に放射線治療装置に組み込まれたＸ線コーンビームＣＴ装置を用いた画像再構成方法で、例えば適応型放射線治療を実施するための技術に関する。
従来より患者体内の腫瘍を治療寝台上で位置決めすることを目的として、Ｘ線コーンビームＣＴを具備した放射線治療装置が知られている。詳細は、例えば特許文献１および対応日本出願である特許文献２に記載されている。体内の腫瘍は患者体表のマークでは高精度に位置決めすることが困難であり、リニアックなどの放射線治療装置にＸ線コーンビームＣＴ装置を直交同軸配置した装置が放射線治療における位置決め精度向上に有効である。
Ｗａｎｇ Ａ，Ｍａｓｌｏｗｓｋｉ Ａ，Ｗａｒｅｉｎｇ Ｔ，Ｓｔａｒ－Ｌａｃｋ Ｊ，Ｓｃｈｍｉｄｔ ＴＧ．Ａ ｆａｓｔ，ｌｉｎｅａｒ Ｂｏｌｔｚｍａｎｎ ｔｒａｎｓｐｏｒｔ ｅｑｕａｔｉｏｎ ｓｏｌｖｅｒ ｆｏｒ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ ｄｏｓｅ ｃａｌｃｕｌａｔｉｏｎ（Ａｃｕｒｏｓ ＣＴＤ）．Ｍｅｄ Ｐｈｙｓ．２０１９ Ｆｅｂ；４６（２）：９２５－９３３．
Ｗａｎｇ Ａ，Ｍａｓｌｏｗｓｋｉ Ａ，Ｍｅｓｓｍｅｒ Ｐ，Ｌｅｈｍａｎｎ Ｍ，Ｓｔｒｚｅｌｅｃｋｉ Ａ，Ｙｕ Ｅ，Ｐａｙｓａｎ Ｐ，Ｂｒｅｈｍ Ｍ，Ｍｕｎｒｏ Ｐ，Ｓｔａｒ－Ｌａｃｋ Ｊ，Ｓｅｇｈｅｒｓ Ｄ．Ａｃｕｒｏｓ ＣＴＳ：Ａ ｆａｓｔ，ｌｉｎｅａｒ Ｂｏｌｔｚｍａｎｎ ｔｒａｎｓｐｏｒｔ ｅｑｕａｔｉｏｎ ｓｏｌｖｅｒ ｆｏｒ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ ｓｃａｔｔｅｒ－Ｐａｒｔ ＩＩ：Ｓｙｓｔｅｍ ｍｏｄｅｌｉｎｇ，ｓｃａｔｔｅｒ ｃｏｒｒｅｃｔｉｏｎ，ａｎｄ ｏｐｔｉｍｉｚａｔｉｏｎ．Ｍｅｄ Ｐｈｙｓ．２０１８ Ｍａｙ；４５（５）：１９１４－１９２５．
Ｍａｓｌｏｗｓｋｉ Ａ，Ｗａｎｇ Ａ，Ｓｕｎ Ｍ，Ｗａｒｅｉｎｇ Ｔ，Ｄａｖｉｓ Ｉ，Ｓｔａｒ－Ｌａｃｋ Ｊ．Ａｃｕｒｏｓ ＣＴＳ：Ａ ｆａｓｔ，ｌｉｎｅａｒ Ｂｏｌｔｚｍａｎｎ ｔｒａｎｓｐｏｒｔ ｅｑｕａｔｉｏｎ ｓｏｌｖｅｒ ｆｏｒ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ ｓｃａｔｔｅｒ－Ｐａｒｔ Ｉ：Ｃｏｒｅ ａｌｇｏｒｉｔｈｍｓ ａｎｄ ｖａｌｉｄａｔｉｏｎ．Ｍｅｄ Ｐｈｙｓ．２０１８ Ｍａｙ；４５（５）：１８９９－１９１３．
Ｆｅｌｄｋａｍｐ Ｌ Ａ，Ｄａｖｉｓ Ｌ Ｃ ａｎｄ Ｋｒｅｓｓ Ｊ Ｗ １９８４ Ｐｒａｃｔｉｃａｌ ｃｏｎｅ－ｂｅａｍ ａｌｇｏｒｉｔｈｍ Ｊ．Ｏｐｔ．Ｓｏｃ．Ａｍ．Ａ １ ６１２－９
Ｘ線コーンビームＣＴ装置に備えられたＸ線管で発生したＸ線は患者体内を直線的に通過して、投影画像を撮像する平面パネル面に配置された２次元検出器に到達するが、検出器には患者体内で散乱した散乱Ｘ線も混入する。後者の散乱Ｘ線による検出信号は、投影画像からコーンビームＣＴ画像を再構成するためには不要であり、投影画像のコントラストを悪化させ、さらにコーンビームＣＴ画像のコントラストを悪化させることが知られている。
このような散乱線混入によるコーンビームＣＴの画質劣化は、軟組織の輪郭抽出を困難にすることが知られている。散乱線低減用のグリッドを用いることも報告されているが、グリッドだけでは、散乱抑制は高々５０％程度であり、さらなる改善が望まれていた。
本発明では、多数の患者のコーンビームＣＴ画像を用いてコーンビームＣＴ撮像時の投影画像に混入する散乱線による投影画像成分を計算する第１のステップ、前記多数の患者のコーンビームＣＴ画像を入力訓練画像とし、前記計算された散乱線による各投影画像成分を出力訓練画像とする多層ニューラルネットワークを設定し、前記多層ニューラルネットワークの深層学習を実施する第２のステップ、前記深層学習を実施した多層ニューラルネットワークに新規患者のコーンビームＣＴ画像を入力することにより、前記新規患者の散乱線による各投影画像成分を予測する第３のステップ、前記新規患者のコーンビームＣＴ撮像時の各投影画像から前記予測した新規患者の散乱線による各投影画像成分を減算することにより得た差分投影画像を用いてコーンビームＣＴ画像を再構成する第４のステップを有する。第１のステップにおける散乱線による各投影画像成分は、コーンビームＣＴ装置に備えられたＸ線管で患者を照射する条件で、モンテカルロ計算またはボルツマン輸送方程式を用いてシミュレーション計算する。なお、散乱線低減用グリッドをコーンビームＣＴ装置の平面検出器に設置してあらかじめ散乱の影響を近似的に半減しておくことも有効である。
散乱線の影響を正確かつ高速に抑制できるため、毎回撮像するコーンビームＣＴ画像のコントラストノイズ比が改善される。この結果、その日の腫瘍と注意臓器の輪郭を抽出して、治療直前にその日の解剖に合わせた最適な治療計画を短時間で実現できる。したがって、腫瘍や近傍の注意臓器が多数回の照射期間中に大きく変形・移動しても、腫瘍の局所制御性を高く維持しながら、同時に注意臓器の副作用がない安全な適応型放射線治療を実現できる。
本発明に係るＸ線コーンビームＣＴ画像再構成方法の好適な実施形態について添付の図面を参照しながら以下詳細に説明する。
［１．本実施形態の構成］
図１は、放射線治療装置の外観図であり、治療用Ｘ線ビームを生成するガントリヘッド１、前記治療用Ｘ線ビームを腫瘍形状に整形するコリメータユニット３、ガントリヘッドを回転させる回転機構５、患者の病変部を前記治療用Ｘ線ビーム位置に位置決めする寝台７、コーンビームＣＴ画像を得るためのＸ線管９と平面検出器１１、治療用Ｘ線ビーム用の平面検出器１３、装置の動作状況を表示する表示装置１５を備えている。
図１は、放射線治療装置の外観図であり、治療用Ｘ線ビームを生成するガントリヘッド１、前記治療用Ｘ線ビームを腫瘍形状に整形するコリメータユニット３、ガントリヘッドを回転させる回転機構５、患者の病変部を前記治療用Ｘ線ビーム位置に位置決めする寝台７、コーンビームＣＴ画像を得るためのＸ線管９と平面検出器１１、治療用Ｘ線ビーム用の平面検出器１３、装置の動作状況を表示する表示装置１５を備えている。
図２は、図１で例示した放射線治療装置のブロック図である。高精度に位置決め可能な３軸または６軸駆動の寝台７上の患者２２体内の腫瘍２４を治療用ビーム２０と位置合わせするために、Ｘ線コーンビームＣＴ画像を利用する。Ｘ線管９から患者２２に透視用Ｘ線コーンビーム２６を照射し、散乱低減用のグリッド１２を経て、平面検出器１１に透視用Ｘ線が到達する。図１の回転機構５でＸ線コーンビームの照射方向を回転しながら、例えばガントリ角１度ごとに平面検出器１１で計測したＸ線投影画像を近似的に半回転、または１回転にわたり逆投影演算することにより、Ｘ線コーンビームＣＴ画像を再構成することができる。一方、放射線治療開始より１週間程度前に治療計画用ＣＴ装置で撮像した患者ＣＴ画像を治療計画装置に転送し、腫瘍２４や近傍の注意臓器の位置・形状を解析し、放射線治療計画を立案しておく。この治療計画で設定された腫瘍座標を前記Ｘ線コーンビームＣＴ画像上に重ね合わせ表示することにより、治療計画通りに治療ビームを腫瘍に照射するために必要な寝台７の移動量が計算される。この結果、ガントリヘッド１の内部で発生した治療用Ｘ線ビームは、コリメータ３により、寝台７上の患者２２内の腫瘍２４の形状に合致したビーム２０に整形され、腫瘍２４に照射される。
［２．本実施形態の動作］
［２．本実施形態の動作］
図３は本実施形態に係るＸ線コーンビームＣＴ画像再構成方法を説明するフローチャートである。第１のステップ（Ｓ１）で、多数の患者のコーンビームＣＴ画像を用いてコーンビームＣＴ撮像時の例えばガントリ角１度ごとの各投影画像に混入する散乱線による各投影画像成分をモンテカルロ法で計算する。コーンビームＣＴ画像の画素値は密度や原子組成情報を与えないため、体内を水、空気、骨の３部位（あるいは、軟組織、空気、肺、骨の４部位）にセグメント化して、典型的な密度や原子組成比を与えることにより、モンテカルロ計算が可能である。次に、第２のステップ（Ｓ２）では、前記多数の患者のコーンビームＣＴ画像を入力訓練画像とし、前記計算された散乱線による例えばガントリ角１度ごとの各投影画像成分を出力訓練画像とする多層ニューラルネットワークを設定し、前記多層ニューラルネットワークの深層学習を実施する。第３のステップ（Ｓ３）では、前記深層学習を実施した多層ニューラルネットワークに新規患者のコーンビームＣＴ画像を入力することにより、前記新規患者の散乱線による例えばガントリ角１度ごとの各投影画像成分を予測する。第４のステップ（Ｓ４）では、前記新規患者のコーンビームＣＴ撮像時の例えばガントリ角１度ごとの各投影画像から前記予測した新規患者の散乱線による例えばガントリ角１度ごとの各投影画像成分を近似的に同一なガントリ角のデータに対して減算することにより得た差分投影画像を用いてコーンビームＣＴ画像を再構成する。
第１のステップ（Ｓ１）における散乱線による投影画像の導出においては、コーンビームＣＴ装置に備えられたＸ線管で患者を照射する計算条件で、モンテカルロ計算またはボルツマン輸送方程式を用いてシミュレーションする。なお、多層ニューラルネットワークに入力訓練画像と出力訓練画像を深層学習して、新規入力画像を入力した時に、出力画像を予測する技術に類似する技術として、文字画像を入力画像、文字の認識ラベルを出力とした多層ニューラルネットワークを深層学習して、新規文字画像を入力したときに、その文字を認識する手法が特許文献３に記載されている。本発明でも、演算の詳細をブラックボックス化して、画像入力と画像出力を直接深層学習する手法を用いているが、数学的な処理内容は特許文献３に記載されている。さらに、モンテカルロ計算による体内線量計算方法の詳細は特許文献４およびその対応日本出願である特許文献５に記載されている。また、ボルツマン輸送方程式による線量計算方法の詳細は、非特許文献１ないし３に記載されている。投影画像からコーンビーム画像を再構成する計算方法については、非特許文献４に記載されている。これはフェルドカンプの投影再構成法と呼ばれている方法で、多方向からコーンビームで被験者を照射した時に得られる投影画像を逆投影して、３次元体積を再構成する方法であり、今や産業界で一般的に利用されている。
図４にモンテカルロ法で散乱線による投影画像を計算する手順を示す。第１のステップ（ＳＴ１）で、コーンビームＣＴ画像内を例えば空気、肺、軟組織、骨に分類し、各領域の密度を対応する計画ＣＴ画像におけるＣＴ値、または計画ＣＴのＣＴ値にキャリブレーションされたコーンビームＣＴ画像のボクセル値に基づいて、ボクセルごとに与える。第２のステップ（ＳＴ２）で、文献記載の例えば空気、肺、軟組織、骨の典型的な原子組成比を与える。第３のステップ（ＳＴ３）で、コーンビームＣＴのＸ線管から出射されるＸ線のエネルギーを指定して、モンテカルロ法でコーンビームＣＴ体積画像を通過するコンプトン散乱線の輸送過程を計算し、出口側の平面検出器における前記散乱線による入射Ｘ線強度を計算する。使用したモンテカルロコードはＥＧＳであるが、これ以外にもＧＥＡＮＴやＰＨＩＴＳなどのモンテカルロコードを使うことが可能である。
図５は図３のフローチャートの第２ステップＳ２で示した多層ニューラルネットワークの深層学習過程を示すブロック図である。多数の患者のコーンビームＣＴ画像４０を入力訓練画像とし、モンテカルロ計算またはボルツマン輸送方程式を用いて、例えばガントリ角１度ごとにシミュレーション計算した散乱線による各投影画像成分４４を出力訓練画像とする多層ニューラルネットワーク４２を設定し、前記多層ニューラルネットワーク４２の深層学習を実施する。
図６に多層ニューラルネットワークの構成例を示す。図６において、多層ニューラルネットワークは入力層、出力層、隠れ層から構成されており、隠れ層は通常４層以上の構造を有する。各層には入力と出力を結びつけるパーセプトロンが配置され、その重みが深層学習で最適化される。
図７に図６の構成例で示されたパーセプトロンを示す。入力ｘと出力ｙは、ｙ＝ｆ（ｗ１ｘ１＋ｗ２ｘ２＋…）＋ｂの関係式で与えられる。ｆは活性化関数、ｂはバイアスである。入力と出力を多数与えて実行される深層学習の過程で、重みｗが反復計算で最適化される。この結果、入力を与えると、瞬時に出力を求めることができる。
図８は学習後の多層ニューラルネットワークを用いて散乱の影響を抑制した投影画像およびＸ線コーンビームＣＴ画像を計算する過程を示すブロック図である。深層学習を実施後の多層ニューラルネットワーク５２に新規患者のコーンビームＣＴ画像５０を入力することにより、前記新規患者の散乱線による例えばガントリ角１度ごとの各投影画像成分５４を予測する。さらに、前記新規患者のコーンビームＣＴ撮像時の例えばガントリ角１度ごとの各投影画像５０Ａから前記予測した新規患者の散乱線による例えばガントリ角１度ごとの各投影画像成分５４を近似的に同一なガントリ角のデータに対して減算することにより得た差分投影画像５６を用いてコーンビームＣＴ画像５８を再構成する。胸部領域に関して、図８の５０Ａ，５４、５６の画像例を、それぞれ図９、図１０、図１１に示す。さらに、図１２は本発明を腹部領域に適用した結果であり、左側は本発明を実施前のコーンビームＣＴ画像で、右側は本発明による散乱除去後のコーンビームＣＴ画像である。図１６は、モンテカルロ計算結果を実測値に対してキャリブレーションするフローチャートである。すなわち、モンテカルロ計算結果をキャリブレーションすることにより実測投影画像と計算された散乱線による投影画像の減算が可能になる。例えば固体ファントムを寝台に設置する第１のステップ、図４のＳＴ３と同様に、コーンビームＣＴのＸ線管から出射されるＸ線のエネルギーを指定して、モンテカルロ法で前記ファントムを通過する直接線およびコンプトン散乱線を含むすべての反応過程を含む輸送過程を計算し、ｉ，ｊを検出器上の空間座標とした時に、出口側の平面検出器における入射ビーム強度分布Ｐ（ｉ，ｊ）を計算する第２のステップ、平面検出器における入射ビーム強度分布Ｑ（ｉ，ｊ）を実測し、ＱｍとＰｍをそれぞれＱ（ｉ，ｊ）、Ｐ（ｉ，ｊ）の空間平均として、キャリブレーション係数Ａ＝Ｑｍ／Ｐｍを計算する第３のステップを有する。前記予測した新規患者の散乱線による各投影画像成分に前記キャリブレーション係数Ａを乗算してキャリブレーションし、前記新規患者のコーンビームＣＴ撮像時の各投影画像から前記予測した新規患者の散乱線による前記キャリブレーション後の各投影画像成分を近似的に同一なガントリ角のデータに対して減算する。
上記実施形態では、多層ニューラルネットワークの入力として、患者コーンビームＣＴ画像を用いたが、これ以外に、患者コーンビームＣＴ画像を再構成する時に利用した各方向からの投影画像を前記多層ニューラルネットワークの入力として利用しても良いので、次にこの実施形態について説明する。
［３．他の実施形態の構成］
図１３は本実施形態に係るＸ線コーンビームＣＴ画像再構成方法を説明するフローチャートである。第１のステップ（Ｓ１）で、多数の患者のコーンビームＣＴ画像を用いてコーンビームＣＴ撮像時の例えばガントリ角１度ごとの各投影画像に混入する散乱線による各投影画像成分をモンテカルロ法で計算する。コーンビームＣＴ画像の画素値は密度や原子組成情報を与えないため、体内を例えば、水、空気、骨にセグメント化して、典型的な密度や原子組成比を与えることにより、モンテカルロ計算が可能である。次に、第２のステップ（Ｓ２Ａ）では、前記多数の患者のコーンビームＣＴ画像撮像時の各投影画像を入力訓練画像とし、前記計算された散乱線による例えばガントリ角１度ごとの各投影画像成分を出力訓練画像とする多層ニューラルネットワークを設定し、前記多層ニューラルネットワークの深層学習を実施する。第３のステップ（Ｓ３Ａ）では、前記深層学習を実施した多層ニューラルネットワークに新規患者のコーンビームＣＴ画像撮像時の各投影画像を入力することにより、前記新規患者の散乱線による例えばガントリ角１度ごとの各投影画像成分を予測する。第４のステップ（Ｓ４）では、前記新規患者のコーンビームＣＴ撮像時の例えばガントリ角１度ごとの各投影画像から前記予測した新規患者の散乱線による例えばガントリ角１度ごとの各投影画像成分を近似的に同一なガントリ角のデータに対して減算することにより得た差分投影画像を用いてコーンビームＣＴ画像を再構成する。
図１３は本実施形態に係るＸ線コーンビームＣＴ画像再構成方法を説明するフローチャートである。第１のステップ（Ｓ１）で、多数の患者のコーンビームＣＴ画像を用いてコーンビームＣＴ撮像時の例えばガントリ角１度ごとの各投影画像に混入する散乱線による各投影画像成分をモンテカルロ法で計算する。コーンビームＣＴ画像の画素値は密度や原子組成情報を与えないため、体内を例えば、水、空気、骨にセグメント化して、典型的な密度や原子組成比を与えることにより、モンテカルロ計算が可能である。次に、第２のステップ（Ｓ２Ａ）では、前記多数の患者のコーンビームＣＴ画像撮像時の各投影画像を入力訓練画像とし、前記計算された散乱線による例えばガントリ角１度ごとの各投影画像成分を出力訓練画像とする多層ニューラルネットワークを設定し、前記多層ニューラルネットワークの深層学習を実施する。第３のステップ（Ｓ３Ａ）では、前記深層学習を実施した多層ニューラルネットワークに新規患者のコーンビームＣＴ画像撮像時の各投影画像を入力することにより、前記新規患者の散乱線による例えばガントリ角１度ごとの各投影画像成分を予測する。第４のステップ（Ｓ４）では、前記新規患者のコーンビームＣＴ撮像時の例えばガントリ角１度ごとの各投影画像から前記予測した新規患者の散乱線による例えばガントリ角１度ごとの各投影画像成分を近似的に同一なガントリ角のデータに対して減算することにより得た差分投影画像を用いてコーンビームＣＴ画像を再構成する。
第１のステップ（Ｓ１）における散乱線による投影画像の導出においては、コーンビームＣＴ装置に備えられたＸ線管で患者を照射する計算条件で、モンテカルロ計算またはボルツマン輸送方程式を用いてシミュレーションする。なお、先の実施形態と同様に、多層ニューラルネットワークに入力訓練画像と出力訓練画像を深層学習して、新規入力画像を入力した時に、出力画像を予測する技術に類似する技術として、文字画像を入力画像、文字の認識ラベルを出力とした多層ニューラルネットワークを深層学習して、新規文字画像を入力したときに、その文字を認識する手法が特許文献３に記載されている。本発明でも、演算の詳細をブラックボックス化して、画像入力と画像出力を直接深層学習する手法を用いているが、数学的な処理内容は特許文献３に記載されている。さらに、モンテカルロ計算による体内線量計算方法の詳細は特許文献４およびその対応日本出願である特許文献５に記載されている。また、ボルツマン輸送方程式による線量計算方法の詳細は、非特許文献１ないし３に記載されている。投影画像からコーンビーム画像を再構成する計算方法については、非特許文献４に記載されている。
図１４は図１３のフローチャートで示した多層ニューラルネットワークの深層学習過程を示すブロック図である。多数の患者のコーンビームＣＴ画像撮像時の各投影画像４１を入力訓練画像とし、モンテカルロ計算またはボルツマン輸送方程式を用いて、例えばガントリ角１度ごとにシミュレーション計算した散乱線による各投影画像成分４４を出力訓練画像とする多層ニューラルネットワーク４２を設定し、前記多層ニューラルネットワーク４２の深層学習を実施する。
図１５は学習後の多層ニューラルネットワークを用いて散乱の影響を抑制した投影画像およびＸ線コーンビームＣＴ画像を計算する過程を示すブロック図である。深層学習を実施後の多層ニューラルネットワーク５２に新規患者のコーンビームＣＴ画像撮像時の各投影画像５１を入力することにより、前記新規患者の散乱線による例えばガントリ角１度ごとの各投影画像成分５４を予測する。さらに、前記新規患者のコーンビームＣＴ撮像時の例えばガントリ角１度ごとの各投影画像５１から前記予測した新規患者の散乱線による例えばガントリ角１度ごとの各投影画像成分５４を近似的に同一なガントリ角のデータに対して減算することにより得た差分投影画像５６を用いてコーンビームＣＴ画像５８を再構成する。減算前のモンテカルロ計算結果のキャリブレーションについては、第１の実施例で述べたとおりであり説明を省略するが、図１６記載の方法を用いればよい。
なお、本発明は、上述した実施形態に限らず、本発明の要旨を逸脱することなく、種々の構成を採り得ることは勿論である。
１ ガントリーヘッド
３ コリメータ
５ ガントリー回転機構
７ 寝台
９ Ｘ線管
１１ 平面検出器
１２ グリッド
１３ 平面検出器
１５ 表示装置
２０ 治療用Ｘ線ビーム
２２ 患者
２６ コーンビームＣＴ撮像用コーンビーム
２８ 計算機
３０ 寝台移動用制御信号線
３２ Ｘ線管制御用信号線
３４ コーンビームＣＴ撮像用信号線
３６ 平面パネル用信号線
３８ 治療用Ｘ線ビーム制御用信号線
４０ 訓練用の多数患者のコーンビームＣＴ画像
４１ 訓練用の多数患者のコーンビームＣＴ画像の投影画像
４２ 多層ニューラルネットワーク
４４ 訓練用の多数患者画像から計算した散乱線による各投影画像成分
５０ 新しい患者のコーンビームＣＴ画像
５０Ａ 新しい患者のコーンビームＣＴ画像の投影画像
５１ 新しい患者のコーンビームＣＴ画像の投影画像
５２ 多層ニューラルネットワーク
５４ 多層ニューラルネットワークから出力された散乱線による各投影画像成分の予測値
５６ 散乱線を除去した各投影画像データ
５８ 散乱線を除去した投影画像から再構成されたコーンビームＣＴ画像
３ コリメータ
５ ガントリー回転機構
７ 寝台
９ Ｘ線管
１１ 平面検出器
１２ グリッド
１３ 平面検出器
１５ 表示装置
２０ 治療用Ｘ線ビーム
２２ 患者
２６ コーンビームＣＴ撮像用コーンビーム
２８ 計算機
３０ 寝台移動用制御信号線
３２ Ｘ線管制御用信号線
３４ コーンビームＣＴ撮像用信号線
３６ 平面パネル用信号線
３８ 治療用Ｘ線ビーム制御用信号線
４０ 訓練用の多数患者のコーンビームＣＴ画像
４１ 訓練用の多数患者のコーンビームＣＴ画像の投影画像
４２ 多層ニューラルネットワーク
４４ 訓練用の多数患者画像から計算した散乱線による各投影画像成分
５０ 新しい患者のコーンビームＣＴ画像
５０Ａ 新しい患者のコーンビームＣＴ画像の投影画像
５１ 新しい患者のコーンビームＣＴ画像の投影画像
５２ 多層ニューラルネットワーク
５４ 多層ニューラルネットワークから出力された散乱線による各投影画像成分の予測値
５６ 散乱線を除去した各投影画像データ
５８ 散乱線を除去した投影画像から再構成されたコーンビームＣＴ画像
Claims (6)
- 多数の患者のコーンビームＣＴ画像を用いてコーンビームＣＴ撮像時の各投影画像に混入する散乱線による各投影画像成分を計算する第１のステップと、前記多数の患者のコーンビームＣＴ画像を入力訓練画像とし、前記計算された散乱線による各投影画像成分を出力訓練画像とする多層ニューラルネットワークを設定し、前記多層ニューラルネットワークの深層学習を実施する第２のステップと、前記深層学習を実施した多層ニューラルネットワークに新規患者のコーンビームＣＴ画像を入力することにより、前記新規患者の散乱線による各投影画像成分を予測する第３のステップと、前記新規患者のコーンビームＣＴ撮像時の各投影画像から前記予測した新規患者の散乱線による各投影画像成分を近似的に同一なガントリ角のデータに対して減算することにより得た差分投影画像を用いてコーンビームＣＴ画像を再構成する第４のステップを有するＸ線コーンビームＣＴ画像再構成方法において、前記第４のステップにおける差分投影画像を計算する前に、ファントムを用いて第１のステップにおける散乱線による各投影画像成分をキャリブレーションすることを特徴とするＸ線コーンビームＣＴ画像再構成方法。
- 多数の患者のコーンビームＣＴ画像を用いてコーンビームＣＴ撮像時の各投影画像に混入する散乱線による各投影画像成分を計算する第１のステップと、前記多数の患者のコーンビームＣＴ画像撮像時の各投影画像を入力訓練画像とし、前記計算された散乱線による各投影画像成分を出力訓練画像とする多層ニューラルネットワークを設定し、前記多層ニューラルネットワークの深層学習を実施する第２のステップと、前記深層学習を実施した多層ニューラルネットワークに新規患者のコーンビームＣＴ画像撮像時の各投影画像を入力することにより、前記新規患者の散乱線による各投影画像成分を予測する第３のステップと、前記新規患者のコーンビームＣＴ撮像時の各投影画像から前記予測した新規患者の散乱線による各投影画像成分を近似的に同一なガントリ角のデータに対して減算することにより得た差分投影画像を用いてコーンビームＣＴ画像を再構成する第４のステップを有するＸ線コーンビームＣＴ画像再構成方法において、前記第４のステップにおける差分投影画像を計算する前に、ファントムを用いて第１のステップにおける散乱線による各投影画像成分をキャリブレーションすることを特徴とするＸ線コーンビームＣＴ画像再構成方法。
- 第１のステップにおける散乱線による各投影画像成分は、コーンビームＣＴ装置に備えられたＸ線管で患者を照射する条件で、モンテカルロ法を用いてシミュレーション計算することを特徴とする請求項１または２いずれかに記載のＸ線コーンビームＣＴ画像再構成方法。
- 第１のステップにおける散乱線による各投影画像成分は、コーンビームＣＴ装置に備えられたＸ線管で患者を照射する条件で、ボルツマン輸送方程式を用いてシミュレーション計算することを特徴とする請求項１または２いずれかに記載のＸ線コーンビームＣＴ画像再構成方法。
- ファントムを寝台に設置する第１のステップ、コーンビームＣＴのＸ線管から出射されるＸ線のエネルギーを指定して、前記ファントムを通過する直接線およびコンプトン散乱線を含むすべての反応過程を含む輸送過程を計算し、出口側の平面検出器における入射ビーム強度分布Ｐ（ｉ，ｊ）を計算する第２のステップ、平面検出器における入射ビーム強度分布Ｑ（ｉ，ｊ）を実測し、ＱｍとＰｍをそれぞれＱ（ｉ，ｊ）、Ｐ（ｉ，ｊ）の空間平均として、キャリブレーション係数Ａ＝Ｑｍ／Ｐｍを計算する第３のステップを有することを特徴とする請求項１ないし４いずれかに記載のＸ線コーンビームＣＴ画像再構成方法。
- 前記予測した新規患者の散乱線による各投影画像成分に前記キャリブレーション係数Ａを乗算しキャリブレーションして、前記新規患者のコーンビームＣＴ撮像時の各投影画像から前記予測した新規患者の散乱線による前記キャリブレーション後の各投影画像成分を近似的に同一なガントリ角のデータに対して減算することを特徴とする請求項１ないし請求項５いずれかに記載のＸ線コーンビームＣＴ画像再構成方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019150024A JP7022268B2 (ja) | 2019-08-01 | 2019-08-01 | Ｘ線コーンビームｃｔ画像再構成方法 |
| US16/942,524 US11497939B2 (en) | 2019-08-01 | 2020-07-29 | Method for reconstructing x-ray cone-beam CT images |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019150024A JP7022268B2 (ja) | 2019-08-01 | 2019-08-01 | Ｘ線コーンビームｃｔ画像再構成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021023761A JP2021023761A (ja) | 2021-02-22 |
| JP7022268B2 true JP7022268B2 (ja) | 2022-02-18 |
Family
ID=74258979
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019150024A Active JP7022268B2 (ja) | 2019-08-01 | 2019-08-01 | Ｘ線コーンビームｃｔ画像再構成方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11497939B2 (ja) |
| JP (1) | JP7022268B2 (ja) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11817210B2 (en) | 2020-12-30 | 2023-11-14 | Varian Medical Systems, Inc. | Radiotherapy methods, systems, and workflow-oriented graphical user interfaces |
| US11786757B2 (en) | 2020-12-30 | 2023-10-17 | Varian Medical Systems, Inc. | Radiotherapy methods, systems, and workflow-oriented graphical user interfaces |
| US11654303B2 (en) | 2020-12-30 | 2023-05-23 | Varian Medical Systems, Inc. | Radiotherapy methods, systems, and workflow-oriented graphical user interfaces |
| US11660473B2 (en) | 2020-12-30 | 2023-05-30 | Varian Medical Systems, Inc. | Radiotherapy methods, systems, and workflow-oriented graphical user interfaces |
| US11759656B2 (en) * | 2020-12-30 | 2023-09-19 | Varian Medical Systems, Inc. | Radiotherapy methods, systems, and workflow-oriented graphical user interfaces |
| US11638840B2 (en) | 2020-12-30 | 2023-05-02 | Varian Medical Systems, Inc. | Radiotherapy methods, systems, and workflow-oriented graphical user interfaces |
| US11786756B2 (en) | 2020-12-30 | 2023-10-17 | Varian Medical Systems, Inc. | Radiotherapy methods, systems, and workflow-oriented graphical user interfaces |
| US11844962B2 (en) | 2020-12-30 | 2023-12-19 | Varian Medical Systems, Inc. | Radiotherapy methods, systems, and workflow-oriented graphical user interfaces |
| US20220249052A1 (en) * | 2021-02-09 | 2022-08-11 | Akihiro HAGA | Method for calculating density images in a human body, and devices using the method |
| CN115984368A (zh) * | 2023-01-12 | 2023-04-18 | 中国科学院宁波材料技术与工程研究所 | 基于数据解耦的未知隐藏目标定位方法、系统及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013089155A1 (ja) | 2011-12-12 | 2013-06-20 | 株式会社 日立メディコ | Ｘ線ｃｔ装置および散乱ｘ線補正方法 |
| US20180330233A1 (en) | 2017-05-11 | 2018-11-15 | General Electric Company | Machine learning based scatter correction |
| WO2019063760A1 (en) | 2017-09-28 | 2019-04-04 | Koninklijke Philips N.V. | DISPERSION CORRECTION BASED ON DEEP LEARNING |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6075836A (en) * | 1997-07-03 | 2000-06-13 | University Of Rochester | Method of and system for intravenous volume tomographic digital angiography imaging |
| JP2003522576A (ja) * | 2000-02-18 | 2003-07-29 | ウィリアム・ボーモント・ホスピタル | 平坦なパネル画像装置を有するコーンビームコンピュータ断層撮像装置 |
| US6568851B2 (en) * | 2000-10-25 | 2003-05-27 | Kabushiki Kaisha Toshiba | X-ray CT scanner |
| US7099428B2 (en) * | 2002-06-25 | 2006-08-29 | The Regents Of The University Of Michigan | High spatial resolution X-ray computed tomography (CT) system |
| DE102004029009A1 (de) * | 2004-06-16 | 2006-01-19 | Siemens Ag | Vorrichtung und Verfahren für die Streustrahlungskorrektur in der Computer-Tomographie |
| CN102988074A (zh) * | 2006-04-14 | 2013-03-27 | 威廉博蒙特医院 | 扫描狭槽锥形束计算机断层摄影以及扫描聚焦光斑锥形束计算机断层摄影 |
| EP2009592B1 (de) * | 2007-06-25 | 2013-03-06 | EMPA Eidgenössische Materialprüfungs- und Forschungsanstalt | Verfahren zur Streukorrektur von röntgentomografischen Daten |
| JP5159543B2 (ja) * | 2008-09-30 | 2013-03-06 | 株式会社東芝 | Ｘ線ｃｔ装置 |
| US8705828B2 (en) * | 2011-08-31 | 2014-04-22 | Carestream Health, Inc. | Methods and apparatus for super resolution scanning for CBCT system and cone-beam image reconstruction |
| US20130051516A1 (en) * | 2011-08-31 | 2013-02-28 | Carestream Health, Inc. | Noise suppression for low x-ray dose cone-beam image reconstruction |
| US20180018757A1 (en) * | 2016-07-13 | 2018-01-18 | Kenji Suzuki | Transforming projection data in tomography by means of machine learning |
-
2019
- 2019-08-01 JP JP2019150024A patent/JP7022268B2/ja active Active
-
2020
- 2020-07-29 US US16/942,524 patent/US11497939B2/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013089155A1 (ja) | 2011-12-12 | 2013-06-20 | 株式会社 日立メディコ | Ｘ線ｃｔ装置および散乱ｘ線補正方法 |
| US20180330233A1 (en) | 2017-05-11 | 2018-11-15 | General Electric Company | Machine learning based scatter correction |
| WO2019063760A1 (en) | 2017-09-28 | 2019-04-04 | Koninklijke Philips N.V. | DISPERSION CORRECTION BASED ON DEEP LEARNING |
Non-Patent Citations (1)
| Title |
|---|
| Yusuke Nomura et al.，"Projection-domain scatter correction for cone beam computed tomography using a residual cobolutional neural network"，Medical Physics，vol.46(7)，2019年，pp.3142-3155 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021023761A (ja) | 2021-02-22 |
| US11497939B2 (en) | 2022-11-15 |
| US20210031057A1 (en) | 2021-02-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7022268B2 (ja) | Ｘ線コーンビームｃｔ画像再構成方法 | |
| Bazalova et al. | Correction of CT artifacts and its influence on Monte Carlo dose calculations | |
| JP2022510958A (ja) | マルチモーダル放射線機器および方法 | |
| CN108877892A (zh) | 自动估算和减少计算机断层成像扫描中的散射 | |
| Sajja et al. | Technical principles of dual-energy cone beam computed tomography and clinical applications for radiation therapy | |
| TWI688373B (zh) | 醫用畫像處理裝置、治療系統及醫用畫像處理程式 | |
| Chen et al. | Treatment planning | |
| JP5121482B2 (ja) | 放射線治療用線量分布測定装置および放射線治療用線量分布測定プログラム | |
| JP2022122250A (ja) | 人体の物質密度画像の再構成方法およびｘ線ｃｔ装置、並びに放射線治療装置 | |
| WO2020230642A1 (ja) | 医用画像処理装置、医用画像処理プログラム、医用装置、および治療システム | |
| JP7323128B2 (ja) | 医用画像処理装置、医用装置、治療システム、医用画像処理方法、およびプログラム | |
| US9364186B2 (en) | Dose reconstruction during radiation therapy | |
| EP4160538A1 (en) | Metal artifact reduction in computed tomography | |
| TWI597618B (zh) | 治療計畫裝置 | |
| WO2022251417A1 (en) | System and methods for patient tracking during radiaton therapy | |
| JP6312737B2 (ja) | 組織治療のためのデータを生成、及び／又は、提供する方法 | |
| TWI645836B (zh) | 粒子線治療裝置及數位重組放射線攝影影像作成方法 | |
| JP2008119380A (ja) | ベッド位置決めシステム及びベッド位置決め方法 | |
| JP2021041090A (ja) | 医用画像処理装置、ｘ線画像処理システム、および、学習モデルの生成方法 | |
| US20220249052A1 (en) | Method for calculating density images in a human body, and devices using the method | |
| Roeske et al. | Dual Energy Imaging in Precision Radiation Therapy | |
| US20230100798A1 (en) | Adaptive auto-segmentation in computed tomography | |
| Freislederer | Optimization strategies for respiratory motion management in stereotactic body radiation therapy | |
| JP7272833B2 (ja) | Ｘ線ｃｔ装置、画像再構成装置、及び画像再構成方法 | |
| Cai | Artefact Reduction Methods for Iterative Reconstruction in Full-fan Cone Beam CT Radiotherapy Applications |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201106 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201106 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210422 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210929 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211012 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211111 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220111 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220117 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7022268 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |