JP7175875B2 - 統計的反復再構成および物質分解のためのシステムおよび方法 - Google Patents

Description

本明細書の実施形態は、一般に、光子計数型コンピュータ断層撮影撮像システムに関し、より具体的には、Ｘ線のパイルアップの固有の統計的性質を組み込むモデルの使用により光子計数型コンピュータ断層撮影システムの画質を向上させるためのシステムおよび方法に関する。

Ｘ線およびコンピュータ断層撮影（ＣＴ）システムなどの放射線撮像システムは、物体の内部の側面を観察するために用いられている。典型的には、撮像システムは、患者、ワーク、小包、荷物などの関心物体に向けてＸ線を放出するように構成されるＸ線源を含む。放射検出器のアレイなどの検出デバイスは、物体の反対側に位置決めされ、物体を透過したＸ線を検出するように構成される。

理解されるように、ＣＴスキャンは、患者または物体の周りの多くの異なる角度から一連の投影測定値を測定することによって実施される。これらの測定値は、サイノグラムに組み合わされ、複数のビューからの投影データを単一のデータセットに収集する。再構成アルゴリズムは、サイノグラムを処理して患者または物体を表す画像を生成するために使用される。現在、画像再構成には、複数の方法が存在する。近年、必要な放射線量を削減しながら、非常に高品質の画像を生成するために統計的反復再構成（ＳＩＲ）方法が使用されている。

ＳＩＲ方法を使用する目的は、ＣＴスキャンから収集された測定サイノグラムのセットに最も一致する推定サイノグラムをもたらす再構成画像を生成することである。ＳＩＲ方法の各反復では、再構成画像とＣＴシステムの既知のジオメトリおよび他の特性が順モデルによって使用され、再構成画像によってもたらされる推定サイノグラムを算出する。順モデルは、Ｘ線源から患者を通過し、再構成画像によって表されるように、ＣＴシステムの検出器に入るＸ線の減衰を本質的にシミュレートする。

続いて、推定サイノグラムは、ＣＴスキャンからの測定サイノグラムと比較される。この比較に基づいて、更新された再構成画像が算出され、順モデルによって推定されたサイノグラムが後続の反復で測定サイノグラムにより類似するように構成される。典型的には、更新ステップは、目的関数の最適化として行われる。

従来のＣＴおよび他の放射線撮像システムは、一定期間にわたって統合された放射線エネルギーを電流信号に変換する検出器を利用し、電流信号は最終的にデジタル化される。しかし、そのような検出器の欠点は、検出された光子の数および／またはエネルギーに関するデータまたはフィードバックを提供することができないことである。一定期間に検出されたＸ線を計数し、検出された各Ｘ線のエネルギーレベルの測定値を提供することが可能なエネルギー弁別型の直接変換検出器が、プロトタイプのＣＴシステムで用いられている。しかし、これらの直接変換半導体検出器の欠点は、従来のＣＴシステムで典型的にはもたらされるＸ線光子束率で計数することができないことである。

光子計数型ＣＴシステムは、光子が検出器に達すると個々のＸ線光子を記録する。不都合なことに、光子計数型ＣＴシステムは、時間的に共に近すぎて到着するＸ線を効率的に計数することが不可能である。これは、典型的には、高Ｘ線束での測定、ならびに／または患者および／もしくはＸ線源の患者前置フィルタ（ボウタイ）による減衰がほとんどないサイノグラムの領域での測定における問題である。パイルアップを考慮した光子計数型ＣＴシステムの特定の手法は、推定サイノグラムを測定サイノグラムと比較する前に、測定サイノグラムの補正を伴う。

しかし、記録される計数数に影響を与えることに加えて、パイルアップは、ＣＴ投影データのノイズにも影響を与える。投影測定値のノイズは、典型的には、ほぼポアソン分布に従ってＸ線束と共に増加する。不都合なことに、パイルアップが発生すると、計数数と計数の変動の両方が減少する。

さらに、非常に高いＸ線光子束率は、特定の直接変換デバイスでパイルアップおよび偏光を引き起こし、最終的に検出器の飽和につながることが知られている。「パイルアップ」は、検出器に入射するＸ線束が非常に大きいために発生する現象であり、１回の電荷統合サイクル中、２つ以上のＸ線光子が直接変換センサと相互作用し、単一のピクセル（「光子パイルアップ」）、または隣接するピクセル（「パターンパイルアップ」）に電荷パケットを蓄積するという無視できない可能性がある。そのような場合、これらの事象は、個々の光子エネルギーの合計を有する単一の事象として認識される。これが頻繁に発生する場合、パイルアップした事象がスペクトル内でより高いエネルギーにシフトするため、検出されたスペクトルの著しい歪みが生じる可能性がある。加えて、パイルアップは、投影面積での減衰の低下を含む効率の多かれ少なかれ顕著な低下につながり、束検出の損失が生じる。特に、これらの検出器は、典型的には、比較的低いＸ線束レベルで飽和する。これらのレベルを超えると、検出器の応答は予測しにくくなり、線量利用率が低下する。すなわち、ピクセルが飽和すると（測定された光子計数の高い値に対応）、追加の放射線は測定において有用な情報をもたらさない。

当技術分野で知られているように、エネルギー弁別型の光子検出システムは、Ｘ線を１つまたは複数のエネルギービンに入れる。最適エネルギー重み付け（ＯＥＷ）と呼ばれるエネルギービン値の処理の１つのタイプは、エネルギー統合プロセス（取得間隔中に蓄積される総エネルギーが合計される）を用いる従来のＣＴシステムと比較して、コントラスト対ノイズ比を向上させることができる。複数のエネルギービンデータの処理の別のタイプは、物質分解と呼ばれ、十分な光子統計が存在する場合、複数のエネルギービンからのデータを処理することによって、定量的な組織組成情報を抽出するように構成される。特に、光子計数型検出器は、画質を改善することを可能にし、従来のエネルギー統合システムよりも新しい種類の組織組成情報を提供することができる。

さらに、理解されるように、検出器の飽和は、撮像情報の破損をもたらし、その結果、Ｘ線投影データおよび再構成ＣＴ画像にノイズおよびアーチファクトが生じる。光子計数型直接変換検出器は、主に検出器のパイルアップにより、高い計数率で検出器量子効率（ＤＱＥ）が低下することが知られている。特に、光子計数型直接変換検出器は、各Ｘ線光子事象に関連する固有の電荷収集時間（つまり、デッドタイム）のためにパイルアップを招く。上記のように、特に各ピクセルのＸ線光子吸収率がこの電荷収集時間の逆のオーダであるとき、飽和は、最終的にはしばしばパルスのパイルアップによるものである。電荷収集時間の逆数は、最大周期率（ＭＰＲ）と呼ばれる。検出器に入射する真の平均Ｘ線計数率が最大周期率に等しいとき、記録された計数は入力検出計数の半分であり、出力計数率はＭＰＲの半分のみである。ＤＱＥが低下すると画質が低下し、つまり、ノイズの多い画像となる。加えて、検出器の飽和付近またはそれを上回る束レベルでヒステリシスおよび他の非線形効果が発生し、追加の画像アーチファクトにつながる。

また、真の信号と測定された信号との間の関係は非線形になり、計数率が増加するにつれて減少する。このパイルアップ効果は、安定している場合、較正および補正することができ、それによって検出器の効果的な計数率能力が上昇するが、ノイズが大きくなるという不利益がある。しかし、真の信号と測定された信号との間の関係が麻痺型電子機器の特性である非単調になるまで計数率が増加すると、この非単調な関係の補正は、もはや実用的ではなくなる可能性がある。特に、検出器がオーバレンジであるとき、記録された計数率は、麻痺型電子機器の束率を増加させるために非単調であり得るか、または非麻痺型電子機器の最大の達成可能な計数率になる。

高いＸ線束率での光子計数を可能にする以前に考案された解決策は、ボウタイ型フィルタを使用して検出器での束率を事前調整し、患者の形状を補償することを含む。また、ピクセルを複数のサブピクセルに細分することが提案されており、各サブピクセルは、独自のプリアンプおよび関連する電子機器に接続される。直接変換サブピクセルの面積を縮小することによって、取得間隔中に収集される光子がより小さい面積では少なくなるため、束率能力を高めることができる。しかし、結果として得られる信号の信号対ノイズ比は低下する場合があり、隣接する検出器ピクセル間の光子と蓄積電荷の両方におけるクロストークのレベルは、サブピクセル間の周囲が増加するために不利に大きくなる可能性がある。

米国特許第９２９２９４６号明細書

本明細書の態様によれば、再構成される物体を撮像するための方法が提示される。方法は、撮像システムを介して、再構成される物体に対応する投影データを取得することを含む。さらに、方法は、取得された投影データに基づいて測定サイノグラムを生成することを含む。また、方法は、順モデルを定式化することであって、順モデルは、撮像システムの特性を表すことを含む。加えて、方法は、物体の推定画像および順モデルに基づいて推定サイノグラムを生成することを含む。方法はまた、撮像システムの検出器のパイルアップ特性およびデッドタイム特性の少なくとも１つに基づいて統計的モデルを定式化することを含む。さらに、方法は、統計的モデル、測定サイノグラム、および推定サイノグラムに基づいて推定画像に対応する更新を決定することを含む。さらに、方法は、決定された更新に基づいて推定画像を更新し、物体の更新画像を生成することを含む。加えて、方法は、物体の最終画像を出力することを含む。

本明細書の別の態様によれば、システムが提示される。システムは、再構成される物体に対応する投影データに基づいて測定サイノグラムを生成し、順モデルを定式化することであって、順モデルは、撮像システムの１つまたは複数の特性を表し、推定画像、順モデル、または推定画像と順モデルの両方に基づいて推定サイノグラムを生成し、撮像システムの検出器のパイルアップ特性およびデッドタイム特性の少なくとも１つに基づいて統計的モデルを定式化し、統計的モデルおよび推定サイノグラムに基づいて推定画像に対応する更新を決定し、決定された更新に基づいて推定画像を更新し、物体の更新画像を生成し、物体の最終画像を出力するように構成されたノイズ補正プラットフォームを含む。

本明細書のさらに別の態様によれば、物体を撮像するための撮像システムが提示される。システムは、物体に対応する投影データを取得するように構成された取得サブシステムを含む。さらに、システムは、取得サブシステムと動作可能に関連付けられ、ノイズ補正プラットフォームを含む処理サブシステムであって、ノイズ補正プラットフォームは、物体に対応する投影データに基づいて測定サイノグラムを生成し、順モデルを定式化することであって、順モデルは、撮像システムの特性を表し、推定画像、順モデル、または推定画像と順モデルの両方に基づいて推定サイノグラムを生成し、撮像システムの検出器のパイルアップ特性およびデッドタイム特性の少なくとも１つに基づいて統計的モデルを定式化し、統計的モデルおよび推定サイノグラムに基づいて推定画像に対応する更新を決定し、決定された更新に基づいて推定画像を更新し、物体の更新画像を生成し、物体の最終画像を出力するように構成される処理サブシステムを含む。加えて、システムは、最終画像、更新画像、測定サイノグラム、推定サイノグラム、またはそれらの組合せの少なくとも１つを視覚化するように構成されたディスプレイを含む。

本開示のこれらおよび他の特徴、態様、および利点は、添付の図面を参照しながら以下の詳細な説明を読解すればより良好に理解され、添付の図面においては、図面全体を通して同一の符号は同一の部分を表している。

本明細書の態様による、撮像用のシステムの概略図である。 図１の例示的なシステムで使用するＣＴ撮像システムの形態の例示的な撮像システムのブロック図である。 図２のＣＴシステムの物理的実装のブロック図である。 本明細書の態様による、撮像の方法のフローチャートである。 本明細書の態様による、撮像のための別の例示的な方法を示すフローチャートである。 本明細書の態様による、図４の方法で使用する順モデルを定式化するための例示的な方法を示すフローチャートである。 本明細書の態様による、図５の方法で使用する順モデルを定式化するための別の例示的な方法を示すフローチャートである。 本明細書の態様による、図４～図５の方法で使用する統計的モデルを定式化するための例示的な方法を示すフローチャートである。 本明細書の態様による、図４～図５の方法で使用する統計的モデルを定式化するための別の例示的な方法を示すフローチャートである。 本明細書の態様による、図４～図５の方法で使用する統計的モデルを定式化するためのさらに別の例示的な方法を示すフローチャートである。 本明細書の態様による、図４～図５の方法で使用する推定画像への更新を決定するための例示的な方法を示すフローチャートである。 本明細書の態様による、パイルアップ比のグラフ表示を示す図である。 本明細書の態様による、ノイズパイルアップ補正係数の一実施形態のグラフ表示を示す図である。

理解されるように、光子計数型コンピュータ断層撮影（ＰＣＣＴ）を使用して関心物体を撮像する際、個々のＸ線光子は、検出器と相互作用するときに検出および記録される。しかし、ＰＣＣＴシステムでは、時間的に共に近すぎて到着するＸ線の計数が不完全になる場合がある。これは、典型的には、高Ｘ線束での測定、ならびに／または患者および／もしくはＸ線源の患者前置フィルタ（ボウタイ）による減衰がほとんどないサイノグラムの領域での測定における問題である。したがって、束率能力を拡張し、入射束率またはダイナミックレンジの要件が高すぎるためにこれまで管理不可能であった医療および産業用途での効率的な光子計数を可能にするために、関連するノイズを考慮して、最適な方法で光子計数型検出器からの情報を有利に組み合わせる設計が必要である。加えて、パイルアップおよびピクセルのオーバレンジなどの既知の有害な影響に対する補正アルゴリズムが特に必要である。また、画質を向上させ、十分な光子計数統計を１つまたは複数のエネルギービンに提供して統計的に有意な組織組成情報を確保するＣＴシステムも必要である。

以下で詳細に説明するように、統計的反復再構成および／または物質分解のためのシステムおよび方法の様々な実施形態が提示される。本明細書で提示されるシステムおよび方法は、ノイズモデルの使用を伴い、Ｘ線パイルアップの固有の統計的性質は、ＰＣＣＴ撮像の統計的画像再構成または物質分解のための反復アルゴリズムのノイズモデルに組み込まれる。特に、パイルアップを伴う検出器の統計的挙動の例示的なノイズモデルは、反復アルゴリズムの最適化ステップで目的関数に組み込まれ、それによってそれぞれの測定における統計的不確実性を考慮することによって、再構成画像のノイズの最適化およびアーチファクトの低減の少なくとも１つを行う。「ノイズモデル」、「統計的モデル」、および「統計的ノイズモデル」という用語は、互換的に使用されてもよいことに留意されたい。

別途の定義がない限り、本明細書で使用される技術用語および科学用語は、本開示が属する分野の当業者によって一般に理解されるのと同じ意味を有する。本明細書で使用される「第１の」、「第２の」などの用語は、任意の順序、量、または重要性を示すものではなく、ある要素を別の要素と区別するために使用される。また、「ａ」および「ａｎ」という用語は、数量の制限を示すものではなく、参照される項目の少なくとも１つの存在を示すものである。「または」という用語は、包括的であることを意味し、列挙される項目の１つ、いくつか、またはすべてを意味する。本明細書における「含む」、「備える」または「有する」およびその変形の使用は、その後に列挙される項目およびその均等物ならびに追加の項目を包含することを意味する。「接続された」および「結合された」という用語は、物理的または機械的な接続または結合に限定されず、直接または間接にかかわらず、電気的な接続または結合を含むことができる。さらに、「回路（ｃｉｒｃｕｉｔ）」および「回路（ｃｉｒｃｕｉｔｒｙ）」ならびに「コントローラ」という用語は、単一の構成要素または複数の構成要素のいずれかを含んでもよく、それらは、能動的および／または受動的のいずれでもよく、接続されるか、または別の方法で互いに結合されて説明される機能を提供する。

明確にするために、本システムおよび方法の例示的な実施形態は、コンピュータ断層撮影（ＣＴ）撮像システムの文脈で説明される。しかし、様々な他の撮像用途およびシステムにおける本システムおよび方法の使用も企図されることが理解されるであろう。これらのシステムのいくつかは、例えば、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）システム、陽電子放出断層撮影（ＰＥＴ）システム、Ｘ線撮像システム、および／または光学撮像システムを含んでもよい。本システムおよび方法の様々な実装を実施するのに適した例示的な環境が、図１～図３を参照して以下のセクションで議論される。

次に図面を参照すると、図１は、本明細書の態様による、診断撮像で使用する例示的なシステム１００のブロック図である。特に、システム１００は、再構成される物体に対応する１つまたは複数の画像を生成するように構成される。例として、システム１００は、患者／被験者または非生物学的物体などの物体１０２の対象ボリュームおよび／または内部構造に対応する画像を生成するように構成され得る。より具体的には、システム１００は、統計的画像再構成または物質分解のための反復アルゴリズムを伴うノイズモデルの使用を介して撮像の品質を向上させるように構成される。

システム１００は、患者１０２などの再構成される物体に対応する画像データを取得するように構成される。一例では、システム１００は、患者１０２の所望の画像を生成する際に使用する投影データを取得するように構成された医療撮像システム１０８を含む。以下に示される例示的な実施形態は医療撮像システムの文脈で説明されるが、産業用撮像システムや、パイプライン検査システム、爆発物検出システム、および液体反応器検査システムなどの非破壊評価および検査システムなど、他の撮像システムおよび用途も企図されることに留意されたい。加えて、以下に示され説明される例示的な実施形態は、他の撮像モダリティ、例えば、ＳＰＥＣＴ、ＰＥＴ、Ｘ線、光学撮像システム、位置追跡システム、または他のセンサシステムと併せてＣＴ撮像を用いるマルチモダリティ撮像システムに適用される場合がある。

現在企図されている構成では、医療撮像システム１０８は、取得サブシステム１１０と、処理サブシステム１１２とを含む。医療撮像システム１０８の取得サブシステム１１０は、患者１０２の１つまたは複数の解剖学的関心領域を表す投影データを取得するように構成される。データ取得サブシステム１１０は、１つまたは複数の取得間隔中に１つまたは複数のエネルギービンで検出された光子計数を測定することに留意されたい。このデータは、処理サブシステム１１２に直接転送されるか、または処理サブシステム１１２に転送される前にさらに処理され得る。例えば、検出された光子計数を処理して、Ｘ線源と検出器素子との間に位置決めされた物質の線形減衰係数の線積分に対応する投影データを生成することができる。検出された計数および／または処理された検出計数の両方を含むデータは、集合的に投影データと呼ばれることに留意されたい。さらに、患者１０２から取得された投影データは、処理サブシステム１１２によって処理され、患者１０２の解剖学的関心領域に対応する画像を生成する。

処理サブシステム１１２は、例えば、１つまたは複数の特定用途向けプロセッサ、グラフィック処理ユニット、デジタル信号プロセッサ、マイクロコンピュータ、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブルロジックアレイ（ＰＬＡ）、および／または他の適切な処理デバイスを含んでもよい。追加または代替として、処理サブシステム１１２は、取得された投影データおよび／またはユーザ入力を後で使用するためにデータリポジトリ１１６に記憶するように構成することができる。一実施形態では、データリポジトリ１１６は、例えば、ハードディスクドライブ、フロッピーディスクドライブ、コンパクトディスク読み出し／書き込み（ＣＤ－Ｒ／Ｗ）ドライブ、デジタル多用途ディスク（ＤＶＤ）ドライブ、フラッシュドライブ、および／またはソリッドステート記憶デバイスを含んでもよい。

特定の実施形態では、処理サブシステム１１２は、患者１０２に対応する対象ボリュームの画像を再構成するために、データリポジトリ１１６から投影データおよび／または任意のユーザ入力を取り出すように構成され得る。追加または任意選択で、一実施形態では、処理サブシステム１１２は、対象ボリュームを撮像するためにシステム１００によって用いられる特定の物理的原理に基づいて再構成および／または動き補正のために、取得された投影データを前処理するように構成されてもよい。例えば、システム医療撮像システム１０８がＣＴ撮像システムに対応する場合、処理サブシステム１１２は、ダイナミックレンジの正規化を行い、対象ボリュームの所望の画像を再構成する際にハウンズフィールドユニットを生成するように構成され得る。

理解されるように、従来の光子計数型撮像システムで使用される検出器の欠点は、ＣＴシステムで典型的にはもたらされるＸ線光子束率で計数することができないことである。特に、非常に高いＸ線光子束率によって引き起こされるパイルアップおよび偏光は、検出器の飽和、束損失、および検出器の予測不可能な挙動につながる。さらに、検出器の飽和は、撮像情報の損失をもたらし、その結果、Ｘ線投影およびＣＴ画像にノイズおよびアーチファクトが生じる。光子計数型直接変換検出器は、主に検出器のパイルアップにより、高い計数率で検出器量子効率（ＤＱＥ）が低下し得、それによって画質が低下し、つまり、ノイズの多い画像となる。加えて、検出器の飽和付近の束レベルならびに検出器の飽和を超える束レベルでヒステリシスおよび他の非線形効果が発生し、画像のアーチファクトにつながる。

本明細書の例示的な態様によれば、処理サブシステム１１２は、パイルアップおよびピクセルのオーバレンジなどの既知の有害な影響の補正を支援するように構成されるノイズ補正プラットフォーム１１４を含むことができる。より具体的には、ノイズ補正プラットフォーム１１４は、再構成画像のノイズの低減を促進するように構成される。具体的には、ノイズ補正プラットフォーム１１４は、ノイズの統計的性質を組み込むノイズモデルを介して取得された投影データを処理するように構成され、それによって再構成画像のノイズの低減を促進する。例示的なノイズ補正プラットフォーム１１４は、物体に対応する投影データに基づいて測定サイノグラムを生成し、順モデルを定式化することであって、順モデルは、撮像システムの挙動／１つまたは複数の特性を表し、推定画像、順モデル、または推定画像と順モデルの両方に基づいて推定サイノグラムを生成し、撮像システムの検出器のパイルアップ特性およびデッドタイム特性に基づいて統計的モデルを定式化し、統計的モデルおよび推定サイノグラムに基づいて推定画像に対応する画像更新を決定し、決定された更新に基づいて推定画像を更新し、ノイズが低減された更新画像を生成し、物体／患者１０２の少なくとも最終画像を出力するように構成される。物体の最終画像は、患者１０２の最終再構成画像を含み得る。また、一例では、最終再構成画像は、ディスプレイ１１８などのディスプレイ上に視覚化の形で出力されてもよい。特定の実施形態では、最終再構成画像は、単色エネルギー画像または基礎物質画像を含み得る。ノイズ補正プラットフォーム１１４については、図４～図１３を参照してより詳細に説明する。

また、図１に示される現在企図されている構成では、処理サブシステム１１２はノイズ補正プラットフォーム１１４を含むものとして示されているが、特定の実施形態では、ノイズ補正プラットフォーム１１４は、処理サブシステム１１２および医療撮像システム１０８から物理的に分離されたスタンドアロンユニットとして使用することもできる。例として、ノイズ補正プラットフォーム１１４は、医療撮像システム１０８の外部にあってもよく、医療撮像システム１０８に動作可能に結合されてもよい。

特定の実施形態では、処理サブシステム１１２は、データリポジトリ１１６などの記憶システムにさらに結合されてもよい。データリポジトリ１１６は、画像データを受信および／または記憶するように構成される。

さらに、図１に示されるように、医療撮像システム１０８は、ディスプレイ１１８と、ユーザインターフェース１２０とを含むことができる。しかし、タッチスクリーンなどの特定の実施形態では、ディスプレイ１１８とユーザインターフェース１２０は重複してもよい。また、いくつかの実施形態では、ディスプレイ１１８およびユーザインターフェース１２０は、共通の面積を含むことができる。本明細書の態様によれば、医療撮像システム１０８のディスプレイ１１８は、ノイズ補正プラットフォーム１１４によって取得および処理された投影データに基づいて医療撮像システム１０８によって生成された画像を表示するように構成され得る。加えて、医療撮像システム１０８によって生成された再構成画像は、臨床医が病状を識別し、処置の必要性を評価し、適切な処置オプションを決定し、かつ／または病状に対する処置の効果を監視するのを支援するために用いることができる。処置および治療という用語は、互換的に使用されてもよいことに留意されたい。

また、医療撮像システム１０８のユーザインターフェース１２０は、臨床医がディスプレイ１１８に表示される画像データを操作するのを容易にするように構成されたヒューマンインターフェースデバイス（図示せず）を含むことができる。ヒューマンインターフェースデバイスは、マウス型デバイス、トラックボール、ジョイスティック、スタイラス、または臨床医が治療を必要とする１つまたは複数の関心領域を識別するのを容易にするように構成されたタッチスクリーンを含み得る。しかし、理解されるように、限定はしないが、タッチスクリーンなどの他のヒューマンインターフェースデバイスもまた用いることができる。さらに、本明細書の態様によれば、ユーザインターフェース１２０は、医療撮像システム１０８によって生成された画像を通じて臨床医がナビゲートするのを支援するように構成され得る。

図１を参照して前述したように、医療撮像システム１０８は、ＣＴ撮像システムを含むことができる。図２は、本明細書による、画像データを取得および処理するための撮像システム２００を示すブロック図である。図示の実施形態では、システム２００は、本明細書に従って、Ｘ線投影データを取得し、投影データを画像に再構成し、表示および分析のために画像データを処理するように設計されたＣＴ撮像システムである。図２に示される実施形態では、撮像システム２００は、Ｘ線放射源２０２を含む。一実施形態では、Ｘ線放射源２０２は、Ｘ線管を含むことができる。Ｘ線放射源２０２は、Ｘ線を生成するためにアノードに向けられた熱電子または固体電子エミッタ、または実際には、所望の物体を撮像するのに有用なスペクトルおよびエネルギーを有するＸ線を生成することが可能な任意の他のエミッタを含んでもよい。適切な電子エミッタの例は、タングステンフィラメント、タングステンプレート、電界エミッタ、熱電界エミッタ、ディスペンサカソード、熱電子カソード、光エミッタ、および強誘電性カソードを含む。

放射源２０２は、放射源２０２によって放出される放射流２０６を成形するように構成され得るコリメータ２０４の近くに位置決めされ得る。放射流２０６は、患者１０２（図１参照）などの撮像される被験者２０８を含む撮像ボリュームに入る。放射流２０６は、検出器アレイの構成ならびに所望のデータ取得方法に応じて、概して扇形または円錐形であり得る。放射線の一部２１０は、被験者２０８を通過するか、またはその周囲を通過し、参照番号２１２によって概して表される検出器アレイに影響を与える。検出器または検出器アレイ２１２の検出器素子は、入射Ｘ線ビームの強度または１つまたは複数のエネルギービンの取得間隔中に検出された光子の計数を表す電気信号を発生する。これらの信号は、被験者２０８内の特徴の画像を再構成するために取得および処理される。

放射源２０２は、ＣＴ検査シーケンス用の電力信号と制御信号の両方を供給するシステムコントローラ２１４によって制御される。さらに、検出器２１２は、検出器２１２で生成された信号の取得を命令するシステムコントローラ２１４に結合される。システムコントローラ２１４はまた、ダイナミックレンジの初期調整、デジタル画像データのインターリーブなどのための、様々な信号処理およびフィルタリング機能を実行することができる。一般に、システムコントローラ２１４は、検査プロトコルを実行し、取得されたデータを処理するように撮像システム２００の動作を命令する。この文脈では、システムコントローラ２１４はまた、典型的には汎用または特定用途向けデジタルコンピュータに基づく信号処理回路、コンピュータによって実行されるプログラムおよびルーチン、ならびに構成パラメータおよび画像データを記憶するための関連するメモリ回路、インターフェース回路などを含む。

図２に示される実施形態では、システムコントローラ２１４は、モータコントローラ２２２を介して回転サブシステム２１６および線形位置決めサブシステム２１８に結合される。一実施形態では、回転サブシステム２１６は、Ｘ線源２０２、コリメータ２０４、および検出器２１２が患者２０８の周りを１回または複数回回転することを可能にする。他の実施形態では、回転サブシステム２１６は、線源２０２もしくは検出器２１２の一方のみを回転させてもよく、またはＸ線放射を生成するために様々な静止電子エミッタおよび／もしくは撮像ボリュームの周りにリング状に配置された検出器素子を差動的に作動させてもよい。線源２０２および／または検出器２１２が回転する実施形態では、回転サブシステム２１６は、ガントリ（図２には図示せず）を含むことができる。したがって、システムコントローラ２１４は、ガントリを操作するために利用され得る。線形位置決めサブシステム２１８は、患者２０８、またはより具体的には患者テーブル（図２には図示せず）を線形に変位させることを可能にする。したがって、患者テーブルをガントリ内で線形に移動させ、患者２０８の特定の面積の画像を生成することができる。

加えて、当業者には理解されるように、放射源２０２は、システムコントローラ２１４内に配置されたＸ線コントローラ２２０によって制御されてもよい。特に、Ｘ線コントローラ２２０は、電力およびタイミング信号をＸ線源２０２に提供するように構成される。

さらに、システムコントローラ２１４は、データ取得システム２２４を含むものとしても示されている。この実施形態では、検出器２１２は、システムコントローラ２１４、より具体的にはデータ取得システム２２４に結合される。データ取得システム２２４は、検出器２１２の読み出し電子機器によって収集されたデータを受信する。データ取得システム２２４は、典型的には、検出器２１２からサンプリングされたアナログ信号を受信し、コンピュータ２２６による後続の処理のためにデータをデジタル信号に変換する。

コンピュータ２２６は、典型的には、システムコントローラ２１４に結合されるか、またはシステムコントローラ２１４を組み込む。データ取得システム２２４によって収集されたデータは、後続の処理および再構成のためにコンピュータ２２６に送信され得る。コンピュータ２２６は、コンピュータ２２６によって処理されたデータまたはコンピュータ２２６によって処理されるデータを記憶することができるメモリ２２８を含むか、またはメモリ２２８と通信することができる。大量のデータを記憶するように構成された任意のタイプのメモリがシステム２００によって利用され得ることに留意されたい。さらに、メモリ２２８は、取得システムに位置してもよいし、またはデータ、処理パラメータ、および／もしくは以下に説明する手法を実装するためのルーチンを記憶するためのネットワークアクセス可能なメモリ媒体などのリモート構成要素を含んでもよい。

コンピュータ２２６はまた、システムコントローラ２１４によって可能にされ得るスキャン動作およびデータ取得などの特徴を制御するように適合され得る。さらに、コンピュータ２２６は、典型的にはキーボードおよび他の入力デバイス（図示せず）を備えたオペレータワークステーション２３０を介してオペレータからコマンドおよびスキャンパラメータを受信するように構成されてもよい。オペレータワークステーション２３０は、特定の実施形態では、ユーザインターフェース１２０（図１参照）を含み得ることに留意されたい。それによって、臨床医または技術者などのオペレータは、入力デバイスを介してシステム２００を制御することができる。したがって、臨床医または技術者は、コンピュータ２２６から再構成画像およびシステム２００に関連する他のデータを観察し、撮像を開始することなどが可能である。

オペレータワークステーション２３０に結合されたディスプレイ２３２を利用して、再構成画像を観察することができる。ディスプレイ２３２は、特定の実施形態では、ディスプレイ１１８（図１参照）であってもよいことに留意されたい。加えて、スキャンされた画像はまた、オペレータワークステーション２３０に結合され得るプリンタ２３４によって印刷されてもよい。ディスプレイ２３２およびプリンタ２３４はまた、直接またはオペレータワークステーション２３０を介してコンピュータ２２６に接続されてもよい。オペレータワークステーション２３０はまた、画像保管通信システム（ＰＡＣＳ）２３６に結合することができる。ＰＡＣＳ２３６は、放射線科情報システム（ＲＩＳ）、病院情報システム（ＨＩＳ）などのリモートシステム２３８に、または内部もしくは外部ネットワークに結合することができ、それにより異なる場所の他の臨床医が画像データにアクセスすることが可能であることに留意されたい。

さらに、コンピュータ２２６およびオペレータワークステーション２３０は、標準または専用コンピュータモニタおよび関連する処理回路を含み得る他の出力デバイスに結合され得ることに留意されたい。１つまたは複数のオペレータワークステーション２３０は、システムパラメータを出力し、検査を要求し、画像を閲覧するなどのために、システムにさらにリンクすることができる。一般に、ディスプレイ、プリンタ、ワークステーション、およびシステム２００内で供給される同様のデバイスは、データ取得構成要素の場所にあってもよいし、または施設もしくは病院内の他の場所、またはまったく異なる場所などこれらの構成要素から離れた、１つまたは複数の構成可能なネットワーク、例えばインターネット、バーチャルプライベートネットワークなどを介して画像取得システムにリンクされた場所にあってもよい。

上述したように、本実施形態で利用される例示的な撮像システムは、図３により詳細に示されるように、ＣＴスキャンシステム３００であり得る。ＣＴスキャンシステム３００は、広範囲の軸方向範囲、ガントリの高速回転速度、および高い空間分解能を提供するマルチスライスＣＴ（ＭＳＣＴ）システムであってもよい。あるいは、ＣＴスキャンシステム３００は、コーンビームジオメトリおよび面積検出器を利用して、高または低ガントリ回転速度で被験者の内部器官全体などのボリュームの撮像を可能にするボリュームＣＴ（ＶＣＴ）システムであってもよい。ＣＴスキャンシステム３００は、フレーム３０２と、患者１０２（図１参照）などの患者が移動することができる開口３０６を有するガントリ３０４とを備えて示されている。患者テーブル３０８は、典型的には線形位置決めサブシステム２１８（図２参照）によるテーブル３０８の線形変位を介して、患者１０２の移動を容易にするためにフレーム３０２およびガントリ３０４の開口３０６に位置決めされ得る。ガントリ３０４は、１つまたは複数の焦点３１２からＸ線放射を放出するＸ線管などの放射源３１０と共に示されている。心臓撮像の例では、放射流は、心臓を含む患者１０２の断面に向けられる。

典型的な動作では、Ｘ線源３１０は、焦点３１２から検出器アレイ３１４に向かってＸ線ビームを投影する。鉛またはタングステンシャッタなどのコリメータ２０４（図２参照）は、典型的には、Ｘ線源３１０から出るＸ線ビームのサイズおよび形状を画定する。検出器３１４は、一般に、心臓または胸部などの患者１０２の関心領域の周囲を通過するＸ線を検出する複数の検出器素子によって形成される。各検出器素子は、ビームが検出器に当たるときに素子の位置でのＸ線ビームの強度を表す電気信号を発生する。あるいは、エネルギー弁別型の光子計数型ＣＴシステムでは、各検出器素子は、１つまたは複数のエネルギービンの取得間隔中に検出された光子の計数を生成する。ガントリ３０４は、複数の放射線ビューがコンピュータ２２６（図２参照）によって収集され得るように、関心患者１０２の周囲で回転する。

したがって、Ｘ線源３１０および検出器３１４が回転すると、検出器３１４は、減衰したＸ線ビームに関するデータを収集する。次いで、検出器３１４から収集されたデータは、前処理および較正を受けてデータを調整し、スキャンされた物体の減衰係数の線積分を表す。次に、一般に投影または投影データと呼ばれる処理されたデータは、フィルタリングおよび逆投影され、スキャンされた面積の画像を定式化することができる。定式化された画像は、特定のモードでは、ガントリ３０４の３６０度未満または３６０度以上の回転の投影データを組み込んでもよい。

再構成されると、図２～図３のシステムによって生成された画像は、患者１０２の内部特徴３１６を明らかにする。病状、より一般的には医学的状態またはイベントの診断のための従来のアプローチでは、放射線技師または医師は、典型的には、関心のある特性的特徴を認識するために再構成画像３１８を考慮する。心臓撮像では、そのような特徴３１６は、個々の開業医のスキルおよび知識に基づいて、冠動脈または関心のある狭窄病変、および画像で認識可能な他の特徴を含む。他の分析は、一般にコンピュータ支援検出またはコンピュータ支援診断（ＣＡＤ）アルゴリズムと呼ばれるアルゴリズムを含む、様々なアルゴリズムの能力に基づき得る。

システム１００（図１参照）およびノイズ補正プラットフォーム１１４（図１参照）の動作は、特に、図４～図１１に示される例示的な論理を参照してより良好に理解され得る。

本明細書では、図４～図１１の例示的な方法の実施形態は、コンピューティングシステムまたはプロセッサにおけるコンピュータ実行可能命令の一般的な文脈で説明することができる。一般に、コンピュータ実行可能命令は、特定の機能を行い、または特定の抽象データ型を実装するルーチン、プログラム、物体、構成要素、データ構造、手順、モジュール、関数などを含むことができる。

加えて、図４～図１１の例示的な方法の実施形態はまた、有線および／または無線通信ネットワークを介してリンクされるリモート処理デバイスによって最適化機能が行われる分散コンピューティング環境で実施されてもよい。分散コンピューティング環境では、コンピュータ実行可能命令は、メモリ記憶デバイスを含む、ローカルおよびリモートコンピュータ記憶媒体の両方に位置することができる。

さらに、図４～図１１では、例示的な方法は、論理フローチャートのブロックの集合として示されており、ハードウェア、ソフトウェア、またはそれらの組合せで実装され得る動作を表している。行われる機能を示すために、様々な動作がブロックに示されている。ソフトウェアの文脈において、ブロックは、１つまたは複数の処理サブシステムによって実行されると、列挙された動作を行うコンピュータ命令を表す。

図４～図１１の例示的な方法が説明される順序は、限定として解釈されることを意図するものではなく、本明細書に開示される例示的な方法、または同等の代替の方法を実装するために、任意の数の説明されるブロックを任意の順序で組み合わせることができる。加えて、特定のブロックは、本明細書に記載の主題の精神および範囲から逸脱することなく、例示的な方法から削除されるか、または機能が追加された追加のブロックによって増強されてもよい。以下に例示される例示的な実施形態は医療撮像システムの文脈で説明されるが、産業用途におけるシステムおよび方法の使用も本明細書と併せて企図されることを理解されたい。

ここで図４を参照すると、撮像の方法の例示的な論理４００のフローチャートが示されている。本明細書の例示的な態様によれば、Ｘ線パイルアップの固有の統計的性質を組み込むモデルの使用を介してＰＣＣＴシステムの画質を向上させるための方法が提示される。方法４００は、図１～図３の構成要素を参照して説明される。また、特定の実施形態では、方法４００のステップを行うためにノイズ補正プラットフォーム１１４を用いることができる。

方法はステップ４０２で開始し、患者１０２、２０８などの患者のＣＴスキャンが行われ、患者２０８の１つまたは複数の解剖学的関心領域に対応するＣＴ投影データが取得される。例として、医療撮像システム２００は、Ｘ線減衰データを取得するように構成され、Ｘ線減衰データは、処理および／または再構成に使用される。取得された投影データは、患者２０８などの被験者の対象領域に対応するデータを表す。Ｘ線源２０２、３１０は、Ｘ線管、分散型Ｘ線源（固体または熱電子Ｘ線源など）、または医療もしくは他の画像の取得に適した任意の他のＸ線放射源であってもよいことに留意されたい。線源２０２によって生成されたＸ線２０６は、撮像または診断手順中に患者２０８が位置決めされる領域を横断する。一例では、Ｘ線２０６は、コリメータ２０４を介してコリメートされ、ビーム２０６を形成し得る。このビーム２０６は、撮像されたボリュームを通過し得る。Ｘ線放射２０６の一部２１０は、患者２０８（または別の関心被験者）を通過するか、またはその周囲を通過し、検出器２１２として概して表される検出器アレイに影響を与える。検出器２１２の検出器素子は、入射Ｘ線の一部２１０の強度を表す電気信号を発生する。これらの信号は、患者２０８内の特徴の画像を表すために取得および処理される。また、これらの画像は、一般に、「投影画像」または「投影ビュー」と呼ばれ、患者２０８に対するＸ線源２０２および検出器２１２の多くの異なる回転角度で取得された投影データに対応する。逆に、産業用ＣＴシステムでは、Ｘ線源２０２および検出器２１２は固定されたままであり、物体は回転して投影ビューを生成する。さらに、これらの投影画像はサイノグラムに組み合わされ、サイノグラムは、複数のビューを単一のデータセットに収集する。参照番号４０４は、一般に、ステップ４０２で取得された測定サイノグラムデータを表す。

さらに、ステップ４０６において、順モデル４０８が定式化または生成される。特に、順モデル４０８は、撮像システム１００、２００の挙動または１つまたは複数の特性を表す。具体的には、統計的反復再構成（ＳＩＲ）アルゴリズムの各反復中、順モデル４０８を用いて再構成画像を処理し、推定サイノグラムを生成する。

したがって、撮像システム１００、２００、より具体的には、ノイズ補正プラットフォーム１１４は、撮像システム２００の検出器２１２のパイルアップ特性およびデッドタイム特性を取得するように構成される。加えて、ノイズ補正プラットフォーム１１４はまた、撮像システム２００のシステム特性を取得するように構成される。一実施形態では、順モデル４０８は、システム特性に基づいて撮像システム１００、２００の挙動をモデル化することによって生成される。順モデル４０８のこの実施形態の定式化については、図６を参照してより詳細に説明する。特定の他の実施形態では、順モデル４０８は、例えば、パイルアップ特性、デッドタイム特性、システム特性、測定されたシステム挙動、またはそれらの組合せに基づいて撮像システム１００、２００の挙動をモデル化することによって生成される。順モデル４０８のこの実施形態の定式化については、図７を参照してより詳細に説明する。

さらに、ステップ４１０によって示されるように、推定画像が初期化され得る。一実施形態では、推定画像は、すべてのピクセルを「１」に設定することによって初期化することができる。他の実施形態では、フィルタリングされた逆投影画像を使用して、推定画像を初期化することができる。参照番号４１２は、一般に、推定画像を表し得る。続いて、ステップ４１４において、推定サイノグラム４１６が推定画像４１２および順モデル４０８に基づいて生成される。

理解されるように、推定サイノグラム４１６は、再構成画像を生成するために用いられる。ＳＩＲプロセスでは、再構成が完了したときに結果として得られる再構成画像は、高品質の画像であることが望ましい。したがって、推定サイノグラム４１６は、高品質の再構成画像の生成を促進するために、測定サイノグラム４０４に直接匹敵することが望ましい。したがって、推定サイノグラム４１６は、測定サイノグラム４０４と比較される。この比較に基づいて、推定サイノグラム４１６を後続の反復で測定サイノグラム４０４により類似させるのを支援する更新された推定／再構成画像を算出することが望ましいとされ得る。

したがって、ステップ４１８によって示されるように、推定画像４１２に対する１つまたは複数の画像更新４２４が計算される。そのために、推定サイノグラム４１６は、測定サイノグラム４０４と比較される。特に、推定サイノグラム４１６と測定サイノグラム４０４との間の統計的に重み付けされた差が決定される。一実施形態では、統計的モデルを用いて、推定サイノグラム４１６と測定サイノグラム４０４との間の統計的に重み付けされた差を決定する。続いて、推定サイノグラム４１６と測定サイノグラム４０４との間の統計的に重み付けされた差に基づいて、推定画像４１２に対する更新が算出される。

上述したように、統計的モデルを用いて、推定サイノグラム４１６と測定サイノグラム４０４との間の統計的に重み付けされた差を決定する。したがって、ステップ４２０によって示されるように、統計的ノイズモデルが生成される。一実施形態では、統計的ノイズモデルは、適用されたＸ線強度２０６および撮像システム２００の検出器２１２の統計的挙動に基づいて生成される。特定の例では、統計的モデルは、パイルアップを伴う検出器のパイルアップ特性およびデッドタイム特性に基づいて生成される。さらに、統計的モデルは、検出器２１２のパルス応答に基づいてもよい。

さらに、特定の実施形態では、統計的モデルの少なくとも１つのパラメータは、２つ以上の隣接する検出器チャネルに対応する検出器測定値、２つ以上のエネルギービンに対応する検出器測定値、またはそれらの組合せに基づいて推定される。特定の他の実施形態では、統計的モデルの少なくとも１つのパラメータは、反復的に推定され得る。また、さらに別の実施形態では、統計的モデルの少なくとも１つのパラメータは、ノイズ除去手法、分散低減手法、深層ニューラルネットワーク、またはそれらの組合せに基づいて推定され得る。

理解されるように、反復プロセスでは、サイノグラムが推定され、測定サイノグラムと比較される。加えて、推定サイノグラムと測定サイノグラムとの間の差に基づいて画像を更新する方法を決定するために、重みが使用される。特に、推定サイノグラムと測定サイノグラムとの間の差は、すべて同じように重要ではない。高計数のピクセルは、低計数のピクセルよりも信号対ノイズ比が高くなる。したがって、高計数ピクセルは、画像にとってより重要である。したがって、比較では、高計数ピクセルにより高い重みが割り当てられる。具体的には、統計的モデルを用いて、各ピクセルに割り当てる必要がある重みの量を決定する。さらに、パイルアップが存在する場合、ノイズモデルはポアソン分布でなくなる。したがって、特定の検出器のパイルアップ挙動に基づいて測定された所与の計数数に対して、正確なノイズを計算することが望ましい。

本明細書の態様によれば、統計的モデルは、検出器２１２の測定計数の平均および分散の補正を提供するように構成される。また、ノイズは、従来の二項ノイズ、ポアソンノイズ、またはガウスノイズに対する補正としてモデル化されることに留意されたい。

また、統計的ノイズモデルは、１つまたは複数の統計的重み付け係数４２２を含む。これらの統計的重み付け係数４２２を用いて、推定サイノグラム４１６と測定サイノグラム４０４との間の統計的に重み付けされた差を決定する。ステップ４２０の統計的モデルの生成については、図８～図１０を参照してより詳細に説明する。

さらに、本明細書の態様によれば、Ｘ線パイルアップの固有の統計的性質は、ＰＣＣＴ撮像の統計的画像再構成または物質分解のための反復アルゴリズムのノイズモデルに組み込まれる。特に、パイルアップを伴う検出器の統計的挙動の例示的なノイズモデルは、ＳＩＲアルゴリズムの最適化ステップで目的関数に組み込まれ、それによってノイズの最適化および再構成画像のアーチファクトの低減の少なくとも１つを行う。更新を決定するステップは、典型的には、目的関数、例えば、重み付き最小二乗コスト関数または対数尤度関数の最適化として行われる。推定サイノグラム４１６が測定サイノグラム４０４とより密接に一致するほど、目的関数がその最適値に近づくことに留意されたい。

特定の実施形態では、統計的重み付け係数４２２は、目的関数を計算する際に使用される重み付け係数のセットと共に含まれてもよい。これらの重みは、モデルと測定値を相互に比較することができる異なる特徴を表す。異なる係数をコスト関数に組み込み、重み付け係数を最適化することによって、結果として得られる画像を最適化し、所望の画質を得ることができる。最適化ステップ中に統計的ノイズモデルを目的関数に組み込むことで、それぞれの測定における統計的不確実性を考慮することによって、再構成画像のノイズの最適化およびアーチファクトの低減の少なくとも１つの効果をエミュレートする。さらに、一実施形態では、パイルアップ補正は、測定サイノグラム４０４に適用することができる。他の実施形態では、パイルアップ補正は、順モデル４０８に直接組み込まれてもよい。代替の実施形態では、統計的重み付け係数４２２は、データの忠実度に関する重みで置き換えることができる。例えば、重みは測定におけるパイルアップの量を示すことができ、パイルアップの量が多い場合は重みが低く、パイルアップの量が少ない場合は重みが高くなる。

統計的ノイズモデルまたは統計的重み付け係数４２２を介したステップ４１８の処理の前に、１つまたは複数の画像更新４２４が生成される。上述したように、画像更新４２４は、推定サイノグラム４１６と測定サイノグラム４０４との間の統計的に重み付けされた差に基づいて決定される。画像更新４２４の決定については、図１１を参照してより詳細に説明する。

画像更新４２４が決定されると、推定画像４１２は、更新された推定画像を生成するために決定された更新４２４に基づいて更新される。推定画像を更新する前に、ステップ４２６によって示されるように、決定された画像更新４２４が収束したかどうかを確認するためにチェックが実行される。一例では、画像更新４２４の収束は、決定された画像更新４２４またはその関数を決定された閾値と比較することによって確認され得る。

ステップ４２６において、画像更新４２４が収束していないと決定される場合、推定画像４１２は、ステップ４２８によって示されるように、決定された画像更新４２４を使用して更新され、更新された推定画像を生成する。次に、制御はステップ４１４に移動する。

ステップ４１４～４２８は、決定された画像更新４２４が収束するまで反復的に繰り返され得る。第１の反復では、推定画像４１２はステップ４１４～４２８の反復プロセスへの入力として機能し、更新された推定画像はステップ４１４～４２８の反復プロセスへの出力として生成されることに留意されたい。したがって、後続の反復のために、更新された推定画像は、ステップ４１４～４２８の反復プロセスへの入力として機能する。

しかし、ステップ４２６において、画像更新４２４が収束したと決定される場合、推定画像４１２は更新されない。また、ステップ４３０において、推定画像４１２は、最終再構成画像として出力されてもよい。一例では、最終再構成画像は、図１のディスプレイ１１８などのディスプレイ上で視覚化され得る。そのように生成された推定画像は、推定サイノグラム４１６と測定サイノグラム４０４の最良の一致を提示する最終再構成画像を表す。加えて、この再構成画像は、ノイズおよび／または画像アーチファクトの影響が例示的な統計的ノイズモデルの使用により最適化／低減された高品質の画像を表す。臨床医は、この再構成画像を使用して、患者２０８の診断を行い、患者２０８に処置計画を提案し、かつ／または進行中の処置計画の有効性を研究することができる。

図５は、別の撮像の方法の例示的な論理のフローチャート５００を表す。本明細書の例示的な態様によれば、Ｘ線パイルアップの固有の統計的性質を組み込むモデルの使用を介してＰＣＣＴシステムの画質を向上させるための別の方法が提示される。図５の方法５００は、図４に示された方法４００と実質的に同様である。しかし、方法５００では、測定サイノグラムは、パイルアップモデルに基づいてパイルアップに対して補正され、パイルアップ補正された測定サイノグラムは、推定画像への更新を計算するために使用される。方法５００は、図１～図３の構成要素を参照して説明される。さらに、特定の実施形態では、方法５００のステップを行うためにノイズ補正プラットフォーム１１４を用いることができる。

方法５００はステップ５０２で開始し、患者２０８のＣＴスキャンが行われ、患者１０２、２０８などの患者の１つまたは複数の解剖学的関心領域に対応するＣＴ投影データを取得する。取得された投影画像を組み合わせ、測定サイノグラム５０４を形成する。

加えて、図５の方法５００では、ステップ５０６において、測定サイノグラム５０４は、パイルアップのために補正される。一実施形態では、パイルアップモデル５０８を使用して、測定サイノグラム５０４のパイルアップ効果を補正し、パイルアップ補正サイノグラム５１０を生成する。

さらに、ステップ５１２において、順モデル５１４は、定式化または準備される。前述のように、ノイズ補正プラットフォーム１１４は、撮像システム２００の検出器２１２のパイルアップ特性およびデッドタイム特性、ならびに撮像システム２００のシステム特性を取得するように構成される。また、一実施形態では、順モデル５１４は、システム特性に基づいて撮像システム２００の挙動をモデル化することによって生成され、他の実施形態では、順モデル５１４は、限定はしないが、パイルアップ特性、デッドタイム特性、システム特性、測定されたシステム挙動、またはそれらの組合せなどのシステム考慮事項に基づいて、撮像システム２００の挙動をモデル化することによって生成される。

さらに、ステップ５１６によって示されるように、推定画像５１８が初期化され得る。一実施形態では、推定画像５１８は、すべてのピクセルを「１」に設定することによって初期化することができる。他の実施形態では、フィルタリングされた逆投影画像を使用して、推定画像５１８を初期化することができる。また、ステップ５２０において、推定サイノグラム５２２が推定画像５１８および順モデル５１４に基づいて生成される。

図４を参照して前述したように、推定サイノグラム５２２は、再構成画像を生成するために用いられる。したがって、推定サイノグラム５２２は、高品質の再構成画像の生成を促進するために、パイルアップ補正サイノグラム５１０に直接匹敵することが望ましい。したがって、特定の状況では、推定画像５１８に対する１つまたは複数の更新を決定することが望ましいとされ得る。

したがって、ステップ５２４によって示されるように、推定画像５１８に対する１つまたは複数の更新は、統計的モデルおよび測定されたパイルアップ補正サイノグラム５１０に基づいて計算される。そのために、方法５００の例では、推定サイノグラム５２２は、測定されたパイルアップ補正サイノグラム５１０と比較される。特に、推定サイノグラム５２２と測定されたパイルアップ補正サイノグラム５１０との間の統計的に重み付けされた差が決定される。

したがって、ステップ５２６において、統計的モデルが生成され、推定サイノグラム５２２と測定されたパイルアップ補正サイノグラム５１０との間の統計的に重み付けされた差を決定するために使用される。統計的モデルは、１つまたは複数の統計的重み付け係数５２８を含み、統計的重み付け係数５２８は、推定サイノグラム５２２と測定されたパイルアップ補正サイノグラム５１０との間の統計的に重み付けされた差を決定するために用いられる。図４を参照して前述したように、統計的モデルは、撮像システム２００の検出器２１２の統計的挙動に基づいて生成される。特定の例では、統計的モデルは、パイルアップを伴う検出器のパイルアップ特性およびデッドタイム特性に基づいて生成される。

図４を参照して前述したように、Ｘ線パイルアップの固有の統計的性質は、ＰＣＣＴ撮像の統計的画像再構成または物質分解のための反復アルゴリズムのノイズモデルに組み込まれる。特に、パイルアップを伴う検出器の統計的挙動の例示的な統計的ノイズモデルは、ＳＩＲアルゴリズムの最適化ステップで目的関数に組み込まれ、それによってノイズの最適化および再構成画像のアーチファクトの低減の少なくとも１つを行う。更新を決定するステップは、典型的には、目的関数、例えば、重み付き最小二乗コスト関数または対数尤度関数の最適化として行われる。推定サイノグラム５２２がパイルアップ補正サイノグラム５１０とより密接に一致するほど、目的関数がその最適値に近くなることに留意されたい。

特定の実施形態では、統計的重み付け係数５２８は、目的関数を計算する際に使用される重み付け係数のセットと共に含まれてもよい。これらの重みは、モデルと測定値を相互に比較することができる異なる特徴を表す。異なる係数をコスト関数に組み込み、重み付け係数を最適化することによって、結果として得られる画像を最適化し、所望の画質を得ることができる。最適化ステップ中に統計的ノイズモデルを目的関数に組み込むことで、それぞれの測定における統計的不確実性を考慮することによって、再構成画像のノイズを最適化する効果をエミュレートする。

加えて、推定サイノグラム５２２とパイルアップ補正サイノグラム５１０との間の統計的に重み付けされた差に基づいて、推定画像５１８に対する更新が算出される。統計的モデルまたは統計的重み付け係数５２８を介したステップ５２４の処理に続いて、１つまたは複数の画像更新５３０が生成される。

画像更新５３０が決定されると、現在の推定画像５１８は、更新された推定画像５１８を生成するために決定された更新５３０に基づいて更新される。推定画像を更新する前に、ステップ５３２において、決定された画像更新５３０が収束したかどうかを確認するためにチェックが実行される。一例では、画像更新５３０の収束は、決定された画像更新５３０またはその関数を決定された閾値と比較することによって決定され得る。

ステップ５３２において、画像更新５３０が収束していないと決定される場合、推定画像５１８は、ステップ５３４によって示されるように、決定された画像更新５３０を使用して更新され、更新された推定画像を生成する。また、制御はステップ５２０に移動する。

ステップ５１８～５３４は、決定された画像更新５３０が収束するまで反復的に繰り返され得る。前述のように、第１の反復では、推定画像５１８はステップ５１８～５３４の反復プロセスへの入力として機能し、更新された推定画像はステップ５１８～５３４の反復プロセスへの出力として生成される。したがって、後続の反復のために、更新された推定画像は、ステップ５１８～５３４の反復プロセスへの入力として機能する。

しかし、ステップ５３２において、画像更新５３０が収束したと決定される場合、ステップ５３６によって示されるように、推定画像は最終再構成画像として出力され得る。一例では、最終再構成画像は、図１のディスプレイ１１８などのディスプレイ上で視覚化され得る。そのように生成された推定画像は、パイルアップ補正サイノグラム５１０との最良の一致を提示する再構成画像を表す。この再構成画像は、ノイズおよび画像アーチファクトの少なくとも１つの影響が統計的ノイズモデルの使用により最適化／低減された、高品質の画像を表す。臨床医は、この再構成画像を使用して、患者２０８の診断を行い、患者２０８に処置計画を提案し、かつ／または進行中の処置計画の有効性を研究することができる。

図４～図５を参照して上述したように、順モデル４０８、５１４などの順モデルは、それぞれステップ４０６および５１２で生成される。図６～図７は、図４～図５の方法で使用する順モデルを生成する２つの方法を示している。

理解されるように、ＳＩＲアルゴリズムを介した取得された画像データの処理は、これらの再構成画像がＣＴスキャンに対応する測定サイノグラムのセットに最も一致する推定サイノグラムをもたらすように、再構成画像の生成を伴う。一例では、これらの再構成画像が、ＳＩＲ中に使用される統計的モデルに基づいてＣＴスキャンに対応する測定サイノグラムのセットに統計的に最も一致する推定サイノグラムをもたらすように、再構成画像を生成することが望ましい。特に、ＳＩＲアルゴリズムの各反復中、再構成画像は、順モデルを介して処理されて推定サイノグラムを生成する。順モデルは、撮像システム１００の既知のジオメトリおよび他の特性を含む。より具体的には、順モデルは、Ｘ線源から患者を通過してＣＴ撮像システムの検出器に衝突するＸ線の減衰をシミュレートする。

図６～図７は、図４～図５の撮像の方法４００、５００で使用する順モデルを生成する方法を提示する。一実施形態では、パイルアップ補正は、パイルアップモデルの使用を介して測定サイノグラムに適用することができる。この例では、順モデルを生成する方法は、パイルアップモデルを含まない。特定の他の実施形態では、パイルアップモデルは、順モデルに組み込むことができる。

次に図６を参照すると、図４のステップ４０６の順モデルを生成する方法を示すフローチャート６００が提示されている。方法６００は、図１～図５の構成要素を参照して説明される。さらに、特定の実施形態では、方法６００のステップを行うためにノイズ補正プラットフォーム１１４を用いることができる。

方法６００はステップ６０２で開始し、撮像システム１００に対応するシステム特性６０４が収集される。システム特性６０４のいくつかの非限定的な例は、線源から検出器までの距離、患者前置フィルタリング、Ｘ線源管電流および電圧、幾何学的効率、検出器物質および寸法、検出器電子機器の特性、様々な物質および寸法の物体を通るＸ線透過率などを含む。

さらに、ステップ６０６において、撮像システム１００の挙動は、システム特性６０４に基づいてモデル化される。参照番号６０８は、一般に、撮像システム１００のモデル化されたシステム挙動を表す。さらに、ステップ６１０によって示されるように、撮像システム１００の挙動を測定して、測定されたシステム挙動６１２を生成することができる。一例では、システム特性６０４の関数としてのＸ線計数率などの撮像システム１００の挙動は、システム制御設定（例えば、管電流および電圧）を代表値に調整し、撮像システム１００を実行して撮像システム１００から投影データを収集し、システム制御設定と投影データとの間の関係を定量化することによって測定され得る。撮像システム１００では、いわゆる撮像ファントムと呼ばれる、患者１０２の役割を果たす様々な物体を使用することができる。これらの撮像ファントムは、システム挙動を特徴付けるのを促進するために、特別に設計されてもよい。同様に、撮像システム１００の挙動はまた、異なる設定および物体特性を有する撮像システム１００の応答を予測するために、様々な分析的および数値的方法を使用してモデル化されてもよい。例えば、所与の厚さおよび物質組成の患者１０２を通るＸ線透過率は、Ｘ線エネルギースペクトルおよび物質のＸ線減衰係数の周知の値を使用してモデル化され得る。また、Ｘ線スペクトル自体は、モデルの結果であってもよいし、またはＸ線源２０２などの実際のＸ線源の出力から適切な機器を使用して測定されてもよいことに留意されたい。同様の方法を使用して、検出器２１２でのＸ線の吸収、蓄積エネルギーからの信号の生成、それらの信号のデジタルデータへの変換、および後続のデジタルデータの処理をモデル化することができる。

続いて、ステップ６１４において、順モデル６１６は、モデル化されたシステム挙動６０８および測定されたシステム挙動６１２の少なくとも１つに基づいて生成され得る。いくつかの実施形態では、順モデル６１６は、システム特性および物体性質の入力セットに基づいて、撮像システム１００の予測出力を計算するためのコンピュータ命令のセットを含む。より具体的には、一実施形態では、出力は、検出器２１２の各ピクセルで検出されたＸ線の予測数であり、特定のＸ線源設定、システムジオメトリ、ならびに患者の物質および寸法の入力に応じて、検出器電子機器のエネルギービンによって定義されるエネルギーまたはパルス高の範囲に分類される。モデル化されたシステム挙動６０８および測定されたシステム挙動６１２を組み合わせて、入力に基づいて出力を予測することができる。そのように生成された順モデル６１６は、パイルアップが順モデルへの入力として使用されない状況で用いられ得る。例えば、順モデル６１６は、図４の方法４００の順モデル４０８として使用されてもよい。

図７は、図５のステップ５１２の順モデル５１４などの順モデルを生成する方法を示すフローチャート７００である。また、方法７００は、図１～図６の構成要素を参照して説明される。さらに、一実施形態では、方法７００のステップを行うためにノイズ補正プラットフォーム１１４を用いることができる。

方法７００はステップ７０２で開始し、撮像システム１００に対応するシステム特性７０４が収集される。一例では、システム特性７０４は、線源から検出器までの距離、患者前置フィルタリング、Ｘ線源管電流および電圧、幾何学的効率、検出器物質および寸法、検出器電子機器の特性、様々な物質および寸法の物体を通るＸ線透過率などを含む。

さらに、ステップ７０６において、検出器特性７０８が収集される。特定の実施形態では、検出器特性７０８は、システム特性７０４の一部として収集され得ることに留意されたい。検出器特性７０８は、幾何学的効率、ピクセルサイズ、物質組成および対応するエネルギー吸収、電荷生成および輸送、電荷パルス形状、電子機器の帯域幅、電子機器のトリガ、デッドタイム特性など、検出器２１２のパイルアップ挙動に影響する特性を含み得る。

さらに、ステップ７１０において、撮像システム１００の挙動は、システム特性７０４および検出器特性７０８に基づいてモデル化される。参照番号７１２は、一般に、撮像システム１００のモデル化されたシステム挙動を表す。加えて、ステップ７１４によって示されるように、撮像システム１００の挙動を測定して、測定されたシステム挙動７１６を生成することができる。一例では、システム特性７０４の関数としてのＸ線計数率などの撮像システム１００の挙動は、システム制御設定（例えば、管電流および電圧）を代表値に調整し、撮像システム１００を実行して撮像システム１００から投影データを収集し、システム制御設定と投影データとの間の関係を定量化することによって測定され得る。撮像システム１００では、いわゆる撮像ファントムと呼ばれる、患者１０２の役割を果たす様々な物体を使用することができる。これらの撮像ファントムは、システム挙動を特徴付けるのを促進するために、特別に設計されてもよい。同様に、撮像システム１００の挙動はまた、異なる設定および物体特性を有する撮像システム１００の応答を予測するために、様々な分析的および数値的方法を使用してモデル化されてもよい。例えば、所与の厚さおよび物質組成の患者１０２を通るＸ線透過率は、Ｘ線エネルギースペクトルおよび物質のＸ線減衰係数の周知の値を使用してモデル化され得る。また、Ｘ線スペクトル自体は、モデルの結果であってもよいし、またはＸ線源２０２などの実際のＸ線源の出力から適切な機器を使用して測定されてもよいことに留意されたい。同様の方法を使用して、検出器２１２でのＸ線の吸収、蓄積エネルギーからの信号の生成、それらの信号のデジタルデータへの変換、および後続のデジタルデータの処理をモデル化することができる。

続いて、ステップ７１８において、順モデル７２０は、モデル化されたシステム挙動７１２および測定されたシステム挙動７１６の少なくとも１つに基づいて生成される。いくつかの実施形態では、順モデル７２０は、システム特性および物体性質の入力セットに基づいて、撮像システム１００の予測出力を計算するためのコンピュータ命令のセットを含む。より具体的には、一実施形態では、出力は、検出器２１２の各ピクセルで検出されたＸ線の予測数であり、特定のＸ線源設定、システムジオメトリ、ならびに患者の物質および寸法の入力に応じて、検出器電子機器のエネルギービンによって定義されるエネルギーまたはパルス高の範囲に分類される。モデル化されたシステム挙動７１２および測定されたシステム挙動７１６を組み合わせて、入力に基づいて出力を予測することができる。そのように生成された順モデル７２０は、パイルアップが順モデルへの入力として使用される状況で用いられ得る。例えば、順モデル７２０は、図５の方法５００の順モデル５１４として使用されてもよい。

図４～図５を参照して前述したように、統計的モデルを用いて、推定サイノグラムと測定サイノグラム、またはパイルアップ補正サイノグラムとの間の統計的に重み付けされた差を決定し、そのように決定された統計的に重み付けされた差は、推定画像に対する更新を決定するために用いられる。また、統計的モデルは、１つまたは複数の統計的重み付け係数を含む。特定の例では、統計的モデルは、パイルアップを伴う検出器のパイルアップ特性およびデッドタイム特性に基づいて生成される。代替の実施形態では、統計的重み付け係数は、データの忠実度に関する重みで置き換えることができる。例えば、重みは測定におけるパイルアップの量を示すことができ、パイルアップの量が多い場合は重みが低く、パイルアップの量が少ない場合は重みが高くなる。図８～図１０は、統計的モデルを生成する様々な方法を提示する。特に、ステップ４２０（図４参照）および５２６（図５参照）の統計的モデルの定式化は、図８～図１０を参照して説明される。

次に図８を参照すると、統計的モデルを定式化する１つの方法のフローチャート８００が提示されている。方法８００は、図１～図７の構成要素を参照して説明される。さらに、一実施形態では、方法８００のステップを行うためにノイズ補正プラットフォーム１１４を用いることができる。

方法はステップ８０２で開始し、撮像システム２００の検出器２１２のパイルアップ特性およびデッドタイム特性が収集される。参照番号８０４は、一般に、検出器２１２のパイルアップ特性およびデッドタイム特性を表す。前述のように、検出器２１２のパイルアップ特性およびデッドタイム特性８０４は、センサ出力パルス形状、電子機器のパルス応答特性、電子機器のトリガロジックおよびタイミング、電子機器のトリガアーミング（デッドタイム）ロジックおよびタイミングなどを含み得る。

さらに、ステップ８０６によって示されるように、検出器２１２の応答挙動がモデル化される。また、ステップ８０８において、検出器２１２の応答挙動が測定される。一例では、システム特性の関数としてのＸ線計数率などの撮像システム１００の挙動は、システム制御設定（例えば、管電流および電圧）を代表値に調整し、撮像システム１００を実行して撮像システム１００から投影データを収集し、システム制御設定と投影データとの間の関係を定量化することによって測定され得る。撮像システム１００では、いわゆる撮像ファントムと呼ばれる、患者１０２の役割を果たす様々な物体を使用することができる。これらの撮像ファントムは、システム挙動を特徴付けるのを促進するために、特別に設計されてもよい。同様に、撮像システム１００の挙動はまた、異なる設定および物体特性を有する撮像システム１００の応答を予測するために、様々な分析的および数値的方法を使用してモデル化されてもよい。例えば、所与の厚さおよび物質組成の患者１０２を通るＸ線透過率は、Ｘ線エネルギースペクトルおよび物質のＸ線減衰係数の周知の値を使用してモデル化され得る。また、Ｘ線スペクトル自体は、モデルの結果であってもよいし、またはＸ線源２０２などの実際のＸ線源の出力から適切な機器を使用して測定されてもよいことに留意されたい。同様の方法を使用して、検出器２１２でのＸ線の吸収、蓄積エネルギーからの信号の生成、それらの信号のデジタルデータへの変換、および後続のデジタルデータの処理をモデル化することができる。

現在、測定計数の関数としてのノイズの反復プロセスで使用するノイズモデルが利用可能である。現在利用可能なノイズモデルの一例では、検出器のパイルアップ挙動は、較正手順を介して特徴付けることができ、検出器は、Ｘ線ビーム内の物質組成の様々な組合せに対して、動作範囲全体をカバーする代表的な束条件にさらされる。

さらに、各条件において、計数の平均および分散を集計し、以下のように関数形式で表すことができる：
ｍ（ｎ；ｐ） （１）
式中、ｍは、測定された計数数であり、ｎは、ビュー時間、Ｘ線源ｋＶｐおよびｍＡ、コリメーションなどのパラメータｐで指定された特定の条件の真の入射計数数である。

さらに、ｍ個の測定計数を有するピクセルの真の計数値および期待ノイズを決定するために、式（１）の関数を反転させることによって逆ルックアップテーブルを生成し、以下を得ることができる：

式中、

は、真の計数値の推定値である。

この逆ルックアップテーブルは、曲線近似を使用してデータをパラメータ化するか、線形もしくは非線形補間、または他の方法によって実装されてもよい。

別の例では、各エネルギービンｋおよび各検出器チャネルｃの公称計数ｎ＿ｋ、測定計数ｍ＿ｋ、および分散ｖ＿ｋからなる較正データのセットを得るために、較正実験が行われ得る。さらに、所与の検出器チャネルのこの較正データは、ルックアップテーブル、多項式などの分析式、またはニューラルネットワークの使用を介して、実際のエネルギービン測定値のセット｛ｍ＿ｋ｝を補正測定値のセット｛ｃ＿ｋ｝および分散のセット｛ｖ＿ｋ｝に変換するために使用され得る。

真の計数値ｎおよびその分散σ^２は、上記の変換方法に基づいて測定計数値ｍから推定することができるが、実際の応用におけるそのような推定は、単一のノイズのある測定値からのみ行うことができることに留意されたい。その結果、推定計数値

および推定分散

もまた、統計的ノイズの影響を受ける。推定分散

のノイズは、通常、推定計数値

の統計的ノイズと高い相関があり、反復的に再構成された画像に体系的な偏りをもたらす可能性がある。この問題はすべてのＣＴシステムに存在し、各個々のエネルギービンで検出されるＸ線光子の数が同様の束レベルで動作する従来のエネルギー統合システムよりも少なくなるため、ＰＣＣＴシステムではより顕著になる可能性がある。

本明細書の態様によれば、ステップ８１０において、検出器挙動モデル８１２が生成され、検出器挙動モデル８１２は、現在利用可能な手法の欠点を回避するように構成される。検出器挙動モデル８１２は、モデル化された検出器応答挙動、測定された検出器応答挙動、検出器のパイルアップ特性、検出器のデッドタイム特性、またはそれらの組合せの少なくとも１つに基づいて生成される。検出器挙動モデル８１２は、推定分散

の精度を改善するのを支援することに留意されたい。

さらに、本明細書のさらなる態様によれば、パイルアップを伴う検出器の統計的挙動のモデル（検出器挙動モデル８１２）が生成され、ＳＩＲプロセスなどの反復アルゴリズムの最適化ステップで目的関数に組み込まれる。最適化ステップにおいてパイルアップを伴う検出器の検出器挙動モデルを目的関数に組み込むことで、それぞれの測定における統計的不確実性を考慮することによって、再構成画像のノイズの最適化およびアーチファクトの低減の少なくとも１つを支援する。

理解されるように、従来から、分散σ^２は、単一の測定値ｍから推定される。本明細書の態様によれば、一実施形態では、分散σ^２は、以下のように複数の隣接する検出器チャネルから推定される：

式中、ｉは、検出器セルインデックスを示し、ｆ（・）は、推定量であり、パラメータｐは、式（１）に列挙されるパラメータと同様である。

さらに、推定量ｆ（・）は、分散

を推定する前に、ノイズ除去フィルタ（ボックスカーフィルタ、ガウスフィルタ、または他のより高度なフィルタなど）またはニューラルネットワークを測定データｍ_ｉに適用することができる。その結果、推定分散

のノイズは低減され得、推定計数値

のノイズとの相関も低減され得る。推定量ｆ（・）は、空間的に適応可能であり、比較的均一なサイノグラム領域でより強いノイズ除去強度を適用するように構成することができる。

本明細書の別の実施形態によれば、単一の測定値ｍから分散σ^２を推定する代わりに、分散σ^２は、以下のように所与のピクセルの複数のエネルギービンから推定され得る：

式中、ｋは、エネルギービンインデックスを示し、ｇ（・）は、推定量であり、パラメータｐは、式（１）に列挙されるパラメータと同様である。

さらに、推定量ｇ（・）は、マルチエネルギーベクトルをＣＴシステムおよび関連する基礎物質物理内に存在する物質に関する事前知識を組み込んだ低次元主成分に適合させることによって、測定値ｍ_ｋのノイズを低減することができる。エネルギースペクトルドメイン法を、空間ドメイン法と組み合わせることもできる。

従来、分散σ^２は、測定サイノグラムから推定される。本明細書のさらに別の実施形態によれば、分散σ^２は、以下のように反復再構成プロセスによって生成される推定サイノグラムから推定することができる：

式中、

は、ｎ番目の反復で反復再構成プロセスによって生成された推定サイノグラムを示す。

したがって、検出器挙動モデル８１２は、推定分散の推定をより高い精度で促進する。そのような推定は、再構成画像の推定と共に、反復的に繰り返され得る。同様に、統計的重み付け係数を新たに推定された分散

に基づいて更新して統計的重み付け係数の精度を向上させ、最終再構成画像の偏りを減らすことも可能である。

ＳＩＲアルゴリズムの目的関数を定義する際に、重み付け係数のセットを使用することができることに留意されたい。これらの重みまたは重み付け係数は、モデルと測定値を相互に比較することができるメトリックを表す。重み付け係数をコスト関数に組み込み、コスト関数を最適化することによって、結果として得られる再構成画像は、ノイズおよび／または画像アーチファクトの低減に関してより望ましい画質を提供し得る。

コスト関数に組み込まれる係数の１つの例は、測定値のノイズ分散に基づく重み付け項である。この係数は、それぞれの測定における不確実性のレベルを考慮することによって、再構成画像のノイズまたはノイズに起因するアーチファクトを低減するのを支援する。さらに、検出器挙動モデル８１２の使用は、再構成画像のノイズをさらに低減するのを支援する。

理解されるように、ＰＣＣＴ撮像システムでは、光子が検出器と相互作用するときに個々のＸ線光子が記録される。不都合なことに、ＰＣＣＴ撮像システムは、特に高Ｘ線束での測定、ならびに／または患者およびＸ線源の患者前置フィルタ（ボウタイ）による減衰がほとんどないサイノグラムの領域での測定において、時間的に共に近すぎて到着するＸ線の計数が不完全になる。

記録される計数数にその影響を与えることに加えて、パイルアップは、ＣＴ投影のノイズにも影響を与える。ＣＴ投影データのノイズは、典型的には、ほぼポアソン分布に従ってＸ線束と共に増加し、これは、Ｘ線の数の分散（σ^２）がＸ線の予想数に等しいこと、より一般的には、測定値の分散がそれぞれの測定値の期待値に比例することを意味する。パイルアップが発生すると、計数数と計数の変動の両方が減少する。加えて、パイルアップが発生すると、ノイズはポアソン分布に従わなくなる。

極端なパイルアップを表す１つの例では、非麻痺型検出器の場合、すべてのピクセルが飽和し、同じ計数数をもたらす傾向がある。この場合、ノイズ分散は正確にゼロになる。また、この例では、検出器信号も意味のある強度情報を伝達することができない。より一般的には、パイルアップを伴う非麻痺型検出器でＸ線束が増加すると、ノイズは最初増加し、最大に達し、その後徐々にゼロまで減少する。

したがって、ステップ８１４において、１つまたは複数のノイズ補正係数８１６は、検出器挙動モデル８１２に基づいて決定される。ノイズ補正係数８１６は、測定値のノイズ分散に基づく重み付け項としてコスト関数に組み込まれる係数を表す。特に、ノイズ補正係数８１６は、それぞれの測定における不確実性のレベルを考慮することによって、再構成画像のノイズの低減を支援するように構成される。具体的には、ノイズは、ノイズ補正係数８１６によって乗算されてノイズの補正推定値を提供する。ノイズ補正係数８１６は、異なる入力、異なるピクセル、異なるエネルギー、および異なる計数率に対して異なる値を有し得ることに留意されたい。一実施形態では、ノイズ補正係数８１６は、計数率などの入力の関数であり、電子機器のデッドタイムのような撮像システム１００の特性などの複数のパラメータを有し、所与の計数率で生じるパイルアップの量を決定する。

パイルアップ比の関数としてのノイズ補正係数８１６の一般的な挙動のグラフ表示が、図１３に示されている。特定の実施形態では、ノイズ補正係数８１６は、最低計数率に対して１の値を有する。さらに、ノイズ補正係数８１６は、高い計数率でほぼ漸近的にゼロ値に近づく。

また、ステップ８２０によって示されるように、１つまたは複数の統計的重み付け係数８２２が決定される。特に、統計的重み付け係数８２２は、ノイズ補正係数８１６および光子統計モデル８１８に基づいて決定される。通常、光子到着統計は、二項、ポアソン、またはガウスのランダムプロセスとしてモデル化される。これらの統計的重み付け係数８２２は、推定画像に対する更新を算出するために使用され、それによって測定値の統計的変動性を考慮する。統計的重み付け係数を決定する一例については、図９のステップ９１４を参照してより詳細に説明する。

図９は、統計的モデルを定式化するための別の方法を示すフローチャート９００を提示する。方法９００は、図１～図８の構成要素を参照して説明される。また、特定の実施形態では、方法９００を行うためにノイズ補正プラットフォーム１１４を用いることができる。

方法９００はステップ９０２で開始し、撮像システム２００の検出器２１２のパイルアップ特性およびデッドタイム特性が収集される。参照番号９０４は、一般に、検出器２１２のパイルアップ特性およびデッドタイム特性を表す。前述のように、検出器２１２のパイルアップ特性およびデッドタイム特性９０４は、センサ出力パルス形状、電子機器のパルス応答特性、電子機器のトリガロジックおよびタイミング、電子機器のトリガアーミング（デッドタイム）ロジックおよびタイミングなどを含み得る。

さらに、ステップ９０６において、検出器２１２のパイルアップ特性およびデッドタイム特性９０４を用いて、検出器のピクセルにおける測定計数のシミュレートされたノイズを決定する。シミュレートされたノイズは、ノイズのグランドトゥルースとして機能する。特に、シミュレートされたノイズモデルは、パイルアップ特性およびデッドタイム特性９０４に基づいて決定され得る。さらに、撮像システム１００の１つまたは複数の構成に対応するノイズは、シミュレートされたノイズモデルに基づいてシミュレートされ得る。非限定的な例として、撮像システム１００のノイズ挙動は、臨床環境でもたらされる管電流、ｋＶｐ、患者のサイズなどの異なるパラメータについてシミュレートすることができる。

さらに、ステップ９０８によって示されるように、測定計数のノイズは、従来のノイズモデルの使用を介して測定され得る。従来のノイズモデルのいくつかの例は、ポアソンモデルまたはガウスモデルを含む。従来のノイズモデルは、パイルアップ特性および／またはデッドタイム特性を含まないことに留意されたい。

続いて、ステップ９１０において、シミュレートされたノイズが測定されたノイズと比較され、１つまたは複数のノイズ補正係数９１２を決定する。一例では、ルックアップテーブルを使用して、ノイズ補正係数９１２を決定することができる。また、ステップ９１４において、１つまたは複数の統計的重み付け係数９１８は、ノイズ補正係数９１２および従来のノイズモデル９１６に基づいて決定される。

本明細書の態様によれば、ノイズ補正係数９１２は、ノイズの「補正」値を生成するために使用される。したがって、ノイズ補正係数９１２を使用して測定されたノイズを補正し、ノイズの補正値を決定することができる。例として、
ノイズ補正＝（ノイズの従来のモデル）＊（ノイズ補正係数） （６）
前述のように、ノイズ補正係数９１２は、異なる入力、異なるピクセル、異なるエネルギー、および異なる計数率に対して異なる数である。より具体的には、ノイズ補正係数９１２は、計数率などの入力の関数であり、電子機器のデッドタイムのような撮像システム１００の特性などの複数のパラメータを有し、所与の計数率でパイルアップがどの程度発生するかを決定するのを支援する。

有利には、ノイズ補正係数９１２は、正確なノイズモデルのよりコンパクトな表現である。さらに、現在利用可能な反復再構成方法は従来のノイズモデルをすでに使用しているため、ごくわずかな変更で従来のノイズモデルに対する補正を追加し、より正確な結果を得ることができる。

光子計数型ＣＴ検出器の場合、検出器に到達するＸ線光子束が高いとき、検出器からの信号が検出器信号のパイルアップにより歪むことがある。従来、歪んだ信号を補正するために、物理的モデルベースの補正アルゴリズムが適用されてきた。しかし、典型的には、物理的モデルには多くの仮定があり、特に複雑なシステムに適用したとき、残留アーチファクトが生じる可能性がある。再構成画像を生成するために、モデルベースの反復再構成（ＭＢＩＲ）手法も用いられている。

一例では、統計的重み付け係数９１８は、パイルアップ効果の影響を受ける投影光線を軽量化するためにＭＢＩＲアルゴリズムで使用される。典型的には、ＭＢＩＲでは、信号の忠実度として解釈され得る統計的重み付け係数は、各投影光線に適用される。本明細書の態様によれば、強力なパイルアップ信号を含むピクセルは、最終再構成画像への対応する影響を低減するために、意図的に軽量化される。

吸収されたＸ線強度は、式（７）によって示されるポアソン分布に従う：

式中、λ_ｉは、投影光線（またはピクセル）ｉの吸収されたＸ線の数であり、Ｉ_ｉは、入射Ｘ線の強度であり、ｙ_ｉは、投影光線（またはピクセル）ｉのＸ線投影値（減衰係数と長さの積の積分）である。

さらに、再構成問題は、ペナルティ付き対数尤度関数を最大化することによって表すことができる：

式中、Ｗは、ポアソンノイズを仮定した場合の検出器計数に比例する統計的重み付け係数を表し、ｙは、投影データであり、Ａは、システム行列であり、ｘは、推定画像データであり、Ｕは、画像正則化関数である。

信号がパイルアップによって破損したとき、物理的モデルベースのパイルアップ補正を使用して、最初にパイルアップ信号を補正することができる。物理的モデルベースのパイルアップ補正のいくつかの例を、式（９）および（１０）に提示する。

続いて、問題は、以下のように定式化され得る：

さらに、変調関数を重みに適用し、破損した投影光線からの寄与をさらに低減することができる。したがって、パイルアップの残留を減らすことができる。変調関数のいくつかの例を、式（１２）および（１３）に提示する。

ｙ_{ｒｅｓｃａｌｅ}＝ｆ（ｙ_ｃｏｒｒ） （１２）
Ｗ_{ｒｅｓｃａｌｅ}＝ｆ（Ｗ_ｃｏｒｒ） （１３）
さらに、本明細書のさらなる態様によれば、統計的重み付け係数は、任意の測定値に適合するように適応的に調整され得る。理解されるように、光子計数の増加は、パイルアップの影響の重症度の増加をもたらす。本明細書の態様によれば、これらの投影光線の統計的重み付け係数は、これらの光線の重み付けを減少させるために低減され得る。特に、スケーリング関数は、検出された信号レベルに基づいて決定され得る。さらに、このスケーリング関数を使用して、測定値に基づいて統計的重み付け係数を適応的に調整し、再構成画像におけるパイルアップアーチファクトを抑制することができる。

１つの非限定的な例では、式（１４）および（１５）のスケーリング関数が使用され得る。式（１４）および（１５）は閾値を一定値として提示するが、閾値はデッドタイムに基づいて決定することができ、それに応じて最適化され得ることに留意されたい。

しかし、他のスケーリング関数も使用することができる。さらに、極端な場合では、パイルアップ破損した投影光線の重みは、完全に放棄されてもよい。また、パイルアップによる悪影響を受けていない投影光線の統計的重み付け係数は、アーチファクトをさらに抑制するために意図的にブーストされる場合がある。さらに、異なる検出器アーキテクチャのパイルアップ挙動は異なる場合があることに留意されたい。したがって、閾値は、異なる撮像システムごとに調整され得る。

加えて、特定の実施形態では、投影光線の統計的重み付け係数のさらなる調整を容易にするために、遷移点が決定されてもよい。さらに、スケーリング関数は、決定された遷移点の上下で異なるように設計することができる。特定の実施形態では、統計的重み付け係数は、データの忠実度に関する重みで置き換えることができる。例えば、重みは測定におけるパイルアップの量を示すことができ、パイルアップの量が多い場合は重みが低く、パイルアップの量が少ない場合は重みが高くなる。

ここで図１０を参照すると、統計的モデルを定式化するためのさらに別の方法を示すフローチャート１０００が提示されている。方法１０００は、図１～図９の構成要素を参照して説明される。また、特定の実施形態では、方法１０００を行うためにノイズ補正プラットフォーム１１４を用いることができる。

方法はステップ１００２で開始し、撮像システム２００の検出器２１２のパイルアップ特性およびデッドタイム特性が収集される。参照番号１００４は、一般に、検出器２１２のパイルアップ特性およびデッドタイム特性を表す。前述のように、検出器２１２のパイルアップ特性およびデッドタイム特性は、センサ出力パルス形状、電子機器のパルス応答特性、電子機器のトリガロジックおよびタイミング、電子機器のトリガアーミング（デッドタイム）ロジックおよびタイミングなどを含み得る。

さらに、ステップ１００６において、検出器２１２のパイルアップ特性およびデッドタイム特性を用いて、検出器２１２のパイルアッププロセスをシミュレートまたは測定する。一例では、Ｘ線吸収事象による電荷の生成および生成された電荷の収集電極への輸送をシミュレートすることによって、パイルアップをシミュレートすることができる。さらに、読み出し電子機器の応答を使用して、複数のＸ線が時間的に接近して到着したときに撮像システム１００がどのように応答を記録するかを決定することができる。このプロセスは、異なる想定される計数率に対して実行することができる。実際のシステムのパイルアッププロセスは、Ｘ線束のレベルを上げてシステムを操作し、出力を記録または特徴付けることによって測定され得る。

さらに、ステップ１００８において、１つまたは複数のパイルアップ補正メトリック１０１２が決定される。特に、パイルアップ補正メトリック１０１２は、検出器信号１０１０に基づいて決定される。１つまたは複数のパイルアップ補正メトリック１０１２のいくつかの非限定的な例は、パイルアップ比、パイルアップに対して補正された信号、パイルアップに対応する欠陥信号、またはそれらの組合せを含む。また、一例では、ルックアップテーブルを使用して、検出器信号１０１０に基づいてパイルアップ補正メトリック１０１２を決定することができる。続いて、ステップ１０１４において、１つまたは複数の統計的重み付け係数１０１６は、１つまたは複数のパイルアップ補正メトリック１０１２に少なくとも基づいて決定される。

本明細書の態様によれば、図８～図１０を参照して説明した統計的ノイズモデルを決定する他の方法に加えて、統計的ノイズモデルも測定計数の関数として決定することができる。特に、統計的ノイズモデルは、パイルアップの物理に基づいてパラメトリック統計的モデルを導出することによって決定され得る。非麻痺型検出器の場合、平均の計数数をノイズレベルに関連付ける固有のマッピングが存在する。このマッピングは、測定計数と対応するノイズレベルとの間の関係を提供するルックアップテーブルとして実装することができる。次に、ピクセルのモデルパラメータは、較正測定からパイルアップモデルへのデータのパラメトリック適合を行うことによって決定され得る。

さらに、このパラメトリックモデルは、ＰＣＣＴ撮像システムの検出器の実際の挙動を正確に記述することが望ましい。一般的に使用される理想的な非麻痺型検出器モデルであるパイルアップの単純なモデルは、光子の相互作用が時間的にゼロの広がりを有する検出器電子機器のパルスに変換されるという仮定に基づいている。しかし、このアプローチは単純すぎであり、低い計数率と高い計数率の両方で実際の光子計数型検出器の挙動を正確に予測することができない。

本明細書の態様によれば、パルスが有限の持続時間を有すると仮定することによって、より正確なモデルを導出することができる。この例では、測定計数の平均μおよび分散σ^２は、以下のように与えられる：

式中、λは、真の計数率を示し、ｔは、測定時間を示し、τは、カウンタのデッドタイムを示し、τ_ｓは、新しい事象によって連続するデッドタイムがトリガされるデッドタイムτの割合を示す。

図４～図５を参照して前述したように、推定画像に対する更新は、統計的モデルおよび推定サイノグラムに基づいて計算／決定される。図１１は、統計的モデルおよび推定サイノグラムに基づいて推定画像に対する更新を決定／計算する方法を提示する。特に、ステップ４１８（図４参照）および５２４（図５参照）の統計的モデルに基づいて推定画像に対する更新を決定することは、図１１を参照して説明される。

図１１は、推定画像に対する１つまたは複数の更新を計算するための方法を示すフローチャート１１００である。方法１１００は、図１～図１０の構成要素を参照して説明される。また、特定の実施形態では、方法１１００を行うためにノイズ補正プラットフォーム１１４を用いることができる。

理解されるように、ＳＩＲプロセス中、推定サイノグラムは、測定サイノグラムと比較される。さらに、この比較に基づいて、推定画像に対する更新を計算することが望ましいとされ得る。次に、計算された更新は、更新された再構成画像を生成するために使用される。この更新された再構成画像は次いで、反復プロセスの後続の反復中に測定サイノグラムにより良好に一致する更新された推定サイノグラムを生成するために使用される。

したがって、方法１１００はステップ１１０６で開始し、推定サイノグラム１１０２が測定サイノグラム１１０４と比較される。ステップ１１０８によって示されるように、推定サイノグラム１１０２と測定サイノグラム１１０４との間の統計的に重み付けされた差１１１２が計算される。より具体的には、統計的に重み付けされた差１１１２は、統計的重み付け係数１１１０に基づいて決定される。前述のように、１つまたは複数の統計的重み付け係数１１１０を有する統計的モデルを使用して、統計的に重み付けされた差１１１２を計算する。

続いて、ステップ１１１４によって示されるように、推定画像に対する少なくとも１つの画像更新１１１６は、統計的に重み付けされた差１１１２に基づいて計算される。この更新ステップは、典型的には、目的関数の最適化として行われる。例えば、目的関数は、重み付き最小二乗コスト関数または対数尤度関数を含み得る。反復ＳＩＲプロセス中、推定サイノグラムが測定サイノグラムとより密接に一致するほど、目的関数がその最適値に近くなることに留意されたい。

次に図１２を参照すると、パイルアップ比のグラフ表示１２００が示されている。参照番号１２０２は、Ｘ軸を表し、Ｙ軸は、参照番号１２０４によって表される。さらに、参照番号１２０６は、一般に、入力計数率に対するパイルアップ比の依存性をグラフで表す。パイルアップ比は、出力計数または計数率を入力計数または計数率で割った比である。また、パイルアップ比は、パイルアップノイズ補正をコンパクトにパラメータ化するための有用な値である。

一実施形態では、パイルアップ比は、出力計数の数を入力計数の数で割ったものとして計算または測定される。低束においては、出力計数は入力計数に等しく、したがって、パイルアップ比は１に等しくなる。計数率が増加してパイルアップが発生すると、一部の計数が失われ、パイルアップ比が低下する。非常に高い計数率では、出力が飽和またはゼロに低下するため、パイルアップ比はゼロになる。パイルアップ比は重みを生成するために使用され得、次に図４および図５で特徴付けられたプロセスで推定画像に対する更新を生成するために使用され得ることに留意されたい。

図１３は、パイルアップ比の関数としてのノイズパイルアップ補正係数のグラフ表示１３００である。Ｘ軸は、参照番号１３０２によって表され、パイルアップ比を示し、Ｙ軸は、参照番号１３０４によって表され、ノイズ補正係数などの補正係数の振幅を示す。さらに、参照番号１３０６は、一般に、パイルアップ補正係数を表す。また、参照番号１３０８は、パイルアップ比がゼロに近づくときの補正係数の線形挙動を示すために、パイルアップ補正係数の線形外挿を表す。特定の実施形態では、各ピクセルからの投影データは、そのピクセルのパイルアップ比に基づいて、値がグラフ表示１３００によって例示されているパイルアップ補正係数によって乗算される。

図１３に示されるように、パイルアップ補正係数は、パイルアップ比がゼロの場合は１に等しくなる。測定計数またはノイズに１を乗算すると、元の値が得られる。したがって、低いパイルアップ比に対する補正は、計数またはノイズを変更しない。次に補正は、ほぼ線形の挙動で低下する。パイルアップ比が非常に高い場合、補正係数はゼロに近づき、それによって補正値がゼロに近づくことを示す。これらの両極端の間で、補正係数は多かれ少なかれ多項式のような挙動で滑らかに変化する。

本明細書のさらなる態様によれば、反復画像再構成の文脈で説明されている図４～図１１の方法は、基礎物質分解の文脈にも適用され得る。基礎物質分解の例では、いくつかのエネルギービン測定値またはサイノグラムから、多数の基礎物質サイノグラム（または代替として単色サイノグラム）を推定することが望ましい。エネルギービン測定値はパイルアップ用に事前に補正されてもよいし、またはパイルアップを物質分解（ＭＤ）モデルに組み込んでもよい。推定された基礎物質サイノグラムのセットを使用して、推定されたエネルギービンサイノグラムのセットを算出するように順ＭＤモデルが構成される。これらの推定されたエネルギービンサイノグラムは、測定されたエネルギービンサイノグラムと比較される。重み付き最小二乗コスト関数などの目的関数を使用して、反復更新ステップを定義する。

したがって、本明細書の実施形態は、順投影および／または統計的重み付けで正確な統計的モデルを適用することによって、ＰＣＣＴ撮像システムの反復再構成および／または物質分解の画質を向上させる撮像のためのシステムおよび方法を提供する。特に、上述の撮像のためのシステムおよび方法では、Ｘ線パイルアップの固有の統計的性質は、ＰＣＣＴ撮像システムの統計的画像再構成または物質分解のための反復アルゴリズムのノイズモデルに組み込まれる。

さらに、システムおよび方法は、ＰＣＣＴ撮像システムによって生成される最終再構成画像の画像アーチファクトを低減するために、パイルアップ効果の影響を受ける投影光線を選択的に軽量化し、一方でパイルアップのない投影光線は比較的ブーストされるように構成される。さらに、統計的重み付け係数は、パイルアップ補正のために適応的に調整することができ、それによってＰＣＣＴ撮像システムによって生成される画像の画像アーチファクトの低減を促進する。システムおよび方法は、ＰＣＣＴ撮像システムのパイルアップ破損した信号を効果的に補正するように構成される。開示された方法は、総検出計数、１つまたは複数のエネルギービンの計数、１つまたは複数のエネルギービンの検出計数の加重合計、ならびに物質分解方法および／または単一エネルギーの処理方法が適用されるときに発生する計数などの処理された計数の１つまたは複数に対応する投影データを提供するＰＣＣＴシステムに適用することができる。本システムおよび方法によって提供される改善された画質は、ＰＣＣＴ撮像システムでの使用の増加を可能にするであろう。

本システムの特定の構成要素、例えば特に処理サブシステム１１２およびノイズ補正プラットフォーム１１４によって行われ得る上述の例、実証、およびプロセスステップは、プロセッサベースのシステム上の適切なコードによって実装され得ることに留意されたい。プロセッサベースのシステムは、例えば、汎用または専用のコンピュータを含むことができる。また、本明細書の異なる実装は、本明細書に記載のステップの一部またはすべてを異なる順序で、または実質的に同時に行ってもよいことに留意されたい。

さらに、これらの機能は、限定はしないが、Ｒｕｂｙ、ハイパーテキストプリプロセッサ（ＰＨＰ）、Ｐｅｒｌ、Ｄｅｌｐｈｉ、Ｐｙｔｈｏｎ、Ｃ、Ｃ＋＋、またはＪａｖａを含む種々のプログラミング言語にて実装することができる。そのようなコードは、データリポジトリチップ、ローカルもしくはリモートのハードディスク、光ディスク（すなわち、ＣＤまたはＤＶＤ）、ソリッドステートドライブ、または他の媒体などの１つまたは複数の有形の機械可読媒体に記憶され、または記憶されるように適合されてもよく、これらの媒体は、プロセッサベースのシステムが記憶されたコードを実行するためにアクセスすることができる。

本明細書の実施形態の特定の特徴は、いくつかの図面に関して図示および／または説明され、他の図面に関しては図示および／または説明されない場合があるが、これは便宜上のものに過ぎない。図に示され、本明細書で説明される記載された特徴、構造、および／または特性は、例えば、診断撮像で使用する追加のアセンブリおよび方法を構築するために、様々な実施形態において任意の適切な方法で組み合わされ、かつ／または互換的に使用されてもよいことを理解すべきである。

本明細書の特定の特徴だけを本明細書において図示および説明したが、当業者であれば、多数の修正および変更に想到するであろう。したがって、添付の特許請求の範囲は、本発明の真の精神の範囲内にあるすべてのこのような修正および変更を含むことを意図していると理解すべきである。

１００ 撮像システム
１０２ 物体／患者
１０８ 医療撮像システム
１１０ 取得サブシステム
１１２ 処理サブシステム
１１４ ノイズ補正プラットフォーム
１１６ データリポジトリ
１１８ ディスプレイ
１２０ ユーザインターフェース
２００ 撮像システム
２０２ Ｘ線放射源
２０４ コリメータ
２０６ Ｘ線放射流
２０８ 被験者、患者
２１０ Ｘ線の一部
２１２ 検出器
２１４ システムコントローラ
２１６ 回転サブシステム
２１８ 線形位置決めサブシステム
２２０ Ｘ線コントローラ
２２２ モータコントローラ
２２４ データ取得システム
２２６ コンピュータ
２２８ メモリ
２３０ オペレータワークステーション
２３２ ディスプレイ
２３４ プリンタ
２３６ 画像保管通信システム（ＰＡＣＳ）
２３８ リモートシステム
３００ ＣＴスキャンシステム
３０２ フレーム
３０４ ガントリ
３０６ 開口
３０８ 患者テーブル
３１０ Ｘ線放射源
３１２ 焦点
３１４ 検出器アレイ
３１６ 内部特徴
３１８ 再構成画像
４００ 方法
４０２ ステップ
４０４ 測定サイノグラム
４０６ ステップ
４０８ 順モデル
４１０ ステップ
４１２ 推定画像
４１４ ステップ
４１６ 推定サイノグラム
４１８ ステップ
４２０ ステップ
４２２ 統計的重み付け係数
４２４ 画像更新
４２６ ステップ
４２８ ステップ
４３０ ステップ
５００ 方法
５０２ ステップ
５０４ 測定サイノグラム
５０６ ステップ
５０８ パイルアップモデル
５１０ パイルアップ補正サイノグラム
５１２ ステップ
５１４ 順モデル
５１６ ステップ
５１８ 推定画像
５２０ ステップ
５２２ 推定サイノグラム
５２４ ステップ
５２６ ステップ
５２８ 統計的重み付け係数
５３０ 画像更新
５３２ ステップ
５３４ ステップ
５３６ ステップ
６００ 方法
６０２ ステップ
６０４ システム特性
６０６ ステップ
６０８ モデル化されたシステム挙動
６１０ ステップ
６１２ 測定されたシステム挙動
６１４ ステップ
６１６ 順モデル
７００ 方法
７０２ ステップ
７０４ システム特性
７０６ ステップ
７０８ 検出器特性
７１０ ステップ
７１２ モデル化されたシステム挙動
７１４ ステップ
７１６ 測定されたシステム挙動
７１８ ステップ
７２０ 順モデル
８００ 方法
８０２ ステップ
８０４ 検出器パイルアップおよびデッドタイム特性
８０６ ステップ
８０８ ステップ
８１０ ステップ
８１２ 検出器挙動モデル
８１４ ステップ
８１６ ノイズ補正係数
８１８ 光子統計モデル
８２０ ステップ
８２２ 統計的重み付け係数
９００ 方法
９０２ ステップ
９０４ 検出器パイルアップおよびデッドタイム特性
９０６ ステップ
９０８ ステップ
９１０ ステップ
９１２ ノイズ補正係数
９１４ ステップ
９１６ 従来のノイズモデル
９１８ 統計的重み付け係数
１０００ 方法
１００２ ステップ
１００４ 検出器パイルアップおよびデッドタイム特性
１００６ ステップ
１００８ ステップ
１０１０ 検出器信号
１０１２ パイルアップ補正メトリック
１０１４ ステップ
１０１６ 統計的重み付け係数
１１００ 方法
１１０２ 推定サイノグラム
１１０４ 測定サイノグラム
１１０６ ステップ
１１０８ ステップ
１１１０ 統計的重み付け係数
１１１２ 統計的に重み付けされた差
１１１４ ステップ
１１１６ 画像更新
１２００ グラフ表示
１２０２ Ｘ軸
１２０４ Ｙ軸
１２０６ 入力計数率に対するパイルアップ比の依存性のグラフ
１３００ グラフ表示
１３０２ Ｘ軸
１３０４ Ｙ軸
１３０６ パイルアップ補正係数
１３０８ パイルアップ補正係数の線形外挿

Claims (21)

1. 再構成される物体（１０２、２０８）を撮像するための方法（４００、５００、６００、７００、８００、９００、１０００、１１００）であって、
   撮像システム（１００、２００）を介して、再構成される前記物体（１０２、２０８）に対応する投影データを取得すること（４０２）と、
   前記取得された投影データに基づいて測定サイノグラム（４０４、５０４、１１０４）を生成することと、
   順モデル（４０８、５１４、６１６、７２０）を定式化すること（４０６）であって、前記順モデル（４０８、５１４、６１６、７２０）は、前記撮像システム（１００、２００）の特性（６０４、７０４）を表すことと、
   前記物体（１０２、２０８）の推定画像（４１２、５１８）および前記順モデル（４０８、５１４、６１６、７２０）に基づいて推定サイノグラム（４１６、５２２、１１０２）を生成すること（４１４）と、
   前記撮像システム（１００、２００）の検出器（２１２）のパイルアップ特性およびデッドタイム特性（８０４、９０４、１００４）の少なくとも１つに基づいて統計的モデルを定式化すること（４２０）と、
   前記統計的モデル、前記測定サイノグラム（４０４、５０４、１１０４）、および前記推定サイノグラム（４１６、５２２、１１０２）に基づいて前記推定画像（４１２、５１８）に対応する更新を決定することと、
   前記決定された更新に基づいて前記推定画像（４１２、５１８）を更新し、前記物体（１０２、２０８）の更新画像を生成すること（４２８）と、
   前記物体（１０２、２０８）の最終画像を出力すること（４３０）と
   を含む、方法（４００、５００、６００、７００、８００、９００、１０００、１１００）。
2. 前記撮像システム（１００、２００）の前記検出器（２１２）の前記パイルアップ特性およびデッドタイム特性（８０４、９０４、１００４）、ならびに前記撮像システム（１００、２００）のシステム特性（６０４、７０４）の少なくとも１つを取得することをさらに含む、請求項１に記載の方法（４００、５００、６００、７００、８００、９００、１０００、１１００）。
3. 前記順モデル（４０８、５１４、６１６、７２０）を定式化すること（４０６）は、前記システム特性（６０４、７０４）に基づいて前記撮像システム（１００、２００）の挙動をモデル化して（６０６）前記順モデル（４０８、５１４、６１６、７２０）を生成すること（６１４）を含む、請求項２に記載の方法（４００、５００、６００、７００、８００、９００、１０００、１１００）。
4. 前記順モデル（４０８、５１４、６１６、７２０）を定式化すること（４０６）は、前記パイルアップ特性（８０４、９０４、１００４）、前記デッドタイム特性（８０４、９０４、１００４）、またはそれらの組合せに基づいて前記撮像システム（１００、２００）の挙動をモデル化することを含む、請求項１に記載の方法（４００、５００、６００、７００、８００、９００、１０００、１１００）。
5. 前記統計的モデルは、前記検出器（２１２）のパルス応答に基づいており、前記統計的モデルは、前記検出器（２１２）の測定計数の平均および分散におけるパイルアップの補正を含む、請求項１に記載の方法（４００、５００、６００、７００、８００、９００、１０００、１１００）。
6. ２つ以上の隣接する検出器チャネルに対応する検出器測定値および２つ以上のエネルギービンに対応する検出器測定値の１つまたは複数に基づいて前記統計的モデルの少なくとも１つのパラメータを推定することをさらに含む、請求項５に記載の方法（４００、５００、６００、７００、８００、９００、１０００、１１００）。
7. 前記統計的モデルの少なくとも１つのパラメータを反復的に推定することをさらに含む、請求項５に記載の方法（４００、５００、６００、７００、８００、９００、１０００、１１００）。
8. ノイズ除去手法、分散低減手法、深層ニューラルネットワーク、またはそれらの組合せの少なくとも１つに基づいて前記統計的モデルの少なくとも１つのパラメータを推定することをさらに含む、請求項５に記載の方法（４００、５００、６００、７００、８００、９００、１０００、１１００）。
9. 前記統計的モデルを定式化すること（４２０）は、
   検出器挙動モデル（８１２）を生成する（８１０）ために、前記パイルアップ特性（８０４、９０４、１００４）、前記デッドタイム特性（８０４、９０４、１００４）、測定された検出器挙動、またはそれらの組合せの少なくとも１つに基づいて前記撮像システム（１００、２００）の前記検出器（２１２）の挙動をモデル化すること（８０６）と、
   前記検出器挙動モデル（８１２）に基づいて１つまたは複数のノイズ補正係数（８１６、９１２）を決定すること（８１４）と、
   前記１つまたは複数のノイズ補正係数（８１６、９１２）に少なくとも基づいて１つまたは複数の統計的重み付け係数（４２２、５２８、８２２、９１８、１０１６、１１１０）を決定すること（８２０）と
   を含む、請求項１に記載の方法（４００、５００、６００、７００、８００、９００、１０００、１１００）。
10. 前記１つまたは複数のノイズ補正係数（８１６、９１２）は、最低計数率に対して１の値を有し、前記１つまたは複数のノイズ補正係数（８１６、９１２）は、高い計数率に対して漸近的にゼロ値に近づく、請求項９に記載の方法（４００、５００、６００、７００、８００、９００、１０００、１１００）。
11. 前記統計的モデルを定式化すること（４２０）は、
    前記パイルアップ特性および前記デッドタイム特性（８０４、９０４、１００４）の少なくとも１つに基づいてシミュレートされたノイズモデルを決定すること（９０６）と、
    前記シミュレートされたノイズモデルを使用して前記撮像システム（１００、２００）の１つまたは複数の構成に対応するノイズをシミュレートすることと、
    従来のノイズモデル（９１６）を使用して前記撮像システム（１００、２００）の前記１つまたは複数の構成に対応するノイズを測定すること（９０８）と、
    前記シミュレートされたノイズを前記測定されたノイズと比較して１つまたは複数のノイズ補正係数（８１６、９１２）を決定すること（９１０）と、
    前記１つまたは複数のノイズ補正係数（８１６、９１２）に少なくとも基づいて１つまたは複数の統計的重み付け係数（４２２、５２８、８２２、９１８、１０１６、１１１０）を決定すること（９１４）と
    を含む、請求項１に記載の方法（４００、５００、６００、７００、８００、９００、１０００、１１００）。
12. 測定信号のパイルアップを補償するために、前記１つまたは複数の統計的重み付け係数（４２２、５２８、８２２、９１８、１０１６、１１１０）を適応的に調整することをさらに含む、請求項１１に記載の方法（４００、５００、６００、７００、８００、９００、１０００、１１００）。
13. 前記１つまたは複数の統計的重み付け係数（４２２、５２８、８２２、９１８、１０１６、１１１０）を適応的に調整することは、前記測定信号の検出された信号レベルに基づいてスケーリング関数を決定することを含み、前記スケーリング関数は、前記測定信号に基づいて前記１つまたは複数の統計的重み付け係数（４２２、５２８、８２２、９１８、１０１６、１１１０）を適応的に調整するように構成される、請求項１２に記載の方法（４００、５００、６００、７００、８００、９００、１０００、１１００）。
14. 前記統計的モデルを定式化すること（４２０）は、測定信号のパイルアップの物理に基づいてパラメトリック統計的モデルを導出することを含む、請求項１に記載の方法（４００、５００、６００、７００、８００、９００、１０００、１１００）。
15. 前記統計的モデルを定式化すること（４２０）は、
    前記パイルアップ特性および前記デッドタイム特性（８０４、９０４、１００４）の少なくとも１つに基づいて前記検出器（２１２）のパイルアッププロセスをシミュレートまたは測定すること（１００６）と、
    検出器信号（１０１０）に基づいて１つまたは複数のパイルアップ補正メトリック（１０１２）を決定すること（１００８）であって、前記１つまたは複数のパイルアップ補正メトリック（１０１２）は、パイルアップ比、前記パイルアップに対して補正された信号、前記パイルアップに対応する欠陥信号の１つまたは複数を含むことと、
    前記１つまたは複数のパイルアップ補正メトリック（１０１２）に少なくとも基づいて１つまたは複数の統計的重み付け係数（４２２、５２８、８２２、９１８、１０１６、１１１０）を決定すること（１０１４）と
    を含む、請求項１に記載の方法（４００、５００、６００、７００、８００、９００、１０００、１１００）。
16. 前記推定画像（４１２、５１８）に対する前記更新を決定することは、
    前記１つまたは複数の統計的重み付け係数（４２２、５２８、８２２、９１８、１０１６、１１１０）に基づいて前記測定サイノグラム（４０４、５０４、１１０４）と前記推定サイノグラム（４１６、５２２、１１０２）との間の統計的に重み付けされた差（１１１２）を決定すること（１１０８）と、
    前記測定サイノグラム（４０４、５０４、１１０４）と前記推定サイノグラム（４１６、５２２、１１０２）との間の前記統計的に重み付けされた差（１１１２）に基づいて前記推定画像（４１２、５１８）に対する前記更新を算出すること（１１１４）と
    を含む、請求項１に記載の方法（４００、５００、６００、７００、８００、９００、１０００、１１００）。
17. パイルアップモデル（５０８）に基づいて前記測定サイノグラム（４０４、５０４、１１０４）を補正して（５０６）パイルアップ補正サイノグラム（５１０）を生成することと、
    前記統計的モデルおよび前記パイルアップ補正サイノグラム（５１０）に基づいて前記推定画像（４１２、５１８）に対する前記更新を決定することと、
    前記決定された更新に基づいて前記推定画像（４１２、５１８）を更新して更新画像を生成すること（５３４）と
    をさらに含む、請求項１に記載の方法（４００、５００、６００、７００、８００、９００、１０００、１１００）。
18. 前記測定サイノグラム（４０４、５０４、１１０４）は、基礎物質サイノグラム、エネルギービンサイノグラム、またはその両方である、請求項１に記載の方法（４００、５００、６００、７００、８００、９００、１０００、１１００）。
19. 再構成される物体（１０２、２０８）に対応する投影データに基づいて測定サイノグラム（４０４、５０４、１１０４）を生成し、
    順モデル（４０８、５１４、６１６、７２０）を定式化することであって、前記順モデル（４０８、５１４、６１６、７２０）は、撮像システム（１００、２００）の１つまたは複数の特性（６０４、７０４）を表し、
    推定画像（４１２、５１８）、前記順モデル（４０８、５１４、６１６、７２０）、または前記推定画像（４１２、５１８）と前記順モデル（４０８、５１４、６１６、７２０）の両方に基づいて推定サイノグラム（４１６、５２２、１１０２）を生成し、
    前記撮像システム（１００、２００）の検出器（２１２）のパイルアップ特性およびデッドタイム特性（８０４、９０４、１００４）の少なくとも１つに基づいて統計的モデルを定式化し、
    前記統計的モデルおよび前記推定サイノグラム（４１６、５２２、１１０２）に基づいて前記推定画像（４１２、５１８）に対応する更新を決定し、
    前記決定された更新に基づいて前記推定画像（４１２、５１８）を更新し、前記物体（１０２、２０８）の更新画像を生成し、
    前記物体（１０２、２０８）の最終画像を出力する
    ように構成されたノイズ補正プラットフォーム（１１４）
    を備える、システム（１１２）。
20. 再構成される物体（１０２、２０８）を撮像するための撮像システム（１００、２００）であって、前記システム（１００、２００）は、
    前記物体（１０２、２０８）に対応する投影データを取得するように構成された取得サブシステム（１１０）と、
    前記取得サブシステム（１１０）と動作可能に関連付けられ、ノイズ補正プラットフォーム（１１４）を備える処理サブシステム（１１２）であって、前記ノイズ補正プラットフォーム（１１４）は、
    前記物体（１０２、２０８）に対応する前記投影データに基づいて測定サイノグラム（４０４、５０４、１１０４）を生成し、
    順モデル（４０８、５１４、６１６、７２０）を定式化することであって、前記順モデル（４０８、５１４、６１６、７２０）は、前記撮像システム（１００、２００）の特性（６０４、７０４）を表し、
    推定画像（４１２、５１８）、前記順モデル（４０８、５１４、６１６、７２０）、または前記推定画像（４１２、５１８）と前記順モデル（４０８、５１４、６１６、７２０）の両方に基づいて推定サイノグラム（４１６、５２２、１１０２）を生成し、
    前記撮像システム（１００、２００）の検出器（２１２）のパイルアップ特性およびデッドタイム特性（８０４、９０４、１００４）の少なくとも１つに基づいて統計的モデルを定式化し、
    前記統計的モデルおよび前記推定サイノグラム（４１６、５２２、１１０２）に基づいて前記推定画像（４１２、５１８）に対応する更新を決定し、
    前記決定された更新に基づいて前記推定画像（４１２、５１８）を更新し、前記物体（１０２、２０８）の更新画像を生成し
    前記物体（１０２、２０８）の最終画像を出力する
    ように構成される処理サブシステム（１１２）と、
    前記最終画像、前記更新画像、前記測定サイノグラム（４０４、５０４、１１０４）、前記推定サイノグラム（４１６、５２２、１１０２）の少なくとも１つを視覚化するように構成されたディスプレイ（１１８、２３２）と
    を備える、システム（１００、２００）。
21. 前記撮像システム（１００、２００）は、光子計数型コンピュータ断層撮影撮像システムである、請求項２０に記載の撮像システム（１００、２００）。

Images