JP7234064B2 - 反復的画像再構成フレームワーク - Google Patents

Description

本明細書で開示される主題は、非侵襲的に取得されたスキャンデータを使用する画像の反復的再構成に関する。

非侵襲的撮像技術は、患者／対象物に侵襲的処置を実行することなく患者／対象物の内部構造または特徴の画像を得ることを可能にする。特に、そのような非侵襲的撮像技術は、データを取得し、画像を構成するか、あるいは患者／対象物の観察された内部特徴を表すために、様々な物理的原理（ターゲットボリュームを通過するＸ線の差動透過、ボリューム内の音波の反射、ボリューム内の異なる組織および材料の常磁性、体内のターゲット放射性核種の破壊など）に依存している。

非侵襲的に取得されたスキャンデータを使用した画像の再構成は、様々なタイプの再構成プロセスおよびアルゴリズムを使用して実行することができる。すべての再構成プロセスおよびアルゴリズムは、計算効率、患者線量、スキャン速度、画像品質、およびアーチファクトの間など、様々なトレードオフの影響を受ける。

例として、コンピュータ断層撮影（ＣＴ）画像は、Ｘ線の量子的性質および検出器読み出しノイズのために画像ノイズを受ける可能性がある。そのような画像は、有限の焦点サイズ、検出器のセルサイズ、および再構成プロセスを含む、いくつかの要因によって空間分解能に関して制限されている。放射線量が増加するか、または空間分解能が増加すると、画像ノイズが増加する。したがって、所与の放射線量に対して画像ノイズを最小限に抑え、空間分解能を最大限にすることが望ましい。再構成プロセスが低コントラストの細部を保存すること、および再構成プロセスが計算上効率的であることもまた、重要である。

米国特許出願公開第２０１８０１７４３３５Ａ１号

本明細書に開示されている特定の実施形態の概要を、以下に記載する。これらの態様は、単にこれらの特定の実施形態の簡単な要約を読者に提供するために提示されており、これらの態様は、本開示の範囲を限定することを意図していないことを理解されたい。実際、本開示は、以下に記載されていない可能性がある様々な態様を包含し得る。

一実施形態では、画像を再構成するための方法が提供される。この実施形態によれば、サイノグラム入力が受信される。１つまたは複数の中間サイノグラムは、サイノグラム入力から、またはサイノグラム入力から生成された１つまたは複数の中間画像から生成される。１つまたは複数の中間サイノグラムは、反復的に処理される。反復的処理は、反復的ループの出力を反復的ループへの入力と比較する少なくとも反復的データフィット操作を実行することを含む。データフィット操作に加えて、ノイズ除去操作が実行される。ノイズ除去操作は、訓練された人工ニューラルネットワークを使用して実行される。反復的処理が完了すると、最終画像が再構成され、検討、記憶、またはさらなる処理のために出力される。

さらなる実施形態では、画像を再構成するための方法が提供される。この実施形態によれば、サイノグラム入力が受信される。サイノグラム入力の初期再構成または複数の部分再構成が実行され、中間画像または複数の中間画像を生成する。１つまたは複数の中間画像、または１つまたは複数の中間画像の変換が反復的に処理される。反復的処理は、反復的ループの出力を反復的ループへの入力と比較する少なくとも反復的データフィット操作を実行することを含む。データフィット操作に加えて、ノイズ除去操作が実行される。ノイズ除去操作は、訓練された人工ニューラルネットワークを使用して実行される。反復的処理が完了すると、最終画像が再構成され、検討、記憶、またはさらなる処理のために出力される。

追加の実施形態では、画像を再構成するための方法が提供される。この実施形態によれば、サイノグラム入力が受信される。第１のノイズ除去操作は、第１の訓練された人工ニューラルネットワークを使用してサイノグラム入力に対して実行される。サイノグラム入力は、１つまたは複数の再構成された画像を生成するために再構成される。第２のノイズ除去操作は、第２の訓練された人工ニューラルネットワークを使用して画像ドメインで実行される。反復的処理が完了すると、最終画像が検討、記憶、またはさらなる処理のために出力される。

本発明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。

本開示の態様による、深層学習モデルを訓練するための人工ニューラルネットワークの一例を示す図である。 本開示の態様による、コンピュータ断層撮影（ＣＴ）撮像システムの構成要素を示すブロック図である。 本開示の態様による、データフィット操作およびノイズ除去を含む画像再構成プロセスフローの一般化された実施態様を示す図である。 本開示の態様による、対応する残差誤差サイノグラムと共に従来の情報保存フィルタ補正逆投影を使用して再構成された画像を示す図である。 本開示の態様による、反復的ループ内で並列に行われるデータフィット操作およびノイズ除去を含む画像再構成プロセスフローの一実施態様を示す図である。 本開示の態様による、反復的ループ内で直列に行われるデータフィット操作およびノイズ除去を含む画像再構成プロセスフローの一実施態様を示す図である。 本開示の態様による、反復的ループ内のデータフィット操作および別個のノイズ除去操作を含む画像再構成プロセスフローの一実施態様を示す図である。 本開示の態様による、フーリエドメインデータを含み、かつ反復的ループ内で直列に行われるデータフィット操作およびノイズ除去を含む画像再構成プロセスフローの一実施態様を示す図である。 本開示の態様による、画像ドメインで操作する反復的ループ内で直列に行われるデータフィット操作およびノイズ除去を含む画像再構成プロセスフローの一実施態様を示す図である。 本開示の態様による、データフィット操作およびノイズ除去を含む画像再構成プロセスフローの一般化された実施態様を示す図である。 本開示の態様による、サイノグラムリビニング操作を含み、かつデータフィット操作およびノイズ除去を含む画像再構成プロセスフローの一般化された実施態様を示す図である。 本開示の態様による、フィルタ補正逆投影を使用して再構成された画像の一例を示す図である。 本開示の態様による、フィルタ補正逆投影およびサイノグラムドメインノイズ除去を使用して再構成された画像の一例を示す図である。 本開示の態様による、フィルタ補正逆投影、サイノグラムドメインノイズ除去、および画像ドメインノイズ除去を使用して再構成された画像の一例を示す図である。 本開示の態様による、情報保存フィルタ補正逆投影、サイノグラムドメインノイズ除去、画像ドメインノイズ除去、およびデータフィット操作を使用して再構成された画像の一例を示す図である。

１つまたは複数の具体的な実施形態を、以下に記載する。これらの実施形態の簡潔な説明を提供しようと努力しても、実際の実施態様のすべての特徴を本明細書に記載することができるというわけではない。エンジニアリングまたは設計プロジェクトなどの実際の実施態様の開発においては、開発者の特定の目的を達成するために、例えばシステム関連および事業関連の制約条件への対応など実施態様に特有の決定を数多くしなければならないし、また、これらの制約条件は実施態様ごとに異なる可能性があることを理解されたい。さらに、このような開発努力は、複雑で時間がかかるが、それでもなお本開示の利益を有する当業者にとっては、設計、製作、および製造の日常的な仕事であることを理解されたい。

以下の議論の態様は医療撮像の場面で提供されるが、開示される技術は、そのような医療の場面に限定されないことを理解されたい。実際に、このような医療の場面における例および説明の提供は、現実の実施態様および用途の事例を提供することによって説明を容易にすることに過ぎない。しかしながら、開示される技術は、製造された部品または商品の非破壊検査（すなわち、品質管理または品質検討用途）で使用される工業用コンピュータ断層撮影（ＣＴ）用の反復的断層撮影画像再構成、および／または包装、箱、荷物などの非侵襲的検査（すなわち、セキュリティまたはスクリーニング用途）など、他の場面でも利用することができる。一般に、本開示は、取得されたデータのセットまたはタイプが再構成プロセスを経て画像またはボリュームを生成する、任意の撮像またはスクリーニングの場面または画像処理分野において有用であり得る。

さらに、以下の議論は標準画像または画像ボリュームに焦点を合わせているが、スキャンの異なる態様に対応する画像のセットまたは画像ボリュームにも同じアプローチを適用することができることを理解されたい。例えば、スペクトルＣＴは、異なるエネルギーでの単色画像および基底材料分解画像を含む画像のセットを発生する。あるいは別の例として、動的ＣＴまたはＰＥＴは、異なる時点で画像のセットを発生する。本発明は、他のものと同様にこれらのセットまたはタイプの画像に適用することができる。

さらに、ＣＴおよびＣアームの例が本明細書で主に提供されているが、開示される技術は、反復的断層撮影再構成プロセスが用いられる他の撮像モダリティの場面で使用され得ることを理解されたい。例えば、本明細書に記載のアプローチは、限定はしないが、陽電子放出断層撮影（ＰＥＴ）スキャナ、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）スキャナ、および／または磁気共鳴撮像（ＭＲＩ）スキャナを含む他のタイプの断層撮影スキャナによって取得されたデータに用いることもできる。

一例として、Ｘ線ＣＴ（例えば、マルチスライスＣＴ）およびＸ線Ｃアームシステム（例えば、コーンビームＣＴ）のようないくつかの撮像モダリティは、スキャンされる対象物または患者の投影を測定し、投影は、技術に応じて、ラドン変換データ、ファンビーム変換データ、コーンビーム変換データ、または不均一フーリエ変換に対応する。他の場面では、スキャンデータは、磁場およびＲＦパルスに応じて生成された放出タイプデータ（例えば、ＰＥＴまたはＳＰＥＣＴデータ）または磁気共鳴データ（例えば、ＭＲＩデータ）であり得る。反復的断層撮影再構成アルゴリズムならびに関連する補正および較正アルゴリズムは、生の測定値から有用な断面画像または体積測定画像を生成するためにこれらの撮像モダリティと共に用いられる。

従来の再構成技術は、典型的には、直接再構成（明示的な反転ステップを実施する）または最適化ベースの再構成（コスト関数を反復的に最適化する）として特徴付けることができる再構成アルゴリズムを使用する。直接再構成アプローチは、比較的高速であるが、ノイズおよび特定のアーチファクトを抑制する効率的な方法を欠いている。最適化ベースの再構成アプローチは、改善されたノイズ低減を提供し、分析的に容易に反転されない物理学効果をフォワードモデルに組み込むことができるが、そのようなアプローチは比較的計算コストがかかる。

本明細書で論じられるように、本開示は、ノイズ低減、空間分解能、細部保存および計算上の複雑さに関して好ましい特性を有する画像再構成に関する。開示される技術は、３つの異なる態様、すなわち第１パス再構成、単純化されたデータフィット項、および深層学習ノイズ除去装置のいくつかまたはすべてを含み得る。本明細書で使用されるとき、「データフィット」という用語は、測定されたデータ（例えば、サイノグラム）との推定解または変数のセット（例えば、再構成された画像）の一貫性のレベルを定義する再構成コスト関数の用語を意味すると理解され得る。例えば、データフィット項は、測定されたサイノグラムと推定された再構成された画像の再投影との間の加重最小二乗誤差であり得る。データフィット操作の計算上の複雑さを低減するため、または画像品質を改善するために、「データフィット操作」はまた、推定解または変数のセット（例えば、再構成された画像）の一貫性のレベルを、本明細書で論じるような測定されたデータの変換と定義することができる（例えば、測定されたデータからの初期再構成の再投影）。したがって、本明細書で使用される「データフィット操作」または「データフィット更新」は、推定解の反復的更新を指すと理解されてもよく、反復的更新は、推定解の測定されたデータとの一貫性、または間接的に測定されたデータの変換を強化するように設計されている。このアプローチによれば、直接再構成アプローチの単純さは、データフィット項の統計的利益と共に、深層学習のノイズ低減能力と共に得ることができる。加えて、様々な実施態様では、本開示は、本明細書で論じるように、第１パス再構成ステップを組み込むことなどによって、異なるＣＴプラットフォームに容易に移植可能である。

前述の序論的なコメントを念頭に置いて、本開示の一般的な文脈を示すため、ならびに本明細書に記載の特定の技術的概念の理解および説明を容易にするためのいくつかの一般化された情報が提供される。

例えば、上述のように、画像のノイズ除去に関して深層学習アプローチを用いることができる。本明細書で論じる深層学習ノイズ除去ステップは、残差ネットワーク、生成的敵対ネットワーク、または別の損失ネットワークに基づくアプローチを含み得る。特定の実施態様では、そのような深層学習アプローチは、ＣＴ、ＰＥＴ、ＳＰＥＣＴ、Ｃアーム、位相差、およびＭＲ画像などの断層撮影画像を生成するために使用される再構成プロセスの一部として、このノイズ除去の役割においてニューラルネットワークを利用し得る。本明細書で論じるニューラルネットワークは、深層ニューラルネットワーク、完全接続ネットワーク、畳み込みニューラルネットワーク（ＣＮＮ）、パーセプトロン、オートエンコーダ、リカレントネットワーク、ウェーブレットフィルタバンクベースのニューラルネットワーク、または他のニューラルネットワークアーキテクチャを包含し得る。これらの技術は、本明細書では深層学習技術と呼ばれるが、この専門用語は、特に複数の層を有するニューラルネットワークである深層ニューラルネットワークの使用に関しても使用され得る。

本明細書で論じるように、深層学習技術（深層機械学習、階層型学習、または深層構造学習として知られていてもよい）は、データの数学的表現および学習のための人工ニューラルネットワークを用いる機械学習技術の一分野である。例として、深層学習アプローチは、対象のタイプのデータの高レベルの抽象化を抽出またはモデル化するためのそれらの１つまたは複数のアルゴリズムの使用によって特徴付けられ得る。これは、１つまたは複数の処理層を使用して達成され得、各層は、典型的には、異なる抽象化のレベルに対応するため、所与の層のプロセスまたはアルゴリズムのターゲットとして、前の層の初期データまたは出力（すなわち、層の階層またはカスケード）の異なる態様を潜在的に用いるかまたは利用する。画像処理または再構成の場面では、これはデータの異なる特徴レベルまたは分解能に対応する異なる層として特徴付けられることがある。

一般に、１つの表現空間から次のレベルの表現空間への処理は、再構成プロセスの１つの「段階」と見なすことができる。再構成の各段階は、別個のニューラルネットワークによって、または１つのより大きなニューラルネットワークの異なる部分によって実行することができる。例えば、本明細書で論じるように、単一の深層学習ネットワークを使用し、再構成プロセスにおけるステップとして画像のノイズ除去を提供することができる。

本明細書で論じるように、特定の問題を解決するための深層学習プロセスの初期訓練の一部として、既知の初期値（例えば、入力画像、投影データ、放出データ、磁気共鳴データなど）、および深層学習プロセスの最終出力（例えば、ノイズ除去された断面画像または体積測定表示などの再構成された断層撮影再構成）のための既知または所望の値を有する訓練データセットを用いることができる。単一の段階の訓練は、１つの表現空間に対応する既知の入力値と、次のレベルの表現空間に対応する既知の出力値とを有することができる。このようにして、深層学習アルゴリズムは、初期データと所望の出力との間の数学的関係が識別されるまで、および／または各層の入力と出力との間の数学的関係が識別され特徴付けられるまで、既知のデータセットまたは訓練データセットを（教師付きまたはガイド付きの方法で、あるいは教師なしまたはガイドなしの方法で）処理することができる。同様に、初期ターゲット値と所望のターゲット値の両方が分かっている別個の検証データセットを用いることができるが、初期値だけが訓練された深層学習アルゴリズムに供給され、次に、前の訓練を検証し、かつ／または過剰訓練を防止するために、出力を深層学習アルゴリズムの出力と比較する。

前述のことを念頭に置いて、図１は、本明細書で論じるように、深層学習モデルとして訓練することができる人工ニューラルネットワーク５０の一例を概略的に示す。この例では、ネットワーク５０は多層であり、訓練入力５２と、入力層５４、隠れ層５８Ａ、５８Ｂなどを含む複数の層とを有し、出力層６０および訓練ターゲット６４は、ネットワーク５０に存在する。各層は、この例では、複数の「ニューロン」またはノード５６からなる。ニューロン５６の数は、層の間で一定であってもよく、または図示のように層ごとに異なってもよい。各層のニューロン５６は、次の階層のニューロン５６への入力として働くそれぞれの出力を生成する。実際には、バイアスを追加した入力の加重和を計算し、整流線形単位（ＲｅＬＵ）、シグモイド関数、双曲線正接関数、または他の方法で指定またはプログラムされたものなどの活性化関数に従って層の各それぞれのニューロンを「励起」または「活性化」する。最終層の出力は、ターゲット画像６４と関連して、いくつかの損失または誤差関数６２を計算するために使用されるネットワーク出力６０（例えば、予測された画像）を構成し、損失または誤差関数６２は、ネットワーク訓練をガイドするために逆伝搬される。

損失または誤差関数６２は、ネットワーク出力（すなわち、ノイズ除去された画像）と訓練ターゲットとの間の差を測定する。特定の実施態様では、損失関数は、ボクセルレベルの値または部分線積分値の平均二乗誤差（ＭＳＥ）であり得、および／または画像勾配または他の画像統計などの他の画像特徴を含む差を説明し得る。あるいは、損失関数６２は、ソフトマックス関数のような、問題の特定のタスクに関連した他のメトリクスによって定義することができる。

深層学習技術を使用した本断層撮影再構成アプローチの説明を容易にするために、本開示は、ＣＴまたはＣアームシステムとの関連でこれらのアプローチを主に論じる。しかしながら、以下の議論は、限定はしないが、ＰＥＴ、ＳＰＥＣＴ、マルチスペクトルＣＴ、位相コントラスト撮像、およびＭＲＩを含む他の画像モダリティおよびシステム、ならびに断層撮影再構成が画像を再構成するために用いられる非医療的な場面または任意の場面にも適用可能であり得ることを理解されたい。

これを念頭に置いて、撮像システム１１０（すなわち、スキャナ）の一例を図２に示す。図示の例では、撮像システム１１０は、患者（または他の対象の被検体もしくは対象物）の周りの様々なビューでスキャンデータ（例えば、Ｘ線減衰データ）を取得するように設計され、断層撮影再構成技術を使用して画像再構成を実行するのに適したＣＴ撮像システムである。図２に示す実施形態では、撮像システム１１０は、コリメータ１１４に隣接して配置されたＸ線放射源１１２を含む。Ｘ線源１１２は、Ｘ線管、分散型Ｘ線源（固体または熱イオン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。逆に、ＰＥＴまたはＳＰＥＣＴの実施形態では、トロイダル放射検出器を設けることができ、放射性トレーサが放射源として使用される。ＭＲＩの場合、測定値は、フーリエ空間内のサンプルであり、ニューラルネットワークへの入力として直接適用することができるか、または最初にサイノグラム空間内の線積分に変換することができる。

図示の例では、コリメータ１１４は、患者／対象物１１８が配置される領域に入るＸ線ビーム１１６を整形または制限する。図示の例では、Ｘ線１１６は、撮像されたボリュームを通過する円錐形ビーム、すなわち、コーンビームになるようにコリメートされている。Ｘ線放射１２０の一部は、患者／対象物１１８（または他の対象の被検体）を通過するかまたはその周りを通過し、全体として参照番号１２２で表される検出器アレイに衝突する。アレイの検出器素子は、入射Ｘ線１２０の強度を表す電気信号を発生する。これらの信号は、取得され処理されて患者／対象物１１８内の特徴の画像を再構成する。

線源１１２は、次のスキャンプロトコルのために患者／対象物内の対象の解剖学的構造を識別するために使用される二次元ローカライザまたはスカウト画像の取得を含む、ＣＴ検査シーケンス用の電力と制御信号の両方を供給するシステムコントローラ１２４によって制御される。図示の実施形態では、システムコントローラ１２４は、システムコントローラ１２４の構成要素とすることができるＸ線コントローラ１２６を介して線源１１２を制御する。そのような実施形態では、Ｘ線コントローラ１２６は、電力およびタイミング信号をＸ線源１１２に提供するように構成されてもよい。

さらに、検出器１２２は、システムコントローラ１２４に結合され、システムコントローラ１２４は、検出器１２２で生成された信号の取得を制御する。図示の実施形態では、システムコントローラ１２４は、データ取得システム１２８を使用して検出器によって生成された信号を取得する。データ取得システム１２８は、検出器１２２の読み出し電子回路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１２８は、検出器１２２からサンプリングされたアナログ信号を受信し、後述するプロセッサ１３０による後の処理のためにデータをデジタル信号に変換することができる。あるいは、他の実施形態では、デジタル－アナログ変換は、検出器１２２自体に設けられている回路によって実行することができる。システムコントローラ１２４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に、取得した画像信号に対して様々な信号処理およびフィルタ処理機能を実施することができる。

図２に示す実施形態では、システムコントローラ１２４は、回転サブシステム１３２および線形位置決めサブシステム１３４に結合される。回転サブシステム１３２は、Ｘ線源１１２、コリメータ１１４および検出器１２２が、主に患者の周りのｘ、ｙ平面内で回転するなど、患者／対象物１１８の周りで１回または複数回旋回することを可能にする。回転サブシステム１３２は、ガントリまたはＣアームを含むことができ、その上にそれぞれのＸ線放出および検出構成要素が配置されることに留意されたい。したがって、そのような実施形態では、システムコントローラ１２４を利用してガントリまたはＣアームを操作することができる。

線形位置決めサブシステム１３４は、ガントリの回転に対してｚ方向になど、患者／対象物１１８、より具体的には患者を支持するテーブルをＣＴシステム１１０のボア内で変位させることを可能にすることができる。したがって、テーブルをガントリ内で（連続的または段階的な方法で）直線的に移動させ、患者１１８の特定のエリアの画像を生成することができる。図示の実施形態では、システムコントローラ１２４は、モータコントローラ１３６を介して回転サブシステム１３２および／または線形位置決めサブシステム１３４の移動を制御する。

一般に、システムコントローラ１２４は、撮像システム１１０の操作を命令し（上述した線源１１２、検出器１２２、および位置決めシステムの操作などを介して）、検査プロトコルを実行し、取得したデータを処理する。例えば、システムコントローラ１２４は、上述のシステムおよびコントローラを介して、対象の被検体の周りで線源１１２および検出器１２２を支持するガントリを回転させ、被検体に対して１つまたは複数のビューでＸ線減衰データを取得することができる。本場面では、システムコントローラ１２４はまた、信号処理回路、コンピュータによって実施されるプログラムおよびルーチン（本明細書に記載の断層撮影再構成技術を実行するためのルーチンなど）、ならびに設定パラメータ、画像データなどを記憶するための関連するメモリ回路を含むことができる。

図示の実施形態では、システムコントローラ１２４によって取得され処理された画像信号は、ここで開示されるアルゴリズムに従って画像を再構成するために処理構成要素１３０に提供される。処理構成要素１３０は、１つまたは複数の汎用または特定用途向けマイクロプロセッサとすることができる。データ取得システム１２８によって収集されたデータは、直接またはメモリ１３８に記憶された後に処理構成要素１３０に送信されてもよい。データを記憶するのに適した任意のタイプのメモリを、そのような例示的なシステム１１０によって利用することができる。例えば、メモリ１３８は、１つまたは複数の光学的、磁気的、および／または固体のメモリ記憶構造を含み得る。さらに、メモリ１３８は、取得システムサイトに位置してもよいし、かつ／または後述するように、データ、処理パラメータ、および／もしくは断層撮影画像再構成のためのルーチンを記憶するための遠隔記憶装置を含んでもよい。

処理構成要素１３０は、典型的にはキーボードおよび／または他の入力装置を備えたオペレータワークステーション１４０を介してオペレータから命令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。オペレータは、オペレータワークステーション１４０を介してシステム１１０を制御することができる。したがって、オペレータは、オペレータワークステーション１４０を使用して再構成された画像を観察し、かつ／またはシステム１１０を操作することができる。例えば、オペレータワークステーション１４０に結合されたディスプレイ１４２を利用し、再構成された画像を観察して撮像を制御することができる。加えて、画像はまた、オペレータワークステーション１４０に結合され得るプリンタ１４４によって印刷されてもよい。

さらに、処理構成要素１３０およびオペレータワークステーション１４０は、他の出力装置に結合することができ、他の出力装置は、標準または専用のコンピュータモニタおよび関連する処理回路を含むことができる。１つまたは複数のオペレータワークステーション１４０は、システムパラメータを出力すること、検査を要求すること、および画像を閲覧することなどのために、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、およびシステム内で供給される類似の装置は、データ取得構成要素の場所にあってもよいし、あるいは、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。

オペレータワークステーション１４０はまた、医療用画像管理システム（ＰＡＣＳ）１４６に結合されてもよいことにさらに留意されたい。次いでＰＡＣＳ１４６は、遠隔クライアント１４８、放射線科情報システム（ＲＩＳ）、病院情報システム（ＨＩＳ）または内部もしくは外部のネットワークに結合することができ、そのようにして様々な場所の第三者が生のまたは処理された画像データにアクセスすることができる。

前述の議論は撮像システム１１０の様々な例示的な構成要素を別個に扱ってきたが、これらの様々な構成要素は、共通のプラットフォーム内または相互接続されたプラットフォーム内に設けることができる。例えば、処理構成要素１３０、メモリ１３８、およびオペレータワークステーション１４０は、本開示の態様に従って操作するように構成された汎用または専用のコンピュータまたはワークステーションとして集合的に設けられてもよい。そのような実施形態では、汎用または専用のコンピュータは、システム１１０のデータ取得構成要素に関して別個の構成要素として設けられてもよく、またはそのような構成要素と共通のプラットフォームに設けられてもよい。同様に、システムコントローラ１２４は、そのようなコンピュータまたはワークステーションの一部として、または画像取得専用の別個のシステムの一部として設けることができる。

図２のシステムは、スキャンデータを使用して撮像された領域の画像を再構成するために、患者の対象の領域に関する様々なビューについてのＸ線投影データ（または他のモダリティ用の他のスキャンデータ）を取得するために利用され得る。撮像システム１１０などのシステムによって取得された投影（または他の）データは、断層撮影再構成を実行するために本明細書で論じるように再構成することができる。

前述の背景および文脈の議論を念頭に置いて、本開示は、ノイズ低減、空間分解能、細部保存および計算上の複雑さに関して好ましい特性を有する画像再構成アプローチに関する。開示される技術は、３つの異なる態様、すなわち第１パス再構成、単純化されたデータフィット項、および画像ドメイン深層学習ノイズ除去装置のいくつかまたはすべてを含み得る。このアプローチによれば、直接再構成アプローチの単純さは、データフィット項の統計的利益と共に、深層学習のノイズ低減能力と共に得ることができる。加えて、様々な実施態様では、開示される技術は、本明細書で論じるように、第１パス再構成ステップを組み込むことなどによって、異なるＣＴプラットフォームに容易に移植可能である。

例示として、図３を参照すると、一般化された実施態様では、測定されたサイノグラム１９０は、最初に様々な任意の前処理ステップ１９２を経ることができる。例えば、光子欠乏の場面では、サイノグラム処理は、画像ドメインで対処するのがより困難なアーチファクトを生じさせる可能性がある、サイノグラム１９０に存在する低信号アーチファクトを除去するか、そうでなければ補正することを含み得る。同様に、ビーム硬化補正または散乱補正もまた、前処理ステップ１９２の一部として実行することができる。

第１パス再構成１９４は、サイノグラム１９０を中間画像１９８（または画像ボリューム）に変換し、中間画像１９８は次に、最終画像２０８を発生するために、データフィット操作２０２と深層学習ノイズ除去操作２０４の一方または両方を含む反復的プロセスなどの反復的処理ステップへの入力として使用される。図示の例では、データフィットおよびノイズ除去操作は並列に実行されるが、あるいはそれらは直列に実行されてもよい。

本明細書で使用されるとき、データフィット操作２０２または比較は、モデルベースの反復的再構成（ＭＢＩＲ）で実行されるデータフィット操作と同様である。しかしながら、ＭＢＩＲ操作とは異なり、本データフィット操作２０２および／または更新は、元の測定されたデータとは対照的に、最新の反復の出力および中間再構成またはサイノグラム（例えば、中間画像１９８）に対して実行される比較および更新ステップに対応する。実際には、データフィット操作２０２は、初期状態の画像またはデータ、ここでは初期中間画像１９８を参照することによって空間分解能を保持するのに役立つ。データフィット操作２０２はまた、統計的モデル化を適用することを可能にし、それによってプロセスの空間分解能と統計的効率の両方を改善する。

一実施形態では、第１パス再構成１９４は、フィルタ補正逆投影法（ＦＢＰ）、または一実施態様では、情報保存フィルタ処理逆投影再構成（ＩＰＦＢＰ）などの分析的再構成である。フィルタ補正逆投影は、典型的には、最適化された画像品質または人間の観察者によるタスク性能のために画像ノイズを抑制するが、測定されたサイノグラム１９０に関する空間分解能または情報を失うという犠牲を払う。本明細書で使用されるＩＰＦＢＰ再構成に関して、そのような再構成は、分解能の損失を回避または低減するように、すなわち、測定されたサイノグラム１９０に存在する情報を保存するように設計または構成されたＦＢＰ再構成のタイプである。ＦＢＰと比較して、ＩＰＦＢＰは、より小さいボクセルサイズ（例えば、５１２×５１２画像マトリックスとは対照的に１０２４×１０２４または２０４８×２０４８画像マトリックスを使用する）、ハイパスカーネル（例えば、標準ランプフィルタと比較して特定の周波数を増幅するか、周波数を選択する）、および／またはサイノグラムのフィルタリングまたは逆投影のためのより高いアップサンプリング比（例えば、フィルタリングおよび逆投影中にサイノグラムを２～４倍にアップサンプリングする）を有してもよい。例えば、再構成カーネルは、ＦＢＰ再構成の再投影と測定されたサイノグラム１９０との間の誤差を最小限に抑えるように経験的に定義され得る。そのようなＩＰＦＢＰ再構成は、人間の検討者による直接の検討とは対照的に、後のステップにおける（例えば、訓練されたニューラルネットワークによる）非人間の分析または処理のために最適化されてもよい。

例として、図４を参照すると、標準ＦＢＰ（左側）対ＩＰＦＢＰアルゴリズムによって再構成された画像の間の視覚的比較が提供され、これは本明細書で論じるように第１パス再構成１９４として使用され得る。図示の例では、５１２×５１２再構成グリッド、標準フィルタカーネルを使用して、かつ逆投影前の検出器データのアップサンプリングを行わずに標準ＦＢＰ再構成を実行した。対照的に、ＩＰＦＢＰ再構成は、１０２４×１０２４再構成グリッド、高分解能フィルタカーネル（すなわち、ＦＢＰ再構成の再投影と測定されたサイノグラムとの間の誤差を最小限に抑えることによって設計された高分解能フィルタカーネル）、および逆投影前の検出器データの４倍アップサンプリングを使用した。図示の標準ＦＢＰ画像２２０はより低いノイズレベルおよびより滑らかな外観を有するが、図示のＩＰＦＢＰ画像２２２は、ＩＰＦＢＰ画像においてのみ見ることができる高分解能の特徴によって証明されるように、より多くの情報を含む。各再構成についてのそれぞれの残差誤差サイノグラム２２４、２２６もまた比較のために示されており、これはＩＰＦＢＰ再構成において得られた残差誤差の相対的な減少をさらに示している。

図５、図６、および図７を参照すると、特定の実施形態では、サイノグラム処理ステップ１９２は、画像ドメインで実行されるノイズ除去ステップ２０４とは異なるサイノグラムノイズ除去ステップ２３０（例えば、訓練されたニューラルネットワークまたは畳み込みニューラルネットワークを使用して実行される深層学習サイノグラムノイズ除去ステップ）であってもよく、または含んでもよい。投影ドメインにおいて実行されるそのようなサイノグラムノイズ除去ステップ２３０は、サイノグラム１９０の最低信号部分に主に適用することができる。サイノグラム１９０のそのような低信号部分へのこの優先的な適用は、重み付け関数によって明示的に、または深層学習ノイズ除去ネットワークによって暗黙的に達成することができる。

図５～図７に示すように、特定の実施形態では、データフィット操作２０２は、中間サイノグラム２３６を生成するために、第１パス再構成の再投影（再投影ステップ２３４）を使用して実行されるデータフィット更新２３２の形をとることができる（すなわち、データフィット項は、フィルタ補正逆投影２３８によって生成された中間画像１９８に基づく）。次に、この中間サイノグラム２３６は、最適なノイズ挙動のための対応する統計的重みを用いるなど、反復的再構成更新ステップ（すなわち、反復的プロセスに対する正規化項として働くことができる深層学習ベースのノイズ除去を伴うデータフィット更新２３２）への入力として用いることができる。

特定の実施態様では、再投影操作２３４は、例えば、再投影タスクをより小さい部分に分割することによって、計算効率を改善するために異なるステップまたは時間で中間画像１９８の異なる部分（すなわち、中間画像１９８の限られた部分）に対して実行され得る。再投影ステップ２３４は、二次元並列ビームまたはファンビームもしくはファン並列ビームの再投影、ならびに元のサイノグラム１９０を取得するために使用される取得ジオメトリおよび／またはビューの数と比較して減少したビューの数に単純化され得る。再投影ステップ２３４はまた、初期スキャンデータを取得するために実際に用いられたものとは異なる仮想線源軌道および／または検出器位置（スキャナに設置された物理的線源および検出器では実用的または可能ではない仮想線源軌道および／または検出器位置を含む）で実行することができる。このようにして、計算効率および画像品質改善を含む、様々な利益を得ることができる。例えば、線源軌道の回転軸は、物理的回転軸に対してオフセットされていても斜めでもよい。

様々な実施形態では、フィルタ補正逆投影２３８および中間画像１９８はまた、後の再投影ステップ２３４の目的に十分な（診断品質または従来の分解能再構成とは対照的に）部分的な角度範囲にわたるなど、単純化された部分再構成であり得る。例えば、中間画像１９８は、再投影光線の対応する方向に沿ってより大きい画素サイズを有する制限された角度再構成のセットであり得る。そのような実施態様では、第１パス再構成（例えば、ＦＢＰ２３８）と再投影ステップ２３４の両方の計算コストを削減することができる。様々なそのような実施形態では、異なる投影角度に対応する複数の中間画像または中間サイノグラムを生成することができる。

図５～図７は、データフィット操作（例えば、データフィット更新２３２）およびノイズ除去操作（例えば、深層学習ノイズ除去２０４）が調整される方法が異なる。理解され得るように、これらの操作は、様々な置換で実行されかつ組み合わされてもよく、そのうちの３つの例が図５～図７に示されている。しかしながら、他のプロセスフローおよびステップの組合せが企図されそして本議論により包含されることが理解されるべきである。

図５に関して、この例示的なプロセスフローでは、深層学習ノイズ除去操作２０４は、反復的ループ内で並列にデータフィット更新２３２と組み合わされ（ステップ２４０）、それによりループの各反復は、設定された反復回数が実行されるか、または何らかの他の完了閾値（例えば、コスト関数）が満たされるまで、次の反復のためにそれぞれのデータフィット更新２３２およびノイズ除去操作２０４に入力される再構成された画像２４２を生成し、その時点で、最新の再構成された画像２４２は、最終画像２０８である。

図６を参照すると、この例示的なプロセスフローでは、深層学習ノイズ除去操作２０４は、反復的ループ内で順次にデータフィット更新２３２と組み合わされ（ステップ２４０）、それによりそれぞれの反復によって生成された対応する再構成された画像２４２は、設定された反復回数が実行されるか、または何らかの他の完了閾値（例えば、コスト関数）が満たされるまで、次の反復のためにそれぞれのデータフィット更新２３２に入力され、その時点で、最新の再構成された画像２４２は、最終画像２０８である。

最後に、図７を参照すると、この例示的なプロセスフローでは、深層学習ノイズ除去操作２０４が最終の再構成された画像２４２に対して反復的ループの外側で実行され、最終画像２０８を生成する。この例では、それぞれの反復によって生成された対応する再構成された画像２４２は、設定された反復回数が実行されるか、または何らかの他の完了閾値（例えば、コスト関数）が満たされるまで、次の反復のためにそれぞれのデータフィット操作２３２に入力される。結果として得られる再構成された画像２４２は、反復的更新プロセスから出力され、最終画像２０８を生成するためにノイズ除去２０４を受ける。

他の実施形態では、データフィット項（例えば、データフィット更新２３２）は、中間画像１９８の画像変換に基づくことができる。例として、図８に示すように、反復的プロセスのデータフィット更新２３２は、第１パス再構成（例えば、ＦＢＰ２３８）の（局所）フーリエ変換２５０（フーリエデータ２５２をもたらす）に基づくことができる。そのような例では、データフィット項は、フーリエベースの重み付けを含むことができる。所与の反復ループの再構成された画像２４２のフーリエ変換（例えば、高速フーリエ変換（ＦＦＴ））は、反復が完了するまで、フーリエデータとしてデータフィット更新ステップ２３２に返される。理解され得るように、ウェーブレットフレームのような他の画像変換もまた、データフィット項として使用され得る。

図８に示すプロセスフロー例は、図６に示す順次フローに対応する。理解され得るように、しかしながら、この例における深層学習ノイズ除去ステップ２０４は、図５および図７に示す並列および反復的ループ外の例示的なプロセスフロー、ならびに他の適切なプロセスフロー設定を含む、異なる設定に適用され得る。

その一例が図９に示されている別の実施形態では、データフィット項は、第１パス再構成（例えば、フィルタ補正逆投影２３８から生成された中間画像１９８）に直接基づいている。このように、データフィット項は、画像ドメインにある（すなわち、画像ドメインデータフィット更新２６０）。データフィット項は、相関ノイズを説明するための空間相関項を含むことができる。所与の反復ループの再構成された画像２４２は、反復が完了するまで、画像ドメインデータフィット更新ステップ２６０への入力として使用される。様々なそのような実施形態では、データフィット項はまた、複数の中間画像、例えば、異なる投影角度に対応する画像を含むことができる。

先の例と同様に、図９に示すプロセスフロー例は、図６に示す順次フローに対応する。理解され得るように、しかしながら、この例における深層学習ノイズ除去ステップ２０４は、図５および図７に示す並列および反復的ループ外の例示的なプロセスフロー、ならびに他の適切なプロセスフロー設定を含む、異なる設定に適用され得る。

上記で論じられたアプローチの態様の他の変形および修正は、図１０および図１１のプロセスフローに示されている。例として、図１０は、サイノグラム１９０のサイノグラム深層学習ノイズ除去２３０と、それに続くＦＢＰまたはＩＰＦＢＰなどの再構成ステップ１９４とを含むプロセスフローを示す。再構成ステップ１９４の結果（すなわち、画像）は、最終画像２０８を生成するために画像ドメインにおいて深層学習ノイズ除去２０４を受けることができる。図示のプロセスフローの一部として、第１パス再構成１９４の後に、深層学習ノイズ除去２０４と共に任意のデータフィット操作２０２を適用することもできる。

図１１に示すさらに別の実施形態では、図３に示すように、第１パス再構成ステップ１９４および中間の再構成された画像１９８が省略される。代わりに、中間サイノグラム２３６は、サイノグラムリビニング２７０によって前処理されたサイノグラム１９０から直接生成される。中間サイノグラム２３６は、単純化された、修正された、または仮想の投影ジオメトリを適用することなどによって、様々な方法におけるリビニングによって生成することができる。あるいは、中間サイノグラム２３６で使用するための新しいサイノグラムデータは、一貫性条件に従って、および／または深層学習アプローチ（例えば、訓練されたニューラルネットワーク）を適用することによって生成することができる。そのようなアプローチは、様々な計算上または画像品質上の利益のために行うことができる。前述の例のように、データフィットおよび画像ドメインノイズ除去操作は、並列に順番に適用することができ、ノイズ除去は、反復的ループ外で発生する。

既存の画像再構成方法、画像処理方法、および特定の実施態様では、本明細書に記載の異なる方法およびプロセスフローのいくつかまたはすべては、並列に行うことができ、出力画像（すなわち、異なる並列プロセスによって生成されたそれぞれの最終画像２０８）は、所与の診断目的に最良の画像を選択したり、集約または加重画像に組み合わせたり、および／またはさらに改善された画像に処理をするために、深層学習ネットワーク（例えば、訓練されたニューラルネットワーク）によって組み合わせることができる。後の単一の最終画像の生成または選択を伴うそのような並列の処理アプローチ（すなわち、異なるが同程度の出力を生成する異なるプロセスを並列に行うこと）は、「バギング」と呼ばれ得、それぞれの個々の技術の利点を組み合わせ、欠点を回避または低減するのに役立ち得る。

前述のことを念頭に置いて、図１２～図１５は、単独でまたは組み合わせて操作の効果の比較を容易にするために、本明細書で論じられ説明された異なる操作に対応する再構成された画像（ここでは骨盤の臨床ＣＴスキャン）を示す。例えば、図１２は、標準フィルタ補正逆投影（ＦＢＰ）アルゴリズムを使用して生成された再構成された画像に対応し、したがって本明細書で使用されるような第１パス再構成に対応することができる。この画像は、投影または画像ドメインのいずれにおいてもノイズ除去することなく、フィルタ補正逆投影を測定されたサイノグラムに適用することによって生成された。

図１３は、図１２と同じ測定されたサイノグラムデータのフィルタ補正逆投影再構成を示す。しかしながら、この例では、サイノグラムドメイン（すなわち、投影空間）の深層学習ノイズ除去操作は、ＦＢＰ操作の前に実行された。この例および以下の例では、サイノグラムドメイン（すなわち、投影空間）の深層学習ノイズ除去操作は、層間接続を有する８層の完全接続ネットワークとして実施された。

図１４は、ＦＢＰ操作に続いて実行される画像ドメイン（すなわち、画像空間）の深層学習ノイズ除去操作を追加することによって、図１３に例示されたこの一連の操作に基づいている。この例および以下の例では、画像ドメインの深層学習ノイズ除去操作は、８層の収縮経路ベースの畳み込みエンコーダ－デコーダとして実施された。

投影および画像ドメインのノイズ除去に加えて、図１５は、２つの追加の変形による画像再構成を示す。従来のＦＢＰの代わりに、本明細書で論じるように、代わりに情報保存フィルタ補正逆投影（ＩＰＦＢＰ）アルゴリズムを使用して第１パス再構成が実行される。加えて、画像ドメインのノイズ除去のために、この例ではデータフィット項（本明細書で論じるようにデータフィット更新を使用して実施される）を用いた。図１５を生成するために使用される組合せＤＬ_ｓｉｎｏ＋ＩＰＦＢＰ＋データフィット＋ＤＬ_ｉｍｇアルゴリズムは、図７に示すプロセスフローに従って実施された。

本発明の技術的効果は、ノイズ低減、空間分解能、細部保存および計算上の複雑さに関して好ましい特性を有する画像再構成を含む。開示される技術は、第１パス再構成、単純化されたデータフィット項、および深層学習ノイズ除去装置のいくつかまたはすべてを含み得る。様々な実施態様では、本開示は、第１パス再構成ステップを組み込むことなどによって、異なるＣＴプラットフォームに移植可能である。

本明細書は、最良の形態を含む実施例を使用して本発明を開示し、また、任意の装置またはシステムの製造および使用と、取り入れた任意の方法の実行とを含む本発明の実施が、当業者に可能となるようにしている。本発明の特許可能な範囲は、特許請求の範囲によって定義され、当業者であれば想到できる他の実施例も含むことができる。そのような他の実施例は、それらが特許請求の範囲の文言から相違しない構造要素を有する場合、または特許請求の範囲の文言から実質的には相違しない同等の構造要素を含む場合、特許請求の範囲の技術的範囲に包含される。

５０ 人工ニューラルネットワーク
５２ 訓練入力
５４ 入力層
５６ ニューロン、ノード
５８Ａ 隠れ層
５８Ｂ 隠れ層
６０ 出力層、ネットワーク出力
６２ 損失または誤差関数
６４ 訓練ターゲット、ターゲット画像
１１０ 撮像システム、ＣＴシステム
１１２ Ｘ線放射源、Ｘ線源
１１４ コリメータ
１１６ Ｘ線ビーム、Ｘ線
１１８ 患者／対象物
１２０ Ｘ線放射、入射Ｘ線
１２２ 検出器アレイ、検出器
１２４ システムコントローラ
１２６ Ｘ線コントローラ
１２８ データ取得システム
１３０ 処理構成要素、プロセッサ
１３２ 回転サブシステム
１３４ 線形位置決めサブシステム
１３６ モータコントローラ
１３８ メモリ
１４０ オペレータワークステーション
１４２ ディスプレイ
１４４ プリンタ
１４６ 医療用画像管理システム（ＰＡＣＳ）
１４８ 遠隔クライアント
１９０ サイノグラム
１９２ 前処理ステップ、サイノグラム処理ステップ、
１９４ 第１パス再構成、第１パス再構成ステップ
１９８ 中間画像、中間の再構成された画像
２０２ データフィット操作
２０４ 深層学習ノイズ除去操作、深層学習ノイズ除去ステップ、深層学習ノイズ除去、
２０８ 最終画像
２２０ 標準ＦＢＰ画像
２２２ ＩＰＦＢＰ画像
２２４ 残差誤差サイノグラム
２２６ 残差誤差サイノグラム
２３０ サイノグラムノイズ除去ステップ、サイノグラム深層学習ノイズ除去
２３２ データフィット更新、データフィット更新ステップ、データフィット操作
２３４ 再投影操作、再投影ステップ
２３６ 中間サイノグラム
２３８ フィルタ補正逆投影
２４０ ステップ
２４２ 再構成された画像
２５０ フーリエ変換
２５２ フーリエデータ
２６０ 画像ドメインデータフィット更新、画像ドメインデータフィット更新ステップ
２７０ サイノグラムリビニング

Claims (14)

1. 画像を再構成するための方法であって、
   サイノグラム入力を受信することと、
   初期再構成を実行する前に前記サイノグラム入力に対して第１のノイズ除去操作を実行することであって、前記第１のノイズ除去操作が、第１の訓練された人工ニューラルネットワークを使用して実行される、第１のノイズ除去操作を実行すること、
   前記サイノグラム入力から、または前記サイノグラム入力から生成された１つまたは複数の中間画像（１９８）から１つまたは複数の中間サイノグラム（２３６）を生成することと、
   前記中間サイノグラム（２３６）を反復的に処理することであって、前記反復的に処理することは、反復的ループの出力を前記反復的ループへの入力と比較する少なくとも反復的データフィット操作（２０２）を実行することを含むことと、
   前記データフィット操作（２０２）に加えて第２のノイズ除去操作（２０４）を実行することであって、前記第２のノイズ除去操作（２０４）は、第２の訓練された人工ニューラルネットワークを使用して実行され、前記データフィット操作（２０２）および前記第２のノイズ除去操作（２０４）が、前記反復的ループ内で並列にまたは直列に実行されることと、
   前記反復的に処理することが完了すると、最終画像（２０８）を再構成し、検討、記憶、またはさらなる処理のために前記最終画像（２０８）を出力することと
   を含む、方法。
2. 前記サイノグラム入力に対して初期再構成を実行して前記１つまたは複数の中間画像（１９８）を生成することと、
   前記１つまたは複数の中間画像（１９８）のすべてまたは一部を再投影して前記１つまたは複数の中間サイノグラム（２３６）を生成することと
   をさらに含む、請求項１に記載の方法。
3. 前記初期再構成が、フィルタ補正逆投影（２３８）または情報保存フィルタ補正逆投影である、請求項２に記載の方法。
4. 前記サイノグラム入力をリビニング（２７０）して前記１つまたは複数の中間サイノグラム（２３６）を生成すること
   をさらに含む、請求項１に記載の方法。
5. 前記データフィット操作（２０２）が、前記反復的ループ内で実行され、前記第２のノイズ除去操作（２０４）が、前記反復的ループの後に実行される、請求項１に記載の方法。
6. 画像を再構成するための方法であって、
   サイノグラム入力を受信することと、
   初期再構成を実行する前に前記サイノグラム入力に対して第１のノイズ除去操作を実行することであって、前記第１のノイズ除去操作が、第１の訓練された人工ニューラルネットワークを使用して実行される、第１のノイズ除去操作を実行すること、
   前記サイノグラム入力の初期再構成または複数の部分再構成を実行して１つまたは複数の中間画像（１９８）を生成することと、
   前記１つまたは複数の中間画像（１９８）、または前記１つまたは複数の中間画像（１９８）の変換を反復的に処理することであって、前記反復的に処理することは、反復的ループの出力を前記反復的ループへの入力と比較する少なくとも反復的データフィット操作（２０２）を実行することを含むことと、
   前記データフィット操作（２０２）に加えて第２のノイズ除去操作（２０４）を実行することであって、前記第２のノイズ除去操作（２０４）は、第２の訓練された人工ニューラルネットワークを使用して実行され、前記データフィット操作（２０２）および前記第２のノイズ除去操作（２０４）が、前記反復的ループ内で並列にまたは直列に実行されることと、
   前記反復的に処理することが完了すると、最終画像（２０８）を再構成し、検討、記憶、またはさらなる処理のために前記最終画像（２０８）を出力することと
   を含む、方法。
7. 前記１つまたは複数の中間画像（１９８）のフーリエ変換（２５０）を実行して前記変換を生成すること
   をさらに含む、請求項６に記載の方法。
8. 前記データフィット操作（２０２）および前記第２のノイズ除去操作（２０４）が、前記１つまたは複数の中間画像（１９８）を入力として使用して反復的に実行される、請求項６に記載の方法。
9. 前記データフィット操作（２０２）が、前記反復的ループ内で実行され、前記第２のノイズ除去操作（２０４）が、前記反復的ループの後に実行される、請求項６に記載の方法。
10. 前記初期再構成が、フィルタ補正逆投影（２３８）または情報保存フィルタ補正逆投影である、請求項６に記載の方法。
11. 画像を再構成するための方法であって、
    サイノグラム入力を受信することと、
    第１の訓練された人工ニューラルネットワークを使用して前記サイノグラム入力に対して第１のノイズ除去操作を実行することと、
    前記サイノグラム入力を再構成して１つまたは複数の再構成された画像（２４２）を生成することと、
    第２の訓練された人工ニューラルネットワークを使用して画像ドメインで第２のノイズ除去操作（２０４）を実行することと、
    前記１つまたは複数の再構成された画像（２４２）、または前記１つまたは複数の再構成された画像（２４２）から生成された１つまたは複数の中間サイノグラム（２３６）を反復的に処理することであって、反復的ループの出力を前記反復的ループへの入力と比較する少なくとも反復的データフィット操作（２０２）を実行することを含み、前記データフィット操作（２０２）および前記第２のノイズ除去操作（２０４）が、前記反復的ループ内で並列にまたは直列に実行される、反復的に処理すること、
    前記反復的に処理することが完了すると、検討、記憶、またはさらなる処理のために最終画像（２０８）を出力することと
    を含む、方法。
12. 前記第２のノイズ除去操作が、前記１つまたは複数の再構成された画像（２４２）に対して実行される、請求項１１に記載の方法。
13. 前記データフィット操作（２０２）が、前記反復的ループ内で実行され、前記第２のノイズ除去操作（２０４）が、前記反復的ループの後に実行される、請求項１１に記載の方法。
14. 前記サイノグラム入力を再構成することが、フィルタ補正逆投影（２３８）または情報保存フィルタ補正逆投影を実行することを含む、請求項１１に記載の方法。

Images