JP7334048B2 - Ｘ線ｃｔシステム及び方法 - Google Patents

Description

本発明の実施形態は、Ｘ線ＣＴシステム及び方法に関する。

コンピュータ断層撮影（ＣＴ）システム及び方法は、特に医用撮像及び医用診断の為に、幅広く使用されている。ＣＴシステムは、一般的に被検体の身体に関する一つ又は複数の断面的なスライスの画像を作成する。Ｘ線管などの放射源は、一側面から身体にＸ線を照射する。身体を通過してきた放射線の減衰は、検出器から受け取った電気信号を処理することで測定される。係る信号は、その後逆ラドン変換（又はその同等のもの）を実行することにより、身体の画像を再構成するために使用される。

エネルギー積分型検出器と光子計数検出器とは、デュアルエネルギーＣＴ（ｄｕａｌ－ｅｎｅｒｇｙ：ＤＥ）（「スペクトラルＣＴ」と呼ばれることも）を生成するための個別のＣＴ構成で使用することができる。ＤＥＣＴは、物質弁別を実行するために有利に使用することができ、それにより骨を身体における軟部組織と見分けることができ、より多くの臨床情報をもたらす。ＣＴにおけるスペクトラル撮像に対して、様々な構成を使用することができる。一般的に、スペクトラルＣＴ構成を、次の二つのタイプへと分類することができる。（ｉ）異なるエネルギースペクトルを生成するＸ線源で（例えば、高速ｋＶ（kilo-voltage）切替、そしてデュアル線源構成）と、（ｉｉ）Ｘ線の個別のエネルギー（例えば、デュアルレイヤ検出器）に基づいて検出されたＸ線を見分ける検出器と、である。ここの、「ｋＶｐ（ｋＶのピーク値）」及び「ｋＶ」という言葉は、Ｘ線源からのＸ線放射のスペクトルの制御用の機構として、Ｘ線源（例えばＸ線管）へと適用される、管電圧の切り替えのコンテキストにおいて、同じ意味で使用される。

より具体的に、臨床的な意義の、ＤＥＣＴ構成が三つ存在する―デュアルレイヤ検出器システム、デュアル線源システム、そして高速ｋＶ切替システムである。例えば、デュアルレイヤ検出器は、エネルギー分解検出器のうちの一タイプである。デュアルレイヤ検出器は、検出されたＸ線を異なるエネルギー帯へと分離する機能を実行するフィルタのように、個別のエネルギー積分型検出器の前面に配置された様々なＸ線エネルギーフィルタを使用する。

別のＤＥＣＴ構成が、デュアルＸ線源システムである。デュアルＸ線源システムにおいて、二つのＸ線源は向かい合って個別の検出器に配置され、各線源検出器ペアはそれ独自のＣＴシステムを形成している。係る各線源検出器ペアは、異なるＸ線スペクトルを用いて他のＣＴシステムと同時に操作する。例えば、二つのＣＴシステムは、ガントリを伴う同じ回転環状リングへと固定することができるが、互いに関し正しい角度で配置することもできる。従って、係る配置を以て、二つの異なるＸ線スペクトルで同時に、二つのＣＴスキャンを実行することができる。

第三のＤＥＣＴ構成において、単一の積分源は、患者の周りを回転するＣＴスキャナのビュー角として、高エネルギーＸ線スペクトルと低エネルギーＸ線スペクトルとを素早く切り替えるための、高速ｋＶ切替を使用するＸ線源（例えば、Ｘ線管）を用いて使用することができる。

これらの三つの各ＤＥＣＴ構造（つまり、デュアルレイヤ、デュアル線源、そしてｋＶ切替）は、それ自体に欠点がある。デュアルレイヤ検出器システムにおいて、シンチレータと光電子増倍管とを組み合わせることで、低エネルギーノイズや、帯域外のエネルギー抑制を達成するために不十分な最適化に悩まされる。その上、二つの読出しスペクトル間の著しい重複により、エネルギー分離が低下する。デュアル線源システムは、第二のシステムの追加されたコストや、またクロス散乱効果にも苦しむ。高速ｋＶ切替システムは、高エネルギー投影データ及び低エネルギー投影データと並行して収集するために使用される、極超短波発生器及びパラレルデータ収集システム（ｄａｔａ ａｃｑｕｉｓｉｔｉｏｎ ｓｙｓｔｅｍｓ：ＤＡＳ）に対する必要条件が原因で、追加でのコストも相当負う。

従って、上記で特定された欠陥を解消する、より良いスペクトラルＣＴアプローチが望まれるのである。

米国特許第７９９５７０２号明細書

本発明が解決しようとする課題は、各ＤＥＣＴ構造で特定された欠陥を解消するスペクトラルＣＴを実現することである。

実施形態に係るＸ線ＣＴシステムは、取得部及び処理部を備えている。
前記取得部は、離散的な第１のビュー群に対応し、第１のエネルギーのＸ線の照射を伴って収集された第１の投影データセットと、前記第１のビュー群とは異なる離散的な第２のビュー群に対応し、前記第１のエネルギーとは異なる第２のエネルギーのＸ線の照射を伴って収集された第２の投影データセットと、を取得する。
前記処理部は、前記第１の投影データセット及び前記第２の投影データセットに基づいて、第３のビュー群に対応し、前記第１のエネルギーのＸ線に対応する第３の投影データセット、及び第４のビュー群に対応し、前記第２のエネルギーのＸ線に対応する第４の投影データセットを生成する学習済みモデルに対して、前記第１の投影データセット及び前記第２の投影データセットを入力することで、前記第３の投影データセット及び前記第４の投影データセットを生成する。

一実施形態に係る、ＣＴスキャナにおけるＸ線源及び検出器の配置の概要的なダイアグラムを示している。 一実施形態に係る、高速ｋＶ切替のためのＸ線源の投影角度／ビューの例を示している。 一実施形態に係る、高速ｋＶ切替のための時間の関数として、ｋＶのピーク値（ｋＶｐ）の例を示している。 一実施形態に係る、疎なｋＶ切替のためのＸ線源の投影角度／ビューの例を示している。 一実施形態に係る、疎なｋＶ切替のための時間の関数として、ｋＶｐの例を示している。 一実施形態に係る、低及び高ｋＶ電圧設定で放射された、Ｘ線のエネルギースペクトルに対する確率密度関数のプロットを示している。 一実施形態に係る、ファントムに対する第一の物質成分（例えば水）の放射線濃度断面を示している。 一実施形態に係る、ファントムの図５Ａにおける物質成分のサイノグラムを示している。 一実施形態に係る、ファントムに対する第二の物質成分（例えば骨）の放射線濃度断面を示している。 一実施形態に係る、ファントムの図６Ａにおける物質成分のサイノグラムを示している。 一実施形態に係る、Ｘ線管に関し８０ｋＶ設定に対するＸ線エネルギースペクトルに対応するサイノグラムを示している。 一実施形態に係る、Ｘ線管に関し１３５ｋＶ設定に対するＸ線エネルギースペクトルに対応するサイノグラムを示している。 一実施形態に係る、図７Ａに図示のサイノグラムに対応する疎なビューサイノグラムを示している。 一実施形態に係る、図７Ｂに図示のサイノグラムに対応する疎なビューサイノグラムを示している。 一実施形態に係る、逐次近似応用被曝低減（ａｄａｐｔｉｖｅ ｉｔｅｒａｔｉｖｅ ｄｏｓｅ ｒｅｄｕｃｔｉｏｎ：ＡＩＤＲ）３次元（ｔｈｒｅｅ－ｄｉｍｅｎｓｉｏｎａｌ：３Ｄ）再構成法を使用して再構成された画像を示しており、画像は、８０ｋＶｐの低ｋＶ値に対する疎なｋＶ切替投影データから再構成されている。 一実施形態に係る、ＡＩＤＲ－３Ｄ法を使用して再構成された画像を示しており、係る画像は、１３５ｋＶｐの高ｋＶ値に対する疎なｋＶ切替投影データから再構成されている。 一実施形態に係る、図５Ａと５Ｂとにおける画像の合計を示す。 一実施形態に係る、ｋＶ切替投影データ（例えば、疎なビューｋＶ切替投影データ）のサイノグラム補填を実行するために、ＤＬ人工ニューラルネットワーク（ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＡＮＮ）を学習且つ使用するためのフローダイアグラムの例を示している。 一実施形態に係る、３次元サイノグラム補填／補正を実行するための、二つの２次元ニューラルネットワークを使用する、２．５次元フィルタリングアプローチのフローダイアグラムを示している。 一実施形態に係る、３次元サイノグラム補填を実行するための、２．５次元アプローチの別のフローダイアグラムを示している。 一実施形態に係る、ＡＮＮベースのサイノグラム補填への周波数分割アプローチのフローダイアグラムを示している。 一実施形態に係る、サイノグラム復元を実行するための、ＤＬ ＡＮＮを学習且つ使用するためのフローダイアグラムの例を示している。 一実施形態に係る、画像強調を実行するための、ＤＬ ＡＮＮを学習且つ使用するためのフローダイアグラムの例を示している。 一実施形態に係る、高ｋＶ及び低ｋＶサイノグラムに関し個別に単一のチャネルサイノグラム補填を実行するための、二つのＤＬ ＡＮＮを学習且つ使用するためのフローダイアグラムの例を示している。 一実施形態に係る、損失エラー関数を最適化するための、ＤＬ－ＡＮＮネットワークの係数を逐次的に調整することによる、ＤＬ－ＡＮＮネットワークの学習のフローダイアグラムを示している。 一実施形態に係る、順伝播ＡＮＮの例を示している。 一実施形態に係る、「畳み込みニューラルネットワーク（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＣＮＮ）」と呼ばれる、ＡＮＮのタイプの例を示している。 一実施形態に係る、疎なｋＶ切替のためのＣＴスキャナの第一の例を示している。 一実施形態に係る、疎なｋＶ切替のためのＣＴスキャナの第二の例を示している。 一実施形態に係る、再構成回路の構成の一例を示している。

以下、図面を参照しながら実施形態について述べる。実施形態は、ｋＶ（ｋｉｌｏ－ｖｏｌｔａｇｅ）切替を用いて生成されたデュアルエネルギー（ｄｕａｌ－ｅｎｅｒｇｙ：ＤＥ）投影データから、コンピュータ断層撮影（ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ：ＣＴ）画像を再構成するための、例えば、深層学習（ｄｅｅｐ ｌｅａｒｎｉｎｇ：ＤＬ）ネットワークの使用に関する。また、実施形態は、例えば、エラーを減らし、且つ欠けている投影角度（ビュー）で投影値を埋めるためにサイノグラム補填（ｓｉｎｏｇｒａｍ ｃｏｍｐｌｅｔｉｏｎ）で役立つＤＬネットワークの使用に関する。具体的には、実施形態に係るＸ線ＣＴシステムは、取得部及び処理部を備えている。

ここで、取得部は、離散的な第１のビュー群に対応し、第１のエネルギーのＸ線の照射を伴って収集された第１の投影データセットと、当該第１のビュー群とは異なる離散的な第２のビュー群に対応し、当該第１のエネルギーとは異なる第２のエネルギーのＸ線の照射を伴って収集された第２の投影データセットと、を取得する。

処理部は、第１の投影データセット及び第２の投影データセットに基づいて、第３のビュー群に対応し、第１のエネルギーのＸ線に対応する第３の投影データセット、及び第４のビュー群に対応し、第２のエネルギーのＸ線に対応する第４の投影データセットを生成する学習済みモデルに対して、第１の投影データセット及び第２の投影データセットを入力することで、第３の投影データセット及び第４の投影データセットを生成する。

このような取得部及び処理部の詳細については後述する。

なお、処理部は、複数の検出器素子のＸ線放射の強度を表す投影データであって、第１の投影データセット及び第２の投影データセットを構成する投影データを取得部から取得する、としてもよい。投影データは、投影ビューの関数として低ｋＶ投影データと交互配置された高ｋＶ投影データを表しており、投影データにおいて高ｋＶ投影データの投影ビューは低ｋＶ投影データの投影ビューから分離されている。低ｋＶ投影データはＸ線源へと適用された第一の電圧を使用して収集されている。高ｋＶ投影データはＸ線源へと、第一の電圧に比べてより大きい第二の電圧を使用して収集されている。

また、処理部は、高ｋＶデータ用の一方の入力チャネルと、低ｋＶデータ用の他方の入力チャネルとの二つの入力チャネルを有する第一のニューラルネットワークである学習済みモデルを取得する、としてもよい。第一のニューラルネットワークは、入力データと対象データとを含む学習データセットを使用して学習されている。入力データはｋＶ切替サイノグラムに基づいており、入力データにおいてｋＶ切替低ｋＶサイノグラムの投影ビューがｋＶ切替高ｋＶサイノグラムの投影ビューから分離されている。対象データは完全な低ｋＶサイノグラムと完全な高ｋＶサイノグラムとを含む完全なサイノグラムに基づいており、完全なサイノグラムのそれぞれが全ての投影ビューに対する投影データを含んでいる。

処理部は、高ｋＶ投影データと低ｋＶ投影データとに対するサイノグラム補填を実行する、としてもよい。処理部は、第一のニューラルネットワークに対して、低ｋＶ投影データに基づいた低ｋＶ入力と高ｋＶ投影データに基づいた高ｋＶ入力とを適用し、第一のニューラルネットワークは、サイノグラム補填からのエラーが低減された結果を出力している、よう構成されている、としてもよい。

補足すると、ｋＶ切替を用いて収集された投影データにおいて、高ｋＶ投影データは、低ｋＶ投影データと交互に配置されている。それは、一連の投影角度を通してＣＴスキャナが進む際に、高ｋＶ及び低ｋＶ電圧設定のうちのどちらか一方に対し所定の時間間隔で、Ｘ線源（例えば、Ｘ線管）にわたり適用される電圧が切り替えられるからである。このようにして、低ｋＶ電圧設定が適用される間の投影角度に対し、低ｋＶ投影データが収集されるが、高ｋＶサイノグラムにおいて、高ｋＶ投影データに対する投影データは欠如している。従って、欠如している高ｋＶ投影データ（即ち、低ｋＶ電圧設定が適用された間の投影角度に対する高ｋＶ投影データ）を埋めるために、補間を使用することができる。同様に、欠如している低ｋＶ投影データを埋めるためにも、補間を使用することができる。この処理は、「サイノグラム補填（ｓｉｎｏｇｒａｍ ｃｏｍｐｌｅｔｉｏｎ）」と呼ばれる。しかしサイノグラム補填は、完璧ではなく、またアーチファクトや画質の低下に繋がることがある。従って、サイノグラム補填を実行するための及び／又はサイノグラム補填における不完全を補正するための、改善された方法が望まれる。

ここに説明される方法と装置とは、サイノグラム補填に対して関連したアプローチにおいて、上記で述べたアーチファクトと画像劣化の提示とを解消する。これらの欠陥は、例えばｋＶ切替投影データのより優れたサイノグラム補填を達成するために、高ｋＶ投影データの付加的な情報を使用することができる、二つのチャネル深層学習（ｄｅｅｐ ｌｅａｒｎｉｎｇ：ＤＬ）人工ニューラルネットワーク（ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＡＮＮ）を適用することにより、解消される。（ｉ）サイノグラム補填ステップで又は直後で、（ｉｉ）基底／物質弁別ステップで又は直後で、（ｉｉｉ）画像再構成ステップで又は直後で、を含むＣＴ画像再構成処理に沿った一つ又は複数のステップで、不完全なサイノグラム補填に関して補正するために、二つのチャネルＤＬ－ＡＮＮを適用することができる。「投影データ」及び「サイノグラムデータ」の用語は、同じものを意味し、互いに置き換え可能に使用される。

ここで、（ｉ）の場合、処理部は、例えば、低ｋＶ入力と高ｋＶ入力とを第一のニューラルネットワークへと適用することと一体的に、サイノグラム補填を実行するよう更に構成されてもよい。ここで、第一のニューラルネットワークへの高ｋＶ入力は、サイノグラム補填よりも前の高ｋＶ投影データである。第一のニューラルネットワークへの低ｋＶ入力は、サイノグラム補填よりも前の低ｋＶ投影データである。第一のニューラルネットワークは、サイノグラム補填を実行するために、高ｋＶ投影データと低ｋＶ投影データとの相補的な情報を使用するよう学習され、全ての投影ビューに対する投影データを含む完全な高ｋＶ投影データと、全ての投影ビューに対する投影データを含む完全な低ｋＶ投影データとを第３の投影データセット及び第４の投影データセットとして生成している。

あるいは、処理部は、例えば、第一のニューラルネットワークに対して、低ｋＶ入力と高ｋＶ入力との適用よりも前にサイノグラム補填を実行するよう更に構成され、全ての投影ビューに対する投影データを含む完全な高ｋＶ投影データと全ての投影ビューに対する投影データを含む完全な低ｋＶ投影データとを生成するサイノグラム補填を実行する。また、処理部は、高ｋＶ入力としての完全な高ｋＶ投影データと低ｋＶ入力としての完全な低ｋＶ投影データとを第一のニューラルネットワークに適用して、第一のニューラルネットワークから出力される完全な高ｋＶ投影データ及び完全な低ｋＶ投影データ内でサイノグラム補填エラーが低減された結果を出力する、としてもよい。

（ｉｉ）の場合、処理部は、例えば、高ｋＶ投影データと低ｋＶ投影データとを第一の基底投影データと第二の基底投影データとに弁別し、第一の基底投影データから第一の基底画像を再構成し、第二の基底投影データから第二の基底画像を再構成するよう更に構成された、としてもよい。

ここで、処理部は、第一の基底投影データ用の一方の入力チャネルと、第二の基底投影データ用の他方の入力チャネルとの二つのチャネルを有する第二のニューラルネットワークを取得し、第二のニューラルネットワークは、ｋＶ切替サイノグラムの基底弁別に基づいている入力データと、完全なサイノグラムの基底弁別に基づいている対象データと、を含む学習データセットを使用して学習されている、としてもよい。

あるいは、処理部は、高ｋＶ投影データと低ｋＶ投影データとを、物質弁別を使用して、第一の物質成分投影データと第二の物質成分投影データとに弁別するよう更に構成された、としてもよい。

なお、ＤＬ－ＡＮＮは、二つのチャネルに限らず、三つのチャネルを有してもよい。例えば、投影データは、投影ビューの関数として交互配置された高ｋＶ投影データと低ｋＶ投影データと中ｋＶ投影データを表す場合がある。この場合、中ｋＶ投影データは、例えば、第一の電圧と第二の電圧との間の切り替え途中の電圧を使用して収集されている。また、処理部は、投影データを取得し、高ｋＶデータ用の一方の入力チャネルと、低ｋＶデータ用の他方の入力チャネルと、中ｋＶデータ用の第三の入力チャネルとの三つの入力チャネルを有する第一のニューラルネットワーク（ＤＬ－ＡＮＮ）を取得するよう構成されている場合がある。このような場合、三つのチャネルを有するＤＬ－ＡＮＮが用いられる。

加えて、サイノグラムデータは、３次元で表示することができる。例えば、これらの３次元は、Ｘ線検出器アレイの２次元に対応する二つの空間次元を含むことができ、またサイノグラムデータの３次元は、ＣＴスキャンの投影角度とすることができる。これらの３次元は、真の（true）３次元畳み込みニューラルネットワーク（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＣＮＮ）を使用して明らかにすることができ、２次元（２Ｄ）畳み込みは、３次元畳み込みに比べてより早く計算することができる。その結果、２Ｄ ＣＮＮフィルタリングを第一の面に対して平行なスライスへとまず適用し、その後係る第一の面に対し直交である第二の面に対して平行なスライスへと２Ｄ ＣＮＮフィルタリングを適用することにより、全ての３Ｄに関して明らかにするために、２．５次元アプローチを使用することができる。つまり、一つの３Ｄ ＣＮＮを使用するよりも、二つの２Ｄ ＣＮＮを使用することにより３Ｄ効果を達成することができ、計算と時間との数を減らすことになる。

更に、ＤＬ－ＡＮＮネットワークの学習及び活用は、投影データを高及び低周波数成分へと二分することで、加速することもできる。係る高及び低周波数成分は、その後二つの個別のＣＮＮ―高周波数ＣＮＮ及び低周波数ＣＮＮ―へと適用される。

その上、特定の実施形態において、高ｋＶ投影データと低ｋＶ投影データとは、二つの個別のＤＬ－ＡＮＮネットワークへと個別に適用することができる。例えば、ＤＬ－ＡＮＮは、チャネルのうちの一方が投影データであり、第二のチャネルはマスクである、二つのチャネルネットワークとすることができる。係るマスクは、サイノグラムにおけるどのピクセルが測定されたデータであり、またどれがサイノグラム補填処理により埋められるのかを示す。加えて又は代わりに、マスクに依存する重み付けを適用することにより、ＤＬ－ＡＮＮを学習するために、損失／コスト関数においてマスクを使用することができる。この場合、例えば、処理部は、［ａ］第一のニューラルネットワークを取得し、当該第一のニューラルネットワークは、ｋＶ切替低ｋＶサイノグラムが収集された投影ビューに対してｋＶ切替高ｋＶサイノグラムが収集された投影ビューを表すｋＶ切替マスクに対する第二のチャネルを有し、［ｂ］第二のニューラルネットワークを取得し、第二のニューラルネットワークは、ｋＶ切替マスク用の第二のチャネルを有し、［ｃ］第一のニューラルネットワークに対して、取得された投影データの高ｋＶ入力とｋＶ切替マスクとを適用し、［ｄ］第二のニューラルネットワークに対して、取得された投影データの低ｋＶ入力とｋＶ切替マスクとを適用し、［ｅ］第一のニューラルネットワークは、ｋＶ切替サイノグラムに対応する個別のｋＶ切替マスクを含む入力データを含む第一の学習データセットを使用して学習されており、［ｆ］第二のニューラルネットワークは、ｋＶ切替サイノグラムに対応する個別のｋＶ切替マスクを含む入力データを含む第二の学習データセットを使用して学習されている、よう更に構成されていてもよい。

上記特性のおかげで、ここに説明される方法は、その他のデュアルエネルギーＣＴ（ｄｕａｌ－ｅｎｅｒｇｙ：ＤＥＣＴ）システム及びアプローチに勝る利点を幾つか有する。例えば、背景技術で述べられたアプローチは、例えば、より大きなハードウェアコスト及び／又は再構成された画像の画質に対する低下を含む、様々な欠陥に悩まされる。例えば、ここに説明される方法は、高速ｋＶ切替よりも、疎なｋＶ切替を使用して実現可能な高画質画像を作ることにより、ハードウェアコストを減らすことができる。即ち、ここに説明される方法は、高速ｋＶ切替に対して改善された画質を可能とするのみでなく、疎なｋＶ切替に対しても可能とする。疎なｋＶ切替を実現可能なものとすることで、疎なｋＶ切替に対するハードウェアがよりコスト的に有効な場合があるので、ここに説明される方法は、ハードウェアコストを著しく下げることができる。

高速ｋＶ切替とデュアル／検出器－線源システムとの両方において、より高いコストが欠陥である。ここに説明される方法は、Ｘ線管に適用されるｋＶがまれに切り替えられる（つまり、ｋＶ切替が疎であり、結果的に低及び高ｋＶ値両方に対して疎なビュー投影データとなる）、疎なｋＶ切替と相性が良い。従って、投影角度（ビュー）の各変化に対する低及び高ｋＶ値間を切り替えるよりも、ここで使用されるｋＶ切替は疎であり、ＣＴスキャナが他方のｋＶ設定へと切り替わる前にいくつかの投影角度を通して回転しながら、所定のｋＶ設定が維持されるようにして、ｋＶ切替の頻度が少なく実行されることを意味している。即ち、高ｋＶ設定へと切り替えられた後に、低ｋＶ設定へと再度切り替えられる前に、スキャナが多くの投影角度を通って回転し、且つそこで投影画像を収集しながら、Ｘ線源は高ｋＶ電圧を維持する。この低ｋＶ設定への再切替は、次のいくつかの投影角度を通し、その後維持され同様に続く。このようにして、単一のデータ収集システム（ｄａｔａ ａｃｑｕｉｓｉｔｉｏｎ ｓｙｓｔｅｍ：ＤＡＳ）を使用することができ、Ｘ線管にわたり電圧を、より遅い速度で且つｋＶ設定切替間をより長い期間で切り替えるには、より簡素且つより安価なハードウェアで十分となる。

更に、ここに説明される方法は、デュアルレイヤ検出器の欠陥を解消する。それは、Ｘ線検出器でＸ線エネルギーをフィルタリングするよりも、Ｘ線源にわたって適用された電圧を調整／切替することにより、二つのエネルギースペクトルが達成されるからである。

高速ｋＶ切替及び疎なｋＶ切替デュアルエネルギーＣＴ（ＤＥＣＴ）システムの両方を用いて、ここに説明される方法を使用することができる。しかし、疎なｋＶ切替システムに関するコスト節約により、考察は疎なｋＶ切替システムに主眼を置いている。疎なｋＶ切替システムは、それぞれ低及び高エネルギースペクトルに対する、疎なビュー投影データを生成する。ｋＶ切替は、高速ｋＶ切替に比べ低頻度で実行されるので、高周波数発生器（高速ｋＶ切替に対して使用される極超短波発生器とは対照的）を使用して、ここに説明される方法を実行することができる。その上、単一の順次ＤＡＳ（高速ｋＶ切替に対して使用されるパラレルＤＡＳとは対照的）を使用して、疎なｋＶ切替を実行することができる。

ＤＥＣＴへの疎なｋＶ切替アプローチに対する重要な問題のうちの一つに、疎なビュー投影データが再構成された画像の画質及び物質弁別に関して問題を提起するということがある。特に、疎なｋＶ切替投影データに対して、ストリーク状アーチファクト、ビームハードニング、そして画質を低下させるようなその他の影響を受けにくい、効果的な再構成アルゴリズムを発達させるのが難しいということが判明している。一方で、フィルタ補正逆投影（ｆｉｌｔｅｒｅｄ ｂａｃｋ－ｐｒｏｊｅｃｔｉｏｎ：ＦＢＰ）法等の解析的再構成法が効果的なこともあるが、疎な投影データに適用された場合には、ストリーク状アーチファクトの影響に悩まされる再構成された画像を生成する。他方で、逐次再構成法が疎な投影データに適用された場合に、ストリーク状アーチファクトは減る可能性があるものの、各ｋＶ設定でのＸ線のより低い線量が原因で、空間分解能が低下し、且つノイズテクスチャが低下するという結果になる。ｋＶ設定は、Ｘ線管線源の陽極と陰極との間に適用されるピークキロ電圧のことである。「キロ電圧」は略してｋＶ、そして「ピークキロ電圧」は略してｋＶｐと、ここでは同義として使用される。

疎な切替投影データについてのもう一つの問題は、検出器ピクセルに対してＸ線により辿られた軌道が二つのｋＶ設定間で異なるものの、サイノグラムドメイン物質弁別は、二つのｋＶ設定に対して重複するＸ線軌道を必要とする点である。画像ドメイン物質弁別は、他方で、Ｘ線ビーム（例えば、ボウタイフィルタを通過した異なるパスが原因）のエネルギースペクトルにおけるビームハードニング補正及び空間的変動を含む、それ自体の難しさを一連で有する。このようにして、厳密なサイノグラム補填／補正は、サイノグラムドメインにおける厳密な物質弁別を可能とする重要な役割を果たす。そうでなければ、サイノグラム補填における不完全さが生き残る可能性があり、物質弁別処理及び画像再構成処理を通して悪化することもある。

次に図面を参照しながら、参照番号が数枚の図にわたって同一又は対応する部分を指し示す。図１は、エネルギー積分型検出器を有するコンピュータ断層撮影（ＣＴ）スキャナにおけるＸ線源及び検出器の構成を示している。図１が提供するのは、寝台１１６に横たわる画像化される被検体ＯＢＪ、Ｘ線源１１２、コリメータ／フィルタ１１４、そして個別の検出器素子のアレイ（つまりピクセル）を含む、画素化されるＸ線検出器１０３中の相対的な位置の非限定例である。

一実施形態において、Ｘ線源１１２とコリメータ／フィルタ１１４とは、ガントリに回転可能に接続されている回転コンポーネント１１０に固定して接続されている。例えば、係る回転コンポーネント１１０は、被検体ＯＢＪが寝台１１６上の空間に固定されたまま、ガントリ内で回転するよう構成された環状リングとすることができる。又は代替的に、ヘリカルスキャンにおいて、寝台は、Ｘ線源１１２及びＸ線検出器１０３がガントリのボアの周りを回転しながら、ガントリのボアに沿って平行移動することもできる。ＣＴスキャナのガントリは、回転コンポーネント１１０のアイソセンタで中心とすることができるボアにおいて、開口アパーチャ１１５も含む。係る開口アパーチャ１１５は、被検体ＯＢＪがＸ線源からＸ線の投影面に位置されることを可能とする。特定の実施形態において、Ｘ線検出器１０３は、当該ガントリに回転可能に接続された別の回転コンポーネント１３０に固定して接続されている。回転／回転構成において、回転コンポーネント１１０と回転コンポーネント１３０とは、投影角度（つまりビュー）の進行で被検体ＯＢＪの投影データを取得するために、Ｘ線検出器１０３がＸ線源１１２と正反対に位置した状態を維持しながら共に回転することができる。一軸に沿って配置された投影角度での投影データと、その他の軸に沿って配置された投影データの空間的次元とを配置することで、サイノグラムは作り出される。

スペクトラルＣＴにおいて、多重エネルギー成分を有する投影データが、被検体ＯＢＪの投影測定を表すために使用される。これらの投影測定は、スペクトラルでないＣＴと同様の従来的なＣＴ画像再構成法を可能にする、一連の角度で行われる。しかし、スペクトラルでないＣＴとは違い、スペクトラルＣＴは、投影測定を物質成分への弁別を可能とする、付加的な情報（つまり、スペクトラル減衰情報）を生成する。ｋエッジ法を除けば、コンプトン散乱及び光電子減衰がそれぞれ原因により、Ｘ線減衰のユニークなスペクトラル特徴に基づいて、物質数は大抵が二つである。つまり、二つの物質成分に対するＸ線減衰間のスペクトルの差は、係る物質成分が示す光電子減衰に対するコンプトン散乱の異なる割合から生じる（例えば、ヨードの様な高Ｚ物質が原因のＸ線減衰は、水等の低いＺ物質に比べて、光電子減衰に対するコンプトン散乱の異なる割合から成り立っている。）
サイノグラムドメイン（つまり画像再構成処理前）又は画像ドメイン（つまり画像再構成処理後）のどちらかに、スペクトラルドメインから物質ドメインへと投影データのマッピングを実行することができる。しかし、サイノグラム（投影）ドメインにおいて実行される場合に、係る投影データは、デュアルエネルギー成分のそれぞれに対する同一の（又はほぼ同一の）Ｘ線軌道を含まねばならない。ｋＶｐ切替において、Ｘ線軌道間の差は、高ｋＶ設定が使用された投影ビューでは低ｋＶ投影データが欠如し、またその逆も然りという事実から生じる。

生体物質におけるＸ線の減衰は、二つの物理的プロセス（つまり光電子吸収とコンプトン散乱）によって占められている。このようにして、エネルギーの関数としての減衰係数は、以下の弁別によって近似することができる。

ここでμ_PE（Ｅ，ｘ，ｙ）は光電子減衰であり、μ_c（Ｅ，ｘ，ｙ）はコンプトン減衰である。代わりにこの減衰係数は、

となるように、高Ｚ物質（つまり物質１）と低Ｚ物質（つまり物質２）との弁別へと再整理することができる。ここでｃ₁（ｘ，ｙ）及びｃ₂（ｘ，ｙ）は、第一と第二の物質成分にそれぞれ対応する。物質弁別とは、測定された／再構成された減衰スペクトルと最も近似するｃ₁（ｘ，ｙ）及びｃ₂（ｘ，ｙ）から解く処理である。

図２Ａ及び２Ｂは、高速ｋＶ切替の実施形態のダイアグラムを示している。Ｘ線管についてのｋＶ設定は、各投影角度に対して変えられる。図２Ａにおいて、高ｋＶ（低ｋＶ）設定を使用する投影画像の収集に対するＸ線源の位置が、白（黒）マルによって示されている。図２Ｂにおいて、Ｘ線管に適用された電圧は、白（黒）マルによって示された高ｋＶ（低ｋＶ）設定で収集された投影画像に対する時間及び電圧と共に、時間の関数として示されている。

図３Ａ及び３Ｂは、疎なｋＶ切替の実施形態のダイアグラムを示している。Ｘ線管についてのｋＶ設定は、異なる投影角度で一連のＮ投影画像の後でのみ変更される。ここでＮは、１よりも大きい数である。図３Ａにおいて、高ｋＶ（低ｋＶ）設定を使用する投影画像の収集に対するＸ線源の位置は、白（黒）マルによって示されている。図３Ｂにおいて、Ｘ線管に適用された電圧は、白（黒）マルによって示された高ｋＶ（低ｋＶ）設定で収集された投影画像に対する時間及び電圧と共に、時間の関数として示されている。

図３Ａ及び３Ｂの非限定例において、Ｎは３であるが、Ｎは２以上の大きい任意の整数とすることができる。更に、所定のｋＶ設定で収集された一連の投影画像数は、ＣＴスキャンを通して定数である必要はなく、また異なる間隔が異なるｋＶ設定（例えば、所定のＣＴスキャンにおいて、低いｋＶｐ設定の時に比べて、高いｋＶｐ設定の時に、より多くの投影画像を収集することができるし、またその逆も然り）に対して適用することができる。

疎なｋＶ切替設定の方法は、８０ｋＶの低ｋＶ設定及び１３５ｋＶの高ｋＶ設定の非限定例を使用して、ここで描かれている。Ｘ線管に対して、Ｘ線スペクトルは、電子が陰極に衝突することにより突然止められ、電子の運動エネルギーを、制動放射線を経てＸ線へと変換する前に、電子を加速するために陽極及び陰極の間に適用された電圧（ｋＶ）で主に制御される。この処理により、異なるＸ線スペクトルは、Ｘ線管にわたり適用される電圧を変えることにより、生み出すことができる。図４は、８０ｋＶの低ｋＶ設定及び１３５ｋＶの高ｋＶ設定を用いて生み出されたＸ線エネルギーの確率分布をそれぞれ示している。

ここに説明される方法は、二つの異なるＸ線スペクトルを生成するために、二つの電圧がＸ線源へと適用される、非限定的な例を使用して描かれている。しかし、ここに説明される方法は、三つ以上の異なるＸ線スペクトルを生成するために、Ｘ線源へと三つ以上の電圧設定が適用される使用にも適用可能、且つ使用も含む。例えば、ｋＶ切替は、高ｋＶ設定、中ｋＶ設定、そして低ｋＶ設定を使用して実行することができる。当該例において、例えば、高ｋＶ及び低ｋＶ設定を使用して描かれる場合に対して、下記に説明される二つのチャネルニューラルネットワークの代わりに、三つのチャネルネットワークを使用することができる。三つ以上のＸ線スペクトルを使用することにより、物質弁別に関する付加的な情報を提供するという利点がある。従って、三つ以上の電圧設定がＸ線源へと適用されるｋＶ切替での実施形態は、ここに説明される方法の趣旨からは乖離することはない。

図５Ａ及び６Ａは、非限定例として使用される、ファントムの二つの物質成分に関する横断面ビューを示す。当該非限定例において、二つの物質成分は、水と骨とである。図５Ｂ及び図６Ｂは、図５Ａ及び６Ａに示された横断面に対応する水と骨とのサイノグラムを示す。これらの図５Ｂ及び６Ｂは、完全なサイノグラムである（つまり、データが何も欠如していないということ）。空間次元は横軸に沿って、且つ投影角度は縦軸に沿って、それぞれ表されている。物質成分サイノグラムは、８０ｋＶ及び１３５ｋＶのｋＶ設定に対応する、図７Ａ及び７Ｂに示されたサイノグラムを弁別することにより、取得することができる。
図７Ａ及び７Ｂに示された完全なサイノグラムとは対照的に、図７Ｃ及び７Ｄは、各投影角度に対して、投影データが８０ｋＶのｋＶ設定又は１３５ｋＶのｋＶ設定かのどちらかを使用して収集された、交互配置された疎なビュー投影データを示す。８０ｋＶ及び１３５ｋＶサイノグラムのそれぞれに対して欠如する投影角度で減衰値を埋めるために、サイノグラム補填法（つまり、補間又は修復）を使用することができる。

疎なビュー投影データは、高又は低ｋＶ設定かのどちらかに対応するとして投影角度の間隔を切り替えるよう設計し、その後高ｋＶ設定が適用される間隔に対する低ｋＶサイノグラム値を削除（そして逆もまた同様）することで、完全なサイノグラムから近似することができる。高ｋＶ設定から低ｋＶ設定へ（逆もまた然り）の遷移領域において、切替処理の過渡効果（transient effects）を近似するために、高ｋＶ及び低ｋＶサイノグラムの重畳を使用することができる。

上記で述べた通り、疎なｋＶ切替を使用して収集された投影データを用いての画像再構成の問題は、ストリーク状アーチファクトが原因で、画質に低下が見られる傾向にあることである。例えば、図８Ａ及び８Ｂは、８０ｋＶと１３５ｋＶとに対する疎なｋＶ切替投影データを用いてＦＢＰ再構成を使用して生成された、再構成された画像の例をそれぞれ示している。ストリーク状アーチファクトが鮮明に出ている。その上、厳密な検査により、ストリーク状アーチファクトが相補的（complementary）な傾向にあることを明らかとする。つまり、８０ｋＶ画像における明るいストリークは、１３５ｋＶ画像における暗いストリークに対応し、逆もまた然りということである。これを描くために、図８Ｃは、８０ｋＶ画像と１３５ｋＶ画像との合計を示す。かなりの程度にまで、８０ｋＶ画像における明るいストリーク状アーチファクトが、１３５ｋＶ画像における暗いストリーク状アーチファクトに反作用する。これらのストリーク状アーチファクトは、図７Ｃと７Ｄとに示される通り、８０ｋＶ及び１３５ｋＶ投影データに対する投影角度が相補的／交互配置であるという事実から生じるものとして、理解することができる。例えば、ＣＴスキャナが高ｋＶ設定へと設定された投影角度は、ＣＴスキャナが低ｋＶ設定へと設定された投影角度を補うものである。このようにして、個別の高及び低ｋＶ設定での二つの画像からの情報は、相補的となる。

ここに説明される方法は、不完全なサイノグラム補填から結果として生じる、未処理のエラーに関してサイノグラム補填及び／又は補正を実行するために、個別の低及び高ｋＶ投影データから組み合わされた情報を、如何に使用するかについて学習するために、ＤＬ－ＡＮＮを使用する。また、学習済みのＤＬ－ＡＮＮを学習済みモデルとして使用する。

ここで、学習済みモデルと、学習の処理について順に述べる。

学習済みモデルは、ＣＴガントリ等の取得部に通信可能な処理部に用いられる。処理部は、学習済みモデルに対して、取得部により取得された第１及び第２の投影データセットを入力することで、第３及び第４の投影データセットを生成する。詳しくは、取得部は、離散的な第１のビュー群に対応し、第１のエネルギーのＸ線の照射を伴って収集された第１の投影データセットと、当該第１のビュー群とは異なる離散的な第２のビュー群に対応し、当該第１のエネルギーとは異なる第２のエネルギーのＸ線の照射を伴って収集された第２の投影データセットと、を取得する。

処理部は、第１の投影データセット及び第２の投影データセットに基づいて、第３のビュー群に対応し、第１のエネルギーのＸ線に対応する第３の投影データセット、及び第４のビュー群に対応し、第２のエネルギーのＸ線に対応する第４の投影データセットを生成する学習済みモデルに対して、第１の投影データセット及び第２の投影データセットを入力することで、第３の投影データセット及び第４の投影データセットを生成する。

なお、第３のビュー群及び第４のビュー群は、それぞれ第１のビュー群及び第２のビュー群を含む、としてもよい。

第３のビュー群は、第１のビュー群より多く、第４のビュー群は、第２のビュー群より多い、としてもよい。

第１の投影データセット、第２の投影データセット、第３の投影データセット、及び第４の投影データセットは、それぞれサイノグラムである、としてもよい。

第３の投影データセット及び第４の投影データセットは、それぞれ画像再構成に必要な全てのビューに対応するサイノグラムである、としてもよい。

ここで、入力される第１及び第２の投影データセットと、生成される第３及び第４の投影データセットとしては、さまざまなバリエーションがある。さまざまなバリエーションのうち、以下の５通りの場合（１）～（５）を例に挙げて説明する。但し、さまざまなバリエーションは、以下の５通りの場合（１）～（５）に限定されない。また、以下の表を用いた説明中、記号「Ｌ」は、低ｋＶ（第１のエネルギーの例）に対応する。記号「Ｈ」は、高ｋＶ（第２のエネルギーの例）に対応する。なお、低ｋＶが第２のエネルギーに対応し、高ｋＶが第１のエネルギーに対応するように変形してもよい。各々の表中、１０００個のビュー番号と、ビュー番号５０個毎の範囲は、一例であり、これに限定されない。また、各々の表中、「第１、第２の投影データセット」の行における記号「Ｌ」に交差する列のビュー番号の複数の範囲（例、51-100, 151-200, ・・・ ，951-1000）は、第１のビュー群に対応する。「第１、第２の投影データセット」の行における記号「Ｈ」に交差する列のビュー番号の複数の範囲（例、1-50, 101-150, ・・・ ，901-950）は、第２のビュー群に対応する。

第１の場合（１）は、学習済みモデルに対して、交互配置された第１の投影データセット（Ｌ）及び第２の投影データセット（Ｈ）を入力することで、全ビューの第３の投影データセット（Ｌ）及び全ビューの第４の投影データセット（Ｈ）を生成する場合である。換言すると、離散的なビュー群の入力に対し、全ビューの生成物が得られる場合である。

第１の場合（１）には、第３の投影データセットは、第１のビュー群と第２のビュー群（全ビュー）に対応し、第１のエネルギー（Ｌ）に対応する投影データセットである。第４の投影データセットは、第１のビュー群と第２のビュー群（全ビュー）に対応し、第２のエネルギー（Ｈ）に対応する投影データセットである。

第２の場合（２）は、学習済みモデルに対して、交互配置された第１の投影データセット（Ｌ）及び第２の投影データセット（Ｈ）を入力することで、離散的な第３の投影データセット（Ｌ）及び離散的な第４の投影データセット（Ｈ）を生成する場合である。換言すると、離散的なビュー群の入力に対し、Ｈ，Ｌを反転した生成物が得られる場合である。

第２の場合（２）には、第３の投影データセットは、第２のビュー群（記号「Ｈ」の列）に対応し、第１のエネルギー（Ｌ）に対応する投影データセットである。第４の投影データセットは、第１のビュー群（記号「Ｌ」の列）に対応し、第２のエネルギー（Ｈ）に対応する投影データセットである。

第３の場合（３）は、学習済みモデルに対して、ブランクを介して交互配置された第１の投影データセット（Ｌ）及び第２の投影データセット（Ｈ）を入力することで、離散的な第３の投影データセット（Ｌ）及び離散的な第４の投影データセット（Ｈ）を生成する場合である。換言すると、離散的なビュー群の入力に対し、当該入力のビュー群にブランクのビュー群を含めた生成物が得られる場合である。

第３の場合（３）には、第３の投影データセットは、第２のビュー群（記号「Ｈ」の列）と、第１及び第２のビュー群とは異なるビュー群（例、中間のビュー群）とに対応し、第１のエネルギー（Ｌ）に対応する投影データセットである。第４の投影データセットは、第１のビュー群（記号「Ｌ」の列）と、第１及び第２のビュー群とは異なるビュー群（例、中間のビュー群）とに対応し、第２のエネルギー（Ｈ）に対応する投影データセットである。

第４の場合（４）は、学習済みモデルに対して、ブランクを介して交互配置された第１の投影データセット（Ｌ）及び第２の投影データセット（Ｈ）を入力することで、離散的な第３の投影データセット（Ｌ）及び離散的な第４の投影データセット（Ｈ）を生成する場合である。換言すると、離散的なビュー群の入力に対し、当該入力のビュー群とは異なるビュー群（ブランクのビュー群）の生成物が得られる場合である。

第４の場合（４）には、第３の投影データセットは、第１及び第２のビュー群とは異なるビュー群（例、中間のビュー群）とに対応し、第１のエネルギー（Ｌ）に対応する投影データセットである。第４の投影データセットは、第１及び第２のビュー群とは異なるビュー群（例、中間のビュー群）とに対応し、第２のエネルギー（Ｈ）に対応する投影データセットである。

第５の場合（５）は、学習済みモデルに対して、ブランクを介して交互配置された第１の投影データセット（Ｌ）及び第２の投影データセット（Ｈ）を入力することで、全ビューの第３の投影データセット（Ｌ）及び全ビューの第４の投影データセット（Ｈ）を生成する場合である。換言すると、離散的なビュー群の入力に対し、全ビュー（入力のビュー群より多い）の生成物が得られる場合である。

第５の場合（５）には、第３の投影データセットは、全ビュー（第１のビュー群と第２のビュー群より多い）に対応し、第１のエネルギー（Ｌ）に対応する投影データセットである。第４の投影データセットは、全ビュー（第１のビュー群と第２のビュー群より多い）に対応し、第２のエネルギー（Ｈ）に対応する投影データセットである。

以上が、さまざまなバリエーションのうちの５通りの場合の説明である。前述した通り、入力される第１及び第２の投影データセットと、生成される第３及び第４の投影データセットとのバリエーションは、前述した５通りの場合（１）～（５）に限定されない。

また、「離散的な第１のビュー群」及び「第１のビュー群とは異なる離散的な第２のビュー群」における「離散的」の定義は、管電圧の変化に対応していればよい。例えば、「離散的」の用語は、以下の場合（ａ）～（ｄ）を含んでいる。ここで、管電圧が高ｋＶの場合を「Ｈ」で表し、低ｋＶの場合を「Ｌ」で表す。

（ａ）管電圧が、Ｈ→Ｌ→Ｈ→Ｌ→Ｈ→…で変化する場合（交互に変化する場合）。

（ｂ）管電圧が、Ｈ→Ｈ→Ｈ→Ｌ→Ｌ→Ｌ→Ｈ→Ｈ→Ｈ→…で変化する場合（一部連続する場合）。

（ｃ）管電圧が、Ｈ→Ｍ→Ｌ→Ｍ→…で変化する場合（高ｋＶと低ｋＶとの間の中ｋＶ（記号「Ｍ」）のビュー群を挟む場合）。前述したブランクのビュー群を含む場合も同様である。なお、中ｋＶは、高ｋＶと低ｋＶとの間の切り替え途中の電圧である。但し、中ｋＶは、これに限らず、高ｋＶと低ｋＶとの間の所定電圧としてもよい。いずれにしても、中ｋＶを用いる場合、例えば、三つのチャネルを有するＤＬ－ＡＮＮが用いられる。

（ｄ）管電圧が、Ｈ→Ｈ→Ｌ→Ｈ→Ｈ→…で変化する場合（高ｋＶと低ｋＶの頻度（ビュー番号の範囲）が異なる場合）。

以上が、「離散的」の用語が含む場合（ａ）～（ｄ）についての説明である。但し、「離散的」の用語は、これらの場合（ａ）～（ｄ）に限定されない。

図９Ａは、ＤＬ－ＡＮＮ３６１の学習の処理３１０を含み、且つ最終的に高画質物質成分画像２５７を生成するのに疎なビュー投影データ２５１を補正するために、学習されたアーチファクト補正ネットワーク３６１を使用する処理２０２を含む、疎なｋＶ切替ＣＴ画像再構成のための方法２００のフローダイアグラムを示す。

処理３１０において、損失関数は、ＤＬ－ＡＮＮネットワーク３６１（例えば、ＤＬ－ＡＮＮネットワーク３６１のパラメータは、重み係数接続ネットワーク層、層におけるノードの活性化関数／ポテンシャルを含む場合がある）のパラメータを逐次的に調整／最適化するために使用される。学習されたネットワーク３６１を生成するために、停止基準が満たされるまで（例えば、所定のしきい値に対するネットワーク係数／パラメータの収束）、ネットワークパラメータの最適化は続く。損失関数は、完全なサイノグラム３５３（個別のｋＶ設定のそれぞれで収集されたフルスキャン）と、疎なビュー収集３５７（例えば、疎なｋＶ切替画像）がＤＬ－ＡＮＮネットワーク３６１の現在のバージョンへと適用された場合に、ネットワークによる結果出力と、を比較する。疎なビューサイノグラム３５７は、投影角度の間隔が何ら減衰値を有さない、図７Ｃ及び７Ｄに示された様なサイノグラムとすることができる。代わりに、疎なビューサイノグラム３５７は、次のようなサイノグラムとすることもできる。それは、疎なビューサイノグラム３５７がＤＬ－ＡＮＮネットワーク３６１へと適用されていることに先立って、不完全なサイノグラム補填法（例えば、補間又は修復）が既に適用されているものである。第一の場合に、ＤＬ－ＡＮＮネットワーク３６１は、欠如するサイノグラムデータを埋めるために学習され、第二の場合に、係るＤＬ－ＡＮＮネットワーク３６１は、不完全なサイノグラム補填法の欠点に関して補正するために学習されている。

ＤＬ－ＡＮＮネットワーク３６１は、対象データ（即ち、完全なサイノグラム３５３）が二つのｋＶ設定（即ち、図７Ａ及び７Ｂに示されるような、高ｋＶ設定及び低ｋＶ設定）に個別に対応する完全なサイノグラムのペアを含む、二つのチャネルネットワークとすることができる。入力データ（即ち、疎なビューサイノグラム３５７）は、二つのｋＶ設定へと個別に対応するサイノグラムのペアも含むが、対象データと比較される結果を生成するためにＤＬ－ＡＮＮネットワーク３６１へと適用される入力データは、疎なビューサイノグラム（図７Ｃ及び７Ｄに示される通り）であるか、又は疎なビューサイノグラム３５７について、初期ではあるが不完全なサイノグラム補填法の実行結果であるか、のどちらかである。一般的に、処理３１０を実行するために使用される学習データセットは、個別の対象サイノグラムとペアになった多数の入力サイノグラムのセットを含むものである。完全なサイノグラムを「対象」又は「ラベル」と、そして疎なビューサイノグラムを「入力」と、それぞれ呼ぶことができる。学習データは、対応する対象及び入力の多数のセットを含むことができる。特定の実施形態において、オフライン学習は、所定のＣＴスキャン（例えば、ＣＴスキャナが最初にインストールされ且つキャリブレートされた場合）より前に実行することができ、学習されたＤＬ－ＡＮＮネットワーク３６１は、ＣＴスキャンが収集され且つ画像再構成がステップ２２０で実行されるまで、メモリに格納することができる。一般的に、疎なビューサイノグラム３５７は、どのようにｋＶ切替投影データ２５１が取得され、そしてその後方法２００のステップ２１０において前処理されるのかと同じ方法で、又は整合するようにして準備される。このようなやり方で、ステップ２１０から結果として生じる前処理されたサイノグラムで生じる、特定のアーチファクト及び欠陥を補正するために、ＤＬ－ＡＮＮネットワーク３６１が学習される。

図９Ａにおいて、高速か又は疎なｋＶ切替かのどちらかを使用して生成されたＣＴ投影データ２５１は、高画質な基底／成分画像２５７を生成するために、ステップ２１０、２２０、２３０、２４０を使用して処理される。基底／成分画像２５７は、物質成分画像（例えば、物質成分は、骨及び水の場合がある）であることが多い。しかし、物質成分基底の代わりに、その他の基底も使用することができる。例えば、基底弁別は、デュアルエネルギー画像を、コンプトン散乱減衰基底と光電効果減衰基底とに弁別することができる。基底弁別は、単なる物質弁別に比べてより一般的であるが、物質弁別の非限定例は、方法２００の様々な変形例を描くために、ここで多く使用される。

特定の実施形態において、ＣＴ投影データ２５１は、ステップ２１０で前処理（例えば、信号プリコンディショニング、キャリブレーション補正、ベースライン補正、ビームハードニング補正等）されたＣＴスキャンから収集された、投影データとすることができる。特定の実施形態において、ステップ２１０で実行される前処理は、初期サイノグラム補填（例えば、補間）を含む。投影データ２５１は、様々なキャリブレーション及びジオメトリック因子（factor）を使用して補正される、サイノグラムとすることができる。例えば、前処理は、検出器オフセットに対するベースラインサブトラクション、検出器中の増幅器ゲイン及び量子効率における変形例に対する補正、Ｘ線フラックスの関数として非線形検出器応答に対する補正等の補正を含むことができる。その上、これらの補正は、キャリブレーションデータ、経験的に導出されたパラメータ、アプリオリ公知のパラメータに基づく場合がある。

処理２０２のステップ２２０において、ステップ２１０から生じるサイノグラムは、処理３１５から学習されたＤＬ－ＡＮＮネットワーク３６１へと適用される。特定の実施形態において、処理３１５からのＤＬ－ＡＮＮネットワーク３６１は、ステップ２１０で実行される初期サイノグラム補填における欠点に対して補正する。

上述の通り、高及び低ｋＶ疎なビューサイノグラム間の相補的な情報を利用するために、ＤＬ－ＡＮＮネットワーク３６１を二つのチャネルネットワークとすることができる。高及び低エネルギーデータは、互いに相補的であるから、両チャネルからの相互的、相補的な情報を解析する二つのチャネルネットワークを使用することで、各エネルギー成分（ｋＶ設定）を別々に捉える一つのチャネルネットワークを上回る、大幅な利益をもたらす。

従って、処理２０２のステップ２２０において、ネットワーク３６１は、低及び高エネルギー投影データ間の相補的な情報を利用する二つのチャネルネットワークとすることができる。特定の実施形態において、処理３１５で実行される学習は、ステップ２１０と同じ前処理技術を使用して生成された、入力画像を使用する。

処理２０２のステップ２３０において、基底／物質弁別は、ステップ２２０から生じるサイノグラムに関して実行される。一般的に、基底／物質成分サイノグラムを生成するために、任意の基底／物質弁別法を使用することができる。

処理２０２のステップ２４０において、逆投影法、フィルタ補正逆投影法、フーリエ変換ベースの画像投影法、逐次画像再構成法、逆行列画像再構成法、統計学的画像再構成法、又は当業者には公知のその他の再構成法を使用して、基底／物質成分サイノグラムに関して、画像再構成を実行することができる。例えば、再構成法は、ヘリカル再構成技術、コーンビーム再構成技術、フェルドカンプアルゴリズム、ＦＢＰ再構成法、及び画像とサイノグラムドメインとのうちの一方又は両方におけるノイズ低減を伴う逐次近似応用被曝低減（ａｄａｐｔｉｖｅ ｉｔｅｒａｔｉｖｅ ｄｏｓｅ ｒｅｄｕｃｔｉｏｎ：ＡＩＤＲ）三次元（３Ｄ）再構成法を使用することができる。再構成は、デノイジング、高減衰領域における光子不足（starvation）を最小化するための補正、量子ノイズを軽減するための補正、エッジ保存／強調補正、そしてフィルタリング（線形フィルタリングと非線形フィルタリング、そしてデノイジング）を含むことができる。

図９Ｂ及び９Ｃは、ステップ２１０からの前処理されたサイノグラム２２１を、学習されたＤＬ－ＡＮＮネットワーク３６１へと適用するための、ステップ２２０に対するフローダイアグラムを示す。これに伴い、処理部は、例えば、［ａ１］高ｋＶデータ用の一方の入力チャネルと、低ｋＶデータ用の他方の入力チャネルとの二つの入力チャネルを有する第一のニューラルネットワークを取得し、［ａ２］高ｋＶデータ用の一方の入力チャネルと、低ｋＶデータ用の他方の入力チャネルとの二つの入力チャネルを有する第二のニューラルネットワークを取得し、［ｂ］低ｋＶ投影データと高ｋＶ投影データとを第一の面に沿った個別の第一のスライスへと区切り、［ｃ］部分的に補正された低ｋＶ投影データと部分的に補正された高ｋＶ投影データとを生成するために、個別の第一のスライスを第一のニューラルネットワークへと適用し、［ｄ］部分的に補正された低ｋＶ投影データと部分的に補正された高ｋＶ投影データとを第一の面と直交である第二の面に沿った個別の第二のスライスへと区切り、［ｅ］補正された低ｋＶ投影データと補正された高ｋＶ投影データとを生成するために、個別の第二のスライスを第二のニューラルネットワークへと適用する、よう更に構成された、としてもよい。

図９Ｂ及び９Ｃにおいて、ＤＬ－ＡＮＮネットワーク３６１は、サイノグラムを処理するために順番に使用される、二つのネットワーク（即ち、第一のニューラルネットワークと第二のニューラルネットワークとに）へと二分されている。サイノグラムは、三次元―検出器アレイの次元に対応する二つの空間次元（ｘ、ｙ）と、投影データが収集される投影角度θに対する三次元と―を有する。

３Ｄサイノグラムブロックを使用することは、三つの次元（ビュー、セグメント、チャネル）全てにおける特徴の連続性（feature continuity）により、欠如するｋＶ測定を満たすので、好ましい。しかし、３Ｄサイノグラムブロックを学習し且つ使用することは、特徴空間（feature dimensions）が増えたことにより、ｋＶ切替サイノグラムがステップ２２０で適用された場合に、学習ステップ間の緩慢な収束及び時間のかかる計算という結果になる。このようにして、ステップ２２０は、二つのステップへと分けることが可能で、各ステップは、サイノグラムの三次元の異なるペアに対応する、異なる２Ｄネットワークを使用する。このニューラルネットワークの、「二．五次元（２．５Ｄ）アプローチ」と呼ぶことのできる２ステップアプリケーションは、サイノグラムの三つ全ての次元における情報を引き続き生かしながらも、フル３Ｄアプローチに関するコンピュータ的な負担を減らすことができる。

２．５Ｄアプローチは、デュアルｋＶサイノグラムをサイノグラムの２Ｄスライス（例えば、ビュー－チャネルスライス）へと分割することで始まり、第一のニューラルネットワークは、これらの第一の２Ｄスライスを使用する最適なサイノグラム補填を達成し、且つ部分的に補正／フィルタされた途中段階（intermediary）のサイノグラムを生成するために、学習される。この部分的に補正／フィルタされたサイノグラムは、更なるサイノグラム補填を補正／実行するために学習された第二のネットワークへとその後適用される、２Ｄスライス（例えば、チャネル－セグメントスライス）の第二のセットを生成するために、別の面に沿ってスライスされる。

ステップ２２２において、高及び低ｋＶサイノグラムは、第一の面に対し平行な２Ｄ面へとスライスされる。例えば、図９Ｃにおいて３Ｄサイノグラムは、ビュー－チャネル面へとスライスされる／区切られる。ここで、空間次元ｘは「チャネル次元」と、そして空間次元ｙは「セグメント次元」と、それぞれ呼ばれる。

ステップ２２３において、２Ｄ畳み込みニューラルネットワーク（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＣＮＮ）である第一のニューラルネットワークは、ステップ２２２からの各スライスへと適用され、係るスライスは高及び低ｋＶ設定に対する部分的にフィルタされたサイノグラム２２４を生成するために、再び組み合わせられる。第一のニューラルネットワークは、二つのチャネルにより提供された相補的な情報を利用するために、二つのチャネルネットワーク（即ち、低ｋＶサイノグラムに対応する一つのチャネル及び高ｋＶサイノグラムに対応する他方のチャネル）とすることもできる。

ステップ２２５において、部分的にフィルタされたサイノグラム２２４は、第二の面に対し平行な２Ｄ面へとスライスされる。例えば、図９Ｃにおける部分的にフィルタされたサイノグラム２２４は、チャネル－セグメント面に対してスライスされる／区切られる。

ステップ２２６において、２Ｄ ＣＮＮである第二のニューラルネットワークは、ステップ２２５からの各スライスへと適用され、係るスライスは高及び低ｋＶ設定に対する完全にフィルタされたサイノグラム２２７を生成するために、再び組み合わせられる。第二のニューラルネットワークは、二つのチャネルにより提供された相補的な情報を利用するために、二つのチャネルネットワーク（即ち、低ｋＶサイノグラムに対応する一つのチャネル及び高ｋＶサイノグラムに対応する他方のチャネル）とすることもできる。

２Ｄ畳み込みは、３Ｄ畳み込みに比べてずっと早く実行することができるので、二つの２Ｄ ＣＮＮは、一つの３Ｄ ＣＮＮに比べてより早く実行することができる。その上、学習の間、二つの２Ｄ ＣＮＮは、３Ｄ ＣＮＮに比べてずっと早く、別々に収束することがある。学習のため、完全なサイノグラムは、第一の及び第二の２Ｄ ＣＮＮのそれぞれの学習用の対象データとして、使用することができる。

ビュー－チャネル面にある第一のスライスと、チャネル－セグメント面にある第二のスライスとの選択は、説明の目的のために、非限定例として提供される。一般的に、第一のスライスと第二のスライスとに対し、任意の二つの面を選ぶことができる。

図９Ｄは、入力サイノグラムが、低周波数成分と高周波数成分とに二分される、ステップ２２０のフローダイアグラムを示している。これに伴い、処理部は、例えば、［ａ１］高ｋＶデータ用の一方の入力チャネルと、低ｋＶデータ用の他方の入力チャネルとの二つの入力チャネルを有する第一のニューラルネットワークを取得し、［ａ２］高ｋＶデータ用の一方の入力チャネルと、低ｋＶデータ用の他方の入力チャネルとの二つの入力チャネルを有する第二のニューラルネットワークを取得し、［ｂ］低ｋＶ投影データを、高空間周波数低ｋＶ投影データと低空間周波数低ｋＶ投影データとを含む低ｋＶ周波数成分へと変換し、［ｃ］高ｋＶ投影データを、高空間周波数高ｋＶ投影データと低空間周波数高ｋＶ投影データとを含む高ｋＶ周波数成分へと変換し、［ｄ］第一のニューラルネットワークに対して、高ｋＶ周波数成分の高周波数成分と低ｋＶ周波数成分の高周波数成分とを適用し、［ｅ］第二のニューラルネットワークに対して、高ｋＶ周波数成分の低周波数成分と低ｋＶ周波数成分の低周波数成分とを適用し、［ｆ］補正された低ｋＶ投影データと補正された高ｋＶ投影データとを生成するために、個別の高周波数成分を、対応する低周波数成分と組み合わせるよう更に構成された、としてもよい。

ニューラルネットワークの学習において、低周波数成分は、高周波数成分に比べてより素早く収束する傾向にある。その上、低周波数成分は、より低い解像度へとダウンサンプルすることができ、計算を速め、低周波数成分に対する畳み込み層についての認知分野（perception fields）は、高周波数ニューラルネットワークに対する認知分野とは異なる（例えば、より大きい）場合がある。従って、サイノグラムを高及び低周波数成分に分け、且つサイノグラムの低周波数成分と共に使用するために低周波数成分ニューラルネットワークを学習することには、利益がある。これに伴い、処理部は、例えば、［ｇ］ダウンサンプルされた投影データを生成するために、低空間周波数低ｋＶ投影データと低空間周波数高ｋＶ投影データとをダウンサンプリングすることと、［ｈ］ダウンサンプルされた結果を生成するために、ダウンサンプルされた投影データを第二のニューラルネットワークへと適用することと、［ｉ］補正された低空間周波数低ｋＶ投影データと補正された低空間周波数高ｋＶ投影データとを生成するために、ダウンサンプルされた結果をアップサンプルすることと、により低周波数成分を第二のニューラルネットワークへと適用するよう更に構成された、としてもよい。

従って、特定の実施形態において、ネットワークを低周波数成分と高周波数成分とに二分することにより、ネットワークの実行／収束及びネットワークの効率が改善される場合もある。その後、異なる周波数成分に対する二つの個別のネットワークを別々に学習することで、深層学習が行われる。例えば、この二分周波数アプローチは、第一にサンプルされたデュアルｋＶサイノグラム（例えば、ステップ２２０でのサイノグラム補填）を埋め且つ作り出すために、各高及び低ｋＶサイノグラムを別々に補間することにより、実行することができる。第二に、低周波数成分を取得するために、ガウスのフィルタが各ｋＶサイノグラムへと適用され、高周波数成分は、完全にサンプルされたデュアルｋＶサイノグラムとその低周波数成分との間の差としてその後取得される。第三に、二つの個別の深層学習ネットワークが学習される。（ｉ）二つの低周波数成分サイノグラムに対する低周波数ニューラルネットワーク、（ｉｉ）二つの高周波数成分サイノグラムに対する高周波数ニューラルネットワーク、である。最後に、ステップ２２０におけるデュアルｋＶサイノグラム補填処理で、疎なデュアルｋＶサイノグラムが低及び高周波数成分へと分割され、その後個別の低及び高ニューラルネットワークへと適用される。個別のニューラルネットワークからの低及び高周波数の結果は、ステップ２２０から結果として生じるフィルタされたサイノグラム２２７を生成するために、その後再び組み合わされる。

ステップ２２８において、前処理されたサイノグラム２２１のそれぞれが、高及び低周波数成分へと弁別される。上述の通り、特定の実施形態において、この周波数二分は、低周波数成分サイノグラムを取得するために前処理されたサイノグラム２２１をローパスフィルタリングし、その後高周波数成分サイノグラムを取得するために対応する前処理されたサイノグラム２２１から低周波数成分サイノグラムを引くことで、実行することができる。代わりに、特定の実施形態において、周波数二分は、前処理されたサイノグラム２２１のそれぞれを高及び低周波数成分へと分けるために、ウェーブレット変換を使用して実行することもできる。加えて、更にその他の実施形態において、周波数二分は、開示の趣旨から乖離することなく、高及び低周波数成分を分けるために、任意のその他の変換又は周波数成分分離法を使用して実行する場合もある。言い換えると、処理部は、例えば、［ｓ１］低空間周波数投影データを生成するために、投影データに対してローパスフィルタを適用し、且つ高空間周波数投影データを生成するために、低空間周波数投影データを投影データから引くことと、［ｓ２］投影データを低空間周波数投影データと高空間周波数投影データとに分けるために、ウェーブレット変換を投影データへと適用することと、［ｓ３］投影データを周波数ドメインへと変換し、且つ周波数ドメインにおける投影データを低空間周波数投影データと高空間周波数投影データとに分けることと、のうちの一つにより投影データを周波数成分へと変換するよう更に構成された、としてもよい。

ステップ２２９において、高及び低ｋＶサイノグラム２２１の高周波数成分は、高周波ニューラルネットワークへと適用され、且つ高及び低ｋＶサイノグラム２２１の低周波数成分は、低周波数ニューラルネットワークに併せて適用される。その後、個別のニューラルネットワークから結果として生じる高及び低周波数サイノグラムは、フィルタされた高及び低ｋＶサイノグラム２２７を生成するために、組み合わされる（例えば、足すことで）。

図１０は、ＤＬ－ＡＮＮネットワーク３６２が、ステップ２３０における基底弁別の後、且つステップ２４０における再構成前に実行されるステップ２３２で使用される、修正された方法２００に対するフローダイアグラムを示している。基底弁別処理の非線形の本質が原因で、サイノグラム補填後の未処理エラーは、弁別の間に増幅することができ、再構成された基底画像における相当のエラーへとつながりかねない。これらのエラーを取り除くために、ここに説明された方法は、物質弁別されたドメイン（例えば、物質成分ドメイン）において、深層学習ベースのサイノグラム復元を実行することができ、それにより画像再構成前に基底弁別されたサイノグラムにおけるエラーを最小化する。例えば、このサイノグラム復元は、ステップ２３０から結果として生じる基底成分サイノグラムを、処理３１５を使用して学習されたＤＬ－ＡＮＮネットワーク３６２へと適用することで、ステップ２３２で実行することができる。

ステップ２２０において、基底弁別の前のフルデュアルｋＶサイノグラムを作り出すために、低及び高ｋＶサイノグラムについて、サイノグラム補填が実行される。ステップ２２０は、図９Ａを参照して説明された通り、ＤＬ－ＡＮＮネットワーク３６１を使用して実行することができるが、又は補間アプローチ、修復アプローチ、或いはその他の方法を使用してサイノグラム補填を実行することもできる。

ステップ２３０において、物質／基底弁別は、上述の通り実行される。ＤＬ－ＡＮＮネットワーク３６２を学習するために使用される入力サイノグラム３５４は、ステップ２３０から結果として生じる低及び高ｋＶサイノグラムと、同じ又は同様の処理を使用して、準備することができる。対象サイノグラムも、対象データがｋＶ切替サイノグラムからというより完全なサイノグラムから準備されるので、サイノグラム補填無しで準備されることを除き、同様の方法で準備されている。

ステップ２３２において、ステップ２３０から結果として生じる基底成分サイノグラムは、学習されたＤＬ－ＡＮＮネットワーク３６２へと適用される。

図１１は、ＤＬ－ＡＮＮネットワーク３６３が、ステップ２４０での再構成後にステップ２４２で使用される、修正された方法２００に対するフローダイアグラムを示している。再構成された基底画像の画質を更に改善するため、ここに説明される方法は、画像ドメインにおける深層学習ベースのポスト処理法を使用する場合もある。ステップ２１０－２４０の画像再構成処理は、上述の通り実行される。（例えば、ステップ２２０でＤＬ－ＡＮＮネットワーク３６１を使用して任意に、且つステップ２３２でＤＬ－ＡＮＮネットワーク３６２を使用して任意に）。

入力画像３５５は、同じ処理ステップを使用してｋＶ切替データから準備され、また対象画像３５９は、サイノグラム補填に対してユニークである及び／又は不完全なサイノグラムデータから導出されるエラーの補正を除き、同じ処理ステップを使用して完全なサイノグラムデータから準備される。処理３１２において、ＤＬ－ＡＮＮネットワーク３６３は、入力画像と対象画像とを使用して学習される。これに伴い、処理部は、例えば、第一の基底画像用の一方の入力チャネルと、第二の基底画像用の他方の入力チャネルとの二つのチャネルを有する第二のニューラルネットワークを取得し、第二のニューラルネットワークは、入力データと対象データとを含む学習データセットを使用して学習されており、入力データは、ｋＶ切替サイノグラムの基底弁別から再構成された画像に基づいており、対象データは、完全なサイノグラムの基底弁別から再構成された画像に基づいているよう更に構成された、としてもよい。

ステップ２４２において、ステップ２４０からの基底成分画像２５７は、強調された基底成分画像２５８を生成するために、学習されたＤＬ－ＡＮＮネットワーク３６３へと適用される。

図１２は、二つの個別のＤＬ－ＡＮＮネットワーク３６１Ａと３６１Ｂとが、サイノグラム補填に対して実行／補正するためにステップ２２０Ａ及び２２０Ｂで個別に使用される、修正された方法２００に関するフローダイアグラムを示している。図１２におけるフローダイアグラムは、低及び高ｋＶサイノグラムが個別のチャネルへと適用される、二つのチャネルネットワークを使用して一緒に処理されているというよりも、別々のＤＬ－ＡＮＮネットワーク３６１Ａと３６１Ｂとを使用して、高ｋＶサイノグラムと低ｋＶサイノグラムとが別々に処理されることを除き、図９Ａと同じである。つまり、処理３１０Ａにおいて、ＤＬ－ＡＮＮネットワーク３６１Ａは、入力データを生成するために高ｋＶ ｋＶ切替サイノグラムを使用し、且つ対象データとして高ｋＶでの完全なサイノグラムを使用して、学習される。その上、処理３１０Ｂにおいて、ＤＬ－ＡＮＮネットワーク３６１Ｂは、入力データを生成するために低ｋＶ ｋＶ切替サイノグラムを使用し、且つ対象データとして低ｋＶでの完全なサイノグラムを使用して、学習される。

ＤＬ－ＡＮＮネットワーク３６１Ａと３６１Ｂとは、二つのｋＶ切替サイノグラムのうちの一方又はその他のみを使用するので、ＤＬ－ＡＮＮネットワーク３６１Ａと３６１Ｂとのそれぞれは、ｋＶ切替サイノグラムのその他によって提供される相補的な情報へとアクセスしない。それにも関わらず、ＤＬ－ＡＮＮネットワーク３６１Ａ（３６１Ｂ）は、第二のチャネルとしてのサイノグラムと同じ次元であるマスクを適用することにより、二つのチャネルネットワークを使用することができる。前処理された高ｋＶ（低ｋＶ）サイノグラムは、第一のチャネルとして適用される。例えば、マスクは、オリジナルの高ｋＶサイノグラムにおいて所定のピクセルが不在だったことを示すのに「１」の値を、そして存在したことを示すのに「０」を、それぞれ利用する場合がある。この付加的な情報は、より良いパフォーマンスを達成するために、ＤＬ－ＡＮＮネットワーク３６１Ａ（３６１Ｂ）を助けることができる。マスクは、付加的な情報を提供するための第三のチャネルとして、ＤＬ－ＡＮＮネットワーク３６１、３６２、３６３のうちのその他の一つ以上に適用することができ、それによりパフォーマンスを改善する。この場合、処理部は、高ｋＶ投影データが収集された投影ビューに対して低ｋＶ投影データが収集された投影ビューを表すｋＶ切替マスクを取得するよう更に構成され、第一のニューラルネットワークはｋＶ切替マスクを受信するための第三の入力チャネルを有する、としてもよい。

加えて又は代わりに、ニューラルネットワーク（複数のニューラルネットワーク）のオフライン学習の間に使用される、損失関数における重みを生成するために、マスクを適用することができる。例えば、ｋＶ切替サイノグラムに初めは不在だったものの、サイノグラム補填処理の間に続いて埋められたピクセル値は、常に存在し且つサイノグラム補填処理によって変更されなかったサイノグラムの値に比べて、より多く重みづけることができる。この重み付けは、サイノグラムの埋められた領域におけるパフォーマンスを最適化する、ＤＬ－ＡＮＮネットワークに対する変更を優遇する（favoring）ことで、収束を改善することができる。

上述での、１及び０の値の二値マスクに加えて、距離マスクも使用する場合がある。距離マスクは、欠如する測定値と最も近い欠如していない測定値との間の距離を表すものかもしれない。より大きなマスク値は、最も近い測定された値からより遠く離れた欠如する測定値を示す。例えば、ｋＶ切替サイノグラムの測定された値は、マスクにおけるピクセルが「０」の値を割り当てることがある。上述の通り、如何に二値マスクが使用されるのか、と同様の方法で距離マスクを使用することができる。これに伴い、処理部は、アーチファクト低減ニューラルネットワークを学習させるよう更に構成されていてもよい。ｋＶ切替マスクは、ｋＶ切替サイノグラムにおける欠損値に対して、ｋＶ切替サイノグラムにおいて最も近い収集された値に対する近似を更に表す、ようにしてもよい。

要約すると、デュアルエネルギーＣＴ（ＤＥＣＴ）は、放射線科医により、高度な撮像ツールとして発展を遂げ、益々受け入れられつつある。従来的な単一のエネルギーＣＴスキャナと比べて、ＤＥＣＴスキャナは、複数の違った物質が単一のエネルギーＣＴの下では同じＨＵ値を表すにも関わらず、それらを区別する能力を有する。ＤＥＣＴの実施形態は、主に次の三つのタイプへとカテゴライズができる―デュアル管ｋＶ切替、デュアルＸ線源、そしてデュアルレイヤ検出器、である。ｋＶ切替収集法に関して、最も安定した一つのｋＶで、各ビューで利用が可能である。サイノグラム空間における物質弁別を実行するために、二つのｋＶからの測定が収集されることを考えると、物質／基底弁別に先立ちサイノグラム補填が実行される。

モデルベースの逐次画像再構成等、不完全な測定の課題を解消するための関連するアプローチは、時間がかかるか、又は限られたアプリケーション（例えば、高速ｋＶ切替等高価なハードウェアが使用された場合）に対してのみ適切であるか、のどちらかである。深層学習（ＤＬ）は、画像修復や補填タスク等のアプリケーションに対して期待でき、関連する修復法に比べてより優れた結果を達成するであろう。関連する方法と比較して、ＤＬは明確なモデリングを必要とせず、代わりに入力データにおける不備を補正するのに最適なアプローチを学習するための学習データに依存する。ＤＬは従って、ピクセル間の内在する相関関係を、局所的にもグローバル的にも、捉える能力があり、対象（例えば、グラウンドトゥルース）とペアになった入力（例えば、破損した所見（corrupted observations））を含む学習データセットを使用してネットワークを学習することにより、高度なネットワークを構築することができる。計算的な時間やハードウェアコストを減らし、且つデュアルｋＶ切替画質を更に改善するため、ここに説明される方法は、デュアルｋＶ切替収集を伴うデュアルエネルギーＣＴにおける欠如する測定を補填するために、ＤＬアプローチを使用する。

サイノグラム補填、物質／基底弁別、そして画像再構成の処理における様々なステップで、ＤＬ－ＡＮＮネットワークを使用することができる。例えば、ＤＬ－ＡＮＮネットワークは、サイノグラム補填から結果として生じるエラーや不完全さを減らすために、サイノグラム補填の間に、又は直後に使用することができる。その上、ＤＬ－ＡＮＮネットワークは、ｋＶ切替間に収集される不完全なサイノグラムから結果として生じる、未処理の不完全さが原因のエラーとアーチファクトとを減らす／補正するために、基底弁別及び／又は画像再構成の後の期間に（during after）、使用することもできる。これらのＤＬ－ＡＮＮネットワークは、より優れたサイノグラム補填とＣＴ画像から再構成されたＣＴ画像に対する改善された画質とを達成するために、高及び低ｋＶサイノグラムの相補的な情報を活用することができる。

上で記された特徴により、幾つかの利点を達成することができる。第一に、ＤＬ－ＡＮＮアプローチは、高速ｋＶ切替実行に対して最適なだけでなく、遅い（つまり、疎な）ｋＶ切替が採用された場合に、即ち、一つ以上の連続的なビューが個別のｋＶ設定に対して欠如している場合にも最適である。つまり、上記特徴は、高速ｋＶ切替の実施形態と比較した場合に、より費用を抑えたハードウェアを用いて実行することができる、疎なｋＶ切替の実施形態を可能とする。

第二に、ＤＬ－ＡＮＮアプローチにより実現される改善は、欠如しているデータをリカバーし、又は画像を再構成するための逐次再構成法を使用することとは対照的に、再構成が逆投影アプローチを使用して実行することが可能なデータを十分改善することができる。逆投影アプローチを使用することで、計算的な時間及びハードウェアコストを抜本的に減らすことが可能となる。

第三に、ＤＬ－ＡＮＮアプローチは、単一のエネルギーＣＴに比べて、意図的にＤＥＣＴに向けて作られている。結果として、ここに説明される方法は、単一のエネルギーＣＴに向けたアプローチにおいて、見当たらなかった三つの利点を有する。第一に、特定の実施形態において、ここに説明される方法は、３Ｄ処理の利益を維持しながら、計算的な時間を減らす、二つのステップ、２．５Ｄサイノグラム処理戦略を採る。第二に、ここに説明される方法は、オフライン学習の効率及び収束を改善するために、周波数の二分を使用することもある。第三に、ここに説明される方法は、パフォーマンスを改善するために、サイノグラムマスクを用いて使用することもある。

次に、ＤＬ－ＡＮＮネットワークの学習の、より詳細な説明が提供される（例えば、処理３１５）。この説明は、完全なサイノグラム３５３である対象データと、疎なビューサイノグラム３５７である入力データと、の非限定例を使用して描かれているが、一般的には任意の対象データ及び入力データを使用することができる。以下の説明は、例えば、［ａ］サイノグラム補填ニューラルネットワークのネットワーク係数を初期化することと、［ｂ］ｋＶ切替サイノグラムに基づいた高ｋＶ入力と低ｋＶ入力とのペアを含む入力データを取得することと、ｋＶ切替サイノグラムにおいてｋＶ切替低ｋＶサイノグラムの投影ビューがｋＶ切替高ｋＶサイノグラムの投影ビューから分離されており、ｋＶ切替低ｋＶサイノグラムは、投影ビューの関数としてｋＶ切替高ｋＶサイノグラムと交互配置される、［ｃ］完全な低ｋＶサイノグラムと完全な高ｋＶサイノグラムとを含む完全なサイノグラムに基づいた高ｋＶ対象と低ｋＶ対象とのペアを含む対象データを取得することと、完全なサイノグラムのそれぞれは全ての投影ビューに対する投影データを含む、［ｄ］対象データと、入力データをサイノグラム補填ニューラルネットワークへ適用することからの出力との間の一致を表す損失関数を最適化するために、ネットワーク係数を逐次的にアップデートすることと、により、二つのチャネルを有するサイノグラム補填ニューラルネットワークを学習させるよう構成された処理部を具備するＸ線ＣＴシステムに関する。

この処理部は、［ｅ］ｋＶ切替高ｋＶサイノグラムが収集された投影ビューに対してｋＶ切替低ｋＶサイノグラムが収集された投影データを表すｋＶ切替マスクを取得することと、［ｆ］損失関数を最適化するために、ネットワーク係数を逐次的にアップデートすることと、によりアーチファクト低減ニューラルネットワークを学習させるよう更に構成された、としてもよい。

また、処理部は、［ｇ］アーチファクト低減ニューラルネットワークを学習させるよう更に構成され、ｋＶ切替マスクは、ｋＶ切替サイノグラムにおける欠損値に対して、ｋＶ切替サイノグラムにおいて最も近い収集された値に対する近似を更に表す、としてもよい。以下、このような処理部の処理３１５について具体的に説明する。

図１３は、学習処理３１５の一実施形態のフローダイアグラムを示している。処理３１５において、低クオリティデータ３５７と高クオリティデータ３５３とは、ＤＬ－ＡＮＮネットワークを学習させるための学習データとして使用され、処理３１５のステップ３１９からの出力であるＤＬ－ＡＮＮネットワークという結果になる。一般的に、データ３５７は、任意の不備呈示するサイノグラム又は画像の場合があり、係る「不備」とは、画像処理（例えば、ノイズ又はアーチファクト）を通して影響を受ける可能性のある、任意の望まれない特徴という場合がある。同様に、データ３５３は、「対象データ」や「不備低減データ」、「不備最小化データ」、又は「最適化されたデータ」と呼ばれることがあり、係る「不備」とは、画像３５７に比べてより少ない。オフラインＤＬ学習処理３１５は、入力サイノグラム３５７から対象サイノグラム３５３に似ている画像を生み出すようＤＬ－ＡＮＮネットワーク３６１を学習させるために、対応する対象サイノグラム３５３とペアにされている大量の入力サイノグラム３５７を使用して、ＤＬ－ＡＮＮネットワーク３６１を学習させる。

処理３１５は、学習データのセットが取得され、ネットワーク３６１は、エラー（例えば、損失関数により生み出された値）を減らすために逐次的にアップデートされる。言い換えると、対象データと、入力データをサイノグラム補填ニューラルネットワークへ適用することからの出力との間の一致を表す損失関数を最適化するために、ネットワーク係数が逐次的にアップデートされる。ＤＬ－ＡＮＮネットワークは、学習データにより暗示されたマッピングを推察し、コスト関数は、対象サイノグラム３５３と、ＤＬ－ＡＮＮネットワーク３６１の現在の形（incarnation）を入力サイノグラム３５７へと適用することにより生み出された結果と、の間のミスマッチに関連したエラー値を生み出す。例えば、特定の実施形態において、コスト関数は、平均二乗エラーを最小化するために、平均二乗エラーを使用する場合がある。多重層パーセプトロン（ｍｕｌｔｉｌａｙｅｒ ｐｅｒｃｅｐｔｒｏｎｓ：ＭＬＰ）ニューラルネットワークの場合に、（確率論的）勾配降下法を使用して平均二乗エラーベースのコスト関数を最小化することで、ネットワークを学習させるために、逆伝播アルゴリズムを使用することができる。

処理３１５のステップ３１６において、ＤＬ－ＡＮＮネットワーク３６１の係数に対して、初期推測が生成される。例えば、初期推測は、画像化されている領域のアプリオリ知識、又は一つ又は複数の例示的なデノイジング法、エッジ保存検出法、及び／又はブロッブ検出法に基づく場合がある。加えて、初期推測は、ＬｅＣｕｎ初期化、Ｘａｖｉｅｒ初期化、Ｋａｉｍｉｎｇ初期化のうちの一つに基づく場合もある。ステップ３１６の処理は、サイノグラム補填ニューラルネットワークのネットワーク係数を初期化することに対応する。

処理３１５のステップ３１６から３１９までは、ＤＬ－ＡＮＮネットワーク３６１を学習するための初期化法の非限定例を提供する。

ネットワーク３６１の現在のバージョンの適用後に、対象サイノグラム３５３（つまり、グラウンドトゥルース）と入力サイノグラム３５７との間の差（つまり、距離測定）の測定を表すために、エラーが計算される（例えば、損失関数又はコスト関数を使用して）。エラーは、上述のコスト関数を含む、画像データ間の任意の公知のコスト関数又は距離測定を使用して、計算することができる。その上、特定の実施形態において、エラー／損失関数は、一つ又は複数のヒンジ形損失関数（hinge loss）又は交差エントロピー損失関数を使用して計算することができる。

加えて、学習データに示された特定の例に対してネットワークを過学習させることを避けるために、損失関数を正則化アプローチと組み合わせることができる。正則化は、機械学習問題における過学習の回避に役立つ場合がある。あまりに長く学習された場合に、モデルが十分な表現力（representational power）を有すると仮定すると、ネットワークはそのデータセットに特定のノイズを学習するようになるが、これを「過学習」と呼ぶ。過学習の場合に、ＤＬ－ＡＮＮは汎化に乏しくなり、ノイズがデータセット間で異なるため、分散が大きいものとなる場合がある。最小合計エラーは、バイアスと分散との合計が最小の場合に発生する。従って、学習データにおけるノイズに特定の解というよりも、学習されたネットワークが一般的な解を表す可能性（likelihood）を最大化するのに最も簡単且つ可能な方法でデータを説明する、局所最小値に到達することが望ましい。この目標は、例えば、早期停止、重み正則化、ラソウ（ｌａｓｓｏ）正則化、リッジ正則化、又は弾性ネット正則化により、達成することができる。

特定の実施形態において、ネットワーク３６１は、逆伝播を使用して学習される。逆伝播は、ニューラルネットワークの学習用に使用することができ、また勾配降下最適化法と併せて使用される。前向きメッセージパッシング（forward pass）の間、アルゴリズムは、現在のパラメータθに基づいたネットワークの予測を計算する。これらの予測はその後、対応するグラウンドトゥルースラベル（即ち、高クオリティ画像３５３）と比較される予測により、損失関数へと入力される。後ろ向きメッセージパッシング（backward pass）の間、モデルは現在のパラメータに関する損失関数の勾配を計算する。その後、パラメータが、最小化された損失の方向における予め決めたサイズのサイズのステップ（step of size of a predefined size）を取ることによりアップデートされる（例えば、ネステロフのモメンタム法や様々な適応法等の加速された方法、ステップサイズは、損失関数を最適化するようより素早く収束するために選択することができる）。

逆投影が実行される最適化法は、勾配降下、バッチ勾配降下、確率論的勾配降下、ミニバッチ確率論的勾配降下のうちの一つ又は複数を使用することができる。更に、最適化法は、例えば、Ａｄａｇｒａｄサブ勾配法、Ａｄａｄｅｌｔａ又はＡｄａｇｒａｄ法のＲＭＳＰｒｏｐパラメータアップデートバリエーション、そしてＡｄａｍ適応最適化技術等のネステロフモーメンタム技術又は適応法を含む、深層学習における確率論的勾配降下のより速い収束速度という結果になる最適化アプローチにおける、一つ又は複数のモーメンタムアップデート技術を使用して、加速することができる。最適化法は、ヤコビ行列（Jacobian matrix）をアップデートステップへと組み込むことで、第二のオーダ法を適用することもできる。

前向きメッセージパッシングと後ろ向きメッセージパッシングとは、ネットワークの個別の層を通して、インクリメントに実行することができる。前向きメッセージパッシングにおいて、実行は、入力を第一の層を通してフィードすることにより開始し、その結果後続の層に対する出力活性化を作り出す。当該処理は、最後の層での損失関数が到達されるまで、繰り返される。後ろ向きメッセージパッシングの間、最後の層は、それ自体の学習可能なパラメータ（もしあれば）に関してと、以前の層に対する上流微分としての機能を果たす、それ自体の入力に関しても計算する。当該処理は、入力層が到達されるまで繰り返される。

図１３に戻って、処理３１５のステップ３１７は、ネットワークにおける変化の関数としてエラーでの変化を計算することができる（例えば、エラー勾配）と判断し、当該エラーにおける変化は、ＤＬ－ＡＮＮ３６１の重み／係数に対する後続の変化に対する方向及びステップサイズとを選択するために、使用することができる。この様な方法でエラーの勾配を計算することは、勾配降下最適化法の特定の実施形態と一貫性がある。特定のその他の実施形態において、当該ステップは、省略することができる、及び／又は、当業者にとって理解される通り、別の最適化アルゴリズム（例えば、シミュレートされた焼き鈍し法又は遺伝的アルゴリズムのような、非勾配降下最適化アルゴリズム）に従って、別のステップと置き換えることができる。

処理の３１５のステップ３１７において、係数の新たなセットが、ＤＬ－ＡＮＮ３６１に対して決定される。例えば、重み／係数は、勾配降下最適化法又は過剰緩和加速法のように、ステップ３１７において計算した変化を使用してアップデートすることができる。

処理３１５のステップ３１８において、ＤＬ－ＡＮＮ３６１のアップデートされた重み／係数を使用して、新たなエラー値が計算される。

ステップ３１９において、ネットワークの学習が完璧かどうかを判定するために、予め定めた停止基準が使用される。例えば、予め定めた停止基準は、新たなエラー及び／又は実行された総逐次数が所定値を上回るかどうかを評価することがある。例えば、新たなエラーが所定のしきい値を下回って低下したか、又は最大逐次数に到達したかのどちらかの場合に、停止基準を満たすことができる。停止基準が満たされなかった場合に、処理３１５において実行される学習処理は、新たな重みと係数とを使用してステップ３１７に戻ったり繰り返したりすることで、逐次ループの開始へと戻り続けるようになる（逐次ループは、ステップ３１７、３１８、３１９を含む）。停止基準が満たされた場合に、処理３１５において実行される学習処理は、完了である。

図１４Ａ及び１４Ｂは、ＤＬ－ＡＮＮネットワーク３６１における層の間の相互連結の様々な例を示している。ＤＬ－ＡＮＮネットワーク３６１は、完全に連結された層、畳み込み層、そしてプーリング層を含むことができるが、これらは全て下記に説明される。ＤＬ－ＡＮＮネットワーク３６１の特定の推奨実施形態において、高レベルの推論（reasoning）を行う完全に連結された層は、損失関数に近づいて構造の更に下に位置される一方で、畳み込み層は入力層の近くに配置される。プーリング層は、畳み込みの後に挿入することができ、且つフィルタの空間的広がりを低下させる低減（reduction）を証明することができ、そしてつまり学習可能なパラメータ量とすることができる。活性化関数も、非線形性を取り込むために様々な層へと組み込まれ、複雑な予測関係を学習するためのネットワークを可能とする。活性化関数は、活性化関数を飽和状態にする（例えば、シグモイド又は双曲正接活性化関数）、又は矯正された活性化関数（例えば、上記で説明された第一の例及び第二の例に適用された、矯正された線形ユニット（Ｒｅｃｔｉｆｉｅｄ Ｌｉｎｅａｒ Ｕｎｉｔ：ＲｅＬＵ）とすることができる。ＤＬ－ＡＮＮネットワーク３６１の層は、上記で説明された第一及び第二の例でも例示された通り、バッチ規格化も組み込むことができる。

図１４Ａは、Ｎの入力、Ｋの隠れ層、そして三つの出力を有する、一般的な人工ニューラルネットワーク（ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＡＮＮ）の例を示している。各層は、ノード（又はニューロンとも呼ばれる）でできており、各ノードは、出力を生成するために、入力の重み付けられた合計を実行し、当該重み付けられた合計の結果をしきい値と比較する。ＡＮＮは、可変しきい値、結合重み、又はノード数及び／又はノードの結合性等構造の詳細によって取得されたクラスのメンバーに対する関数のクラスを構成する。ＡＮＮにおけるノードは、ニューロン（又はニューロンノードとも）呼ぶことがあり、係るニューロンは、ＡＮＮシステムの異なる層の間に相互結合を有することができる。最も簡素なＡＮＮは三つの層を有し、オートエンコーダ（ａｕｔｏｅｎｃｏｄｅｒ）と呼ばれる。ＤＬ－ＡＮＮネットワーク３６１は、ニューロンの三つ以上の層を有し、また入力ニューロンと同数の出力ニューロン^～ｘ_Ｎ（「～」はｘの上にある）を有すことがあり、ここでＮは再構成された画像におけるピクセル数である。シナプス（つまり、ニューロン間の結合）は、計算におけるデータをマニピュレートする「重さ」と呼ばれる値（「係数」又は「重み付け係数」と同義で呼ばれる）を格納する。ＡＮＮの出力は、パラメータの次の三つのタイプに依存する。（ｉ）ニューロンの異なる層間の相互結合パターン、（ｉｉ）相互結合の重さをアップデートする用の学習処理、（ｉｉｉ）ニューロンの重み付けられた入力を係るニューロンの出力活性化へと変換する活性化関数、である。

数学的に、ニューロンのネットワーク関数ｍ（ｘ）は、その他の関数の合成として更に定義することができる、その他の関数の合成ｎ_ｉ（ｘ）として定義される。これは、図１４Ａに示されている通り、変数間の従属状態を描いている矢印を用いて、ネットワーク構造として便利に表すことができる。例えば、ＡＮＮは、非線形重み付けられた合計を使用することが可能であり、ここでｍ（ｘ）＝Ｋ（Σ_ｉｗ_ｉｎ_ｉ（ｘ））であり、またここでＫは（「活性化関数」として通常呼ばれる）、双曲正接等のある所定の関数である。

図１４Ａ（そして同様に図１４Ｂ）において、ニューロン（つまりノード）は、しきい値関数の周りの円で描かれている。図１４Ａに示された非限定例について、入力は線形関数の周りの円として描かれ、矢印はニューロン間の方向付けられた結合を指す。特定の実施形態において、ＤＬ－ＡＮＮネットワーク３６１は、順伝播型ネットワーク（ｆｅｅｄｆｏｒｗａｒｄ ｎｅｔｗｏｒｋ）である。

図１４Ｂは、ＤＬ－ＡＮＮネットワーク３６１が畳み込みニューラルネットワーク（ＣＮＮ）である非限定例を示している。ＣＮＮは、画像処理に対し有益な特性を有するＡＮＮのタイプであり、従って画像デノイジングのアプリケーションに対し特に関連性がある。ニューロン間の結合性パターンが画像処理における畳み込みを表すことのできる順伝播型ＡＮＮを、ＣＮＮは使用する。例えば、ＣＮＮは、「受容野（ｒｅｃｅｐｔｉｖｅ ｆｉｅｌｄｓ）」と呼ばれる、入力画像の部分（portion）を処理する小さなニューロン収集の多層を使用することで、画像処理最適化に対して使用することができる。これらの収集の係る出力は、オリジナル画像のより良い表示を取得するために、これらの収集の出力が重なるようにしてその後タイル張り（tiled）にすることができる。この処理パターンは、畳み込み層とプーリング層との交代を有する多層にわたり、繰り返すことができる。

畳み込み層の後に続いて、ＣＮＮは、畳み込み層におけるニューロン集団の出力を組み合わせる、局所及び／又はグローバルプーリング層を含むことが可能である。更に、特定の実施形態において、ＣＮＮは、各層の終わりに又は各層の後に、適用された点別の非線形性を用いて、畳み込み層及び全結合層の様々な組み合わせも含むこともできる。

ＣＮＮは、画像処理に対する利点がいくつかある。フリーパラメータ数を減らし且つ生成を改善するために、入力の小さな領域について畳み込み演算が取り入れられる。ＣＮＮの特定の実施形態の重要な強みの一つは、畳み込み層における共有された重みの使用であり、つまり層における各ピクセルに対する係数として使用されるフィルタ（重みバンク）が同じフィルタであるということである。係る重要な強みは、メモリ使用量（memory footprint）を減らし、且つパフォーマンスを向上させる。その他の画像処理法と比較して、ＣＮＮは有利に比較的小さな前処理を使用する。これは、従来的なアルゴリズムでは手動で設計されたフィルタを学習することについて、信頼がおけることを意味する。特徴をデザインする際の予備知識及び人的努力に対する依存の欠如が、ＣＮＮに対する主たる強みである。

図１５は、第三世代ジオメトリで配置されたエネルギー積分型検出器を有する、コンピュータ断層撮影（ＣＴ）スキャナの第一の実施形態を示している。ダイアグラムは、Ｘ線源１１２、コリメータ／フィルタ１１４、Ｘ線検出器１０３、そしてＰＣＤ１からＰＣＤＮまでの光子計数検出器の間の相対的位置を描いている。

図１５に示されたＸ線源１１２及びＸ線検出器１０３の構成に加えて、投影データを取得するために、Ｘ線検出器及びＸ線源のその他のタイプと組み合わせとを使用することができる。

図１５は、Ｘ線投影データを収集、格納、処理そして分布用の回路及びハードウェアも示している。係る回路及びハードウェアは、プロセッサ１７０、メモリ１７８、そしてデータ収集システム１７６を含む。

Ｘ線源１１２及びＸ線検出器１０３がガントリ１４０に収容され、且つ回転のコンポーネント１１０の円軌道の周りを回転する。Ｘ線検出器１０３における検出器素子は、送られたＸ線放射線を検出し、且つ検出器１０３が回転するときに検出された信号を出力する。一実施形態において、Ｘ線検出器１０３は、検出器面上の所定のチャネル及びセグメント方向に、密に配置されたエネルギー積分型検出器を有する。

一実施形態において、Ｘ線源１１２は、所定の高レベルエネルギーと所定の低レベルエネルギーとでのＸ線照射を放射するためのｋＶ切替機能を実行するよう任意で構成された、単一のＸ線源である。例えば、Ｘ線源１１２は、適用される電圧に依存するエネルギースペクトルを有するＸ線を照射するよう構成されている。

Ｘ線検出器１０３は、シンチレータ素子と相互作用するＸ線放射線から結果として生じる、シンチレーションイベントからのシンチレーション光子の結果を検出するために、光電子増倍管又はアバランシェフォトダイオードを用いるシンチレーション素子等のエネルギー積分型検出器を使用することができる。係るシンチレータ素子は、結晶構造、有機液体、プラスチック、またはその他の公知のシンチレータの場合がある。例えば、エネルギー積分型Ｘ線検出器は、第一の電圧がＸ線源１１２へと適用される場合に、高ｋＶ投影データを出力し、且つ第一の電圧に比べて小さい第二の電圧がＸ線源へと適用された場合に、低ｋＶ投影データを出力するよう構成された複数の検出器素子を有する。

ＣＴスキャナは、データチャネルも含む。当該データチャネルは、光子計数検出器及びＸ線検出器１０３からの投影測定結果を、データ収集システム１７６、プロセッサ１７０、メモリ１７８に送る。データ収集システム１７６は、検出器からの投影データの収集、デジタル化、ルーティング（ｒｏｕｔｉｎｇ）を制御する。データ収集システム１７６は、環状回転フレーム１１０の回転を制御する、放射線制御回路も含む。一実施形態において、データ収集システム１７６は、寝台１１６の移動やＸ線源１１２の操作、そしてＸ線検出器１０３の操作も制御するようになる。データ収集システム１７６は、一連の投影ビューを通して、Ｘ線源１１２とエネルギー積分型Ｘ線検出器とを回転させ、かつ第一の電圧と第二の電圧とを往復して、Ｘ線源１１２へと適用される電圧を変化させる、よう構成された制御部の一例である。この制御部は、例えば、Ｘ線源１１２へと適用された電圧が一連の投影ビューの二つ以上の最も近い投影ビューの間に変化しなかった後にのみ、Ｘ線源１１２へと適用される電圧を変化させることで、疎なビューｋＶ切替を実行するよう構成された、としてもよい。データ収集システム１７６は、集中型システム又は代替的に分散型システムとすることができる。一実施形態において、データ収集システム１７６は、プロセッサ１７０に統合されている。この場合、プロセッサ１７０が制御部の一例となる。プロセッサ１７０は、投影データからの画像の再構成、投影データの前再構成処理、そして画像データの後再構成処理を含む機能を実行する。プロセッサ１７０は、ここに説明される機能及び方法も実行する。ガントリ１４０及びデータ収集システム１７６は、取得部の一例である。プロセッサ１７０は、処理部の一例である。処理部は、ＣＴスキャナのプロセッサ１７６に限らず、取得部にネットワークを介して接続されたサーバ装置として実装してもよい。言い換えると、Ｘ線ＣＴシステムは、単体の装置が取得部及び処理部を備えた構成で実現してもよく、取得部を備えた第１装置と、処理部を備えた第２装置とがネットワークを介して接続された構成で実現してもよい。このことは、全ての実施形態に共通している。

投影データの前再構成処理は、検出器キャリブレーション、検出器非線形性、極性効果、ノイズバランシング、そして物質弁別に対する補正を含むことができる。加えて、当該前再構成処理は、ステップ２１０における様々な処理を含むこともできる。

後再構成処理は、画像のフィルタリングやスムージング、ボリュームレンダリング処理、画像差分処理を必要に応じて含むことができる。加えて、後再構成処理は、処理２０２、３１０、３２０、３３０を含む、様々な方法２００からのステップを含むことができる。

画像再構成処理は、フィルタ補正逆投影法、逐次画像再構成方法、又は確率論的画像再構成法を使用して、実行することができる。更に、画像再構成処理は、ステップ２２０を含むことがある。

プロセッサ１７０とデータ収集システム１７６との両方は、例えば投影データ、再構成された画像、キャリブレーションデータやパラメータ、そしてコンピュータプログラムを格納するために、メモリ１７８を利用できる。

プロセッサ１７０は、ＣＰＵ及びネットワークコントローラを含むことができる。係るＣＰＵは、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)、又はその他の複合プログラマブル論理デバイス(ＣＰＬＤ)など、個々の論理ゲートとして実行することができる。ＦＰＧＡ又はＣＰＬＤの実施形態は、ＶＨＤＬ、ベリログ、又は任意のその他のハードウェア記述言語でコード化することができ、そして係るコードは、ＦＰＧＡ又はＣＰＬＤにおいて直接電子メモリ内に格納することができるし、又は別箇の電子メモリとして格納することもできる。更に、メモリは、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ（登録商標）、又はＦＬＡＳＨメモリ等、不揮発性であってもよい。係るメモリは、静的又は動的ＲＡＭ等揮発性でもよく、電子メモリの他にもＦＰＧＡ又はＣＰＬＤとメモリとの相互作用を管理するためのマイクロコントローラやマイクロプロセッサ等プロセッサが提供されていてもよい。

代替的に、ＣＰＵは、ここに説明された機能を実行するコンピュータ読み取り可能命令のセットを含んでいるコンピュータプログラムを実行することができ、係るコンピュータプログラムは、任意の上述の非一時的電子メモリ及び／又はハードディスクドライブ、ＣＤ、ＤＶＤ、ＦＬＡＳＨドライブ、又はその他の任意の公知の格納媒体に格納されている。更に、コンピュータ読み取り可能命令は、ユーティリティアプリケーション、バックグラウンドデーモン、又はオペレーティングシステムのコンポーネント、又はそれらの組み合わせとして提供されてもよく、米国Ｉｎｔｅｌ社からのＸｅｎｏｎプロセッサ又は米国ＡＭＤ社からのＯｐｔｅｒｏｎプロセッサ等のプロセッサと、そしてＭｉｃｒｏｓｏｆｔ ＶＩＳＴＡ、ＵＮＩＸ（登録商標）、Ｓｏｌａｒｉｓ、ＬＩＮＵＸ（登録商標）、Ａｐｐｌｅ、ＭＡＣ－ＯＳ等のオペレーティングシステムや、当業者にとって公知のその他オペレーティングシステムがプロセッサと一体となって実行する。更に、ＣＰＵは、命令を実行するために並行して協同的に動作する、マルチプルプロセッサとして実行することができる。

一実施形態において、ディスプレイ上に再構成された画像を映し出すことがある。当該ディスプレイは、ＬＣＤディスプレイ、ＣＲＴディスプレイ、プラズマディスプレイ、ＯＬＥＤ、ＬＥＤ、又は当業者にとって既知の、任意のその他のディスプレイとすることができる。ネットワークコントローラは、例えば米国Ｉｎｔｅｌ社からのインテルイーサネット（登録商標）ＰＲＯネットワークインターフェースカードとすることがあり、ＣＴスキャナの様々な部分間とインターフェースを取ることがある。加えて、ネットワークコントローラは、外部ネットワークとインターフェースを取ることもある。理解されている通り、係る外部ネットワークは、インターネット等公衆ネットワークや、ＬＡＮ又はＷＡＮネットワークなど私的ネットワークや、これらの任意の組み合わせでも良く、ＰＳＴＮ又はＩＳＤＮサブネットワークを含んでも良い。外的ネットワークは、イーサネットワークのように有線で接続されていても良いし、又はＥＤＧＥや３Ｇ、４Ｇ等の無線セルラーシステムを含むセルラーネットワークのような無線でも良い。また無線ネットワークは、ＷｉＦｉ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、又は任意のその他の公知の通信の無線方式であっても良い。

メモリ１７８は、ハードディスクドライブ、ＣＤ－ＲＯＭドライブ、ＤＶＤドライブ、ＦＬＡＳＨドライブ、ＲＡＭ、ＲＯＭ、又は当業者にとって既知の任意のその他の格納メディアであってもよい。

図１６は、ＣＴ装置又はＣＴスキャナ１００に含まれる放射線ガントリの第二の実施形態を描いている。図１６に図示されるように、放射線ガントリ１０００は側面から見て描かれており、Ｘ線管１００１、環状フレーム１００２、そして多列又は二次元アレイ型Ｘ線検出器１００３を更に含む。Ｘ線管１００１及びＸ線検出器１００３は、環状フレーム１００２上に被検体ＯＢＪを横切って正反対に取り付けられ、環状フレーム１００２は回転軸ＲＡの回りに回転可能に支持される。被検体ＯＢＪが図示された頁の奥の方向又は手前の方向の軸ＲＡに沿って移動されながら、回転ユニット１００７は環状フレーム１００２を０．４秒／回転もの高速で回転させる。

本発明に係るＸ線コンピュータ断層撮影（ＣＴ）装置の第一の実施形態は、付随する図面を参照しながら以下に説明される。Ｘ線ＣＴ装置は、様々なタイプの装置を含むことに留意されたい。具体的には、Ｘ線管とＸ線検出器とが検査される予定の被検体の周辺を一緒に回る回転／回転型装置と、そして多数の検出器素子がリング状又は水平状に配置されており、Ｘ線管のみが検査される予定の被検体の周辺を回る固定／回転型装置とがある。本発明は、いずれのタイプにも適用可能である。今回は、回転／回転型タイプが例示される。

マルチスライスＸ線ＣＴ装置は高電圧発生器１００９を更に含み、Ｘ線管１００１がＸ線を生成するように、スリップリング１００８を通して、高電圧発生器１００９はＸ線管１００１に印加される管電圧を生成する。Ｘ線は、被検体ＯＢＪに向かって放射され、被検体ＯＢＪの断面領域が円で表される。例えば、第一のスキャンにわたる平均的なＸ線エネルギーを有するＸ線管１００１は、第二のスキャンにわたる平均的なＸ線エネルギーよりも小さい。このようにして、異なるＸ線エネルギーに対応して二回以上のスキャンを取得することができる。Ｘ線検出器１００３は、被検体ＯＢＪを通り抜けてきた、照射されたＸ線を検出するために、被検体ＯＢＪを挟んでＸ線管１００１から反対側の位置にある。Ｘ線検出器１００３は、個々の検出器素子又は検出器ユニットを更に含む。

ＣＴ装置は、Ｘ線検出器１００３から検出された信号を処理するための、その他のデバイスを更に含む。データ収集回路又はデータ収集システム（ＤＡＳ）１００４は、各チャネルに対するＸ線検出器１００３からの出力信号を電圧信号に変換し、係る信号を増幅し、更にその信号をデジタル信号へと変換する。Ｘ線検出器１００３及びＤＡＳ１００４は、１回転当たりの所定全投影数（ＴＰＰＲ）を処理するよう構成されている。

上記で説明されたデータは、非接触データ送信装置１００５を通して、放射線ガントリ１０００外部のコンソール内に収容された、前処理回路１００６へと送られる。前処理回路１００６は、生データに対し感度補正など、特定の補正を実行する。ストレージ１０１２は、再構成処理直前のステージで、「投影データ」とも呼ばれる結果データを格納する。ストレージ１０１２は、再構成回路１０１４、入力インターフェース１０１５、ディスプレイ１０１６と共に、データ／制御バス１０１１を通して、処理回路１０１０に接続されている。処理回路１０１０は、ＣＴシステムを駆動させるのに十分なレベルに達するまで電流を制限する電流調整器１０１３を制御する。「ストレージ」は、「メモリ」、「記憶部」又は「格納部」等と読み替えてもよい。「再構成回路」は、「再構成デバイス」又は「再構成処理部」等と読み替えてもよい。「ディスプレイ」は、「表示部」等と読み替えてもよい。放射線ガントリ１０００は、取得部の一例である。再構成回路１０１４は、処理部の一例である。処理部は、Ｘ線ＣＴ装置の再構成回路１０１４に限らず、取得部にネットワークを介して接続されたサーバ装置として実装してもよい。

検出器は、どんな世代のＣＴスキャナシステムであっても、患者に対して回転及び／又は固定される。一実施形態において、上記のＣＴシステムは、第三世代ジオメトリシステムと第四世代ジオメトリシステムとが組み合わせられた例とする場合がある。第三世代ジオメトリシステムにおいて、Ｘ線管１００１とＸ線検出器１００３とは、環状フレーム１００２上に正反対に取り付けられ、環状フレーム１００２が回転軸ＲＡの周りを回転する時に、被検体ＯＢＪの周りを回転する。第四世代ジオメトリシステムにおいて、検出器は患者の周辺に固定して取り付けられており、Ｘ線管は患者の周辺を回転する。代替的な実施形態において、放射線ガントリ１０００は、Ｃアーム及びスタンドによって支持されている、環状フレーム１００２上に配置された多数の検出器を有する。

ストレージ１０１２は、Ｘ線検出器１００３でＸ線照射量を示す測定値を格納することができる。更に、ストレージ１０１２は、ここで説明された方法（例えば、方法２００及びその変形例）を実行するための専用プログラムを格納することができる。

再構成回路１０１４は、ここに説明された方法（例えば、方法２００のステップ２２０及びその変形例）の様々なステップを実行することができる。例えば、再構成回路１０１４は、前述した逐次近似応用被曝低減（ＡＩＤＲ）三次元（３Ｄ）再構成法を使用してもよい。この再構成法を使用する場合、再構成回路１０１４は、ノイズ低減、アーチファクト低減を目的として投影データ上と画像データ上との二段階でノイズモデルを用いたノイズ低減処理を実行し、Ｓ／Ｎ比及び質感の高い再構成画像を生成する。この場合、再構成回路１０１４は、図１７に示すように、第１のノイズ取得部１０１４ａ、第２のノイズ取得部１０１４ｂ、ノイズ推定部１０１４ｃ、ノイズ低減処理部１０１４ｄ、再構成画像生成部１０１４ｅ、最適化処理部１０１４ｆ、更新処理部１０１４ｇ、ブレンド処理部１０１４ｈを有している。なお、これらの「・・・部」は、「・・・回路」等と読み替えてもよい。

第１のノイズ取得部１０１４ａは、対数変換前の投影カウントデータに対して、システムモデル（装置ジオメトリ等の装置固有の特性を考慮したスキャナーモデル等）を利用してノイズ量を推定する。

第２のノイズ取得部１０１４ｂは、対数変換前の投影カウントデータに対して統計学的ノイズモデル（各Ｘ線量帯におけるフォトンノイズと電気的ノイズとを考慮した統計学的なノイズモデル）を利用してノイズ量を推定する。

ノイズ推定部１０１４ｃは、第１のノイズ取得部１０１４ａ、第２のノイズ取得部１０１４ｂのそれぞれにおいて推定された各ノイズ量に基づいて、対数変換前の投影カウントデータについての推定ノイズの総量を取得する。

ノイズ低減処理部１０１４ｄは、ノイズ推定部１０１４ｃにおいて推定されたノイズ量に従って、対数変換前の投影カウントデータに対しノイズ低減処理を実行する。また、ノイズ低減処理部１０１４ｄは、ノイズ低減された対数変換前の投影カウントデータに対数変換等を実行し出力する。

再構成画像生成部１０１４ｅは、ノイズ低減処理部１０１４ｄより受け取った（ノイズ低減処理及び対数変換後の）投影データを用いた再構成処理を実行し、再構成画像を生成する。この再構成画像生成部１０１４ｅが実行する再構成処理は、逐次近似再構成処理（フルＩＲ処理）、フィルタードバックプロジェクション処理（ＦＢＰ処理）、ＩＲ処理とＦＢＰ処理の双方を用いた処理（ハイブリッド処理）のいずれであってもよい。

最適化処理部１０１４ｆは、解剖学的モデルを用いて、再構成画像生成部１０１４ｅより受け取った再構成画像又は更新処理部１０１４ｇからフィードバックされる更新処理後の再構成画像に対し、三次元情報を用いて鮮鋭度の高い構造を維持すると同時に、画像データ上に存在するノイズを選択的に除去する最適化処理を実行する。また、最適化処理部１０１４ｆは、再構成画像生成部１０１４ｅより受け取った再構成画像に対し、所定の平滑化処理を実行する。

更新処理部１０１４ｇは、最適化処理部１０１４ｆから出力される、最適化処理後の画像データと平滑化処理後の画像データとを用いて、再構成画像の更新処理を実行する。更新後の再構成画像は再び最適化処理部１０１４ｆへと出力される。更新処理部１０１４ｇと最適化処理部１０１４ｆとの間で、所定の条件を満たすまで、上述した最適化処理、平滑化処理、更新処理が繰り返し実行される。

ブレンド処理部１０１４ｈは、更新処理部１０１４ｇから出力された再構成画像と、再構成画像生成部１０１４ｅから出力された（初期）再構成画像とを所定の比率でブレントし、Ｓ／Ｎ比を向上させつつ画像データ上でノイズ粒状性を維持し、より自然な質感を有する再構成画像を生成する。

なお、更新処理部１０１４ｇと最適化処理部１０１４ｆとの間における繰り返し処理の回数、ブレンド処理部１０１４ｈにおけるブレンド処理のブレンド比率は、撮像部位や臨床用途等を基準として決定することができる。

更に、再構成回路１０１４は、必要に応じてボリュームレンダリング処理や画像差分処理等、前再構成処理画像処理を実行することができる。

前処理回路１００６によって実行された投影データの前再構成処理は、検出器キャリブレーション、検出器非直線性、極性効果のための補正を例えば含むことができる。更に、前再構成処理は、ステップ２１０を含むこともできる。

再構成回路１０１４によって実行される後再構成処理は、画像のフィルタリングやスムージング、ボリュームレンダリング処理、そして画像差分処理を、必要に応じて含むことができる。画像再構成処理は、方法２００の様々なステップ（例えば、ステップ２３０、２４０）を実行でき、またＤＬ－ＡＮＮネットワークのオフライン学習（例えば、処理３１０、３２０、３３０）も実行することができる。再構成回路１０１４は、例えば投影データ、再構成された画像、キャリブレーションデータやパラメータ、そしてコンピュータプログラムを格納するのに、ストレージを使うことがある。

再構成回路１０１４は、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)、又は複合プログラマブル論理デバイス(ＣＰＬＤ)など、個々の論理ゲートとして実行可能な、ＣＰＵ（中央演算処理装置）を含むことができる。ＦＰＧＡ又はＣＰＬＤの実行は、ＶＨＤＬ、ベリログ、又は任意のその他のハードウェア記述言語でコード化することができ、そして係るコードはＦＰＧＡ又はＣＰＬＤにおいて直接電子メモリ内に格納することができるし、又は別箇の電子メモリとして格納することもできる。更に、ストレージ１０１２は、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ（登録商標）、又はＦＬＡＳＨメモリ等、不揮発性メモリであってもよい。ストレージ１０１２は、静的又は動的ＲＡＭ等揮発性でもよく、電子メモリだけでなくＦＰＧＡ又はＣＰＬＤとメモリとの間の相互作用を管理するマイクロコントローラやマイクロプロセッサ等の処理部が設けられることもある。

代替的に、再構成回路１０１４におけるＣＰＵは、ここで説明された機能を実行するコンピュータ読み取り可能命令のセットを含むコンピュータプログラムを実行することができ、係るコンピュータプログラムは、任意の上述の非一時的電子メモリ及び／又はハードディスクドライブ、ＣＤ、ＤＶＤ、ＦＬＡＳＨドライブ、又はその他の任意の既知の格納媒体に格納されている。更に、コンピュータ読み取り可能命令は、ユーティリティアプリケーション、バックグラウンドデーモン、又はオペレーティングシステムのコンポーネント、又はそれらの組み合わせで提供されてもよく、米国Ｉｎｔｅｌ社からのＸｅｎｏｎプロセッサ又は米国ＡＭＤ社からのＯｐｔｅｒｏｎプロセッサなどのプロセッサと、そしてＭｉｃｒｏｓｏｆｔ ＶＩＳＴＡ、ＵＮＩＸ、Ｓｏｌａｒｉｓ、ＬＩＮＵＸ、Ａｐｐｌｅ、ＭＡＣ－ＯＳ等のオペレーティングシステムや、当業者にとっては既知のその他のオペレーティングシステムと一体となって実行する。更に、ＣＰＵは、命令を実行するために並行して協同的に動く、マルチプルプロセッサとして実行されてもよい。

一実施形態において、ディスプレイ１０１６上に再構成された画像を映し出すことができる。係るディスプレイ１０１６は、ＬＣＤディスプレイ、ＣＲＴディスプレイ、プラズマディスプレイ、ＯＬＥＤ、ＬＥＤ、又は当業者にとって既知のその他のディスプレイであってもよい。

ストレージ１０１２は、ハードディスクドライブ、ＣＤ－ＲＯＭドライブ、ＤＶＤドライブ、ＦＬＡＳＨドライブ、ＲＡＭ、ＲＯＭ、又は当業者にとって既知のその他の格納メディアであってもよい。

特定の実施形態が述べられてきた一方で、これらの実施形態は、一例として提示されたに過ぎず、本開示の範囲を限定することを意図したものではない。実際には、ここで説明された新たな方法、装置やシステムは、その他の様々な形態で具体化することが可能であり、更には、本開示の趣旨から乖離することなく、本開示に説明された方法、装置やシステムの形式で省略、置き換え、変更が可能である。

１００ ＣＴスキャナ
１０３ Ｘ線検出器
１１０ 環状回転フレーム
１１２ Ｘ線源
１１４ コリメータ／フィルタ
１４０ ガントリ
１７０ プロセッサ
１７６ データ収集システム
１７８ メモリ
１０００ 放射線ガントリ
１００１ Ｘ線管
１００２ 環状フレーム
１００３ Ｘ線検出器
１００４ データ収集回路（ＤＡＳ）
１００５ 非接触データ送信機
１００６ 前処理回路
１００７ 回転ユニット
１００８ スリップリング
１００９ 高電圧発生器
１０１０ 処理回路
１０１１ データ／制御バス
１０１２ ストレージ
１０１３ 電流調整器
１０１４ 再構成回路
１０１４ａ 第１のノイズ取得部
１０１４ｂ 第２のノイズ取得部
１０１４ｃ ノイズ推定部
１０１４ｄ ノイズ低減処理部
１０１４ｅ 再構成画像生成部
１０１４ｆ 最適化処理部
１０１４ｇ 更新処理部
１０１４ｈ ブレンド処理部
１０１５ 入力インターフェース
１０１６ ディスプレイ

Claims (25)

1. 離散的な第１のビュー群に対応し、第１のエネルギーのＸ線の照射を伴って収集された第１の投影データセットと、前記第１のビュー群とは異なる離散的な第２のビュー群に対応し、前記第１のエネルギーとは異なる第２のエネルギーのＸ線の照射を伴って収集された第２の投影データセットと、を取得する取得部と、
   前記第１の投影データセット及び前記第２の投影データセットに基づいて、第３のビュー群に対応し、前記第１のエネルギーのＸ線に対応する第３の投影データセット、及び第４のビュー群に対応し、前記第２のエネルギーのＸ線に対応する第４の投影データセットを生成する学習済みモデルに対して、前記第１の投影データセット及び前記第２の投影データセットを入力することで、前記第３の投影データセット及び前記第４の投影データセットを生成する処理部と、
   を備え、
   前記処理部は、
   複数の検出器素子のＸ線放射の強度を表す投影データであって、前記第１の投影データセット及び前記第２の投影データセットを構成する前記投影データを前記取得部から取得し、前記投影データは、投影ビューの関数として低ｋＶ投影データと交互配置された高ｋＶ投影データを表しており、前記投影データにおいて前記高ｋＶ投影データの投影ビューは前記低ｋＶ投影データの投影ビューから分離されており、前記低ｋＶ投影データはＸ線源へと適用された第一の電圧を使用して収集されており、前記高ｋＶ投影データは前記Ｘ線源へと、前記第一の電圧に比べてより大きい第二の電圧を使用して収集されており、
   高ｋＶデータ用の一方の入力チャネルと、低ｋＶデータ用の他方の入力チャネルとの二つの入力チャネルを有する第一のニューラルネットワークである前記学習済みモデルを取得し、前記第一のニューラルネットワークは、入力データと対象データとを含む学習データセットを使用して学習されており、前記入力データはｋＶ切替サイノグラムに基づいており、前記入力データにおいてｋＶ切替低ｋＶサイノグラムの投影ビューがｋＶ切替高ｋＶサイノグラムの投影ビューから分離されており、前記対象データは完全な低ｋＶサイノグラムと完全な高ｋＶサイノグラムとを含む完全なサイノグラムに基づいており、前記完全なサイノグラムのそれぞれが全ての投影ビューに対する投影データを含んでいる、
   前記高ｋＶ投影データと前記低ｋＶ投影データとに対するサイノグラム補填を実行し、
   前記第一のニューラルネットワークに対して、前記低ｋＶ投影データに基づいた低ｋＶ入力と前記高ｋＶ投影データに基づいた高ｋＶ入力とを適用し、前記第一のニューラルネットワークは、前記サイノグラム補填からのエラーが低減された結果を出力している、
   よう構成されている、Ｘ線ＣＴシステム。
2. 前記第３のビュー群及び前記第４のビュー群は、それぞれ前記第１のビュー群及び前記第２のビュー群を含む、請求項１に記載のＸ線ＣＴシステム。
3. 前記第３のビュー群は、前記第１のビュー群より多く、前記第４のビュー群は、前記第２のビュー群より多い、請求項１に記載のＸ線ＣＴシステム。
4. 前記第１の投影データセット、前記第２の投影データセット、前記第３の投影データセット、及び前記第４の投影データセットは、それぞれサイノグラムである、請求項１に記載のＸ線ＣＴシステム。
5. 前記第３の投影データセット及び前記第４の投影データセットは、それぞれ画像再構成に必要な全てのビューに対応するサイノグラムである、請求項１に記載のＸ線ＣＴシステム。
6. 前記処理部は、前記低ｋＶ入力と前記高ｋＶ入力とを前記第一のニューラルネットワークへと適用することと一体的に、前記サイノグラム補填を実行するよう更に構成され、
   前記第一のニューラルネットワークへの前記高ｋＶ入力は、前記サイノグラム補填よりも前の前記高ｋＶ投影データであり、
   前記第一のニューラルネットワークへの前記低ｋＶ入力は、前記サイノグラム補填よりも前の前記低ｋＶ投影データであり、
   前記第一のニューラルネットワークは、サイノグラム補填を実行するために、前記高ｋＶ投影データと前記低ｋＶ投影データとの相補的な情報を使用するよう学習され、全ての投影ビューに対する投影データを含む完全な高ｋＶ投影データと、全ての投影ビューに対する投影データを含む完全な低ｋＶ投影データとを前記第３の投影データセット及び前記第４の投影データセットとして生成している、請求項５記載のＸ線ＣＴシステム。
7. 前記処理部は、前記第一のニューラルネットワークに対して、前記低ｋＶ入力と前記高ｋＶ入力との適用よりも前に前記サイノグラム補填を実行するよう更に構成され、
   全ての投影ビューに対する投影データを含む完全な高ｋＶ投影データと全ての投影ビューに対する投影データを含む完全な低ｋＶ投影データとを生成する前記サイノグラム補填を実行し、
   前記高ｋＶ入力としての前記完全な高ｋＶ投影データと前記低ｋＶ入力としての前記完全な低ｋＶ投影データとを前記第一のニューラルネットワークに適用して、前記第一のニューラルネットワークから出力される前記完全な高ｋＶ投影データ及び前記完全な低ｋＶ投影データ内でサイノグラム補填エラーが低減された結果を出力する、請求項５記載のＸ線ＣＴシステム。
8. 前記処理部は、
   前記高ｋＶ投影データと前記低ｋＶ投影データとを第一の基底投影データと第二の基底投影データとに弁別し、
   前記第一の基底投影データから第一の基底画像を再構成し、
   前記第二の基底投影データから第二の基底画像を再構成するよう更に構成された、請求項５記載のＸ線ＣＴシステム。
9. 前記処理部は、
   前記高ｋＶ投影データと前記低ｋＶ投影データとを、物質弁別を使用して、第一の物質成分投影データと第二の物質成分投影データとに弁別するよう更に構成された、請求項５記載のＸ線ＣＴシステム。
10. 前記処理部は、
    前記第一の基底投影データ用の一方の入力チャネルと、前記第二の基底投影データ用の他方の入力チャネルとの二つのチャネルを有する第二のニューラルネットワークを取得し、
    前記第二のニューラルネットワークは、前記ｋＶ切替サイノグラムの基底弁別に基づいている入力データと、前記完全なサイノグラムの基底弁別に基づいている対象データと、を含む学習データセットを使用して学習されている、請求項８記載のＸ線ＣＴシステム。
11. 前記処理部は、
    前記第一の基底画像用の一方の入力チャネルと、前記第二の基底画像用の他方の入力チャネルとの二つのチャネルを有する第二のニューラルネットワークを取得し、
    前記第二のニューラルネットワークは、入力データと対象データとを含む学習データセットを使用して学習されており、
    前記入力データは、前記ｋＶ切替サイノグラムの基底弁別から再構成された画像に基づいており、
    前記対象データは、前記完全なサイノグラムの基底弁別から再構成された画像に基づいているよう更に構成された、請求項８記載のＸ線ＣＴシステム。
12. 前記処理部は、
    高ｋＶデータ用の一方の入力チャネルと、低ｋＶデータ用の他方の入力チャネルとの二つの入力チャネルを有する第二のニューラルネットワークを取得し、
    前記低ｋＶ投影データと前記高ｋＶ投影データとを第一の面に沿った個別の第一のスライスへと区切り、
    部分的に補正された低ｋＶ投影データと部分的に補正された高ｋＶ投影データとを生成するために、前記個別の第一のスライスを前記第一のニューラルネットワークへと適用し、
    前記部分的に補正された低ｋＶ投影データと前記部分的に補正された高ｋＶ投影データとを前記第一の面と直交である第二の面に沿った個別の第二のスライスへと区切り、
    補正された低ｋＶ投影データと補正された高ｋＶ投影データとを生成するために、前記個別の第二のスライスを前記第二のニューラルネットワークへと適用する、よう更に構成された、請求項５記載のＸ線ＣＴシステム。
13. 前記処理部は、
    高ｋＶデータ用の一方の入力チャネルと、低ｋＶデータ用の他方の入力チャネルとの二つの入力チャネルを有する第二のニューラルネットワークを取得し、
    前記低ｋＶ投影データを、高空間周波数低ｋＶ投影データと低空間周波数低ｋＶ投影データとを含む低ｋＶ周波数成分へと変換し、
    前記高ｋＶ投影データを、高空間周波数高ｋＶ投影データと低空間周波数高ｋＶ投影データとを含む高ｋＶ周波数成分へと変換し、
    前記第一のニューラルネットワークに対して、前記高ｋＶ周波数成分の高周波数成分と前記低ｋＶ周波数成分の高周波数成分とを適用し、
    前記第二のニューラルネットワークに対して、前記高ｋＶ周波数成分の低周波数成分と前記低ｋＶ周波数成分の低周波数成分とを適用し、
    補正された低ｋＶ投影データと補正された高ｋＶ投影データとを生成するために、個別の前記高周波数成分を、対応する低周波数成分と組み合わせるよう更に構成された、請求項５記載のＸ線ＣＴシステム。
14. 前記処理部は、
    低空間周波数投影データを生成するために、前記投影データに対してローパスフィルタを適用し、且つ高空間周波数投影データを生成するために、前記低空間周波数投影データを前記投影データから引くことと、
    前記投影データを低空間周波数投影データと高空間周波数投影データとに分けるために、ウェーブレット変換を前記投影データへと適用することと、
    前記投影データを周波数ドメインへと変換し、且つ前記周波数ドメインにおける前記投影データを低空間周波数投影データと高空間周波数投影データとに分けることと、
    のうちの一つにより前記投影データを周波数成分へと変換するよう更に構成された、請求項１３記載のＸ線ＣＴシステム。
15. 前記処理部は、
    ダウンサンプルされた投影データを生成するために、前記低空間周波数低ｋＶ投影データと前記低空間周波数高ｋＶ投影データとをダウンサンプリングすることと、
    ダウンサンプルされた結果を生成するために、前記ダウンサンプルされた投影データを前記第二のニューラルネットワークへと適用することと、
    補正された低空間周波数低ｋＶ投影データと補正された低空間周波数高ｋＶ投影データとを生成するために、前記ダウンサンプルされた結果をアップサンプルすることと、
    により前記低周波数成分を前記第二のニューラルネットワークへと適用するよう更に構成された、請求項１３記載のＸ線ＣＴシステム。
16. 前記処理部は、
    高ｋＶ投影データが収集された投影ビューに対して低ｋＶ投影データが収集された投影ビューを表すｋＶ切替マスクを取得するよう更に構成され、
    前記第一のニューラルネットワークは前記ｋＶ切替マスクを受信するための第三の入力チャネルを有する、請求項５記載のＸ線ＣＴシステム。
17. Ｘ線源へと適用される電圧に依存するエネルギースペクトルを有するＸ線を照射するよう構成された前記Ｘ線源と、
    第一の電圧が前記Ｘ線源へと適用される場合に、前記高ｋＶ投影データを出力し、且つ前記第一の電圧に比べて小さい第二の電圧が前記Ｘ線源へと適用された場合に、前記低ｋＶ投影データを出力するよう構成された複数の検出器素子を有するエネルギー積分型Ｘ線検出器と、
    一連の投影ビューを通して、前記Ｘ線源と前記エネルギー積分型Ｘ線検出器とを回転させ、かつ
    前記第一の電圧と前記第二の電圧とを往復して、前記Ｘ線源へと適用される電圧を変化させる、
    よう構成された制御部と、
    を備え、
    前記制御部は、
    前記Ｘ線源へと適用された前記電圧が前記一連の投影ビューの二つ以上の最も近い投影ビューの間に変化しなかった後にのみ、前記Ｘ線源へと適用される前記電圧を変化させることで、疎なビューｋＶ切替を実行するよう構成された、請求項５記載のＸ線ＣＴシステム。
18. 複数の検出器素子でＸ線照射の強度を表す投影データを取得し、前記投影データは、投影ビューの関数として低ｋＶ投影データと交互配置された高ｋＶ投影データを表しており、前記投影データにおいて前記高ｋＶ投影データの投影ビューは前記低ｋＶ投影データの投影ビューから分離されており、前記低ｋＶ投影データはＸ線源へと適用された第一の電圧を使用して収集されており、前記高ｋＶ投影データは前記Ｘ線源へと、前記第一の電圧に比べてより大きい第二の電圧を使用して収集されており、
    高ｋＶデータ用の第一のチャネルを有する第一のニューラルネットワークを取得し、前記第一のニューラルネットワークは、入力データと対象データとを含む第一の学習データセットを使用して学習されており、前記入力データはｋＶ切替サイノグラムに基づいており、前記入力データにおいてｋＶ切替低ｋＶサイノグラムの投影ビューがｋＶ切替高ｋＶサイノグラムの投影ビューから分離されており、前記対象データは、完全なサイノグラムのそれぞれが全ての投影ビューに対する投影データを含む、完全な高ｋＶサイノグラムを含む前記完全なサイノグラムに基づいている、
    低ｋＶデータ用の第一のチャネルを有する第二のニューラルネットワークを取得し、前記第二のニューラルネットワークは、入力データと対象データとを含む第二の学習データセットを使用して学習されており、前記入力データはｋＶ切替サイノグラムに基づいており、前記入力データにおいて前記ｋＶ切替低ｋＶサイノグラムの前記投影ビューが前記ｋＶ切替高ｋＶサイノグラムの前記投影ビューから分離されており、前記対象データは、全ての投影ビューに対する投影データを含んでいる完全な低ｋＶサイノグラムを含む、完全なサイノグラムに基づいている、
    前記高ｋＶ投影データに対するサイノグラム補填と、前記低ｋＶ投影データに対するサイノグラム補填とを実行し、
    前記第一のニューラルネットワークに対して、前記高ｋＶ投影データに基づいた高ｋＶ入力を適用し、前記第一のニューラルネットワークは、前記高ｋＶ投影データの前記サイノグラム補填からのエラーが低減された結果を出力している、
    前記第二のニューラルネットワークに対して、前記低ｋＶ投影データに基づいた低ｋＶ入力を適用し、前記第二のニューラルネットワークは、前記低ｋＶ投影データの前記サイノグラム補填からのエラーが低減された結果を出力している、
    よう構成された処理部を具備するＸ線ＣＴシステム。
19. 前記処理部は、
    前記第一のニューラルネットワークを取得し、前記第一のニューラルネットワークは、前記ｋＶ切替低ｋＶサイノグラムが収集された投影ビューに対して前記ｋＶ切替高ｋＶサイノグラムが収集された投影ビューを表すｋＶ切替マスクに対する第二のチャネルを有し、
    前記第二のニューラルネットワークを取得し、前記第二のニューラルネットワークは、前記ｋＶ切替マスク用の第二のチャネルを有し、
    前記第一のニューラルネットワークに対して、前記取得された投影データの高ｋＶ入力と前記ｋＶ切替マスクとを適用し、
    前記第二のニューラルネットワークに対して、前記取得された投影データの低ｋＶ入力と前記ｋＶ切替マスクとを適用し、
    前記第一のニューラルネットワークは、前記ｋＶ切替サイノグラムに対応する個別のｋＶ切替マスクを含む前記入力データを含む前記第一の学習データセットを使用して学習されており、
    前記第二のニューラルネットワークは、前記ｋＶ切替サイノグラムに対応する個別のｋＶ切替マスクを含む前記入力データを含む前記第二の学習データセットを使用して学習されている、
    よう更に構成された、請求項１８記載のＸ線ＣＴシステム。
20. 前記処理部は、
    前記投影データを取得し、前記投影データは、前記投影ビューの前記関数として交互配置された前記高ｋＶ投影データと前記低ｋＶ投影データと中ｋＶ投影データを表す、前記中ｋＶ投影データは、前記第一の電圧と前記第二の電圧との間の切り替え途中の電圧を使用して収集されており、
    前記高ｋＶデータ用の前記一方の入力チャネルと、前記低ｋＶデータ用の前記他方の入力チャネルと、中ｋＶデータ用の第三の入力チャネルとの三つの入力チャネルを有する前記第一のニューラルネットワークを取得する、よう更に構成された、請求項５記載のＸ線ＣＴシステム。
21. サイノグラム補填ニューラルネットワークのネットワーク係数を初期化することと、ｋＶ切替サイノグラムに基づいた高ｋＶ入力と低ｋＶ入力とのペアを含む入力データを取得することと、前記ｋＶ切替サイノグラムにおいてｋＶ切替低ｋＶサイノグラムの投影ビューがｋＶ切替高ｋＶサイノグラムの投影ビューから分離されており、前記ｋＶ切替低ｋＶサイノグラムは、投影ビューの関数として前記ｋＶ切替高ｋＶサイノグラムと交互配置される、
    完全な低ｋＶサイノグラムと完全な高ｋＶサイノグラムとを含む完全なサイノグラムに基づいた高ｋＶ対象と低ｋＶ対象とのペアを含む対象データを取得することと、前記完全なサイノグラムのそれぞれは全ての投影ビューに対する投影データを含む、
    前記対象データと、前記入力データを前記サイノグラム補填ニューラルネットワークへ適用することからの出力との間の一致を表す損失関数を最適化するために、前記ネットワーク係数を逐次的にアップデートすることと、
    により、二つのチャネルを有する前記サイノグラム補填ニューラルネットワークを学習させるよう構成された処理部を具備するＸ線ＣＴシステム。
22. 前記処理部は、
    前記ｋＶ切替高ｋＶサイノグラムが収集された投影ビューに対して前記ｋＶ切替低ｋＶサイノグラムが収集された投影データを表すｋＶ切替マスクを取得することと、
    前記損失関数を最適化するために、前記ネットワーク係数を逐次的にアップデートすることと、
    によりアーチファクト低減ニューラルネットワークを学習させるよう更に構成された、請求項２１記載のＸ線ＣＴシステム。
23. 前記処理部は、前記アーチファクト低減ニューラルネットワークを学習させるよう更に構成され、前記ｋＶ切替マスクは、前記ｋＶ切替サイノグラムにおける欠損値に対して、前記ｋＶ切替サイノグラムにおいて最も近い収集された値に対する近似を更に表す請求項２２記載のＸ線ＣＴシステム。
24. ｋＶ切替を用いて収集された投影データのサイノグラム補填の方法であって、
    複数の検出器素子のＸ線放射の強度を表す投影データを取得することと、前記投影データは、投影ビューの関数として低ｋＶ投影データと交互配置された高ｋＶ投影データを表しており、前記投影データにおいて前記高ｋＶ投影データの投影ビューは前記低ｋＶ投影データの投影ビューから分離されており、前記低ｋＶ投影データはＸ線源へと適用された第一の電圧を使用して収集されており、前記高ｋＶ投影データは前記Ｘ線源へと、前記第一の電圧に比べてより大きい第二の電圧を使用して収集されており、
    高ｋＶデータ用の一方の入力チャネルと、低ｋＶデータ用の他方の入力チャネルとの二つの入力チャネルを有する第一のニューラルネットワークを取得することと、前記第一のニューラルネットワークは、入力データと対象データとを含む学習データセットを使用して学習されており、前記入力データはｋＶ切替サイノグラムに基づいており、前記入力データにおいてｋＶ切替低ｋＶサイノグラムの投影ビューがｋＶ切替高ｋＶサイノグラムの投影ビューから分離されており、前記対象データは完全な低ｋＶサイノグラムと完全な高ｋＶサイノグラムとを含む完全なサイノグラムに基づいており、前記完全なサイノグラムのそれぞれが全ての投影ビューに対する投影データを含んでいる、
    前記高ｋＶ投影データと前記低ｋＶ投影データとに対するサイノグラム補填を実行することと、
    前記第一のニューラルネットワークに対して、前記低ｋＶ投影データに基づいた低ｋＶ入力と前記高ｋＶ投影データに基づいた高ｋＶ入力とを適用することと、前記第一のニューラルネットワークは、前記サイノグラム補填からのエラーが低減された結果を出力する、
    を具備する方法。
25. 取得部と、
    処理部と、
    を備え、
    前記取得部は、
    複数の検出器素子のＸ線放射の強度を表す投影データを取得し、前記投影データは、投影ビューの関数として低ｋＶ投影データと交互配置された高ｋＶ投影データを表しており、前記投影データにおいて前記高ｋＶ投影データの投影ビューは前記低ｋＶ投影データの投影ビューから分離されており、前記低ｋＶ投影データはＸ線源へと適用された第一の電圧を使用して収集されており、前記高ｋＶ投影データは前記Ｘ線源へと、前記第一の電圧に比べてより大きい第二の電圧を使用して収集されており、
    前記処理部は、
    高ｋＶデータ用の一方の入力チャネルと、低ｋＶデータ用の他方の入力チャネルとの二つの入力チャネルを有する第一のニューラルネットワークを取得し、前記第一のニューラルネットワークは、入力データと対象データとを含む学習データセットを使用して学習されており、前記入力データはｋＶ切替サイノグラムに基づいており、前記入力データにおいてｋＶ切替低ｋＶサイノグラムの投影ビューがｋＶ切替高ｋＶサイノグラムの投影ビューから分離されており、前記対象データは完全な低ｋＶサイノグラムと完全な高ｋＶサイノグラムとを含む完全なサイノグラムに基づいており、前記完全なサイノグラムのそれぞれが全ての投影ビューに対する投影データを含んでいる、
    前記高ｋＶ投影データと前記低ｋＶ投影データとに対するサイノグラム補填を実行し、
    前記第一のニューラルネットワークに対して、前記低ｋＶ投影データに基づいた低ｋＶ入力と前記高ｋＶ投影データに基づいた高ｋＶ入力とを適用し、前記第一のニューラルネットワークは、前記サイノグラム補填からのエラーが低減された結果を出力している、よう構成されている、Ｘ線ＣＴシステム。