JP7370989B2 - スペクトルボリューム画像データを生成するように構成された非スペクトルコンピュータ断層撮影（ｃｔ）スキャナ - Google Patents

Description

以下の記載は、概して撮像に関し、より詳細は、スペクトルボリューム画像データを生成するように構成された非スペクトルコンピュータ断層撮影（ＣＴ）スキャナに関する。

ＣＴスキャナは概して、検出器アレイの反対側で回転可能ガントリに装着されたＸ線管を備える。Ｘ線管は、Ｘ線管と検出器アレイとの間に位置する検査領域の周りを回転し、検査領域を横断する多色放射線を発する。検出器アレイは、検査領域を横切る放射線を検出し、投影データを生成する。投影データが再構成され、ボリューム画像データが生成される。このボリューム画像データを処理して、１つ又は複数の二次元を生成することができる。通常、補正（例えば、散乱補正、ビームハードニング補正）が再構成中に適用される。画像は、相対的放射線濃度に対応するグレースケール値により表されるピクセルを含んでいる。これらの値は、スキャンされた被験者の減衰特性を反映し、通常、被験者内の解剖学的構造等の構造を示す。

被験者及び／又は物体による放射線の吸収は、そこを横断する光子のエネルギーに依拠するため、検出された放射は、スペクトル情報も含む。そのようなスペクトル情報は、被験者及び／又は物体の組織及び／又は材料の要素又は材料組成（例えば、原子番号）を示す情報等の追加情報を提供することができる。残念ながら、投影データは、検出器アレイにより出力される信号がエネルギースペクトルにわたり集積されたエネルギー流束量に比例しているので、スペクトル的特徴を反映していない。そのようなＣＴスキャナは、本明細書において非スペクトルＣＴスキャナとも呼ばれる。スペクトル撮像のために構成されたＣＴスキャナは、このスペクトル情報を活用して、要素又は材料組成を示す更なる情報を提供する。そのようなＣＴスキャナは、本明細書においてスペクトルＣＴスキャナと呼ばれる。

デュアルエネルギースペクトル構成の例は、１）１つのエネルギーレベルにおいて放射Ｘ線を発する１つのＸ線管、並びに低エネルギーＸ線及び高エネルギーＸ線をそれぞれ検出するＸ線検出器の２つの層と、２）高速ｋｖ切り替えを用いた１つのＸ線管及び単一層検出器と、３）互いから角度がオフセットされた２つのＸ線管／単一層検出器対とを含む。そのような更なる情報の例には、低エネルギー高コントラスト画像、有効Ｚ（原子番号）画像、仮想モノクロ画像、造影剤定量マップ、仮想非コントラスト画像、電子密度画像及び／又は他のスペクトル情報が含まれる。残念ながら、追加の検出器層、Ｘ線管／検出器アレイ、及び／又はｋＶｐ切り替え回路は、撮像システムの全体コストを増大させ、データ取得、ハンドリング及び処理により複雑度が増す。

本明細書に記載の態様は上記で述べた問題及び他の問題に対処する。

１つの態様において、非スペクトルコンピュータ断層撮影スキャナが、放射Ｘ線を発するように構成された放射源と、放射Ｘ線を検出し、非スペクトルデータを生成するように構成された検出器アレイと、スペクトルボリューム画像データを作成するようにトレーニングされたニューラルネットワークを含むコンピュータ実行可能命令を含むスペクトル画像モジュールを記憶するように構成されたメモリとを備える。ニューラルネットワークは、トレーニングスペクトルボリューム画像データと、トレーニング非スペクトルデータとを用いてトレーニングされる。非スペクトルコンピュータ断層撮影スキャナは、トレーニングされたニューラルネットワークを用いて非スペクトルデータを処理し、スペクトルボリューム画像データを作成するように構成されたプロセッサを更に備える。

別の態様において、非スペクトルコンピュータ断層撮影スキャナが、放射Ｘ線を発するように構成された放射源と、放射Ｘ線を検出し、非スペクトルデータを生成するように構成された検出器アレイと、スペクトルボリューム画像データを作成するようにトレーニングされたニューラルネットワークを含むコンピュータ実行可能命令を含むスペクトル画像モジュールを記憶するように構成されたメモリとを備える。非スペクトルコンピュータ断層撮影スキャナは、トレーニングスペクトルボリューム画像データと、トレーニング非スペクトルデータとを用いてニューラルネットワークをトレーニングし、非スペクトルデータからスペクトルボリューム画像データを生成するように構成されたプロセッサを更に備える。

別の態様において、コンピュータ可読ストレージ媒体が、コンピュータ可読命令を用いてエンコードされ、コンピュータ可読命令は、コンピューティングシステムのプロセッサによって実行されると、プロセッサが、放射源を用いて放射Ｘ線を発し、発せられた放射Ｘ線を、検出器アレイを用いて検出し、それを示す信号を生成し、信号を再構成して非スペクトル画像データを生成し、ニューラルネットワークをトレーニングしてスペクトルボリューム画像データを作成し、トレーニングされたニューラルネットワークを用いて、生成された非スペクトルデータからスペクトルボリューム画像データを作成するようにさせる。

当業者は、添付の説明を読み、理解することで、本出願の更なる他の態様を認識するであろう。

本発明は、様々なコンポーネント及びコンポーネントの構成の形態をとってもよく、様々なステップ及びステップの構成の形態をとってもよい。図面は好ましい実施例を例示することのみを目的としており、本発明を制限するものと解釈されない。

非スペクトルデータからスペクトルボリューム画像データを予測するための、ニューラルネットワークを用いたスペクトル画像モジュールを含む例示的なＣＴスキャナを概略的に示す。 スペクトルボリューム画像データ及び非スペクトル（補正された又は未補正の）ボリューム画像データを用いてニューラルネットワークをトレーニングする例を概略的に示す。 スペクトルボリューム画像データ及び非スペクトル投影データを用いてニューラルネットワークをトレーニングする例を概略的に示す。 図２においてトレーニングされたニューラルネットワークを用いて、非スペクトルボリューム画像からスペクトルボリューム画像データを予測するシステムを概略的に示す。 図３においてトレーニングされたニューラルネットワークを用いて、非スペクトル投影データからスペクトルボリューム画像データを予測するシステムを概略的に示す。 例示的なニューラルネットワークを概略的に示す。 図１、図２及び図４による例示的な方法を示す。 図１、図３及び図５による例示的な方法を示す。

以下の記載は、非スペクトルコンピュータ断層撮影（ＣＴ）スキャナ及びシステム情報によって生成される非スペクトル投影データ及び／又は非スペクトルボリューム画像データからスペクトルデータを生成するためのアプローチについて説明する。概して、非スペクトル投影データは、データに隠された独自のスペクトル情報を含む。例えば、特定の線経路に沿った減衰が、高Ｚ、低密度の物体、及び低Ｚ、高密度の物体について同じであり得る場合であっても、物理的効果、すなわち、コンプトン散乱及び光電吸収は、低Ｚ、高密度の物体では異なり、より多くのコンプトン散乱につながる可能性があり、これらの差は取得された未加工投影データに隠されている。別の例は、低Ｚ材料と比べて、高Ｚ材料により多くのビームハードニングアーチファクトがあることである。これらの差は、効果的な散乱補正及びビームハードニング補償等に起因して、従来のＣＴ再構成を用いて再構成された非スペクトルボリューム画像では最小化されるか又は現れない。

本明細書に記載の１つのアプローチにおいて、ニューラルネットワークは、少なくとも、投影データ（ここでも、独自のスペクトル情報を含む）、基準スペクトルデータ（同じ走査及び同じＣＴスキャナからの双方のデータ）及びシステム情報を用いてトレーニングされる。トレーニングを通じて、ニューラルネットワークは、非スペクトル投影データ及びシステム情報からスペクトルデータをどのように作成するかを学習する。例えば、ニューラルネットワークは、高Ｚ、低密度の物体、及び低Ｚ、高密度の物体のコンプトン散乱、並びに高Ｚ、低密度の物体、及び低Ｚ、高密度の物体の光電吸収に対応するスペクトルデータをどのように作成するかを学習する。更なるトレーニングを行って、ニューラルネットワークのパラメータを精密に調節することができ、それによって、ニューラルネットワークは、トレーニング非スペクトルデータを処理し、トレーニングスペクトルデータの所与の誤差内でスペクトルデータを作成することができる。トレーニングされると、トレーニングされたニューラルネットワークは、患者の走査及びシステム情報から非スペクトル投影データを処理し、ニューラルネットワークを用いて患者のためのスペクトルデータを作成することができる。本明細書において更に説明されるように、トレーニングデータは非スペクトルボリューム画像データを含むことができる。

１つの例において、上記は、非スペクトルＣＴスキャナが非スペクトル投影データ及び／又は非スペクトルボリューム画像データのみでなく、スペクトル投影データ及び／又はスペクトルボリューム画像データも作成することを可能にする。したがって、非スペクトルＣＴスキャナは、多層検出器アレイ、複数のＸ線管／検出器アレイ対、及び／又はｋＶｐ切り替え回路等のスペクトルＣＴスキャナの追加のハードウェア及び／又は回路を含むことなく、スペクトル投影データ及び／又はスペクトルボリューム画像データを作成することができる。更に、非スペクトルＣＴスキャナは、スペクトル撮像システムのデータ取得、ハンドリング及び処理の複雑度を軽減する。

図１は、例示的な非スペクトルコンピュータ断層撮影（ＣＴ）スキャナ１０２を概略的に示す。ＣＴスキャナ１０２は、固定ガントリ１０４と、固定ガントリ１０４によって回転可能に支持され、検査領域１０８及び内部の物体又は被験者の一部の周りを、ｚ軸１１０を中心に回転する回転ガントリ１０６とを備える。

Ｘ線管等の放射源１１２は、回転ガントリ１０６によって支持され、回転ガントリ１０６と共に検査領域１０８の周りを回転する。放射源１１２は、検査領域１０８を横断する概ね扇型、楔形又は円錐形状の放射Ｘ線ビームを形成するようにコリメートされた広帯域多色性放射Ｘ線を発する。

放射線感受性検出器アレイ１１４は、検査領域１０８にわたって放射源１１２の反対側に円弧をなす。検出器アレイ１１４は、ｚ軸１１０に沿って互いに対し配置された検出器の１つ又は複数の列を含み、検査領域１０８を横断する放射Ｘ線を検出する。検出器アレイ１１４は、検出された放射を示す非スペクトル投影データ（線積分）を生成する。

再構成器１１６は、非スペクトル投影データを再構成し、非スペクトルボリューム画像データを生成する。１つの例において、再構成器１１６は、再構成前、再構成中及び／又は再構成後に補正を適用する。補正の非限定的な例は、散乱放射を補償する散乱補正であり、これは、例えば画像アーチファクトを加えることにより画像品質を劣化させる可能性がある。１つの例において、これは、散乱推定値を測定データから減算することを含む。

カウチ等の被験者支持体１１８が、検査領域１０８内の被験者又は物体（例えば、ファントム）を支持する。被験者支持体１１８は、被験者又は物体を載せ、走査し、かつ及び／又は降ろすために、検査領域１０８に対し被験者又は物体を誘導するように、撮像手順の実行と協働して移動可能である。

オペレータコンソール１２０は、ディスプレイモニタ、フィルマ等の人間が読み取り可能な出力デバイス１２２と、キーボード、マウス等の入力デバイス１２４とを含む。コンソール１２０は、プロセッサ１２６（例えば、中央処理ユニット（ＣＰＵ）、マイクロプロセッサ等）及び物理メモリ等のコンピュータ可読ストレージ媒体１２８（一時媒体を除く）を更に含む。示される実施形態では、コンピュータ可読ストレージ媒体１２８は、スペクトル画像モジュール１３０を含む。

スペクトル画像モジュール１３０は、検出器アレイ１１４及び／又は再構成器１１６からの非スペクトル投影データ及び／又は非スペクトルボリューム画像データを処理して、低エネルギー高コントラスト画像、有効Ｚ（原子番号）画像、仮想モノクロ画像、造影剤定量マップ、仮想非コントラスト画像、電子密度画像及び／又は他のスペクトル画像等のスペクトルボリューム画像データを予測するように構成された命令を含む。以下でより詳細に説明されるように、命令は、１）スペクトルデータ、２）非スペクトル投影データ、完全に補正された非スペクトルボリューム画像データ、及び未補正の／部分的に補正された非スペクトルボリューム画像データからなる群からの１つ、及び３）システム情報、を用いてトレーニングされたニューラルネットワークを含む。

本明細書に記載の構成を用いて、非スペクトル撮像システム１０２は、非スペクトル投影データ又は非スペクトルボリューム画像データ及びシステム情報から直接スペクトルボリューム画像データを再構成する。したがって、スペクトル画像モジュール１３０は、多層検出器アレイ、複数Ｘ線管／検出器アレイ対、及び／又はｋＶｐ切り替え回路の利用を軽減してスペクトルボリューム画像データを生成する。これにより、多層検出器アレイ、複数Ｘ線管／検出器アレイ対、及び／又はｋＶｐ切り替え回路に関連付けられた全体システムコストの増大が軽減する。更に、スペクトル撮像システムのデータ取得、ハンドリング、処理の複雑度が軽減する。

図２は、スペクトル画像モジュール１３０のニューラルネットワークの例示的なトレーニングを概略的に示す。

この例において、ニューラルネットワークは、第１の層２０４及び第２の層２０６を含む二重層検出器アレイ２０２を用いて構成されたＣＴスキャナ２００によって生成されたデータを用いてトレーニングされる。多層検出器アレイの非限定的な例は、参照によりその全体が本明細書に援用される、２００６年４月１０日に出願された「Ｄｏｕｂｌｅ ｄｅｃｋｅｒ ｄｅｔｅｃｔｏｒ ｆｏｒ ｓｐｅｃｔｒａｌ ＣＴ」と題する米国特許第７，９６８，８５３号に記載されている。Ｘ線管２１０によって生成されたビーム２０８は、検査領域２１２及びその中に配置された物体又は被験者２１４を横断し、二重層検出器アレイ２０２によって検出される。

第１の層２０４は第１の投影データを生成し、第１の投影データは非スペクトル再構成器２１６によって処理される。非スペクトル再構成器２１６は、非スペクトル再構成アルゴリズムを用いて非スペクトルボリューム画像データを生成する。この例において、非スペクトル再構成器２１６は、ビームハードニング補正、散乱補正及び／又は１つ又は複数の他の補正を適用し、結果として得られる非スペクトルボリューム画像データは、補正された非スペクトルボリューム画像データと呼ばれる。

第２の層２０６は、第１の投影データに沿ってスペクトル再構成器２１８に提供される第２の投影データを生成する。第１及び第２の投影データのエネルギースペクトルは異なり、第２の投影データのエネルギースペクトルは、第１の投影データのエネルギースペクトルよりも高い。スペクトル再構成器２１８は、１つ又は複数のスペクトルアルゴリズムを用いて、スペクトルボリューム画像データの１つ又は複数のセットを生成する。

ニューラルネットワーク２２０は、スペクトルボリューム画像データ、システム情報及び非スペクトルボリューム画像データの１つ又は複数のセットを用いてトレーニングされる。例えば、スペクトルボリューム画像データのセットは、低エネルギー高コントラスト画像を含み、ニューラルネットワークは非スペクトルボリューム画像データ及びシステム情報から低エネルギー高コントラスト画像を予測するようにトレーニングされる。ここで、スペクトルボリューム画像データのセットは、有効Ｚ画像を含み、ニューラルネットワークは、非スペクトルボリューム画像データ及びシステム情報等から有効Ｚ画像を予測するようにトレーニングされる。

１つの例において、ニューラルネットワーク２２０は以下のように構築される。特定のシステムＳ（この例ではシステム２００）から再構成された画像Ｉは、アーチファクトのない画像Ｉ_{ａｒｔｉｆａｃｔ－ｆｒｅｅ}及びアーチファクト画像Ｉ_{ａｒｔｉｆａｃｔ}の和、すなわちＩ＝Ｉ_{ａｒｔｉｆａｃｔ－ｆｒｅｅ}＋Ｉ_{ａｒｔｉｆａｃｔ}とみなすことができる。アーチファクトのない画像内の各ボクセルは、フォト成分及び散乱成分に更に分解することができ、これらはシステム固有でない（Ｉ_{ａｒｔｉｆａｃｔ－ｆｒｅｅ}＝αμｐ＋βμｓ）。ビームハードニング及び散乱アーチファクト等のアーチファクトは、固定入力Ｘ線スペクトル、システムジオメトリ及び検出器構成を所与とした、フォト成分及び散乱成分の関数である（Ｉ_{ａｒｔｉｆａｃｔ}＝（αμ，βμｓ，Ｓ）。画像内のアーチファクトは特定のシステム構成を所与として検出することができ、例えばニューラルネットワークを用いて金属アーチファクト及び散乱アーチファクトを検出する）。

関数ｆが既知である場合、α及びβは、Ｉ_{ａｒｔｉｆａｃｔ－ｆｒｅｅ}＝αμｐ＋βμｓ及びＩ_{ａｒｔｉｆａｃｔ}＝（αμ，βμｓ，Ｓ）を組み合わせることによって解くことができる。ニューラルネットワーク２２０は、非スペクトルボリューム画像データからの、スペクトル情報を含む散乱及びフォトの濃度であるスペクトル情報（α及びβ）を画像アーチファクトにより特定することができるように関数ｆを当てはめるようにトレーニングされる。特定のシステム構成情報は、検出器情報（例えば、検出器位置、検出器応答、散乱線除去グリッドジオメトリ及び材料）、放射源情報（例えば、放射源位置、スペクトル分布）、及び他のシステム固有情報（例えば、アイソセンタ、コリメーション等）を含む。

次に、ニューラルネットワーク２２０のトレーニング可能なパラメータが更新され、オブジェクト関数２２２を用いて複数の反復を通じて収束する。オブジェクト関数２２２は、１つの例において、トレーニングスペクトル及びシステム情報と非スペクトルボリューム画像データとの間の誤差を、例えば、それらの間の平均二乗差及び／又は他の差に基づいて最小化する数学的関数を含む。この例において、パラメータは、誤差が所定の閾値未満になるまで更新される。他の停止判断基準は、所定の数の反復、所定の持続時間等を含む。

１つの例において、オブジェクト関数２２２は、例えば式１に示すようにコスト関数Ｌ（ｗ）として実施される。

ここで、ＮＳＩは、トレーニング非スペクトルボリューム画像データのｊ番目のセットであり、Ｓｉｎｆｏは、システム固有情報のｊ番目のセットであり、ＳＩは、トレーニングスペクトルボリューム画像データのｊ番目のセットであり、Ｔは、ＮＳＩ及びＳｉｎｆｏをトレーニング可能なパラメータｗを用いてＳＩに変換する変換を表し、

は、小さなパラメータｗに向けて式を駆動する正則化項を表し、λ_２はハイパーパラメータを表し、ｋはインデックスを表す。コスト関数を最小化することによって、ｗによってパラメータ化された関数Ｔが反復的に解かれる。

この例において、上記で論考したように、非スペクトル再構成器２１６は、少なくとも、散乱及び／又はビームハードニング補正を適用する。そのような補正により、スペクトル情報が低減又は除去される。例えば、上記で説明したように、低Ｚ、高密度構造と、高Ｚ、低密度構造との間の光電効果及びコンプトン散乱差が非スペクトル投影データに反映される。概して、低Ｚ、高密度構造のための投影データがより多くの散乱を含む。散乱補正は、この差を除去又は低減することができる。更に、低Ｚ材料よりも高Ｚ材料についてより多くのビームハードニングアーチファクトが存在する。ビームハードニング補正は、この差を除去又は低減することができる。変形形態において、散乱補正及び／又はビームハードニング等の、スペクトル情報を除去する補正は省かれる。結果として得られるデータは、本明細書において、部分的に補正された（補正のうちのいくつかが省かれている）又は未補正（全ての補正が省かれている）非スペクトルボリューム画像データと呼ばれる。

図３は、スペクトル画像モジュール１３０のニューラルネットワークの別の例示的なトレーニングを概略的に示す。この例において、ニューラルネットワーク２２０は、図２に関連して説明したのと同じＣＴスキャナ２００によって生成されたデータを用いてトレーニングされる。しかしながら、ニューラルネットワーク２２０は、非スペクトル再構成器２１６からの非スペクトルボリューム画像データではなく、第１の層２０４からの非スペクトル投影データを用いてトレーニングされる。

図２及び図３に関連して説明された例を用いてトレーニングされたニューラルネットワーク２２０は、スペクトルＣＴスキャナ２００の第１の層２０４に類似した検出器アレイを含む非スペクトルＣＴスキャナによく適している。しかしながら、トレーニングされたニューラルネットワーク２２０は、他の検出器アレイと共に用いることができる。これらの例において、ニューラルネットワーク２２０のトレーニングは、検出器ジオメトリ及び放射検出特性等のスキャナ情報も含むことができる。

図２及び図３は、ニューラルネットワークが、二重層検出器アレイ２０２を用いて構成されたＣＴスキャナ（ＣＴスキャナ２００）によって生成されたデータを用いてトレーニングされる例を示す。変形形態において、ニューラルネットワークは、２つ以上の層を用いて構成されたスペクトルＣＴスキャナによって生成されたデータを用いてトレーニングされる。更に別の変形形態では、スペクトルＣＴスキャナは、光子カウント（直接変換）検出器を用いて構成され、ニューラルネットワークはそこから生成されたデータを用いてトレーニングされる。

別の変形形態では、ニューラルネットワークは、複数のＸ線管を用いて構成されたスペクトルＣＴスキャナによって生成されたデータを用いてトレーニングされる。この例において、非スペクトル投影データは、Ｘ線管／検出器アレイ対のうちの１つのためのものである。別の変形形態において、ニューラルネットワークは、ｋＶｐ切り替え回路を用いて構成されたスペクトルＣＴスキャナによって生成されたデータを用いてトレーニングされる。この例において、非スペクトル投影データは、ｋＶｐのうちの１つのためのものである。複数のＸ線管及び／又はｋＶｐ切り替え回路を用いて構成されたシステムの例は、参照によりその全体が本明細書に援用される、２００９年６月１日に出願された「Ｓｐｅｃｔｒａｌ ＣＴ」と題する米国特許第８，４４２，１８４号に記載されている。

図４は、スペクトル画像モジュール１３０が、図２のトレーニングされたニューラルネットワーク２２０を用いて、再構成器１１６を用いて再構成された非スペクトルボリューム画像データ、システムジオメトリ及び物理特性情報（例えば、Ｘ線スペクトル及び検出器応答）等の、検出器アレイ１１４、放射源１１２に関する情報等の非スペクトルＣＴスキャナ１０２に関する情報、及び／又は他のシステム固有情報から、スペクトルボリューム画像データを予測する非スペクトルＣＴスキャナ１０２を概略的に示す。図５は、スペクトル画像モジュール１３０が、図３のトレーニングされたニューラルネットワークを用いて、検出器アレイ１１４によって生成された非スペクトル投影データ、及び非スペクトルＣＴスキャナ１０２に関する情報から、スペクトルボリューム画像を予測するシステム１０２を概略的に示す。

図６は、適切なニューラルネットワーク２２０の例を概略的に示す。入力は、非スペクトルデータ（例えば、投影データ又はボリューム画像データ）を含む。１つの例において、３Ｄ非スペクトルデータ全体が処理される。別の例において、そのサブセット（例えば、画像データについてのスライス、スライス及び近傍スライス、スライス及び多断面再構成（ＭＰＲ）スライス等）が処理される。この例は例示的なものであり、より深層のニューラルネットワークを含む他のニューラルネットワークが本明細書において予期されることを理解されたい。入力は、システム情報、例えば１Ｄベクトルとしての入力を更に含む。出力はスペクトルデータである。

この例において、ニューラルネットワーク２２０は、ニューラルネットワークブロック（ＮＮＢ）６０２、６０４、６０６及び６０８を用いた３次元（３Ｄ）畳み込みニューラルネットワークである。ブロック６０２、６０４、６０６及び６０８の各々は１つ又は複数の層を含むことができ、各層は、１つ又は複数の畳み込み層、バッチ正規化層及び正規化線形ユニットを含む。ニューラルネットワークは、プーリング層（ＰＬ）６１０と、１つ又は複数の全結合層（ＦＣＬ）６１２、６１４及び６１６と、アップサンプリング層（ＵＳＬ）６１８と、少なくとも２つの連結層（ｃｏｎｃａｔ）６２０及び６２２とを更に備える。入力は非スペクトルボリューム画像データ又は非スペクトル投影データ及びシステム情報であり、出力は予測スペクトルボリューム画像データである。

概して、畳み込み層は、畳み込み演算を入力に適用する畳み込みニューロンを含む。バッチ正規化層は、出力が正規化線形ユニットによって処理される前に、畳み込み層の出力を正規化する。正規化線形ユニットは、非線形活性化関数をその入力に適用する。プーリング層６１０はその入力をダウンサンプリングする。ブロック６１０の出力はベクトル化される。全結合層６１２～６１６は、前の層によって学習された特徴を組み合わせる。連結層６２０は、全結合層６１２及び６１６の出力を連結する。１つの例において、これは、ベクトル化された非スペクトルデータ及びシステム情報ベクトルをチャネルに沿って連結し、ベクトルを再整形することを含む。アップサンプリング層６１８は、その入力を元のサイズに戻すか又は他のサイズにするようにアップサンプリングする。連結層６２２は、ブロック６０２及びアップサンプリング層６１８の出力を連結する。ブロック６０８は、スペクトルデータを出力する。

畳み込みネットワークの例は、Ｇｏｕｋ他「Ｆａｓｔ Ｓｌｉｄｉｎｇ Ｗｉｎｄｏｗ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ」ＩＶＮＶＺ‘１４ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２９ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｍａｇｅ ａｎｄ Ｖｉｓｉｏｎ Ｃｏｍｐｕｔｉｎｇ Ｎｅｗ Ｚｅａｌａｎｄ， Ｐａｇｅｓ １１４－１１８， Ｎｏｖｅｍｂｅｒ １９－２１， ２０１４、「Ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｓｅｍａｎｔｉｃ ｓｅｇｍｅｎｔａｔｉｏｎ」Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ， ２０１５、及びＲｏｎｎｅｂｅｒｇｅｒ他「Ｕ－Ｎｅｔ： Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｂｉｏｍｅｄｉｃａｌ Ｉｍａｇｅ Ｓｅｇｍｅｎｔａｔｉｏｎ」Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｐｕｔｅｒ－Ａｓｓｉｓｔｅｄ Ｉｎｔｅｒｖｅｎｔｉｏｎ（ＭＩＣＣＡＩ）， Ｓｐｒｉｎｇｅｒ， ＬＮＣＳ， Ｖｏｌ． ９３５１： ２３４－－２４１， ２０１５に更に記載されている。

図７は、本明細書の実施形態による例示的な方法を示す。

方法の動作の順序が限定的ではないことが理解されるべきである。したがって、他の順序が本明細書において予期される。加えて、１つ若しくは複数の動作が省略されてもよく、及び／又は１つ若しくは複数の追加の動作が含められてもよい。

７０２において、本明細書に記載したように、及び／又は他の形で、スペクトル撮像システムを用いてスペクトルボリューム画像データが生成される。

７０４において、本明細書に記載したように、及び／又は他の形で、同じスペクトル撮像システムを用いて非スペクトルボリューム画像データが生成される。

７０６において、スペクトルボリューム画像データ、非スペクトルボリューム画像データ、及びシステム情報を用いてニューラルネットワークをトレーニングし、非スペクトルボリューム画像データからスペクトルボリューム画像データを予測する。

７０８において、トレーニングされたニューラルネットワークを用いて、非スペクトルスキャナからの非スペクトルボリューム画像データ、及びその非スペクトルスキャナのシステム情報からスペクトルボリューム画像データを予測する。

図８は、本明細書の実施形態による例示的な方法を示す。

方法の動作の順序が限定的ではないことが理解されるべきである。したがって、他の順序が本明細書において予期される。加えて、１つ若しくは複数の動作が省略されてもよく、及び／又は１つ若しくは複数の追加の動作が含められてもよい。

８０２において、本明細書に記載したように、及び／又は他の形で、スペクトル撮像システムを用いてスペクトルボリューム画像データが生成される。

８０４において、本明細書に記載したように、及び／又は他の形で、同じスペクトル撮像システムを用いて非スペクトル投影データが生成される。

８０６において、非スペクトル投影データからスペクトルボリューム画像データを予測するように、スペクトルボリューム画像データ、非スペクトル投影データ、及びシステム情報を用いてニューラルネットワークをトレーニングする。

８０８において、トレーニングされたニューラルネットワークを用いて、非スペクトルスキャナからの非スペクトル投影データ、及びその非スペクトルスキャナのシステム情報からスペクトルボリューム画像データを予測する。

スペクトル画像は、単一のタイプ又は複数のタイプのスペクトル画像を含む。例えば、１つの例において、スペクトル画像は、有効低ｋｅＶ画像（例えば、最大組織コントラストの場合）を含む。別の例において、スペクトル画像は有効Ｚ画像を含む。更に別の例において、スペクトル画像は、有効低ｋｅＶ及び有効Ｚ画像の双方を含む。更に別の例において、スペクトル画像は１つ又は複数の他のタイプのスペクトル画像を含む。

スペクトル画像が複数のタイプのスペクトル画像を含む場合、複数のタイプの各々について、異なるニューラルネットワークをトレーニングすることができる。別の例において、組み合わされたニューラルネットワークが、少なくとも２つの異なるタイプのスペクトル画像についてトレーニングされる。複数の及び／又は組み合わされたトレーニングされたニューラルネットワークを用いて、非スペクトルデータからの１つ又は複数のタイプのスペクトル画像について１つ又は複数のスペクトルボリューム画像データセットを予測する。これは、上記の例において有効低ｋｅＶ画像及び有効Ｚ画像を予測することを含む。

上記は、コンピュータ可読記憶媒体にエンコードされ又は埋め込まれ、コンピュータプロセッサによって実行されると、当該プロセッサに、上記動作を行わせるコンピュータ可読命令によって実施可能である。これに加えて又は追加して、コンピュータ可読命令の少なくとも１つは、コンピュータ可読ストレージ媒体でない信号、搬送波又は他の一時的媒体によって担持される。

本発明は、図面及び上記において詳細に図示及び記載されているが、かかる図示及び記載は説明的又は例示的であり、非限定的であると考えられるべきである。本発明は、開示の実施形態に限定されない。開示の実施形態の他の変形例が、図面、開示、及び添付の特許請求の範囲から、特許請求される発明に係る当業者によって理解及び実施され得る。

特許請求の範囲において、「含む」という用語は他の要素又はステップを排除するものではなく、単数形は複数を除外しない。単一の要素又は他のユニットが、請求項に記載される複数のアイテムの機能を果たし得る。特定の手段が互いに異なる従属請求項に記載されているからといって、これらの手段の組み合わせが好適に使用することができないとは限らない。

コンピュータプログラムは、他のハードウェアと共に又は他のハードウェアの一部として供給される光学記憶媒体又はソリッドステート媒体等の適切な媒体上で記憶及び／又は配信されてもよいし、インターネット又は他の有線若しくは無線テレコミュニケーションシステムを介して等の他の形態で配信されてもよい。特許請求の範囲内のいかなる参照符号も、その範囲を限定するものと解釈されるべきではない。

Claims (18)

1. 放射Ｘ線を発する放射源と、
   放射Ｘ線を検出し、非スペクトルデータを生成する検出器アレイと、
   スペクトルボリューム画像データを作成するようにトレーニングされたニューラルネットワークを含むコンピュータ実行可能命令を含むスペクトル画像モジュールを記憶するメモリであって、前記ニューラルネットワークは、トレーニングスペクトルボリューム画像データと、トレーニング非スペクトルデータとを用いてトレーニングされる、メモリと、
   前記トレーニングされたニューラルネットワークを用いて前記非スペクトルデータを処理し、前記スペクトルボリューム画像データを作成するプロセッサと、
   を備え、
   前記トレーニング非スペクトルデータはトレーニング非スペクトル投影データを含む、
   非スペクトルコンピュータ断層撮影スキャナ。
2. 前記ニューラルネットワークはスキャナジオメトリ及び物理特性情報を用いて更にトレーニングされる、請求項１に記載の非スペクトルコンピュータ断層撮影スキャナ。
3. 前記非スペクトルデータは非スペクトル投影データを含み、前記プロセッサは、前記トレーニングされたニューラルネットワークを用いて前記非スペクトル投影データを処理し、前記スペクトルボリューム画像データを作成する、請求項１又は２に記載の非スペクトルコンピュータ断層撮影スキャナ。
4. 前記非スペクトルデータは非スペクトルボリューム画像データを含み、前記プロセッサは、前記トレーニングされたニューラルネットワークを用いて前記非スペクトルボリューム画像データを処理し、前記スペクトルボリューム画像データを作成する、請求項１に記載の非スペクトルコンピュータ断層撮影スキャナ。
5. 前記トレーニング非スペクトルデータはトレーニング非スペクトルボリューム画像データを含む、請求項１に記載の非スペクトルコンピュータ断層撮影スキャナ。
6. 前記非スペクトルボリューム画像データは未補正のスペクトルボリューム画像データである、請求項５に記載の非スペクトルコンピュータ断層撮影スキャナ。
7. 前記非スペクトルボリューム画像データは、少なくともビームハードニング及び散乱放射について補正されていない、部分的に補正されたスペクトルボリューム画像データである、請求項５に記載の非スペクトルコンピュータ断層撮影スキャナ。
8. 前記ニューラルネットワークは、前記ニューラルネットワークによって生成されるスペクトルボリューム画像データと前記トレーニングスペクトルボリューム画像データとの間の差を最小化するようにトレーニングされる、請求項１に記載の非スペクトルコンピュータ断層撮影スキャナ。
9. 前記非スペクトルボリューム画像データは補正されたスペクトルボリューム画像データである、請求項５又は６に記載の非スペクトルコンピュータ断層撮影スキャナ。
10. 放射Ｘ線を発する放射源と、
    放射Ｘ線を検出し、非スペクトルデータを生成する検出器アレイと、
    スペクトルボリューム画像データを作成するようにトレーニングされたニューラルネットワークを含むコンピュータ実行可能命令を含むスペクトル画像モジュールを記憶するメモリと、
    トレーニングスペクトルボリューム画像データと、トレーニング非スペクトルデータとを用いて前記ニューラルネットワークをトレーニングし、前記非スペクトルデータから前記スペクトルボリューム画像データを生成するプロセッサと、を備え、
    前記トレーニング非スペクトルデータはトレーニング非スペクトル投影データを含む、
    非スペクトルコンピュータ断層撮影スキャナ。
11. 前記ニューラルネットワークは、前記ニューラルネットワークによって生成されるスペクトルボリューム画像データと前記トレーニングスペクトルボリューム画像データとの間の差を最小化するようにトレーニングされる、請求項１０に記載の非スペクトルコンピュータ断層撮影スキャナ。
12. 前記非スペクトルデータは非スペクトル投影データを含み、前記プロセッサは更に、前記トレーニングされたニューラルネットワークを用いて前記非スペクトル投影データを処理し、そこからスペクトルデータを作成する、請求項１０又は１１に記載の非スペクトルコンピュータ断層撮影スキャナ。
13. 前記トレーニング非スペクトルデータはトレーニング非スペクトルボリューム画像データを含む、請求項１０に記載の非スペクトルコンピュータ断層撮影スキャナ。
14. 前記ニューラルネットワークは、前記ニューラルネットワークによって生成されるスペクトルボリューム画像データと前記トレーニングスペクトルボリューム画像データとの間の差を最小化するようにトレーニングされる、請求項１３に記載の非スペクトルコンピュータ断層撮影スキャナ。
15. 前記非スペクトルデータは非スペクトルボリューム画像データを含み、前記プロセッサは、前記トレーニングされたニューラルネットワークを用いて前記非スペクトルボリューム画像データを処理し、前記スペクトルボリューム画像データを作成する、請求項１３又は１４に記載の非スペクトルコンピュータ断層撮影スキャナ。
16. コンピュータ可読命令を用いてエンコードされたコンピュータ可読ストレージ媒体であって、前記コンピュータ可読命令は、コンピューティングシステムのプロセッサによって実行されると、前記プロセッサが、
    放射源を用いて放射Ｘ線を発し、
    発せられた放射Ｘ線を、検出器アレイを用いて検出し、非スペクトルデータを生成し、
    スペクトルボリューム画像データを作成するように、トレーニングスペクトルボリューム画像データとトレーニング非スペクトルデータとを用いてニューラルネットワークをトレーニングし、
    前記トレーニングされたニューラルネットワークを用いて、前記生成された非スペクトルデータからスペクトルボリューム画像データを作成する、ようにさせ、
    前記トレーニング非スペクトルデータはトレーニング非スペクトル投影データを含む、
    コンピュータ可読ストレージ媒体。
17. 前記生成された非スペクトルデータは、非スペクトルコンピュータ断層撮影スキャナによって生成された非スペクトル投影データである、請求項１６に記載のコンピュータ可読ストレージ媒体。
18. 前記生成された非スペクトルデータは、非スペクトルコンピュータ断層撮影スキャナによって生成された非スペクトルボリューム画像データである、請求項１６に記載のコンピュータ可読ストレージ媒体。

Images