JP7381224B2 - 医用画像処理装置及びプログラム - Google Patents

Description

本発明の実施形態は、医用画像処理装置及びプログラムに関する。

ＰＥＴ（Ｐｏｓｉｔｒｏｎ ＥｍｉｓｓｉｏｎＴｏｍｏｇｒａｐｈｙ）イメージングでは、患者体内のトレーサが発するガンマ線の同時対を、患者の周囲に配置される検出器を利用して検出することでイメージングを行う。ＰＥＴイメージングでは、検出器で検出されたデータをもとに、画像再構成を行うことにより、例えば患者体内のトレーサ濃度を示す画像を得ることができる。

ここで、ＰＥＴイメージングでは、画像はノイズの影響を受けやすいので、例えば機械学習等によりノイズ除去処理を行う場合がある。

しかしながら、例えば学習に用いられた画像のノイズレベルと、ノイズ除去処理を行う画像の実際のノイズレベルとが異なると、画質が向上しない場合がある。

米国特許第２０１６／０１１６６０３号明細書 米国特許第１００７８８８９号明細書 国際公開第２０１７／１９１６４３号

本発明が解決しようとする課題は、画質を向上させることである。

実施形態に係る医用画像処理装置は、取得部と、処理部とを備える。取得部部は、複数の検出素子の検出に基づいて取得された、対消滅事象から生ずる各対のガンマ線の同時計測を表すエミッションデータから再構成されたポジトロン放射断層撮影（ＰＥＴ：Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ）画像を取得する。処理部は、ＰＥＴ画像を入力することでデノイズされたＰＥＴ画像を出力する学習済モデルに対して、再構成部で再構成されたＰＥＴ画像を入力することでデノイズされたＰＥＴ画像を出力する。学習済みモデルは、第１のノイズレベルの再構成画像と、第１のノイズレベルよりも高い複数のノイズレベルの再構成画像との差分を最小化するように損失関数を最適化することで学習される。

図１は、実施形態に係る医用画像処理装置が備える深層学習（ＤＬ：ＤｅｅｐＬｅａｒｎｉｎｇ）畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を訓練する方法１００の処理の流れを示すフローチャートである。 図２は、実施形態に従ってＰＥＴ画像の雑音除去のために適用される方法１００および２００の別のフローチャートを示す。 図３Ａは、実施形態に係る医用画像処理装置が備えるＤＬ－ＣＮＮネットワークについて説明した図である。 図３Ｂは、実施形態に係る医用画像処理装置が備えるＤＬ－ＣＮＮネットワークについて説明した図である。 図４は、実施形態に係る医用画像処理装置におけるプロセス４００の処理の流れについて説明したフローチャートである。 図５は、実施形態に係る医用画像処理装置におけるステップ１１０’の処理について説明した図である。 図６は、実施形態に係る方法１００’の処理の流れについて説明した図である。 図７は、実施形態に係る処理について説明した図である。 図８Ａは、比較例に係る処理を行った結果について説明した図である。 図８Ｂは、実施形態において、一様な重みマップを用いて処理を行った結果について説明した図である。 図８Ｃは、実施形態において、ステップ１１０’に係る重みマップを用いて処理を行った結果について説明した図である。 図９は、実施形態におけるステップ１１０’’及びステップ２１０’’について説明した図である。 図１０は、実施形態における、ＤＬ－ＣＮＮネットワークを訓練するフローチャートの例を示した図である。 図１１は、実施形態における、一般的な人工ニューラルネットワーク（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＡＮＮ）を適用するフローチャートの一例を示した図である。 図１２は、実施形態における、畳み込みネットワーク（ＣＮＮ）を適用するフローチャートの一例を示した図である。 図１３Ａは、実施形態における、フィードフォワードＡＮＮの一例を示した図である。 図１３Ｂは、実施形態における、ＣＮＮの一例を示した図である。 図１３Ｃは、実施形態における、畳み込み層を実現する（その畳み込み層の１つのニューロンノードについて）一例を示した図である。 図１４Ａは、実施形態における、ポジトロン放射断層撮影（ＰＥＴ）スキャナの斜視図の一例を示した図である。 図１４Ｂは、実施形態における、ＰＥＴスキャナの概略図の一例を示した図である。

以下、本発明の実施形態について図面を参照しながら説明する。ここで、互いに同じ構成には共通の符号を付して、重複する説明は省略する。なお、以下の実施形態において、処理部は、例えば図１４Ｂにおける処理装置８７０を用いて実現される。また、取得部及び再構成部は、例えば図１４Ｂにおけるデータ収集システム８７６を用いて実現される。

さまざまな原因で、ポジトロン放射断層撮影（ＰＥＴ）による撮像から、安定しては、高品質画像を取得することができないことがある。たとえば、薬剤の注入量およびスキャン時間の制限により、ＰＥＴ画像の画像品質がしばしば高雑音および低空間解像度（たとえば、５～７ｍｍ）の影響のために低下する。

また、高い雑音レベルおよび低い空間解像度は、小規模な病変や低コントラストの病変の検出およびＰＥＴの定量的精度の向上を難しくすることがある。画像品質は、陽電子飛程、光子対の非同一直線性、内因性のシステム解像度の限界、再構成ボクセルサイズの有限性、患者の動きなどの劣化因子によりさらに低下することがよくある。さらに、スキャン手順のばらつき、患者の体重および生理機能、薬剤の注入量、注入からスキャン開始までの時間長などの多数の、データ取得に関係する要素がＰＥＴ画像品質に影響を及ぼすことがある。したがって、患者内および患者間での画像品質は、著しく変動することがある。画像品質の大きなばらつきは、治療評価を困難にすることがある。このばらつきは、異なる時点において取得されたスキャンや患者間の比較を困難にするからである。

上述の課題に取り組むため、本願に記載される方法は、深層学習（ＤＬ：Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）ネットワークおよび畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）の方法を適用して、ばらつきの大きい（たとえば、雑音レベルが異なる）ＰＥＴデータから一貫して高品質の画像を取得する。本願に記載されるＤＬ－ＣＮＮネットワークは、入力画像が（たとえば、その雑音レベルがまちまちであることにより）その画像品質および統計的特性における大幅な変動を示す場合においても、一様な画像品質をもつ出力画像を生成することができる。

雑音抑止方法は、種々の欠陥の影響を受けるが、本願に記載される方法により是正または軽減される。たとえば、画像品質は、正則化法または再構成後のフィルタリング法により改善することができる。

正則化法では、ユーザー定義ペナルティ関数を目的関数／コスト関数に組み込み、この目的関数／コスト関数を最適化して再構成画像のそれぞれのボクセル（すなわち、ボリュームピクセル）内の活動レベル（たとえば、トレーサー濃度）の画像を逐次的に（繰り返し）再構成する。ユーザー定義ペナルティ関数は、たとえば、局所的な滑らかさを強調し、それにより雑音を抑止することができる。いくつかのレギュラライザは、雑音と病変を区別することを目的として調整または最適化することができる（たとえば、病変などの関心のある特徴から由来する信号を弱めることなく雑音を抑止することを目的として）。すなわち、背景雑音は抑止されるが、病変はそのままに保たれる。

再構成後のフィルタリング法では、線形ガウシアンフィルタまたは非局所平均フィルタまたはメディアンフィルタのような非線形フィルタを適用して雑音を抑止し、それにより信号対雑音比（Ｓｉｇｎａｌ ｔｏ Ｎｏｉｓｅ Ｒａｔｉｏ：ＳＮＲ）を改善することができる。しかし、この雑音抑止に伴い、好ましくないことであるが、一般的に解像度が低下する。（たとえば、細部の詳細およびシャープな境界線がぼやけ、詳細が失われることがある）。

正則化再構成および再構成後のフィルタリング法と比較して、本願に記載されるＤＬ－ＣＮＮ法には、いくつかの利点がある。第１に、本願に記載されるＤＬ－ＣＮＮ法では、ノイズテクスチャがより首尾一貫している（ＰＥＴ画像間の比較をより簡単かつより明快とする）ことにより、臨床における信頼性がより向上する。第２に、本願に記載されるＤＬ－ＣＮＮ法により、臨床環境における堅牢性および再現性が改善する。この方法は、ユーザーにより最適化されるべきパラメータ選択または調整を必要としないからである。

また、本願に記載される方法は、関連ＤＬ－ＣＮＮ法と比較していくつかの利点を提供する。たとえば、ある関連ＤＬ－ＣＮＮ法では、ＣＮＮは再構成される画像へのより速やかな収束を可能とするように訓練が行われるが、再構成される画像の画像品質は改善しない。

第２の関連するＤＬ－ＣＮＮ法では、ＣＮＮは、一様なレベルの雑音をもつ低品質画像により訓練される。したがって、このＣＮＮは、訓練画像と同じレベルの雑音をもつフィルタリング画像にとっては効果的となるように最適化されるが、訓練データの雑音レベルと異なる画像に対してフィルタリングを行うときにはあまり良い結果が得られないことがある。さらに、これらのＣＮＮは、低コントラストな詳細構造の情報が落ちてしまうことの影響を受けやすくなり得る。なぜならば、背景にある多数のボクセルの誤差関数に対する大きな貢献度、そしてそれは主に平滑化により起こるものであるが、関心領域（たとえば、細かい詳細構造を示し、かつ、高い解像度を必要とする病変領域）にある少数のボクセルの誤差関数に対する低い貢献度を圧倒してしまうことがあるからである。この理由は、上述の第２の関連ＤＬ－ＣＮＮ法は、画像中の小さな特徴および細かい詳細を保存するようにネットワークを訓練するため、比較的広い背景領域である関心領域に信号をより強く重み付け／強調するためのメカニズムであって、ＣＮＮを訓練するために用いられる損失関数のバランスを再調整するメカニズムを欠くからである。

第３の関連するＣＮＮ法では、再構成後に適用されるフィルタとしてではなく、再構成プロセスにおける事前情報としてＣＮＮを利用する。この方法では、コスト関数の最適化は困難であり、かつ、この最適化方法では収束が保証されない。また、パラメータ選択も（上述の正規化に基づく方法の場合と同様に）課題であり、この方法の信頼性および堅牢性は低下する。

上述した関連ＤＬ－ＣＮＮ法と対照的に、本願に記載されるＤＬ－ＣＮＮ法では、入力ＰＥＴ画像の雑音レベルの変動に対してネットワークはより堅牢となる。上述したように、雑音レベルのこれらの変動は、取得および再構成の手順の多様性のために生ずることがある。さらに、本願に記載される方法によれば、入力ＰＥＴ画像の雑音レベルがＤＬ－ＣＮＮネットワークの訓練において利用される範囲である場合に、一定の画像品質をもつ首尾一貫した結果が得られる。この、出力ＰＥＴ画像の画像品質が均質であり首尾一貫していることにより、患者内および患者間での画像の変動が小さくなり、より良い診断と臨床結果につながる。本願に記載される方法によれば、計算上効率的な２．５Ｄ直交訓練および雑音除去法を利用することにより、コロナルまたはサジタルビューにおけるアーチファクトの個数の低減または程度の低下がもたらされる。最後に、本願に記載される方法により、小病変のコントラストが良好に保たれ、画像解像度の改善がもたらされる。当該画像解像度の改善は、例えばＤＬ－ＣＮＮネットワークの訓練および適用において、特徴に着目（feature-oriented）した訓練法の利用ならびに解剖学的情報およびその他の種類の医用画像（たとえば、磁気共鳴映像法（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ：ＭＲＩ）およびＸ線ＣＴ（Ｘ－ｒａｙ Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ：ＣＴ）の利用により達成される。

上述した改善は、以下に記載される方法の機能により様々な様態で達成される。たとえば、本願において明細書に記載される方法は、病変の情報を保持しつつ雑音を抑止することによりＰＥＴ画像を改善するためにＤＬ－ＣＮＮ法を適用する。この方法は、同様な品質の出力画像を作成しつつ入力画像中の種々の雑音レベルに自動的に適合するように調整が行われるが、これに際して、雑音除去方法を入力画像の変動に適合させるために、調整可能なパラメータにより雑音除去方法を微調整する（たとえば、ユーザーにより行われなければならないかまたは入力画像の統計的分析を必要とする微調整により微調整する）必要がない。むしろ、入力画像が広範囲の統計的特性（たとえば、雑音レベル）をもつので、本願に記載される方法に従ってＤＬ－ＣＮＮネットワークを訓練した後に、訓練されたＤＬ－ＣＮＮを、変更なく、または調整可能なパラメータなしに利用することができ、すなわち、図１で後述するように、処理部としての処理装置８７０は、再構成部としてのデータ収集システム８７６により再構成された低品質ＰＥＴ画像２５５の統計的特性に基づく調整を行わずに、デノイズされた高品質ＰＥＴ画像２５３を出力することができ、これにより、患者内および患者間の画像品質の変動が低減される。すなわち、入力画像として使用される複数のノイズレベルの再構成画像は、雑音レベル等の統計的特性が所定の範囲内にあり、様々な統計的特性を持つデータを学習に使用することができるので、デノイズされた画像の画像品質は、学習に用いられた複数のノイズレベルの再構成画像の統計的特性が同じ値であったと仮定した場合に比較して、統計的特性の影響をより少なく受けるものとなる。すなわち、処理部としての処理装置８７０は、再構成された低品質ＰＥＴ画像２５５のノイズレベルとは無関係に、一定の画像品質となるデノイズされた高品質ＰＥＴ画像２５３を出力する。

上述の改善は、下記の特徴を使用することにより、様々な形で実現される。（ｉ）ＣＮＮにより行われる画像雑音除去処理が、おおむね、入力画像の雑音レベルの大きさに依存しない態様でＣＮＮが訓練されること、（ｉｉ）２．５Ｄ直交訓練および雑音除去法を適用するＣＮＮアーキテクチャ（純粋な２Ｄまたは３Ｄ方法とは対照的に）、（ｉｉｉ）小さくかつ低コントラスト信号の保持に焦点があわせられた、特徴に着目した訓練方法、および（ｉｖ）マルチモダリティによる訓練およびパーシャルボリューム効果補正のための雑音除去を用いてＣＮＮが訓練されること。

以下、図面を参照するが、これらの図面における同じ参照番号は、同じであるかまたは対応する部分を指す。図１は、ＤＬ－ＣＮＮネットワーク１６２を訓練する方法１００および高品質（たとえば、雑音除去された）ＰＥＴ画像２３５を生成するために低品質（たとえば、高雑音）ＰＥＴ画像２５５を訓練されたＤＬ－ＣＮＮネットワーク１６２に適用する方法２００のフローチャートを示す。図２は、別の実施形態による方法１００および方法２００のフローチャートを示す。

方法１００では、損失関数を利用して、訓練されたＤＬ－ＣＮＮネットワーク１６２を生成するために、停止基準が満たされるまで（たとえば、パラメータの所定閾値への収束）ＤＬ－ＣＮＮネットワークのパラメータ（たとえば、畳み込み層およびプーリング層の重みおよびバイアス）を繰り返し調整する。すなわち、処理装置８７０としての処理部は、複数の第１のノイズレベルの再構成画像に対して、損失関数を同時に最小化することにより学習を行い、かつ調整可能パラメータを繰り返し調整しながら学習を行う。損失関数は、第１のノイズレベルの再構成画像としての高品質データ１５３を現行版のＤＬ－ＣＮＮネットワーク（第１のノイズレベルの再構成画像より高いノイズレベルを持つような複数のノイズレベルの再構成画像としての低品質データ１５５が適用される）の結果と比較する。ＰＥＴイメージングの場合、高品質データおよび低品質データは、それぞれ、高い／良い画像品質および低い／劣った画像品質をもつ再構成されたＰＥＴ画像である。図１に示すように、ＤＬ－ＣＮＮネットワーク１６２は、種々の雑音レベルをもつ低品質データの種々のサンプルを利用して訓練されることにより雑音レベルが変化することに対して堅牢となる。一般的に、信号対雑音比（ＳＮＲ）は、画像を再構成するときにより小さいデータセット（たとえば、より短いスキャン時間またはより少ない同時カウントをもたらすその他の要因のために）を利用するほど小さくなる。したがって、まずはじめに、第１の患者（すなわち、患者１）のＰＥＴスキャンからの同時カウントのすべてを使用して高品質画像１５３（１）を生成することができ、これにより実現可能な最高画像品質のＰＥＴ画像が生成される。次に、患者１のスキャンから再構成されるより低い品質の画像、１５５（１，１），１５５（１，２），…，１５５（１，ｋ）が、データセット全体から選択された同時カウントのデータの種々の部分集合を利用して生成され得る。これらの低い品質画像のそれぞれは、相異なる個数のカウントに対応しており、したがって一定の範囲の雑音レベルをもつ画像を再構成することが可能となる。同様に、患者２および最後の患者までのすべてのその他の患者のＰＥＴスキャンから生成されたデータセット全体の部分集合から、種々の雑音レベルを、低品質画像１５５（２，１），１５５（２，２），…，１５５（２，ｋ）により得ることができる（すなわち、患者Ｌについては、その低品質画像は１５５（Ｌ，１），１５５（Ｌ，２），…，１５５（Ｌ，ｋ）であり、また、高品質画像は１５３（Ｌ）である）。

必須ではない事項として、訓練方法１００は、別の医用イメージングのモダリティ（たとえば、Ｘ線ＣＴ（ＣＴ）または磁気共鳴映像法（ＭＲＩ：Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ））を用いた医用イメージングスキャンから生成されるその他の医用画像１５８をその中に統合してもよい。実行される他の医用イメージングスキャンは、ＰＥＴスキャンと、協調して同時に、またはＰＥＴスキャンと時間的に密接に近接して行うことができる。減衰モデルを得るためにおよび解像度を高めるために有利となるように、他の医用イメージングスキャンを利用することもできる。

たとえば、ＰＥＴ／ＭＲＩスキャナでは、他の医用画像１５８はＭＲＩ画像とすることができる。図１では、ＭＲＩ画像１５８（１）が患者１について得られ、高品質ＰＥＴ画像１５３（１）に対応している。同様に、ＭＲＩ画像１５８（２）が患者２について得られ、高品質ＰＥＴ画像１５３（２）に対応しており、また、ＭＲＩ画像１５８（Ｌ）が患者Ｌについて得られ、高品質ＰＥＴ画像１５３（Ｌ）に対応している。

ＰＥＴ／ＣＴスキャナの別の例では、他の医用画像１５８は、コンピュータ断層撮影（ＣＴ）画像とすることができる。すなわち、複数の第１のノイズレベルの再構成画像は、磁気共鳴画像またはＸ線ＣＴ画像であってよい。

訓練されたＤＬ－ＣＮＮネットワーク１６２を生成した後、ＰＥＴエミッションデータ２５１から再構成された低品質ＰＥＴ画像２５５の雑音レベルとは無関係に、方法２００を使用して訓練されたＤＬ－ＣＮＮネットワーク１６２を適用することにより、高品質ＰＥＴ画像２５３を生成する。すなわち、広い範囲の雑音レベルをもつ低品質画像を利用してＤＬ－ＣＮＮネットワーク１６２を訓練するステップ１１０の方法は、低品質画像がすべて同様な雑音レベルをもつ他の訓練方法に比し、高品質ＰＥＴ画像２５３が画像品質の低品質ＰＥＴ画像２５５の雑音レベルに対する依存を低減することができる。

いくつかの実施形態では、ＰＥＴエミッションデータ２５１をステップ２０２において事前処理されたカウントとし（たとえば、信号の事前条件付け、位置補正、エネルギー補正等）とし、次に、ステップ２０４において、事前処理されたカウントデータを利用して放射能レベル（トレーサ濃度）の画像をボクセル位置の関数として再構成することができる。

方法２００では、ＰＥＴエミッションデータ２５１はステップ２０２において補正され、次にステップ２０４においてＰＥＴ画像再構成プロセスを利用して補正放射データから低品質ＰＥＴ画像２５５が再構成される。すなわち、再構成部としてのデータ収集システム８７６が、複数の検出素子の検出に基づいて取得された、対消滅事象から生ずる各対のガンマ線の同時計測を表すＰＥＴエミッションデータ２５１から低品質ＰＥＴ画像２５５を再構成し、取得部としてのデータ収集システム８７６が、再構成された低品質ＰＥＴ画像２５５を取得する。

ステップ２０２において、種々の較正要因および幾何学的要因を利用してエミッションデータを補正することができる。たとえば、事前処理は、検出器の補正および利得、検出器における量子効率の変動の補正等を含み得る。さらに、これらの補正は、較正データ、経験的パラメータおよび既知のパラメータに基づいて行うことができる。

ステップ２０４において、画像再構成は、逆投影法、フィルタリングされた逆投影法、フーリエ変換準拠画像再構成法、逐次的画像再構成法、行列反転画像再構成法、統計的画像再構成法、リストモード法、または当業者により理解されるその他の再構成法を利用して行うことができる。

ステップ２１０において、再構成された画像からＤＬ－ＣＮＮネットワーク１６２を用いて雑音を除去する。その結果、高品質ＰＥＴ画像２５３が得られる。このようにして、ステップ２０４におけるＰＥＴ再構成から生じた高雑音ＰＥＴ画像を、オフラインＤＬ訓練方法１００により生成されたネットワークを適用するＤＬノイズ除去アルゴリズムの利用により処理することができる。すなわち、処理部としての処理装置８７０は、学習済モデルとしてのＤＬ－ＣＮＮネットワーク１６２に対して、取得部としてのデータ収集８７６が取得した低品質ＰＥＴ画像２５５を入力することで、デノイズされたＰＥＴ画像である高品質ＰＥＴ画像２５３を取得する。ＤＬ－ＣＮＮネットワーク１６２は種々のノイズレベルの低品質画像１５５を用いて訓練されているので、ステップ２０４から再構成された画像のノイズレベルによらず、高品質ＰＥＴ画像２５３が均質に高い画像品質で作成されるはずである。すなわち、ステップ２０４より得られた再構成画像のＰＥＴ画像雑音は、薬剤の注入量、患者の大きさ、患者の生理機能、注入からスキャン開始までの待ち時間、再構成パラメータ等のような多くの要因により影響され得る。事実、これらの要因のいずれもそれのみで結果として得られるＰＥＴ画像の雑音レベルに十分影響を及ぼし得る。さらに、雑音分布は、与えられたＰＥＴ画像内で空間的にも変化し得る。それにも関わらず、ステップ１１０における訓練方法のおかげで均質な高品質の高品質ＰＥＴ画像２５３が生成され、本願に記載される方法１００と２００の組み合わせを使用する、生成されたＰＥＴ画像間の臨床比較の改善を可能にする。

関連手法は、入力画像の雑音レベルを事前に決定するためにまず低品質ＰＥＴ画像２５５の統計的分析を必要とし、次に所定の雑音レベルを補償するために再構成方法を調整する。これらの関連方法と対比してより良い方法は、本願に記載される方法において適用される方法であって、種々の雑音レベルをもつ再構成画像を利用してＤＬ－ＣＮＮネットワーク１６２を訓練することである。この方法は、ＤＬ－ＣＮＮネットワークを入力画像の雑音レベルの変動に対して堅牢にする。この方法によらずに、ノイズレベルが固定であるような低品質画像によりＤＬ－ＣＮＮネットワークの訓練を行うと、訓練に用いたノイズレベルとは異なるノイズレベルの画像に適用された場合に、不十分なデノイズ（ノイズ除去）結果またはアーチファクトにつながることがある。

いくつかの実施形態では、ノイズ適合的な（noise-adaptive）ノイズ除去（すなわち、患者およびＰＥＴスキャン／手順のばらつきから生ずる再構成画像の、さまざまなノイズレベルおよび統計的特性のもとでの一貫したノイズ除去効果）を達成するために、ＤＬ－ＣＮＮネットワーク１６２の多ノイズレベル訓練を以下に説明するように実行する。完全なＰＥＴリストモード訓練データセットのそれぞれ（たとえば、それぞれの完全なＰＥＴリストモード訓練データセットは、図１に示したＬ人の患者のそれぞれに対応する）について、完全なデータセットを完全なデータセットのより小さな部分集合に振り分け直し、各部分集合が完全なデータセットの所定のパーセンテージ／量をもつようにする。この振りわけ直しは、ＤＬ－ＣＮＮネットワーク１６２を訓練するために利用される低品質ＰＥＴ画像を再構成するために使用される種々の寸法の訓練データセットを生成する。たとえば、完全なＰＥＴリストモード訓練データセットのそれぞれは、広い範囲のカウントレベルに振り分け直され得る（たとえば、図１に示すノイズレベル１，２，…Ｋ、これらは完全なデータセットの１０％，２０％，…，９０％に対応する）。この振り分け直しは、たとえば、部分集合を生成する完全なリストモードデータセットの一様／ランダムサンプリングにより達成することができる。

次に、これらの部分集合のそれぞれを利用してＰＥＴ画像を再構成することができる。
すなわち、再構成部としてのデータ収集システム８７６は、複数のノイズレベルの再構成画像のそれぞれとしての低品質ＰＥＴ画像１５５を、第１のノイズレベルの画像としての高品質ＰＥＴ画像１５３を再構成するために用いられたデータセットの、相異なる量又はパーセンテージの部分集合を利用して再構成する。いくつかの実施形態では、この再構成は、種々のノイズレベルに対応するそれぞれの低品質画像を再構成するのと同じ再構成方法およびパラメータを使用することにより標準化することができる（すなわち、これらの種々のノイズレベルは、再構成処理のばらつきからではなく、それらが再構成される元の部分集合のサイズの違いから生ずる）。また、再構成部としてのデータ収集システム８７６は、第１のノイズレベルの再構成画像としての高品質ＰＥＴ画像１５３と、複数のノイズレベルの再構成画像としての低品質ＰＥＴ画像１５５とを再構成するために利用された再構成方法と、同じ再構成方法を利用して低品質ＰＥＴ画像２５５を再構成してもよい。いくつかの実施形態では、高品質画像は、完全なリストモードデータセットを利用し、かつ、低品質画像を再構成するために使用される、標準化された再構成方法およびパラメータを利用して再構成することができる。このような場合、与えられたスキャン／患者の高品質画像と低品質画像間の不一致は、主として、部分集合のサイズが小さくなったことによって生じるノイズに帰することができる。

上述したように訓練データを取得した後、各スキャン／患者それぞれに対する、訓練データの対の間において計算される損失関数を最小化するように種々の最適化パラメータを調整することによりＤＬ－ＣＮＮネットワークを訓練する。すなわち、学習済モデルとしてのＤＬ－ＣＮＮネットワーク１６２は、第１のノイズレベルの再構成画像としての高品質ＰＥＴ画像１５３と、第１のノイズレベルの再構成画像よりも高いノイズレベルの、複数のノイズレベルの再構成画像としての低品質ＰＥＴ画像１５５との差分を最小化するように損失関数を最適化することで学習される。これらの対のそれぞれがスキャン／患者の高品質画像および対応する、すなわち同じスキャン／患者における低品質画像を含んでいる（すなわち、患者１について、これらの対は、｛１５３（１），１５５（１，１）｝，｛１５３（１），１５５（１，２）｝，…，｛１５３（１），１５５（１，ｋ）｝とすることができる）。ＤＬ－ＣＮＮネットワーク１６２は、低品質画像の広い範囲のノイズレベルを利用するように訓練されるので、訓練されたＤＬ－ＣＮＮネットワーク１６２は、ステップ２１０において訓練されたＤＬ－ＣＮＮネットワーク１６２を使用するときに入力画像のノイズレベルに関係なく、調整可能なパラメータの必要なしに、一貫して高品質のＰＥＴ画像を生成することを期待できる。すなわち、調節および調整のすべてはステップ１１０において行われ、したがってステップ２１０では訓練されたＤＬ－ＣＮＮネットワーク１６２は、入力画像２５５のノイズレベルに合わせる追加調整または微調整なしに利用することができる。

ここで、方法１００および２００の実施形態の第１の実施例（実施例はこれに限られない）を提示する。本第１例では、深層残差学習フレームワークを画像デノイズのために適用する。ｘを鮮明な画像、ｙを追加ノイズｎにより劣化されたノイズが大きい観察結果とする（すなわち、ｙ=ｘ＋ｎ）。深層残差ネットワークの目的は、ノイズが大きい入力画像ｙからノイズｎ（すなわち、F（y）≒n）を評価することである。ここで、Fは残差マッピングプロセスである。次に、再構成された画像ｙから評価ノイズＦ（y）を差し引くことによりデノイズされた画像ｘ'を得ることができる（すなわち、x'≒ｙ-F(ｙ)。いくつかの実施形態では、損失関数は次のように公式化することができる。

ここでΘは訓練可能な重みを示す。Ψは誤差関数である（たとえば、第１例では平均平方誤差（Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ：ＭＳＥ）を使用する）であり、Ｎは訓練サンプルの個数、ｙは多ノイズ画像、ｘは目的画像を表す。第１例では、確率的勾配降下法（stochastic gradient descent）を利用して損失関数を最小化し、かつ、８層のネットワークを利用して、性能と訓練効率間の良好なバランスを与える。第１の深層残差ネットワークアーキテクチャの一例を表１に示す。表１において、“Ｃｏｎｖ”は畳み込み層を示す。“ＢＮ”はバッチ正規化を表し、かつ、“ＲｅＬＵ”は正規化線形関数を示す。第１例では、訓練データセットの８個のスキャンは、それぞれ、１４分継続する。これらの完全なデータセットを利用して高品質画像を生成した。また、これらの完全なデータセットの一様な振り分け直しを利用して６０，１２０，１８０，２４０，３００，および４２０秒の長さのスキャンに対応する部分集合を生成し、これらのスキャンを利用して低品質画像を生成した。次にこれらの訓練データセットを利用してネットワークを訓練し、順序部分集合期待値最大化法（Ｏｒｄｅｒｅｄ－Ｓｕｂｓｅｔ Ｅｘｐｅｃｔａｔｉｏｎ Ｍａｘｉｍｉｚａｔｉｏｎ：ＯＳ－ＥＭ）を利用して画像を再構成した。

ＤＬ－ＣＮＮネットワーク１６２を試験／確認するために、次にＤＬ－ＣＮＮネットワーク１６２を２分、３分、および４分の長さのＰＥＴスキャンにより取得したＯＳ－ＥＭ再構成画像に適用し、続いてその結果を半値全幅（Ｆｕｌｌ－Ｗｉｄｔｈ Ｈａｌｆ Ｍａｘｉｍｕｍ：ＦＷＨＭ）においてそれぞれ４，６，８ｍｍの幅をもつガウシアンフィルタを利用するデノイズと比較した。図３Ａおよび３Ｂは、デノイズ後の２分、３分、および４分の長さのＰＥＴスキャンによるＯＳ－ＥＭ再構成画像内の２つの相異なる領域の「変動係数」に対してプロットされた「コントラスト回復」のグラフを示している（図３Ａは肺領域を示し、図３Ｂは肝臓領域を示している）。図３Ａは、（ｉ）一実施形態に従ってＤＬ－ＣＮＮネットワークを使用することにより、および（ｉｉ）ガウシアンフィルタを使用することにより、雑音除去されたＰＥＴ画像における肺領域のコントラスト回復（縦軸）対肝臓変動係数（横軸）のプロットを示す。これらのＰＥＴ画像は、２分、３分、および４分の取得時間に対応している。また、図３Ｂは、（ｉ）一実施形態に従ってＤＬ－ＣＮＮネットワークを使用することにより、および（ｉｉ）ガウシアンフィルタを使用することにより、雑音除去されたＰＥＴ画像における肝臓領域のコントラスト回復（縦軸）対肝臓変動係数（横軸）のプロットを示す。これらのＰＥＴ画像は、２分、３分、および４分の取得時間に対応している。ＤＬ－ＣＮＮネットワーク１６２を利用してデノイズされた画像（三角形記号を使用して示されている）は、ガウシアンフィルタ（Ｇａｕｓｓｉａｎ ｆｉｌｔｅｒ：ＧＦ）を利用してデノイズされた画像（円形記号により示されている）より密に集まる傾向をもっており、したがってＤＬ－ＣＮＮネットワークに基づく方法が再構成画像のノイズレベルの変動に対してより堅牢である傾向が確認される。また、ＤＬ－ＣＮＮネットワークに基づく方法を使用してデノイズされた画像には、ガウシアンフィルタを使用してデノイズされた画像より優れた画像品質をもつ傾向がある。

図４は、ＤＬ－ＣＮＮネットワークに基づくフィルタリング／デノイズを行うときに（すなわち、ステップ１１０および２１０において）利用することができる２．５Ｄプロセス４００を示す。すなわち、図４は、実施形態に従って２．５次元（２．５Ｄ）ＤＬ－ＣＮＮを３次元（３Ｄ）ＰＥＴ画像に適用するプロセス４００のフローチャートを示す。プロセス４００において、ＤＬ－ＣＮＮネットワーク１６２は、再構成された３次元（３Ｄ）ＰＥＴ画像の２次元（２Ｄ）スライスにそれぞれ適用される３つのネットワークを含むことができ、これらの３つのネットワークのそれぞれは、異なる方向に対応する。すなわち、トランスアキシャルネットワーク４２２は、３ＤのＰＥＴ画像のトランスアキシャル面に平行な２Ｄスライスに適用することができる。同様に、コロナルネットワーク４２４は、３ＤのＰＥＴ画像のコロナル面に平行な２Ｄスライスに適用することができ、かつ、サジタルネットワーク４２６は、３ＤのＰＥＴ画像のサジタル面に平行な２Ｄスライスに適用することができる。

プロセス４００のステップ４１０において、低品質ＰＥＴ画像をそれぞれの平面／方向に従ってスライスする。

プロセス４００のステップ４２０において、それぞれのＤＬ－ＣＮＮネットワーク４２２、４２４、および４２６をスライスに対しそれらそれぞれの平面において適用してノイズ除去された画像４３０を生成する。

プロセス４００のステップ４４０において、ノイズ除去された画像同士を組み合わせて集計画像を形成する。たとえば、３つのノイズ除去された画像４３０を平均して、単一の３Ｄデノイズ画像を得ることができる。

この２．５Ｄ法は、低品質ＰＥＴ画像をノイズ除去する２Ｄと３Ｄ両方の方法に比し、いくつかの利点を与える。２．５Ｄ法に対比し、３Ｄ法は、計算速度が遅く、かつ、計算負荷が大きい。さらに、単一の平面に平行な２Ｄスライスのみを取り扱う純粋な２Ｄ法は、アーチファクトを軽減せず、かつ、他の平面に平行な空間情報の利用を欠く。

ＰＥＴイメージングが体内への放射性トレーサ取り込みの３Ｄボリューム測定情報を与えるのに対し、他のＤＬ－ＣＮＮ法は２Ｄ画像を取り扱うので、それにより３Ｄ体積測定データベース上に筋状アーチファクトを生ずることがある。たとえば、ＤＬ－ＣＮＮがトランスアキシャル観察結果を取り扱うとき、それはコロナル方向およびサジタル方向のボクセル間相関を無視するので、コロナルおよびサジタル観察結果における筋状アーチファクトが生ずる。これらのアーチファクトには、完全３Ｄ畳み込みを利用するＣＮＮネットワークを採用することにより対処し得るが、ＤＬ－ＣＮＮにおけるかかる完全３Ｄ畳み込みは、訓練とノイズ除去の両方に関して計算コストが高い。

したがって、プロセス４００は、ＤＬ－ＣＮＮネットワーク１６２においてやはり２Ｄ畳み込みを利用する２．５Ｄ解決法を利用するが、しかし２．５Ｄ解決法における２Ｄスライスは、単一平面に平行であることに限定されない。

いくつかの実施形態では、プロセス４００は、直交観察結果のそれぞれにおいてスライスされた訓練サンプル（たとえば、トランスアキシャル、コロナルおよびサジタル）を利用して３つの直交ネットワークを訓練する。すなわち、処理部としての処理装置８７０は、画像を入力することでデノイズされた画像を出力する学習済モデルに対して、取得部としてのデータ収集システム８７６により取得された、３次元に配列されたボクセルを含む、再構成画像を入力することでデノイズされた画像を出力する。当該学習済モデルは、ＤＬ－ＣＮＮとして、第１の方向（トランスアキシャル方向）のスライス画像群（トランスアキシャルスライス画像群）をそれぞれ入力し、対応する第１のデノイズ画像群（トランスアキシャル面に対応する画像）をそれぞれ出力する第１のネットワークとしてのトランアキシャルネットワーク４２２と、第１の方向に垂直な第２の方向（コロナルスライス方向）のスライス画像群（コロナルスライス画像群）をそれぞれ入力し、対応する第２のデノイズ画像群（コロナル面に対応する画像）をそれぞれ出力する第２のネットワークとしてのコロナルネットワーク４２４と、第１の方向に垂直な第３の方向（サジタルスライス方向）のスライス画像群（サジタルスライス画像群）をそれぞれ入力し、対応する第３のデノイズ画像群（サジタル面に対応する画像）をそれぞれ出力する第３のネットワークとしてのサジタルネットワーク４２６とを含む。それぞれの方向のスライスデータは、対応するネットワークにより処理することができる。次にこれらの３つのノイズ除去された３Ｄボリュームを組み合わせて（たとえば、平均して）、最終結果、すなわち高品質ＰＥＴ画像２５３を得る。すなわち、処理部としての処理装置８７０は、第１のデノイズ画像群と第２のデノイズ画像群と第３のデノイズ画像群とを合成することで、例えば第１のデノイズ画像群と第２のデノイズ画像群と第３のデノイズ画像群との間で平均操作を行うことで、出力画像としての高品質画像４５０を出力する。プロセス４００を利用する場合、データを訓練するステップ１１０とデータをノイズ除去するステップ２１０の両方で使用される。

しかしながら、実施形態は、３つのデノイズされた３Ｄボリュームが合成されて最終結果を得る場合に限られない。これらのデノイズされた３Ｄボリュームは、例え合成処理前であっても、臨床的価値を有する。従って、合成処理前のこれらのデノイズされた３Ｄボリュームを、最終結果としてディスプレイに表示してもよい。

なお、かかる合成処理は、単純平均操作に限られない。重み付け平均などその他の操作も、当該合成処理として用いられもよい。また、合成処理を行うにあたって、３つのデノイズ画像群を用いて合成処理を行うのではなく、例えば２つのデノイズ画像群を用いて合成処理を行っても良い。例えば、処理部としての処理装置８７０は、第１のデノイズ画像群と第２のデノイズ画像群とを合成することで、出力画像を生成してもよい。

図５および図６は、ＤＬ－ＣＮＮネットワーク１６２の訓練を改善する、特徴に着目した（feature-oriented）な方法を示す。方法１００はラベル付けされていない訓練データを用いて実行できるが、訓練データがより高い臨床的重要性をもつＰＥＴ画像内の領域／特徴（たとえば、病変の領域）を示すように分割され、かつ、ラベル付け／重み付けされているならば、方法２００においてノイズ除去をより良く達成できる。したがって、学習したネットワークは、損失関数の重み付けを行い、関心領域（たとえば、病変）中で高品質画像に特に合致する、ノイズ除去された画像を生成することにより、より高い臨床的重要性をもつとみなされた分割領域中で、画像品質を向上することができる。

ノイズ除去訓練はラベル付けされたデータ（たとえば、標的物体を分割し、かつ、ラベル付けすること）を一般的に必要としないことを考えることにより、監視プロセス５００および修正訓練ステップ１１０’（ステップ１１０の修正版に対応する）の利点を、よりよく理解することができる。この理由は、一様な重み付けをデフォルト値として、訓練において利用されるすべてのボクセルに適用することが可能となるからである。ここで、ノイズ除去された低品質画像（すなわち、低品質画像がＤＬ－ＣＮＮネットワークを利用して処理された後の低品質画像）と高品質画像間の不一致が最小となるように訓練は行われる。この訓練は、画像パッチ上のすべてのボクセル間差異に等しい重みを適用する損失関数を最小化するように種々のネットワークパラメータを調整することにより行われる。しかし、ＰＥＴ画像中の関心対象信号は、背景に比較して空間的に狭い領域にある場合が多いので（たとえば、病変領域は、背景領域よりかなり小さい場合がある）、多数の背景ボクセルが損失関数の寄与の中で支配的になり、ノイズ背景を除去する平滑化を過度に重視し、より小さい関心領域における小さな特徴および細かい詳細の保持を過小評価するという解の方向にネットワークを導くことがある。

この傾向を相殺するために、ステップ１１０における訓練中に、特徴に着目したデノイズ法を利用して病変領域に適用される重みを増加することができる。図５に示したように、プロセス５００は、病変マスクを作成する分割ステップ５１０および訓練データセット中の各高品質画像の重みマップを作成する重み計算ステップ５２０を含んでいる。いくつかの実施形態では、重みマップは、訓練データセット中の標的病変を手動分割することにより作成することができる。いくつかの実施形態では、重みマップを自動的に分割し（たとえば、閾値および領域拡張法を利用する）、次にユーザー入力を利用してどの分割領域が背景であり、どの領域が関心領域であるか識別することができる。すなわち、処理部としての処理装置８７０は、ユーザ入力に基づいて、関心領域マスクを生成する。重みマップは、病変においてより高い値、背景においてより低い値をもち、かつ、病変を含まないパッチの重みマップは一様とすることができる。重みマップを利用して信号／病変領域および背景領域におけるボクセル個数の違いを補償する。これにより、背景のノイズを抑止しながら、所望の小さい特徴を保持するという、相反する要求間の均衡を図ることができる。

プロセス５００のステップ５１０において、病変を識別し、かつ、手動分割して、与えられた高品質ＰＥＴ画像に対応する病変マスク（関心領域マスクとも呼ばれる）を取得する。すなわち、処理部としての処理装置８７０は、低ノイズレベル画像としての低品質ＰＥＴ画像１５５と高ノイズレベル画像としての高品質ＰＥＴ画像１５３との少なくとも一方に基づいて、関心領域を背景から識別する関心領域マスクを生成する。

プロセス５００のステップ５２０において、これらのマスクを利用して距離依存重みマップを作成する（たとえば、病変ボクセルは１に、遠く離れたボクセルは０．１に重み付けする）。すなわち、処理部としての処理装置８７０は、ステップ５１０で生成された関心領域マスクに基づいて距離依存重みマップを生成する。いくつかの実施形態では、重みを緩やかに減らしていくことにより病変ボクセルと背景ボクセル間の境界をぼやかし、それにより分割の誤り／不確実性を表すことができる。すなわち、処理部としての処理装置８７０は、ステップ５１０で生成された関心領域マスクに平滑化フィルタを適用することで重みマップを生成する。

次に、修正訓練ステップ１１０’において、重みマップを利用して次のような重み付け損失関数を計算する。

ただし、wは重みマップであり、また、記号“ｘ”はピクセル間乗算を表す。すなわち、修正訓練ステップ１１０’において、学習済モデルは、入力層と出力層の間の複数の層の接続の重み付け係数を含むＤＬ－ＣＮＮニューラルネットワーク１６２’を取得する。ＤＬ－ＣＮＮネットワーク１６２’は、低ノイズレベル画像としての低品質ＰＥＴ画像１５５と、当該低ノイズレベル画像のボクセルに割り当てられた重み値に対して、関心領域内にあると識別された低ノイズレベル画像のボクセルに対してより大きな重み値を割り当てられる重みマップと、低ノイズレベル画像に対応する高ノイズレベル画像とを学習データとして受け付ける。ＤＬ－ＣＮＮネットワーク１６２’は、低レベルノイズ画像としての低品質ＰＥＴ画像１５５と、高ノイズレベル画像としての高品質ＰＥＴ画像とをニューラルネットワークに入力して得られる出力との差分に、ステップ５２０で生成された重みマップの値に乗じて損失関数を最適化することで訓練される。

ここで第２の実施例（実施例はこれに限られない）により、ＤＬ－ＣＮＮネットワーク１６２’を訓練する場合にプロセス５００を利用することにより得られる利点を示す。ＤＬ－ＣＮＮネットワーク１６２’はＤＬ－ＣＮＮネットワーク１６２と同じとすることができ、かつ、ステップ２１０の処理は同じように適用されるが、ＤＬ－ＣＮＮネットワーク１６２’が損失関数の計算において一様な重み付けではなく重みマップを利用して訓練されることが異なる。

表２に示される５層残差ネットワーク（Ｒｅｓｉｄｕａｌ Ｎｅｔｗｏｒｋ）に対して、シミュレーションおよびファントムにより訓練が行われ、次にＮＥＭＡボディファントム（図７の左側に示されている）の多ノイズ再構成に適用された。後者はＯＳ－ＥＭ再構成法を使用して再構成された。

図７は、第２の例について、左側では再構成された画像、右側では残差画像を示している。評価された残差画像は、図７の右側に示されている。

図７は、最小の球（１０ｍｍ）がノイズとして誤分類され、かつ、ノイズ除去された画像から大部分除去／取り去られたことを示している。これは、この病変が数個のボクセルのみを含み、かつ、特徴が視覚的に明らかでないという事実による。したがって、信号中に（単にノイズ中に、というのと異なり）同様に小さな特徴が示された画像に関する十分な訓練サンプルがない場合、畳み込みニューラルネットワークは、それをノイズとしてマッピングするように働く。そのようにすることが大域的に損失関数を低減するからである。

第２の例では、プロセス５００および方法１１０’は、関心領域中のボクセルの個数と背景中の個数の不一致を補償するために種々の重みを種々のボクセルに割り当てる、特徴に着目した学習法を利用する。重みマップの作成に際し、病変マスクを作成するために標的画像において図５に示すように病変／関心領域をまず（たとえば、手動によりまたは閾値分類により）分割する。病変においてＮ_ｂ／Ｎ_ｌ倍高い重みを割り当てることにより病変マスクから重みマップを作成する。ここでＮ_ｂおよびＮ_ｌは、それぞれ、背景におけるボクセルの合計数および病変におけるボクセルの合計数である。他の実施形態では、当業者により理解されるように、重みマスクの主旨から逸脱することなく他の比率および方法を利用して背景と関心領域間の相対的重み値を選択することができる。背景ボクセルは、重みマップにおいて１に設定することができる。次に重みマップをガウス核により畳み込んで分割誤差を調整する。重みマップは、病変を含まないパッチについては一様とすることができる。重みマップは、ネットワークに対し所望の小さい特徴を保存する一方、背景のノイズを抑止することを学習するように強制する。

上述の重みマップを利用して実現される改善を評価するために、コンピュータシミュレーションファントムの画像および２つの物理ファントムの画像を含む訓練データセットによりネットワークを訓練した。シミュレートされたファントム画像を種々の寸法およびコントラストの球をもつアクティビティマップから作成し、かつ、種々のノイズレベルを生成するために種々の取得時間（たとえば、１，２，３および４分）をシミュレートした。１０分の取得により高品質標的画像をシミュレートした。訓練データセットは、全部で１２個のデータセットを含んでいる。同じアーキテクチャおよび訓練データセットを利用して２つのネットワークを訓練した。（ｉ）方法１１０、すなわち、一様な重み付け（すなわち重みマップなし）を使用して訓練されたＤＬ－ＣＮＮ、および（ｉｉ）方法１１０’、すなわち、上述の重み付けを使用して訓練されたＤＬ－ＣＮＮ。重みマップを利用して訓練されたＤＬ－ＣＮＮの場合、病変マスクは、標的画像に対し閾値分類を適用した後にガウス核による畳み込みにより作成された。

重みマップ適用訓練による改善を評価するために、上述した２つの訓練されたネットワークを２分間スキャンされた標準ＮＥＭＡファントム（２ｍＣｉ）のＯＳ－ＥＭ再構成画像に適用した（ＮＥＭＡファントムは訓練データセットに含まれなかった）。ノイズ除去なしのＯＳ－ＥＭ再構成画像を図８Ａに示す。図８Ｂおよび８Ｃは、それぞれ、損失関数における一様な重み付けを使用して訓練されたＤＬ－ＣＮＮネットワークおよび重みマップにより与えられた種々の重みを使用して訓練されたＤＬ－ＣＮＮネットワークによる、ノイズ除去後の同一画像を示す。

各球のコントラスト回復および背景の変動係数を測定することにより、ノイズ除去された画像を評価した。この分析の結果を表３に示す。表３は、重みマップにより決定される一様な重み付けまたは異なる重み付けを利用するＤＬ－ＣＮＮネットワークを適用することによりＯＳ－ＥＭ再構成画像をノイズ除去して得られたノイズ除去後の画像の変動係数分析の結果である。

２２ｍｍの球に対応するような大きな特徴の場合、訓練データが重み付けされているか一様であるかに関係なく当該特徴は、ノイズ除去された画像中に保存される。すなわち、ＤＬ－ＣＮＮネットワークによるノイズ除去の場合の変動係数は、そのＤＬ－ＣＮＮネットワークが一様な重み付けを利用して訓練されたか、または重みマップにより与えられる種々の重みを利用して訓練されたか否かにほとんど無関係である。しかしながら、重みマップの種々の重みを利用して訓練されたＤＬ－ＣＮＮネットワークは、ノイズ除去された画像中の細かい特徴（たとえば、１０ミリ球に対応する特徴）の保存については、より優れた働きを示す。これに対し、一様な重み付けを利用して訓練されたＤＬ－ＣＮＮネットワークは、これらの細かい特徴をノイズとして識別する傾向があり、かつ、それらをノイズ除去された画像から大部分フィルタリングする。

ここで、図９を参照しつつ修正訓練方法１１０’’について説明する。いくつかの実施形態では、方法１００および２００は他の医用画像を利用することができる。他のモダリティの医用イメージングは、しばしば、対応するＰＥＴ画像より高い解像度の画像を実現することができる。これらの他の医用画像を利用してパーシャルボリューム効果を修正することができるが、パーシャルボリューム効果が起こる場合、ＰＥＴ画像中のボクセルは、２種類の異なる物質間の境界に存在する（たとえば、病変（高いレベルのアクティビティをもつ）と周囲の器官（より低いレベルのアクティビティをもつ）間の境界をまたぐ）。他の画像がＰＥＴ画像より高い解像度をもっており、かつ、ＰＥＴ画像中の与えられたボクセルを部分的に占有している２種類（またはそれ以上）の物質／器官部分を識別するために利用できる場合、他の医用画像を利用してパーシャルボリューム効果の修正を行うことができる。利用する医用画像の種類としては、いかなる種類の他の医用画像も利用できる。実施例はこれに限られないが、実施例の例示として、本願では（別段の言及のない限り）他の医用画像はＣＴ画像とする。

図９は、方法１００および２００の修正実施形態のフローチャートを示す。ここでは、ステップ１１０’’は修正ネットワーク（ＤＬ－ＣＮＮネットワーク）１６２’’を訓練し、また、ステップ２１０’’は低品質ＰＥＴ画像２５５および低品質ＣＴ画像２５８を修正ネットワーク（ＤＬ－ＣＮＮネットワーク）１６２’’に適用する。すなわち、ステップ１１０’’およびステップ２１０’’は、低品質ＰＥＴ画像と低品質ＣＴ画像（などの非ＰＥＴ画像）の組み合わせを利用してＰＶＣ２５３’’による高品質ＰＥＴ画像を生成する。上述したように、ＰＥＴイメージングでは、画像品質は、パーシャルボリューム効果（ＰＶＥ：Ｐａｒｔｉａｌ Ｖｏｌｕｍｅ Ｅｆｆｅｃｔ）により、たとえば、システム固有解像度に限界があるために、劣化することがある。すなわち、ＰＥＴ画像中の大きなボクセルによる粗視化がＰＶＥをまねき、隣接領域へのアクティビティの溢出効果を引き起こし、画像の解像度およびコントラストを低下させることがある。ＰＶＥを軽減するために、修正方法１００および２００は、ＣＴ（またはＭＲＩ）イメージングから取得された高い解像度解剖情報をＤＬ－ＣＮＮネットワーク１６２’’に導入してＰＥＴ画像中のＰＶＥを修正する。図８に示すように、高解像度ＣＴ（ＭＲＩ）画像を、ＰＥＴ画像と相前後して取得し、かつ、再構成することができる。次に、再構成されたＣＴ（ＭＲＩ）画像をＰＥＴシステム配置の利用により前方に投影し、続いて同一ＰＥＴ再構成手順により第２のＣＴ（ＭＲＩ）画像を前方投影画像から再構成することができる。結果として、ＰＥＴ解像度でのＣＴ画像（すなわち、解像度劣化ＣＴ画像）が再構成され、図９に低解像度ＣＴ画像１５８として示される。別の方法として、ＰＥＴ再構成において利用された減衰マップを利用して解像度劣化ＣＴ画像１５８を近似することもできる。

ステップ１１０’’において、低品質ＰＥＴ画像１５５および低解像度ＣＴ画像１５８は、ＤＬ－ＣＮＮネットワーク１６２’’に適用される二重チャネル入力であり、また、損失関数は、低品質ＰＥＴ画像１５５および低解像度ＣＴ画像１５８をそれぞれの高品質ＰＥＴ画像１５３および高解像度ＣＴ画像１５１と比較することにより計算される。その目的は、低／高品質ＰＥＴ対からノイズ除去を、低／高解像度ＣＴ対から解像度向上をネットワークに学習させることである。

ステップ２１０’’において、ＰＶＣ’’による高品質ＰＥＴ画像２５３を得るために、低品質ＰＥＴ画像と臨床状況において取得された低解像度ＣＴ（ＭＲＩ）画像の組み合わせに、訓練されたＤＬ－ＣＮＮネットワーク１６２’’を適用する。

ここでステップ１１０についてより詳細な説明を行う。この説明は、当業者の理解するように、ステップ１１０の修正版（たとえば、ステップ１１０’およびステップ１１０’’）に一般化することができる。図１０は、方法１００において実行される訓練ステップ１１０の一実施形態におけるフローチャートを示す。方法１００のステップ１１０において、ＤＬ－ＣＮＮネットワークを訓練する訓練データとして低品質（たとえば、ノイズが大きいデータ）データ１５５および高品質（たとえば、最適化された）データ１５３を利用することにより、ステップ１２４からの出力であるＤＬ－ＣＮＮネットワークを得る。ここで用語「データ」は画像を指し得る。より一般的に、データ１５５は、欠陥含有データとも呼ばれ得る。この場合、「欠陥」は、画像処理により影響を及ぼされ得る望ましくない任意の特徴（たとえば、ノイズまたはアーキテクチャ）であり得る。同様に、データ１５３は、欠陥低減データ、欠陥最小化データ、または最適化データとも呼ばれ得る。この場合、「欠陥」の程度は、データ１５５の欠陥より低い。データ１５５および１５３の再構成画像を利用する例において、オフラインＤＬ訓練方法１００は、対応する高品質画像１５３と対にされる多数の多ノイズ構成画像１５５を利用してＤＬ－ＣＮＮネットワーク１６２を訓練する。その目的は、多ノイズ再構成画像から高品質画像に類似している画像を作成するようにＤＬ－ＣＮＮネットワーク１６２を訓練することである。

ステップ１１０において、１組の訓練データが取得される。次にＤＬ－ＣＮＮネットワーク１６２を逐次的に（繰り返し）更新して誤差（たとえば、損失関数により計算される値）を低減することにより、ＤＬ－ＣＮＮネットワークにより処理された多ノイズデータ１１５を最適化データ１５３に厳密に一致させる。換言すると、ＤＬ－ＣＮＮネットワークが訓練データにより示唆されるマッピングを推定し、次にコスト関数が、最適化データ１５３とＤＬ－ＣＮＮネットワーク１６２の現状を多ノイズデータ１１５に適用することにより作成されたノイズ除去データの間の不一致に関する誤差値を作成する。たとえば、いくつかの実施形態では、コスト関数は、平均二乗誤差を利用して平均二乗誤差を最小化することができる。多層パーセプトロン（ＭｕＬｔｉｐｌａｙｅｒ Ｐｅｒｃｅｐｔｒｏｎｓ：ＭＬＰ）ニューラルネットワークの場合、（確率的）勾配降下法を利用する平均二乗誤差に基づくコスト関数を最小化することによりネットワークを訓練するために誤差逆伝搬アルゴリズムを利用することができる。

ニューラルネットワークモデルを訓練することは本来、費用基準（すなわち、コスト関数を利用して計算される誤差値）を最小化する１つのモデルを、許容されるモデル群から選択すること（またはベイジアンフレームワークにおいて、許容されるモデルの集合の分布を決定すること）を意味する。一般的に、ＤＬ－ＣＮＮネットワークは、ニューラルネットワークモデルを訓練する多数のアルゴリズムのいずれかを利用して訓練することができる（たとえば、最適化理論および統計的評価を適用することによる）。

たとえば、ＤＬ－ＣＮＮネットワーク１６２の訓練において利用される最適化方法は、実際の勾配を計算するために逆伝搬を包含するある種の勾配降下法を利用することができる。これは、コスト関数をネットワークパラメータについて微分し、次にこれらのパラメータを勾配関連方向に変更することにより行う。逆伝搬訓練アルゴリズムは、最急降下法（たとえば、可変学習率利用、可変学習率および運動量利用、および弾力的逆伝搬）、準ニュートン法（たとえば、Ｂｒｏｙｄｅｎ－Ｆｌｅｔｃｈｅｒ－Ｇｏｌｄｆａｒｂ－Ｓｈａｎｎｏ、ワンステップセカント、およびＬｅｖｅｎｂｅｒｇ－Ｍａｒｑｕａｒｄｔ）、または共役勾配法（たとえば、Ｆｌｅｔｃｈｅｒ－Ｒｅｅｖｅｓ最新版、Ｐｏｌａｋ－Ｒｉｂｉeｒｅ最新版、Ｐｏｗｅｌｌ－Ｂｅａｌｅ再開、およびスケール共役勾配法）とすることができる。また、遺伝子発現プログラミング、焼き鈍し法、期待値最大化、ノンパラメトリック法および粒子群最適化などの発展的方法もＤＬニューラルネットワーク１６２の訓練のために利用することができる。

図１０は、訓練データを利用してネットワークを訓練する方法１００のステップ１１０を実行するフローチャートの実施例（実施例はこれに限られない）を示している。訓練データ中のデータ１１５は、多ノイズ画像またはアーチファクトを示す画像とすることができる。たとえば、アーチファクトは、特定の方法の再構成から生ずることも、またはエミッションデータを取得するために利用される方法から生ずることもある。

ステップ１１０のステップ１１２において、ＤＬ－ＣＮＮネットワーク１６２の係数の最初の推測が生成される。たとえば、最初の推測は、画像化される領域の先験的知識、１つ以上の典型的デノイズ方法、境界検出法や動体検出法に基づくことができる。また、最初の推測は、ＬｅＣｕｎ初期化、Ｘａｖｉｅｒ初期化、およびＫａｉｍｉｎｇ初期化の１つに基づき得る。

ステップ１１４から１２４は、ＤＬ－ＣＮＮを訓練する方法のための最適化法の実施例（実施例はこれに限られない）を示す。

ステップ１１０のステップの１１４において、ＤＬ－ＣＮＮネットワーク１６２の現行版を適用した後に最適化データ１５３（すなわち、地上検証データ）と多ノイズデータ１１５間の差異の大きさ（たとえば、距離亘長）を表す誤差を計算する（たとえば、損失関数またはコスト関数を利用する）。この誤差は、上述したコスト関数を含む既知コスト関数または画像データ間の距離亘長を利用して計算することができる。さらに、いくつかの実施形態では、誤差／損失関数は、１つ以上のヒンジ損失および交差エントロピー損失を利用して計算することができる。

また、損失関数を正則化法と組み合わせることにより、訓練データで示される特定の症例にネットワークを過剰適合習させることを回避することができる。正則化は、マシン学習課題における過剰適合の防止に役立つことがある。訓練が長すぎ、かつ、モデルが十分な表現力をもつに至ったと推定される場合、このネットワークは、そのデータセットに特有のノイズを学習するが、この状況を過剰適合という。過剰適合の場合、ＤＬ－ＣＮＮの一般化は不十分であり、かつ、ノイズがデータセット間で変動するので分散が大きくなる。バイアスと分散の和が最小になったときに合計誤差が最小となる。したがって、訓練データ中のノイズに特有の解決法ではなく、訓練されたネットワークが一般的解決方法を表現する確率を最大化するデータを可能な最も簡単な方法で説明する極小に到達することが望ましい。この目標は、たとえば、早期中止、重み正則化、Ｌａｓｓｏ正則化、Ｒｉｄｇｅ正則化またはｅｌａｓｔｉｃ ｎｅｔ正則化により達成することができる。

いくつかの実施形態では、逆伝搬を利用してＤＬ－ＣＮＮネットワーク１６２を訓練する。逆伝搬はニューラルネットワークの訓練のために使用することができ、また、勾配降下最適化方法とともに利用される。フォワードパス中、アルゴリズムが現在のパラメータΘに基づいてネットワークの予測を計算する。次にこれらの予測が損失関数に入力され、この関数によりこれらの予測は、対応する地上検証ラベル（すなわち、高品質画像１５３）と比較される。バックパス中、モデルは現在のパラメータに対する損失関数の勾配を計算し、それに続いて最小化損失の方向に所定のサイズだけ１歩進めることによりパラメータを更新する（たとえば、Ｎｅｓｔｅｒｏｖ慣性法および種々の適応的手法などの加速法では、より早く収束して損失関数を最適化するように１歩のサイズを選択できる）。

逆投影法を実行する最適化方法は、１つ以上の勾配降下、バッチ勾配降下、確率的勾配降下、およびミニバッチ確率的勾配降下を利用することができる。また、この最適化方法は、深層ネットワークにおける確率的勾配降下の収束速度をより速くする最適化方法において１つ以上の慣性更新技法を使用して加速され得る。これらの技法は、たとえば、Ｎｅｓｔｅｒｏｖ慣性技法またはＡｄａｇｒａｄ劣勾配法、Ａｄａｇｒａｄ法のＡｄａｄｅｌｔａまたはＲＭＳＰｒｏｐパラメータ更新変動、およびＡｄａｍ適応的最適化手法などの適応的手法を含む。最適化方法としては、ヤコビ行列を更新ステップに組み込むことにより２次の方法を適用することもできる。

フォワードパスおよびバックワードパスは、ネットワークのそれぞれの層により逐次（繰り返して）実行され得る。フォワードパスでは、実行は、最初の層により入力を供給することから開始し、それにより次の層のための出力活性化を生成する。このプロセスは、最後の層において損失関数に到達するまで繰り返される。バックワードパス中、最後の層は、それ自体の学習可能パラメータ（ある場合）に対する、また、それ自体の入力に対する勾配を計算する。これは、前の層の上流導関数(upstream derivative)としての役割を果たす。このプロセスは、入力層に到達するまで繰り返される。

図１０に示した実施例（実施形態はこれに限られない）に戻ると、ネットワークの変化の関数が計算できるので（たとえば、誤差勾配）、ステップ１１０のステップ１１６は、誤差の変化を判定する。そして誤差のこの変化を利用してＤＬ－ＣＮＮネットワーク１６２の重み／係数への次の変化の方向およびステップサイズを選択することができる。この方法により誤差の勾配を計算することは、勾配降下最適法のいくつかの実施形態と一致する。他のいくつかの実施形態では、当業者によって理解されるとおり、このステップは省略することもできるし、別の最適化アルゴリズム（たとえば、焼き鈍し法また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）に従う別のステップにより置き換えることもできる。

ステップ１１０のステップ１１８において、ＤＬ－ＣＮＮネットワーク１６２の新しい１組の係数が決定される。たとえば、重み／係数は、勾配降下最適化方法または過緩和加速法におけるように、ステップ１１６において計算された変化を利用して更新することができる。

ステップ１１０のステップ１２２において、ＤＬ－ＣＮＮネットワーク１６２の更新された重み／係数を利用して新しい誤差値を計算する。

ステップ１１０のステップ１２４において、所定の中止基準を利用してネットワークの訓練が完了したか否か決定する。たとえば、所定の中止基準は、新しい誤差や遂行された繰り返しの合計回数が所定の値を超えたか否か評価することができる。たとえば、新しい誤差が所定の閾値を下回るかまたは繰り返しの最大回数に到達した場合に、中止基準は満たされ得る。中止基準が満たされない場合、ステップ１１０において実行される訓練プロセスは、ステップ１１６に戻って新しい重みおよび係数を使用してステップ１１６を繰り返すことによって、繰り返しループの開始点に戻って継続する（繰り返しループは、ステップ１１６、１１８、１２２および１２４を含む）。中止基準が満たされたとき、ステップ１１０において実行される訓練プロセスは完了する。

図１１および１２は、ステップ２１０の実施形態のフローチャートを示している。図１１は、たとえば、完全結合層を含むフィードフォワード人工ニューラルネットワーク（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＡＮＮ）の任意の種類の層に一般的であるが、図１２は、ＣＮＮにおける畳み込み層およびプーリング層に固有である。ＤＬ－ＣＮＮは、完全結合層と畳み込み層およびプーリング層の両方を包含し得るので、当業者の理解するように、結果として、図１１と図１２の組み合わせであるフローチャートになる。図１１および図１２に示されているステップ２１０の実施形態は、ＤＬ－ＣＮＮネットワーク１６２をステップ１１０で訓練データセットのそれぞれの画像に適用することにも対応する。

ステップ２１２において、ニューロン（すなわちノード）間の結合に対応する重み／係数を、再構成された画像のピクセルに対応するそれぞれの入力に適用する。

ステップ２１４において、重み付けされた入力を総和する。次の層の与えられたニューロンに結合する非ゼロの重み／係数のみが、前の層で表現された画像において領域的に限定される場合、ステップ２１２と２１４の組み合わせは、畳み込み動作を実行することと本質的に同じである。

ステップ２１６において、それぞれのニューロンの重み付けされた総和にそれぞれの閾値を適用する。

プロセス２１８において、重み付け、総和、および閾値処理のステップを以降の各層について繰り返す。

図１２は、ステップ２１０の別の実施形態のフローチャートを示す。図１２に示したステップ２１０の実施形態は、ＤＬ－ＣＮＮネットワーク１６２の非制限的実施形態を用いた再構成画像に対する操作に対応する。

ステップ２２２において、前述のとおり、かつ、当業者による畳み込み層の理解に従って、畳み込み層の計算を行う。

ステップ２２４において、畳み込み層からの出力は、前述したプーリング層の記述に従って、かつ、当業者によるプーリング層の理解に従って行われる、プーリング層への入力である。

プロセス２２６において、畳み込み層のステップおよびこれに続くプーリングのステップは、所定数の層について繰り返すことができる。畳み込み層およびプーリング層に続いて（またはそれと交互に）、図１１のＡＮＮ層の記述に従って、プーリング層からの出力を所定数のＡＮＮ層に供給することができる。最終的出力は、所望の、無雑音／無アーチファクト特性をもつ再構成された画像である。

図１３Ａ、１３Ｂ、および１３Ｃは、ＤＬ－ＣＮＮネットワーク１６２における層間の相互結合の種々の例を示す。ＤＬ－ＣＮＮネットワーク１６２は、完全に結合され、畳み込まれたおよびプーリング層を含み得るが、これらについてはすべて以下において説明する。ＤＬ－ＣＮＮネットワーク１６２のいくつかの好ましい実施形態では、畳み込み層は入力層の近くに置かれるが、これに対し完全に結合された層（高いレベルの論理的思考を行う）は損失関数の方向にアーキテクチャがかなり下がったところに配置される。プーリング層は畳み込み後に挿入することができ、かつ、フィルタの空間的広がり、ひいては学習可能なパラメータの量を低減する縮小であることが、わかる。非直線性を導入し、かつ、ネットワークが複雑な予測関係を学習することができるようにするために、活性化関数も種々の層に組み込まれる。活性化関数は、飽和活性化関数（たとえば、シグモイドまたは双曲線正接活性化関数）または正規化活性化関数（たとえば、前述の第１および第２の例において適用された正規化線形関数（ＲｅＬＵ））とすることができる。ＤＬ－ＣＮＮ１６２の層は、上述した第１および第２の例において示したようにバッチ正規化も含み得る。

図１３Ａは、Ｎ個の入力、Ｋ個の隠れ層、および３個の出力をもつ一般的な人工ニューラルネットワーク（ＡＮＮ）の例を示す。各層はノード（ニューロンとも呼ばれる）から構成されており、そして、各ノードは入力の重み付け合計を行い、かつ、重み付け合計の結果を閾値と比較して出力を生成する。ＡＮＮは関数の集合を作成するが、この場合、この集合の要素は閾値、結合重み、またはノードの個数やそれらの結合性などのアーキテクチャの詳細を変更することにより得られる。ＡＮＮ中のノードはニューロン（またはニューロンノード）と呼ばれることがあり、また、これらのニューロンはＡＮＮシステムの種々の層の間の相互結合をもち得る。最も単純なＡＮＮは３つの層をもち、オートエンコーダと呼ばれる。ＤＬ－ＣＮＮネットワーク１６２は、３個を超えるニューロン層をもつことができ、かつ、入力ニューロンと同数の出力ニューロンX_Nをもつ。ここでＮは、再構成された画像中のピクセルの個数である。シナプス（すなわち、ニューロン間の結合部）は、この計算においてデータを取り扱う「重み」と呼ばれる値（同じ意味で「係数」または「重み付け係数」とも呼ばれる）を蓄積する。ＡＮＮの出力は、３種類のパラメータに依存する。（ｉ）異なるニューロン層の間の相互結合パターン、（ｉｉ）相互結合部の重みを更新するための学習プロセス、および（ｉｉｉ）ニューロンの重み付けられた入力をその出力活性化に変換する活性化関数、の３種である。

数学的に、ニューロンのネットワーク関数m(x)は他の関数n_i(x)の合成として定義され、他の関数ｎ_ｉ（ｘ）はさらに他の関数の合成として定義され得る。これは、図１３に示すように変数間の依存関係を表す矢印をもつネットワーク構造としてうまく表現され得る。たとえば、ＡＮＮは、非直線重み付け合計を利用することができる。ここで、m(x)=K(Σ_ｉｗ_ｉｎ_ｉ（ｘ）)であり、Ｋ（通例、活性化関数と言われる）は、双曲線正接などのいくつかの定義済関数である。

図１３Ａにおいて（および同様に図１３Ｂにおいて）、ニューロン（すなわち、ノード）は、閾値関数の周りの円として描かれている。図１３Ａに示されている非制限的実施例の場合、入力は線形関数の周りの円として描かれており、また、矢印はニューロン間の有向結合を示している。いくつかの実施形態では、ＤＬ－ＣＮＮネットワーク１６２は、図２Ａおよび２Ｂにおいて例示したフィードフォワードネットワークである（たとえば、それは、有向非巡回グラフとして表現され得る）。

ＤＬ－ＣＮＮネットワーク１６２は、ＣＴ画像のノイズ除去のような特定のタスクを達成するために動作する。それは、当該特定のタスクをいくつかの最適の意味（たとえば、上述したステップ１１０のステップ１２４において利用された中止基準）において解決するｍ^＊∈Ｆを見出すために一連の観察結果を利用して学習するべき関数の集合Ｆ内を探索することにより行われる。たとえば、いくつかの実施形態では、これは、最適解ｍ^＊について、Ｃ（ｍ^＊）≦Ｃ（ｍ）、∀ｍ∈Ｆ（すなわち、いかなる解も、この最適解の費用より小さい費用をもたない）満たすコスト関数Ｃ：Ｆ→Ｒを定義することにより達成され得る。費用関数Ｃは、特定の解が解決されるべき問題の最適解から離れている程度である（たとえば、誤差）。学習アルゴリズムは、可能な最も小さい費用をもつ関数を発見するために解空間中を繰り返し検索する。いくつかの実施形態では、費用は、試料データ（すなわち訓練データ）について最小化される。

図１３Ｂは、ＤＬ－ＣＮＮネットワーク１６２が畳み込みニューラルネットワーク（ＣＮＮ）である非制限的実施例を示している。ＣＮＮは、画像処理にとって有益な特性をもつＡＮＮの一種であり、したがって画像のノイズ除去に特に有効である。ＣＮＮは、ニューロン間の連結度パターンが画像処理における畳み込みを表現することができるフィードフォワードＡＮＮを利用する。たとえば、入力画像の部分を処理する小ニューロン集団（受容野と呼ばれる）の多数の層を利用することにより、ＣＮＮを画像処理最適化のために利用することができる。次にこれらの集団の出力をそれらが重なり合うようにタイル張りして元の画像をよりよく表現することができる。この処理パターンは、畳み込み層とプーリング層を交互にもつ多数の層に繰り返すことができる。

図１３Ｃは、２次元画像を表す入力層からの値を第１隠れ層（それは畳み込み層である）にマップするために適用される４ｘ４カーネルの例を示す。このカーネルは、それぞれの４ｘ４ピクセル領域を第１隠れ層の対応するニューロンにマップする。

畳み込み層の後に続いて、ＣＮＮは、ローカル層やグローバルプーリング層を含み得る。これらの層は、畳み込み層中のニューロンクラスタの出力を結合する。また、いくつかの実施形態では、ＣＮＮは、畳み込み層と完全結合層の種々の組み合わせも含むことができ、この場合、点別非直線性が各層の終点または各層の後に適用される。

ＣＮＮは、画像処理に関していくつかの利点をもっている。自由パラメータの個数を低減し、かつ、普遍化を進めるために、入力の小領域に対する畳み込み操作が導入される。ＣＮＮのいくつかの実施形態の１つの重要な利点は、畳み込み層における共有ウェイトの利用であるが、これは、同一フィルタ（ウェイトバンク）を層中の各ピクセルの係数として利用することを意味する。これは、占有メモリを低減するとともに性能を改善する。他の画像処理方法と比較して、ＣＮＮは、比較的小規模の前処理を有利に利用する。これは、在来のアルゴリズムでは手作業で行われていたフィルタの学習について、このネットワークが責任をもつことを意味する。機能の設計において予備知識および人手による作業に依存しないことがＣＮＮの主な長所である。

図１４Ａおよび図１４Ｂは、方法１００および２００を実行できるＰＥＴスキャナ８００の実施例（実施形態はこれに限られない）を示している。ＰＥＴスキャナ８００は、それぞれ矩形検出モジュールとして構成される多数のガンマ線検出器（Ｇａｍｍａ－Ｒａｙ Ｄｅｔｅｃｔｏｒ：ＧＲＤ）（たとえば、ＧＲＤ１、ＧＲＤ２～ＧＲＤＮ）を含んでいる。一実施形態によると、検出器リングは４０個のＧＲＤを含む。別の実施形態では４８個のＧＲＤを使用しており、また、ＰＥＴスキャナ８００のより大きな口径を作成するためにさらに多くのＧＲＤが使用される。

各ＧＲＤは、２次元配列の個別検出結晶を含み得る。これらは、ガンマ線放射を吸収し、かつ、シンチレーション光子を放射する。シンチレーション光子は、やはりＧＲＤ中に配置されている２次元配列の光電子増倍管（ＰＭＴ）により検出され得る。検出結晶の配列とＰＭＴの間に導光板を配置することができる。

別の方法として、シンチレーション光子は、シリコン光電子増倍管（ＳｉＰＭ）の配列により検出することもでき、かつ、各個別検出結晶はそれぞれＳｉＰＭを備え得る。

各光検出器（たとえば、ＰＭＴまたはＳｉＰＭ）は、シンチレーション事象が発生した時刻および検出事象をもたらしたガンマ線のエネルギーを示すアナログ信号を生成することができる。さらに、１つの検出結晶から放射された光子は複数の光検出器により検出可能であり、かつ、各光検出器において生成されたアナログ信号に基づいて、検出事象に対応する検出結晶は、たとえば、アンガーロジックおよび結晶復号を利用して決定され得る。

図１４Ｂは、物体ＯＢＪから放射されたガンマ線を検出するために配置されたガンマ線光子計数検出器（ＧＲＤ）を備えるＰＥＴスキャナシステムの概略図を示す。ＧＲＤは、各ガンマ線検出に対応するタイミング、位置、およびエネルギーを測定することができる。一実施形態では、ガンマ線検出器は、図１４Ａおよび図８Ｂに示すようにリング状に配置される。検出結晶は、２次元配列に配置された個々のシンチレータ素子をもつシンチレータ結晶とすることができ、かつ、シンチレータ素子は任意の既知発光物質とすることができる。ＰＭＴは、シンチレーション事象のアンガー演算／結晶復号を可能にするために各シンチレータ素子からの光が多数のＰＭＴにより検出されるように配置することができる。

図１４Ｂは、ＰＥＴスキャナ８００の構成の一例を示している。この例では、画像化の対象である物体ＯＢＪは台８１６の上に置かれており、また、ＧＲＤ１～ＧＲＤＮのＧＲＤモジュールは物体ＯＢＪおよび台８１６の周りに円周的に配置されている。ＧＲＤは、ガントリ８４０に固定結合されている円形構成要素８２０に固定結合することができる。ガントリ８４０は、ＰＥＴ撮像装置の多数の部品を収容する。ＰＥＴ撮像装置のガントリ８４０は、物体ＯＢＪおよび台８１６の通過できる開口部も含んでおり、また、対消滅事象により物体ＯＢＪから反対方向に放射されるガンマ線がＲＧＤにより検出可能であり、かつ、タイミング情報およびエネルギー情報を利用してガンマ線対の同時発生を決定することができる。

図１４Ｂには、ガンマ線検出データを取得、格納、処理、および分配する電子回路およびハードウェアも示されている。これらの回路およびハードウェアは、処理装置８７０、ネットワークコントローラ８７４、メモリ８７８、およびデータ収集システム（Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ Ｓｙｓｔｅｍ：ＤＡＳ）８７６、を含んでいる。ＰＥＴ撮像装置は、ＧＲＤからの検出測定結果をＤＡＳ８７６に送るデータチャネル、処理装置８７０、メモリ８７８、およびネットワークコントローラ８７４も含んでいる。データ収集システム８７６は、検出器からの検出データの取得、デジタル化、および送出を制御することができる。一実施形態では、ＤＡＳ８７６は、台８１６の動きを制御する。処理装置８７０は、本願に記載するように、検出データからの画像の再構成、検出データの再構成前処理、および画像データの再構成後処理を含む機能を実行する。処理装置８７０は、処理部の一例である。また、データ収集システム８７６は、取得部及び再構成部の一例である。

処理装置８７０は、本願に記載される方法１００や２００の種々のステップおよびその変形例を実行するように構成することができる。処理装置８７０は、個別論理ゲート、特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ：ＦＰＧＡ）などの結合プログラム可能論理装置（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＣＰＬＤ）として実現することができるＣＰＵを含み得る。ＦＰＧＡまたはＣＰＬＤの実現例は、ＶＨＤＬ、Ｖｅｒｉｌｏｇ、などのハードウェア記述言語により符号化することができ、かつ、そのプログラムは、ＦＰＧＡまたはＣＰＬＤに直接入力する方法によりまたは別電子メモリとして電子メモリ中に格納することができる。さらに、このメモリは、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭまたはＦＬＡＳＨメモリのような非揮発性メモリとすることができる。このメモリは、スタティックまたはダイナミックＲＡＭなどの揮発性メモリとすることもでき、また、電子メモリおよびＦＰＧＡまたはＣＰＬＤとメモリ間の相互動作を管理するためにマイクロコントローラまたはマイクロプロセッサのような処理装置を設けることも可能である。

別の方法として、処理装置８７０中のＣＰＵは、方法１００や方法２００の種々のステップを実行する一連のコンピュータ可読命令を含むコンピュータプログラムを実行することもできる。このプログラムは、上述の非一時的電子メモリやハードディスクドライブ、ＣＤ、ＤＶＤ、ＦＬＡＳＨドライブまたはその既知記憶媒体のいずれかに格納される。さらに、このコンピュータ可読命令は、実用アプリケーション、バックグラウンドデーモン、またはオペレーティングシステムの構成要素、またはそれらの組み合わせとして提供することが可能であり、その場合、これらの命令はＩｎｔｅｌ ｏｆ ＡｍｅｒｉｃａのＸｅｎｏｎ（登録商標）プロセッサまたはＡＭＤ ｏｆ ＡｍｅｒｉｃａのＯｐｔｅｒｏｎ（登録商標）プロセッサなどの処理装置およびＭｉｃｒｏｓｏｆｔ ＶＩＳＴＡ（登録商標）、ＵＮＩＸ(登録商標)、Ｓｏｌａｒｉｓ（登録商標）、ＬＩＮＵＸ（登録商標）、 Ａｐｐｌｅ（登録商標）、ＭＡＣ－ＯＳ（登録商標）および当業者既知の他のオペレーティングシステムなどのオペレーティングシステムとともに動作する。さらに、ＣＰＵは、命令を実行するために並行して協動する多数の処理装置として実現することもできる。

メモリ８７８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または当技術分野で既知のその他の電子記憶装置とすることができる。

Ｉｎｔｅｌ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ のＩｎｔｅｌ Ｅｔｈｅｒｎｅｔ（登録商標） ＰＲＯネットワークインターフェースカードなどのネットワークコントローラ８７４は、ＰＥＴ撮像装置の種々の部分とインターフェースすることができる。また、ネットワークコントローラ８７４は、外部ネットワークとインターフェースすることもできる。理解されるように、この外部ネットワークは、インターネットなどの公共ネットワーク、またはＬＡＮまたはＷＡＮネットワークなどの私的ネットワーク、またはそれらの組み合わせとすることができ、かつ、ＰＳＴＮまたはＩＳＤＮサブネットワークも含み得る。この外部ネットワークは、イーサネット（登録商標）ネットワークのような有線方式、ＥＤＧＥ、３Ｇおよび４Ｇ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方式とすることもできる。この無線ネットワークは、ＷｉＦｉ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、または既知のその他の無線形式の通信とすることもできる。

実施形態では、医用画像処理装置に含まれる処理部（例えば処理装置８７０）がデータから画像を再構成して、３次元に配列されたボクセルからなる再構成画像を生成する場合について説明した。しかしながら、実施形態はこれに限られない。例えば、医用画像処装置に含まれる処理部や取得部が、再構成画像を取得する処理部以外の処理部によりすでに再構成された、３次元に配列されたボクセルからなる再構成画像を取得してもよい。

以上述べた少なくとも一つの実施形態の医用画像処理装置及びプログラムによれば、画質を向上するこことができる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、請求の範囲に記載された発明とその均等の範囲に含まれるものである。

８７０ 処理装置
８７６ データ収集システム

Claims (17)

1. 複数の検出素子の検出に基づいて取得された、対消滅事象から生ずる各対のガンマ線の同時計測を表すエミッションデータから再構成されたポジトロン放射断層撮影（ＰＥＴ：Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ）画像を取得する取得部と、
   ＰＥＴ画像を入力することでデノイズされたＰＥＴ画像を出力する学習済モデルに対して、前記取得部が取得したＰＥＴ画像を入力することでデノイズされたＰＥＴ画像を出力する処理部とを備え、
   前記学習済モデルは、第１のノイズレベルの再構成画像と、前記第１のノイズレベルよりも高い複数のノイズレベルの再構成画像との差分を最小化するように損失関数を最適化することで学習される、医用画像処理装置。
2. 前記第１のノイズレベルの再構成画像と、前記複数のノイズレベルの再構成画像とを再構成するために利用された再構成方法と、同じ再構成方法を利用して前記ＰＥＴ画像が再構成され、
   前記複数のノイズレベルの再構成画像のそれぞれは、前記第１のノイズレベルの画像を再構成するために用いられたデータセットの、相異なる量又はパーセンテージの部分集合を利用して再構成される、請求項１に記載の医用画像処理装置。
3. 前記複数のノイズレベルの再構成画像は、統計的特性が所定の範囲内にあり、
   前記デノイズされた画像の画像品質は、学習に用いられた前記複数のノイズレベルの再構成画像の前記統計的特性が同じ値であったと仮定した場合に比較して、前記統計的特性の影響をより少なく受けるものとなる、請求項１に記載の医用画像処理装置。
4. 前記処理部は、前記再構成されたＰＥＴ画像の統計的特性に基づく調整を行わずに、前記デノイズされたＰＥＴ画像を出力する、請求項１～３のいずれか一つに記載の医用画像処理装置。
5. 前記処理部は、前記再構成されたＰＥＴ画像のノイズレベルとは無関係に、一定の画像品質となる前記デノイズされたＰＥＴ画像を出力する、請求項１～４のいずれか一つに記載の医用画像処理装置。
6. 前記処理部は、前記複数のノイズレベルの再構成画像に対して、前記損失関数を同時に最小化することにより学習を行い、かつ調整可能パラメータを繰り返し調整しながら学習を行う、請求項１～５のいずれか一つに記載の医用画像処理装置。
7. 再構成画像を取得する取得部と、
   画像を入力することでデノイズされた画像を出力する学習済モデルに対して、前記取得部で取得された前記再構成画像を入力することでデノイズされた画像を出力する処理部とを備え、
   前記学習済モデルは、入力層と出力層の間の複数の層の接続の重み付け係数を含むニューラルネットワークを取得し、
   前記ニューラルネットワークは、低ノイズレベル画像と、前記低ノイズレベル画像のボクセルに割り当てられた重み値に対して、関心領域内にあると識別された前記低ノイズレベル画像のボクセルに対してより大きな重み値を割り当てる重みマップと、前記低ノイズレベル画像に対応する高ノイズレベル画像とを学習データとして受けつけ、前記低ノイズレベル画像と、前記高ノイズレベル画像とを前記ニューラルネットワークに入力して得られる出力との差分に対して前記重みマップを適用し損失関数を最適化することで訓練される、医用画像処理装置。
8. 前記処理部は、前記低ノイズレベル画像と前記高ノイズレベル画像との少なくとも一方に基づいて、関心領域を背景から識別する関心領域マスクを生成し、前記関心領域マスクに基づいて前記重みマップを生成し、
   前記ニューラルネットワークは、前記差分に前記重みマップの値を乗じて前記損失関数を最適化することで訓練される、請求項７に記載の医用画像処理装置。
9. 前記処理部は、前記関心領域マスクに平滑化フィルタを適用することで前記重みマップを生成する、請求項８に記載の医用画像処理装置。
10. 前記処理部は、ユーザー入力に基づいて、前記関心領域マスクを生成する、請求項８に記載の医用画像処理装置。
11. ３次元に配列されたボクセルを含む、再構成画像を取得する取得部と、
    画像を入力することでデノイズされた画像を出力する学習済モデルに対して、取得された前記画像を入力することでデノイズされた画像を出力する処理部とを備え、
    前記学習済モデルは、第１の方向のスライス画像群をそれぞれ入力し、対応する第１のデノイズ画像群をそれぞれ出力する第１のネットワークと、前記第１の方向に垂直な第２の方向のスライス画像群をそれぞれ入力し、対応する第２のデノイズ画像群をそれぞれ出力する第２のネットワークとを含み、
    前記処理部は、前記第１のデノイズ画像群と前記第２のデノイズ画像群とに基づいて出力画像を生成する、医用画像処理装置。
12. 前記処理部は、前記第１のデノイズ画像群と前記第２のデノイズ画像群とを合成することで、出力画像を生成する、請求項１１に記載の医用画像処理装置。
13. 前記学習済モデルは、前記第１の方向に垂直な第３の方向のスライス画像群をそれぞれ入力し、対応する第３のデノイズ画像群をそれぞれ出力する第３のネットワークと更に含み、
    前記処理部は、前記第１のデノイズ画像群と前記第２のデノイズ画像群と前記第３のデノイズ画像群とを合成することで、前記出力画像を生成する、請求項１１に記載の医用画像処理装置。
14. 前記処理部は、前記第１のデノイズ画像群と前記第２のデノイズ画像群と前記第３のデノイズ画像群との間で平均操作を行うことで、前記出力画像を生成する、請求項１３に記載の医用画像処理装置。
15. 前記第１のデノイズ画像群、前記第２のデノイズ画像群、前記第３のデノイズ画像群は、それぞれ、トランスアキシャル面、コロナル面、サジタル面に対応する画像である、請求項１３に記載の医用画像処理装置。
16. 複数の検出素子の検出に基づいて、対消滅事象から生ずる各対のガンマ線の同時計測を表すエミッションデータからポジトロン放射断層撮影（ＰＥＴ：Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ）画像を再構成する再構成部を更に備え、
    前記取得部は、前記ＰＥＴ画像を前記再構成画像として取得する、請求項７～１５のいずれか一つに記載の医用画像処理装置。
17. 複数の検出素子の検出に基づいて取得された、対消滅事象から生ずる各対のガンマ線の同時計測を表すエミッションデータから再構成されたポジトロン放射断層撮影（ＰＥＴ：Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ）画像を取得するステップと、
    ＰＥＴ画像を入力することでデノイズされたＰＥＴ画像を出力する学習済モデルに対して、取得したＰＥＴ画像を入力することでデノイズされたＰＥＴ画像を出力するステップと
    をコンピューターに実行させるプログラムであって、
    前記学習済モデルは、第１のノイズレベルの再構成画像と、前記第１のノイズレベルよりも高い複数のノイズレベルの再構成画像との差分を最小化するように損失関数を最適化することで学習される、プログラム。