JP7418651B2 - Ｘ線管－検出器アライメントのためのユーザインタフェース - Google Patents

Description

本発明は、Ｘ線イメージングをサポートするためのシステム、Ｘ線イメージング装置及びこの種のシステムを含む構成、Ｘ線イメージングをサポートするための方法、コンピュータプログラム要素並びにコンピュータ可読媒体に関するものである。

医療関係者は、ときどきモバイルＸ線イメージャを用いる。それらは、面倒な悪い条件下でさえ、Ｘ線画像の獲得を可能にする。例えば、介護施設において長い間寝たきりだった高齢患者は、胸部Ｘ線を定期的に撮り、肺炎につながりうる肺の水の増加を監視する必要がある。

しかしながら、これらのモバイルＸ線イメージャのいくつかが線量を抑えるのを助けるためのデバイス（例えば、コリメータ）を備えているが、患者及び関係者のためのＸ線量が依然として驚くほど高かった点に留意されてきた。加えて、画像スループットは、ときどき予想未満であった。

モバイルＸ線イメージャは、出願人のＷＯ２００８／０２３３０１に記載されている。

米国特許第１０，１３６，８６４（Ｂ２）号には、画像獲得のためのＸ線装置及び関連した方法が記載されている。装置は、プレショットイメージング段階における仮のコリメータ設定でイメージャによって獲得されるスカウト画像（ＳＩ）を受信するように構成される視野修正（ＣＳ）を備える。

それゆえ、改善されたモバイルＸ線イメージングの必要が存在する。

本発明の目的は、独立請求項の主題によって達成され、さらなる実施形態は、従属請求項において組み込まれる。以下の記載されている本発明の態様が、Ｘ線イメージング装置を含む上述の構成、Ｘ線イメージングをサポートするための方法、コンピュータプログラム要素並びにコンピュータ可読媒体に等しくあてはまる点に留意されたい。

本発明の第１の態様によれば、Ｘ線イメージングをサポートするためのシステムが提供され、システムは、事前に訓練されたか訓練可能な機械学習モジュールを備え、機械学習モジュールは、Ｘ線イメージング装置のイメージング幾何学形状を調整するための出力修正情報を計算するように構成され、Ｘ線イメージング装置は、モバイルタイプであり、Ｘ線源とＸ線検出器との間の固定的な機械的結合なしでＸ線源及びＸ線検出器を備え、ターゲットイメージング幾何学形状を達成し、システムは、出力修正情報に基づいて変調されるイメージング幾何学形状の調整のためのユーザ命令を提供するように構成される変調器を備え、機械学習モジュールは、イメージング幾何学形状の調整のための以前のユーザ命令に対する特定のユーザの応答を含む訓練データで以前に訓練されている。

換言すれば、機械学習モジュールは、特定のユーザが撮像幾何学形状を調整する傾向があるやり方を説明する個人向けの修正情報を計算する。

実施形態において、システムは、異なるユーザに関連付けられた複数の事前に訓練されたか訓練可能な機械学習モデルを格納するメモリをさらに備える。

実施形態において、システムは、資格情報に基づいてユーザを識別して、前記資格情報に基づいて前記複数の事前に訓練されたか訓練可能な機械学習モデルから機械学習モジュールを選択させるように構成されるユーザ識別機能をさらに備える。

実施形態において、以下の変調器の任意の１つ、任意の２つ又はすべてが想定される。ｉ）変調器は、可視光プロジェクタが光ビームを表面に投影するように制御するように構成され、光ビームは、前記出力修正情報に従って変調され、及び／又は、ｉｉ）変調器は、触覚バイブレータが、ａ）イメージング装置のＸ線源に機械的に結合された手動アクチュエータに振動を与えるように制御するように構成される、又は、ｂ）イメージング装置のＸ線源に通信可能に結合された電気入力装置を与えるように制御するように構成され、機械的振動は、前記出力修正情報に従う、及び／又は、ｉｉｉ）変調器は、電気音響トランスデューサが、前記出力修正情報に従って命令を音響出力するように制御するように構成される。

実施形態において、現在のイメージング幾何学形状の変化に応じて、ユーザ命令は、更新される。例えば、パターン及び／又は与えられた振動及び／又は音を生ずる光ビームは、それに応じて変調される。このように、ユーザがイメージング幾何学形状を変えるとき、動的システムは、フィードバックが提供される。

実施形態において、変調器による光ベースの変調は、光ビームによって投じられる光パターンの変化、光勾配の変化、光の色及び／又は色相の変化のうちの任意の１つ又は複数を含む。

実施形態において、表面は、イメージング装置の検査領域内にある。表面は、患者の輪郭面であるが、しかし、他の任意の適切な表面、例えば、患者支持体（テーブル、ベッド）又は他の任意の適切な器材の部分である。

実施形態において、表面は、検査領域内に存在するとき、患者によって定義される。

実施形態において、ナビゲーションユニットは、入力修正情報を計算するように構成され、入力修正情報に基づいて、出力修正情報は、機械学習モジュールによって計算され、入力修正情報は、ｉ）イメージング装置に配置されるセンサにより提供されるセンサ測定値、ｉｉ）形状を有する投影が前記イメージング装置の検出器で検出されるように、コリメータ設定を用いて獲得されるスカウト画像であって、修正情報は、所定の基準形状に対する形状の歪曲に基づいて計算されている、当該スカウト画像、及び、ｉｉｉ）検出器で検出され、散乱線除去グリッドによって生じる強度プロファイルの任意の１つ又は複数に基づいて計算される。

他の態様において、上述した実施形態のいずれか１つに従うシステム及びイメージング装置を含む設備が提供される。

他の態様において、Ｘ線イメージングをサポートするための方法が提供され、方法は、
－機械学習モジュールによって、Ｘ線イメージング装置のイメージング幾何学形状を調整するための出力修正情報を計算して、ターゲットイメージング幾何学形状を達成するステップであって、Ｘ線イメージング装置は、モバイルタイプであり、Ｘ線源とＸ線検出器との間の固定的な機械的結合なしでＸ線源及びＸ線検出器を備える、当該達成するステップと、
－変調器によって、出力修正情報に基づいて変調されるイメージング幾何学形状の調整のためのユーザ命令を提供するステップと
、を有し、
－機械学習モジュールは、イメージング幾何学形状の調整のための以前のユーザ命令に対する特定のユーザの応答を含む訓練データで以前に訓練されている。

提案されたシステムは、特にモバイルＸ線における高線量の問題に対処することを可能にする。モバイルＸ線において、ソース及び検出器は、リジッドに結合されていない別々の構成要素である。２つの間には、定義されかつ知られた固定の空間関係は存在しない。これによって、正しいイメージング幾何学形状、例えば、アライメント、中心化、ソース検出器距離ＳＩＤなどのために調整することに困難が生じうる。有用な診断用フレームがキャプチャ可能であるまで、時間の制約がある関係者は、繰り返される再撮影に導かれる。これは、線量及び時間コストに達する。提案されたシステムは、高速かつ正確に、正しいイメージング幾何学形状のための調整を可能にする。システムは、機械学習を用いて、所定のユーザがイメージング幾何学形状の調整命令に応答する特定のやり方に合わせて調整される命令を提供する。提案された機械学習ベースのシステムでは、より少ない再撮影及びより少ない調整の繰り返ししか必要ない。システムは、ユーザが実行した調整対実際に提供された命令セットが記録される監視段階において収集される訓練データで訓練される。この訓練データから、ユーザ傾向に合わせて調整されるより良好な命令は、機械学習モジュールのパラメータを調整することによって学習され、以前の訓練における訓練データを適合させる。一旦訓練されると、事前に訓練された機械学習モデルを用いて、前記合わせて調整された修正情報及びそれゆえ命令を予測して、ユーザを正しいイメージング幾何学形状に高速に案内することができる。

さらに他の態様において、コンピュータプログラム要素が提供され、コンピュータプログラム要素は、少なくとも１つの処理ユニットによって実行されるとき、処理ユニットに上述した実施形態のいずれか１つに従う方法を実行させるように適応される。

さらに他の態様において、プログラム要素を格納したコンピュータ可読媒体が提供される。

定義
「ユーザ」は、人、例えば、医療関係者などに関するものであり、イメージング装置を動作させるか又はイメージング手順を監督する。換言すれば、ユーザは、概して、イメージングされる患者ではない。

概して、「機械学習構成要素」は、機械学習（「ＭＬ」）アルゴリズム及びタスクを実行するように構成されるＭＬモデルを実施するコンピュータ化された構成である。ＭＬアルゴリズムにおいて、タスクの性能は、より多くの処理する訓練データを有する構成を提供した後、測定可能に改善される。システムにテストデータを供給するとき、性能は、客観テストによって測定される。性能は、所定のテストデータのために達成される特定のエラーレートに関して定義される。例えば、Ｔ．Ｍ．Ｍｉｔｃｈｅｌｌ、「Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ」、２ページ、１．１節、ＭｃＧｒａｗ－Ｈｉｌｌ、１９９７参照。

モバイルＸ線イメージング装置のイメージング構成を示す。 モバイルＸ線イメージング装置のイメージング構成を示す。 イメージング幾何学形状を示す概略図である。 ユーザによるＸ線イメージングをサポートするための機械学習ベースのシステムのブロック図を示す。 コリメータを用いて決定可能な異なるイメージング幾何学形状の例を示す。 現在のイメージとターゲットのイメージング幾何学形状との間の不一致を確立するために、実施形態において用いられるコリメータマスクを示す。 Ｘ線イメージングをサポートする方法のフローチャートを示す。 機械学習モデルの概略ブロック図を示す。 機械学習モデルを訓練するための訓練システムを示す。 機械学習モデルを訓練するための方法を示す。

図１Ａを参照すると、モバイルＸ線装置ＩＡが示される。この種の又は類似のモバイルＸ線装置が、集中治療病棟（ＩＣＵ）において又は病院の救急外来（Ａ＆Ｅ）において又は一般病棟においてなどで用いられる。それらはまた、病院外で、例えば、緊急現場に立ち会うとき救急スタッフによって用いられる。

一実施形態によれば、Ｘ線イメージング装置ＩＡ（「イメージャ」）は、「ドリータイプ」であり、患者ＰＡＴに対して便利な位置で位置決め可能であるように、ローラＲ上のメインユニットＭＵを備える。メインユニットＭＵは、バッテリー及び／又は本線接続のような電源を含む。患者ＰＡＴは、立つか、座るか、又は、入院患者用ベッドＰＢ上に寝ている、又は、救急ストレッチャ若しくはベッド上に寝ている。しかしながら、ホイールが取り付けられることは、本願明細書において必須ではない。その代わりに、イメージャは、例えば、キャリアケース内のポータブルデバイスとして構成されるので、オフサイトで、屋外などで直ちに展開可能である。

イメージャは、患者ＰＡＴの少なくとも関心部分ＲＯＩをイメージングするためのＸ線ビームＸＢを生成することができるＸ線源ＸＳを含む。イメージャは、ポータブルＸ線検出器Ｄをさらに含み、Ｘ線照射をレジストレーションする。理想的には、ＲＯＩは、ソースＸＳと検出器Ｄとの間の検査領域ＥＲ内にある。オプションで、イメージャは、前記ソースＸＳから退行するとき、形状及び／又は断面積において放射ビームＸＢを平行にするためのコリメータＣＯＬを含む。より詳細には、画像獲得の間、Ｘ線ビームＸＢは、Ｘ線管ＸＳから放射し、前記領域ＲＯＩで患者ＰＡＴを通過し、その中の物質との相互作用による減衰を経験し、次に、そのように減衰したビームＸＢは、検出器Ｄの放射線感受性表面に当たる。放射線感受性表面は、（検出器）ピクセルとも称される複数の検出セルから成る。セルは、対応する電気信号を発することによって、（減衰した）Ｘ線ビームＸＢへの露出に応答する。次に、前記信号の収集は、データ獲得システム（「ＤＡＳ」図示せず）によって、所定のセルのための前記減衰を表現するそれぞれのデジタル値に変換される。値の収集は、画像プロセッサＩＰによって投影画像に変換可能である。減衰ベースの投影画像の画像コントラストは、異なる組織タイプの異なる減衰能力によって参照される。しかしながら、本開示は、減衰ベースのイメージングに限定されるものではなく、位相差画像法のような他のモダリティとして、イメージングは、本願明細書の実施形態において想定される。

イメージャＩＡは、病院関係者（以下、オペレータ又はユーザと称される）がイメージャＩＡを動作させるためのオペレータコンソールＯＣを含む。例えば、ユーザＵＳＲは、ソースＸＳを始動してＸ線露出をトリガすることによって、前記コンソールＯＣを介して画像獲得を制御する。コンソールＯＣは、獲得したＸ線投影画像を見るための、又は、ユーザインタフェースを表示してユーザがモバイルＸ線装置ＩＡなどを動作させるのを支援するためのディスプレイユニットＤＤを含む。

モバイル又はポータブル検出器ユニットＤは、実施形態では、フラットパネルタイプであるので、比較的平坦な平板又は板状の物体として構成される。一例において、検出器ユニットＤは、長方形形状であり、例えば、約３０ｃｍ×４０ｃｍであり、約３から５ｃｍ以下の厚さを有する。

検出器Ｄは、無線接続を介して、Ｘ線装置のオペレーティングコンソールＯＣと通信可能である。コンソール及びモバイル検出器は、適切な無線インタフェース、例えば、検出器ＤにおけるエミッタＴＸ及びコンソールにおけるレシーバＲＸを含む。したがって、画像信号は、メインユニットＭＵに組み込まれるコンピューティングデバイスＰＵに転送され、上述した画像処理が行われる。代替的に、画像処理は、イメージングサイトから遠隔の中央コンピュータにおいて行われる。次に、イメージは、モバイルコンピューティングデバイス、例えば、ユーザのスマートフォン、タブレット、ラップトップなどに転送される。この場合、イメージャは、「ベアボーン」タイプであり、オンサイトでの器材は、Ｘ線源、オペレーティングコンソール、及び、以下でさらに詳細に後述するような適切なホルダ／位置決め機構ＡＲ、ＭＭのみを実質的に備える。大部分の場合により不都合であるが、有線ソケット接続を介して検出器Ｄがメインユニットと通信する有線の実施形態が想定可能である。

正確にどの検知セルが、イメージングビームＸＢに露出されるか、及び、それゆえ、最後に画像形成に寄与しうるかは、正しいイメージング幾何学形状のための調整の問題である。イメージング幾何学形状は、特に、任意のイメージングセッションの間の視野（ＦＯＶ）を決定する。正しいイメージング幾何学形状の調整は、ｉ）正しい管ＸＳと検出器Ｄとのアライメント、ｉｉ）正しいソースＸＳと検出器Ｄとの距離（ＳＩＤ）、ｉｉｉ）正しいコリメータ開口を必要とする。ＦＯＶ調整は、以下、臨床ユーザシナリオを参照してさらに詳細に示されるように、モバイルＸ線イメージャでは挑戦的である。

１つの使用シナリオにおいて、例えば、ユーザＵＳＲは、モバイルＸ線イメージャＩＡを、そのローラＲを介して患者ＰＡＴのベッドＰＢの近くに位置決めする。次に、患者は、体を起こすよう依頼されるか、又は、そうするために虚弱すぎる場合、医療スタッフによって穏やかに寝返りを打たされ、検出板Ｄは、ベッドのＢ支持面上に位置決めされる。ポータブル検出器ユニットＤは、ハンドル又は類似物を含み、その位置決めを容易にする。次に、患者ＰＡＴは、患者の胸部若しくは背部又は関心ＲＯＩの他の領域によってポータブル検出器Ｄを実質的にカバーするように、元に戻るように転がされるか又は横になるよう依頼される。この経験を患者にとってより都合良くするために、モバイル検出器は、その表面全体に配置される加熱要素を含み、横になるときに患者ＰＡＴの体が検出器Ｄ面に接触するとき、前記表面が実質的に体温の近いことを確実にする。１つのあり得る臨床応用は、胸部Ｘ線であるが、本願明細書において、腹部、腕、脚などのような他のＲＯＩのイメージングも想定される。

上記のシナリオから、特に胸部Ｘ線シナリオにおいて認識できるように、Ｘ線検出器Ｄの放射線感受性表面の大部分（又は全体さえ）は、患者がその上に寝ているので、イメージングの間視覚的に塞がれる。検出器は、さまざまなサイズである。多少コンパクトに造られた検出器は、患者がその上に横になるよう依頼されると、視界から完全に「消える」。

換言すれば、大まかで迅速なＸ線管と患者とのアライメントの後、ユーザＵＳＲが実際の画像獲得を続行した場合、例えば、検出器及びＸ線管／検出器及びコリメータのミスアライメントが生じそうであるので、下位の最適画像を取得する深刻な危険が存在する。

イメージング幾何学形状の調整を実行するために、イメージャＩＡは、多くの機構を含む。例えば、モバイルＸ線装置は、１つ又は複数のＸ線源ＸＳの位置決め及び／又は姿勢調整機構ＭＭ、ＡＲを含む。前記機構は、検出器Ｄに対するＸ線管ＸＲの３Ｄの位置及び／又は姿勢制御を可能にする。

図１Ｂは、ハウジングＨＳ内に収納される際のイメージング装置のソースの正面図の概略図である。ソースＸＳの取付機構ＭＭは、最高３つの空間軸Ｘ、Ｙ、Ｚのいずれか１つの周りの角形成及び／又はシフトによる調整をサポートし、シフトは、例示的なシフトベクトル

として示される。取付機構ＭＭは、スライダ、ローラ、ホイール、レールなどを有するボール軸受ユニットを含み、シフト及び／又は回転を可能にする。

一実施形態によれば、Ｘ線源ＸＳの位置決め及び／又は姿勢調整機構は、アームＡＲを、その遠位端に結合された取付機構ＭＭとともにさらに含む。オプションで、アームＡＲは、間隔を介して管ＸＳを位置決めするために、さらなる自由度を加えるように関節で結合される。例えば、関節アームは、管ＸＳが、メインユニットＭＵから離れて、検出器Ｄが位置することが起こるところの方に進むのを可能にする。取付機構は、アームＡＲに対する管の姿勢／位置を変えることを可能にする。したがって、アームＡＲが、検出器上の粗い位置決めのために動作する間、取付機構ＭＭの独立動作は、位置及び／又は姿勢の改良を可能にする。アームＡＲは、その１つ又は複数の関節のおかげで、ＳＩＤの垂直の調整を可能にする。オプションで、アームＡＲは、ＳＩＤ調整を容易にするために伸縮自在である。代替的に、取付機構ＭＭは、垂直なポールとして配置されるアームＡＲに沿って摺動可能である。ＳＩＤの調整は、拡大を制御することを可能にする。上述した調整のいずれかは、適切な手動アクチュエータＭＡによって手動で行われるか、又は、ユーザ入力デバイスＪＳ、例えば、ジョイスティック又は類似物によって遠隔制御を通して電気機械式アクチュエータの動作によって行われる。

例えば、Ｘ線源ＸＳは、ハウジングＨＳ内に配置される。ハウジングは、取付機構ＭＭに結合される。図１に示すように、ハウジングＨＳは、１つ又は複数の手動アクチュエータＭＡ、例えば、ハンドホイール、レバー、ハンドルなどの１つ又は複数を含み、ユーザは、調整機構ＭＭと係合し、それゆえ、間隔を介して管ＸＲの姿勢及び／又は位置を手動で調整する。代替的に又は追加的に、少なくとも部分的にモータを備えた実施形態もまた想定され、多くの適切な電気機械式アクチュエータ（図示せず）、例えば、ステッパーモータなどが配置され、それらを介して、軸Ｘ、Ｙ、Ｚに対するシフト／回転が独立して達成可能である。ユーザ入力デバイス、例えば、ジョイスティックＪＳ又は類似物は、コンソールＯＣに設けられ、ユーザは、管ＸＳの位置及び／又は姿勢及び／又はＳＩＤを遠隔制御することができる。コリメータのコリメータブレード（図示せず）は、コリメータ開口がビームＸＢの形状及び／又は断面積を減少又は増加させるように調整するためのアクチュエータによって動作する。これは、取付機構ＭＭの動作によってソースＸＳをシフトすることに加えて、さらにＦＯＶを制御することを可能にする。

姿勢及び／又は位置の変化をもたらすＸ線源ＸＳの取付機構ＭＭは、現在の位置／角形成の追跡を可能にする符号化器ＥＮＣを含む。類似の符号化器は、関節アームＡＲのために、及び／又は、コリメータＣＯＬブレードのために提供される。

３Ｄの位置及び／又は姿勢制御が望ましいが、本願明細書において、制限された自由度をもつより単純なイメージャＩＡが除外されるわけではない。例えば、この種のいくつかの実施形態では、例えば、ソースＸＳは、回転なしで面内でのみシフト可能である。

例えば、検出器、コリメータ及びＸ線管がＣアームのそれぞれの端上に対向関係で永続的に／リジッドに取り付けられるＣアームイメージャの場合のように、永続的な予め定義された演繹的な知られた空間関係がＸ線管／コリメータと検出器の画像面との間にないので、間違ったイメージング幾何学形状、例えば、ミスアライメントのために調整される危険は、イメージャＩＡのモバイル性質によって悪化する。ＦＯＶが誤っている場合、臨床的に基本的な部分は切り離される。ひいては患者線量及び時間コストを上昇させる撮り直しが必要である。

上記から推測されるように、Ｘ線源ＸＳと検出器Ｄとの間の正しい相互の空間配置は、良好な画像品質にとって重要である。この目的で、イメージング構成ＩＡＲは、コンピュータ化システムＳＹＳを含み、ユーザがこの正しい相互の空間配置を達成するのを支援する。上述の空間配置は、本願明細書において、イメージング幾何学形状と称される。換言すれば、イメージング幾何学形状は、以下の４つのイメージング参加物、すなわち、検出器Ｄ、ソースＸＳ、Ｘ線ビームＸＢ及び画像を望む患者の領域であるＲＯＩの間の空間関係を定義する。

コンピュータ化システムＳＹＳは、イメージング装置ＡＩのコンピューティングユニットＰＵ内に組み込まれる。代替的に、システムはクラウド内の２つ以上の処理ユニットによって管理されるか、又は、イメージャＩＡを有する通信ネットワーク内で最適に接続されるサーバなどのアーキテクチャセットアップに分散される。本願明細書において、「ユーザガイダンスシステム」と称されるシステムＳＹＳは、ハードウェアにおいて、ソフトウェアにおいて、又は、部分的に両方において実施される。コンピュータ化システムＳＹＳは、モバイルＸ線による画像獲得から、「当て推量」を取り出す。コンピュータ化モジュールＳＹＳは、ユーザが、高速かつ正確に、非常に低い線量コストで、又は、線量コストなしで、正しいイメージング幾何学形状のための調整を行うように案内する。

以下、イメージング幾何学形状の概念をより詳細に調査し、また、本願明細書において用いられる特定の用語を導入する図２Ａ、図２Ｂを参照する。最初に図２Ａに関連して、イメージング幾何学形状ＩＧは、特に、中心化、角形成及び距離ＳＩＤ＝ｄを含む。さらに詳細には、ソースＸＳが検出器Ｄに対して適切に中心化される場合、望ましいか又は正しいイメージング幾何学形状が達成される。この中心化は、イメージング軸ＩＸ、すなわち、管ＸＳの焦点スポットＦＳから検出器Ｄの放射線感受性表面上の中心点ＣＰまで走る想像線によって記載可能である。実施形態において、例えば、検出器表面は、長方形又は正方形のエリアであり、中心点は、２本の対角線が交差するところである。適切に中心化されるとき、イメージング軸は、検出器Ｄの放射線感受性表面の法線ベクトル

に平行である。ソースＸＳ及び検出器が中心にアライメントするターゲットイメージング幾何学形状Ｇ_０のための現在のイメージング幾何学形状Ｇ_ｊを調整するために、シフト又は並進

及び／又は角形成φが必要である。角形成φは、３つの空間軸Ｘ、Ｙ、Ｚの周りで１つ、２つ又は３つのそれぞれの回転を含む図２Ａの上部に示される。本願明細書において、回転は、それぞれピッチ、回転及びヨーと称される。シフト

及び角形成φに加えて、Ｘ線源と検出器との間の距離ｄの調整が必要である。前記距離ｄはまた、ソースから画像までの距離「ＳＩＤ」とも称される。ＳＩＤは、ＦＯＶの拡大及び角形成／中心化を決定する。上記の並進Ｓ及び角形成φ又は回転は、ワールド座標系Ｘ’Ｙ’Ｚ’に対して示される、又は、図２Ａに示すようにソースＸＳの焦点スポットＦＳを通過するローカル座標系Ｘ、Ｙ、Ｚに対して示されることを理解されたい。一般的に、及び、図２Ａの参照を続けることで、イメージング幾何学形状を変えるための自由度は、アフィン変換Ｔとして概念化される。各アフィンは、回転Ｒ及び線形シフト（並進）Ｓの複合として形式化され、又はその逆である。
Ｔ：Ｒ〇Ｓ又はＳ〇Ｒ （１）

変換Ｔは、イメージング幾何学形状に作用する。イメージング幾何学形状は、シフトベクトルＳのための３つの空間座標、角形成φのための３つの角座標（各成分はそれぞれの軸Ｘ、Ｙ、Ｚの周りの回転を記載する）及び距離ｄを有する７つの次元空間の点として記載可能である。座標は、位相空間ＰＳと称されるベクトル空間内の点を表現し、簡略化した３次元は、図２Ｂに示される。正しい中心にアライメントされたイメージング幾何学形状Ｇ_０は、位相空間の起点で示され、Ｇ_ｊは、おそらく正しい距離ｄでではなく、中心を外れた及び／又はミスアライメントされた幾何学形状Ｇ_ｊを表現する。

現在のイメージング幾何学形状からターゲットイメージング幾何学形状への修正は、修正情報として概念化され、点Ｇ_ｊから起源まで延在するこの位相空間内のベクトルとして表現され、ターゲットイメージング幾何学形状Ｇ_０は、概念の損失なしに、起源によって表現される。修正情報は、ユークリッド距離として、又は、さらに一般的に言えばイメージング幾何学形状点Ｇ_０、Ｇ_ｊのためのベクトル間の成分ごとの相違ベクトルとして表現される。Ｇ_０が起点にある場合、修正情報は、Ｇ_ｊのベクトルの成分である。

イメージング幾何学形状の調整そのものは、図２Ｂの破線矢印に示すように位相空間ＰＳ内の異なる修正経路ｐ_ｊを実現することによって、複数のやり方で達成可能である。例えば、最初にＳに沿ってシフトを実行し、次に角形成φを変える、又はその逆を行う。さらに、各角形成は、複数の部分的な回転の複合φ＝φ_１〇φ_２、〇…、〇φ_ｍとして実行され、同じことは、シフト

、

のために有効である。各々が中心化してアライメントされたターゲットイメージング幾何学形状Ｇ_０のために現在の幾何学Ｇ_ｊをどのように修正するかに関するそれぞれの修正情報を表現する多数の修正経路ｐ_ｊが存在する。本願明細書において想定されるユーザガイダンスＳＹＳは、ユーザＵＳＲによる画像幾何学形状の調整を容易にするように構成される。以下、図３の概略ブロック図に示されるガイダンスＳＹＳが参照される。システムＳＹＳは、機械学習モデルＭを組み込む機械学習モジュールＭＬＭを含む。機械学習モデルＭは、訓練データに基づいて、以前に訓練されている。訓練動作は、以下でより詳細に説明される。したがって、システムＳＹＳは、３つのモード、すなわち、訓練データが記録される監視モード、モデルが記録された訓練データに基づいて訓練される訓練モード、及び、訓練されたモデルが用いられる展開モードで動作可能である。

機械学習モデルが十分に訓練されたとしばらく仮定すると、機械学習モジュールは、ユーザがイメージングの前に迅速なイメージング幾何学形状の調整を達成するのを支援するように構成される。

概して、システムのナビゲーションユニットＮＵは、図２Ｂのような位相空間における特定の修正経路ｐ_ｊとして再表現可能である、修正情報の第１のバージョンを確立する。機械学習モジュールは、ナビゲーションユニットにより提供される修正情報を処理し、以下で、より完全に調査されるユーザＵＳＲのための命令に変えられる個人向けの修正情報を計算する。

ナビゲーションユニットＮＵのための実施形態は、本願明細書において想定され、機械学習モジュールに移動する前に、最初にさらに詳細に述べられる。すべての実施形態において必須ではないが、実施形態において、ナビゲーションユニットＮＵによって処理されて第１の正しい情報を計算する測定データを提供する１つ又は複数のセンサＳＳが用いられる。機械学習モジュールＭＬＭは、そこから個人向けの修正情報を出力として計算する。機械学習モジュールによって計算される個人向けの修正情報は、特定のユーザがイメージング幾何学形状を調整する傾向があるやり方を説明する。

次に、出力された個人向けの修正情報は、変調器ＭＯＤによって処理され、個人向けの計算された修正情報をユーザ命令、例えば、手動アクチュエータＭＡと係合することによって、ターゲットイメージング幾何学形状Ｇ_０を達成するために、イメージング幾何学形状を調整するように、ユーザによって容易に解釈されることができるセンサ表現に変調する。図２Ｂの位相空間に戻り、ナビゲーションユニットＮＵにより提供される標準修正経路ｐ_０は、所定のユーザＵＳＲ^ｊが訓練データにおいて符号化されるのと同程度に以前の調整から学習されるイメージング幾何学形状を調整する傾向があるやり方に対応する好適な通路ｐ_ｊに変換される。機械学習モジュールは、単に、固定の修正経路にマップするだけでなく、過去の命令に応答する傾向があったときのユーザの傾向も学習している。

一実施形態において、変調器ＭＯＤは、光プロジェクタＬＰによって放出される可視光を変調する光変調器Ｌ－ＭＯＤである。光プロジェクタは、光変調器によって、光ビームＬＢを適切な表面ＳＦ上に投影させるように命令される。光ビームは、機械学習モジュールＭＬＭによって計算される個人向けの命令を符号化する光パターンＰＴに変調される。光プロジェクタＬＰは、有利には、Ｘ線源ＸＳのハウジングＨＳ内に組み込まれる。それは、光ビームＬＢ及びそれゆえパターンＰＴを、患者の皮膚又は患者などが着用する衣類（例えば、ガウン）によって形成される表面部分上に投影するのに用いられる。このように変調される光プロジェクタＬＰによる光を用いることは、悪い視界不良の光条件において特に有利である。

この種の光変調に加えて又はその代わりに、触覚変調器Ｈ－ＭＯＤが用いられる。触覚変調器Ｈ－ＭＯＤは、触覚バイブレータＨＶを制御することによって、機械学習モジュールＭＬＭによって提供される個人向けの修正情報を、振動パターンＰＴの形の個人向けの命令に符合化するように動作可能である。触覚バイブレータＨＶは、例えば、ソースハウジングＨＳのハンドルＭＡ内に、又は、例えば、ジョイスティックのハンド部分内に組み込まれる。振動の周波数及び／又は強度を変えることによって、ユーザＵＳＲは、ターゲット幾何学形状Ｇ_０に案内可能である。

一般的に、（個人向けの）命令を表現する変調信号は、ターゲットイメージング幾何学形状Ｇ_０から現在のイメージング幾何学形状Ｇ_ｊの位相空間内の距離によって変化する。例えば、触覚バイブレータＨＶを参照すると、現在のイメージング幾何学形状が、より多くターゲット幾何学形状Ｇ_０から偏差すると、これは、より高い強度又は周波数で振動し、今度は、ターゲットイメージング幾何学形状Ｇ_０に接近するにつれて、強度及び／又は周波数が小さくなり、ターゲットイメージング幾何学形状になると、振動は終了する。同様に、光変調器Ｌ－ＭＯＤによるリアルタイムフィードバック変調は、現在のイメージング幾何学形状Ｇ_ｊからターゲットイメージング幾何学形状Ｇ_０までの距離により、光強度を変える観点である。加えて、又は、代わりに、光の色又は光の色のパターンは変化する。例えば、悪いイメージング幾何学形状を表す赤色は、例えば、ターゲットイメージング幾何学形状に接近していることを示す緑色に動的に移行する。オプションで、所定の色の色相又は明るさは、設定可能に変化する。他の例の実施形態において、傾斜又は回転は、例えば、色勾配によって、赤から青までによって示される。したがって、オペレータは、均一なカラーパターンが達成されるまで、ソース角形成及び傾斜を操作することができる。具体的には、実施形態において、光パターン自体は、異なる部分から成り立ち、各々は、必要な幾何学形状の調整の異なる空間態様のために符号化する。例えば、赤色の部分は、ソースＸＳが検出器の一端にあまりに近いことを示し、一方、青色の他の部分は、ソースＸＳが他端からあまりに遠いことを示す。パターンの部分の空間配置は、それぞれの端の位置に相関する。したがって、このタイプの光変調命令は、ソースＸＳ中心化においてユーザをサポートし、ソースＸＳから両方の検出器の端までの等間隔を最終的に達成する。ソースＸＳが中心化されているが、ソース検出器距離が正しくない場合、例えば、あまりに小さい場合、パターンの両部分は赤くなる。そして、ソース検出器距離があまりに大きい場合、両部分は青くなる。正しいソース検出器距離ｄ及び中心化は、同種のターゲットカラー、例えば、緑色に移行する光パターンの両部分によって示される。これと同様のやり方では、他の２つの検出器の端に対する「上／下」の偏差は、他の対の光パターン部分の変色によって示される。投影光パターンは、正方形又は長方形のような検出器の放射線感受性表面に類似の形状のエリアをカバーする。４つの部分は、４つの検出器の端との空間相関において、エリアの４つの端で形成される。一般的に、光変調は、変化する光の色、色勾配、色相又は強度の任意の１つ又は複数とすることができる。光命令は、ターゲット幾何学形状Ｇ_０に対する現在の幾何学形状Ｇ_ｊの位相空間ＰＳ内の距離によって変化する。触覚の実施形態にも類似である。上述した光変調パターンは、効果的なユーザマシンフィードバックを可能にする。それは、ＲＯＩを照明するのを助けて、ユーザに焦点を合わせるのを助ける。それは、さらに、命令の異なる空間態様（中心化、ＳＩＤ調整）を単一の光パターンに統合し、したがって、高速のイメージング幾何学形状の調整を容易にする。

加えて、又は、代わりに、示唆的なアニメーション又は静止グラフィックスは、表面ＳＦ上に、例えば、患者上に投影される。例えば、修正シフトの方向に移動するように見える矢印が表示され、又は、回転軸のそれぞれのグラフィックス表現の周りで見たところ巻きつけることによって量及び方向を示す巻き矢印がそのように投影される。

実施形態において、命令を音響出力するために、電気音響トランスデューサＳＰに結合され、これを駆動する音響変調器Ｓ－ＭＯＤ、例えば、スピーカが存在する。命令は、自然言語、又は、他のサウンドパターンである。例えば、ユーザがイメージング幾何学形状を調整し、ターゲットイメージング幾何学形状に接近させるとき、サウンドピッチは変化する。上述した変調器Ｓ－ＭＯＤ、Ｌ－ＭＯＤ、Ｈ－ＭＯＤのいずれかは、他の２つなしでスタンドアロンとして用いられるか、又は、３つすべてが組み合わされる。３つの変調器Ｓ－ＭＯＤ、Ｌ－ＭＯＤ、Ｈ－ＭＯＤの任意の２つの任意の小結合もまた、本願明細書において想定される。

機械学習モジュールＭＬＭは、光又は触覚ベースの変調器ＭＯＤと組み合わせて、リアルタイムフィードバックモードで動作すると理解されなければならない。換言すれば、ユーザＵＳＲによる現在のイメージング幾何学形状の任意の調整は、ナビゲーションユニットＮＵによって行われる。ナビゲーションユニットＮＵは、機械学習モジュールＭＬＭに供給される新しい修正情報を再計算し、更新された個人向けの修正情報を提供する。新しい個人向けの修正情報は、変調器ＭＯＤに伝えられ、出力信号を再変調して、更新された光又は振動の信号パターンの形の新しい／更新された個人向けの命令を引き起こす。

ユーザ命令を符合化するための触覚及び光学パターン変調の上述した実施形態の代わりに、又はそれに加えて、変調器ＭＯＤの他の実施形態も想定される。例えば、変調器ＭＯＤは、コンソールＯＣでディスプレイデバイスＤＤを制御するためのグラフィックスドライバを含む。命令は、例えば、オペレータコンソールＯＣのディスプレイデバイスＤＤ上に表示されるか、又は、出力システムＳＹＳに通信可能に結合された他の任意の監視上に表示される。命令は、テキストで、英数字形で、又は、静止若しくはアニメーションのグラフィックスとして表示される。

以下、ナビゲーションユニットＮＵの動作は、さらに詳細に記載されている。ナビゲーションユニットＮＵは、ソフトウェアで、ハードウェアで、又は、部分的に両方で構成され、好ましくはシステムＳＹＳ内に組み込まれる。上述したように、ナビゲーションユニットは、特定のセンサＳＳから受信される測定値に基づいて第１の（入力）修正情報を計算し、機械学習モジュールＭＬＭへの入力として提供される。

１つ又は複数のこの種のセンサＳＳが用いられる。実施形態において、少なくとも２つのセンサが用いられ、一方は、検出器Ｄに配置され、他方は、Ｘ線源に、例えば、そのハウジングＨＳに配置される。実施形態において、一対のセンサのそれぞれは、ジャイロスコープ及び／又は加速度センサを含むが、他の任意の適切なセンサ技術も用いられる。患者の後ろに配置されるとき、検出器は、実質的に静止しているので、例えば、患者がその上に横になるとき、検出器のセンサＳＳ１（本願明細書において、「検出器センサ」と称される）は、Ｘ線源に取り付けたセンサＳＳ２（本願明細書において、「ソースセンサ」と称される）の現在の測定値と比較可能な安定した測定値を提供すると予想される。ユーザがＸ線源の回転及び／又は並進によってイメージング幾何学形状を調整している間、ソースセンサ測定値は、検出器センサの一定の測定値と比較されて修正情報を確立する。ジャイロスコープ及び／又は加速度センサの角形成の調整は、必ずしもセンタリングではない。センタリングを達成するために、センサＳＳは、ｉ）１つ又は複数の電磁界生成ユニット（「ＥＦＧＵ」）、例えば、コイルと、ｉｉ）電磁界センサ（「ＥＦＳ」）、例えば、ホールセンサ、コイルなどと、の組み合わせをさらに備える。ＥＦＧＵ及びＥＦＳは、それぞれ、管ＸＳ及び検出器Ｄに取り付けられる、又は、逆もまた同じである。

いくつかのイメージングプロトコルにおいて、患者ＰＡＴは、ほぼ直立位置に座るよう依頼され、このことは、ソースが０°又は９０°以外の角度で傾斜する必要がある。この目的で、検出器Ｄ及びＸ線管ＸＳの両方に配置される（例えば、組み込まれる）ジャイロスコープ及び／又は加速度計センサの上述した使用は、正しいイメージング幾何学形状のために調整されるのに有利である。

しかしながら、この種の外部のセンサ回路ＳＳの使用は、本願明細書におけるすべての実施形態において必要というわけではなく、その代わりに、既存のイメージング構成要素を用いて修正情報を確立する。この種の一実施形態において、Ｘ線検出器投影イメージは、コリメータＣＯＬ制御と組み合わせて、本願明細書において、プレショットと称される低線量露出時間に応答して記録される。図４Ａから図４Ｄを参照して原則がさらに詳細に説明される。図４Ａ、図４Ｃは、ビームＸＢが中心を外れた状況を表現し、一方、図４Ｂ、図４Ｄは、加えて、イメージング軸が検出器Ｄ面の法線

に対してある角度ですなわち傾斜している状況を表現する。悪いイメージング幾何学形状のこれらの場合の各々は、図４Ｃ、図４Ｄに示すように、投影スカウトイメージにより確立可能である。スカウト画像は、それに応じて管電圧及び／又は管電流を調整することによって、低線量ビームへの露出によって取得される。好ましくは、管電圧は維持され、電流が下げられる。低線量ビームは、予め定義された知られた形状に、例えば、長方形の形状又は他の任意の予め定義された形状にコリメートされる。それゆえ、投影イメージとして記録可能な投影形状がどのように見えるかは、演繹的に知られている。検出器でレジストレーションされる形状が予め定義された形状から逸脱する場合、これは、図４Ｃ、図４Ｄに例示的に示されるように、傾斜及び／又は中心を外れた状況のような、誤ったイメージング幾何学形状の兆候である。例えば、図４Ｃでは、小さい長方形の形をした投影足跡は、閾値セグメンテーションによって取得可能である。その中心点は確立される。投影足跡の中心点は、検出器表面の演繹的に知られている中心点位置と比較され、２つの間のベクトル差は、シフトベクトル

に相関可能であり、それによって、中心化を達成するために、ソースをシフトする必要がある。同様に、図４Ｄの投影足跡において、これは、平行四辺形への予想される長方形の形状の歪曲である。平行四辺形の角度は、足跡の端のためのセグメンテーションによって測定可能であり、３次元幾何学技術によって、検出器表面の法線に対するＸ線源によって現在経験される傾斜に相関可能である。また、この情報は、ターゲットイメージング幾何学形状Ｇ_０のための修正に必要な角修正φに相関可能である。図４Ｃ、図４Ｄのいずれの場合においても、相関は、３Ｄ空間の従来のアフィン幾何学の原理及び投影の法則に基づく。

図５Ａから図５Ｃは、コリメータベースの修正情報計算のさらなる実施形態を示す。これらの実施形態において、回転機構などを回すことによってプレショットＸ線ビームに方向を変えられるコリメータマスクが用いられる。マスクは、所定の数の開口部ＯＰ１－５又は開口を含む。開口ＯＰ１－５は、所定の形状を有し、開口部の各々によって生じる投影足跡のそれぞれの幾何学形状は、図４において上述したように用いられ、ターゲットイメージング幾何学形状を確立するのに必要な修正情報の量を計算することができる。修正情報に関する曖昧性を減少するために、形状は異なり、例えば、各複数の開口部ＯＰ１－５の各々は、他のものと異なる形状を有するので、すべての開口部は異なるが、ただし、これは、すべての実施形態において必ずしもそうであるわけではなく、異なる形状を有する２つ又は３つの開口部のみでも十分である。好ましくは、複数の形状は、図５Ｃに示す仮想の三角形の３つの頂点として配置される三角形レイアウトのマスクに切断される。代替的に、図５Ｂに示すように、レイアウトは、仮想の正方形又は長方形の中心点及び４つの頂点である。また、奇数の開口を用いること及び／又は開口を非対称形に配置することは、上述した曖昧性を減少させるのを助ける。図５Ｂのように異なる形状を用いることの代わりに、又はそれに加えて、図５Ａに例示的に示されるように、異なるサイズの開口ＯＰ１－５が用いられる。再び、なぜなら、記録可能な投影足跡のサイズ、形状及び歪曲は、開口ＯＰ１－５によって予め決定されるからである。偏差がある場合、修正情報は、アフィン幾何学の原理に基づいて計算される。図５Ａの投影足跡は、ペンシルビームｗの足跡に似ており（この例では５）、それは、好ましくは、ソースＸＳに対する検出器Ｄの距離、傾斜及び回転エラーを修正するためのすべての必要な情報を提供する。図５Ａ（及び図５Ｂ）のコリメータ設定は、放射線量を減少するのを助ける。図５Ａは、対称配置を示す。図５Ｂのような非対称形の投影足跡パターン、例えば、特徴的なシェーパ、例えば、円、偏菱形、十字などを有するパターンも想定される。しかしながら、図５Ａ、図５Ｂの形状及びレイアウトは、例示的であり、制限するものではないことを理解されたい。

コリメートされたスカウト画像のエリアサイズは、検出器面の両方の空間方向に沿って確立される。それとともに総面積検出器Ｄ平面に対する比率ｒは、ナビゲーションユニットＮＵによって確立される。この比率は、正しいＳＩＤを確立するために用いられる。より詳しくは、ＳＩＤを計算するために、コリメータ投影足跡は、スカウト画像の拡張と比較される。ＦＣＤ（焦点コリメータ距離）が与えられると、ＳＩＤ＝ＦＣＤ^＊ｒである。

ナビゲーションユニットＮＵのコリメータベースの実施形態において、イメージングセッションは、２つの連続した段階、すなわち、プレショット段階及び次の画像獲得段階で進む。プレショット段階では、Ｘ線照射管が非常に低い線量で、例えば、検査の対象のそのときの患者ＰＡＴのために必要な実際の線量の５％で動作する場合、スカウト画像ｓが獲得される。スカウト画像は、非常に小さく、典型的には全検出器表面積の５０％から８０％の領域内である。一実施形態において、スカウト画像の寸法は、１つの空間方向において、検出器Ｄの延長の５０％であり、他の空間方向において、検出器Ｄの延長の５０％であり、結果として、検出器Ｄの面積の２５％である。パーセンテージは、単に説明のための例なだけであり、本開示を制限するものとして解釈されるべきではない。画像サイズの減少は、プレショットスカウト画像を獲得するとき、適切なコリメーション開口によって達成される。制御目的のために、かつ、イメージング幾何学形状の調整のさらなる支援のために、プレショット画像は、ディスプレイデバイス上に表示される。一旦修正情報が計算され、正しいイメージング幾何学形状が調整されると、画像獲得は、今回は診断画像を獲得するためにより高い診断線量で繰り返し露出を開始する。画像は、ディスプレイデバイスＤＤ上に表示される。

コリメートされたスカウト画像を用いて、ＳＩＤだけでなく、必要な角傾斜及び／又は回転も計算する。検出器Ｄ回路における画像処理は、検出器ピクセル、例えば、５×５又は１０×１０のネイティブ検出器ピクセルを備えるより大きな画像単位に平均化（又はビニング）する。より大きいスーパーピクセルへのこの平均化によって、記録されたスカウト画像の形状対バックグラウンドのノイズの信号対ノイズ比は、位置における小さい不確定性を代償にして強化される。所望のアライメント精度に応じて、スーパーピクセルの面積は、例えば、２ｍｍ×２ｍｍ又は３ｍｍ×３ｍｍなどとすることができる。加えて、小さいコリメータ設定の使用は、患者に対する線量をさらに減少する。適切なビニングによって、スカウト画像に費やされる線量は、診断線量の約１／２０から１／１０に減少される。

さらなる実施形態では、イメージング装置は、散乱線除去グリッドＡＳＧを含み、これは、以下さらに詳細に説明されるように、イメージング幾何学形状の調整目的のために利用される。

散乱線除去グリッドＡＳＧは、一次放射線が患者を通過するとき、コンプトン散乱によって生じる二次放射線を遮るために用いられる。二次又は散乱放射線は、画像品質を損なう。検出器セル表面に衝突する二次放射線の量を最小化するために、散乱線除去グリッドＡＳＧは、患者と検出器表面との間に位置決めされる。一実施形態によれば、グリッドは、検出器表面上に永久的に設置されるか、又は、着脱可能である。着脱可能な散乱線除去グリッドＡＳＧは、例えば、多くのピンを介してモバイル検出器にスナップフィットで結合される。一実施形態によれば、検出器及び／又はグリッドＡＳＧは、散乱線除去グリッドが取り付けられているかを検出するための検出手段を含む。実施形態において、散乱線除去グリッドＡＳＧは、実質的に、検出器表面から離れて、検出器表面にほぼ垂直に延在し、Ｘ線源ＸＳの方に向かう小さいフィンから形成されるグリッド状の構造である。グリッドは、取り付けられるとき、すべての検出器表面を実質的にカバーする。フィンのレイアウトは、フィンがほぼ平行である１Ｄであるか、又は、互いに交差するフィンの２つのセットが存在する２Ｄである。

散乱線除去グリッドＡＳＧが検出器Ｄに取り付けられる際、ＡＳＧグリッドの投影画像（「投影焦点スポット」）は、イメージング幾何学形状修正のために用いられる。検出器が完全にはアライメントされていない場合、ＡＳＧは、衝突するＸ線ビームの強度を変調するピクセルに陰影を投じる。この強度プロファイルは、ナビゲーションユニットＮＵによる画像処理によって分析されて、修正情報を確立することができる。特に、２Ｄ ＡＳＧのために、間違ったＳＩＤ（焦点を離れて）を有する完全に平行の検出器によって、円形の勾配強度プロファイルが検出器Ｄで検出される。この種のプロファイルからの偏差、例えば、細長い楕円のプロファイルの検出は、中心を外れたシフト、傾斜及び回転エラーを示す。すなわち、投影焦点スポットの幾何学形状を用いて、修正情報を決定することができる。角形成調整を完全に特定するために、追加の修正情報、例えば、図５などにおいて上述したようにコリメータＣＯＬによって誘導された情報が必要である。

以下、機械学習モジュールＭＬＭに戻って、これの動作は、以下のように動かされる。それが提案されたユーザガイドシステムＳＹＳのためではない場合、イメージング幾何学形状を調整するための従来提供されるユーザ命令が、単一のこの種の適用よりむしろこの種の調整の繰り返しの適用を必要とすることが理解される。これは、長たらしい。例えば、ユーザは命令に応答して、ターゲット幾何学形状を通り越すか、又は、それに達しない。例えば、反時計回りに、例えば５０度ほどソースを回転させるようにユーザに伝える明確な命令さえ、結果として、ユーザは、このターゲットを通り越し、その代わりに、例えば６０度だけソースを回転させる。ターゲット幾何学形状が（適切な許容できるマージン内で）確立したとみなされるまで、次に、ユーザは、ソースＸＳを１０度戻して回転させるなどのように伝えられる。ユーザが提供される命令に応答するやり方は、個人の気質の問題である。例えば、より短気なユーザは、ターゲットを通り越す傾向があり、一方、より臆病なユーザは、必要な修正量に達しない傾向がある。その上、異なる修正が必要であるとき、同じユーザは、異なる状況において異なって行動する。例えば、ユーザＵＳＲは、回転に関してより積極的に行動するが、シフトするときにより遅く注意深くなり、逆もまた同じである。

本願明細書において提案されるイメージング幾何学形状の調整のためのユーザガイダンスにおける機械学習アプローチは、この種の命令に応答する特定のユーザの傾向特性を考慮するように構成される。特定のユーザが彼又は彼女の傾向に合わせて調整されない命令を与えられる場合、同じ修正結果は、より時間がかかる繰り返しの後にしか達成されない。しかし、提案された機械学習モデルでは、繰り返し調整の数は、所定のユーザのために少なくとも平均して減少される。これは、機械学習モジュールによって計算される出力修正情報がイメージング幾何学形状を変えるための空間命令とは異なって応答するユーザ特色を考慮するからである。機械学習（「ＭＬ」）モデルを用いると、修正情報のタイプの関係を調査するのに特に有利であるとわかった。このＭＬタスクは、（ナビゲーションユニットによって提供されるような）純粋に幾何学形状に基づいて提供される（入力）修正情報と、命令に応答してユーザによって実行される調整を表現する（出力）修正情報と、の間の潜在的な未知の機能的な関係として概念化される。以前に記録された訓練データを用いて、ＭＬモデルがこの関係を学習し、したがって、調整目的のために特定のユーザの特定の好みに機械学習モジュールを個人向けにするように訓練する。

従来の／分析モデリングアプローチとは異なり、機械学習モデルは、一般的に、設計者が機能的な依存タイプの特定の仮定を行うことを必要としない。例えば、入力修正情報と出力修正情報との間の上述した関係は、いかなる種類の線形モデルも除外する非常に非線形であると予想される。機械学習モデルが、特にこの種の非常に非線形関係を学習することが得意であるとわかった。機械学習モデルの「重み」と称されるパラメータはまた、訓練データを説明するために、図８でさらに詳細に後述される最適化手順において調整される。次に、モデルによって調整されるすべてのパラメータの全体は、上述の潜在的な関係を表現又は符合化する。

十分な量の代表的な訓練データが所定のユーザに利用できる場合、機械学習モデルは、特定のユーザのために個人向けにされる。実際、ユーザのグループの各ユーザ（放射線部門の臨床医のような）が自分の専用の別々の機械学習モデルを割り当てられることが、本願明細書において提案され、各々は、それぞれ、各ユーザのために収集される個人訓練データについてユーザごとに訓練されている。次に、そのような「ユーザごとに訓練された」モデルＭＬＭ１－４は、データベースＭＥＭ内に格納される。システムＳＹＳは、ユーザ資格情報の表現に応じて各ユーザを識別するように構成されるユーザ識別機構ＵＩＤを含む。一旦識別されると、次に、以前特定のユーザに関連付けられた事前に訓練された機械学習モジュールは、そのユーザのために個人向けの命令を計算するようにアクセスされる。

以下、学習態様を簡潔に参照すると、これは、訓練データ収集段階又は監視段階及び訓練段階を含む。両方は、一回限りの動作として行われるか、又は、ユーザがイメージング装置を用いているとき、それぞれのモデルを改良するために繰り返される。

訓練データ収集段階において、ユーザによって実行される実際のイメージング幾何学形状の調整は、記録され、訓練データとしてメモリＭＥＭ－Ｔ内に格納される。次に、各ユーザの特有のやり方を監視し、修正情報及び関連命令にどのように応答するかを監視することが、監視段階のタスクである。

この訓練データ収集段階は、以下のように動作する。ユーザは、パスワード、生体認証入力又は他の資格情報を提供することによって、ユーザ識別ＵＩＤによって識別される。監視リング又は「ユーザ習熟」段階の間のこのステージでは、修正情報は、まだ個人向けの修正情報に基づかず、標準命令として、ニューラルネットワークによって提供される。監視リングは、通常の臨床使用の間、実施されている。このステージでは、それゆえ、提案されたシステムの利点はまだ感知されない。現在とターゲットイメージング幾何学形状との間の偏差としてナビゲーションユニットＮＵによって提供される修正情報は、このステージでは、標準修正情報として提供され、変調器ＭＯＤによって最適に変調される。

取付機構ＭＭ又はユーザ入力デバイスＪＳ、例えば、ジョイスティックなどは、符号化器ＥＮＣを含み、例えば、病棟回診の間、通常の臨床使用にわたって標準命令に応答してユーザによって実行される実際のユーザ調整を追跡して記録する。追跡された調整は、ナビゲーションユニットによって最初に提供されるように、それぞれの提供される標準修正情報／命令に関連して、例えばベクトル形で格納される。このように、修正情報の対（ｘ、ｙ）は、構築され、各対のために、ナビゲーションユニットＮＵによって提供される修正情報「ｘ」、及び、修正情報ｘに応答して符号化器ＥＮＣによって記録される実際のユーザ調整に基づいた修正情報「ｙ」が提供される。時間とともに、ユーザＵＳＲがイメージングデバイスを使用するとき、修正情報の複数のこの種の対（ｘ_ｋ、ｙ_ｋ）は記録され、訓練データメモリＭＥＭ－Ｔ内に格納される。提供されるユーザ資格情報のため、収集した訓練データ対は、ユーザごとに格納され、後で検索される。

一旦十分な数のこの種の訓練対（ｘ_ｋ、ｙ_ｋ）が、使用頻度に応じて数日又は数週間かかる使用時間にわたって蓄積されると、学習段階が開始する。最初に、初期化されたモデルがセットアップされ、いくつかのランダムなパラメータによって予めデータが読み込まれる。初期モデルは、ユーザ識別機構ＵＩＤによって収集されるユーザ資格情報に基づいて、ユーザに割り当てられる。初期化されたモデルがアクセスされる。モデルは、特定のアーキテクチャ、例えば人工ニューラルネットワークを有する。機械学習タスクは、この目的のため、一般的に、回帰の１つであり、入力修正情報は、簡潔に出力修正情報と称される、個人向けのイメージング幾何学形状修正情報に回帰する。このタイプのデータは、非画像データであるので、全結合型ニューラルネットワークが好ましい。しかしながら、本願明細書において、ニューラルネットワークの制限は何もなく、その代わりに他の機械学習技術が用いられる。

学習段階は、上述した最適化手順を含み、モデルのパラメータの現在のセットを調整する。学習段階において、機械学習モデルに存在する現在又は初期のパラメータセットは、これまでに収集された訓練データを考慮して調整される。ＧＰＵのような高性能コンピューティングデバイスは、訓練システムＴＳとして用いられ、この最適化又は学習アルゴリズムを高速に実行する。最適化自体は、イメージャが使用されていないとき、形成される。時間とともに次に、機械学習システムがより多くの訓練データを収集したとき、かつ、訓練アルゴリズムのより多くの実行の後、提供される命令は、ユーザの特定の傾向に合わせてより調整され、したがって、一般的に、ターゲット幾何学形状を取得するために、より少ない繰り返ししか必要ない。これは、特に忙しい臨床環境において、時間を節約する。より多くの患者は、所定の時間間隔の間にイメージング可能である。画像スループットは増加する。

以下、Ｘ線イメージングをサポートする方法のフローチャートである図６を参照する。方法は、上述したシステムＳＹＳの動作を明確に述べるが、方法及びそのステップがそれ自体教示として理解されることを理解される。方法は、１つ又は複数の適切なコンピューティングデバイス上で実施される。図６において、学習段階が必ずしも一回限りの動作ではなく、一旦訓練データの新しいバッチが収集されたならば繰り返し行われるという了解の下で、機械学習モデルが以前の使用データで十分に訓練されたと仮定される。訓練態様は、図７から図９を参照して、以下でさらに詳細に説明される。

ステップＳ６１０において、入力データが受信される。入力データは、特にユーザ資格情報を備える。

ステップＳ６２０において、ユーザは、ユーザ資格情報に基づいて識別される。ステップＳ６１０及び６２０は、オプションである。

ステップＳ６３０において、ユーザによって管理される所定のイメージングセッションにおいて、現在のイメージング幾何学形状とターゲット幾何学形状との間の不一致を定量化する第１の／入力修正情報が計算される。実施形態において、修正情報を計算するステップは、センサ測定値に基づいて実行されるか、又は、図４、図５のいずれか１つに関して上述したように低い線量のプレショットに基づいて検出器で取得された測定値に実行される。

ステップＳ６４０において、第１の修正情報に基づいて、出力された個人向けの修正情報は、機械学習モジュールによって実施されるように、事前に訓練された機械学習モデルによって、ユーザのために計算される。機械学習モジュールは、訓練データで事前に訓練された機械学習モデルを実施する計算構成である。

用いられる事前に訓練された訓練データは、ｉ）ナビゲーションユニットによって提供される以前の修正情報と、ｉｉ）以前の修正情報から変調される命令に応答して、ユーザによって実行されるイメージング幾何学形状の調整と、の対を特に含む。好ましくは、複数のこの種の対は、以前、訓練データ収集段階において記録され、その最後に、モデルは、訓練データに基づいて学習アルゴリズムによって適応され、機械学習モデルにより提供される修正情報をより良く個人向けにした。

ステップＳ６５０において、そのように計算された個人向けの命令を用いて、ユーザによって識別可能な感覚信号を変調し、現在のイメージング幾何学形状をどのように調整するのかに関する命令をユーザに伝える。

変調は、手動アクチュエータ、ユーザ入力デバイス又はイメージング幾何学形状の調整を達成するための使用の間ユーザが接触する他のデバイスを介して変調された機械的振動を送達することによって、任意の１つ又は複数の光ビームを変調することを含む。光変調は、色、光強度、色相又はこれらの任意の組み合わせの任意の１つ又は複数の変調を含む。加えて、又は、代わりに、命令的な光記号は、矢印などの形で患者の輪郭上のような表面に投影される。加えて、又は、代わりに、ユーザによって実行される命令を表現するアニメーションが示される。

ステップＳ６６０において、変調された感覚信号は、ユーザに出力される。

ステップＳ６７０において、イベントハンドラ又はその他を用いて、現在のイメージング幾何学形状がユーザ調整に起因して変化したかを確立する。はいの場合は、新しい修正情報が計算され、上述したワークフローが繰り返される。イメージング幾何学形状の変化が発生しなかったと確立される場合、現在表示されている命令は、ステップＳ６６０において維持される。

このようにして、ターゲット幾何学形状が（予め設定されたエラーマージン内で）達成されるまで、準リアルタイム命令更新を提供する動的なフィードバックループは実現される。

機械学習モデルによって計算される個人向けの修正情報、及び、それゆえ、個人向けの変調された命令は、ターゲット幾何学形状を達成するのに必要な繰り返しの量を減少するのを容易にするように、特定のユーザが修正情報に作用する傾向があるように、動的に適応される。

以下、実施形態で用いられるニューラルネットワークタイプモデルの概略図を示す図７を参照する。上述したように、モデルは、（畳み込みネットワークの層とは対照的に）所定のユーザのための個人向けの画像命令に対するイメージング調整命令である入力を回帰する１つ又は複数の全結合層を含む。

モデルＭは、図８でさらに詳細に後述されるコンピュータ化された訓練システムＴＳによって訓練される。訓練中に、訓練システムＴＳは、モデルＭの（モデル）パラメータθの初期セットを適応させる。ニューラルネットワークモデルの文脈において、パラメータは、本願明細書において、重みと称される。訓練データは、上述したように監視段階において収集される。したがって、監視段階の後、２つのさらなる処理段階、すなわち、訓練段階及び展開（又は推論）段階は、機械学習モデルＮＮに関して定義される。

訓練段階において、展開段階の前に、モデルは、訓練データに基づいてそのパラメータを適応させることによって訓練される。一旦訓練されると、モデルは、展開段階において、個人向けの修正情報を予測するために用いられる。訓練は、一回限りの動作であるか、又は、一旦新しい訓練データが利用可能となると繰り返される。

機械学習モデルＭは、１つ（又は複数）のコンピュータメモリＭＥＭ’内に格納される。事前に訓練されたモデルＭは、好ましくはイメージャＩＡ内に組み込まれるコンピューティングデバイスＰＵ上の機械学習構成要素ＭＬＭとして展開される。好ましくは、良好なスループットを達成するために、コンピューティングデバイスＰＵは、例えば、マルチコア設計の並列処理をサポートする１つ又は複数のプロセッサ（ＣＰＵ）を含む。一実施形態において、ＧＰＵ（グラフィックスプロセッシングユニット）が用いられる。

以下、図７をさらに詳細に参照して、これは、フィードフォワードアーキテクチャのニューラルネットワークＭを示す。ネットワークＭは、カスケードされた方式で層Ｌ_１－Ｌ_Ｎに配置される複数の計算ノードを備え、データフローは、左から右に、したがって層から層に進行する。再帰ネットワークは、本願明細書において除外されない。

展開において、入力データｘは、入力層ＩＬに適用され、例えば、ナビゲーションユニットＮＵによって供給されるように、ｘ＝ａ修正情報である。次に、入力データｘは、隠れ層Ｌ_１－Ｌ_Ｎの連続を通して伝搬し（２つのみが示されるが、１つのみ又は２より多くてもよい）、次に、推定された出力Ｍ（ｘ）として、個人向けの修正情報が出力層ＯＬに出現する。出力は、上述したように変調器ＭＯＤによって個人向けの命令に変調される。

モデルネットワークＭは、１つより多い隠れ層を有するので、深いアーキテクチャを有すると言われる。フィードフォワード回路では、「深さ」は、入力層ＩＬと出力層ＯＬとの間の隠れ層の数であり、一方、再帰ネットワークでは、深さは、隠れ層の数かけるパスの数である。

ネットワークの層、及び実際、入出力イメージ、及び、隠れ層間の入出力（本願明細書において、特徴マップと称される）は、計算及びメモリアロケーション効率のための２つ以上の次元のマトリックス（「テンソル」）として表現される。エントリの次元及び数は、上述したサイズを表現する。

好ましくは、隠れ層Ｌ_１－Ｌ_Ｎは、１つ又は複数の畳み込み層を含むが、好ましくは全結合層のみである。層の数は、少なくとも１つであり、例えば、２から５であり、又は他の任意の数である。数は、二桁の数字になる。

全結合層ＦＣは、修正情報の処理のための本願明細書における場合のように、非画像の回帰タスクにおいて有益である。しかしながら、１つ又は複数の畳み込み層は、実施形態において依然として用いられる。

全結合層の出力特徴マップにおけるエントリがその層によって以前の層からの入力として受信されるすべてのノードの組み合わせであるという点で、全結合層は、畳み込み層と区別される。換言すれば、畳み込み層は、特徴マップエントリごとに、初期の層から受信される入力のサブセットに適用されるだけである。

入力Ｘとして入力層に適用される修正情報は、ベクトル（ｓ、φ、ｄ）として提示され、図２Ｂにおいて上述したように、段階ＰＳにおける点を表現する。個人向けの修正情報である出力Ｙは、同様に、位相空間における１つ又は複数のベクトルとして表現されるが、一般的に入力と異なる。出力は、１つより多いベクトル（ｓ_ｊ、φ_ｊ、ｄ_ｊ）^ｊによって例えば、マトリックス又はテンソルとして表現される。出力Ｙは、図２Ｂに関して記載されるように、位相空間における１つ又は複数の異なる修正経路ｐ_ｊを表現し、ユーザに好まれる調整をより良く表現する。出力がより複雑な修正経路を表現するマトリックスである場合、これは、表面上は、ユーザに依然として複数の繰り返しで命令を適用させると主張するかもしれないより複雑な修正情報を導入するように見える。しかしながら、この複雑さは見かけだけである。ＭＬモデルＭによる出力としての修正情報Ｙは、特定のユーザのためにより複雑に見えるが、それは依然としてユーザにカスタマイズされ、特定のユーザによって解釈及び実行されるのが容易である。おそらくより複雑な出力修正情報Ｙは、ユーザの手先の器用さのレベルにより良く従う。結果は、表面上より単純な標準命令（それにもかかわらずユーザが実施するのがより難しいとわかる）と比較すると、平均してより少ない繰り返ししか必要ないということである。

ベクトル又はマトリックスとしての修正情報の表現は、ときどき、望ましくない表現のまばらさに至る。埋め込み技術を用いて、次にネットワークモデルによってより良く処理されるより多くの有用な「より濃い」表現に修正情報データを符合化する。この種の埋め込みは、例えば、ワンホット符合化方式を含む。他の実施形態では、自動符号化器セットアップを用いて、修正情報（入力Ｘ）データを最初に適切な表現（「コード」）に処理し、次に、訓練される実際のモデルＭに供給されるのはこのコードである。換言すれば、別々の機械学習ステップは、データを前処理するために用いられる。

上述した図７のモデルＭが単に一実施形態によるものであり、本開示に限定するものではないことを理解されたい。本願明細書において記載されているより多いか少ないか異なる機能、例えば、プーリング層又はドロップアウト層などを有する他のニューラルネットワークアーキテクチャも本願明細書において想定される。その上、本願明細書において想定されるモデルＭが、必ずしもニューラルネットワークタイプであるというわけではまったくない。訓練データからのサンプリングに基づく他の従来の統計的回帰方法もまた、本願明細書の代替実施形態において想定される。さらに他の技術は、ベイジアンネットワーク、又は、ランダムフィールド、例えば、マルコフタイプランダムフィールドなどを含む。

以下、機械学習モジュールを訓練するための訓練システムＴＳを示す図８をより詳細に参照し、図８は、パラメータ、すなわち、例えば、図７において述べられるニューラルネットワークにおける機械学習モデルＭ、又は、他のニューラルネットワークタイプのモデル、又は、実際にニューラルネットワークタイプではないＭＬモデルの重みを訓練するための訓練システムＴＳを示す。

訓練データは、ｋ対のデータ（ｘ_ｋ、ｙ_ｋ）を備える。例えば、ｋは、１００ｓ又は１０００ｓになる。訓練データは、対ごとに、訓練入力データｘ_ｋ及び関連付けられたターゲットｙ_ｋを備える。したがって、訓練データは、特に本願明細書において主に想定される教師あり学習方式のために、ｋ対で編成される。しかしながら、教師なし学習方式が本願明細書において除外されない点に留意されたい。

訓練入力データｘ_ｋは、監視段階における定期的な臨床使用の間、提供される標準入力修正情報ｘ_ｋを備える。関連付けられたターゲットｙ_ｋ又は「グラウンドトゥルース」は、入力修正情報に応答してユーザによって実行される実際の調整（出力修正情報）ｙ_ｋである。対（ｘ_ｋ、ｙ_ｋ）は、上述した監視段階の間、訓練データメモリＭＥＭ－Ｔ内に記録される。また、各要素ｘ_ｋ、ｙ_ｋは、図２Ｂ及び図７において上述したように、位相空間における点又は経路としてベクトルとして提示される。

モデルは、さらに詳細に後述するように、回帰タイプであり、ｘ_ｋをｙ_ｋに回帰するように試みる。訓練段階において、機械学習モデルＭのアーキテクチャ、例えば、図７に示された人工ニューラルネットワーク（「ＮＮ」））は、重みの初期セットによって予めデータが読み込まれる。モデルＭの重みθは、パラメタリゼーションＭ^θを表現し、訓練データ（ｘ_ｋ、ｙ_ｋ）対に基づいてパラメータθを最適化し、それゆえ、適応させることは、訓練システムＴＳの目的である。換言すれば、学習は、コスト関数Ｆが最小化される最適化スキームとして数学的に定式化され、ただし、その代わりに、効用関数を最大にする双対形式が用いられる。

今のところコスト関数Ｆのパラダイムを仮定すると、これは、集約残差、すなわち、ニューラルネットワークモデルＮＮによって推定されるデータと、訓練データ対ｋの一部又は全部によるターゲットと、の間に生じるエラーを測定する。
ａｒｇｍｉｎ^θＦ＝Σ_ｋ｜｜Ｍ^θ（ｘ_ｋ）－ｙ_ｋ｜｜ （２）

式（２）及び以下において、関数Ｍ（）は、入力ｘに適用されるモデルＮＮの結果を意味する。コスト関数は、ピクセル／ボクセルベース、例えば、Ｌ１又はＬ２－ノルムコスト関数である。訓練において、訓練対の訓練入力データｘ_ｋは、初期化されたネットワークＭを通して伝搬される。具体的には、ｋ番目の対のための訓練入力ｘ_ｋは、入力ＩＬで受信され、モデルを通過し、次に、出力ＯＬで出力訓練データＭ^θ（ｘ）として出力される。本願明細書においてモデルＭによって生成される実際の訓練出力Ｍ^θ（ｘ_ｋ）と所望のターゲットｙ_ｋとの間の残差とも称される差を測定するために、適切な手段｜｜〇｜｜、例えば、ｐノルム、平方差などが用いられる。

出力訓練データＭ（ｘ_ｋ）は、適用された入力訓練画像データｘ_ｋに関連付けられたターゲットｙ_ｋのための推定である。一般的に、現在考慮されているｋ番目の対のこの出力Ｍ（ｘ_ｋ）と関連付けられたターゲットｙ_ｋとの間のエラーが存在する。逆／順伝搬又は他の勾配ベースの方法のような最適化スキームは、次に、完全な訓練データセットから考慮されている対（ｘ_ｋ、ｙ_ｋ）又は訓練対のサブセットのための残差を減少させるために、モデルＭのパラメータθを適応させるために用いられる。

モデルのパラメータθが、現在の対（ｘ_ｋ、ｙ_ｋ）のためのアップデータＵＰによって更新される第１の内側ループの１つ又は複数の繰り返しの後、訓練システムＴＳは、次の訓練データ対ｘ^ｋ＋１、ｙ^ｋ＋１がそれに応じて処理される外側のループに入る。アップデータＵＰの構造は、用いられる最適化スキームに依存する。例えば、アップデータＵＰによって管理される内側ループは、順／逆伝搬アルゴリズムにおいて、１つ又は複数の順及び逆のパスによって実施される。パラメータを適応させる間、すべての訓練対の集約、例えば合計された残差は、現在の対まで考慮され、オブジェクト関数を改善する。集約残差は、各対のための一部又は全部の考慮された残差の式（２）においてのような二乗残差の合計としてオブジェクト関数Ｆを構成することによって形成可能である。平方和の代わりに他の代数組み合わせも想定される。

オプションで、１つ又は複数のバッチ正規化演算子（「ＢＮ」図示せず）が用いられる。バッチ正規化演算子は、例えば、層における畳み込み演算子ＣＶの１つ又は複数に結合されたモデルＭ内に組み込まれる。ＢＮ演算子は、減少する勾配効果を緩和することを可能にし、繰り返される順及び逆パスにおける勾配の大きさの漸減は、モデルＭの学習段階における勾配ベースの学習アルゴリズムの間経験される。バッチ正規化演算子ＢＮが、訓練中に用いられるが、展開においても用いられる。

図８に示す訓練システムは、すべての学習方式、特に教師あり方式のために考慮可能である。教師なし学習方式はまた、本願明細書の他の実施形態において想定される。ＧＰＵは、訓練システムＴＳを実施するために用いられる。

完全に訓練された機械学習モジュールＭは、１つ又は複数のメモリＭＥＭ又はデータベース内に格納される。訓練は、ユーザごとに実行され、上述したように各ユーザのための異なる事前に訓練されたモデルを取得する。

図９は、上述した実施形態の任意の１つに記載されているような機械学習モデルを訓練する方法のフローチャートである。

適切な訓練データは、監視段階において上述したように収集される必要がある。好ましくは、教師あり学習方式は本願明細書において想定されるが、教師なし学習セットアップも本願明細書において想定されるので、これは必須ではない。

教師あり学習において、訓練データはデータ項目の適切な対を含み、各対は、訓練入力データと、それに関連付けられたターゲット訓練出力データと、を含む。具体的には、訓練データ対（ｘ_ｋ、ｙ_ｋ）は、上述したように、監視段階の間に収集され、訓練データメモリＭＥＭ－Ｔ内に格納される。

図９を継続して参照し、ステップＳ９１０において、訓練データは、対（ｘ_ｋ、ｙ_ｋ）の形で受信される。各対は、上記の図８において定義されるように、訓練入力ｘ_ｋ及び関連付けられたターゲットｙ_ｋを含む。

ステップＳ９１０において、訓練入力は、受信される。

ステップＳ９２０において、訓練入力ｘ_ｋは初期化された機械学習モデルＮＮに適用され、訓練出力を生成する。

ステップＳ９３０において、関連付けられたターゲットｙ_ｋからの訓練出力Ｍ（ｘ_ｋ）の偏差又は残差は、コスト関数Ｆによって定量化される。モデルの１つ又は複数のパラメータは、内側ループ内の１つ又は複数の繰り返しのステップＳ９４０において適応され、コスト関数を改善する。例えば、モデルパラメータは、コスト関数によって測定される残差を減少させるように適応される。畳み込みＮＮモデルＭが使われる場合に備えて、パラメータは、特に畳み込み演算子の重みＷを含む。

次に、訓練方法は、外側ループでステップＳ９１０に戻り、訓練データの次の対が供給される。ステップＳ９２０において、考慮されるすべての対の集約残差が減少するように、特に最小化するように、モデルのパラメータは適応される。コスト関数は、集約残差を定量化する。順－逆伝播又は類似の勾配ベースの技術は、内側ループＳ９３０からＳ９４０において用いられる。

さらに一般的に言えば、モデルＭのパラメータは、コスト関数又は効用関数であるオブジェクト関数Ｆを改善するように調整される。実施形態において、コスト関数は、集約残差を測定するように構成される。実施形態において、残差の集約は、考慮されるすべての対のための全部又は一部の残差の合計によって実施される。方法は、好ましくは訓練の速度を上げる並列処理ができるプロセッサを有する１つ又は複数の汎用処理ユニットＴＳ上で実施される。

訓練システムＴＳの構成要素は、好ましくは高性能プロセッサ、例えば、ＧＰＵを有する１つ又は複数の処理コンピューティングシステム上で動作する１つ又は複数のソフトウェアモジュールとして実施される。訓練は、好ましくは、イメージャＩＡの処理ユニットＰＵによって実行されるのではなく、１つ又は複数のサーバのようなより強力なコンピューティングシステムによって外部で行われる。一旦訓練されると、モデルは、イメージャＩＡ自身のコンピューティングシステムＰＵのデータストレージＭＥＭ内にロードされる。データストレージＭＥＭは、複数のユーザのためにモデルＭＬＭ１－４を保持する。所定のユーザに関連付けられたモデルは、上述したようにユーザ識別システムＵＩＤによって、ユーザの識別に応じてアクセスされる。

本願明細書では、医療分野におけるヒト患者のイメージングが主に参照されたが、本願明細書において開示される原則は、例えば、その代わりに農場の動物、ペットをイメージングするために用いられる。加えて、可動性／携帯性のレベルが必要とされるシナリオにおいて、手荷物検査又は非破壊の材料テストのような物体のイメージングも想定される。

方法又はシステムＳＹＳの構成要素は、１つ又は複数の汎用処理ユニットＰＵ、例えば、イメージャＩＡに関連付けられたワークステーション上で、又は、イメージャのグループに関連付けられたサーバコンピュータ上で動作する１つ又は複数のソフトウェアモジュールとして実施される。

代替的に、方法又はシステムＳＹＳの一部若しくは全部の構成要素は、ハードウェア、例えば、最適にプログラムされたマイクロコントローラ又はマイクロプロセッサ、例えば、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）又は、ハードワイヤードのＩＣチップ、イメージャＩＡ内に組み込まれる特定用途向け集積回路（ＡＳＩＣ）として構成される。さらなる実施形態では、システムＳＹＳは、部分的にソフトウェアかつ部分的にハードウェアの両方において実施される。

方法のステップ又はシステムＳＹＳの異なる構成要素は、単一のデータ処理ユニットＰＵ上で実施される。代替的に、一部若しくは全部の構成要素又は方法ステップは、場合により遠隔で分散アーキテクチャに配置され、クラウドセッティング又はクライアントサーバセットアップなどでのような適切な通信回路網で接続可能である異なる処理ユニットＰＵ上で実施される。

本願明細書において記載されている１つ又は複数の特徴は、コンピュータ可読媒体内に符合化される回路及び／又はその組み合わせとして、又は、それとともに構成又は実施される。回路は、ディスクリート回路及び／又は集積回路、システムオンチップ（ＳＯＣ）及びその組み合わせ、機械、コンピュータシステム、プロセッサ及びメモリ、コンピュータプログラムを含む。

本発明の他の例示的な実施形態において、適切なシステム上で、上記実施形態のうちの１つによる方法の方法ステップを実行するように適応されていることを特徴とするコンピュータプログラム又はコンピュータプログラム要素がもたらされる。

それゆえ、コンピュータプログラム要素は、本発明の一実施形態の一部であるコンピュータユニットに記憶される。このコンピュータユニットは、上述した方法のステップを行う又は実行を誘導するように適応される。さらに、このコンピュータユニットは、上述した装置の構成要素を動作させるように適応される。コンピュータユニットは、自動的に動作する、及び／又は、ユーザの命令を実行するように適応される。コンピュータプログラムは、データプロセッサのワーキングメモリ内にロードされる。それゆえ、データプロセッサは、本発明の方法を実行するように装備されている。

本発明のこの例示的な実施形態は、最初から本発明を使用するコンピュータプログラムと、更新によって、既存のプログラムを、本発明を使用するプログラムに変えるコンピュータプログラムと、の両方を対象とする。

さらに、コンピュータプログラム要素は、上述した方法の例示的な実施形態の手順を満たすのに必要なすべてのステップを提供可能である。

本発明のさらなる例示的な実施形態によれば、ＣＤ－ＲＯＭのようなコンピュータ可読媒体が提示され、コンピュータ可読媒体には、コンピュータプログラム要素が記憶され、コンピュータプログラム要素は、上記セクションに説明されている。

コンピュータプログラムは、他のハードウェアととも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固体媒体のような適切な媒体（必須ではないが、特に非一時的媒体）上に記憶される及び／又は分散されるが、インターネット又は他の有線若しくは無線通信システムを介した形態のような他の形態で分散される。

しかしながら、コンピュータプログラムは、ワールドワイドウェブのようなネットワーク上に提示され、この種のネットワークからデータプロセッサのワーキングメモリ内にダウンロードされる。本発明のさらなる例示的な実施形態によれば、ダウンロード用にコンピュータプログラム要素を利用可能にする媒体がもたらされ、このコンピュータプログラム要素は、本発明の上述した実施形態のうちの１つによる方法を行うように構成されている。

なお、本発明の実施形態は、さまざまな主題を参照して説明されている。具体的には、方法タイプの請求項を参照して説明される実施形態もあれば、システムタイプの請求項を参照して説明される実施形態もある。しかしながら、当業者であれば、上記及び下記の説明から、特に明記されない限り、１つのタイプの主題に属する特徴の任意の組み合わせに加えて、さまざまな主題に関連する特徴の任意の組み合わせも、本願によって開示されているとみなされると理解できるであろう。しかしながら、すべての特徴は、特徴の単なる足し合わせ以上の相乗効果を提供する限り、組み合わされることが可能である。

本発明は、図面及び上述した説明において詳細に例示され、説明されたが、この種の例示及び説明は、例示的にみなされるべきであり、限定的にみなされるべきではない。本発明は、開示された実施形態に限定されるものではない。開示された実施形態の他の変形態様は、図面、開示内容及び従属請求項の検討から、請求項に係る発明を実施する当業者によって理解され、実施される。

請求項において、「備える」との用語は、他の要素又はステップを排除するものではなく、また、単数形は、複数形を排除するものではない。単一のプロセッサ又は他のユニットが、請求項に引用されるいくつかのアイテムの機能を果たす。特定の手段が相互に異なる従属請求項に記載されることだけで、これらの手段の組み合わせを有利に使用することができないことを示すものではない。請求項における任意の参照符号は、範囲を限定するものと解釈されるべきではない。

Claims (13)

1. Ｘ線イメージングをサポートするためのシステムであって、
   前記システムは、事前に訓練されたか訓練可能な機械学習モジュールを備え、前記機械学習モジュールは、Ｘ線イメージング装置のイメージング幾何学形状を調整するための出力修正情報を計算して、ターゲットイメージング幾何学形状を達成し、前記Ｘ線イメージング装置は、モバイルタイプであり、Ｘ線源とＸ線検出器との間の固定的な機械的結合なしで前記Ｘ線源及び前記Ｘ線検出器を備え、前記イメージング幾何学形状は、前記Ｘ線源と前記Ｘ線検出器との空間配置を示し、
   前記システムは、前記出力修正情報に基づいて変調される前記イメージング幾何学形状の調整のためのユーザに対する命令を提供する変調器を備え、
   前記機械学習モジュールは、イメージング幾何学形状の調整のための以前の特定のユーザに対する命令に対する前記特定のユーザの応答を含む訓練データで以前に訓練されている、
   システム。
2. 前記システムは、異なるユーザに関連付けられた複数の事前に訓練されたか訓練可能な機械学習モデルを格納するメモリをさらに備える、
   請求項１に記載のシステム。
3. 前記システムは、資格情報に基づいてユーザを識別し、前記資格情報に基づいて前記複数の事前に訓練されたか訓練可能な機械学習モデルから前記機械学習モジュールを選択させるユーザ識別機能をさらに備える、
   請求項２に記載のシステム。
4. ｉ）前記変調器は、可視光プロジェクタが光ビームを表面に投影するように制御し、前記光ビームは、前記出力修正情報に従って変調され、
   ｉｉ）前記変調器は、触覚バイブレータが、
   ａ）前記Ｘ線イメージング装置のＸ線源に機械的に結合された手動アクチュエータに振動を与えるように制御するか、若しくは、
   ｂ）前記Ｘ線イメージング装置の前記Ｘ線源に通信可能に結合された電気入力装置に振動を与えるように制御し、機械的振動は、前記出力修正情報に従う、及び／又は、
   ｉｉｉ）前記変調器は、電気音響トランスデューサが、前記出力修正情報に従って命令を音響出力するように制御する、
   請求項１から３のいずれか一項に記載のシステム。
5. 現在の前記イメージング幾何学形状の変化に応じて、前記ユーザに対する命令は更新される、
   請求項１から４のいずれか一項に記載のシステム。
6. 前記変調器による光の変調は、光ビームによって投じられる光パターンの変化、光勾配の変化、光の色及び／又は色相の変化のうちの任意の１つ又は複数を含む、
   請求項４又は５に記載のシステム。
7. 前記表面は、前記Ｘ線イメージング装置の検査領域内にある、
   請求項４に記載のシステム。
8. 前記表面は、前記検査領域内に存在するとき、患者によって定義される、
   請求項７に記載のシステム。
9. 前記システムは、入力修正情報を計算するナビゲーションユニットを備え、前記入力修正情報に基づいて、前記出力修正情報は、前記機械学習モジュールによって計算され、前記入力修正情報は、
   ｉ）前記Ｘ線イメージング装置に配置されるセンサにより提供されるセンサ測定値、
   ｉｉ）形状を有する投影が前記Ｘ線イメージング装置の検出器で検出されるように、コリメータ設定を用いて獲得されるスカウト画像であって、修正情報は、所定の基準形状に対する前記形状のゆがみに基づいて計算されているスカウト画像、及び、
   ｉｉｉ）前記検出器で検出され、散乱線除去グリッドによって生じる強度プロファイル
   の任意の１つ又は複数に基づいて計算される、
   請求項１から８のいずれか一項に記載のシステム。
10. 請求項１から９のいずれか一項に記載のシステム及び前記Ｘ線イメージング装置を含む、設備。
11. Ｘ線イメージングをサポートするための方法であって、前記方法は、
    機械学習モジュールによって、Ｘ線イメージング装置のイメージング幾何学形状を調整するための出力修正情報を計算して、ターゲットイメージング幾何学形状を達成するステップであって、前記Ｘ線イメージング装置は、モバイルタイプであり、Ｘ線源とＸ線検出器との間の固定的な機械的結合なしで前記Ｘ線源及び前記Ｘ線検出器を備える、当該達成するステップと、
    変調器によって、前記出力修正情報に基づいて変調されるイメージング幾何学形状の調整のためのユーザに対する命令を提供するステップと、
    を有し、前記イメージング幾何学形状は、前記Ｘ線源と前記Ｘ線検出器との空間配置を示し、
    前記機械学習モジュールは、イメージング幾何学形状の調整のための以前の特定のユーザに対する命令に対する前記特定のユーザの応答を含む訓練データで以前に訓練されている、
    方法。
12. 少なくとも１つの処理ユニットによって実行されるとき、前記処理ユニットに請求項１１に記載の方法を実行させる、コンピュータプログラム。
13. 請求項１２に記載のコンピュータプログラムを格納した、少なくとも１つのコンピュータ可読媒体。

Images