JP7493113B1 - スペクトルコンピュータ断層撮影撮像のための警告信号の制御 - Google Patents

スペクトルコンピュータ断層撮影撮像のための警告信号の制御 Download PDF

Info

Publication number
JP7493113B1
JP7493113B1 JP2023574322A JP2023574322A JP7493113B1 JP 7493113 B1 JP7493113 B1 JP 7493113B1 JP 2023574322 A JP2023574322 A JP 2023574322A JP 2023574322 A JP2023574322 A JP 2023574322A JP 7493113 B1 JP7493113 B1 JP 7493113B1
Authority
JP
Japan
Prior art keywords
spectral
image data
image
predicted
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2023574322A
Other languages
English (en)
Other versions
JP2024522022A (ja
Inventor
リラン ホーシェン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Application granted granted Critical
Publication of JP7493113B1 publication Critical patent/JP7493113B1/ja
Publication of JP2024522022A publication Critical patent/JP2024522022A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/482—Diagnostic techniques involving multiple energy imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/42—Arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4208—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
    • A61B6/4241—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector using energy resolving detectors, e.g. photon counting
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5292—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves using additional data, e.g. patient information, image labeling, acquisition parameters

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Software Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Pulmonology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

非スペクトルCT画像データでは容易に見えない臨床的関連性の潜在的な領域を同定するための機構である。非スペクトルCT画像データは、機械学習法を使用して処理されて、予測されたスペクトルCT画像データを生成する。予測されたスペクトルCT画像データは、(実際の)スペクトルCT画像データと比較されて、2つの間の何れかの差を識別する。何れかの識別された差は警告信号を制御するために、例えば、臨床医又は他のユーザの注意を、非スペクトルCT画像データにおいて容易には見えない臨床的関連性の可能な領域に引き付けるために使用される。

Description

本発明はコンピュータ断層撮影(CT)撮像の分野に関し、特に、スペクトルコンピュータ断層撮影撮像の分野に関する。
コンピュータ断層撮影(CT)撮像(「従来のCT」)は、被検体を撮像するために広く使用され、知られているアプローチである。スペクトルコンピュータ断層撮影(CT)撮像は、従来のCTの能力を拡張する撮像モダリティである。
デュアルエネルギー(DE)CTは、2つの光子エネルギーで同時に取得される2つの減衰値を利用するスペクトルCTの1つの特定の構成である。これらの減衰値は、材料の質量減衰係数からなる光電及びコンプトンの寄与を解くために使用することができる。したがって、未知の材料を、その光電及びコンプトン寄与の値によって同定することが可能である。この撮像モダリティは、診断エネルギー範囲の平均値に近いkエッジエネルギーを有するヨウ素などの材料において特に良好に機能する。2つの基底関数の何れかの2つの線形独立合計は減衰係数空間全体にわたるので、何れかの材料は水及びヨウ素などの、いわゆる基底材料と呼ばれる、2つの他の材料の線形結合によって表すことができる。
近年の技術的進歩は、デュアルソース、高速kVpスイッチング、及びデュアルレイヤ検出器構成などの、デュアルエネルギーCT非難を実行するためのいくつかのアプローチを開発した。
定量的画像は、医用画像コミュニティへの関心が高まっている。スペクトルCTモダリティは、追加のスペクトル情報がスキャンされたオブジェクト及びその材料組成について測定され得る定量的な情報を改善するので、この傾向を支持する。
診断放射線学は画像検査中に全ての所見又は異常の完全な検出を行い、その正確な評価及び／又は診断を行うことを目的とする。しかし、放射線検査中の誤り率は比較的高い。全体として、異常なX線検査の約30％は見逃されており、日常診療において放射線科医によってレンダリングされたX線学的解釈の約4％は誤差を含んでいる。結果として、診断読影環境、及び臨床医がCT画像を見直し、評価するのを支援するためのツールを改善することが、明白で増加しつつある需要がある。
この発明は、請求項によって規定される。
本発明の一態様による例によれば、スペクトルCT画像データと予測されたスペクトルCT画像データとの間の差に応答して警告信号を制御するコンピュータ実装方法が提供される。
コンピュータ実装方法は、それぞれが対象の同じ関心領域を表す非スペクトルCT画像データ及びスペクトルCT画像データを取得することと、機械学習アルゴリズムを使用して、非スペクトルCT画像データを処理して、予測されたスペクトルCT画像データを生成することであって、予測されたスペクトルCT画像データは非スペクトルCT画像データから導出されたスペクトルCT画像データの予測で処理することと、スペクトルCT画像データと予測されたスペクトルCT画像データとの間の何れかの差を識別するために、スペクトルCT画像データ及び予測されたスペクトルCT画像データを処理することと、識別された何れかの差に応答して警告信号を制御することとを含む。
本開示は非スペクトルCT画像データにおいて明確に見ることができないが、依然としてある診断的重要度を有し得る、潜在的な解剖学的特徴又は異常が存在するかどうかを示す警告信号を生成するためのアプローチを提案する。実施形態は、「真の」スペクトルCT画像データと(非スペクトルCT画像データを使用して生成された)予測されたスペクトルCT画像データとの間の差が元の非スペクトルCT画像データにおいて容易に識別することができない解剖学的特徴又は異常を表すという認識に基づく。言い換えれば、差は、潜在的な臨床的関連性の特定の(解剖学的)特徴の知覚不能性の測定を効果的に表す。
そのような差に応答して警告信号を生成することによって、この情報は、(例えば)非スペクトルCT画像データにおいて(人間の目に)はっきりと見えない潜在的な解剖学的特徴又は異常の可能な存在及び／又は位置について臨床医に警告するために使用され得る。
スペクトルCT画像データと予測されたCT画像データとの間の差はそれによって、スペクトルCT画像データにおいて識別可能であるが、予測されたCTスペクトルCT画像データ及び／又は非スペクトルCT画像データにおいて識別可能ではない解剖学的特徴を効果的に表し得る。
提案されたアプローチのさらなる利点は、機械学習アルゴリズムがユーザ注釈付きトレーニングデータを必要としないことである。したがって、教師なし学習アプローチを使用することができ、これにより、訓練データの利用可能な量が大幅に増加し、訓練データに注釈を付けるための専門家及び／又は臨床医の時間が短縮される。このようにして、教師あり学習技法を利用する機械学習方法を必要とせずに、潜在的に臨床的に関連する領域の正確な識別を達成することができる。
いくつかの例ではスペクトルCT画像データが1つ又は複数のスペクトルCT画像のセットを備え、予測されたCT画像データはそれぞれのスペクトルCT画像に対応する1つ又は複数の予測されたスペクトルCT画像のそれぞれのセットを備え、スペクトルCT画像データと予測されたCT画像データとの間の何れかの差を識別するステップはスペクトルCT画像ごとに、スペクトルCT画像と対応する予測されたスペクトルCT画像との間の何れかの差を識別するステップを備える。
スペクトルCT画像と対応する予測されたスペクトルCT画像との間の何れかの差を識別するステップはスペクトルCT画像と対応する予測されたスペクトルCT画像との間の差の存在及び位置を識別する差分画像を生成するために、1つ又は複数の関数を使用してスペクトルCT画像と対応する予測されたスペクトルCT画像とを処理することを含み得る。
識別された差の存在及び位置は例えば、臨床医によって見落とされ得る潜在的な解剖学的特徴又は異常の存在に関して臨床医に警告するために使用され得る。特に、差の位置は、臨床医によるレビューのために最も関連するスペクトルCT画像を識別するために使用され得る。
任意選択で、スペクトルCT画像及び対応する予測されたスペクトルCT画像を処理するステップは、スペクトルCT画像の各画素／ボクセルについて、スペクトルCT画像の画素／ボクセルと予測されたスペクトルCT画像の対応する画素／ボクセルとの間の差を決定するステップを含む。
いくつかの例では、スペクトルCT画像及び対応する予測されたスペクトルCT画像を処理するステップがスペクトルCT画像に対して標準偏差フィルタリング関数を実行して、スペクトルCT画像と同じ解像度を有する標準偏差スペクトルCT画像を生成するステップと、スペクトルCT画像の各画素／ボクセルについて、決定された差を、標準偏差スペクトルCT画像の対応する画素／ボクセルの値から導出された値で除算するステップとを含む。
標準偏差スペクトルCT画像の対応する画素／ボクセルの値から導出される値は、標準偏差スペクトルCT画像の対応する画素／ボクセルの値に等しいか、又は標準偏差スペクトルCT画像の対応する画素／ボクセルの値に所定の値を加えたものに等しくてもよい。この後者の実施形態は、ゼロによる除算の可能性を低減する、例えばゼロによる除算エラーが発生する可能性を低減するのに役立つ。所定の値は非常に小さくてもよい(例えば、スペクトルCT画像の画素について可能な最大値の＜0．01又は1％未満)。
少なくとも1つの実施形態では、スペクトルCT画像及び対応する予測されたCT画像を処理するステップが相互相関又は相互情報関数を使用してスペクトルCT画像及び対応する予測されたCT画像を処理することを含む。
警告信号を制御するステップは、何れかの差マップにおけるスペクトルCT画像と対応する予測されたCT画像との間の差の存在及び位置に応答して警告信号を制御することを含んでもよい。
1つ又は複数のスペクトルCT画像のセットは、複数のスペクトルCT画像を含むことができる。いくつかの例では、方法が何れかの識別された差に基づいて、識別された差の原因の表現を含む複数のスペクトルCT画像のうちの1つ又は複数を識別することをさらに含む。
方法は、警告信号に応答してユーザが知覚可能な出力を制御することをさらに含むことができる。
コンピュータ実装方法は入力パラメータデータを取得することをさらに含み得、入力パラメータデータはCT撮像システムによって、非スペクトルCT画像データ及び／又はスペクトルCT画像データを取得する際に使用される取得プロトコルの1つ又は複数のパラメータを定義し、好ましくは非スペクトルCT画像データを処理するステップが機械学習アルゴリズムを使用して、非スペクトルCT画像データ及び入力パラメータデータを処理して、予測されたスペクトルCT画像データを生成することを含む。
言い換えれば、機械学習アルゴリズムは、入力(特徴)として、非スペクトルCT画像データ及び入力パラメータデータを受信することができる。
少なくとも1つの例ではコンピュータ実装方法が再構成パラメータデータを取得することをさらに含み、再構成パラメータデータはCT撮像システムによって使用される再構成プロトコルの1つ又は複数のパラメータを定義し、生CTデータを処理して、非スペクトルCT画像データ及び／又はスペクトルCT画像データを生成するために使用され、好ましくは非スペクトルCT画像データを処理するステップが機械学習アルゴリズムを使用して、非スペクトルCT画像データ及び再構成パラメータデータを処理して、予測されたスペクトルCT画像データを生成することを含む。
もちろん、いくつかの実施形態では、非スペクトルCT画像データを処理するステップが予測されたスペクトルCT画像データを生成するために、非スペクトルCT画像データ、入力パラメータデータ、及び再構成パラメータデータを(機械学習アルゴリズムを使用して)処理することを含む。言い換えれば、機械学習アルゴリズムは、入力(特徴)として、非スペクトルCT画像データ、入力パラメータデータ、及び／又は再構成パラメータデータを受信することができる。
本方法は対象データを取得することをさらに含み得、対象データは対象の1つ又は複数のパラメータを定義し、非スペクトルCT画像データを処理するステップは機械学習アルゴリズムを使用して非スペクトルCT画像データ及び対象データを処理して、予測されたスペクトルCT画像データを生成することを含む。
もちろん、非スペクトルCT画像データを処理するステップは予測されたスペクトルCT画像データを生成するために、非スペクトルCT画像データと、入力パラメータデータ、再構成パラメータデータ、及び／又は(機械学習アルゴリズムを使用して)対象データのうちの1つ又は複数とを処理することを含むことが理解されよう。言い換えれば、機械学習アルゴリズムは、入力(特徴)として、非スペクトルCT画像データと、入力パラメータデータ、再構成パラメータデータ、及び／又は対象データのうちの1つ又は複数とを受信することができる。
また、処理システムを有するコンピューティング装置上で実行されるとき、処理システムに、本明細書に記載の方法のステップのすべてを実行させるコンピュータプログラムコード手段を含むコンピュータプログラムプロダクトが提案される。コンピュータプログラム製品は、(非一時的)記憶媒体上に形成され得る。
また、スペクトルCT画像データと予測されたスペクトルCT画像データとの差に応じて警告信号を制御する処理システムも提案されている。
処理システムはそれぞれが対象の同じ関心領域を表す非スペクトルCT画像データ及びスペクトルCT画像データを取得し、機械学習アルゴリズムを使用して、非スペクトルCT画像データを処理して、予測されたスペクトルCT画像データを生成し、予測されたスペクトルCT画像データは非スペクトルCT画像データから導出されたスペクトルCT画像データの予測であり、スペクトルCT画像データ及び予測されたスペクトルCT画像データを処理して、スペクトルCT画像データと予測されたスペクトルCT画像データとの間の何れかの差を識別し、識別された差に応答して警告信号を制御するように構成される。
処理システムは、入力インタフェースにおいて非スペクトル及びスペクトルCT画像データを取得することができる。特定の例では、処理システムがメモリ／保存ユニット及び／又はCT撮像システム(CT画像データを生成する)から非スペクトル及びスペクトルCT画像データを取得することができる。
処理システムは例えば、出力インタフェースにおいて、警告信号を別のシステムに出力するように構成され得る。一例として、処理システムは警告信号を使用してユーザインターフェースを制御し、それによって警告信号に応答してユーザが知覚可能な出力を制御するように構成され得る。
処理システムとユーザインターフェースとを備えるシステムも提案される。
本発明のこれら及び他の態様は以下に記載される実施形態から明らかであり、それらを参照して説明される。
本発明をより良く理解し、どのように実施することができるかをより明確に示すために、ここで、単なる例として、添付の図面を参照する。
一実施形態による処理システムを備えるシステムを示す。 一実施形態による方法を示すフローチャートである。 実施形態において使用するための機械学習方法を例示する。 実施形態で使用するための方法を示す。 例示的なCT画像を示す。 一実施形態による処理システムを備える別のシステムを示す。 一実施形態による処理システムを示す。
本発明は、図面を参照して説明される。
詳細な説明及び特定の例は装置、システム、及び方法の例示的な実施形態を示しているが、例示のみを目的とするものであり、本発明の範囲を限定することを意図するものではないことを理解されたい。本発明の装置、システム及び方法のこれら及び他の特徴、態様、及び利点は、以下の説明、添付の特許請求の範囲、及び添付の図面からよりよく理解されるのであろう。図は単に概略的なものであり、縮尺通りに描かれていないことを理解されたい。また、同じ又は同様の部分を示すために、図面全体を通して同じ参照番号が使用されることを理解されたい。
本発明は、非スペクトルCT画像データにおいて容易には見えない臨床的関連性の潜在的な領域を識別するための機構を提供する。非スペクトルCT画像データは、機械学習法を使用して処理されて、予測されたスペクトルCT画像データを生成する。予測されたスペクトルCT画像データは、(実際の)スペクトルCT画像データと比較されて、2つの間の何れかの差を識別する。何れかの識別された差は警告信号を制御するために、例えば、臨床医又は他のユーザの注意を、非スペクトルCT画像データにおいて容易には見えない臨床的関連性の可能な領域に引き付けるために使用される。
本開示は、非スペクトルCT画像データにおいて容易に見えない特徴が非スペクトルCT画像データからのスペクトルCT画像データの予測において正確に生成されないという認識に基づく。これは、非スペクトルCT画像データにおける欠落した特徴又は潜在的な臨床的関連性の領域の識別を容易にする。(例えば、潜在的に欠けている特徴を直接検出しようとするのではなく)予測されたスペクトルCT画像データを生成するために機械学習方法を使用することによって、教師なし訓練技法を使用して機械学習ネットワークを訓練することができ、必要とされる専門家の入力を大幅に低減し、及び／又は機械学習方法を訓練するための利用可能なデータの量を大幅に増加させる。
本発明の実施形態は例えば臨床環境での使用のために、何れかのCT撮像環境で使用されてもよい。具体的には、実施形態がそうでなければ見落とされていた可能性がある臨床的に関連する可能性のある領域に臨床医の注意を引くことによって、患者の状態を評価する際にX線撮影者又は他の臨床医を補助するために使用され得る。
図1は、従来のCT画像スペクトル(マルチエネルギー)撮像のために構成されたCTスキャナなどの撮像システム102を含むシステム100を概略的に示す。撮像システム102は、概して固定の部分104と、固定の部分104によって回転可能に支持され、z軸を中心に検査領域108の周りを回転する回転部分106とを含む。治療台などの被検体支持体110は、検査領域108内の物体又は被検体を支持する。
x線管などの放射線源112は回転部分106によって回転可能に支持され、回転部分106とともに回転し、検査領域108を横断する放射線を放出する。
スペクトル画像を容易にするために、一例では、放射線源112が単一の広域スペクトルx線管を含む。別の例では、放射線源112がスキャン中に少なくとも2つの異なる放出電圧(例えば、80 kVp及び140 kVp)を切り替えるように構成された単一のx線管を含む。さらに別の例では、放射線源112が異なる平均スペクトルを有する放射線を放出するように構成された2つ以上のx線管を含む。さらに別の例では、放射線源112がそれらの組み合わせを含む。
放射線感受性検出器アレイ114は、検査領域108を横切って放射線源112の反対側の角度弧の範囲を定める。放射線感受性検出器アレイ114は検査領域108を横断する放射線を検出し、それを示す電気信号(複数可)(投影データ)を生成する。
スペクトル画像を容易にするために、放射線源112が単一の広域スペクトルx線管を含む場合、放射線感受性検出器アレイ112はエネルギー分解検出器(例えば、直接変換光子計数検出器、異なるスペクトル感度(マルチ)を有するシンチレータの少なくとも2つのセットなど)を含む。kVpスイッチング及びマルチチューブ構成では、検出器アレイ114が単層検出器、直接変換光子計数検出器、及び／又は多層検出器を含むことができる。直接変換光子計数検出器は、CdTe、CdZnTe、Si、Ge、GaAs、又は他の直接変換材料などの変換材料を含むことができる。多層検出器の例としては、2006年4月10日に出願された「double Decker Detector for Spectral CT」と題された米国特許第7，968，853号B2に記載されたダブルデッカー検出器などのダブルデッカー検出器が挙げられ、その全体が参照により本明細書に組み込まれる。
再構成器116は検出器アレイ114から投影データ(及び／又はスペクトル投影データ)を受け取り、sCCTA画像データ、高エネルギー画像、低エネルギー画像、光電画像、コンプトン散乱画像、ヨウ素画像、カルシウム画像、仮想非コントラスト画像、骨画像、軟組織画像、及び／又は他の基礎材料画像などの非スペクトルCT画像データ及びスペクトル体積画像データを再構成する。再構成器116はまた、例えば、スペクトル投影データ及び／又はスペクトル体積画像データを組み合わせることによって、又は非スペクトル投影データを処理することによって(例えば、放射源が非スペクトルモードで動作するように制御される場合)、非スペクトル体積データを再構成することが可能である。一般に、非スペクトル投影データは、単一のエネルギーレベル又はエネルギー範囲のデータを含む。一般に、スペクトル投影データ及び／又はスペクトル体積画像データは、少なくとも2つの異なるエネルギー及び／又はエネルギー範囲が放射線感受性検出器アレイによって互いに検出され、区別される撮像プロセス中に生成されるデータを含む。
処理システム118は、再構成器116から画像データを受信して処理するように構成される。処理システム118は、本発明の一実施形態による処理システムである。他の実施形態では、処理システムがそのような情報を別個のシステム、例えば、メモリ又は記憶システムから受信するために提供され得る。
処理システム118はプロセッサ120(たとえば、マイクロプロセッサ、コントローラ、中央処理装置など)と、非一時的媒体を除外し、物理メモリデバイスなどの一時的媒体を含むコンピュータ可読記憶媒体122とを含む。コンピュータ可読記憶媒体122は、画像処理装置126のための命令124を含む。プロセッサ120は、命令124を実行するように構成される。プロセッサ120はさらに、搬送波、信号、及び／又は他の一時的な媒体によって搬送される1つ又は複数のコンピュータ可読命令を実行するように構成され得る。変形例では、プロセッサ120及びコンピュータ可読記憶媒体122が処理システム118とは別個の別の処理システムの一部である。
いくつかの例では、処理システム118がオペレータコンソールとして働くように構成される。コンソール118は、モニタなどの人間可読出力装置と、キーボード、マウスなどの入力デバイスとを含むことができる。コンソール118上に常駐するソフトウェアは、オペレータがグラフィカルユーザインタフェース(GUI)又はその他を介してスキャナ102と対話し、及び／又はそれを操作することを可能にし得る。
処理システム118は、非スペクトルCT画像データ及びスペクトルCT画像データを処理するように構成される。両方のタイプの画像データは、被検体の同じ関心領域を表す。非スペクトルCT画像データは(機械学習アルゴリズムを使用して)処理されて、予測されたスペクトルCT画像データ、すなわち、スペクトルCT画像データが含むもの予測を生成する。予測されたスペクトルCT画像データ及びスペクトルCT画像データは、何れかの差を識別するために一緒に処理される。警告信号は、何れかの識別された差に応答して処理システムによって制御される(好ましくは出力される)。このアプローチは潜在的な臨床的重要性の情報を含むことができない非スペクトルCT画像データ中の領域(すなわち、スペクトルCT画像データ中に見出される情報を含むが、非スペクトルCT画像データ中には存在しないか又は不明瞭である領域)の存在の識別を効果的に容易にする。
図2は、本発明の一実施形態による(コンピュータ実装された)方法200を示すフローチャートである。方法200は、図1を参照して説明した処理システム118などの処理システムによって実行され得る。
方法200は、非スペクトルCT画像データ201A及びスペクトルCT画像データ202(必要に応じて「ベーススペクトルCT画像データ」と再ラベル付けすることができる)を取得するステップ210を含む。CT画像データを取得するステップ210では、非スペクトルCT画像データ201AとスペクトルCT画像データ202の両方を、同じCT画像取得動作中に取得することができ、前記動作中に取得されたCT画像データから導出することができる。非スペクトル及びスペクトルCT画像データの両方が、対象の同じ関心領域を表す。例えば、両方のタイプの取得された画像データは、被検体の撮像された領域全体を表し得る。
非スペクトル及びスペクトルCT画像データは1つ又は複数の2D又は3D画像を含んでもよく、すなわち、2D又は3D画像データから形成されてもよい。各2D／3D画像は、複数の画素又はボクセルから形成され得る。もちろん、例えば、第4の寸法が時間を表す場合、より高い寸法の画像を使用することもできる。このシナリオでは、各高次元画像の空間内の特定の領域を表す最小アドレス可能要素が「ボクセル」である。もちろん、各要素は複数のチャネル又は値(例えば、RGB値など)を含むことができる。
非スペクトルCT画像データは「従来の」CT画像データ、すなわち、単一範囲のX線放射周波数(例えば、広帯域X線放射)から生成された画像データであってもよい。単なる例として、非スペクトルCT画像データは、1つ以上の非スペクトルCT画像を含んでもよい。
スペクトルCT画像データは、sCCTA画像データ、高エネルギー画像、低エネルギー画像、光電画像、コンプトン散乱画像、ヨウ素画像、カルシウム画像、仮想非コントラスト画像、骨画像、軟組織画像、及び／又は他の基礎材料画像などの、スペクトル撮像手法を使用して生成された1つ又は複数の画像データセットを備え得る。スペクトルCT画像データのためのコンテンツの他の形態は、当業者には容易に明らかであろう。したがって、スペクトルCT画像データは、1つ又は複数のスペクトルCT画像を含むことができる。
ステップ210は、処理システムの入力インタフェースによって実行され得る。非スペクトル及びスペクトルCT画像データは再構成器(すなわち、元々両方のタイプの画像データを生成したもの)又はメモリ／記憶システム(例えば、再構成器によって生成された画像データを記憶するもの)から取得することができる。
方法200は、機械学習アルゴリズムを使用して非スペクトルCT画像データを処理(少なくとも)して、予測されたスペクトルCT画像データ221を生成するステップ220を実行する。予測されたスペクトルCT画像データ221は、スペクトルCT画像データの「真の」内容を予測しようと試みる。したがって、スペクトルCT画像データ202は「真の」スペクトルCT画像データを表し、予測されたスペクトルCT画像データ221は、この「真の」スペクトルCT画像データの予測内容を表す。したがって、予測されたスペクトルCT画像データは、ステップ210で得られた(実際の)スペクトルCT画像データの予測である。
これにより、機械学習アルゴリズムは、(少なくとも)非スペクトルCT画像データからスペクトルCT画像データの内容を予測することを試みる。このような機械学習方法は、非スペクトルCT画像データと対応するスペクトルCT画像データとの対についてのみ訓練する必要があるという利点を有する。したがって、本発明の方法で使用される機械学習方法は、教師なし学習アプローチを使用して訓練することができる。これは、非常に困難で、退屈で、時間がかかり、高価なタスクで信頼性の高い注釈付きトレーニングデータを準備する必要性を排除する。
ステップ220は、非スペクトルCT画像データを処理する際に追加の情報を使用して、予測されたスペクトルCT画像データを生成することができる。したがって、ステップ220は予測されたスペクトルCT画像データを生成するために、機械学習方法を使用して、非スペクトルCT画像データ及び追加情報を処理することを含むことができる。
追加情報は、スペクトルCT画像データに影響を及ぼす可能性のある特性を示す特徴又は情報を含むことができる。したがって、機械学習方法の推論／予測の精度は、そのような追加情報の使用によって改善される。
機械学習方法はそれによって、入力として、少なくとも非スペクトルCT画像データ(及び任意選択で、追加情報)を受信し、出力として、予測されたスペクトルCT画像データを提供する。入力として受信されたデータは、機械学習方法のための入力特徴として働くことができる。
いくつかの実施形態では、追加情報が入力パラメータデータ201Bを含むことができる。入力パラメータデータは、非スペクトルCT画像データ及び／又はスペクトルCT画像データを取得する際にCT撮像システムによって使用される取得プロトコルの1つ又は複数のパラメータを定義する。これは、例えば、スキャンタイプ(例えば、単一スライス、マルチスライス、又はヘリカル)、身体部分、mA(又はミリアンペア、x線管に提供される電流の尺度)、mAs(又はミリアンペア、x線管に提供される電流とx線管に提供される時間の積)、kVp(キロ電圧ピーク)、回転時間(回転部分の)のコリメーション(x線管によって生成されるx線ビームのコリメーション)、及び／又はピッチ(同じ角度から被検体に提供されるx線ビーム間の重複の尺度)に応答する情報又は1つ以上のインジケータを含むことができる。
いくつかの実施形態では、追加情報が再構成パラメータデータを含む。再構成パラメータデータは未加工CTデータを処理して非スペクトルCT画像データ及び／又はスペクトルCT画像データを生成するために、CT撮像システムによって使用される再構成プロトコルの1つ以上のパラメータを定義する。これは、例えば、使用される再構成フィルタ、使用される再構成アルゴリズム(例えば、FBP、iDose又はIMR)、スライス厚、スライス増分、マトリクスサイズ及び／又は視野に応答する情報又は1つ以上のインジケータを含むことができる。
いくつかの実施形態では、追加情報は対象データを含む。被検体データは、(画像の)被検体の1つ以上のパラメータを定義する。被検体データは例えば、被検体の健康データ(例えば、医療記録情報)、被検体の人口統計学的／個人データ(例えば、年齢、性別、体重など)、被検体の既往歴(例えば、家族歴)などに応答する(被検体が臨床観察を受けている場合)情報又は1つ以上のインジケータを含み得る。
適切な機械学習アルゴリズム及びアプローチの例は、本開示において後に提供される。
方法200は、スペクトルCT画像データ202と予測されたスペクトルCT画像データ221との間の何れかの差を識別するステップ230をさらに含む。したがって、スペクトルCT画像データは、予測されたスペクトルCT画像データと比較されて、画像データの2つのセット間の差又は不一致を識別する。
差は、1つ又は複数の所定の基準を満たす差であってもよい。差はスペクトルCT画像データと予測されたスペクトルCT画像データとの間の数学的差異である必要はないが、画像データの1つのセット内に存在するが、画像データの他のセット内には存在しない特徴及び／又は画像データの1つのセット内には存在しないが、画像データの他のセット内には存在しない(例えば、画像データの他のセット内には存在しないが、画像データの1つのセット内には高コントラスト(例えば、近くのエリアと比較して、ある所定の閾値を超えるコントラスト)を有する)。
特定の例では、ステップ230がスペクトルCT画像データに存在する(又は容易に可視)が予測されたスペクトルCT画像データには存在しない(又は容易に可視でない)何れかの潜在的に関連する臨床所見を識別することを含み得る。ここで、人間の目に容易に区別可能な「容易に見える」手段、例えば、予測されたスペクトルCT画像の他の要素とは対照的に、予測されたスペクトルCT画像データにおける素子の周囲の値の所定のレンジ内にある(すなわち、十分に(すなわち、所定の閾値に関して)存在しない)予測されたスペクトルCT画像における値によって表される臨床的知見を意味する。
特に、予測されたスペクトルCT画像データとスペクトルCT画像データとの間の何れかの識別された差は、予測された／潜在的な臨床的関連性の領域を表すか、又は識別するために処理され得る。これは、例えば、識別された差分及び／又はフィルタ演算に対して1つ又は複数のグループ化ステップ(例えば、クラスタリング又は接続されたコンポーネントアルゴリズムなど)を実行して、重要な領域(例えば、有意な差分又は有意なサイズの差分のグループ)を識別することを含み得る。
本明細書では、スペクトルCT画像データと予測されたスペクトルCT画像データとの間の差が非スペクトルCT画像データにおいて(明確に)表されない臨床的に重要な情報を含む対象の領域を表し得ることが認識される。言い換えれば、従来のCT画像において識別／見ることができなかった、又はほとんど見ることができなかった所見は、スペクトル生成ネットワークによって正確に生成されない。
ステップ230の実施例は、本開示において後に提供される。
該方法200は、何れかの識別された差に応答して警告信号SAを制御する工程240をさらに含む。したがって、警告信号の内容は、何れかの識別された差に依存する。別の言い方をすれば、ステップ240は警告信号を生成するために、何れかの識別された差を処理することを備え得る。ステップ240は例えば、処理システムの出力インタフェースを介して、警告信号を出力することを含んでもよい。
いくつかの例では、ステップ240が識別された差の1つ又は複数のインジケータを含むか、又は運ぶように警告信号を制御することを含む。(実際のスペクトルCT画像データと予測されたスペクトルCT画像データとの間の)差の位置は、非スペクトルCT画像データの対応する位置にマッピングされ得ることが理解されよう。警告信号は、非スペクトルCT画像データに対する識別された差の位置の1つ又は複数のインジケータを搬送するように制御され得る。
他の例では、ステップ240が何れかの差が識別されたか否かのインジケータを含むように警告信号を制御することを含む。この情報は臨床医又は他のユーザに、差が検出されたことを警告するために使用され得、したがって、CT画像データへのより緊密な注意が必要とされ得る。
いくつかの例では、ステップ240がいくつかの識別された差のインジケータを含むように警告信号を制御することを含む。この情報は臨床医又は他のユーザに、非スペクトルCT画像データから(容易に)見えない臨床的関連性の可能な領域のスケールに関して警告するために使用され得る。
いくつかの例では、ステップ230又は240が何れかの／各識別された差の表現を含むスペクトルCT画像データの1つ又は複数の部分を識別することをさらに含み得る。例えば、スペクトルCT画像データが複数のスペクトルCT画像から形成される場合、ステップ240は識別された各差について、差の表現を含むスペクトルCT画像、例えば、その領域周囲と比較した差を表すスペクトルCT画像の領域間のコントラストが最大であり、及び／又はある所定の閾値を超えるスペクトルCT画像を識別することを含んでもよい。
警告信号は例えば、警告信号に応答してユーザが知覚可能な出力(視覚、オーディオ、又は触覚出力など)を提供するために、ユーザインターフェースを制御するために使用され得る。いくつかの例では、警告信号がさらなる処理のために、例えば、追加のCT画像データの自動取得をトリガするために、又は対象の医療記録にフラグを立てるために、別のプロセッサ又は処理システムに渡され得る。いくつかの例では、警告信号が例えば、画像データと並んで、記憶のために警告データを搬送することができ、その結果、警告データは記憶された画像データの後のレビュー中に、ユーザが知覚可能な出力の生成をトリガすることができる。
ステップ220乃至240は、図1を参照して説明した処理システム118などの処理システムによって実行され得る。
前述のように、警告信号は、ユーザインターフェースを制御するために使用され得る。一例では、図2に示すように、方法200は警告信号に応答してディスプレイ(すなわち、視覚的出力)を制御するステップ250を含むことができる。ステップ250は処理システム又は別個のプロセッサ(たとえば、ユーザインターフェースの)によって実行され得る。
例として、警告信号が、非スペクトルCT画像データに対する識別された差の位置の1つ又は複数のインジケータを搬送する場合、ステップ250は例えば、非スペクトルCT画像データの対応する位置をオーバーレイするために所定のグラフィックス又は視覚的インジケータを提供することによって、識別された差の表現とともに非スペクトルCT画像データの視覚的表現を提供するようにディスプレイを制御することを含み得る。
別の例として、警告信号は、何らかの差が識別されたか否かのインジケータを含む場合、ステップ250は何らかの差が識別されたか否かに関して(例えば、異なる色を使用して)視覚的表現を提供するようにディスプレイを制御することを含み得る。
図3は予測されたスペクトルCT画像データ221を生成するために、非スペクトルCT画像データ201A(及び任意選択で追加の情報)を処理するための1つのアプローチを示す。
機械学習アルゴリズム300は、非スペクトルCT画像データ(及び任意選択で追加情報)を処理するために使用される。したがって、機械学習アルゴリズム300は入力として、非スペクトルCT画像データ201A(及び任意選択で追加情報201B、201C、201D)を受信し、予測された非スペクトルデータ221を生成する。
図示の機械学習アルゴリズム300は、ニューラルネットワークである。ニューラルネットワーク(又は人工ニューラルネットワーク)の構造は、人間の脳によってインスパイアされる。ニューラルネットワークは、各層が複数のニューロンを含む層301、302から構成される。各ニューロンは、数学的演算を含む。特に、各ニューロンは単一の種類の変換(たとえば、同じ種類の変換、シグモイドなどであるが、異なる重み付けを伴う)の異なる重み付けされた組合せを備え得る。入力データを処理するプロセスでは、入力データに対して各ニューロンの数学的演算が実行されて数値出力が生成され、ニューラルネットワーク内の各層の出力が次の層に順次供給される。第1の層301は入力データを受信し、最終レイヤ302は出力データ(例えば、予測されたスペクトルCT画像データ)を提供する。
より具体的には、図示の機械学習アルゴリズムが完全に(接続された)畳み込み(ニューラル)ネットワーク構成に従って動作する。この設定では入力データは何れかのサイズとすることができ、ネットワークは効率的な推論及び学習を用いて、対応するサイズの出力データを生成することができる。いくつかの設定では、ニューラルネットワークの層にわたる特徴が融合されて、最適化され得る、又はエンドツーエンドでトレーニングされ得る非線形ローカルツーグローバル表現を定義する。
いくつかの例では、完全に接続された畳み込みネットワークを使用するのではなく、スライディングウィンドウ構成を有する畳み込みニューラルネットワークも使用され得る。このプロセスはより計算的に効率的であり得るが、性能が劣ることが予想される。
図示の機械学習アルゴリズムは、以下の部分を含む。
U-net部分310は実質的にU-netネットワークであり、収縮経路311及び拡張経路312から形成される。
収縮経路では、入力データ(非スペクトルCT画像データ及び任意選択で(再形成された)追加情報を含む)が一連の1つ又は複数の畳み込みプロセス(図示せず)、たとえば少なくとも2つの畳み込みプロセス又は少なくとも3つの畳み込みプロセスを使用して符号化される。各畳み込みプロセスは少なくとも1つ(例えば、2つ以上)の畳み込みを適用すること(サイズN×N又はN×N×Nのフィルタを使用して、Nは少なくとも2、例えば、少なくとも3)を含む。フィルタの次元は非スペクトルCT画像データの次元に依存する(例えば、等しい)ことができる。畳み込みプロセスにおける各畳み込みの後に、例えば、整流線形ユニット(ReLU)又は同様のものによって適用され得るものなどの、バッチ正規化プロセス及び活性化関数プロセスが続き得る。各畳み込みプロセスの最後の畳み込みは、ダウンサンプリング／ダウンスケーリングのために、ストライドM(ここで、M＞1及び(任意選択で)M＜＝N)を用いて行われる。
拡張パスでは、ダウンサンプリング／ダウンスケーリングされた畳み込み出力が一連の1つ又は複数のデコンボリューションプロセス、たとえば、少なくとも2つのデコンボリューションプロセス又は少なくとも3つのデコンボリューションプロセスを使用して復号される。例えば、各デコンボリューション処理が対応するデコンボリューション処理に対応する(すなわち、同じレベルで動作する)ように、コンボリューション処理と同じ数のデコンボリューション処理があってもよい。各デコンボリューションプロセスは少なくとも1つ(例えば、2つ以上)のデコンボリューションを適用することを含む(サイズN×N又はN×N×Nのフィルタを使用し、Nは少なくとも2、例えば、少なくとも3)。デコンボリューションプロセスにおける各デコンボリューションの後に、例えば、整流線形ユニット(ReLU)又は同様のものによって適用され得るものなどの、バッチ正規化プロセス及び活性化関数プロセスが続き得る。各デコンボリューション処理の最後のデコンボリューションはダウンサンプリング／ダウンスケーリングのために、ストライドM(ここで、M＞1及び(任意に)M＜＝N)を用いて行われる。
最終レイヤ302において、1×1×1畳み込みが、最終デコーダ結果、すなわち出力データを提供するために使用され得る。
いくつかの例では、収縮経路からの層を拡張経路の対応する層に接続するために、1つ又はスキップ接続315が使用され得る。このアプローチは、拡張経路のアップサンプリングされた出力と組み合わされた収縮経路からのより良好な局在化された高解像度特徴を組み合わせ、より正確で局在化された出力を生成することができる。ニューラルネットワークアーキテクチャにおけるスキップ接続の使用は、当業者に知られている。追加のスキップ接続315(図示せず)をニューラルネットワークで使用することができる。
収縮経路における各畳み込み処理において実行される畳み込みの数は、
Figure 0007493113000002
であり得、ここで、s＝1，2，3は一連の畳み込み処理における畳み込み処理の位置であり、例えば、第1の畳み込み処理は値s＝1を有し、cは、ネットワーク制御パラメータである。実験分析は本開示における使用のために、c＞1であるオーバーコンプリートセットにおいて改善された実施が達成されることを示した。
各デ畳み込み処理において実行されるデ畳み込みの数は、対応するデ畳み込み処理と同じレベルで畳み込み処理において実行される畳み込みの数に等しくてもよい。
ニューラルネットワーク300はまた、予測されたスペクトルCT画像データを生成するために追加情報201B、201C、201Dが使用される場合に実行され得る、再整形処理320を備え得る。
再整形プロセス320はニューラルネットワークのU-net部分310で使用するために追加情報を前処理し、再整形するように構成され得る。これは、例えば、追加情報に対して2つ以上の完全に接続された畳み込みを実行し、処理された情報を再成形して生成することを含むことができる。
再整形は、処理された情報を、非スペクトルCT画像データと同じサイズを有する1つ又は複数の表現に再整形することを含み得る。再形成された情報及び非スペクトルCT画像データは次いで、例えば、複数のチャネルの形態で、U-net部分に提供される。
機械学習アルゴリズムは図示の例ではスペクトル生成ネットワークであるが、他の形態の機械学習アルゴリズムを使用することもできる。
より一般的には、機械学習アルゴリズムが出力データを生成又は予測するために入力データを処理する何れかの自己訓練アルゴリズムである。ここで、入力データは非スペクトルCT画像データ(及びオプションの追加情報)を含み、出力データは、予測されたスペクトルCT画像データを含む。
本発明で使用される他の適切な機械学習アルゴリズムは、当業者には明らかであろう。適切な機械学習アルゴリズムの例は、決定木アルゴリズム及び人工ニューラルネットワークを含む。ロジスティック回帰、サポートベクターマシン、又はナイーブベイジアンモデルなどの他の機械学習アルゴリズムは、適切な代替案である。
機械学習アルゴリズムを訓練する方法は周知である。典型的には、そのような方法がトレーニング入力データエントリ及び対応するトレーニング出力データエントリを含む、トレーニングデータセットを取得することを含む。初期化された機械学習アルゴリズムは、予測された出力データエントリを生成するために各入力データエントリに適用される。予測された出力データエントリと対応するトレーニング出力データエントリとの間の誤差は、機械学習アルゴリズムを修正するために使用される。このプロセスは誤差が収束し、予測された出力データエントリが訓練出力データエントリと十分に類似する(例えば、±1％)まで繰り返すことができる。
例えば、機械学習アルゴリズムがニューラルネットワークから形成される場合、誤差が収束するまで、各ニューロンの数学的演算(の重み付け)を修正することができる。ニューラルネットワークを修正する既知の方法は、勾配降下法、逆伝播アルゴリズムなどを含む。
訓練入力データエントリは、例示的な非スペクトルCT画像データ(及び任意選択の対応する追加情報)のセットに対応する。訓練出力データエントリはスペクトルCT画像データ(すなわち、非スペクトルCT画像データと同じ関心領域を表す)に対応する。
提案されたアプローチの1つの利点は、機械学習アルゴリズムが教師なしの方法で訓練され得ることである。言い換えれば、機械学習アルゴリズムはそれ自体を正確に訓練するために、専門家入力又は臨床的入力を必要としない。このようにして、警告信号の生成(臨床的監視の可能性のある領域の位置及び／又は存在を効果的に識別する)を、非監視方法で提供することができる。これは、そのような機構を生成する際の困難さ及びコストを大幅に低減し、ならびに提案されたアプローチにおいて使用されるべき機械学習アルゴリズムを訓練するための利用可能なデータの量を大幅に増加させ、より正確な機械学習アルゴリズムをもたらす。
図4は、スペクトルCT画像データ202と(非スペクトルCT画像データから生成／導出された)予測されたスペクトルCT画像データ221との間の何れかの差を識別するための方法400を示す。
ここで、スペクトルCT画像データは1つ以上のスペクトルCT画像を含み、予測されたスペクトルCT画像データは、対応する数の1つ以上の予測されたスペクトルCT画像を含む。各予測されたスペクトルCT画像はスペクトルCT画像に対応する(例えば、対応するスペクトルCT画像のコンテンツの予測を表す)。
方法400は、複数のスペクトルCT画像の各々について、前記CT画像とその対応する予測されたCT画像との間の何れかの差を効果的に識別する。次いで、識別された差を処理して、(予測された)潜在的な臨床的重要性又は関連性の領域を識別することができる(例えば、識別された差に1つ又は複数のグルーピング及び／又はフィルタリングステップを適用することによって)。次いで、潜在的な臨床的重要性又は関連性の領域は警告信号を制御するために、例えば、臨床的重要性の可能性のある領域に臨床医の注意を引くために、又は潜在的な臨床的重要性のある領域の追加の撮像を実行するために、使用され得る。
方法400は、スペクトルCT画像データ202及び予測されたスペクトルCT画像データ221を処理することによって、1つ又は複数の差分マップ又は差分画像を生成するステップ410を含む。マップは、事実上、CT画像データと予測されたスペクトルCT画像データとの間の何れかの差の存在及び／又は位置を識別する差画像データであり得る。
スペクトルCT画像データが単一のCT画像を含む場合、差分画像データは、スペクトルCT画像及び予測されたCT画像を直接処理することによって単一の差分マップを生成することを含むことができる。
スペクトルCT画像データが複数のスペクトルCT画像を含む場合、この処理600は、複数の差分マップを生成することを含み得、その後、差分マップを重み付け及び／又は組み合わせることによって合成差分マップを生成する。これは、スペクトルCT画像の何れかと予測されたスペクトルCT画像との間の何れかの差の存在及び／又は位置を効果的に識別する。
いくつかの例では、(スペクトルCT画像データが複数のスペクトルCT画像を含む場合であっても)合成差分マップは生成されず、その結果、複数の差分マップはさらなる処理を受ける。
一例では、ステップ410がスペクトルCT画像の各画素について、その画素(値)と予測されたスペクトルCT画像の画素(値)との間の差の大きさを決定することによって、差分画像(例えば、各スペクトルCT画像について)を計算することを含む。
別の例では、ステップ410が以下の関数
Figure 0007493113000003
を使用して(例えば、各スペクトルCT画像について)差分画像を計算することを含む。
ここで、Mapiは差分画像マップ画素iを表し、IiはスペクトルCT画像Iを表し、
Figure 0007493113000004
は、予測されたCT画像
Figure 0007493113000005
の画素iを表し、stdfilt(．)は標準偏差フィルタリング関数を表し、εは、ゼロ割りエラーが生じる尤度を低減するために使用される小さな値(例えば＜0．01)を表す。
1つの例示的な標準偏差フィルタリング関数は、各出力画素／ボクセルの値が近傍(たとえば、対応する入力画素／ボクセルの周りの隣接する4つの画素、又は対応する入力画素／ボクセルの周りの隣接する8つの画素)の標準偏差であるように入力画像を処理するものである。
別の例では、ステップ410が以下の関数
Figure 0007493113000006
を使用して(例えば、各スペクトルCT画像について)差分画像を計算することを含む。
さらに別の例では、ステップ410が以下の関数を使用して(例えば、各スペクトルCT画像について)差分画像を計算することを含む。
Figure 0007493113000007
ここで、ncc(．)は、2つの画像、ここではスペクトルCT画像と予測されたスペクトルCT画像との間の正規化相互相関フィルタリングである。
さらに別の例では、ステップ410が以下の関数
Figure 0007493113000008
を使用して(例えば、各スペクトルCT画像について)差分画像を計算することを含む。
ここで、mi(．)は、2つの画像間で実行される相互情報フィルタリング関数である。
複数の差分画像が例えば、各スペクトルCT画像について生成される場合、方法400は複数の差分画像を組み合わせて、(例えば、ステップ410の一部として)合成差分画像を生成するプロセスをさらに含むことができ、これは、400のプロセスの残りの部分についての差分画像として作用することができる。
一例では、複数の差分画像を結合することは単に差分画像を一緒に合計すること、すなわち、各対応する画素／ボクセルの値を互いに加算することを含むことができる。別の例では、複数の差分画像を組み合わせることは差分画像の加重和を実行することを含むことができる。さらに別の例では差分画像のうちの単一のものが、「合成差分画像」、例えば、(差分画像内のすべての画素の)最大の合計された画素値を含む差分画像として選択され得る。
別の例では、合成差分画像が合成差分画像の各画素／値について、差分画像の対応する(例えば、重み付けされた)画素／ボクセルの何れかの最大値を選択することによって生成される。したがって、合成差分画像内の位置(a，b，c)における画素／ボクセルについて、(例えば、重み付けされた)差分画像の何れかにおける位置(a，b，c)における画素／ボクセルの最大値が、合成差分画像内のその画素／ボクセルの値として選択される。
合成差分画像CMapは、以下の式
Figure 0007493113000009
を用いて算出することができる。
ここで、max(．)は最高値であり、wiは重み付けを表し、Mapは差分マップを表す。
次いで、ステップ420において、(合成)差分画像を処理して、差分画像内の何れかのグループ又はクラスタを識別することができる。このプロセスは、差分画像の臨床的に関連する領域があるかどうかを効果的に確立する。
ステップ420は例えば、グループ化又はクラスタリングアルゴリズムを使用して差分画像を処理して、何れかのグループ又はクラスタを識別することを含むことができる。いくつかの例では所定の閾値(たとえば、tr)を超える値を有する画素／ボクセルのみが、グループ又はクラスタの一部を形成し得る。したがって、ステップ420は、閾値化グループ／クラスタリングアルゴリズムを使用して差分画像を処理することを含むことができる。
適切なグルーピング／クラスタリングアルゴリズムの一例は、k平均クラスタリングアルゴリズム又は密度ベースのクラスタリングアルゴリズムである。別の好適な例は、セグメンテーションアルゴリズムである。
適切なグループアルゴリズムのさらに別の例は、接続コンポーネントアルゴリズムである。接続されたコンポーネントアルゴリズムは、画素／ボクセルの接続されたグループを識別する。接続された構成要素アルゴリズムはある所定の閾値に達するか又はそれを超える値を有する、すなわち、閾値化された接続された構成要素アルゴリズムで画素／ボクセルの接続されたグループを識別するように構成され得る。
次いで、ステップ430において、識別されたグループ及び／又はクラスタをフィルタリング処理にかけることができる。したがって、ステップ430は、フィルタリングプロセスを使用して、何れかの識別されたグループ及び／又はクラスタをフィルタリング又はクリーニングすることを含み得る。
フィルタリングプロセス430は例えば、所定のサイズを下回る何れかのグループ／クラスタを除去することを含むことができる。例として、グループが接続されたコンポーネントである場合、フィルタ処理はある所定のサイズ(例えば、差分画像の画素の総数の0．05％又は0．1％又は0．5％又は1％未満)を下回るサイズを有する何れかの接続されたコンポーネントを除去することを含み得る。このアプローチは、ノイズ又は臨床的に無関係な情報が識別される尤度を低減する。
フィルタリングプロセス430はグループ／クラスタに含まれる最大値が何らかの第2の所定の閾値(例えば、(合成)差分画像の最大値の10％又は20％)を下回る何れかのグループ／クラスタを除去することを含むことができる。このアプローチは、有意な群のみが潜在的な臨床的関連性を有すると同定される尤度を増加させる。
フィルタリングプロセス430は所定数未満の画素／ボクセル(例えば、差分画像の総画素数の0．05％又は0．1％又は0．5％)が何らかの第3の所定の閾値(例えば、(合成)差分画像の最大値の10％又は20％)を超える値を有する何れかのグループ／クラスタを除去することを含んでもよい。このアプローチはまた、有意な群のみが潜在的な臨床的関連性を有すると同定される尤度を増加させる。
いくつかの例では、ステップ410が合成差分画像を生成するステップを含まない。むしろ、複数の差分マップがそれぞれの複数のスペクトルCT画像に対して生成される場合、各差分は、各差分マップ上のステップ420及び430の手順に従うことによって別々に処理され得る。このアプローチは、各差分画像内の何れかの適切なグループ／クラスタを識別する。
合成差分マップの使用は最大差分が差分マップに寄与し、次いで差分マップが処理されるので、差分を識別するためのより効率的な機構を提供することができる。しかしながら、各差分画像を別々に処理することは、臨床的に関連する領域を表すクラスタ／グループのよりロバスト／正確な識別を生成し得る(例えば、ノイズが適切なクラスタ／グループの識別に影響を及ぼす尤度を低減する)。
図示のプロセス400の出力はスペクトルCT画像データ内に存在するが、予測されたスペクトルCT画像データ内には存在しないか、又は容易に明らかにならない潜在的な臨床的関連性の領域を各々が表す、(ゼロ以上の)グループ／クラスタのセットである。これは、スペクトルCT画像データ中に存在するか又は容易に明らかで対象の潜在的に臨床的に関連するか又は重要な特徴を含むか又は表示することができない非スペクトルCT画像データの領域を効果的に識別する。
グループ／クラスタのセットは、それによって、スペクトルCT画像データと予測されたスペクトルCT画像データとの間の識別された差として作用する。それによって、識別された差は、潜在的な臨床的関連性(元の非スペクトルCT画像データには存在しないか、又は容易に見える)の識別された領域として作用する。
プロセス400は、潜在的な臨床的関連性の領域の位置及びサイズを効果的に識別することが理解されよう。非分光CT画像データと分光CT画像データとは、被検体の同じ領域を表すので、分光CT画像データにおける領域の位置と大きさを、非分光CT画像データにおける対応する大きさと位置にマッピングすることができる。
警告信号は潜在的な臨床的関連性の各識別された領域(すなわち、各グループ／クラスタ)のサイズ及び／又は位置のインジケータを運ぶように構成され得る。これは、臨床評価を実施するために、より綿密な又はさらなる調査を必要とする領域の識別を容易にする。
図4はまた、前記グループ／クラスタを含む(最良の)スペクトルCT画像を(プロセス400において識別された各グループ／クラスタについて)識別するためのプロセス450を示す。この処理450は、スペクトルCT画像データが複数のスペクトルCT画像を含む場合に実行することができる。
このようにして、潜在的な臨床的関連性の各識別された領域は特定のスペクトルCT画像にマッピングされ、特に、「最もクリーンである」方法で潜在的な臨床的関連性の領域を提供する臨床画像にマッピングされる。
処理450を実行するための1つのアプローチは、前記グループ／クラスタを含む領域が最低造影対雑音比(CNR)を有するスペクトルCT画像を識別することであり得る。
例えば、プロセス450は、各グループ／クラスタを順に処理することを含むことができる。
ステップ451において、スペクトルCT画像におけるグループ／クラスタの位置について、CNRメトリックが取得される。次いで、ステップ452において、この位置／その付近で最高CNRメトリックを有するスペクトルCT画像が、グループ／クラスタのスペクトルCT画像として選択される。
CNRメトリックを計算するための1つのアプローチは、以下の式
Figure 0007493113000010
を採用することである。
ここで、Gは画素／ボクセルのグループ／クラスタの画素／ボクセル位置を表し、Sjはj番目のスペクトルCT画像を表し、
Figure 0007493113000011
は、機械学習法によって生成された予測されたスペクトルCT画像を表す。このようにして、それに対応して、Sj [G]及び
Figure 0007493113000012
は、Sj及び
Figure 0007493113000013
のGにおける画素値である。
処理450は、スペクトルCT画像が処理400において識別された各グループ／クラスタについて識別されるまで繰り返される。
警告信号は識別されたグループ／クラスタごとに、処理450によって識別されたスペクトルCT画像の識別を搬送するように(さらに)制御され得る。この情報は例えば、識別されたスペクトルCT画像の視覚的表現、ならびに適切なスペクトルCT画像に対する識別されたグループ／クラスタの対応する位置及び／又はサイズを提供するために、ディスプレイを制御するために使用され得る。
したがって、警告信号は識別された各グループ／クラスタ(すなわち、識別された各差)について、対応するスペクトルCT画像の識別(差の表現を最良／明確に含む)ならびにその対応するスペクトルCT画像に対するグループの位置及び／又はサイズ及び／又は形状のインジケータを提供するように制御され得る。
図5は、本開示の根底にある認識を示す。図5は、胆嚢(左上隅)及び周囲の解剖学的構造の表現を含む、対象の同じエリア又は領域の2つのCT画像を示す。
特に、図5は非スペクトルCT画像である第1の画像510、すなわち、従来のCT画像技術及び再構成アプローチを使用して得られる「従来の」CT画像を示す。
図5はまた、スペクトルCT画像、すなわち、単色40keV画像である第2の画像520を示す。第2の画像の識別された領域525は、非スペクトルCT画像510では見えない胆石を含む。
この実施例は潜在的に臨床的に関連する特徴又は領域が非スペクトルCT画像においてどのように識別不可能であるが、スペクトルCT画像において容易に識別され得るかを示す。
図5はまた、スペクトルCT画像520の視覚的表現が、識別された領域525の視覚的表現を提供するように構成される、実施形態の一例を理解するために使用され得る。この場合、円525は、識別された領域の視覚的インジケータを表し得る。
図6は、本発明の一実施形態によるシステム600を示す。
システム600は、処理システム610を備える。処理システム610は、スペクトルCT画像データと予測されたスペクトルCT画像データとの間の差に応答して警告SAを制御するように構成される。
特に、処理システム610はそれぞれが対象の同じ関心領域を表す非スペクトルCT画像データ及びスペクトルCT画像データを取得し、機械学習アルゴリズムを使用して、非スペクトルCT画像データを処理して、予測されたスペクトルCT画像データを生成し、予測されたスペクトルCT画像データは非スペクトルCT画像データから導出されたスペクトルCT画像データの予測であり、スペクトルCT画像データ及び予測されたスペクトルCT画像データを処理して、スペクトルCT画像データと予測されたスペクトルCT画像データとの間の何れかの差を識別し、識別された差に応答して警告信号を制御するように構成される。
処理システム610は、医用撮像システム620及び／又はメモリ630から非スペクトル及び／又はスペクトルCT画像データを取得するように構成され得る。処理システムは警告信号SAを使用して、ユーザインターフェース640、例えば、ディスプレイを制御するように構成され得る。
医用撮像システム620、メモリ630、及びユーザインターフェース640は、システム600の何れかのコンポーネントを形成する。
さらなる例として、図7は、実施形態の1つ又は複数の部分が使用され得る処理システム70の一例を示す。処理システム70は、前述の実施形態で使用するのに適した処理システムの一例を提供する。
上記で説明した様々な動作は、処理システム70の能力を利用することができる。たとえば、非スペクトル及びスペクトルCT画像データを処理するためのシステムの1つ又は複数の部分は、本明細書で説明する何れかの素子、モジュール、アプリケーション、及び／又は構成素子に組み込まれ得る。この点に関して、システム関数ブロックは単一のコンピュータ上で実行することができ、又はいくつかのコンピュータ及び位置(たとえば、インターネットを介して接続される)にわたって分散させることができることを理解されたい。
処理システム70はPC、ワークステーション、ラップトップ、PDA、パーム装置、サーバ、ストレージなどを含むが、これらに限定されない。一般に、ハードウェアアーキテクチャに関して、処理システム70は、ローカルインターフェース(図示せず)を介して通信可能に結合された1つ又は複数のプロセッサ71、メモリ72、及び1つ又は複数のI／O装置77を含み得る。ローカルインターフェースは例えば、限定はしないが、当技術分野で知られているように、1つ以上のバス又は他の有線又は無線接続であり得る。ローカルインターフェースは通信を可能にするために、コントローラ、バッファ(キャッシュ)、ドライバ、リピータ、及び受信機などの追加の要素を有し得る。さらに、ローカルインターフェースは前述の構成要素間の適切な通信を可能にするために、アドレス、制御、及び／又はデータ接続を含み得る。
プロセッサ71は、メモリ72に格納可能なソフトウェアを実行するためのハードウェア装置である。プロセッサ71は処理システム70に関連するいくつかのプロセッサのうち、事実上何れかのカスタムメイド又は市販のプロセッサ、中央処理装置(CPU)、デジタル信号プロセッサ(DSP)、又は補助プロセッサとすることができ、プロセッサ71は、半導体ベースのマイクロプロセッサ(マイクロチップの形成)又はマイクロプロセッサとすることができる。
メモリ72は、揮発性メモリ素子、ダイナミックランダムアクセスメモリ(DRAM)、スタティックランダムアクセスメモリ(SRAM)などのランダムアクセスメモリ(RAM)、及び不揮発性メモリ素子、ROM、消去可能プログラマブル読取り専用メモリ(EPROM)、電子消去可能プログラマブル読取り専用メモリ(EEPROM)、プログラマブル読取り専用メモリ(PROM)、テープ、コンパクトハードディスク読取り専用メモリ(CD-ROM)、ハードディスク、ディスケット、カートリッジ、カセットなど)の何れかの1つ又は組合せを含むことができる。さらに、メモリ72は、電子、磁気、光学、及び／又は他のタイプの記憶媒体を組み込むことができる。メモリ72は様々なコンポーネントが互いに離れて位置する分散アーキテクチャを有することができるが、プロセッサ71によってアクセスすることができることに留意されたい。
メモリ72内のソフトウェアは1つ又は複数の別個のプログラムを含むことができ、その各々は、論理関数を実装するための実行可能命令の順序付けられたリストを備える。メモリ72内のソフトウェアは、例示的な実施形態による、適切なオペレーティングシステム(O／S)75、コンパイラ74、ソースコード73、及び1つ又は複数のアプリケーション76を含む。図示のように、アプリケーション76は、例示的な実施形態の特徴及び動作を実装するための多数の機能構成要素を備える。処理システム70のアプリケーション76は例示的な実施形態による、様々なアプリケーション、計算ユニット、ロジック、機能ユニット、プロセス、動作、仮想エンティティ、及び／又はモジュールを表し得るが、アプリケーション76は限定であることを意味しない。
オペレーティングシステム75は他のコンピュータプログラムの実行を制御し、スケジューリング、入出力制御、ファイル及びデータ管理、メモリ管理、並びに通信制御及び関連サービスを提供する。例示的な実施形態を実装するためのアプリケーション76はすべての市販のオペレーティングシステムに適用可能であり得ることが、本発明者らによって企図される。
アプリケーション76は、ソースプログラム、実行可能プログラム(オブジェクトコード)、スクリプト、又は実行されるべき命令のセットを備える何れかの他のエンティティであり得る。ソースプログラムの場合、プログラムは通常、O／S 75に関連して適切に動作するように、メモリ72内に含まれても含まれなくてもよいコンパイラ(コンパイラ74など)、アセンブラ、インタプリタなどを介して翻訳される。さらに、アプリケーション76は例えば、C、C＋＋、C＃、Pascal、BASIC、APIコール、HTML、XHTML、XML、ASPスクリプト、JavaScript、FORTRAN、COBOL、Perl、Java、ADA、NETなどであるが、これらに限定されない、ルーチン、サブルーチン、及び／又は関数を有する、データ及びメソッドのクラスを有するオブジェクト指向プログラミング言語、又はプロシージャプログラミング言語として記述することができる。
I／Oデバイス77は例えば、マウス、キーボード、スキャナ、マイクロフォン、カメラなどの入力デバイスを含むことができるが、これらに限定されない。さらに、I／Oデバイス77はまた、出力装置、例えば、限定されないが、プリンタ、ディスプレイなどを含んでもよい。最後に、I／Oデバイス77は例えば、(遠隔装置、他のファイル、デバイス、システム、又はネットワークにアクセスするための)ネットワークインタフェースカード又は変調器／復調器、無線周波数(RF)又は他のトランシーバ、電話インタフェース、ブリッジ、ルータなど(これらに限定されない)、入力と出力の両方を通信するデバイスをさらに含み得る。I／O装置77はまた、インターネット又はイントラネットなどの様々なネットワークを介して通信するためのコンポーネントを含む。
処理システム70がPC、ワークステーション、インテリジェント装置である場合、メモリ72内のソフトウェアは、基本入出力システム(BIOS)(簡略化のために省略)をさらに含むことができる。BIOSは起動時にハードウェアを初期化及びテストし、O／S 75を開始し、ハードウェア装置間のデータ転送をサポートする、必須ソフトウェアルーチンのセットである。BIOSは、ROM、PROM、EPROM、EEPROM等の何らかのタイプの読み出し専用メモリに格納され、処理システム70が起動されたときにBIOSを実行することができる。
処理システム70が動作中であるとき、プロセッサ71はメモリ72内に記憶されたソフトウェアを実行し、メモリ72との間でデータを通信し、ソフトウェアに従って処理システム70の動作を一般的に制御するように構成される。アプリケーション76及びO／S 75は、プロセッサ71によって全体的又は部分的に読み出され、おそらくプロセッサ71内にバッファリングされ、次いで実行される。
アプリケーション76がソフトウェアで実装されるとき、アプリケーション76は何れかのコンピュータ関連システム又は方法によって、又はそれに関連して使用するために、仮想的に何れかのコンピュータ可読媒体上に記憶され得ることに留意されたい。本文書の文脈において、コンピュータ可読媒体は、コンピュータ関連システム又は方法によって、又はそれに関連して使用するためのコンピュータプログラムを含むか、又は記憶することができる、電子的、磁気的、光学的、又は他の物理的な装置又は手段であってもよい。
アプリケーション76は命令実行システム、装置、又はデバイスによって、又はそれと関連して使用するための何れかのコンピュータ可読媒体、たとえば、命令実行システム、装置、又はデバイスから命令をフェッチし、命令を実行することができるコンピュータベースのシステム、プロセッサを含むシステム、又は他のシステムで実施することができる。本明細書の文脈では、「コンピュータ可読媒体」が命令実行システム、機器、又は装置によって、又はそれに関連して使用するために、プログラムを記憶、通信、伝播、又は移送することができる何れかの手段であり得る。コンピュータ可読媒体は例えば、電子、磁気、光学、電磁気、赤外線、又は半導体システム、装置、デバイス、又は伝搬媒体であり得るが、これらに限定されない。
当業者は、本明細書に記載される何れかの方法を実行するための処理システムを容易に開発することができる。したがって、フローチャートの各ステップは、処理システムによって実行される異なるアクションを表し得、処理システムのそれぞれのモジュールによって実行され得る。
したがって、実施形態は、処理システムを利用し得る。処理システムは必要とされる様々な機能を実行するために、ソフトウェア及び／又はハードウェアを用いて、多数の方法で実装され得る。プロセッサは必要な機能を実行するためにソフトウェア(例えば、マイクロコード)を使用してプログラムされ得る1つ以上のマイクロプロセッサを使用する処理システムの一例である。しかしながら、処理システムはプロセッサを使用して又は使用せずに実装され得、また、いくつかの機能を実行するための専用ハードウェアと、他の機能を実行するためのプロセッサ(たとえば、1つ又は複数のプログラムされたマイクロプロセッサ及び関連する回路)との組合せとして実装され得る。
本開示の様々な実施形態において使用され得る処理システム構成要素の例は従来のマイクロプロセッサ、特定用途向け集積回路(ASIC)、及びフィールドプログラマブルゲートアレイ(FPGA)を含むが、これらに限定されない。様々な実装形態では、プロセッサ又は処理システムがRAM、PROM、EPROM、及びEEPROMなどの揮発性及び不揮発性コンピュータメモリなどの1つ又は複数の記憶媒体に関連付けられ得る。記憶媒体は、1つ又は複数のプロセッサ及び／又は処理システム上で実行されると、必要な機能を実行する1つ又は複数のプログラムで符号化され得る。様々な記憶媒体はその上に記憶された1つ又は複数のプログラムがプロセッサ又は処理システムにロードされ得るように、プロセッサ又は処理システム内に固定され得るか、又は可搬型であり得る。
開示された方法は、好ましくはコンピュータで実施される方法であることが理解されるのであろう。このように、コンピュータなどの処理システム上で前記プログラムが実行されるときに、何れかの記述されたメソッドを実装するためのコード手段を含むコンピュータプログラムの概念も提案される。したがって、一実施形態によるコンピュータプログラムのコードの異なる部分、線、又はブロックは本明細書で説明される方法を実行するために、処理システム又はコンピュータによって実行され得る。いくつかの代替実装形態では、ブロック図又はフローチャートに記載された関数が図に記載された順序から外れて発生し得る。例えば、連続して示される2つのブロックは実際には実質的に同時に実行されてもよく、又はブロックが関与する機能に応じて、逆の順序で実行されてもよい。
開示された実施形態に対する変形は図面、開示及び添付の特許請求の範囲の研究から、請求された発明を実施する際に当業者によって理解され、実行され得る。請求項において、単語「有する(comprising)」は他の要素又はステップを除外せず、不定冠詞「a」又は「an」は複数を除外しない。単一のプロセッサ又は他のユニットは、特許請求の範囲に列挙されるいくつかのアイテムの機能を満たすことができる。特定の手段が相互に異なる従属請求項に記載されているという単なる事実は、これらの手段の組み合わせが有利に使用され得ないことを示すものではない。コンピュータプログラムが上述される場合、それは他のハードウェアと共に、又はその一部として供給される光記憶媒体又はソリッドステート媒体などの適切な媒体上に記憶／配布され得るが、インターネット又は他の有線もしくは無線電気通信システムを介してなど、他の形態で配布されてもよい。「乃至に適合された」という用語が特許請求の範囲又は説明において使用される場合、「乃至に適合された」という用語は、「乃至に構成された」という用語と等価であることが意図されることに留意されたい。請求項におけるいかなる参照符号も、範囲を限定するものとして解釈されるべきではない。

Claims (15)

  1. スペクトルCT画像データと予測されたスペクトルCT画像データとの間の差に応答して警告信号を制御するコンピュータ実装方法であって、前記コンピュータ実装方法は、
    非スペクトルCT画像データ及びスペクトルCT画像データを取得するステップであって、それぞれが被検体の同じ関心領域を表す、ステップと、
    機械学習アルゴリズムを使用して、前記非スペクトルCT画像データを処理して前記予測されたスペクトルCT画像データを生成するステップであって、前記予測されたスペクトルCT画像データは、前記非スペクトルCT画像データから導出された前記スペクトルCT画像データの予測である、ステップと、
    前記スペクトルCT画像データと前記予測されたスペクトルCT画像データとを処理して、前記スペクトルCT画像データと前記予測されたスペクトルCT画像データとの間の何れかの差を識別するステップと、
    何れかの識別された差に応答して警告信号を制御するステップと
    を有する、方法。
  2. 前記スペクトルCT画像データは、一つ又はそれより多くのスペクトルCT画像のセットを有し、
    前記予測されたCT画像データは、一つ又はそれより多くの予測されたスペクトルCT画像のそれぞれのセットを有し、それぞれの予測されたスペクトルCT画像はそれぞれのスペクトルCT画像に対応し、
    前記スペクトルCT画像データと前記予測されたCT画像データとの間の何れかの差を識別するステップは、それぞれのスペクトルCT画像に対して、前記スペクトルCT画像と前記対応する予測されたスペクトルCT画像との間の何れかの差を識別するステップを有する、
    請求項1に記載のコンピュータ実装方法。
  3. 前記スペクトルCT画像と前記対応する予測されたスペクトルCT画像との間の何れかの差を識別するステップは、
    一つ又はそれより多くの関数を使用して、前記スペクトルCT画像と前記対応する予測されたスペクトルCT画像とを処理して、前記スペクトルCT画像と前記対応する予測されたスペクトルCT画像との間の差の存在及び位置を識別する差画像を生成するステップ
    を有する、請求項2に記載のコンピュータ実装方法。
  4. 前記スペクトルCT画像及び前記対応する予測されたスペクトルCT画像を処理するステップは、前記スペクトルCT画像の各画素／ボクセルについて、前記スペクトルCT画像の前記画素／ボクセルと前記予測されたスペクトルCT画像の対応する画素／ボクセルとの間の差を決定するステップを有する、請求項3に記載のコンピュータ実装方法。
  5. 前記スペクトルCT画像及び前記対応する予測されたスペクトルCT画像を処理するステップは、
    前記スペクトルCT画像に対して標準偏差フィルタリング関数を実行して、前記スペクトルCT画像と同じ解像度を有する標準偏差スペクトルCT画像を生成ずるステップと、
    前記スペクトルCT画像の各画素／ボクセルについて、前記決定された差を、前記標準偏差スペクトルCT画像の対応する画素／ボクセルの値から導出された値で除算するステップと
    を有する、請求項4に記載のコンピュータ実装方法。
  6. 前記スペクトルCT画像及び前記対応する予測されたCT画像を処理するステップは、相互相関又は相互情報関数を使用して、前記スペクトルCT画像及び前記対応する予測されたCT画像を処理するステップを有する、請求項3に記載のコンピュータ実装方法。
  7. 前記警告信号を制御するステップは、何れかの差マップにおける前記スペクトルCT画像と前記対応する予測されたCT画像との間の差の存在及び位置に応じて前記警告信号を制御するステップを有する、請求項3乃至6の何れか一項に記載のコンピュータ実装方法。
  8. 前記一つ又はそれより多くのスペクトルCT画像のセットは、複数のスペクトルCT画像を有する、請求項2乃至6の何れか一項に記載のコンピュータ実装方法。
  9. 何れかの識別された差に基づいて、前記識別された差の原因の表現を含む前記複数のスペクトルCT画像のうちの一つ又はそれより多くを識別するステップをさらに備える、請求項8に記載のコンピュータ実装方法。
  10. 前記警告信号に応答してユーザが知覚可能な出力を制御するステップをさらに有する、請求項1乃至9の何れか一項に記載のコンピュータ実装方法。
  11. 入力パラメータデータを取得するステップであって、前記入力パラメータデータは前記非スペクトルCT画像データ及び／又は前記スペクトルCT画像データを取得する際に、CT撮像システムによって使用される取得プロトコルの一つ又はそれより多くのパラメータを定義する、ステップ
    をさらに有し、
    前記非スペクトルCT画像データを処理するステップは、前記機械学習アルゴリズムを使用して、前記非スペクトルCT画像データ及び前記入力パラメータデータを処理して前記予測されたスペクトルCT画像データを生成するステップを有する、
    請求項1乃至10の何れか一項に記載のコンピュータ実装方法。
  12. 再構成パラメータデータを取得するステップであって、前記再構成パラメータデータは、CT撮像システムによって使用される再構成プロトコルの一つ又はそれより多くのパラメータを定義して生のCTデータを処理して、前記非スペクトルCT画像データ及び／又は前記スペクトルCT画像データを生成する、ステップ
    をさらに有し、
    前記非スペクトルCT画像データを処理するステップは、前記機械学習アルゴリズムを使用して前記非スペクトルCT画像データ及び前記再構成パラメータデータを処理して、前記予測されたスペクトルCT画像データを生成するステップを有する、
    請求項1乃至11の何れか一項に記載のコンピュータ実装方法。
  13. 被検体データを取得するステップであって、前記被検体データは、前記被検体の一つ又はそれより多くのパラメータを定義する、ステップをさらに有し、
    前記非スペクトルCT画像データを処理するステップは、前記機械学習アルゴリズムを使用して前記非スペクトルCT画像データ及び前記被検体データを処理して、前記予測されたスペクトルCT画像データを生成するステップを有する、
    請求項1乃至12の何れか一項に記載のコンピュータ実装方法。
  14. 処理システムを有するコンピューティング装置上で実行されるとき、前記処理システムに、請求項1乃至13の何れか一項に記載の方法のステップの全てを実行させるコンピュータプログラムコード手段を有する、コンピュータプログラムプロダクト。
  15. スペクトルCT画像データと予測されたスペクトルCT画像データとの間の差に応答して警告信号を制御するための処理システムであって、前記処理システムは、
    非スペクトルCT画像データ及びスペクトルCT画像データを取得し、それぞれが被検体の同じ関心領域を表し、
    機械学習アルゴリズムを使用して前記非スペクトルCT画像データを処理して、前記予測されたスペクトルCT画像データを生成し、前記予測されたスペクトルCT画像データは、前記非スペクトルCT画像データから導出されたスペクトルCT画像データの予測であり、
    前記スペクトルCT画像データと前記予測されたスペクトルCT画像データとを処理して、前記スペクトルCT画像データと前記予測されたスペクトルCT画像データとの間の何れかの差を識別し、
    何れかの識別された差に応答して警告信号を制御する
    ように構成される、処理システム。
JP2023574322A 2021-06-17 2022-06-09 スペクトルコンピュータ断層撮影撮像のための警告信号の制御 Active JP7493113B1 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP21180119.6A EP4104767A1 (en) 2021-06-17 2021-06-17 Controlling an alert signal for spectral computed tomography imaging
EP21180119.6 2021-06-17
PCT/EP2022/065616 WO2022263261A1 (en) 2021-06-17 2022-06-09 Controlling an alert signal for spectral computed tomography imaging

Publications (2)

Publication Number Publication Date
JP7493113B1 true JP7493113B1 (ja) 2024-05-30
JP2024522022A JP2024522022A (ja) 2024-06-07

Family

ID=76553478

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023574322A Active JP7493113B1 (ja) 2021-06-17 2022-06-09 スペクトルコンピュータ断層撮影撮像のための警告信号の制御

Country Status (4)

Country Link
EP (2) EP4104767A1 (ja)
JP (1) JP7493113B1 (ja)
CN (1) CN117500435A (ja)
WO (1) WO2022263261A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190340754A1 (en) 2016-12-22 2019-11-07 Nokia Technologies Oy An apparatus and associated method for imaging
JP2020525940A (ja) 2017-06-27 2020-08-27 エヌイーシー ラボラトリーズ アメリカ インクＮＥＣ Ｌａｂｏｒａｔｏｒｉｅｓ Ａｍｅｒｉｃａ， Ｉｎｃ． 異常検出のための再構成器およびコントラスタ
US10849585B1 (en) 2019-08-14 2020-12-01 Siemens Healthcare Gmbh Anomaly detection using parametrized X-ray images
JP2021511875A (ja) 2018-01-31 2021-05-13 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1876955B1 (en) 2005-04-26 2016-11-23 Koninklijke Philips N.V. Double decker detector for spectral ct
EP3025310B1 (en) * 2013-07-23 2018-10-31 Koninklijke Philips N.V. Hybrid (spectral/non-spectral) imaging detector array and corresponding processing electronics
JP7378404B2 (ja) * 2018-01-16 2023-11-13 コーニンクレッカ フィリップス エヌ ヴェ 非スペクトルイメージングシステムを用いたスペクトルイメージング

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190340754A1 (en) 2016-12-22 2019-11-07 Nokia Technologies Oy An apparatus and associated method for imaging
JP2020525940A (ja) 2017-06-27 2020-08-27 エヌイーシー ラボラトリーズ アメリカ インクＮＥＣ Ｌａｂｏｒａｔｏｒｉｅｓ Ａｍｅｒｉｃａ， Ｉｎｃ． 異常検出のための再構成器およびコントラスタ
JP2021511875A (ja) 2018-01-31 2021-05-13 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 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
US10849585B1 (en) 2019-08-14 2020-12-01 Siemens Healthcare Gmbh Anomaly detection using parametrized X-ray images

Also Published As

Publication number Publication date
JP2024522022A (ja) 2024-06-07
EP4104767A1 (en) 2022-12-21
WO2022263261A1 (en) 2022-12-22
EP4355218A1 (en) 2024-04-24
CN117500435A (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
JP5138910B2 (ja) 投影画像を用いた３ｄｃａｄのシステム及び方法
US7796795B2 (en) System and method for computer aided detection and diagnosis from multiple energy images
JP4354737B2 (ja) 多重エネルギ画像による計算機支援診断
US8229200B2 (en) Methods and systems for monitoring tumor burden
CN110881992B (zh) 使用双能量计算机断层扫描的针对外伤性出血的检测和量化
CN111540025B (zh) 预测用于图像处理的图像
JP7216722B2 (ja) 診断撮像における画像特徴のアノテーション
CN105793894B (zh) 根据图像数据来进行骨骼分割
CN111199566A (zh) 医疗图像处理方法、装置、存储介质及计算机设备
US20230252607A1 (en) 3d-cnn processing for ct image noise removal
JP5048233B2 (ja) Ｃａｄシステムにおける解剖学的形状の検出のための方法及びシステム
Li et al. Identification of pathology-confirmed vulnerable atherosclerotic lesions by coronary computed tomography angiography using radiomics analysis
US9858688B2 (en) Methods and systems for computed tomography motion compensation
JP2021510579A (ja) 非スペクトルイメージングシステムを用いたスペクトルイメージング
CN114901148A (zh) 用于生成光子计数光谱图像数据的设备
JP7493113B1 (ja) スペクトルコンピュータ断層撮影撮像のための警告信号の制御
US20230309937A1 (en) Spectral x-ray material decomposition method
CN116171476A (zh) 医学图像中的界标检测
CN114730476A (zh) 有限角度重建的网络确定
CN117897722A (zh) 使用机器学习方法进行的医学图像去噪
EP4159129A1 (en) Medical imaging and analysis method
Lan et al. ICNoduleNet: Enhancing Pulmonary Nodule Detection Performance on Sharp Kernel CT Imaging
Näppi et al. Computer-aided detection of colorectal lesions with super-resolution ct colonography: pilot evaluation

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20231201

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20231201

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240425

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240520

R150 Certificate of patent or registration of utility model

Ref document number: 7493113

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150