JP2021502836A - 機械学習を使用した画像生成 - Google Patents

Abstract

本手法は、画像生成のための機械学習アルゴリズムの訓練、および画像生成のためのそのような訓練されたアルゴリズムの使用に関する。機械学習アルゴリズムの訓練は、一組の断層撮影または画像データから生成された複数の画像（単純な再構成および計算集約的再構成など）を使用することを含んでもよく、１つの画像は最終結果に望ましい特性を示すターゲット画像である。訓練された機械学習アルゴリズムを使用して、より計算量の少ないアルゴリズムを使用して生成された入力画像から、計算集約的アルゴリズムに対応する最終画像を生成することができる。【選択図】図１

Description

本明細書において開示される主題は、断層撮影再構成に関し、特には、投影または他のスキャン型データなどのデータを断面画像および／または体積表現を含む診断または臨床に有用な画像へと再構成するためのディープラーニング技術の使用に関する。

非侵襲的撮像技術は、患者／対象物に侵襲的処置を行うことなく患者／対象物の内部構造または特徴の画像を得ることを可能にする。このような非侵襲的な撮像技術は、データを取得し、画像を作成するか、患者／対象物の観察された内部特徴を表すために、様々な物理的原理（ターゲットボリュームを通るＸ線の差動透過、ボリューム内の音波の反射、ボリューム内の様々な組織と材料の常磁性特性、体内のターゲットの放射性核種の分解など）に依存している。

再構成アルゴリズムは、計算効率と、患者の線量と、スキャン速度と、画像品質と、アーチファクトとの間など、様々なトレードオフを免れない。例えば、従来からの再構成技術は、典型的には、直接再構成（明示的な逆ステップを実行する）または最適化に基づく再構成（コスト関数を反復的に最適化する）として特徴付けることができる再構成アルゴリズムを使用する。直接再構成の手法は、比較的高速であるが、ノイズおよび特定のアーチファクトを抑制する効率的なやり方を持たない。最適化ベースの再構成手法は、ノイズ低減を改善し、解析的に簡単に反転できない物理効果をフォワードモデルに組み込むことができる。このような手法は、全体的な画像品質とアーチファクトの低減の点で直接再構成法を大幅に上回ることができるが、計算コストは比較的高くなる。

例として、最適化ベースの再構成の１つのタイプは、反復手法であるモデルベースの画像再構成（ＭＢＩＲ）であり、それにより従来の逆投影法（例えば、従来の直接的な再構成手法）と比較してノイズレベルが低減し、画像のディテールの解像度が向上した。ＭＢＩＲは、一組のデータのシングルパス変換を、繰り返し適用されるアルゴリズム最適化の対象となる画像推定の計算に置き換える。完全ＭＢＩＲは、従来の逆投影法より優れているが、スキャンシステム、取得物理学、データ統計、対象物をモデル化し可能な限り正確に再構成して、利用可能な最良の画像再構成結果を生成する限り、他の簡略化された統計的画像推定手法（ＡＳｉＲ、ＡＩＤＲ、ＳＡＦＩＲＥ、その他の統計的反復手法など）からも際立っている。

しかし、ＭＢＩＲによって引き起こされる最適化問題の解は、より単純な手法に比べて、反転プロセスに多大な計算コストを課する。反復法は、各サイクルで画像推定の既存の推定を繰り返し改良し、前方投影演算子によってモデル化された前方投影および逆投影を何らかの形で計算するが、これは、計算上、また必要なハードウェアの点でも高価になる可能性がある。

一実施形態では、機械学習アルゴリズムを訓練するための方法が提供される。この方法によれば、１つまたは複数の断層撮影システムを使用して取得された投影データまたは画像データがアクセスされる。複数の画像ペアが生成される。各画像ペアは、第１のアルゴリズムを使用して生成された第１の画像と、第２のアルゴリズムを使用して生成された第２の画像と、を含む。画像ペアごとに、第１のアルゴリズムと第２のアルゴリズムが同じ投影データまたは画像データに適用される。機械学習アルゴリズムは、複数の画像ペアを使用して訓練され、第２のアルゴリズムの特性をエミュレートする。

さらなる実施形態では、画像処理システムが提供される。この実施形態によれば、画像処理システムは、１つまたは複数のプロセッサ実行可能ルーチンを格納するメモリと、メモリと通信し、１つまたは複数のプロセッサ実行可能ルーチンを実行するように構成された処理構成要素と、を含む。１つまたは複数のプロセッサ実行可能ルーチンは、実行されると、プロセッサに対して、第１のアルゴリズムを一組の断層撮影スキャンデータに適用することによって第１の画像を生成させるか、または記憶媒体から第１の画像にアクセスさせ、一組の断層撮影スキャンデータへの第２のアルゴリズムの適用に対応する出力画像を生成するように訓練された機械学習アルゴリズムへの入力として、第１の画像を提供させる。

追加の実施形態では、画像再構成のための方法が提供される。この方法によれば、第１のアルゴリズムを一組の断層撮影スキャンデータに適用するか、または記憶媒体から第１の画像にアクセスすることによって第１の画像が生成される。第１の画像は、一組の断層撮影スキャンデータへの第２のアルゴリズムの適用に対応する出力画像を生成するように訓練された機械学習アルゴリズムへの入力として提供される。

本発明のこれらおよび他の特徴、態様、および利点は、添付の図面を参照しながら以下の詳細な説明を読解すればより良好に理解され、添付の図面においては、図面全体を通して同一の符号は同一の部分を表している。

本開示の態様による、人工ニューラルネットワークの形態の機械学習の実装の一例を示す図である。 本開示の態様による、コンピュータ断層撮影（ＣＴ）撮像システムの構成要素を示すブロック図である。 本開示の態様による、画像を再構成するためのネットワークアーキテクチャを示す図である。 本開示の態様による、訓練画像のペアを示す図である。 本開示の態様による、ターゲット、入力、および出力画像の第１の例を示す図である。 本開示の態様による、ターゲット、入力、および出力画像の第２の例を示す図である。 本開示の態様による、ターゲット、入力、および出力画像の第３の例を示す図である。

１つまたは複数の具体的な実施形態を、以下に記載する。これらの実施形態の簡潔な説明を提供する努力において、実際の実施態様のすべての特徴が本明細書に記載されているわけではない。エンジニアリングまたは設計プロジェクトなどの実際の実施態様の開発においては、開発者らの特定の目的を達成するために、例えばシステム関連および事業関連の制約条件への対応など実施態様に特有の決定を数多くしなければならないし、また、これらの制約条件は実施態様ごとに異なる可能性があることを理解されたい。さらに、このような開発努力は、複雑で時間がかかるが、それでもなお本開示の利益を有する当業者にとっては、設計、製作、および製造の日常的な仕事であることを理解されたい。

以下の説明の態様は、医用撮像の状況において提供されるが、本技術が、そのような医療の状況に限られないことを理解されたい。実際に、そのような医療の場面における例および説明の提供は、現実の実施態様および用途の事例を提供することによって説明を容易にすることに過ぎない。しかしながら、本手法は、製造された部品または商品の非破壊検査（すなわち、品質管理または品質検討用途）、および／または包装、箱、荷物の非侵襲的検査など（すなわち、セキュリティまたはスクリーニング用途）で使用される産業用コンピュータ断層撮影（ＣＴ）のための断層画像再構成など、他の場面でも利用することができる。一般に、本手法は、取得されたデータのセットまたは種類が再構成プロセスを経て画像またはボリュームを生成する、任意の撮像またはスクリーニング状況または画像処理分野において有用であり得る。

さらに、以下の説明は標準的な画像または画像ボリュームに焦点を合わせているが、同じ手法を、スキャンの異なる態様に対応する画像または画像ボリュームの組にも適用できることを、理解されたい。例えば、スペクトルＣＴは、異なるエネルギーでの単色画像および基底物質分解画像を含む一組の画像を生成する。あるいは、別の例として、動的ＣＴまたはＰＥＴは、異なる時点での一組の画像を生成する。本発明は、これらのセットまたはタイプの時間的にオフセットされた画像に適用され得る。

さらに、本明細書においてはＣＴおよびＣアームの例が主として提示されるが、本手法が、断層撮影再構成プロセスが採用される他の撮像様態の状況においても使用可能であることを理解されたい。例えば、ここで説明される手法は、これらに限られるわけではないが陽電子放出断層撮影（ＰＥＴ）スキャナ、単一光子放出コンピュータ断層撮影（ＳＰＥＣＴ）スキャナ、および／または磁気共鳴撮像（ＭＲＩ）スキャナなどの他の種類の断層撮影スキャナによって取得されたデータについても採用可能である。

一例として、Ｘ線ＣＴ（例えば、マルチスライスＣＴ）およびＸ線Ｃアームシステム（例えば、コーンビームＣＴ）などのいくつかの撮像様態は、スキャンされる対象物または患者の投影を測定し、ここで投影は、技術に応じて、ラドン変換データ、ファンビーム変換データ、コーンビーム変換データ、または非一様フーリエ変換に対応する。他の状況において、スキャンデータは、磁場およびＲＦパルスに応答して生成された放出型データ（例えば、ＰＥＴまたはＳＰＥＣＴデータ）または磁気共鳴データ（例えば、ＭＲＩデータ）であってもよい。断層撮影再構成アルゴリズムならびに関連の補正および較正アルゴリズム（例えば、部分ボリューム補正、ノイズ抑制、ビーム硬化アーチファクト補正、Ｘ線源／検出器スペクトル較正、低信号補正、散乱補正、モーション補正、切り捨て補正、ＭＲ白色ピクセル補正、ＭＲ磁場不均一アーチファクト補正など）が、これらの撮像様態と組み合わせて採用され、生の測定値から有用な断面画像またはボリューム画像が生成される。

従来からの再構成技術は、典型的には、直接再構成（明示的な逆ステップを実行する）または最適化に基づく再構成（コスト関数を反復的に最適化する）として特徴付けることができる再構成アルゴリズムを使用する。直接再構成の手法は、比較的高速であるが、ノイズおよび特定のアーチファクトを抑制する効率的なやり方を持たない。最適化に基づく再構成の手法は、より優れたノイズ低減をもたらし、解析的に容易に反転されない物理学効果を順モデルに組み込むことができるが、そのような手法は比較的計算コストが高い。

例として、モデルベースの画像再構成（ＭＢＩＲ）技術は、従来の逆投影手法（つまり、直接再構成）と比較してノイズレベルを低減し、画像詳細の解像度を向上させる最適化ベースの手法である。ＭＢＩＲは、一組のデータｙのシングルパス変換を、最適化公式に従って、画像推定ｘの反復計算に置き換える。

ここで、Ｆはベクトルθによるシステムのパラメータ化の下でのスキャナによる画像ｘの変換を模倣する前方投影演算子であり、Ｓは確率的画像モデルの一部である局所的な滑らかさなどの画像特性を促進するペナルティ関数である。任意のシステムジオメトリをＦでモデル化することができ、データの様々な信頼性を、ｙとｘの前方投影との間の誤差に関する基準に含めることができる。

理解されるように、ＭＢＩＲによってもたらされる最適化問題を解決することは、反転プロセスに多大な計算コストを課す。特に、反復法は、演算子Ｆによってモデル化された前方投影および逆投影を何らかの形で計算する各サイクル計算で、ｘの既存の推定値を繰り返し改良するが、これにより、そのような再構成プロセスにかなりの計算コストがかかる。

ＭＢＩＲは、より直接的かつ計算的に実用的な方法でエミュレーションするのに適したターゲット再構成アルゴリズムであり得る計算集約的なプロセスの一例として本明細書で提供される。効果をエミュレートできる計算集約型アルゴリズムの他の例は、限定はしないが、１つもしくは複数のまたは金属アーチファクトの低減を実装するアルゴリズムの適用、低信号アーチファクトの低減またはビーム硬化アーチファクトの低減、散乱補正、画像テクスチャの最適化、スパース再構成、および通常は計算が困難であることが判明したその他の技術の適用を含む。したがって、実際の例の場面での説明を容易にするためにＭＢＩＲについて説明するが、本手法は、適切な計算集約型ターゲットアルゴリズムに適用できることを理解されたい。特に、説明を容易にするために本明細書で説明される特定の例は、画像再構成（例えば、投影または他の取得データからの画像またはボリュームの再構成）に関連することを理解されたい。しかし、本手法は、再構成された画像の生成だけでなく、その例が上記で提供されているアーチファクト補正アルゴリズムなどの計算集約型アルゴリズムの適用から生じると従来から理解されている可能性がある任意の画像生成を包括的に理解する必要がある。すなわち、本手法は、一般に、実行されたものよりも複雑なターゲットアルゴリズムの外観を有する取得データからの画像の再構成だけではなく、そのようなアルゴリズムが実装されていないにも関わらず、計算集約的なアルゴリズム（例えば、アーチファクトまたはノイズ低減アルゴリズム）を使用して生成されたように見える画像の生成も含むものと理解され得る。

これを念頭に置いて、本手法は、機械学習を使用して、通常、大幅に削減された計算要件またはオーバーヘッドを伴う計算集約型アルゴリズムを使用して得られる所望の画像品質特性を有する再構成を提供することに関する。ここで使用する機械学習は、データ駆動型予測の目的でサンプルデータセットから非線形統計モデルを構築する一組のアルゴリズムに対応していると理解されたい。

例として、本明細書で説明される機械学習手法のいくつかの実施形態は、ＣＴ、ＰＥＴ、ＳＰＥＣＴ、Ｃアーム、位相コントラスト、およびＭＲ画像などの断層撮影画像を生成するために使用される再構成プロセスの一部として、ニューラルネットワークを利用する。本明細書で論じられるニューラルネットワークには、ディープニューラルネットワーク、完全接続ネットワーク、畳み込みニューラルネットワーク（ＣＮＮ）、パーセプトロン、自動エンコーダ、リカレントネットワーク、または他のラーニング・ネットワーク・アーキテクチャが含まれ得る。これらの技術は、本明細書では機械学習またはディープラーニング技術と呼ばれるが、この専門用語は、特に複数の層を有するニューラルネットワークであるディープニューラルネットワークの使用に関しても使用され得る。

本明細書において論じられるように、ディープラーニング技術（ディープ機械学習、階層学習、またはディープ構造化学習としても知られ得る）は、学習のためにデータの数学的表現および人工ニューラルネットワークを採用する機械学習技術の一分野である。例として、機械学習手法は、コンピュータハードウェアを必要とする集約的計算によって、対象とするタイプのデータの高レベルの抽象化を抽出またはモデル化するための１つまたは複数のアルゴリズムの使用によって特徴付けられる。ディープラーニングは、１つまたは複数の処理層を使用して達成することができ、各層は、典型的には、異なる抽象化レベルに対応し、したがって所与の層のプロセスまたはアルゴリズムのターゲットとして先行の層（すなわち、階層または層のカスケード）の初期データまたは出力の異なる態様を潜在的に用いるまたは利用する。画像処理または再構成の場面では、これはデータの異なる特徴レベルまたは解像度に対応する異なる層として特徴付けられてもよい。

一般に、１つの表現空間から次のレベルの表現空間への処理を、再構成プロセスの１つの「段階」と見なすことができる。再構成の各段階を、別々のニューラルネットワークによって実行することができ、あるいは１つのより大きなニューラルネットワークの異なる部分によって実行することができる。例えば、本明細書において説明するように、単一のディープラーニングネットワークが、再構成プロセスのすべての段階（例えば、初期入力（サイノグラムなど）から出力画像（再構成画像など）まで）をカバーすることができる。あるいは、個別の別個のディープラーニングネットワークの各々が、全体としての再構成プロセスの１つの段階（または、一部の段階）だけをカバーしてもよい。

本明細書で説明するように、特定の問題を解決するためのディープラーニングプロセスの初期訓練の一部として、既知の初期値（例えば、入力画像、投影データ、エミッションデータ、磁気共鳴データ、解析的または直接的再構成画像など）およびディープラーニングプロセスの最終出力の既知の値または望ましい値（例えば、反復的に再構成された断層撮影再構成、残差画像または差分画像など）を有する訓練データセットを用いることができる。単一の段階の訓練は、１つの表現空間に対応する既知の入力値と、次のレベルの表現空間に対応する既知の出力値とを有することができる。このようにして、ディープラーニングアルゴリズムは、初期データと所望の出力との間の数学的関係が識別され、かつ／または各層の入力と出力との間の数学的関係が識別されて特徴付けられるまで、既知のデータセットまたは訓練用データセットを（教師付きまたはガイド付きのやり方、あるいは教師なしまたはガイドなしのやり方で）処理することができる。同様に、初期値および所望の目標値の両方が既知である別の検証データセットを採用して、初期値だけを訓練されたディープラーニングアルゴリズムに供給し、次いで出力をディープラーニングアルゴリズムの出力と比較して、先の訓練を検証し、ならびに／あるいは過剰訓練を防止することができる。

本明細書で説明するように、本機械学習手法は、畳み込みニューラルネットワークを訓練して、一般的には生成するのに計算集約的ではない、直接（つまり、解析的、または簡略化された）再構成画像から、差分（すなわち、残差）画像または反復再構成画像（例えば、ＭＢＩＲ画像、およびアーチファクト補正された画像、または一般的に望ましい画像）の一方または両方を生成することを含む。つまり、機械学習手法を使用して、元のサイノグラム（つまり、投影）データを参照せずに、従来の反復再構成を生成するために必要な時間よりも短い経過時間内に、フィルタ処理された逆投影などの解析的に再構成された画像から残差または反復再構成画像を予測する。断層撮影の場面での他の訓練方式とは異なり、本手法は、一組の断層撮影投影データから生成された複数の画像を使用してディープネットワークを訓練し、１つの画像は、最終結果に望ましい特性を示すターゲット画像である。例えば、訓練は、一組の断層撮影投影データ（すなわち、同じ投影データ）から再構成された、フィルタ処理された逆投影画像（すなわち、入力画像）およびＭＢＩＲ画像（すなわち、ターゲット画像）を使用して達成され得る。このようにして、機械学習アルゴリズムは、異なるアルゴリズム（例えば、フィルタ処理された逆投影または他の解析的または直接的再構成アルゴリズム）で再構成された画像から、ターゲットアルゴリズム（例えば、反復再構成アルゴリズム）の特性を有する画像を生成するように訓練される。

この方法で、適切な訓練が完了すると（本明細書で詳しく説明する）、ＭＢＩＲなどのターゲット再構成アルゴリズムの特性をエミュレートするために、単純な再構成の出力で訓練済み機械学習アルゴリズムを使用することにより、様々な利点が得られる。このような利点には、限定はしないが、分ではなくミリ秒単位でＭＢＩＲ品質の再構成を生成すること、従来のＭＢＩＲと比較して、より一貫性のある心地よい画像テクスチャを生成すること、および／またはサンプリングの課題もしくは患者の動きによる画像の劣化など、ＭＢＩＲに固有のシグネチャを伴うアーチファクトを回避することが含まれる。さらに、本機械学習手法は、金属アーチファクトの削減、スパースビューの再構成など、高度な処理を必要とするＭＢＩＲ以外のアルゴリズムまたはターゲット画像の結果に拡張可能である。

本手法を詳細に説明する前に、ここで説明する機械学習の画像再構成の実装に使用できる人工ニューラルネットワークと、本手法により再構成するデータを生成するために使用できる撮像システムの大まかな概要を、有用な場面を提供して関連する用語を導入するために提供する。

これを念頭に置いて、図１は、本明細書で説明する機械学習ベースの画像再構成のために訓練され得る人工ニューラルネットワーク５０の一例を概略的に示す。この例では、ネットワーク５０は多層であり、訓練用入力５２、入力層５４と、隠れ層５８Ａ、５８Ｂ、などと、出力層６０とを含む複数の層、ならびに訓練ターゲット６４と共に示されている。各層は、この例では、複数の「ニューロン」またはノード５６で構成される。ニューロン５６の数は、層の間で一定であってもよいし、図示するように、層ごとに異なってもよい。各層のニューロン５６は、次の階層層のニューロン５６への入力として働くそれぞれの出力を生成する。特定の実施態様では、バイアスを追加した入力の加重和を計算して、正規化線形ユニット（ＲｅＬＵ）、シグモイド関数、双曲線正接関数などの、または他の方法で指定またはプログラムされた活性化関数に従って層の各それぞれのニューロンを「励起」または「活性化」する。最終層の出力は、ネットワーク出力６０（例えば、変換された画像または残差画像）を構成し、これが、ターゲット画像６４と併せて、ネットワークの訓練を案内するために逆伝播させられる何らかの損失または誤差関数６２を計算するために使用される。

損失関数または誤差関数６２は、ネットワーク出力６０と訓練ターゲット６４との間の差を測定する。特定の実施態様では、損失関数は、ボクセルレベルの値もしくは部分線積分値の平均二乗誤差（ＭＳＥ）であってもよく、および／または画像勾配もしくは他の画像統計などの他の画像特徴を伴う差を説明してもよい。あるいは、損失関数６２を、ソフトマックス関数などの該当の特定のタスクに関連する他の指標によって定めることができる。

機械学習技術を使用したこの断層撮影再構成の手法の説明を容易にするために、本開示は、これらの手法を、主にＣＴまたはＣアームシステムの場面で説明する。しかしながら、以下の説明は、限定はしないが、ＰＥＴ、ＳＰＥＣＴ、マルチスペクトルＣＴ、位相コントラスト撮像、およびＭＲＩを含む他の画像モダリティおよびシステム、ならびに断層撮影再構成が画像を再構成するために用いられる非医療的な場面または任意の場面にも適用可能であり得ることを理解されたい。

これを念頭に、撮像システム１１０（すなわち、スキャナ）の一例を図２に示す。図示する例では、撮像システム１１０は、患者（または他の被検体もしくは関心のある対象物）の周りの様々なビューでスキャンデータ（例えば、Ｘ線減衰データ）を取得するように設計され、断層撮影再構成手法を使用して画像再構成を行うのに適したＣＴ撮像システムである。図２に示す実施形態では、撮像システム１１０は、コリメータ１１４に隣接して位置決めされたＸ線放射源１１２を含む。Ｘ線源１１２は、Ｘ線管、分散型Ｘ線源（固体または熱イオンＸ線源など）、あるいは医用または他の画像の取得に適した任意の他のＸ線放射源であってもよい。反対に、ＰＥＴまたはＳＰＥＣＴの実施形態では、トロイダル放射線検出器を設けてもよく、放射性トレーサが放射線源として使用される。ＭＲＩの場合、測定値は、フーリエ空間におけるサンプルであり、ニューラルネットワークへの入力として直接適用することができ、あるいは最初にサイノグラム空間内の線積分に変換することもできる。

図示する例では、コリメータ１１４は、患者／対象物１１８が配置された領域内を通過するＸ線１１６のビームを整形または制限する。図示する例では、Ｘ線１１６は、撮像ボリュームを通過する円錐形のビーム、すなわちコーンビームになるようにコリメートされる。Ｘ線放射１２０の一部が、患者／対象物１１８（または、他の関心のある対象）またはその周囲を通過し、符号１２２で大まかに示されている検出器アレイに衝突する。アレイの検出器素子が、入射Ｘ線１２０の強度を表す電気信号を発生させる。これらの信号が取得され、患者／対象物１１８内の特徴の画像を再構成するために処理される。

Ｘ線源１１２は、次のスキャンプロトコルのために患者／対象物内の関心のある解剖学的構造を識別するために使用される２次元ローカライザまたはスカウト画像の取得を含むＣＴ検査シーケンス用の電力および制御信号の両方を供給するシステムコントローラ１２４によって制御される。図示する実施形態では、システムコントローラ１２４は、システムコントローラ１２４の構成要素であってもよいＸ線コントローラ１２６を介してＸ線源１１２を制御する。そのような実施形態では、Ｘ線コントローラ１２６は、電力およびタイミング信号をＸ線源１１２に提供するように構成されてもよい。

さらに、検出器１２２は、システムコントローラ１２４に接続され、システムコントローラ１２４は、検出器１２２で生成された信号の取得を制御する。図示する実施形態では、システムコントローラ１２４は、データ収集システム１２８を使用して、検出器によって生成された信号を取得する。データ収集システム１２８は、検出器１２２の読み出し電子回路によって収集されたデータを受け取る。データ収集システム１２８は、検出器１２２からサンプリングされたアナログ信号を受け取って、後述のプロセッサ１３０による後の処理のためにデータをデジタル信号に変換することができる。あるいは、他の実施形態では、デジタル−アナログ変換を、検出器１２２自体に設けられた回路によって実行してもよい。さらに、システムコントローラ１２４は、ダイナミックレンジの初期調整、デジタル画像データのインターリーブなどのために、取得した画像信号に対して種々の信号処理およびフィルタ処理機能を実行してもよい。

図２に示す実施形態では、システムコントローラ１２４は、回転サブシステム１３２および直線位置決めサブシステム１３４に接続される。回転サブシステム１３２は、Ｘ線源１１２、コリメータ１１４および検出器１２２が、主に患者の周りのｘ、ｙ平面内で回転するなど、患者／対象物１１８の周りで１回または複数回回転することを可能にする。回転サブシステム１３２は、それぞれのＸ線放出および検出構成要素が配置されるガントリまたはＣアームを含む場合があることに留意されたい。したがって、そのような実施形態では、システムコントローラ１２４を利用してガントリまたはＣアームを操作することができる。

直線位置決めサブシステム１３４は、患者／対象物１１８、より具体的には患者を支持するテーブルを、ＣＴシステム１１０のボア内で、例えばガントリの回転に対してｚ方向に変位させることを可能にすることができる。したがって、テーブルをガントリ内で（連続的または段階的なやり方で）直線的に移動させ、患者１１８の特定の領域の画像を生成することができる。図示する実施形態では、システムコントローラ１２４は、モータコントローラ１３６を介して回転サブシステム１３２および／または直線位置決めサブシステム１３４の動きを制御する。

一般に、システムコントローラ１２４は、（例えば、上述のＸ線源１１２、検出器１２２、および位置決めシステムの動作を介して）撮像システム１１０の動作を命令して、検査プロトコルを実行し、取得したデータを処理する。例えば、システムコントローラ１２４は、上述のシステムおよびコントローラを介して関心のある対象の周囲でＸ線源１１２および検出器１２２を支持するガントリを回転させることで、対象に対する１つまたは複数のビューにおいてＸ線減衰データを取得することができる。この場面では、システムコントローラ１２４は、信号処理回路と、コンピュータによって実行されるプログラムおよびルーチン（本明細書に記載の断層撮影再構成技術を実行するためのルーチンなど）、ならびに設定パラメータ、画像データなどを格納するための関連のメモリ回路とを、さらに含むことができる。

図示する実施形態では、システムコントローラ１２４によって取得および処理された画像信号は、本開示のアルゴリズムに従って画像を再構成するための処理構成要素１３０に供給される。処理構成要素１３０は、１つまたは複数の汎用または特定用途向けマイクロプロセッサであってもよい。データ収集システム１２８によって収集されたデータは、直接またはメモリ１３８に格納した後に処理構成要素１３０に送信することができる。データの格納に適した任意の種類のメモリを、このような例示的なシステム１１０によって利用することができる。例えば、メモリ１３８は、１つまたは複数の光学、磁気、および／または固体メモリ記憶構造を含むことができる。さらに、メモリ１３８は、取得システムの場所に位置することができ、ならびに／あるいは、後述のように、断層撮影画像再構成のためのデータ、処理パラメータ、および／またはルーチンを格納するための遠方の記憶装置を含んでもよい。

処理構成要素１３０は、典型的にはキーボードおよび／または他の入力装置を含むオペレータワークステーション１４０を介して、オペレータから命令およびスキャンパラメータを受け取るように構成されてもよい。オペレータは、オペレータワークステーション１４０を介してシステム１１０を制御することができる。したがって、オペレータは、オペレータワークステーション１４０を使用して再構成された画像を観察し、かつ／または他の方法でシステム１１０を操作することができる。例えば、オペレータワークステーション１４０に結合されたディスプレイ１４２を利用して、再構成された画像を観察し、撮像を制御することができる。加えて、画像を、オペレータワークステーション１４０に接続されてよいプリンタ１４４によって印刷することもできる。

さらに、処理構成要素１３０およびオペレータワークステーション１４０は、他の出力デバイスに結合することができ、他の出力デバイスは、標準または専用のコンピュータモニタおよび関連する処理回路を含むことができる。１つまたは複数のオペレータワークステーション１４０は、システムパラメータの出力、検査の要求、画像の閲覧などのために、システムにさらにリンクすることができる。一般に、ディスプレイ、プリンタ、ワークステーション、およびシステムにおいて提供される同様の装置は、データ取得構成要素の場所にあってもよいし、あるいは施設もしくは病院内の他の場所、またはまったく異なる場所など、これらの構成要素から離れた場所にあって、インターネット、バーチャルプライベートネットワークなどの１つまたは複数の設定可能なネットワークを介して画像取得システムに接続されてもよい。

さらに、オペレータワークステーション１４０を医用画像保管通信システム（ＰＡＣＳ）１４６にも接続できることに留意されたい。次いで、ＰＡＣＳ１４６を、様々な場所の第三者が生の画像データまたは処理後の画像データにアクセスできるように、リモートクライアント１４８、放射線科情報システム（ＲＩＳ）、病院情報システム（ＨＩＳ）、あるいは内部または外部のネットワークに接続することができる。

上記の説明は、撮像システム１１０の種々の典型的な構成要素を別々に扱ってきたが、これらの種々の構成要素を、共通のプラットフォーム内または相互接続されたプラットフォーム内に設けることも可能である。例えば、処理構成要素１３０、メモリ１３８、およびオペレータワークステーション１４０を、本開示の態様に従って動作するように構成された汎用または専用のコンピュータまたはワークステーションとしてまとめて提供することができる。そのような実施形態では、汎用または専用のコンピュータを、システム１１０のデータ取得構成要素に対して別個の構成要素として設けることができ、あるいはそのような構成要素と共通のプラットフォームに設けることができる。同様に、システムコントローラ１２４を、そのようなコンピュータまたはワークステーションの一部として、あるいは画像取得に専用の別個のシステムの一部として設けることができる。

図２のシステムを、スキャンデータを使用して撮像領域の画像を再構成するために、患者の関心領域の周りの種々のビューについてのＸ線投影データ（または、他の様態用の他のスキャンデータ）を取得するために利用することができる。撮像システム１１０などのシステムによって取得された投影（または他の）データは、断層撮影再構成を行うために本明細書で説明するように再構成することができる。特に、本手法は、画像の断層撮影再構成のために機械学習技術を利用する。

前述のことを念頭に置いて、本手法は、機械学習またはディープラーニング技術を使用して、計算集約的ではないルーチンを使用して生成された対象の断層撮影画像を、計算集約的であるターゲット再構成アルゴリズムを使用して同じスキャン日に取得されるであろうものと同等の画像に変換する。

ディープラーニングネットワーク５０は、対象物からの同じ組の断層撮影スキャンデータから再構成された画像ペア（またはより多数の画像）から具体的に訓練される。一例では、畳み込みニューラルネットワーク（ＣＮＮ）は、フィルタ処理された逆投影（ＦＢＰ）および同じスキャンデータから生成されたＭＢＩＲ再構成から訓練される。訓練済ニューラルネットワーク５０は、解析的または直接的な再構成手法（例えば、ＦＢＰ）を使用して再構成された第１の画像を、反復ベースの再構成（例えば、ＭＢＩＲ画像）に対応する第２の画像にマッピングする関数を生成する。次いで、訓練済ニューラルネットワーク５０は、解析的再構成手法を使用して生成された任意の画像に適用されて、反復的再構成の等価画像を生成することができる。しかし、反復的再構成の等価画像は、出力が最初の解析的に再構成された画像によって調整されるので、実際の反復的再構成画像を同じ断層撮影スキャンデータから直接再構成するよりもはるかに高速に生成することができ、および／またはテクスチャ、アーチファクトなどの全体的な特性が向上する。理解され得るように、本手法は、ＦＢＰおよびＭＢＩＲを超えて、訓練済ネットワーク５０に供給される第１の画像に関連する利益を伴う処理の出力のための任意の所望のターゲット挙動に一般化することができる。

本明細書で説明するように、本手法に関連する可能性がある訓練機械学習またはディープニューラルネットワークの特定の側面には、残差学習、畳み込みニューラルネットワーク、およびバッチ正規化が含まれる。これらの概念は、ディープラーニングネットワークの効果的な訓練に役立ち、本手法に状況を提供するために説明される。

残差学習に関して、この側面は、ニューラルネットワークの深さ（つまり、層の数）とディープラーニングに関するネットワークの性能との関係に関し、通常、深さが深いほど性能が向上する。しかし、様々な理由により、非常に深いニューラルネットワークの訓練は困難な場合がある。本明細書で説明する残差学習は、参照されていないターゲット関数を学習する代わりに、残差学習がネットワーク５０によって学習されるニューラルネットワーク訓練により適している可能性がある手法である。

例として、ノイズの多い観測ｙ＝ｘ＋ｖが得られると仮定する。従来のディープラーニング手法では、潜在的なターゲット画像Ｆ（ｙ）＝ｘの非線形マッピングを見いだそうとすることができる。しかし、残差学習の場面では、残差マッピング

が代わりに見つかる。次に、以下のコスト関数を最適化して、訓練データセット

が指定されたディープニューラルネットワークの重みパラメータを推定する。

残差学習手法では、画像の低周波部分をバイパスすることができ、ネットワークは高周波特性のみを学習するため、学習問題の次元を削減することができる。アイデンティティショートカットなどの複雑なネットワークアーキテクチャを使用して元の画像を再構成する従来の残差学習手法とは異なり、本機械学習手法を使用して、残差画像を、訓練済ニューラルネットワークの適用による直接最適化を使用して予測することができる。

畳み込みニューラルネットワーク（ＣＮＮ）に関して、上記のマッピング関数Ｒは、一実施態様では、複数の畳み込みおよびニューロン活性化層５８で構成される。各層５８において、活性化関数Ｆは畳み込みにより見いだされる。

（３）ｇ＝ｆ（Ｗｙ＋ｂ）
ここで、Ｗは畳み込み行列であり、ｂはニューラル活性化のバイアスである。従来の手法では、活性化関数モデルはシグモイド（例えば：ｆ（ａ）−（１＋ｅ^−ａ）^−１）であり、非常に深いニューラルネットワークの最適化において勾配が０になる問題が生じる場合がある。これを念頭に置いて、特定の実施態様では、次の場合に正規化線形ユニット（ＲｅＬＵ）が使用される。

（４）ｆ（ａ）＝ｍａｘ（０，ａ）
ＲｅＬＵを使用すると、ニューロンの活性化における正の入力が保持されるため、ニューラルネットワークの多くの層で勾配が０になることを回避できる。

バッチ正規化に関しては、効率的な訓練により、ディープラーニングのコスト関数を最適化するためにミニバッチ確率勾配降下法がよく使用される。しかし、内部共変量シフトの問題（例えば、各ニューラル活性化に対する内部入力の分布の変化）は、そのような手法における最適化の収束速度を遅くする可能性がある。特定の実施態様に従って、代わりにバッチ正規化を使用して、内部共変量シフト問題に対処し、より高速な訓練を可能にする。

具体的には、畳み込み層とニューロン活性化層との間に追加の層が追加される。追加の層には、ニューロン活性化層への内部入力の平均と分散の正規化ステップが組み込まれている。この手法に従って、層ごとに２つの追加パラメータ（平均と分散に対応）を推定する必要があるが、ミニバッチ確率勾配降下法の収束速度は大幅に加速される。

上記を念頭に置いて、本手法は、１つまたは複数の残差学習、畳み込みニューラルネットワーク、および／またはディープラーニングネットワークを実装するためのバッチ正規化、あるいは他の適切な機械学習手法を組み込み、解析または直接再構成（ＦＢＰ再構成など）に対応する入力画像を受信または処理し、反復再構成アルゴリズム（ＭＢＩＲ再構成など）を使用して同じ基礎となるスキャンデータを再構成することによって生成されるものに対応する画像、および／または解析的もしくは直接的な再構成とそのような反復的再構成との間の残差または差に対応する画像を出力するように構成されている。

例として、図３を参照すると、この手法を実装するためのネットワークアーキテクチャ１８０が示されている。ネットワークアーキテクチャは、直接的または解析的再構成である画像１８２を入力として受け取る。図示する例では、３つの異なるネットワークユニットまたは態様が示されている。第１のユニット（符号１８４で示される）では、３ｘ３畳み込みカーネルの６４個のフィルタと、それに続く正規化線形ユニット（ＲｅＬＵ）が提供される。第２のユニット（符号１８６で示される）では、バッチ正規化とＲｅＬＵを備えた３ｘ３ｘ６４カーネルの６４フィルタが提供される。第２のユニット１８６は、ディープニューラルネットワークを作成するために複数回（１５回など）繰り返される。最後に、第３のユニット（符号１９０で示される）で、最終画像、ここでは残差画像２００が、３ｘ３ｘ６４カーネルの１つのフィルタを使用した（逆）畳み込みで再構成される。上述のように、そのような残差画像２００は、スキャンデータの解析的再構成（例えば、ＦＢＰ）によって作成された入力画像１８２と、同じスキャンデータの再構成（例えば、ＭＢＩＲ）から生じる画像と、の間の差に対応し得る。残差画像２００は、スキャンデータ自体の再構成からではなく、入力画像１８２から直接予測または推定されることに留意されたい。

理解されるように、残差学習を使用し、畳み込み層、正規化線形ユニット、およびバッチ正規化を含む複数の層を備えた畳み込みニューラルネットワークの使用は、機械学習アルゴリズムの他の適切な設計に拡張できる例である。

上記を念頭に置いて、以下の例は、本手法の訓練および使用の説明を容易にするために提供されている。一例では、同じ組の断層撮影心臓データから生成されたＦＢＰタイプの再構成とＭＢＩＲタイプの再構成との間の関係を学習するように、ディープニューラルネットワークが訓練される。図４は、ＦＢＰ画像２２０およびＭＢＩＲ画像２２２を有する訓練データセットの一例を示す。この例では、２つのボリュームが同じ投影データから再構成された（ＦＢＰタイプ：適応統計的反復再構成（ＡＳＩＲ）−Ｖ ７０％、およびＭＢＩＲタイプ：ＶＥＯ）。各ボリュームは、５１２ｘ５１２画像の２５６スライスで構成されており、そのうちの１つが示されている。ＦＢＰは、特に軟組織内で断層撮影データが低線量で取得されると、ノイズの多いテクスチャの影響を受けやすく、ＭＢＩＲは空間分解能を改善しながらＦＢＰに比べてノイズを大幅に低減することに留意されたい。この例では、４０ｘ４０ピクセルのパッチがストライド２０の画像ペアとランダム順列で抽出され、訓練データベースが作成される。次に、訓練データを使用して、本明細書で説明するようにニューラルネットワークを訓練する。

訓練されたディープネットワークを使用して、ノイズを除去し、他の組の断層撮影心臓スキャンデータから生成されたＦＢＰタイプの画像を改善することができる。例として、図５〜図７は、ＦＢＰ画像２２０のディープラーニング処理を使用して、ターゲットＭＢＩＲ画像２２２のルックアンドフィールをエミュレートする画像結果を示している。ＦＢＰ画像２２０は、残差画像を使用して（ＦＢＰ画像２２０から残差またはノイズ画像を差し引くなどにより）処理され、元の投影データから再構成されたＭＢＩＲ画像に対応するノイズ除去画像２３０を生成する。次に、出力画像は、臨床医による検討のために表示することができる。

参考のために、ターゲット、すなわちグラウンドトゥルースのＭＢＩＲ再構成画像２２２が、未処理のＦＢＰ画像２２０と共に表示される。図５〜図７に示す３つすべての例で、ディープラーニングの結果は画像品質の改善を示し、軟部組織のノイズが減少し、特徴境界の周りの空間解像度が向上したＭＢＩＲのような画像品質を生成する。定量的には、標準のＦＢＰと比較して、ピークＳ／Ｎ比（ＰＳＮＲ）が約１ｄＢ増加し、構造類似性（ＳＳＩＭ）が１０％増加している。プロトタイプ実装では、これらの結果はＧＰＵベースの実装で約１０ ｍｓ／スライスで生成された。比較すると、高度な実用的な計算プラットフォームでは、ターゲットＭＢＩＲ画像自体の再構成には数分かかる。

理解されるように、ＦＢＰタイプおよびＭＢＩＲタイプの画像は、適切な例として本明細書でのみ説明されるが、断層撮影スキャンデータの同じ組から生成される画像の任意の組み合わせは、本手法から利益を得ることができる。例えば、一般的に、本手法は、第１の画像が概して単純または直接の再構成から生成され、第２の（またはターゲット）画像が第１の画像に見られるものとは異なる望ましい特性（ノイズの欠如、望ましいテクスチャなど）を含む場合に適しており、これは通常、同じベースデータの別の再構成または追加の処理ステップによって達成される。例として、本明細書で使用されるＦＢＰタイプの画像は、単純なＦＢＰ、または適応統計的反復再構成（ＡＳｉＲ）またはＡＳｉＲ−Ｖ再構成を指す場合がある。同様に、ターゲット画像は、ＭＢＩＲ／ＶｅｏがＦＢＰよりも提供する従来のノイズ低減と解像度の向上を示す画像であってもよい。同様に、ターゲット画像は、ＡＳｉＲ−Ｖまたは良好なテクスチャ特性を有する他の画像であり得る。

理解され得るように、本概念は、上記の例として提供されたものに加えて、他のベースおよびターゲット画像の状況を包含するように一般化することができる。例えば、本手法は、第１の画像が金属アーチファクトを含むＦＢＰ画像であり、ターゲット画像が専用の金属アーチファクト低減（ＭＡＲ）アルゴリズムが適用されている同じ画像である場合など、アーチファクト補正を示すターゲット画像の生成を含んでもよい。同様に、本手法は、第１の画像がモーションアーチファクトを伴うＦＢＰ画像であり、ターゲット画像が、モーション補正アルゴリズムが適用される同じ画像である場合などのモーションアーチファクトの補正を含んでもよい。同様に、本手法は、ターゲット画像が、拡張視野アルゴリズムが適用されたのと同じ再構成である、切り捨てられたデータセットから生成されたＦＢＰである第１の画像を使用することなどによって、切り捨てられたデータセットの問題またはアーチファクトに対処するために使用することができる。同様に、第１の画像は一連の制限された角度の投影のＦＢＰであってもよく、ターゲット画像は同じデータセットのスパースビュー再構成に対応することができる。したがって、これらの例から理解できるように、本手法は、スキャンデータセットの単純なまたは直接的な再構成によって第１の画像または入力画像が生成される場合に適しており、ターゲット画像は、同じスキャンデータを使用して取得される、より計算集約的な再構成または補正に対応しているが、これは、訓練済ニューラルネットワークを使用して、大幅に少ない時間で、および／または少ない計算コストで達成することができる。このようにして生成された画像は、レビューのために表示することができる。本明細書に示すように、訓練された画像ペアは、単純な再構成および計算集約的な再構成を使用して生成され、同じスキャンデータから生成された画像を含むことができる。

さらに理解され得るように、本手法は、特定の画像領域の異なる取り扱いまたは処理を可能にするように拡張することができる。例えば、異なるタイプの組織または組成物（例えば、骨、コントラスト、軟組織など）が識別され、異なるニューラルネットワークを使用して処理されてもよく、または、一部の領域は訓練済ニューラルネットワークによってさらに処理されてもよいが、他の領域はそのような処理を受けない。例えば、一実施態様では、骨領域として識別またはセグメント化された画像領域は、高解像度が目的であるものなどの骨固有のターゲットアルゴリズムに対応するように訓練された骨固有のニューラルネットワークで処理されてもよい。そのような手法では、骨カーネルターゲット画像を伴うＦＢＰを使用することができる。同様に、軟部組織として識別またはセグメント化された画像領域などの別の画像領域は、例えば、テクスチャの低ノイズまたはターゲットノイズパワースペクトル（ＮＰＳ）が目的である、軟組織固有のターゲットアルゴリズムに対応するように訓練された軟組織固有のニューラルネットワークで処理されてもよい。このような手法では、ソフトまたは標準のカーネルターゲット画像を備えたＦＢＰを使用することができる。

この拡張機能の実施態様では、特定のターゲットモデル（組織タイプなど）にはそれぞれのディープラーニングネットワーク（ＣＮＮなど）があり、別のターゲットモデルには異なるディープラーニングネットワークがある。そのような手法では、アルゴリズムは、特定の領域または画像パッチ（２次元（２Ｄ）または３次元（３Ｄ）パッチ）のいずれかに対応する組織タイプを決定することができる（または、個別に生成されたセグメンテーション情報が訓練と処理に提供され得る）。様々な組織タイプのモデルと処理を１つの大きなディープラーニングネットワークに統合して、画像を処理し、様々な領域タイプまたは器官ごとに異なるターゲット結果を生成することができる。

本発明の技術的効果には、一組の断層撮影投影データから生成された複数の画像（単純な再構成および計算集約的再構成など）を使用して機械学習アルゴリズムまたはニューラルネットワークを訓練することが含まれ、ここで、１つの画像は最終結果に望ましい特性を示すターゲット画像である。これは、単一の取得ではなく、少なくとも２つの異なる断層撮影取得からの画像ペアが使用される従来の手法とは対照的である。技術的効果にはさらに、訓練済ニューラルネットワークを使用して、直接的または解析的な再構成を使用して生成された入力画像から計算集約的な再構成に対応する最終画像を生成することが含まれる。

本明細書は、最良の形態を含む実施例を使用して本発明を開示し、また、任意の装置またはシステムの製造および使用と、取り入れた任意の方法の実行とを含む本発明の実施が、当業者に可能となるようにしている。本発明の特許可能な範囲は、特許請求の範囲によって定義され、当業者が想到する他の実施例を含むことができる。そのような他の実施例は、特許請求の範囲の文言と異ならない構造要素を有する場合、または特許請求の範囲の文言と実質的な差のない等価の構造要素を含む場合、特許請求の範囲内にあることが意図されている。
［実施態様１］
機械学習アルゴリズムを訓練するための方法であって、
１つまたは複数の断層撮影システム（１１０）を使用して取得された投影データまたは画像データにアクセスするステップと、
複数の画像ペアを生成するステップであって、各画像ペアが、第１のアルゴリズムを使用して生成された第１の画像と、第２のアルゴリズムを使用して生成された第２の画像と、を含み、画像ペアごとに、前記第１のアルゴリズムおよび前記第２のアルゴリズムが前記同じ投影データまたは画像データに適用される、ステップと、
前記複数の画像ペアを使用して前記第２のアルゴリズムの特性をエミュレートするために、前記機械学習アルゴリズムを訓練するステップと、
を含む方法。
［実施態様２］
前記第２のアルゴリズムは、前記第１のアルゴリズムよりも計算集約的であるターゲットアルゴリズムを含む、実施態様１に記載の方法。
［実施態様３］
前記第１のアルゴリズムを使用して生成された画像を処理し、前記第２のアルゴリズムを使用して生成された画像と同様の優れた品質特性を有する出力画像を生成するために、前記訓練された機械学習アルゴリズムを使用するステップをさらに含む、実施態様１に記載の方法。
［実施態様４］
前記投影データまたは画像データはコンピュータ断層撮影（ＣＴ）投影データを含み、前記第１のアルゴリズムは第１のＣＴ再構成アルゴリズムであり、前記第２のアルゴリズムは第２のＣＴ再構成アルゴリズムである、実施態様１に記載の方法。
［実施態様５］
前記第１のアルゴリズムは解析的再構成アルゴリズムを含み、前記第２のアルゴリズムは統計的再構成アルゴリズムを含む、実施態様１に記載の方法。
［実施態様６］
前記第１のアルゴリズムは画像再構成または画像生成アルゴリズムを含み、前記第２のアルゴリズムは補正アルゴリズムを含む、実施態様１に記載の方法。
［実施態様７］
前記補正アルゴリズムは、アーチファクト補正もしくは低減アルゴリズム、ノイズ低減アルゴリズム、金属アーチファクト低減アルゴリズム、ビーム硬化アーチファクト低減アルゴリズム、部分ボリューム補正アルゴリズム、低信号補正アルゴリズム、モーション補正アルゴリズム、切り捨て補正アルゴリズム、白ピクセル補正アルゴリズム、散乱補正アルゴリズム、画像テクスチャ最適化アルゴリズム、スパース再構成補正アルゴリズム、またはスペクトル較正アルゴリズムのうちの１つまたは複数を含む、実施態様６に記載の方法。
［実施態様８］
前記機械学習アルゴリズムは、残差学習、畳み込み層、正規化線形ユニット、またはバッチ正規化のうちの１つまたは複数を使用するように構成されたニューラルネットワーク（５０）を含む、実施態様１に記載の方法。
［実施態様９］
各第１の画像および第２の画像を２次元（２Ｄ）または３次元（３Ｄ）パッチのセットに分割するステップをさらに含み、前記機械学習アルゴリズムは、パッチの各ペアから訓練され、前記パッチの特性に基づいて前記第２のアルゴリズムをエミュレートする、実施態様１に記載の方法。
［実施態様１０］
画像処理システムであって、
１つまたは複数のプロセッサ実行可能ルーチンを格納するメモリ（１３８）と、
前記メモリと通信し、前記１つまたは複数のプロセッサ実行可能ルーチンを実行するように構成された処理構成要素（１３０）と、を含み、前記１つまたは複数のプロセッサ実行可能ルーチンは、実行されると、前記プロセッサに対して、
第１のアルゴリズムを一組の断層撮影スキャンデータに適用することによって第１の画像を生成させるか、または記憶媒体から前記第１の画像にアクセスさせ、
前記一組の断層撮影スキャンデータへの第２のアルゴリズムの適用に対応する出力画像を生成するように訓練された機械学習アルゴリズムへの入力として、前記第１の画像を提供させる、画像処理システム。
［実施態様１１］
前記第２のアルゴリズムは、前記第１のアルゴリズムよりも計算集約的であるターゲットアルゴリズムを含む、実施態様１０に記載の画像処理システム。
［実施態様１２］
前記一組の断層撮影スキャンデータは、投影データまたは再構成された画像データを含む、実施態様１０に記載の画像処理システム。
［実施態様１３］
前記第１のアルゴリズムは画像再構成または画像生成アルゴリズムを含み、前記第２のアルゴリズムは補正アルゴリズムを含む、実施態様１０に記載の画像処理システム。
［実施態様１４］
前記補正アルゴリズムは、アーチファクト補正もしくは低減アルゴリズム、ノイズ低減アルゴリズム、金属アーチファクト低減アルゴリズム、ビーム硬化アーチファクト低減アルゴリズム、部分ボリューム補正アルゴリズム、低信号補正アルゴリズム、モーション補正アルゴリズム、切り捨て補正アルゴリズム、白ピクセル補正アルゴリズム、散乱補正アルゴリズム、画像テクスチャ最適化アルゴリズム、スパース再構成補正アルゴリズム、またはスペクトル較正アルゴリズムのうちの１つまたは複数を含む、実施態様１３に記載の画像処理システム。
［実施態様１５］
前記機械学習アルゴリズムは、前記第１のアルゴリズムと前記第２のアルゴリズムを使用して前記断層撮影スキャンデータから生成された画像間で観察されるであろう差異を含む残差画像（２００）を計算することにより前記出力画像を生成し、前記第１の画像を前記残差画像（２００）により修正して前記出力画像を生成するように訓練される、実施態様１０に記載の画像処理システム。
［実施態様１６］
前記第１のアルゴリズムは解析的再構成アルゴリズムを含み、前記第２のアルゴリズムは統計的再構成アルゴリズムを含む、実施態様１０に記載の画像処理システム。
［実施態様１７］
画像再構成方法であって、
第１のアルゴリズムを一組の断層撮影スキャンデータに適用することによって第１の画像を生成するか、または記憶媒体から前記第１の画像にアクセスするステップと、
前記一組の断層撮影スキャンデータへの第２のアルゴリズムの適用に対応する出力画像を生成するように訓練された機械学習アルゴリズムへの入力として、前記第１の画像を提供するステップと、
を含む画像再構成方法。
［実施態様１８］
前記第２のアルゴリズムは、前記第１のアルゴリズムよりも計算集約的であるターゲットアルゴリズムを含む、実施態様１７に記載の画像再構成方法。
［実施態様１９］
前記機械学習アルゴリズムは、前記第１のアルゴリズムと前記第２のアルゴリズムを使用して前記断層撮影スキャンデータから生成された画像間で観察されるであろう差異を含む残差画像（２００）を計算することにより前記出力画像を生成し、前記第１の画像を前記残差画像（２００）により修正して前記出力画像を生成するように訓練される、実施態様１７に記載の画像再構成方法。
［実施態様２０］
前記第１のアルゴリズムは解析的再構成アルゴリズムを含み、前記第２のアルゴリズムは統計的再構成アルゴリズムを含む、実施態様１７に記載の画像再構成方法。

２０ ストライド
５０ 人工ニューラルネットワーク、ディープラーニングネットワーク、訓練済ニューラルネットワーク
５２ 訓練用入力
５４ 入力層
５６ ノード、ニューロン
５８ 畳み込みおよびニューロン活性化層
５８Ａ 隠れ層
５８Ｂ 隠れ層
６０ 出力層、ネットワーク出力
６２ 損失関数または誤差関数
６４ ターゲット画像、訓練ターゲット
１１０ 撮像システム、ＣＴシステム
１１２ Ｘ線放射源、Ｘ線源
１１４ コリメータ
１１６ Ｘ線
１１８ 患者／対象物
１２０ Ｘ線放射、入射Ｘ線
１２２ 検出器
１２４ システムコントローラ
１２６ Ｘ線コントローラ
１２８ データ収集システム
１３０ プロセッサ、処理構成要素
１３２ 回転サブシステム
１３４ 直線位置決めサブシステム
１３６ モータコントローラ
１３８ メモリ
１４０ オペレータワークステーション
１４２ ディスプレイ
１４４ プリンタ
１４６ 医用画像保管通信システム（ＰＡＣＳ）
１４８ リモートクライアント
１８０ ネットワークアーキテクチャ
１８２ 入力画像
１８４ 第１のユニット
１８６ 第２のユニット
１９０ 第３のユニット
２００ 残差画像
２２０ ＦＢＰ画像
２２２ ターゲットＭＢＩＲ画像、ＭＢＩＲ再構成画像
２３０ ノイズ除去画像

Claims (15)

1. 機械学習アルゴリズムを訓練するための方法であって、
   １つまたは複数の断層撮影システム（１１０）を使用して取得された投影データまたは画像データにアクセスするステップと、
   複数の画像ペアを生成するステップであって、各画像ペアが、第１のアルゴリズムを使用して生成された第１の画像と、第２のアルゴリズムを使用して生成された第２の画像と、を含み、画像ペアごとに、前記第１のアルゴリズムおよび前記第２のアルゴリズムが前記同じ投影データまたは画像データに適用される、ステップと、
   前記複数の画像ペアを使用して前記第２のアルゴリズムの特性をエミュレートするために、前記機械学習アルゴリズムを訓練するステップと、
   を含む方法。
2. 前記第２のアルゴリズムは、前記第１のアルゴリズムよりも計算集約的であるターゲットアルゴリズムを含む、請求項１に記載の方法。
3. 前記第１のアルゴリズムを使用して生成された画像を処理し、前記第２のアルゴリズムを使用して生成された画像と同様の優れた品質特性を有する出力画像を生成するために、前記訓練された機械学習アルゴリズムを使用するステップをさらに含む、請求項１に記載の方法。
4. 前記投影データまたは画像データはコンピュータ断層撮影（ＣＴ）投影データを含み、前記第１のアルゴリズムは第１のＣＴ再構成アルゴリズムであり、前記第２のアルゴリズムは第２のＣＴ再構成アルゴリズムである、請求項１に記載の方法。
5. 前記第１のアルゴリズムは解析的再構成アルゴリズムを含み、前記第２のアルゴリズムは統計的再構成アルゴリズムを含む、請求項１に記載の方法。
6. 前記第１のアルゴリズムは画像再構成または画像生成アルゴリズムを含み、前記第２のアルゴリズムは補正アルゴリズムを含む、請求項１に記載の方法。
7. 前記補正アルゴリズムは、アーチファクト補正もしくは低減アルゴリズム、ノイズ低減アルゴリズム、金属アーチファクト低減アルゴリズム、ビーム硬化アーチファクト低減アルゴリズム、部分ボリューム補正アルゴリズム、低信号補正アルゴリズム、モーション補正アルゴリズム、切り捨て補正アルゴリズム、白ピクセル補正アルゴリズム、散乱補正アルゴリズム、画像テクスチャ最適化アルゴリズム、スパース再構成補正アルゴリズム、またはスペクトル較正アルゴリズムのうちの１つまたは複数を含む、請求項６に記載の方法。
8. 前記機械学習アルゴリズムは、残差学習、畳み込み層、正規化線形ユニット、またはバッチ正規化のうちの１つまたは複数を使用するように構成されたニューラルネットワーク（５０）を含む、請求項１に記載の方法。
9. 各第１の画像および第２の画像を２次元（２Ｄ）または３次元（３Ｄ）パッチのセットに分割するステップをさらに含み、前記機械学習アルゴリズムは、パッチの各ペアから訓練され、前記パッチの特性に基づいて前記第２のアルゴリズムをエミュレートする、請求項１に記載の方法。
10. 画像処理システムであって、
    １つまたは複数のプロセッサ実行可能ルーチンを格納するメモリ（１３８）と、
    前記メモリと通信し、前記１つまたは複数のプロセッサ実行可能ルーチンを実行するように構成された処理構成要素（１３０）と、を含み、前記１つまたは複数のプロセッサ実行可能ルーチンは、実行されると、前記プロセッサに対して、
    第１のアルゴリズムを一組の断層撮影スキャンデータに適用することによって第１の画像を生成させるか、または記憶媒体から前記第１の画像にアクセスさせ、
    前記一組の断層撮影スキャンデータへの第２のアルゴリズムの適用に対応する出力画像を生成するように訓練された機械学習アルゴリズムへの入力として、前記第１の画像を提供させる、画像処理システム。
11. 前記一組の断層撮影スキャンデータは、投影データまたは再構成された画像データを含む、請求項１０に記載の画像処理システム。
12. 前記第１のアルゴリズムは画像再構成または画像生成アルゴリズムを含み、前記第２のアルゴリズムは補正アルゴリズムを含む、請求項１０に記載の画像処理システム。
13. 前記補正アルゴリズムは、アーチファクト補正もしくは低減アルゴリズム、ノイズ低減アルゴリズム、金属アーチファクト低減アルゴリズム、ビーム硬化アーチファクト低減アルゴリズム、部分ボリューム補正アルゴリズム、低信号補正アルゴリズム、モーション補正アルゴリズム、切り捨て補正アルゴリズム、白ピクセル補正アルゴリズム、散乱補正アルゴリズム、画像テクスチャ最適化アルゴリズム、スパース再構成補正アルゴリズム、またはスペクトル較正アルゴリズムのうちの１つまたは複数を含む、請求項１２に記載の画像処理システム。
14. 前記機械学習アルゴリズムは、前記第１のアルゴリズムと前記第２のアルゴリズムを使用して前記断層撮影スキャンデータから生成された画像間で観察されるであろう差異を含む残差画像（２００）を計算することにより前記出力画像を生成し、前記第１の画像を前記残差画像（２００）により修正して前記出力画像を生成するように訓練される、請求項１０に記載の画像処理システム。
15. 画像再構成方法であって、
    第１のアルゴリズムを一組の断層撮影スキャンデータに適用することによって第１の画像を生成するか、または記憶媒体から前記第１の画像にアクセスするステップと、
    前記一組の断層撮影スキャンデータへの第２のアルゴリズムの適用に対応する出力画像を生成するように訓練された機械学習アルゴリズムへの入力として、前記第１の画像を提供するステップと、
    を含む画像再構成方法。