JP7187476B2 - 深層学習に基づくトモグラフィ再構成 - Google Patents

Description

本明細書において開示される主題は、トモグラフィ再構成に関し、とくには、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深層学習技術の使用に関する。

非侵襲的撮像技術は、患者／物体に侵襲的処置を施すことなく患者／物体の内部構造または特徴の画像を得ることを可能にする。とくには、そのような非侵襲的撮像技術は、データを取得し、画像を構成し、あるいは他のやり方で患者／物体の観察された内部の特徴を表すために、種々の物理的原理（ターゲットボリュームを通過するＸ線の区別的な透過、ボリューム内での音波の反射、ボリューム内の種々の組織および材料の常磁性、体内でのターゲット放射性核種の崩壊、など）に依存する。

すべての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、さまざまなトレードオフを免れない。例として、畳み込みニューラルネットワーク（ＣＮＮ）に基づく機械学習アーキテクチャが、いくつかのパターン認識、画像処理、検出、および分類のタスクにおいてベンチマークを設定している。しかしながら、トモグラフィ再構成の状況において、ＣＮＮは、従来どおりに実装されたとき、不適切となる可能性がある。とくに、ＣＮＮは、典型的には、局所的接続および重み共有の原理に基づいて構築される。重み共有（すなわち、スペースインバリアントな畳み込み）は、ネットワークの自由パラメータの数を劇的に減らし、したがってネットワークの訓練時間およびメモリ要件を削減する。しかしながら、多くのコンピュータビジョンの問題においては成功するが、重み共有の原理は、本質的にネットワークをスペースインバリアントに限定し、すなわち特徴が視野内の位置に関係なく検出され、したがって並進不変の特性を構成する。換言すると、ＣＮＮにおける畳み込み演算は、典型的には、本質的に並進不変であるフーリエフィルタによって実行される。これは、多くのコンピュータビジョンの問題において良好な結果を達成するが、スペースバリアントな点広がり関数（ＰＳＦ）による画像の復元および／または再構成などの多くのスペースバリアントなタスクについて、不適切になる。他方で、完全接続ディープニューラルネットワークは、大多数の高次元問題（例えば、画像の再構成）において、計算上実行不可能である。

ZHAO JI ET AL: "Few-View CT reconstruction method based on deep learning", 2016 IEEE NUCLEAR SCIENCE SYMPOSIUM, MEDICAL IMAGING CONFERENCE AND ROOM-TEMPERATURE SEMICONDUCTOR DETECTOR WORKSHOP (NSS/MIC/RTSD), IEEE, 29 October 2016 (2016-10-29), pages 1-4, XP033228046, DOI: 10.1109/NSSMIC. 2016. 8069593

一実施形態においては、方法が提供される。この方法によれば、測定データがトモグラフィスキャナから取得される。測定データの１つ以上のトモグラフィ変換が計算される。１つ以上のトモグラフィ変換は、逆投影、加重逆投影、再投影、フィッシャー情報マトリクスの複数の対角要素、分散画像、ノイズ相関画像、フィッシャー情報マトリクスの多項式、またはこれらの組み合わせのうちの少なくとも１つを含む。１つ以上のトモグラフィ変換は、訓練されたニューラルネットワークへの１つ以上の入力として提供される。１つ以上の入力に基づいて、訓練されたニューラルネットワークから１つ以上の出力が得られる。

さらなる実施形態においては、方法が提供される。この方法によれば、測定データがトモグラフィスキャナから取得される。測定データまたは測定データの１つ以上のトモグラフィ変換のうちの１つ以上を含む１つ以上の入力が、訓練されたニューラルネットワークに提供される。ニューラルネットワークは、ウェーブレット、ウェーブレットフレーム、カーブレット、または他のスパース化変換に基づく少なくとも１つの層を備える。１つ以上の入力に基づいて、訓練されたニューラルネットワークから１つ以上の出力が得られる。

別の実施形態においては、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つ以上の格納された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コンポーネントと、１つ以上の実行可能ルーチンを格納するメモリとを備える。１つ以上の実行可能ルーチンは、処理コンポーネントによって実行されたときに、１組の元の測定値によって最初に表される１組のスキャンデータを取得し、もしくはそのような１組のスキャンデータにアクセスするステップと、１組のスキャンデータの１つ以上のトモグラフィ変換を計算するステップと、１つ以上のトモグラフィ変換を、ウェーブレットフィルタバンクに基づく少なくとも１つの層を備える訓練されたニューラルネットワークへと、１つ以上の入力としてもたらすステップと、１つ以上の入力に基づいて訓練されたニューラルネットワークから１つ以上の出力を得るステップとを含む行為の実行を生じさせる。

本発明のこれらの特徴、態様、および利点、ならびに他の特徴、態様、および利点が、以下の詳細な説明を添付の図面を参照しつつ検討することで、よりよく理解されるであろう。添付の図面において、類似の符号は、図面の全体を通して、類似の部分を表している。

本開示の態様による深層学習モデルを訓練するための人工ニューラルネットワークの例を示している。 本開示の態様によるコンピュータトモグラフィ（ＣＴ）撮像システムのコンポーネントを示すブロック図である。 本開示の態様による１組の測定データの変換を使用して出力を生成する処理フローの第１の例を示している。 本開示の態様による１組の測定データの変換を使用して出力を生成する処理フローの第２の例を示している。 本開示の態様による１組の測定データの変換を使用して出力を生成する処理フローの第３の例を示している。 本開示の態様による１組の測定データの変換を使用して出力を生成する処理フローの第４の例を示している。 本開示の態様による１組の測定データの変換を使用して出力を生成する処理フローの第５の例を示している。 本開示の態様による１組の測定データの変換を使用して出力を生成する処理フローの第６の例を示している。 本開示の態様によるフィルタ係数を訓練するための処理フローを示している。 本開示の態様による深層学習システムの処理チェーンにおける工程を示している。 本開示の態様によるノイズパターンおよびノイズサイノグラムのペアを示している。 本開示の態様による深層学習システムによって再構成された出力画像を示している。

１つ以上の具体的な実施形態を、以下で説明する。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。そのようなあらゆる実際の実施態様の開発において、あらゆる工学または設計プロジェクトと同様に、実施態様ごとにさまざまであり得るシステム関連およびビジネス関連の制約の順守などの開発者の具体的な目標を達成するために、実施態様ごとに特有の多数の決定を行わなければならないことを、理解すべきである。さらに、そのような開発の努力が、複雑かつ時間がかかるものであるかもしれないが、それでもなお本開示の恩恵を被る当業者にとって設計、製作、および製造の日常的な取り組みであろうことを、理解すべきである。

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すべきである。実際に、このような医療の状況における例および説明の提供は、あくまでも現実世界の実施態様および応用の事例を提示することによって説明を容易にするためのものにすぎない。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の用途）、ならびに／あるいは包装、箱、荷物、などの非侵襲的検査（すなわち、セキュリティまたはスクリーニングの用途）において使用される産業用コンピュータトモグラフィ（ＣＴ）のためのトモグラフィ画像再構成など、他の状況においても利用可能である。一般に、本手法は、一組または一種類の取得データについて画像またはボリュームを生成するための再構成プロセスが行われるあらゆる撮像またはスクリーニングの状況あるい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、理解すべきである。例えば、スペクトルＣＴは、異なるエネルギ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、これらの画像の組または種類にも適用することができ、再構成ステップまたはニューラルネットワークの階層への入力は、複数組の画像またはスキャンデータセットであり、予測も１組の画像である。

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、トモグラフィ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すべきである。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トモグラフィ（ＰＥＴ）スキャナ、単一光子放出コンピュータトモグラフィ（ＳＰＥＣＴ）スキャナ、および／または磁気共鳴画像化（ＭＲＩ）スキャナなどの他の種類のトモグラフィ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、スキャンされる物体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）であってよい。トモグラフィ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、部分容積補正、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ホワイトピクセル補正、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体積画像が生成される。

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（費用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、分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。

現時点において、さまざまな再構成および補正アルゴリズムがトモグラフィ撮像における使用のために利用可能であるが、それらはすべて、生のデータおよび／または破損データから意味のあるデータまたは画像および／または補正されたデータまたは画像への関数変換として見ることができる。典型的には、これらの関数変換は、きわめて大規模かつスペースバリアントであり、数百万～数十億、あるいはさらに多くの変数を含む２次元または体積画像を伴う。トモグラフィ画像再構成問題のこの規模が、トモグラフィ再構成および／または補正への機械学習または深層学習の手法の開発を困難にする。換言すると、各々の出力ノードについて多数の入力ノードを有するネットワークが必要になると考えられ、したがって機械学習の問題の規模が計算に関して手に負えなくなる。

これを念頭に、本手法は、法外な計算コストを招くことなくトモグラフィ再構成および／または補正問題のために深層学習ネットワークを効率的に構築できるように、これらの課題を回避する。とくには、本明細書において論じられるように、大規模スペースバリアントトモグラフィ再構成および／または補正問題の解決に適した機械学習および深層学習システムが提供される。本手法は、既存の畳み込みニューラルネットワーク（ＣＮＮ）またはトモグラフィ再構成／補正に学習に基づく技術を適用するための他の力づくの手法の限界に対処して、それらを克服し、トモグラフィ再構成あるいは画像補正および／または復元問題を解決するための機構を提供することができ、計算時間、ノイズおよびアーチファクトの低減、精度、解像度、などに関して、従来からの分析または反復アルゴリズムを凌駕することができる。これを念頭に、本手法は、これらに限られるわけではないが画像再構成、画像ノイズ除去、部分容積補正、標準取り込み値（ＳＵＶ）の決定または補正、計量補正、ノイズ分散推定、などのさまざまなトモグラフィの状況に適用可能である。

上述の前置きの解説を念頭に、本明細書で説明される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画像などのトモグラフィ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、ウェーブレットフィルタバンク、または他のニューラル・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、本明細書において深層学習技術と呼ばれるが、この用語は、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とくに関連して使用されることもある。

本明細書において論じられるように、深層学習技術（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、深層学習の手法は、関心のある種類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つ以上のアルゴリズムの使用を特徴とすることができる。これは、１つ以上の処理層を使用して達成することができ、各層が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の初期データまたは出力の異なる態様を潜在的に採用または利用する（すなわち、階層または層の縦続接続）。画像処理または再構成の状況において、これをデータ内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ることができる。

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されるように、単一の深層学習ネットワークが、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、個別の別個の深層学習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。例えば、この状況において、そのような単一の段階は、初期入力（例えば、サイノグラムまたはサイノグラムの変換）から中間表現まで、１つの中間画像または表現から別の中間画像または表現まで、あるいは中間画像または表現から診断画像、ノイズ分散画像、ノイズ除去画像およびノイズパターン、部分容積効果（ＰＶＥ）またはＰＶＥ補正係数、標準化された取り込み値（ＳＵＶ）またはＳＵＶ補正係数、などの出力までであってよい。

本明細書で説明されるように、特定の問題を解決するための深層学習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、放射データ、磁気共鳴データ、など）と、深層学習プロセスの最終出力（例えば、断面画像または体積表現などの再構成されたトモグラフィ再構成）の既知または所望の値とを有する訓練用データセットを採用することができる。単一段階の訓練は、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、深層学習アルゴリズムは、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深層学習アルゴリズムへと供給し、次いで出力を深層学習アルゴリズムの出力と比較して、先の訓練を検証し、さらには／あるいは過剰訓練を防止することができる。

一例として、１つの想定される実施態様においては、ニューラルネットワークの教師付き訓練が、本明細書において説明されるように、グラウンドトルース画像、対応するサイノグラム、および／または対応するサイノグラムの変換のペアを利用する。訓練用の高線量臨床データセットの数が不充分である場合、変換、回転、スケーリング、およびミラーリングによる臨床画像からのサイノグラムのコンピュータシミュレーションを使用することができる。また、訓練用ペアを生成するために、コンピュータによって生成されるランダムパターン（例えば、ガウスブロブ、ランダムノイズパターン、ランダム形状、など）を使用することも可能である。

以上を念頭に、図１が、本明細書で説明されるように深層学習モデルとして訓練することができる人工ニューラルネットワーク５０の一例を概略的に示している。この例において、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が、ネットワーク５０内に存在する。この例において、各層は、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、あるいは図示の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。実際には、バイアスを追加した入力の加重和が、正規化線形ユニット（ＲｅＬＵ）、シグモイド関数、双曲線正接関数、あるいは他のやり方で指定またはプログラムされる関数などの活性化関数に従って各層の各ニューロンのそれぞれを「励起」または「活性化」するために計算される。最終層の出力は、ネットワーク出力６０（例えば、予測画像）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エラー関数６２を計算するために使用される。

損失またはエラー関数６２は、ネットワーク出力（すなわち、診断画像、ノイズ分散画像、ノイズ除去画像およびノイズパターン、部分容積効果（ＰＶＥ）またはＰＶＥ補正係数、標準化された取り込み値（ＳＵＶ）またはＳＵＶ補正係数）と訓練ターゲットとの間の差を測定する。特定の実施態様において、損失関数は、ボクセルレベル値または部分線積分値の平均二乗誤差（ＭＳＥ）であってよく、さらには／あるいは画像勾配または他の画像統計値などの他の画像特徴に関する差を説明することができる。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。

以上を念頭に、ニューラルネットワーク５０を、本明細書において論じられるような大規模スペースバリアントトモグラフィ再構成に使用するために訓練することができる。訓練の例において、ニューラルネットワーク５０を、最初に、ネットワークパラメータの良好な初期化を保証するために、線形になるように（すなわち、すべての非線形ユニットを除去することによって）制約することができる。さらに、ニューラルネットワーク５０を、以下でさらに詳細に議論されるように、コンピュータシミュレーションによる入力－ターゲットデータセットを使用して、段階ごとに事前に訓練してもよい。事前訓練の後に、ニューラルネットワーク５０を全体として訓練することができ、さらに非線形ユニットを組み込むことができる。

深層学習技術を使用したこのトモグラフィ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アームシステムの状況において説明する。しかしながら、以下の説明が、これらに限られるわけではないが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などの他の画像の様態およびシステム、ならびに非医療の状況またはトモグラフィ再構成が画像の再構成に採用されるあらゆる状況にも適用可能であり得ることを、理解すべきである。

これを念頭に、撮像システム１１０（すなわち、スキャナ）の一例が図２に示される。図示の例において、撮像システム１１０は、患者（あるいは、他の被検体または関心の対象の物体）の周囲のさまざまなビューにおいてスキャンデータ（例えば、Ｘ線減衰データ）を取得するように設計され、トモグラフィ再構成技術を用いた画像再構成の実行に適したＣＴ撮像システムである。図２に示される実施形態において、撮像システム１１０は、コリメータ１１４に隣接して配置された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線放射源であってよい。反対に、ＰＥＴまたはＳＰＥＣＴの実施形態においては、トロイダル放射線検出器を設けることができ、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されても、最初にサイノグラム空間内の線積分へと変換されてもよい。

図示の例において、コリメータ１１４は、患者／物体１１８が配置された領域へと進むＸ線１１６のビームを整形または制限する。図示の例において、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／物体１１８（または、他の関心の対象）またはその周囲を通過し、参照番号１２２にて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／物体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／物体内の関心の対象の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。図示の実施形態において、システムコントローラ１２４は、システムコントローラ１２４のコンポーネントであってよいＸ線コントローラ１２６を介してＸ線源１１２を制御する。このような実施形態において、Ｘ線コントローラ１２６を、Ｘ線源１１２に電力およびタイミング信号を供給するように構成することができる。

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において生じた信号の取得を制御する。図示の実施形態において、システムコントローラ１２４は、データ取得システム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。データ取得システム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。データ取得システム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、他の実施形態においては、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することができる。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することができる。

図２に示される実施形態において、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、患者を中心にして主としてｘ，ｙ平面内で回転するなど、患者／物体１１８を中心にして１回または複数回の回転を行うことを可能にする。回転サブシステム１３２が、それぞれのＸ線放射および検出コンポーネントが配置されたガントリまたはＣアームを含んでもよいことに、注意すべきである。したがって、そのような実施形態においては、システムコントローラ１２４を利用してガントリまたはＣアームを動作させることができる。

直線位置決めサブシステム１３４は、患者／物体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。図示の実施形態において、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の動作を指揮して、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つ以上のビューにおいてＸ線減衰データを取得することができる。この状況において、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（本明細書に記載のトモグラフィ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。

図示の実施形態において、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コンポーネント１３０へともたらされる。処理コンポーネント１３０は、１つ以上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よい。データ取得システム１２８によって収集されたデータを、直接またはメモリ１３８への格納後に、処理コンポーネント１３０へと伝送することができる。データの格納に適した任意の種類のメモリを、このような典型的なシステム１１０によって利用することができる。例えば、メモリ１３８は、１つ以上の光学、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、さらには／あるいは、後述のように、トモグラフィ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。

処理コンポーネント１３０を、典型的にはキーボードおよび／または他の入力装置を備える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することができる。オペレータが、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。このように、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、さらには／あるいは他のやり方でシステム１１０を動作させることができる。例えば、オペレータワークステーション１４０に接続されたディスプレイ１４２を利用して、再構成された画像の観察および撮像の制御を行うことができる。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、処理コンポーネント１３０およびオペレータワークステーション１４０を、標準的または特殊目的のコンピュータモニタおよび関連の処理回路を含むことができる他の出力装置に接続することができる。１つ以上のオペレータワークステーション１４０を、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、システムにさらに接続することができる。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、データ取得コンポーネント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、これらのコンポーネント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つ以上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、注意すべきである。次いで、ＰＡＣＳ１４６を、さまざま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の種々の典型的なコンポーネントを別々に扱ってきたが、これらの種々のコンポーネントを、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、処理コンポーネント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特殊用途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において、汎用または特殊用途のコンピュータを、システム１１０のデータ取得コンポーネントに対して別個のコンポーネントとして設けることができ、あるいはそのようなコンポーネント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可能である。

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）データを、トモグラフィ再構成を実行するために本明細書で論じられるとおりに再構成することができる。とくに、本手法は、大規模データセットからの画像のトモグラフィ再構成のための深層学習技術を利用する。

説明されるトモグラフィ再構成の手法においては、トモグラフィスキャナ（Ｘ線ＣＴ、ＰＥＴ、ＳＰＥＣＴ、ＭＲ、またはＣアームシステムなど）から得られた測定データのトモグラフィ変換が、本明細書に記載のとおりのニューラルネットワーク５０への入力として使用される。特定の様態の状況において、測定データは、サイノグラムデータまたは投影データと呼ばれることもある。特定の実施態様においては、２つ以上の撮像様態から得られ、あるいは画像を再構成すべき対象の様態とは異なる撮像様態から得られた測定データのトモグラフィ変換を、ニューラルネットワーク５０への入力として提供することができる。例えば、ＰＥＴまたはＭＲ測定データのトモグラフィ変換を、測定ＣＴデータのトモグラフィ変換に代え、あるいは加えて、ＣＴ画像の再構成を促進するように訓練されたニューラルネットワーク５０への入力として提供することができる。

本手法の特定の態様によれば、トモグラフィ変換操作の結果がニューラルネットワーク５０への入力として代わりに提供されるように、トモグラフィ変換操作が、ニューラルネットワーク５０とは別に実行され、あるいはニューラルネットワーク５０の外部で実行される。このようにして、ニューラルネットワーク５０は、トモグラフィ変換操作を直接学習する（または、実行するように他のやり方で訓練される）必要がない。したがって、本明細書で説明されるように、測定データのトモグラフィ変換をニューラルネットワーク５０への入力５２として使用することは、所与の再構成問題の複雑さおよび次元を低減し、ニューラルネットワーク５０によるさらなる処理にとってより有利な中間データ空間へのデータのマッピングに役立つことができる。この複雑さおよび／または次元の低減は、深層学習の状況において望ましい。さらに、測定（すなわち、投影）データ内の有用な情報を、データのトモグラフィ変換に保持することができる一方で、この情報は、測定データから画像を再構成するプロセスにおいて失われる可能性がある。換言すると、再構成された画像に加え、ニューラルネットワーク５０への入力５２として測定データのトモグラフィ変換を使用することは、再構成画像のみの使用よりも高性能になり得る。

例として、トモグラフィ変換は、逆投影、加重逆投影、予備的または非診断的画像再構成、再投影、フィッシャー情報マトリクスの複数の対角要素、フィッシャー情報の多項式、分散マップ、ノイズ相関マップ、などのうちの１つ以上、ならびにそのような操作の組み合わせであってよい（あるいは、これらに基づくことができる）。本明細書において使用されるとき、逆投影および加重逆投影は、変換と見なされ、再構成された画像ではない。一実施態様において、加重逆投影は、重みがすべて１に設定された通常の非加重逆投影を含む。理解されるように、これらの変換のいくつかは、投影データ空間（例えば、投影またはサイノグラム空間）を画像空間へとマッピングする。このような実施態様は、画像空間が典型的には投影データ空間よりも深層学習にとって扱いやすいという考え方に基づくことができる。

ニューラルネットワーク５０に関して、本明細書で述べられるように、任意の適切なニューラル・ネットワーク・アーキテクチャを採用することができる。例として、特定の実施態様においては、ウェーブレットフィルタバンクに基づくニューラル・ネットワーク・アーキテクチャを採用することができる。例えば、そのような実施態様においては、ニューラルネットワーク５０の層のうちの１つ以上をウェーブレットフィルタバンクとして実現することができ、フィルタバンクの異なるフィルタチャネルが、異なる解像度または空間周波数で動作する。このようなウェーブレットフィルタバンクに基づく実現に関して、これらの手法は、典型的にはスペースインバリアントな検出タスクに好適な従来からの畳み込みニューラルネットワーク（ＣＮＮ）ではうまく処理することができないスペースバリアントな処理の取り扱いに適する。

例として、従来からのＣＮＮにおいては、フィードフォワード・ニューラル・ネットワークの畳み込み層を、

によって表すことができ、
ここで、ｘ_ｉはそれぞれの畳み込み層への入力であり、ｙ_ｊはそれぞれの畳み込み層からの出力であり、ｈ_ｋは畳み込みカーネルの形式の相互接続重みであり、ｆ_ｊは線形または非線形の活性化関数（例えば、シグモイド関数または正規化線形ユニットＲｅＬＵ）である。フーリエ空間において、これを

と記述することができ、
ここで、Ｆは離散フーリエ変換

を表す。

本明細書で説明されるウェーブレットフィルタバンクの手法において、フーリエ変換は、ウェーブレット変換（あるいは、ウェーブレットフレームまたは他のスパース化変換）Ωによって置き換えられ、したがって

であり、
ここで、Ｄは学習されるウェーブレットドメイン相互接続重みを表す。この手法において、該当のネットワーク層は、さまざまな空間および周波数スケールのウェーブレットカーネルのファミリーで構成されるウェーブレットフィルタバンクである。ウェーブレットは空間的変動をコンパクトに表現することが得意であるため、スペースバリアントな挙動の学習を可能にする。これは、ニューラルネットワーク５０の柔軟性および能力を改善し、ニューラルネットワーク５０が過度に多数の自由パラメータを導入することなくスペースバリアントなタスクを学習および実行することを可能にする。

このようなウェーブレットフィルタに基づく手法において、Ｈａａｒウェーブレットまたはウェーブレットフレームを（本明細書の特定の例において論じられるように）使用することができ、あるいは他のさらに画像をスパース化するフレーム（カーブレット、コンターレット、バンドレット、ステアラブルフレーム、など）を使用することができる。フレームが演算および／またはメモリを大量に必要とするようになり得る大規模な３Ｄ問題の場合、代案の実施態様は、上述のウェーブレットフレームの正規直交バージョンを採用することができるが、（ランダム化された）画像変換によって擬似冗長性を導入する可能性がある。

さらに、本明細書において使用されるとき、本提案によるウェーブレットフィルタバンクに基づくフレームワークは、元のデータが後の機械学習タスクの実行に先立ってウェーブレット係数へと事前に変換されるようにネットワークの入力層にウェーブレット変換をやはり使用することができる従来からの機械学習方法とは、異なると理解されるべきである。これらの従来からの手法においては、ウェーブレット変換がネットワークの入力層において一度適用され、ウェーブレット係数ｚ＝Ωｘが抽出され、次いで従来からのネットワーク、すなわち畳み込みニューラルネットワーク（ＣＮＮ）が、ｚに適用される。

これらの従来からの手法において、最初のウェーブレット変換は、ＣＮＮのアーキテクチャ、容量、または柔軟性を実際には変更しない。反対に、ニューラルネットワーク５０のウェーブレットフィルタバンク層の本実施態様においては、ウェーブレットフィルタバンクがニューラルネットワーク５０の内部層に組み込まれ、複雑なタスクを学習するためのニューラルネットワーク５０の能力を向上させる。

上記を念頭に、以下の詳細な検討および説明を容易にするために、一実施態様の高レベルの例をここに示す。この一般化された例に基づいて、次の詳細な例および特定の実施態様を文脈において理解することができる。この一般化された実施態様において、ニューラルネットワーク５０は、訓練用ケースのセットを使用して訓練される。測定データ（例えば、投影データまたはサイノグラム）が、対象について、Ｘ線ＣＴ、ＰＥＴ、ＳＰＥＣＴ、ＭＲ、またはＣアームシステムなどのトモグラフィスキャナから取得される。測定データの１つ以上のトモグラフィ変換が計算され、１つ以上のトモグラフィ変換は、特定の実施態様においては、加重逆投影またはフィッシャー情報マトリクスの複数の対角要素に関連付けられる。１つ以上の出力が、訓練されたニューラルネットワーク５０に基づいて、１つ以上のトモグラフィ変換を訓練されたニューラルネットワーク５０への１つ以上の入力５２として使用することによって得られる。特定の実施態様においては、１つ以上のトモグラフィ変換の次元をさらに減らすために、測定データを、訓練されたニューラルネットワークへと入力される前に非重複または重複パッチに分割することができる。特定の実施形態において、測定データは、測定データの１つ以上のトモグラフィ変換を計算する前に前処理される。そのような前処理の例として、これらに限られるわけではないが、測定データのデータ（前）補正および／または対数操作を挙げることができる。

本明細書で説明されるいくつかの実施形態において、測定データのトモグラフィ変換は、

と計算することができる加重逆投影であってよく、
ここで、ｇは測定データを示し、Ａは画像空間を投影データ空間へとマッピングする順投影機または順投影演算子を示し、Ｗは重みマトリクスである。順投影機の転置（または、随伴）Ａ^Ｔは、逆投影演算子を表す。重みマトリクスは、恒等マトリクスであってよく、そのような実施態様において、加重逆投影は、通常の非加重逆投影になる。代案の実施形態においては、測定データの推定共分散マトリクスの逆行列を、重みマトリクスとして使用してもよい。測定データが統計的に独立している場合、共分散マトリクスおよび重みマトリクスは対角である。

本明細書において説明される他の実施形態において、測定データのトモグラフィ変換は、フィッシャー情報マトリクス（または、そのようなフィッシャー情報マトリクスから導出されたトモグラフィ変換）であってよい。フィッシャー情報マトリクスを、

のように表すことができ、
ここで、Ａは画像空間を投影データ空間へとマッピングする順投影演算子を示し、Ａ^Ｔは投影データ空間を画像空間へとマッピングする逆投影演算子を示し、Ｄは特定の対角行列である。Ｘ線ＣＴにおいて、Ｄは、対数変換前の測定データの推定平均、または対数変換後の測定データの推定平均の逆数を表すことができる。ＰＥＴおよびＳＰＥＣＴにおいて、Ｄは、測定データの推定平均の逆数を表すことができる。

以上を念頭に、図３が、第１の実施形態の例を示している。この実施形態において、測定データ１８０が最初に取得される。測定状態１８０は、この例において、測定データ１８０のトモグラフィ変換１８２を生成するために使用される。例として、トモグラフィ変換１８２は、フィッシャー情報、加重逆投影、または本明細書で説明される他の適切なトモグラフィ変換であってよい。１つのそのような文脈において、「フィッシャー情報」という用語は、フィッシャー情報マトリクスの複数の対角要素または複数の対角要素に関連付けられた特定の画像を指す。さらに、基準再構成画像など、測定データ１８０に基づく追加の入力１８４を生成することができる。この例では、トモグラフィ変換１８２および追加の入力１８４（使用される場合）が、訓練されたニューラルネットワーク５０に入力され、訓練されたニューラルネットワーク５０は、それに応じて出力６０を生成する。

図４を参照すると、画像再構成に関連するさらなる例が示されている。この例において、ニューラルネットワーク５０は、逆投影１９０の形態の測定データ１８０のトモグラフィ変換を入力として受け取るように訓練される。次に、訓練されたニューラルネットワーク５０は、再構成画像１９２を出力する。したがって、この例において、測定データ１８０が、例えばＣＴまたは他の適切な撮像システムを介して最初に取得される。再構成画像１９２を出力する訓練されたニューラルネットワーク５０への入力（追加の入力があっても、なくてもよい）として提供される逆投影１９０を生成するために、測定データに対して逆投影操作が実行される。

反対に、他の例では、ニューラルネットワークを、分散画像の生成および出力など、再構成された画像の特性を出力または予測するように訓練することができる。用語「分散画像」は、実際の分散の指標、標準偏差の指標、画像粗さの指標、または他の同様の指標を含むことができるローカルノイズレベルを表す画像という一般的な意味で使用される。次いで、これらの画像特性を、別の再構成アルゴリズムおよび／または後処理アルゴリズムのパラメータを調整するために使用することができる。例えば、図５を参照すると、ノイズ分散画像推定の特定の実施形態において、フィッシャー情報２００および再構成画像２０２が、測定データ１８０に基づいて計算される。訓練されたニューラルネットワーク５０は、フィッシャー情報２００および再構成画像２０２を入力として受け取って、次いでノイズ分散画像２０４を出力として生成し、分散画像２０４はボクセルごとの分散推定を表す。次いで、このノイズ情報を、ＣＴスキャンプロトコル、再構成アルゴリズム、または後処理アルゴリズムのうちの１つ以上をパラメータ化または調整するために使用することができる。

測定データ１８０から生成され、ニューラルネットワーク５０への入力として使用される再構成画像２０２に関して、そのような再構成画像２０２が入力として使用される実施形態においては、所与の再構成アルゴリズムからのただ１組の再構成画像だけが必要である。理解され、以下でさらに詳細に論じられるように、異なる様態のために存在するさまざまな異なる再構成アルゴリズムがあり、そのいくつかは複雑であり、かつ／または計算コストが高いかもしれない。

この例に基づき、図６を参照すると、そうではなく同じ入力を使用して、異なって訓練されたニューラルネットワーク５０を、ノイズ除去画像およびノイズパターン２１０を出力として生成するように訓練することもできる。画像ノイズ除去およびノイズパターン推定のそのような例において、フィッシャー情報２００および再構成画像２０２が、測定データ１８０に基づいて計算される。訓練されたニューラルネットワーク５０は、入力としてフィッシャー情報２００および再構成画像２０２を受け取り、出力としてノイズパターン（すなわち、再構成画像からノイズ除去画像を引いたもの）を有するノイズ除去画像２１０を生成する。図７に示される代案の実施態様においては、ノイズ分散画像２０４またはノイズ相関画像を、訓練されたニューラルネットワーク５０への追加の入力として使用して、ノイズ除去画像およびノイズパターン２１０を生成することができる。

図８を参照すると、さらなる実施形態においては、そうではなくニューラルネットワーク５０を、部分容積誤差（ＰＶＥ）補正画像２２０を出力するように訓練することもできる。例えば、部分容積補正のための１つのそのような実施形態において、フィッシャー情報２００および再構成画像２０２が、測定データ１８０に基づいて計算される。訓練されたニューラルネットワーク５０が、入力としてフィッシャー情報２００および再構成画像２０２を受け取り、部分容積誤差補正画像、部分容積補正標準化取り込み値（ＳＵＶ）、または部分容積誤差補正係数のうちの１つ以上の部分容積に基づく出力２２０を生成する。このような手法を、アーチファクト補正、散乱補正、などにも使用することができる。

理解されるように、前述の例のいくつかは、訓練されたニューラルネットワーク５０への入力として測定データ１８０から導出された再構成画像２０２を採用する。特定の実施態様において、従来からの画像再構成の手法およびアルゴリズムを採用してニューラルネットワーク５０に入力される再構成画像２０２を生成することができる一方で、他の実施態様においては、投影データ（すなわち、測定データ１８０）からの情報を従来からの手法よりも多く維持するように設計されたアルゴリズムを採用することができる。

とくには、標準的な再構成（フィルタ処理逆投影（ＦＢＰ）など）を実行するとき、元の投影データ（すなわち、測定データ１８０）に存在する情報の一部が失われることを理解できるであろう。高度な反復再構成アルゴリズムを使用してより良好な画像を再構成することができるが、これらの画像でさえ、元の投影データ１８０に存在するすべての情報を含むわけではない。結果として、従来からの再構成アルゴリズムを使用して生成された再構成画像がニューラルネットワーク５０のための入力として使用される場合、投影データに存在する情報の一部はすでに失われている。

これを念頭に、本明細書で論じられる特定の実施形態においては、ニューラルネットワーク５０への入力として使用されるが、視覚検査または臨床使用のために表示または他のやり方で提示されることはないかもしれない再構成画像２０２を生成するために、再構成が実行される。とくには、そのような初期再構成画像２０２を、再構成画像が表示または観察を目的とする従来からの再構成技術よりも測定データ１８０（例えば、投影データ）に存在する情報をより良好に保存するアルゴリズムまたは技術を使用して生成することができる。

一例として、ニューラルネットワーク５０の入力として使用するための再構成画像２０２を生成するためのそのような再構成の手法は、従来からのやり方による再構成画像によるよりも多くの情報を再構成画像２０２によって表すことができるように、より小さなボクセルサイズおよび／またはより大きな画像マトリクスを利用することができる。例えば、０．２５ｍｍのボクセルサイズおよび／または２０４８ｘ２０４８ｘスライス数の画像マトリクスを使用することができる。さらに、採用される再構成アルゴリズムは、従来からの再構成アルゴリズムと違ってもよい。例えば、ニューラルネットワーク５０の入力として使用するための再構成画像２０２を生成するために採用される再構成アルゴリズムは、特別なフィルタカーネルを備えるフィルタ処理逆投影（ＦＢＰ）であってよい。各々のチャネルの特別なフィルタ係数を、図９に示されるように、部分的な再構成および再投影を実行し、元のサイノグラム（すなわち、測定データ１８０）を維持するやり方で係数を調整することによって決定することができる。この例において、元のサイノグラムにさまざまな係数（ここでは、１～ｎ）を使用して部分フィルタ処理を（ステップ２５０）を加え、ｎ個の部分フィルタ処理サイノグラム２５２を生成することができる。部分フィルタ処理サイノグラム２５２を、部分的に逆投影し（ステップ２５４）、その後に部分的に再投影し（ステップ２５６）、結果を合計（ステップ２６０）して再投影されたサイノグラム２６２を生成することができる。次いで、元のサイノグラム１８０と再投影されたサイノグラム２６２の平方差の加重和（ステップ２６４）を使用して、例えば平方の加重和が最小化され、あるいは他のやり方で適切なしきい値に達するまで、反復プロセスにおいて元のサイノグラム１８０を部分的にフィルタ処理するために使用されるｎ個の係数を調整することができる。

例として、フィルタタブを、加重最小二乗最適化問題

として最適化することができ、
ここで、Ｙは元のサイノグラムであり、Ｕ_ｋは、フィルタ係数ｋが１に設定され、他のすべてのフィルタ係数がゼロに設定されたサイノグラムフィルタ処理操作であり、ＡおよびＡ^Ｔは、再投影および逆投影操作であり、Ｗは、随意による対角重み付けマトリクスであり、ｃ_ｋは、フィルタタブｋの最適化されるべきフィルタ係数である。

あるいは、別の手法では、反復ＦＢＰ技術を採用して、ニューラルネットワーク５０の入力として使用するための再構成画像２０２を生成することができる。例えば、ＦＢＰを、残留誤差サイノグラムが小さくなるように反復的に適用することができ、その時点において、再構成画像は適切な程度まで元の情報内容を表す。

上記の説明を念頭に、ＧＥ Ｄｉｓｃｏｖｅｒｙ ＣＴ ７５０ ＨＤ ＣＴシステム（８８８の検出器チャネル、９８４の投影／回転）に関する二次元（２Ｄ）ファンビームＣＴ再構成タスクを示すいくつかの例を以下に示す。図１０が、深層学習システムの処理チェーンの各ステップを図式的に示している。

図１０を参照すると、この検討において、生の入力データ（ＣＴサイノグラム）（すなわち、測定データ１８０）を最初に画像空間へと逆投影し（ステップ２８０）、非フィルタ処理逆投影を生成した。画像再構成を実行するために、ウェーブレットフィルタバンクを構築した（ステップ２８６、２８８、２９０）。９レベルの分解のＨａａｒウェーブレットフレームを、フィルタカーネルとして使用した。

ウェーブレットドメインの重み付け係数を、訓練例としての２００組のシミュレートされたグラウンドトゥルース物体および対応するＣＴサイノグラムによって訓練した。コンピュータで生成されたガウスノイズパターンを、訓練例として使用した。図１１が、訓練プロセスにおいて用いたノイズパターン３００および対応するＣＴサイノグラム３０２のペアの事例を示している。訓練を、従来からのＣＮＮと同じやり方で実行した。

図１２が、ニューラルネットワーク５０の訓練に使用しなかった検証データセットに対応する上述の検討の深層学習システムによって再構成された出力画像を示している。出力画像は、それぞれ３０の例（中央の画像）および２００の例（右端の画像）で機械学習システムを訓練した後に得られたものであり、グラウンドトゥルース画像が参照用として左側に表示されている。

本発明の技術的効果として、大規模スペースバリアントトモグラフィ再構成および／または補正問題の解決に適した機械学習および深層学習システムの使用が挙げられる。本手法は、既存の畳み込みニューラルネットワーク（ＣＮＮ）またはトモグラフィ再構成／補正に学習に基づく技術を適用するための他の力づくの手法の限界に対処して、それらを克服し、トモグラフィ再構成あるいは画像補正および／または復元問題を解決するための機構を提供することができ、計算時間、ノイズおよびアーチファクトの低減、精度、解像度、などに関して、従来からの分析または反復アルゴリズムを凌駕することができる。本手法は、これらに限られるわけではないが画像再構成、画像ノイズ除去、部分容積補正、標準取り込み値（ＳＵＶ）の決定または補正、計量補正、ノイズ分散推定、などのさまざまなトモグラフィの状況に適用可能である。

特定の実施形態において、トモグラフィスキャナ（Ｘ線ＣＴ、ＰＥＴ、ＳＰＥＣＴ、ＭＲ、またはＣアームシステムなど）から得られた測定データのトモグラフィ変換が、ニューラルネットワーク５０への入力として使用される。本手法の特定の態様によれば、トモグラフィ変換操作の結果がニューラルネットワーク５０への入力として代わりに提供されるように、トモグラフィ変換操作が、ニューラルネットワーク５０とは別に実行され、あるいはニューラルネットワーク５０の外部で実行される。したがって、本明細書で説明されるように、測定データのトモグラフィ変換をニューラルネットワーク５０への入力５２として使用することは、所与の再構成問題の複雑さおよび次元を低減し、ニューラルネットワーク５０によるさらなる処理にとってより有利な中間データ空間へのデータのマッピングに役立つことができる。さらに、本明細書において論じられた特定の実施形態においては、ニューラルネットワークの１つ以上の層を、ウェーブレットフィルタバンクとして設けることができる。

本明細書は、本発明を最良の形態を含めて開示するとともに、あらゆる装置またはシステムの製作および使用ならびにあらゆる関連の方法の実行を含む本発明の実施をすべての当業者にとって可能にするために、実施例を使用している。本発明の特許可能な範囲は、特許請求の範囲によって定められ、当業者であれば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、それらが特許請求の範囲の文言から相違し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から実質的には相違しない同等の構造要素を含む場合、特許請求の範囲の技術的範囲に包含されることが意図される。
［実施態様１］
トモグラフィスキャナから測定データ（１８０）を取得するステップと、
逆投影、加重逆投影、再投影、フィッシャー情報マトリクスの複数の対角要素、分散画像、ノイズ相関画像、前記フィッシャー情報マトリクスの多項式、またはこれらの組み合わせのうちの少なくとも１つを含む前記測定データの１つ以上のトモグラフィ変換（１８２、１９０、２００、２０４）を計算するステップと、
前記１つ以上のトモグラフィ変換（１８２、１９０、２００、２０４）を訓練されたニューラルネットワーク（５０）への１つ以上の入力として提供するステップと、
前記１つ以上の入力に基づいて前記訓練されたニューラルネットワーク（５０）から１つ以上の出力（６０、１９２、２０４、２１０、２２０）を得るステップと
を含む方法。
［実施態様２］
複数の訓練用事例を使用してニューラルネットワークを訓練するステップ
をさらに含む、実施態様１に記載の方法。
［実施態様３］
前記複数の訓練用事例は、ガウスブロブ、ランダムノイズパターン、またはランダム形状を含む１つ以上のコンピュータ生成ランダムパターンを含む、実施態様２に記載の方法。
［実施態様４］
前記トモグラフィスキャナは、Ｘ線コンピュータトモグラフィ（ＣＴ）スキャナ、陽電子放出トモグラフィ（ＰＥＴ）スキャナ、単一光子放出コンピュータトモグラフィ（ＳＰＥＣＴ）スキャナ、磁気共鳴画像化（ＭＲＩ）スキャナ、またはＣアームスキャナのうちの１つを備える、実施態様１に記載の方法。
［実施態様５］
前記１つ以上の出力は、出力再構成画像（１９２）を含む、実施態様１に記載の方法。
［実施態様６］
前記１つ以上の入力は、前記１つ以上のトモグラフィ変換に加えて入力再構成画像（２０２）をさらに含む、実施態様１に記載の方法。
［実施態様７］
前記入力再構成画像（２０２）は、特別なフィルタカーネルによるフィルタ処理逆投影画像を含み、前記フィルタ係数は、再投影後に元のサイノグラム（１８０）が維持されるように選択される、実施態様６に記載の方法。
［実施態様８］
前記１つ以上の入力は、前記入力再構成画像（２０２）に加えて入力分散画像（２０４）または入力ノイズ相関画像のうちの少なくとも一方をさらに含む、実施態様６に記載の方法。
［実施態様９］
前記１つ以上の出力は、出力分散画像（２０４）を含む、実施態様１に記載の方法。
［実施態様１０］
前記１つ以上の出力は、部分容積誤差補正画像、部分容積誤差補正標準化取り込み値、または部分容積誤差補正係数（２２０）のうちの１つ以上を含む、実施態様１に記載の方法。
［実施態様１１］
前記１つ以上の出力は、ノイズ除去画像またはノイズパターンのうちの１つ以上（２１０）を含む、実施態様１に記載の方法。
［実施態様１２］
前記ニューラルネットワーク（５０）は、スペースバリアントであり、ウェーブレットフィルタバンク、ウェーブレット、ウェーブレットフレーム、カーブレット、または他のスパース化変換に基づく、実施態様１に記載の方法。
［実施態様１３］
トモグラフィスキャナから測定データ（１８０）を取得するステップと、
前記測定データ（１８０）または前記測定データの１つ以上のトモグラフィ変換（１８２、１９０、２００、２０４）のうちの１つ以上を含む１つ以上の入力を、ウェーブレット、ウェーブレットフレーム、カーブレット、または他のスパース化変換に基づく少なくとも１つの層を備える訓練されたニューラルネットワーク（５０）へともたらすステップと、
前記１つ以上の入力に基づいて前記訓練されたニューラルネットワーク（５０）から１つ以上の出力（６０、１９２、２０４、２１０、２２０）を得るステップと
を含む方法。
［実施態様１４］
前記少なくとも１つの層は、ウェーブレットフィルタバンクを備える、実施態様１３に記載の方法。
［実施態様１５］
前記１つ以上のトモグラフィ変換は、逆投影、加重逆投影、再投影、分散画像、ノイズ相関画像、フィッシャー情報マトリクスの複数の対角要素、または前記フィッシャー情報マトリクスの多項式のうちの少なくとも１つを含む、実施態様１３に記載の方法。
［実施態様１６］
前記１つ以上の入力は、前記１つ以上のトモグラフィ変換（１８２、１９０、２００、２０４）に加えて再構成画像（２０２）をさらに含み、前記再構成画像（２０２）は、特別なフィルタカーネルによる少なくとも１つのフィルタ処理逆投影画像を含み、前記フィルタ係数は、再投影後に元のサイノグラム（１８０）が維持されるように選択される、実施態様１３に記載の方法。
［実施態様１７］
前記ニューラルネットワーク（５０）は、スペースバリアントである、実施態様１３に記載の方法。
［実施態様１８］
１つ以上の格納された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コンポーネントと、
前記１つ以上の実行可能ルーチンを格納するメモリと
を備え、
前記１つ以上の実行可能ルーチンは、前記処理コンポーネントによって実行されたときに、
１組の元の測定値によって最初に表される１組のスキャンデータを取得し、あるいはそのような１組のスキャンデータにアクセスするステップと、
前記１組のスキャンデータの１つ以上のトモグラフィ変換を計算するステップと、
前記１つ以上のトモグラフィ変換を、ウェーブレットフィルタバンク、ウェーブレット、ウェーブレットフレーム、カーブレット、または他のスパース化変換に基づく少なくとも１つの層を備える訓練されたニューラルネットワーク（５０）へと、１つ以上の入力としてもたらすステップと、
前記１つ以上の入力に基づいて前記訓練されたニューラルネットワーク（５０）から１つ以上の出力を得るステップと
を含む行為の実行を生じさせる、画像処理システム。
［実施態様１９］
前記１組のスキャンデータは、コンピュータトモグラフィ（ＣＴ）スキャンデータ、Ｃアームスキャンデータ、陽電子放出トモグラフィ（ＰＥＴ）スキャンデータ、単一光子放出コンピュータトモグラフィ（ＳＰＥＣＴ）スキャンデータ、または磁気共鳴画像化（ＭＲＩ）スキャンデータを含む、実施態様１８に記載の画像処理システム。
［実施態様２０］
前記１つ以上のトモグラフィ変換は、逆投影、加重逆投影、再投影、分散画像、ノイズ相関画像、フィッシャー情報マトリクスの複数の対角要素、またはフィッシャー情報マトリクスの多項式のうちの少なくとも１つを含む、実施態様１８に記載の画像処理システム。
［実施態様２１］
前記１つ以上の出力は、出力再構成画像、分散画像、部分容積誤差補正画像、部分容積誤差補正標準化取り込み値、部分容積誤差補正係数、あるいはノイズ除去画像またはノイズパターンのうちの１つ以上のうちの１つ以上を含む、実施態様１８に記載の画像処理システム。
［実施態様２２］
前記１つ以上の入力は、前記１つ以上のトモグラフィ変換に加えて、入力再構成画像を含む、実施態様１８に記載の画像処理システム。

５０ ネットワーク／ニューラルネットワーク／人工ニューラルネットワーク
５２ 入力／訓練用入力
５４ 入力層
５６ ニューロン／ノード
５８Ａ 隠れ層
５８Ｂ 隠れ層
６０ 出力層／出力
６２ 損失関数／エラー関数
６４ 訓練ターゲット
１１０ 撮像システム／システム／ＣＴシステム
１１２ Ｘ線源／Ｘ線放射源
１１４ コリメータ
１１６ Ｘ線
１１８ 患者／物体
１２０ Ｘ線放射／入射Ｘ線
１２２ 検出器／参照番号
１２４ システムコントローラ
１２６ Ｘ線コントローラ
１２８ データ取得システム
１３０ 処理コンポーネント／プロセッサ
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 元のサイノグラム／測定データ／投影データ／測定状態
１８２ トモグラフィ変換
１８４ 追加の入力
１９０ 逆投影
１９２ 再構成画像
２００ フィッシャー情報
２０２ 再構成画像／初期再構成画像
２０４ ノイズ分散画像／分散画像
２１０ ノイズ除去画像／ノイズパターン
２２０ 部分容積誤差（ＰＶＥ）補正画像／出力
２５０ ステップ（部分フィルタ処理）
２５２ 部分フィルタ処理サイノグラム
２５４ ステップ（部分逆投影）
２５６ ステップ（部分再投影）
２６０ ステップ（合計）
２６２ 再投影サイノグラム
２６４ ステップ（平方の加重和）
２８０ ステップ（逆投影）
２８６ ステップ（ウェーブレット変換）
２８８ ステップ（ウェーブレットドメイン重み付け）
２９０ ステップ（逆ウェーブレット変換）
３００ ノイズパターン
３０２ ＣＴサイノグラム

Claims (10)

1. トモグラフィスキャナから測定データ（１８０）を取得するステップと、
   前記測定データの１つ以上のトモグラフィ変換（１８２、１９０、２００、２０４）を計算するステップであって、前記１つ以上のトモグラフィ変換（１８２、１９０、２００、２０４）が、逆投影、加重逆投影、再投影、フィッシャー情報マトリクスの複数の対角要素、前記フィッシャー情報マトリクスの多項式、またはこれらの組み合わせのうちの少なくとも１つを含む、計算するステップと、
   前記測定データの前記１つ以上のトモグラフィ変換（１８２、１９０、２００、２０４）により得られたデータを訓練されたニューラルネットワーク（５０）への１つ以上の入力として提供するステップと、
   前記１つ以上の入力に基づいて前記訓練されたニューラルネットワーク（５０）から１つ以上の出力（６０、１９２、２０４、２１０、２２０）を得るステップと
   を含む方法。
2. 複数の訓練用事例を使用してニューラルネットワークを訓練するステップ
   をさらに含む、請求項１に記載の方法。
3. 前記複数の訓練用事例は、ガウスブロブ、ランダムノイズパターン、またはランダム形状を含む１つ以上のコンピュータ生成ランダムパターンを含む、請求項２に記載の方法。
4. 前記トモグラフィスキャナは、Ｘ線コンピュータトモグラフィ（ＣＴ）スキャナ、陽電子放出トモグラフィ（ＰＥＴ）スキャナ、単一光子放出コンピュータトモグラフィ（ＳＰＥＣＴ）スキャナ、磁気共鳴画像化（ＭＲＩ）スキャナ、またはＣアームスキャナのうちの１つを備える、請求項１に記載の方法。
5. 前記１つ以上の出力は、出力再構成画像（１９２）を含む、請求項１に記載の方法。
6. 前記１つ以上の入力は、前記１つ以上のトモグラフィ変換に加えて、前記訓練されたニューラルネットワーク（５０）に入力される再構成画像を表す入力再構成画像（２０２）をさらに含む、請求項１に記載の方法。
7. 前記入力再構成画像（２０２）は、特別なフィルタカーネルによるフィルタ処理逆投影画像を含み、前記フィルタ係数は、再投影後に元のサイノグラム（１８０）が維持されるように選択される、請求項６に記載の方法。
8. 前記１つ以上の入力は、前記入力再構成画像（２０２）に加えて入力分散画像（２０４）または入力ノイズ相関画像のうちの少なくとも一方をさらに含む、請求項６に記載の方法。
9. 前記ニューラルネットワーク（５０）は、スペースバリアントトモグラフィ再構成で使用されるものであり、ウェーブレットフィルタバンク、ウェーブレット、ウェーブレットフレーム、カーブレット、または他のスパース化変換に基づく少なくとも１つの層を含む、請求項１に記載の方法。
10. １つ以上の格納された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コンポーネントと、
    前記１つ以上の実行可能ルーチンを格納するメモリと
    を備え、
    前記１つ以上の実行可能ルーチンは、前記処理コンポーネントによって実行されたときに、
    １組の元の測定値によって最初に表される１組のスキャンデータを取得し、あるいはそのような１組のスキャンデータにアクセスするステップと、
    前記１組のスキャンデータの１つ以上のトモグラフィ変換を計算するステップと、
    前記１組のスキャンデータの前記１つ以上のトモグラフィ変換により得られたデータを、ウェーブレットフィルタバンク、ウェーブレット、ウェーブレットフレーム、カーブレット、または他のスパース化変換に基づく少なくとも１つの層を備える訓練されたニューラルネットワーク（５０）へと、１つ以上の入力としてもたらすステップと、
    前記１つ以上の入力に基づいて前記訓練されたニューラルネットワーク（５０）から１つ以上の出力を得るステップと
    を含む行為の実行を生じさせる、画像処理システム。
    

Images