知財求人 - 知財ポータルサイト「IP Force」
特開2022-161003医用画像処理方法、医用画像処理装置、Ｘ線ＣＴ装置、および医用画像処理プログラム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2022161003
(43)【公開日】2022-10-20
(54)【発明の名称】医用画像処理方法、医用画像処理装置、Ｘ線ＣＴ装置、および医用画像処理プログラム
(51)【国際特許分類】
A61B 6/03 20060101AFI20221013BHJP
G06V 10/36 20220101ALI20221013BHJP
G06V 10/82 20220101ALI20221013BHJP
G06T 1/00 20060101ALI20221013BHJP
G06T 1/40 20060101ALI20221013BHJP
G06T 5/00 20060101ALI20221013BHJP
G06T 3/40 20060101ALI20221013BHJP
G06T 7/00 20170101ALI20221013BHJP
【ＦＩ】
A61B6/03 360T
A61B6/03 350M
A61B6/03 350Y
G06V10/36
G06V10/82
G06T1/00 290B
G06T1/40
G06T5/00 705
G06T3/40 730
G06T7/00 612
【審査請求】未請求
【請求項の数】15
【出願形態】ＯＬ
(21)【出願番号】P 2022044986
(22)【出願日】2022-03-22
(31)【優先権主張番号】63/171,700
(32)【優先日】2021-04-07
(33)【優先権主張国・地域又は機関】US
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＶＥＲＩＬＯＧ
(71)【出願人】
【識別番号】594164542
【氏名又は名称】キヤノンメディカルシステムズ株式会社
(74)【代理人】
【識別番号】110002147
【氏名又は名称】弁理士法人酒井国際特許事務所
(72)【発明者】
【氏名】ツ－チェン・リー
(72)【発明者】
【氏名】リヤン・ツァイ
(72)【発明者】
【氏名】ジエン・ジョウ
(72)【発明者】
【氏名】ジョウ・ユウ
(72)【発明者】
【氏名】松浦 正和
(72)【発明者】
【氏名】根本 拓也
(72)【発明者】
【氏名】田口 博基
【テーマコード（参考）】
4C093
5B057
5L096
【Ｆターム（参考）】
4C093AA21
4C093CA02
4C093CA06
4C093FF35
4C093FF37
4C093FF42
5B057AA09
5B057BA07
5B057CA12
5B057CB13
5B057CC02
5B057CE02
5B057CE08
5B057CE11
5B057DA17
5L096BA06
5L096BA13
5L096EA05
5L096EA07
5L096HA11
(57)【要約】
【課題】医用画像における物体の視認性と画質を向上させた医用画像を生成すること。
【解決手段】実施形態に係る医用画像処理方法は、第１ピクセルサイズの検出器を有する第１ＣＴ装置で、検出器の第１イメージング領域を用いて被検体に対する第１ＣＴスキャンを実行して第１投影データ群を取得し、第１投影データ群を再構成処理して第１解像度を有する第１ＣＴ画像を取得し、解像度を向上させる機械学習モデルを第１ＣＴ画像に適用して第１解像度よりも解像度が高い処理後ＣＴ画像を取得し、処理後ＣＴ画像を表示または解析処理のために出力する。機械学習モデルは、第１ピクセルサイズよりも小さい第２ピクセルサイズの検出器を有する第２ＣＴ装置で、検出器の第１イメージング領域よりも小さい第２イメージング領域を用いて被検体に対する第２ＣＴスキャンを実行して得られる第２投影データ群に基づく第２ＣＴ画像を用いた機械学習により得られる。
【選択図】図３
【特許請求の範囲】
【請求項1】
第１のピクセルサイズの検出器を有する第１のＣＴ装置で、前記検出器の第１のイメージング領域を用いて被検体に対する第１のＣＴスキャンを実行することより第１の投影データ群を取得し、
前記第１の投影データ群を再構成処理することにより第１の解像度を有する第１のＣＴ画像を取得し、
前記第１のＣＴ画像に解像度を向上させるための機械学習モデルを適用することにより前記第１の解像度よりも解像度が高い処理後ＣＴ画像を取得し、
前記処理後ＣＴ画像を表示または解析処理のために出力し、
前記機械学習モデルは、第１のピクセルサイズよりも小さい第２のピクセルサイズの検出器を有する第２のＣＴ装置で、前記検出器の第１のイメージング領域よりも小さい第２のイメージング領域を用いて被検体に対する第２のＣＴスキャンを実行することより得られる第２の投影データ群に基づく第２のＣＴ画像を用いた機械学習により得られること、
を備える医用画像処理方法。
前記第１の投影データ群を再構成処理することにより第１の解像度を有する第１のＣＴ画像を取得し、
前記第１のＣＴ画像に解像度を向上させるための機械学習モデルを適用することにより前記第１の解像度よりも解像度が高い処理後ＣＴ画像を取得し、
前記処理後ＣＴ画像を表示または解析処理のために出力し、
前記機械学習モデルは、第１のピクセルサイズよりも小さい第２のピクセルサイズの検出器を有する第２のＣＴ装置で、前記検出器の第１のイメージング領域よりも小さい第２のイメージング領域を用いて被検体に対する第２のＣＴスキャンを実行することより得られる第２の投影データ群に基づく第２のＣＴ画像を用いた機械学習により得られること、
を備える医用画像処理方法。
【請求項2】
前記機械学習モデルを適用する場合には、前記第１の投影データ群を用いて第１のマトリクスサイズで再構成処理をすることにより前記第１のＣＴ画像を生成し、
前記機械学習モデルを適用しない場合には、前記第１の投影データ群を用いて第１のマトリクスサイズよりも小さい第２のマトリクスサイズで再構成処理をすることにより他のＣＴ画像を生成する、
請求項１に記載の医用画像処理方法。
前記機械学習モデルを適用しない場合には、前記第１の投影データ群を用いて第１のマトリクスサイズよりも小さい第２のマトリクスサイズで再構成処理をすることにより他のＣＴ画像を生成する、
請求項１に記載の医用画像処理方法。
【請求項3】
前記機械学習モデルを適用する場合には、前記第１の投影データ群を用い、第１の再構成関数に基づいて再構成処理をすることにより前記第１のＣＴ画像を生成し、
前記機械学習モデルを適用する代わりに、前記機械学習モデルとは異なる、ノイズを低減させるための他の機械学習モデルを適用する場合には、前記第１の投影データ群を用い、前記第１の再構成関数よりもノイズ低減効果の大きい第２の再構成関数に基づいて再構成処理をすることにより他のＣＴ画像を生成し、前記他のＣＴ画像に前記他の機械学習モデルを適用する、
請求項１または２に記載の医用画像処理方法。
前記機械学習モデルを適用する代わりに、前記機械学習モデルとは異なる、ノイズを低減させるための他の機械学習モデルを適用する場合には、前記第１の投影データ群を用い、前記第１の再構成関数よりもノイズ低減効果の大きい第２の再構成関数に基づいて再構成処理をすることにより他のＣＴ画像を生成し、前記他のＣＴ画像に前記他の機械学習モデルを適用する、
請求項１または２に記載の医用画像処理方法。
【請求項4】
前記処理後ＣＴ画像の取得において、前記第１のＣＴ画像と、前記第１のＣＴ画像に前記機械学習モデルを適用して得られる画像とを所定の割合で合成することにより前記処理後ＣＴ画像を取得する、
請求項１乃至３のいずれか一項に記載の医用画像処理方法。
請求項１乃至３のいずれか一項に記載の医用画像処理方法。
【請求項5】
前記所定の割合は、ユーザ入力に基づいて得られる、または一組の撮像条件セットから得られる、
請求項４に記載の医用画像処理方法。
請求項４に記載の医用画像処理方法。
【請求項6】
前記機械学習モデルの適用において、
前記第１のＣＴ画像に基づいて複数の３Ｄ部分画像を生成し、
前記機械学習モデルと前記他の機械学習モデルとのうち指定されたモデルに前記複数の３Ｄ部分画像を入力することによって、前記指定されたモデルを適用して、複数の処理済み３Ｄ部分画像を取得し、
前記複数の処理済み３Ｄ部分画像を合成することによって処理済み画像を取得する、
請求項３に記載の医用画像処理方法。
前記第１のＣＴ画像に基づいて複数の３Ｄ部分画像を生成し、
前記機械学習モデルと前記他の機械学習モデルとのうち指定されたモデルに前記複数の３Ｄ部分画像を入力することによって、前記指定されたモデルを適用して、複数の処理済み３Ｄ部分画像を取得し、
前記複数の処理済み３Ｄ部分画像を合成することによって処理済み画像を取得する、
請求項３に記載の医用画像処理方法。
【請求項7】
前記複数の３Ｄ部分画像の生成において、前記複数の３Ｄ部分画像のうち少なくとも２つが部分的に重複するように前記複数の３Ｄ部分画像を生成する、
請求項６に記載の医用画像処理方法。
請求項６に記載の医用画像処理方法。
【請求項8】
前記複数の処理済み３Ｄ部分画像を合成することにおいて、前記複数の処理済み３Ｄ部分画像のうち２つの隣接する処理済み３Ｄ部分画像間の結合部にフィルタ処理を適用して、前記複数の処理済み３Ｄ部分画像を合成する、
請求項６に記載の医用画像処理方法。
請求項６に記載の医用画像処理方法。
【請求項9】
前記機械学習モデルは、前記第１のＣＴ画像に超解像処理を適用するための機械学習モデルである、
請求項１乃至８のいずれか一項に記載の医用画像処理方法。
請求項１乃至８のいずれか一項に記載の医用画像処理方法。
【請求項10】
前記機械学習モデルは、前記第１のＣＴ画像に超解像処理とノイズ低減処理とを適用するための機械学習モデルである、
請求項１乃至９のいずれか一項に記載の医用画像処理方法。
請求項１乃至９のいずれか一項に記載の医用画像処理方法。
【請求項11】
前記機械学習モデルの生成では、前記第２のＣＴ画像と、前記第２のＣＴ画像または前記第２の投影データ群のいずれかに基づき生成される、前記第２のＣＴ画像よりも解像度が低く、前記第２のＣＴ画像よりもノイズが大きい第３のＣＴ画像とを訓練画像として、前記訓練画像を用いて前記機械学習モデルは訓練される、
請求項１乃至１０のいずれか一項に記載の医用画像処理方法。
請求項１乃至１０のいずれか一項に記載の医用画像処理方法。
【請求項12】
前記機械学習モデルの生成では、前記第２のＣＴ画像と、前記第２の投影データ群にノイズ付加処理を適用してさらに解像度低減処理を適用することにより得られる第３の投影データ群に基づく第４のＣＴ画像とを訓練画像として、前記訓練画像を用いて前記機械学習モデルは訓練される、
請求項１１に記載の医用画像処理方法。
請求項１１に記載の医用画像処理方法。
【請求項13】
第１のピクセルサイズの検出器を有する第１のＣＴ装置で、前記検出器の第１のイメージング領域を用いて被検体に対する第１のＣＴスキャンを実行することより得られる第１の投影データ群を取得する取得部と、
前記第１の投影データ群を再構成処理することにより第１の解像度を有する第１のＣＴ画像を取得し、かつ、前記第１のＣＴ画像に解像度を向上させるための機械学習モデルを適用することにより前記第１の解像度よりも解像度が高い処理後ＣＴ画像を取得する処理部と、
前記処理後ＣＴ画像を表示または解析処理のために出力する出力部と、
を備え、
前記機械学習モデルは、第１のピクセルサイズよりも小さい第２のピクセルサイズの検出器を有する第２のＣＴ装置で、前記検出器の第１のイメージング領域よりも小さい第２のイメージング領域を用いて被検体に対する第２のＣＴスキャンを実行することより得られる第２の投影データ群に基づく第２のＣＴ画像を用いた機械学習により得られる、
医用画像処理装置。
前記第１の投影データ群を再構成処理することにより第１の解像度を有する第１のＣＴ画像を取得し、かつ、前記第１のＣＴ画像に解像度を向上させるための機械学習モデルを適用することにより前記第１の解像度よりも解像度が高い処理後ＣＴ画像を取得する処理部と、
前記処理後ＣＴ画像を表示または解析処理のために出力する出力部と、
を備え、
前記機械学習モデルは、第１のピクセルサイズよりも小さい第２のピクセルサイズの検出器を有する第２のＣＴ装置で、前記検出器の第１のイメージング領域よりも小さい第２のイメージング領域を用いて被検体に対する第２のＣＴスキャンを実行することより得られる第２の投影データ群に基づく第２のＣＴ画像を用いた機械学習により得られる、
医用画像処理装置。
【請求項14】
請求項１３に記載の医用画像処理装置を有するＸ線ＣＴ装置。
【請求項15】
コンピュータに、
第１のピクセルサイズの検出器を有する第１のＣＴ装置で、前記検出器の第１のイメージング領域を用いて被検体に対する第１のＣＴスキャンを実行することより第１の投影データ群を取得し、
前記第１の投影データ群を再構成処理することにより第１の解像度を有する第１のＣＴ画像を取得し、
前記第１のＣＴ画像に解像度を向上させるための機械学習モデルを適用することにより前記第１の解像度よりも解像度が高い処理後ＣＴ画像を取得し、
前記処理後ＣＴ画像を表示または解析処理のために出力すること、
を実現させ、
前記機械学習モデルは、第１のピクセルサイズよりも小さい第２のピクセルサイズの検出器を有する第２のＣＴ装置で、前記検出器の第１のイメージング領域よりも小さい第２のイメージング領域を用いて被検体に対する第２のＣＴスキャンを実行することより得られる第２の投影データ群に基づく第２のＣＴ画像を用いた機械学習により得られる、
医用画像処理プログラム。
第１のピクセルサイズの検出器を有する第１のＣＴ装置で、前記検出器の第１のイメージング領域を用いて被検体に対する第１のＣＴスキャンを実行することより第１の投影データ群を取得し、
前記第１の投影データ群を再構成処理することにより第１の解像度を有する第１のＣＴ画像を取得し、
前記第１のＣＴ画像に解像度を向上させるための機械学習モデルを適用することにより前記第１の解像度よりも解像度が高い処理後ＣＴ画像を取得し、
前記処理後ＣＴ画像を表示または解析処理のために出力すること、
を実現させ、
前記機械学習モデルは、第１のピクセルサイズよりも小さい第２のピクセルサイズの検出器を有する第２のＣＴ装置で、前記検出器の第１のイメージング領域よりも小さい第２のイメージング領域を用いて被検体に対する第２のＣＴスキャンを実行することより得られる第２の投影データ群に基づく第２のＣＴ画像を用いた機械学習により得られる、
医用画像処理プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、一般に医用画像処理および画像診断の分野に関し、特に、深層学習モデルを用いてコンピュータ断層撮影（Ｃｏｍｐｕｔｅｒ Ｔｏｍｏｇｒａｐｈｙ：ＣＴ）画像の空間分解能を向上することに関する。
【背景技術】
【0002】
コンピュータ断層撮影用検出器は、撮影範囲と空間分解能において、小型の検出素子の大きさで広い検出範囲を実現するなど、向上を遂げている。広範囲ＣＴ検出システムの長所の一つとして、撮影範囲の拡大が挙げられる。これにより、心臓や脳を含む臓器のより高速なスキャンと動的撮影が可能になる。広範囲ＣＴ検出システムは回転当たりの撮影範囲を延長することによって、スキャン時間を短縮し、複数回のデータ収集を不要にする。広範囲ＣＴ検出システムを用いることにより、ほんの一瞬のたった１回の回転で、心臓全体、新生児の胸部、さらに足や足首のスキャンを、Ｚ軸上の高い均一性とともに少ない放射線量で収集できる可能性がある。
【0003】
一方、高空間分解能ＣＴシステムは、例えば、腫瘍分類や病気診断等において向上可能な診断画像を提供する。
【0004】
しかしながら、広範囲超高分解能（ｕｌｔｒａ－ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ：ＵＨＲ）ＣＴ検出システムが商業的に入手可能であるとしても、そのシステムコストは高価であり、複雑な信号処理や画像再構成に関連した問題が生じる可能性がある。広範囲超高分解能ＣＴ検出システムには、より広い撮影範囲と高い分解能という利点はあるものの、商業的な環境では高いコストや複雑性という欠点が利点を上回ることもあり得る。
【0005】
超解像（ｓｕｐｅｒ－ｒｅｓｏｌｕｔｉｏｎ：ＳＲ）技術とは、撮像システムの分解能を向上させる技術である。ＳＲは、撮像システムの分解能を、低解像度画像から高解像度情報を復元することによって向上させる。ＳＲのアルゴリズムには、予測モデルベースモデル、エッジベースモデル、画像統計ベースモデル、例ベースモデルの４つのカテゴリがある。当該技術分野において、従来の方法よりも優れた画質と早い処理速度を実現可能な深層畳み込みニューラルネットワーク（ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ： ＤＣＮＮ）ベースのＳＲ手法が求められている。
【先行技術文献】
【特許文献】
【0006】
【特許文献1】米国特許出願公開第２０１３／０５１５１９号明細書
【発明の概要】
【発明が解決しようとする課題】
【0007】
本明細書及び図面に開示の実施形態が解決しようとする課題の一つは、医用画像における解剖学的特徴などの物体の視認性を向上し、かつ画質を向上させた医用画像を生成することである。ただし、本明細書及び図面に開示の実施形態により解決しようとする課題は上記課題に限られない。後述する実施形態に示す各構成による各効果に対応する課題を他の課題として位置づけることもできる。
【課題を解決するための手段】
【0008】
実施形態に係る医用画像処理方法は、第１のピクセルサイズの検出器を有する第１のＣＴ装置で、前記検出器の第１のイメージング領域を用いて被検体に対する第１のＣＴスキャンを実行することより第１の投影データ群を取得し、前記第１の投影データ群を再構成処理することにより第１の解像度を有する第１のＣＴ画像を取得し、前記第１のＣＴ画像に解像度を向上させるための機械学習モデルを適用することにより前記第１の解像度よりも解像度が高い処理後ＣＴ画像を取得し、前記処理後ＣＴ画像を表示または解析処理のために出力する。前記機械学習モデルは、第１のピクセルサイズよりも小さい第２のピクセルサイズの検出器を有する第２のＣＴ装置で、前記検出器の第１のイメージング領域よりも小さい第２のイメージング領域を用いて被検体に対する第２のＣＴスキャンを実行することより得られる第２の投影データ群に基づく第２のＣＴ画像を用いた機械学習により得られる。
【図面の簡単な説明】
【0009】
【図11】図１１は、本開示の一つ以上の態様に基づき、モデルを生成し、最適化し、適用することによって、広範囲ＵＨＲ－ＣＴ画像に非常に似たまたは近似するＤＣＮＮ適用可能画像を生成する少なくとも一つの装置、システム、方法および／または記憶媒体の一つ以上の実施形態と共に利用可能なコンピュータの実施形態を示す概略図である。
【発明を実施するための形態】
【0010】
本開示の目的の一つは、広範囲ＵＨＲ－ＣＴ画像に近似するコンピュータ断層撮影（ＣＴ）画像を取得するためのモデルを生成する方法を含む。一実施形態において、広範囲ＵＨＲ－ＣＴ画像に近似するＣＴ画像を取得するためのモデル生成方法によって、広範囲ＵＨＲ－ＣＴ検出システムを必要とせずに、広範囲超高解像度画像を実現することが可能になる。該方法は、ＣＴ撮像モダリティを用いて撮像対象の物体をスキャンすることによって収集された第一の投影データセットを取得することを含む。第一の投影データセットは、ＵＨＲ－ＣＴスキャナ等の撮像モダリティから取得される超高分解能（ｕｌｔｒａ－ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ：ＵＨＲ）ＣＴデータを含んでもよい。該方法は、第一の投影データセットの分解能低減処理を実施して第二の投影データセットを取得することによって継続されてもよい。第二の投影データセットは、通常分解能（ｎｏｒｍａｌ ｒｅｓｏｌｕｔｉｏｎ：ＮＲ）ＣＴデータを含んでもよい。該方法は、第一の投影データセットに基づいて再構成された第一のＣＴ画像と第二の投影データセットに基づいて再構成された第二のＣＴ画像を用いて機械学習モデルを学習させて、広範囲ＵＨＲ－ＣＴ画像に近似するＣＴ画像を生成するためのモデルを取得することによって、継続される。機械学習モデルは、深層畳み込みニューラルネットワーク（ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＤＣＮＮ）モデルであってもよい。第一のＣＴ画像はＵＨＲ－ＣＴ画像を含み、第二のＣＴ画像は通常分解能（ＮＲ）ＣＴ画像を含んでもよい。
【0011】
本開示の一つ以上の実施形態において、指示を記憶する一つ以上のメモリと、指示を実行して機械学習モデルを適用可能なＣＴ画像を生成する一つ以上のプロセッサを備える医用画像処理装置が提供される。医用画像処理装置は、医用撮像モダリティを用いて検査対象の物体をスキャンすることによって収集された投影データセットを受信することを含む。投影データセットは、物体をスキャンする撮像モダリティとして用いられる広範囲ＣＴ検出器から取得される広範囲ＣＴ検出データを含んでもよい。医用画像処理装置は、投影データセットに基づいて、物体のＣＴ画像を再構成する。再構成された画像は、広範囲ＣＴ検出画像を含んでもよい。医用画像処理装置は、ノイズ低減用の第一の学習済み機械学習モデルと超解像用の第二の学習済み機械学習モデルの一方を指定する。双方のモデルは一つ以上のメモリに保存可能である。指定されたモデルは、ノイズ低減用の深層畳み込みニューラルネットワーク（ＤＣＮＮ）機械学習モデルまたは超解像用のＤＣＮＮ機械学習モデルでもよい。医用画像処理装置は、再構成されたＣＴ画像に指定されたモデルを適用することによって、処理済み画像を取得する。再構成されたＣＴ画像は、広範囲ＣＴ検出画像を含んでもよい。広範囲ＣＴ検出画像に学習済みＤＣＮＮモデルを適用後、処理済み画像が生成される。処理済み画像は、広範囲ＵＨＲ－ＣＴ画像に近似または相似するＤＣＮＮ適用可能画像を含んでもよい。
【0012】
本開示の一つ以上の実施形態は医用撮像や研究等の臨床用途に利用可能であるが、これに限定されるものではない。
【0013】
本開示の他の態様に基づいて、広範囲超高解像度ＣＴ画像に近似するＣＴ画像を生成するための深層畳み込みニューラルネットワークを用いる、一つ以上の追加の装置、一つ以上のシステム、一つ以上の方法、一つ以上の記憶媒体を説明する。本開示の更なる特徴は、添付の図面を参照する以下の記載から、理解され、明らかにされる。
【0014】
本開示の様々な態様を説明するために、図面において、同様な要素は同様な参照符号で示され、理解される程度に単純化された、採用可能な形式で示されるが、本開示は図示される正確な配置や手段によって、または正確な配置や手段に限定されるものではない。本開示の主題の作成や利用について当業者を支援するために、添付の図面を参照する。
【0015】
本開示において、用語「超高分解能（ｕｌｔｒａ－ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ：ＵＨＲ）ＣＴ検出システム」は、ＵＨＲ－ＣＴ検出スキャナまたはＵＨＲ－ＣＴ検出器撮像と相互に言い換え可能である。また、本開示において、用語「広範囲ＣＴ検出システム」は、広範囲ＣＴ検出スキャナまたは広範囲ＣＴ検出器撮像と相互に言い換え可能である。以下に説明する例示的な実施形態において、用語「超高分解能（ＵＨＲ）」および「通常分解能（ｎｏｒｍａｌ ｒｅｓｏｌｕｔｉｏｎ：ＮＲ）」は、特定の分解能を意味するものではない。「ＵＨＲ」の空間分解能は、ＮＲより相対的に高いとして定義され、「ＮＲ」の空間分解能はＵＨＲより低い。また、以下に説明する例示的な実施形態において、用語「広範囲」または「より広範囲」は、特定の範囲や検出器の特定の大きさを意味するものではない。「広範囲」とは、通常撮影範囲の検出器より広い撮影範囲を意味する。また、用語「低放射線量（ｌｏｗ－ｄｏｓｅ：ＬＤ）」、「高放射線量（ｈｉｇｈ－ｄｏｓｅ：ＨＤ）」は特定の放射線量を意味するものではない。「低放射線量（ＬＤ）」とは、「高放射線量（ＨＤ）」より相対的に低い放射線量を意味し、「高放射線量（ＨＤ）」とは、「低放射線量（ＬＤ）」より相対的に高い放射線量を意味する。
【0016】
本開示は、ＵＨＲ－ＣＴ検出システムを用いて超解像学習モデルを構成して、最適化された学習済み深層畳み込みニューラルネットワーク（ＤＣＮＮ）を取得することに関する。該学習済み深層畳み込みニューラルネットワークは、広範囲ＣＴ検出システムから取得される広範囲ＣＴ検出画像に適用される。臨床の場において、超解像学習は、広範囲ＣＴ検出システムが、最適化された学習済みＤＣＮＮを適用することによって、広範囲ＵＨＲ－ＣＴ画像に相似または近似するＤＣＮＮ適用可能ＣＴ画像を取得することを可能にする。すなわち、ＵＨＲ－ＣＴ検出システムは、機械学習モデルの訓練に用いられるが、臨床環境では必要とされない。その利点は、臨床環境において広範囲ＣＴシステムだけで済むことにある。つまり、本開示は、広範囲ＵＨＲ－ＣＴ検出システムを用いることなく、広範囲ＵＨＲ－ＣＴ画像に近似するＣＴ画像の取得を可能にする。このことは、例えば、広範囲ＵＨＲ－ＣＴ検出システムが利用不可能な場合に特に有利である。
【0017】
次に、図面の詳細を参照する。図１Ａは、例示的な実施形態に開示される処理の概要を示す。広範囲ＣＴデータ１０１およびＵＨＲ－ＣＴデータ２０１は広範囲ＵＨＲ－ＣＴ画像３０１の取得に用いられる。ＵＨＲ－ＣＴデータ２０１は、再構成処理の実施されていない投影データセットである。広範囲ＣＴデータ１０１は広範囲ＣＴ検出システム１００から収集されてもよい。ＵＨＲ－ＣＴデータ２０１は、ＵＨＲ－ＣＴ検出システム２００から収集されてもよい。ＵＨＲ－ＣＴデータ２０１は、本開示の一つ以上の態様に基づいて、低解像度ＣＴ画像に適用される学習済みモデルを取得するために学習段階で用いられる。本開示において、学習段階で用いられるＵＨＲ－ＣＴデータ２０１は臨床環境では必要ではない。すなわち、ＵＨＲ－ＣＴ検出システム２００は、現場から離れた場所に置かれて機械学習モデルの訓練用途に用いられてもよい。広範囲ＣＴ検出システム１００は、臨床環境において患者の画像診断に用いられる。本開示の一つ以上の態様に基づき、推論段階において、収集された広範囲ＣＴデータ１０１に対して超解像処理が実施される。本開示の一態様に基づき、広範囲ＣＴ検出システム１００は、広範囲ＵＨＲ－ＣＴ検出システムを必要とすることなく、推論段階において、学習段階で得られた学習済み機械学習モデルを用いて、広範囲ＵＨＲ－ＣＴ検出システムによって収集可能な画像に近似または相似するＣＴ画像を生成する。図２、３、６、７、８、９、１０および１３を参照して、画像ドメインの超解像（ｓｕｐｅｒ ｒｅｓｏｌｕｔｉｏｎ：ＳＲ）について以下に説明する。図１４を参照して、データ（投影）ドメインのＳＲを以下に説明する。
【0018】
実施形態の一例において、広範囲ＣＴ検出システム１００およびＵＨＲ－ＣＴ検出システム２００はそれぞれ、図１１および１２を参照して以下に説明するように、ネットワークと通信するコンソールまたはコンピュータを備えてもよい。また、広範囲ＣＴ検出システム１００およびＵＨＲ－ＣＴ検出システム２００は、ネットワークを介して、コンピュータ（図１１および１２に示す）に付随するＣＰＵと接続されてもよい。すなわち、本開示に基づき、検出システム（１００、２００）のいずれかまたは双方は、ネットワークを介してコンソールまたはコンピュータに接続されてもよいし、内部にコンピュータを備えてもよい。ＣＴシステムの構成の一例を、図１５を参照して以下に説明する。
【0019】
機械学習モデルの学習段階および推論段階で用いられるハードウェアシステムを、図１Ｂを参照して説明する。機械学習モデルの学習は、図１２に示すコンピュータ１２００’と同じ構成要素を有する情報処理装置４００内で実行される。情報処理装置４００は、ＵＨＲ－ＣＴデータ２０１をＵＨＲ－ＣＴ検出システム２００からネットワークＩ／Ｆ１２１２を介して受信する。ＣＰＵまたはＧＰＵは、ＵＨＲ－ＣＴデータ２０１に基づいて機械学習モデルを学習させる。学習プロセスの詳細は後で説明する。学習終了後、情報処理装置４００は超解像（ＳＲ）用学習済みモデル４０１を取得する。ＳＲ用学習済みモデル４０１は、広範囲ＣＴ検出システム１００内の画像処理装置１５０または上述のコンソールに出力される。画像処理装置１５０または該装置１５０のＣＰＵは、学習済みモデル４０１をメモリに保存する。画像処理装置１５０のＣＰＵまたはＧＰＵは、広範囲ＣＴ検出システム１００によって収集された広範囲ＣＴデータ１０１およびＣＴ画像またはＣＴ（投影）データに適用される学習済みモデル４０１に基づいて、広範囲ＵＨＲ－ＣＴ画像３０１を生成する。
【0020】
別の実施形態では、広範囲ＣＴ画像の代わりに、上述の学習済みモデルを通常範囲ＣＴ検出システムによって収集されたＣＴ画像に適用して、空間分解能を向上させたＣＴ画像を生成する。
【0021】
図２は、機械学習モデルを訓練するためのデータ作成と深層畳み込みニューラルネットワーク（ＤＣＮＮ）処理のワークフローを示す。このワークフローは、ステップＳ１００でＵＨＲ－ＣＴデータを取得することによって開始される。ＵＨＲ－ＣＴデータは、超高分解能ＣＴ検出スキャナ２００から収集された再構成前の投影データである。ＵＨＲ－ＣＴ検出スキャナ２００は、現場とは異なる場所または現場から離れた場所に配置されて機械学習モデルを取得する訓練に用いられてもよい。ワークフローの次のステップＳ１０２は、ＵＨＲ－ＮＲシミュレーション（または分解能低減処理）をＵＨＲ－ＣＴデータに対して実施して、通常分解能（ＮＲ）ＣＴデータを取得することを含む。ＵＨＲからＮＲへのシミュレーションの一例として、利用可能なダウンサンプリングが挙げられ、例として４対１の割合のデータドメインのビニングを含む。但し、他の種類の分解能低減処理、例えば、平滑化や他のフィルタリングの利用も本開示の範囲に含まれる。ＵＨＲからＮＲへのシミュレーションによって、通常分解能スキャナ（例えば、４対１画素ビニング）から収集された再構成前ＣＴデータをシミュレーションする。または、ＮＲ－ＣＴ検出システムが利用可能な場合、ＮＲ－ＣＴデータは、ＵＨＲ－ＣＴデータのダウンサンプリングではなく、該ＮＲ－ＣＴ検出システムから直接収集されてもよい。ＮＲ－ＣＴ検出システムをＮＲ－ＣＴデータの取得に用いる場合、ステップＳ１００とＳ１０２を並列にまたは個別に実行してもよい。
【0022】
ステップＳ１０２において、ステップＳ１００のＵＨＲ－ＣＴデータをＮＲ－ＣＴデータにダウンサンプリングする場合、ダウンサンプリングを行う理由は、従来のＣＴデータに比べてＵＨＲ－ＣＴデータは画素数が多いためである。つまり、超高分解能データと通常分解能データである。一実施形態において、ＵＨＲ－ＣＴデータは従来のＣＴデータ（５１２×５１２）の４倍の画素（１０２４×１０２４）を有し得る。すなわち、ＵＨＲ－ＣＴによる画素は従来のＣＴの４倍小さいため、ＵＨＲ－ＣＴによる画素をダウンサンプリングして、従来ＣＴの画素サイズに一致させる。
【0023】
次のステップＳ１０４とＳ１０６は、ステップＳ１００と１０２で収集されたデータの再構成を含む。具体的には、ステップＳ１０４において、ＵＨＲ－ＣＴデータはＵＨＲ－ＣＴ画像に再構成される。ステップＳ１０６において、ＮＲ－ＣＴデータはＮＲ－ＣＴ画像に再構成される。ＵＨＲ－ＣＴ画像とは、ＵＨＲ－ＣＴ検出スキャナ２００からの再構成画像であり、ＤＣＮＮの学習対象として用いられる。言い換えると、ＵＨＲ－ＣＴ画像は機械学習モデルの学習対象である。ＮＲ－ＣＴ画像とは、学習対象と一致させるため、小さい画素サイズに画質を落とした（ビニングした）ＵＨＲ－ＣＴデータからの再構成画像である。
【0024】
画像ドメインのＤＣＮＮは、例えば、Ｕ－ＮＥＴ、Ｖ－ＮＥＴ、およびＥＤＳＲ等の任意の種類のＤＣＮＮ構造を適用可能であるが、本開示に適用可能なＤＣＮＮ構造の種類はこれらに限定されない。ステップＳ１０８において、ＮＲ－ＣＴ画像はＤＣＮＮまたは機械ベース学習モデルの入力として用いられる。ＵＨＲ－ＣＴ画像は、ＤＣＮＮを最適化するためのＤＣＮＮ学習ワークフローの対象として用いられる。最適化の過程で、ＤＣＮＮはステップＳ１０８において処理済みＮＲ－ＣＴ画像を出力する。ステップＳ１１０において、該処理済みＮＲ－ＣＴ画像は、損失関数の取得に用いられる。ステップＳ１１２において、損失関数によって、ＤＣＮＮモデルは最適化される。ステップＳ１１４において、情報処理装置４００は終了基準が満たされているか否かを判断する。処理ループは終了基準が満たされる（ステップＳ１１４の「Ｙ」）まで継続される。終了基準が満たされない場合（ステップＳ１１４の「Ｎ」）、処理ループはステップＳ１０８に戻る。処理済みＮＲ－ＣＴ画像はＵＨＲ－ＣＴ画像（対象）と比較される。処理済みＮＲ－ＣＴ画像は、ＮＲ－ＣＴ画像を入力とするＤＣＮＮ機械学習モデルの学習出力画像である。ＵＨＲ－ＣＴ画像と処理済みＮＲ－ＣＴ画像間の損失関数は、２つの画像の差異を低減することを目的とする。また、ＵＨＲ－ＣＴ画像と処理済みＮＲ－ＣＴ画像間の損失関数は、ＤＣＮＮ機械学習モデルにループバックする各反復処理によって、処理済みＮＲ－ＣＴ画像を高画質にすることを目的とする場合もある。処理済みＮＲ－ＣＴ画像の高画質化は、画像に向上の余地がなくなるまで、または画質を向上させる性能に上昇が見られなくなるまで、最適化される。適用可能なニューラルネットワーク学習の一般的な損失関数の設定は、例えば、平均平方係数（ｍｅａｎ ｓｑｕａｒｅ ｆａｃｔｏｒ：ＭＳＡ）や平均平方誤差（ｍｅａｎ ｓｑｕａｒｅｄ ｅｒｒｏｒ：ＭＡＥ）を含むが、本開示のニューラルネットワーク学習に適合可能な損失関数の種類はこれに限定されない。学習済みＤＣＮＮモデルを最適化する損失関数および最適化処理の詳細については、以下に図４を参照して説明する。
【0025】
ＤＣＮＮの学習プロセスは、広範囲ＵＨＲ－ＣＴ画像に非常に似たまたは近似するＤＣＮＮ適用可能なコンピュータ断層撮影（ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ：ＣＴ）画像を生成するための機械学習モデルの作成方法である。該方法は、ＣＴ撮像モダリティによって撮像対象の物体をスキャンし、第一の投影データセット（ＵＨＲ－ＣＴデータ）を取得することを含む。また、該方法は、第一の投影データセットの分解能低減処理によって、第二の投影データセット（ＮＲ－ＣＴデータ）を取得することを含む。次に、第一の投影データセットに基づき再構成された第一のＣＴ画像と第二の投影データセットに基づき再構成された第二のＣＴ画像を用いて、機械学習モデル（ＤＣＮＮ）を訓練することによって、超解像用モデル（学習済みＤＣＮＮ）を取得する。一実施形態において、分解能低減処理を適用する場合、ノイズデータを第一の投影データセットに付加することによって、第二の投影データセットを取得してもよい。ノイズデータの付加は、第二のＣＴ画像のノイズレベルを第一のＣＴ画像のノイズレベルより高くするために行われる。
【0026】
ノイズデータの付加は、入力ＣＴ画像を学習済み機械学習モデルによって処理する場合に、学習済み機械学習モデルが入力ＣＴ画像をデノイズ（ｄｅｎｏｉｓｅ、ノイズ除去）し、その解像度を向上させるために行われる。他の実施形態において、機械学習モデルの入力は所定のサイズの３次元（３Ｄ）画像データであって、機械学習モデルの出力は所定のサイズの３Ｄ画像データである。
【0027】
次に図３のフローチャートを参照する。このフローチャートは広範囲ＣＴ検出システム１００に適用される図２の学習済みＤＣＮＮを利用する、推論として知られるフレームワークの様々な手順を示す。いくつかの理由から広範囲ＣＴ検出器と学習済みＤＣＮＮとをともに利用することは有利である。一つの理由としては、心臓全体のスキャンまたは他の生物学的スキャンが１回のスキャンで達成できるため、放射線量の削減、スキャン時間の短縮、ハードウェアおよびソフトウェアの複雑性の低減とともにコスト削減に繋がるからである。学習済みＤＣＮＮ機械学習モデルを用いることによって、広範囲ＵＨＲ－ＣＴ検出システムの問題点の一部を有することなく、分解能をＵＨＲ－ＣＴ検出システム２００の分解能に近似させることができる。より多くの時間を要する２回以上のスキャンは、患者の動きにより大きな影響を受けることになり、結果として、理想のスキャンは得られず、ソフトウェアおよびハードウェアの複雑性を増大させることになりかねない。
【0028】
推論フレームワークは、ステップＳ２００において広範囲ＣＴ検出データを収集することによって開始される。広範囲ＣＴ検出データとは、広範囲ＣＴ検出システム１００から収集されたＣＴ投影データを事前に再構成したものである。推論フレームワークは、撮像モダリティを用いて患者をスキャンして画像診断を行う臨床環境において適用される。また、広範囲ＣＴ検出システム１００の画像処理装置１５０は、収集された広範囲ＣＴデータの再構成条件を読み込む。再構成条件は撮像された体部位または撮像の目的に基づいて決定される。このステップでは、学習済みＤＣＮＮは、撮像された体部位または撮像の目的専用に訓練された複数の学習済みＤＣＮＮから選択される。ワークフローは、ステップＳ２０２の広範囲ＣＴデータに基づき広範囲ＣＴ検出画像を生成する再構成によって継続される。ステップＳ２０４において、学習済みＤＣＮＮを広範囲ＣＴ検出画像に適用することによって、処理済みＣＴ画像を生成する。学習済みＤＣＮＮを広範囲ＣＴ検出画像に適用することにより、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像が得られる。ステップＳ２０６において、処理済みＣＴ画像は出力され、表示モニタに表示されて画質チェックおよび／または診断に用いられる。なお、適用される学習済みＤＣＮＮは、本開示の学習段階においてＵＨＲ－ＣＴ検出システム２００によって生成される。
【0029】
図３では、図２の方法に基づいて訓練された超解像（ｓｕｐｅｒ－ｒｅｓｏｌｕｔｉｏｎ：ＳＲ）ＤＣＮＮモデルのみをＣＴ画像に適用したが、別の実施形態において、ＳＲ－ＤＣＮＮモデルに加えて学習済みデノイズ用ＤＣＮＮモデル（このモデルの生成方法は以下に述べる）を適用してもよい。ＳＲ－ＤＣＮＮの後にデノイズＤＣＮＮを適用する、またはデノイズＤＣＮＮの後にＳＲ－ＤＣＮＮを適用するなど、ＳＲ－ＤＣＮＮとデノイズＤＣＮＮを順番に適用することも可能である。また別の実施形態において、複数のＤＣＮＮを同じＣＴ画像に対して並列に適用し、ＳＲ－ＤＣＮＮが適用されたＣＴ画像とデノイズＤＣＮＮが適用されたＣＴ画像を所定の割合で合成してもよい。また、ＤＣＮＮをデノイズとＳＲ効果の双方を持つように訓練してもよい。これについては以下に図９または図１３を参照して説明する。
【0030】
広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像は、広いセグメントをカバーする、高解像度の画像である。すなわち、学習済みＤＣＮＮを適用することによって、広範囲ＣＴ検出データからより高い解像度の画像（ＵＨＲ－ＣＴ画像）を生成することが可能になる。この結果、広範囲ＣＴ検出システム１００を用いる利点（広いスキャン範囲、少ないコスト、複雑性の低い信号処理）と同時に、ＵＨＲ－ＣＴデータからの高解像度および広範囲ＵＨＲ－ＣＴスキャナシステム３００に付随する問題点（狭いスキャン範囲、高いコスト、複雑性の高い処理、放射線量の増加、アーチファクトに対する感受性）のいずれかを最小限にするという利点も得ることができる。
【0031】
別の実施形態において、一つ以上のメモリと一つ以上のプロセッサを備える医用画像処理装置は、様々な手順を実行することによって、学習済みＤＣＮＮを適用して、処理済み画像（広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像）を生成する。医用画像処理装置は、広範囲ＣＴ検出スキャナ／システムであってもよい。また、医用画像処理装置は、例えば、ＵＨＲ－ＣＴ検出システム２００からデータを受信するように構成され、学習済み機械学習モデルを適用可能な装置でもよい。医用画像処理装置は、医用撮像モダリティを用いて検査対象の物体をスキャンすることによって収集された投影データセットを受信し、該投影データセットに基づいて物体のＣＴ画像を再構成する。ノイズ低減用の第一の学習済み機械学習モデルと超解像用の第二の学習済み機械学習モデルは一つ以上のメモリに保存され、その内一方は指定を受ける。指定されたモデルは再構成ＣＴ画像に適用されて処理済み画像を得る。
【0032】
医用画像処理装置は、第一の学習済み機械学習モデルが指定された場合は、第一の再構成フィルタを用いてＣＴ画像を再構成し、第二の学習済み機械学習モデルが指定された場合は、第二の再構成フィルタを用いてＣＴ画像を再構成するように構成されてもよい。医用画像処理装置は、処理済み画像と再構成ＣＴ画像を所定の割合で合成可能である。所定の割合は、ユーザ入力に基づき設定される、または１組の撮像条件に従って決定されてもよい。別の実施形態において、医用画像処理装置は、複数の３Ｄ部分画像を再構成ＣＴ画像に基づいて生成し、生成した複数の３Ｄ部分画像を指定されたモデルに入力することによって、指定されたモデルを適用して複数の処理済み画像を取得し、取得した複数の処理済み３Ｄ部分画像を合成して処理済み画像を得るように構成される。ある状況では、３Ｄ部分画像の内少なくとも２つの画像は部分的に重複している。
【0033】
本開示の別の態様において、医用画像処理装置は、複数の処理済み３Ｄ部分画像のうち２つの隣接する処理済み３Ｄ部分画像間の結合部にフィルタをかける。
【0034】
本開示の少なくとも一つの態様において、深層学習ニューラルネットワークを適用可能な広範囲超高分解能ＣＴの一つの特徴は、ＵＨＲ－ＣＴ検出システム２００から取得される学習済みＤＣＮＮを用いることにある。上記の通り、本開示の学習済みＤＣＮＮの一つの応用として、図４に概略を示すように、最適化処理を機械学習モデルの学習に利用する。
【0035】
図４は、図２に示した上記ＤＣＮＮの学習フレームワークの過程に適用される最適化処理をより詳細に示す。図４に示すように、フレームワークは、ステップＳ３００において入力（Ｘ）を用いて開始される。ステップＳ３１０において、ＤＣＮＮの学習プロセスは、学習用入力（Ｘ）を所望の対象（Ｙ）にマッピングするように設計される。入力（Ｘ）を取得後、ステップＳ３０２とＳ３０４のそれぞれにおいて、以下のＤＣＮＮ（ｆ（Ｘ／Θ））アルゴリズムを用いて出力
を求める。
【数1】
【数2】
【0036】
Θは、最適化されるニューラルネットワークのパラメータの組を示し、Ｎは、学習プロセスでの学習事例の総数である。ｆは最適化されるニューラルネットワークを示し、ｘｉは、学習用入力のi番目の要素を示す。ｙｉは、学習対象のi番目の要素を示す。この最適化式を解くことによって、ネットワーク出力と対象画像（Ｙ）の差分が最小になるような最適なネットワークパラメータ
が求められる。具体的には、出力
を取得後、ステップＳ３０８で更新された最適なネットワークパラメータを得るために、ターゲット（Ｙ）と比較するステップＳ３０６で損失関数が適用される。
ステップＳ３０８に続いて、更新後のオプティマイザは、ステップＳ３０４のネットワーク出力
と対象画像Ｙとの差分が所定の閾値を超えて最小になるまで、またはステップＳ３０６の損失関数に応じた出力の向上が見られなくなるまで、ＤＣＮＮアルゴリズムが実施されるステップＳ３０２を繰り返してもよい。この学習フレームワークによって、推論プロセスで適用される最適化された機械学習モデルが得られる。
【数3】
【数4】
ステップＳ３０８に続いて、更新後のオプティマイザは、ステップＳ３０４のネットワーク出力
【数5】
【0037】
図５Ａ、５Ｂ、５Ｃおよび５Ｄは機械学習モデル４０１（ＤＬネットワーク４０１とも称される）の様々な例を示す。
【0038】
図５Ａは、Ｎ個の入力、Ｋ個の隠れ層、３つの出力を有する一般的な人工ニューラルネットワーク（ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＡＮＮ）の一例を示す。各層はノード（ニューロンとも称される）から構成され、各ノードは入力の加重和を行い、この加重和の結果を閾値と比較して出力を生成する。ＡＮＮは関数の類を構成する。この類の項は、閾値、結合の重み、またはノード数および／またはノードの結合性等の構造の詳細を変化させることによって求められる。ＡＮＮのノードはニューロン（またはニューロン・ノード）とも称される。ニューロンはＡＮＮシステムの異なる層間に相互に結合可能である。ＤＬネットワーク４０１は通常４つ以上のニューロン層と入力ニューロンと同数の出力ニューロン
（Ｎは再構成画像の画素数）を有する。シナプス（すなわち、ニューロン間の結合）は、演算においてデータを操作する「重み」（「係数」または「重み係数」と相互に言い換えも可能）と呼ばれる値を記憶する。ＡＮＮの出力は以下の３種のパラメータに依存する。（１）異なるニューロン層間の相互結合パターン、（２）相互結合の重みを更新するための学習プロセス、（３）ニューロンの加重入力を活性化出力に変換する活性化関数。
【数6】
【0039】
数学的には、ニューロンのネットワーク関数ｍ（ｘ）は、他の関数ｎｉ（ｘ）の合成として定義される。関数ｎｉ（ｘ）は、さらに他の関数の合成として定義可能である。これは、便宜上ネットワーク構造として表すことが可能である。図５Ａに、変数間の依存を矢印で示す。例えば、ＡＮＮは、非直線加重和ｍ（ｘ）＝Ｋ（Σｉｗｉｎｉ（ｘ））を利用可能である。Ｋ（一般に活性化関数と称される）は、シグモイド関数、双曲正接関数、正規化線形ユニット（ｒｅｃｔｉｆｉｅｄ ｌｉｎｅａｒ ｕｎｉｔ：ＲｅＬＵ）等の事前に定義された関数である。
【0040】
図５Ａ（同様に図５Ｂ）において、ニューロン（すなわち、ノード）を閾値関数の周囲に丸印で示す。図５Ａに示す非限定的な例では、入力は直線関数の周囲に丸印で描かれ、矢印はニューロン間の結合方向を示す。ある実施例において、機械学習モデル４０１は、図５Ａ、５Ｂに例示されるフィードフォワード・ネットワークである（例として、有向非巡回グラフとして表すことができる）。
【0041】
機械学習モデル４０１は、一組の観察結果を用いて、学習する関数Ｆの類内を検索することによって、ＣＴ画像の超解像処理等の特定のタスクを達成すべく動作し、特定のタスクを最適に解決する
を求める。例えば、ある実施例では、コスト関数Ｃを、その最適解ｍ＊に対して
（すなわち、最適解のコスト未満のコストを有する解はない）が成立するように定義することによって達成できる。コスト関数Ｃとは、特定の解が解決すべき課題（例えば、誤差）の最適解からどの程度離れているかを示す尺度である。学習アルゴリズムは解空間内の検索を繰り返しながら、可能な限り最小のコストの関数を求める。ある実施例では、コストはデータのサンプル（すなわち訓練データ）全体に対して最小化される。
【数7】
【数8】
【0042】
図５Ｂは、機械学習モデル４０１が畳み込みニューラルネットワーク（ＣＮＮ）の場合の非限定的な一例を示す。ＣＮＮは、画像処理に有益な性質を備えるＡＮＮの一種である。そのため、画像のデノイズおよびサイノグラムの復元用途に特に関連がある。ＣＮＮは、ニューロン間の結合パターンにより画像処理の畳み込みを表現可能なフィードフォワードＡＮＮを用いる。例えば、ＣＮＮは、入力画像の受容野と呼ばれる部分を処理する小さなニューロン集合の複数の層を用いることによって、画像処理の最適化に利用可能である。これらの集合の出力は、互いに重複するようにタイル状にされ、元の画像をより適切に表現することができる。この処理パターンを畳み込み層とプーリング層を交互に有する複数層に対して繰り返す。なお、図５Ｂは、後続する層のノードを先行する層の全てのノードを用いて定義する完全結合型ネットワークの一例を示す。図に示される内容は、厳密にＤＮＮの一例として理解されるべきである。ＣＮＮに関して、先行層のノードの一部を用いて後続層のノードを定義する結合の緩やかな（部分結合）型のネットワーク構成は一般的である。
【0043】
図５Ｃは、畳み込み層である第一の隠れ層の二次元画像を表す入力層からの値のマッピングに適用される５×５カーネルの一例を示す。カーネルは５×５の画素領域を第一の隠れ層の対応するニューロンにそれぞれマッピングする。
【0044】
畳み込み層の後に、ＣＮＮは、畳み込み層においてニューロン・クラスタの出力を結合させる局所的および／または全体的なプーリング層を含むことができる。さらに、ある実施例において、ＣＮＮは、点毎に、非直線的に、各層の最後にまたは各層の後に付加された、畳み込み層と完全結合層の様々な組み合わせを含むことも可能である。
【0045】
画像処理に関して、ＣＮＮにはいくつかの利点がある。使われないパラメータの数の削減と一般化の向上のために、入力の小領域に対する畳み込み処理が導入される。ＣＮＮのある実施例の重要な利点は、畳み込み層に共通の重みを用いることにある。つまり、同じフィルタ（重みバンク）を層の各画素の係数として用いるのである。これによって、メモリの実装面積の削減と性能の向上が実現される。他の画像処理方法と比較して、ＣＮＮは、相対的に事前処理が少ないことが利点である。すなわち、ネットワークが、従来のアルゴリズムによってマニュアル設計されたフィルタを学習する責任を持つことを意味する。設計特性に関する過去の知識や人間の努力に依存しないで済むことは、ＣＮＮの大きな利点である。
【0046】
図５Ｄは、三次元再構成画像の隣接層間の類似性を活用する機械学習モデル４０１の実施例を示す。隣接層内の信号は通常相関性が高いが、ノイズは異なる。つまり、一般にＣＴの三次元ボリューム画像は、より多くの体積特徴を捉えられるため、一断層の水平二次元画像より多くの診断情報を提供することができる。この考えに基づき、本開示に記載の方法の実施例は、ボリュームベースの深層学習アルゴリズムを用いてＣＴ画像を向上させる。
【0047】
図５Ｄに示す通り、ある断層画像とそれに隣接する断層画像（すなわち、中央の断層の上下の断層）は、ネットワークの３チャネルの入力として認識される。これら３層に対して、Ｗ×Ｗ×３カーネルをＭ回適用して、畳み込み層のＭ個の値を生成し、次のネットワーク層／階層（例えばプーリング層）に用いる。Ｗ×Ｗ×３カーネルを３つのＷ×Ｗカーネルとみなして、それぞれ３チャネルのカーネルとしてボリューム画像データの３つの断層画像に適用することも可能である。その結果は中央層に対する出力となり、次のネットワーク階層の入力として用いられる。値Ｍは、畳み込み層の所定の断層に対するフィルタ総数を示し、Ｗはカーネルの大きさを示す。
【0048】
別の実施形態において、上述の３チャネル法の代わりに、異なる方法を（例えば、３Ｄ法）適用してもよい。
【0049】
本開示の一実施形態において、学習および推論段階の演算コスト削減のため、ＣＴ画像を小さな画像データセットに分割して、機械学習モデルに入力し、学習および推論させることができる。
【0050】
データの分割、重み付け、および再構築によって、広範囲ＣＴ検出システムは、演算上のパワーやデータをバッファリングして、広範囲ＵＨＲ画像用の超解像３Ｄネットワークのような高度なネットワークを処理することができる。本開示は、その実施に有益なデータの分割、重み付けおよび再構築のデータフローを提案する。例えば、１０２４×１０２４画像を、ＸＹ次元（境界効果防止のため重複を含む）で８１個の１２８×１２８小画像に分解することによって、システムは一回毎に画像の小さなバッチを処理することができる。そして、ネットワークで処理後、画像は元のサイズ（１０２４×１０２４等）に再構築される。重複する画素に対しては重み付けを実施する。Ｚ次元についても同様な手法が適用される。すなわち、超高解像度画像は複数の小さな画像に分割され、分割された画像は広範囲ＣＴ検出システムによって処理され、任意の好適な重み付けおよび再構築のデータフローに基づいて大きな画像に復元される。データの分割、重み付けおよび再構築の手法は種々のサイズの画像に適用可能である。上述の画像は一例にすぎず、該手法を適用可能な種々のサイズを限定するものではない。
【0051】
次に、本開示の第２実施形態を示す図６のフローチャートを参照する。本実施形態は、ユーザに出力テクスチャ（弱、標準、強等）の調整を可能にし、自分の好みに応じたＵＨＲ－ＣＴシステム画像またはＮＲ－ＣＴシステム画像の出力を可能にする混合処理を提案する。この実施形態において、学習済みＤＣＮＮは、上述した図２と同様な方法で取得される。ステップＳ４００において、広範囲ＣＴ検出データを収集することによって、フローチャートは開始される。次にステップＳ４０２において、広範囲ＣＴ検出画像は再構成（より小さい画素サイズ）される。ステップＳ４０４において、広範囲ＣＴ検出画像にＤＣＮＮ学習済み機械学習モデルを適用することによって、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像が出力される。しかしながら、ユーザは１００％のＤＣＮＮ適用可能な広範囲ＵＨＲ－ＣＴ画像のテクスチャーに満足しない場合がある。本実施形態では、広範囲ＣＴ検出システム１００のユーザは、混合ステップＳ４０８において、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像の出力テクスチャーを選択可能である。混合ステップＳ４０８は、例えば、オペレータが選択可能な弱、標準、強などの三つの選択肢を含んでもよい。または、ユーザは、混合ステップにおいて混合率を選択してもよい。例えば、オペレータが５０％を選択した場合、混合によって出力テクスチャーは、元のＮＲ－ＣＴ検出システム画像５０％とＵＨＲ－ＣＴ検出システム画像５０％から成るように調整される。オペレータがＵＨＲ－ＣＴ検出システム画像に近いテクスチャーを好む場合は、ＵＨＲ－ＣＴ検出システム画像７５％と元のＮＲ－ＣＴ検出システム画像２５％を選択してもよい。元のＮＲ－ＣＴ検出システム画像とＵＨＲ－ＣＴ検出システム画像は、ユーザの所望する混合の種類に応じて、ゼロから１００％まで変更可能である。混合ステップ後、ステップＳ４１０において、広範囲ＵＨＲ－ＣＴ画像に近似する最終のＤＣＮＮ適用可能画像は、オペレータの所望の混合に応じて出力され、モニタに表示される。
【0052】
現在商業的に利用可能な広範囲ＣＴ検出システムを考える。これらのシステムは広範囲ＵＨＲ画像用の高度なネットワーク（例えば、超解像３Ｄネットワーク）を処理するだけの演算上のパワーまたはデータバッファリング性能を持っていない場合がある。図７のフローチャートに示すように、第３実施形態を提案する。図７に示す推論プロセスはサイズ変更演算子を含む。通常分解能－広範囲ＣＴ検出システムで適切に処理するために、サイズ変更演算子は、ハードウェアおよび関連するソフトウェア仕様（システム情報など）を読み出し、出力画像のサイズを変更する（例えば、ＸＹまたはＺ次元内のダウンサンプリング）。
【0053】
図７に従って、該プロセスは、ステップＳ５００において、広範囲ＣＴ検出システム１００から広範囲ＣＴ検出データを収集することによって開始される。次にステップＳ５０２において、広範囲ＣＴ検出データは広範囲ＣＴ検出画像に再構成される。広範囲ＣＴ検出画像は、ステップＳ５０４で学習済みＤＣＮＮに入力され、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像として出力される。この方法は、特定のシステム仕様等のステップＳ５０８のシステム情報を考慮して、システム情報に基づいて、システムによって処理可能な広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像のサイズを決定することによって、継続されてもよい。このワークフローは、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像の出力後に、システム情報が取得されることを示すが、システム情報は、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像を出力する処理と並行して、または、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像を生成する処理の前に、取得されてもよい。システム情報の取得に続くステップＳ５１０において、サイズ変更演算子を用いて、システム情報から得られた情報に基づいて、広範囲ＵＨＲ－ＣＴ画像に近似する、生成されたＤＣＮＮ適用可能ＣＴ画像のサイズを変更する。これによって、ステップＳ５１２において、通常分解能－広範囲ＣＴ検出システムで適切に処理可能な、広範囲ＵＨＲ－ＣＴ画像に近似する最終のＤＣＮＮ適用可能ＣＴ画像が出力され、モニタに表示される。本開示の一実施形態において、システム情報は広範囲ＣＴ検出システム１００から取得される。
【0054】
次に本開示の第４実施形態を、図８を参照して説明する。図８は、最終のＤＣＮＮ適用可能ＣＴ画像の生成前に、混合およびサイズ変更処理を実施して、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像を生成する、少なくとも一つの実施形態のフローチャートを示す。最初のステップＳ６００は、広範囲ＣＴ検出スキャナ１００から広範囲ＣＴ検出データを収集することを含む。次に、ステップＳ６０２において広範囲ＣＴ検出データは広範囲ＣＴ検出画像に再構成され、ステップＳ６０４において学習済みＤＣＮＮに入力される。学習済みＤＣＮＮは、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像を出力する。Ｓ６０８の混合ステップによって、オペレータは、自分の好みに応じて、広範囲ＣＴ検出画像と広範囲ＵＨＲ－ＣＴ画像に非常に似たＤＣＮＮ適用可能ＣＴ画像の一方により近似するように出力テクスチャーを調整することができる。混合ステップの実行後、ステップＳ６１０において、サイズ変更を適切に行うために、検出システム１００のシステム情報は、ハードウェアおよび関連するソフトウェア仕様（システム情報など）を読み出すことによって取得される。ステップＳ６１２のサイズ変更処理によって、通常分解能－広範囲ＣＴ検出システム１００は出力画像（広範囲ＵＨＲ－ＣＴ画像に近似する最終のＤＣＮＮ適用可能ＣＴ画像）を確実に、適切に処理することができる。サイズ変更ステップ後、ステップＳ６１４において、広範囲ＵＨＲ－ＣＴ画像に近似する最終のＤＣＮＮ適用可能ＣＴ画像は出力され、モニタに表示される。
【0055】
図９を参照して、本開示の第５実施形態を説明する。図９は、ＵＨＲ－ＣＴデータに付随するノイズレベルを最小限に抑えながら、広範囲ＣＴ検出システム１００の超高分解能を達成するためのデノイズタスクを実行する、ＤＣＮＮの学習プロセスのワークフローを示す。本開示のこの実施形態は、ステップＳ７００において、ＵＨＲ低放射線ＣＴデータ（ＬＤ－ＣＴデータ）の収集によって開始される。ＵＨＲ－ＬＤ－ＣＴデータとは、低放射線量に設定された（実際のまたはシミュレーションされた）超高分解能ＣＴスキャナ２００から収集された再構成前のＣＴデータである。ステップＳ７１０において、対象画像が取得される。対象画像とは、ＵＨＲ高放射線（ＨＤ）ＣＴ画像である。ＵＨＲ－ＨＤ－ＣＴ画像とは、ＵＨＲ－ＣＴスキャナ２００からの再構成された高放射線画像であって、学習対象として用いられる画像である。本実施形態において、ＵＨＲ－ＨＤ－ＣＴ画像およびＵＨＲ－ＬＤ－ＣＴ画像は同じＵＨＲ－ＨＤ－ＣＴデータから生成される。別の実施形態では、ＵＨＲ－ＨＤ－ＣＴ画像は、ＵＨＲ－ＬＤ－ＣＴデータが生成されるＣＴデータとは異なるＣＴデータから生成される。
【0056】
ステップＳ７０２において、上記ステップＳ１０２のＵＨＲ－ＮＲシミュレーションをＵＨＲ－ＬＤ－ＣＴデータに実行して、ＮＲ－ＬＤ－ＣＴデータを取得する。ステップＳ７０２のＮＲ－ＬＤ－ＣＴデータは、通常分解能スキャナシステムから収集された再構成前ＣＴデータをシミュレーションする。次にステップＳ７０４において、ＮＲ－ＬＤ－ＣＴデータはＮＲ－ＬＤ－ＣＴ画像に再構成され、ステップＳ７０６でＤＣＮＮの入力画像として用いられる。ＮＲ－ＬＤ－ＣＴ画像は、学習対象と一致させるため、小さい画素サイズに画質を落とした（ビニングされた）低放射線ＵＨＲ－ＣＴデータからの再構成画像である。ステップＳ７０６において、広範囲ＣＴ検出システム１００内の画像処理装置１５０は、入力画像の一つにＤＣＮＮを適用して、処理済みＮＲ－ＬＤ－ＣＴ画像を出力し、ステップＳ７１２における出力画像（処理済みＮＲ－ＬＤ－ＣＴ画像）と学習対象画像（ＵＨＲ－ＨＤ－ＣＴ画像）間の損失関数分析によって、ステップＳ７１４においてＤＣＮＮ学習を最適化する。ステップＳ７１６において、基準に基づき、最適化ループの継続を判断する。基準が満たされない場合、ステップＳ７０６の最適化ループを継続する。または、ＤＣＮＮの最適化基準が満たされた場合は、最適化ループは終了する。処理済みＮＲ－ＬＤ－ＣＴ画像は、低放射線ＮＲ－ＣＴ画像を入力とするＤＣＮＮの学習出力画像となる。出力画像と対象画像間に適用される損失関数は、図２および４を参照して説明したものと同様である。損失関数によって、出力画像と対象画像間の差異が最小化され、推論プロセス内の応用に最適な学習済みＤＣＮＮが得られる。これによって、広範囲ＵＨＲ－ＣＴ検出画像に近似するＤＣＮＮ適用可能ＣＴ画像のノイズ抑制と分解能向上を目的とするＤＣＮＮの学習部分を終了することができる。
【0057】
次に、学習済みＤＣＮＮの取得後の、ノイズ抑制と分解能向上の推論部分を示す図１０のフローチャートを参照する。該フローチャートは、ステップＳ８００において、低放射線量（ＬＤ）の広範囲ＣＴ検出データを収集することによって開始される。広範囲検出ＣＴデータとは、広範囲ＣＴ検出スキャナ１００から収集される再構成前のＣＴデータである。ステップＳ８０２において、広範囲ＣＴ検出データ（ＬＤ）は広範囲ＣＴ検出ＬＤ画像に再構成される。広範囲ＣＴ検出ＬＤ画像とは、ＵＨＲ－ＣＴデータの画素サイズに対応する小さい画素サイズに再構成されたＣＴ画像である。次に、ステップＳ８０４において、学習済みＤＣＮＮを広範囲ＣＴ検出ＬＤ画像に適用することによって、広範囲ＵＨＲ－ＣＴ画像に近似する、デノイズ済みのＤＣＮＮ適用可能ＣＴ画像を生成する。ステップＳ８０６において、処理済みＣＴ画像（ＤＣＮＮ適用可能ＣＴ画像）が出力され、モニタに表示される。広範ＵＨＲ－ＣＴ画像に相似するＤＣＮＮ適用可能ＣＴ画像（デノイズ後）は、広いセグメント範囲と高い解像度を備えるノイズ低減画像を提供する点で有利である。
【0058】
本開示の様々な実施形態は、広範囲検出ＣＴデータに関するＵＨＲ－ＣＴ学習済みＤＣＮＮに適用される。このことは、いくつかの理由から有利である。本実施形態は、現在の広範囲ＣＴ検出画像と比較して、ＵＨＲ－ＣＴ学習済みネットワークおよびより微細に再構成された画素サイズから得られる、優れた解像度およびノイズ低減性能を提供する。現在のＵＨＲ－ＣＴ画像と比較して、本実施形態は、寝台位置での一回のスキャンの検出範囲（Ｓ－Ｉ方向）が広いため、放射線量、画像の均一性、時間分解能、より簡易なスキャンワークフロー等の利益をもたらす。また、広範囲のＣＴから得られる収集・検出の大きな画素サイズは、優れたノイズ性能につながる。現在商業的には存在しない広範囲ＵＨＲ－ＣＴシステムと比較して、本実施形態は、ハードウェア、ソフトウェア双方において非常に低いコストと複雑性を著しく軽減した信号処理を提供する。
【0059】
本開示は、深層学習ニューラルネットワークを適用可能な広範囲－超高分解能ＣＴのためのシステム、方法および／または装置を対象とする。ＤＣＮＮは、既存のＵＨＲ－ＣＴ検出スキャナによって訓練され、広範囲ＣＴ検出システムデータに適用されて、分解能を向上させ、ノイズを低減すると同時に、広範囲スキャンのエッジを維持する。具体的には、本開示は、二つの異なるモダリティ（ＵＨＲ－ＣＴ検出スキャナおよび広範囲ＣＴ検出スキャナ）の利点を組み合わせることによって、商業的に入手不可能な広範囲ＵＨＲ－ＣＴ検出システム３００と比較して、コストとシステムの複雑性における利点をもたらすことが可能である。
【0060】
次に、図１１および図１２を参照する。少なくとも一つの実施形態において、コンソールやコンピュータ１２００、１２００’などのコンピュータを、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像の生成専用に用いてもよい。
【0061】
撮像に用いられる電気信号を、下記に説明されるコンピュータ１２００、１２００’等（これに限定されない）の一つ以上のプロセッサに、ケーブルまたは配線１１３等（図１１参照）（これに限定されない）のケーブルまたは配線を介して送信してもよい。
【0062】
コンピュータシステム１２００の様々な構成要素を図１１に示す。コンピュータシステム１２００は、中央処理装置（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ：ＣＰＵ）１２０１、ＲＯＭ１２０２、ＲＡＭ１２０３、通信インターフェース１２０５、ハードディスク（および／または他の記憶装置）１２０４、スクリーン（またはモニタ・インターフェース）１２０９、キーボード（または入力インターフェース；キーボードに加えてマウスや他の入力装置を備えてもよい）１２１０、および一つ以上の上記構成要素（例えば、図１１に示される）間を接続するバスや他の接続線（例えば接続線１２１３）を備える。さらに、コンピュータシステム１２００は上記構成要素の内一つ以上を備えてもよい。例えば、コンピュータシステム１２００はＣＰＵ１２０１、ＲＡＭ１２０３、入力／出力（Ｉ／Ｏ）インターフェース（通信インターフェース１２０５等）およびバス（コンピュータシステム１２００の構成要素間の通信システムとしての一つ以上の配線１２１３を含んでもよい）を備えてもよい。一つ以上の実施形態において、コンピュータシステム１２００および少なくともＣＰＵ１２０１は、超高分解能検出スキャナおよび／または広範囲ＣＴ検出スキャナまたは同じ超高分解能検出スキャナ２００、広範囲ＣＴ検出スキャナ１００（これに限定されない）を用いる装置やシステムの一つ以上の上記構成要素と通信してもよい。一つ以上の他のコンピュータシステム１２００は、他の上述した構成要素の一つ以上の組み合わせを備えてもよい。ＣＰＵ１２０１は、記憶媒体に保存されるコンピュータ実行可能な指示を読み出し、実行するように構成される。コンピュータ実行可能な指示は、本開示に記載される方法および／または演算の実行指示を含んでもよい。コンピュータシステム１２００は、ＣＰＵ１２０１に加えて、一つ以上のプロセッサを備えてもよい。ＣＰＵ１２０１を含む該プロセッサを、同じ用途または本開示に記載の広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像を生成するための装置、システムまたは記憶媒体の制御および／または製造に用いてもよい。システム１２００は、さらに、ネットワーク（例えばネットワーク１２０６）を介して接続される一つ以上のプロセッサを備えてもよい。システム１２００によって用いられるＣＰＵ１２０１と追加のプロセッサは、同じ通信ネットワーク上に位置してもよいし、異なる通信ネットワーク上に位置してもよい（例えば、実行、製造、制御および／または技術利用を遠隔で制御可能）。
【0063】
Ｉ／Ｏまたは通信インターフェース１２０５は、入出力装置に対して通信インターフェースを提供する。該入出力装置は超高分解能検出スキャナ２００、広範囲ＣＴ検出スキャナ１００、通信ケーブルおよびネットワーク（有線または無線）、キーボード１２１０、マウス（図１２のマウス１２１１を参照）、タッチスクリーンまたはスクリーン１２０９、ライトペン等を備えてもよい。モニタ・インターフェースまたはスクリーン１２０９は入出力装置に通信インターフェースを提供する。
【0064】
本開示の方法および／またはデータ、例えば、同じ用途の装置、システムまたは記憶媒体の利用方法および／または製造方法、および／または本開示に記載の広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像の生成方法等は、コンピュータ読み取り可能な記憶媒体に保存される。コンピュータ読み取りおよび／または書き込み可能な記憶媒体は、以下に共通に利用されるが、これらに限定されるわけではない。一つ以上のハードディスク（ハードディスク１２０４、磁気ディスク等）、フラッシュメモリ、ＣＤ、光ディスク（コンパクトディスク（ＣＤ）、デジタル多用途ディスク（ｄｉｇｉｔａｌ ｖｅｒｓａｔｉｌｅ ｄｉｓｃ：ＤＶＤ）、ブレーレイ（登録商標）ディスク等）、光磁気ディスク、ＲＡＭ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）（ＲＡＭ１２０３等）、ＤＲＡＭ、ＲＯＭ（ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）、分散演算システムの記憶装置、メモリカードなど（例えば、不揮発性メモリカード、固体撮像素子（ｓｏｌｉｄ ｓｔａｔｅ ｄｒｉｖｅ：ＳＳＤ、図１２のＳＳＤ１２０７参照）、ＳＲＡＭ等の他の半導体メモリ、これに限定されない）、これらの任意の組み合わせ、サーバ／データベース等。コンピュータ読み取り／書き込み可能な記憶媒体を、上記コンピュータシステム１２００のプロセッサやＣＰＵ１２０１等のプロセッサに本開示に記載の方法の手順を実行させることに用いてもよい。コンピュータ読み取り可能な記憶媒体は、非一時的なコンピュータ読み取り可能媒体であってもよいし、および／または、一時的な伝搬信号だけを除き、全ての読み取り可能媒体を備えてもよい。コンピュータ読み取り可能な記憶媒体は、情報を所定の、限定的な、または短い時間および／または電力があるときのみ情報を記憶する、ＲＡＭ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、レジスタメモリ、プロセッサ・キャッシュ等（これらに限定されない）の媒体を備えてもよい。また、本開示の実施形態は、記録媒体（より正確には、非一時的なコンピュータ読み取り可能な記憶媒体とも称される）に記録されるコンピュータ実行可能な指示（例として、一つ以上のプログラム）を読み出し、実行して上記実施形態の内の一つ以上の機能を実行するシステムや装置のコンピュータによって実現されてもよいし、および／または一つ以上の回路（特定用途向け集積回路（ＡＳＩＣ））を備えて上記実施形態の内の一つ以上の機能を実行するシステムや装置のコンピュータによって実現されてもよい。本開示の実施形態は、システムや装置のコンピュータが、例えば、コンピュータ実行可能な指示を記憶媒体から読み出して実行することによって、実行される方法および／または上記一つ以上の回路を制御することによって上記実施形態の内の一つ以上の機能を実行させる方法によって実現されてもよい。
【0065】
本開示の少なくとも一つの態様に基づいて、方法、装置、システム、および上述したコンピュータ１２００のプロセッサ、コンピュータ１２００’のプロセッサ（これらに限定されない）等のプロセッサに関連するコンピュータ読み取り可能な記憶媒体は、図面に示されるような適切なハードウェアを活用して、実現可能である。該ハードウェアは、標準のデジタル回路、ソフトウェアおよび／またはファームウェアプログラムを実行可能な任意の公知のプロセッサ、プログラマブルＲＯＭ（ｐｒｏｇｒａｍｍａｂｌｅ ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ：ＰＲＯＭ）、プログラマブル論理アレイ装置（ｐｒｏｇｒａｍｍａｂｌｅ ａｒｒａｙ ｌｏｇｉｃ：ＰＡＬ）などの一つ以上のプログラマブル・デジタル装置またはシステム等の任意の公知技術を活用することによって、実現可能である。ＣＰＵ１２０１（図１１または１２に示すように）は、一つ以上のマイクロプロセッサ、ナノプロセッサ、一つ以上のＧＰＵ（ｇｒａｐｈｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ：ＶＰＵ（ｖｉｓｕａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）とも称される）、一つ以上のＦＰＧＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、または他の種類の処理コンポネント（例えば、用途向け集積回路（ａｐｐｌｉｃａｔｉｏｎ－ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔｓ：ＡＳＩＣ））等を備えるおよび／または等から構成されてもよい。さらに、本開示の様々な態様は、適切な記憶媒体（例えばコンピュータ読み取り可能な記憶媒体、ハードドライブ等）や携行可能および／または分散可能な媒体（フロッピー（登録商標）ディスク、メモリチップ等）に保存可能なソフトウェアおよび／またはファームウェアによって実現されてもよい。コンピュータは、コンピュータ実行可能な指示を読み出し実行する個別のコンピュータやプロセッサのネットワークを備えてもよい。コンピュータ実行可能な指示は、例えばネットワークや記憶媒体からコンピュータに与えられてもよい。
【0066】
上述の通り、コンピュータまたはコンソール１２００’の別の実施形態のハードウェア構造を図１２に示す。コンピュータ１２００’は、中央処理装置（ＣＰＵ）１２０１、ＧＰＵ１２１５，ＲＡＭ１２０３、ネットワークインターフェース１２１２、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）等のオペレーションインターフェース１２１４、ハードディスクドライブや固体撮像素子（ＳＳＤ）１２０７等のメモリを備える。好ましくは、コンピュータまたはコンソール１２００’はディスプレイ１２０９を備える。コンピュータ１２００’は、ネットワークインターフェース１２１２またはオペレーションインターフェース１２１４を介して、超高分解能検出スキャナ２００および／または広範囲ＣＴ検出スキャナ１００および／またはシステムの一つ以上の他の構成要素と接続されてもよい。一つ以上の実施形態において、コンピュータ１２００、１２００’などのコンピュータは、超高分解能検出スキャナ２００および／または広範囲ＣＴ検出スキャナ１００を備えてもよい。オペレーションインターフェース１２１４は、マウス装置１２１１、キーボード１２１０またはタッチパネル装置などの操作部に接続される。コンピュータ１２００’は各構成要素を二つ以上ずつ備えてもよい。または、コンピュータ１２００、１２００’などのコンピュータの設計に応じて、ＣＰＵ１２０１またはＧＰＵ１２１５をＦＰＧＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、特定用途向け集積回路 （ＡＳＩＣ）または他の種類の処理部に置き換えてもよい。
【0067】
コンピュータプログラムはＳＳＤ１２０７に保存される。ＣＰＵ１２０１は、ＲＡＭ１２０３にプログラムを読み込み、プログラム内の指示を実行して、本開示に記載の一つ以上の処理とともに基本的な入力、出力、演算、メモリへの書き込みおよび読み出し処理を実行する。
【0068】
コンピュータ１２００、１２００’などのコンピュータは、超高分解能検出スキャナ２００および／または広範囲ＣＴ検出スキャナと通信して、撮像を行い、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像を生成する。モニタまたはディスプレイ１２０９は広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像を表示するが、撮像条件や撮像対象の物体に関する他の情報を表示してもよい。モニタ１２０９は、例えば、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像を生成する際にユーザがシステムを操作するためのグラフィカル・ユーザー・インターフェース（ＧＵＩ）を提供する。動作信号は操作部（例えば、マウス装置１２１１、キーボード１２１０またはタッチパネル装置など、これらに限定されない）からコンピュータ１２００’のオペレーションインターフェース１２１４に入力される。動作信号に応じて、コンピュータ１２００’はシステムに撮像条件の設定または変更と撮像の開始または終了、および／またはＤＣＮＮの学習または広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像を生成するための推論プロセスの開始または終了を指示する。
【0069】
図１３を参照して、ＳＲ用学習済みモデルの生成方法の他の例示的な実施形態を説明する。この方法は、図２に示す、ＵＨＲ－ＣＴ画像とＮＲ－ＣＴ画像の双方をＵＨＲ－ＣＴデータから生成する方法の特徴の一つを含む。また、この方法は、図９に示す、ＮＲ低放射線ＣＴ画像とＵＨＲ高放射線ＣＴ画像を用いてＳＲ用ＤＣＮＮを訓練する方法と同様である。特に説明しない限り、以下のステップは情報処理装置４００によって実行される。ＣＰＵまたはＧＰＵ（以下、処理回路）は各ステップを実行する。
【0070】
ステップＳ１３０１において、ＵＨＲ－ＣＴデータすなわち高分解能のＣＴデータが取得される。ステップＳ１３０２において、ＵＨＲ－ＣＴ画像すなわち高解像度のＣＴ画像はＵＨＲ－ＣＴデータに基づいて再構成される。この再構成の方法は、フィルタ逆投影法（ＦＢＰ）より高い解像度の画像を生成可能な反復再構成法の内の一つでよい。ＵＨＲ－ＣＴ画像は学習段階で対象画像として用いられる。ステップＳ１３０３において、処理回路は、ＵＨＲ－ＣＴデータにノイズを付加することにより、ノイズ付加ＵＨＲ－ＣＴデータを生成する。ガウスノイズおよび／またはポワソンノイズを付加することによって、低放射線ＣＴデータをより適切にシミュレーションしてもよい。ステップＳ１３０４において、ノイズ付加ＵＨＲ－ＣＴデータに対して分解能低減処理（ｎ：１ビニング処理、平滑化、他のフィルタリング等）を実施して低い分解能のＣＴデータを生成し、シミュレーションする。ステップＳ１３０５において、低解像度のＣＴ画像は低分解能のＣＴデータに基づいて再構成される。ここで、再構成法はフィルタ逆投影法（ＦＢＰ）や臨床環境で一般に用いられる任意の再構成法でよい。通常、再構成関数およびＦＢＰフィルタには様々な選択肢があるが、ステップＳ１３０５のＦＢＰ再構成では、信号を出来るだけ維持するために、ノイズ低減効果のないまたは少ない再構成関数を選択可能である。また、正規化効果のないまたは少ないフィルタの一つを選択可能である。低解像度のＣＴ画像を入力画像として用いてＳＲ－ＤＣＮＮに学習させる。対応する入力画像とＵＨＲデータから生成された対象画像は互いに関連付けられ、訓練データの対とする。Ｓ１３０１からＳ１３０５までのステップを異なるＵＨＲデータに対して繰り返し実行して、複数対の訓練データを生成する。ステップＳ１３０６において、ＤＣＮＮを入力画像の一つに適用することによって処理済みＣＴ画像を取得する。ステップＳ１３０７において、図４のステップＳ３０６で説明した損失関数を得る。ステップＳ１３０８において、ＤＣＮＮは最適化され、改善されたＤＣＮＮとして次回のステップＳ１３０６で用いられる。ステップＳ１３０６、Ｓ１３０７、Ｓ１３０８のループは、終了基準が満たされるまで（Ｓ１３０９の「Ｙ」）、超解像処理用ＤＣＮＮを学習させるために継続される。
【0071】
ステップＳ１３０３のビニング処理は、ある程度のノイズ低減効果はあるが、ステップＳ１３０３のノイズ付加処理および再構成法の差異に起因して、対象画像（高解像度ＣＴ画像）は、入力画像（低解像度ＣＴ画像）より高い空間分解能と高いノイズ特性を有する。学習済みＳＲ－ＤＣＮＮは、ノイズ低減効果とともに超解像効果を発揮する。別の実施形態では、ＣＴデータへのノイズ付加の代わりにまたは付加に加えて、低解像度の再構成ＣＴ画像にノイズを付加して、投影ドメインにおいて入力画像を取得してもよい。上記ＤＣＮＮは、デノイズと超解像の双方の効果を発揮するように訓練され、少なくともある状況では、別々に訓練されたデノイズＤＣＮＮとＳＲ－ＤＣＮＮを両方適用するよりも有益となり得る。ここで推論段階の処理の他の実施形態を説明する。この処理は、他の種類の、ＣＴ画像のデノイズ専用ＤＣＮＮモデルの適用と（１）デノイズＤＣＮＮおよび（２）図７または図１３を参照する上記方法によって訓練されたＤＣＮＮの一方を選択することを含む。なお、ＤＣＮＮ（以下、ＳＲおよびデノイズＤＣＮＮと呼ぶこともある）はノイズ低減効果および超解像効果を発揮できる。推論段階の実施処理を、広範囲ＣＴ検出システム１００内の画像処理装置１５０、他の種類のＣＴ撮像システムのコンソール、またはＣＴ撮像システム外部の画像処理装置、例えば、病院のワークステーションや医用画像を受信し、医用データを分析し、医用画像を再構成する画像処理サーバ等に組込んでもよい。以下の説明において、各ステップは、画像処理装置、コンソール、ワークステーションまたは画像処理サーバに含まれるＣＰＵまたはＧＰＵである処理回路によって実行される。
【0072】
複数対の訓練画像を用いてデノイズＤＣＮＮを学習させることができる。一実施形態において、入力画像を低放射線ＣＴ画像とし、対応する対象画像を高放射線ＣＴ画像としてもよい。低放射線ＣＴ画像は検査対象の物体のＣＴスキャンによって収集可能である。同様に、高放射線ＣＴ画像は検査対象の物体のＣＴスキャンによって収集可能である。また、低放射線ＣＴ画像は、ノイズを付加し、低放射線画像をシミュレーションすることによって、ＣＴスキャンで収集された高放射線ＣＴ画像から生成することもできる。高放射線ＣＴ画像は、高放射線画像をシミュレーションする画像処理によって、ＣＴスキャンで収集された低放射線ＣＴ画像から生成可能である。別の実施形態において、対象画像を、検査対象の物体のＣＴスキャンにより収集されたＣＴデータの反復再構成処理によって取得し、入力画像を、ＦＢＰ法に基づきＣＴデータにノイズを付加し、ノイズ付加ＣＴデータを再構成することによって、取得することができる。なお、デノイズモデルは様々な種類のアーチファクトの低減効果を発揮できる。
【0073】
第一ステップにおいて、ＣＴ撮像システム内で実行される場合は、ＣＴデータはＣＴ検出器から取得される。ワークステーションや画像処理サーバ内で実行される場合は、ＣＴデータはＣＴ撮像システムから取得可能である。また、ＣＴ撮像システム、ワークステーション、または画像処理サーバ内で実行される場合は、ＣＴデータはメモリからも取得可能である。
【0074】
第二ステップにおいて、処理回路は、デノイズモデル（デノイズＤＣＮＮ）またはＳＲモデル（デノイズおよびＳＲ－ＤＣＮＮ）を得られた画像の再構成処理に適用するか否かを判定する。デノイズモデルを選択した場合、処理回路は第一のＣＴ画像を第一の再構成条件に従って再構成し、第二のＣＴ画像を第二の再構成条件に従って再構成する。第一の再構成条件と比較して、第二の再構成条件は、ＦＢＰ再構成用に選択される、再構成関数および画像情報維持のためノイズ低減効果のないまたは少ないフィルタを含む。また、第二の再構成条件は、再構成領域の画素密度または画素数が第一の再構成条件より大きいため、第二のＣＴ画像のＳＲ処理において解像度をより向上させる。第一および第二のＣＴ画像双方の再構成において特定のノイズ低減処理を実施する場合は、第二のＣＴ画像の画像情報維持のため、第二のＣＴ画像のノイズ低減度を第一のＣＴ画像より低くしてもよい。
【0075】
次のステップにおいて、デノイズＤＣＮＮを第一のＣＴ画像に適用してデノイズ済みＣＴ画像を得る。次に、ＳＲおよびデノイズＤＣＮＮを第一のＣＴ画像に適用してＳＲ－ＣＴ画像を得る。得られたＣＴ画像は出力され、表示または分析される。得られたＣＴ画像を出力して表示する場合、処理回路は、得られたＣＴ画像を含むグラフィカル・ユーザ・インターフェースを生成し、ディスプレイに送信する。ディスプレイが画像処理装置またはワークステーションに接続されている場合は、処理回路は表示装置に得られたＣＴ画像を表示させる。
【0076】
上述の処理には、適用されるＤＣＮＮモデルを選択しない場合は含まれていないが、かかる場合、処理回路は第一の再構成条件、または第一および第二の再構成条件とは異なる第三の再構成条件を選択する。
【0077】
一実施形態において、複数のＳＲ（およびデノイズ）ＤＣＮＮと複数のＤＣＮＮモデルを体部位ベースに作成することができる。すなわち、ＳＲ用、デノイズ用にかかわらず、ＤＣＮＮモデルを、特定の体部位用および／または特定の臨床用途の画像のみを用いることによって、特定の体部位および／または特定の臨床用途に訓練することができる。
【0078】
複数のＳＲ－ＤＣＮＮがメモリに保存されている場合、処理回路は、撮像された体部位に応じてその内の一つを指定する。
【0079】
再構成条件およびＤＣＮＮは、スキャン情報に基づいてＣＴデータ取得前または取得後に選択可能である。
【0080】
図１４を参照して、本開示の別の例示的な実施形態を説明する。この実施形態では、ＤＣＮＮモデルは投影ドメインにおいてＣＴデータ（ＣＴ投影データ）に適用され、画像は再構成される。一実施形態において、ＤＣＮＮを、ＵＨＲ－ＣＴデータである対象データとＮＲ－ＣＴデータである入力データをそれぞれ含む訓練データの複数対を用いて訓練することができる。ＮＲ－ＣＴデータは、ＵＨＲ－ＣＴデータとは異なるスキャンによって収集可能、または上述のＵＨＲ－ＮＲシミュレーションの実行によって生成可能である。別の実施形態において、対象データは、ＨＤ－ＵＨＲ－ＣＴデータであって、入力データはＬＤ－ＮＲ－ＣＴデータである。ＬＤ－ＮＲ－ＣＴデータは、ＨＤ－ＵＨＲ－ＣＴデータとは異なるスキャンによって収集可能である、または図１３を参照して説明したノイズの付加とＵＨＲ－ＮＲシミュレーションの実行によって生成可能である。
【0081】
以下に示すステップは画像処理装置１５０（処理回路）のＣＰＵまたはＧＰＵによって実行されるが、ワークステーションまたは画像処理サーバの処理回路によっても実行可能である。
【0082】
ステップＳ１４００において、広範囲ＣＴデータが取得される。別の実施形態では、ＣＴデータは通常範囲ＣＴデータでもよい。ステップＳ１４０２において、学習済みＤＣＮＮを広範囲ＣＴデータに適用して広範囲ＳＲ－ＣＴデータを取得する。ステップＳ１４０４において、広範囲ＳＲ－ＣＴデータに対して再構成処理を実施し、広範囲ＳＲ－ＣＴ画像を取得する。ステップＳ１４０６において、広範囲ＳＲ－ＣＴ画像は出力されて、表示またはさらに分析される。
【0083】
図１５は、広範囲ＣＴ検出システムに対応するＣＴ撮像システムに含まれるＸ線架台装置の実施形態の一例を示す。図１５に示すとおり、側面から図示されるＸ線架台装置１５００は、Ｘ線管１５０１、円環状フレーム１５０２、および複数列または二次元アレイ型Ｘ線検出器１５０３を備える。Ｘ線管１５０１とＸ線検出器１５０３は円環状フレーム１５０２上の物体ＯＢＪに対して正反対に配置される。円環状フレーム１５０２は回転軸ＲＡの周りに回転可能に支持される。回転部１５０７は、物体ＯＢＪが回転軸ＲＡに沿って図面内にまたは図面外に移動される間、円環状フレーム１５０２を所定の速度で回転させる。コンソールまたは画像処理装置１５５０は再構成装置１５１４、記憶装置１５１２、表示装置１５１６、入力装置１５１５、および前処理装置１５０６を備える。
【0084】
Ｘ線ＣＴ装置には様々な種類がある。例えば検査対象の物体の周囲をＸ線管とＸ線検出器がともに回転する回転－回転型装置、多くの検出素子がリング状または平面状に並べられ、Ｘ線管のみが検査対象の物体の周囲を回転する静止－回転型装置などが挙げられる。本発明はいずれの型の装置にも適用可能である。ここでは、現在の主流である回転－回転型装置を例示する。
【0085】
マルチスライスＸ線ＣＴ装置はさらに、管電圧を生成する高電圧生成装置１５０９を備える。管電圧は、Ｘ線管がＸ線を生成するように、スリップリング１５０８を介してＸ線管１５０１に印加される。Ｘ線は物体ＯＢＪに向かって出射される。物体ＯＢＪの断層領域を丸印で示す。例えば、最初のスキャン中のＸ線管の平均Ｘ線エネルギーは２回目のスキャン中の平均Ｘ線エネルギーより少ない。すなわち、２回以上のスキャンは異なるＸ線エネルギーに対応して取得される。Ｘ線検出器１５０３は、物体ＯＢＪに対してＸ線管１５０１の反対側に位置して、出射され、物体ＯＢＪを透過したＸ線を検出する。Ｘ線検出器１５０３は、個別の検出素子または検出ユニットをさらに備える。
【0086】
ＣＴ装置は、Ｘ線検出器１５０３からの検出信号を処理するための他の装置をさらに備える。データ収集回路またはデータ収集システム（ｄａｔａ ａｃｑｕｉｓｉｔｉｏｎ ｓｙｓｔｅｍ：ＤＡＳ）１５０４は、Ｘ線検出器１５０３から出力された信号をチャネル毎に電圧信号に変換・増幅後、さらにデジタル信号に変換する。Ｘ線検出器１５０３およびＤＡＳ１５０４は回転あたり投影数（ＴＰＰＲ）を処理するように構成される。
【0087】
上述のデータは、Ｘ線架台装置１５００外にあるコンソールに非接触型データ送信機１５０５を介して収容される前処理装置１５０６に送信される。前処理装置１５０６は、生（ｒａｗ）データに対して感度補正等の所定の補正を行う。メモリ１５１２は、結果として得られたデータ（再構成処理直前段階の投影データとも呼ばれる）を保存する。メモリ１５１２は、再構成装置１５１４、入力装置１５１５、表示装置１５１６とともに、データ／制御バス１５１１を介してシステムコントローラ１５１０に接続される。システムコントローラ１５１０は、ＣＴシステムの駆動に必要なレベルに電流を制限する電流調整装置１５１３を制御する。
【0088】
ＣＴ撮像装置のこの構成例において、再構成装置１５１４は、図３、６、７、８、１０、１４に記載の処理および方法を実行する。
【0089】
検出器は、ＣＴスキャナシステムが様々な生成を行う間、患者に対して回転されるおよび／または静止される。一実施例において、上述のＣＴシステムは第三世代形状のシステムと第四世代形状のシステムの結合システムの一例である。第三世代システムでは、Ｘ線管１５０１とＸ線検出器１５０３は円環状フレーム１５０２上に正反対の位置に設けられ、円環状フレーム１５０２の回転軸ＲＡ周りの回転に応じて回転する。第四世代システムでは、検出器は患者の周囲に固定的に配置され、Ｘ線管は患者の周りを回転する。別の実施形態において、Ｘ線架台装置１５００は、Ｃアームと台に支持される円環状フレーム１５０２上に配置される複数の検出器を備える。
【0090】
メモリ１５１２は、Ｘ線検出器１５０３におけるＸ線の放射照度を示す測定値を保存可能である。
【0091】
さらに、再構成装置１５１４は、必要に応じて、ボリュームレンダリング処理、画像差分処理等の再構成前画像処理を実行可能である。
【0092】
前処理装置１５０６が実行する投影データの再構成前処理は、例えば、検出器キャリブレーション、検出器の非線形性、および極性効果に対する補正を含んでもよい。
【0093】
再構成装置１５１４が実行する再構成後処理は、必要に応じて、画像のフィルタリングおよび平滑化、ボリュームレンダリング処理、および画像差分処理を含むことが可能である。再構成装置１５１４は、例えば投影データ、再構成画像、キャリブレーション・データ、パラメータ、コンピュータプログラム等をメモリに保存できる。
【0094】
再構成装置１５１４は、ＣＰＵ（処理回路）を備えることができる。ＣＰＵは、個別論理ゲート、特定用途向け集積回路（ＡＳＩＣ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）や他のコンプレックス・プログラマブルロジックデバイス（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＣＰＬＤ）として実現可能である。ＦＰＧＡやＣＰＬＤの実装は、ＶＨＤＬ、Ｖｅｒｉｌｏｇまたは他のハードウェア記述言語によって暗号化されてもよい。暗号はＦＰＧＡやＣＰＬＤ内の電子メモリに直接保存される、または別の電子メモリに保存されてもよい。さらに、メモリ１５１２はＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、またはフラッシュメモリ等の不揮発性であってもよい。メモリ１５１２は、スタティックまたはダイナミックＲＡＭなどの揮発性でもよい。また、マイクロコントローラ、マイクロプロセッサなどのプロセッサを設けて、電子メモリとともにＦＰＧＡまたはＣＰＬＤとメモリ間の相互の動作を管理することも可能である。
【0095】
また、再構成装置１５１４のＣＰＵは、本開示に記載の機能を実行する一組のコンピュータ読み取り可能な指示を含むコンピュータプログラムを実行可能である。該コンピュータプログラムは、上述の非一時的な電子メモリおよび／またはハードディスクドライブ、ＣＤ、ＤＶＤ、フラッシュドライブ、または他の公知の記憶媒体に保存される。さらに、コンピュータ読み取り可能な指示は、所定のプロセッサおよび所定のオペレーティングシステムまたは当業者公知の任意のオペレーティングシステムと協働で実行する、ユーティリティ・アプリケーション、バックグラウンドデーモン、オペレーティングシステムのコンポネント、またはその組み合わせとして提供可能である。また、ＣＰＵは、協働で並列に動作して指示を実行する複数のプロセッサとして実現可能である。
【0096】
一実施例において、再構成画像を表示装置１５１６に表示することができる。表示装置１５１６は、ＬＣＤディスプレイ、ＣＲＴディスプレイ、プラズマディスプレイ、ＯＬＥＤ、ＬＥＤ、または他の公知の表示装置を用いることができる。
【0097】
メモリ１５１２は、ハードディスクドライブ、ＣＤ－ＲＯＭドライブ、ＤＶＤドライブ、フラッシュドライブ、ＲＡＭ、ＲＯＭ、または他の公知の電子記憶装置を用いることができる。
【0098】
図１６は、中間ネットワークに係わるクライアント－サーバ構成を有する医用画像処理システムの一例を示す。図１６に示すように、医用画像処理システムは、クライアント側装置として医用画像診断装置１６０１を、ネットワークＮを介して医用画像診断装置１６０１と接続されるサーバ側装置として医用画像処理装置１６１０を備える。
【0099】
【0100】
医用画像処理装置１６１０は、送信機／受信機１６１１、メモリ１６１２、および処理回路１６１３を備える。処理回路１６１３は、再構成プロセッサ１６１４１および画像プロセッサ１６１４２を含む再構成装置１６１４を備える。送信機／受信機１６１１はネットワークＮを介して医用画像診断装置１６０１との間でデータを送受信する。メモリ１６１２は、医用画像診断装置１６０１から受信した医用画像データ等の情報と上述の再構成処理やデノイズ処理などを実行するための様々な専用プログラムを保存する。処理回路１６１３は、上述の再構成装置１６１４の機能を実現するプロセッサである。
【0101】
これらの構成によって、医用画像診断装置１６０１は、図１５の再構成装置１５１４の機能の実現を必要としない。したがって、医用画像診断装置１６０１の処理負荷および医用画像診断装置１６０１に付随するコストを削減することができる。また、再構成処理およびデノイズ処理は、サーバ側である医用画像処理装置１６１０によって統一された方法で実行される。これによって、現場の医用画像診断装置それぞれで再構成処理およびデノイズ処理を行う際の演算子の差異に起因して起こり得る、画質等のばらつきを防ぐことが可能となる。
【0102】
以上説明した少なくとも１つの実施形態等によれば、医用画像における解剖学的特徴などの物体の視認性を向上し、かつ画質を向上させた医用画像を生成することができる。
【0103】
いくつかの実施形態を参照して本開示を説明したが、これらの実施形態は、本開示の原理と用途の例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更、実施形態同士の組み合わせを行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。
【0104】
以上の実施形態等に関し、発明の一側面および選択的な特徴として以下の付記を開示する。
（付記１）
第１のピクセルサイズの検出器を有する第１のＣＴ装置で、前記検出器の第１のイメージング領域を用いて被検体に対する第１のＣＴスキャンを実行することより第１の投影データ群を取得し、
前記第１の投影データ群を再構成処理することにより第１の解像度を有する第１のＣＴ画像を取得し、
前記第１のＣＴ画像に解像度を向上させるための機械学習モデルを適用することにより前記第１の解像度よりも解像度が高い処理後ＣＴ画像を取得し、
前記処理後ＣＴ画像を表示または解析処理のために出力し、
前記機械学習モデルは、第１のピクセルサイズよりも小さい第２のピクセルサイズの検出器を有する第２のＣＴ装置で、前記検出器の第１のイメージング領域よりも小さい第２のイメージング領域を用いて被検体に対する第２のＣＴスキャンを実行することより得られる第２の投影データ群に基づく第２のＣＴ画像を用いた機械学習により得られること、
を備える医用画像処理方法。
（付記２）
前記医用画像処理方法は、前記機械学習モデルを適用する場合には、前記第１の投影データ群を用いて第１のマトリクスサイズで再構成処理をすることにより前記第１のＣＴ画像を生成し、前記機械学習モデルを適用しない場合には、前記第１の投影データ群を用いて第１のマトリクスサイズよりも小さい第２のマトリクスサイズで再構成処理をすることにより他のＣＴ画像を生成してもよい。
（付記３）
前記第１のマトリクスサイズは、５１２×５１２、１０２４×１０２４、２０４８×２０４８、４０９６×４０９６のうちいずれかであってもよい。
（付記４）
前記第２のマトリクスサイズは、２５６×２５６、５１２×５１２、１０２４×１０２４、２０４８×２０４８のうちいずれかであってもよい。
（付記５）
前記第１のマトリクスサイズは、１０２４×１０２４以上であって、前記第２のマトリクスサイズ５１２×５１２以上であってもよい。
（付記６）
前記医用画像処理方法は、
前記機械学習モデルを適用する場合には、前記第１の投影データ群を用い、第１の再構成関数に基づいて再構成処理をすることにより前記第１のＣＴ画像を生成し、
前記機械学習モデルを適用する代わりに、前記機械学習モデルとは異なる、ノイズを低減させるための他の機械学習モデルを適用する場合には、前記第１の投影データ群を用い、前記第１の再構成関数よりもノイズ低減効果の大きい第２の再構成関数に基づいて再構成処理をすることにより他のＣＴ画像を生成し、前記他のＣＴ画像に前記他の機械学習モデルを適用してもよい。
（付記７）
前記医用画像処理方法は、前記処理後ＣＴ画像の取得において、前記第１のＣＴ画像と、前記第１のＣＴ画像に前記機械学習モデルを適用して得られる画像とを所定の割合で合成することにより前記処理後ＣＴ画像を取得してもよい。
（付記８）
前記所定の割合は、ユーザ入力に基づいて得られる、または一組の撮像条件セットから得られてもよい。
（付記９）
前記医用画像処理方法は、前記機械学習モデルの適用において、
前記第１のＣＴ画像に基づいて複数の３Ｄ部分画像を生成し、
前記機械学習モデルと前記他の機械学習モデルとのうち指定されたモデルに前記複数の３Ｄ部分画像を入力することによって、前記指定されたモデルを適用して、複数の処理済み３Ｄ部分画像を取得し、
前記複数の処理済み３Ｄ部分画像を合成することによって処理済み画像を取得してもよい。
（付記１０）
前記医用画像処理方法は、前記複数の３Ｄ部分画像の生成において、前記複数の３Ｄ部分画像のうち少なくとも２つが部分的に重複するように前記複数の３Ｄ部分画像を生成してもよい。
（付記１１）
前記医用画像処理方法は、前記複数の処理済み３Ｄ部分画像を合成することにおいて、前記複数の処理済み３Ｄ部分画像のうち２つの隣接する処理済み３Ｄ部分画像間の結合部にフィルタ処理を適用して、前記複数の処理済み３Ｄ部分画像を合成してもよい。
（付記１２）
前記機械学習モデルは、前記第１のＣＴ画像に超解像処理を適用するための機械学習モデルであってもよい。
（付記１３）
前記機械学習モデルは、前記第１のＣＴ画像に超解像処理とノイズ低減処理とを適用するための機械学習モデルであってもよい。
（付記１４）
前記医用画像処理方法によれば、前記機械学習モデルの生成では、前記第２のＣＴ画像と、前記第２のＣＴ画像または前記第２の投影データ群のいずれかに基づき生成される、前記第２のＣＴ画像よりも解像度が低く、前記第２のＣＴ画像よりもノイズが大きい第３のＣＴ画像とを訓練画像として、前記訓練画像を用いて前記機械学習モデルは訓練されてもよい。
（付記１５）
前記医用画像処理方法によれば、前記機械学習モデルの生成では、前記第２のＣＴ画像と、前記第２の投影データ群にノイズ付加処理を適用してさらに解像度低減処理を適用することにより得られる第３の投影データ群に基づく第４のＣＴ画像とを訓練画像として、前記訓練画像を用いて前記機械学習モデルは訓練されてもよい。
（付記１６）
第１のピクセルサイズの検出器を有する第１のＣＴ装置で、前記検出器の第１のイメージング領域を用いて被検体に対する第１のＣＴスキャンを実行することより得られる第１の投影データ群を取得する取得部と、
前記第１の投影データ群を再構成処理することにより第１の解像度を有する第１のＣＴ画像を取得し、かつ、前記第１のＣＴ画像に解像度を向上させるための機械学習モデルを適用することにより前記第１の解像度よりも解像度が高い処理後ＣＴ画像を取得する処理部と、
前記処理後ＣＴ画像を表示または解析処理のために出力する出力部と、
を備え、
前記機械学習モデルは、第１のピクセルサイズよりも小さい第２のピクセルサイズの検出器を有する第２のＣＴ装置で、前記検出器の第１のイメージング領域よりも小さい第２のイメージング領域を用いて被検体に対する第２のＣＴスキャンを実行することより得られる第２の投影データ群に基づく第２のＣＴ画像を用いた機械学習により得られる、
医用画像処理装置。
（付記１７）
Ｘ線ＣＴ装置は、付記１６に記載の医用画像処理装置を有していてもよい。
（付記１８）
コンピュータに、
第１のピクセルサイズの検出器を有する第１のＣＴ装置で、前記検出器の第１のイメージング領域を用いて被検体に対する第１のＣＴスキャンを実行することより第１の投影データ群を取得し、
前記第１の投影データ群を再構成処理することにより第１の解像度を有する第１のＣＴ画像を取得し、
前記第１のＣＴ画像に解像度を向上させるための機械学習モデルを適用することにより前記第１の解像度よりも解像度が高い処理後ＣＴ画像を取得し、
前記処理後ＣＴ画像を表示または解析処理のために出力することを実現させ、
前記機械学習モデルは、第１のピクセルサイズよりも小さい第２のピクセルサイズの検出器を有する第２のＣＴ装置で、前記検出器の第１のイメージング領域よりも小さい第２のイメージング領域を用いて被検体に対する第２のＣＴスキャンを実行することより得られる第２の投影データ群に基づく第２のＣＴ画像を用いた機械学習により得られる、
医用画像処理プログラム。
（付記１）
第１のピクセルサイズの検出器を有する第１のＣＴ装置で、前記検出器の第１のイメージング領域を用いて被検体に対する第１のＣＴスキャンを実行することより第１の投影データ群を取得し、
前記第１の投影データ群を再構成処理することにより第１の解像度を有する第１のＣＴ画像を取得し、
前記第１のＣＴ画像に解像度を向上させるための機械学習モデルを適用することにより前記第１の解像度よりも解像度が高い処理後ＣＴ画像を取得し、
前記処理後ＣＴ画像を表示または解析処理のために出力し、
前記機械学習モデルは、第１のピクセルサイズよりも小さい第２のピクセルサイズの検出器を有する第２のＣＴ装置で、前記検出器の第１のイメージング領域よりも小さい第２のイメージング領域を用いて被検体に対する第２のＣＴスキャンを実行することより得られる第２の投影データ群に基づく第２のＣＴ画像を用いた機械学習により得られること、
を備える医用画像処理方法。
（付記２）
前記医用画像処理方法は、前記機械学習モデルを適用する場合には、前記第１の投影データ群を用いて第１のマトリクスサイズで再構成処理をすることにより前記第１のＣＴ画像を生成し、前記機械学習モデルを適用しない場合には、前記第１の投影データ群を用いて第１のマトリクスサイズよりも小さい第２のマトリクスサイズで再構成処理をすることにより他のＣＴ画像を生成してもよい。
（付記３）
前記第１のマトリクスサイズは、５１２×５１２、１０２４×１０２４、２０４８×２０４８、４０９６×４０９６のうちいずれかであってもよい。
（付記４）
前記第２のマトリクスサイズは、２５６×２５６、５１２×５１２、１０２４×１０２４、２０４８×２０４８のうちいずれかであってもよい。
（付記５）
前記第１のマトリクスサイズは、１０２４×１０２４以上であって、前記第２のマトリクスサイズ５１２×５１２以上であってもよい。
（付記６）
前記医用画像処理方法は、
前記機械学習モデルを適用する場合には、前記第１の投影データ群を用い、第１の再構成関数に基づいて再構成処理をすることにより前記第１のＣＴ画像を生成し、
前記機械学習モデルを適用する代わりに、前記機械学習モデルとは異なる、ノイズを低減させるための他の機械学習モデルを適用する場合には、前記第１の投影データ群を用い、前記第１の再構成関数よりもノイズ低減効果の大きい第２の再構成関数に基づいて再構成処理をすることにより他のＣＴ画像を生成し、前記他のＣＴ画像に前記他の機械学習モデルを適用してもよい。
（付記７）
前記医用画像処理方法は、前記処理後ＣＴ画像の取得において、前記第１のＣＴ画像と、前記第１のＣＴ画像に前記機械学習モデルを適用して得られる画像とを所定の割合で合成することにより前記処理後ＣＴ画像を取得してもよい。
（付記８）
前記所定の割合は、ユーザ入力に基づいて得られる、または一組の撮像条件セットから得られてもよい。
（付記９）
前記医用画像処理方法は、前記機械学習モデルの適用において、
前記第１のＣＴ画像に基づいて複数の３Ｄ部分画像を生成し、
前記機械学習モデルと前記他の機械学習モデルとのうち指定されたモデルに前記複数の３Ｄ部分画像を入力することによって、前記指定されたモデルを適用して、複数の処理済み３Ｄ部分画像を取得し、
前記複数の処理済み３Ｄ部分画像を合成することによって処理済み画像を取得してもよい。
（付記１０）
前記医用画像処理方法は、前記複数の３Ｄ部分画像の生成において、前記複数の３Ｄ部分画像のうち少なくとも２つが部分的に重複するように前記複数の３Ｄ部分画像を生成してもよい。
（付記１１）
前記医用画像処理方法は、前記複数の処理済み３Ｄ部分画像を合成することにおいて、前記複数の処理済み３Ｄ部分画像のうち２つの隣接する処理済み３Ｄ部分画像間の結合部にフィルタ処理を適用して、前記複数の処理済み３Ｄ部分画像を合成してもよい。
（付記１２）
前記機械学習モデルは、前記第１のＣＴ画像に超解像処理を適用するための機械学習モデルであってもよい。
（付記１３）
前記機械学習モデルは、前記第１のＣＴ画像に超解像処理とノイズ低減処理とを適用するための機械学習モデルであってもよい。
（付記１４）
前記医用画像処理方法によれば、前記機械学習モデルの生成では、前記第２のＣＴ画像と、前記第２のＣＴ画像または前記第２の投影データ群のいずれかに基づき生成される、前記第２のＣＴ画像よりも解像度が低く、前記第２のＣＴ画像よりもノイズが大きい第３のＣＴ画像とを訓練画像として、前記訓練画像を用いて前記機械学習モデルは訓練されてもよい。
（付記１５）
前記医用画像処理方法によれば、前記機械学習モデルの生成では、前記第２のＣＴ画像と、前記第２の投影データ群にノイズ付加処理を適用してさらに解像度低減処理を適用することにより得られる第３の投影データ群に基づく第４のＣＴ画像とを訓練画像として、前記訓練画像を用いて前記機械学習モデルは訓練されてもよい。
（付記１６）
第１のピクセルサイズの検出器を有する第１のＣＴ装置で、前記検出器の第１のイメージング領域を用いて被検体に対する第１のＣＴスキャンを実行することより得られる第１の投影データ群を取得する取得部と、
前記第１の投影データ群を再構成処理することにより第１の解像度を有する第１のＣＴ画像を取得し、かつ、前記第１のＣＴ画像に解像度を向上させるための機械学習モデルを適用することにより前記第１の解像度よりも解像度が高い処理後ＣＴ画像を取得する処理部と、
前記処理後ＣＴ画像を表示または解析処理のために出力する出力部と、
を備え、
前記機械学習モデルは、第１のピクセルサイズよりも小さい第２のピクセルサイズの検出器を有する第２のＣＴ装置で、前記検出器の第１のイメージング領域よりも小さい第２のイメージング領域を用いて被検体に対する第２のＣＴスキャンを実行することより得られる第２の投影データ群に基づく第２のＣＴ画像を用いた機械学習により得られる、
医用画像処理装置。
（付記１７）
Ｘ線ＣＴ装置は、付記１６に記載の医用画像処理装置を有していてもよい。
（付記１８）
コンピュータに、
第１のピクセルサイズの検出器を有する第１のＣＴ装置で、前記検出器の第１のイメージング領域を用いて被検体に対する第１のＣＴスキャンを実行することより第１の投影データ群を取得し、
前記第１の投影データ群を再構成処理することにより第１の解像度を有する第１のＣＴ画像を取得し、
前記第１のＣＴ画像に解像度を向上させるための機械学習モデルを適用することにより前記第１の解像度よりも解像度が高い処理後ＣＴ画像を取得し、
前記処理後ＣＴ画像を表示または解析処理のために出力することを実現させ、
前記機械学習モデルは、第１のピクセルサイズよりも小さい第２のピクセルサイズの検出器を有する第２のＣＴ装置で、前記検出器の第１のイメージング領域よりも小さい第２のイメージング領域を用いて被検体に対する第２のＣＴスキャンを実行することより得られる第２の投影データ群に基づく第２のＣＴ画像を用いた機械学習により得られる、
医用画像処理プログラム。
【符号の説明】
【0105】
１００ 広範囲ＣＴ検出システム、通常分解能－広範囲ＣＴ検出システム、広範囲ＣＴ検出スキャナ
１０１ 広範囲ＣＴデータ
１１３ ケーブルまたは配線
１５０ 画像処理装置
２００ ＵＨＲ－ＣＴ検出システム、超高分解能検出スキャナ、超高分解能ＣＴスキャナ、超高分解能ＣＴ検出スキャナ、ＵＨＲ－ＣＴ検出スキャナ、ＵＨＲ－ＣＴスキャナ
２０１ ＵＨＲ－ＣＴデータ
３００ 広範囲ＵＨＲ－ＣＴ検出システム、広範囲ＵＨＲ－ＣＴスキャナシステム
３０１ 広範囲ＵＨＲ－ＣＴ画像
４００ 情報処理装置
４０１ 超解像（ＳＲ）用学習済みモデル、ＤＬネットワーク、機械学習モデル、学習済みモデル
１２００ コンピュータシステム、システム、コンピュータ
１２００’ コンピュータ、コンソール
１２０１ 中央処理装置（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ：ＣＰＵ）
１２０２ ＲＯＭ
１２０３ ＲＡＭ
１２０４ ハードディスク（および／または他の記憶装置）
１２０５ 通信インターフェース
１２０７ ＳＳＤ（ソリッドステートドライブ）
１２０９ スクリーン（またはモニタ・インターフェース）、ディスプレイ
１２１０ キーボード（または入力インターフェース；キーボードに加えてマウスや他の入力装置を備えてもよい）
１２１１ マウス装置、マウス
１２１２ ネットワークインターフェース
１２１３ 接続線、配線
１２１４ オペレーションインターフェース
１２１５ ＧＰＵ
１５００ Ｘ線架台装置
１５０１ Ｘ線管
１５０２ 円環状フレーム
１５０３ 複数列または二次元アレイ型Ｘ線検出器、Ｘ線検出器、
１５０４ データ収集システム（ｄａｔａ ａｃｑｕｉｓｉｔｉｏｎ ｓｙｓｔｅｍ：ＤＡＳ）
１５０５ 非接触型データ送信機
１５０６ 前処理装置
１５０７ 回転部
１５０８ スリップリング
１５１０ システムコントローラ
１５１１ 制御バス、データ／制御バス
１５１２ 記憶装置、メモリ
１５１３ 電流調整装置
１５１４ 再構成装置
１５１５ 入力装置
１５１６ 表示装置
１５５０ コンソールまたは画像処理装置
１６０１ 医用画像診断装置
１６１０ 医用画像処理装置
１６１１ 送信機／受信機
１６１２ メモリ
１６１３ 処理回路
１６１４ 再構成装置
１６１４１ 再構成プロセッサ
１６１４２ 画像プロセッサ
１０１ 広範囲ＣＴデータ
１１３ ケーブルまたは配線
１５０ 画像処理装置
２００ ＵＨＲ－ＣＴ検出システム、超高分解能検出スキャナ、超高分解能ＣＴスキャナ、超高分解能ＣＴ検出スキャナ、ＵＨＲ－ＣＴ検出スキャナ、ＵＨＲ－ＣＴスキャナ
２０１ ＵＨＲ－ＣＴデータ
３００ 広範囲ＵＨＲ－ＣＴ検出システム、広範囲ＵＨＲ－ＣＴスキャナシステム
３０１ 広範囲ＵＨＲ－ＣＴ画像
４００ 情報処理装置
４０１ 超解像（ＳＲ）用学習済みモデル、ＤＬネットワーク、機械学習モデル、学習済みモデル
１２００ コンピュータシステム、システム、コンピュータ
１２００’ コンピュータ、コンソール
１２０１ 中央処理装置（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ：ＣＰＵ）
１２０２ ＲＯＭ
１２０３ ＲＡＭ
１２０４ ハードディスク（および／または他の記憶装置）
１２０５ 通信インターフェース
１２０７ ＳＳＤ（ソリッドステートドライブ）
１２０９ スクリーン（またはモニタ・インターフェース）、ディスプレイ
１２１０ キーボード（または入力インターフェース；キーボードに加えてマウスや他の入力装置を備えてもよい）
１２１１ マウス装置、マウス
１２１２ ネットワークインターフェース
１２１３ 接続線、配線
１２１４ オペレーションインターフェース
１２１５ ＧＰＵ
１５００ Ｘ線架台装置
１５０１ Ｘ線管
１５０２ 円環状フレーム
１５０３ 複数列または二次元アレイ型Ｘ線検出器、Ｘ線検出器、
１５０４ データ収集システム（ｄａｔａ ａｃｑｕｉｓｉｔｉｏｎ ｓｙｓｔｅｍ：ＤＡＳ）
１５０５ 非接触型データ送信機
１５０６ 前処理装置
１５０７ 回転部
１５０８ スリップリング
１５１０ システムコントローラ
１５１１ 制御バス、データ／制御バス
１５１２ 記憶装置、メモリ
１５１３ 電流調整装置
１５１４ 再構成装置
１５１５ 入力装置
１５１６ 表示装置
１５５０ コンソールまたは画像処理装置
１６０１ 医用画像診断装置
１６１０ 医用画像処理装置
１６１１ 送信機／受信機
１６１２ メモリ
１６１３ 処理回路
１６１４ 再構成装置
１６１４１ 再構成プロセッサ
１６１４２ 画像プロセッサ
【図1A】
【図1B】
【図2】
【図3】
【図4】
【図5A】
【図5B】
【図5C】
【図5D】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】