特開 2023-112818 画像処理装置および画像処理方法

(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】P2023112818

(43)【公開日】2023-08-15

(54)【発明の名称】画像処理装置および画像処理方法

(51)【国際特許分類】

   G01T 1/161 20060101AFI20230807BHJP

   A61B 6/03 20060101ALI20230807BHJP

【ＦＩ】

G01T1/161 C

A61B6/03 350X

A61B6/03 377

【審査請求】未請求

【請求項の数】13

【出願形態】ＯＬ

(21)【出願番号】P 2022014768

(22)【出願日】2022-02-02

(71)【出願人】

【識別番号】000236436

【氏名又は名称】浜松ホトニクス株式会社

(74)【代理人】

【識別番号】100088155

【弁理士】

【氏名又は名称】長谷川 芳樹

(74)【代理人】

【識別番号】100113435

【弁理士】

【氏名又は名称】黒木 義樹

(74)【代理人】

【識別番号】100140442

【弁理士】

【氏名又は名称】柴山 健一

(74)【代理人】

【識別番号】100110582

【弁理士】

【氏名又は名称】柴田 昌聰

(72)【発明者】

【氏名】大手 希望

(72)【発明者】

【氏名】橋本 二三生

(72)【発明者】

【氏名】大西 佑弥

【テーマコード（参考）】

4C093

4C188

【Ｆターム（参考）】

4C093AA21

4C093AA25

4C093CA28

4C093FE03

4C188EE02

4C188FF04

4C188FF07

4C188KK15

4C188KK33

4C188KK35

(57)【要約】

【課題】放射線断層撮影装置により収集されたリストデータに基づいてノイズが低減された断層画像を作成することができる装置および方法を提供する。
【解決手段】画像処理方法は、或る初期状態から始めて、再構成ステップＳ１、ＣＮＮ処理ステップＳ２および更新ステップＳ３を複数回繰り返し行って、被検体の断層画像を作成する。再構成ステップＳ１では、リストモード逐次近似再構成法に拠る処理を行って、第１画像を作成する。ＣＮＮ処理ステップＳ２では、ＤＩＰ技術に拠りＣＮＮに入力情報を入力させて該ＣＮＮにより第２画像を作成し、このＣＮＮを学習させる。更新ステップＳ３では、第１画像および第２画像に基づいて第３画像を更新する。
【選択図】図２

【特許請求の範囲】

【請求項1】

放射線断層撮影装置により収集されたリストデータに基づいて断層画像を作成する画像処理装置であって、
リストモード逐次近似再構成法により前記リストデータに基づいて第１画像の更新を行って得られた画像を第２画像と第３画像との差に近づける処理を繰り返すことにより、新たな第１画像を作成する再構成部と、
畳み込みニューラルネットワークに入力情報を入力させて前記畳み込みニューラルネットワークにより第２画像を作成し、この作成した第２画像が前記第１画像と前記第３画像との和に近づくように前記畳み込みニューラルネットワークを学習させるＣＮＮ処理部と、
前記第１画像および前記第２画像に基づいて前記第３画像を更新する更新部と、
を備え、
前記畳み込みニューラルネットワークの学習状態、前記第１画像、前記第２画像および前記第３画像それぞれの初期状態から始めて、前記再構成部による前記第１画像の作成、前記ＣＮＮ処理部による前記第２画像の作成および前記畳み込みニューラルネットワークの学習、ならびに、前記更新部による前記第３画像の更新を繰り返し行って、これらの繰り返し処理で得られた前記第１画像および前記第２画像の何れかを前記断層画像とする、
画像処理装置。

【請求項2】

放射線断層撮影装置により収集されたリストデータに基づいて断層画像を作成する画像処理装置であって、
リストモード逐次近似再構成法により前記リストデータに基づいて第３画像の更新を行うことにより、第１画像を作成する再構成部と、
畳み込みニューラルネットワークに入力情報を入力させて前記畳み込みニューラルネットワークにより第２画像を作成し、この作成した第２画像が前記第３画像に近づくように前記畳み込みニューラルネットワークを学習させるＣＮＮ処理部と、
前記第１画像および前記第２画像に基づいて前記第３画像を更新する更新部と、
を備え、
前記畳み込みニューラルネットワークの学習状態および前記第３画像それぞれの初期状態から始めて、前記再構成部による前記第１画像の作成、前記ＣＮＮ処理部による前記第２画像の作成および前記畳み込みニューラルネットワークの学習、ならびに、前記更新部による前記第３画像の更新を繰り返し行って、これらの繰り返し処理で得られた前記第１画像、前記第２画像および前記第３画像の何れかを前記断層画像とする、
画像処理装置。

【請求項3】

前記ＣＮＮ処理部は、被検体の形態情報を表す画像を前記入力情報として前記畳み込みニューラルネットワークに入力させる、
請求項１または２に記載の画像処理装置。

【請求項4】

前記ＣＮＮ処理部は、被検体のＭＲＩ画像を前記入力情報として前記畳み込みニューラルネットワークに入力させる、
請求項１または２に記載の画像処理装置。

【請求項5】

前記ＣＮＮ処理部は、被検体のＣＴ画像を前記入力情報として前記畳み込みニューラルネットワークに入力させる、
請求項１または２に記載の画像処理装置。

【請求項6】

前記ＣＮＮ処理部は、ランダムノイズ画像を前記入力情報として前記畳み込みニューラルネットワークに入力させる、
請求項１または２に記載の画像処理装置。

【請求項7】

被検体の断層画像を再構成するためのリストデータを収集する放射線断層撮影装置と、
前記放射線断層撮影装置により収集されたリストデータに基づいて断層画像を作成する請求項１～６の何れか１項に記載の画像処理装置と、
を備える放射線断層撮影システム。

【請求項8】

放射線断層撮影装置により収集されたリストデータに基づいて断層画像を作成する画像処理方法であって、
リストモード逐次近似再構成法により前記リストデータに基づいて第１画像の更新を行って得られた画像を第２画像と第３画像との差に近づける処理を繰り返すことにより、新たな第１画像を作成する再構成ステップと、
畳み込みニューラルネットワークに入力情報を入力させて前記畳み込みニューラルネットワークにより第２画像を作成し、この作成した第２画像が前記第１画像と前記第３画像との和に近づくように前記畳み込みニューラルネットワークを学習させるＣＮＮ処理ステップと、
前記第１画像および前記第２画像に基づいて前記第３画像を更新する更新ステップと、
を備え、
前記畳み込みニューラルネットワークの学習状態、前記第１画像、前記第２画像および前記第３画像それぞれの初期状態から始めて、前記再構成ステップにおける前記第１画像の作成、前記ＣＮＮ処理ステップにおける前記第２画像の作成および前記畳み込みニューラルネットワークの学習、ならびに、前記更新ステップにおける前記第３画像の更新を繰り返し行って、これらの繰り返し処理で得られた前記第１画像および前記第２画像の何れかを前記断層画像とする、
画像処理方法。

【請求項9】

放射線断層撮影装置により収集されたリストデータに基づいて断層画像を作成する画像処理方法であって、
リストモード逐次近似再構成法により前記リストデータに基づいて第３画像の更新を行うことにより、第１画像を作成する再構成ステップと、
畳み込みニューラルネットワークに入力情報を入力させて前記畳み込みニューラルネットワークにより第２画像を作成し、この作成した第２画像が前記第３画像に近づくように前記畳み込みニューラルネットワークを学習させるＣＮＮ処理ステップと、
前記第１画像および前記第２画像に基づいて前記第３画像を更新する更新ステップと、
を備え、
前記畳み込みニューラルネットワークの学習状態および前記第３画像それぞれの初期状態から始めて、前記再構成ステップにおける前記第１画像の作成、前記ＣＮＮ処理ステップにおける前記第２画像の作成および前記畳み込みニューラルネットワークの学習、ならびに、前記更新ステップにおける前記第３画像の更新を繰り返し行って、これらの繰り返し処理で得られた前記第１画像、前記第２画像および前記第３画像の何れかを前記断層画像とする、
画像処理方法。

【請求項10】

前記ＣＮＮ処理ステップにおいて、被検体の形態情報を表す画像を前記入力情報として前記畳み込みニューラルネットワークに入力させる、
請求項８または９に記載の画像処理方法。

【請求項11】

前記ＣＮＮ処理ステップにおいて、被検体のＭＲＩ画像を前記入力情報として前記畳み込みニューラルネットワークに入力させる、
請求項８または９に記載の画像処理方法。

【請求項12】

前記ＣＮＮ処理ステップにおいて、被検体のＣＴ画像を前記入力情報として前記畳み込みニューラルネットワークに入力させる、
請求項８または９に記載の画像処理方法。

【請求項13】

前記ＣＮＮ処理ステップにおいて、ランダムノイズ画像を前記入力情報として前記畳み込みニューラルネットワークに入力させる、
請求項８または９に記載の画像処理方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、放射線断層撮影装置により収集されたリストデータに基づいて断層画像を作成する装置および方法に関するものである。

【背景技術】

【0002】

被検体（生体）の断層画像を取得することができる放射線断層撮影装置として、ＰＥＴ（Positron Emission Tomography）装置およびＳＰＥＣＴ（Single Photon Emission Computed Tomography）装置が挙げられる。

【0003】

ＰＥＴ装置は、被検体が置かれる測定空間の周囲に配列された多数の小型の放射線検出器を有する検出部を備えている。ＰＥＴ装置は、陽電子放出アイソトープ（ＲＩ線源）が投入された被検体内における電子・陽電子の対消滅に伴って発生するエネルギ５１１ｋｅＶの光子対を検出部により同時計数法で検出し、この同時計数情報を収集する。そして、この収集した多数の同時計数情報に基づいて、測定空間における光子対の発生頻度の空間分布（すなわち、ＲＩ線源の空間分布）を表す断層画像を再構成することができる。このとき、ＰＥＴ装置により収集された同時計数情報を時系列に並べたリストデータを収集順に複数のフレームに分割し、そのリストデータのうち各フレームに含まれるデータ群を用いて画像再構成処理を行うことで、複数のフレームの断層画像からなる動態ＰＥＴ画像を得ることができる。このＰＥＴ装置は核医学分野等で重要な役割を果たしており、これを用いて例えば生体機能や脳の高次機能の研究を行うことができる。

【0004】

このようにして再構成された断層画像は、ノイズを多く含んでいるので、画像フィルタによるノイズ除去処理が必要である。ノイズ除去の為に用いられる画像フィルタとしては、ガウシアン・フィルタ（Gaussian Filter）およびガイディド・フィルタ（Guided Filter）が挙げられる。従来からガウシアン・フィルタが用いられている。これに対して、ガイディド・フィルタは、近年になって開発されたものであって、ガウシアン・フィルタと比べると画像中の濃淡の境界をよく保存することができるという特徴がある。

【0005】

また、深層ニューラルネットワークの一種である畳み込みニューラルネットワークを用いた Deep Image Prior技術により断層画像のノイズを除去する技術が提案されている（非特許文献１）。以下では、深層ニューラルネットワーク（Deep Neural Network）を「ＤＮＮ」といい、畳み込みニューラルネットワーク（Convolutional Neural Network）を「ＣＮＮ」といい、Deep Image Prior技術を「ＤＩＰ技術」という。ＤＩＰ技術は、対象画像中の意味のある構造の方がランダムなノイズより早く学習される（すなわち、ランダムなノイズは学習されにくい）というＣＮＮの性質を利用して、対象画像のノイズを低減することができる。

【0006】

これらのノイズ除去技術は、リストデータを用いてヒストグラムモード再構成法により断層画像を作成した後に、この断層画像を処理してノイズを低減する。或いは、ノイズ除去技術をヒストグラムモード再構成法に正則化として組み込む場合もある。ヒストグラムモード再構成法では、リストデータに基づいて、各検出器対により検出された同時計数事象の数を表すヒストグラムを作成し、このヒストグラムに基づいて断層画像を再構成する。ヒストグラムのフォーマットとして、例えば、動径×体軸×方位角×傾斜角の４次元配列（３次元サイノグラム）が用いられる。

【0007】

ところで、近年の放射線断層撮影技術の進化に伴って、１対の放射線検出器の検出時間差情報（Time of Flight、ＴＯＦ）および検出器における光子相互作用深さ（Depth of Interaction、ＤＯＩ）等の新しい情報がリストデータに追加されると、ヒストグラムのフォーマットの配列が５次元または６次元と高次元となってきている。これにより、リストデータからヒストグラムを経て断層画像を再構成するヒストグラムモード再構成法では、これらの一連の処理を行うＣＰＵ等を含む演算部の負荷が過大なものとなってきている。

【0008】

このようなヒストグラムモード再構成法の問題点に対処することができる技術として、リストモード逐次近似再構成法が提案されている（非特許文献２）。リストモード逐次近似再構成法では、リストデータから直接に（ヒストグラムを経ることなく）逐次の近似を繰り返して行うことで断層画像を再構成する。

【先行技術文献】

【非特許文献】

【0009】

【非特許文献1】Kuang Gong et al. “PET Image Reconstruction Using Deep Image Prior,” IEEE Transactions on Medical Imaging, December 2018.

【非特許文献2】A. J. Reader et al. “One-PassList-Mode EM Algorithm for High-Resolution 3-D PET Image Reconstruction intoLarge Arrays,” IEEE Transactions on Nuclear Science, Vol.49, No.3, pp.693-699, 2002.

【発明の概要】

【発明が解決しようとする課題】

【0010】

ヒストグラムモード再構成法に対しては、多くのノイズ除去技術の研究開発がなされている。しかし、リストモード逐次近似再構成法は、リストデータを直接ＣＮＮで処理することが難しいという問題点を有しており、ＣＮＮを組み込んでノイズを効果的に除去することができるリストモード逐次近似再構成法の技術は知られていない。

【0011】

本発明は、上記問題点を解消する為になされたものであり、放射線断層撮影装置により収集されたリストデータに基づいてノイズが低減された断層画像を作成することができる画像処理装置および画像処理方法を提供することを目的とする。

【課題を解決するための手段】

【0012】

本発明の画像処理装置は、放射線断層撮影装置により収集されたリストデータに基づいて断層画像を作成する画像処理装置である。

【0013】

本発明の第１態様の画像処理装置は、(1) リストモード逐次近似再構成法によりリストデータに基づいて第１画像の更新を行って得られた画像を第２画像と第３画像との差に近づける処理を繰り返すことにより、新たな第１画像を作成する再構成部と、(2) 畳み込みニューラルネットワークに入力情報を入力させて畳み込みニューラルネットワークにより第２画像を作成し、この作成した第２画像が第１画像と第３画像との和に近づくように畳み込みニューラルネットワークを学習させるＣＮＮ処理部と、(3) 第１画像および第２画像に基づいて第３画像を更新する更新部と、を備える。この第１態様の装置は、畳み込みニューラルネットワークの学習状態、第１画像、第２画像および第３画像それぞれの初期状態から始めて、再構成部による第１画像の作成、ＣＮＮ処理部による第２画像の作成および畳み込みニューラルネットワークの学習、ならびに、更新部による第３画像の更新を繰り返し行って、これらの繰り返し処理で得られた第１画像および第２画像の何れかを断層画像とする。

【0014】

本発明の第２態様の画像処理装置は、(1) リストモード逐次近似再構成法によりリストデータに基づいて第３画像の更新を行うことにより、第１画像を作成する再構成部と、(2) 畳み込みニューラルネットワークに入力情報を入力させて畳み込みニューラルネットワークにより第２画像を作成し、この作成した第２画像が第３画像に近づくように畳み込みニューラルネットワークを学習させるＣＮＮ処理部と、(3) 第１画像および第２画像に基づいて第３画像を更新する更新部と、を備える。この第２態様の装置は、畳み込みニューラルネットワークの学習状態および第３画像それぞれの初期状態から始めて、再構成部による第１画像の作成、ＣＮＮ処理部による第２画像の作成および畳み込みニューラルネットワークの学習、ならびに、更新部による第３画像の更新を繰り返し行って、これらの繰り返し処理で得られた第１画像、第２画像および第３画像の何れかを断層画像とする。

【0015】

本発明の画像処理装置のＣＮＮ処理部は、被検体の形態情報を表す画像を入力情報として畳み込みニューラルネットワークに入力させてもよいし、被検体のＭＲＩ画像またはＣＴ画像を入力情報として畳み込みニューラルネットワークに入力させてもよいし、ランダムノイズ画像を入力情報として畳み込みニューラルネットワークに入力させてもよい。

【0016】

本発明の放射線断層撮影システムは、被検体の断層画像を再構成するためのリストデータを収集する放射線断層撮影装置と、放射線断層撮影装置により収集されたリストデータに基づいて断層画像を作成する上記の本発明の画像処理装置と、を備える。

【0017】

本発明の画像処理方法は、放射線断層撮影装置により収集されたリストデータに基づいて断層画像を作成する方法である。

【0018】

本発明の第１態様の画像処理方法は、(1) リストモード逐次近似再構成法によりリストデータに基づいて第１画像の更新を行って得られた画像を第２画像と第３画像との差に近づける処理を繰り返すことにより、新たな第１画像を作成する再構成ステップと、(2) 畳み込みニューラルネットワークに入力情報を入力させて畳み込みニューラルネットワークにより第２画像を作成し、この作成した第２画像が第１画像と第３画像との和に近づくように畳み込みニューラルネットワークを学習させるＣＮＮ処理ステップと、(3) 第１画像および第２画像に基づいて第３画像を更新する更新ステップと、を備える。本発明の第１態様の画像処理方法は、畳み込みニューラルネットワークの学習状態、第１画像、第２画像および第３画像それぞれの初期状態から始めて、再構成ステップにおける第１画像の作成、ＣＮＮ処理ステップにおける第２画像の作成および畳み込みニューラルネットワークの学習、ならびに、更新ステップにおける第３画像の更新を繰り返し行って、これらの繰り返し処理で得られた第１画像および第２画像の何れかを断層画像とする。

【0019】

本発明の第２態様の画像処理方法は、(1) リストモード逐次近似再構成法によりリストデータに基づいて第３画像の更新を行うことにより、第１画像を作成する再構成ステップと、(2) 畳み込みニューラルネットワークに入力情報を入力させて畳み込みニューラルネットワークにより第２画像を作成し、この作成した第２画像が第３画像に近づくように畳み込みニューラルネットワークを学習させるＣＮＮ処理ステップと、(3) 第１画像および第２画像に基づいて第３画像を更新する更新ステップと、を備える。本発明の第２態様の画像処理方法は、畳み込みニューラルネットワークの学習状態および第３画像それぞれの初期状態から始めて、再構成ステップにおける第１画像の作成、ＣＮＮ処理ステップにおける第２画像の作成および畳み込みニューラルネットワークの学習、ならびに、更新ステップにおける第３画像の更新を繰り返し行って、これらの繰り返し処理で得られた第１画像、第２画像および第３画像の何れかを断層画像とする。

【0020】

本発明の画像処理方法のＣＮＮ処理ステップにおいて、被検体の形態情報を表す画像を入力情報として畳み込みニューラルネットワークに入力させてもよいし、被検体のＭＲＩ画像またはＣＴ画像を入力情報として畳み込みニューラルネットワークに入力させてもよいし、ランダムノイズ画像を入力情報として畳み込みニューラルネットワークに入力させてもよい。

【発明の効果】

【0021】

本発明によれば、放射線断層撮影装置により収集されたリストデータに基づいてノイズが低減された断層画像を作成することができる。

【図面の簡単な説明】

【0022】

【図1】図１は、放射線断層撮影システム１の構成を示す図である。

【図2】図２は、画像処理方法のフローチャートである。

【図3】図３は、第１態様の画像処理方法のシーケンスを示す図である。

【図4】図４は、ファントム画像（正解画像）を示す図である。図４（ａ）および図４（ｂ）は横断面の画像である。

【図5】図５は、ファントム画像（正解画像）を示す図である。図５（ａ）は冠状断面の画像であり、図５（ｂ）は矢状断面の画像である。

【図6】図６は、比較例１の画像処理方法により得られた断層画像を示す図である。図６（ａ）および図６（ｂ）は横断面の画像である。

【図7】図７は、比較例１の画像処理方法により得られた断層画像を示す図である。図７（ａ）は冠状断面の画像であり、図７（ｂ）は矢状断面の画像である。

【図8】図８は、比較例２の画像処理方法により得られた断層画像を示す図である。図８（ａ）および図８（ｂ）は横断面の画像である。

【図9】図９は、比較例２の画像処理方法により得られた断層画像を示す図である。図９（ａ）は冠状断面の画像であり、図９（ｂ）は矢状断面の画像である。

【図10】図１０は、実施例の画像処理方法により得られた断層画像を示す図である。図１０（ａ）および図１０（ｂ）は横断面の画像である。

【図11】図１１は、実施例の画像処理方法により得られた断層画像を示す図である。図１１（ａ）は冠状断面の画像であり、図１１（ｂ）は矢状断面の画像である。

【図12】図１２は、比較例１，２および実施例それぞれの断層画像のＰＳＮＲを示すグラフである。

【図13】図１３は、比較例１，２および実施例それぞれの断層画像のＣＲＣを示すグラフである。

【図14】図１４は、第２態様の画像処理方法のシーケンスを示す図である。

【発明を実施するための形態】

【0023】

以下、添付図面を参照して、本発明を実施するための形態を詳細に説明する。なお、図面の説明において同一の要素には同一の符号を付し、重複する説明を省略する。本発明は、これらの例示に限定されるものではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

【0024】

図１は、放射線断層撮影システム１の構成を示す図である。放射線断層撮影システム１は、放射線断層撮影装置２および画像処理装置１０を備える。画像処理装置１０は、再構成部１１、ＣＮＮ処理部１２、更新部１３および記憶部１４を備える。画像処理装置１０として、ＣＰＵ、ＲＡＭ、ＲＯＭおよびハードディスクドライブ等を有するコンピュータが用いられる。また、画像処理装置１０は、操作者の入力を受け付ける入力部（例えばキーボードやマウス）を備え、画像等を表示する表示部（例えば液晶ディスプレイ）を備える。

【0025】

放射線断層撮影装置２は、被検体の断層画像を再構成するためのリストデータを収集する装置である。放射線断層撮影装置２として、ＰＥＴ装置およびＳＰＥＣＴ装置が挙げられる。以下では、放射線断層撮影装置２がＰＥＴ装置であるとして説明をする。

【0026】

放射線断層撮影装置２は、被検体が置かれる測定空間の周囲に配列された多数の小型の放射線検出器を有する検出部を備えている。放射線断層撮影装置２は、陽電子放出アイソトープ（ＲＩ線源）が投入された被検体内における電子・陽電子の対消滅に伴って発生するエネルギ５１１ｋｅＶの光子対を検出部により同時計数法で検出し、この同時計数情報を蓄積する。そして、放射線断層撮影装置２は、この蓄積した多数の同時計数情報を時系列に並べたものをリストデータとして画像処理装置１０へ出力する。

【0027】

リストデータは、光子対を同時計数した１対の放射線検出器の識別情報および検出時刻情報を含む。リストデータは、さらに、１対の放射線検出器の検出時間差情報（ＴＯＦ情報）、放射線検出器における光子相互作用深さ情報（ＤＯＩ情報）、および、放射線検出器が検出した光子のエネルギ情報、等をも含んでいてもよい。

【0028】

記憶部１４は、放射線断層撮影装置２により収集されたリストデータを記憶する。また、記憶部１４は、再構成部１１、ＣＮＮ処理部１２および更新部１３それぞれによる処理を実行させるためのプログラムをも記憶している。再構成部１１、ＣＮＮ処理部１２および更新部１３は、記憶部１４により記憶されているプログラムおよびリストデータを用いて、被検体の断層画像を作成する。

【0029】

再構成部１１は、リストモード逐次近似再構成法（非特許文献２参照）に拠る処理を行って、第１画像を作成する。再構成部１１におけるリストモード逐次近似再構成法に拠る処理では、ＬＭ-ＭＬＥＭ（Maximum Likelihood Expectation Maximization）、ＬＭ-ＯＳＥＭ（Ordered Subset EM）、および、ＬＭ-ＤＲＡＭＡ（Dynamic Row Action Maximum likelihood Algorithm）などの逐次更新式が用いられる。

【0030】

ＣＮＮ処理部１２は、ＤＩＰ技術（非特許文献１参照）に拠る処理を行って、第２画像を作成する。ＣＮＮ処理部１２におけるＤＩＰ技術に拠る処理では、ＣＮＮに入力情報を入力させて該ＣＮＮにより第２画像を作成し、また、このＣＮＮを学習させる。ＣＮＮに入力させる入力情報は、被検体の形態情報であってもよいし、被検体のＭＲＩ画像またはＣＴ画像であってもよいし、ランダムノイズ画像であってもよい。

【0031】

更新部１３は、第１画像および第２画像に基づいて第３画像を更新する。再構成部１１、ＣＮＮ処理部１２および更新部１３の各処理の詳細については後述する。

【0032】

記憶部１４は、ＣＮＮに入力される入力情報をも記憶し、また、第１画像、第２画像および第３画像をも記憶する。画像処理装置１０は、或る初期状態から始めて、再構成部１１、ＣＮＮ処理部１２および更新部１３の各処理を繰り返し行って、被検体の断層画像を作成する。

【0033】

図２は、画像処理方法のフローチャートである。画像処理方法は、再構成部１１により行われる再構成ステップＳ１、ＣＮＮ処理部１２により行われるＣＮＮ処理ステップＳ２、および、更新部１３により行われる更新ステップＳ３を備える。或る初期状態から始めて、再構成ステップＳ１、ＣＮＮ処理ステップＳ２および更新ステップＳ３を複数回（Ｎ回）繰り返し行って、被検体の断層画像を作成する。

【0034】

ステップＳ４では、パラメータｎの値を初期値０に設定する。続くステップＳ５では、パラメータｎの値を１増する。ステップＳ５の後に、再構成ステップＳ１、ＣＮＮ処理ステップＳ２および更新ステップＳ３を行う。これらに続くステップＳ６ではパラメータｎの値とＮとが大小比較され、ｎがＮより小さいと判定されればステップＳ５へ戻る。ステップＳ６でｎがＮに達していると判定されれば、繰り返し処理を終了して、被検体の断層画像を取得する。以下では、Ｎ回の繰り返し処理のうち、第ｎ回の再構成ステップＳ１を再構成ステップＳ１(ｎ)といい、第ｎ回のＣＮＮ処理ステップＳ２をＣＮＮ処理ステップＳ２(ｎ) といい、第ｎ回の更新ステップＳ３を更新ステップＳ３(ｎ) という。ｎは１以上Ｎ以下の整数である。

【0035】

次に、画像処理装置１０および画像処理方法の処理の詳細について説明する。先ず、リストデータＵを下記（１）式のように定式化する。ｔは同時計数事象（イベント）を表す番号である。Ｔはイベントの総数である。ｉ(ｔ)は第ｔのイベントを検出した検出器対を識別する番号を表す。

【0036】

【数1】

【0037】

このリストデータＵに対し、下記（２）式で表される制約付き最適化問題を考える。ｘは断層画像である。Ｌ(Ｕ│ｘ)は断層画像ｘからリストデータＵが観測される確率を表す尤度である。ｚはＣＮＮに入力される入力情報である。θは、結合重みなどのＣＮＮの学習状態を表すパラメータであり、ＣＮＮの学習の進展とともに変化していく。ｆ_θ(ｚ)は、学習状態がθであるＣＮＮに入力情報ｚが入力されたときに該ＣＮＮから出力される画像である。この（２）式の制約付き最適化問題は、断層画像ｘがＣＮＮ出力画像ｆ_θ(ｚ)になっているという制約（ｘ＝ｆ_θ(ｚ)）の下で、尤度Ｌ(Ｕ│ｘ)が高くなるよう断層画像ｘおよびＣＮＮパラメータθを最適化する問題となっている。

【0038】

【数2】

【0039】

この最適化問題の解法の態様として、以下に説明するとおり第１態様と第２態様とがある。第１態様は、交互方向乗数法（Alternating Direction Method of Multipliers、ＡＤＭＭ法）に拠る処理である。第２態様は、Forward Backward Splitting（ＦＢＳ法）に拠る処理である。なお、ＦＢＳ法には、その特別な態様としてのDe Pierro法も含まれる。以下では、第１態様および第２態様それぞれの画像処理方法の詳細について説明する。

【0040】

第１態様の画像処理方法では、上記（２）式の制約付き最適化問題を、拡張ラグランジュ関数法に基づいて書き換えた上で、ＡＤＭＭ法により解く。拡張ラグランジュ関数法では、上記（２）式中の制約を正則化項に置き換えて、上記（２）式の制約付き最適化問題を下記（３）式の制約無し最適化問題に書き換える。ρは、正則化の強さを調整する正の定数である。μは、ラグランジュ乗数または双対変数と呼ばれるものであり、以下の説明では「第３画像」という。

【0041】

【数3】

【0042】

第１態様では、ＡＤＭＭにより、この（３）式の制約無し最適化問題を、下記（４）式～（６）式の処理を繰り返すことにより解く。

【0043】

【数4】

【0044】

【数5】

【0045】

【数6】

【0046】

図３は、第１態様の画像処理方法のシーケンスを示す図である。繰り返し処理に先立って、ＣＮＮの学習状態θ⁽⁰⁾、第１画像ｘ⁽⁰⁾、第２画像ｆ_θ ⁽⁰⁾(ｚ)、第３画像μ⁽⁰⁾それぞれを初期化する。なお、第２画像ｆ_θ ⁽⁰⁾(ｚ)は、初期の学習状態θ⁽⁰⁾にあるＣＮＮに入力情報ｚが入力されたときに該ＣＮＮから出力される画像である。

【0047】

第ｎ回の再構成ステップＳ１(ｎ)では、上記（４）式に従って、リストモード逐次近似再構成法によりリストデータＵに基づいて第１画像ｘ^(n-1)の更新を１回行って得られた画像を第２画像ｆ_θ ^(n-1)(ｚ)と第３画像μ^(n-1)との差（ｆ_θ ^(n-1)(ｚ)－μ^(n-1)）に近づける処理を繰り返すことにより、新たな第１画像ｘ⁽ⁿ⁾を作成する。

【0048】

第ｎ回のＣＮＮ処理ステップＳ２(ｎ)では、上記（５）式に従って、ＣＮＮに入力情報ｚを入力させてＣＮＮにより第２画像ｆ_θ ⁽ⁿ⁾(ｚ)を作成し、この作成した第２画像ｆ_θ ⁽ⁿ⁾(ｚ)が第１画像ｘ⁽ⁿ⁾と第３画像μ^(n-1)との和（ｘ⁽ⁿ⁾＋μ^(n-1)）に近づくようにＣＮＮを学習させる。この学習後のＣＮＮの学習状態をθ⁽ⁿ⁾とする。

【0049】

第ｎ回の更新ステップＳ３(ｎ)では、上記（６）式に従って、第１画像ｘ⁽ⁿ⁾と第２画像ｆ_θ ⁽ⁿ⁾(ｚ)との差（ｘ⁽ⁿ⁾－ｆ_θ ⁽ⁿ⁾(ｚ)）を第３画像μ^(n-1)に加えることで、第３画像μ⁽ⁿ⁾に更新する。

【0050】

再構成ステップＳ１、ＣＮＮ処理ステップＳ２および更新ステップＳ３のＮ回の繰り返し処理が終了すると、これにより得られた第１画像ｘ^(N)および第２画像ｆ_θ ^(N)(ｚ)の何れかを被検体の断層画像とする。

【0051】

第１態様では、第１画像ｘおよび第２画像ｆ_θ(ｚ)を同時に最適化していくのではなく、第１画像ｘおよび第２画像ｆ_θ(ｚ)を交互に最適化していくので、問題を解くのが容易である。また、再構成部１１による再構成ステップＳ１の処理、および、ＣＮＮ処理部１２によるＣＮＮ処理ステップＳ２の処理は、非特許文献１，２に記載されたような従来の手法により行うことが可能であるので、実装するのが容易である。

【0052】

図４～図１１は、第１態様の画像処理方法の効果を確認する為に行ったシミュレーションの結果を示す図である。本シミュレーションでは、デジタル脳ファントム画像を用いた頭部用ＰＥＴ装置のＭＣシミュレーションによりシミュレーションデータを作成し、これを用いて第１態様の画像処理方法の効果を確認した。

【0053】

図４および図５は、ファントム画像（正解画像）を示す図である。図４（ａ）および図４（ｂ）は横断面の画像であり、図５（ａ）は冠状断面の画像であり、図５（ｂ）は矢状断面の画像である。

【0054】

図６および図７は、比較例１の画像処理方法により得られた断層画像を示す図である。図６（ａ）および図６（ｂ）は横断面の画像であり、図７（ａ）は冠状断面の画像であり、図７（ｂ）は矢状断面の画像である。比較例１の断層画像は、リストモード逐次近似再構成法のＬＭ-ＤＲＡＭＡの逐次更新式のみを用いて再構成して得られたものであって、ノイズ低減処理をしていない。

【0055】

図８および図９は、比較例２の画像処理方法により得られた断層画像を示す図である。図８（ａ）および図８（ｂ）は横断面の画像であり、図９（ａ）は冠状断面の画像であり、図９（ｂ）は矢状断面の画像である。比較例２の断層画像は、比較例１の再構成断層画像に対してＤＩＰ技術によりノイズを低減することで得られたものである。ＣＮＮのパラメータ更新の回数を２０回とした。ＣＮＮへの入力情報をＭＲＩ画像とした。

【0056】

図１０および図１１は、実施例の画像処理方法により得られた断層画像を示す図である。図１０（ａ）および図１０（ｂ）は横断面の画像であり、図１１（ａ）は冠状断面の画像であり、図１１（ｂ）は矢状断面の画像である。実施例の断層画像は、第１態様の画像処理方法により作成されたものである。ρ＝０.０５とした。ＣＮＮへの入力情報ｚをＭＲＩ画像とした。再構成ステップＳ１内の繰り返し回数を２回とし、ＣＮＮ処理ステップＳ２内のＣＮＮの学習の繰り返し回数を２０回とし、全体の繰り返し回数Ｎを２００回とした。

【0057】

これらの断層画像を比較することで分かるとおり、実施例の画像処理方法により得られた断層画像は、ノイズが少なく、大脳皮質の構造がよく復元されている。

【0058】

図１２は、比較例１，２および実施例それぞれの断層画像のＰＳＮＲを示すグラフである。ＰＳＮＲは、雑音の指標であるピーク信号対雑音比［単位ｄＢ］である。図１３は、比較例１，２および実施例それぞれの断層画像のＣＲＣを示すグラフである。ＣＲＣは、定量性の指標である腫瘍のコントラストリカバリ係数である。実施例の断層画像は、比較例１，２の断層画像と比べるとＰＳＮＲおよびＣＲＣの何れも高く、ＣＲＣが理想的な１.０に近い値となった。これらの結果から分かるように、実施例の画像処理方法は、ノイズアーティファクトの増加を抑えながら、定量性の高い断層画像を生成することが可能である。

【0059】

次に、第２態様の画像処理方法について説明する。第２態様の画像処理方法では、上記（２）式の制約付き最適化問題を、最大事後確率（Maximum a Posteriori、ＭＡＰ）推定法の枠組みに基づいて、ＦＢＳ法により解く。ＭＡＰ推定法では、上記（２）式の制約付き最適化問題を下記（７）式の制約無し最適化問題に書き換える。

【0060】

【数7】

【0061】

第２態様では、ＦＢＳにより、この（７）式の制約無し最適化問題を、下記（８）式～（１１）式の処理を繰り返すことにより解く。

【0062】

【数8】

【0063】

【数9】

【0064】

【数10】

【0065】

【数11】

【0066】

ここで、γは、事前に与えられたパラメータ画像である。ωは、各画素に対する検出器の感度を表す画像である。画素ｊから射出されたγ線対が検出器対ｉで検出される確率をｐ_ijとすると、感度画像ωは下記（１２）式で表される。

【0067】

【数12】

【0068】

図１４は、第２態様の画像処理方法のシーケンスを示す図である。繰り返し処理に先立って、ＣＮＮの学習状態θ⁽⁰⁾および第３画像ｘ⁽⁰⁾それぞれを初期化する。

【0069】

第ｎ回の再構成ステップＳ１(ｎ)では、上記（８）式に従って、リストモード逐次近似再構成法によりリストデータＵに基づいて第３画像ｘ^(n-1)の更新を行うことにより、第１画像ｘ_ML ⁽ⁿ⁾を作成する。

【0070】

第ｎ回のＣＮＮ処理ステップＳ２(ｎ)では、上記（９）式に従って、ＣＮＮに入力情報ｚを入力させてＣＮＮにより第２画像ｆ_θ ⁽ⁿ⁾(ｚ)を作成し、この作成した第２画像ｆ_θ ⁽ⁿ⁾(ｚ)が第３画像ｘ^(n-1)に近づくようにＣＮＮを学習させる。この学習後のＣＮＮの学習状態をθ⁽ⁿ⁾とする。

【0071】

第ｎ回の更新ステップＳ３(ｎ)では、上記（１０）式および（１１）式に従って、第１画像ｘ_ML ⁽ⁿ⁾および第２画像ｆ_θ ⁽ⁿ⁾(ｚ)に基づいて、第３画像ｘ^(n-1)を第３画像ｘ⁽ⁿ⁾に更新する。

【0072】

再構成ステップＳ１、ＣＮＮ処理ステップＳ２および更新ステップＳ３のＮ回の繰り返し処理が終了すると、これにより得られた第１画像ｘ_ML ^(N)、第２画像ｆ_θ ^(N)(ｚ)および第３画像ｘ^(N)の何れかを被検体の断層画像とする。

【0073】

第２態様では、再構成ステップＳ１(ｎ)およびＣＮＮ処理ステップＳ２(ｎ)の各処理は、任意の順に行われてよく、並列的に行われてもよい。

【0074】

De Pierro法は、ＦＢＳ法において、ρ＝１とし、γ＝１／ωとしたものに相当する。すなわち、De Pierro法では、上記（１０）式および（１１）式に替えて、下記（１３）式および（１４）式が用いられる。再構成ステップＳ１、ＣＮＮ処理ステップＳ２および更新ステップＳ３それぞれの処理内容は、上記と同様である。

【0075】

【数13】

【0076】

【数14】

【0077】

第２態様では、第１画像ｘ_MLおよび第２画像ｆ_θ(ｚ)を同時に最適化していくのではなく、第１画像ｘ_MLおよび第２画像ｆ_θ(ｚ)を別個に最適化していくので、問題を解くのが容易である。また、再構成部１１による再構成ステップＳ１の処理、および、ＣＮＮ処理部１２によるＣＮＮ処理ステップＳ２の処理は、非特許文献１，２に記載されたような従来の手法により行うことが可能であるので、実装するのが容易である。

【0078】

第２態様の画像処理方法により得られる断層画像も、第１態様の場合と同様に、ノイズが少なく、大脳皮質の構造がよく復元される。第２態様でも、ノイズアーティファクトの増加を抑えながら、定量性の高い断層画像を生成することが可能である。

【0079】

本発明は、上記実施形態に限定されるものではなく、種々の変形が可能である。例えば、放射線断層撮影装置２は、上記の実施形態ではＰＥＴ装置であるとしたが、ＳＰＥＣＴ装置であってもよい。

【符号の説明】

【0080】

１…放射線断層撮影システム、２…放射線断層撮影装置、１０…画像処理装置、１１…再構成部、１２…ＣＮＮ処理部、１３…更新部、１４…記憶部。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】