特開 2023-124839 医用画像処理方法、医用画像処理装置及びプログラム

(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】P2023124839

(43)【公開日】2023-09-06

(54)【発明の名称】医用画像処理方法、医用画像処理装置及びプログラム

(51)【国際特許分類】

   A61B 6/00 20060101AFI20230830BHJP

   A61B 6/03 20060101ALI20230830BHJP

【ＦＩ】

A61B6/00 360Z

A61B6/03 360T

A61B6/00 300D

A61B6/00 300X

A61B6/00 350S

A61B6/03 370E

A61B6/03 350K

【審査請求】未請求

【請求項の数】12

【出願形態】ＯＬ

(21)【出願番号】P 2023026447

(22)【出願日】2023-02-22

(31)【優先権主張番号】17/680,873

(32)【優先日】2022-02-25

(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】110001771

【氏名又は名称】弁理士法人虎ノ門知的財産事務所

(72)【発明者】

【氏名】ルイ フア

(72)【発明者】

【氏名】コマル ドゥッタ

(72)【発明者】

【氏名】ジョセフ マナーク

(72)【発明者】

【氏名】イー フー

(72)【発明者】

【氏名】ユービン・チャン

(72)【発明者】

【氏名】ユジエ リュウ

(72)【発明者】

【氏名】ジョン バウムガルト

【テーマコード（参考）】

4C093

【Ｆターム（参考）】

4C093AA01

4C093AA22

4C093AA26

4C093CA01

4C093CA06

4C093CA07

4C093EC16

4C093FC16

4C093FC26

4C093FF03

4C093FF04

4C093FF34

4C093FF42

(57)【要約】

【課題】画質を向上させること。
【解決手段】実施形態に係る医用画像処理方法は、訓練済み機械学習モデルに第１の放射線イメージング装置によって取得されたＸ線画像データを適用し、画質の劣化が少ない前記Ｘ線画像データを処理画像として出力する方法である。前記訓練済み機械学習モデルは、第２の放射線イメージング装置を使用することによって取得された３Ｄデータに基づいて、シミュレートされた投影画像データと、シミュレートされた画質の劣化データとを取得し、前記シミュレートされた投影画像データと前記シミュレートされた画質の劣化データとを使用することにより、生成される。前記第１の放射線イメージング装置はCアームを備えるＸ線診断装置であり、前記第２の放射線イメージング装置は、Ｘ線コンピュータ断層撮影装置である。
【選択図】図１

【特許請求の範囲】

【請求項1】

訓練済み機械学習モデルに第１の放射線イメージング装置によって取得されたＸ線画像データを適用し、画質の劣化が少ない前記Ｘ線画像データを処理画像として出力する医用画像処理方法であって、
前記訓練済み機械学習モデルは、
第２の放射線イメージング装置を使用することによって取得された３Ｄデータに基づいて、前記第１の放射線イメージング装置によって被検体が撮像された場合を示すシミュレートされた投影画像データと、前記第１の放射線イメージング装置によって撮像された場合を示すシミュレートされた画質の劣化データとを取得し、前記シミュレートされた投影画像データと前記シミュレートされた画質の劣化データとを使用することにより、訓練されていない機械学習モデルに訓練プロセスを適用して訓練済み機械学習モデルを生成することにより生成され、
前記第１の放射線イメージング装置はCアームを備えるＸ線診断装置であり、
前記第２の放射線イメージング装置は、Ｘ線コンピュータ断層撮影（Computed Tomography: CT）装置である、医用画像処理方法。

【請求項2】

前記シミュレートされた画質の劣化データは、前記３Ｄデータに基づいて生成された、前記第１の放射線イメージング装置によって被検体が撮像された場合を示すシミュレートされた散乱データである、
請求項１に記載の医用画像処理方法。

【請求項3】

前記訓練済み機械学習モデルに前記Ｘ線画像データを入力として適用し、前記Ｘ線画像データの散乱データを出力として取得し、
前記X線画像データから当該散乱データを減算することで、散乱補正された投影画像データを生成する、請求項１ないし２に記載の医用画像処理方法。

【請求項4】

前記訓練済み機械学習モデルに前記Ｘ線画像データを適用することは、
前処理済み画像データを生成するために、前記Ｘ線画像データに飽和補正を適用することと、
前記訓練済み機械学習モデルに前記前処理済み画像データを適用することと、
を含む、請求項１に記載の医用画像処理方法。

【請求項5】

前記訓練済み機械学習モデルに前記Ｘ線画像データを適用することは、
前処理済み画像データを生成するために、前記Ｘ線画像データにトランケーション補正を適用することと、
前記訓練済み機械学習モデルに前記前処理済み画像データを適用することと、
を含む、請求項１に記載の医用画像処理方法。

【請求項6】

前記訓練済み機械学習モデルに前記Ｘ線画像データを適用することは、散乱補正された投影データを生成するために、前記訓練済み機械学習モデルに前記Ｘ線画像データを適用することを含み、前記医用画像処理方法は、
散乱補正された画像データを生成するために、前記散乱補正された投影データに対して再構成を実行すること、
をさらに含む、請求項１に記載の医用画像処理方法。

【請求項7】

ノイズ低減され、散乱補正された画像を生成するために、少なくとも１つのノイズ低減ニューラルネットワークに前記散乱補正された画像データを適用することをさらに含む、請求項６に記載の医用画像処理方法。

【請求項8】

アーチファクト低減され、散乱補正された画像を生成するために、少なくとも１つのコーンビームアーチファクト低減ニューラルネットワークに前記散乱補正された画像データを適用することをさらに含む、請求項６に記載の医用画像処理方法。

【請求項9】

前記Ｘ線画像データは、前記Cアームを備えるＸ線診断装置により取得された投影データを再構成した画像に対応する画像データである、請求項１に記載の医用画像処理方法。

【請求項10】

前記第１の放射線イメージング装置によって被検体が撮像された場合を示すシミュレートは、モンテカルロ計算と、放射伝達方程式（Radiative Transfer Equation：ＲＴＥ）の決定論的解法のいずれかを用いて、前記第１の放射線イメージング装置の撮像ジオメトリによる前記被検体の撮像を模すシミュレーションである、請求項１に記載の医用画像処理方法。

【請求項11】

訓練済み機械学習モデルに第１の放射線イメージング装置によって取得されたＸ線画像データを適用し、画質の劣化が少ない前記Ｘ線画像データを処理画像として出力する処理回路を備え、
前記訓練済み機械学習モデルは、
第２の放射線イメージング装置を使用することによって取得された３Ｄデータに基づいて、前記第１の放射線イメージング装置によって被検体が撮像された場合を示すシミュレートされた投影画像データと、前記第１の放射線イメージング装置によって撮像された場合を示すシミュレートされた画質の劣化データとを取得し、前記シミュレートされた投影画像データと前記シミュレートされた画質の劣化データとを使用することにより訓練されていない機械学習モデルに訓練プロセスを適用して訓練済み機械学習モデルを生成することにより生成され、
前記第１の放射線イメージング装置はCアームを備えるＸ線診断装置であり、
前記第２の放射線イメージング装置は、Ｘ線コンピュータ断層撮影（Computed Tomography: CT）装置である、医用画像処理装置。

【請求項12】

訓練済み機械学習モデルに第１の放射線イメージング装置によって取得されたＸ線画像データを適用し、画質の劣化が少ない前記Ｘ線画像データを処理画像として出力する処理をコンピュータに実行させるプログラムであって、
前記訓練済み機械学習モデルは、
第２の放射線イメージング装置を使用することによって取得された３Ｄデータに基づいて、前記第１の放射線イメージング装置によって被検体が撮像された場合を示すシミュレートされた投影画像データと、前記第１の放射線イメージング装置によって撮像された場合を示すシミュレートされた画質の劣化データとを取得し、前記シミュレートされた投影画像データと前記シミュレートされた画質の劣化データとを使用することにより訓練されていない機械学習モデルに訓練プロセスを適用して訓練済み機械学習モデルを生成することにより生成され、
前記第１の放射線イメージング装置はCアームを備えるＸ線診断装置であり、
前記第２の放射線イメージング装置は、Ｘ線コンピュータ断層撮影（Computed Tomography: CT）装置である、プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本明細書及び図面に開示の実施形態は、医用画像処理方法、医用画像処理装置及びプログラムに関する。

【背景技術】

【0002】

コーンビームコンピュータ断層撮影（Cone Beam Computed Tomography：ＣＢＣＴ）などのＸ線イメージングでは、ノイズ、ビームハードニング、飽和、視野トランケーション、メタルアーチファクト、およびコーンビームアーチファクトなどのいくつかの要因、特に散乱によって、画像が劣化し得る。現在のノイズ補正および散乱補正の技術は、多くの場合、パラメータチューニングのために多くのエンジニアリング労力を必要とする。

【0003】

また、補正プロセスは非常に時間がかかり、実施が困難で、一貫性のない結果をもたらし得る。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】米国特許出願公開第２０２０／０２７３２１４号明細書

【発明の概要】

【発明が解決しようとする課題】

【0005】

本明細書及び図面の開示の実施形態が解決しようとする課題の一つは、画質を向上させることである。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】

【0006】

実施形態に係る医用画像処理方法は、訓練済み機械学習モデルに第１の放射線イメージング装置によって取得されたＸ線画像データを適用し、画質の劣化が少ない前記Ｘ線画像データを処理画像として出力する医用画像処理方法である。前記訓練済み機械学習モデルは、第２の放射線イメージング装置を使用することによって取得された３Ｄデータに基づいて、前記第１の放射線イメージング装置によって被検体が撮像された場合を示すシミュレートされた投影画像データと、前記第１の放射線イメージング装置によって撮像された場合を示すシミュレートされた画質の劣化データとを取得し、前記シミュレートされた投影画像データと前記シミュレートされた画質の劣化データとを使用することにより、訓練されていない機械学習モデルに訓練プロセスを適用して訓練済み機械学習モデルを生成することにより生成される。前記第１の放射線イメージング装置はCアームを備えるＸ線診断装置であり、前記第２の放射線イメージング装置は、Ｘ線コンピュータ断層撮影（Computed Tomography: CT）装置である。

【図面の簡単な説明】

【0007】

【図1】本開示の一実施形態による、シミュレートされた投影データおよびシミュレートされた散乱データを用いてモデルを訓練することによって散乱Ｘ線の影響を低減する、訓練済み機械学習モデルを生成する方法のためのワークフローを示す図である。

【図2】本開示の一実施形態による、飽和補正、トランケーション補正、散乱補正、ノイズ低減、およびアーチファクト低減を使用した高画質Ｘ線画像を生成する方法のためのワークフローを示す図である。

【図3】本開示の一実施形態による、飽和補正のためのニューラルネットワークを訓練および利用するためのワークフローを示す図である。

【図4】本開示の一実施形態による、トランケーション補正のためのニューラルネットワークを訓練および利用するためのワークフローを示す図である。

【図5】本開示の一実施形態による、散乱補正のためのニューラルネットワークを訓練および利用するためのワークフローを示す図である。

【図6】本開示の一実施形態による、ノイズ低減のためのニューラルネットワークを訓練および利用するためのワークフローを示す図である。

【図7】本開示の一実施形態による、コーンビームアーチファクト低減のためのニューラルネットワークを訓練および利用するためのワークフローを示す図である。

【図8】本開示の一実施形態による、飽和およびトランケーション補正のためのニューラルネットワークを訓練および利用するためのワークフローを示す図である。

【図9】本開示の一実施形態による、ノイズおよびコーンビームアーチファクト低減のためのニューラルネットワークを訓練および利用するためのワークフローを示す図である。

【図10】本開示の一実施形態による、それぞれの係数ライブラリを利用することによる、解剖学ベースの飽和補正、トランケーション補正、散乱補正、ノイズ低減、およびコーンビームアーチファクト低減のためのワークフローを示す図である。

【図11】本開示の一実施形態による、高画質画像を生成する方法のフローチャートである。

【図12】本開示の一実施形態による、コンピュータ断層撮影（Computed Tomography：ＣＴ）システムを示す図である。

【図13】本開示の一実施形態による、Ｘ線診断装置の構成の一例を示した図である。

【発明を実施するための形態】

【0008】

（実施形態）
以下、図面を参照しながら、医用画像処理方法、医用画像処理装置及びプログラムの実施形態について詳細に説明する。

【0009】

本明細書に記載された装置および方法は、本開示の非限定的実施例の実施態様として提供される。当業者には理解されるように、本開示は、その精神または本質的特徴から逸脱することなしに、他の特定の形態で具体化されてもよい。したがって、詳細な説明は、例示であって、本開示の範囲を限定するものではないことを意図している。本明細書での教示の容易に認識可能な変形を含む本開示は、発明の主題が公共の用に供されないように、前述の特許請求の範囲の用語の範囲を、部分的に定義する。

【0010】

本開示は、コーンビームＣＴイメージング装置を含むがこれに限定されない医用イメージング装置のための、深層学習ベースの画像再構成に関する。ノイズ、飽和、トランケーション、およびアーチファクトなどの異なるタイプ、特に散乱の画像劣化を補正するために、複数の深層学習ベースのモデルが最適化され得る。投影領域では、散乱の強度は、主信号の強度よりも一桁高く達し得る。コリメータ、ボウタイフィルタ（bow-tie filter）、および散乱線除去グリッドは、散乱強度の低減に役立つが、それでも散乱強度は、主信号と同じ桁になり得る。したがって、場合によっては、再構成された画像には、かなりの不均一性および定量化誤差が含まれ得る。散乱の影響を低減するために、ハードウェア（例えば、患者側コリメータおよび／またはボウタイフィルタおよび／または検出器側散乱線除去グリッド）に加えて、もしくはその代わりに、本明細書に記載の技術は、Ｘ線画像に訓練済み機械学習システム（例えば、ニューラルネットワーク）を適用する。散乱補正のための既知のソフトウェア技術は、投影領域における散乱除去（例えば、（１）ダブルガウス形状フィルタ法、および（２）反復画像領域散乱関連のアーチファクト補正など）を含むが、このようなソフトウェア技術は、時間がかかることがある。本明細書に記載されるように、オフライン訓練プロセス（例えば、図１に示されるように）を実行して、少なくとも１つの機械学習システム（例えば、深層学習ニューラルネットワーク）を訓練し、減算のための異なる角度で各投影ビューの散乱プロファイルを予測することができる。

【0011】

一実施形態では、異なる３Ｄ／ボリュームデータ１２０の多数のセットは、ファントムおよび臨床部位から取得することができ、投影画像および散乱画像の合成ペアを生成するために使用することができる。得られたデータは、例えば、臨床的な頭部データまたは腹部データであり、コンピュータ断層撮影イメージング装置などの３Ｄイメージングソースからのものである。得られたデータは、造影剤の存在下または非存在下で得られたデータのいずれであってもよく、両者の組み合わせであってもよい。

【0012】

次に、訓練データ（例えば、ボリュームデータ１２０を使用した、シミュレートされた高ノイズ投影データ１２５）は、ＧＥＡＮＴ４によるモンテカルロシミュレーションから得ることができるが、他の訓練データソースも同様に可能である。訓練データは、ボリュームデータ１２０が得られた３Ｄイメージングソースと同じ種類ではないことのある放射線装置によって被検体が撮像された場合を示す投影データとなるように生成される。各ボリュームに対して、様々な角度データの多数のセット（例えば５０～３００）をシミュレートすることができる。このようなシミュレーションは、連続的、または同時のいずれかで行うことができる（例えば、計算サーバファームまたはマルチプロセッサシステムからの複数のＣＰＵコアを使用する）。シミュレートされたデータは、散乱線除去グリッド（Anti-Scatter Grid：ＡＳＧ）のある、または散乱線除去グリッドのない構成に対してシミュレートすることができる。ＡＳＧのある構成に対するシミュレーションの場合、被検体の材質に依存する被検体によって生じる散乱に限定した、シミュレートされた散乱を生成することができる。その場合、オブジェクトボリュームからの散乱のみが抽出され、ＡＳＧからの散乱を含める必要はない。あるいは、ＡＳＧからの散乱を含むこともできる。

【0013】

一実施形態では、モンテカルロシミュレーション（単数または複数）のために必要な時間を短縮するために、計算効率を考慮して、シミュレーションの各ビューに対して、制限された光子数を適用することができる。散乱プロファイル１３０が空間に沿ってゆっくりと変化し、ファントムまたは患者の小さな細部に対して敏感でないことを考えると、訓練前に、強いガウシアンフィルタを適用して、シミュレートされた散乱画像を平滑化する（低ノイズのシミュレートされた散乱プロファイルデータ１４０を生成する）ことができる。訓練用シミュレートされた投影データ１３５を生成するために、シミュレートされた高ノイズ投影データ１２５のいくつかの前処理を実行することができるが、好ましい実施形態では、シミュレートされた散乱画像を平滑化するために（低ノイズのシミュレートされた散乱プロファイルデータ１４０を生成するために）適用される強いガウシアンフィルタは、画像品質を保持するために、シミュレートされた高ノイズ投影データ１２５に適用されない。

【0014】

また、訓練データ作成には、モンテカルロ計算に加えて、放射伝達方程式（Radiative Transfer Equation：ＲＴＥ）の決定論的解法に基づく散乱プロファイルデータ１４０の計算を使用することができる。訓練に利用できるデータ量を増加させるために、ビュー間の補間およびデータの回転のうちの少なくとも１つによって初期の訓練セットを増大／拡大し、追加の訓練データを生成する。一実施形態では、造影剤および非造影剤のボリュームデータに基づいて別々の訓練データを生成し、別々の訓練データを使用して、ボリュームデータを取得したときに造影剤が存在したかどうかに固有のネットワークを訓練する。別の実施形態では、単一のネットワークのための訓練データは、造影剤が存在する場合と存在しない場合の両方のイメージングによって得られるボリュームデータから生成される。

【0015】

１つの構成では、修正されたＵネットの形態での機械学習システムが使用され、入力、隠れ層および出力層の数は、散乱をモデル化するために必要なネットワークの複雑さに基づいて変えることができ、さらに処理される様々なビュー角度に従って変えることができる。訓練用シミュレートされた投影データ１３５は、機械学習システムを訓練するための入力として使用され、散乱プロファイルデータ１４０は、機械学習システムを訓練している間の出力／目標として使用される。また、投影／画像情報は、ネットワークによって、初期画像（例えば、１０２４×１０２４ピクセル）をより小さなスケール画像（例えば、２５６×２５６）に縮小することなどによってダウンサンプリングし、後にアップサンプリングして元の画像サイズに再び適合させてもよい。同じネットワークもしくは異なるネットワークまたはプロセスにおいて、元のデータもまた適切な強度レベルにスケーリングしてもよい（例えば、正規化プロセスを介して）。さらに、本明細書の議論の多くは、投影領域（２Ｄ）データへの訓練プロセスの適用に基づくが、訓練済み機械学習ベースの方法およびシステムを使用した散乱補正は、画像領域（３Ｄ）データおよび／またはサイノグラム領域データにも適用することができ、ここで、散乱のないシミュレートされた再構成画像またはサイノグラムを、訓練目標／望ましい結果として使用することができ、散乱のある再構成データ（サイノグラム）を、訓練入力として使用する。

【0016】

本明細書で論じる一実施形態では、散乱Ｘ線の影響を低減するために生成された訓練済み機械学習モデルは、コンピュータ断層撮影（ＣＴ）システムからの高解像度３Ｄ投影／画像データから生成されたデータを使用して訓練されるが、投影図単位でコーンビームコンピュータ断層撮影（Cone Beam Computed Tomography：ＣＢＣＴ）システムからの投影データを補正するために使用される。

【0017】

すなわち、実施形態にかかる医用画像処理方法は、訓練済み機械学習モデルに第１の放射線イメージング装置によって取得された目標画像データを適用する医用画像処理方法である。訓練済み機械学習モデルは、第２の放射線イメージング装置を使用することによって取得された３Ｄ訓練データに基づいて、第１の放射線装置によって撮像された場合を示すシミュレートされた投影データを生成し、シミュレートされた投影データを使用することにより訓練されていない機械学習モデルに訓練プロセスを適用して訓練済み機械学習モデルを生成することにより生成される。

【0018】

第１の放射線イメージング装置は、例えば図１３に示されるＸ線診断装置であり、第１のスキャンであるＣＢＣＴスキャンを実行する。一方、第２の放射線イメージング装置は、例えば図１２に示されるＸ線ＣＴ装置であり、第２のスキャンであるＣＴスキャンを実行して３Ｄ訓練データを作成する。

【0019】

また、実施形態に係る医用画像処理装置は、訓練済み機械学習モデルに第１の放射線イメージング装置によって取得された目標画像データを適用する処理回路を備え、訓練済み機械学習モデルは、第２の放射線イメージング装置を使用することによって取得された３Ｄ訓練データに基づいて、第１の放射線イメージング装置によって撮像された場合を示すシミュレートされた投影データを生成し、シミュレートされた投影データを使用することにより訓練されていない機械学習モデルに訓練プロセスを適用して訓練済み機械学習モデルを生成することにより生成される。図１３に示される処理回路６０９が、目標画像データを適用する処理回路の一例である。また、図１２に示される再構成デバイス５１４が、目標画像データを適用する処理回路の一例であってもよい。また、実施形態に係るプログラムは、訓練済み機械学習モデルに第１の放射線イメージング装置によって取得された目標画像データを適用する処理をコンピュータに実行させる。

【0020】

機械学習システムによって適用される散乱補正に加えて、機械学習システム（または機械学習システムの出力が適用される追加のネットワーク）は、機械学習システムに適用される投影データに対して追加のタイプの補正を実行することができる。本開示の一部で記載したように、追加の補正（例えば、飽和補正、トランケーション補正、ノイズ除去、およびアーチファクト除去）は、１つ以上の追加のネットワークによって適用されるが、散乱補正、飽和補正、トランケーション補正、ノイズ低減、およびアーチファクト除去のいずれか１つ、または任意の組み合わせを組み合わせる、組み合わせシステムもまた可能である。

【0021】

１つ以上のニューラルネットワークの第１のセットは、データセット（例えば、ＣＢＣＴデータセット）の投影領域における飽和および／またはトランケーションを補正するために訓練することができ、１つ以上のニューラルネットワークの第２のセットは、画像領域において、再構成後のＣＢＣＴデータセットのノイズおよびアーチファクトを低減するために訓練することができる。訓練プロセスは、訓練ペアを生成するために、シミュレーションを介して高品質なデータセットに対して劣化をシミュレートすることを含むことができる。あるいは、少なくとも１つの他のソース（例えば、ノイズソース）からの実際の劣化データを、訓練前にデータセットに適用することができる。

【0022】

ここで図面を参照すると、同様の参照番号が複数のビューを通して同一または対応する部分を示しており、図２は、医用イメージング装置でキャプチャされたスキャンの画像再構成のための方法１００を示す。明確にするために、議論される医用イメージング装置は、ＣＢＣＴスキャナであるが、他のシステムもまたこのような技術を実施することできると理解され得る。

【0023】

はじめに、ＣＢＣＴスキャナによって生データ１０１が収集される。この生データ１０１は、患者などの、被検体の実際のスキャンからの投影データセットとすることができる。

【0024】

ステップ２００では、生データ１０１が飽和に対して補正される。補正プロセスは、ＣＢＣＴ投影データセット（例えば、生データ１０１）を入力とし、飽和補正されたＣＢＣＴ投影データセットを出力することができるニューラルネットワークを利用することを含む。ステップ２００および飽和補正のためのこのようなニューラルネットワークを訓練することに関する追加の詳細については、図３を参照して後述する。

【0025】

次に、ステップ２００からの飽和補正されたＣＢＣＴ投影データセットは、ステップ３００でトランケーションに対して補正される。ニューラルネットワークを使用して、ステップ３００でのトランケーション補正は、ＣＢＣＴ投影データセットを入力とし、トランケーション補正されたＣＢＣＴ投影データセットを出力することができる。ステップ３００およびトランケーション補正のためのこのようなニューラルネットワークを訓練することに関する追加の詳細については、図４を参照して後述する。

【0026】

次に、ステップ３００からの出力は、ステップ４００で散乱補正のために使用される。図示されているように、ステップ４００は、図１のプロセスと同様であるが、追加の詳細事項が記載され、ＣＢＣＴ固有の投影データおよび散乱データのシミュレーションに関して特に詳細に説明される（ただし、本明細書に記載される技術は、ＣＢＣＴ固有の技術に限定されない）。ステップ４００は、ＣＢＣＴ投影データセットをニューラルネットワークに入力すること、ニューラルネットワークを使用して入力ＣＢＣＴ投影データセットに対する散乱プロファイルを推定すること、入力ＣＢＣＴ投影データセットから推定散乱プロファイルを減算すること、および散乱補正されたＣＢＣＴ投影データセットを生成すること、を含む。ステップ４００および散乱補正のためのこのようなニューラルネットワークを訓練することに関する追加の詳細については、図５を参照して後述する。

【0027】

この時点で、生データ１０１は、投影領域における飽和、トランケーション、および散乱に対して補正されている。次に、ステップ１０３で再構成が実行され、ステップ４００の出力をＣＢＣＴ画像に変換する。この再構成は、フィルタ逆投影など、当業者に知られている任意の手法を使用して実行することができる。

【0028】

次に、ステップ１０３で再構成された画像は、ステップ６００でノイズ低減のために使用される。ステップ６００は、再構成されたＣＢＣＴ画像をニューラルネットワークに入力すること、および低減されたノイズを有するＣＢＣＴ画像を出力として出力することを含む。ノイズ低減のためのこのようなニューラルネットワークを訓練することに関する追加の詳細については、図６を参照して後述する。

【0029】

次に、ノイズ低減を有するＣＢＣＴ画像は、ステップ７００でコーンビームアーチファクト低減のために使用される。ステップ７００は、ステップ６００から生成されたノイズ低減を有するＣＢＣＴ画像をニューラルネットワークに入力すること、および低減されたアーチファクトを有するＣＢＣＴ画像を出力することを含む。アーチファクト低減のためのこのようなニューラルネットワークを訓練することに関する追加の詳細については、図７を参照して後述する。

【0030】

ステップ２００、３００、４００、１０３、６００、および７００が完了すると、生データ１０１は、高画質画像１０５に変換され、高画質画像１０５は、閲覧するために表示され得る。生データ１０１から直接再構成された可能性のある画像と比較して、高画質画像１０５は、より少ない飽和、トランケーション、散乱、ノイズ、およびアーチファクトを有する。

【0031】

当業者によって理解され得るように、方法１００でのステップの順序は、他の実施形態で変化し得る。他の実施形態では、例えば、ステップ２００、３００、および４００の順序は、任意の組み合わせであり得る。同様に、一実施形態では、ステップ６００と７００の順序を反転させることができる。別の実施形態では、ステップ２００、３００、４００、６００、および７００は、全て実行する必要はなく、これらのステップの１つ以上を省くことができる。

【0032】

図３は、一実施形態による、飽和補正のためのニューラルネットワークを訓練および利用するためのワークフローを示す。方法２１０は、飽和補正訓練プロセスを示す。第一に、高解像度ＣＴ（コンピュータ断層撮影）データセット２０７が得られる。高解像度ＣＴデータセット２０７（または図１における１２０）は、ＣＴスキャナで患者をスキャンするなどの、様々な方法で得ることができる。あるいは、あたかも３Ｄデータを取得したかのように処理することができる３Ｄボリュームデータに変換するデジタルファントムをシミュレートすることによって、高解像度ＣＴデータセットを作成してもよい。

【0033】

次に、高解像度ＣＴデータセット２０７は、ステップ２０９で順投影されて、シミュレートされたＣＢＣＴ投影データセット２１１を生成する。順投影は、画像領域におけるＣＴデータセットを、投影領域におけるＣＢＣＴデータセットに変換することができる。当業者に知られている任意の順投影技術を使用することができる。低解像度のＣＴデータセットではなく、高解像度のＣＴデータセットを使用することにより、順投影ＣＢＣＴ投影データセットもまた高解像度にすることができる。

【0034】

ステップ２１３でＣＢＣＴ投影データセット２１１に飽和を追加して（例えばシミュレーションを介して）、追加された飽和を有するＣＢＣＴ投影データセット２１５を生成する。飽和の様々なレベルを追加して、幅広い飽和レベルに及ぶ訓練ペアを作成することができる。シミュレートされたＣＢＣＴ投影データセット２１１は、飽和効果をシミュレートするために、特定の閾値でクリッピングすることができる。その後、シミュレートされたＣＢＣＴ投影データセット２１１を目標学習データとして使用し、ステップ２１７で、追加された飽和を有するＣＢＣＴ投影データセット２１５を、ニューラルネットワークを訓練するための入力学習データとして使用する。ステップ２１７でニューラルネットワークが十分に訓練された（例えば停止基準を満たした）後、飽和補正ニューラルネットワーク２０３が生成される。

【0035】

この飽和補正ニューラルネットワーク２０３は、方法１００におけるステップ２００の飽和補正で使用することができる。ステップ２００での飽和補正中に、ＣＢＣＴ投影データセット２０１が得られる。ＣＢＣＴ投影データセット２０１は、一実施形態によれば、ＣＢＣＴスキャナによって被検体の実際のスキャンから得ることができる。方法１００に関連して、ＣＢＣＴ投影データセット２０１は、生データ１０１である。その後、ＣＢＣＴ投影データセット２０１は、飽和補正されたＣＢＣＴ投影データセット２０５を生成するために、飽和補正ニューラルネットワーク２０３に入力される。

【0036】

図４は、一実施形態による、トランケーション補正のためのニューラルネットワークを訓練および利用するためのワークフローを示す。方法３１０は、トランケーション補正訓練プロセスを示す。第一に、高解像度ＣＴデータセット３０７が得られる。高解像度ＣＴデータセット３０７は、ＣＴスキャナで患者をスキャンする、またはデジタルファントムをシミュレートするなどの、様々な方法で得ることができる。

【0037】

次に、高解像度ＣＴデータセット３０７は、ステップ３０９で順投影されて、シミュレートされたＣＢＣＴ投影データセット３１１を生成する。順投影は、投影領域におけるＣＴデータセットを、投影領域におけるＣＢＣＴデータセットに変換することができる。当業者に知られている任意の順投影技術を使用することができる。

【0038】

ステップ３１３でシミュレートされたＣＢＣＴ投影データセット３１１にトランケーションを追加して（例えばシミュレーションを介して）、追加されたトランケーションを有するＣＢＣＴ投影データセット３１５を生成する。トランケーションの様々なレベルは、シミュレーションを介して追加することができる。シミュレートされたＣＢＣＴ投影データセット３１１の中心位置は、トランケーションをシミュレートするために移動およびパディングすることができる。その後、シミュレートされたＣＢＣＴ投影データセット３１１を目標学習データとして使用し、ステップ３１７で、追加されたトランケーションを有するＣＢＣＴ投影データセット３１５を、ニューラルネットワークを訓練するための入力学習データとして使用する。ステップ３１７でニューラルネットワークが十分に訓練された（例えば停止基準を満たした）後、トランケーション補正ニューラルネットワーク３０３が生成される。

【0039】

このトランケーション補正ニューラルネットワーク３０３は、方法１００におけるステップ３００のトランケーション補正で使用することができる。ステップ３００でのトランケーション補正中に、ＣＢＣＴ投影データセット３０１が得られる。ＣＢＣＴ投影データセット３０１は、一実施形態によれば、ＣＢＣＴスキャナによって被検体の実際のスキャンから得ることができる。方法１００に関連して、ＣＢＣＴ投影データセット３０１は、ステップ２００から出力された投影データセット（すなわち、飽和補正されたＣＢＣＴ投影データセット２０５）である。ＣＢＣＴ投影データセット３０１は、トランケーション補正されたＣＢＣＴ投影データセット３０５を生成するために、トランケーション補正ニューラルネットワーク３０３に入力される。

【0040】

図５は、一実施形態による、散乱補正のためのニューラルネットワークを訓練および利用するためのワークフローを示す。方法４１０は、散乱を推定するための訓練プロセスを示す。第一に、３Ｄボリュームデータ４０９が得られる。３Ｄボリュームデータ４０９は、ファントムおよび／または臨床部位から取得することができる。例えば、３Ｄボリュームデータ４０９は、臨床頭部データまたは腹部データとすることができる。この３Ｄボリュームデータ４０９は、訓練のための投影および散乱データセットの合成ペアを生成するために使用することができる。

【0041】

ステップ４１１は、３Ｄボリュームデータ４０９を使用してＣＢＣＴ投影データをシミュレートし、シミュレートされたＣＢＣＴ投影データセット４１３を生成するためのものである。シミュレートされたＣＢＣＴ投影データセット４１３は、投影データだけでなくノイズも含み、モンテカルロ法（例えば、ＧＥＡＮＴ４）および／または放射伝達方程式（ＲＴＥ）技術を使用して生成することができる。モンテカルロ法を使用してシミュレートされたデータセットを生成する場合の一実施形態では、より少ない検出器の画素数を使用して、使用される光子数を低減することができる。モンテカルロ法を使用する場合の別の実施形態では、幾何学的形状は実際のセットアップと同一であり、一方向の散乱線除去グリッドが含まれている。

【0042】

ステップ４１５は、３Ｄボリュームデータ４０９を使用してＣＢＣＴ散乱データセットをシミュレートし、シミュレートされたＣＢＣＴ散乱データセット４１７を生成するためのものである。シミュレートされたＣＢＣＴ散乱データセット４１７は、３Ｄボリュームデータ４０９からの散乱プロファイルを示し、モンテカルロ法（例えば、ＧＥＡＮＴ４）および／または放射伝達方程式（ＲＴＥ）技術を使用して生成することができる。さらに、シミュレートされたＣＢＣＴ散乱データセット４１７は、ノイズを除去して平滑なシミュレートされたＣＢＣＴ散乱データセット４２１を生成するために、ステップ４１９で適切なフィルタ（例えば、強ガウシアンフィルタ）を使用してフィルタリングすることができる。散乱プロファイルは空間に沿ってゆっくりと変化し、ファントムまたは患者の小さな細部に対して敏感でないため、フィルタを適用することができる。一次投影はそのままに、低周波の散乱プロファイルを平滑化することができる。

【0043】

ステップ４２３では、シミュレートされたＣＢＣＴ投影データセット４１３を入力学習データとして、かつ平滑なシミュレートされたＣＢＣＴ散乱データセット４２１を目標学習データとして使用して、ニューラルネットワークが訓練される。ニューラルネットワークは、訓練データの複雑さに応じてその複雑さを調整することができる、修正されたＵ－ｎｅｔ構造を含むことができる。ステップ４２３の出力は、投影データセット入力の散乱プロファイルを推定することができる、散乱推定ニューラルネットワーク４０３である。

【0044】

散乱推定ニューラルネットワーク４０３は、方法１００におけるステップ４００の散乱補正で使用することができる。ステップ４００での散乱補正中に、ＣＢＣＴ投影データセット４０１が得られる。ＣＢＣＴ投影データセット４０１は、一実施形態によれば、ＣＢＣＴスキャナによって被検体の実際のスキャンから得ることができる。方法１００に関連して、ＣＢＣＴ投影データセット４０１は、ステップ３００から出力された投影データセット（すなわち、トランケーション補正されたＣＢＣＴ投影データセット３０５）である。その後、ＣＢＣＴ投影データセット４０１は、ＣＢＣＴ投影データセット４０１の推定された散乱プロファイルを生成するために、散乱推定ニューラルネットワーク４０３に入力される。

【0045】

ステップ４０５では、散乱推定ニューラルネットワーク４０３から推定された散乱は、ＣＢＣＴ投影データセット４０１から除去（減算）されて、散乱補正されたＣＢＣＴ投影データセット４０７を生成する。推論前に検出器画素の縮小プロセスがあった場合、推論後（例えば、ステップ４０３の後、かつステップ４０５の前）に拡大プロセスを実行することができる。

【0046】

場合によっては、臨床例で取得された生データセットは、大きい（例えば、サイズ１０２４×１０２４）ことに留意されたい。シミュレーションに使用される光子の数に制限があり得るため、より小さなサイズのシミュレートされたデータ（例えば、２５６×２５６）を訓練に使用することができる。このようなシナリオでは、予測前の縮小および予測後の拡大を含めることができる。また、予測されるデータは、適切な強度レベル（すなわち、訓練に使用されるシミュレートされたデータセットと同様の強度レベル）にスケーリングすることができる。

【0047】

別の実施形態では、散乱補正は、投影領域ではなく、画像領域またはサイノグラム領域で実行することができる。このような場合、散乱のないシミュレートされた再構成画像またはサイノグラムを目標学習データとして使用することができ、散乱のある再構成画像またはサイノグラムを入力学習データとして使用することができる。

【0048】

図６は、一実施形態による、ノイズ低減のためのニューラルネットワークを訓練および利用するためのワークフローを示す。方法６１０は、ノイズ低減ニューラルネットワークのための訓練プロセスを示す。第一に、高解像度ＣＴデータセット６０７が得られる。高解像度ＣＴデータセット６０７は、ＣＴスキャナで患者をスキャンする、またはデジタルファントムをシミュレートするなどの、様々な方法で得ることができる。

【0049】

次に、高解像度ＣＴデータセット６０７は、ステップ６０９で順投影されて、シミュレートされたＣＢＣＴ投影データセット６１１を生成する。順投影は、投影領域におけるＣＴデータセットを、投影領域におけるＣＢＣＴデータセットに変換することができる。当業者に知られている任意の順投影技術を使用することができる。

【0050】

ステップ６１３でシミュレートされたＣＢＣＴ投影データセット６１１にノイズを追加して（例えばシミュレーションを介して）、追加されたノイズを有するＣＢＣＴ投影データセット６１５を生成する。その後、ステップ６１９でシミュレートされたＣＢＣＴ投影データセット６１１を画像に再構成して、目標学習データとして使用する一方で、ステップ６２１で追加されたノイズを有するＣＢＣＴ投影データセット６１５を画像に再構成して、ステップ６１７でニューラルネットワークを訓練するための入力学習データとして使用する。ステップ６１７でニューラルネットワークが十分に訓練された（例えば停止基準を満たした）後、ノイズ低減ニューラルネットワーク６０３が生成される。

【0051】

ノイズ低減ニューラルネットワーク６０３は、方法１００のステップ６００でノイズ低減のために使用することができる。ステップ６００でのノイズ低減中に、ＣＢＣＴ画像データセット６０１が得られる。ＣＢＣＴ画像データセット６０１は、一実施形態によれば、画像領域にあり、ＣＢＣＴスキャナによって被検体の実際のスキャンから得ることができる。方法１００に関連して、ＣＢＣＴ画像データセット６０１は、ステップ１０３の出力（すなわち、再構成された、散乱補正されたＣＢＣＴ投影データセット４０７）である。その後、ＣＢＣＴ画像データセット６０１は、ノイズ低減されたＣＢＣＴ画像データセット６０５を生成するために、ノイズ低減ニューラルネットワーク６０３に入力される。

【0052】

訓練ペアは、異なる線量レベルで生成することができる。一実施形態では、線量レベルの範囲は、臨床の場で最も一般的に使用される線量レベルに基づき得る。

【0053】

図７は、一実施形態による、コーンビームアーチファクト低減のためのニューラルネットワークを訓練および利用するためのワークフローを示す。方法７１０は、アーチファクト低減のための訓練プロセスを示す。第一に、高解像度ＣＴデータセット７０７が得られる。高解像度ＣＴデータセット７０７は、ＣＴスキャナで患者をスキャンする、またはデジタルファントムをシミュレートするなどの、様々な方法で得ることができる。

【0054】

次に、高解像度ＣＴデータセット７０７は、ステップ７０９で順投影されて、シミュレートされたＣＢＣＴ投影データセット７１１を生成する。順投影は、投影領域におけるＣＴデータセットを、投影領域におけるＣＢＣＴデータセットに変換することができる。当業者に知られている任意の順投影技術を使用することができる。

【0055】

シミュレートされたＣＢＣＴ投影データセット７１１は、ステップ７１９で再構成されて画像を生成し、この画像は、ステップ７１７でニューラルネットワークを訓練するための入力学習データとして使用される。高解像度ＣＴデータセット７０７は、ステップ７２１で画像に形成するために再構成され、再構成された画像は、次いでステップ７１７での訓練中に目標学習データとして使用される。ステップ７１７の出力は、コーンビームアーチファクトを補正することができるコーンビームアーチファクト低減ニューラルネットワーク７０３である。

【0056】

コーンビームアーチファクト低減ニューラルネットワーク７０３は、方法１００のステップ７００でアーチファクト低減のために使用することができる。ステップ７００でのコーンビームアーチファクト低減中に、ＣＢＣＴ画像データセット７０１が得られる。ＣＢＣＴ画像データセット７０１は、一実施形態によれば、画像領域にあり、ＣＢＣＴスキャナによって被検体の実際のスキャンから得ることができる。方法１００に関連して、ＣＢＣＴ画像データセット７０１は、ステップ６００の出力（すなわち、ノイズ低減されたＣＢＣＴ画像データセット６０５）である。その後、ＣＢＣＴ画像データセット７０１は、アーチファクト低減されたＣＢＣＴ画像データセット７０５を生成するために、コーンビームアーチファクト低減ニューラルネットワーク７０３に入力される。

【0057】

一実施形態では、飽和、トランケーション、および散乱を訓練するためのニューラルネットワークのセットは、１つのニューラルネットワーク、２つのニューラルネットワーク、または３つのニューラルネットワークであり得る。例えば、１つのニューラルネットワークは、飽和補正、トランケーション補正、および散乱補正の３つ全てを実行することができる。あるいは、第１のニューラルネットワークは、飽和に対して補正することができ、第２のニューラルネットワークは、トランケーションに対して補正することができ、第３のニューラルネットワークは、散乱に対して補正することができる。あるいは、第１のニューラルネットワークは、飽和、トランケーション、または散乱の１つに対して補正し、第２のニューラルネットワークは、残りの２つに対して補正することができる。同じ概念が、ノイズ低減およびコーンビームアーチファクト低減のために訓練されるニューラルネットワークのセットに適用され、１つまたは２つのニューラルネットワークを使用することができる。つまり、飽和補正、トランケーション補正、散乱補正、ノイズ低減、およびアーチファクト低減のそれぞれを、個々のニューラルネットワークを使用して実行する必要はない。

【0058】

別の例として、訓練データを変更して、訓練されるニューラルネットワークの数を減少させることができる。例えば、図８に示すように、１つのニューラルネットワークを、飽和およびトランケーション補正のために使用することができる。方法８１０は、組み合わされた飽和およびトランケーション補正の訓練プロセスを示す。第一に、高解像度ＣＴデータセット８０７が得られる。高解像度ＣＴデータセット８０７は、ＣＴスキャナで患者をスキャンする、またはデジタルファントムをシミュレートするなどの、様々な方法で得ることができる。

【0059】

次に、高解像度ＣＴデータセット８０７は、ステップ８０９で順投影されて、シミュレートされたＣＢＣＴ投影データセット８１１を生成する。順投影は、投影領域におけるＣＴデータセットを、投影領域におけるＣＢＣＴデータセットに変換することができる。当業者に知られている任意の順投影技術を使用することができる。

【0060】

ステップ８１３でシミュレートされたＣＢＣＴ投影データセット８１１に、飽和およびトランケーションを追加し（例えばシミュレーションを介して）、追加された飽和およびトランケーションを有するＣＢＣＴ投影データセット８１５を生成する。方法２１０および３１０のステップ２１３および３１３でそれぞれ議論されたのと同じ技術を使用して、シミュレートされた飽和およびトランケーションを追加することができる。その後、シミュレートされたＣＢＣＴ投影データセット８１１を、目標学習データとして使用して、ステップ８１７で、追加された飽和およびトランケーションを有するＣＢＣＴ投影データセット８１５を、ニューラルネットワークを訓練するための入力学習データとして使用する。ステップ８１７でニューラルネットワークが十分に訓練された（例えば停止基準を満たした）後、飽和およびトランケーション補正ニューラルネットワーク８０３が生成される。

【0061】

この飽和およびトランケーション補正ニューラルネットワーク８０３は、ステップ８００において、組み合わされた飽和およびトランケーション補正のために使用することができる。ステップ８００中に、ＣＢＣＴ投影データセット８０１が得られる。ＣＢＣＴ投影データセット８０１は、一実施形態によれば、ＣＢＣＴスキャナによって被検体の実際のスキャンから得ることができる。その後、ＣＢＣＴ投影データセット８０１は、飽和およびトランケーション補正されたＣＢＣＴ投影データセット８０５を生成するために、飽和およびトランケーション補正ニューラルネットワーク８０３に入力される。方法１００に関連して、ステップ８００／８１０は、ステップ２００／２１０および３００／３１０の代わりに実行することができ、ステップ４００の前または後に実行することができる。

【0062】

訓練データを変更して訓練されるニューラルネットワークの数を減少させる別の例として、図９は、ノイズおよびアーチファクト低減を実行することができる１つのニューラルネットワークを生成するためのワークフローを示す。

【0063】

方法９１０は、組み合わされたノイズおよびコーンビームアーチファクト低減の訓練プロセスを示す。第一に、高解像度ＣＴデータセット９０７が得られる。高解像度ＣＴデータセット９０７は、ＣＴスキャナで患者をスキャンする、またはデジタルファントムをシミュレートするなどの、様々な方法で得ることができる。

【0064】

次に、高解像度ＣＴデータセット９０７は、ステップ９０９で順投影されて、ＣＢＣＴ投影データセット９１１を生成する。順投影は、投影領域におけるＣＴデータセットを、投影領域におけるＣＢＣＴデータセットに変換することができる。当業者に知られている任意の順投影技術を使用することができる。

【0065】

ステップ９１３では、ＣＢＣＴ投影データセット９１１にノイズを追加して（例えばシミュレーションを介して）、追加されたノイズを有するＣＢＣＴ投影データセット９１５を生成する。追加されたノイズを有するＣＢＣＴ投影データセット９１５は、ステップ９１９で再構成されて画像を形成し、この画像は、ステップ９１７でニューラルネットワークを訓練するための入力学習データとして使用される。

【0066】

ステップ９２１では、高解像度ＣＴデータセット９０７は、再構成されて画像を形成し、この画像は、ステップ９１７でニューラルネットワークを訓練するための目標学習データとして使用される。ステップ９１７が完了すると、その結果は、ノイズおよびコーンビームアーチファクト低減ニューラルネットワーク９０３である。

【0067】

このノイズおよびコーンビームアーチファクト低減ニューラルネットワーク９０３は、ステップ９００において、組み合わされたノイズおよびコーンビームアーチファクト低減のために使用することができる。ステップ９００中に、ＣＢＣＴ画像データセット９０１が得られる。ＣＢＣＴ画像データセット９０１は、一実施形態によれば、ＣＢＣＴスキャナによって被検体の実際のスキャンから得ることができる。その後、ＣＢＣＴ画像データセット９０１は、ノイズおよびアーチファクト低減されたＣＢＣＴ画像データセット９０５を生成するために、ノイズおよびコーンビームアーチファクト低減ニューラルネットワーク９０３に入力される。方法１００に関連して、ステップ９００／９１０は、ステップ６００／６１０および７００／７１０の代わりに実行することができる。

【0068】

別の実施形態では、異なる解剖学的構造および／または関心のある１つ以上の解剖学に関連する臨床応用情報に対応する画像特徴をより良く捕捉して表現するために、テーラーメイド最適化戦略およびコスト関数が利用され得る。例えば、撮像された特定の解剖学的構造（例えば、頭部、腹部、肺、心臓）を示す解剖学データを利用して、ニューラルネットワークの係数を係数のライブラリから選択することができる。図１０の方法１０００は、一例を示す。方法１０００は方法１００と関連しているが、いくつかの重要な態様で異なっており、それは以下の議論に続いて明らかになるであろう。

【0069】

第一に、方法１００の場合と同様に、生データ１０１が得られる。次いで、方法１００とは異なり、ステップ１０１７で生データ１０１によって表される解剖学的構造が選択される（すなわち、既知にされる）。例えば、生データ１０１が患者の頭部のスキャンを表す場合、ステップ１０１７で解剖学的構造として頭部が選択される。次いで、この選択された解剖学データを使用して、飽和補正係数ライブラリ１０１９、トランケーション補正係数ライブラリ１０２１、散乱補正係数ライブラリ１０２３、ノイズ低減係数ライブラリ１０２５および／またはアーチファクト低減係数ライブラリ１０２７を使用して、ステップ１００３の飽和補正、ステップ１００５のトランケーション補正、ステップ１００７の散乱補正、ステップ１０１１のノイズ低減、および／またはステップ１０１３のアーチファクト低減で使用されるニューラルネットワークの係数をそれぞれ選択する。方法１０００の最後ステップは、高画質画像１０１５を生成することである。

【0070】

係数ライブラリ１０１９、１０２１、１０２３、１０２５、および１０２７のそれぞれは、解剖学的構造に基づいて分類された訓練データを使用して作成することができる。例えば、飽和補正のためにステップ１００３で使用される飽和補正係数ライブラリ１０１９は、方法２１０を使用して作成することができるが、飽和補正係数ライブラリ１０１９の係数の第１のセットを作成するための頭部の訓練データ画像、および飽和補正係数ライブラリ１０１９の係数の第２のセットを作成するための腹部の画像を用いる。ステップ１０１７で選択された解剖学的構造が頭部である場合、ステップ１００３での飽和補正のためのニューラルネットワークにおいて、係数の第１のセットを使用することができ、ステップ１０１７で選択された解剖学的構造が腹部である場合、係数の第２のセットを使用することができる。さらに、ステップ１０１７で選択された解剖学的構造が係数のセットを有さない場合、デフォルトの係数のセットを使用することができる。

【0071】

図１１は、本開示の一実施形態による、別の方法１１００のフローチャートである。第１のステップ１１０１は、第１のスキャンからの第１の投影データセットを、飽和補正、トランケーション補正、および散乱補正のために訓練される１つ以上のニューラルネットワークの第１のセットに入力して、第２の投影データセットを生成することであり、１つ以上のニューラルネットワークの第１のセットは、第２のスキャンからの訓練データセットの第１の部分を使用して訓練される。

【0072】

一実施形態では、訓練データセットの第１の部分は、１つ以上のニューラルネットワークの第１のセットを訓練するための、高品質ＣＢＣＴ投影データセット、追加された飽和を有する高品質ＣＢＣＴ投影データセット、追加されたトランケーションを有する高品質ＣＢＣＴ投影データセット、シミュレートされた投影データセット、および／またはシミュレートされた散乱データセットを含むことができる。さらに、第１のスキャンは、ＣＢＣＴスキャンであり得る。

【0073】

ステップ１１０１の別の実施形態では、１つ以上のニューラルネットワークは、３つである。ニューラルネットワークが３つある場合、第１のニューラルネットワークは、高画質ＣＢＣＴ投影データセットを目標学習データとして、かつ追加された飽和を有する高画質ＣＢＣＴ投影データセットを入力学習データとして使用して、飽和補正のために訓練することができ、第２のニューラルネットワークは、高画質ＣＢＣＴ投影データセットを目標学習データとして、かつ追加されたトランケーションを有する高画質ＣＢＣＴ投影データセットを入力学習データとして使用することができ、トランケーション補正のために訓練することができ、第３のニューラルネットワークは、シミュレートされた散乱データセットを目標学習データとして、かつシミュレートされた散乱データセット（ノイズ除去の有無に関わらず）を入力学習データとして使用して、散乱補正に使用するための散乱プロファイルを推定するために訓練することができる。

【0074】

ステップ１１０１の別の実施形態では、１つ以上のニューラルネットワークは、２つである。ニューラルネットワークが２つある場合、第１のニューラルネットワークは、飽和補正、トランケーション補正、または散乱補正のうちの１つのために訓練することができ、第２のニューラルネットワークは、残りの２つの補正のために訓練することができる。

【0075】

ステップ１１０１の別の実施形態では、１つ以上のニューラルネットワークは、１つである。ニューラルネットワークが１つある場合、１つのニューラルネットワークは、飽和補正、トランケーション補正、および散乱補正のために訓練される。

【0076】

３つ未満のニューラルネットワークが使用されている場合、３つ未満のニューラルネットワークを訓練することは、訓練データセットの第１の部分を変更することによって行うことができる。１つのニューラルネットワークは、高品質と低品質の訓練ペアを使用して訓練することができ、ここで、目標学習データは、対応する入力学習データより少ない飽和、トランケーション、および散乱を有する。

【0077】

訓練データセットの第１の部分を変更する例として、訓練データセットの第１の部分は、高品質ＣＢＣＴ投影データセット、およびニューラルネットワークを訓練するための追加された飽和、トランケーション、または散乱のうち少なくとも２つを有する高品質ＣＢＣＴ投影データセットを含むことができる。

【0078】

方法１１００のステップ１１０３は、（投影領域内の）第２の投影データセットを、（画像領域内の）第１の画像データセットに再構成することである。一実施形態では、フィルタ逆投影を実行することができる。

【0079】

ステップ１１０５は、第１の画像データセットを、ノイズ低減およびアーチファクト低減のために訓練された１つ以上のニューラルネットワークの第２のセットに入力することであり、１つ以上のニューラルネットワークの第２のセットは、第２のスキャンからの訓練データセットの第２の部分を使用して訓練される。

【0080】

ステップ１１０５の一実施形態では、訓練データセットの第２の部分は、第２のスキャンに基づく高品質ＣＢＣＴ画像データセット、追加されたノイズを有する高品質ＣＢＣＴ画像データセット、および／または第２のスキャンに基づく高品質ＣＴ画像データセットを含むことができる。

【0081】

ステップ１１０５の一実施形態では、第２のセットにおける１つ以上のニューラルネットワークは、２つである。第２のセットにおける第１のニューラルネットワークは、第２のスキャンに基づく高画質ＣＢＣＴ画像データセットを目標訓練データとして、かつ追加されたノイズを有する高画質ＣＢＣＴ画像データセットを入力訓練データとして使用して、ノイズ低減のために訓練される。第２セットにおける第２ニューラルネットワークは、高画質ＣＴ画像データセットを目標訓練データとして、かつ第２スキャンに基づくＣＢＣＴ画像データセットを入力学習データとして使用して、コーンビームアーチファクト低減のために訓練される。

【0082】

ステップ１１０５の一実施形態では、１つ以上のニューラルネットワークは、１つである。

【0083】

方法１１００の一実施形態は、ディスプレイユニットを介して１つのニューラルネットワークの第２のセットからの出力を表示することをさらに含む。

【0084】

方法１１００の別の実施形態では、第２のスキャンは、医療画像処理装置（例えば、ＣＴスキャナ）によって実行される実際のスキャンであり得る。方法１１００の別の実施形態では、第２のスキャンは、シミュレーションを介して実行することができる。

【0085】

方法１１００の別の実施形態では、第１の投影データセットを生成する第１のスキャンは、ＣＢＣＴスキャンである。

【0086】

方法１１００の別の実施形態では、第２のスキャンは、ＣＴスキャンである。ＣＴスキャンは、ＣＴ投影データセットを生成することができる。このＣＴ投影データセットは、順投影を使用してＣＢＣＴ投影に変換することができる。

【0087】

方法１１００の一実施形態は、第１のスキャンでスキャンされている解剖学的構造に関連する解剖学データを受信すること、および、解剖学データに基づく係数のライブラリから、１つ以上のニューラルネットワークの第１のセットおよび第２のセットに対する係数を選択することをさらに含む。

【0088】

図１２は、本開示の実施形態によるＣＴスキャナの実施態様の概略図を示す。図１２に示されるＣＴスキャナは、例えば、第２のスキャンであるＣＴスキャンを実行する。すなわち、図１２に示されるＣＴスキャナは、第２の放射線イメージング装置の一例である。

【0089】

図１２を参照すると、放射線ガントリ５００は、側面からの様子が示されており、さらに、Ｘ線管５０１、環状フレーム５０２、および複数列または２次元アレイ型のＸ線検出器５０３を含む。Ｘ線管５０１およびＸ線検出器５０３は、環状フレーム５０２上に被検体ＯＢＪを挟んで正反対側に取り付けられ、環状フレーム５０２は、回転軸ＲＡ（または回転の軸）の周りで回転可能に支持される。回転ユニット５０７は、被験者Ｓが軸ＲＡに沿って、図示されたページの奥の方向またはページの手前の方向に移動されている間に、０．４秒／回転などの高速で環状フレーム５０２を回転させる。

【0090】

Ｘ線ＣＴ装置は、例えばＸ線管およびＸ線検出器が、検査される被検体の周りを共に回転する回転／回転型装置、ならびに、多くの検出器素子が環状または面状に配列され、かつＸ線管のみが検査される被検体の周りを回転する固定／回転型装置などの様々な型の装置を含む。本開示は、どちらの型にも適用することができる。明瞭にするために、回転／回転型を例として使用する。

【0091】

ＣＴ装置は、高電圧発生器５０９をさらに含み、高電圧発生器５０９は、Ｘ線管５０１がＸ線（例えば、コーンビームＸ線）を生成するように、スリップリング５０８を通してＸ線管５０１に印加される管電圧を発生させる。Ｘ線は、被験者Ｓに向かって照射され、被験者Ｓの断面領域が円で表される。例えば、Ｘ線管５０１は、第２スキャン中の平均Ｘ線エネルギーよりも小さい、第１スキャン中の平均Ｘ線エネルギーを有する。このようにして、異なるＸ線エネルギーに対応して、２回以上のスキャンを得ることができる。Ｘ線検出器５０３は、被検体ＯＢＪを通り抜けて伝播してきた照射Ｘ線を検出するために、被検体ＯＢＪを挟んでＸ線管５０１から反対側に位置している。Ｘ線検出器５０３は、個々の検出器素子または検出器ユニットをさらに含む。

【0092】

ＣＴ装置は、Ｘ線検出器５０３から検出された信号を処理するための、その他のデバイスをさらに含む。データ取得回路またはデータ取得システム（Data Acquisition System：ＤＡＳ）５０４は、それぞれのチャンネルに対するＸ線検出器５０３から出力された信号を電圧信号に変換し、その信号を増幅し、さらにその信号をデジタル信号へと変換する。Ｘ線検出器５０３およびＤＡＳ５０４は、１回転当たりの所定全投影数（Total number of Projections Per Rotation：ＴＰＰＲ）を処理するように構成されている。

【0093】

上述のデータは、非接触データ送信機５０５を通じて、放射線ガントリ５００外部のコンソール内に収容された、前処理デバイス５０６に送信される。前処理デバイス５０６は、生データに対し、感度補正などの特定の補正を実行する。メモリ５１２は、結果データを格納し、この結果データは、再構成処理直前の段階において投影データとも呼ばれる。メモリ５１２は、再構成デバイス５１４、入力デバイス５１５、およびディスプレイ５１６と共に、データ／制御バス５１１を通して、システムコントローラ５１０に接続されている。システムコントローラ５１０は、ＣＴシステムを駆動させるのに十分なレベルに電流を制限する、電流調整器５１３を制御する。

【0094】

検出器は、様々な世代のＣＴスキャナシステムにおいて、患者に対して、回転されるおよび／または固定される。一実施態様では、上述のＣＴシステムは、第３世代ジオメトリシステムと第４世代ジオメトリシステムとが組み合わせられた例であり得る。第３世代システムでは、Ｘ線管５０１とＸ線検出器５０３とは、環状フレーム５０２上に正反対に取り付けられ、環状フレーム５０２が回転軸ＲＡの周りを回転するときに、被検体ＯＢＪの周りを回転する。第４世代ジオメトリシステムでは、検出器は患者の周りに固定して設置され、Ｘ線管は患者の周りを回転する。代替的実施形態では、放射線ガントリ５００は、Ｃアームおよびスタンドによって支持されている環状フレーム５０２上に配列された多数の検出器を有する。

【0095】

メモリ５１２は、Ｘ線検出器ユニット５０３でＸ線照射度を示す測定値を格納することができる。さらに、メモリ５１２は、例えば、本明細書で論じる方法およびワークフローの様々なステップを実行するための専用プログラムを格納することができる。

【0096】

再構成デバイス５１４は、本明細書で論じる方法／ワークフローの様々なステップを実行することができる。さらに、再構成デバイス５１４は、ボリュームレンダリング処理および画像差分処理などの前再構成処理画像処理を、必要に応じて実行することができる。

【0097】

前処理デバイス５０６によって実行された投影データの前再構成処理は、例えば検出器キャリブレーション、検出器非直線性、および極性効果に対する補正を含むことができる。

【0098】

再構成デバイス５１４によって実行される後再構成処理は、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、ならびに画像差分処理を、必要に応じて含むことができる。画像再構成プロセスは、様々なＣＴ画像再構成方法に加えて、本明細書で論じる方法の様々なステップを実行することができる。再構成デバイス５１４は、メモリを使用して、例えば、投影データ、再構成された画像、較正データおよびパラメータ、ならびにコンピュータプログラムを格納することができる。

【0099】

再構成デバイス５１４は、離散論理ゲートとして実行され得るＣＰＵ（処理回路）を、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ）、またはその他の複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）として含み得る。ＦＰＧＡまたはＣＰＬＤの実装は、ＶＨＤＬ、Ｖｅｒｉｌｏｇ、またはその他のハードウェア記述言語でコード化されてよく、そのコードはＦＰＧＡもしくはＣＰＬＤ内の電子メモリに直接格納されてもよく、または個別の電子メモリとして格納されてもよい。さらに、メモリ５１２は、ＲＯＭ、ＥＰＲＯＭ（登録商標）、ＥＥＰＲＯＭ（登録商標）、またはフラッシュメモリ（登録商標）などの不揮発性であり得る。メモリ５１２は、静的または動的ＲＡＭなど揮発性であり得、ＦＰＧＡまたはＣＰＬＤとメモリとの間の相互作用だけでなく電子メモリを管理するための、マイクロコントローラまたはマイクロプロセッサなどのプロセッサが提供され得る。

【0100】

あるいは、再構成デバイス５１４内のＣＰＵは、本明細書に記載された機能を実行するコンピュータ可読命令のセットを含むコンピュータプログラムを実行することができ、そのプログラムは、上述の非一時的電子メモリおよび／もしくはハードディスクドライブ、ＣＤ、ＤＶＤ、フラッシュドライブのいずれか、またはその他の任意の既知の格納媒体に格納される。さらに、コンピュータ可読命令は、米国Ｉｎｔｅｌ社（登録商標）からのＸｅｎｏｎ（登録商標）プロセッサまたは米国ＡＭＤ（登録商標）社からのＯｐｔｅｒｏｎ（登録商標）プロセッサなどのプロセッサ、ならびにＭｉｃｒｏｓｏｆｔ（登録商標） ＶＩＳＴＡ（登録商標）、ＵＮＩＸ（登録商標）、Ｓｏｌａｒｉｓ（登録商標）、ＬＩＮＵＸ（登録商標）、Ａｐｐｌｅ（登録商標）、ＭＡＣ－ＯＳ（登録商標）および当業者に知られている他のオペレーティングシステムなどのオペレーティングシステムと共に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、もしくはオペレーティングシステムの構成要素、またはそれらの組み合わせとして提供されてもよい。さらに、ＣＰＵは、命令を実行するために並行して協同的に動作する、複数のプロセッサとして実装することができる。

【0101】

一実施態様では、再構成された画像は、ディスプレイ５１６に表示することができる。ディスプレイ５１６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、または当該技術分野において既知のその他のディスプレイであり得る。

【0102】

メモリ５１２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、または当該技術分野において既知のその他の電子記憶装置であり得る。

【0103】

図１２に関して上述したＣＴスキャナは、イメージングビームが（扇形ではなく）円錐形であるＣＢＣＴスキャナとして構成されることもできることを理解することができる。

【0104】

図１３は、本開示の実施形態によるＸ線診断装置の実施態様の概略図を示す。図１３に示されるＸ線診断装置は、例えば、第１のスキャンであるＣＢＣＴスキャンを実行する。すなわち、図１３に示されるＸ線診断装置は、第１のスキャンを実行する第１の放射線イメージング装置の一例であり、訓練済み機械学習モデルに適用する第１の放射線イメージング装置によって取得された目標画像データは、Ｘ線診断装置でＣアームを回転させて取得した投影データを再構成した画像に対応する画像データである。

【0105】

図１３には、第１の放射線イメージング装置であるＸ線診断装置１３００の一例として、Ｃアーム１３０４を備えたＸ線アンギオ装置が示されている。Ｘ線診断装置１３００は、高電圧発生器１３０１と、Ｘ線発生装置１３０２と、Ｘ線検出器１３０３と、Ｃアーム１３０４と、寝台１３０５と、入力インタフェース１３０６と、ディスプレイ１３０７と、メモリ１３０８と、処理回路１３０９とを備える。

【0106】

Ｘ線高電圧装置１３０１は、Ｘ線発生装置１３０２が備えるＸ線管に高電圧を印加する。Ｘ線発生装置１０２は、例えばＸ線管及びＸ線絞り器を備え、Ｘ線を発生させて被検体Ｐに照射する。Ｘ線検出器１３０３は、例えば、マトリクス状に配列された検出素子を有するＸ線平面検出器（Flat Panel Detector：ＦＰＤ）である。Ｘ線検出器１３０３は、Ｘ線発生装置１３０２から照射されて被検体Ｐを透過したＸ線を検出して、検出したＸ線量に対応した検出信号を処理回路１３０９へと出力する。

【0107】

Ｃアーム１３０４は、Ｘ線発生装置１３０２とＸ線検出器１３０３とを、被検体Ｐを挟んで対向するように保持する。例えば、Ｃアーム１３０４は、モータ、アクチュエータ等の駆動機構を有し、処理回路１３０９から受け付けた制御信号に応じて駆動電圧を駆動機構に印加することにより、Ｘ線発生装置１３０２とＸ線検出器１３０３とを被検体Ｐに対して回転・移動させ、Ｘ線の照射位置や照射角度を制御する。

【0108】

寝台１３０５は、被検体Ｐを載せる天板を備えるベッドである。入力デバイス１３０６、ディスプレイ１３０７、メモリ１３０８については、図１２の入力デバイス５１５、ディスプレイ５１６及びメモリ５１２と同様にして構成することができる。なお、ディスプレイ１３０７については、例えばアームにより保持して、その位置や角度を制御できるように構成しても構わない。この場合、ディスプレイ２２は、検査室内を動くことのできる物体の例に含まれる。

【0109】

処理回路１３０９は、Ｘ線診断装置１３００全体の動作を制御する。Ｘ線診断装置１３００においては、各処理機能がコンピュータによって実行可能なプログラムの形態でメモリ１３０８へ記憶されている。処理回路１３０９は、メモリ１３０８からプログラムを読み出して実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、プログラムを読み出した状態の処理回路１３０９は、読み出したプログラムに対応する機能を有することとなる。

【0110】

なお、単一の処理回路１３０９にて、処理回路１３０９に含まれる各機能が実現するものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路１３０９を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしても構わない。

【0111】

また、本開示の実施形態は、以下の付記に記載されるようであってもよい。

【0112】

（１）訓練済み機械学習モデルを生成する方法であって、方法は、第１の放射線イメージング装置を使用することによって取得された被検体の３Ｄ訓練データに基づいて、第２の放射線装置によって被検体が撮像された場合を示すシミュレートされた投影データを生成することと、シミュレートされた投影データを使用することによって、訓練済み機械学習モデルを生成するために、訓練されていない機械学習モデルを訓練することと、を含む、方法。

【0113】

（２）３Ｄ訓練データに基づいて、第２の放射線装置によって被検体が撮像された場合を示すシミュレートされた散乱データを生成することをさらに含み、訓練されていない機械学習モデルの訓練が、シミュレートされた投影データに加えてシミュレートされた散乱データを使用することによって、訓練済み機械学習モデルを生成するために、訓練されていない機械学習モデルを訓練することを含む、（１）に記載の方法。

【0114】

（３）第１の放射線イメージング装置が、コンピュータ断層撮影イメージング装置であり、シミュレートされた投影データが、シミュレートされたコンピュータ断層撮影投影データである、（１）～（２）のいずれか１つに記載の方法。

【0115】

（４）第２の放射線イメージング装置が、コーンビームコンピュータ断層撮影イメージング装置であり、シミュレートされたコンピュータ断層撮影投影データが、シミュレートされたコーンビームコンピュータ断層撮影投影データである、（３）に記載の方法。

【0116】

（５）訓練済み機械学習モデルを生成するための装置であって、装置は、第１の放射線イメージング装置を使用することによって取得された被検体の３Ｄ訓練データに基づいて、第２の放射線装置によって被検体が撮像された場合を示すシミュレートされた投影データを生成し、シミュレートされた投影データを使用することによって、訓練済み機械学習モデルを生成するために、訓練されていない機械学習モデルを訓練する、ように構成された処理回路、を備える、装置。

【0117】

（６）３Ｄ訓練データに基づいて、第２の放射線装置によって被検体が撮像された場合を示すシミュレートされた散乱データを生成するように構成された処理回路をさらに備え、訓練されていない機械学習モデルを訓練するように構成された処理回路が、シミュレートされた散乱データおよびシミュレートされた投影データを使用することによって、訓練済み機械学習モデルを生成するために、訓練されていない機械学習モデルを訓練するように構成された処理回路を含む、（５）に記載の装置。

【0118】

（７）第１の放射線イメージング装置が、コンピュータ断層撮影イメージング装置であり、シミュレートされた投影データが、シミュレートされたコンピュータ断層撮影投影データである、（５）～（６）のいずれか１つに記載の装置。

【0119】

（８）第２の放射線イメージング装置が、コーンビームコンピュータ断層撮影イメージング装置であり、シミュレートされたコンピュータ断層撮影投影データが、シミュレートされたコーンビームコンピュータ断層撮影投影データである、（７）に記載の装置。

【0120】

（９）第１の放射線装置によって取得された第１の被検体の目標画像データを処理する方法であって、方法は、（ａ１）第２の放射線イメージング装置を使用することによって取得された第２の被検体の３Ｄ訓練データに基づいて、第１の放射線装置によって第２の被検体が撮像された場合を示すシミュレートされた投影データを生成することと、（ａ２）シミュレートされた投影データを使用することによって、訓練済み機械学習モデルを生成するために、訓練されていない機械学習モデルに訓練プロセスを適用することと、（ａ）によって生成された訓練済み機械学習モデルを受信することと、（ｂ）訓練済み機械学習モデルに目標画像データを適用することと、を含むがこれらに限定されない、方法。

【0121】

（１０）３Ｄ訓練データに基づいて、第２の放射線装置によって被検体が撮像された場合を示すシミュレートされた散乱データを生成することをさらに含み、訓練されていない機械学習モデルに訓練プロセスを適用することは、シミュレートされた散乱データおよびシミュレートされた投影データを使用することによって、訓練済み機械学習モデルを生成するために、訓練されていない機械学習モデルに訓練プロセスを適用することを含む、（９）に記載の方法。

【0122】

（１１）訓練済み機械学習モデルに目標画像データを適用することは、前処理済み画像データを生成するために、目標画像データに飽和補正を適用することと、訓練済み機械学習モデルに前処理済み画像データを適用することと、を含むがこれらに限定されない、（９）～（１０）のいずれか１つに記載の方法。

【0123】

（１２）訓練済み機械学習モデルに目標画像データを適用することは、前処理済み画像データを生成するために、目標画像データにトランケーション補正を適用することと、訓練済み機械学習モデルに前処理済み画像データを適用することと、を含むがこれらに限定されない、（９）～（１１）のいずれか１つに記載の方法。

【0124】

（１３）訓練済み機械学習モデルに目標画像データを適用することは、散乱補正された投影データを生成するために、訓練済み機械学習モデルに目標画像データを適用することを含み、方法は、散乱補正された画像データを生成するために、散乱補正された投影データに対して再構成を実行すること、をさらに含むがこれに限定されない、（９）～（１２）のいずれか１つに記載の方法。

【0125】

（１４）ノイズ低減され、散乱補正された画像を生成するために、少なくとも１つのノイズ低減ニューラルネットワークに散乱補正された画像データを適用することをさらに含む、（１３）に記載の方法。

【0126】

（１５）第１のイメージング装置が、コーンビームコンピュータ断層撮影画像装置を備え、方法が、アーチファクト低減され、散乱補正された画像を生成するために、少なくとも１つのコーンビームアーチファクト低減ニューラルネットワークに散乱補正された画像データを適用することをさらに含む、（９）～（１４）のいずれか１つに記載の方法。

【0127】

（１６）第１の放射線装置によって取得された第１の被検体の目標画像データを処理するための装置であって、装置は、（９）～（１５）のいずれか１つに記載の方法を実行するように構成された処理回路を含むが、これに限定されない、装置。

【0128】

（１７）コンピュータによって実行されると、（１）～（４）のいずれか１つに記載の方法をコンピュータに実行させる、コンピュータ可読命令を格納する非一時的コンピュータ可読記憶媒体。

【0129】

（１８）コンピュータによって実行されると、（９）～（１５）のいずれか１つに記載の方法をコンピュータに実行させる、コンピュータ可読命令を格納する非一時的コンピュータ可読記憶媒体。

【0130】

（１９）
訓練済み機械学習モデルに第１の放射線イメージング装置によって取得された目標画像データを適用する医用画像処理方法であって、
前記訓練済み機械学習モデルは、第２の放射線イメージング装置を使用することによって取得された３Ｄ訓練データに基づいて、前記第１の放射線イメージング装置によって撮像された場合を示すシミュレートされた投影データを生成し、前記シミュレートされた投影データを使用することにより訓練されていない機械学習モデルに訓練プロセスを適用して訓練済み機械学習モデルを生成することにより生成される。

【0131】

（２０）
前記３Ｄ訓練データに基づいて、前記第１の放射線イメージング装置によって被検体が撮像された場合を示すシミュレートされた散乱データを生成することをさらに含み
前記訓練プロセスを適用することは、前記シミュレートされた散乱データおよび前記シミュレートされた投影データを使用することによって、前記訓練されていない機械学習モデルに訓練プロセスを適用することを含んでもよい。

【0132】

（２１）
前記訓練済み機械学習モデルに前記目標画像データを適用することは、
前処理済み画像データを生成するために、前記目標画像データに飽和補正を適用することと、
前記訓練済み機械学習モデルに前記前処理済み画像データを適用することと、
を含んでもよい。

【0133】

（２２）
前記訓練済み機械学習モデルに前記目標画像データを適用することは、
前処理済み画像データを生成するために、前記目標画像データにトランケーション補正を適用することと、
前記訓練済み機械学習モデルに前記前処理済み画像データを適用することと、
を含んでもよい。

【0134】

（２３）
前記訓練済み機械学習モデルに前記目標画像データを適用することは、散乱補正された投影データを生成するために、前記訓練済み機械学習モデルに前記目標画像データを適用することを含み、前記医用画像処理方法は、
散乱補正された画像データを生成するために、前記散乱補正された投影データに対して再構成を実行すること、
をさらに含んでもよい。

【0135】

（２４）
ノイズ低減され、散乱補正された画像を生成するために、少なくとも１つのノイズ低減ニューラルネットワークに前記散乱補正された画像データを適用することをさらに含んでもよい。

【0136】

（２５）
前記第１の放射線イメージング装置が、コーンビームコンピュータ断層撮影（Cone Beam Computed Tomography: CBCT）装置を備え、前記医用画像処理方法は、アーチファクト低減され、散乱補正された画像を生成するために、少なくとも１つのコーンビームアーチファクト低減ニューラルネットワークに前記散乱補正された画像データを適用することをさらに含んでもよい。

【0137】

（２６）
前記第１の放射線イメージング装置はＸ線診断装置であり、
前記第２の放射線イメージング装置は、Ｘ線コンピュータ断層撮影（Computed Tomography: CT）装置であり、
前記目標画像データは、Ｘ線診断装置でＣアームを回転させて取得した投影データを再構成した画像に対応する画像データであってもよい。

【0138】

（２７）
訓練済み機械学習モデルに第１の放射線イメージング装置によって取得された目標画像データを適用する処理回路を備え、
前記訓練済み機械学習モデルは、
第２の放射線イメージング装置を使用することによって取得された３Ｄ訓練データに基づいて、前記第１の放射線イメージング装置によって撮像された場合を示すシミュレートされた投影データを生成し、前記シミュレートされた投影データを使用することにより訓練されていない機械学習モデルに訓練プロセスを適用して訓練済み機械学習モデルを生成することにより生成される、医用画像処理装置。

【0139】

（２８）
本発明の一つの側面において提供されるプログラムは、
訓練済み機械学習モデルに第１の放射線イメージング装置によって取得された目標画像データを適用する処理をコンピュータに実行させるプログラムであって、
前記訓練済み機械学習モデルは、
第２の放射線イメージング装置を使用することによって取得された３Ｄ訓練データに基づいて、前記第１の放射線イメージング装置によって撮像された場合を示すシミュレートされた投影データを生成し、前記シミュレートされた投影データを使用することにより訓練されていない機械学習モデルに訓練プロセスを適用して訓練済み機械学習モデルを生成することにより生成される。

【0140】

（２９）
本発明の一つの側面において提供される医用画像処理方法は、
訓練済み機械学習モデルに第１の放射線イメージング装置によって取得されたＸ線画像データを適用し、画質の劣化が少ない前記Ｘ線画像データを処理画像として出力する医用画像処理方法であって、
前記訓練済み機械学習モデルは、
第２の放射線イメージング装置を使用することによって取得された３Ｄデータに基づいて、前記第１の放射線イメージング装置によって被検体が撮像された場合を示すシミュレートされた投影画像データと、前記第１の放射線イメージング装置によって撮像された場合を示すシミュレートされた画質の劣化データとを取得し、前記シミュレートされた投影画像データと前記シミュレートされた画質の劣化データとを使用することにより、訓練されていない機械学習モデルに訓練プロセスを適用して訓練済み機械学習モデルを生成することにより生成され、
前記第１の放射線イメージング装置はCアームを備えるＸ線診断装置であり、
前記第２の放射線イメージング装置は、Ｘ線コンピュータ断層撮影（Computed Tomography: CT）装置である。

【0141】

（３０）
前記シミュレートされた画質の劣化データは、前記３Ｄデータに基づいて生成された、前記第１の放射線イメージング装置によって被検体が撮像された場合を示すシミュレートされた散乱データであってもよい。

【0142】

（３１）
前記訓練済み機械学習モデルに前記Ｘ線画像データを入力として適用し、前記Ｘ線画像データの散乱データを出力として取得し、
前記X線画像データから当該散乱データを減算することで、散乱補正された投影画像データを生成してもよい。

【0143】

（３２）
前記訓練済み機械学習モデルに前記Ｘ線画像データを適用することは、
前処理済み画像データを生成するために、前記Ｘ線画像データに飽和補正を適用することと、
前記訓練済み機械学習モデルに前記前処理済み画像データを適用することと、
を含んでもよい。

【0144】

（３３）
前記訓練済み機械学習モデルに前記Ｘ線画像データを適用することは、
前処理済み画像データを生成するために、前記Ｘ線画像データにトランケーション補正を適用することと、
前記訓練済み機械学習モデルに前記前処理済み画像データを適用することと、
を含んでもよい。

【0145】

（３４）
前記訓練済み機械学習モデルに前記Ｘ線画像データを適用することは、散乱補正された投影データを生成するために、前記訓練済み機械学習モデルに前記Ｘ線画像データを適用することを含み、前記医用画像処理方法は、
散乱補正された画像データを生成するために、前記散乱補正された投影データに対して再構成を実行すること、
をさらに含んでもよい。

【0146】

（３５）
ノイズ低減され、散乱補正された画像を生成するために、少なくとも１つのノイズ低減ニューラルネットワークに前記散乱補正された画像データを適用することをさらに含んでもよい。

【0147】

（３６）
アーチファクト低減され、散乱補正された画像を生成するために、少なくとも１つのコーンビームアーチファクト低減ニューラルネットワークに前記散乱補正された画像データを適用することをさらに含んでもよい。

【0148】

（３７）
前記Ｘ線画像データは、前記Cアームを備えるＸ線診断装置により取得された投影データを再構成した画像に対応する画像データであってもよい。

【0149】

（３８）
前記第１の放射線イメージング装置によって被検体が撮像された場合を示すシミュレートは、モンテカルロ計算と、放射伝達方程式（Radiative Transfer Equation：ＲＴＥ）の決定論的解法のいずれかを用いて、前記第１の放射線イメージング装置の撮像ジオメトリによる前記被検体の撮像を模すシミュレーションであってもよい。

【0150】

（３９）
本発明の一つの側面において提供される医用画像処理装置は、
訓練済み機械学習モデルに第１の放射線イメージング装置によって取得されたＸ線画像データを適用し、画質の劣化が少ない前記Ｘ線画像データを処理画像として出力する処理回路を備え、
前記訓練済み機械学習モデルは、
第２の放射線イメージング装置を使用することによって取得された３Ｄデータに基づいて、前記第１の放射線イメージング装置によって被検体が撮像された場合を示すシミュレートされた投影画像データと、前記第１の放射線イメージング装置によって撮像された場合を示すシミュレートされた画質の劣化データとを取得し、前記シミュレートされた投影画像データと前記シミュレートされた画質の劣化データとを使用することにより訓練されていない機械学習モデルに訓練プロセスを適用して訓練済み機械学習モデルを生成することにより生成され、
前記第１の放射線イメージング装置はCアームを備えるＸ線診断装置であり、
前記第２の放射線イメージング装置は、Ｘ線コンピュータ断層撮影（Computed Tomography: CT）装置である。

【0151】

（４０）
本発明の一つの側面において提供されるプログラムは、
訓練済み機械学習モデルに第１の放射線イメージング装置によって取得されたＸ線画像データを適用し、画質の劣化が少ない前記Ｘ線画像データを処理画像として出力する処理をコンピュータに実行させるプログラムであって、
前記訓練済み機械学習モデルは、
第２の放射線イメージング装置を使用することによって取得された３Ｄデータに基づいて、前記第１の放射線イメージング装置によって被検体が撮像された場合を示すシミュレートされた投影画像データと、前記第１の放射線イメージング装置によって撮像された場合を示すシミュレートされた画質の劣化データとを取得し、前記シミュレートされた投影画像データと前記シミュレートされた画質の劣化データとを使用することにより訓練されていない機械学習モデルに訓練プロセスを適用して訓練済み機械学習モデルを生成することにより生成され、
前記第１の放射線イメージング装置はCアームを備えるＸ線診断装置であり、
前記第２の放射線イメージング装置は、Ｘ線コンピュータ断層撮影（Computed Tomography: CT）装置である。

【0152】

（４１）
前記第１の放射線イメージング装置によって撮像された場合を示すシミュレートされた画質の劣化データは、散乱データと、ノイズと、飽和（サチレーション）と、トランケーションの少なくとも一つであってもよい。

【0153】

（４２）
前記訓練済み機械学習モデルはニューラルネットワークであってもよい。

【0154】

（４３）
前記訓練済み機械学習モデルはＵ－ｎｅｔであってもよい。

【0155】

以上説明した少なくとも１つの実施形態によれば、画質を向上させることができる。

【0156】

いくつかの実施形態を説明したが、これらの実施形態は、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。

【符号の説明】

【0157】

５１４ 再構成デバイス
５１２ メモリ
５１５ 入力デバイス
５１６ ディスプレイ
１３０６ 入力デバイス
１３０７ ディスプレイ
１３０８ メモリ
１３０９ 処理回路

【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】