特開 2023-133130 ニューラルネットによる解像度向上と薄型スライス生成を実現したＸ線トモシンセシス装置

(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】P2023133130

(43)【公開日】2023-09-22

(54)【発明の名称】ニューラルネットによる解像度向上と薄型スライス生成を実現したＸ線トモシンセシス装置

(51)【国際特許分類】

   A61B 6/02 20060101AFI20230914BHJP

   G06T 3/40 20060101ALI20230914BHJP

   G06T 1/40 20060101ALI20230914BHJP

   G06T 1/00 20060101ALI20230914BHJP

   A61B 6/00 20060101ALI20230914BHJP

【ＦＩ】

A61B6/02 300M

G06T3/40 730

G06T1/40

G06T1/00 290A

A61B6/00 360Z

【審査請求】有

【請求項の数】18

【出願形態】ＯＬ

【外国語出願】

(21)【出願番号】P 2023006291

(22)【出願日】2023-01-19

(31)【優先権主張番号】17/690,258

(32)【優先日】2022-03-09

(33)【優先権主張国・地域又は機関】US

(71)【出願人】

【識別番号】319011672

【氏名又は名称】ジーイー・プレシジョン・ヘルスケア・エルエルシー

(74)【代理人】

【識別番号】100105588

【弁理士】

【氏名又は名称】小倉 博

(74)【代理人】

【識別番号】100129779

【弁理士】

【氏名又は名称】黒川 俊久

(74)【代理人】

【識別番号】100151286

【弁理士】

【氏名又は名称】澤木 亮一

(72)【発明者】

【氏名】デジュン・ワン

(72)【発明者】

【氏名】ブアー・シ

(72)【発明者】

【氏名】タオ・タン

(72)【発明者】

【氏名】ギリーシャ・チンサマニ・ラオ

(72)【発明者】

【氏名】ゴパール・ピー・アヴィナッシュ

(72)【発明者】

【氏名】チンミン・ペン

(72)【発明者】

【氏名】ヤアン・ジ

(72)【発明者】

【氏名】シルヴァン・ベルナール

(72)【発明者】

【氏名】ヴァンサン・ビスマス

【テーマコード（参考）】

4C093

5B057

【Ｆターム（参考）】

4C093AA11

4C093CA27

4C093CA28

4C093CA37

4C093DA03

4C093DA10

4C093EC16

4C093FA44

4C093FA60

4C093FD20

4C093FF17

4C093FF19

4C093FF28

4C093FF35

4C093FF41

5B057AA08

(57)【要約】

【課題】ニューロネットガイドによる解像度向上が可能なコンピュータトモシンセシスシステムを提供する。
【解決手段】トモシンセシス装置では、投影減衰データを取得し、機械学習を用いて投影減衰データのサブセットを特定し、より薄いスライス及び／又は高解像度スライスを作成することにより、画像取得の高速化とＳ／Ｎの向上を実現することができる。
【選択図】 図１

【特許請求の範囲】

【請求項1】

トモシンセシス装置であって、
患者支持体の周囲で対向して回転可能なＸ線源及び多素子Ｘ線検出器を含む支持体組立体と、
支持アセンブリと通信するプロセッサと、
を備え、
プロセッサは、
（ａ）支持アセンブリを作動させて、患者支持体上の患者の第１の体積の投影減衰データを取得するステップと、
（ｂ）機械学習を使用して、第１の体積よりも小さい第２の体積を有する臨床的意義のある関心領域を第１の体積において特定するステップと、
（ｃ）第２の体積の投影減衰データを選択的に再構成して、関心領域内に第１のスライス厚を有する第１のスライスセットと、第２の体積の外側で第１のスライス厚よりも大きい第２のスライス厚を有する第２のスライスセットとを生成するステップと、
（ｄ）複数のスライス画像の第１セットと第２セットを出力して、単一体積の画像を提供するステップとを実行するように構成される、トモシンセシス装置。

【請求項2】

ステップ（ｂ）は、機械学習を使用して各投影のマスク領域を特定し、次に、それらのマスク領域を再構成して、（ｃ）において第１及び第２のセットのスライスを再構成するための第２のボリュームを提供する、請求項１に記載のトモシンセシス装置。

【請求項3】

機械学習を使用して、画像の平面で測定されたスライス画像の第１のセットの解像度を高めるステップをさらに含む、請求項１に記載のトモシンセシス装置。

【請求項4】

投影減衰データは、様々な角度で患者の前後軸を横切って向けられたＸ線ビームで得られた投影のセットであり、患者の第２の体積は、患者軸に垂直に測定された第１の体積と比較して減少した高さ範囲を有する、請求項１記載のトモシンセシス装置。

【請求項5】

機械学習は、敵対的ニューラルネットワークアーキテクチャである、請求項１記載のトモシンセシス装置。

【請求項6】

機械学習は、Ｗａｓｓｅｒｓｔｅｉｎ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ（ＷＧＡＮ）である、請求項５記載のトモシンセシス装置。

【請求項7】

機械学習は、生成データと学習セットデータとの誤差差、及び高解像度画像と減少画像のＶＧＧ処理の少なくとも１つの評価を用いて学習される、請求項６に記載のトモシンセシス装置。

【請求項8】

Ｘ線検出器は、独立した複数の検出器素子間の検出器間隔を有し、投影減衰データは、隣接する複数の検出器素子からの値を一緒にビンニングすることによって得られる、請求項１に記載のトモシンセシス装置。

【請求項9】

複数の検出器素子は１００μｍ以下の間隔を有し、減少解像度トモシンセシスデータは間隔の２倍以下の解像度を有する、請求項８に記載のトモシンセシス装置。

【請求項10】

患者支持体の周囲で対向し、回転可能なＸ線源と多素子Ｘ線検出器とを含む支持アセンブリを有するタイプのトモシンセシス装置を作動する方法であって、
（ａ）支持アセンブリを作動させて、患者支持体上の患者の第１の体積の投影減衰データを取得するステップと、
（ｂ）機械学習を使用して、第１の体積よりも小さい第２の体積を有する臨床的意義のある関心領域を第１の体積において特定するステップと、
（ｃ）第２のボリュームの投影減衰データを選択的に再構成して、関心領域内に第１のスライス厚を有する第１のスライスセットと、第２のボリュームの外側で第１のスライス厚よりも大きい第２のスライス厚を有する第２のスライスセットとを生成するステップと、
（ｄ）複数のスライス画像の第１のセットと第２のセットを出力して、単一のボリュームの画像を提供するするステップと、を含む方法。

【請求項11】

ステップ（ｂ）は、機械学習を使用して各投影のマスク領域を特定し、それらのマスク領域を再構成して、（ｃ）におけるスライスの第１及び第２のセットを再構成するための第２の体積を特定する、請求項１０に記載の方法。

【請求項12】

ステップ（ｄ）が、画像の平面で測定されるように、第１のスライス画像の解像度を増加させる、請求項１０に記載の方法。

【請求項13】

投影減衰データは、様々な角度で患者の前後軸を横切って向けられたＸ線ビームで得られた投影のセットであり、患者の第２の体積が、患者軸に垂直に測定された第１の体積と比較して減少した高さを有する、請求項１０に記載の方法。

【請求項14】

機械学習は、敵対的ニューラルネットワークアーキテクチャである、請求項１０に記載の方法。

【請求項15】

機械学習は、Ｗａｓｓｅｒｓｔｅｉｎ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ（ＷＧＡＮ）である、請求項１４記載の方法。

【請求項16】

生成データと学習セットデータの誤差差、高解像度画像と減少画像のＶＧＧ処理の少なくとも１つの評価を用いて機械学習を行う、請求項１０に記載のトモシンセシス装置。

【請求項17】

Ｘ線検出器が独立した複数の検出器素子間の検出器間隔を有し、投影減衰データが隣接する複数の検出器素子からの値を一緒にビンニングすることによって得られる、請求項１０に記載の方法。

【請求項18】

複数の検出器素子が１００μｍ以下の間隔を有し、減少解像度トモシンセシスデータが間隔の２倍以下の解像度を有する、請求項１７に記載の方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、一般にＸ線トモシンセシス装置に関し、より詳細には、高解像度トモシンセシス画像の取得及び再構成時間を減少させるシステム及び方法に関するものである。

【背景技術】

【0002】

トモシンセシス撮影では、コーンビームやパラレルビームなどのＸ線が患者を通り、様々な角度で照射され、多素子検出器によって受信される。各角度において、検出器は、患者の体積（ボリューム）を通るＸ線ビーム内の異なる角度におけるＸ線光子の減衰を表す「投影減衰データ」を収集し、一般に標準的なＸ線透視画像の外観を有する。患者に関する異なる角度での投影のセットのトモシンセシス再構成は、その体積内の組織のボクセルのセットの減衰データを生成し、患者の上下軸に沿って延びる所定の平面内のスライス専用の画像を再構成するために使用されることが可能である。

【0003】

トモシンセシスは、Ｘ線源（またはＸ線検出器）を限られた角度範囲で患者に対して円弧状に動かすことができる装置で動作するため、患者に対してＸ線管を完全に（３６０°）動かす能力を持たない様々なアーキテクチャで実行することができるため、従来のＣＴ断層撮影とは区別する必要がある。同様のコンピュータ断層撮影（「ＣＴ」）装置は、より大きな角度範囲（１８０°＋ファンビーム角）を必要とし、通常、患者の周りを回る回転ガントリを採用する。トモシンセシス及びＣＴの両方は、電子コンピュータによって実行される類似の再構成アルゴリズムを使用し、本明細書で使用する際には、トモグラフィ又はトモシンセシス装置と総称し、本発明の方法は、所望によりＣＴ断層撮影装置に採用することが可能である。

【0004】

トモシンセシスから得られる投影減衰データの品質は、各投影で収集されるサンプル数の関数である。このサンプル数は、検出器のサイズと間隔によって大きく左右され、サイズが小さいほど、間隔が近いほど、一般的に高い解像度が得られる。

【0005】

しかし、検出器の解像度を上げると、（Ｓ／Ｎ比が一定であれば）データ収集に要する時間が大幅に増加し、患者の被ばく量や患者の動きによるブレのリスクが増加する。また、高解像度の検出器は、それに応じて大量のデータを収集するため、画像再構成に要する時間が長くなり、臨床医に新たな負担をかける可能性がある。臨床医は、多くのスライスビューを提示され、そのうちのいくつかはほとんど追加の情報価値を提供しないかもしれない。

【0006】

そのため、高解像度のトモシンセシス装置では、撮影速度の高速化やデータ収集・レビューの負担軽減を優先して、隣接する検出器素子（detector elements）からの信号をまとめて「ビニング：binning」し、その値を合成して解像度を下げて運用することが多くなっている。

【0007】

データ取得とデータ処理時間が大幅に増加し、臨床医のレビューに不要なスライスデータが生成される影響を低減しながら、高解像度画像を提供するトモシンセシス装置の作動システムおよび方法を開発することが望ましい。

【発明の概要】

【0008】

本発明者らは、高解像度画像によって明らかにされる人体の微細構造をニューラルネットワークにうまく教示して、取得後の低解像度画像を高解像度画像に正確に高める（ブーストする）ことが可能であることを認識した。比較的大きな関心領域にわたる低解像度データの高速取得は、関心体積を洗練するために最初に使用されてもよい。この精緻化された関心領域は、トレーニングされた（訓練された）機械学習システムによって自動的に決定されてもよい。洗練された関心領域が特定されると、その洗練された関心領域を構成する取得データのサブセットを高解像度画像に変換し、最終的に臨床医に提示することができ、解像度の向上、取得、処理時間の短縮、及び臨床医に提供する余計なデータの減少という複数の目標を満足させることができる。

【0009】

本開示の例示的な実施形態の一態様によれば、本発明は、患者支持体（ペイシェントサポート）の周囲で対向して回転可能なＸ線源及び多素子Ｘ線検出器を含む支持アセンブリと、支持アセンブリと通信するプロセッサを有するトモシンセシス装置を提供し得る。プロセッサは、（ａ）支持アセンブリを作動させて、患者支持体上の患者の第１の体積の投影減衰データを得るステップと、（ｂ）機械学習を使用して、第１の体積より小さい第２の体積を有する臨床的意義のある関心領域を第１の体積内で特定するステップと、（ｃ）第２の体積の投影減衰データを選択的に再構成して、関心領域内に第１の厚さを有する第１のスライス集合と、第２の体積の外側に第１の厚さよりも大きい第２の厚さを有する第２のスライス集合とを生成するステップと、（ｄ）機械学習を使用して、第１のスライス画像の集合の解像度を高めるステップと、（ｅ）スライス画像の第１の集合（第１のセット）及び第２の集合（第２のセット）を出力するステップと、を実行するように構成される。

【0010】

したがって、本発明の少なくとも１つの実施形態の特徴は、迅速に取得された高ＳＮ比の投影減衰データを使用して、患者の臨床的に興味深い領域のより高い分解能のデータセットを生成することを可能にすることである。

【0011】

ステップ（ｂ）は、機械学習を使用して、各投影におけるマスク領域を特定し、次に、それらのマスク領域を再構成して、（ｃ）におけるスライスの第１及び第２のセットを再構成するための第２の体積を提供することができる。

【0012】

したがって、生の投影データから関心領域を展開するために機械学習を用いることが、本発明の少なくとも１つの実施形態の特徴である。

【0013】

ステップ（ｄ）は、画像の平面で測定されるように、第１のスライス画像の解像度を増加させてもよい。

【0014】

したがって、本発明の少なくとも１つの実施形態の特徴は、従来の補間に代えて機械学習を用いることにより面内解像度向上（in-plane resolution enhancement）を可能にすることである。

【0015】

投影減衰データは、様々な角度で患者の前後軸を横切って向けられたＸ線ビームで得られた一連の投影であってもよく、患者の第２の体積は、患者軸に垂直な方向に測定された第１の体積と比較して減少した高さ（reduced height）を有することができる。

【0016】

したがって、臨床医がレビューする必要があるスライスの数を減らしながら、高解像度の薄切片を提供することが、本発明の少なくとも１つの実施形態の特徴である。

【0017】

いくつかの実施形態では、ニューラルネットワークは、Ｗａｓｓｅｒｓｔｅｉｎ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ（ＷＧＡＮ）などの敵対的ニューラルネットワークアーキテクチャを使用してトレーニング（訓練）される。ニューラルネットワークは、生成されたデータとトレーニングセットのデータとの間の誤差差（error difference）、及び高解像度画像及び低解像度画像のＶＧＧ処理の少なくとも１つの評価を用いてトレーニングされてもよい。

【0018】

したがって、この目的のために、扱いやすいニューラルネットアーキテクチャおよびトレーニング技術を特定することが、本発明の少なくとも１つの実施形態の特徴である。

【0019】

Ｘ線検出器は、独立した検出器素子間に所定の検出器間隔を有していてもよく、低解像度のトモシンセシス減衰データは、隣接する検出器素子からの値をビニングすることにより取得される。

【0020】

したがって、本発明の少なくとも１つの実施形態の特徴は、分解能の損失を低減した検出器をビニングすることによって、より速い取得を可能にし、Ｓ／Ｎ比を向上させることである。

【0021】

上記の簡単な説明は、詳細な説明にさらに記載され、添付の図面に示される概念の選択を簡略化して紹介するために提供されることが理解されるべきである。それは、請求された主題の重要なまたは必須の特徴を特定することを意図しておらず、その範囲は、詳細な説明に続く請求項によって一意的に定義される。さらに、請求された主題は、上記または本開示のいずれかの部分で指摘された欠点を解決する実施態様に限定されるものではない。

【0022】

図面は、本開示を実施するために現在考えられている最良の態様を示すものである。

【図面の簡単な説明】

【0023】

【図1】Ｘ線トモシンセシス装置の簡略化したブロック図であり、Ｘ線管、多素子Ｘ線検出器、トモシンセシス再構成を行うことができるプロセッサの主要構成要素を示している。

【図2】プロセッサが実行するプログラムの制御下での図１に対するトモシンセシス装置の動作を示すフローチャートである。

【図3】図１のトモシンセシス装置により取得された投影減衰データと、トレーニングセットの構築に用いられるダウンサンプリングされた低解像度の画像とを示す論理図である。

【図4】ブースティングデータに用いられる敵対的ニューラルネットワークシステムの学習・演算フロー経路を示すブロック図である。

【図5】投影減衰データの解像度ブーストを提供する本発明の実施形態のフローチャートである。

【図6】図５と同様の図であり、再構成画像の代替解像度ブーストを示す図である。

【発明を実施するための形態】

【0024】

以下、１つまたは複数の具体的な実施形態について説明する。これらの実施形態の簡潔な説明を提供するための努力として、実際の実装のすべての特徴は、本明細書に記載されない場合がある。任意のエンジニアリングまたは設計プロジェクトにおけるように、任意のそのような実際の実装の開発において、システム関連およびビジネス関連の制約への準拠など、開発者の特定の目標を達成するために、多数の実装固有の決定を行わなければならず、それは実装ごとに異なる場合があることを理解されたい。さらに、そのような開発努力は複雑で時間がかかるかもしれないが、それにもかかわらず、本開示の利益を有する通常の技術者にとって、設計、製作、および製造の日常的な事業であることを理解されたい。

【0025】

本発明の様々な実施形態の要素を紹介する場合、冠詞「ａ」、「ａｎ」、「ｔｈｅ」、および「ｓａｉｄ」は、その要素が１つ以上あることを意味することを意図している。 また、「ｃｏｍｐｒｉｓｉｎｇ」、「ｉｎｃｌｕｄｉｎｇ」、及び「ｈａｖｉｎｇ」という用語は、包括的であることを意図しており、記載された要素以外の追加の要素が存在し得ることを意味する。さらに、以下の議論における任意の数値例は、非限定的であることを意図しており、したがって、追加の数値、範囲、及びパーセントは、開示される実施形態の範囲内である。

【0026】

ここで図１を参照すると、Ｘ線トモシンセシス装置は、検出器２０に向かって投影軸１８に沿って向けられたＸ線ビーム１６を生成するＸ線源１２を提供することができる。Ｘ線源１２は、軸１８の角度が検出器２０とある範囲の角度で交差し得るように円弧２４に沿ってモータ／エンコーダ・システムによって回転され得る多関節アーム組立体（articulating arm assembly）２２上に取り付けられてもよい。

【0027】

放射線透過性の患者テーブル２５は、下軸－上軸がｚ軸に平行な患者２６を支持するためにｚ軸に沿って概ね延在してもよい。患者テーブル２４は、Ｘ線源１２と検出器２０との間に配置され、ビーム１６のＸ線が多関節アーム組立体２２の回転中に患者２６を通過するように患者２６を支持する。患者体積２８を通過した後、Ｘ線は、検出器２０によって、それぞれ個別にＸ線減衰を測定する様々な検出器素子（detector elements）２１にわたって測定される。一般に、円弧２４の角度は１８０°未満であるため、このシステムは、デジタルＸ線撮影、乳房撮影及び透視を含む標準的なＸ線システムに容易に統合することができるが、本発明は、より大きな回転自由度を有するＣＴタイプの設計に同様に適用できることが理解されよう。

【0028】

Ｘ線源１２、多関節アーム組立体２２のモータ／エンコーダシステム、及び検出器２０の各々は、記憶されたプログラム３８及びデータ４０を保持し得る電子メモリ３６と通信する１つ以上のプロセッサ３４を提供するトモシンセシス制御装置３２と通信してもよい。一般に、プログラム３８は、軸１８の角度の範囲を通しての関節アーム組立体２２の回転と、各角度における、検出器素子２１の各々の独立したＸ線減衰測定値からなる投影４２の取得を提供するように実行されてもよい。角度の範囲における測定値を含む投影セット５０であって、データ４０として格納されてもよい。得られた投影セットは、患者体積２６内の関心領域又は体積を記述する。

【0029】

当該技術分野において一般に理解されているように、プログラム３８は、各投影セット５０を取り込んで、患者内の一組の積層された平面における減衰を表すスライスに再構成するトモシンセシス再構成器５２を更に実装してもよく、スライスのデータは共に患者２６の体積における複数の個々の体積要素（ボクセル）の減衰を記述している。スライスの各々は、例えば、患者テーブル２５の上方の患者２６を通る垂直方向に（ｙ軸に沿って）積み重ねられた一組の画像平面における断面画像５４を提供する。本明細書で使用する場合、投影４２及び画像５４の両方は、それらの数学的等価性を反映して、一般にトモシンセシス減衰データと呼ばれる。

【0030】

図１をなお参照すると、コントローラ３２は、例えばグラフィックディスプレイ端末、キーボード、マウスなどのユーザインタフェース５６と通信して、データ４０を臨床医または技術者に出力し、さらに後述するようにプログラム３８を実行するためにそこからデータ４０を受信することができるようにすることができる。

【0031】

ここで図２も参照すると、プロセスブロック６０によって示されるように、プログラム３８は、上述のようにトモシンセシス装置１０の様々な構成要素を制御して、取得ボリューム（取得体積）６２にわたる減少解像度トモシンセシス減衰データ６１の取得が患者２６の第１の体積にわたって投影セット又は画像のいずれかとして所望のように表される結果、患者体積２６の単一の走査を行うことができる。

【0032】

この低解像度スキャンは、本質的に低解像度の検出器２０を使用してもよいし、より典型的には、例えば４つの隣接する検出器素子２１の値を一緒に平均化することによって、検出器素子２１のクラスタの値をビニングまたは結合することによって高解像度の検出器２０を使用してもよい。例えば、検出器素子２１間の分離が１００μｍである場合、ビニングは、２００μｍの減衰測定間の有効な分離を生成することができる。ビニングプロセスは、走査中又はデータが収集された後に実行されてもよく、従って、単一のスライス２８内又はスライス２８間で検出器素子２１を結合してもよい。このビニングプロセスは、所与の信号対雑音比信号に対して、より高速な走査及び／又は低減されたＸ線線量という利点を提供する。

【0033】

プロセスブロック６３によって示されるように、臨床的フォーカスの所望の領域、例えば疾患領域が次に決定され得、典型的にはトモシンセシスデータが取得された患者２６の体積未満である。例えば、この領域は、取得されたトモシンセシス減衰データの全体を表す取得ボリューム６２のサブセット又はより小さいフォーカス部分６４とすることができる。一実施形態では、臨床医は、疾患などの臨床適応症を入力してもよく、取得ボリューム６２のデータは、その入力された疾患に関連する疾患組織を識別するようにトレーニングされたニューラルネットワーク６５によって自動的にセグメント化されてもよい。この点で、プログラム３８は、異なる臨床状態又は疾病に関連するトレーニングされたニューラルネットワーク６５のセットをそれぞれ実装してもよい。これらのニューラルネットワーク６５はそれぞれ、例えば腫瘍などの疾患発現が例えば人間の専門家によってセグメント化された特定の疾患に関連する異なるトモシンセシスデータからなるトレーニングセットを使用してトレーニングされてもよい。そして、取得ボリューム６２のデータを検討するニューラルネットワーク６５は、例えば、フォーカス部分６４として、特定の器官における腫瘍を定義する、ボリュームマスク（体積マスク）６８を生成してもよい。

【0034】

あるいは、取得ボリューム６２のデータを複数のニューラルネットワーク６５に同時に提供し、それぞれが異なる疾患又は臨床状態についてトレーニングし、いずれかのニューラルネットワーク６５のトレーニング経験内の任意の疾患に関連するものとして関心領域を広く定義してもよい。

【0035】

一実施形態では、１つまたは複数のニューラルネットワーク６５は、再構成前の投影減衰データに直接作用して、再構成前のデータの各スライス内にマスク領域を特定してもよい。次いで、これらのマスクは、フォーカス部分６４を提供するために再構成されてもよい。

【0036】

プロセスブロック７０において、プログラム３８は、ボリュームマスク６８を使用して、より小さいボリューム７２の外側の低減された解像度のトモシンセシス減衰データ６１の別処理によって取得ボリューム６２のトモシンセシス減衰データ６１を「キュレート：curate」し、小さいボリューム７２はフォーカス部分６４に臨床的に関連するトモシンセシスデータのみを含む。より小さいボリューム７２は、例えば、ボリュームマスク６８の高さに一致するように、取得ボリューム６２と比較してｚ軸に沿って減少した高さを有していてもよい。これにより、ボリュームマスク６８の領域を正確に記述するために必要な薄い面内画像の数を減らすことができる。より洗練されたアプローチでは、調査中の疾患に関連する情報に関して取得ボリューム６２の各データプレーン（一定値ｙのデータ要素）を評価して、そのデータプレーンの情報値を検討する。次に、予め定義された閾値（例えば、１に正規化された０．７５）以上の情報値を有するデータプレーンのみが、より小さいボリューム７２に含まれる。この情報貢献度の評価は、例えば、各トモシンセシスシリーズのスライス範囲の関心を決定するために、疾患に対して深層学習ネットワークによって配信された尤度を分析することによって、より高い尤度を有するスライスは、このスライスが疾患に対する情報を示していることを示す、実行されてよい。プロセスブロック７０の結論において、小さい体積７２内のスライスが小さい体積７２の外側のスライスより薄い、２セットのスライスが生成されることになる。

【0037】

後続のプロセスブロック７６において、小さい体積７２の減少解像度データ（reduced resolution data）６１は、次に、その同じ小さい体積７２の超解像度データ７８を提供するためにブーストされてもよく、高い超解像度データ７８は、検出器２０に沿って及びｚ軸に沿っての両方で、より近い間隔を有する検出器素子２１で得られたものに近似している。例えば補間を含む様々なブースト技術が使用されてもよいが、一実施形態では、このブーストは、以下に説明するトレーニングされたニューラルネットワーク８６を利用する。トレーニングされたニューラルネットワーク８６は、全ての人体解剖学に一般的に関連する重みのセットを有していてもよいし、例えば骨、器官組織、筋肉組織等の異なる組織タイプに対して異なる重みのセットを提供してもよく、これらは用途及びボリュームマスク６８内の組織に応じて臨床医によって選択されてもよい。同様に、この組織は、自動的にカタログ化され、重みのセットを定義するために使用されてもよい。

【0038】

したがって、例えば、テーブル２５の上方２０ｍｍの高さから始まり、テーブル２５の上方２８０ｍｍの高さまで進み、１０ｍｍの画像平面高さを有する取得ボリューム６２は、２７枚の画像を提供することができる。結果として生じるスライス厚は、より小さい体積７２の外側の患者の領域に対して保存され得る。一方、より小さいボリューム７２は、１００ｍｍから始まり、４ｍｍの画像高さを有する１７０ｍｍの高さに進み、合計１９枚の画像を提供し、臨床医によるレビューに必要なデータを大幅に削減しながら、より狭い画像高さを介してより高い解像度を提供することができる。小さなボリューム７２のデータのみをブーストできるため、臨床医が設定する好みに応じて、例えば、像面高を非常に柔軟に設定することができる。またこれは、疾患診断のためのディープラーニングネットワークによって自動的に決定することができる。具体的には、各スライスについて肺炎などの病気の可能性を求め、肺炎の可能性が高いスライス高さを抽出する。

【0039】

プロセスブロック８０において、ブーストされた超解像データ（super-resolution data）７８は、例えば、臨床医によって見ることができる積層スライス画像５４のセットの形態でユーザインタフェース５６に出力されてもよい。小さい体積７２の外側からのブーストされていないデータも、例えば取得ボリューム６２に等しい単一の体積の収集された画像を提供するために、文脈のために提供される。取得ボリューム６２に関して高解像度データを処理し収集する必要なしに、より小さなボリューム７２の関心領域に密接にリンクした高解像度の利点が得られることが理解されよう。更に、最初に減少解像度データを収集する能力は、高解像度データが取得ボリューム６２全体に対して必要であった場合に必要とされる取得時間ペナルティなしに、より小さいボリューム７２の局在化を可能にするために余分なデータを収集することを可能にする。後前方Ｘ線トモシンセシス・スライスを例にとると、いくつかのスライスは骨折情報を明らかにするものとして特に臨床的に重要であり、本発明は、骨折を有するスライスに対する解像度を高めるために、解像度を上げた薄型スライスを使用することができる。

【0040】

次に図３及び４を参照すると、本発明者らは、減少解像度データ６１（reduced-resolution data：ＬＲ）を受け取り、一般にネイティブに取得された高解像度データ８８と同等の解像度の対応する超解像度データ７８（ＳＲ）を生成するように動作するプログラムされたニューラルネットワーク８６によって、減少解像度データ６１の高品質ブーストが効果的に実行できることを決定している。このニューラルネットワーク８６をトレーニングするために、ブースティングが実行される組織の各クラスについて、又は全ての組織タイプを包含する一般的なクラスについて、トレーニングセット９０が生成される。トレーニングセット９０は、検出器素子２１のビニングを行わずに高解像度トモシンセシス装置１０で撮影された高解像度データセット９２からなる。したがって、例えば、１００μｍの検出器間間隔を有する検出器２０において、データセット９２の高解像度データ８８は、（ファンビーム１６の形状の影響を受けて）およそ１００μｍのボクセル分離を提供するようなものとなる。このデータセット９２の高解像度データ８８は、上記のビニング処理により、同じ体積をカバーする減少解像度データ６１を有する減少解像度データセット９４に変換されることができる。トレーニングセット９０は、高解像度データセット９２と減少解像度データセット９４の複数のリンクされたセットから構成される。トレーニングセット９０は、直接投影データ又はトモシンセシス再構成ボリューム又は画像平面データのいずれかを利用できることが理解されよう。

【0041】

ニューラルネットワーク８６によってブーストされる必要があるデータの量を減らすために、高解像度データセット９２の高解像度データ８８及び減少解像度データセット９４の減少解像度データ６１は、典型的には等しい患者体積をカバーする、等しい面積パッチ（図示せず）に分割されてもよい。パッチのエッジにおける不連続性を排除するために、パッチは互いにわずかに重なり合っていてもよい。そこで、例えば、高解像度データセット９２がＮｘＮ個のパッチに分割される場合、パッチは、近隣のパッチと重なるように４Ｎ／５でストライド（stride）されてもよい。減少解像度データセット９４の対応するパッチは、サンプリングの違いの結果、８Ｎ／５のストライドを持つことになる。

【0042】

図４を参照すると、一実施形態では、プログラムされたニューラルネットワーク８６は、敵対的ニューラルネットワークアーキテクチャを有してよく、一例では、Ｗａｓｓｅｒｓｔｅｉｎ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ（ＷＧＡＮ）である。このタイプのアーキテクチャは、上述のプロセスブロック７６ごとに、減少解像度データ（reduced-resolution data）６１から（例えば、パッチ単位で）超解像データ７８を生成するための生成器１００を提供する第１のニューラルネットワークを含む。生成器１００は、超解像データ７８を評価するように動作する第２のニューラルネットワーク（識別器１０２）と、損失計算器１０４とを用いてトレーニングされる。

【0043】

一般に、トレーニングは、複数のエポック（epochs）で行われ、エポックは、生成器のトレーニング中に識別器１０２が生成器をガイドするような、生成器１００のトレーニングを含み、その後、生成器がフリーズしている間に識別器１０２のトレーニングが行われる。そのような複数のエポックのトレーニングが実施される。生成器１００と識別器１０２は、トレーニング中に生成器１００のトレーニングを向上させるために敵対的に使用される。最終的に、生成器１００は、プロセスブロック７６の目的のために単独で使用される。

【0044】

生成器１００のトレーニング中、トレーニングセット９０の連続した減少解像度データセット９４が生成器１００に提示され、超解像度データ７８が生成される。得られた超解像データ７８及び対応する高解像度データセット９２は、次に、超解像データ７８が高解像度データセット９２にどれだけ知覚的に類似しているかに関連する損失尺度（loss measure）１０５を提供する損失計算機（loss calculator）１０４に提供される。一実施形態では、損失尺度１０５は、超解像データ７８及び高解像度データセット９２の空間領域上及びそれらの同じ画像のフーリエ領域（周波数領域）上の平均二乗誤差（ＭＳＥ）の加重結合であってよい。ＭＳＥの測定値は、損失計算機１０４に組み込まれたＶＧＧニューラルネット１０７から得られたＶＧＧ損失の測定値と組み合わせてもよく、また超解像データ７８と高解像度データセット９２の両方について動作し、ＶＧＧニューラルネットの層特徴マップをこれら二つの入力について比較することによりＶＧＧ損失の測定値を提供する。ＶＧＧニューラルネット１０７は、組織の種類を分類するようにトレーニングされてもよい。このような損失測定の例は、Ｋ． Ｓｉｍｏｎｙａｎ ａｎｄ Ａ． Ｚｉｓｓｅｒｍａｎ， “Ｖｅｒｙ ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｌａｒｇｅ－ｓｃａｌｅ ｉｍａｇｅ ｒｅｃｏｇｎｉｔｉｏｎ，” ｉｎ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｌｅａｒｎｉｎｇ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ （ＩＣＬＲ）， ２０１５に記載されている。この損失測定値１０５は、学習プロセスの一部として生成器１００にフィードバックされる。ＶＧＧ損失は、生成器ネットワークに対するコンテンツ損失の一部である。

【0045】

生成器１００によって生成された超解像データ７８は、超解像データ７８が高解像度データセット９２によって表されるネイティブに得られたＨＲ画像（natively obtained HR image）である可能性（それらの類似性の尺度である）を決定するために識別器１０２をトレーニングするために使用することもできる。識別器１０２は、複数の減少解像度データセット（reduced-resolution data sets）９４によって生成された超解像度データ７８の連続するセットを、標準分類ネットワーク（standard classification network）であるトレーニングセット９０の高解像度データセット９２の対応するデータと比較する。

【0046】

発生器１００と識別器１０２がトレーニングされた後、識別器１０２によって提供される目的関数を通して発生器１００の更なるトレーニングのために一緒に動作される。トレーニングの完了後、生成器１００の神経重みは、特定の組織タイプに関して上述したプログラム３８のプロセスブロック７６に使用されるように保存される。

【0047】

生成器１００および識別器１０２は、一般に、Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network, Christian Ledig, Lucas Theis, Ferenc Huszar, Jose Caballero, Andrew Cunningham, Alejandro Acosta, Andrew Aitken, Alykhan Tejani, Johannes Totz, Zehan Wang, Wenzhe Shi, arXiv.org > cs > arXiv:1609.04802に記載のデザインに従って構築することができる。

【0048】

ここで図５を参照すると、ブースティングは、減少解像度データ６１として動作するプロセスブロック６０（図２に示す）のスキャン中に得られた取得された投影４２上で直接行われてもよく、このデータは、超解像度投影４２の形態で超解像度データ７８を生成するために生成器１００によって受信され得ることが理解されるであろう。これらの後者の投影４２は、トモシンセシス再構成器５２に提供されて（例えば、フィルタリング逆投影を採用して）、超解像度データ７８を有する結果的なスライス画像５４を提供することができる。

【0049】

あるいは、図６に示すように、減少解像度投影４２は、減少解像度データ６１として動作する減少解像度スライス画像５４を生成するために再構成器５２に提供されてもよく、それは、超解像度データ７８を有する高解像度スライス画像５４を生成するために生成器１００に提供されてもよい。

【0050】

高解像度データは、全てのスライス又は投影に適用することができ、また、重要な臨床情報又は臨床医の関心を含む特定のスライス又は投影に適用することもできる。用語「スライス厚」は、その平面的範囲に垂直なスライスの中心線間の分離、又はスライスの平面に概ね垂直なスライスによって定義されるボリュームの厚さを指すことができることが理解されるであろう。本明細書で使用される場合、データに言及するときの「ボリューム」という用語は、文脈から明らかになるように、一組のスライス画像又はスライス画像を再構成するために使用される生データを表す。

【0051】

本開示の前述の組成物、装置、及び方法は、これらが変化し得るため、特定の実施形態及び方法論に限定されないことが理解される。また、本明細書で使用される用語は、特定の例示的な実施形態を説明するためだけのものであり、添付の請求項によってのみ限定される本開示の範囲を限定することを意図していないことも理解される。

【符号の説明】

【0052】

１０：トモシンセシス装置 １２：Ｘ線源 １６：Ｘ線ビーム １８：投影軸 ２０：検出器 ２１：検出器素子 ２２：多関節アーム組立体 ２４：円弧 ２５：患者テーブル ２６：患者 ２８：患者体積 ３２：トモシンセシス制御装置 ３４：プロセッサ ３６：メモリ ３８：プログラム ４０：データ ４２：投影 ５０：投影セット ５２：トモシンセシス再構成器 ５４：断面画像 ５６：ユーザインタフェース ６１：トモシンセシス減衰データ ６２：取得ボリューム ６４：フォーカス部分 ６５：トレーニングされたニューラルネットワーク ６８：体積マスク ７２：より小さいボリューム ７８：超解像データ ８６：トレーニングされたニューラルネットワーク ８８：高解像度データ ９０：トレーニングセット ９２：トレーニングデータセット ９４：減少解像度データセット １００：生成器 １０２：識別器 １０４：損失計算器 １０５：損失尺度 １０７：ＶＧＧニューラルネットワーク

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【外国語明細書】