特開 2023-163176 医用情報処理方法、医用情報処理装置、医用画像診断装置及び非一時的コンピュータ可読媒体

(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】P2023163176

(43)【公開日】2023-11-09

(54)【発明の名称】医用情報処理方法、医用情報処理装置、医用画像診断装置及び非一時的コンピュータ可読媒体

(51)【国際特許分類】

   G01T 1/161 20060101AFI20231101BHJP

【ＦＩ】

G01T1/161 C

G01T1/161 A

【審査請求】未請求

【請求項の数】25

【出願形態】ＯＬ

(21)【出願番号】P 2023073348

(22)【出願日】2023-04-27

(31)【優先権主張番号】63/335,509

(32)【優先日】2022-04-27

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】17/965,289

(32)【優先日】2022-10-13

(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

２．ＴＥＮＳＯＲＦＬＯＷ

(71)【出願人】

【識別番号】512249180

【氏名又は名称】カリフォルニア大学

【氏名又は名称原語表記】Ｔｈｅ Ｒｅｇｅｎｔｓ ｏｆ ｔｈｅ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃａｌｉｆｏｒｎｉａ

【住所又は居所原語表記】１１１１， Ｆｒａｎｋｌｉｎ Ｓｔｒｅｅｔ， １２ｔｈ Ｆｌｏｏｒ， Ｏａｋｌａｎｄ， ＣＡ， Ｕ．Ｓ．Ａ．

(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】ジンイ チ

(72)【発明者】

【氏名】ティアンティアン リー

(72)【発明者】

【氏名】シャオヘン シエ

(72)【発明者】

【氏名】ウエンユエン チー

(72)【発明者】

【氏名】リ ヤン

(72)【発明者】

【氏名】チュン チャン

(72)【発明者】

【氏名】エヴレン アズマ

【テーマコード（参考）】

4C188

【Ｆターム（参考）】

4C188EE02

4C188FF04

4C188FF07

4C188GG18

4C188JJ02

4C188KK09

4C188KK15

4C188KK24

4C188KK33

4C188KK35

(57)【要約】

【課題】動き補正を効率化すること。
【解決手段】実施形態の医用情報処理方法は、患者のイメージング中に取得された、前記イメージング中の前記患者による動きを含むサイノグラム画像データを受信することと、Ｎは正の整数であり、ＭはＮ以上の正の整数であって、前記サイノグラム画像データを前記イメージング中の前記患者による動きのＮ個の動き位相の期間よりも短い期間を有するＭ個の各画像データセグメントにセグメント化することと、前記Ｍ個のサイノグラム画像データセグメントから、前記イメージング中の前記患者による動きの前記Ｎ個の動き位相に対応する潜在的特徴ベクトルのＮ個のセットを作成することと、セットごとに、前記潜在的特徴ベクトルのＮ個のセットに関連付けられた前記サイノグラム画像データを再構成することによって前記Ｎ個の動き位相の再構成を実施することとを含む。
【選択図】図１

【特許請求の範囲】

【請求項1】

データ駆動型再構成のための医用情報処理方法であって、
患者のイメージング中に取得された、前記イメージング中の前記患者による動きを含むサイノグラム画像データを受信することと、
Ｎは正の整数であり、ＭはＮ以上の正の整数であって、前記サイノグラム画像データを前記イメージング中の前記患者による動きのＮ個の動き位相の期間よりも短い期間を有するＭ個の各画像データセグメントにセグメント化することと、
前記Ｍ個のサイノグラム画像データセグメントから、前記イメージング中の前記患者による動きの前記Ｎ個の動き位相に対応する潜在的特徴ベクトルのＮ個のセットを作成することと、
セットごとに、前記潜在的特徴ベクトルのＮ個のセットに関連付けられた前記サイノグラム画像データを再構成することによって前記Ｎ個の動き位相の再構成を実施することと
を含む、医用情報処理方法。

【請求項2】

前記作成することは、前記Ｍ個のサイノグラム画像データセグメントの、前記イメージング中の前記患者による動きの前記Ｎ個の動き位相に対応する潜在的特徴ベクトルのＮ個のセットへのクラスタリングをさらに含み、
前記Ｎ個の動き位相の再構成を実施することは、前記Ｍ個のサイノグラム画像データセグメントの、前記イメージング中の前記患者による動きの前記Ｎ個の動き位相に対応する潜在的特徴ベクトルのＮ個のセットへのクラスタリングに基づいて前記サイノグラム画像データを再構成することによって、前記Ｎ個の動き位相の再構成を実施することをさらに含む、請求項１に記載の医用情報処理方法。

【請求項3】

前記Ｎ個の動き位相の第１および第２の動き位相の期間は、異なる、請求項１に記載の医用情報処理方法。

【請求項4】

前記作成することは、前記Ｍ個のサイノグラム画像データセグメントから前記潜在的特徴ベクトルのＮ個のセットを作成するように、未訓練のニューラルネットワークを訓練することをさらに含む、請求項１に記載の医用情報処理方法。

【請求項5】

前記訓練することは、オートエンコーダおよび変形形態のオートエンコーダのうちの少なくとも１つである前記未訓練のニューラルネットワークを訓練することを含む、請求項４に記載の医用情報処理方法。

【請求項6】

前記Ｎ個の動き位相のそれぞれは、０．０５から２．０秒の範囲内である、請求項１に記載の医用情報処理方法。

【請求項7】

Ｎは、少なくとも４であり、前記Ｎ個の動き位相のそれぞれは、呼吸の異なる位相に対応する、請求項１に記載の医用情報処理方法。

【請求項8】

前記Ｎ個の動き位相のそれぞれは、異なる心拍位相に対応する、請求項１に記載の医用情報処理方法。

【請求項9】

前記サイノグラム画像データをＭ個の画像データセグメントにセグメント化することは、Ｍ個の画像データセグメントに加えるようにリストモードデータを抽出することを含む、請求項１に記載の医用情報処理方法。

【請求項10】

前記Ｍ個のサイノグラム画像データセグメントから前記潜在的特徴ベクトルのＮ個のセットを作成するように前記未訓練のニューラルネットワークを訓練することは、損失関数を使用して前記未訓練のニューラルネットワークを訓練することを含む、請求項４に記載の医用情報処理方法。

【請求項11】

前記損失関数は、平均二乗誤差（Mean-Squared-Error：ＭＳＥ）、平均絶対誤差（Mean-Absolute-Error：ＭＡＥ）、および平均二乗誤差の平方根（Root-Mean-Square Error：ＲＭＳＥ）のうちの少なくとも１つを含む指標に基づく、請求項１０に記載の医用情報処理方法。

【請求項12】

前記作成することは、前記Ｍ個のサイノグラム画像データセグメントとＭ個の次の画像データセグメントとの間のそれぞれの差から前記潜在的特徴ベクトルのＮ個のセットを作成することをさらに含む、請求項１に記載の医用情報処理方法。

【請求項13】

前記クラスタリングは、混合ガウスモデル、スペクトラルクラスタリング、サポートベクトルマシン法、ロジスティック回帰、ナイーブベイズ法、および決定木法のうちの少なくとも１つを使用することによって実施される、請求項２に記載の医用情報処理方法。

【請求項14】

前記再構成は、散乱補正を伴わない再構成である、請求項１に記載の医用情報処理方法。

【請求項15】

前記再構成は、散乱補正を伴う再構成である、請求項１に記載の医用情報処理方法。

【請求項16】

前記未訓練のニューラルネットワークは、現在の患者に固有のデータのみを使用することによって訓練される、請求項４に記載の医用情報処理方法。

【請求項17】

前記Ｍ個のサイノグラム画像データセグメントは、単一の患者に対応する、請求項１に記載の医用情報処理方法。

【請求項18】

Ｎは、少なくとも２であり、前記Ｎ個の動き位相の第１のものは、呼気終了に対応し、前記Ｎ個の動き位相の第２のものは、吸気終了に対応する、請求項１に記載の医用情報処理方法。

【請求項19】

Ｎは、少なくとも１であり、休止中の心拍位相に対応する、請求項１に記載の医用情報処理方法。

【請求項20】

データ駆動型ゲーティングのための医用情報処理方法であって、
第１の患者の第１のイメージング中に取得された、前記第１のイメージング中の前記第１の患者による動きを含む第１の画像データを受信することと、
Ｎは正の整数であり、ＭはＮ以上の正の整数であって、前記第１の画像データを前記第１のイメージング中の前記第１の患者による動きのＮ個の動き位相の期間よりも短い期間を有するＭ個の各画像データセグメントにセグメント化することと、
前記Ｍ個の画像データセグメントから、前記第１のイメージング中の前記第１の患者による動きに対応する潜在的特徴ベクトルを生成するための訓練済みニューラルネットワークを作成することと、
第２の患者の第２のイメージング中に取得された、前記第２のイメージング中の前記第２の患者による動きを含む第２の画像データを受信することと、
前記第２の画像データを第２の患者の画像データセグメントを含むようにセグメント化することと、
前記第２の患者の画像データセグメントを前記訓練済みニューラルネットワークに入力して、前記第２のイメージング中の前記第２の患者による動きに対応する第２の患者の潜在的特徴ベクトルを作成することと、
セットごとに、前記第２の患者の潜在的特徴ベクトルに基づいて前記第２の画像データを再構成することによって前記Ｎ個の動き位相の再構成を実施することと
を含む、医用情報処理方法。

【請求項21】

前記第１および第２の画像データは、サイノグラム画像データ、又は、画像領域画像データを含む、請求項２０に記載の医用情報処理方法。

【請求項22】

データ駆動型再構成のための医用情報処理方法であって、
患者のイメージング中に取得された、前記イメージング中の前記患者による動きを含む画像データを受信することと、
Ｎは正の整数であり、ＭはＮ以上の正の整数であって、前記画像データを前記イメージング中の前記患者による動きのＮ個の動き位相の期間よりも短い期間を有するＭ個の各画像データセグメントにセグメント化することと、
前記Ｍ個の画像データセグメントから潜在的特徴ベクトルを作成するように、未訓練の変形形態のオートエンコーダを訓練することによって、前記Ｍ個の画像データセグメントから、前記イメージング中の前記患者による動きの前記Ｎ個の動き位相に対応する潜在的特徴ベクトルのＮ個のセットを作成することと、
セットごとに、前記潜在的特徴ベクトルのＮ個のセットに関連付けられた前記画像データを再構成することによって前記Ｎ個の動き位相の再構成を実施することと、
を含む、医用情報処理方法。

【請求項23】

データ駆動型再構成を行なう医用情報処理装置であって、
患者のイメージング中に取得された、前記イメージング中の前記患者による動きを含むサイノグラム画像データを受信し、
Ｎは正の整数であり、ＭはＮ以上の正の整数であって、前記サイノグラム画像データを前記イメージング中の前記患者による動きのＮ個の動き位相の期間よりも短い期間を有するＭ個の各画像データセグメントにセグメント化し、
前記Ｍ個のサイノグラム画像データセグメントから、前記イメージング中の前記患者による動きの前記Ｎ個の動き位相に対応する潜在的特徴ベクトルのＮ個のセットを作成し、
セットごとに、前記潜在的特徴ベクトルのＮ個のセットに関連付けられた前記サイノグラム画像データを再構成することによって前記Ｎ個の動き位相の再構成を実施する
処理回路を備える、医用情報処理装置。

【請求項24】

データ駆動型再構成を行なう医用画像診断装置であって、
患者のイメージング中に取得された、前記イメージング中の前記患者による動きを含むサイノグラム画像データを受信し、
Ｎは正の整数であり、ＭはＮ以上の正の整数であって、前記サイノグラム画像データを前記イメージング中の前記患者による動きのＮ個の動き位相の期間よりも短い期間を有するＭ個の各画像データセグメントにセグメント化し、
前記Ｍ個のサイノグラム画像データセグメントから、前記イメージング中の前記患者による動きの前記Ｎ個の動き位相に対応する潜在的特徴ベクトルのＮ個のセットを作成し、
セットごとに、前記潜在的特徴ベクトルのＮ個のセットに関連付けられた前記サイノグラム画像データを再構成することによって前記Ｎ個の動き位相の再構成を実施する
処理回路を備える、医用画像診断装置。

【請求項25】

内部に記憶された命令を含む非一時的コンピュータ可読媒体であって、前記命令は、少なくとも１つのプロセッサによって実行されると、前記少なくとも１つのプロセッサに、請求項１に記載の医用情報処理方法を実施させる、非一時的コンピュータ可読媒体。

【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、医用情報処理方法、医用情報処理装置、医用画像診断装置及び非一時的コンピュータ可読媒体に関する。

【背景技術】

【0002】

ＰＥＴイメージングでは、患者の動き（モーション：motion）に起因する画像のボケなどのアーチファクトにより、病変部のボリュームが過大評価されたり、病変部の活動性が過小評価されたりすることがあった。このため、動き補正画像再構成は、ＰＥＴイメージングに有用である。一部の状況において、動きが生じた可能性のある取得データにゲートをかけることで、動き補正に対処することができる。ゲーティングは、動きが無視できる程度の別々のチャンク（ゲート）にデータを分割することを含む。これは、患者の自発的または非自発的な動きの最中に発生する可能性があり、例としては、呼吸または心拍に起因する動きが挙げられる。

【0003】

既知のＰＥＴスキャンシステムでは、ゲーティングは、ＰＥＴスキャンの間にセンサを患者に取り付けることによって行われる。このような外部のモーションセンサを使用する場合、スキャン中に動き情報を正確に記録する必要があるため、ＰＥＴスキャンがより煩雑なものになる。動きが正確に記録されないか、またはスキャンと適切に同期していない場合、動き補正に支障をきたすことが多い。

【0004】

外部の動き追跡装置の使用には、技術者が患者にまたは患者の周囲に動き追跡装置を取り付ける必要があるといった追加の課題があるため、動き追跡装置を必要としないデータ駆動型ゲーティングへの関心が高まっている。データ駆動型ゲーティングは、独立成分解析（Independent Component Analysis：ＩＣＡ）または主成分解析（Principal Component Analysis：ＰＣＡ）などの信号分離技法を適用することによって行われることがあるが、これは、本開示の方法よりも比較的時間がかかることがある。

【先行技術文献】

【非特許文献】

【0005】

【非特許文献1】H. Zhang, I. Goodfellow, D. Metaxas, and A. Odena, “Self-attention generative adversarial networks,” arXiv preprint arXiv:1805.08318, 2018

【発明の概要】

【発明が解決しようとする課題】

【0006】

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、動き補正を効率化することである。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】

【0007】

実施形態の医用情報処理方法は、患者のイメージング中に取得された、前記イメージング中の前記患者による動きを含むサイノグラム画像データを受信することと、Ｎは正の整数であり、ＭはＮ以上の正の整数であって、前記サイノグラム画像データを前記イメージング中の前記患者による動きのＮ個の動き位相の期間よりも短い期間を有するＭ個の各画像データセグメントにセグメント化することと、前記Ｍ個のサイノグラム画像データセグメントから、前記イメージング中の前記患者による動きの前記Ｎ個の動き位相に対応する潜在的特徴ベクトルのＮ個のセットを作成することと、セットごとに、前記潜在的特徴ベクトルのＮ個のセットに関連付けられた前記サイノグラム画像データを再構成することによって前記Ｎ個の動き位相の再構成を実施することとを含む。

【図面の簡単な説明】

【0008】

【図1】図１は、データセグメントをゲートに分割する方法のフローブロック図である。

【図2A】図２Ａは、第１のニューラルネットワークとして実装される第１の例示的潜在的特徴量抽出器を示す図である。

【図2B】図２Ｂは、図２Ａのニューラルネットワークの例示的内部構成を示す図である。

【図3】図３は、第２のニューラルネットワークとして実装される第２の例示的潜在的特徴量抽出器を示す図である。

【図4A】図４Ａは、「ｍ」個の画像データセグメントが「ｍ」個のそれぞれの特徴ベクトルに変換される（その一部は他のセグメントによって作成されるものと同じである場合がある）処理を示す図である。

【図4B】図４Ｂは、「ｍ」個のそれぞれの特徴ベクトルを「ｎ」個の時間位相へのグルーピング（またはクラスタリング）を示す図である。

【図4C】図４Ｃは、「ｍ」個のそれぞれの特徴ベクトルの「ｎ」個の時間位相および特徴ベクトルの「未分類」セットへのグルーピング（またはクラスタリング）を示す図である。

【図4D】図４Ｄは、「ｍ」個のそれぞれの特徴ベクトルの、１つは呼気終了のもの、および他方は吸気終了のものの２つの時間位相へのグルーピング（またはクラスタリング）を示し、この際、残りの特徴ベクトルは未分類として扱われることを示す図である。

【図4E】図４Ｅは、「ｍ」個のそれぞれの特徴ベクトルの、単一の休止時間位相へのグルーピング（またはクラスタリング）を示し、この際、残りの特徴ベクトルは未分類として扱われることを示す図である。

【図4F】図４Ｆは、特徴量抽出器を作成するために、そのセグメントが最初に使用された人物／人以外の人物に関する特徴ベクトル（Feature Vector：ＦＶ）を生成するために使用される、事前に生成された特徴量抽出器を示す図である。

【図5】図５は、実施形態に関するＰＥＴスキャナの斜視図である。

【図6】図６は、例示的実施形態に関するＰＥＴスキャナおよび関連するハードウェアの概略図である。

【発明を実施するための形態】

【0009】

実施形態は、短い画像データセグメントでグルーピングした特徴量に基づくデータ駆動型ゲーティングに関する。実施形態は、核医学、例えば、ポジトロン放射断層撮影（Positron Emission Tomography：ＰＥＴ）、画像データ取得の間の患者の動きによるアーチファクトを低減する方法に関する。例えば、一実施形態においては、オートエンコーダネットワークをサイノグラム画像データに適用してＰＥＴイメージングにおけるデータ駆動型ゲーティングを提供する方法およびシステムについて説明する。

【0010】

データ駆動型ゲーティングは、画像データ（例えば、サイノグラム画像データ（飛行時間（Time-Of-Flight：ＴＯＦ）サイノグラム画像データおよび非ＴＯＦサイノグラム画像データを含むがこれらに限定されない）および／または画像領域画像データ）から抽出された潜在的（レイテント：latent）特徴量に基づいて行われる。最初のステップとして、潜在的特徴量を抽出するように構成された処理回路（以下「潜在的特徴量抽出器」）は、画像データを画像データセグメントにセグメント化することによって作成され得るなど、画像データから潜在的特徴量を抽出するように構成および／または訓練されている必要がある。一実施形態において、潜在的特徴量抽出器は、画像データセグメントのそれぞれの潜在的特徴量を抽出して、該画像データセグメントのそれぞれの潜在的特徴量を表す対応する潜在的特徴ベクトルを出力するように、未訓練のニューラルネットワーク（例えば、オートエンコーダ）を訓練することによって実装される。ニューラルネットワークとして実装される場合、潜在的特徴量抽出器は、各患者に固有の画像データを使用して、各患者に対して、自己教師あり方式で「ゼロから」訓練される場合がある。あるいは、ネットワークは、訓練時間を減らすために、過去の訓練結果を初期化して、患者固有データを使用して微調整される場合があるか、またはネットワークは、十分な量の既存データで事前に訓練されて、新規の患者に対して追加の訓練を行うことなく新規の患者データに直接適用される場合がある。

【0011】

画像データセグメントの時間期間が異なることがあるため、ＰＥＴイメージングの例示的実施形態では、０．０５秒から２秒の間で変動する期間の画像データセグメントが使用される。そのために、リストモードデータが所望のセグメント長に応じて選択される場合がある。

【0012】

抽出された潜在的特徴ベクトルは、動き位相またはサイクル（例えば、呼吸位相または心拍位相）の同じ部分に対応する画像データセグメントに対応する潜在的特徴ベクトルのグループまたはセットを作成するためにクラスタリングされる場合がある。画像データセグメントのグループまたはセットは、例えば、ｋ平均法クラスタリングを用いて潜在的特徴ベクトルを複数のセットにグルーピングすることによるか、または混合ガウスモデル、スペクトラルクラスタリング、ＳＶＭなどの他の教師なしアルゴリズム、もしくはロジスティック回帰、ナイーブベイズ、決定木などの他の教師ありアルゴリズムを使用することによって作成することができる。類似した特徴量を含む各データセグメントを組み合わせることで、それらのセグメント間の動きが無視できる程度または最小となり、かつ類似した特徴ベクトル（したがってそれらの対応する画像セグメント）が同じゲートに属する可能性が高まる。このように、画像セグメントをグループごとに再構成することによって、再構成される画像のボケまたは他のモーションアーチファクトが低減される。

【0013】

本開示の一態様によれば、データ駆動型再構成のための医用イメージング方法が提供され、該方法は、（１）患者のイメージング中に取得されたサイノグラム画像データを受信することであって、該サイノグラム画像データは、イメージング中の患者による動きを含む、サイノグラム画像データを受信することと、（２）サイノグラム画像データをイメージング中の患者による動きのＮ個の動き位相の期間よりも短い期間を有するＭ個の各画像データセグメントにセグメント化することであって、Ｍは、正の整数であるＮ以上の正の整数である、サイノグラム画像データをセグメント化することと、（３）Ｍ個のサイノグラム画像データセグメントから、イメージング中の患者による動きのＮ個の動き位相に対応する潜在的特徴ベクトルのＮ個のセットを作成することと、（４）セットごとに、潜在的特徴ベクトルのＮ個のセットに関連付けられたサイノグラム画像データを再構成することによってＮ個の動き位相の再構成を実施することと、を含む。

【0014】

本開示の別の態様によれば、データ駆動型ゲーティングのための医用イメージング方法が提供され、該方法は、（１）第１の患者の第１のイメージング中に取得された第１の画像データを受信することであって、該第１の画像データは、第１のイメージング中の第１の患者による動きを含む、第１の画像データを受信することと、（２）第１の画像データを第１のイメージング中の第１の患者による動きのＮ個の動き位相の期間よりも短い期間を有するＭ個の各画像データセグメントにセグメント化することであって、Ｍは、正の整数であるＮ以上の正の整数である、第１の画像データをセグメント化することと、（３）Ｍ個の画像データセグメントから、第１のイメージング中の第１の患者による動きに対応する潜在的特徴ベクトルを生成するための訓練済みニューラルネットワークを作成することと、（４）第２の患者の第２のイメージング中に取得された第２の画像データを受信することであって、該第２の画像データは、第２のイメージング中の第２の患者による動きを含む、第２の画像データを受信することと、（５）第２の画像データを第２の患者の画像データセグメントを含むようにセグメント化することと、（６）第２の患者の画像データセグメントを訓練済みニューラルネットワークに入力して、第２のイメージング中の第２の患者による動きに対応する第２の患者の潜在的特徴ベクトルを作成することと、（７）セットごとに、第２の患者の潜在的特徴ベクトルに基づいて第２の画像データを再構成することによってＮ個の動き位相の再構成を実施することと、を含む。

【0015】

本開示の別の態様によれば、データ駆動型再構成のための医用イメージング方法が提供され、該方法は、（１）患者のイメージング中に取得された画像データを受信することであって、該画像データは、イメージング中の患者による動きを含む、画像データを受信することと、（２）画像データをイメージング中の患者による動きのＮ個の動き位相の期間よりも短い期間を有するＭ個の画像データセグメントにセグメント化することであって、Ｍは、正の整数であるＮ以上の正の整数である、画像データをセグメント化することと、（３）Ｍ個の画像データセグメントから潜在的特徴ベクトルを作成するように、未訓練の変形形態のオートエンコーダを訓練することによって、Ｍ個の画像データセグメントから、イメージング中の患者による動きのＮ個の動き位相に対応する潜在的特徴ベクトルのＮ個のセットを作成することと、（４）セットごとに、潜在的特徴ベクトルのＮ個のセットに関連付けられた画像データを再構成することによってＮ個の動き位相の再構成を実施することと、を含む。

【0016】

本開示の一態様によれば、ニューラルネットワークは、画像データセグメントが分類および／またはグルーピングされ得るように、画像データセグメントから潜在的画像特徴量を抽出する潜在的特徴量抽出器として機能する。潜在的特徴量抽出器は、サイノグラム画像データおよび画像領域画像データのうちの少なくとも１つを利用することができる。

【0017】

図１は、画像データを取得し、その画像データからゲートがかかった画像データが作成される方法のフロー図を示す。このような画像データには、ポジトロン放射断層撮影（ＰＥＴ）イメージングなどの核医学イメージングで取得されるデータが含まれるがこれに限定されない。ＰＥＴスキャンでは、患者に動きがあると、ボケおよび他のアーチファクトが発生する。この動きの一部は、呼吸および心拍サイクルなどの非自発的なものであるため、除去することは困難である。しかし、動きの影響の一部は、呼吸サイクルの同じ位相からのものなどの動きの同じ位相からの画像データの各セグメントを一緒に再構成することによってのみ軽減することができる。このような構成の１つでは、呼吸サイクルが、少なくとも４つの位相、すなわち、吸息中の第１の位相、吸息から呼息までの第２の位相、呼息中の第３の位相、および呼息から吸息までの第４の位相に分割される。各セグメントを、動き位相のうち１つに分類することによって、ボケおよび他のアーチファクトが低減され得る。

【0018】

図１に示すように、機能ブロック１２０の処理の間に、方法は、患者のイメージング中に取得された画像データ（例えば、サイノグラム画像データまたは画像領域画像データ）を受信し、ここで、該画像データは、イメージング中の患者による動きを含む。画像データは、イメージング中の患者による動きの期間より短い期間を有する少なくとも「ｎ」個の動き位相に対応する少なくとも「ｍ」個の画像データセグメントを含むように画像データがセグメント化されるように、セグメント化される。概して、「ｍ」は、正の整数「ｎ」以上の正の整数であり、呼吸による動きに関連して記載される非限定的な実施形態では、呼吸の４つの位相に対して少なくとも対応する、少なくとも４つの画像データセグメントが作成される。画像のセグメント化は、対応する位相に関するリストモードデータを抽出することによって実施される場合がある。

【0019】

機能ブロック１３０の処理の間に、画像データセグメントのそれぞれから抽出された潜在的特徴量を表す潜在的特徴ベクトルを作成するように特徴量抽出器が構成される。例えば、潜在的特徴量抽出器として機能する図２に示すエンコーダ／デコーダのペアを訓練するのに十分に大きい画像データセグメントのセットを作成するために、複数のセグメントが画像データから抽出される場合がある。エンコーダ２１０およびデコーダ２４０を訓練するために、画像データセグメントのセットの各セグメントは、エンコーダ２１０に入力される元の入力値Ｘとして扱われる。エンコーダは、潜在的特徴ベクトル（ｚ）（２３０と付番されている）を作成するように設計され、該潜在的特徴ベクトル（ｚ）は、次にデコーダ２４０に適用されて、入力値Ｘの再構成されたバージョンである出力値Ｘ’が作成される。第１の例示的実施形態では、セグメントは、２次元画像であり、第２の例示的実施形態では、セグメントは、３次元画像ボリュームである。第２の例示的実施形態の実装形態では、画像データの２００×２００×１００個のセットが、６４×６４×２００個の潜在的特徴ベクトルに変換される。エンコーダ２１０およびデコーダ２４０の内部で重みを変更することによって（例えば、バックプロパゲーションプロセスを使用して）、潜在的特徴量抽出器は、潜在的特徴ベクトルｚから正確にＸを概算する近似Ｘ’を生成する方法を学習することができる。そのために、重みは、エンコーダ／デコーダのペアに入力されるセグメントのそれぞれのＸとＸ’との差を表す損失関数を最小にするように修正されてよい。エンコーダ／デコーダのペアは、自己教師あり方式で訓練される。すなわち、入力値および目標値が、同じ短フレームデータセットである。動き情報抽出を重視するために、目標値データセットは、現在の短フレームデータセットと数フレーム後の短フレームデータセットとの間の差分データセットに置き換えられてもよい。エンコーダ／デコーダのペアの訓練に適用可能な損失関数としては、平均二乗誤差（Mean-Squared-Error：ＭＳＥ）、平均絶対誤差（Mean-Absolute-Error：ＭＡＥ）、および平均二乗誤差の平方根（Root-Mean-Square Error：ＲＭＳＥ）が挙げられるが、これらに限定されない。加えて、エンコーダ／デコーダのペアは、外部のセンサからの追加のデータを用いて訓練することができる。例示的な外部のセンサとしては、ベルトベースモーションセンサ、カメラ、ＬＩＤＡＲ、および呼吸センサ（患者の呼吸位相を検出するマイクロホンを含むがこれらに限定されない）が挙げられるが、これらに限定されない。

【0020】

一実施形態によれば、データセグメントの時間間隔は、その時間間隔の間の動きの確率を減らすために、短い時間間隔（セグメント間の間隔と対比して）になるように選択される。このような実施形態では、データセグメントは、期間内の約０．１から０．５秒となるように選択される。ただし、より長いセグメント（例えば、１または２秒のセグメント）またはより短いセグメント（例えば、０．０５秒のセグメント）も、状況に応じて使用されてよい。前述したように、サイノグラム画像データを使用する場合、サイノグラム画像データは、飛行時間（ＴＯＦ）サイノグラムまたは非ＴＯＦサイノグラムとすることができる。本明細書において使用される画像データも、補正画像データまたは未補正画像データとすることができる。補正画像データが使用される場合、補正としては、散乱補正、減衰補正、およびノイズ除去が挙げられるが、これらに限定されない。

【0021】

図１の機能ブロック１３０に示すように、画像データセグメントの特徴量が抽出される。図２Ａおよび２Ｂに示すようなニューラルネットワークベースの実施形態では、エンコーダ／デコーダのペアが、抽出を実施するように訓練される。図２Ｂは、図２Ａの構造の内部の詳細を示し、かつ非特許文献１に記載されている自己注意ゲートなどの自己注意ゲートを含む１４層を含む。なお、非特許文献１の内容は、参照により本実施形態に援用される。このような自己注意ゲートは、広範囲の画像コンテンツに対するモデルの感度応答を改善することができる。このようなネットワークは、ＴｅｎｓｏｒＦｌｏｗ１．５．０バックエンドを伴うＫｅｒａｓ２．２．４に実装させて、デフォルトパラメータ設定の適応モーメント推定（Adaptive Moment estimation：ＡＤＡＭ）オプティマイザーと共にＮＶＩＤＩＡ ＧＴＸ １０８０ Ｔｉ ＧＰＵで訓練することができる。別の例示的パラメータとしては、０．０００１の学習率、１のバッチサイズ、および１０エポックを使用する訓練が挙げられる。

【0022】

エンコーダ／デコーダのペアを生成した後、画像データセグメントは、図４Ａに示すように、潜在的特徴ベクトル（ＦＶ_ｉ）を決定する特徴量抽出器として機能するエンコーダ／デコーダのペアを介してセグメントごとに再実行されてよい。セグメントは、単一の特徴量抽出器に逐次的に適用されるか、またはセグメントが並行して少なくとも部分的に対応する特徴ベクトルに変換され得るように、一連の特徴量抽出器が訓練済みエンコーダ／デコーダのペアの重み付けに応じて作成されてよい。次に、対応する潜在的特徴ベクトル（ＦＶ_１からＦＶ_ｍ）は、その後のゲート再構成の一部としてのセットごとの再構成のために、同じ動きのタイプ（または動き位相）に対応する各セグメントが一緒にグルーピングされるように、グルーピングされる場合がある（図４Ｂおよび４Ｃに示すように）。すなわち、ゲーティング再構成の一部として、位相１の特徴ベクトルに対応するセグメント（例えば、セグメント１、２、ｎ、ｎ＋１、ｎ＋２、ｎ＋３、ｐ、ｐ＋１、ｐ＋２）が、グループとして再構成され、位相２の特徴ベクトルに対応するセグメント（例えば、セグメント４、５、ｎ＋４、ｎ＋５、ｎ＋６、ｐ＋３、ｐ＋４）が、グループとして再構成される（その他も同様）。例示的なグルーピング法としては、教師なし法（例えば、混合ガウスモデル、スペクトラルクラスタリング、およびＳＶＭ）および／または教師あり法（例えば、ロジスティック回帰、ナイーブベイズ、および決定木）などのクラスタリング法が挙げられるが、これらに限定されない。このようなグルーピング法は、最初のクラスタの重心を取得する前処理ステップをさらに含む場合がある。例えば、主成分解析（ＰＣＡ）が、最初に潜在的特徴量に適用される場合があり、かつ、最初のクラスタの重心を取得するために、最初の主成分を使用して、位相ベースゲーティング（例えば、呼吸サイクルに基づく）が実施される場合がある。さらに、呼吸による動きをより強調するクラスタリングを促進するために、各潜在的特徴量z_iは、z_iによってヒトの呼吸周波数範囲（例えば、０．１４から０．３３Ｈｚ）内に含まれる周波数成分の最大値によって重み付けされる場合がある。図４Ｃに示すように、グルーピング処理の最後に、複数の未分類の特徴ベクトルが残存する可能性があり、これらの特徴ベクトルは、概して、再構成処理から除外される場合がある（例えば、「ｎ」個の動き位相のいずれの再構成にも関連付けされない）。

【0023】

ブロック１５０では、画像データセグメントは、同様のセグメントのデータセットまたはゲートに組み合わされ、類似するセグメントが、一緒に再構成される。一実施形態では、方法は、ゲートを確認する任意のステップを含む。データ駆動型信号の堅牢性を保証するために、ネットワークによって導出された信号との相互相関によって任意の品質保証ステップが実施される場合がある。これは、他のスキャン（ＣＴ、ＭＲなど）との位相整合などの呼吸位相識別を介したものである場合もある。また、外部信号を使用して、より高い時間分解能に推定動きベクトルを補間することで、動きベクトル推定の時間分解能を向上させることもできる。

【0024】

特徴ベクトルの交互のグルーピングも可能である。図４Ｄは、「ｍ」個のそれぞれの特徴ベクトルの、１つは呼気終了のもの、および他方は吸気終了のものの２つの時間位相へのグルーピング（またはクラスタリング）を示し、この際、残りの特徴ベクトルは未分類として扱われることを示す。このような構成では、呼気終了に対応する各セグメントが、一緒に再構成されるのと同時に、吸気終了に対応する各セグメントが、一緒に（呼気終了に対応するセグメントからは独立して）再構成される。未分類の特徴ベクトルに対応する各セグメントは、一緒に再構成されてもよいが、必然ではない。

【0025】

さらに別の実施形態において、図４Ｅは、「ｍ」個のそれぞれの特徴ベクトルの、単一の休止時間位相へのグルーピング（またはクラスタリング）を示し、この際、残りの特徴ベクトルは未分類として扱われることを示す。

【0026】

図４Ｆに示すように、他のもののセグメント化された画像データを使用して作成された特徴量抽出器が、別の人物（例えば、人物_２）に関する特徴ベクトルを作成する場合に代用物として使用される場合がある。このようにして、人物_２のセグメント_１により、先に作成された特徴ベクトルを使用して、特徴ベクトルＦＶ_１：２が作成される（これもまた、逐次的にまたは並行して少なくとも部分的に適用される場合がある）。

【0027】

前述したように、図２Ａおよび２Ｂのエンコーダ／デコーダのペアは、エンコーダ／デコーダのペアの訓練中に損失関数を利用することができる。そのような損失関数Ｌの１つは、下記式（１）で得ることができる。

【0028】

【数1】

【0029】

本明細書に記載の再構成としては、フィルタ補正逆投影（Filtered Back Projection：ＦＢＰ）または逐次サブセット期待値最大化（Ordered Subsets Expectations Maximization：ＯＳＥＭ）を挙げることができるが、これらに限定されない。再構成される画像は、深層ニューラルネットワーク、非局所平均、または平滑化フィルタを使用して、後処理される、すなわちノイズ除去される場合がある。

【0030】

図３は、訓練済みニューラルネットワークとして潜在的特徴量抽出器を実装する別の例示的実施形態を示す。図３の例示的実施形態では、エンコーダ３１０の出力値が、２つの追加の処理関数（例えば、平均二乗誤差平方根関数３１２および平均二乗誤差関数）に適用され、かつこれらの追加の処理関数の出力値は、変形形態オートエンコーダで（オートエンコーダとは異なって）生じるようにサンプリングされる。これらの追加の処理関数の出力値から、システムは、潜在的特徴ベクトル２３０を作成するように学習し、次に、この潜在的特徴ベクトルは、エンコーダ３１０と共同訓練されたデコーダ３４０に適用される。図２Ａおよび２Ｂに関して前述したように、次に、潜在的特徴ベクトルは、グルーピング（またはクラスタリング）される場合があり、かつグルーピングされた画像は、一緒に再構成され、それによりモーションアーチファクトが低減される。

【0031】

一実施形態では、図５および図６に示すように、本開示の方法は、ＰＥＴスキャナの範囲内で実装される場合があると理解できる。したがって、図５および図６は、矩形の検出器モジュールとしてそれぞれが構成される、いくつかのガンマ線検出器（Gamma-Ray Detector：ＧＲＤ）８００１、８００２から８０４０（例えば、ＧＲＤ１、ＧＲＤ２からＧＲＤＮ）を備えている、ＰＥＴスキャナ８０００を示す。ＰＥＴスキャナ８０００は、適応型軸方向画像視野（adaptive axial Field Of View：ａａＦＯＶ）ＰＥＴスキャナであってよい。一実装形態によれば、ガントリ８０６０の周りの円形ボア８０５０を形成する各ＰＥＴ検出器リングは、数十個のＧＲＤ（例えば、４０から１００個）を備える。より多くの数のＧＲＤが使用されると、より大きな内径寸法のＰＥＴスキャナ８０００が作られる。各ＰＥＴ検出器リングは、ａａＦＯＶ ＰＥＴスキャナの軸方向長を中心にして独立して並進可能である。各ＰＥＴ検出器リングの並進は、手動操作および／または電動操作によって行うことができる。ＧＲＤはガンマ線を（例えば、可視の、赤外のおよび紫外の波長での）シンチレーション光子に変換するためのシンチレータ結晶アレイを含み、それらシンチレーション光子は、光検出器によって検出される。各ＧＲＤは、ガンマ線を吸収して、シンチレーション光子を放射する個々の検出器結晶の２次元アレイを備える場合がある。シンチレーション光子は、ＧＲＤに配置される光電子増倍管（PhotoMultiplier Tube：ＰＭＴ）の２次元アレイによっても検出することができる。ライトガイドが、検出器結晶アレイとＰＭＴとの間に配置される場合がある。さらに、各ＧＲＤは、種々のサイズのいくつかのＰＭＴを備え、そのそれぞれが、複数の検出器結晶からシンチレーション光子を受信するように配設される。各ＰＭＴは、シンチレーションイベントが発生したタイミングおよび検出イベントを起こすガンマ線のエネルギーを示すアナログ信号を作成できる。さらに、１つの検出器結晶から放射される光子は、２つ以上のＰＭＴによって検出することができ、検出イベントに対応する検出器結晶は、各ＰＭＴで作成されるアナログ信号に基づいて、例えば、アンガー論理および結晶復号を使用して判断され得る。しかし、結晶と光検出器との間で１対１の対応関係がある場合、アンガー算術は、必ずしも必要であるわけではない。

【0032】

図６は、対象物ＯＢＪから放射されるガンマ線を検出するように配設されたＧＲＤ８００１、８００２から８０４０を有するＰＥＴスキャナシステムの概略図を示す。ＧＲＤは、各ガンマ線検出器に対応するタイミング、位置、およびエネルギーを測定することができる。一実装形態では、図５および図６に示すように、ガンマ線検出器は、ＰＥＴ検出器リング内に配設される。図６の単一のＰＥＴ検出器リングは、ＰＥＴスキャナの軸方向長さに沿って任意の数のＰＥＴ検出器リングを備えるように挿入される場合があることが理解できる。検出器結晶は、シンチレータ結晶とすることができ、そのシンチレータ結晶は、２次元アレイに配設された個々のシンチレータ素子を有し、該シンチレータ素子は、任意の既知のシンチレーション物質とすることができる。ＰＭＴは、各シンチレータ素子からの光が、複数のＰＭＴによって検出されて、シンチレーションイベントのアンガー算術および結晶復号を可能にするように、配置可能である。

【0033】

図６は、撮像される対象物ＯＢＪが台９１６０上に置かれ、ＧＲＤ１ ８００１からＧＲＤＮ８０４０のＧＲＤモジュールが、対象物ＯＢＪおよび台９１６０を中心にして周囲方向に配設される、ＰＥＴスキャナ８０００の構造の例を示す。ＧＲＤは、ＰＥＴ検出器リングを備える場合があり、またガントリ８０６０に固定して接続されている円筒形ボア８０５０に固定して接続される場合がある。ガントリ８０６０は、ＰＥＴスキャナの多数の部品を収容する。ＰＥＴスキャナのガントリ８０６０はまた、対象物ＯＢＪおよび台９１６０がそれを通って通過できる、円形ボア８０５０によって画定された開口部を含み、また、消滅イベントにより対象物ＯＢＪから反対方向に放射されるガンマ線は、ＧＲＤにより検出可能であり、かつ、タイミング情報およびエネルギー情報は、ガンマ線ペアの同時計数を決定するために使用される場合がある。

【0034】

図６では、ガンマ線検出データを収集、記憶、処理、および分配する回路およびハードウェアも示されている。これらの回路およびハードウェアは、処理回路９０７０、ネットワークコントローラ９０７４ ３０３、メモリ９０７８、およびデータ取得システム（Data Acquisition System：ＤＡＳ）９０７６、を備える。ＰＥＴ撮像装置はまた、ＧＲＤからの検出測定結果をＤＡＳ９０７６、処理回路９０７０、メモリ９０７８、およびネットワークコントローラ９０７４に送出するデータチャンネルを備える。ＤＡＳ９０７６は、検出器からの検出データの取得、デジタル化、および送出を制御することができる。一実装形態では、ＤＡＳ９０７６は、台９１６０の動きを制御する。処理回路９０７０は、ＰＥＴ検出器リング、検出データの再構成前処理、画像再構成、および画像データの再構成後処理を調整することを含む機能を実施する。

【0035】

一実施形態によれば、図５および図６のＰＥＴスキャナ８０００の処理回路９０７０は、本明細書に記載する方法のいずれか、ならびにその変形形態を実施するように構成される場合がある。処理回路９０７０は、個別論理ゲート、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）として実装されることがあるＣＰＵを含む場合がある。ＦＰＧＡまたはＣＰＬＤの実装形態は、ＶＨＤＬ、Ｖｅｒｉｌｏｇ、または任意のその他のハードウェア記述言語で符号化されてもよく、かつ、その符号は、ＦＰＧＡまたはＣＰＬＤ内部の電子メモリに直接記憶されるか、または別個の電子メモリとして記憶されてよい。さらに、メモリ９０７８は、ハードディスクドライブ、ＣＤ－ＲＯＭドライブ、ＤＶＤドライブ、ＦＬＡＳＨ（登録商標）ドライブ、ＲＡＭ、ＲＯＭまたは当該技術分野において既知の任意のその他の電子記憶装置とすることができる。メモリ９０７８は、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭまたはＦＬＡＳＨ（登録商標）メモリのような不揮発性のものであってもよい。メモリ９０７８は、静的または動的ＲＡＭなどの揮発性メモリとすることができ、電子メモリおよびＦＰＧＡまたはＣＰＬＤとメモリとの間の相互動作を管理するために、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設けられてもよい。

【0036】

あるいは、処理回路９０７０のＣＰＵは、本明細書に記載の方法を実施する非一時的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、このプログラムは、電子メモリおよび／またはハードディスクドライブ、ＣＤ、ＤＶＤ、ＦＬＡＳＨ（登録商標）ドライブまたは任意のその他の既知の記憶媒体を含む上述した非一時的コンピュータ可読媒体のいずれかに記憶される。さらに、このコンピュータ可読命令は、実用アプリケーション、バックグラウンドデーモン、またはオペレーティングシステムのコンポーネント、あるいはそれらの組み合わせとして提供されてもよく、Ｉｎｔｅｌ（登録商標）のＸＥＮＯＮ（登録商標）プロセッサ、またはｉ３、ｉ７もしくはｉ９、または米国のＡＭＤ社のＯＰＴＥＲＯＮ（登録商標）もしくはＲｙｚｅｎプロセッサなどのプロセッサ、ならびに、Ｍｉｃｒｏｓｏｆｔ社のＷＩＮＤＯＷＳ（登録商標）、ＵＮＩＸ（登録商標）、Ｓｏｌａｒｉｓ（登録商標）、ＬＩＮＵＸ（登録商標）、Ａｐｐｌｅ社のＭＡＣ－ＯＳ（登録商標）および当業者に既知の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連動して実行される。さらに、ＣＰＵは、命令を実施するために並行して協動する、複数のプロセッサとしてローカルで、または分散型のクラウド構成に実装される場合がある。

【0037】

一実装形態では、ＰＥＴスキャナは、再構成画像などを表示するためのディスプレイなどを含む場合がある。ディスプレイは、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任意の他のディスプレイとすることができる。

【0038】

米国インテル社のインテルイーサーネットＰＲＯネットワークインターフェースカードなどのネットワークコントローラ９０７４が、ＰＥＴ撮像装置の種々の部品間をインターフェースすることができる。追加として、ネットワークコントローラ９０７４は、外部のネットワークともインターフェースすることができる。理解されるように、この外部ネットワークは、インターネットなどの公共ネットワーク、またはＬＡＮもしくはＷＡＮネットワークなどの私的ネットワーク、あるいはそれらの組み合わせとすることができ、かつ、ＰＳＴＮまたはＩＳＤＮサブネットワークを含むこともできる。この外部ネットワークは、イーサネット（登録商標）ネットワークのような有線方式、またはＧＰＲＳ、ＥＤＧＥ、３Ｇ、４Ｇおよび５Ｇ無線セルラーシステムを含むセルラーネットワークのような無線方式とすることもできる。無線ネットワークは、Ｗｉ－Ｆｉ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、または既知である通信の任意のその他の無線形態とすることができる。

【0039】

図６では、実施形態に記載の方法を実行する処理回路９０７０を、ＰＥＴスキャナ８０００が備える例について説明した。しかしながら実施形態はこれに限定されるものではない。例えば、ＰＥＴスキャナ８０００とは別体の医用情報処理装置（例えばワークステーション等）が、処理回路９０７０と同様の機能を有する処理回路を備えてもよい。例えば、医用情報処理装置が備える処理回路は、ＰＥＴスキャナ８０００により収集されたサイノグラム画像データをネットワークを介して受信し、受信したサイノグラム画像データについて、実施形態に記載のデータ駆動型再構成を実行する。

【0040】

非常に多くの変更および変形形態が、上記の教示に照らし可能であることは明らかである。したがって、添付の特許請求の範囲の範囲内で、具体的に本明細書に記載されているのとは別の方法で、本発明が実践されてもよいことを理解されよう。

【0041】

本明細書に記載される方法およびシステムは、いくつかの技術において実装可能であるが、概して、本明細書に記載される処理を実施するイメージングデバイスおよび／または処理回路に関連する。ニューラルネットワークが使用される一実施形態において、ニューラルネットワークを訓練するのに使用される処理回路は、本明細書に記載される方法を行う訓練済みニューラルネットワークを実装するのに使用される処理回路と同じである必要はない。例えば、ＦＰＧＡが、訓練済みニューラルネットワーク（例えば、相互接続および重みによって定義された）を作成するのに使用されてよく、またプロセッサおよびメモリは、訓練済みニューラルネットワークを実装するのに使用することができる。さらに、訓練済みニューラルネットワークの訓練および使用には、性能を向上するために、シリアル実装形態またはパラレル実装形態（例えば、グラフィックプロセッサアーキテクチャなどのパラレルプロセッサアーキテクチャに訓練済みニューラルネットワークを実装することによって）を用いてもよい。

【0042】

前述の説明では、具体的な詳細について述べている。しかし、本明細書の技法は、これらの具体的詳細からはそれるその他の実施形態において実施されてもよいこと、およびそのような詳細は、説明目的であって、制限するものではないことが理解されるべきである。本明細書に開示された実施形態は、添付の図面を参照して説明してきた。同様に、説明の目的のために、特定の数、材料、および構成が、完全な理解を提供するために記載されている。それでも、実施形態は、そのような特定の詳細なしに実施されてもよい。実質的に同一の機能構成を有する構成要素には、類似の参照符号が付され、そのためいずれかの重複する説明は省略される場合がある。

【0043】

種々の技法は、様々な実施形態の理解を助けるために、複数の別個の操作として記載されている。説明の順序は、これらの操作が必然的に順序に従うことを意味すると解釈されるべきではない。実際、これらの操作は、説明した順序で実施される必要はない。説明した操作は、上記実施形態とは異なる順序で実施されてもよい。種々の追加の操作が実施されてもよく、および／または記載された操作は、追加の実施形態において省略されてもよい。

【0044】

当業者はまた、依然として本発明の同じ目的を達成しながら、上述した技法の操作に対してなされた多くの変形形態が存在し得ることを理解するであろう。このような変形形態は、本開示の範囲に含まれることが意図される。このように、本発明の実施形態の上記の説明は、限定することを意図するものではない。さらに、添付の特許請求の範囲の要素のいずれかは、任意の他の特許請求の範囲の要素と共に使用されてよい。むしろ、本発明の実施形態に対するいずれの制限も、特許請求の範囲に示される。

【0045】

以上説明した少なくとも１つの実施形態によれば、動き補正を効率化することができる。

【0046】

本発明の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、変更を行なうことができる。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】

【0047】

８０００：ＰＥＴスキャナ
９０７０：処理回路

【図1】

【図2A】

【図2B】

【図3】

【図4A】

【図4B】

【図4C】

【図4D】

【図4E】

【図4F】

【図5】

【図6】