特開 2023-80021 不均質ファントム領域の自律的識別のためのシステム及び方法

(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】P2023080021

(43)【公開日】2023-06-08

(54)【発明の名称】不均質ファントム領域の自律的識別のためのシステム及び方法

(51)【国際特許分類】

   A61B 6/03 20060101AFI20230601BHJP

【ＦＩ】

A61B6/03 360J

A61B6/03 360T

A61B6/03 F

A61B6/03 373

【審査請求】有

【請求項の数】20

【出願形態】ＯＬ

【外国語出願】

(21)【出願番号】P 2022175193

(22)【出願日】2022-11-01

(31)【優先権主張番号】17/536,323

(32)【優先日】2021-11-29

(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】ダッタ・アーカ

(72)【発明者】

【氏名】クリスタ・メー・マクルーア

(72)【発明者】

【氏名】ジョン・ムーア・ボウドリー

【テーマコード（参考）】

4C093

【Ｆターム（参考）】

4C093AA22

4C093AA26

4C093CA36

4C093EA07

4C093FD09

4C093FF16

4C093FF28

4C093GA01

4C093GA05

(57)【要約】      （修正有）

【課題】不均質ファントム領域の深層学習による自律的識別のためのシステム及び方法を提供する。
【解決手段】計算機実装型の方法が、プロセッサにおいて、様々な減弱係数の複数の物質を有する不均質領域を含むファントムの断層写真法画像を得るステップを含んでいる。方法はまた、プロセッサを介して、セグメント分割画像を形成するように断層写真法画像から不均質領域を自動でセグメント分割するステップを含んでいる。方法はさらに、プロセッサを介して、セグメント分割画像に基づいて断層写真法画像内で様々な減弱係数を有する複数の着目領域を自動で識別するステップを含んでいる。方法はさらにまた、プロセッサを介して、複数の着目領域の各々の着目領域を、複数の物質のうち特定の物質を表わすと自動でラベル付けするステップを含んでいる。方法はさらにまた、プロセッサを介して、断層写真法画像のラベル付き画像を出力するステップを含んでいる。
【選択図】図１

【特許請求の範囲】

【請求項1】

プロセッサにおいて、様々な減弱係数の複数の物質を有する不均質領域を含むファントムの断層写真法画像を得るステップと、
前記プロセッサを介して、セグメント分割（された）画像を形成するように前記断層写真法画像から前記不均質領域を自動でセグメント分割するステップと、
前記プロセッサを介して、前記セグメント分割画像に基づいて前記断層写真法画像内で様々な減弱係数を有する複数の着目領域を自動で識別するステップと、
前記プロセッサを介して、前記複数の着目領域の各々の着目領域を、前記複数の物質のうち特定の物質を表わすと自動でラベル付けするステップと、
前記プロセッサを介して、前記断層写真法画像のラベル付き画像を出力するステップと
を備えた計算機実装型の方法。

【請求項2】

前記プロセッサを介して、正しく配置されたファントムに対する前記ファントムの回転角度を自動で決定するステップを含んでいる請求項１に記載の計算機実装型の方法。

【請求項3】

前記回転角度を自動で決定するステップは、前記セグメント分割画像を、正しく配置されたファントムについての参照画像に対して比較することを含んでいる、請求項２に記載の計算機実装型の方法。

【請求項4】

前記プロセッサを介して、前記正しく配置されたファントムに対する前記ファントムの前記回転角度を出力するステップを含んでいる請求項２に記載の計算機実装型の方法。

【請求項5】

前記プロセッサを介して、前記複数の着目領域の各々の着目領域毎に少なくともラベル及び前記特定の物質の両方を有するテーブルを出力するステップを含んでいる請求項１に記載の計算機実装型の方法。

【請求項6】

前記複数の着目領域の各々の着目領域が、前記ファントム内の異なる棒を表わしている、請求項１に記載の計算機実装型の方法。

【請求項7】

前記断層写真法画像から前記不均質領域を自動でセグメント分割するステップは、前記セグメント分割画像を形成するために、前記断層写真法画像から前記不均質領域をセグメント分割するように訓練済み深層ニューラル・ネットワークを利用することを含んでいる、請求項１に記載の計算機実装型の方法。

【請求項8】

前記プロセッサを介して、複数の画像－ラベル対を含む訓練データを得るステップであって、各々の画像－ラベル対が、正しく配置されたファントムに対して回転した前記不均質領域を有する拡張断層写真法画像と、該拡張断層写真法画像の対応するセグメント分割画像とを含んでいる、得るステップと、
前記プロセッサを介して、前記訓練済み深層ニューラル・ネットワークを生成するように前記訓練データを利用して深層ニューラル・ネットワークを訓練するステップと
を含んでいる請求項７に記載の計算機実装型の方法。

【請求項9】

前記プロセッサを介して、未拡張断層写真法画像に対して拡張を実行することにより前記訓練データを生成するステップであって、拡張は前記不均質領域を無作為に回転させること及びノイズを加えることを含んでいる、生成するステップを含んでいる請求項８に記載の計算機実装型の方法。

【請求項10】

前記複数の着目領域を自動で識別するステップは、前記断層写真法画像内の多重連結ピクセル領域、及び予め画定された数よりも多い連結ピクセルから成るピクセル領域を識別することを含んでいる、請求項１に記載の計算機実装型の方法。

【請求項11】

各々の着目領域に自動でラベル付けするステップは、前記複数の着目領域についてラベル・マトリクスを生成することと、該ラベル・マトリクスを静的ルックアップ・テーブルに対して比較することとを含んでいる、請求項１に記載の計算機実装型の方法。

【請求項12】

各々の着目領域に自動でラベル付けするステップは、各々の着目領域毎に平均計算機式断層写真法値を算出することと、該平均計算機式断層写真法値を、特定の計算機式断層写真法値範囲を特定の物質に関連付ける動的ルックアップ・テーブルに対して比較することとを含んでいる、請求項１に記載の計算機実装型の方法。

【請求項13】

前記プロセッサを介して、各々の着目領域の前記ラベル付けに基づいて、前記複数の着目領域の１又は複数の着目領域についてそれぞれの較正ベクトルを算出するステップを含んでいる請求項１に記載の計算機実装型の方法。

【請求項14】

前記プロセッサを介して、各々の着目領域の前記ラベル付けに基づいて、品質保証試験の部分として画質計量を算出するステップを含んでいる請求項１に記載の計算機実装型の方法。

【請求項15】

プロセッサを介して、断層写真法イメージング・システムの較正を開始するステップと、
前記プロセッサを介して、前記断層写真法イメージング・システムを利用して、様々な減弱係数の複数の物質を有する不均質領域を含むファントムの断層写真法画像を得るステップと、
前記プロセッサを介して、セグメント分割画像を形成するように前記断層写真法画像から前記不均質領域を自動でセグメント分割するステップと、
前記プロセッサを介して、前記セグメント分割画像に基づいて前記断層写真法画像内で様々な減弱係数を有する複数の着目領域を自動で識別するステップと、
前記プロセッサを介して、前記複数の着目領域の各々の着目領域を、前記複数の物質のうち特定の物質を表わすと自動でラベル付けするステップと、
前記プロセッサを介して、各々の着目領域の前記ラベル付けに基づいて前記複数の着目領域の１又は複数の着目領域についてそれぞれの較正ベクトルを算出するステップと
を備えた計算機実装型の方法。

【請求項16】

前記プロセッサを介して、前記それぞれの較正ベクトルを記憶するステップを含んでいる請求項１５に記載の計算機実装型の方法。

【請求項17】

前記断層写真法画像から前記不均質領域を自動でセグメント分割するステップは、前記セグメント分割画像を形成するために、前記断層写真法画像から前記不均質領域をセグメント分割するように訓練済み深層ニューラル・ネットワークを利用することを含んでいる、請求項１５に記載の計算機実装型の方法。

【請求項18】

各々の着目領域に自動でラベル付けするステップは、各々の着目領域毎に平均計算機式断層写真法値を算出することを含んでいる、請求項１５に記載の計算機実装型の方法。

【請求項19】

プロセッサを介して、断層写真法イメージング・システムの品質保証試験を開始するステップと、
前記プロセッサを介して、前記断層写真法イメージング・システムを利用して、様々な減弱係数の複数の物質を有する不均質領域を含むファントムの断層写真法画像を得るステップと、
セグメント分割画像を形成するように前記断層写真法画像から前記不均質領域を自動でセグメント分割するステップと、
前記セグメント分割画像に基づいて前記断層写真法画像内で様々な減弱係数を有する複数の着目領域を自動で識別するステップと、
前記複数の着目領域の各々の着目領域を、前記複数の物質のうち特定の物質を表わすと自動でラベル付けするステップと、
前記プロセッサを介して、各々の着目領域の前記ラベル付けに基づいて画質計量を算出するステップと
を備えた計算機実装型の方法。

【請求項20】

前記断層写真法画像から前記不均質領域を自動でセグメント分割するステップは、前記セグメント分割画像を形成するために、前記断層写真法画像から前記不均質領域をセグメント分割するように訓練済み深層ニューラル・ネットワークを利用することを含んでいる、請求項１９に記載の計算機実装型の方法。

【発明の詳細な説明】

【技術分野】

【0001】

本書に開示される主題は、深層学習による不均質ファントム領域の自律的識別のためのシステム及び方法に関する。

【背景技術】

【0002】

容積測定医用撮像技術は、身体に関する三次元情報を収集するために多様な手法を用いている。例えば、計算機式断層写真法（ＣＴ）イメージング・システムは、多数の角度から患者を通過したＸ線ビームの減弱を測定する。これらの測定に基づいて、計算機が、放射線減弱を生じさせた患者の身体の部分の画像を再構成することができる。当業者には認められるように、これらの画像は、角度変位による一連の測定の別個の検査に基づく。ＣＴシステムは、走査対象の線減弱係数の分布を表わすデータを発生することに注目すべきである。次いで、データを再構成して画像を生成し、これらの画像は典型的には、画面に表示され、また印刷されてもフィルムに再現されてもよい。

【発明の概要】

【発明が解決しようとする課題】

【0003】

ＣＴシステムでは、較正工程時に、また品質保証（ＱＡ）試験のために、ファントムが一般に用いられている。均質なファントム（例えば単一の物質を用いて構成されたものであり、ファントム断面内では減弱係数は不変）の場合には、かかるファントムの内部領域を識別することは容易である。不均質ファントム（例えば多数の物質を用いて構成されたものであり、減弱係数が物質に応じてファントム画像内で変化する）は、単エネルギ型及び二重エネルギ型ＣＴスキャナのＱＡにおいて様々な画質パラメータ計量を決定して適合させるために広く用いられている。現在、ＱＡ試験の中間段階として様々な物質について着目領域（ＲＯＩ）を識別するために手動の介入が必要とされる。加えて、不均質ファントムは、多重エネルギ型光子計数ＣＴスキャナでの較正目的に有利となり得る。このように、上述の課題を果たすために、不均質ファントムＲＯＩの正確で且つ自律的な識別が必要とされている。

【課題を解決するための手段】

【0004】

本来請求される主題の範囲に沿った幾つかの実施形態を以下にまとめる。これらの実施形態は請求される主題の範囲を限定するためのものではなく、可能な実施形態の簡単な概要を掲げるためのみのものである。実際に、本発明は多様な形態を包含することができ、これらの形態は、以下に述べる実施形態と同様である場合も異なる場合もある。

【0005】

一実施形態では、計算機実装型の方法が提供される。この方法は、プロセッサにおいて、様々な減弱係数の複数の物質を有する不均質領域を含むファントムの断層写真法画像を得るステップを含んでいる。方法はまた、プロセッサを介して、セグメント分割（された）画像を形成するように断層写真法画像から不均質領域を自動でセグメント分割するステップを含んでいる。方法はさらに、プロセッサを介して、セグメント分割画像に基づいて断層写真法画像内で様々な減弱係数を有する複数の着目領域を自動で識別するステップを含んでいる。方法はさらにまた、プロセッサを介して、複数の着目領域の各々の着目領域を、複数の物質のうち特定の物質を表わすと自動でラベル付けするステップを含んでいる。方法はさらにまた、プロセッサを介して、断層写真法画像のラベル付き画像を出力するステップを含んでいる。

【0006】

一実施形態では、計算機実装型の方法が提供される。この方法は、プロセッサを介して、断層写真法イメージング・システムの較正を開始するステップを含んでいる。この方法はまた、プロセッサを介して、断層写真法イメージング・システムを利用して、様々な減弱係数の複数の物質を有する不均質領域を含むファントムの断層写真法画像を得るステップを含んでいる。方法はまた、プロセッサを介して、セグメント分割画像を形成するように断層写真法画像から不均質領域を自動でセグメント分割するステップを含んでいる。方法はさらに、プロセッサを介して、セグメント分割画像に基づいて断層写真法画像内で様々な減弱係数を有する複数の着目領域を自動で識別するステップを含んでいる。方法はさらにまた、プロセッサを介して、複数の着目領域の各々の着目領域を、複数の物質のうち特定の物質を表わすと自動でラベル付けするステップを含んでいる。方法はさらに、プロセッサを介して、各々の着目領域のラベル付けに基づいて複数の着目領域の１又は複数の着目領域についてそれぞれの較正ベクトルを算出するステップを含んでいる。

【0007】

一実施形態では、計算機実装型の方法が提供される。この方法、プロセッサを介して、断層写真法イメージング・システムの品質保証試験を開始するステップを含んでいる。方法は、プロセッサを介して、断層写真法イメージング・システムを利用して、様々な減弱係数の複数の物質を有する不均質領域を含むファントムの断層写真法画像を得るステップを含んでいる。方法はまた、プロセッサを介して、セグメント分割画像を形成するように断層写真法画像から不均質領域を自動でセグメント分割するステップを含んでいる。方法はさらに、プロセッサを介して、セグメント分割画像に基づいて断層写真法画像内で様々な減弱係数を有する複数の着目領域を自動で識別するステップを含んでいる。方法はさらにまた、プロセッサを介して、複数の着目領域の各々の着目領域を、複数の物質のうち特定の物質を表わすと自動でラベル付けするステップを含んでいる。方法はさらにまた、プロセッサを介して、各々の着目領域のラベル付けに基づいて画質計量を算出するステップを含んでいる。

【図面の簡単な説明】

【0008】

本主題のこれら及び他の特徴、観点、及び長所は、添付図面を参照しながら以下の詳細な説明を読めばさらに十分に理解されよう。全図面を通して、類似の文字は類似の部分を表わす。

【0009】

【図1】本開示の観点による患者のＣＴ画像を取得して該画像を処理するように構成された計算機式断層写真法（ＣＴ）システムの実施形態の模式図である。

【図2】本開示の観点による不均質ファントムを撮像するＸ線源及び多列Ｘ線検出器の概略図（例えばＸＹ平面で見た）である。

【図3】本開示の観点による不均質ファントム内の領域を識別する方法の流れ図である。

【図4】本開示の観点による静的ルックアップ・テーブル及びラベル付き又はアノテーション（注釈）付き断層写真法画像の一例を示す図である。

【図5】本開示の観点による動的ルックアップ・テーブル及びラベル付き又はアノテーション付き断層写真法画像の一例を示す図である。

【図6】本開示の観点による座標、番号、及び物質の説明を含むチャート例を示す図である。

【図7】本開示の観点による図３の方法の模式図である。

【図8】本開示の観点による不均質ファントム内の領域を識別するために深層ニューラル・ネットワークを訓練する方法の流れ図である。

【図9】本開示の観点による未拡張画像から訓練データを生成することについての模式図である。

【図10】本開示の観点によるさらなる訓練データを生成することについての模式図である。

【図11】本開示の観点による未拡張画像から生成される画像－ラベル対の訓練データの例を示す図である。

【図12】本開示の観点によるＲＯＩ位置決定アルゴリズムを利用した較正工程を実行する方法の流れ図である。

【図13】本開示の観点によるＲＯＩ位置決定アルゴリズムを利用したＱＡ試験工程を実行する方法の流れ図である。

【発明を実施するための形態】

【0010】

以下、１又は複数の特定の実施形態について記載する。これらの実施形態の簡潔な記載を掲げる試みにおいて、実際の具現化形態の全ての特徴が明細書に記載されている訳ではない。このようなあらゆる実際の具現化形態の開発時には、どの工学的プロジェクト又は設計プロジェクトとも同じく、開発者特有の目標を達成するために、具現化形態毎に異なり得るシステム関連の制約事項及び業務関連の制約事項の遵守等のように、具現化形態特有の多くの決定を下さねばならないことを認められたい。また、かかる開発努力は複雑で時間が掛かるかもしれないが、それでも本開示の利益を得る当業者にとっては設計、製造、及び製品化の定型的業務であることを認められたい。

【0011】

本主題の様々な実施形態の要素について述べるに当たり、単数不定冠詞、定冠詞、「該」及び「前記」等の用語は、当該要素の１又は複数が存在することを意味するものとする。また「備えている（comprising）」「含んでいる（including）」及び「有している（having）」の各用語は包括的であるものとし、所載の要素以外に付加的な要素が存在し得ることを意味する。さらに、以下の議論でのあらゆる数値例は非限定的であるものとし、従って、付加的な数値、範囲、及び百分率が、開示される実施形態の範囲内にある。

【0012】

本開示の観点についての一般的な背景を掲げると共に本書に記載される技術的概念の幾つかの理解及び説明を容易にするために、幾つかの一般化された情報を掲げる。

【0013】

本書で議論される深層学習（ＤＬ）アプローチは、人工ニューラル・ネットワークに基づくものであってよく、従って、深層ニューラル・ネットワーク、全結合ネットワーク、畳み込みニューラル・ネットワーク（ＣＮＮ）、パーセプトロン、エンコーダ－デコーダ、再帰型ネットワーク、ウェーブレット・フィルタ・バンク、Ｕ－Ｎｅｔ、敵対的生成ネットワーク（ＧＡＮ）、又は他のニューラル・ネットワーク・アーキテクチャの１又は複数を包含し得る。ニューラル・ネットワークは、ショートカット、活性化、バッチ正規化層、及び／又は他の特徴を含み得る。これらの手法を本書では深層学習手法として参照するが、この術語は、複数の層を有するニューラル・ネットワークである深層ニューラル・ネットワークの利用に特に関連して用いられる場合もある。

【0014】

本書で議論されるように、深層学習手法（深層機械学習、階層型学習、又は深層構造化学習としても知られる）は機械学習手法の一部門であり、データの数学的な表現と、かかる表現を学習して処理する人工ニューラル・ネットワークとを用いる。例として述べると、深層学習アプローチは、ある形式の着目データの高レベル抽象化を抽出し又はモデル化するために、１又は複数のアルゴリズムを用いることを特徴とし得る。このことは、各々の処理層が典型的には異なるレベルの抽象化に対応しているような１又は複数の処理層を用いて達成することができ、従って、各々の層は、所与の層の工程又はアルゴリズムの対象として、初期データの様々な側面又は前段の層の出力を潜在的に採用又は利用する（すなわち層の階層又はカスケード）。画像処理又は再構成の文脈では、このことは、異なる層がデータにおける異なる特徴レベル又は分解能に対応しているものとして特徴付けられ得る。一般的には、一つの表現空間から次レベルの表現空間への処理を工程の一つの「段階」と看做すことができる。工程の各々の段階が、別個のニューラル・ネットワークによって、又は一つのより大きいニューラル・ネットワークの異なる部分によって実行され得る。

【0015】

本開示は、不均質ファントム領域の深層学習による自律的識別のためのシステム及び方法を提供する（例えば着目領域位置決定アルゴリズムを介して）。開示される各実施形態は、ファントムの断層写真法画像を得る又は取得するステップを含んでいる（例えばＣＴスキャナを介して）。ファントムは、様々な又は異なる減弱係数の複数の物質を（例えば複数の棒［ロッド］の内部に）有する不均質領域を含んでいる。開示される各実施形態はまた、セグメント分割（された）画像（例えばセグメント分割マスク）を形成するために断層写真法画像から不均質領域を自動でセグメント分割するステップを含んでいる（例えば訓練済み深層ニューラル・ネットワークを介して）。開示される各実施形態はさらに、セグメント分割画像に基づいて断層写真法画像内で様々な減弱係数を有する複数の着目領域を自動で識別するステップを含んでいる。具体的には、開示される各実施形態は、正しく配置されたファントムに対するファントムの回転角度を自動で決定するステップを含んでいる（正しく配置されたファントムについての参照画像［例えば正解データの役割を果たす参照又はひな形のセグメント分割マスク］に対するセグメント分割マスクの比較を介して）。開示される各実施形態はさらにまた、複数の着目領域の各々の着目領域を、複数の物質のうち特定の物質を表わすと自動でラベル付けするステップを含んでいる。開示される各実施形態はさらにまた、断層写真法画像のラベル付き又はアノテーション（注釈）付き画像をラベル付き着目領域と共に出力するステップを含んでいる。幾つかの実施形態では、断層写真法画像内でのファントムの回転角度、並びに／又は各々の着目領域毎に少なくともラベル及び特定の物質の両方を有するチャートが出力される。開示される実施形態は、較正工程及びＱＡ工程において、ファントム・ハードウェアを一切変更する（例えば領域を識別するためにトレーサ／標識を追加する）ことなく、多重構造の利用を可能にする。加えて、深層ニューラル・ネットワークは、どのファントムを用いても、どの走査プロトコルにおいても、訓練され得る。不均質ファントム内で着目領域を自動で識別するこの能力は、領域識別の効果を保証しつつ手動介入を不要にする。

【0016】

以上の議論を踏まえて、図１は、本開示の観点による画像データを取得して処理するイメージング・システム１０の実施形態を示す。以下の実施形態は、計算機式断層写真法（ＣＴ）イメージング・システムに関して議論されるが、これらの実施形態はまた、他のイメージング・システム（例えばＸ線、ＰＥＴ、ＣＴ／ＰＥＴ、ＳＰＥＣＴ、核ＣＴ、及び磁気共鳴撮像等）と共に用いられることもできる。図示の実施形態では、システム１０は、Ｘ線投影データを取得し、投影データを断層写真法画像に再構成して、表示及び解析のために画像データを処理するように設計されたＣＴシステムである。ＣＴイメージング・システム１０は、Ｘ線源１２を含んでいる。本書で詳細に議論されるように、線源１２は、Ｘ線管又は固体放出構造のような１又は複数のＸ線源を含み得る。Ｘ線源１２は、本実施形態によれば、１又は複数のエネルギにあるＸ線ビーム２０を放出するように構成されている。

【0017】

幾つかの具現化形態では、線源１２は、被検体２４（例えば患者）又は着目する物体が配置された領域を通過する１又は複数のＸ線ビーム２０の寸法及び形状を画定するのに用いられるコリメータ２２の近傍に配置され得る。被検体２４はＸ線の少なくとも部分を減弱させる。得られる減弱後のＸ線２６は、複数の検出器素子によって形成される検出器アレイ２８に衝突する。各々の検出器素子が、ビームが検出器２８に衝突するときに当該検出器素子の位置に入射するＸ線ビームの強度を表わす電気信号を発生する。電気信号を取得し処理して、１又は複数の走査データセット又は再構成画像を生成する。

【0018】

システム制御器３０が、検査及び／又は較正の各プロトコルを実行すると共に、取得されたデータを処理するようにイメージング・システム１０の動作を指揮する。Ｘ線源１２に関して、システム制御器３０は、Ｘ線検査系列のために電力、焦点スポット位置、及び制御信号等を供給する。検出器２８はシステム制御器３０に結合されており、システム制御器３０は、検出器２８によって発生される信号の取得を指揮する。加えて、システム制御器３０は、モータ制御器３６を介して、イメージング・システム１０の構成要素及び／又は被検体２４を移動させるのに用いられる線形配置サブシステム３２及び／又は回転サブシステム３４の動作を制御することができる。システム制御器３０は、信号処理回路と、付設されているメモリ回路とを含み得る。かかる実施形態では、メモリ回路は、本書で議論されるステップ及び工程に従って、Ｘ線源１２を含めてイメージング・システム１０を動作させるために、また検出器２８によって取得されるデータを処理するために、システム制御器３０によって実行されるプログラム、ルーチン、及び／又は符号化されたアルゴリズムを記憶することができる。一実施形態では、システム制御器３０は、汎用計算機システム又は特定応用向け計算機システムのようなプロセッサ方式のシステムの全て又は部分として具現化され得る。

【0019】

線源１２は、システム制御器３０の内部に含まれるＸ線制御器３８によって制御され得る。Ｘ線制御器３８は、電力信号及びタイミング信号を線源１２に与えるように構成され得る。また、システム制御器３０はデータ取得システム（ＤＡＳ）４０を含み得る。ＤＡＳ４０は、検出器２８からの標本化されたアナログ信号のように検出器２８の読み出し電子回路によって収集されたデータを受け取る。次いで、ＤＡＳ４０は、計算機４２のようなプロセッサ方式のシステムによって後に行なわれる処理のためにデータをディジタル信号へ変換することができる。他の実施形態では、検出器２８が、標本化されたアナログ信号をディジタル信号へ変換した後に、データ取得システム４０へ伝送することができる。計算機４２は処理回路４４（例えば画像処理回路）を含み得る。計算機４２は、計算機４２によって処理されたデータ、計算機４２によって処理されるべきデータ、又は計算機４２のプロセッサ（例えば処理回路４４）によって実行されるべき命令を記憶し得る１又は複数の非一過性のメモリ装置４６を含んでいてもよいし、かかるメモリ装置４６と連絡していてもよい。例えば、計算機４２の処理回路４４は、計算機４２のメモリ、プロセッサのメモリ、ファームウェア、又は同様の実例であってよいメモリ４６に記憶された１又は複数の組の命令を実行することができる。本実施形態によれば、メモリ４６は、プロセッサによって実行されると、本書で議論されるような画像処理方法を実行する命令の組を記憶している。メモリ４６はまた、後にあらためて詳述されるように、不均質ファントム領域の自律的識別に利用され得る１又は複数のアルゴリズム及び／又はニューラル・ネットワーク４７を記憶している。

【0020】

計算機４２はまた、操作者ワークステーション４８を介して操作者によって与えられた命令及び走査パラメータ等に応じて、システム制御器３０によって実行可能にされる特徴（すなわち走査動作及びデータ取得）を制御するように構成され得る。システム１０はまた、操作者ワークステーション４８に結合された表示器５０を含むことができ、表示器５０は、関連システム・データを視認すること、再構成画像を観察すること、及び撮像を制御すること等を操作者が行なうことを可能にする。加えて、システム１０は、操作者ワークステーション４８に結合されて画像を印刷するように構成されたプリンタ５２を含み得る。表示器５０及びプリンタ５２はまた、計算機４２に直接接続されていてもよいし、操作者ワークステーション４８を介して接続されていてもよい。さらに、操作者ワークステーション４８は、医用画像保管通信システム（ＰＡＣＳ）５４を含んでいてもよいし、ＰＡＣＳ５４に接続されていてもよい。ＰＡＣＳ５４は、遠隔システム５６、放射線科情報システム（ＲＩＳ）、病院情報システム（ＨＩＳ）、又は内外の網に結合されることができ、異なる位置の第三者が画像データを入手し得るようにしている。

【0021】

さらに、計算機４２及び操作者ワークステーション４８が他の出力装置に結合されていてもよく、これらの出力装置は標準型又は特殊目的向けの計算機モニタ及び付設の処理回路を含み得る。さらに、１又は複数の操作者ワークステーション４８が、システム・パラメータを出力する、検査を依頼する、及び画像を観察する等のためにシステムに連結されていてよい。一般的には、表示器、プリンタ、ワークステーション、及びシステム内に提供される同様の装置は、データ取得構成要素に対して域内に位置していてもよいし、インターネット及び仮想私設網等のような１又は複数の構成変更可能な網を介して画像取得システムに連結されて施設又は病院内の他の場所や全く異なる位置等でこれらの構成要素から遠隔に位置していてもよい。

【0022】

以上の議論はイメージング・システム１０の様々な構成要素例を別個に扱ったが、これら様々な構成要素が一つの共通のプラットフォーム内又は相互接続されたプラットフォームに設けられていてもよい。例えば、計算機３０、メモリ３８、及び操作者ワークステーション４０は、本開示の観点に従って動作するように構成された汎用又は特殊目的向けの計算機又はワークステーションとしてまとめて設けられていてもよい。かかる実施形態では、汎用又は特殊目的向けの計算機は、システム１０のデータ取得構成要素に関して別個の構成要素として設けられてもよいし、かかる構成要素と共に一つの共通のプラットフォームに設けられていてもよい。同様に、システム制御器３０は、かかる計算機又はワークステーションの部分として設けられていてもよいし、画像取得専用の別個のシステムの部分として設けられていてもよい。

【0023】

全体的なイメージング・システム１０の以上の議論を踏まえて図２へ移ると、Ｘ線源１２及び検出器２８の一例（例えば複数の横列５８を有するもの）がＸＹ平面において図示されている。図示のように、コリメータ２２がＸ線源１２と検出器２８との間に配設されて、Ｘ線ビーム２０の形状を決定する。不均質ファントム６０がＸ線源１２と検出器２８との間に配設されており、後述するようにＣＴイメージング・システム（例えば図１のシステム１０）の較正工程及びＱＡ試験に利用され得る。不均質ファントム６０は、様々な又は異なる減弱係数の複数の物質を有する不均質領域６２を含んでいる。具体的には、各々の不均質領域６２は、異なる減弱係数の異なる物質で形成された棒（ロッド）６４であってよい。棒の幾つかが同じ物質を有していてもよい。棒の幾つかが、同じ物質を異なる濃度で有していてもよい。物質の例としては、カルシウム、ヨウ素、脂肪組織、水、鉄、組織を模した物質（例えば脳及び脂肪組織等）、及び血液を模した物質がある。

【0024】

本書に記載されているように、不均質ファントム内の様々な又は異なる減弱係数の領域（例えば棒）を自動で識別するための手法（例えば着目領域位置決定アルゴリズム）が用いられ得る。具体的には、これらの手法は、システム・ハードウェアと深層学習によるモデルとを組み合わせた全体論的アプローチを利用して、不均質ファントム内のこれらの領域を識別する。図３は、不均質ファントム内の領域を識別する方法６６の流れ図である。方法６６の１又は複数のステップが、図１のＣＴイメージング・システムの１又は複数の構成要素（例えば処理回路）によって実行されてもよいし、ＣＴイメージング・システムとは別個の又はＣＴイメージング・システムから遠隔に位置する装置によって実行されてもよい。

【0025】

方法６６は、不均質ファントムの断層写真法画像を得る又は取得するステップを含んでいる（ブロック６８）。断層写真法画像は、予め画定されているプロトコル（例えばｋＶ、ｍＡ、ボウタイ、回転速度、及びアパーチャ等）を利用して得ることができる。

【0026】

方法６６はまた、セグメント分割画像（例えばセグメント分割マスク）を形成するように、断層写真法画像から不均質領域（例えば様々な又は異なる減弱係数の複数の物質を有する領域）を自動でセグメント分割するステップを含んでいる（ブロック７０）。不均質領域のセグメント分割を実行するために、訓練済み深層ニューラル・ネットワークを利用することができる。幾つかの実施形態では、不均質領域のセグメント分割を実行するのに代替的な手法（例えばｉｆ－ｔｈｅｎ文）を利用してもよい。

【0027】

方法６６はさらに、正しく配置された不均質ファントム（又は予め画定されている位置にある不均質ファントム）に対する不均質ファントムの回転角度（例えば角度回転）を自動で決定するステップを含んでいる（ブロック７２）。回転角度を決定するステップは、断層写真法画像から導かれたセグメント分割画像を、正しく配置された不均質ファントムの参照画像に対して比較することを含んでいる。参照画像は、正しく配置された不均質ファントムの断層写真法画像から導かれたセグメント分割画像又はセグメント分割マスクであってよい。類似度指数を利用してセグメント分割画像と参照画像との間の比較に基づいて回転角度を決定してもよい。決定され得るファントムの回転角度についての制限はない。

【0028】

方法６６はさらにまた、セグメント分割画像に基づいて（すなわち決定された回転角度に基づいて）断層写真法画像内で様々な減弱係数を有する複数のＲＯＩを自動で識別するステップを含んでいる（ブロック７４）。複数のＲＯＩは、不均質ファントム内の不均質領域に対応している。ＲＯＩを識別するステップは、断層写真法画像内で多重連結（例えば８）ピクセル領域を識別することを含んでいる。ＲＯＩを識別するステップはまた、予め画定された数（例えば１００）よりも多い連結ピクセルから成るピクセル領域を識別することを含んでいる。

【0029】

方法６６はさらにまた、複数のＲＯＩの各々のＲＯＩを、様々な又は異なる減弱係数の物質のうち特定の物質を表わすものとして自動でラベル付けするステップを含んでいる（ブロック７６）。幾つかの実施形態では、ＲＯＩをラベル付けするステップは、複数のＲＯＩについてのラベル・マトリクスを生成し、このラベル・マトリクスを静的ルックアップ・テーブルに対して比較して、各々のＲＯＩを特定の物質を表わすものとしてラベル付けする／識別することを含んでいる。図４は、静的ルックアップ・テーブル７８及びラベル付き又はアノテーション付き断層写真法画像８０の一例である。図４では、ラベル付き画像８０において、各々のＲＯＩ８２が、ラベル・マトリクスのラベル８４（例えばＲ１、Ｒ２、及びＲ３等）に関連付けられている。図４の静的ルックアップ・テーブル７８においては、各々のラベル８４が特定の物質に対応している。幾つかの実施形態では、ＲＯＩにラベル付けするステップは、各々のＲＯＩ毎に平均ＣＴ値を算出し（例えばハンスフィールド単位［ＨＵ］で）、それぞれのＣＴ値を動的ルックアップ・テーブルと比較して物質を決定することを含んでいる。動的ルックアップ・テーブルは特定のＣＴ値範囲を特定の物質と関連付ける。図５は、動的ルックアップ・テーブル７８及びラベル付き又はアノテーション付き断層写真法画像８８の一例である。図５では、各々のＲＯＩ９０毎に平均ＣＴ値を決定している。図５の動的ルックアップ・テーブル８６では、各々の物質が特定のＣＴ値範囲（例えばＨＵ範囲）内と関連付けられている。

【0030】

図３へ戻り、方法６６はさらにまた、断層写真法画像のラベル付き又はアノテーション付き画像（例えば図４、図５のラベル付き断層写真法画像８０、８８）を出力するステップを含んでいる（ブロック９２）。幾つかの実施形態では、不均質ファントムの回転角度も出力される。幾つかの実施形態では、ラベル付き画像の各々のＲＯＩ毎に少なくともラベル及び特定の物質（又は該物質の濃度若しくは密度）を含むチャートも出力される。このチャートはまた、各々のＲＯＩについての座標を含んでいてもよい。出力され得るチャート９４の一例を図６に掲げる。

【0031】

図７は、図３の方法６６（例えばＲＯＩ位置決定アルゴリズム）の模式図である。図３に示すように、不均質ファントムの画像９６（例えばラベルなし断層写真法画像）が訓練済み深層ニューラル・ネットワーク９８（例えば訓練済み畳み込みニューラル・ネットワーク）に入力される。訓練済み深層ニューラル・ネットワーク９８は、様々な又は異なる減弱係数の複数の物質を有する不均質領域１０２を有する画像９６から、セグメント分割画像１００（例えばセグメント分割マスク）を形成する。セグメント分割画像１００は参照画像又はひな形画像に対して比較されて、ここから類似度指数１０４を用いて、正しく配置された不均質ファントム（又は予め画定された位置にある不均質ファントム）に対する画像９６での不均質ファントムの回転角度を決定することができる。着目領域は画像９６において、連結領域を識別する（参照番号１０６によって示す）と共に１００個よりも多いピクセルから成るピクセル領域を識別する（参照番号１０８によって示す）ことにより識別される。加えて、ラベル・マトリクスが、画像９６の着目領域について作成される（参照番号１１０によって示す）。画像９６の着目領域は、ラベル・マトリクスとルックアップ・テーブルとを比較することにより識別されてラベル付けされ得る（参照番号１１２によって示す）。画像９６のラベル付き又はアノテーション付き画像１１４が出力される。図示の方法のステップの全てを自動化することもできる。

【0032】

図８は、不均質ファントム内の領域を識別するために深層ニューラル・ネットワーク（例えば図７の深層ニューラル・ネットワーク９８）を訓練する方法１１６の流れ図である。方法１１６の１又は複数のステップが、図１のＣＴイメージング・システムの１又は複数の構成要素（例えば処理回路）によって実行されてもよいし、ＣＴイメージング・システムとは別個の又はＣＴイメージング・システムから遠隔に位置する装置によって実行されてもよい。

【0033】

方法１１６は、深層ニューラル・ネットワーク（例えば畳み込みニューラル・ネットワーク）のための訓練データを生成するステップを含んでいる（ブロック１１８）。図９に示すように、初期訓練データは、不均質ファントムの未拡張画像１２０（例えば断層写真法画像）を取り上げて、画像１２０に対して回転した中央部１２２を含む拡張画像又はデータ１３０を生成するように、画像１２０の周辺部１２６を不変に保ちつつ（画像１２８に示す）、画像１２０の中央部１２２を無作為に回転させる（画像１２３、１２４に示す）ことにより生成され得る。中央部１２２の回転度数が異なる画像１２０から一定数の拡張画像１３０が形成され得る。これらの拡張画像は、各々の拡張画像の不均質領域についてラベル（例えばセグメント分割画像又はセグメント分割マスク）を生成するように手動で処理され得る。このように、画像－ラベル対（拡張画像及びセグメント分割画像を含む）を拡張画像から生成することができる。

【0034】

これらの画像－ラベル対から、深層ニューラル・ネットワーク（例えば畳み込みニューラル・ネットワーク）が訓練されている間にさらなる訓練データ（元の訓練データとは異なる）を生成することができる。例えば、その場（in-place）データ拡張又は進行中（on-the-fly）データ拡張（例えばKeras深層学習ネットワーク・ライブラリのImageDataGeneratorクラスを利用）を用いて、追加の訓練データを生成することができる。図１０に示すように、画像のバッチ１３２を拡張画像－ラベル対のリポジトリ１３４から得、データ拡張を実行（参照番号１３６に示す）して無作為変換済みバッチ画像１３８を形成し、これらのバッチ画像１３８が、深層ニューラル・ネットワークを訓練するためのより大きい訓練データ集合１４０（拡張画像－ラベル対）を形成するように提供される。データ拡張は、無作為の並進及び回転、水平反転、垂直反転、幅シフト、及び高さシフトを含み得る。加えて、ノイズ（例えばガウス・ノイズ）を画像に導入することができる。図１１は、未拡張画像１４３から得られる拡張画像－ラベル対１４２の様々な例を掲げる。図１１の各々の拡張画像－ラベル対１４２は、拡張画像１４４及びセグメント分割画像１４６（例えば不均質領域についてのセグメント分割マスク）を含んでいる。

【0035】

図８へ戻り、方法１１６はまた、訓練データ（例えば画像－ラベル対）を得るステップを含んでいる（ブロック１４８）。方法１１６はさらに、不均質ファントムの入力画像から不均質領域をセグメント分割し得る訓練済み深層ニューラル・ネットワークを生成するように、深層ニューラル・ネットワークを訓練するステップを含んでいる（ブロック１５０）。この深層ニューラル・ネットワークは任意の走査プロトコルについて訓練され得ることを特記しておく。

【0036】

前述のように、ＲＯＩ位置決定アルゴリズム（例えば図３の方法６６）を較正工程に利用することもできる。図１２は、ＲＯＩ位置決定アルゴリズムを利用して較正工程を実行する方法１５２の流れ図である。方法１５２の１又は複数のステップが、図１のＣＴイメージング・システムの１又は複数の構成要素（例えば処理回路）によって実行されてもよいし、ＣＴイメージング・システムとは別個の又はＣＴイメージング・システムから遠隔に位置する装置によって実行されてもよい。

【0037】

方法１５２は、ＣＴスキャナ・システム（図１のＣＴイメージング・システム）の較正の実行を開始するステップを含んでいる（ブロック１５４）。方法１５２はまた、前述のような不均質ファントムの走査を実行するステップを含んでいる（ブロック１５６）。方法１５２はさらに、走査データを収集する又は得るステップ（ブロック１５８）と、不均質ファントムの断層写真法画像を形成するようにこの走査データに再構成を実行するステップ（ブロック１６０）とを含んでいる。方法１５２はさらにまた、不均質ファントムの断層写真法画像内で１又は複数の不均質領域を識別するステップを含んでいる（ブロック１６２）。不均質領域の識別は、前述のようにＲＯＩ位置決定アルゴリズムを利用して生ずる。方法１５２はさらにまた、１又は複数の識別された不均質領域から所要の値（例えばＣＴ値）を算出するステップを含んでいる（ブロック１６４）。方法１５２はさらにまた、１又は複数の不均質領域についてそれぞれの較正ベクトルを算出して記憶するステップを含んでいる（ブロック１６６）。方法１５２は、較正工程が完了したか否かを判定するステップを含んでいる（ブロック１６８）。完了していない場合には、方法１５２はブロック１５６へ戻る。完了した場合には、方法１５２は較正工程を終了するステップを含んでいる（ブロック１７０）。

【0038】

前述のように、ＲＯＩ位置決定アルゴリズム（例えば図３の方法６６）をＱＡ試験工程に利用することもできる。図１３は、ＲＯＩ位置決定アルゴリズムを利用してＱＡ試験工程を実行する方法１７２の流れ図である。方法１７２の１又は複数のステップが、図１のＣＴイメージング・システムの１又は複数の構成要素（例えば処理回路）によって実行されてもよいし、ＣＴイメージング・システムとは別個の又はＣＴイメージング・システムから遠隔に位置する装置によって実行されてもよい。

【0039】

方法１７２は、ＣＴスキャナ・システム（図１のＣＴイメージング・システム）のＱＡ試験の実行を開始するステップを含んでいる（ブロック１７４）。方法１７２はまた、ＣＴスキャナの放射線源と検出器との間に不均質ファントムを手動で配置するステップを含んでいる（ブロック１７６）。方法１７２はまた、不均質ファントムの走査を実行するステップを含んでいる（ブロック１７８）。方法１７２はさらに、走査データを収集する又は得るステップ（ブロック１８０）と、不均質ファントムの断層写真法画像を形成するようにこの走査データに再構成を実行するステップ（ブロック１８２）とを含んでいる。

【0040】

方法１７２は、不均質ファントムの中央領域を識別するステップを含んでいる（ブロック１８４）。方法１７２はまた、中央領域の識別に基づいて不均質ファントムが甚だしく不正に整列しているか否かを決定するステップを含んでいる（ブロック１８６）。不均質ファントムが甚だしく不正に整列している場合には、方法１７２は、不正整列が自動で補正され得るか否かを決定するステップを含んでいる（ブロック１８８）。不正整列が自動で補正され得ない場合には、方法１７２はブロック１７６へ戻る。不正整列が自動で補正され得る場合には、方法１７２は、軸横断平面においてテーブル位置を自動調節するステップ（ブロック１９０）と、且つ／又はｚ方向にテーブル位置を自動調節するステップ（ブロック１９２）とを含んでいる。

【0041】

不均質ファントムが甚だしく不正に整列している訳ではない場合には、方法１７２は、自律的ＲＯＩ配置のために、識別された中央領域を画像解析への入力として渡すステップを含んでいる（例えば前述のようなＲＯＩ位置決定アルゴリズムを利用）（ブロック１９４）。ＲＯＩ位置決定アルゴリズムは、微小な不正整列が少しでもあれば補正することができる（すなわち微調整を提供する）。方法１７２はまた、画質（ＩＱ）計量を算出するステップを含んでいる（ブロック１９６）。方法１７２はさらに、ＱＡ試験工程を終了するステップを含んでいる（ブロック１９８）。

【0042】

開示される実施形態の技術的効果としては、深層学習による不均質ファントム領域の自律的識別（例えば着目領域位置決定アルゴリズム）を提供することが挙げられる。開示される実施形態は、較正工程及びＱＡ工程において、ファントム・ハードウェアを一切変更する（例えば領域を識別するためにトレーサ／標識を追加する）ことなく、多重構造の利用を可能にする。加えて、深層ニューラル・ネットワークは、どのファントムを用いても、どの走査プロトコルにおいても、訓練され得る。不均質ファントム内で着目領域を自動で識別する能力は、領域識別の効果を保証しつつ手動介入を不要にする。

【0043】

本書に提示され請求される手法は、本技術分野を実証的に改善する実用性のある有形物及び具体例を参照して、かかる有形物及び具体例に適用されており、このようなものとして、抽象的ではなく、無形でもなく、単に理論的なものでもない。さらに、本明細書の末尾に添えられた任意の請求項が「然々の［作用を果たす］ための手段」又は「然々の［作用を果たす］ためのステップ」と指定された１又は複数の要素を含む場合には、かかる要素は合衆国法典第３５巻第１１２条（ｆ）の下で解釈されるものとする。但し、他の任意の態様で指定された要素を含む任意の請求項については、かかる要素は合衆国法典第３５巻第１１２条（ｆ）の下で解釈されるべきでないものとする。

【0044】

この書面の記載は、最適な態様を含めて本主題を開示し、また任意の装置又はシステムを製造して利用すること、任意の組み込まれた方法を実行することを含めてあらゆる当業者が主題を実施することを可能にするように実例を用いている。特許付与可能な主題の範囲は特許請求の範囲によって画定されており、当業者に想到される他の実例を含み得る。かかる他の実例は、特許請求の範囲の書字言語に相違しない構造要素を有する場合、又は特許請求の範囲の書字言語と非実質的な相違を有する等価な構造要素を含む場合には、特許請求の範囲内にあるものとする。

【符号の説明】

【0045】

１０ イメージング・システム
１２ Ｘ線源
２０ Ｘ線ビーム
２２ コリメータ
２４ 被検体
２６ 減弱後のＸ線
２８ 検出器アレイ
３０ システム制御器
３２ 線形配置サブシステム
３４ 回転サブシステム
５８ 検出器横列
６０ 不均質ファントム
６２ 不均質領域
６４ 棒
６６ 不均質ファントム内の領域を識別する方法
７８ 静的ルックアップ・テーブル
８０、８８ ラベル付き又はアノテーション付き断層写真法画像
８２、９０ ＲＯＩ
８４ ラベル
８６ 動的ルックアップ・テーブル
９４ チャート
９６ 不均質ファントムの画像
９８ 訓練済み深層ニューラル・ネットワーク
１００ セグメント分割画像
１０２ 不均質領域
１０４ 類似度指数
１１４ ラベル付き又はアノテーション付き画像
１１６ 不均質ファントム内の領域を識別するために深層ニューラル・ネットワークを訓練する方法
１２０ 未拡張画像
１２２ 中央部
１２３、１２４ 中央部が回転した画像
１２６ 周辺部
１２８ 周辺部が不変に保たれた画像
１３０ 拡張画像又はデータ
１４２ 拡張画像－ラベル対
１４３ 未拡張画像
１４４ 拡張画像
１４６ セグメント分割画像
１５２ ＲＯＩ位置決定アルゴリズムを利用して較正工程を実行する方法
１７２ ＲＯＩ位置決定アルゴリズムを利用してＱＡ試験工程を実行する方法

【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】

【外国語明細書】