知財求人 - 知財ポータルサイト「IP Force」
特開2023-83198データ処理方法、訓練方法、情報処理装置、および散乱線補正プログラム
(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】P2023083198
(43)【公開日】2023-06-15
(54)【発明の名称】データ処理方法、訓練方法、情報処理装置、および散乱線補正プログラム
(51)【国際特許分類】
A61B 6/03 20060101AFI20230608BHJP
G06T 7/00 20170101ALI20230608BHJP
G06V 10/82 20220101ALI20230608BHJP
【ＦＩ】
A61B6/03 350K
G06T7/00 350C
G06V10/82
【審査請求】未請求
【請求項の数】21
【出願形態】ＯＬ
(21)【出願番号】P 2022070211
(22)【出願日】2022-04-21
(31)【優先権主張番号】17/542,245
(32)【優先日】2021-12-03
(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．ＶＩＳＵＡＬ ＢＡＳＩＣ
(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】110002147
【氏名又は名称】弁理士法人酒井国際特許事務所
(72)【発明者】
【氏名】ユジエ・リュウ
(72)【発明者】
【氏名】ツ チェン・リー
(72)【発明者】
【氏名】カイ・リャン
(72)【発明者】
【氏名】ジエン・ジョウ
(72)【発明者】
【氏名】ジョウ・ユウ
【テーマコード（参考）】
4C093
5L096
【Ｆターム（参考）】
4C093AA22
4C093CA07
4C093FC26
4C093FE14
5L096AA06
5L096BA06
5L096CA12
5L096HA11
(57)【要約】
【課題】散乱線補正のパラメータを精度良く決定して散乱線補正を行うこと。
【解決手段】本実施形態に係る散乱線補正のためのデータ処理方法は、放射線スキャンで取得される投影データに基づき再構成された第１の放射線画像データを取得し、１つまたは複数のトレーニングされた機械学習モデルを前記投影データと前記第１の放射線画像データとに適用して、散乱カーネルのパラメータを取得し、前記パラメータと前記投影データとを前記散乱カーネルに入力して、推定散乱分布データを取得し、前記推定散乱分布データを用いて前記投影データに散乱線補正を行い、補正後投影データを取得することを備える。
【選択図】図３
【特許請求の範囲】
【請求項1】
放射線スキャンで取得される投影データに基づき再構成された第１の放射線画像データを取得し、
１つまたは複数のトレーニングされた機械学習モデルを前記投影データと前記第１の放射線画像データとに適用して、散乱カーネルのパラメータを取得し、
前記パラメータと前記投影データとを前記散乱カーネルに入力して、推定散乱分布データを取得し、
前記推定散乱分布データを用いて前記投影データに散乱線補正を行い、補正後投影データを取得する、
ことを備える散乱線補正のためのデータ処理方法。
１つまたは複数のトレーニングされた機械学習モデルを前記投影データと前記第１の放射線画像データとに適用して、散乱カーネルのパラメータを取得し、
前記パラメータと前記投影データとを前記散乱カーネルに入力して、推定散乱分布データを取得し、
前記推定散乱分布データを用いて前記投影データに散乱線補正を行い、補正後投影データを取得する、
ことを備える散乱線補正のためのデータ処理方法。
【請求項2】
前記補正後投影データから第２の放射線画像データを再構成することをさらに備える、
請求項１に記載のデータ処理方法。
請求項１に記載のデータ処理方法。
【請求項3】
表示のために前記第２の放射線画像データを出力することをさらに備える、
請求項２に記載のデータ処理方法。
請求項２に記載のデータ処理方法。
【請求項4】
前記投影データは、コンピュータ断層撮影データであり、
前記補正後投影データは、ＣＴデータであり、
前記放射線スキャンは、Ｘ線ＣＴスキャンである、
請求項１に記載のデータ処理方法。
前記補正後投影データは、ＣＴデータであり、
前記放射線スキャンは、Ｘ線ＣＴスキャンである、
請求項１に記載のデータ処理方法。
【請求項5】
前記散乱カーネルは畳み込みカーネルである、
請求項１に記載のデータ処理方法。
請求項１に記載のデータ処理方法。
【請求項6】
前記１つまたは複数のトレーニングされた機械学習モデルは、ニューラルネットワークである、
請求項１に記載のデータ処理方法。
請求項１に記載のデータ処理方法。
【請求項7】
前記パラメータは、被スキャンジオメトリ、等価の単色エネルギー、反散乱グリッド、１つまたは複数の被スキャン材料に依存するパラメータを含む、
請求項１乃至６のいずれか一項に記載のデータ処理方法。
請求項１乃至６のいずれか一項に記載のデータ処理方法。
【請求項8】
散乱分布を定義するターゲットデータと、投影データと、放射線画像データとを有し、パラメータと投影データとを入力として受け付ける散乱線モデルのためのトレーニングデータセットを取得し、
前記トレーニングデータセットにおける前記投影データと前記放射線画像データとを１つまたは複数の機械学習モデルに適用して、前記散乱線モデルの前記パラメータを発生し、
前記散乱線モデルを使用して、前記発生されたパラメータと前記投影データとに基づいて、出力推定散乱分布データを発生し、
前記出力推定散乱分布データと前記ターゲットデータとを損失関数に適用して、損失値を取得し、
前記損失値に基づいて、前記１つまたは複数の機械学習モデルを更新する、
ことを備える、１つまたは複数の機械学習モデルをトレーニングする訓練方法。
前記トレーニングデータセットにおける前記投影データと前記放射線画像データとを１つまたは複数の機械学習モデルに適用して、前記散乱線モデルの前記パラメータを発生し、
前記散乱線モデルを使用して、前記発生されたパラメータと前記投影データとに基づいて、出力推定散乱分布データを発生し、
前記出力推定散乱分布データと前記ターゲットデータとを損失関数に適用して、損失値を取得し、
前記損失値に基づいて、前記１つまたは複数の機械学習モデルを更新する、
ことを備える、１つまたは複数の機械学習モデルをトレーニングする訓練方法。
【請求項9】
前記１つまたは複数の機械学習モデルのそれぞれは、個別のニューラルネットワークである、
請求項８に記載の訓練方法。
請求項８に記載の訓練方法。
【請求項10】
前記ターゲットデータは散乱分布を定義する、
請求項８に記載の訓練方法。
請求項８に記載の訓練方法。
【請求項11】
前記トレーニングデータセットを取得することは、
生投影データと生再構成画像データとを取得することと、
第１の前処理を前記生再構成画像データに行い、前記放射線画像データを発生することと、
第２の前処理を前記生投影データに行い、前記投影データを作成することと、
を含む、
請求項８乃至１０のいずれか一項に記載の訓練方法。
生投影データと生再構成画像データとを取得することと、
第１の前処理を前記生再構成画像データに行い、前記放射線画像データを発生することと、
第２の前処理を前記生投影データに行い、前記投影データを作成することと、
を含む、
請求項８乃至１０のいずれか一項に記載の訓練方法。
【請求項12】
前記１つまたは複数の機械学習モデルは、少なくとも２つの機械学習モデルを含み、
前記少なくとも２つの機械学習モデルの各機械学習モデルは、前記散乱線モデルの前記パラメータの１つまたは複数の個別のパラメータを出力する、
請求項８に記載の訓練方法。
前記少なくとも２つの機械学習モデルの各機械学習モデルは、前記散乱線モデルの前記パラメータの１つまたは複数の個別のパラメータを出力する、
請求項８に記載の訓練方法。
【請求項13】
前記損失値は、前記損失関数の勾配である、
請求項８に記載の訓練方法。
請求項８に記載の訓練方法。
【請求項14】
前記散乱線モデルは、畳み込みカーネルである、
請求項８に記載の訓練方法。
請求項８に記載の訓練方法。
【請求項15】
放射線スキャンで取得される投影データに基づき再構成された第１の放射線画像データを取得するデータ取得部と、
１つまたは複数のトレーニングされた機械学習モデルを前記投影データと前記第１の放射線画像データとに適用して、散乱線モデルのパラメータを発生するパラメータ発生部と、
前記パラメータと前記投影データとを入力として用いて前記散乱線モデルを適用して、推定散乱分布データを発生する推定散乱分布データ発生部と、
前記推定散乱分布データを用いて前記投影データに対して散乱線補正を実行し、補正後投影データを発生する散乱線補正部と、
を備える情報処理装置。
１つまたは複数のトレーニングされた機械学習モデルを前記投影データと前記第１の放射線画像データとに適用して、散乱線モデルのパラメータを発生するパラメータ発生部と、
前記パラメータと前記投影データとを入力として用いて前記散乱線モデルを適用して、推定散乱分布データを発生する推定散乱分布データ発生部と、
前記推定散乱分布データを用いて前記投影データに対して散乱線補正を実行し、補正後投影データを発生する散乱線補正部と、
を備える情報処理装置。
【請求項16】
前記１つまたは複数のトレーニングされた機械学習モデルは、ニューラルネットワークである、
請求項１５に記載の情報処理装置。
請求項１５に記載の情報処理装置。
【請求項17】
前記パラメータは、被スキャンジオメトリ、等価の単色エネルギー、反散乱グリッド、および１つまたは複数の被スキャン材料に依存するパラメータを含む、
請求項１５または１６に記載の情報処理装置。
請求項１５または１６に記載の情報処理装置。
【請求項18】
前記補正後投影データから第２の放射線画像を再構成する再構成部をさらに備える、請求項１５に記載の情報処理装置。
【請求項19】
前記１つまたは複数のトレーニングされた機械学習モデルは、投影データと放射線画像データとの両方を入力として受け付ける第１のトレーニングされた機械学習モデルを含む、
請求項１５に記載の情報処理装置。
請求項１５に記載の情報処理装置。
【請求項20】
前記１つまたは複数のトレーニングされた機械学習モデルは、
入力として投影データを受け付けるが放射線画像データを受け付けない第１のトレーニングされた機械学習モデルを含み、
入力として放射線画像データを受け付けるが投影データを受け付けない第２のトレーニングされた機械学習モデルを含む、
請求項１５に記載の情報処理装置。
入力として投影データを受け付けるが放射線画像データを受け付けない第１のトレーニングされた機械学習モデルを含み、
入力として放射線画像データを受け付けるが投影データを受け付けない第２のトレーニングされた機械学習モデルを含む、
請求項１５に記載の情報処理装置。
【請求項21】
コンピュータに、
放射線スキャンで取得される投影データに基づき再構成された第１の放射線画像データを取得し、
１つまたは複数のトレーニングされた機械学習モデルを前記投影データと前記第１の放射線画像データとに適用して、散乱カーネルのパラメータを取得し、
前記パラメータと前記投影データとを前記散乱カーネルに入力して、推定散乱分布データを取得し、
前記推定散乱分布データを用いて前記投影データに散乱線補正を行い、補正後投影データを取得すること、
を実現させる散乱線補正プログラム。
放射線スキャンで取得される投影データに基づき再構成された第１の放射線画像データを取得し、
１つまたは複数のトレーニングされた機械学習モデルを前記投影データと前記第１の放射線画像データとに適用して、散乱カーネルのパラメータを取得し、
前記パラメータと前記投影データとを前記散乱カーネルに入力して、推定散乱分布データを取得し、
前記推定散乱分布データを用いて前記投影データに散乱線補正を行い、補正後投影データを取得すること、
を実現させる散乱線補正プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本明細書に記載の実施形態は、概して、例えば、データ処理方法、訓練方法、情報処理装置、および散乱線補正プログラムに関する。
【背景技術】
【0002】
放射線撮影は、例えば患者身体の内部部材などの体内のオブジェクトの内部構造の画像を生成（例えば、再構成）できる。例えば、コンピュータ断層撮影（ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ：ＣＴ）スキャンは、異なる角度から撮影されたオブジェクトの複数のＸ線画像を用いて、当該オブジェクト内部のボリューム画像を再構成する。しかし、Ｘ線散乱により、再構成された画像の品質が劣化することがある。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】米国特許第１０５４２９４４号明細書
【発明の概要】
【発明が解決しようとする課題】
【0004】
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、散乱線補正のパラメータを精度良く決定して散乱線補正を行うことにある。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】
【0005】
本実施形態に係る散乱線補正のためのデータ処理方法は、放射線スキャンで取得される投影データに基づき再構成された第１の放射線画像データを取得し、１つまたは複数のトレーニングされた機械学習モデルを前記投影データと前記第１の放射線画像データとに適用して、散乱カーネルのパラメータを取得し、前記パラメータと前記投影データとを前記散乱カーネルに入力して、推定散乱分布データを取得し、前記推定散乱分布データを用いて前記投影データに散乱線補正を行い、補正後投影データを取得する。
【図面の簡単な説明】
【0006】
【発明を実施するための形態】
【0007】
撮像データ処理方法（データ処理方法）のいくつかの実施形態は、放射線スキャンで取得される投影データセットに基づいて再構成される第１の放射線画像データを得て、１つまたは複数のトレーニングされた機械学習モデルを前記投影データセットに適用して、散乱カーネルのパラメータセットを得て、前記パラメータセットと前記投影データセットを散乱カーネルに入力して、推定散乱分布データを得て、前記推定散乱分布データを用いて前記投影データセットに対して散乱線補正を行い、補正された投影データセットを得る、ことを含む。
【0008】
訓練方法のいくつかの実施形態は、入力としてパラメータセットと投影データとを受け付ける散乱線モデルのトレーニングデータセットであって、投影データと、放射線画像データと、散乱分布と定義するターゲットデータと、を含むトレーニングデータセットを得て、前記投影データと前記放射線画像データを１つまたは複数の機械学習モデルに適用して、前記散乱線モデルの前記パラメータを発生し、前記散乱線モデルを使用して、前記パラメータセットと前記投影データに基づき出力推定散乱分布データを発生し、前記出力推定散乱分布データと前記ターゲットデータを損失関数に適用して、損失値を得て、前記１つまたは複数の機械学習モデルを前記損失値に基づいて更新する、ことを含む。
【0009】
情報処理装置のいくつかの実施形態は、１つまたは複数のコンピュータ読み取り可能な記憶媒体と、１つまたは複数のプロセッサとを備える。前記１つまたは複数のプロセッサが前記１つまたは複数のコンピュータ読み取り可能な記憶媒体と連携することで、前記装置は放射線スキャンで取得される投影データセットに基づき再構成された第１の放射線画像データを得て、１つまたは複数のトレーニングされた機械学習モデルを前記投影データセットと前記第１の放射線画像データに適用して、散乱線モデルのパラメータセットを得て、前記散乱線モデルを適用して、前記パラメータセットと前記投影データセットとを入力として用いて、推定散乱分布データを得て、散乱線補正を前記投影データセットに前記推定散乱分布データを用いて行い、補正後投影データセットを得る。
【0010】
以下の段落で説明のための実施形態について記載する。その他の実施形態は、代替例、等価例、および変形例を含んでよい。また、説明のための実施形態はいくつかの新しい特徴を含んでよく、そして、特定の特徴はここに記載する装置、システム、方法の実施形態の一部において必須でなくてもよい。さらに、いくつかの実施形態は、下記の説明のための実施形態のうちの２つ以上からの特徴を含む。
【0011】
また、ここでは、接続詞「または」は一般的には包括の「または」を意味するが、排他的「または」であると明示される場合または文脈から排他的「または」でなければならない場合は、「または」は排他的「または」を意味する場合がある。さらに、ここで使用されているように、「第１」、「第２」等は順序的、連続的、または優先的関係を必ずしも示さないが、特に指定のない限り、ある部材、オペレーション、要素、グループ、コレクション、セット等を他のものより明確に区別するように使用される。
【0012】
また、本明細書および図面において、類似する参照番号は複数のビューを通して同一または対応する部材を示す。
【0013】
図１Ａは、医用撮像システム１０の実施形態の一例を示す。医用撮像システム１０は、少なくとも１つのスキャニング装置１００と、それぞれが空間構成されたコンピューティング装置（例えば、空間構成されたデスクトップコンピュータ、空間構成されたラップトップコンピュータ、空間構成されたサーバ）である１つまたは複数の画像発生装置１１０と、表示装置１２０と、を備える。
【0014】
スキャニング装置１００は、被検体（例えば患者）の領域（例えば、エリア、ボリューム、スライス）の放射線スキャンを行い、投影データを取得するように構成される。被検体の領域は１つまたは複数のオブジェクト（例えば、臓器、血管）を含んでよい。放射線スキャンのスキャニングモダリティは、例えば、コンピュータ断層撮影（ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ：ＣＴ）、陽電子放出断層撮影（ｐｏｓｉｔｒｏｎ ｅｍｉｓｓｉｏｎ ｔｏｍｏｇｒａｐｈｙ：ＰＥＴ）、Ｘ線撮影、およびトモシンセシスであってよい。
【0015】
当該１つまたは複数の画像発生装置１１０は、スキャニング装置１００から投影データを得て、当該投影データに基づいて被スキャン領域の再構成を定義する放射線画像データを発生する。また、再構成は、被スキャン領域の１つまたは複数の再構成された画像を含む。放射線画像データを発生するために、例えば、投影データが異なる角度または位置から取得された複数のグループの投影データを含む場合には、当該１つまたは複数の画像発生装置１１０は、当該投影データに再構成処理を行う。再構成処理の例として、フィルタ補正逆投影（例えば、ラドン変換）および近似画像再構成がある。
【0016】
当該１つまたは複数の画像発生装置１１０が被スキャン領域の再構成を発生した後、当該１つまたは複数の画像発生装置１１０は再構成を表示装置１２０に送り、表示装置１２０は当該再構成から再構成された１つまたは複数の再構成画像を表示する。
【0017】
図１Ｂは、スキャニング装置１００の実施形態の一例を示す。スキャニング装置１００は、ボウタイフィルタ１００３だけでなく、被検体５１に対して反対側に位置する放射線エミッタ１００１と放射線検出器１００２とを備える。放射線エミッタ１００１は、被検体５１の被スキャン領域を通り放射線検出器１００２により検出される放射線５５（例えばＸ線）を出射する。放射線検出器１００２は、検出された放射線５５に基づいて投影データ１０１０（例えば、複数のグループの投影データ１０１０）を発生する。本実施形態では、放射線エミッタ１００１は、先細りビーム（例えば、長方錘、方錘、円錘、楕円錘）の形状で放射線５５を出射する。従って、放射線検出器１００２は、湾曲した検出面を有する。しかし、いくつかの実施形態では、放射線エミッタ１００１は平行ビームの形状で放射線を出射する、または、放射線検出器１００２は平坦な検出面を有する。
【0018】
また本実施形態は、放射線検出器１００２の検出面側上または付近にコリメータ装置１００４を備える。図２に示すように、コリメータ装置１００４は複数のコリメータ板１００４１を備える。コリメータ板１００４１は、板面が放射線エミッタ１００１により出射される放射線５５の放射方向に対して平行に延びるように設けられる。さらにコリメータ板１００４１は、放射線検出器１００２の検出要素１００２１（例えば画素）の境界に位置してよい。
【0019】
また本実施形態では、放射線エミッタ１００１と放射線検出器１００２は、被検体５１を中心に回転するように構成される。このように、被検体５１に対して異なる角度で、放射線エミッタ１００１は被検体５１の被スキャン領域を通り放射線検出器１００２により検出される放射線５５を出射する。また、当該角度のそれぞれで、放射線検出器１００２は個別のグループの投影データ１０１０を発生する。当該角度は集合的に角度スキャニング範囲を定義する。例えば、一部の実施形態では角度スキャニング範囲は０から１８０°であり、また一部の実施形態では角度スキャニング範囲は０から３６０°である。さらに、スキャニング装置１００の一部の実施形態は、９００から１，２００個の角度で個別のグループの投影データを発生する。このように、例えばスキャニング装置１００が０から１８０°の範囲に等間隔わたる９００個の角度で投影データグループを発生すると、角度間の増分は０．２°となるだろう。また、例えばスキャニング装置１００が０から３６０°の範囲に等間隔わたる１，２００個の角度で投影データグループを発生すると、角度間の増分は０．３°となるだろう。
【0020】
放射線ビームが被検体５１を通るとき、放射線５５の一部は散乱することがある。例えば、図２は、散乱の実施形態の一例を示す。放射線５５は、散乱されなかった放射線（例えばＸ線）を含む主フラックス５６を含む。主フラックス５６に加えて、放射線５５は、１回の散乱イベントを経験した放射線（放射レイ）を含む１回散乱フラックス５７も含む。放射線５５はまた、複数回の散乱された放射線（放射レイ）を含むマルチ散乱フラックス５８（複数回散乱フラックスと称されることがある）も含む。放射線検出器１００２は、主フラックス５６（Ｐ（ｕ，ｖ））と（１回散乱フラックス５７と複数回散乱フラックス５８を含む）散乱フラックスＳ（ｕ，ｖ）とを両方含む合計フラックスＴ（ｕ，ｖ）を検出できる。散乱フラックスＳ（ｕ，ｖ）は、推定散乱分布データにより説明、または、その他定義されてよい。散乱フラックスＳ（ｕ，ｖ）の放射レイは、ここでは「散乱線」と称されることがある。
【0021】
コリメータ板１００４１がｚ軸方向に、または、約ｚ軸方向に延びるため、ｚ軸方向をトラバースする（ｚ軸方向に垂直な指向性コンポーネントを有する）散乱線を、コリメータ装置１００４で遮断できる。しかし、ｚ軸方向に進む（ｚ軸方向に垂直な指向性コンポーネントを有さない、または、ｚ軸方向に垂直な指向性コンポーネントが小さい）散乱線は、コリメータ装置１００４で遮断できない。このように、散乱フラックスＳ（ｕ，ｖ）はｚ軸方向に進む散乱線を含み、ｚ軸方向をトラバースする散乱線を含まない可能性がある。
【0022】
放射線撮像において、放射線検出器１００２により検出される散乱された放射線は画像の品質を落とし得る。例えば、コンピュータ断層撮影（ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ：ＣＴ）（例えば、広域ビームジオメトリを有するコーンビームＣＴ）における散乱されたＸ線は、高品質（例えば散乱フリー）な再構成画像を迅速かつ正確に発生する上で、悪い影響を及ぼし得る。効率の悪い散乱シミュレーション及び補償が画像品質に影響を及ぼし、結果として、ＣＴ画像再構成において画像コントラストの悪化、アーチファクトやその他のエラーを生じ得る。合計フラックスＴ（ｕ，ｖ）において検出された散乱線を補正し主フラックス５６を分離するために、測定された投影データ（合計フラックスＴ（ｕ，ｖ））を使用して、まず散乱フラックスＳ（ｕ，ｖ）を（例えば、散乱分布により説明されるように）推定し、次に主フラックス５６を残しつつ推定された散乱フラックスＳ（ｕ，ｖ）を合計フラックスＴ（ｕ，ｖ）から除去することができる。
【0023】
散乱線モデル（例えば、畳み込みカーネルなどの散乱カーネル）を、推定散乱分布（散乱フラックスＳ（ｕ，ｖ））を計算するために使用できる。散乱カーネルは、例えば、畳み込みカーネルであってもよい。すなわち、散乱線モデルは、畳み込みカーネルであってもよい。また、いくつかの散乱線モデルは、１回散乱フラックス５７とマルチ散乱フラックス５８とに相当する。推定散乱分布は、被スキャン領域内のオブジェクトの形状と、被スキャン領域内のオブジェクトの分布と、オブジェクトを構成する材料と、を含む変数に依存する。例えば、ある医用コンテキストでは、推定散乱分布は患者の形状と、患者内の患者の臓器の分布とに依存できる。散乱線モデルの各種実施形態は、これらの変数の一部または全てに相当し得るが、これらの散乱線モデルの精度は、パラメータ１１０３が正確でない場合は低下するだろう。
【0024】
散乱線モデルのいくつかの実施形態は、下記のダブルガウシアン・カーネルモデルなどのダブルガウシアン・カーネルモデルである。
このダブルガウシアン・カーネルモデルＧ０（ｃ，ｒ）は、レイリーおよびコンプトン散乱カーネルを、第１のレイリーパラメータＺＲとコンプトンパラメータＺＣの乗算に組み合わせる。ＺＲとＺＣは、等価の単色エネルギー（Ｅ）と被スキャンオブジェクトの材料に依存する。パラメータβＲ、αＲ、βＣ、およびαＣは、被スキャンジオメトリと等価の単色エネルギーと使用される反散乱グリッドだけでなく、被スキャンオブジェクトのレイリーパラメータにも依存する。（ｃ，ｒ）は、投影における検出器画素の列と行のインデックスであり、（ｕ，ｖ）は検出器の中心に対する座標距離である。よって、ＺＲ、ＺＣ、βＲ、αＲ、βＣ、およびαＣは調整可能なパラメータである。また、調節可能なパラメータを有する他の散乱線モデルを使用できる。例えば、散乱カーネルのパラメータは、被スキャンジオメトリ、等価の単色エネルギー、反散乱グリッド、１つまたは複数の被スキャン材料に依存するパラメータを含む。
【数1】
【0025】
図３は、画像再構成処理の実施形態の一例における情報のフローを示す。すなわち、図３は、データ処理方法の処理手順の概要の一例を示す図である。投影データ１０１０（例えば、ＣＴ投影データ）は、投影データ１０１０に基づいて放射線画像データ１１０１（第１の放射線画像データ）を発生する第１の再構成処理２０１Ａに入力される。すなわち、放射線スキャンで取得される投影データ１０１０に基づき再構成された第１の放射線画像データ１１０１が取得される。例えば、投影データ１０１０は、コンピュータ断層撮影データであり、放射線スキャンはＸ線ＣＴスキャンである。放射線画像データ１１０１は、被スキャン領域の１つまたは複数の再構成画像を定義し、投影データ１０１０は異なる角度または位置で取得された複数のセットの投影データ１０１０を含んでよい。再構成処理の例として、フィルタ逆投影（例えば、ラドン変換）および近似画像再構成がある。
【0026】
１つまたは複数のトレーニングされたニューラルネットワーク１５０１は、放射線画像データ１１０１と投影データ１０１０とを入力として用いて適用され、１つまたは複数のトレーニングされたニューラルネットワーク１５０１は、散乱線モデル１５０５（例えば、物理散乱カーネルとも称されることがある散乱カーネル）のパラメータ１１０３を出力する。例えば、１つまたは複数のトレーニングされた機械学習モデルを投影データ１０１０と第１の放射線画像データ１１０１とに適用して、散乱カーネルのパラメータ１１０３が取得される。すなわち、１つまたは複数のトレーニングされた機械学習モデルは、投影データ１０１０と放射線画像データ１１０１との両方を入力として受け付ける第１のトレーニングされた機械学習モデルを含んでいてもよい。また、１つまたは複数のトレーニングされたニューラルネットワーク１５０１は、ｚ軸方向に沿って進む散乱線であって、ｚ軸方向に延びるコリメータ板１００４１に遮断されない散乱線のために最適化されるパラメータ１１０３を出力してよい。１つまたは複数のトレーニングされたニューラルネットワーク１５０１は、放射線画像データ１１０１と投影データ１０１０の両方から特徴を抽出し、当該特徴に基づいてパラメータ１１０３を発生してよい。例えば、１つまたは複数のトレーニングされたニューラルネットワーク１５０１は、放射線画像データ１１０１から患者の形状と臓器の分布を抽出し、投影データ１０１０から光子吸収情報を抽出してよく、これによりパラメータ１１０３の精度を改善してよい。また、例えば、１つまたは複数のトレーニングされたニューラルネットワーク１５０１は、多層パーセプトロンニューラルネットワーク、畳み込みニューラルネットワーク、ディープスタッキング（ｄｅｅｐ ｓｔａｃｋｉｎｇ）ニューラルネットワーク、回帰ニューラルネットワーク、およびモジュラーニューラルネットワークのうちの１つまたは複数を含んでよい。すなわち、１つまたは複数のトレーニングされた機械学習モデルは、ニューラルネットワークである。
【0027】
トレーニングされたニューラルネットワーク１５０１を１つだけ含む実施形態では、当該１つのトレーニングされたニューラルネットワーク１５０１がパラメータ１１０３の全てを出力してよい。複数のトレーニングされたニューラルネットワーク１５０１を含む実施形態では、トレーニングされたニューラルネットワーク１５０１のそれぞれがパラメータ１１０３の個別のサブセットを出力してよく、サブセットは重ならなくてよい（すなわち、各パラメータ１１０３は、トレーニングされたニューラルネットワーク１５０１のうちの１つ、および１つだけにより出力される）。なお、１つまたは複数のトレーニングされた機械学習モデルは、入力として投影データ１０１０を受け付けるが放射線画像データ１１０１を受け付けない第１のトレーニングされた機械学習モデルを含み、入力として放射線画像データ１１０１を受け付けるが投影データ１０１０を受け付けない第２のトレーニングされた機械学習モデルを含んでいてもよい。
【0028】
その後、散乱線モデル１５０５は、パラメータ１１０３と投影データ１０１０とを入力として用いて適用され、散乱線モデル１５０５は、投影データ１０１０の一部または全てのための個別の散乱分布（例えば、散乱フラックスＳ（ｕ，ｖ））を定義する推定散乱分布データ１１０５を出力する。例えば、パラメータ１１０３と投影データ１０１０とを散乱カーネルに入力して、推定散乱分布データ１１０５が取得される。このように、推定散乱分布データ１１０５は、投影データ１０１０のための合計散乱分布を定義してよい。例えば、投影データ１０１０が複数のセットの投影データ１０１０（例えば、異なる角度または位置で取得された複数のセット）を含む場合、推定散乱分布データ１１０５はセットごとに個別の散乱分布を定義してよく、推定散乱分布データ１１０５の全ての組み合わせは、投影データ１０１０全ての合計散乱分布を定義してよい。
【0029】
その後、推定散乱分布データ１１０５と投影データ１０１０は、推定散乱分布データ１１０５に基づいて投影データ１０１０を補正する補正処理２０３に入力され、散乱が低減または除去された補正後投影データ１１０７を生成する。すなわち、推定散乱分布データ１１０５を用いて投影データ１０１０に散乱線補正を行い、補正後投影データ１１０７が取得される。例えば、補正後投影データ１１０７は、ＣＴデータである。その後、補正後投影データ１１０７は、第１の再構成処理２０１Ａと同じでも第１の再構成処理２０１Ａと異なっていてもよい第２の再構成処理２０１Ｂに入力される。第２の再構成処理２０１Ｂは、補正後投影データ１１０７に基づいて補正後放射線画像データ１１０９（第２の放射線画像データ）を発生する。すなわち、補正後投影データ１１０７から第２の放射線画像データ１１０９が再構成される。補正後放射線画像データ１１０９は、被スキャン領域の１つまたは複数の再構成された画像を定義する。
【0030】
図４は、画像再構成処理の実施形態の一例を示す。ここで説明される本操作フローおよび他の操作フローはそれぞれ所与の順番で示されているが、いくつかの実施形態では、当該操作の少なくとも一部を提示された順番とは異なる順番で行ってよい。異なる順番の例として、並列、並行、重複、再順序付け、同時、インクリメンタル、交互の順番が含まれる。操作フローのいくつかの実施形態は、ここで説明される２以上の操作フローからのブロックを含んでよい。このように、ここで説明される操作フローの他の実施形態は、ブロックを省略、ブロックを追加、ブロックの順序を変更、ブロックを組み合わせ、またはブロックを更に多くのブロックに分割してよい。
【0031】
さらに、ここで説明される操作フローは画像発生装置１１０により実行されるが、操作フローのいくつかの実施形態は２以上の画像発生装置１１０により、または、１つまたは複数の他の空間構成されたコンピューティング装置により実行される。
【0032】
フローはブロックＢ４００でスタートしブロックＢ４１０へ移り、画像発生装置１１０は、投影データ（例えば、複数セットの投影データ）を得る。投影データ１０１０は、１つまたは複数のスキャニング装置１００から、または、投影データ１０１０を記憶する装置（例えば、ネットワークに接続された記憶装置などの外部記憶装置）から得てよい。
【0033】
次に、ブロックＢ４２０で、画像発生装置１１０は、投影データ１０１０に基づいて第１の放射線画像データ１１０１を発生する。第１の放射線画像データ１１０１は、第１の再構成画像を定義する。
【0034】
その後フローはブロックＢ４３０へ移り、画像発生装置１１０は、散乱線モデル１５０５のためのパラメータ１１０３を発生するために、第１の放射線画像データ１１０１と投影データ１０１０を入力として用いて１つまたは複数のトレーニングされた機械学習モデルを適用する。その後、ブロックＢ４４０で、画像発生装置１１０は、推定散乱分布データ１１０５を発生するために、投影データ１０１０とパラメータ１１０３とを入力として用いて、散乱線モデル１５０５を適用する。
【0035】
フローはその後ブロックＢ４５０へ進み、画像発生装置１１０は、投影データ１０１０と推定散乱分布データ１１０５に基づいて補正後投影データ１１０７を発生する。例えば、画像発生装置１１０は、投影データ１０１０から推定散乱分布データ１１０５をサブトラクション（または他の方法では除去）してよい。このように、画像発生装置１１０は、（投影データ１０１０により説明される）合計フラックスＴ（ｕ，ｖ）から（推定散乱分布データ１１０５により定義される）散乱フラックスＳ（ｕ，ｖ）をサブトラクションして、（補正後投影データ１１０７により説明される）主Ｐ（ｕ，ｖ）を得ることができる。
【0036】
フローはその後ブロックＢ４６０へ進み、画像発生装置１１０は、補正後投影データ１１０７に基づいて、１つまたは複数の第２の再構成画像（１つまたは複数の補正後再構成画像）を定義する第２の放射線画像データ（補正後放射線画像データ）１１０９を発生する。また、画像発生装置１１０は、当該１つまたは複数の第２の再構成画像を表示装置１２０に表示してよい。すなわち、表示のために、第２の放射線画像データ１１０９が出力される。
【0037】
最後に、フローはブロックＢ４７０で終了する。
【0038】
図５は、画像再構成処理の実施形態の一例を示す。フローはブロックＢ５００でスタートしブロックＢ５０５へ移り、画像発生装置１１０は、投影データ（例えば、複数のセットの投影データ）１０１０を得る。投影データ１０１０は、１つまたは複数のスキャニング装置１００から、または、投影データ１０１０を記憶する装置から得てよい。次に、ブロックＢ５１０で、画像発生装置１１０は、投影データ１０１０に基づいて第１の放射線画像データ（例えば、１つまたは複数の第１の再構成画像）１１０１を発生する。
【0039】
その後フローはブロックＢ５１５へ移り、画像発生装置１１０は、散乱線モデル１５０５の選択を得る。例えば、画像発生装置１１０は、ユーザ入力から当該選択を得てよい、または、画像発生装置１１０は、当該選択を発生してもよい。画像発生装置１１０が当該選択を発生する実施形態では、当該選択の発生は投影データ１０１０または第１の放射線画像データ１１０１に基づいてよい。
【0040】
次に、ブロックＢ５２０では、画像発生装置１１０は、１つまたは複数のトレーニングされた機械学習モデルのそれぞれの選択を得る。例えば、画像発生装置１１０は、ユーザ入力から当該それぞれの選択を得てよい、または、画像発生装置１１０は、当該それぞれの選択を発生してもよい。画像発生装置１１０が当該それぞれの選択を発生する実施形態では、当該それぞれ選択の発生は、投影データ１０１０、第１の放射線画像データ１１０１、または選択された散乱線モデルに基づいてよい。
【0041】
その後フローはブロックＢ５２５へ移り、画像発生装置１１０は、選択された散乱線モデルのためのパラメータ１１０３を発生するために、第１の放射線画像データ１１０１と投影データ１０１０を入力として用いて、選択された１つまたは複数のトレーニングされた機械学習モデルを適用する。その後、ブロックＢ５３０で画像発生装置１１０は、推定散乱分布データを発生するために、投影データ１０１０とパラメータ１１０３とを入力として用いて、選択された散乱線モデルを適用する。
【0042】
その後フローはブロックＢ５３５へ進み、画像発生装置１１０は、投影データ１０１０と推定散乱分布データ１１０５に基づいて補正後投影データ１１０７を発生する。その後フローはブロックＢ５４０へ進み、画像発生装置１１０は、補正後投影データ１１０７に基づいて、１つまたは複数の第２の再構成データ（１つまたは複数の補正後再構成画像）を定義する第２の放射線画像データ（補正後放射線画像データ）１１０９を発生する。次にブロックＢ５４５で、画像発生装置１１０は、第２の放射線画像データ１１０９を表示装置１２０に出力する。
【0043】
最後に、フローはブロックＢ５５０で終了する。
【0044】
図６は、画像再構成処理の実施形態の一例を示す。フローはブロックＢ６００でスタートしブロックＢ６０５へ移り、画像発生装置１１０は、投影データ（例えば、複数のセットの投影データ）１０１０を得る。投影データ１０１０は、１つまたは複数のスキャニング装置１００から、または、投影データ１０１０を記憶する装置から得てよい。次に、ブロックＢ６１０で、画像発生装置１１０は、投影データ１０１０に基づいて第１の放射線画像データ１１０１を発生する。
【0045】
その後フローはブロックＢ６１５へ進み、画像発生装置１１０は、投影データ１０１０を前処理する、または、第１の放射線画像データ１１０１を前処理する。いくつかの実施形態では、当該前処理は投影データ１０１０または第１の放射線画像データ１１０１から１つまたは複数の特徴を抽出する。例えば、当該前処理は被スキャン領域内のオブジェクト（例えば臓器）の形状および位置を抽出してよく、また、被スキャン領域の材料または当該材料のプロパティを特定してよい。さらに、当該前処理は当該データを１つまたは複数のトレーニングされた機械学習モデル（または図７に示す１つまたは複数の散乱線モデル）に入れてよい。
【0046】
機械学習モデル用に前処理されていなく散乱線モデル用に前処理されていない投影データと放射線画像データ（例えば、図６のブロックＢ６１５、図８のブロックＢ８１５、図９のブロックＢ９２０、および図７の前処理１（１６０１Ａ）から前処理Ｎ（１６０１Ｃ）のいずれの処理も行われていない投影データ）は、ここでは生投影データと生放射線画像データと称されることがある。生投影データと生放射線画像データは、機械学習用にも散乱線モデル用にも（ブロックＢ６１５で行われるように）前処理を施されていないが、生投影データと生放射線画像データはデジタル信号へ適用されるその他の処理を施されていてもよい。例えば、生投影データはセンサーオフセット補正やログ変換を施されていてよい。また例えば、生投影データと生放射線画像データは、キャリブレーション、ビーム硬化補正、リングアーチファクト補正、ノイズリダクションを施されていてよい。
【0047】
その後フローはブロックＢ６２０へ移り、画像発生装置１１０は、ブロックＢ６１５の前処理の結果に少なくとも部分的に基づいて、散乱線モデル１５０５の選択を得る。例えば、画像発生装置１１０は、被スキャン領域内のオブジェクトの形状および位置に基づいて、または、被スキャン領域の材料または当該材料のプロパティに基づいて、当該選択を発生してよい。また、画像発生装置１１０は、被スキャン領域内のオブジェクトの形状および位置に基づいて、又は、被スキャン領域の材料または当該材料のプロパティに基づいて、散乱線モデルのリストを発生し、当該リストをユーザに提示し、当該リスト内の散乱線モデル１５０５の選択をユーザから受け付けてよい。
【0048】
次に、ブロックＢ６２５で画像発生装置１１０は、１つまたは複数のトレーニングされた機械学習モデルのそれぞれの選択を得る。例えば、画像発生装置１１０は、ユーザ入力から当該それぞれの選択を得てよい、または、画像発生装置１１０は、当該それぞれの選択を発生してよい。画像発生装置１１０が当該それぞれの選択を発生する実施形態では、当該それぞれ選択の発生は、投影データ１０１０、第１の放射線画像データ１１０１、ブロックＢ６１５で行われた前処理、または選択された散乱線モデルに基づいてよい。
【0049】
その後フローはブロックＢ６３０へ移り、画像発生装置１１０は、選択された散乱線モデルのためのパラメータ１１０３を発生するために、第１の放射線画像データ１１０１と投影データ１０１０とを入力として用いて、選択された１つまたは複数のトレーニングされた機械学習モデルを適用する。投影データ１０１０がブロックＢ６１５で前処理された場合は、前処理された投影データを、選択された１つまたは複数のトレーニングされた機械学習モデルへの入力として使用してよい。第１の放射線画像データ１１０１がブロックＢ６１５で前処理された場合は、前処理された第１の放射線画像データを、選択された１つまたは複数のトレーニングされた機械学習モデルへの入力として使用してよい。また、いくつかの実施形態は、生の第１の放射線画像データまたは生の投影データを入力として用いる。その後ブロックＢ６３５で、画像発生装置１１０は、推定散乱分布データ１１０５を発生するために、投影データとパラメータ１１０３とを入力として用いて、選択された散乱線モデルを適用する。
【0050】
その後フローはブロックＢ６４０へ進み、画像発生装置１１０は、投影データ１０１０と推定散乱分布データ１１０５に基づいて、補正後投影データ１１０７を発生する。その後フローはブロックＢ６４５へ進み、画像発生装置１１０は、補正後投影データ１１０７に基づいて、１つまたは複数の第２の再構成データ（１つまたは複数の補正後再構成画像）を定義する第２の放射線画像データ（補正後放射線画像データ）１１０９を発生する。次にブロックＢ６５０で、画像発生装置１１０は、第２の放射線画像データ１１０９を表示装置１２０に出力する。
【0051】
最後に、フローはブロックＢ６５５で終了する。
【0052】
図７は、トレーニング処理の実施形態の一例における情報のフローを示す。すなわち、図７は、１つまたは複数の機械学習モデルをトレーニングする訓練方法データ処理方法の処理手順の概要の一例を示す図である。１つまたは複数の機械学習モデルのそれぞれは、個別のニューラルネットワークであってもよい。また、１つまたは複数の機械学習モデルは、少なくとも２つの機械学習モデルを含んでいてもよい。このとき、少なくとも２つの機械学習モデルの各機械学習モデルは、散乱線モデル１５０５のパラメータ１１０３Ａ～Ｃの１つまたは複数の個別のパラメータを出力する。前処理オペレーション１６０１Ａ～Ｃが、投影データ１０１０（例えば、複数のセットの投影データ１０１０）と対応する放射線画像データ１１０１（対応する投影データ１０１０から発生される放射線画像データ１１０１）に対して、トレーニングデータセット７００から行われる。スキャニングオペレーションからの投影データ１０１０を投影データセット７０３と共に記憶してよく、また、対応する放射線画像データ１１０１を対応する放射線画像データセット７０５に記憶してよい。複数の投影データセット７０３と対応する放射線画像データセット７０５とを含む大量のトレーニングデータセット７００を、Ｘ線散乱が依存し得るいくつかの要因、例えばスキャニング装置ジオメトリ（例えばＣＴスキャニング装置ジオメトリ）、ソースエネルギースペクトラム、および患者のサイズおよび臓器分布、を説明するために使用できる。このように、いくつかの実施形態では、トレーニングデータセット７００は、複数のファントム投影データセット７０３（および対応する放射線画像データセット７０５）と、複数の患者投影データセット７０３（および対応する放射線画像データセット７０５）とを含み得る。複数のファントム投影データセット７０３の各ファントムは、所定の人間の解剖学的構造により、各ファントムが構成される形状、サイズ、材料の調節を介して選択可能である。加えて、および、患者の代表的母集団を考慮して、複数の患者投影データセット７０３は、単純な及び複雑な解剖学的構造の患者を含むように選択できる。当該データは、患者の形状、患者の解剖学的構造、臓器分布、サイズ、金属含有物、コントラストを特に含むバリエーション付きの典型的な患者データを含む。また、患者投影データセット７０３は、スキャニングｋＶｐおよび線量におけるバリエーションを含むように選択できる。
【0053】
また、各投影データセット７０３は対応するターゲットデータ７０７を有する。対応するターゲットデータ７０７は、散乱フラックスＳ（ｕ，ｖ）の少なくとも一部が除去された場合に対応する投影データセット７０３からの投影データが何であるか、を定義してよい。このように、対応するターゲットデータ７０７は、対応する投影データ７０３の散乱フラックスＳ（ｕ，ｖ）の一部（例えば、全てまたはほぼ全て）または全てを除外しつつ、対応する投影データ７０３の主フラックス５６を定義してよい。ニューラルネットワーク１５０１Ａ～Ｃはパラメータ１１０３Ａ～Ｃを出力するようにトレーニングされ、これらのパラメータ１１０３Ａ～Ｃは、散乱線モデル１５０５により適用されると、可能な限り近いターゲットデータ７０７に一致する推定散乱分布データ１１０５を散乱線モデル１５０５に出力させる。
【0054】
投影データセット７０３の対応するターゲットデータ７０７は、１つまたは複数の放射線検出器１００２での散乱分布（例えば合計散乱分布）を定義してよい。例えば、いくつかの実施形態では、合計散乱分布におけるポイント
での光子フラックスの具体的な強度を、下記のような放射伝達方程式のフォーマットで記述してよい。すなわち、ターゲットデータ７０７は、推定散乱分布を定義する。
ここで、
はポイント
、エネルギーＥ、方向
での光子フラックスの具体的な強度であり、
はＸ線源とボウタイ散乱に依存し、
はオブジェクトの面上のポイントを示し、
は境界面の垂直方向であり、
はＸ線ＣＴ，コンプトン、およびレイリー散乱の散乱断面であり、
は合計減衰係数である。
【数2】
【数3】
【数4】
【数5】
【数6】
【数7】
【数8】
【数9】
【数10】
【数11】
【0055】
トレーニング中に、前処理オペレーション１６０１Ａ～Ｃは、（個別の投影データセット７０３からの）投影データ１０１０と（個別の放射線画像データセット７０５からの）対応する放射線画像データ１１０１に対して行われる。本実施形態では、前処理１（１６０１Ａ）が放射線画像データ１１０１に行われ、前処理２（１６０１Ｂ）から前処理Ｎ（１６０１Ｃ）が投影データ１０１０に行われる。なお、Ｎは２より大きい正の整数（例えば、３，４，５，１０，１５）である。他の実施形態では、１より多い前処理オペレーションが放射線画像データ１１０１に行われる。また、いくつかの実施形態では、１より多い前処理オペレーションの出力が、散乱線モデル１５０５に入力される。また、いくつかの実施形態では、投影データ１０１０を入力として受け付ける全ての前処理オペレーションの出力が、ニューラルネットワーク１５０１Ａ～Ｃの少なくとも１つに入力される。
【0056】
ニューラルネットワーク１５０１Ａ～Ｃは、前処理オペレーション１６０１Ａ～Ｃの少なくとも一部の出力を入力として受け付ける。実施形態に応じて、ニューラルネットワーク１５０１Ａ～Ｃのそれぞれが前処理オペレーション１６０１Ａ～Ｃのうちの１つだけの出力を受け付けてよい、また、ニューラルネットワーク１５０１Ａ～Ｃのそれぞれが前処理オペレーション１６０１Ａ～Ｃのうちの２以上の出力を受け付けてもよい。例えば、図７では、ニューラルネットワーク１（１５０１Ａ）は、前処理１（１６０１Ａ）と前処理２（１６０１Ｂ）のうちの片方または両方の出力を入力として受け付けてよく、ニューラルネットワーク２（１５０１Ｂ）は前処理１（１６０１Ａ）と前処理２（１６０１Ｂ）のうちの片方または両方の出力を入力として受け付けてよい。
【0057】
ニューラルネットワーク１５０１Ａ～Ｃのそれぞれは、パラメータ１１０３Ａ～Ｃの１つまたは複数の個別のパラメータを出力する。また、散乱線モデル１５０５に入力される各パラメータ１１０３Ａ～Ｃ（例えば、式（１）のパラメータのそれぞれ）は、ニューラルネットワーク１５０１Ａ～Ｃのうちの１つ及び１つのみにより出力されてよい。
【0058】
パラメータ１１０３Ａ～Ｃおよび前処理Ｎ（１６０１Ｃ）の出力は、推定散乱分布データ１１０５を出力する散乱線モデル１５０５に入力される。いくつかの実施形態では、推定散乱分布データ１１０５（Ｓ（ｖｉｅｗ，ｃ，ｒ）を下記のように記述できる。
ここで、Ｃ１とＣ２はスキャンジオメトリに依存する係数であり、Ｉ０はボウタイフィルタ１００３後の入力エアカウントである。前方散乱線モデルであり得るＰＩｎＰは、前処理１（１６０１Ａ）と前処理２（１６０１Ｂ）を記述してよい。また、Ｇ０（ｃ，ｒ）を式（１）により記述してよい。
【数12】
【0059】
推定散乱分布データ１１０５とターゲットデータ７０７は１つまたは複数の損失関数１６０１に入力される。いくつかの実施形態では損失関数１６０１は１つだけであり、他の実施形態では損失関数１６０１は複数ある。例えば、いくつかの実施形態は、ニューラルネットワーク１５０１Ａ～Ｃごとに個別の損失関数１６０１を備え、またいくつかの実施形態は、ニューラルネットワーク１５０１Ａ～Ｃのサブセットに対して個別の損失関数１６０１を備える（ニューラルネットワーク１および２（１５０１Ａ～Ｂ）に対する損失関数１６０１と、ニューラルネットワークＮ（１５０１Ｃ）に対する損失関数１６０１）。このように、損失関数１６０１は、対応するニューラルネットワークを１つだけ有してよく、また、損失関数１６０１は、対応するニューラルネットワークを複数有してもよい。
【0060】
１つまたは複数の損失関数１６０１は、推定散乱分布データ１１０５とターゲットデータ７０７に基づいて、本実施形態では勾配である個別の損失値１６０５を出力する。個別の損失値１６０５（例えば、勾配）は、微分可能な散乱線モデル１５０５を介して、その後対応するニューラルネットワーク１５０１Ａ～Ｃを介してバックプロパゲートされる。例えば、ニューラルネットワーク１５０１Ａ～Ｃのそれぞれが個別の対応する損失関数１６０１を有する場合、各損失関数１６０１の個別の損失値１６０５は散乱線モデル１５０５を介して、その後損失関数１６０１の（ニューラルネットワーク１５０１Ａ～Ｃのうちの）個別の対応するニューラルネットワークを介してバックプロパゲートされる。
【0061】
例えば、バックプロパゲーションは、最急降下法（例えば、可変学習率付き、可変学習率およびモメンタム付き、レジリエントバックプロパゲーション（Ｒｅｓｉｌｉｅｎｔ ｂａｃｋｐｒｏｐａｇａｔｉｏｎ））、準ニュートン法（例えば、ブロイデン・フレッチャー・ゴールドファーブ・シャノン法、１ステップ割線法、レーベンバーグ・マーカート法）または共役勾配法（例えば、フレッチャー・リーブス更新、ポラク・リビエール更新、パウエル・ビールリスタート（Ｐｏｗｅｌｌ－Ｂｅａｌｅ ｒｅｓｔａｒｔ）、スケール共役勾配法）のうちの１つまたは複数を用いてよい。バックプロパゲーションを行うための最適化法は、勾配降下法、バッチ勾配降下法、確率的勾配降下法、およびミニバッチ確率的勾配降下法のうちの１つまたは複数を使用できる。加えて、最適化は、ディープネットワークにおける確率的勾配降下法の収束率を速める最適化アプローチにおいて、１つまたは複数のモメンタム更新法を用いて加速させることができる。モメンタム更新法は、例えば、ネステロフモメンタム法、または、Ａｄａｇｒａｄサブ勾配法、Ａｄａｇｒａｄ法のＡｄａｄｅｌｔａまたはＲＭＳＰｒｏｐパラメータ更新バリエーション、Ａｄａｍ適応最適化法などの適応法を含む。また、最適化法は、ヤコビ行列を更新ステップに組み入れることで、二次法を適用できる。
【0062】
バックプロパゲーションが終了した後、図７のトレーニング処理を繰り返すことができる。１つまたは複数のニューラルネットワーク１５０１Ａ～Ｃのトレーニングが完了したかを判断するために使用される事前に定義された停止基準が満たされるまで、トレーニング処理を繰り返すことができる。例えば、事前に定義された停止基準は、新規エラー（例えば損失値１６０５）または実行された繰り返しの総数が事前に定義された値を超えているかを評価できる。例えば、新規エラーが事前に定義された閾値を下回る、または、繰り返しの最大回数に達すると、停止基準を満たすことができる。
【0063】
図８は、ニューラルネットワークトレーニング処理の実施形態の一例を示す。フローは、ブロックＢ８００で開始しブロックＢ８０５へ移り、画像発生装置１１０は、トレーニングデータセットと、１つまたは複数のニューラルネットワークと、散乱線モデル１５０５と、を得る。すなわち、散乱線モデル１５０５のためのトレーニングデータセットが取得される。トレーニングデータセットは、散乱分布を定義するターゲットデータと、投影データと、放射線画像データとを有する。散乱線モデル１５０５は、パラメータと投影データとを入力として受け付ける。トレーニングデータセットを取得することは、生投影データと生再構成画像データとを取得することと、第１の前処理（例えば、図７に示す前処理１（１６０１Ａ）など）を生再構成画像データに行い、放射線画像データを発生することと、第２の前処理（例えば、図７に示す前処理２（１６０２Ｂ）など）を生投影データに行い、投影データを作成することとを含む。次に、ブロックＢ８１０で、画像発生装置１１０は、投影データセットと、放射線画像データセットと、ターゲットデータと、をトレーニングデータセット７００から選択する。投影データセットと、放射線画像データセットと、ターゲットデータとは互いに対応する。
【0064】
その後フローはブロックＢ８１５へ移り、画像発生装置１１０は、投影データセットからの投影データ（生投影データ）または放射線画像データセットからの放射線画像データ（生放射線画像データ）に対して前処理を行う。その後フローはブロックＢ８２０へ進み、画像発生装置１１０は、１つまたは複数のニューラルネットワークを適用して、生投影データまたは前処理後投影データと、生放射線画像データまたは前処理後放射線画像データと、を入力として用いて、散乱線モデル１５０５のための１つまたは複数のパラメータを発生する。すなわち、トレーニングデータセットにおける投影データと放射線画像データとを１つまたは複数の機械学習モデルに適用して、散乱線モデル１５０５のパラメータ１１０３Ａ～Ｃが発生される。
【0065】
次にブロックＢ８２５で、画像発生装置１１０は、散乱線モデル１５０５を適用して、１つまたは複数のパラメータと、生投影データまたは前処理後投影データとを入力として用いて、推定散乱分布データを発生する。すなわち、散乱線モデル１５０５を使用して、発生されたパラメータ１１０３Ａ～Ｃと投影データとに基づいて、出力推定散乱分布データが発生される。
【0066】
その後フローはブロックＢ８３０へ移り、画像発生装置１１０は、１つまたは複数の損失関数１６０１を適用して、ターゲットデータと出力推定散乱分布データを入力として用いて、１つまたは複数の勾配を発生する。換言すれば、出力推定散乱分布データとターゲットデータとを損失関数１６０１に適用して、損失値１６０５が取得される。各ニューラルネットワークは１つの損失関数１６０１にのみ対応するが、各損失関数は当該ニューラルネットワークのうちの１つまたは複数に対応してよい。また、各ニューラルネットワークは１つの勾配にのみ対応するが、各勾配は当該ニューラルネットワークの１つまたは複数に対応してよい。
【0067】
次にブロックＢ８３５で、画像発生装置１１０は、散乱線モデル１５０５を介して、その後１つまたは複数のニューラルネットワークのうちの対応するニューラルネットワークを介して、１つまたは複数の勾配をバックプロパゲートする。すなわち、損失値１６０５に基づいて、１つまたは複数の機械学習モデルが更新される。
【0068】
その後ブロックＢ８４０で、画像発生装置１１０は、１つまたは複数のニューラルネットワークのトレーニングが終了したか（例えば、事前に定義された停止基準が満たされたか）判断する。画像発生装置１１０が、１つまたは複数のニューラルネットワークのトレーニングが終了していない、と判断する場合（Ｂ８４０＝Ｎｏ）、フローは、ブロックＢ８１０へ戻り、画像発生装置１１０は、投影データセットと、放射線画像データセットと、ターゲットデータと、をトレーニングデータセット７００から選択する。選択された投影データセットと、放射線画像データセットと、ターゲットデータとは、過去に選択されたものであっても、過去に選択されていないものでもよい。画像発生装置１１０が、１つまたは複数のニューラルネットワークのトレーニングが終了した、と判断する場合（Ｂ８４０＝Ｙｅｓ）、フローはブロックＢ８４５へ進み、画像発生装置１１０は、１つまたは複数のトレーニングされたニューラルネットワークを記憶または出力し、フローが終了する。
【0069】
図９は、ニューラルネットワークトレーニング処理の実施形態の一例を示す。フローはブロックＢ９００でスタートしブロックＢ９０５へ移り、画像発生装置１１０は、トレーニングデータセットと、Ｎ個のニューラルネットワーク（Ｎは正の整数）と、散乱線モデル１５０５と、Ｌ個の損失関数（Ｌは正の整数）と、を得る。その後フローはブロックＢ９１０へ進み、画像発生装置１１０は、ネットワークインデックスｎを１（ｎ＝１）に設定し、損失関数インデックスｉを１（ｉ＝１）に設定する。
【0070】
その後フローはブロックＢ９１５へ進み、画像発生装置１１０は、投影データセットと、放射線画像データセットと、ターゲットデータと、をトレーニングデータセット７００から選択する。投影データセットと、放射線画像データセットと、ターゲットデータと、は互いに対応する。その後フローはブロックＢ９２０へ移り、画像発生装置１１０は、投影データセットからの投影データ（生投影データ）または放射線画像データセットからの放射線画像データ（生放射線画像データ）に対して前処理を行う。その後フローはブロックＢ９２５へ進み、画像発生装置１１０は、ニューラルネットワークｎを適用して、生投影データまたは前処理後投影データと、生放射線画像データまたは前処理後放射線画像データと、を入力として用いて、散乱線モデル１５０５のための１つまたは複数のパラメータを発生する。
【0071】
その後フローはブロックＢ９３０へ移り、画像発生装置１１０は、別のニューラルネットワークを適用すべきか（例えば、ｎ＜Ｎか）を判断する。画像発生装置１１０が別のニューラルネットワークを適用すべきと判断する場合は（Ｂ９３０＝Ｙｅｓ）、フローはブロックＢ９３５へ進み、画像発生装置１１０は、ネットワークインデックスｎを１つ増加し（例えば、ｎ＝ｎ＋１）、その後フローはブロックＢ９２５へ戻る。画像発生装置１１０が別のニューラルネットワークを適用すべきではないと判断する場合は（Ｂ９３０＝Ｎｏ）、フローはブロックＢ９４０へ移る。
【0072】
ブロックＢ９４０で、画像発生装置１１０は、散乱線モデル１５０５を適用して、発生されたパラメータ１１０３Ａ～Ｃと、生投影データまたは前処理後投影データと、を入力として用いて、出力推定散乱分布データを発生する。
【0073】
その後フローはブロックＢ９４５へ移り、画像発生装置１１０は、損失関数ｉを適用して、ターゲットデータと出力推定散乱分布データとを入力として用いて、勾配ｉ（損失値の一例）を発生する。各ニューラルネットワークは１つの損失関数にのみ対応するが、各損失関数は当該ニューラルネットワークのうちの１つまたは複数に対応してよい。また、各ニューラルネットワークは１つの勾配にのみ対応するが、各勾配は当該ニューラルネットワークの１つまたは複数に対応してよい。次にブロックＢ９５０で、画像発生装置１１０は、散乱線モデル１５０５を介して、その後損失関数ｉに対応する任意のニューラルネットワークを介して、勾配ｉをバックプロパゲートする。
【0074】
その後フローはブロックＢ９５５へ進み、画像発生装置１１０は、別の損失関数を適用すべきか（例えばｉ＜Ｌか）を判断する。画像発生装置１１０が別の損失関数を適用すべきと判断する場合は（Ｂ９５５＝Ｙｅｓ）、フローはブロックＢ９６０へ進み、画像発生装置１１０は、損失関数インテックスｉを１つ増加し（例えば、ｉ＝ｉ＋１）、フローはブロックＢ９４５へ戻る。画像発生装置１１０が別の損失関数を適用すべきではないと判断する場合は（Ｂ９５５＝Ｎｏ）、フローはブロックＢ９６５へ移る。
【0075】
その後ブロックＢ９６５で、画像発生装置１１０は１つまたは複数のニューラルネットワークのトレーニングが終了したか（例えば、１つまたは複数の事前に定義された停止基準が満たされたか）判断する。画像発生装置１１０が、１つまたは複数のニューラルネットワークのトレーニングは終了していない、と判断する場合（Ｂ９６５＝Ｎｏ）、フローはブロックＢ９１０へ戻る。画像発生装置１１０が、１つまたは複数のニューラルネットワークのトレーニングは終了した、と判断する場合（Ｂ９６５＝Ｙｅｓ）、フローはブロックＢ９７０へ進み、画像発生装置１１０は、１つまたは複数のトレーニングされたニューラルネットワークを記憶または出力し、フローが終了する。
【0076】
図１０は、医用撮像システム１０の実施形態の一例を示す。医用撮像システム１０は、空間構成されたコンピューティング装置である画像発生装置１１０と、スキャニング装置１００と、表示装置１２０と、を備える。本実施形態では、画像発生装置１１０とスキャニング装置１００は、１つまたは複数のネットワーク１９９を介して通信する。ネットワーク１９９は、ワイヤードネットワーク、ワイヤレスネットワーク、ＬＡＮ、ＷＡＮ、ＭＡＮ、およびＰＡＮを含んでよい。また、いくつかの実施形態では、当該装置は他のワイヤードまたはワイヤレスチャネルを介して通信する。
【0077】
画像発生装置１１０は、１つまたは複数のプロセッサ１１１と、１つまたは複数のＩ／Ｏコンポーネント１１２と、ストレージ１１３と、を備える。また、画像発生装置１１０のハードウェアコンポーネントは、１つまたは複数のバス１１４または他の電気接続を介して通信する。バス１１４の例として、ユニバーサルシリアルバス（ｕｎｉｖｅｒｓａｌ ｓｅｒｉａｌ ｂｕｓ：ＵＳＢ）、ＩＥＥＥ１３９４バス、ＰＣＩバス、アクセラレーテッドグラフィックスポート（Ａｃｃｅｌｅｒａｔｅｄ Ｇｒａｐｈｉｃｓ Ｐｏｒｔ：ＡＧＰ）バス、シリアルＡＴアタッチメント（Ｓｅｒｉａｌ ＡＴ Ａｔｔａｃｈｍｅｎｔ：ＳＡＴＡ）バス、スモールコンピュータシステムインターフェース（Ｓｍａｌｌ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍ Ｉｎｔｅｒｆａｃｅ：ＳＣＳＩ）バスがある。
【0078】
１つまたは複数のプロセッサ１１１は、マイクロプロセッサ（例えば、シングルコアマイクロプロセッサ、マルチコアマイクロプロセッサ）を備える１つまたは複数の中央演算処理装置（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔｓ：ＣＰＵ）又は、１つまたは複数のグラフィックスプロセッシングユニット（ｇｒａｐｈｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔｓ：ＧＰＵ）又は、１つまたは複数の特定用途向け集積回路（ａｐｐｌｉｃａｔｉｏｎ－ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ：ＡＳＩＣ）又は、１つまたは複数のフィールドプログラマブルゲートアレイ（ｆｉｅｌｄ－ｐｒｏｇｒａｍｍａｂｌｅ－ｇａｔｅ ａｒｒａｙ：ＦＰＧＡ）又は、１つまたは複数のデジタルシグナルプロセッサ（ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ：ＤＳＰ）又は、他の電子回路（例えば、他の集積回路）を備える。Ｉ／Ｏコンポーネント１１２は、表示装置１２０と、スキャニング装置１００と、ネットワーク１９９と、他の入力または出力装置（図示せず）と通信する通信コンポーネント（例えば、ＧＰＵ、ネットワークインターフェースコントローラ）を備える。他の入力または出力装置は、キーボード、マウス、印刷装置、タッチスクリーン、ライトペン、光学記憶装置、スキャナ、マイクロフォン、ドライブ、ジョイスティック、およびコントロールパッドを含んでよい。
【0079】
ストレージ１１３は、１つまたは複数のコンピュータ読み取り可能記憶媒体を備える。ここで使用されるように、コンピュータ読み取り可能記憶媒体は、例えば磁気ディスク（例えば、フロッピー（登録商標）ディスク、ハードディスク）、光学ディスク（例えば、ＣＤ、ＤＶＤ、ブルーレイ）、光磁気ディスク、磁気テープ、および半導体メモリ（例えば、不揮発性メモリカード、フラッシュメモリ、半導体ドライブ、ＳＲＡＭ、ＤＲＡＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ）などの製品を含むコンピュータ読み取り可能媒体を指す。ＲＯＭとＲＡＭの両方を備えてよいストレージ１１３は、コンピュータ読み取り可能データまたはコンピュータ実行可能命令を記憶できる。
【0080】
追加して、画像発生装置１１０は、データ取得モジュール（データ取得部）１１３Ａと、前処理モジュール（前処理部）１１３Ｂと、パラメータ発生モジュール（パラメータ発生部）１１３Ｃと、推定散乱分布データ発生モジュール（推定散乱分布データ発生部）１１３Ｄと、散乱線補正モジュール（散乱線補正部）１１３Ｅと、再構成モジュール（再構成部）１１３Ｆと、損失関数モジュール（損失値計算部）１１３Ｇと、バックプロパゲーションモジュール（逆伝播部）１１３Ｈと、通信モジュール（通信部）１１３Ｊと、を備える。モジュールは、ロジック又は、コンピュータ読み取り可能データ又は、コンピュータ実行可能命令を含む。図１０に示される実施形態では、モジュールはソフトウェア（例えば、Ａｓｓｅｍｂｌｙ、Ｃ、Ｃ＋＋、Ｃ♯、Ｊａｖａ（登録商標）、ＢＡＳＩＣ、Ｐｅｒｌ、Ｖｉｓｕａｌ Ｂａｓｉｃ）で実装される。しかし、いくつかの実施形態では、モジュールはハードウェア（例えば、カスタマイズされた回路）で実装される、または、ソフトウェアとハードウェアの組み合わせで実装される。モジュールが少なくとも部分的にソフトウェアで実装されると、当該ソフトウェアをストレージ１１３に記憶できる。また、いくつかの実施形態では、画像発生装置１１０は追加の又はより数の少ないモジュールを備え、当該モジュールはより数の少ないモジュールに組み合わせられる、または、当該モジュールはより数の多いモジュールに分割される。さらに、ストレージ１１３は、ニューラルネットワーク（または他の機械学習モデル）を記憶するニューラルネットワークレポジトリ１１３Ｋと、散乱線モデル１５０５を記憶する散乱線モデルレポジトリ１１３Ｌと、トレーニングデータセット７００と、を備える。
【0081】
データ取得モジュール１１３Ａは、例えばスキャニング装置１００から又は外部装置（例えば、ネットワーク１９９を介して通信する記憶装置）から投影データ１０１０を画像発生装置１１０に取得させる命令を含む。例えば、データ取得モジュール１１３Ａのいくつかの実施形態は、図４のブロックＢ４１０、図５のブロックＢ５０５、図６のブロックＢ６０５に説明されるオペレーションの少なくとも一部を画像発生装置１１０に行わせる命令を含む。すなわち、データ取得部は、例えば、放射線スキャンで取得される投影データ１０１０に基づき再構成された第１の放射線画像データ１１０１を取得する。
【0082】
前処理モジュール１１３Ｂは、画像発生装置１１０に前処理オペレーション１６０１Ａ～Ｃを投影データ１０１０または放射線画像データ１１０１に対して行わせる命令を含む。例えば、前処理モジュール１１３Ｂのいくつかの実施形態は、図６のブロックＢ６１５、図８のブロックＢ８１５、図９のブロックＢ９２０に説明されるオペレーションの少なくとも一部を画像発生装置１１０に行わせる命令を含む。
【0083】
パラメータ発生モジュール１１３Ｃは、１つまたは複数のニューラルネットワーク（または他の機械学習モデル）を適用して、投影データ（例えば、生投影データ、前処理後投影データ）と放射線画像データ（例えば生放射線画像データ、前処理後放射線画像データ）を入力として用いて、画像発生装置１１０に散乱線モデル１５０５のためのパラメータ１１０３を発生させる命令を含む。例えば、パラメータ発生モジュール１１３Ｃのいくつかの実施形態は、図４のブロックＢ４３０、図５のブロックＢ５２５、図６のブロックＢ６３０、図８のブロックＢ８２０、図９のブロックＢ９２５に説明されるオペレーションの少なくとも一部を画像発生装置１１０に行わせる命令を含む。すなわち、パラメータ発生部は、１つまたは複数のトレーニングされた機械学習モデルを投影データ１０１０と第１の放射線画像データ１１０１とに適用して、散乱線モデル１５０５のパラメータ１１０３を発生する。
【0084】
推定散乱分布データ発生モジュール１１３Ｄは、１つまたは複数の散乱線モデル１５０５を適用して、投影データ（例えば、生投影データ、前処理後投影データ）と発生されたパラメータ１１０３を入力として用いて、画像発生装置１１０に推定散乱分布データ１１０５を発生させる命令を含む。例えば、推定散乱分布データ発生モジュール１１３Ｄのいくつかの実施形態は、図４のブロックＢ４４０、図５のブロックＢ５３０、図６のブロックＢ６３５、図８のブロックＢ８２５、図９のブロックＢ９４０に説明されるオペレーションの少なくとも一部を画像発生装置１１０に行わせる命令を含む。すなわち、推定散乱分布データ発生部は、パラメータ１１０３と投影データ１０１０とを入力として用いて散乱線モデル１５０５を適用して、推定散乱分布データ１１０５を発生する。
【0085】
散乱線補正モジュール１１３Ｅは、投影データ（例えば、生投影データ、前処理後投影データ）と推定散乱分布データ１１０５に基づいて画像発生装置１１０に補正後投影データ１１０７を発生させる命令を含む。例えば、散乱線補正モジュール１１３Ｅのいくつかの実施形態は、図４のブロックＢ４５０、図５のブロックＢ５３５、図６のブロックＢ６４０に説明されるオペレーションの少なくとも一部を画像発生装置１１０に行わせる命令を含む。すなわち、散乱線補正部は、推定散乱分布データ１１０５を用いて投影データ１０１０に対して散乱線補正を実行し、補正後投影データ１１０７を発生する。
【0086】
再構成モジュール１１３Ｆは、投影データ（例えば、補正後投影データ１１０７）に基づいて画像発生装置１１０に放射線画像データ（例えば、補正後放射線画像データ）を発生させる命令を含む。例えば、再構成モジュール１１３Ｆのいくつかの実施形態は、図４のブロックＢ４２０とＢ４６０、図５のブロックＢ５１０とＢ５４０、図６のブロックＢ６１０とＢ６４５に説明されるオペレーションの少なくとも一部を画像発生装置１１０に行わせる命令を含む。すなわち、再構成部は、補正後投影データ１１０７から第２の放射線画像データ１１０９を再構成する。
【0087】
損失関数モジュール１１３Ｇは、推定散乱分布データ１１０５とターゲットデータ７０７とに基づいて画像発生装置１１０に損失関数１６０１の損失値（例えば、勾配）１６０５を計算させる命令を含む。例えば、損失関数モジュール１１３Ｇのいくつかの実施形態は、図８のブロックＢ８３０と図９のブロックＢ９４５に説明されるオペレーションの少なくとも一部を画像発生装置１１０に行わせる命令を含む。
【0088】
バックプロパゲーションモジュール１１３Ｈは、散乱線モデル１５０５とニューラルネットワーク（例えば、ニューラルネットワークを修正するために）を介して損失値（例えば、勾配）１６０５を画像発生装置１１０にバックプロパゲートさせ、ニューラルネットワークトレーニングが完了したかを画像発生装置１１０に判断させる命令を含む。例えば、バックプロパゲーションモジュール１１３Ｈのいくつかの実施形態は、図８のブロックＢ８３５～Ｂ８４０と図９のブロックＢ９５０～Ｂ９６５に説明されるオペレーションの少なくとも一部を画像発生装置１１０に行わせる命令を含む。
【0089】
通信モジュール１１３Ｊは、画像発生装置１１０にスキャニング装置１００と（データセットを記憶し得る）外部記憶装置を含む他の装置と通信させる命令を含む。
【0090】
また、画像発生装置１１０のいくつかの実施形態は、損失関数モジュール１１３Ｇ、バックプロパゲーションモジュール１１３Ｈ、トレーニングデータセット７００を省き、ニューラルネットワークをトレーニングしない。
【0091】
請求項の範囲は上述の実施形態に限定されず、各種変形例および同等のアレンジメントを含む。
【0092】
実施形態における技術的思想を散乱線補正プログラムで実現する場合、当該散乱線補正プログラムは、コンピュータに、放射線スキャンで取得される投影データ１０１０に基づき再構成された第１の放射線画像データ１１０１を取得し、１つまたは複数のトレーニングされた機械学習モデルを投影データ１０１０と第１の放射線画像データ１１０１とに適用して、散乱カーネルのパラメータ１１０３を取得し、パラメータ１１０３と投影データ１０１０とを散乱カーネルに入力して、推定散乱分布データ１１０５を取得し、推定散乱分布データ１１０５を用いて投影データ１０１０に散乱線補正を行い、補正後投影データ１１０７を取得すること、を実現させる。散乱線補正プログラムにおける各種処理の手順および効果は、実施形態と同様なため、説明は省略する。
【0093】
以上説明した少なくとも１つの実施形態によれば、散乱線補正のパラメータを決定することができる。
【0094】
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】
【0095】
１０ 医用撮像システム
５１ 被検体
５５ 放射線
５６ 主フラックス
５７ １回散乱フラックス
５８ 複数回散乱フラックス
１００ スキャニング装置
１１０ 画像発生装置
１１１ プロセッサ
１１２ Ｉ／Ｏコンポーネント
１１３ ストレージ
１１４ バス
１１３Ａ データ取得モジュール（データ取得部）
１１３Ｂ 前処理モジュール（前処理部）
１１３Ｃ パラメータ発生モジュール（パラメータ発生部）
１１３Ｄ 推定散乱分布データ発生モジュール（推定散乱分布データ発生部）
１１３Ｅ 散乱線補正モジュール（散乱線補正部）
１１３Ｆ 再構成モジュール（再構成部）
１１３Ｇ 損失関数モジュール（損失値計算部）
１１３Ｈ バックプロパゲーションモジュール（逆伝播部）
１１３Ｊ 通信モジュール（通信部）
１１３Ｋ ニューラルネットワークレポジトリ
１１３Ｌ 散乱線モデルレポジトリ
１２０ 表示装置
１９９ ネットワーク
７００ トレーニングデータセット
１００１ 放射線エミッタ
１００２ 放射線検出器
１００３ ボウタイフィルタ
１００４ コリメータ装置
１００２１ 検出要素
１００４１ コリメータ板
５１ 被検体
５５ 放射線
５６ 主フラックス
５７ １回散乱フラックス
５８ 複数回散乱フラックス
１００ スキャニング装置
１１０ 画像発生装置
１１１ プロセッサ
１１２ Ｉ／Ｏコンポーネント
１１３ ストレージ
１１４ バス
１１３Ａ データ取得モジュール（データ取得部）
１１３Ｂ 前処理モジュール（前処理部）
１１３Ｃ パラメータ発生モジュール（パラメータ発生部）
１１３Ｄ 推定散乱分布データ発生モジュール（推定散乱分布データ発生部）
１１３Ｅ 散乱線補正モジュール（散乱線補正部）
１１３Ｆ 再構成モジュール（再構成部）
１１３Ｇ 損失関数モジュール（損失値計算部）
１１３Ｈ バックプロパゲーションモジュール（逆伝播部）
１１３Ｊ 通信モジュール（通信部）
１１３Ｋ ニューラルネットワークレポジトリ
１１３Ｌ 散乱線モデルレポジトリ
１２０ 表示装置
１９９ ネットワーク
７００ トレーニングデータセット
１００１ 放射線エミッタ
１００２ 放射線検出器
１００３ ボウタイフィルタ
１００４ コリメータ装置
１００２１ 検出要素
１００４１ コリメータ板
【図1A】
【図1B】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】