知財求人 - 知財ポータルサイト「IP Force」
(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】P2024173772
(43)【公開日】2024-12-12
(54)【発明の名称】医用画像処理装置および医用画像処理方法
(51)【国際特許分類】
A61B 6/03 20060101AFI20241205BHJP
【ＦＩ】
A61B6/03 570F
A61B6/03 560T
【審査請求】未請求
【請求項の数】11
【出願形態】ＯＬ
(21)【出願番号】P 2024086145
(22)【出願日】2024-05-28
(31)【優先権主張番号】18/327,372
(32)【優先日】2023-06-01
(33)【優先権主張国・地域又は機関】US
(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】ジョセフ・ヘンリー
【テーマコード（参考）】
4C093
【Ｆターム（参考）】
4C093AA22
4C093AA24
4C093BA17
4C093CA34
4C093FD03
4C093FF34
4C093FF37
(57)【要約】
【課題】ユーザの負担を抑えて、被検体の被ばく低減を図ることである。
【解決手段】実施形態に係る医用画像処理装置は、第１のスキャン設定を用いて取得された位置決めのために使用に適する３次元のスキャノグラム画像データを含むＣＴ画像データを取得し、ＣＴ画像データを、第１のスキャン設定を用いて取得されたＣＴ画像データの第１の画像スタイルを、第１のスキャン設定とは異なり、ＣＴ血管造影画像データでのサブトラクションに用いられる非コントラストＣＴスキャンの設定に対応する第２のスキャン設定を用いて取得されたＣＴ画像データの第２の画像スタイルにスタイル変換する機械学習モデルに入力することで、ＣＴ画像データの画素値が補正された補正済ＣＴ画像データを出力する処理部と、を備える。
【選択図】図２
【解決手段】実施形態に係る医用画像処理装置は、第１のスキャン設定を用いて取得された位置決めのために使用に適する３次元のスキャノグラム画像データを含むＣＴ画像データを取得し、ＣＴ画像データを、第１のスキャン設定を用いて取得されたＣＴ画像データの第１の画像スタイルを、第１のスキャン設定とは異なり、ＣＴ血管造影画像データでのサブトラクションに用いられる非コントラストＣＴスキャンの設定に対応する第２のスキャン設定を用いて取得されたＣＴ画像データの第２の画像スタイルにスタイル変換する機械学習モデルに入力することで、ＣＴ画像データの画素値が補正された補正済ＣＴ画像データを出力する処理部と、を備える。
【選択図】図２
【特許請求の範囲】
【請求項1】
第１のスキャン設定を用いて取得された位置決めのために使用に適する３次元のスキャノグラム画像データを含むＣＴ画像データを取得し、
前記ＣＴ画像データを、前記第１のスキャン設定を用いて取得された前記ＣＴ画像データの第１の画像スタイルを、前記第１のスキャン設定とは異なり、ＣＴ血管造影画像データでのサブトラクションに用いられる非コントラストＣＴスキャンの設定に対応する第２のスキャン設定を用いて取得されたＣＴ画像データの第２の画像スタイルにスタイル変換する機械学習モデルに入力することで、前記ＣＴ画像データの画素値が補正された補正済ＣＴ画像データを出力する処理部と、
を備える医用画像処理装置。
前記ＣＴ画像データを、前記第１のスキャン設定を用いて取得された前記ＣＴ画像データの第１の画像スタイルを、前記第１のスキャン設定とは異なり、ＣＴ血管造影画像データでのサブトラクションに用いられる非コントラストＣＴスキャンの設定に対応する第２のスキャン設定を用いて取得されたＣＴ画像データの第２の画像スタイルにスタイル変換する機械学習モデルに入力することで、前記ＣＴ画像データの画素値が補正された補正済ＣＴ画像データを出力する処理部と、
を備える医用画像処理装置。
【請求項2】
前記処理部は、前記補正済ＣＴ画像データと前記ＣＴ血管造影画像データとのサブトラクションをさらに行う、
請求項１に記載の医用画像処理装置。
請求項１に記載の医用画像処理装置。
【請求項3】
前記第１のスキャン設定は、前記第２のスキャン設定よりも低い線量、低い解像度、および広い視野を含む、
請求項１に記載の医用画像処理装置。
請求項１に記載の医用画像処理装置。
【請求項4】
前記第１のスキャン設定は第１の解像度を含み、前記第２のスキャン設定は前記第１の解像度より高い第２の解像度を含むこと、
前記第１のスキャン設定は第１の視野を含み、前記第２のスキャン設定は前記第１の視野より狭い第２の視野を含むこと、
前記第１のスキャン設定は、前記第２のスキャン設定に存在しないフィルタを含むこと、
前記第１のスキャン設定は第１の放射線量を含み、前記第２のスキャン設定は前記第１の放射線量より第２の高い放射線量を含むこと、
前記第１のスキャン設定は第１の管電流を含み、前記第２のスキャン設定は前記第１の管電流とは異なる第２の管電流を含むこと、
前記第１のスキャン設定は第１のヘリカルピッチを含み、前記第２のスキャン設定は前記第１のヘリカルピッチとは異なる第２のヘリカルピッチを含むこと、
前記第１のスキャン設定は第１の再構成パラメータを含み、前記第２のスキャン設定は前記第１の再構成パラメータとは異なる第２の再構成パラメータを含むこと、のうちの少なくとも１つである、
請求項１に記載の医用画像処理装置。
前記第１のスキャン設定は第１の視野を含み、前記第２のスキャン設定は前記第１の視野より狭い第２の視野を含むこと、
前記第１のスキャン設定は、前記第２のスキャン設定に存在しないフィルタを含むこと、
前記第１のスキャン設定は第１の放射線量を含み、前記第２のスキャン設定は前記第１の放射線量より第２の高い放射線量を含むこと、
前記第１のスキャン設定は第１の管電流を含み、前記第２のスキャン設定は前記第１の管電流とは異なる第２の管電流を含むこと、
前記第１のスキャン設定は第１のヘリカルピッチを含み、前記第２のスキャン設定は前記第１のヘリカルピッチとは異なる第２のヘリカルピッチを含むこと、
前記第１のスキャン設定は第１の再構成パラメータを含み、前記第２のスキャン設定は前記第１の再構成パラメータとは異なる第２の再構成パラメータを含むこと、のうちの少なくとも１つである、
請求項１に記載の医用画像処理装置。
【請求項5】
前記機械学習モデルは、解剖学的特徴に基づく第１の損失と、画像強度に基づく第２の損失とによりトレーニングされたトレーニングモデルを含む、
請求項１に記載の医用画像処理装置。
請求項１に記載の医用画像処理装置。
【請求項6】
前記第１の損失は、前記第１のスキャン設定により取得したＣＴ画像データに基づく、
請求項５に記載の医用画像処理装置。
請求項５に記載の医用画像処理装置。
【請求項7】
前記第２の損失は、前記第２のスキャン設定により取得したＣＴ画像データに基づく、
請求項５に記載の医用画像処理装置。
請求項５に記載の医用画像処理装置。
【請求項8】
前記トレーニングモデルは前記補正済ＣＴ画像データを直接的に予測すること、
前記トレーニングモデルは、前記補正済ＣＴ画像データを得るために、前記ＣＴ画像データに加えられる残差を予測すること、
前記トレーニングモデルは、前記補正済ＣＴ画像データを得るために、前記ＣＴ画像データに適用される変換関数を予測すること、のうちの少なくとも１つである、
請求項５に記載の医用画像処理装置。
前記トレーニングモデルは、前記補正済ＣＴ画像データを得るために、前記ＣＴ画像データに加えられる残差を予測すること、
前記トレーニングモデルは、前記補正済ＣＴ画像データを得るために、前記ＣＴ画像データに適用される変換関数を予測すること、のうちの少なくとも１つである、
請求項５に記載の医用画像処理装置。
【請求項9】
前記機械学習モデルは、前記第２のスキャン設定を用いて得られるデータに一致するように、前記ＣＴ画像データを空間の調整を行い、
前記空間の調整は、基準医用画像、基準アトラス、解剖学的ランドマークの検出、のうちの少なくとも１つである、
請求項１に記載の医用画像処理装置。
前記空間の調整は、基準医用画像、基準アトラス、解剖学的ランドマークの検出、のうちの少なくとも１つである、
請求項１に記載の医用画像処理装置。
【請求項10】
第１のスキャン設定を用いて取得された位置決めのために使用に適する３次元のスキャノグラム画像データを含むＣＴ画像データを取得し、
前記ＣＴ画像データを、前記第１のスキャン設定を用いて取得された前記ＣＴ画像データの第１の画像スタイルを、前記第１のスキャン設定とは異なり、ＣＴ血管造影画像データでのサブトラクションに用いられる非コントラストＣＴスキャンの設定に対応する第２のスキャン設定を用いて取得されたＣＴ画像データの第２の画像スタイルにスタイル変換する機械学習モデルに入力することで、前記ＣＴ画像データの画素値が補正された補正済ＣＴ画像データを出力することと、
を含む医用画像処理方法。
前記ＣＴ画像データを、前記第１のスキャン設定を用いて取得された前記ＣＴ画像データの第１の画像スタイルを、前記第１のスキャン設定とは異なり、ＣＴ血管造影画像データでのサブトラクションに用いられる非コントラストＣＴスキャンの設定に対応する第２のスキャン設定を用いて取得されたＣＴ画像データの第２の画像スタイルにスタイル変換する機械学習モデルに入力することで、前記ＣＴ画像データの画素値が補正された補正済ＣＴ画像データを出力することと、
を含む医用画像処理方法。
【請求項11】
複数の被検体を表すトレーニングデータであって、被検体ごとに、第１のスキャン設定を用いて取得された位置決めのために使用に適する３次元のスキャノグラム画像データを含むＣＴ画像データと、前記第１のスキャン設定とは異なり、ＣＴ血管造影画像データでのサブトラクションに用いられる非コントラストＣＴスキャンの設定に対応する第２のスキャン設定を用いて取得された対応するＣＴ画像データと、を含むトレーニングデータを取得し、
前記第１のスキャン設定を用いて取得された前記ＣＴ画像データの第１の画像スタイルを、前記第２のスキャン設定を用いて取得されたＣＴ画像データの第２の画像スタイルに変換する機械学習モデルをトレーニングすることを行う処理部と、
を備える医用画像処理装置であって、
前記機械学習モデルは、解剖学的特徴に基づく第１の損失と、画像強度に基づく第２の損失とによりトレーニングされたトレーニングモデルを含む、
医用画像処理装置。
前記第１のスキャン設定を用いて取得された前記ＣＴ画像データの第１の画像スタイルを、前記第２のスキャン設定を用いて取得されたＣＴ画像データの第２の画像スタイルに変換する機械学習モデルをトレーニングすることを行う処理部と、
を備える医用画像処理装置であって、
前記機械学習モデルは、解剖学的特徴に基づく第１の損失と、画像強度に基づく第２の損失とによりトレーニングされたトレーニングモデルを含む、
医用画像処理装置。
【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、概して画像処理方法と装置に関し、例えば、画像データを第１の画像スタイルから第２の画像スタイルに変換する方法と装置に関する。
【背景技術】
【0002】
様々な撮像モダリティのうちの任意のものを用いて医用撮像データを生成することができる医用撮像技術が、撮像または診断目的で幅広く使われている。例えば、コンピュータ断層撮影（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ：ＣＴ）イメージングを用いてよい。
【0003】
患者の身体の領域にＣＴスキャンを行うときには、初めに当該患者の位置決め（ｐｏｓｉｔｉｏｎｉｎｇ）に用いられ得るスキャノグラムを得ることが一般的だ。スキャノグラムは２次元であってよい。スキャノグラムは低線量スキャンであってよい。スキャノグラムは低解像度スキャンであってよい。スキャノグラムは、後に行われる領域のスキャンよりも広い視野であってよい。例えば、後にスキャンする領域が肺である場合、スキャノグラムは患者のトルソー全体または患者のトルソーの大部分を含んでよい。後にスキャンする領域が脳である場合、スキャノグラムは患者の頭および首の全てを含んでよい。
【0004】
スキャノグラムは、ターゲット領域のＣＴスキャンを取得する前に行われてよい。ＣＴスキャンは、プレコントラストおよびポストコントラストスキャンを含んでよい。
【0005】
患者の血管に造影剤を導入すると、造影剤が撮像において管腔の強度を上昇させることが知られている。造影剤を用いて得られた撮像データセットは、コントラストボリューム、造影ボリューム、またはＣＴ血管造影ボリュームと称されることがある。造影剤なしで得られた撮像データセットは、プレコントラストボリュームまたはマスクボリュームと称されることがある。管は一般的にはコントラストボリュームよりもマスクボリュームのほうが視認し難い。これは造影剤がないからである。
【0006】
同一の生体構造を表すマスクボリュームとコントラストボリュームをサブトラクションすることにより、サブトラクションボリュームを得てよい。例えば、サブトラクションは、マスクボリュームとコントラストボリュームにおける各対応位置において、コントラストボリュームの強度からマスクボリュームの強度をサブトラクションすることを含んでよい。サブトラクション処理では、コントラストボリュームとマスクボリュームに共通する特徴（例えば、骨および軟組織）を除去し、コントラストボリュームのうち造影剤によって造影された部分のみを残してよい。
【0007】
図１は、サブトラクション処理の概要を示すフローチャートである。ステージ１０では、マスクボリュームとも呼ばれるプレコントラストボリュームを、造影剤なしで領域をＣＴ撮像することにより取得する。ステージ１２では、ポストコントラストボリュームを、造影剤ありで同じ領域をＣＴ撮像することにより取得する。ステージ１４では、位置合わせ（ｒｅｇｉｓｔｒａｔｉｏｎ）を行い、プレコントラストボリュームとポストコントラストボリュームとをアライメントする。ステージ１６では、位置合わせ済のプレコントラストボリュームとポストコントラストボリュームをサブトラクションして、サブトラクションボリューム１８を得る。
【0008】
サブトラクション手順により、例えば脈管構造の画像などの造影生体組織の造影ビューまたは灌流不足の場所を示す肺のヒートマップを得てよい。しかし、サブトラクション手順は、コントラストボリュームに加えてプレコントラスト・マスクボリュームを取得するために、更なる放射線量を必要とする。
【先行技術文献】
【特許文献】
【0009】
【特許文献1】米国特許出願公開第２０１９／０３６２５２２号明細書
【発明の概要】
【発明が解決しようとする課題】
【0010】
本明細書等に開示の実施形態が解決しようとする課題の一つは、ユーザの負担を抑えて、被検体の被ばく低減を図ることである。ただし、本明細書および図面に開示の実施形態が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】
【0011】
実施形態に係る医用画像処理装置は、第１のスキャン設定を用いて取得された位置決めのために使用に適する３次元のスキャノグラム画像データを含むＣＴ画像データを取得し、ＣＴ画像データを、第１のスキャン設定を用いて取得されたＣＴ画像データの第１の画像スタイルを、第１のスキャン設定とは異なり、ＣＴ血管造影画像データでのサブトラクションに用いられる非コントラストＣＴスキャンの設定に対応する第２のスキャン設定を用いて取得されたＣＴ画像データの第２の画像スタイルにスタイル変換する機械学習モデルに入力することで、ＣＴ画像データの画素値が補正された補正済ＣＴ画像データを出力する処理部と、を備える。
【図面の簡単な説明】
【0012】
ここで、実施形態が、限定にはならない例示として説明され、以下の図に示される。
【発明を実施するための形態】
【0013】
ある実施形態は、第１のスキャン設定を用いて取得されたコンピュータ断層撮影（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ：ＣＴ）画像データを受け取ることと、ＣＴ画像データをアダプタに入力して補正済ＣＴ画像データを得ることであって、アダプタは、第１のスキャン設定を用いて取得された前記ＣＴ画像データの第１の画像スタイルを、第１のスキャン設定とは異なる第２のスキャン設定を用いて取得されたＣＴ画像データの特徴である第１の画像スタイルとは異なる第２の画像スタイルに変換し、補正済ＣＴ画像データを出力することと、を行う処理回路を備えた医用画像処理装置を提供する。
【0014】
ある実施形態は、第１のスキャン設定を用いて取得されたコンピュータ断層撮影（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ：ＣＴ）画像データを受け取ることと、前記ＣＴ画像データをアダプタに入力して補正済ＣＴ画像データを得ることであって、前記アダプタは、前記第１のスキャン設定を用いて取得された前記ＣＴ画像データの第１の画像スタイルを、前記第１のスキャン設定とは異なる第２のスキャン設定を用いて取得されたデータの特徴である第１の画像スタイルとは異なる第２の画像スタイルに変換し、前記補正済ＣＴ画像データを出力することと、を含む方法を提供する。
【0015】
ある実施形態は、複数の被検体を表すトレーニングデータであって、被検体ごとに、第１のスキャン設定を用いて取得されたＣＴ画像データと、第１のスキャン設定とは異なる第２のスキャン設定を用いて取得された対応するＣＴ画像データと、を含むトレーニングデータ受け取ることと、前記第１のスキャン設定を用いて取得された前記ＣＴ画像データの第１の画像スタイルを、前記第２のスキャン設定を用いて取得されたＣＴ画像データの特徴である第１の画像スタイルとは異なる第２の画像スタイルに変換するアダプタをトレーニングすることと、を行う処理回路を備えた医用画像処理装置を提供する。前記アダプタのトレーニングは、解剖学的特徴に基づく第１の損失と、画像強度に基づく第２の損失とを使用することを含む。
【0016】
ある実施形態は、複数の被検体を表すトレーニングデータであって、被検体ごとに、第１のスキャン設定を用いて取得されたＣＴ画像データと、第１のスキャン設定とは異なる第２のスキャン設定を用いて取得された対応するＣＴ画像データと、を含むトレーニングデータ受け取ることと、前記第１のスキャン設定を用いて取得された前記ＣＴ画像データの第１の画像スタイルを、前記第２のスキャン設定を用いて取得されたＣＴ画像データの特徴である第１の画像スタイルとは異なる第２の画像スタイルに変換するアダプタをトレーニングすることと、を含む方法を提供する。前記アダプタのトレーニングは、解剖学的特徴に基づく第１の損失と、画像強度に基づく第２の損失とを使用することを含む。
【0017】
実施形態に従った医用画像処理装置２０が、図２に概略的に示される。
【0018】
医用画像処理装置２０は、本例ではパーソナルコンピュータ（ＰＣ）またはワークステーションであるコンピューティング装置２２を備える。コンピューティング装置２２は、データ記憶部３０を介してスキャナ２４に接続される。
【0019】
医用画像処理装置２０は、１つまたは複数のディスプレイスクリーン２６と、コンピュータキーボードまたはマウスまたはトラックボールなどの１つまたは複数の入力装置２８と、をさらに備える。
【0020】
本実施形態では、スキャナ２４はコンピュータ断層撮影（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ：ＣＴ）スキャナである。スキャナ２４は、患者または他の被検体の少なくとも１つの解剖学的領域を表す画像データを生成する。画像データは、それぞれが対応するデータ値を有する複数のボクセルを備える。本実施形態では、データ値は、ハウンズフィールド単位（Ｈｏｕｎｓｆｉｅｌｄ ｕｎｉｔ）におけるＣＴ強度を表す。スキャナを使用して、造影剤なしに３Ｄスキャノグラムと、造影剤により血管が造影されたポストコントラストボリュームと、を取得する。
【0021】
他の実施形態では、スキャナ２４は任意の撮像モダリティにおける２次元、３次元、または、４次元の画像データを取得してよい。例えばスキャナ２４は、磁気共鳴（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ：ＭＲ）スキャナ、コンピュータ断層撮影（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ：ＣＴ）スキャナ、コーンビームＣＴスキャナ、陽電子放出断層撮影（Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ：ＰＥＴ）スキャナ、Ｘ線スキャナ、または超音波スキャナを備えてよい。解剖学的領域のサブ領域を強調するために、例えば、体内の管、１つまたは複数の臓器、または消化管の少なくとも一部を強調するために、任意の好適な方法を用いてよい。
【0022】
本実施形態では、スキャナ２４が取得した画像データセットはデータ記憶部３０に記憶され、その後コンピューティング装置２２に提供される。代替となる実施形態では、画像データセットは遠隔のデータ記憶部（図示せず）から供給される。データ記憶部３０または遠隔のデータ記憶部は、任意の好適な形態のメモリ記憶部を備えてよい。いくつかの実施形態では、医用画像処理装置２０はいずれのスキャナにも接続されていない。
【0023】
コンピューティング装置２２は、データを処理するための処理装置３２を備える。処理装置は、中央演算処理装置（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ：ＣＰＵ）とグラフィカルプロセッシングユニット（Ｇｒａｐｈｉｃａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ：ＧＰＵ）とを備える。処理装置３２は自動的に、または、半自動で医用画像データセットを処理するための処理リソースを提供する。他の実施形態では、処理対象データは任意の画像データを含んでよく、医用画像データでなくともよい。
【0024】
処理装置３２は、サブトラクション処理を行うサブトラクション回路３４と、３Ｄスキャノグラムデータを合成プレコントラストデータに変換するコンバージョン回路３６と、３Ｄスキャノグラムデータの変換に用いられるモデルをトレーニングするトレーニング回路３８と、を備える。サブトラクション回路３４、コンバージョン回路３６およびトレーニング回路３８を処理回路ともいう。処理回路は処理部の一例である。
【0025】
本実施形態では、サブトラクション回路３４、コンバージョン回路３６、トレーニング回路３８は、各々、実施形態の方法を実行するために実行可能であるコンピュータが読み出し可能な命令を有するコンピュータプログラムにより、ＣＰＵおよび／またはＧＰＵに実装される。しかし、他の実施形態では、回路が１つまたは複数の特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）またはフィールドプログラマブルゲートアレイ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ：ＦＰＧＡ）として実装されてよい。
【0026】
また、コンピューティング装置２２は、ハードディスクドライブと、ＲＡＭ、ＲＯＭ、データバス、種々のデバイスドライバを含むオペレーティングシステム、および、グラフィックカードを含むハードウェア装置を含んだＰＣの他のコンポーネントとを有する。その様なコンポーネントは、明瞭化のために、図２には示されない。
【0027】
図３は、実施形態に従った方法の概要を示すフローチャートである。医用画像処理装置２０は図３の方法を行うように構成される。他の実施形態では、図３の方法を行うために、任意の好適な１つまたは複数の装置を用いてよい。図３の方法において、医用画像処理装置２０の処理回路は、第１のスキャン設定を用いて取得された位置決めのために使用に適する３次元のスキャノグラム画像データを含むＣＴ画像データを取得する。３次元のスキャノグラム画像データは、プレコントラスト画像データに似せて変換される。３次元のスキャノグラム画像データの変換は、補正済ＣＴ画像データを得るための３次元のスキャノグラム画像データの補正として説明してもよい。
【0028】
つまり、医用画像処理装置２０の処理回路は、ＣＴ画像データを、第１のスキャン設定を用いて取得されたＣＴ画像データの第１の画像スタイルを、第１のスキャン設定とは異なり、ＣＴ血管造影画像データでのサブトラクションに用いられる非コントラストＣＴスキャンの設定に対応する第２のスキャン設定を用いて取得されたＣＴ画像データの第２の画像スタイルにスタイル変換する機械学習モデルに入力することで、ＣＴ画像データの画素値が補正された補正済ＣＴ画像データを出力する。そして、医用画像処理装置２０の処理回路は、補正済ＣＴ画像データとＣＴ血管造影画像データセットとをサブトラクションするＣＴサブトラクション手順が行われる。
【0029】
ステージ４０では、サブトラクション回路３４はポストコントラストボリュームを例えばデータ記憶部３０または別のデータ記憶部から受け取る。ポストコントラストボリュームをコントラストボリュームまたはＣＴ血管造影ボリュームと称することもある。ポストコントラストボリュームは、スキャナ２４を使用して、造影剤ありで患者または他の被検体の身体のターゲット領域をスキャンして取得された。図３の実施形態では、ターゲット領域は肺である。ポストコントラストボリュームは、それぞれが対応するデータ値を有する複数のボクセル備えるＣＴ画像データセットである。
【0030】
ステージ４２では、コンバージョン回路３６は３Ｄスキャノグラムを例えばデータ記憶部３０または別のデータ記憶部から受け取る。３Ｄスキャノグラムは、完全に生のスキャノグラムまたはソーススキャノグラムと称されることもある。３Ｄスキャノグラムは、スキャナ２４を使用して、造影剤なしに患者または他の被検体の身体の領域を３次元スキャンして取得された。更なるスキャンを行う前に、３Ｄスキャノグラムを患者の位置決めに用いてよい。
【0031】
図３の実施形態では、スキャナ２４は、造影剤を加える前に、つまり、ポストコントラストボリュームを取得する前に、３Ｄスキャノグラムを取得した。３Ｄスキャノグラムにおいてスキャンされた領域は、ターゲット領域よりも広い。図３の実施形態では、３Ｄスキャノグラムを取得するためにスキャンされた領域は、患者または他の被検体のトルソーである。３Ｄスキャノグラムは、それぞれが対応するデータボリュームを有する複数のボクセルを備えるＣＴ画像データセットである。
【0032】
３Ｄスキャノグラムはスキャナ２４によって第１のスキャン設定を用いて取得され、ポストコントラストボリュームはスキャナ２４によって第１のスキャン設定とは異なる第２のスキャン設定を用いて取得された。第１のスキャン設定をソーススキャン設定と称することもある。第２のスキャン設定をターゲットスキャン設定と称することもある。各スキャン設定は、スキャンおよび再構成パラメータとして説明されることがあるパラメータセットを含み、例えば、視野、解像度、線量、管電流、ヘリカルピッチ、および／またはフィルタパラメータを含んでよい。
【0033】
図３の実施形態では、３Ｄスキャノグラムがトルソーの全体または大部分をスキャンし、ポストコントラストボリュームが肺周辺のターゲット領域に限られるように、第１のスキャン設定は第２のスキャン設定よりも広い視野を有する。
【0034】
第１のスキャン設定は第２のスキャン設定よりも低い線量を用いる。図３の実施形態では、３Ｄスキャノグラムは、低エネルギー光子をフィルタ除去するために銀を用いる低線量ＣＴスキャンである。ビーム整形エネルギーフィルタは銀の光子減衰特性を活用して多色Ｘ線から低エネルギー光子を除去する。結果として得られたエネルギースペクトルを、肺がんスクリーニングに最適化してよい。
【0035】
３Ｄスキャノグラムは、第２のスキャン設定に存在しない３Ｄスキャノグラムにおける低エネルギー光子フィルタリングのため、ポストコントラストスキャンとは異なる強度プロファイルを有する。
【0036】
第１のスキャン設定は第２のスキャン設定よりも低い管電流を用いてよく、これにより３Ｄスキャノグラムの信号対雑音値に影響を及ぼしてよい。
【0037】
第１のスキャン設定は第２のスキャン設定よりも低い解像度を有する。図３の実施形態では、スキャナ２４による３Ｄスキャノグラムの取得は、例えば毎ピクセル１ｍｍなどの第１の解像度で複数の２Ｄ画像スライスを取得することを含む。スキャナ２４によるポストコントラストボリュームの取得は、例えば毎ピクセル０．５ｍｍなどの第２の高い解像度で複数の２Ｄ画像スライスを取得することを含む。
【0038】
また、取得のヘリカルピッチは３Ｄスキャノグラムとポストコントラストボリュームとで異なる。典型的には、高いヘリカルピッチは低画像品質となるが線量を低下させ、低いヘリカルピッチは高画像品質となるが線量を上昇させる。３Ｄスキャノグラムはポストコントラストスキャンよりも低線量且つ低品質のスキャンであるため、典型的には、３Ｄスキャノグラムはポストコントラストスキャンよりも高いヘリカルピッチを有する。
【0039】
スキャンごとに再サンプリングを行い、２Ｄピクセル間隔に一致するボクセル間隔を有する等方性ボリュームを得る。
【0040】
他の実施形態では、第１および第２のスキャン設定において任意の好適な１つまたは複数の差が存在してよい。例えばいくつかの実施形態では、第１および第２のスキャン設定は、異なる再構成パラメータを含む。再構成カーネルが第１および第２のスキャン設定で異なってよい。異なる再構成カーネルが結果として得られる画像に具体的なインパクトを有してよい。
【0041】
つまり、第１のスキャン設定は第１の解像度を含み、第２のスキャン設定は第１の解像度より高い第２の解像度を含むこと、第１のスキャン設定は第１の視野を含み、第２のスキャン設定は第１の視野より狭い第２の視野を含むこと、第１のスキャン設定は、第２のスキャン設定に存在しないフィルタを含むこと、第１のスキャン設定は第１の放射線量を含み、第２のスキャン設定は第１の放射線量より第２の高い放射線量を含むこと、第１のスキャン設定は第１の管電流を含み、第２のスキャン設定は第１の管電流とは異なる第２の管電流を含むこと、第１のスキャン設定は第１のヘリカルピッチを含み、第２のスキャン設定は第１のヘリカルピッチとは異なる第２のヘリカルピッチを含むこと、第１のスキャン設定は第１の再構成パラメータを含み、第２のスキャン設定は第１の再構成パラメータとは異なる第２の再構成パラメータを含むこと、のうちの少なくとも１つである。
【0042】
図３の方法では、別のプレコントラストボリュームを取得するのではなく、３Ｄスキャノグラムがサブトラクション用の低線量プレコントラストスキャンとして活用される。従来、サブトラクションを行う際には、造影剤を導入する前にプレコントラストボリュームを取得する。従来のプレコントラストボリュームは、典型的には、ポストコントラストボリュームを取得時と同一の視野とピクセル間隔とを用いて取得される。例えば、プレコントラストボリュームはマスクボリュームとしてのみ用いられ他の診断目的で用いられない場合は、使用するプロトコルに応じて、例えば管電流などの１つまたは複数の他のファクタをプレコントラストボリュームとポストコントラストボリュームとの間で修正してよい。その後、プレコントラストボリュームとポストコントラストボリュームとは従来のサブトラクションアルゴリズムを用いてサブトラクションされる。
【0043】
ステージ４２で取得した３Ｄスキャノグラムは、従来のプレコントラストボリュームとは異なる。第一に、３Ｄスキャノグラムの視野は従来のプレコントラストボリュームの予想される視野と一致しない。プレコントラストボリュームは、ポストコントラストボリュームと同じターゲット領域をカバーすると予想してよい。３Ｄスキャノグラムは、典型的にはより広い領域をカバーする。
【0044】
３Ｄスキャノグラムは、従来のプレコントラストボリュームと比べてスペクトル差を有する。図３の実施形態では、低エネルギー光子が３Ｄスキャノグラムにおいてフィルタ除去される。スペクトル差は、３Ｄスキャノグラムと従来のプレコントラストボリュームとが、例えばＨＵ値などの異なる強度値を同一組織に対して有することを意味してよい。
【0045】
もし従来のサブトラクションアルゴリズムでプレコントラストボリュームに代わって３Ｄスキャノグラムが用いる場合は、３Ｄスキャノグラムとプレコントラストボリュームとの間の差により、サブトラクション結果が悪くなることが予想される。サブトラクションアルゴリズムで３Ｄスキャノグラムを直接使用すると、位置合わせとサブトラクションが悪くなるだろう。結果として得られるサブトラクションボリュームは、良好な結果を出せないだろう。例えば低灌流のための診断信号など重要な診断信号が失われるかもしれない。
【0046】
図３の方法では、ステージ４４は、アダプタを用いて３Ｄスキャノグラムを従来のプレコントラストボリュームに類似するＣＴ画像データセットにコンバートすることを含む。アダプタは、機械学習モデルの一例である。アダプタは、アダプタモデルともいう。３Ｄスキャノグラムをコンバートして得られるＣＴ画像データセットは、合成プレコントラストボリュームを称されることがある。３Ｄスキャノグラムを合成プレコントラストボリュームにコンバートすることにより、従来のサブトラクションアルゴリズムを使用して、３Ｄスキャノグラムとポストコントラストボリュームからサブトラクションデータを、従来のプレコントラストボリュームを追加で取得することなく、取得することができるだろう。３Ｄスキャノグラムのコンバートは、スタイル変換または画像対画像変換（ｉｍａｇｅ ｔｏ ｉｍａｇｅ ｔｒａｎｓｌａｔｉｏｎ）として説明されることがある。３Ｄスキャノグラムは、第１の画像スタイルとは異なる画像スタイルに変換される第２の画像スタイルを有する。第２の画像スタイルは従来のプレコントラスト画像データの特徴である。例えば、第２の画像スタイルはプレコントラスト画像データに典型的な解像度と視野とを含む。第２の画像スタイルはプレコントラスト画像データに類似する強度値分布を含む。第１の画像スタイルはソーススタイルとして説明されることもある。第２の画像スタイルはターゲットスタイルとして説明されることもある。
【0047】
ステージ４４はサブステージ４６、サブステージ４８、サブステージ５０を含み、各サブステージは３Ｄスキャノグラムと従来のプレコントラストボリュームとの間の個別の差に対応する。
【0048】
サブステージ４６では、コンバージョン回路３６は、プレコントラストボリュームの予想される視野に一致するように、３Ｄスキャノグラムの視野をクロップする。クロッピングは、１つまたは複数の座標軸における視野の縮小を含む。プレコントラストボリュームの予想される視野は、ポストコントラストボリュームの視野と同じであってよい。ボリューム内のターゲット生体構造をローカライズする任意の方法を用いてよい。
【0049】
いくつかの実施形態では、コンバージョン回路３６は、３Ｄスキャノグラムとポストコントラストボリュームとが、同一のスキャナ２４において同一の患者をスキャンすることで取得されたことを知っている。コンバージョン回路３６は、３Ｄスキャノグラムの座標空間がポストコントラストボリュームの座標空間と同一であるとみなす。コンバージョン回路３６は、ポストコントラストボリューム内のスキャンされたターゲット領域の座標を使用して、対応するボリュームをカバーするように３Ｄスキャノグラムをクロップする。他の実施形態では、３Ｄスキャノグラムをクロップするために、任意の好適な方法を用いてよい。例えば、図８または図９を参照して以下で説明されるクロッピング方法を用いてよい。
【0050】
またコンバージョン回路３６は、３Ｄスキャノグラムがポストコントラストボリュームと同じ解像度をもつように、３Ｄスキャノグラムを再サンプリングする。任意の好適な再サンプリング方法を用いてよい。
【0051】
サブステージ４８では、コンバージョン回路３６は、３Ｄスキャノグラムをポストコントラストボリュームに対してグローバル位置合わせを行う。グローバル位置合わせは、オリジナルの３Ｄスキャノグラムに、または、クロップ処理後および／または再サンプリングされた３Ｄスキャノグラムに対して行ってよい。グローバル位置合わせは、画像の剛体アライメントを含んでよい。グローバル位置合わせを行うために、ボリューム内のターゲット生体構造をローカライズする任意の好適な方法を用いてよい。例えば、グローバル位置合わせは、図８を参照して以下で説明するものであってよい。
【0052】
サブステージ５０では、コンバージョン回路３６は、プレコントラストボリュームの強度プロファイルに一致するように、３Ｄスキャノグラムの強度を変換する。強度変換に用いられる方法では、オリジナルの３Ｄスキャノグラムの構造が維持される。例えば、３Ｄスキャノグラム内の解剖学的境界の位置を変えずに、３Ｄスキャノグラムの強度を変えてよい。サブステージ５０を、オリジナルの３Ｄスキャノグラムに、または、当該３Ｄスキャノグラムのクロップ処理後の、再サンプリングされた、および／または位置合わせ後のバージョンに対して行ってよい。サブステージ５０で用いられる方法の例を、図４，５，６，７を参照して以下で説明する。他の実施形態では、スタイル変換を行い入力画像からの構造情報の維持を保証する任意の画像対画像変換を用いてよい。
【0053】
サブステージ４６、サブステージ４８、サブステージ５０を任意の好適な順番で行ってよい。いくつかの実施形態では、サブステージ４６、サブステージ４８、サブステージ５０のうちの１つまたは複数を省いてよい。いくつかの実施形態では、サブステージ４６、サブステージ４８、サブステージ５０のうちの２つ以上を組み合わせて、単一のサブステージにしてよい。
【0054】
ステージ４４の最後に、コンバージョン回路３６は、従来のプレコントラストボリュームであるターゲットボリュームに似るように３Ｄスキャノグラムを変換して得られた合成プレコントラストボリュームを出力する。合成プレコントラストデータは、補正済ＣＴ画像データとして説明されることがある。
【0055】
ステージ４４での３Ｄスキャノグラムのコンバートは、視野と解像度と内容との一致により、ターゲットボリュームの予想される物理的表現に一致させることである。３Ｄスキャノグラムのコンバートは、ターゲットボリュームにおいて見られる異なる組織の強度プロファイルを一致させることである。３Ｄスキャノグラムのコンバートは、オリジナルの３Ｄスキャノグラムの構造情報を一致させることである。
【0056】
コンバージョン回路３６は合成プレコントラストボリュームをサブトラクション回路３４に渡す。サブトラクション回路３４は、現実のプレコントラストボリュームの代わりに合成プレコントラストボリュームを用いるサブトラクション方法を行う。
【0057】
ステージ１４では、サブトラクション回路３４は位置合わせを行い、合成プレコントラストボリュームとポストコントラストボリュームとをアライメントする。例えば任意の好適な非剛体位置合わせ法など、任意の好適な位置合わせを用いてよい。
【0058】
ステージ１６では、サブトラクション回路３４は、位置合わせ後の合成プレコントラストボリュームとポストコントラストボリュームとをサブトラクションし、サブトラクションボリューム１８を得る。図３の実施形態では、サブトラクション回路３４は、サブトラクションボリューム１８からサブトラクション画像をレンダリングする。サブトラクション画像は、例えばディスプレイスクリーン２６を用いて、ユーザへ表示される。他の実施形態では、サブトラクション画像を表示しなくてよい。いくつかの実施形態では、サブトラクションボリューム１８を更なる処理のために更なるアルゴリズムへ入力する。
【0059】
ステージ１４，１６は、プレコントラストボリュームとポストコントラストボリュームとをサブトラクションする従来のサブトラクションアルゴリズムで用いられるステージと類似または同一であってよい。撮像したプレコントラストに代わって合成プレコントラストボリュームがサブトラクションアルゴリズムで用いられる。
【0060】
アダプタを用いて３Ｄスキャノグラムを合成プレコントラストへ変えることにより、完全に生の３Ｄスキャノグラムとポストコントラストボリュームとをサブトラクションする場合に比べて、サブトラクション結果が良好になるだろう。例えば、脈管構造の視認性が向上するだろう。
【0061】
強度値を調整して３Ｄスキャノグラムを合成プレコントラストへ変えることで、強度値を調整せずに３Ｄスキャノグラムをクロッピングおよび位置合わせするだけよりは、良好な結果を得られるだろう。
【0062】
合成プレコントラストボリュームを用いることで、スキャノグラムおよびポストコントラストボリュームに加えて別のプレコントラストボリュームを用いる従来のサブトラクション画像よりも低い線量でサブトラクション画像を得てよい。３Ｄスキャノグラムを、サブトラクションのための低線量プレコントラストスキャンとして用いてよい。
【0063】
低線量３Ｄボリュームを、フル線量（ｆｕｌｌ－ｄｏｓｅ）プレコントラストスキャンと同じレベルに提供してよい。状況次第では、３Ｄスキャノグラムから生じる合成プレコントラストボリュームを、同一患者のフル線量プレコントラストスキャンの直接代用としてよい。これにより、非コントラストスキャンが通常使用される状況において、３Ｄスキャノグラムの使用が可能となってよい。
【0064】
図４は、図３の方法のステージ４４で用いられ得るアダプタモデル６４をトレーニングする方法の概要を示すフローチャートである。アダプタモデルは、３Ｄスキャノグラムから合成プレコントラストボリュームを直接予測するようにトレーニングされる。トレーニングモデルは補正済ＣＴ画像データを直接的に予測してよい。当該トレーニングは、所定のトレーニングデータコホートを用いて行われ、アダプタモデル６４が例えば対応するプレコントラストボリュームが存在しない３Ｄスキャノグラムなどの新たなデータに適用される前にアダプタモデル６４をトレーニングデータでトレーニングするために用いられるため、オフライントレーニングとして説明してよい。
【0065】
アダプタモデル６４は深層学習モデルを備える。深層学習モデルは、例えば完全畳み込みニューラルネットワークなどのニューラルネットワークであってよい。完全畳み込みニューラルネットワークでは、異なる画像サイズが処理可能であってよく、当該ネットワークが空間的入力の重要性を学習可能であってよい。図４の実施形態における当該ネットワークは、オリジナル入力と同一サイズの出力を生成する。使用される当該ネットワークは、例えばＵＮｅｔなどの意味論的セグメンテーションにおいて使用されるネットワークと類似するタイプであってよい。
【0066】
アダプタモデル６４は複数のトレーニングデータセットを含むトレーニングデータコホートを用いてトレーニングされ、当該トレーニングデータセットはそれぞれ、同一の被検体のプレコントラストデータと対になる被検体の３Ｄスキャノグラムデータを含む。アダプタモデル６４は、解剖学的構造に基づく第１の損失と画像強度に基づく第２の損失とを用いてトレーニングされたトレーニングモデルを含む。
【0067】
トレーニング回路３８はトレーニングデータセットからプレコントラストデータ６０を受け取る。トレーニング回路３８は、同一のトレーニングデータセットから対応する３Ｄスキャノグラムデータ６２を受け取る。トレーニング回路３８は、３Ｄスキャノグラムデータ６２をトレーニング対象であるアダプタモデル６４に入力する。アダプタモデル６４は合成プレコントラストデータ６６を出力する。
【0068】
アダプタモデル６４をトレーニングするために、損失６７を算出する。図４のアダプタモデル６４は、後述する２つのヒストグラム損失６８，構造損失７０を含む損失６７を用いてトレーニングされた深層学習モデルである。ヒストグラム損失６８，構造損失７０は、参照により本明細書に組み込まれるＭｏｒ Ａｖｉ－Ａｈａｒｏｎ， Ａｓｓａｆ Ａｒｂｅｌｌｅ， ａｎｄ Ｔａｍｍｙ Ｒｉｋｌｉｎ Ｒａｖｉｖ， ＤｅｅｐＨｉｓｔ： Ｄｉｆｆｅｒｅｎｔｉａｂｌｅ ｊｏｉｎｔ ａｎｄ ｃｏｌｏｒ ｈｉｓｔｏｇｒａｍ ｌａｙｅｒｓ ｆｏｒ ｉｍａｇｅ－ｔｏ－ｉｍａｇｅ ｔｒａｎｓｌａｔｉｏｎ， ａｒＸｉｖ ｐｒｅｐｒｉｎｔ ａｒＸｉｖ：２００５．０３９９５， ２０２０に記載するものと類似してよい。他の実施形態では、アダプタモデルをトレーニングするために任意の好適な損失を用いてよい。
【0069】
損失６７の第１の損失コンポーネントは、合成プレコントラストデータ６６と、第１のスキャン設定を用いて取得される画像データである３Ｄスキャノグラムデータ６２と、を比較して算出される構造損失７０である。第１の損失は、第１のスキャン設定により取得したＣＴ画像データに基づく。第１の損失コンポーネントは第１の損失として説明されることもある。
【0070】
３Ｄスキャノグラムデータ６２を合成プレコントラストデータ６６にコンバートするときに、例えば解剖学的構造などの構造が失われていないことが重要だ。構造損失７０は、３Ｄスキャノグラムデータ６２と合成プレコントラストデータ６６との間の構造変化を測定する。構造損失７０は、合成プレコントラストデータ６６の構造が３Ｄスキャノグラムデータ６２の構造に似ているほど小さくなる。構造損失７０は、例えば相互情報損失または構造類似度指数などを含んでよい。
【0071】
損失６７の第２の損失コンポーネントは、合成プレコントラストデータ６６のヒストグラムと、第２のスキャン設定を用いて取得される画像データであるトレーニングデータセットのプレコントラストデータ６０のヒストグラムとの間の損失として算出されるヒストグラム損失６８である。第２の損失は、第２のスキャン設定により取得したＣＴ画像データに基づく。第２の損失コンポーネントは第２の損失として説明されることもある。図４の実施形態では、第２の損失コンポーネントは、Ｍｏｒ Ａｖｉ－Ａｈａｒｏｎ， Ａｓｓａｆ Ａｒｂｅｌｌｅ， ａｎｄ Ｔａｍｍｙ Ｒｉｋｌｉｎ Ｒａｖｉｖ， ＤｅｅｐＨｉｓｔ： Ｄｉｆｆｅｒｅｎｔｉａｂｌｅ ｊｏｉｎｔ ａｎｄ ｃｏｌｏｒ ｈｉｓｔｏｇｒａｍ ｌａｙｅｒｓ ｆｏｒ ｉｍａｇｅ－ｔｏ－ｉｍａｇｅ ｔｒａｎｓｌａｔｉｏｎ， ａｒＸｉｖ ｐｒｅｐｒｉｎｔ ａｒＸｉｖ：２００５．０３９９５， ２０２０に記載されるヒストグラム損失に基づく。当該損失は、合成プレコントラストデータ６６のヒストグラムとプレコントラストデータ６０のヒストグラムとの間のＥａｒｔｈ Ｍｏｖｅｒ’ｓ Ｄｉｓｔａｎｃｅを用いる。他の実施形態では、例えばＫＬダイバージェンスなどの２つのヒストグラムの間の損失関数を与える任意の関数を用いてよい。
【0072】
ヒストグラム損失６８は、プレコントラストデータ６０の実際の強度と、アダプタモデルが生成する合成プレコントラストデータ６６の強度と、の間の距離を表す。例えば、プレコントラストデータ６０内と合成プレコントラストデータ６６内の各ボクセルのＨＵ値を比較して、ヒストグラム損失６８を得てよい。ヒストグラム損失６８は、合成プレコントラストデータ６６がプレコントラストデータ６０に似ているほど小さくなる。
【0073】
図４の方法を数多くのトレーニングデータセットで多数回繰り返して、アダプタモデル６４をトレーニングする。アダプタモデル６４の重みは損失６７を最適化するように調整される。トレーニングが完了すると、アダプタモデル６４を図３の方法で用いる前に、アダプタモデル６４の重みを固定してよい。
【0074】
ヒストグラム損失６８と構造損失７０の両方を用いることで、３Ｄスキャノグラムの構造を維持しつつ３Ｄスキャノグラムの強度をプレコントラストデータに類似させるように変更するように、アダプタモデル６４をトレーニングする。
【0075】
いったんトレーニングされると、アダプタモデル６４を用いて、３Ｄスキャノグラムデータを合成プレコントラストデータにコンバートする図３の方法のステージ４４の少なくとも一部を行ってよい。例えば、サブステージ４６を行うためにアダプタモデル６４を用いてよい。
【0076】
図５は、図３の方法のステージ４４で使用し得る、代替となるアダプタモデル８４をトレーニングする方法の概要を示すフローチャートである。代替となるアダプタモデル８４は深層学習モデルを備える。深層学習モデルは、例えば完全畳み込みニューラルネットワークなどのニューラルネットワークであってよい。図５の実施形態における当該ネットワークは、オリジナル入力と同一サイズの出力を生成する。使用される当該ネットワークは、例えばＵＮｅｔなどの意味論的セグメンテーションにおいて使用されるネットワークと類似するタイプであってよい。
【0077】
３Ｄスキャノグラムから合成プレコントラストボリュームを直接予測する代わりに、アダプタモデル８４は３Ｄスキャノグラムと合成プレコントラストとの間の差を表す残差（ｒｅｓｉｄｕａｌ）を予測する。トレーニングモデルは、補正済ＣＴ画像データを得るために、ＣＴ画像データに加えられる残差を予測してよい。当該トレーニングをオフライントレーニングと説明してよい。当該トレーニングは、アダプタモデル８４が例えば対応するプレコントラストボリュームが存在しない３Ｄスキャノグラムなどの新たなデータに適用される前に、アダプタモデル８４をトレーニングデータでトレーニングするために用いられる。
【0078】
アダプタモデルは、複数のトレーニングデータセットを含むトレーニングデータコホートを用いてトレーニングされ、当該トレーニングデータセットはそれぞれ、同一の被検体のプレコントラストデータと対になる被検体の３Ｄスキャノグラムデータを含む。
【0079】
トレーニング回路３８は、トレーニングデータセットからプレコントラストデータ６０を受け取る。トレーニング回路３８は、同一のトレーニングデータセットから対応する３Ｄスキャノグラムデータ６２を受け取る。トレーニング回路３８は、３Ｄスキャノグラムデータ６２をトレーニング対象であるアダプタモデル８４に入力する。アダプタモデル８４は残差出力８６を出力する。
【0080】
ステージ８８では、トレーニング回路３８は残差出力を３Ｄスキャノグラムデータ６２に加え、合成プレコントラストデータ９０を得る。
【0081】
損失６７を、合成プレコントラストデータ９０とプレコントラストデータ６０と３Ｄスキャノグラムデータ６２から、図４を参照して上述した方法と同じように算出する。図５の実施形態では、損失６７は上述したようにヒストグラム損失６８と構造損失７０とを含む。他の実施形態では、任意の好適な損失を用いてよい。
【0082】
図５の方法を数多くのトレーニングデータセットで多数回繰り返して、アダプタモデル８４をトレーニングする。アダプタモデル８４の重みは損失６７を最適化するように調整される。トレーニングが完了すると、アダプタモデル８４を図３の方法で用いる前に、アダプタモデル８４の重みを固定してよい。
【0083】
いったんトレーニングされると、アダプタモデル８４を用いて、３Ｄスキャノグラムデータを合成プレコントラストデータにコンバートする図３の方法のステージ４４の少なくとも一部を行ってよい。例えば、サブステージ４８を行うためにアダプタモデル８４を用いてよい。アダプタモデル８４は、３Ｄスキャノグラムデータ６２から残差出力８６を得るためにトレーニングされる。残差出力８６は、３Ｄスキャノグラムデータ６２に組み合わせて、３Ｄスキャノグラムデータの構造を維持したまま、合成プレコントラストデータ９０を取得できる。
【0084】
図６は、図３の方法のステージ４４で使用し得る更なるアダプタモデル９４をトレーニングする方法の概要を示すフローチャートである。更なるアダプタモデル９４は深層学習モデルを備える。深層学習モデルは、例えば畳み込み、または、完全畳み込みニューラルネットワークなどのニューラルネットワークであってよい。更なるアダプタモデル９４の出力サイズは、固定サイズの入力を使用するように、伝達関数のパラメータに固定されている。
【0085】
図６の方法では、変換関数９６を予測するアダプタモデル９４がトレーニングされる。トレーニングモデルは、補正済ＣＴ画像データを得るために、ＣＴ画像データに適用される変換関数を予測してよい。変換関数９６は３Ｄスキャノグラムデータに適用して合成プレコントラストデータを得る。変換（ｔｒａｎｓｆｏｒｍ）関数９６を変換（ｔｒａｎｓｆｏｒｍａｔｉｏｎ）関数として説明してもよい。
【0086】
当該トレーニングをオフライントレーニングと説明してよい。当該トレーニングは、アダプタモデル９４が例えば対応するプレコントラストボリュームが存在しない３Ｄスキャノグラムなどの新たなデータに適用される前に、アダプタモデル９４をトレーニングデータでトレーニングするために用いられる。
【0087】
アダプタモデル９４は、複数のトレーニングデータセットを含むトレーニングデータコホートを用いてトレーニングされ、当該トレーニングデータセットはそれぞれ、同一の被検体のプレコントラストデータと対になる被検体の３Ｄスキャノグラムデータを含む。
【0088】
トレーニング回路３８はトレーニングデータセットからプレコントラストデータ６０を受け取る。トレーニング回路３８は、同一のトレーニングデータセットから対応する３Ｄスキャノグラムデータ６２を受け取る。トレーニング回路３８は、３Ｄスキャノグラムデータ６２をトレーニング対象であるアダプタモデル９４に入力する。アダプタモデル９４は変換関数９６を出力する。
【0089】
変換関数９６は、３Ｄスキャノグラムデータ６２における強度値を合成プレコントラストデータ６６において用いられる異なる強度値にコンバートする関数であってよい。３Ｄスキャノグラムデータが取り得る強度値の範囲は、スキャナ２４が取得可能な範囲に基づいて、または、トレーニングデータコホートの強度に基づいて、または、任意の好適な方法により取得してよい。変換関数９６は、３Ｄスキャノグラムデータが取り得る強度値の範囲内の各強度値を、合成プレコントラストデータで用いられるそれぞれの変換後の強度に関連付ける関数であってよい。
【0090】
トレーニング回路３８は、変換関数９６を用いて、３Ｄスキャノグラムデータ６２を合成プレコントラストデータ９８にコンバートする。
【0091】
損失６７を、合成プレコントラストデータ９８とプレコントラストデータ６０と３Ｄスキャノグラムデータ６２から、図４を参照して上述した方法と同じように算出する。図６の実施形態では、損失６７は上述したようにヒストグラム損失６８と構造損失７０とを含む。他の実施形態では、任意の好適な損失を用いてよい。
【0092】
図６の方法を数多くのトレーニングデータセットで多数回繰り返して、アダプタモデル９４をトレーニングする。アダプタモデル９４の重みは損失６７を最適化するように調整される。トレーニングが完了すると、アダプタモデル９４を図３の方法で用いる前に、アダプタモデル９４の重みを固定してよい。
【0093】
いったんトレーニングされると、アダプタモデル９４を用いて、３Ｄスキャノグラムデータを合成プレコントラストデータにコンバートする図３の方法のステージ４４の少なくとも一部を行ってよい。例えば、サブステージ５０を行うためにアダプタモデル９４を用いてよい。アダプタモデル９４は、３Ｄスキャノグラムデータから変換関数９６を得るためにトレーニングされる。変換関数９６は、３Ｄスキャノグラムデータ６２に適用されて、３Ｄスキャノグラムデータの構造を維持したまま、合成プレコントラストデータ９８を取得できる。
【0094】
状況次第では、変換関数は、３Ｄスキャノグラムデータを合成プレコントラストデータへコンバート正則化を提供してよい。例えば、変換関数を用いて得られた合成プレコントラストデータは、直接予測法を用いて得られた合成プレコントラストデータよりも滑らかであってよい。変換関数を用いて得られた合成プレコントラストデータは、直接予測法を用いて得られた合成プレコントラストデータよりも一貫性が高いものであってよい。変換関数を用いて得られた合成プレコントラストデータは、直接予測法を用いて得られた合成プレコントラストデータよりもノイズが少ないものであってよい。
【0095】
【0096】
異なる組織タイプの強度値を表す複数の組織ヒストグラムを得るために、オフライン処理１００が行われる。トレーニング回路３８は、プレコントラストデータセット１０４のコホートを含むターゲットデータ１０２を受け取る。プレコントラストデータセット１０４は、複数の患者または他の被検体のプレコントラストスキャンから得たトレーニングデータであってよい。
【0097】
トレーニング回路３８は、プレコントラストデータセット１０４それぞれの組織セグメンテーション１０６を行う。組織セグメンテーション１０６は、プレコントラストデータセット１０４をセグメントして、それぞれが異なる組織タイプを表す複数のセグメント化された領域を得ることを含む。例えば、セグメント化された領域は、肺組織、骨組織、筋肉組織をそれぞれ含んでよい。任意の好適なセグメンテーション法を用いてよい。例えば、セグメンテーション法は、エッジベースのセグメンテーション法と、領域拡張セグメンテーション法と、テクスチャベースのセグメンテーション法と、アトラスベースのセグメンテーション法と、モデルベースのセグメンテーション法（例えば、形状モデル）と、別のニューラルネットワークと、のうちの１つまたは複数を含んでよい。
【0098】
いくつかの実施形態では、セグメント化された領域は関心組織のみを含み、関心組織を含まないプレコントラストデータセットの部分はセグメントされない。例えば、セグメントされる組織は、ターゲットアルゴリズムに関する組織であってよい。
【0099】
トレーニング回路３８は、組織ヒストグラム１０８ａ、１０８ｂ、１０８ｃを組織タイプごとに算出する。組織ヒストグラム１０８ａ、１０８ｂ、１０８ｃを基準ヒストグラムと説明してよい。組織タイプごとに、トレーニング回路３８は、当該組織タイプのセグメント化された領域を特定する。その後、トレーニング回路３８は、コホート内のプレコントラストデータセットにわたって、当該組織タイプのセグメント化された領域の強度値の組織ヒストグラム１０８ａ、１０８ｂ、１０８ｃを算出する。組織タイプの強度値を複数のプレコントラストデータセットにわたって組み合わせることにより、各組織タイプの典型的または平均的ヒストグラムを得てよい。
【0100】
オフライン処理１００の出力は、組織ヒストグラム１０８ａ、１０８ｂ、１０８ｃの一式であり、それぞれが個別の組織タイプの個別のヒストグラムデータを備える。
【0101】
組織ヒストグラム１０８ａ、１０８ｂ、１０８ｃは、ターゲットデータ１０２に基づくヒストグラム照合を含むオンライン処理１１０を行うために用いられる。オンライン処理１１０は、オフライン処理１００で使用されなかった新たな３Ｄスキャノグラムデータに対して行われる。オンライン処理１１０は、例えばサブステージ５０の一部など、図３のステージ４４の一部として行われてよい。
【0102】
オンライン処理１１０において、コンバージョン回路３６は、患者または他の被検体を表す３Ｄスキャノグラム１１２を受け取る。またコンバージョン回路３６は、オフライン処理１００で決定された組織ヒストグラム１０８ａ、１０８ｂ、１０８ｃを受け取る。
【0103】
コンバージョン回路３６は、３Ｄスキャノグラム１１２における複数の組織タイプのセグメンテーション１１４を行う。任意の好適なセグメンテーション法を用いてよい。
【0104】
図７の実施形態では、３Ｄスキャノグラム１１２においてセグメント化される組織タイプは、組織セグメンテーション１０６においてセグメント化された組織タイプと同じである。例えば、組織タイプは肺、骨、および筋肉であってよい。
【0105】
コンバージョン回路３６は、セグメンテーション１１４と組織ヒストグラム１０８ａ、１０８ｂ、１０８ｃとを用いてヒストグラム照合１１６を行う。ヒストグラム照合１１６は、ヒストグラムからコンピューティング可能な変換後の画像における累積分布関数（Ｃｕｍｕｌａｔｉｖｅ Ｄｉｓｔｒｉｂｕｔｉｏｎ Ｆｕｎｃｔｉｏｎ：ＣＤＦ）の値がターゲット画像のＣＤＦと一致するように、画像または画像の一部を変換する。図７の実施形態では、３Ｄスキャノグラムのヒストグラムにおけるピクセル値ごとに、対応するピクセル値が、両画像のＣＤＦにおいて値が一致する対応するプレコントラストヒストグラムにある。これにより、スキャノグラムからターゲットプレコントラスト値へのマッピングが得られる。このようなマッピングを、セグメント化された組織タイプごとに取得してよい。他の実施形態では、任意の好適なヒストグラム照合法を用いてよい。
【0106】
ヒストグラム照合１１６の出力は、３Ｄスキャノグラム１１２の強度をコンバートして取得される合成プレコントラストデータセット１１８である。
【0107】
他の実施形態では、ヒストグラム照合を、セグメント化された領域ではなく画像全体を用いて行ってよい。しかし、セグメンテーションを用いて所与の組織タイプの領域を見つけ各組織タイプのヒストグラムを得ることで、画像全体のヒストグラム照合よりも良好な結果を得られるだろう。セグメント化された組織タイプのヒストグラム照合により生成された合成プレコントラストデータは、画像全体のヒストグラム照合により生成された合成プレコントラストデータと比較して、現実のプレコントラストデータへの一致が高いだろう。
【0108】
【0109】
ステージ１２０では、コンバージョン回路３６は完全に生の３Ｄスキャノグラムを例えばデータ記憶部３０または代替となるデータ記憶部から受け取る。完全に生の３Ｄスキャノグラムは、ターゲット領域より広い領域のスキャンを含む。図８の例では、より広い領域とはスキャンされる患者のトルソーである。画像１２１は完全に生の３Ｄスキャノグラムを表す。
【0110】
ステージ１２２では、コンバージョン回路３６はポストコントラストボリュームを例えばデータ記憶部３０または代替となるデータ記憶部から受け取る。ポストコントラストボリュームはターゲット領域のスキャンである。図８の例では、ターゲット領域は肺である。画像１２３は、ポストコントラストボリュームを表す。ターゲット領域が３Ｄスキャノグラムにおいてスキャンされた領域よりも小さいことがわかる。
【0111】
図３の方法のサブステージ４６として行われ得るステージ１２４では、コンバージョン回路３６は、ポストコントラストボリュームと同じ領域をカバーするように完全に生の３Ｄスキャノグラムをクロップする。コンバージョン回路３６は、ポストコントラストボリュームを使用して、完全に生の３Ｄスキャノグラムをクロップする規模を判断する。例えば、完全に生の３Ｄスキャノグラムとポストコントラストボリュームとを同一の座標系において取得してよい。コンバージョン回路３６は、ポストコントラストボリュームの座標を使用して、完全に生の３Ｄスキャノグラムのクロッピングに使用する座標を判断してよい。画像１２５は３Ｄスキャノグラムのクロッピング後バージョンを表し、ポストコントラストボリュームと同じターゲット領域へクロップされている。
【0112】
図３の方法のサブステージ４６として行われ得るステージ１２６では、コンバージョン回路３６は、完全に生の３Ｄスキャノグラムのクロッピング後バージョンとポストコントラストボリュームとの剛体位置合わせを行う。任意の好適な剛体位置合わせを用いてよい。画像１２７はポストコントラストボリュームに位置合わせしたクロッピング後の３Ｄスキャノグラムを表す。
【0113】
図８の方法は、ポストコントラストボリュームを基準として用いる空間調整を提供する。つまり、アダプタは、第２のスキャン設定を用いて得られるデータに一致するように、ＣＴ画像データを空間の調整を行う。
【0114】
【0115】
ステージ１３０では、コンバージョン回路３６は完全に生の３Ｄスキャノグラムを例えばデータ記憶部３０または代替となるデータ記憶部から受け取る。図９の例では、完全に生の３Ｄスキャノグラムはトルソーのスキャンである。画像１３１は完全に生の３Ｄスキャノグラムを表す。
【0116】
ステージ１３２では、コンバージョン回路３６はランドマーク検出法を行い、完全に生の３Ｄスキャノグラム内の複数の解剖学的ランドマークを検出する。解剖学的ランドマークは、例えば、骨、臓器、または他の解剖学的構造上の明確な点などの身体構造内の認識可能な点であってよい。画像１３３は６つのランドマーク１３４の位置が検出された完全に生の３Ｄスキャノグラムを表す。
【0117】
いくつかの実施形態では、ランドマーク検出法は、例えば参照により本明細書に組み込まれるＭｏｈａｍｍａｄ Ａ Ｄａｂｂａｈ， Ｓｅａｎ Ｍｕｒｐｈｙ， Ｈｉｐｐｏｌｙｔｅ Ｐｅｌｌｏ， Ｒｏｍａｉｎ Ｃｏｕｒｂｏｎ， Ｅｒｉｎ Ｂｅｖｅｒｉｄｇｅ， Ｓｔｅｗａｒｔ Ｗｉｓｅｍａｎ， Ｄａｎｉｅｌ Ｗｙｅｔｈ ａｎｄ Ｉａｎ Ｐｏｏｌｅ， ‘Ｄｅｔｅｃｔｉｏｎ ａｎｄ ｌｏｃａｔｉｏｎ ｏｆ １２７ ａｎａｔｏｍｉｃａｌ ｌａｎｄｍａｒｋｓ ｉｎ ｄｉｖｅｒｓｅ ＣＴ ｄａｔａｓｅｔｓ’， Ｐｒｏｃ． ＳＰＩＥ ９０３４， Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ ２０１４： Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ， ９０３４１５ （Ｍａｒｃｈ ２１， ２０１４）に記載される。他の実施形態では、任意のランドマーク検出法を用いてよい。
【0118】
ステージ１３９では、コンバージョン回路３６はターゲット生体構造プロトコル１３５をデータ記憶部３０または別のデータ記憶部から受け取る。ターゲット生体構造プロトコル１３５は、解剖学的ランドマークに関してターゲット生体構造領域を規定する。図９の例では、ターゲット生体構造は肺であり、ターゲット生体構造領域は肺を取り巻く領域である。ターゲット生体構造プロトコル１３５は、ランドマークの位置がマークされ、ターゲット生体構造領域がランドマーク位置を参照して規定された基準医用画像または基準アトラスを含んでよい。画像１３６はランドマーク１３７とターゲット生体構造領域１３８とを規定されている基準医用画像または基準アトラスである。
【0119】
コンバージョン回路３６は、ステージ１３２で検出された解剖学的ランドマークとターゲット生体構造プロトコル１３５とを使用して、結果としてのクロッピング後のスキャノグラムがターゲット生体構造領域にクロップされるように、完全に生の３Ｄスキャノグラムをクロップする。例えば、ターゲット生体構造プロトコルのランドマークを３Ｄスキャノグラムのランドマークに位置合わせし、ターゲット生体構造プロトコルのターゲット生体構造領域を３Ｄスキャノグラム上にマップしてよい。その後、３Ｄスキャノグラムをターゲット生体構造領域にクロップしてよい。
【0120】
図９の方法は、解剖学的ランドマーク検出を用いる空間調整を含む。図９の空間調整は、ポストコントラストボリュームを基準として用いない。図９の空間調整をポストコントラストボリュームの撮像前に行ってよい。つまり、空間の調整は、基準医用画像、基準アトラス、解剖学的ランドマークの検出、のうちの少なくとも１つである。
【0121】
実施形態では、３Ｄスキャノグラムを合成プレコントラストデータにコンバートする際に、図４から図９のいずれかの方法を単独または組み合わせて使用してよい。例えば、図８を参照して説明したクロッピングおよび位置合わせ法を、図４の方法を用いてトレーニングされたモデルと組み合わせて、強度をコンバートしてよい。
【0122】
上述の実施形態では、３Ｄスキャノグラムは合成プレコントラストデータにコンバートされ、サブトラクションに用いられる。他の実施形態では、任意の好適なモダリティの医用画像データを第１の画像スタイルから第２の画像スタイルにコンバートして、第２の画像スタイルを有する医用画像データに作用するように設計されたアルゴリズムに用いてよい。上述の方法をより汎用的なケースまたは既存アルゴリズムに用いられる医用画像の再ターゲティングに拡張してよい。ターゲット再構成パラメータに一致させるために撮像ボリュームを再ターゲッティングする必要がある任意のアルゴリズムに方法を用いてよい。当該医用画像データは、任意の人間または動物の被検体の任意の好適な解剖学的領域を表してよい。
【0123】
図１０は、ＣＴサブトラクションに固有ではない更なる実施形態の方法の概要を示すフローチャートである。
【0124】
ステージ１５０では、第１のスキャン設定で医用画像データを取得する。医用画像データは、例えば視野、解像度、線量、管電流、ヘリカルピッチ、および／またはフィルタなどのソーススキャンおよび再構成パラメータのセットから生じる第１の画像スタイルを有する。医用画像データをソース医用画像として説明してもよい。
【0125】
ステージ１５２では、医用画像データを補正済医用画像データにコンバートする。補正済医用画像データは、第１のスキャンおよび再構成パラメータとは異なる、第２のスキャンおよび再構成パラメータで取得されるデータの特徴である第２の画像スタイルを有する。例えば、異なる視野、解像度、線量、管電流、ヘリカルピッチ、および／またはフィルタであってよい。
【0126】
ステージ１５２は、３つのサブステージ１５４、サブステージ１５６、サブステージ１５８を含む。サブステージ１５４は、ターゲット医用画像の予想される物理的表現（例えば、視野、解像度）に一致するように医用画像データを調整することを含む。サブステージ１５６は、ターゲット再構成パラメータを有する画像データに一致するように医用画像データの強度を変換することを含む。サブステージ１５８は、ソース医用画像の構造を維持することを含む。サブステージ１５４、サブステージ１５６、サブステージ１５８を任意の好適な順番で行ってよい。サブステージ１５４、サブステージ１５６、サブステージ１５８のうちの２つ以上を組み合わせて、単一のサブステージにしてよい。
【0127】
【0128】
ステージ１５２の出力は補正済医用画像データセットであり、当該医用画像データを取得するために用いられたパラメータとは異なるパラメータを用いて取得された医用画像データへ似るようにコンバートされる。
【0129】
ステージ１６０では、ターゲット医用画像に代わって補正済医用画像データが既存アルゴリズムに適用される。
【0130】
いくつかの実施形態では、医用画像データは３Ｄスキャノグラムデータであり、補正済医用画像データは合成非コントラストＣＴデータであるが、既存アルゴリズムはサブトラクションではない。既存アルゴリズムは、もし当該アルゴリズムがスキャノグラムデータに直接的に適用されると、スキャノグラムと非コントラストデータとの間のスペクトル差により問題が生じ得る任意のアルゴリズムであってよい。例えば、当該アルゴリズムは、カルシウム化検出またはカルシウムスコア化のためのアルゴリズムであってよい。当該アルゴリズムを、プレコントラスト画像内の予想されるＨＵ値に作用するようにチューニングしてよい。３Ｄスキャノグラムデータを合成非コントラストデータにコンバートすることにより、アルゴリズムを３Ｄスキャノグラムデータに適用してよい。
【0131】
上述した実施形態では、医用画像データと補正済医用画像データとがそれぞれ３Ｄデータを含む。他の実施形態では、例えば２次元、３次元、または４次元データなど任意の好適なｎ次元データを用いてよい。
【0132】
ある実施形態は、処理回路を備えた医用画像処理装置を提供する。当該処理回路は、第１のスキャン設定により取得されたコンピュータ断層撮影（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ：ＣＴ）画像データを受け取り、当該ＣＴ画像データをモデルに入力することにより補正済ＣＴ画像データを出力する。当該モデルは当該第１のスキャン設定により取得した画像データから、当該第１のスキャン設定とは異なる第２のスキャン設定に画像スタイルを変換する。
【0133】
当該処理回路は、３次元のスキャノグラム画像データを当該ＣＴ画像データとして受け取ってよい。当該３次元のスキャノグラム画像データは位置決めに用いられる。
【0134】
当該第２のスキャン設定は、ＣＴ血管造影画像でのサブトラクションに用いられる非コントラストＣＴスキャンの設定に対応してよい。
【0135】
この構成によれば、例えば、医用画像処理装置２０は、位置決めの際にスキャンした３次元のスキャノグラム画像データを、ＣＴ血管造影画像データでのサブトラクションに用いられる非コントラストＣＴスキャンの設定に対応するＣＴ画像データの画像スタイルにスタイル変換する機械学習モデルに入力することで、３次元のスキャノグラム画像データの画素値が補正された補正済ＣＴ画像データを出力する。
【0136】
これにより、医用画像処理装置２０は、非コントラストＣＴスキャンの設定に対応するＣＴ画像データを使用することなく、位置決めの際にスキャンした３次元のスキャノグラム画像データを用いて、ＣＴ血管造影画像データとのサブトラクションを行うため、位置決めの際にスキャンした画像データを活用することができる。また、医用画像処理装置２０は、非コントラストＣＴスキャンの設定に対応するＣＴ画像データを使用することなく、ＣＴ血管造影画像データとのサブトラクションを行うため、ワークフローの改善につながる。さらに、医用画像処理装置２０は、非コントラストＣＴスキャンの設定に対応するＣＴ画像データを使用しないため、被検体をスキャンする回数が減り、被検体の負担を抑えて、被検体の被ばく低減を図ることができる。
【0137】
当該モデルは、解剖学的特徴に基づく第１の損失と、画像強度に基づく第２の損失とによりトレーニングされてよい。
【0138】
当該第１の損失は、当該第１のスキャン設定により取得した画像データに基づくものであってよい。
【0139】
当該第２の損失は、当該第２のスキャン設定により取得した画像データに基づくものであってよい。
【0140】
ある実施形態は、医用画像を再ターゲッティングする方法を提供する。当該方法は、既存のターゲットアルゴリズムに用いるために、ソーススキャンおよび再構成パラメータ（ソーススタイル）を有する医用画像をターゲットスキャンおよび再構成パラメータ（ターゲットスタイル）を有する医用画像にコンバートする方法と、
ターゲットアルゴリズムの予想される内容に一致するように、ソース医用画像を空間的に調整する方法と、
ターゲットスキャンおよび再構成パラメータを有する医用画像における予想される強度に一致するように、ソーススキャンおよび再構成パラメータを有する医用画像の強度を更新する方法と、
当該ソース医用画像における構造情報を維持する方法と、
を含む。
ターゲットアルゴリズムの予想される内容に一致するように、ソース医用画像を空間的に調整する方法と、
ターゲットスキャンおよび再構成パラメータを有する医用画像における予想される強度に一致するように、ソーススキャンおよび再構成パラメータを有する医用画像の強度を更新する方法と、
当該ソース医用画像における構造情報を維持する方法と、
を含む。
【0141】
ソーススキャンおよび再構成パラメータを有する当該医用画像は、３Ｄスキャノグラムボリュームであってよい。
【0142】
ターゲットスキャンおよび再構成パラメータを有する当該医用画像は、３Ｄ非造影ボリュームであってよい。
【0143】
当該出力を、非コントラストボリュームに代えてサブトラクションアルゴリズムに用いてよい。
【0144】
当該ソース医用画像を、別の医用画像を基準として用いて空間的に調整してよい。当該ソース医用画像を、ランドマーク検出を用いて空間的に調整してよい。当該ソース医用画像を、基準アトラスを用いて空間的に調整してよい。
【0145】
当該ソース医用画像の強度を、ネットワーク出力とターゲット医用撮像データとの間のヒストグラムベースの損失でトレーニングされたニューラルネットワークを用いて更新してよい。
【0146】
当該ソース医用画像の強度を、ターゲット医用撮像データに基づく基準ヒストグラムへのヒストグラム照合を用いて更新してよい。
【0147】
当該ソース医用画像の構造を、ネットワーク出力と入力ソース画像との間の構造損失でトレーニングされたニューラルネットワークを用いて維持してよい。
【0148】
当該コンバージョン方法の出力は、当該ターゲットスタイルを有するソース画像の直接予測であってよい。
【0149】
当該コンバージョン方法の出力は、当該ターゲットスタイルを有するソース画像を作成するために入力ソース画像に適用される残差であってよい。
【0150】
当該コンバージョン方法の出力は、当該ターゲットスタイルを有するソース画像を作成するために入力ソース画像に適用される変換関数であってよい。
【0151】
特定の回路が本明細書において説明されているが、代替の実施形態において、これらの回路の内の１つまたは複数の機能を、１つの処理リソースまたは他のコンポーネントによって提供することができ、または、１つの回路によって提供される機能を、２つまたはそれより多くの処理リソースまたは他のコンポーネントを組み合わせることによって提供することができる。１つの回路への言及は、当該回路の機能を提供する複数のコンポーネントを包含し、そのようなコンポーネントがお互いに隔たっているか否かにかかわらない。複数の回路への言及は、それらの回路の機能を提供する１つのコンポーネントを包含する。
【0152】
以上説明した少なくとも１つの実施形態によれば、ユーザの負担を抑えて、被検体の被ばく低減を図ることである。
【0153】
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。これら新規な実施形態は、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ともに、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】
【0154】
２０…医用画像処理装置、２２…コンピューティング装置、２４…スキャナ、
２６…ディスプレイスクリーン、２８…入力装置、３０…データ記憶部、
３２…処理装置、３４…サブトラクション回路、３６…コンバージョン回路、
３８…トレーニング回路
２６…ディスプレイスクリーン、２８…入力装置、３０…データ記憶部、
３２…処理装置、３４…サブトラクション回路、３６…コンバージョン回路、
３８…トレーニング回路
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】