知財求人 - 知財ポータルサイト「IP Force」
▶ ジーイー・プレシジョン・ヘルスケア・エルエルシーの特許一覧
特開2024-34417物質密度画像を推論する装置、ＣＴシステム、記憶媒体、および学習済みニューラルネットワークの作成方法
(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】P2024034417
(43)【公開日】2024-03-13
(54)【発明の名称】物質密度画像を推論する装置、ＣＴシステム、記憶媒体、および学習済みニューラルネットワークの作成方法
(51)【国際特許分類】
A61B 6/03 20060101AFI20240306BHJP
A61B 6/58 20240101ALI20240306BHJP
【ＦＩ】
A61B6/03 370A
A61B6/03 373
A61B6/03 F
【審査請求】有
【請求項の数】15
【出願形態】ＯＬ
(21)【出願番号】P 2022138638
(22)【出願日】2022-08-31
(11)【特許番号】
(45)【特許公報発行日】2023-11-20
(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】今井 靖浩
(72)【発明者】
【氏名】寺岡 夕里
(72)【発明者】
【氏名】松見 絢子
【テーマコード（参考）】
4C093
【Ｆターム（参考）】
4C093AA22
4C093AA24
4C093AA26
4C093CA18
4C093CA32
4C093CA37
4C093EA07
4C093FD03
4C093FD09
(57)【要約】 （修正有）
【課題】シングルエネルギーＣＴのＣＴシステムを用いて高品質な物質密度画像を得ることができる技術を提供する。
【解決手段】ＣＴ画像１１を第１の学習済みニューラルネットワーク８４に入力することと、ＣＴ画像１１に基づいて、第１の学習済みニューラルネットワーク８４に、仮想単色Ｘ線画像２１を推論させることと、ＣＴ画像１１と、第１の学習済みニューラルネットワーク８４により推論された仮想単色Ｘ線画像２１とに基づいて、水密度画像３１とヨード密度画像４１とを生成することと、水密度画像３１およびヨード密度画像４１を第２の学習済みニューラルネットワーク９４に入力することと、水密度画像３１およびヨード密度画像４１に基づいて、第２の学習済みニューラルネットワーク９４に、水密度画像５１およびヨード密度画像６１を推論させることと、を含む動作を実行する１つ以上のプロセッサを含む、装置。
【選択図】図４
【解決手段】ＣＴ画像１１を第１の学習済みニューラルネットワーク８４に入力することと、ＣＴ画像１１に基づいて、第１の学習済みニューラルネットワーク８４に、仮想単色Ｘ線画像２１を推論させることと、ＣＴ画像１１と、第１の学習済みニューラルネットワーク８４により推論された仮想単色Ｘ線画像２１とに基づいて、水密度画像３１とヨード密度画像４１とを生成することと、水密度画像３１およびヨード密度画像４１を第２の学習済みニューラルネットワーク９４に入力することと、水密度画像３１およびヨード密度画像４１に基づいて、第２の学習済みニューラルネットワーク９４に、水密度画像５１およびヨード密度画像６１を推論させることと、を含む動作を実行する１つ以上のプロセッサを含む、装置。
【選択図】図４
【特許請求の範囲】
【請求項1】
被検体から収集されたシングルエネルギーＣＴのデータに基づいて生成されたＣＴ画像を第１の学習済みニューラルネットワークに入力することであって、
前記第１の学習済みニューラルネットワークは、学習フェーズにおいて、第１のニューラルネットワークが複数の仮想単色Ｘ線画像を用いた学習を実行することにより作成されるものである、
前記ＣＴ画像を第１の学習済みニューラルネットワークに入力すること、
前記ＣＴ画像に基づいて、前記第１の学習済みニューラルネットワークに、仮想単色Ｘ線画像を推論させること、
前記ＣＴ画像と、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像とに基づいて、第１の基準物質の密度を表す第１の物質密度画像と、第２の基準物質の密度を表す第２の物質密度画像とを生成すること、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力することであって、
前記第２の学習済みニューラルネットワークは、学習フェーズにおいて、第２のニューラルネットワークが複数の物質密度画像を用いた学習を実行することにより作成されるものである、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力すること、および
前記第１の物質密度画像および前記第２の物質密度画像に基づいて、前記第２の学習済みニューラルネットワークに、前記第１の基準物質の密度を表す第３の物質密度画像と、前記第２の基準物質の密度を表す第４の物質密度画像を推論させること
を含む動作を実行する１つ以上のプロセッサを含む、装置。
前記第１の学習済みニューラルネットワークは、学習フェーズにおいて、第１のニューラルネットワークが複数の仮想単色Ｘ線画像を用いた学習を実行することにより作成されるものである、
前記ＣＴ画像を第１の学習済みニューラルネットワークに入力すること、
前記ＣＴ画像に基づいて、前記第１の学習済みニューラルネットワークに、仮想単色Ｘ線画像を推論させること、
前記ＣＴ画像と、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像とに基づいて、第１の基準物質の密度を表す第１の物質密度画像と、第２の基準物質の密度を表す第２の物質密度画像とを生成すること、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力することであって、
前記第２の学習済みニューラルネットワークは、学習フェーズにおいて、第２のニューラルネットワークが複数の物質密度画像を用いた学習を実行することにより作成されるものである、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力すること、および
前記第１の物質密度画像および前記第２の物質密度画像に基づいて、前記第２の学習済みニューラルネットワークに、前記第１の基準物質の密度を表す第３の物質密度画像と、前記第２の基準物質の密度を表す第４の物質密度画像を推論させること
を含む動作を実行する１つ以上のプロセッサを含む、装置。
【請求項2】
前記第１の学習済みニューラルネットワークは、学習フェーズにおいて、第１のニューラルネットワークが第１の学習データセットを用いた学習を実行することにより作成されるものであり、
前記第１の学習データセットは、第１の複数の仮想単色Ｘ線画像を含む第１の画像セットと、第２の複数の仮想単色Ｘ線画像を含む第２の画像セットを含み、
前記第１の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が、シングルエネルギーＣＴのデータを収集するＣＴシステムの管電圧に相当する第１のエネルギーレベルの仮想単色Ｘ線画像であり、前記第２の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が、第２のエネルギーレベルの仮想単色Ｘ線画像である、請求項１に記載の装置。
前記第１の学習データセットは、第１の複数の仮想単色Ｘ線画像を含む第１の画像セットと、第２の複数の仮想単色Ｘ線画像を含む第２の画像セットを含み、
前記第１の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が、シングルエネルギーＣＴのデータを収集するＣＴシステムの管電圧に相当する第１のエネルギーレベルの仮想単色Ｘ線画像であり、前記第２の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が、第２のエネルギーレベルの仮想単色Ｘ線画像である、請求項１に記載の装置。
【請求項3】
前記学習フェーズにおいて、前記第１の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が前記第１のニューラルネットワークの入力として使用され、前記第２の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が前記第１のニューラルネットワークから出力されるように、前記第１のニューラルネットワークが前記第１の学習データセットを用いた学習を実行することにより、前記第１の学習済みニューラルネットワークが作成される、請求項２に記載の装置。
【請求項4】
前記第２の学習済みニューラルネットワークは、学習フェーズにおいて、前記第２のニューラルネットワークが複数の物質密度画像を含む第２の学習データセットを用いた学習を実行することにより作成されるものであり、
前記第２の学習データセットは、第１の基準物質の密度を表す第１の複数の物質密度画像を含む第３の画像セットと、前記第２の基準物質の密度を表す第２の複数の物質密度画像を含む第４の画像セットと、前記第１の基準物質の密度を表す第３の複数の物質密度画像を含む第５の画像セットと、前記第２の基準物質の密度を表す第４の複数の物質密度画像を含む第６の画像セットとを含む、請求項１に記載の装置。
前記第２の学習データセットは、第１の基準物質の密度を表す第１の複数の物質密度画像を含む第３の画像セットと、前記第２の基準物質の密度を表す第２の複数の物質密度画像を含む第４の画像セットと、前記第１の基準物質の密度を表す第３の複数の物質密度画像を含む第５の画像セットと、前記第２の基準物質の密度を表す第４の複数の物質密度画像を含む第６の画像セットとを含む、請求項１に記載の装置。
【請求項5】
前記第１の複数の物質密度画像の各物質密度画像および前記第２の複数の物質密度画像の各物質密度画像が、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像に基づいて生成された画像である、請求項４に記載の装置。
【請求項6】
前記第１の複数の物質密度画像を含む第３の画像セットと、前記第２の複数の物質密度画像を含む第４の画像セットが、
前記第１の学習済みニューラルネットワークに入力される複数の仮想単色Ｘ線画像を含む入力画像セットであって、入力画像セットの各仮想単色Ｘ線画像は、前記第１の学習済みニューラルネットワークを作成するときに使用された前記第１の複数の仮想単色Ｘ線画像と同じエネルギーレベルの仮想単色Ｘ線画像である、入力画像セットと、
前記第１の学習済みニューラルネットワークにより推論された複数の仮想単色Ｘ線画像を含む出力画像セットであって、出力画像のセットの各仮想単色Ｘ線画像が、前記入力画像セットの各仮想単色Ｘ線画像が前記第１の学習済みニューラルネットワークに入力されることにより推論された仮想単色Ｘ線画像である、出力画像セットと
に基づいて生成される、請求項５に記載の装置。
前記第１の学習済みニューラルネットワークに入力される複数の仮想単色Ｘ線画像を含む入力画像セットであって、入力画像セットの各仮想単色Ｘ線画像は、前記第１の学習済みニューラルネットワークを作成するときに使用された前記第１の複数の仮想単色Ｘ線画像と同じエネルギーレベルの仮想単色Ｘ線画像である、入力画像セットと、
前記第１の学習済みニューラルネットワークにより推論された複数の仮想単色Ｘ線画像を含む出力画像セットであって、出力画像のセットの各仮想単色Ｘ線画像が、前記入力画像セットの各仮想単色Ｘ線画像が前記第１の学習済みニューラルネットワークに入力されることにより推論された仮想単色Ｘ線画像である、出力画像セットと
に基づいて生成される、請求項５に記載の装置。
【請求項7】
前記第３の複数の物質密度画像の各物質密度画像および前記第４の複数の物質密度画像の各物質密度画像が、デュアルエネルギーＣＴのデータに基づいて生成された画像である、請求項６に記載の装置。
【請求項8】
学習フェーズにおいて、前記第１の複数の物質密度画像の各物質密度画像および前記第２の複数の物質密度画像の各物質密度画像が前記第２のニューラルネットワークの入力として使用され、前記第３の複数の物質密度画像の各物質密度画像および前記第４の複数の物質密度画像の各物質密度画像が前記第２のニューラルネットワークから出力されるように、前記第２のニューラルネットワークが、前記第１の複数の物質密度画像、前記第２の複数の物質密度画像、前記第３の複数の物質密度画像、および前記第４の複数の物質密度画像を用いた学習を実行することにより、前記第２の学習済みニューラルネットワークが作成される、請求項７に記載の装置。
【請求項9】
前記第１の基準物質が水であり、前記第２の基準物質がヨードである、請求項１に記載の装置。
【請求項10】
シングルエネルギーＣＴのデータを収集するＣＴシステムであって、
所定の管電圧が印加されるＸ線管と、
１つ以上のプロセッサと
を含み、
前記１つ以上のプロセッサが、
被検体から収集されたシングルエネルギーＣＴのデータに基づいてＣＴ画像を生成すること、
前記ＣＴ画像を第１の学習済みニューラルネットワークに入力することであって、
前記第１の学習済みニューラルネットワークは、学習フェーズにおいて、第１のニューラルネットワークが複数の仮想単色Ｘ線画像を用いた学習を実行することにより作成されるものである、
前記ＣＴ画像を第１の学習済みニューラルネットワークに入力すること、
前記ＣＴ画像に基づいて、前記第１の学習済みニューラルネットワークに、仮想単色Ｘ線画像を推論させること、
前記ＣＴ画像と、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像とに基づいて、第１の基準物質の密度を表す第１の物質密度画像と、第２の基準物質の密度を表す第２の物質密度画像とを生成すること、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力することであって、
前記第２の学習済みニューラルネットワークは、学習フェーズにおいて、第２のニューラルネットワークが複数の物質密度画像を用いた学習を実行することにより作成されるものである、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力すること、および
前記第１の物質密度画像および前記第２の物質密度画像に基づいて、前記第２の学習済みニューラルネットワークに、前記第１の基準物質の密度を表す第３の物質密度画像と、前記第２の基準物質の密度を表す第４の物質密度画像を推論させること
を含む動作を実行する、ＣＴシステム。
所定の管電圧が印加されるＸ線管と、
１つ以上のプロセッサと
を含み、
前記１つ以上のプロセッサが、
被検体から収集されたシングルエネルギーＣＴのデータに基づいてＣＴ画像を生成すること、
前記ＣＴ画像を第１の学習済みニューラルネットワークに入力することであって、
前記第１の学習済みニューラルネットワークは、学習フェーズにおいて、第１のニューラルネットワークが複数の仮想単色Ｘ線画像を用いた学習を実行することにより作成されるものである、
前記ＣＴ画像を第１の学習済みニューラルネットワークに入力すること、
前記ＣＴ画像に基づいて、前記第１の学習済みニューラルネットワークに、仮想単色Ｘ線画像を推論させること、
前記ＣＴ画像と、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像とに基づいて、第１の基準物質の密度を表す第１の物質密度画像と、第２の基準物質の密度を表す第２の物質密度画像とを生成すること、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力することであって、
前記第２の学習済みニューラルネットワークは、学習フェーズにおいて、第２のニューラルネットワークが複数の物質密度画像を用いた学習を実行することにより作成されるものである、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力すること、および
前記第１の物質密度画像および前記第２の物質密度画像に基づいて、前記第２の学習済みニューラルネットワークに、前記第１の基準物質の密度を表す第３の物質密度画像と、前記第２の基準物質の密度を表す第４の物質密度画像を推論させること
を含む動作を実行する、ＣＴシステム。
【請求項11】
前記第１の学習済みニューラルネットワークは、学習フェーズにおいて、前記第１のニューラルネットワークが第１の学習データセットを学習することにより作成されるものであり、
前記第１の学習データセットは、第１の複数の仮想単色Ｘ線画像を含む第１の画像セットと、第２の複数の仮想単色Ｘ線画像を含む第２の画像セットを含み、
前記第１の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が、前記所定の管電圧に相当する第１のエネルギーレベルの仮想単色Ｘ線画像であり、前記第２の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が、第２のエネルギーレベルの仮想単色Ｘ線画像である、請求項１０に記載のＣＴシステム。
前記第１の学習データセットは、第１の複数の仮想単色Ｘ線画像を含む第１の画像セットと、第２の複数の仮想単色Ｘ線画像を含む第２の画像セットを含み、
前記第１の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が、前記所定の管電圧に相当する第１のエネルギーレベルの仮想単色Ｘ線画像であり、前記第２の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が、第２のエネルギーレベルの仮想単色Ｘ線画像である、請求項１０に記載のＣＴシステム。
【請求項12】
前記第２の学習済みニューラルネットワークは、学習フェーズにおいて、前記第２のニューラルネットワークが複数の物質密度画像を含む第２の学習データセットを用いた学習を実行することにより作成されるものであり、
前記第２の学習データセットが、第１の基準物質の密度を表す第１の複数の物質密度画像を含む第３の画像セットと、前記第２の基準物質の密度を表す第２の複数の物質密度画像を含む第４の画像セットと、前記第１の基準物質の密度を表す第３の複数の物質密度画像を含む第５の画像セットと、前記第２の基準物質の密度を表す第４の複数の物質密度画像を含む第６の画像セットとを含む、請求項１１に記載のＣＴシステム。
前記第２の学習データセットが、第１の基準物質の密度を表す第１の複数の物質密度画像を含む第３の画像セットと、前記第２の基準物質の密度を表す第２の複数の物質密度画像を含む第４の画像セットと、前記第１の基準物質の密度を表す第３の複数の物質密度画像を含む第５の画像セットと、前記第２の基準物質の密度を表す第４の複数の物質密度画像を含む第６の画像セットとを含む、請求項１１に記載のＣＴシステム。
【請求項13】
１つ以上のプロセッサによって実行可能な１つ以上の命令が格納された、1つ以上の非一時的でコンピュータ読取可能な記録媒体であって、前記１つ以上の命令は、前記1つ以上のプロセッサに、
被検体から収集されたシングルエネルギーＣＴのデータに基づいて生成されたＣＴ画像を第１の学習済みニューラルネットワークに入力することであって、
前記第１の学習済みニューラルネットワークは、学習フェーズにおいて、第１のニューラルネットワークが複数の仮想単色Ｘ線画像を用いた学習を実行することにより作成されるものである、
前記ＣＴ画像を第１の学習済みニューラルネットワークに入力すること、
前記ＣＴ画像に基づいて、前記第１の学習済みニューラルネットワークに、仮想単色Ｘ線画像を推論させること、
前記ＣＴ画像と、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像とに基づいて、第１の基準物質の密度を表す第１の物質密度画像と、第２の基準物質の密度を表す第２の物質密度画像とを生成すること、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力することであって、
前記第２の学習済みニューラルネットワークは、学習フェーズにおいて、第２のニューラルネットワークが複数の物質密度画像を用いた学習を実行することにより作成されるものである、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力すること、および
前記第１の物質密度画像および前記第２の物質密度画像に基づいて、前記第２の学習済みニューラルネットワークに、前記第１の基準物質の密度を表す第３の物質密度画像と、前記第２の基準物質の密度を表す第４の物質密度画像を推論させること
を含む動作を実行させる、記憶媒体。
被検体から収集されたシングルエネルギーＣＴのデータに基づいて生成されたＣＴ画像を第１の学習済みニューラルネットワークに入力することであって、
前記第１の学習済みニューラルネットワークは、学習フェーズにおいて、第１のニューラルネットワークが複数の仮想単色Ｘ線画像を用いた学習を実行することにより作成されるものである、
前記ＣＴ画像を第１の学習済みニューラルネットワークに入力すること、
前記ＣＴ画像に基づいて、前記第１の学習済みニューラルネットワークに、仮想単色Ｘ線画像を推論させること、
前記ＣＴ画像と、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像とに基づいて、第１の基準物質の密度を表す第１の物質密度画像と、第２の基準物質の密度を表す第２の物質密度画像とを生成すること、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力することであって、
前記第２の学習済みニューラルネットワークは、学習フェーズにおいて、第２のニューラルネットワークが複数の物質密度画像を用いた学習を実行することにより作成されるものである、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力すること、および
前記第１の物質密度画像および前記第２の物質密度画像に基づいて、前記第２の学習済みニューラルネットワークに、前記第１の基準物質の密度を表す第３の物質密度画像と、前記第２の基準物質の密度を表す第４の物質密度画像を推論させること
を含む動作を実行させる、記憶媒体。
【請求項14】
学習済みニューラルネットワークの作成方法であって、
第１の学習済みニューラルネットワークを作成することであって、
前記第１の学習済みニューラルネットワークは、第１のニューラルネットワークが第１の学習データセットを用いた学習を実行することにより作成されるものであり、
前記第１の学習データセットは、第１の複数の仮想単色Ｘ線画像を含む第１の画像セットと、第２の複数の仮想単色Ｘ線画像を含む第２の画像セットを含み、
前記第１の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が、シングルエネルギーＣＴのデータを収集するＣＴシステムの管電圧に相当する第１のエネルギーレベルの仮想単色Ｘ線画像であり、前記第２の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が、第２のエネルギーレベルの仮想単色Ｘ線画像であり、
前記第１の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が前記第１のニューラルネットワークの入力として使用され、前記第２の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が前記第１のニューラルネットワークから出力されるように、前記第１のニューラルネットワークが前記第１の学習データセットを用いた学習を実行する、
前記第１の学習済みニューラルネットワークを作成すること、および
第２の学習済みニューラルネットワークを作成することであって、
前記第２の学習済みニューラルネットワークは、第２のニューラルネットワークが第２の学習データセットを用いた学習を実行することにより作成されるものであり、
前記第２の学習データセットは、第１の基準物質の密度を表す第１の複数の物質密度画像を含む第３の画像セットと、前記第２の基準物質の密度を表す第２の複数の物質密度画像を含む第４の画像セットと、前記第１の基準物質の密度を表す第３の複数の物質密度画像を含む第５の画像セットと、前記第２の基準物質の密度を表す第４の複数の物質密度画像を含む第６の画像セットとを含み、
前記第１の複数の物質密度画像の各物質密度画像および前記第２の複数の物質密度画像の各物質密度画像が、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像に基づいて生成された画像であり、
前記第３の複数の物質密度画像の各物質密度画像および前記第４の複数の物質密度画像の各物質密度画像が、デュアルエネルギーＣＴのデータに基づいて生成された画像であり、
前記第１の複数の物質密度画像の各物質密度画像および前記第２の複数の物質密度画像の各物質密度画像が前記第２のニューラルネットワークの入力として使用され、前記第３の複数の物質密度画像の各物質密度画像および前記第４の複数の物質密度画像の各物質密度画像が前記第２のニューラルネットワークから出力されるように、前記第２のニューラルネットワークが、前記第１の複数の物質密度画像、前記第２の複数の物質密度画像、前記第３の複数の物質密度画像、および前記第４の複数の物質密度画像を用いた学習を実行する、
第２の学習済みニューラルネットワークを作成すること、
を含む、作成方法。
第１の学習済みニューラルネットワークを作成することであって、
前記第１の学習済みニューラルネットワークは、第１のニューラルネットワークが第１の学習データセットを用いた学習を実行することにより作成されるものであり、
前記第１の学習データセットは、第１の複数の仮想単色Ｘ線画像を含む第１の画像セットと、第２の複数の仮想単色Ｘ線画像を含む第２の画像セットを含み、
前記第１の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が、シングルエネルギーＣＴのデータを収集するＣＴシステムの管電圧に相当する第１のエネルギーレベルの仮想単色Ｘ線画像であり、前記第２の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が、第２のエネルギーレベルの仮想単色Ｘ線画像であり、
前記第１の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が前記第１のニューラルネットワークの入力として使用され、前記第２の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が前記第１のニューラルネットワークから出力されるように、前記第１のニューラルネットワークが前記第１の学習データセットを用いた学習を実行する、
前記第１の学習済みニューラルネットワークを作成すること、および
第２の学習済みニューラルネットワークを作成することであって、
前記第２の学習済みニューラルネットワークは、第２のニューラルネットワークが第２の学習データセットを用いた学習を実行することにより作成されるものであり、
前記第２の学習データセットは、第１の基準物質の密度を表す第１の複数の物質密度画像を含む第３の画像セットと、前記第２の基準物質の密度を表す第２の複数の物質密度画像を含む第４の画像セットと、前記第１の基準物質の密度を表す第３の複数の物質密度画像を含む第５の画像セットと、前記第２の基準物質の密度を表す第４の複数の物質密度画像を含む第６の画像セットとを含み、
前記第１の複数の物質密度画像の各物質密度画像および前記第２の複数の物質密度画像の各物質密度画像が、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像に基づいて生成された画像であり、
前記第３の複数の物質密度画像の各物質密度画像および前記第４の複数の物質密度画像の各物質密度画像が、デュアルエネルギーＣＴのデータに基づいて生成された画像であり、
前記第１の複数の物質密度画像の各物質密度画像および前記第２の複数の物質密度画像の各物質密度画像が前記第２のニューラルネットワークの入力として使用され、前記第３の複数の物質密度画像の各物質密度画像および前記第４の複数の物質密度画像の各物質密度画像が前記第２のニューラルネットワークから出力されるように、前記第２のニューラルネットワークが、前記第１の複数の物質密度画像、前記第２の複数の物質密度画像、前記第３の複数の物質密度画像、および前記第４の複数の物質密度画像を用いた学習を実行する、
第２の学習済みニューラルネットワークを作成すること、
を含む、作成方法。
【請求項15】
被検体から収集されたシングルエネルギーＣＴのデータに基づいて生成されたＣＴ画像を第１の学習済みニューラルネットワークに入力することであって、
前記第１の学習済みニューラルネットワークは、学習フェーズにおいて、第１のニューラルネットワークが複数の仮想単色Ｘ線画像を用いた学習を実行することにより作成されるものである、
前記ＣＴ画像を第１の学習済みニューラルネットワークに入力すること、
前記ＣＴ画像に基づいて、前記第１の学習済みニューラルネットワークに、仮想単色Ｘ線画像を推論させること、
前記ＣＴ画像と、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像とに基づいて、第１の基準物質の密度を表す第１の物質密度画像と、第２の基準物質の密度を表す第２の物質密度画像とを生成すること、
前記第１の物質密度画像を第３の学習済みニューラルネットワークに入力することであって、
前記第３の学習済みニューラルネットワークは、学習フェーズにおいて、第３のニューラルネットワークが、前記第１の基準物質の密度を表す複数の物質密度画像を用いた学習を実行することにより作成されるものである、
前記第１の物質密度画像を第３の学習済みニューラルネットワークに入力すること、
前記第１の物質密度画像に基づいて、前記第３の学習済みニューラルネットワークに、前記第１の基準物質の密度を表す第３の物質密度画像を推論させること、
前記第２の物質密度画像を第４の学習済みニューラルネットワークに入力することであって、
前記第４の学習済みニューラルネットワークは、学習フェーズにおいて、第４のニューラルネットワークが、前記第２の基準物質の密度を表す複数の物質密度画像を用いた学習を実行することにより作成されるものである、
前記第２の物質密度画像を第３の学習済みニューラルネットワークに入力すること、および
前記第２の物質密度画像に基づいて、前記第４の学習済みニューラルネットワークに、前記第２の基準物質の密度を表す第４の物質密度画像を推論させること、
を含む動作を実行する１つ以上のプロセッサを含む、装置。
前記第１の学習済みニューラルネットワークは、学習フェーズにおいて、第１のニューラルネットワークが複数の仮想単色Ｘ線画像を用いた学習を実行することにより作成されるものである、
前記ＣＴ画像を第１の学習済みニューラルネットワークに入力すること、
前記ＣＴ画像に基づいて、前記第１の学習済みニューラルネットワークに、仮想単色Ｘ線画像を推論させること、
前記ＣＴ画像と、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像とに基づいて、第１の基準物質の密度を表す第１の物質密度画像と、第２の基準物質の密度を表す第２の物質密度画像とを生成すること、
前記第１の物質密度画像を第３の学習済みニューラルネットワークに入力することであって、
前記第３の学習済みニューラルネットワークは、学習フェーズにおいて、第３のニューラルネットワークが、前記第１の基準物質の密度を表す複数の物質密度画像を用いた学習を実行することにより作成されるものである、
前記第１の物質密度画像を第３の学習済みニューラルネットワークに入力すること、
前記第１の物質密度画像に基づいて、前記第３の学習済みニューラルネットワークに、前記第１の基準物質の密度を表す第３の物質密度画像を推論させること、
前記第２の物質密度画像を第４の学習済みニューラルネットワークに入力することであって、
前記第４の学習済みニューラルネットワークは、学習フェーズにおいて、第４のニューラルネットワークが、前記第２の基準物質の密度を表す複数の物質密度画像を用いた学習を実行することにより作成されるものである、
前記第２の物質密度画像を第３の学習済みニューラルネットワークに入力すること、および
前記第２の物質密度画像に基づいて、前記第４の学習済みニューラルネットワークに、前記第２の基準物質の密度を表す第４の物質密度画像を推論させること、
を含む動作を実行する１つ以上のプロセッサを含む、装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、物質密度画像を推論する装置、物質密度画像を推論するＣＴシステム、物質密度画像を推論するための命令が記憶された記憶媒体、および物質密度画像を推論する学習済みニューラルネットワークの作成方法に関する。
【背景技術】
【0002】
被検体を非侵襲的に撮影する医用装置としてＣＴシステムが知られている。ＣＴシステムは、短いスキャン時間で被検体の断層画像を取得することができるので、病院などの医療施設に普及している。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１２－２４５２３５号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
ＣＴシステムの撮影技術として、シングルエネルギーＣＴ（Single Energy CT、ＳＥＣＴ）が知られている。シングルエネルギーＣＴは、Ｘ線管の陰極－陽極管に所定の電圧（例えば、１２０ｋＶｐ）を印加し、Ｘ線を発生させ、被検体のＣＴ画像を得る方法である。しかし、シングルエネルギーＣＴでは、異なる物質であってもＣＴ値が近い値になることがあり、異なる物質の同定が難しい場合がある。
【0005】
そこで、デュアルエネルギーＣＴ（Dual Energy CT、ＤＥＣＴ）の技術が研究、開発されている（特許文献１参照）。デュアルエネルギーＣＴは、異なるエネルギー領域のＸ線を利用して物質の弁別を行う技術であり、デュアルエネルギーＣＴに対応したＣＴシステムも市販されている。
【0006】
しかし、デュアルエネルギーＣＴの装置は、一般的にはシングルエネルギーＣＴの装置よりも価格が高く、医療機関の中には、シングルエネルギーＣＴに対応したＣＴシステムは導入されているが、デュアルエネルギーＣＴに対応したＣＴシステムは導入していない医療機関も多い。そこで、デュアルエネルギーＣＴに対応したＣＴシステムを導入していない医療機関であっても、シングルエネルギーＣＴにより取得された画像から仮想単色Ｘ線画像を推論し、推論した仮想単色Ｘ線画像に基づいて物質密度画像を生成する技術も研究、開発されている。
【0007】
しかし、一般に、シングルエネルギーＣＴのデータに基づいて推論された仮想単色Ｘ線画像は、デュアルエネルギーＣＴのデータに基づいて計算された仮想単色Ｘ線画像と比較すると、ＣＴ値の精度がやや劣るという問題がある。したがって、シングルエネルギーＣＴのデータにより推論された仮想単色Ｘ線画像に基づいて物質密度画像を計算した場合、計算された物質密度画像の精度には限界がある。
【0008】
このような理由から、シングルエネルギーＣＴのＣＴシステムを用いて高品質な物質密度画像を得ることができる技術が望まれている。
【課題を解決するための手段】
【0009】
本発明の第１の観点は、被検体から収集されたシングルエネルギーＣＴのデータに基づいて生成されたＣＴ画像を第１の学習済みニューラルネットワークに入力することであって、
前記第１の学習済みニューラルネットワークは、学習フェーズにおいて、第１のニューラルネットワークが複数の仮想単色Ｘ線画像を用いた学習を実行することにより作成されるものである、
前記ＣＴ画像を第１の学習済みニューラルネットワークに入力すること、
前記ＣＴ画像に基づいて、前記第１の学習済みニューラルネットワークに、仮想単色Ｘ線画像を推論させること、
前記ＣＴ画像と、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像とに基づいて、第１の基準物質の密度を表す第１の物質密度画像と、第２の基準物質の密度を表す第２の物質密度画像とを生成すること、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力することであって、
前記第２の学習済みニューラルネットワークは、学習フェーズにおいて、第２のニューラルネットワークが複数の物質密度画像を用いた学習を実行することにより作成されるものである、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力すること、および
前記第１の物質密度画像および前記第２の物質密度画像に基づいて、前記第２の学習済みニューラルネットワークに、前記第１の基準物質の密度を表す第３の物質密度画像と、前記第２の基準物質の密度を表す第４の物質密度画像を推論させること
を含む動作を実行する１つ以上のプロセッサを含む、装置である。
前記第１の学習済みニューラルネットワークは、学習フェーズにおいて、第１のニューラルネットワークが複数の仮想単色Ｘ線画像を用いた学習を実行することにより作成されるものである、
前記ＣＴ画像を第１の学習済みニューラルネットワークに入力すること、
前記ＣＴ画像に基づいて、前記第１の学習済みニューラルネットワークに、仮想単色Ｘ線画像を推論させること、
前記ＣＴ画像と、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像とに基づいて、第１の基準物質の密度を表す第１の物質密度画像と、第２の基準物質の密度を表す第２の物質密度画像とを生成すること、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力することであって、
前記第２の学習済みニューラルネットワークは、学習フェーズにおいて、第２のニューラルネットワークが複数の物質密度画像を用いた学習を実行することにより作成されるものである、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力すること、および
前記第１の物質密度画像および前記第２の物質密度画像に基づいて、前記第２の学習済みニューラルネットワークに、前記第１の基準物質の密度を表す第３の物質密度画像と、前記第２の基準物質の密度を表す第４の物質密度画像を推論させること
を含む動作を実行する１つ以上のプロセッサを含む、装置である。
【0010】
また、本発明の第２の観点は、シングルエネルギーＣＴのデータを収集するＣＴシステムであって、
所定の管電圧が印加されるＸ線管と、
１つ以上のプロセッサと
を含み、
前記１つ以上のプロセッサが、
被検体から収集されたシングルエネルギーＣＴのデータに基づいてＣＴ画像を生成すること、
前記ＣＴ画像を第１の学習済みニューラルネットワークに入力することであって、
前記第１の学習済みニューラルネットワークは、学習フェーズにおいて、第１のニューラルネットワークが複数の仮想単色Ｘ線画像を用いた学習を実行することにより作成されるものである、
前記ＣＴ画像を第１の学習済みニューラルネットワークに入力すること、
前記ＣＴ画像に基づいて、前記第１の学習済みニューラルネットワークに、仮想単色Ｘ線画像を推論させること、
前記ＣＴ画像と、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像とに基づいて、第１の基準物質の密度を表す第１の物質密度画像と、第２の基準物質の密度を表す第２の物質密度画像とを生成すること、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力することであって、
前記第２の学習済みニューラルネットワークは、学習フェーズにおいて、第２のニューラルネットワークが複数の物質密度画像を用いた学習を実行することにより作成されるものである、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力すること、および
前記第１の物質密度画像および前記第２の物質密度画像に基づいて、前記第２の学習済みニューラルネットワークに、前記第１の基準物質の密度を表す第３の物質密度画像と、前記第２の基準物質の密度を表す第４の物質密度画像を推論させること
を含む動作を実行する、ＣＴシステムである。
所定の管電圧が印加されるＸ線管と、
１つ以上のプロセッサと
を含み、
前記１つ以上のプロセッサが、
被検体から収集されたシングルエネルギーＣＴのデータに基づいてＣＴ画像を生成すること、
前記ＣＴ画像を第１の学習済みニューラルネットワークに入力することであって、
前記第１の学習済みニューラルネットワークは、学習フェーズにおいて、第１のニューラルネットワークが複数の仮想単色Ｘ線画像を用いた学習を実行することにより作成されるものである、
前記ＣＴ画像を第１の学習済みニューラルネットワークに入力すること、
前記ＣＴ画像に基づいて、前記第１の学習済みニューラルネットワークに、仮想単色Ｘ線画像を推論させること、
前記ＣＴ画像と、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像とに基づいて、第１の基準物質の密度を表す第１の物質密度画像と、第２の基準物質の密度を表す第２の物質密度画像とを生成すること、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力することであって、
前記第２の学習済みニューラルネットワークは、学習フェーズにおいて、第２のニューラルネットワークが複数の物質密度画像を用いた学習を実行することにより作成されるものである、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力すること、および
前記第１の物質密度画像および前記第２の物質密度画像に基づいて、前記第２の学習済みニューラルネットワークに、前記第１の基準物質の密度を表す第３の物質密度画像と、前記第２の基準物質の密度を表す第４の物質密度画像を推論させること
を含む動作を実行する、ＣＴシステムである。
【0011】
本発明の第３の観点は、１つ以上のプロセッサによって実行可能な１つ以上の命令が格納された、1つ以上の非一時的でコンピュータ読取可能な記録媒体であって、前記１つ以上の命令は、前記1つ以上のプロセッサに、
被検体から収集されたシングルエネルギーＣＴのデータに基づいて生成されたＣＴ画像を第１の学習済みニューラルネットワークに入力することであって、
前記第１の学習済みニューラルネットワークは、学習フェーズにおいて、第１のニューラルネットワークが複数の仮想単色Ｘ線画像を用いた学習を実行することにより作成されるものである、
前記ＣＴ画像を第１の学習済みニューラルネットワークに入力すること、
前記ＣＴ画像に基づいて、前記第１の学習済みニューラルネットワークに、仮想単色Ｘ線画像を推論させること、
前記ＣＴ画像と、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像とに基づいて、第１の基準物質の密度を表す第１の物質密度画像と、第２の基準物質の密度を表す第２の物質密度画像とを生成すること、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力することであって、
前記第２の学習済みニューラルネットワークは、学習フェーズにおいて、第２のニューラルネットワークが複数の物質密度画像を用いた学習を実行することにより作成されるものである、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力すること、および
前記第１の物質密度画像および前記第２の物質密度画像に基づいて、前記第２の学習済みニューラルネットワークに、前記第１の基準物質の密度を表す第３の物質密度画像と、前記第２の基準物質の密度を表す第４の物質密度画像を推論させること
を含む動作を実行させる、記憶媒体である。
被検体から収集されたシングルエネルギーＣＴのデータに基づいて生成されたＣＴ画像を第１の学習済みニューラルネットワークに入力することであって、
前記第１の学習済みニューラルネットワークは、学習フェーズにおいて、第１のニューラルネットワークが複数の仮想単色Ｘ線画像を用いた学習を実行することにより作成されるものである、
前記ＣＴ画像を第１の学習済みニューラルネットワークに入力すること、
前記ＣＴ画像に基づいて、前記第１の学習済みニューラルネットワークに、仮想単色Ｘ線画像を推論させること、
前記ＣＴ画像と、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像とに基づいて、第１の基準物質の密度を表す第１の物質密度画像と、第２の基準物質の密度を表す第２の物質密度画像とを生成すること、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力することであって、
前記第２の学習済みニューラルネットワークは、学習フェーズにおいて、第２のニューラルネットワークが複数の物質密度画像を用いた学習を実行することにより作成されるものである、
前記第１の物質密度画像および前記第２の物質密度画像を第２の学習済みニューラルネットワークに入力すること、および
前記第１の物質密度画像および前記第２の物質密度画像に基づいて、前記第２の学習済みニューラルネットワークに、前記第１の基準物質の密度を表す第３の物質密度画像と、前記第２の基準物質の密度を表す第４の物質密度画像を推論させること
を含む動作を実行させる、記憶媒体である。
【0012】
本発明の第４の観点は、学習済みニューラルネットワークの作成方法であって、
第１の学習済みニューラルネットワークを作成することであって、
前記第１の学習済みニューラルネットワークは、第１のニューラルネットワークが第１の学習データセットを用いた学習を実行することにより作成されるものであり、
前記第１の学習データセットは、第１の複数の仮想単色Ｘ線画像を含む第１の画像セットと、第２の複数の仮想単色Ｘ線画像を含む第２の画像セットを含み、
前記第１の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が、シングルエネルギーＣＴのデータを収集するＣＴシステムの管電圧に相当する第１のエネルギーレベルの仮想単色Ｘ線画像であり、前記第２の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が、第２のエネルギーレベルの仮想単色Ｘ線画像であり、
前記第１の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が前記第１のニューラルネットワークの入力として使用され、前記第２の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が前記第１のニューラルネットワークから出力されるように、前記第１のニューラルネットワークが前記第１の学習データセットを用いた学習を実行する、
前記第１の学習済みニューラルネットワークを作成すること、および
第２の学習済みニューラルネットワークを作成することであって、
前記第２の学習済みニューラルネットワークは、第２のニューラルネットワークが第２の学習データセットを用いた学習を実行することにより作成されるものであり、
前記第２の学習データセットは、第１の基準物質の密度を表す第１の複数の物質密度画像を含む第３の画像セットと、前記第２の基準物質の密度を表す第２の複数の物質密度画像を含む第４の画像セットと、前記第１の基準物質の密度を表す第３の複数の物質密度画像を含む第５の画像セットと、前記第２の基準物質の密度を表す第４の複数の物質密度画像を含む第６の画像セットとを含み、
前記第１の複数の物質密度画像の各物質密度画像および前記第２の複数の物質密度画像の各物質密度画像が、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像に基づいて生成された画像であり、
前記第３の複数の物質密度画像の各物質密度画像および前記第４の複数の物質密度画像の各物質密度画像が、デュアルエネルギーＣＴのデータに基づいて生成された画像であり、
前記第１の複数の物質密度画像の各物質密度画像および前記第２の複数の物質密度画像の各物質密度画像が前記第２のニューラルネットワークの入力として使用され、前記第３の複数の物質密度画像の各物質密度画像および前記第４の複数の物質密度画像の各物質密度画像が前記第２のニューラルネットワークから出力されるように、前記第２のニューラルネットワークが、前記第１の複数の物質密度画像、前記第２の複数の物質密度画像、前記第３の複数の物質密度画像、および前記第４の複数の物質密度画像を用いた学習を実行する、
第２の学習済みニューラルネットワークを作成すること、
を含む、作成方法である。
第１の学習済みニューラルネットワークを作成することであって、
前記第１の学習済みニューラルネットワークは、第１のニューラルネットワークが第１の学習データセットを用いた学習を実行することにより作成されるものであり、
前記第１の学習データセットは、第１の複数の仮想単色Ｘ線画像を含む第１の画像セットと、第２の複数の仮想単色Ｘ線画像を含む第２の画像セットを含み、
前記第１の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が、シングルエネルギーＣＴのデータを収集するＣＴシステムの管電圧に相当する第１のエネルギーレベルの仮想単色Ｘ線画像であり、前記第２の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が、第２のエネルギーレベルの仮想単色Ｘ線画像であり、
前記第１の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が前記第１のニューラルネットワークの入力として使用され、前記第２の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が前記第１のニューラルネットワークから出力されるように、前記第１のニューラルネットワークが前記第１の学習データセットを用いた学習を実行する、
前記第１の学習済みニューラルネットワークを作成すること、および
第２の学習済みニューラルネットワークを作成することであって、
前記第２の学習済みニューラルネットワークは、第２のニューラルネットワークが第２の学習データセットを用いた学習を実行することにより作成されるものであり、
前記第２の学習データセットは、第１の基準物質の密度を表す第１の複数の物質密度画像を含む第３の画像セットと、前記第２の基準物質の密度を表す第２の複数の物質密度画像を含む第４の画像セットと、前記第１の基準物質の密度を表す第３の複数の物質密度画像を含む第５の画像セットと、前記第２の基準物質の密度を表す第４の複数の物質密度画像を含む第６の画像セットとを含み、
前記第１の複数の物質密度画像の各物質密度画像および前記第２の複数の物質密度画像の各物質密度画像が、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像に基づいて生成された画像であり、
前記第３の複数の物質密度画像の各物質密度画像および前記第４の複数の物質密度画像の各物質密度画像が、デュアルエネルギーＣＴのデータに基づいて生成された画像であり、
前記第１の複数の物質密度画像の各物質密度画像および前記第２の複数の物質密度画像の各物質密度画像が前記第２のニューラルネットワークの入力として使用され、前記第３の複数の物質密度画像の各物質密度画像および前記第４の複数の物質密度画像の各物質密度画像が前記第２のニューラルネットワークから出力されるように、前記第２のニューラルネットワークが、前記第１の複数の物質密度画像、前記第２の複数の物質密度画像、前記第３の複数の物質密度画像、および前記第４の複数の物質密度画像を用いた学習を実行する、
第２の学習済みニューラルネットワークを作成すること、
を含む、作成方法である。
【0013】
本発明の第５の観点は、被検体から収集されたシングルエネルギーＣＴのデータに基づいて生成されたＣＴ画像を第１の学習済みニューラルネットワークに入力することであって、
前記第１の学習済みニューラルネットワークは、学習フェーズにおいて、第１のニューラルネットワークが複数の仮想単色Ｘ線画像を用いた学習を実行することにより作成されるものである、
前記ＣＴ画像を第１の学習済みニューラルネットワークに入力すること、
前記ＣＴ画像に基づいて、前記第１の学習済みニューラルネットワークに、仮想単色Ｘ線画像を推論させること、
前記ＣＴ画像と、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像とに基づいて、第１の基準物質の密度を表す第１の物質密度画像と、第２の基準物質の密度を表す第２の物質密度画像とを生成すること、
前記第１の物質密度画像を第３の学習済みニューラルネットワークに入力することであって、
前記第３の学習済みニューラルネットワークは、学習フェーズにおいて、第３のニューラルネットワークが、前記第１の基準物質の密度を表す複数の物質密度画像を用いた学習を実行することにより作成されるものである、
前記第１の物質密度画像を第３の学習済みニューラルネットワークに入力すること、
前記第１の物質密度画像に基づいて、前記第３の学習済みニューラルネットワークに、前記第１の基準物質の密度を表す第３の物質密度画像を推論させること、
前記第２の物質密度画像を第４の学習済みニューラルネットワークに入力することであって、
前記第４の学習済みニューラルネットワークは、学習フェーズにおいて、第４のニューラルネットワークが、前記第２の基準物質の密度を表す複数の物質密度画像を用いた学習を実行することにより作成されるものである、
前記第２の物質密度画像を第３の学習済みニューラルネットワークに入力すること、および
前記第２の物質密度画像に基づいて、前記第４の学習済みニューラルネットワークに、前記第２の基準物質の密度を表す第４の物質密度画像を推論させること、
を含む動作を実行する１つ以上のプロセッサを含む、装置である。
前記第１の学習済みニューラルネットワークは、学習フェーズにおいて、第１のニューラルネットワークが複数の仮想単色Ｘ線画像を用いた学習を実行することにより作成されるものである、
前記ＣＴ画像を第１の学習済みニューラルネットワークに入力すること、
前記ＣＴ画像に基づいて、前記第１の学習済みニューラルネットワークに、仮想単色Ｘ線画像を推論させること、
前記ＣＴ画像と、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像とに基づいて、第１の基準物質の密度を表す第１の物質密度画像と、第２の基準物質の密度を表す第２の物質密度画像とを生成すること、
前記第１の物質密度画像を第３の学習済みニューラルネットワークに入力することであって、
前記第３の学習済みニューラルネットワークは、学習フェーズにおいて、第３のニューラルネットワークが、前記第１の基準物質の密度を表す複数の物質密度画像を用いた学習を実行することにより作成されるものである、
前記第１の物質密度画像を第３の学習済みニューラルネットワークに入力すること、
前記第１の物質密度画像に基づいて、前記第３の学習済みニューラルネットワークに、前記第１の基準物質の密度を表す第３の物質密度画像を推論させること、
前記第２の物質密度画像を第４の学習済みニューラルネットワークに入力することであって、
前記第４の学習済みニューラルネットワークは、学習フェーズにおいて、第４のニューラルネットワークが、前記第２の基準物質の密度を表す複数の物質密度画像を用いた学習を実行することにより作成されるものである、
前記第２の物質密度画像を第３の学習済みニューラルネットワークに入力すること、および
前記第２の物質密度画像に基づいて、前記第４の学習済みニューラルネットワークに、前記第２の基準物質の密度を表す第４の物質密度画像を推論させること、
を含む動作を実行する１つ以上のプロセッサを含む、装置である。
【発明の効果】
【0014】
（第１－第３の観点について）
第１の学習済みニューラルネットワークは、第１のニューラルネットワークが複数の仮想単色Ｘ線画像を用いた学習を実行することにより作成されている。したがって、第１の学習済みニューラルネットワークは、ＣＴ値のドメインで推論処理を行うように構成されている。そして、ＣＴ画像を第１の学習済みニューラルネットワークに入力することにより仮想単色Ｘ線画像が推論される。
次に、ＣＴ画像と、推論された仮想単色Ｘ線画像に基づいて、第１の基準物質の密度を表す第１の物質密度画像と、第２の基準物質の密度を表す第２の物質密度画像を生成する。
しかし、第１および第２の物質密度画像を計算するために使用される仮想単色Ｘ線画像は、シングルエネルギーＣＴのデータに基づいて生成されたＣＴ画像から推論されている。一般に、シングルエネルギーＣＴのデータに基づいて推論された仮想単色Ｘ線画像は、デュアルエネルギーＣＴのデータに基づいて計算された仮想単色Ｘ線画像と比較すると、ＣＴ値の精度がやや劣るという問題がある。したがって、ＣＴ画像と、推論された仮想単色Ｘ線画像とに基づいて計算された第１および第２の物質密度画像の精度には限界がある。
そこで、第１－第３の観点では、第１の学習済みニューラルネットワークの他に、密度のドメインで推論処理を実行する第２の学習済みニューラルネットワークを作成している。第２の学習済みニューラルネットワークは密度のドメインで推論処理を実行する。したがって、第２の学習済みニューラルネットワークに、シングルエネルギーＣＴのデータに基づいて生成された第１および第２の物質密度画像を入力すると、密度のドメインで推論処理が実行される。このため、第２の学習済みニューラルネットワークに第１および第２の物質密度画像を入力することにより、第１および第２の物質密度画像よりも基準物質の密度の計算値の信頼性が高い第３および第４の物質密度画像を推論することができる。
したがって、第３および第４の物質密度画像を、デュアルエネルギーＣＴのデータから計算された物質密度画像の精度に近づけることが可能となる。
第１の学習済みニューラルネットワークは、第１のニューラルネットワークが複数の仮想単色Ｘ線画像を用いた学習を実行することにより作成されている。したがって、第１の学習済みニューラルネットワークは、ＣＴ値のドメインで推論処理を行うように構成されている。そして、ＣＴ画像を第１の学習済みニューラルネットワークに入力することにより仮想単色Ｘ線画像が推論される。
次に、ＣＴ画像と、推論された仮想単色Ｘ線画像に基づいて、第１の基準物質の密度を表す第１の物質密度画像と、第２の基準物質の密度を表す第２の物質密度画像を生成する。
しかし、第１および第２の物質密度画像を計算するために使用される仮想単色Ｘ線画像は、シングルエネルギーＣＴのデータに基づいて生成されたＣＴ画像から推論されている。一般に、シングルエネルギーＣＴのデータに基づいて推論された仮想単色Ｘ線画像は、デュアルエネルギーＣＴのデータに基づいて計算された仮想単色Ｘ線画像と比較すると、ＣＴ値の精度がやや劣るという問題がある。したがって、ＣＴ画像と、推論された仮想単色Ｘ線画像とに基づいて計算された第１および第２の物質密度画像の精度には限界がある。
そこで、第１－第３の観点では、第１の学習済みニューラルネットワークの他に、密度のドメインで推論処理を実行する第２の学習済みニューラルネットワークを作成している。第２の学習済みニューラルネットワークは密度のドメインで推論処理を実行する。したがって、第２の学習済みニューラルネットワークに、シングルエネルギーＣＴのデータに基づいて生成された第１および第２の物質密度画像を入力すると、密度のドメインで推論処理が実行される。このため、第２の学習済みニューラルネットワークに第１および第２の物質密度画像を入力することにより、第１および第２の物質密度画像よりも基準物質の密度の計算値の信頼性が高い第３および第４の物質密度画像を推論することができる。
したがって、第３および第４の物質密度画像を、デュアルエネルギーＣＴのデータから計算された物質密度画像の精度に近づけることが可能となる。
【0015】
（第４の観点について）
第４の観点では、第１－第３の観点において使用される第１および第２の学習済みニューラルネットワークの作成方法が提供される。
第４の観点では、第１－第３の観点において使用される第１および第２の学習済みニューラルネットワークの作成方法が提供される。
【0016】
（第５の観点について）
第５の観点では、第１の物質密度画像に基づいて第３の物質密度画像を推論する第３の学習済みニューラルネットワークと、第２の物質密度画像に基づいて第４の物質密度画像を推論する第４の学習済みニューラルネットワークを使用する例が示されている。第５の観点では、第３および第４の学習済みニューラルネットワークが密度のドメインで推論処理を実行する。したがって、第１および第２の物質密度画像よりも基準物質の密度の計算値の信頼性が高い第３および第４の物質密度画像を推論することができる。
第５の観点では、第１の物質密度画像に基づいて第３の物質密度画像を推論する第３の学習済みニューラルネットワークと、第２の物質密度画像に基づいて第４の物質密度画像を推論する第４の学習済みニューラルネットワークを使用する例が示されている。第５の観点では、第３および第４の学習済みニューラルネットワークが密度のドメインで推論処理を実行する。したがって、第１および第２の物質密度画像よりも基準物質の密度の計算値の信頼性が高い第３および第４の物質密度画像を推論することができる。
【図面の簡単な説明】
【0017】
【図1】本実施形態におけるＣＴシステム１００の斜視図である。
【図2】ＣＴシステム１００のブロック図である。
【図3】本実施形態において物質密度画像を取得するための基本的な考え方を説明するためのフロー図である。
【図4】本実施形態において物質密度画像を推論するフローを示す図である。
【図5】第１の学習データセット８０の説明図である。
【図6】患者１３１～１３ｗから取得された仮想単色Ｘ線画像の説明図である。
【図7】第１のニューラルネットワーク８３の学習方法の説明図である。
【図8】第２の学習データセット９０の説明図である。
【図9】画像セット３００および４００を用意する方法の説明図である。
【図10】画像セット５００および６００の説明図である。
【図11】第２の学習済みニューラルネットワーク９４の作成方法の説明図である。
【図12】被検体のスキャンの説明図である。
【図13】水密度画像およびヨード密度画像を、別々の学習済みニューラルネットワークを使用して推論する一例のフロー図である。
【発明を実施するための形態】
【0018】
以下、発明を実施するための形態について説明するが、本発明は、以下の形態に限定されることはない。
【0019】
図１は、本実施形態におけるＣＴシステム１００の斜視図である。
ＣＴシステム１００は、ガントリ１０２を有している。ガントリ１０２は開口部１０７を有しており、その開口部１０７に被検体１１２が搬送され、被検体１１２のスキャンが実行される。
ＣＴシステム１００は、ガントリ１０２を有している。ガントリ１０２は開口部１０７を有しており、その開口部１０７に被検体１１２が搬送され、被検体１１２のスキャンが実行される。
【0020】
図２は、ＣＴシステム１００のブロック図である。
ガントリ１０２には、Ｘ線管１０４、フィルタ部１０３、前置コリメータ１０５、および検出器アレイ１０８などが取り付けられている。
ガントリ１０２には、Ｘ線管１０４、フィルタ部１０３、前置コリメータ１０５、および検出器アレイ１０８などが取り付けられている。
【0021】
Ｘ線管１０４は、陰極－陽極管に所定の電圧（例えば、１２０kVp）が印加されることにより、Ｘ線を発生する。
【0022】
フィルタ部１０３は、例えば、平板フィルタおよび／又はボウタイフィルタを含んでいる。
前置コリメータ１０５は、不要な領域にＸ線が照射されないようにX線の照射範囲を絞り込むための部材である。
前置コリメータ１０５は、不要な領域にＸ線が照射されないようにX線の照射範囲を絞り込むための部材である。
【0023】
検出器アレイ１０８は複数の検出器素子２０２を含んでいる。複数の検出器素子２０２は、Ｘ線管１０４から照射され、撮影対象である被検体１１２を通過するＸ線ビーム１０６を検出する。したがって、検出器アレイ１０８は、ビューごとに投影データを取得することができる。
【0024】
Ｘ線検出器１０８により検出された投影データは、ＤＡＳ（Data Acquisition Sysytem）２１４で収集される。ＤＡＳ２１４は、収集した投影データに対して、サンプリング、デジタル変換などを含む所定の処理を実行する。処理された投影データは、コンピュータ２１６に送信される。コンピュータ２１６は、ＤＡＳ２１４からのデータを記憶装置２１８に記憶する。記憶装置２１８は、プログラムや、プロセッサで実行される命令などを記憶する1つ以上の記憶媒体を含むものである。記憶媒体は、例えば、1つ以上の非一時的でコンピュータ読取可能な記録媒体とすることができる。記憶装置２１８は、例えば、ハードディスクドライブ、フロッピーディスクドライブ、コンパクトディスク読み出し／書き込み（ＣＤ－Ｒ／Ｗ）ドライブ、デジタル多用途ディスク（ＤＶＤ）ドライブ、フラッシュドライブ、および／またはソリッドステート記憶ドライブを含むことができる。
【0025】
コンピュータ２１６は１つ又は複数のプロセッサを含んでいる。コンピュータ２１６は、１つ又は複数のプロセッサを使用して、ＤＡＳ２１４、Ｘ線コントローラ２１０、および／又はガントリモータコントローラ２１２に、コマンドおよびパラメータを出力し、データ取得および／またはデータ処理などのシステム動作を制御する。
【0026】
コンピュータ２１６には、オペレータコンソール２２０が結合されている。オペレータは、オペレータコンソール２２０を操作することにより、ＣＴシステム１００の動作に関連する所定のオペレータ入力をコンピュータ２１６に入力することができる。コンピュータ２１６は、オペレータコンソール２２０を介して、コマンドおよび／またはスキャンパラメータを含むオペレータ入力を受信し、そのオペレータ入力に基づいてシステム動作を制御する。オペレータコンソール２２０は、オペレータがコマンドおよび／またはスキャンパラメータを指定するためのキーボード（図示せず）またはタッチスクリーンを含むことができる。
【0027】
Ｘ線コントローラ２１０は、コンピュータ２１６からの信号に基づいてＸ線管１０４を制御する。また、ガントリモータコントローラ２１２は、コンピュータ２１６からの信号に基づいてガントリモータを制御する。
【0028】
図２は、１つのオペレータコンソール２２０のみを示しているが、２つ以上のオペレータコンソールをコンピュータ２１６に結合してもよい。
【0029】
また、ＣＴシステム１００は、例えば、有線ネットワークおよび／又は無線ネットワークを介して、遠隔に位置する複数のディスプレイ、プリンタ、ワークステーションなどのデバイスが結合されるようにしてもよい。
【0030】
一実施形態では、例えば、ＣＴシステム１００は、画像保管通信システム（ＰＡＣＳ）２２４を含んでいてもよいし、ＰＡＣＳ２２４に結合されていてもよい。例示的な実施態様では、ＰＡＣＳ２２４は、放射線科情報システム、病院情報システム、および／または内部もしくは外部ネットワーク（図示せず）などの遠隔システムに結合することができる。
【0031】
コンピュータ２１６は、テーブルモータコントローラ１１８に、テーブル１１６を制御するためのコマンドを供給する。テーブルモータコントローラ１１８は、受け取ったコマンドに基づいてテーブル１１６を制御することができる。特に、テーブルモータコントローラ１１８は、ガントリ１０２の開口部１０７内で被検体１１２が適切に位置決めされるように、テーブル１１６を移動することができる。
【0032】
前述のように、ＤＡＳ２１４は、検出器素子２０２によって取得された投影データをサンプリングしてデジタル変換する。その後、画像再構成器２３０が、サンプリングされデジタル変換されたデータを使用して画像を再構成する。画像再構成器２３０は１つ又は複数のプロセッサを含んでおり、このプロセッサが画像再構成の処理を実行することができる。図２では、画像再構成器２３０は、コンピュータ２１６とは別個の構成要素として示されているが、画像再構成器２３０は、コンピュータ２１６の一部を形成するものであってもよい。また、コンピュータ２１６が、画像再構成器２３０の１つまたは複数の機能を実施してもよい。さらに、画像再構成器２３０は、ＣＴシステム１００から離れた位置に設けられ、有線ネットワークまたは無線ネットワークを使用してＣＴシステム１００に動作可能に接続されるようにしてもよい。
【0033】
画像再構成器２３０は、再構成された画像を記憶装置２１８に記憶することができる。また、画像再構成器２３０は、再構成された画像をコンピュータ２１６に送信してもよい。コンピュータ２１６は、再構成された画像および／または患者情報を、コンピュータ２１６および／または画像再構成器２３０に通信可能に結合された表示部２３２に送信することができる。
【0034】
コンピュータ２１６および／または画像再構成器２３０は、被検体のスキャンにより収集されたデータの処理を実行する装置、オペレータコンソール２２０から受け取ったデータに基づいて各種の処理を実行する装置、各種コントローラ（１１８、２１０、２１２など）から受け取ったデータに基づいて各種の処理を実行する装置を構成する。
【0035】
尚、コンピュータ２１６および／または画像再構成器２３０が実行する処理の少なくとも一部を、ＣＴシステム１００とは別の外部装置で実行されるようにしてもよい。
【0036】
本明細書で説明される様々な方法およびプロセスは、ＣＴシステム１００内の非一時的な記憶媒体に実行可能命令として記憶することができる。この実行可能命令は、１つの記憶媒体に記憶されていてもよいし、複数の記憶媒体に分散させて記憶されるようにしてもよい。ＣＴシステム１００に備えられる１つ以上のプロセッサは、記憶媒体に記憶された命令に従って、本明細書で説明される様々な方法、ステップ、およびプロセスを実行する。
ＣＴシステム１００は上記のように構成されている。
ＣＴシステム１００は上記のように構成されている。
【0037】
本実施形態のＣＴシステム１００は、シングルエネルギーＣＴの撮影を実行するシステムであるが、高品質な物質密度画像を取得することができるように構成されている。
【0038】
以下に、シングルエネルギーＣＴの撮影を実行するＣＴシステムを使用して物質密度画像を取得するための手法の基本的な考え方について、図３を参照しながら説明する。
【0039】
図３は、本実施形態において物質密度画像を取得するための基本的な考え方を説明するためのフロー図である。
【0040】
ステップＳＴ１では、シングルエネルギーＣＴの撮影を実行するＣＴシステム１００を使用して被検体をスキャンする。本実施形態では、ＣＴシステムの管電圧は１２０kVpであるが、他の管電圧を使用してもよい。
【0041】
ステップＳＴ２では、被検体をスキャンすることにより取得したデータに基づいて、ＣＴ画像１１を生成する。
【0042】
ステップＳＴ３では、ステップＳＴ２で得られたＣＴ画像１１を第１の学習済みニューラルネットワーク８４に入力する。そして、入力されたＣＴ画像１１に基づいて、第１の学習済みニューラルネットワーク８４が仮想単色Ｘ線画像２１を推論する。
【0043】
尚、第１の学習済みニューラルネットワーク８４は、学習フェーズにおいて、第１のニューラルネットワーク８３が、複数の仮想単色Ｘ線画像を用いた学習を実行することにより生成されるものである。第１の学習済みニューラルネットワーク８４の具体的な作成方法の一例については後述する。
【0044】
ＣＴシステム１００の管電圧１２０（kVp）は、約７０（keV）のエネルギーレベルに相当する。したがって、エネルギーレベルの観点で考えると、ＣＴ画像１１は７０（keV）の仮想単色Ｘ線画像に相当する。また、第１の学習済みニューラルネットワーク８４は、ＣＴ画像１１に基づいて、７０（keV）とは異なるエネルギーレベルの仮想単色Ｘ線画像２１を推論する。図３では、仮想単色Ｘ線画像２１の一例として、５０（keV）の仮想単色Ｘ線画像を推論する例が示されている。仮想単色Ｘ線画像２１を推論した後、ステップＳＴ４に進む。
【0045】
ステップＳＴ４では、第１の学習済みニューラルネットワーク８４の入力に使用されたＣＴ画像１１と、第１の学習済みニューラルネットワーク８４により推論された５０（keV）の仮想単色Ｘ線画像２１に基づいて、第１の物質密度画像３１と、第２の物質密度画像４１とを生成する。第１の物質密度画像３１は第１の基準物質の密度を表す画像であり、第２の物質密度画像４１は第２の基準物質の密度を表す画像である。第１および第２の基準物質は、被検体の撮影部位に含まれる物質に基づいて決定することができる。２つの基準物質は、実効原子番号が大きく異なるものを選択することが望ましく、例えば、水およびヨードを、２つの基準物質として選択することができる。
【0046】
ステップＳＴ５では、ステップＳＴ４で生成された第１の物質密度画像３１および第２の物質密度画像４１のペアを第２の学習済みニューラルネットワーク９４に入力する。そして、入力された第１の物質密度画像３１および第２の物質密度画像４１のペアに基づいて、第２の学習済みニューラルネットワーク９４が、第１の基準物質の密度を表す第３の物質密度画像５１および第２の基準物質の密度を表す第４の物質密度画像６１のペアを推論する。尚、第２の学習済みニューラルネットワーク９４は、学習フェーズにおいて、第２のニューラルネットワーク９３が、複数の物質密度画像を用いた学習を実行することにより生成されるものである。第２の学習済みニューラルネットワーク９４の具体的な作成方法の一例については後述する。
【0047】
したがって、本実施形態では、第１および第２の学習済みニューラルネットワーク８４および９４を使用して、物質密度画像５１および６１が推論される。
【0048】
第１の学習済みニューラルネットワーク８４は、第１のニューラルネットワーク８３が複数の仮想単色Ｘ線画像を用いた学習を実行することにより作成されている。したがって、第１の学習済みニューラルネットワーク８４は、ＣＴ値のドメインで推論処理を行うように構成されている。そして、ＣＴ画像１１を第１の学習済みニューラルネットワーク８４に入力し、仮想単色Ｘ線画像２１を推論している。ＣＴ画像１１は７０（keV）の仮想単色Ｘ線画像に相当し、第１の学習済みニューラルネットワーク８４が推論する仮想単色Ｘ線画像２１は５０（keV）の仮想単色Ｘ線画像である。したがって、ＣＴ画像１１および仮想単色Ｘ線画像２１は、エネルギーレベルが互いに異なる画像である。これらのＣＴ画像１１および仮想単色Ｘ線画像２１を用いて物質弁別処理を実行することにより、第１の物質密度画像３１および第２の物質密度画像４１を生成することができる。第１の物質密度画像３１は、例えば水密度画像であり、第２の物質密度画像４１は、例えばヨード密度画像である。したがって、ステップＳＴ４を実行することにより、２つの物質密度画像３１および４１を生成することができる。
【0049】
しかし、第１および第２の物質密度画像３１および４１を計算するために使用される仮想単色Ｘ線画像２１は、シングルエネルギーＣＴのデータに基づいて生成されたＣＴ画像１１から推論されている。一般に、シングルエネルギーＣＴのデータに基づいて推論された仮想単色Ｘ線画像は、デュアルエネルギーＣＴのデータに基づいて計算された仮想単色Ｘ線画像と比較すると、ＣＴ値の精度がやや劣るという問題がある。したがって、ＣＴ画像１１と仮想単色Ｘ線画像２１とに基づいて物質密度画像３１および４１を計算した場合、物質密度画像３１および４１の精度にも限界がある。
【0050】
そこで、本実施形態では、第１の学習済みニューラルネットワーク８４の他に、密度のドメインで推論処理を実行する第２の学習済みニューラルネットワーク９４を作成している。第２の学習済みニューラルネットワーク９４は密度のドメインで推論処理を実行する。したがって、第２の学習済みニューラルネットワーク９４に、シングルエネルギーＣＴのデータに基づいて生成された物質密度画像３１および４１を入力すると、密度のドメインで推論処理が実行され、物質密度画像５１および６１が出力される。したがって、第２の学習済みニューラルネットワーク９４は、入力された物質密度画像３１および４１よりも基準物質の密度の値の信頼性が高い物質密度画像５１および６１を推論することが可能となる。
【0051】
本願発明者は、上記の原理に従って、物質密度画像５１および６１を推論することを考えた。以下に、上記の原理に従って、物質密度画像５１および６１を推論するフローについて説明する。
【0052】
図４は、本実施形態において物質密度画像を推論するフローを示す図である。
尚、図３を参照しながら説明したように、本実施形態では、２つの学習済みニューラルネットワーク８４および９４を用いて物質密度画像５１および６１を推論しているので、２つの学習済みニューラルネットワーク８４および９４を事前に用意しておく必要がある。そこで、以下では、最初に、２つの学習済みニューラルネットワーク８４および９４を作成する学習フェーズについて説明する。そして、学習フェーズを説明した後で、上記の原理に従って物質密度画像５１および６１を推論するフローについて説明する。
尚、図３を参照しながら説明したように、本実施形態では、２つの学習済みニューラルネットワーク８４および９４を用いて物質密度画像５１および６１を推論しているので、２つの学習済みニューラルネットワーク８４および９４を事前に用意しておく必要がある。そこで、以下では、最初に、２つの学習済みニューラルネットワーク８４および９４を作成する学習フェーズについて説明する。そして、学習フェーズを説明した後で、上記の原理に従って物質密度画像５１および６１を推論するフローについて説明する。
【0053】
（学習フェーズについて）
学習フェーズでは、第１の学習済みニューラルネットワーク８４と、第２の学習済みニューラルネットワーク９４を作成する。以下では、最初に、第１の学習済みニューラルネットワーク８４の作成方法について説明し、次に、第２の学習済みニューラルネットワーク９４の作成方法について説明する。
学習フェーズでは、第１の学習済みニューラルネットワーク８４と、第２の学習済みニューラルネットワーク９４を作成する。以下では、最初に、第１の学習済みニューラルネットワーク８４の作成方法について説明し、次に、第２の学習済みニューラルネットワーク９４の作成方法について説明する。
【0054】
図５～図７は、第１の学習済みニューラルネットワーク８４の作成方法の説明図である。
先ず、ステップＳＴ８１（図４参照）において、第１の学習済みニューラルネットワーク８４を作成するために必要な第１の学習データセット８０を用意する。
先ず、ステップＳＴ８１（図４参照）において、第１の学習済みニューラルネットワーク８４を作成するために必要な第１の学習データセット８０を用意する。
【0055】
図５は、第１の学習データセット８０の説明図である。
第1の学習データセット８０は、病院などの医療機関から入手することができる。例えば、医療機関で実際に多数の患者１３１～１３ｗを造影ＣＴスキャンすることにより取得された仮想単色Ｘ線画像を、学習データとして用意することができる。これらの仮想単色Ｘ線画像は、デュアルエネルギーＣＴのデータに基づいて生成された画像である。
第1の学習データセット８０は、病院などの医療機関から入手することができる。例えば、医療機関で実際に多数の患者１３１～１３ｗを造影ＣＴスキャンすることにより取得された仮想単色Ｘ線画像を、学習データとして用意することができる。これらの仮想単色Ｘ線画像は、デュアルエネルギーＣＴのデータに基づいて生成された画像である。
【0056】
図６は、患者１３１～１３ｗから取得された仮想単色Ｘ線画像の説明図である。
患者１３１～１３ｗから得られた仮想単色Ｘ線画像には、様々な時相で取得された仮想単色Ｘ線画像が含まれているが、ここでは、説明の便宜上、患者１３１～１３ｗから取得された仮想単色Ｘ線画像として、所定の時相（例えば、動脈相）で取得された７０（keV）の仮想単色Ｘ線画像および５０（keV）の仮想単色Ｘ線画像を考えることにする。しかし、本発明では、様々な時相の画像を学習データとして使用してもよいことに留意すべきである。
患者１３１～１３ｗから得られた仮想単色Ｘ線画像には、様々な時相で取得された仮想単色Ｘ線画像が含まれているが、ここでは、説明の便宜上、患者１３１～１３ｗから取得された仮想単色Ｘ線画像として、所定の時相（例えば、動脈相）で取得された７０（keV）の仮想単色Ｘ線画像および５０（keV）の仮想単色Ｘ線画像を考えることにする。しかし、本発明では、様々な時相の画像を学習データとして使用してもよいことに留意すべきである。
【0057】
先ず、患者１３１について説明する。患者１３１からは仮想単色Ｘ線画像Ａ１１～Ａｐ２が取得されている。
【0058】
患者１３１のスライスａ１を参照すると、スライスａ１では、２つの仮想単色Ｘ線画像Ａ１１およびＡ１２が取得されている。仮想単色Ｘ線画像Ａ１１およびＡ１２は、デュアルエネルギーＣＴのデータに基づいて生成されたものであり、エネルギーレベルが互いに異なる仮想単色Ｘ線画像である。仮想単色Ｘ線画像Ａ１１はエネルギーレベルＥ１（＝７０（keV））の仮想単色Ｘ線画像であり、仮想単色Ｘ線画像Ａ１２はエネルギーレベルＥ２（＝５０（keV））の仮想単色Ｘ線画像である。
【0059】
また、スライスａ２を参照すると、スライスａ２では、２つの仮想単色Ｘ線画像Ａ２１およびＡ２２が取得されている。仮想単色Ｘ線画像Ａ２１およびＡ２２は、デュアルエネルギーＣＴのデータに基づいて生成されたものであり、エネルギーレベルが互いに異なる仮想単色Ｘ線画像である。仮想単色Ｘ線画像Ａ２１はエネルギーレベルＥ１（＝７０（keV））の仮想単色Ｘ線画像であり、仮想単色Ｘ線画像Ａ２２はエネルギーレベルＥ２（＝５０（keV））の仮想単色Ｘ線画像である。
【0060】
以下同様に、他のスライスａ３～ａｐにおいても、エネルギーレベルＥ１（＝７０（keV））およびＥ２（＝５０（keV））の仮想単色Ｘ線画像が取得されている。したがって、患者１３１からは、エネルギーレベルＥ１（＝７０（keV））の仮想単色Ｘ線画像Ａ１１～Ａｐ1と、エネルギーレベルＥ２（＝５０（keV））の仮想単色Ｘ線画像Ａ１２～Ａｐ２が取得されている。
【0061】
また、他の患者１３２～１３ｗについても、患者１３１と同様に、スライス毎に、エネルギーレベルＥ１（＝７０（keV））およびＥ２（＝５０（keV））の仮想単色Ｘ線画像が取得されている。例えば、患者１３２からは、エネルギーレベルＥ１（＝７０（keV））の仮想単色Ｘ線画像Ｂ１１～Ｂｑ1と、エネルギーレベルＥ２（＝５０（keV））の仮想単色Ｘ線画像Ｂ１２～Ｂｑ２が取得されている。また、患者１３ｗからは、エネルギーレベルＥ１（＝７０（keV））の仮想単色Ｘ線画像Ｃ１１～Ｃｒ1と、エネルギーレベルＥ２（＝５０（keV））の仮想単色Ｘ線画像Ｃ１２～Ｃｒ２が取得されている。
【0062】
したがって、第１の学習データセット８０は、７０（keV）の複数の仮想単色Ｘ線画像を含む第１の画像セット８０１と、５０（keV）の複数の仮想単色Ｘ線画像を含む第２の画像セット８０２とを含んでいる。尚、仮想単色Ｘ線画像のエネルギーレベルは、７０（keV）および５０（keV）に限定されることはなく、７０（keV）および５０（keV）以外の他のエネルギーレベルであってもよい。また、上記の例では、患者１３１～１３ｗから取得された実際の仮想単色Ｘ線画像を、学習データとして使用する場合について説明されている。しかし、患者１３１～１３ｗから取得された実際の仮想単色Ｘ線画像に対して所定の前処理を実行し、前処理が実行された後の仮想単色Ｘ線画像を、学習データとして使用してもよい。
第１の学習データセット８０を用意した後、ステップＳＴ８２（図４参照）に進む。
第１の学習データセット８０を用意した後、ステップＳＴ８２（図４参照）に進む。
【0063】
ステップＳＴ８２では、第１のニューラルネットワーク８３が第１の学習データセット８０を用いた学習を実行することにより、第１の学習済みニューラルネットワーク８４が作成される。以下に、第１のニューラルネットワーク８３の学習方法について説明する。
【0064】
図７は、第１のニューラルネットワーク８３の学習方法の説明図である。
先に説明したように、第１の学習データセット８０は、７０（keV）の仮想単色Ｘ線画像Ａ１１～Ａｒ1を含む第１の画像セット８０１と、５０（keV）の仮想単色Ｘ線画像Ａ１２～Ａｒ２を含む第２の画像セット８０２とを含んでいる。尚、図７では、紙面の制約上、第１の画像セット８０１のうち、患者１３１から得られた仮想単色Ｘ線画像Ａ１１～Ａｐ1と、第２の画像セット８０２のうち、患者１３１から得られた仮想単色Ｘ線画像Ａ１２～Ａｐ２が示されている。
先に説明したように、第１の学習データセット８０は、７０（keV）の仮想単色Ｘ線画像Ａ１１～Ａｒ1を含む第１の画像セット８０１と、５０（keV）の仮想単色Ｘ線画像Ａ１２～Ａｒ２を含む第２の画像セット８０２とを含んでいる。尚、図７では、紙面の制約上、第１の画像セット８０１のうち、患者１３１から得られた仮想単色Ｘ線画像Ａ１１～Ａｐ1と、第２の画像セット８０２のうち、患者１３１から得られた仮想単色Ｘ線画像Ａ１２～Ａｐ２が示されている。
【0065】
先ず、患者１３１のスライスａ１から得られた仮想単色Ｘ線画像Ａ１１およびＡ１２を用いて学習を行う。
【0066】
具体的には、７０（keV）の仮想単色Ｘ線画像Ａ１１を、ニューラルネットワーク８３の入力として使用し、５０（keV）の仮想単色Ｘ線画像Ａ１２がニューラルネットワーク８３から出力されるように、ニューラルネットワーク８３が仮想単色Ｘ線画像Ａ１１およびＡ１２を用いた学習を実行する。尚、７０（keV）の仮想単色Ｘ線画像をニューラルネットワーク８３の入力として使用する理由は、７０（keV）のエネルギーレベルが、実際に被検体１１２をスキャンするために使用されるＣＴシステム１００の管電圧（１２０kVp）のエネルギーレベルに相当するからである。
【0067】
尚、図７では、ニューラルネットワーク８３が、スライスａ１の仮想単色Ｘ線画像Ａ１１およびＡ１２を用いた学習を実行する場合について示されているが、他のスライスａ２～ａｐの仮想単色Ｘ線画像も、スライスａ１の仮想単色Ｘ線画像Ａ１１およびＡ１２と同様に、ニューラルネットワーク８３の学習に使用される。
【0068】
更に、他の患者１３２～１３ｗ（図６参照）の各スライスの仮想単色Ｘ線画像も、患者１３１の仮想単色画像と同様に、ニューラルネットワーク８３の学習に使用される。
【0069】
したがって、第１の画像セット８０１の７０（keV）の各仮想単色Ｘ線画像がニューラルネットワーク８３の入力として使用され、第２の画像セット８０２の５０（keV）の各仮想単色Ｘ線画像がニューラルネットワーク８３から出力されるように、第１の学習データセット８０を用いた学習が実行される。
【0070】
このように、ニューラルネットワーク８３が第１の学習データセット８０を用いた学習を実行することにより、第１の学習済みニューラルネットワーク８４が作成される。尚、学習フェーズでは、所定のＣＴ値の範囲を、重点的に学習するようにしてもよい。例えば、造影剤を使用したスキャンでは、診断をする上で造影剤のＣＴ値が重要であるので、造影剤のＣＴ値の範囲を重点的に学習するようにしてもよい。このように集中的に学習するＣＴ値の範囲を決めておくことにより、診断の目的に更に適合した画像を推論することができる学習済みニューラルネットワークを提供することが可能となる。
【0071】
学習済みニューラルネットワーク８４は、ＣＴシステム１００の記憶装置２１８（図２参照）に記憶される。尚、学習済みニューラルネットワーク８４を、ＣＴシステム１００がアクセス可能な外部の記憶装置に記憶してもよい。
【0072】
次に、第２の学習済みニューラルネットワーク９４の作成方法について説明する。
図８～図１０は、第２の学習済みニューラルネットワーク９４の作成方法の説明図である。
先ず、ステップＳＴ９１（図４参照）において、第２の学習済みニューラルネットワーク９４を作成するために必要な第２の学習データセット９０を用意する。
図８～図１０は、第２の学習済みニューラルネットワーク９４の作成方法の説明図である。
先ず、ステップＳＴ９１（図４参照）において、第２の学習済みニューラルネットワーク９４を作成するために必要な第２の学習データセット９０を用意する。
【0073】
図８は、第２の学習データセット９０の説明図である。
第２の学習データセット９０は、第３の画像セット３００、第４の画像セット４００、第５の画像セット５００、および第６の画像セット６００を含んでいる。
第２の学習データセット９０は、第３の画像セット３００、第４の画像セット４００、第５の画像セット５００、および第６の画像セット６００を含んでいる。
【0074】
画像セット３００は、第１の複数の物質密度画像３０１～３０ｚを含んでおり、画像セット４００は、第２の複数の物質密度画像４０１～４０ｚを含んでいる。
【0075】
画像セット５００は、第３の複数の物質密度画像５０１～５０ｚを含んでおり、画像セット６００は、第４の複数の物質密度画像６０１～６０ｚを含んでいる。
【0076】
第１の複数の物質密度画像３０１～３０ｚおよび第３の複数の物質密度画像５０１～５０ｚは、第１の基準物質の密度を表す画像である。一方、第２の複数の物質密度画像４０１～４０ｚおよび第４の複数の物質密度画像６０１～６０ｚは、第２の基準物質の密度を表す画像である。第１および第２の基準物質は、被検体の撮影部位に含まれる物質に基づいて決定することができる。２つの基準物質は、実効原子番号が大きく異なるものを選択することが望ましく、例えば、水およびヨードを、２つの基準物質として選択することができる。以下では、説明の便宜上、第１の基準物質が水であり、第２の基準物質がヨードである例について考えることにする。したがって、以下では、画像セット３００の物質密度画像３０１～３０ｚは水密度画像３０１～３０ｚであり、画像セット４００の物質密度画像４０１～４０ｚはヨード密度画像４０１～４０ｚであるとして説明を続ける。また、同様に、画像セット５００の物質密度画像５０１～５０ｚは水密度画像５０１～５０ｚであり、画像セット６００の物質密度画像６０１～６０ｚはヨード密度画像６０１～６０ｚであるとして、説明を続ける。
【0077】
画像セット３００の水密度画像３０１～３０ｚおよび画像セット４００のヨード密度画像４０１～４０ｚは、第２のニューラルネットワーク９３に入力されるデータとして使用されるものである。
【0078】
一方、画像セット５００の水密度画像５０１～５０ｚおよび画像セット６００のヨード密度画像６０１～６０ｚは、第２のニューラルネットワーク９３の出力に対する正解データとして使用されるものである。
以下に、これらの画像セットを用意する方法について説明する。
以下に、これらの画像セットを用意する方法について説明する。
【0079】
図９は、画像セット３００および４００を用意する方法の説明図である。
画像セット３００および４００は、先に作成された第１の学習済みニューラルネットワーク８４を用いて生成される。
画像セット３００および４００は、先に作成された第１の学習済みニューラルネットワーク８４を用いて生成される。
【0080】
先ず、第１の学習済みニューラルネットワーク８４に入力する入力画像セット７００を用意する。
入力画像セット７００は仮想単色Ｘ線画像７０１～７０ｚを含む。これらの仮想単色Ｘ線画像は、病院などの医療機関から入手することができる。例えば、医療機関で実際に多数の患者をスキャンすることにより取得された複数の仮想単色Ｘ線画像を、仮想単色Ｘ線画像７０１～７０ｚとして用意することができる。仮想単色Ｘ線画像７０１～７０ｚは、第１の学習済みニューラルネットワーク８４を作成するときに第１のニューラルネットワーク８３の入力として使用された仮想単色Ｘ線画像（例えば、図７参照）と同じ７０（keV）の仮想単色Ｘ線画像である。仮想単色Ｘ線画像７０１～７０ｚの入力画像セット７００を用意した後、ステップＳＴ９１１に進む。
入力画像セット７００は仮想単色Ｘ線画像７０１～７０ｚを含む。これらの仮想単色Ｘ線画像は、病院などの医療機関から入手することができる。例えば、医療機関で実際に多数の患者をスキャンすることにより取得された複数の仮想単色Ｘ線画像を、仮想単色Ｘ線画像７０１～７０ｚとして用意することができる。仮想単色Ｘ線画像７０１～７０ｚは、第１の学習済みニューラルネットワーク８４を作成するときに第１のニューラルネットワーク８３の入力として使用された仮想単色Ｘ線画像（例えば、図７参照）と同じ７０（keV）の仮想単色Ｘ線画像である。仮想単色Ｘ線画像７０１～７０ｚの入力画像セット７００を用意した後、ステップＳＴ９１１に進む。
【0081】
ステップＳＴ９１１では、入力画像セット７００の各仮想単色Ｘ線画像を、第１の学習済みニューラルネットワーク８４に入力する。図９では、入力画像セット７００のうち、７０（keV）の仮想単色Ｘ線画像７０１が第１の学習済みニューラルネットワーク８４に入力される例が示されている。第１の学習済みニューラルネットワーク８４は、７０（keV）の仮想単色Ｘ線画像７０１が入力されると、５０（keV）の仮想単色Ｘ線画像７５１を推論する。
【0082】
以下同様に、入力画像セット７００の他の仮想単色Ｘ線画像７０２～７０ｚを第１の学習済みニューラルネットワーク８４に入力し、入力された各仮想単色Ｘ線画像に対応する５０（keV）の仮想単色Ｘ線画像を推論する。
【0083】
したがって、入力画像セット７００の７０（keV）の仮想単色Ｘ線画像７０１～７０ｚを第１の学習済みニューラルネットワーク８４に入力することにより、５０（keV）の仮想単色Ｘ線画像７５１～７５ｚを含む出力画像セット７５０を推論することができる。出力画像セット７５０を推論した後、ステップＳＴ９１２に進む。
【0084】
ステップＳＴ９１２では、７０（keV）の仮想単色Ｘ線画像７０１～７０ｚを含む入力画像セット７００と、推論された５０（keV）の仮想単色Ｘ線画像７５１～７５ｚを含む出力画像セット７５０に基づいて、水密度画像３０１～３０ｚを含む画像セット３００と、ヨード密度画像４０１～４０ｚを含む画像セット４００を生成する。
【0085】
画像セット３００および４００を生成する場合、先ず、入力画像セット７００から１つの仮想単色Ｘ線画像７０１を選択する。次に、出力画像セット７５０の中から、仮想単色Ｘ線画像７０１に基づいて推論された仮想単色Ｘ線画像７５１を選択する。そして、仮想単色Ｘ線画像７０１および仮想単色Ｘ線画像７５１に基づいて、水密度画像３０１およびヨード密度画像４０１を生成する。
【0086】
仮想単色Ｘ線画像７０１は７０（keV）の仮想単色Ｘ線画像であり、仮想単色Ｘ線画像７５１は５０（keV）の仮想単色Ｘ線画像である。したがって、仮想単色Ｘ線画像７０１および７５１は、エネルギーレベルが互いに異なる画像である。これらの仮想単色Ｘ線画像７０１および７５１を用いて物質弁別処理を実行することにより、水密度画像３０１およびヨード密度画像４０１を生成することができる。
【0087】
次に、入力画像セット７００から他の仮想単色Ｘ線画像７０２を選択し、更に、出力画像セット７５０の中から、仮想単色Ｘ線画像７０２に基づいて推論された仮想単色Ｘ線画像７５２を選択する。そして、仮想単色Ｘ線画像７０２および仮想単色Ｘ線画像７５２に基づいて、水密度画像３０２およびヨード密度画像４０２を生成する。
【0088】
以下同様に、入力画像セット７００の中から選択された仮想単色Ｘ線画像と、出力画像セット７５０の中から選択された仮想単色Ｘ線画像に基づいて、水密度画像およびヨード密度画像を生成する。
【0089】
このようにして、水密度画像３０１～３０ｚを含む画像セット３００と、ヨード密度画像４０１～４０ｚを含む画像セット４００を生成することができる。したがって、画像セット３００の各水密度画像、および画像セット４００の各ヨード密度画像は、入力画像セット７００の各仮想単色Ｘ線画像と、第１の学習済みニューラルネットワーク８４により推論された出力画像セット７５０の各仮想単色Ｘ線画像に基づいて生成することができる。
【0090】
画像セット３００および４００は、図８に示すように、第２のニューラルネットワーク９３の入力に使用される学習データとして用意される。
【0091】
次に、第２のニューラルネットワーク９３の学習データとして使用される画像セット５００および６００（図８参照）について説明する。
【0092】
図１０は、画像セット５００および６００の説明図である。
画像セット５００は水密度画像５０１～５０ｚを含んでおり、画像セット６００は、ヨード密度画像６０１～６０ｚを含んでいる。水密度画像５０１～５０ｚおよびヨード密度画像６０１～６０ｚは、ペアＰ１～Ｐｚを構成している。各ペアは、例えば、デュアルエネルギーＣＴのデータに対して物質弁別処理を実行することにより弁別された水密度画像およびヨード密度画像のペアを表している。例えば、ペアＰ１は、デュアルエネルギーＣＴのデータに対して物質弁別処理を実行することにより弁別された水密度画像５０１およびヨード密度画像６０１のペアを表している。また、ペアＰ２は、デュアルエネルギーＣＴのデータに対して物質弁別処理を実行することにより弁別された水密度画像５０２およびヨード密度画像６０２のペアを表している。以下同様に、他のペアＰ３～Ｐｚの各々も、デュアルエネルギーＣＴのデータに対して物質弁別処理を実行することにより弁別された水密度画像およびヨード密度画像のペアを表している。
これらの水密度画像５０１～５０ｚおよびヨード密度画像６０１～６０ｚは、例えば、デュアルエネルギーＣＴに対応したＣＴシステムで実際に患者をスキャンする医療機関から入手することができる。
画像セット５００は水密度画像５０１～５０ｚを含んでおり、画像セット６００は、ヨード密度画像６０１～６０ｚを含んでいる。水密度画像５０１～５０ｚおよびヨード密度画像６０１～６０ｚは、ペアＰ１～Ｐｚを構成している。各ペアは、例えば、デュアルエネルギーＣＴのデータに対して物質弁別処理を実行することにより弁別された水密度画像およびヨード密度画像のペアを表している。例えば、ペアＰ１は、デュアルエネルギーＣＴのデータに対して物質弁別処理を実行することにより弁別された水密度画像５０１およびヨード密度画像６０１のペアを表している。また、ペアＰ２は、デュアルエネルギーＣＴのデータに対して物質弁別処理を実行することにより弁別された水密度画像５０２およびヨード密度画像６０２のペアを表している。以下同様に、他のペアＰ３～Ｐｚの各々も、デュアルエネルギーＣＴのデータに対して物質弁別処理を実行することにより弁別された水密度画像およびヨード密度画像のペアを表している。
これらの水密度画像５０１～５０ｚおよびヨード密度画像６０１～６０ｚは、例えば、デュアルエネルギーＣＴに対応したＣＴシステムで実際に患者をスキャンする医療機関から入手することができる。
【0093】
【0094】
ステップＳＴ９２では、第２の学習データセット９０を使用して第２の学習済みニューラルネットワーク９４を作成する。
【0095】
図１１は、第２の学習済みニューラルネットワーク９４の作成方法の説明図である。
第２の学習済みニューラルネットワーク９４は、第２のニューラルネットワーク９３が第２の学習データセット９０を用いた学習を実行することにより生成されるものである。
第２の学習済みニューラルネットワーク９４は、第２のニューラルネットワーク９３が第２の学習データセット９０を用いた学習を実行することにより生成されるものである。
【0096】
先ず、画像セット３００の中から、水密度画像３０１を選択する。そして、画像セット４００の中から、ステップＳＴ９１２（図９参照）において水密度画像３０１と一緒に生成されたヨード密度画像４０１を選択する。
また、画像セット５００の中から水密度画像５０１を選択する。さらに、画像セット６００の中から、水密度画像５０１とペアを構成するヨード密度画像６０１を選択する。
そして、水密度画像３０１およびヨード密度画像４０１のペアを第２のニューラルネットワーク９３の入力として使用し、水密度画像５０１およびヨード密度画像６０１のペアが第２のニューラルネットワーク９３から出力されるように、第２のニューラルネットワーク９３が、水密度画像３０１およびヨード密度画像４０１のペア並びに水密度画像５０１およびヨード密度画像６０１のペアを用いた学習を実行する。
また、画像セット５００の中から水密度画像５０１を選択する。さらに、画像セット６００の中から、水密度画像５０１とペアを構成するヨード密度画像６０１を選択する。
そして、水密度画像３０１およびヨード密度画像４０１のペアを第２のニューラルネットワーク９３の入力として使用し、水密度画像５０１およびヨード密度画像６０１のペアが第２のニューラルネットワーク９３から出力されるように、第２のニューラルネットワーク９３が、水密度画像３０１およびヨード密度画像４０１のペア並びに水密度画像５０１およびヨード密度画像６０１のペアを用いた学習を実行する。
【0097】
以下同様に、画像セット３００から選択した水密度画像および画像セット４００から選択したヨード密度画像のペアを第２のニューラルネットワーク９３に入力し、画像セット５００から選択した水密度画像および画像セット６００から選択したヨード密度画像のペアが第２のニューラルネットワーク９３から出力されるように、学習を実行する。
このようにして、画像セット３００～６００を含む第２の学習データセット９０を用いた学習が実行され、第２の学習済みニューラルネットワーク９４を作成することができる。尚、本実施形態では、ニューラルネットワーク９３が、水密度画像およびヨード密度画像のペアを学習するようにしているが、水密度画像およびヨード密度画像を別々に学習させてもよい。また、水とヨードとの間には逆相関の関係があるので、この関係を考慮してニューラルネットワーク９３の学習を実行するようにしてもよい。
このようにして、画像セット３００～６００を含む第２の学習データセット９０を用いた学習が実行され、第２の学習済みニューラルネットワーク９４を作成することができる。尚、本実施形態では、ニューラルネットワーク９３が、水密度画像およびヨード密度画像のペアを学習するようにしているが、水密度画像およびヨード密度画像を別々に学習させてもよい。また、水とヨードとの間には逆相関の関係があるので、この関係を考慮してニューラルネットワーク９３の学習を実行するようにしてもよい。
【0098】
本実施形態では、上記のようにして作成された第１および第２の学習済みニューラルネットワーク８４および９４を使用して水密度画像およびヨード密度画像を推論している。以下に、学習済みニューラルネットワーク８４および９４を使用して水密度画像およびヨード密度画像を推論するフローについて、図４のフローを参照しながら説明する。
【0099】
ステップＳＴ１では、被検体のスキャンが実行される。具体的には、図１２に示すように、被検体１１２に造影剤を注入し、ＣＴシステム１００を用いて被検体１１２の撮影部位の造影画像を取得するための造影ＣＴスキャンを実行する。ここでは、被検体１１２の撮影部位に対して設定されたスライス７１～７ｎの造影画像を取得するためのスキャンが実行されるとする。尚、スキャン時の管電圧は１２０kVpである。
【0100】
【0101】
ステップＳＴ２では、コンピュータ２１６又は画像再構成器２３０のプロセッサが、ステップＳＴ１において被検体から収集されたデータに基づいて、撮影部位のスライス７１～７ｎ（図１２参照）のＣＴ画像１１～１ｎ（ＣＴ画像のセット１０）を生成する。図４では、ＣＴ画像１１～１ｎのうち、ＣＴ画像１１のみを拡大して示してある。ＣＴ画像１１～１ｎを生成した後、ステップＳＴ３に進む。
【0102】
ステップＳＴ３では、コンピュータ２１６のプロセッサが、ＣＴ画像を第１の学習済みニューラルネットワーク８４に入力し、第１の学習済みニューラルネットワーク８４に５０（keV）の仮想単色Ｘ線画像を推論させる。図４では、ＣＴ画像１１を第１の学習済みニューラルネットワーク８４に入力し、第１の学習済みニューラルネットワーク８４が５０（keV）の仮想単色Ｘ線画像２１を推論した様子が示されている。
【0103】
ステップＳＴ４では、コンピュータ２１６のプロセッサが、ＣＴ画像１１と、推論された５０（keV）の仮想単色Ｘ線画像２１に基づいて、第１の物質密度画像３１と、第２の物質密度画像４１とを生成する。ここでは、第１の物質密度画像３１は水密度画像であり、第２の物質密度画像４１はヨード密度画像である。
【0104】
ステップＳＴ５では、コンピュータ２１６のプロセッサが、ステップＳＴ４において計算した水密度画像３１およびヨード密度画像４１のペアを第２の学習済みニューラルネットワーク９４に入力し、水密度画像５１およびヨード密度画像６１のペアを推論する。
したがって、ＣＴ画像１１から水密度画像５１およびヨード密度画像６１を推論することができる。
したがって、ＣＴ画像１１から水密度画像５１およびヨード密度画像６１を推論することができる。
【0105】
以下同様に、コンピュータ２１６のプロセッサは、他のＣＴ画像１２～１ｎの各々についても、入力画像として第１の学習済みニューラルネットワーク８４に入力し、ＣＴ画像ごとに、水密度画像およびヨード密度画像を推論する。
【0106】
したがって、ＣＴ画像１１～１ｎの各々に対して、水密度画像およびヨード密度画像を推論することができる。尚、図４では、説明の便宜上、ＣＴ画像１１に対して推論された水密度画像５１およびヨード密度画像６１のみが示されており、他のＣＴ画像１２～１ｎに対して推論された水密度画像およびヨード密度画像は図示省略されている。
【0107】
オペレータは、推論された水密度画像およびヨード密度画像を表示部に表示し、各画像を確認する。
このようにして、図４に示すフローが終了する。
このようにして、図４に示すフローが終了する。
【0108】
本実施形態では、学習フェーズで第１の学習済みニューラルネットワーク８４および第２の学習済みニューラルネットワーク９４を作成している。
【0109】
第１の学習済みニューラルネットワーク８４は、第１のニューラルネットワーク８３が複数の仮想単色Ｘ線画像を用いた学習を実行することにより作成されている。したがって、第１の学習済みニューラルネットワーク８４は、ＣＴ値のドメインで推論処理を行うように構成されている。そして、ＣＴ画像１１を第１の学習済みニューラルネットワーク８４に入力し、仮想単色Ｘ線画像２１を推論している。ＣＴ画像１１は７０（keV）の仮想単色Ｘ線画像に相当し、第１の学習済みニューラルネットワーク８４が推論する仮想単色Ｘ線画像２１は５０（keV）の仮想単色Ｘ線画像である。したがって、ＣＴ画像１１および仮想単色Ｘ線画像２１は、エネルギーレベルが互いに異なる画像である。これらのＣＴ画像１１および仮想単色Ｘ線画像２１を用いて物質弁別処理を実行することにより、第１および第２の物質密度画像、即ち、水密度画像３１およびヨード密度画像４１を生成することができる。
【0110】
しかし、水密度画像３１およびヨード密度画像４１を計算するために使用される仮想単色Ｘ線画像２１は、シングルエネルギーＣＴのデータに基づいて生成されたＣＴ画像１１から推論されている。一般に、シングルエネルギーＣＴのデータに基づいて推論された仮想単色Ｘ線画像は、デュアルエネルギーＣＴのデータに基づいて計算された仮想単色Ｘ線画像と比較すると、ＣＴ値の精度がやや劣るという問題がある。したがって、ＣＴ画像１１と仮想単色Ｘ線画像２１とに基づいて、水密度画像３１およびヨード密度画像４１を計算した場合、水密度画像３１およびヨード密度画像４１の精度にも限界がある。
【0111】
そこで、本実施形態では、第１の学習済みニューラルネットワーク８４の他に、密度のドメインで推論処理を実行する第２の学習済みニューラルネットワーク９４を作成している。第２の学習済みニューラルネットワーク９４は密度のドメインで推論処理を実行する。したがって、第２の学習済みニューラルネットワーク９４に、シングルエネルギーＣＴのデータに基づいて生成された水密度画像３１およびヨード密度画像４１を入力すると、密度のドメインで推論処理が実行され、水密度画像５１およびヨード密度画像６１が出力される。このため、第２の学習済みニューラルネットワーク９４は、水密度画像３１およびヨード密度画像４１よりも基準物質の密度の計算値の信頼性が高い水密度画像５１およびヨード密度画像６１を推論することができる。
【0112】
尚、本実施形態では、ステップＳＴ５において、１つの第２の学習済みニューラルネットワーク９４を使用して、水密度画像およびヨード密度画像を推論している。しかし、水密度画像およびヨード密度画像を、別々の学習済みニューラルネットワークを使用して推論してもよい（図１３参照）。
【0113】
図１３は、水密度画像およびヨード密度画像を、別々の学習済みニューラルネットワークを使用して推論する一例のフロー図である。
図１３では、ステップＳＴ１～ＳＴ４は、図４に示すステップＳＴ１～ＳＴ４と同じであるので、ステップＳＴ１～ＳＴ４の説明は省略し、ステップＳＴ５０について主に説明する。
図１３では、ステップＳＴ１～ＳＴ４は、図４に示すステップＳＴ１～ＳＴ４と同じであるので、ステップＳＴ１～ＳＴ４の説明は省略し、ステップＳＴ５０について主に説明する。
【0114】
ステップＳＴ５０では、第３の学習済みニューラルネットワーク９４１および第４の学習済みニューラルネットワーク９４２を使用して水密度画像およびヨード密度画像の推論が実行される。
第３の学習済みニューラルネットワーク９４１は、第３のニューラルネットワーク（図示せず）が、図８に示す水密度画像３０１～３０ｚ（画像セット３００）および水密度画像５０１～５０ｚ（画像セット５００）を用いた学習を実行することにより作成されるものである。また、第４の学習済みニューラルネットワーク９４２は、第４のニューラルネットワーク（図示せず）が、図８に示すヨード密度画像４０１～４０ｚ（画像セット４００）およびヨード密度画像６０１～６０ｚ（画像セット６００）を用いた学習を実行することにより作成されるものである。
第３の学習済みニューラルネットワーク９４１は、第３のニューラルネットワーク（図示せず）が、図８に示す水密度画像３０１～３０ｚ（画像セット３００）および水密度画像５０１～５０ｚ（画像セット５００）を用いた学習を実行することにより作成されるものである。また、第４の学習済みニューラルネットワーク９４２は、第４のニューラルネットワーク（図示せず）が、図８に示すヨード密度画像４０１～４０ｚ（画像セット４００）およびヨード密度画像６０１～６０ｚ（画像セット６００）を用いた学習を実行することにより作成されるものである。
【0115】
ステップＳＴ５０では、コンピュータ２１６のプロセッサは、ステップＳＴ４において計算した水密度画像３１を第３の学習済みニューラルネットワーク９４１に入力して水密度画像５１を推論する。また、コンピュータ２１６のプロセッサは、ステップＳＴ４において計算したヨード密度画像４１を第４の学習済みニューラルネットワーク９４２に入力してヨード密度画像６１を推論する。
したがって、ＣＴ画像１１から水密度画像５１およびヨード密度画像６１を推論することができる。
したがって、ＣＴ画像１１から水密度画像５１およびヨード密度画像６１を推論することができる。
【0116】
以下同様に、コンピュータ２１６のプロセッサは、他のＣＴ画像１２～１ｎの各々を、入力画像として第１の学習済みニューラルネットワーク８４に入力し、ＣＴ画像ごとに、水密度画像およびヨード密度画像を推論する。
【0117】
したがって、ＣＴ画像１１～１ｎの各々に対して、水密度画像およびヨード密度画像を推論することができる。このように、水密度画像およびヨード密度画像を、２つの学習済みニューラルネットワーク９４１および９４２を使用して推論してもよい。
【0118】
尚、本実施形態では、学習フェーズにおいて、７０（keV）の仮想単色Ｘ線画像を、ニューラルネットワーク８３の入力として使用している（図７参照）。しかし、７０（keV）とは別のエネルギーレベルの仮想単色Ｘ線画像を、ニューラルネットワーク８３の入力として使用してもよい。例えば、ＣＴシステム１００の管電圧が１２０kVpではなく、他の管電圧を使用する場合、７０（keV）とは別のエネルギーレベルの仮想単色Ｘ線画像を、ニューラルネットワーク８３の入力として使用し、ニューラルネットワーク８３の学習を実行することができる。例えば、ＣＴシステム１００の管電圧が１２０kVpではなく１４０kVpの場合、１４０kVpは約７５（keV）のエネルギーレベルに相当するので、７５（keV）の仮想単色Ｘ線画像をニューラルネットワーク８３の入力として使用することができる。したがって、ＣＴシステム１００の管電圧が１４０kVpの場合、学習データとして、例えば、７５（keV）および５０（keV）のエネルギーレベルの仮想単色Ｘ線画像を用意することができる。そして、７５（keV）の仮想単色Ｘ線画像を、ニューラルネットワーク８３の入力として使用し、ニューラルネットワーク８３から５０（keV）の仮想単色Ｘ線画像が出力されるように、ニューラルネットワーク８３の学習を実行することができる。
【0119】
本実施形態では、造影ＣＴスキャンにより得られた学習データに基づいて第１の学習済みニューラルネットワーク８４を作成している。しかし、本発明は、造影ＣＴスキャンにより得られた学習データに基づいて学習済みニューラルネットワーク８４を作成する例に限定されるものではなく、非造影スキャンにより得られた学習データに基づいて仮想単色Ｘ線画像を推論する学習済みニューラルネットワーク８４を作成してもよい。
【符号の説明】
【0120】
１０ ＣＴ画像のセット
１１～１ｎ ＣＴ画像
２１ 仮想単色Ｘ線画像
３１ 第１の物質密度画像（水密度画像）
４１ 第２の物質密度画像（ヨード密度画像）
５１ 第３の物質密度画像（水密度画像）
６１ 第４の物質密度画像（ヨード密度画像）
７１～７ｎ スライス
８０ 第１の学習データセット
８３ 第１のニューラルネットワーク
８４ 第１の学習済みニューラルネットワーク
９０ 第２の学習データセット
９３ 第２のニューラルネットワーク
９４ 第２の学習済みニューラルネットワーク
１００ ＣＴシステム
１０２ ガントリ
１０３ フィルタ部
１０４ Ｘ線管
１０５ 前置コリメータ
１０６ Ｘ線ビーム
１０７ 開口部
１０８ 検出器アレイ
１０８ Ｘ線検出器
１１２ 被検体
１１６ テーブル
１１８ テーブルモータコントローラ
１３１～１３ｗ 患者
２０２ 検出器素子
２１０ Ｘ線コントローラ
２１２ ガントリモータコントローラ
２１４ ＤＡＳ
２１６ コンピュータ
２１８ 記憶装置
２２０ オペレータコンソール
２２４ ＰＡＣＳ
２３０ 画像構成器
２３２ 表示部
３００ 第３の画像セット
３０１ 水密度画像
３０１～３０ｚ 物質密度画像（水密度画像）
３０２～３０ｚ 水密度画像
４００ 第４の画像セット
４０１ ヨード密度画像
４０１～４０ｚ 物質密度画像（ヨード密度画像）
４０２～４０ｚ ヨード密度画像
５００ 第５の画像セット
５０１～５０ｚ 物質密度画像（水密度画像）
６００ 第６の画像セット
６０１～６０ｚ 物質密度画像（ヨード密度画像）
７００ 入力画像セット
７０１～７０ｚ 仮想単色Ｘ線画像
７５０ 出力画像セット
７５１～７５ｚ 仮想単色Ｘ線画像
８０１ 第１の画像セット
８０２ 第２の画像セット
９４１ 第３の学習済みニューラルネットワーク
９４２ 第４の学習済みニューラルネットワーク
１１～１ｎ ＣＴ画像
２１ 仮想単色Ｘ線画像
３１ 第１の物質密度画像（水密度画像）
４１ 第２の物質密度画像（ヨード密度画像）
５１ 第３の物質密度画像（水密度画像）
６１ 第４の物質密度画像（ヨード密度画像）
７１～７ｎ スライス
８０ 第１の学習データセット
８３ 第１のニューラルネットワーク
８４ 第１の学習済みニューラルネットワーク
９０ 第２の学習データセット
９３ 第２のニューラルネットワーク
９４ 第２の学習済みニューラルネットワーク
１００ ＣＴシステム
１０２ ガントリ
１０３ フィルタ部
１０４ Ｘ線管
１０５ 前置コリメータ
１０６ Ｘ線ビーム
１０７ 開口部
１０８ 検出器アレイ
１０８ Ｘ線検出器
１１２ 被検体
１１６ テーブル
１１８ テーブルモータコントローラ
１３１～１３ｗ 患者
２０２ 検出器素子
２１０ Ｘ線コントローラ
２１２ ガントリモータコントローラ
２１４ ＤＡＳ
２１６ コンピュータ
２１８ 記憶装置
２２０ オペレータコンソール
２２４ ＰＡＣＳ
２３０ 画像構成器
２３２ 表示部
３００ 第３の画像セット
３０１ 水密度画像
３０１～３０ｚ 物質密度画像（水密度画像）
３０２～３０ｚ 水密度画像
４００ 第４の画像セット
４０１ ヨード密度画像
４０１～４０ｚ 物質密度画像（ヨード密度画像）
４０２～４０ｚ ヨード密度画像
５００ 第５の画像セット
５０１～５０ｚ 物質密度画像（水密度画像）
６００ 第６の画像セット
６０１～６０ｚ 物質密度画像（ヨード密度画像）
７００ 入力画像セット
７０１～７０ｚ 仮想単色Ｘ線画像
７５０ 出力画像セット
７５１～７５ｚ 仮想単色Ｘ線画像
８０１ 第１の画像セット
８０２ 第２の画像セット
９４１ 第３の学習済みニューラルネットワーク
９４２ 第４の学習済みニューラルネットワーク
【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】
【手続補正書】
【提出日】2023-09-25
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】請求項６
【補正方法】変更
【補正の内容】
【請求項6】
前記第１の複数の物質密度画像を含む第３の画像セットと、前記第２の複数の物質密度画像を含む第４の画像セットが、
前記第１の学習済みニューラルネットワークに入力される複数の仮想単色Ｘ線画像を含む入力画像セットであって、入力画像セットの各仮想単色Ｘ線画像は、前記第１の学習済みニューラルネットワークを作成するときに使用された第１の複数の仮想単色Ｘ線画像と同じエネルギーレベルの仮想単色Ｘ線画像である、入力画像セットと、
前記第１の学習済みニューラルネットワークにより推論された複数の仮想単色Ｘ線画像を含む出力画像セットであって、出力画像のセットの各仮想単色Ｘ線画像が、前記入力画像セットの各仮想単色Ｘ線画像が前記第１の学習済みニューラルネットワークに入力されることにより推論された仮想単色Ｘ線画像である、出力画像セットと
に基づいて生成される、請求項５に記載の装置。
前記第１の学習済みニューラルネットワークに入力される複数の仮想単色Ｘ線画像を含む入力画像セットであって、入力画像セットの各仮想単色Ｘ線画像は、前記第１の学習済みニューラルネットワークを作成するときに使用された第１の複数の仮想単色Ｘ線画像と同じエネルギーレベルの仮想単色Ｘ線画像である、入力画像セットと、
前記第１の学習済みニューラルネットワークにより推論された複数の仮想単色Ｘ線画像を含む出力画像セットであって、出力画像のセットの各仮想単色Ｘ線画像が、前記入力画像セットの各仮想単色Ｘ線画像が前記第１の学習済みニューラルネットワークに入力されることにより推論された仮想単色Ｘ線画像である、出力画像セットと
に基づいて生成される、請求項５に記載の装置。
【手続補正2】
【補正対象書類名】特許請求の範囲
【補正対象項目名】請求項１４
【補正方法】変更
【補正の内容】
【請求項14】
学習済みニューラルネットワークの作成方法であって、
第１の学習済みニューラルネットワークを作成することであって、
前記第１の学習済みニューラルネットワークは、第１のニューラルネットワークが第１の学習データセットを用いた学習を実行することにより作成されるものであり、
前記第１の学習データセットは、第１の複数の仮想単色Ｘ線画像を含む第１の画像セットと、第２の複数の仮想単色Ｘ線画像を含む第２の画像セットを含み、
前記第１の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が、シングルエネルギーＣＴのデータを収集するＣＴシステムの管電圧に相当する第１のエネルギーレベルの仮想単色Ｘ線画像であり、前記第２の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が、第２のエネルギーレベルの仮想単色Ｘ線画像であり、
前記第１の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が前記第１のニューラルネットワークの入力として使用され、前記第２の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が前記第１のニューラルネットワークから出力されるように、前記第１のニューラルネットワークが前記第１の学習データセットを用いた学習を実行する、
前記第１の学習済みニューラルネットワークを作成すること、および
第２の学習済みニューラルネットワークを作成することであって、
前記第２の学習済みニューラルネットワークは、第２のニューラルネットワークが第２の学習データセットを用いた学習を実行することにより作成されるものであり、
前記第２の学習データセットは、第１の基準物質の密度を表す第１の複数の物質密度画像を含む第３の画像セットと、第２の基準物質の密度を表す第２の複数の物質密度画像を含む第４の画像セットと、前記第１の基準物質の密度を表す第３の複数の物質密度画像を含む第５の画像セットと、前記第２の基準物質の密度を表す第４の複数の物質密度画像を含む第６の画像セットとを含み、
前記第１の複数の物質密度画像の各物質密度画像および前記第２の複数の物質密度画像の各物質密度画像が、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像に基づいて生成された画像であり、
前記第３の複数の物質密度画像の各物質密度画像および前記第４の複数の物質密度画像の各物質密度画像が、デュアルエネルギーＣＴのデータに基づいて生成された画像であり、
前記第１の複数の物質密度画像の各物質密度画像および前記第２の複数の物質密度画像の各物質密度画像が前記第２のニューラルネットワークの入力として使用され、前記第３の複数の物質密度画像の各物質密度画像および前記第４の複数の物質密度画像の各物質密度画像が前記第２のニューラルネットワークから出力されるように、前記第２のニューラルネットワークが、前記第１の複数の物質密度画像、前記第２の複数の物質密度画像、前記第３の複数の物質密度画像、および前記第４の複数の物質密度画像を用いた学習を実行する、
第２の学習済みニューラルネットワークを作成すること、
を含む、作成方法。
第１の学習済みニューラルネットワークを作成することであって、
前記第１の学習済みニューラルネットワークは、第１のニューラルネットワークが第１の学習データセットを用いた学習を実行することにより作成されるものであり、
前記第１の学習データセットは、第１の複数の仮想単色Ｘ線画像を含む第１の画像セットと、第２の複数の仮想単色Ｘ線画像を含む第２の画像セットを含み、
前記第１の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が、シングルエネルギーＣＴのデータを収集するＣＴシステムの管電圧に相当する第１のエネルギーレベルの仮想単色Ｘ線画像であり、前記第２の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が、第２のエネルギーレベルの仮想単色Ｘ線画像であり、
前記第１の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が前記第１のニューラルネットワークの入力として使用され、前記第２の複数の仮想単色Ｘ線画像の各仮想単色Ｘ線画像が前記第１のニューラルネットワークから出力されるように、前記第１のニューラルネットワークが前記第１の学習データセットを用いた学習を実行する、
前記第１の学習済みニューラルネットワークを作成すること、および
第２の学習済みニューラルネットワークを作成することであって、
前記第２の学習済みニューラルネットワークは、第２のニューラルネットワークが第２の学習データセットを用いた学習を実行することにより作成されるものであり、
前記第２の学習データセットは、第１の基準物質の密度を表す第１の複数の物質密度画像を含む第３の画像セットと、第２の基準物質の密度を表す第２の複数の物質密度画像を含む第４の画像セットと、前記第１の基準物質の密度を表す第３の複数の物質密度画像を含む第５の画像セットと、前記第２の基準物質の密度を表す第４の複数の物質密度画像を含む第６の画像セットとを含み、
前記第１の複数の物質密度画像の各物質密度画像および前記第２の複数の物質密度画像の各物質密度画像が、前記第１の学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像に基づいて生成された画像であり、
前記第３の複数の物質密度画像の各物質密度画像および前記第４の複数の物質密度画像の各物質密度画像が、デュアルエネルギーＣＴのデータに基づいて生成された画像であり、
前記第１の複数の物質密度画像の各物質密度画像および前記第２の複数の物質密度画像の各物質密度画像が前記第２のニューラルネットワークの入力として使用され、前記第３の複数の物質密度画像の各物質密度画像および前記第４の複数の物質密度画像の各物質密度画像が前記第２のニューラルネットワークから出力されるように、前記第２のニューラルネットワークが、前記第１の複数の物質密度画像、前記第２の複数の物質密度画像、前記第３の複数の物質密度画像、および前記第４の複数の物質密度画像を用いた学習を実行する、
第２の学習済みニューラルネットワークを作成すること、
を含む、作成方法。