特開 2024-98144 減弱マップ生成方法及び医用画像処理装置

(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】P2024098144

(43)【公開日】2024-07-22

(54)【発明の名称】減弱マップ生成方法及び医用画像処理装置

(51)【国際特許分類】

   G01T 1/161 20060101AFI20240712BHJP

   A61B 6/03 20060101ALI20240712BHJP

   A61B 6/46 20240101ALI20240712BHJP

【ＦＩ】

G01T1/161 A

A61B6/03 577

A61B6/46 506Z

A61B6/03 573

【審査請求】未請求

【請求項の数】18

【出願形態】ＯＬ

(21)【出願番号】P 2023213407

(22)【出願日】2023-12-18

(31)【優先権主張番号】18/151,497

(32)【優先日】2023-01-09

(33)【優先権主張国・地域又は機関】US

【公序良俗違反の表示】

（特許庁注：以下のものは登録商標）

１．ＶＥＲＩＬＯＧ

(71)【出願人】

【識別番号】594164542

【氏名又は名称】キヤノンメディカルシステムズ株式会社

(74)【代理人】

【識別番号】110001771

【氏名又は名称】弁理士法人虎ノ門知的財産事務所

(72)【発明者】

【氏名】イ チャン

(72)【発明者】

【氏名】シャオホイ ジャン

(72)【発明者】

【氏名】ウエンユエン チー

(72)【発明者】

【氏名】ジェフリー コルサマー

【テーマコード（参考）】

4C093

4C188

【Ｆターム（参考）】

4C093AA22

4C093AA25

4C093CA13

4C093EA07

4C188EE02

4C188FF07

4C188KK24

4C188LL08

(57)【要約】

【課題】ＰＥＴ画像の減弱補正に使用する減弱マップの精度を向上させること。
【解決手段】実施形態に係る減弱マップ生成方法は、被検体のＣＴ（Computed Tomography）画像データを取得し、トレーニング入力画像データとスペクトルＣＴ画像データから生成した対応するトレーニング減弱マップデータとを使用してトレーニングされたＤＣＮＮ（Deep Convolutional Neural Network）モデルに前記ＣＴ画像データを入力することによって、ＰＥＴ（Positron Emission Tomography）画像再構成のための減弱マップを生成する、ことを含む。
【選択図】図１Ａ

【特許請求の範囲】

【請求項1】

被検体のＣＴ（Computed Tomography）画像データを取得し、
トレーニング入力画像データとスペクトルＣＴ画像データから生成した対応するトレーニング減弱マップデータとを使用してトレーニングされたＤＣＮＮ（Deep Convolutional Neural Network）モデルに前記ＣＴ画像データを入力することによって、ＰＥＴ（Positron Emission Tomography）画像再構成のための減弱マップを生成する、
ことを含む、減弱マップ生成方法。

【請求項2】

前記取得するステップが、積分型ＣＴ画像データを取得することを含む、請求項１に記載の減弱マップ生成方法。

【請求項3】

前記被検体のＰＥＴデータを取得し、
前記ＰＥＴデータと前記減弱マップとからＰＥＴ画像を再構成する、
ことをさらに含む、請求項１に記載の減弱マップ生成方法。

【請求項4】

９０ｋＶｐ未満の第１のエネルギーを有する第１のＣＴスキャン及び１２５ｋＶｐを超えるエネルギーを有する第２のＣＴスキャンから取得した入力画像データから、前記トレーニング減弱マップデータを取得することをさらに含む、請求項１に記載の減弱マップ生成方法。

【請求項5】

前記入力画像データに基づいて第１の基準物質画像および第２の基準物質画像を生成し、
前記第１の基準物質画像および前記第２の基準物質画像から前記トレーニング減弱マップデータを生成する、
ことをさらに含む、請求項４に記載の減弱マップ生成方法。

【請求項6】

スペクトルＣＴスキャンによって作成される入力画像データから前記トレーニング減弱マップデータを取得することをさらに含む、請求項１に記載の減弱マップ生成方法。

【請求項7】

高速ｋＶスイッチングデュアルエネルギーＣＴスキャンから取得される入力画像データから、前記トレーニング減弱マップデータを取得することをさらに含む、請求項１に記載の減弱マップ生成方法。

【請求項8】

光子計数ＣＴ装置を使用したスキャンから取得される入力画像データから、前記トレーニング減弱マップデータを取得することをさらに含む、請求項１に記載の減弱マップ生成方法。

【請求項9】

シミュレーションまたはデジタルファントムから取得される入力画像データから、前記トレーニング減弱マップデータを取得することをさらに含む、請求項１に記載の減弱マップ生成方法。

【請求項10】

前記取得したＣＴ画像データが、ビームハードニング補正処理前のデータである、請求項１に記載の減弱マップ生成方法。

【請求項11】

前記ＣＴ画像データを前記トレーニングされたＤＣＮＮモデルに入力する前に、ビームハードニング補正処理を実施して、前記取得したＣＴ画像データを補正することをさらに含む、請求項１に記載の減弱マップ生成方法。

【請求項12】

前記取得したＣＴ画像データが、ビームハードニング補正処理を実施された積分型ＣＴ画像データおよびビームハードニング補正処理が実施されていない積分型ＣＴ画像データの両方を含む、請求項１に記載の減弱マップ生成方法。

【請求項13】

損失関数を最小化することによって前記ＤＣＮＮモデルをトレーニングすることをさらに含む、請求項１に記載の減弱マップ生成方法。

【請求項14】

被検体のＰＥＴ（Positron Emission Tomography）由来の減弱データを取得し、
トレーニングＰＥＴ由来減弱データとスペクトルＣＴプロトコルに基づいて生成されたトレーニング減弱マップデータとを使用してトレーニングされたＤＣＮＮ（Deep Convolutional Neural Network）モデルに前記ＰＥＴ由来の減弱データを入力することによって、ＰＥＴ画像再構成のための減弱マップを生成する、
ことを含む、減弱マップ生成方法。

【請求項15】

被検体のＣＴ（Computed Tomography）画像データを取得する取得部と、
トレーニング入力画像データとスペクトルＣＴ画像データから生成した対応するトレーニング減弱マップデータとを使用してトレーニングされたＤＣＮＮ（Deep Convolutional Neural Network）モデルに前記ＣＴ画像データを入力することによって、ＰＥＴ（Positron Emission Tomography）画像再構成のための減弱マップを生成する生成部と、
を備える、医用画像処理装置。

【請求項16】

前記取得部は、前記ＣＴ画像データとして、積分型ＣＴ画像データを取得する、請求項１５に記載の医用画像処理装置。

【請求項17】

前記取得部は、前記被検体のＰＥＴデータを取得し、
前記ＰＥＴデータと前記減弱マップとからＰＥＴ画像を再構成する再構成部をさらに備える、請求項１５に記載の医用画像処理装置。

【請求項18】

前記取得部は、入力画像データから前記トレーニング減弱マップデータを取得し、
前記入力画像データが、スペクトルＣＴスキャンによって生成されたデータ、高速ｋＶスイッチングデュアルエネルギーＣＴスキャンから取得されたデータ、光子計数ＣＴ装置を使用したスキャンで取得されたデータ、およびシミュレーションまたはデジタルファントムから取得されたデータのうちの１つである、請求項１５に記載の医用画像処理装置。

【発明の詳細な説明】

【技術分野】

【0001】

本明細書及び図面に開示の実施形態は、減弱マップ生成方法及び医用画像処理装置に関する。

【0002】

本開示は、ポジトロン放射断層撮影（Positron Emission Tomography：ＰＥＴ）イメージングなどの医用イメージングで使用するための減弱マップの精度向上を提供する方法及び装置に関する。

【背景技術】

【0003】

ポジトロン放射断層撮影（ＰＥＴ）とは、放射性トレーサーとして知られている放射性物質を使用して、代謝過程およびその他の生理的活動の変化を可視化および測定するイメージング技術である。これは、人体の生化学を調べるための低侵襲手段である。血流、化学組成、および吸収は全て、放射性トレーサーおよびＰＥＴの助けを借りて視覚化および測定することができる。様々なトレーサーが様々なイメージング目的に使用されている。例えば、グルコースの放射性標識アナログであるフルオロデオキシグルコースは癌の検出に使用され、フッ化ナトリウムは骨形成の検出に使用され、酸素１５は血流検出のトレーサーとしてしばしば使用される。ガンマ線は放射性トレーサーから放射されてガンマカメラによって検出され、３次元画像が形成される。

【0004】

ＰＥＴスキャンの画像は、同一セッション中に実行され得るＣＴスキャンの結果を使用して再構成することができる。ＣＴ装置と一体化したＰＥＴ装置は、ＰＥＴ－ＣＴ装置として知られている。ＰＥＴにおける画像再構成は、５１１ｋｅＶのガンマ線が物質を通過して検出器に到達するまでの減弱を適切に考慮するため、患者またはファントム（医用イメージングファントムは人体組織の代用として使用される被写体）の物質組成の情報に依存する。ＰＥＴ／ＣＴでは、ＣＴ値に基づいて物質情報を抽出し、場合によってはＣＴ画像からの簡単な物質分類で改善する。その後、５１１ｋｅＶガンマ線の減弱は、物質情報とそれに関連する減弱断面積に基づいて理論的に計算される。従来の方法の一例は、米国特許第６９５０４９４号に記載されている。異なる経路に沿ったＸ線の実効エネルギーは変化し、一様ではないため、上記従来の方法を使用した減弱量の推定精度には限界がある。このため、ＣＴ再構成の精度に影響を与え、被写体の中心部と周辺部とでＣＴ値が異なる「カッピング」などのビームハードニングアーチファクトをもたらす。別の問題は、スキャンプロトコル、例えば、管電圧、コリメータ設定などの変更、ならびに臓器もしくは物質の分類がないか、または単純であることに起因して、実効エネルギーが変化することである。極端な場合、金属アーチファクトがエラーを引き起こすことになる。金属アーチファクトは、いくつかの研究において患者の１０％で報告されている（Croxford, et al, Journal of Nuclear Medicine, May 2010を参照）。ＣＴスキャンの公称７０ｋｅＶから５１１ｋｅＶに対してＰＥＴ再構成に必要なガンマ線の減弱を外挿すると、上記のエラーがさらに増幅される。

【0005】

これらの問題を調整するために、時として物質に依存した「変換係数」を使用するが、これでは、上記の問題がうまく解決されない（Chuanyong Bai, Ling Shao, A. J. Da Silva and Zuo Zhao, “A generalized model for the conversion from CT numbers to linear attenuation coefficients,” in IEEE Transactions on Nuclear Science, vol. 50, no. 5, pp. 1510-1515, Oct. 2003, Doi: 10.1109/TNS.2003.817281を参照）。したがって、必要なのは、ＰＥＴスキャンの減弱マップを生成するためのより良い方法である。

【先行技術文献】

【特許文献】

【0006】

【特許文献1】米国特許第６９５０４９４号明細書

【発明の概要】

【発明が解決しようとする課題】

【0007】

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、ＰＥＴ画像の減弱補正に使用する減弱マップの精度を向上させることである。ただし、本明細書及び図面に開示の実施形態により解決しようとする課題は上記課題に限られない。後述する実施形態に示す各構成による各効果に対応する課題を他の課題として位置付けることもできる。

【課題を解決するための手段】

【0008】

実施形態に係る減弱マップ生成方法は、被検体のＣＴ（Computed Tomography）画像データを取得し、トレーニング入力画像データとスペクトルＣＴ画像データから生成した対応するトレーニング減弱マップデータとを使用してトレーニングされたＤＣＮＮ（Deep Convolutional Neural Network）モデルに前記ＣＴ画像データを入力することによって、ＰＥＴ（Positron Emission Tomography）画像再構成のための減弱マップを生成する、ことを含む。

【図面の簡単な説明】

【0009】

【図1A】図１Ａは、本実施形態に係る減弱マップ生成方法の一例を示すフローチャートである。

【図1B】図１Ｂは、本実施形態に係る減弱マップ生成方法の一例を示すフローチャートである。

【図2A】図２Ａは、本実施形態に係る減弱マップ生成方法におけるＤＣＮＮモデルのトレーニング及び動作の一例を示す図である。

【図2B】図２Ｂは、本実施形態に係る減弱マップ生成方法におけるＤＣＮＮモデルのトレーニング及び動作の一例を示す図である。

【図3】図３は、本実施形態に係る減弱マップ生成方法におけるＤＣＮＮモデルのトレーニング及び動作の一例を示す図である。

【図4】図４は、本実施形態に係るトレーニング減弱マップデータの生成の一例を示す図である。

【図5】図５は、本実施形態に係るＰＥＴ装置の斜視図である。

【図6】図６は、本実施形態に係るＰＥＴ装置及び関連するハードウェアの概略図である。

【発明を実施するための形態】

【0010】

本開示では、単一エネルギーのコンピュータ断層撮影（Computed Tomography：ＣＴ）画像（エネルギー積分型の検出器によって検出された投影データに基づく画像：以下、積分型ＣＴ画像データとも記す）などからの画像を、５１１ｋｅＶガンマ線の減弱マップに直接変換するために、ニューラルネットワークをトレーニングする。これは、ビームハードニング補正（Beam-Hardening Correction：ＢＨＣ）有り、または無しのＣＴ画像を使用して行うことができる。一実施形態では、深層畳み込みニューラルネットワーク（Deep Convolutional Neural Network：ＤＣＮＮ）などのトレーニングされたニューラルネットワークを提供することによって、ＣＴ画像を５１１ｋｅＶ光子に対する減弱係数に、より正確に変換し、ＰＥＴイメージングにおいてより正確な定量的結果をもたらすことができる。ニューラルネットワークを使用して、実効Ｘ線エネルギーのばらつき、および誤った物質タイプの割り当てに起因して発生するハードニングアーチファクトおよび金属アーチファクトを含む、異なる物質タイプのシグネチャ（ｓｉｇｎａｔｕｒｅ）を捉えることができる。ニューラルネットワークをトレーニングして、これらのシグネチャを捉え、物質の同定および定量化の精度を改善することができる。

【0011】

正確な減弱マップは、ＤＣＮＮトレーニングのターゲット出力として使用される。必要な減弱マップを生成するためには、正確な物質情報が必要である。ｋＶスイッチングＸ線管、２層検出器、光子計数検出器、またはデュアルＸ線源などの高度なスペクトル対応ハードウェア（物質弁別用）を装備したＣＴ装置では、物質組成情報を含むスペクトルＣＴ画像を単純に作成することができるため、５１１ｋｅＶ光子に対する正確な減弱マップを生成することができる。従来のＣＴについては、代わりに一般的なスペクトルＣＴのプロトコルおよび物質弁別を使用することができる。被写体を異なるＸ線エネルギーでスキャンし、異なる単一エネルギーのＣＴ画像を組み合わせる汎用的な物質弁別プロセスが続くことによって、被写体における下地物質の組成を知ることができる。

【0012】

一実施形態では、トレーニングの目標は、出力がスペクトルＣＴプロトコルを通じて作成された基準減弱マップによく似ることができるように、コスト関数を最小化する並進関数を推定することである。また、ニューラルネットワークのトレーニングは、物質組成が既知であるデジタルファントムを用いたシミュレーションからの増強データによって改善することができる。完全にトレーニングされると、ニューラルネットワークは並進関数を直接作成し、１つ以上のＣＴ画像をＰＥＴ再構成に使用される減弱マップに変換する。この方法は、磁気共鳴（Magnetic Resonance：ＭＲ）イメージングからのデータなどの、ＣＴデータ以外のデータを使用して減弱マップを作成するために一般化することができ、また単一光子放射コンピュータ断層撮影（Single-Photon Emission Computerized Tomography：ＳＰＥＣＴ）などの、他のイメージングモダリティにも適用することができる。

【0013】

本開示の１つの方法は、被検体のＣＴ画像データを受信することと、受信したＣＴ画像データを、減弱マップを出力する深層畳み込みニューラルネットワーク（ＤＣＮＮ）モデルに入力することによって、ＰＥＴ画像再構成のための減弱マップを生成することであって、ＤＣＮＮモデルが、トレーニング入力画像データおよびスペクトルＣＴ画像データから生成した対応するトレーニング減弱マップデータを使用することによってトレーニングされたものであることと、を含む。

【0014】

また、本開示の別の方法は、被検体のポジトロン放射断層撮影（ＰＥＴ）の減弱データを受信することと、受信したＰＥＴ由来の減弱データを、減弱マップを出力するトレーニングされた深層畳み込みニューラルネットワーク（ＤＣＮＮ）モデルに入力することによって、ＰＥＴ画像再構成のための減弱マップを生成することであって、ＤＣＮＮモデルが、入力データとしてのトレーニング入力画像データおよびＰＥＴデータから生成した対応するトレーニング減弱マップデータを使用することによってトレーニングされたものであることと、を含む。

【0015】

また、別の実施形態によれば、被検体のコンピュータ断層撮影（ＣＴ）画像データを受信し、受信したＣＴ画像データを、減弱マップを出力するトレーニングされた深層畳み込みニューラルネットワーク（ＤＣＮＮ）モデルに入力することによって、ポジトロン放射断層撮影（ＰＥＴ）画像再構成のために減弱マップを生成し、ＤＣＮＮモデルが、トレーニング入力画像データおよびスペクトルＣＴ画像データからの対応するトレーニングデータを使用してトレーニングされるように構成された処理回路を備える装置が提供される。

【0016】

上記した概要セクションは、本開示における全ての実施形態および／または全ての追加的に新しい態様を規定するものではなく、異なる実施形態の予備的な説明のみを提供するものである。開示された実施形態の追加の詳細および／または可能な視点については、以下でさらに説明する実施形態を参照されたい。

【0017】

上記したように、核医学イメージングにおけるＰＥＴスキャンは、減弱推定の精度に悩まされる。本開示の実施形態では、減弱推定の精度は、本開示において「ニューラルネットワーク」または「ＤＣＮＮモデル」と代わりに呼ばれる、トレーニングされた深層畳み込みニューラルネットワーク（ＤＣＮＮ）モデルの使用によって改善される。

【0018】

図１Ａは、開示された方法のうちの１つのフローチャート１０００を示す。具体的には、図１Ａは、ＣＴ画像データを受信し、ＣＴ画像データをトレーニングされたＤＣＮＮモデルに入力し、ＰＥＴ画像再構成のための減弱マップを生成し、被検体のスキャンからＰＥＴデータを取得し、取得したＰＥＴデータおよび生成した減弱マップからＰＥＴ画像を再構成する、方法の１つのフローチャートを示す。

【0019】

図１Ａに示すように、ステップＳ１０１０では、ＣＴ画像データが受信される。なお、受信されるＣＴ画像データは、被検体の、１回のスキャン、または異なる時間に実行された複数のスキャンからのデータでもよい。また、複数のスキャンは、単一のエネルギーレベルで、または複数のエネルギーレベルで行われてもよい。

【0020】

ステップＳ１０２０では、任意選択でビームハードニング補正を実行することができる。ビームハードニング補正は、例えば、反復補正技術を使用することができるビームハードニングソフトウェアを使用して実行することができる。或いは、ＣＴ装置は、ファントムを使用することによって較正して、カッピングまたはストリーキングのようなビームハードニングアーチファクトを制御または補正することができる。

【0021】

ステップＳ１０３０では、ＣＴ画像データは、減弱マップを出力するためにトレーニングされたＤＣＮＮモデルに入力される。後述するように、ＤＣＮＮモデルのトレーニングは、１つ以上のＣＴスキャン、ＰＥＴ由来の減弱測定値、ファントムの高線量スペクトル画像、および／または、デジタルファントムから得られるデータを用いて実行することができる。

【0022】

ステップＳ１０４０では、入力画像データに基づいて、ＤＣＮＮモデルによって減弱マップが生成され、出力される。

【0023】

ステップＳ１０５０では、被検体のＰＥＴスキャンからＰＥＴデータを取得する。

【0024】

ステップＳ１０６０では、ＤＣＮＮによって生成された減弱マップを使用して、取得したＰＥＴデータから被検者のＰＥＴ画像を再構成する。

【0025】

図１Ｂは、開示された方法のうちの１つの、別のフローチャート１１００を示す。具体的には、ＰＥＴ画像データを受信し、ＰＥＴ画像データをトレーニングされたＤＣＮＮモデルに入力し、ＰＥＴ画像再構成のための減弱マップを生成し、被検体のスキャンからＰＥＴデータを取得し、取得したＰＥＴデータおよび生成した減弱マップからＰＥＴ画像を再構成することからなる、異なる方法のフローチャートを示す。ステップＳ１１１０では、ＰＥＴ由来の減弱測定値を、被検体のＰＥＴスキャンに基づいて受信する。

【0026】

ステップＳ１１２０では、ＰＥＴ由来の減弱測定値を、トレーニングされたＤＣＮＮモデルに入力する。後述するように、本実施形態におけるＤＣＮＮモデルのトレーニングは、１つ以上のＣＴスキャン、ＰＥＴ由来の減衰測定値、ファントムの高線量スペクトル画像、および／またはデジタルファントムからのデータに基づいて実行することができる。

【0027】

ステップＳ１０４０では、入力画像データに基づいてトレーニングされたＤＣＮＮモデルによって、減弱マップが生成され、出力される。

【0028】

ステップＳ１０５０では、被検体のＰＥＴスキャンからＰＥＴデータを取得する。

【0029】

ステップＳ１０６０では、取得したＰＥＴデータおよびＤＣＮＮによって生成された減弱マップから、被検者のＰＥＴ画像を再構成する。

【0030】

図２Ａは、ＤＣＮＮモデルへの入力として単一エネルギーＣＴ画像（積分型ＣＴ画像データ）を使用するＤＣＮＮネットワークのトレーニングおよび動作の一実施形態のフロー図を示す。具体的には、図２Ａは、トレーニング中、単一エネルギーＣＴ画像１０２（ビームハードニング補正あり、またはなし）をトレーニング入力とし、かつ、対応する５１１ｋｅＶ減弱マップ１１２をターゲット出力として使用する、ＤＣＮＮネットワークトレーニングの方法のフロー図を示す。上記トレーニングにおいては、実効Ｘ線エネルギーのばらつき、および誤って割り当てられた物質タイプに起因して、時として必要となるビームハードニング補正を使用してシグネチャを確立し、ニューラルネットワークにそれらのシグネチャを捉えさせ、物質の識別および定量化の精度を改善することができる。これらのシグネチャを強化するために、ニューラルネットワークは、ビームハードニング補正のないＣＴ画像、またはビームハードニング補正はあるが意図的に間違った物質仮定に基づく画像を、入力として代替することができる。

【0031】

一実施形態では、対応するターゲット５１１ｋｅＶ減弱マップ１１２と共に単一エネルギーＣＴ画像１０２を、トレーニング中にＤＣＮＮモデル１３０に入力する。ＤＣＮＮモデル１３０のパラメータを調整して、実際の処理において使用されるＤＣＮＮモデル１５０を作成する。

【0032】

一実施形態では、ＣＴまたは他の画像を入力として使用する減弱推定のための教師あり深層学習モデルは、任意選択でＣＴ構成パラメータを追加入力として使用する。目標は、例えば、以下の式（１）に示す関数などのコスト関数を最小化する並進関数を推定することである。

【0033】

【数1】

ここで、式（１）におけるＸおよびＹは、高線量スペクトルＣＴスキャンからの入力ＣＴ画像および対応する減弱マップのトレーニングサンプルを表す。Ｋはサンプルの数である。ｆは、ＤＣＮＮモデル１５０にように、ニューラルネットワークを使用して推定する必要がある並進関数である。式（１）に示すような損失関数によって、ネットワークのトレーニングが可能になる。平均二乗誤差（Mean Square Error：ＭＳＥ）を損失関数として使用することができ、また、代わりに、半平均二乗誤差（Half Mean Square Error：ＨＭＳＥ）、二乗平均平方根誤差（Root Mean Square Error：ＲＭＳＥ）、または平均絶対誤差（Mean Absolute Error：ＭＡＥ）を損失関数として使用してもよい。完全にトレーニングされると、ニューラルネットワークは並進関数を直接作成し、入力ＣＴ画像をＰＥＴ再構成に使用され得る減弱マップに変換する。別の実施形態では、複数のニューラルネットワーク構造を使用して損失関数を最小化しようとすることもでき、それらのネットワークのパラメータは、新しい画像のペアで使用するためのトレーニングされたネットワークを形成する。

【0034】

図２Ａに示すように、初期の単一エネルギーＣＴ画像１０２は、ファントムスキャン１０６を使用することによって作成することができる。別の実施形態では、デジタルファントムシミュレーション１０８によって単一エネルギーＣＴ画像１０２を作成することもでき、またはファントムスキャン１０６とデジタルファントムシミュレーションとの組み合わせによって単一エネルギーＣＴ画像１０２を作成することもできる。例えば、ＧＡＴＥ（Geant4 Application Tomography Emission）ソフトウェアパッケージなどを使用して、デジタルファントムを生成してもよい。高線量スペクトル画像１１０と組み合わせて、ファントムまたはデジタルシミュレーション画像を使用して、より正確な５１１ｋｅＶ減弱マップ１１２を作成し、トレーニングに使用することができる。さらに他の実施形態では、ｋＶｐの変更、スキャン継続時間設定の変更、またはコリメータ設定最適化アルゴリズムの使用によるコリメータ設定の最適化など、ＣＴ構成を変更することができる。

【0035】

一実施形態では、正確なトレーニング減弱マップ１１２は、一般化スペクトルＣＴプロトコルおよび物質弁別を使用して作成することができる。次に、５１１ｋｅＶの減弱マップ１１２を元の単一エネルギーＣＴ画像１０２と共に使用して、ＤＣＮＮモデル１３０をトレーニングする。ＤＣＮＮのトレーニングが完了すると、最適化フィルタ１３２を使用して、臨床環境で使用されるＤＣＮＮモデル１５０を作成する。次に、ＤＣＮＮモデル１５０を使用して、例えば、ＰＥＴ－ＣＴ装置を使用して患者のスキャンから取得された入力単一エネルギーＣＴ画像から減弱マップ１７０を作成する。そして、減弱マップ１７０を使用して、例えば、ＰＥＴ－ＣＴ装置により取得されたＰＥＴデータ１６０に対するＰＥＴ再構成が実行される。

【0036】

図２Ｂは、ＤＣＮＮモデルへの入力としてＰＥＴ由来の減弱測定値を使用する別の実施形態のフロー図を示す。本実施形態では、５１２ｋｅＶ減弱マップを生成するためのニューラルネットワークへの入力は、例えば、ＰＥＴデータから放射と減弱を同時にモデルベースで推定するプロセスを使用して取得した、ＰＥＴ由来の減弱測定値２１４である。ここで、本実施形態では、参照として、Li Y, Matej S, Karp JS. Practical joint reconstruction of activity and attenuation with autonomous scaling for time-of-flight PET. Phys Med Biol. 2020, Dec 23が援用される。

【0037】

本実施形態では、単一エネルギーまたは多重エネルギーの、線源ベースの送信スキャンを使用することができる。従来は、単一エネルギーであり、かつＰＥＴの対消滅光子の５１１ｋｅＶに近いことから、Ｇｅ－６８またはＣｓ－１３７が透過スキャンに使用されている。本実施形態では、コストまたは安全性の理由から、より低いエネルギー源、例えばＣｏ－５７を使用することも可能である。また、Ｌｕベースの検出器からの低レートバックグラウンドガンマで、被写体のＬｕ－１７６透過スキャンを使用することもできる。

【0038】

他の実施形態では、この同じ原理を拡張して、ＣＴとは異なる画像から取得されるＤＣＮＮモデルへの入力画像を提供することができる。例えば、ＳＰＥＣＴデータをＤＣＮＮトレーニングモデルの入力として使用することができる。さらに、ＤＣＮＮモデルへの入力は、磁気共鳴（ＭＲ）画像から得ることができる。また、ＭＲＳなどの様々なＭＲシーケンスを使用して、ＤＣＮＮモデルの特異性を強化することもできる。

【0039】

ＤＣＮＮモデルへの入力画像がＣＴとは異なるソースから来る場合、入力画像とスペクトラルＣＴプロトコルから生成されるターゲット減弱マップとの間のアライメントをうまく調整する必要がある。入力画像とターゲット減弱マップの両方で認識される、よく知られた物質特性およびマーキング構造を持つ特殊なファントムを使用することで、ミスアライメントの問題を緩和することができる。また、デジタルファントムを用いたシミュレーションを使用することで、ＤＣＮＮモデルをトレーニングするための入力画像とターゲット減弱マップの両方を提供することができる。

【0040】

図３は、ＤＣＮＮモデルへの入力として複数の単一エネルギーＣＴ画像を使用する別の実施形態のフロー図を示す。本実施形態では、ビームハードニング補正のある単一エネルギーＣＴ画像１０４、およびビームハードニング補正のない単一エネルギーＣＴ画像１０２は、いずれもトレーニング中にＤＣＮＮモデルに入力される。２つ以上のＣＴ画像は、例えば、異なるタイプのビームハードニング補正（１つの物質、２つの物質）を含むことができ、または、ビームハードニング補正を含むが（意図的に）間違った物質仮定に基づいてアーチファクトのシグネチャを改善し、それによってＤＣＮＮを改善してもよい。図３はさらに、トレーニングされたＤＣＮＮ１５０への入力として、ビームハードニング補正のない被検体ＣＴ画像２４２、およびビームハードニング補正のある被検体ＣＴ画像２４４を示す。

【0041】

図４は、物質弁別を使用して５１１ｋｅＶ減弱マップを生成するために、少なくとも２つの異なるスキャンを使用するフロー図を示す。具体的には、図４は、少なくとも２つの異なるｋＶｐスキャンを使用して５１１ｋｅＶ減弱マップ１１２を生成する、一般的な回転－回転スペクトルＣＴプロトコルのフロー図を示す。図４は、８０ｋＶｐスキャン４０２および１３５ｋＶｐスキャン４０４を示す。これらの低エネルギースキャンおよび高エネルギースキャンは、物質弁別プロセスによって使用され、２つの異なる基準物質画像４１２および４１４を生成し、そこから５１１ｋｅＶの減弱マップが生成される。基準物質は、例えば、水と骨、または水とヨウ素であってもよい。本実施形態におけるトレーニングデータは、ＣＴスキャンをシミュレートすることによって生成された入力画像を持つデジタルファントム／患者を提供することもできる。５１１ｋｅＶ減弱マップ１１２のターゲット出力は、デジタルファントム／患者の物質情報に基づいて直接計算することができる。

【0042】

本実施形態に係る方法は、システム設計もしくはスキャンプロトコルのバリエーションに適応するために複数のトレーニングされたネットワークを作成することができるか、または本方法を使用して、一般的な使用のためにシステム構成もしくはスキャンプロトコルの追加入力で共通のネットワークを作成することができる。また、ニューラルネットワークは、さらなる線量低減およびアーチファクトの低減のために、他の高度なイメージング処理ネットワークと組み合わせることもできる。

【0043】

一実施形態では、図５および図６に示すように、本開示の方法がＰＥＴ装置内で実装されることを理解することができる。図５および図６は、それぞれが矩形の検出器モジュールとして構成されている多数のガンマ線検出器（Gamma-Ray Detector：ＧＲＤ）８００１、８００２～８０４０（例えば、ＧＲＤ１、ＧＲＤ２、～ＧＲＤＮ）を含むＰＥＴ装置８０００を示す。ＰＥＴ装置８０００は、上記で紹介したように、適応体軸方向視野（Adaptive Axial Field Of View：ａａＦＯＶ）ＰＥＴ装置であってもよい。一実施態様によれば、ガントリ８０６０の周りに円筒形ボア８０５０を形成する各ＰＥＴ検出器リングは、例えば、４０個のＧＲＤを含む。別の実施態様では、４８個以上のＧＲＤがあり、より多くのＧＲＤの数を使用して、ＰＥＴ装置８０００のためのより大きなボアサイズを生成する。各ＰＥＴ検出器リングは、ａａＦＯＶ ＰＥＴ装置の軸方向の長さについて独立して並進可能であってもよい。各ＰＥＴ検出器リングの並進は、手動操作および／または電動操作によって達成されてもよい。ＧＲＤは、光検出器によって検出されるシンチレーション光子（例えば、光学的、赤外線、および紫外線の波長）にガンマ線を変換するための、シンチレータ結晶アレイを含む。各ＧＲＤは、ガンマ線を吸収してシンチレーション光子を放射する、個々の検出器結晶の２次元アレイを含むことができる。シンチレーション光子は、同様にＧＲＤ内に配置された光電子増倍管（Photomultiplier Tube：ＰＭＴ）の２次元アレイによって検出することができる。光導体は、検出器結晶のアレイとＰＭＴの間に配置することができる。さらに、各ＧＲＤは、様々なサイズの多数のＰＭＴを含むことができ、その各々は、複数の検出器結晶からシンチレーション光子を受信するように配置される。各ＰＭＴは、シンチレーションイベントがいつ発生するかを示すアナログ信号、および検出イベントを生成するガンマ線のエネルギーを生成することができる。さらに、１つの検出器結晶から放射される光子は、２つ以上のＰＭＴによって検出することができ、各ＰＭＴで生成されるアナログ信号に基づいて、検出イベントに対応する検出器結晶を、例えば、アンガーロジックおよび結晶復号を使用して判定することができる。しかしながら、アンガー算術は、結晶と光検出器との間の１対１対応があるときに必ずしも必要とされない。

【0044】

図６は、患者（本実施形態では、代わりに被写体、または被検体と呼ばれる）から放射されるガンマ線を検出するように配置されたＧＲＤ８００１、８００２～８０４０を有するＰＥＴ装置の概略図を示す。ＧＲＤは、各ガンマ線の検出に対応するタイミング、位置、およびエネルギーを測定することができる。一実施形態では、図５および図６に示し、本明細書で説明するように、ガンマ線検出器はＰＥＴ検出器リング状に配置される。図６の単一のＰＥＴ検出器リングは、ＰＥＴスキャナの軸方向の長さに沿った任意の数のＰＥＴ検出器リングを含むように外挿することができることを理解することができる。検出器結晶は、２次元アレイ状に配置された個々のシンチレータ素子を有するシンチレータ結晶であり得、シンチレータ素子は、任意の既知のシンチレータ材料であり得る。ＰＭＴは、各シンチレータ素子からの光が複数のＰＭＴによって検出されて、シンチレーションイベントのアンガー算術および結晶復号を可能にするように、配置することができる。

【0045】

図６は、ＰＥＴ装置８０００の配置の例を示し、ここでは撮像される被検体または患者などの被写体が天板９１６０上に載置されており、ＧＲＤ１ ８００１～ＧＲＤＮ ８０４０のＧＲＤモジュールが、被写体ＯＢＪおよび天板９１６０の周りに円周方向に配置されている。ＧＲＤは、ＰＥＴ検出器リングを含んでもよく、ガントリ８０６０に固定接続されている円筒形のボア８０５０に固定接続されてもよい。ガントリ８０６０は、ＰＥＴ装置の多くの部品を収容する。また、ＰＥＴ装置のガントリ８０６０は、患者および天板９１６０が通過することができる、円筒形ボア８０５０によって定義される、開いた開口部を含み、対消滅イベントにより患者から反対方向に放射されるガンマ線をＧＲＤによって検出することができ、タイミングおよびエネルギー情報を使用してガンマ線のペアの同時計数を判定することができる。

【0046】

図６では、ガンマ線検出データを取得、記憶、処理、および分配するための回路およびハードウェアも示されている。回路およびハードウェアは、プロセッサ９０７０、ネットワークコントローラ９０７４、メモリ９０７８、メモリ内に格納されたＤＣＮＮモデル９０８０、およびデータ取得システム（Data Acquisition System：ＤＡＳ）９０７６を含む。また、ＰＥＴ装置は、ＧＲＤからＤＡＳ９０７６、プロセッサ９０７０、メモリ９０７８、およびネットワークコントローラ９０７４へと検出測定結果をルーティングするデータチャネルも含む。ＤＡＳ９０７６は、検出器からの検出データの取得、デジタル化、およびルーティングを制御することができる。一実施形態では、ＤＡＳ９０７６は、天板９１６０の動きを制御する。プロセッサ９０７０は、ＰＥＴ検出器リングの調整、検出データの前再構成処理、画像再構成、および画像データの後再構成処理を含む機能を実行する。なお、プロセッサ９０７０は、処理回路であり、取得部、生成部、及び、再構成部に対応する各機能を実現する。また、図６に示すＰＥＴ装置８０００は、本願に係る医用画像処理装置を含む装置の一例である。

【0047】

一実施形態によれば、図５および図６のＰＥＴ装置８０００のプロセッサ９０７０は、本明細書に記載されるような方法のいずれか、ならびにその変形を実行するように構成することができる。

【0048】

別の実施形態によれば、ＧＲＤモジュールの数は、例えば、単一モジュールなど、より少ない数であってもよい。

【0049】

図５に示すように、プロセッサ９０７０は、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ）、または別の複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）のような、個々の論理ゲートとして実装可能なＣＰＵを含むことができる。ＦＰＧＡまたはＣＰＬＤの実装は、ＶＨＤＬ、Ｖｅｒｉｌｏｇ、またはその他のハードウェア記述言語でコード化されてよく、そのコードはＦＰＧＡもしくはＣＰＬＤ内の電子メモリに直接格納されてもよく、または個別の電子メモリとして格納されてもよい。さらに、メモリ９０７８は、ハードディスクドライブ、ＣＤ－ＲＯＭドライブ、ＤＶＤドライブ、フラッシュドライブ、ＲＡＭ、ＲＯＭ、または当技術分野において既知の、任意のその他の電子記憶装置とすることができる。メモリ９０７８は、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、またはフラッシュメモリなどの不揮発性であってもよい。メモリ９０７８は、静的または動的ＲＡＭなど揮発性であり得、ＦＰＧＡまたはＣＰＬＤとメモリとの間の相互作用だけでなく電子メモリを管理するための、マイクロコントローラまたはマイクロプロセッサなどのプロセッサが提供されてもよい。

【0050】

あるいは、プロセッサ９０７０のＣＰＵは、本明細書に記載の方法を実行する一連の非一時的なコンピュータ可読命令を含むコンピュータプログラムを実行することができ、プログラムは、電子メモリおよび／もしくはハードディスクドライブ、ＣＤ、ＤＶＤ、フラッシュドライブ、またはその他の任意の既知の記憶媒体を含む、上述のいずれかの非一時的コンピュータ可読媒体に格納される。さらに、コンピュータ可読命令は、ユーティリティアプリケーション、バックグラウンドデーモン、もしくはオペレーティングシステムの構成要素、またはそれらの組み合わせで提供されてもよく、米国のインテル社製のＸＥＮＯＮ（登録商標）プロセッサまたは米国のＡＭＤ社製のＯＰＴＥＲＯＮ（登録商標）プロセッサなどのプロセッサと、Ｍｉｃｒｏｓｏｆｔ ＶＩＳＴＡ（登録商標）、ＵＮＩＸ（登録商標）、Ｓｏｌａｒｉｓ（登録商標）、ＬＩＮＵＸ（登録商標）、Ａｐｐｌｅ ＭＡＣ－ＯＳ（登録商標）、および当業者に既知の他のオペレーティングシステムと連動して実行される。さらに、ＣＰＵは、ローカルまたは分散型クラウド構成で協調的に並列に動作する複数のプロセッサとして実装され、メモリ９０７８に格納された命令を実行し、ＤＣＮＮモデル９０８０を実装することできる。メモリ９０７８およびＤＣＮＮモデル９０８０は、ローカルまたは分散型クラウド構成に格納されてもよい。

【0051】

一実施形態では、ＰＥＴスキャナは、再構成画像などを表示するためのディスプレイを含んでもよい。ディスプレイは、ＬＣＤディスプレイ、ＣＲＴディスプレイ、プラズマディスプレイ、ＯＬＥＤ、ＬＥＤ、または当該技術分野において既知のその他のディスプレイであり得る。

【0052】

米国のインテル社製のインテルイーサネット（登録商標）ＰＲＯネットワークインタフェースカードなどのネットワークコントローラ９０７４により、ＰＥＴ撮像装置の様々な部分間でインタフェースすることができる。さらに、ネットワークコントローラ９０７４はまた、外部ネットワークとインタフェースすることもできる。理解できるように、この外部ネットワークは、インターネットなどの公共ネットワーク、またはＬＡＮもしくはＷＡＮネットワークなどのプライベートネットワーク、またはこれらの任意の組み合わせであり得、ＰＳＴＮもしくはＩＳＤＮサブネットワークを含むこともできる。外部ネットワークはまた、イーサネットネットワークなどの有線とすることができ、またはＧＰＲＳ、ＥＤＧＥ、３Ｇ、４Ｇ、および５Ｇ無線セルラーシステムを含むセルラーネットワークなどの無線とすることもできる。無線ネットワークはまた、Ｗｉ－Ｆｉ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、または任意の他の既知の無線通信形式とすることもできる。

【0053】

明らかに、以上の教示を考慮して、数々の修正および変形が可能である。したがって、特許請求の範囲内で、本発明は、本明細書に具体的に記載された方法とは異なる方法でも実施され得ることを理解されたい。

【0054】

本明細書に記載された方法およびシステムは、多数の技術で実装することができるが、一般的には、本明細書に記載された処理を実行するためのイメージングデバイスおよび／または処理回路に関連する。ニューラルネットワークが使用される実施形態では、ニューラルネットワーク（複数可）をトレーニングするために使用される処理回路は、本明細書に記載された方法を実行するトレーニングされたニューラルネットワーク（複数可）を実装するために使用される処理回路と同じである必要はない。例えば、ＦＰＧＡを使用して、トレーニングされたニューラルネットワーク（例えば、その相互接続および重みによって定義されるように）を作成してもよく、プロセッサ９０７０およびメモリ９０７８を使用して、トレーニングされたニューラルネットワークを実装してもよい。さらに、トレーニングされたニューラルネットワークのトレーニングおよび使用は、直列実装を使用してもよく、または性能向上のために並列実装を使用してもよい（例えば、トレーニングされたニューラルネットワークをグラフィックプロセッサアーキテクチャなどの並列プロセッサアーキテクチャに実装することによって）。

【0055】

前述の説明では、具体的な詳細が記載されてきた。しかし、本明細書の技術は、これらの特定の詳細から逸脱した他の実施形態で実施されてもよく、このような詳細は説明のためのものであり、限定するものではない。本明細書で開示する実施形態は、添付図面を参照して説明されている。同様に、説明の目的のために、具体的な数字、材料、および構成が、完全な理解を提供するために記載されている。それにもかかわらず、実施形態は、そのような具体的な詳細がなくても実施され得る。実質的に同じ機能構造を有する構成要素は、同様の参照文字によって表されており、したがって、冗長な説明は省略することがある。

【0056】

様々な技術が、様々な実施形態の理解を助けるために複数の個別の動作として説明されてきた。記載の順序は、これらの動作が必ずしも順序に依存することを意味するように解釈されるべきではない。実際に、これらの動作は、提示された順序で実行する必要はない。記載された動作は、記載された実施形態とは異なる順序で実行されてもよい。追加の実施形態では、様々な追加の動作を実行してもよく、および／または記載された動作を省略してもよい。

【0057】

また、本開示の実施形態は、以下の付記に記載されるようであってもよい。

【0058】

（１）被検体のコンピュータ断層撮影（ＣＴ）画像データを受信することと、受信したＣＴ画像データを、トレーニングされた深層畳み込みニューラルネットワーク（ＤＣＮＮ）モデルに入力することによって、ポジトロン放射断層撮影（ＰＥＴ）画像再構成のために減弱マップを生成することであって、ＤＣＮＮモデルが、トレーニング入力画像データおよびスペクトルＣＴ画像データから生成した対応するトレーニング減衰マップデータを使用することによってトレーニングされたものであることと、を含む、方法。

【0059】

（２）受信するステップが、単一エネルギーＣＴ画像データを受信することを含む、（１）に記載の方法。

【0060】

（３）被検体のスキャンからＰＥＴデータを取得することと、取得したＰＥＴデータおよび生成した減弱マップからＰＥＴ画像を再構成することと、をさらに含む、（１）または（２）のいずれかに記載の方法。

【0061】

（４）９０ｋＶｐ未満の第１のエネルギーを有する第１のＣＴスキャン、および１２５ｋＶｐを超えるエネルギーを有する第２のＣＴスキャンから取得した入力画像データから、トレーニング減弱マップデータを取得することをさらに含む、（１）～（３）のいずれかに記載の方法。

【0062】

（５）入力画像データに基づいて第１の基準物質画像および第２の基準物質画像を生成することをさらに含む、（４）に記載の方法。

【0063】

（６）スペクトルＣＴスキャンによって作成される入力画像データからトレーニング減弱マップデータを取得することをさらに含む、（１）～（５）のいずれかに記載の方法。

【0064】

（７）高速ｋＶスイッチングデュアルエネルギーＣＴスキャンから取得される入力画像データから、トレーニング減弱マップデータを取得することをさらに含む、（１）～（６）のいずれかに記載の方法。

【0065】

（８）光子計数ＣＴ装置を使用したスキャンから取得される入力画像データから、トレーニング減弱マップデータを取得することをさらに含む、（１）～（７）のいずれかに記載の方法。

【0066】

（９）シミュレーションまたはデジタルファントムから取得される入力画像データから、トレーニング減弱マップデータを取得することをさらに含む、（１）～（８）のいずれかに記載の方法。

【0067】

（１０）受信したＣＴ画像データが、ビームハードニング補正をオフにして生成されたものである、（１）～（９）のいずれかに記載の方法。

【0068】

（１１）ＣＴ画像データをトレーニングされたＤＣＮＮモデルに入力する前に、ビームハードニング補正処理を使用して、受信したＣＴ画像データを補正することをさらに含む、（１）に記載の方法。

【0069】

（１２）受信したＣＴ画像データが、ビームハードニング補正を有する単一エネルギーＣＴ画像データおよびビームハードニング補正を有さない単一エネルギーＣＴ画像データの両方を含む、（１）～（１１）のいずれかに記載の方法。

【0070】

（１３）損失関数を最小化することによってＤＣＮＮモデルをトレーニングすることをさらに含む、（１）～（１２）のいずれかに記載の方法。

【0071】

（１４）被検体のポジトロン放射断層撮影（ＰＥＴ）由来の減弱データを受信することと、受信したＰＥＴ由来の減弱データを、減弱マップを出力するトレーニングされた深層畳み込みニューラルネットワーク（ＤＣＮＮ）モデルに入力することによって、ＰＥＴ画像再構成のための減弱マップを生成することであって、ＤＣＮＮモデルが、入力データとしてのトレーニングＰＥＴ由来減弱データおよびスペクトルＣＴプロトコルを使用して生成した対応するトレーニング減弱マップデータを使用することによってトレーニングされたものであることと、を含む、方法。

【0072】

（１５）被検体のコンピュータ断層撮影（ＣＴ）画像データを受信し、受信したＣＴ画像データを、減弱マップを出力するトレーニングされた深層畳み込みニューラルネットワーク（ＤＣＮＮ）モデルに入力することによって、ポジトロン放射断層撮影（ＰＥＴ）画像再構成のために減弱マップを生成し、ＤＣＮＮモデルが、トレーニング入力画像データおよびスペクトルＣＴ画像データからの対応するトレーニングデータを使用してトレーニングされるように構成された処理回路、を備える、装置。

【0073】

（１６）処理回路が、ＣＴ画像データとして、単一エネルギーＣＴ画像データを受信するようにさらに構成されている、（１５）に記載の装置。

【0074】

（１７）処理回路が、被検体のスキャンからＰＥＴデータを取得し、取得したＰＥＴデータおよび生成した減弱マップからＰＥＴ画像を再構成するようにさらに構成されている、（１５）または（１６）のいずれかに記載の装置。

【0075】

（１８）処理回路が、入力画像データからトレーニング減弱マップデータを取得するようにさらに構成されており、入力画像データが、スペクトルＣＴスキャンによって作成されたデータ、高速ｋＶスイッチングデュアルエネルギーＣＴスキャンから取得したデータ、光子計数ＣＴ装置を使用したスキャンで取得したデータ、およびシミュレーションまたはデジタルファントムから取得したデータのうちの１つである、（１５）～（１７）のいずれかに記載の装置。

【0076】

以上説明した少なくとも一つの実施形態によれば、ＰＥＴ画像の減弱補正に使用する減弱マップの精度を向上させることができる。

【0077】

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】

【0078】

８０００ ＰＥＴ装置
９０７０ プロセッサ

【図1A】

【図1B】

【図2A】

【図2B】

【図3】

【図4】

【図5】

【図6】