(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2022-02-09
(45)【発行日】2022-02-18
(54)【発明の名称】Ｘ線コーンビームＣＴ画像再構成方法
(51)【国際特許分類】
A61B 6/03 20060101AFI20220210BHJP
【ＦＩ】
A61B6/03 350K
A61B6/03 360T
【請求項の数】
6
(21)【出願番号】P 2019150024
(22)【出願日】2019-08-01
(65)【公開番号】P2021023761
(43)【公開日】2021-02-22
【審査請求日】2020-11-06
(73)【特許権者】
【識別番号】519300909
【氏名又は名称】中川 恵一
(72)【発明者】
【氏名】中川 恵一
【審査官】松岡 智也
(56)【参考文献】
【文献】国際公開第２０１９／０６３７６０（ＷＯ，Ａ１）
【文献】米国特許出願公開第２０１８／０３３０２３３（ＵＳ，Ａ１）
【文献】国際公開第２０１３／０８９１５５（ＷＯ，Ａ１）
【文献】Yusuke Nomura et al.，"Projection-domain scatter correction for cone beam computed tomography using a residual cobolutional neural network"，Medical Physics，vol.46(7)，2019年，pp.3142-3155
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ａ６１Ｂ ６／００－６／１４
(57)【特許請求の範囲】
【請求項1】
多数の患者のコーンビームＣＴ画像を用いてコーンビームＣＴ撮像時の各投影画像に混入する散乱線による各投影画像成分を計算する第１のステップと、前記多数の患者のコーンビームＣＴ画像を入力訓練画像とし、前記計算された散乱線による各投影画像成分を出力訓練画像とする多層ニューラルネットワークを設定し、前記多層ニューラルネットワークの深層学習を実施する第２のステップと、前記深層学習を実施した多層ニューラルネットワークに新規患者のコーンビームＣＴ画像を入力することにより、前記新規患者の散乱線による各投影画像成分を予測する第３のステップと、前記新規患者のコーンビームＣＴ撮像時の各投影画像から前記予測した新規患者の散乱線による各投影画像成分を近似的に同一なガントリ角のデータに対して減算することにより得た差分投影画像を用いてコーンビームＣＴ画像を再構成する第４のステップを有するＸ線コーンビームＣＴ画像再構成方法において、前記第４のステップにおける差分投影画像を計算する前に、ファントムを用いて第１のステップにおける散乱線による各投影画像成分をキャリブレーションすることを特徴とするＸ線コーンビームＣＴ画像再構成方法。
【請求項2】
多数の患者のコーンビームＣＴ画像を用いてコーンビームＣＴ撮像時の各投影画像に混入する散乱線による各投影画像成分を計算する第１のステップと、前記多数の患者のコーンビームＣＴ画像撮像時の各投影画像を入力訓練画像とし、前記計算された散乱線による各投影画像成分を出力訓練画像とする多層ニューラルネットワークを設定し、前記多層ニューラルネットワークの深層学習を実施する第２のステップと、前記深層学習を実施した多層ニューラルネットワークに新規患者のコーンビームＣＴ画像撮像時の各投影画像を入力することにより、前記新規患者の散乱線による各投影画像成分を予測する第３のステップと、前記新規患者のコーンビームＣＴ撮像時の各投影画像から前記予測した新規患者の散乱線による各投影画像成分を近似的に同一なガントリ角のデータに対して減算することにより得た差分投影画像を用いてコーンビームＣＴ画像を再構成する第４のステップを有するＸ線コーンビームＣＴ画像再構成方法において、前記第４のステップにおける差分投影画像を計算する前に、ファントムを用いて第１のステップにおける散乱線による各投影画像成分をキャリブレーションすることを特徴とするＸ線コーンビームＣＴ画像再構成方法。
【請求項6】
前記予測した新規患者の散乱線による各投影画像成分に前記キャリブレーション係数Ａを乗算しキャリブレーションして、前記新規患者のコーンビームＣＴ撮像時の各投影画像から前記予測した新規患者の散乱線による前記キャリブレーション後の各投影画像成分を近似的に同一なガントリ角のデータに対して減算することを特徴とする請求項１ないし請求項５いずれかに記載のＸ線コーンビームＣＴ画像再構成方法。【発明の詳細な説明】
【技術分野】
【0001】
本発明は、Ｘ線コーンビームＣＴ画像再構成方法に関するもので、特に放射線治療装置に組み込まれたＸ線コーンビームＣＴ装置を用いた画像再構成方法で、例えば適応型放射線治療を実施するための技術に関する。
【背景技術】
【先行技術文献】
【0002】
従来より患者体内の腫瘍を治療寝台上で位置決めすることを目的として、Ｘ線コーンビームＣＴを具備した放射線治療装置が知られている。詳細は、例えば特許文献１および対応日本出願である特許文献２に記載されている。体内の腫瘍は患者体表のマークでは高精度に位置決めすることが困難であり、リニアックなどの放射線治療装置にＸ線コーンビームＣＴ装置を直交同軸配置した装置が放射線治療における位置決め精度向上に有効である。
【特許文献】
【0003】
【文献】米国特許第６８４２５０２号公報
【文献】特許第５５７２１０３号公報
【文献】米国特許第８５０４３６１Ｂ２号公報
【文献】米国特許第６１４８２７２号公報
【文献】特許第３７３０５１４号公報
【非特許文献】
【0004】
【文献】Ｗａｎｇ Ａ，Ｍａｓｌｏｗｓｋｉ Ａ，Ｗａｒｅｉｎｇ Ｔ，Ｓｔａｒ－Ｌａｃｋ Ｊ，Ｓｃｈｍｉｄｔ ＴＧ．Ａ ｆａｓｔ，ｌｉｎｅａｒ Ｂｏｌｔｚｍａｎｎ ｔｒａｎｓｐｏｒｔ ｅｑｕａｔｉｏｎ ｓｏｌｖｅｒ ｆｏｒ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ ｄｏｓｅ ｃａｌｃｕｌａｔｉｏｎ（Ａｃｕｒｏｓ ＣＴＤ）．Ｍｅｄ Ｐｈｙｓ．２０１９ Ｆｅｂ；４６（２）：９２５－９３３．
【文献】Ｗａｎｇ Ａ，Ｍａｓｌｏｗｓｋｉ Ａ，Ｍｅｓｓｍｅｒ Ｐ，Ｌｅｈｍａｎｎ Ｍ，Ｓｔｒｚｅｌｅｃｋｉ Ａ，Ｙｕ Ｅ，Ｐａｙｓａｎ Ｐ，Ｂｒｅｈｍ Ｍ，Ｍｕｎｒｏ Ｐ，Ｓｔａｒ－Ｌａｃｋ Ｊ，Ｓｅｇｈｅｒｓ Ｄ．Ａｃｕｒｏｓ ＣＴＳ：Ａ ｆａｓｔ，ｌｉｎｅａｒ Ｂｏｌｔｚｍａｎｎ ｔｒａｎｓｐｏｒｔ ｅｑｕａｔｉｏｎ ｓｏｌｖｅｒ ｆｏｒ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ ｓｃａｔｔｅｒ－Ｐａｒｔ ＩＩ：Ｓｙｓｔｅｍ ｍｏｄｅｌｉｎｇ，ｓｃａｔｔｅｒ ｃｏｒｒｅｃｔｉｏｎ，ａｎｄ ｏｐｔｉｍｉｚａｔｉｏｎ．Ｍｅｄ Ｐｈｙｓ．２０１８ Ｍａｙ；４５（５）：１９１４－１９２５．
【文献】Ｍａｓｌｏｗｓｋｉ Ａ，Ｗａｎｇ Ａ，Ｓｕｎ Ｍ，Ｗａｒｅｉｎｇ Ｔ，Ｄａｖｉｓ Ｉ，Ｓｔａｒ－Ｌａｃｋ Ｊ．Ａｃｕｒｏｓ ＣＴＳ：Ａ ｆａｓｔ，ｌｉｎｅａｒ Ｂｏｌｔｚｍａｎｎ ｔｒａｎｓｐｏｒｔ ｅｑｕａｔｉｏｎ ｓｏｌｖｅｒ ｆｏｒ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ ｓｃａｔｔｅｒ－Ｐａｒｔ Ｉ：Ｃｏｒｅ ａｌｇｏｒｉｔｈｍｓ ａｎｄ ｖａｌｉｄａｔｉｏｎ．Ｍｅｄ Ｐｈｙｓ．２０１８ Ｍａｙ；４５（５）：１８９９－１９１３．
【文献】Ｆｅｌｄｋａｍｐ Ｌ Ａ，Ｄａｖｉｓ Ｌ Ｃ ａｎｄ Ｋｒｅｓｓ Ｊ Ｗ １９８４ Ｐｒａｃｔｉｃａｌ ｃｏｎｅ－ｂｅａｍ ａｌｇｏｒｉｔｈｍ Ｊ．Ｏｐｔ．Ｓｏｃ．Ａｍ．Ａ １ ６１２－９
【発明の概要】
【発明が解決しようとする課題】
【0005】
Ｘ線コーンビームＣＴ装置に備えられたＸ線管で発生したＸ線は患者体内を直線的に通過して、投影画像を撮像する平面パネル面に配置された２次元検出器に到達するが、検出器には患者体内で散乱した散乱Ｘ線も混入する。後者の散乱Ｘ線による検出信号は、投影画像からコーンビームＣＴ画像を再構成するためには不要であり、投影画像のコントラストを悪化させ、さらにコーンビームＣＴ画像のコントラストを悪化させることが知られている。
【0006】
このような散乱線混入によるコーンビームＣＴの画質劣化は、軟組織の輪郭抽出を困難にすることが知られている。散乱線低減用のグリッドを用いることも報告されているが、グリッドだけでは、散乱抑制は高々５０％程度であり、さらなる改善が望まれていた。
【課題を解決するための手段】
【0007】
本発明では、多数の患者のコーンビームＣＴ画像を用いてコーンビームＣＴ撮像時の投影画像に混入する散乱線による投影画像成分を計算する第１のステップ、前記多数の患者のコーンビームＣＴ画像を入力訓練画像とし、前記計算された散乱線による各投影画像成分を出力訓練画像とする多層ニューラルネットワークを設定し、前記多層ニューラルネットワークの深層学習を実施する第２のステップ、前記深層学習を実施した多層ニューラルネットワークに新規患者のコーンビームＣＴ画像を入力することにより、前記新規患者の散乱線による各投影画像成分を予測する第３のステップ、前記新規患者のコーンビームＣＴ撮像時の各投影画像から前記予測した新規患者の散乱線による各投影画像成分を減算することにより得た差分投影画像を用いてコーンビームＣＴ画像を再構成する第４のステップを有する。第１のステップにおける散乱線による各投影画像成分は、コーンビームＣＴ装置に備えられたＸ線管で患者を照射する条件で、モンテカルロ計算またはボルツマン輸送方程式を用いてシミュレーション計算する。なお、散乱線低減用グリッドをコーンビームＣＴ装置の平面検出器に設置してあらかじめ散乱の影響を近似的に半減しておくことも有効である。
【発明の効果】
【0008】
散乱線の影響を正確かつ高速に抑制できるため、毎回撮像するコーンビームＣＴ画像のコントラストノイズ比が改善される。この結果、その日の腫瘍と注意臓器の輪郭を抽出して、治療直前にその日の解剖に合わせた最適な治療計画を短時間で実現できる。したがって、腫瘍や近傍の注意臓器が多数回の照射期間中に大きく変形・移動しても、腫瘍の局所制御性を高く維持しながら、同時に注意臓器の副作用がない安全な適応型放射線治療を実現できる。
【発明を実施するための形態】
【0009】
本発明に係るＸ線コーンビームＣＴ画像再構成方法の好適な実施形態について添付の図面を参照しながら以下詳細に説明する。
【0010】
［１．本実施形態の構成］
図１は、放射線治療装置の外観図であり、治療用Ｘ線ビームを生成するガントリヘッド１、前記治療用Ｘ線ビームを腫瘍形状に整形するコリメータユニット３、ガントリヘッドを回転させる回転機構５、患者の病変部を前記治療用Ｘ線ビーム位置に位置決めする寝台７、コーンビームＣＴ画像を得るためのＸ線管９と平面検出器１１、治療用Ｘ線ビーム用の平面検出器１３、装置の動作状況を表示する表示装置１５を備えている。
図１は、放射線治療装置の外観図であり、治療用Ｘ線ビームを生成するガントリヘッド１、前記治療用Ｘ線ビームを腫瘍形状に整形するコリメータユニット３、ガントリヘッドを回転させる回転機構５、患者の病変部を前記治療用Ｘ線ビーム位置に位置決めする寝台７、コーンビームＣＴ画像を得るためのＸ線管９と平面検出器１１、治療用Ｘ線ビーム用の平面検出器１３、装置の動作状況を表示する表示装置１５を備えている。
【0011】
図２は、図１で例示した放射線治療装置のブロック図である。高精度に位置決め可能な３軸または６軸駆動の寝台７上の患者２２体内の腫瘍２４を治療用ビーム２０と位置合わせするために、Ｘ線コーンビームＣＴ画像を利用する。Ｘ線管９から患者２２に透視用Ｘ線コーンビーム２６を照射し、散乱低減用のグリッド１２を経て、平面検出器１１に透視用Ｘ線が到達する。図１の回転機構５でＸ線コーンビームの照射方向を回転しながら、例えばガントリ角１度ごとに平面検出器１１で計測したＸ線投影画像を近似的に半回転、または１回転にわたり逆投影演算することにより、Ｘ線コーンビームＣＴ画像を再構成することができる。一方、放射線治療開始より１週間程度前に治療計画用ＣＴ装置で撮像した患者ＣＴ画像を治療計画装置に転送し、腫瘍２４や近傍の注意臓器の位置・形状を解析し、放射線治療計画を立案しておく。この治療計画で設定された腫瘍座標を前記Ｘ線コーンビームＣＴ画像上に重ね合わせ表示することにより、治療計画通りに治療ビームを腫瘍に照射するために必要な寝台７の移動量が計算される。この結果、ガントリヘッド１の内部で発生した治療用Ｘ線ビームは、コリメータ３により、寝台７上の患者２２内の腫瘍２４の形状に合致したビーム２０に整形され、腫瘍２４に照射される。
［２．本実施形態の動作］
［２．本実施形態の動作］
【0012】
図３は本実施形態に係るＸ線コーンビームＣＴ画像再構成方法を説明するフローチャートである。第１のステップ（Ｓ１）で、多数の患者のコーンビームＣＴ画像を用いてコーンビームＣＴ撮像時の例えばガントリ角１度ごとの各投影画像に混入する散乱線による各投影画像成分をモンテカルロ法で計算する。コーンビームＣＴ画像の画素値は密度や原子組成情報を与えないため、体内を水、空気、骨の３部位（あるいは、軟組織、空気、肺、骨の４部位）にセグメント化して、典型的な密度や原子組成比を与えることにより、モンテカルロ計算が可能である。次に、第２のステップ（Ｓ２）では、前記多数の患者のコーンビームＣＴ画像を入力訓練画像とし、前記計算された散乱線による例えばガントリ角１度ごとの各投影画像成分を出力訓練画像とする多層ニューラルネットワークを設定し、前記多層ニューラルネットワークの深層学習を実施する。第３のステップ（Ｓ３）では、前記深層学習を実施した多層ニューラルネットワークに新規患者のコーンビームＣＴ画像を入力することにより、前記新規患者の散乱線による例えばガントリ角１度ごとの各投影画像成分を予測する。第４のステップ（Ｓ４）では、前記新規患者のコーンビームＣＴ撮像時の例えばガントリ角１度ごとの各投影画像から前記予測した新規患者の散乱線による例えばガントリ角１度ごとの各投影画像成分を近似的に同一なガントリ角のデータに対して減算することにより得た差分投影画像を用いてコーンビームＣＴ画像を再構成する。
【0013】
第１のステップ（Ｓ１）における散乱線による投影画像の導出においては、コーンビームＣＴ装置に備えられたＸ線管で患者を照射する計算条件で、モンテカルロ計算またはボルツマン輸送方程式を用いてシミュレーションする。なお、多層ニューラルネットワークに入力訓練画像と出力訓練画像を深層学習して、新規入力画像を入力した時に、出力画像を予測する技術に類似する技術として、文字画像を入力画像、文字の認識ラベルを出力とした多層ニューラルネットワークを深層学習して、新規文字画像を入力したときに、その文字を認識する手法が特許文献３に記載されている。本発明でも、演算の詳細をブラックボックス化して、画像入力と画像出力を直接深層学習する手法を用いているが、数学的な処理内容は特許文献３に記載されている。さらに、モンテカルロ計算による体内線量計算方法の詳細は特許文献４およびその対応日本出願である特許文献５に記載されている。また、ボルツマン輸送方程式による線量計算方法の詳細は、非特許文献１ないし３に記載されている。投影画像からコーンビーム画像を再構成する計算方法については、非特許文献４に記載されている。これはフェルドカンプの投影再構成法と呼ばれている方法で、多方向からコーンビームで被験者を照射した時に得られる投影画像を逆投影して、３次元体積を再構成する方法であり、今や産業界で一般的に利用されている。
【0014】
図４にモンテカルロ法で散乱線による投影画像を計算する手順を示す。第１のステップ（ＳＴ１）で、コーンビームＣＴ画像内を例えば空気、肺、軟組織、骨に分類し、各領域の密度を対応する計画ＣＴ画像におけるＣＴ値、または計画ＣＴのＣＴ値にキャリブレーションされたコーンビームＣＴ画像のボクセル値に基づいて、ボクセルごとに与える。第２のステップ（ＳＴ２）で、文献記載の例えば空気、肺、軟組織、骨の典型的な原子組成比を与える。第３のステップ（ＳＴ３）で、コーンビームＣＴのＸ線管から出射されるＸ線のエネルギーを指定して、モンテカルロ法でコーンビームＣＴ体積画像を通過するコンプトン散乱線の輸送過程を計算し、出口側の平面検出器における前記散乱線による入射Ｘ線強度を計算する。使用したモンテカルロコードはＥＧＳであるが、これ以外にもＧＥＡＮＴやＰＨＩＴＳなどのモンテカルロコードを使うことが可能である。
【0015】
図５は図３のフローチャートの第２ステップＳ２で示した多層ニューラルネットワークの深層学習過程を示すブロック図である。多数の患者のコーンビームＣＴ画像４０を入力訓練画像とし、モンテカルロ計算またはボルツマン輸送方程式を用いて、例えばガントリ角１度ごとにシミュレーション計算した散乱線による各投影画像成分４４を出力訓練画像とする多層ニューラルネットワーク４２を設定し、前記多層ニューラルネットワーク４２の深層学習を実施する。
【0016】
図６に多層ニューラルネットワークの構成例を示す。図６において、多層ニューラルネットワークは入力層、出力層、隠れ層から構成されており、隠れ層は通常４層以上の構造を有する。各層には入力と出力を結びつけるパーセプトロンが配置され、その重みが深層学習で最適化される。
【0017】
図７に図６の構成例で示されたパーセプトロンを示す。入力ｘと出力ｙは、ｙ＝ｆ（ｗ１ｘ１＋ｗ２ｘ２＋…）＋ｂの関係式で与えられる。ｆは活性化関数、ｂはバイアスである。入力と出力を多数与えて実行される深層学習の過程で、重みｗが反復計算で最適化される。この結果、入力を与えると、瞬時に出力を求めることができる。
【0018】
図８は学習後の多層ニューラルネットワークを用いて散乱の影響を抑制した投影画像およびＸ線コーンビームＣＴ画像を計算する過程を示すブロック図である。深層学習を実施後の多層ニューラルネットワーク５２に新規患者のコーンビームＣＴ画像５０を入力することにより、前記新規患者の散乱線による例えばガントリ角１度ごとの各投影画像成分５４を予測する。さらに、前記新規患者のコーンビームＣＴ撮像時の例えばガントリ角１度ごとの各投影画像５０Ａから前記予測した新規患者の散乱線による例えばガントリ角１度ごとの各投影画像成分５４を近似的に同一なガントリ角のデータに対して減算することにより得た差分投影画像５６を用いてコーンビームＣＴ画像５８を再構成する。胸部領域に関して、図８の５０Ａ，５４、５６の画像例を、それぞれ図９、図１０、図１１に示す。さらに、図１２は本発明を腹部領域に適用した結果であり、左側は本発明を実施前のコーンビームＣＴ画像で、右側は本発明による散乱除去後のコーンビームＣＴ画像である。図１６は、モンテカルロ計算結果を実測値に対してキャリブレーションするフローチャートである。すなわち、モンテカルロ計算結果をキャリブレーションすることにより実測投影画像と計算された散乱線による投影画像の減算が可能になる。例えば固体ファントムを寝台に設置する第１のステップ、図４のＳＴ３と同様に、コーンビームＣＴのＸ線管から出射されるＸ線のエネルギーを指定して、モンテカルロ法で前記ファントムを通過する直接線およびコンプトン散乱線を含むすべての反応過程を含む輸送過程を計算し、ｉ，ｊを検出器上の空間座標とした時に、出口側の平面検出器における入射ビーム強度分布Ｐ（ｉ，ｊ）を計算する第２のステップ、平面検出器における入射ビーム強度分布Ｑ（ｉ，ｊ）を実測し、ＱｍとＰｍをそれぞれＱ（ｉ，ｊ）、Ｐ（ｉ，ｊ）の空間平均として、キャリブレーション係数Ａ＝Ｑｍ／Ｐｍを計算する第３のステップを有する。前記予測した新規患者の散乱線による各投影画像成分に前記キャリブレーション係数Ａを乗算してキャリブレーションし、前記新規患者のコーンビームＣＴ撮像時の各投影画像から前記予測した新規患者の散乱線による前記キャリブレーション後の各投影画像成分を近似的に同一なガントリ角のデータに対して減算する。
【0019】
上記実施形態では、多層ニューラルネットワークの入力として、患者コーンビームＣＴ画像を用いたが、これ以外に、患者コーンビームＣＴ画像を再構成する時に利用した各方向からの投影画像を前記多層ニューラルネットワークの入力として利用しても良いので、次にこの実施形態について説明する。
【0020】
［３．他の実施形態の構成］
図１３は本実施形態に係るＸ線コーンビームＣＴ画像再構成方法を説明するフローチャートである。第１のステップ（Ｓ１）で、多数の患者のコーンビームＣＴ画像を用いてコーンビームＣＴ撮像時の例えばガントリ角１度ごとの各投影画像に混入する散乱線による各投影画像成分をモンテカルロ法で計算する。コーンビームＣＴ画像の画素値は密度や原子組成情報を与えないため、体内を例えば、水、空気、骨にセグメント化して、典型的な密度や原子組成比を与えることにより、モンテカルロ計算が可能である。次に、第２のステップ（Ｓ２Ａ）では、前記多数の患者のコーンビームＣＴ画像撮像時の各投影画像を入力訓練画像とし、前記計算された散乱線による例えばガントリ角１度ごとの各投影画像成分を出力訓練画像とする多層ニューラルネットワークを設定し、前記多層ニューラルネットワークの深層学習を実施する。第３のステップ（Ｓ３Ａ）では、前記深層学習を実施した多層ニューラルネットワークに新規患者のコーンビームＣＴ画像撮像時の各投影画像を入力することにより、前記新規患者の散乱線による例えばガントリ角１度ごとの各投影画像成分を予測する。第４のステップ（Ｓ４）では、前記新規患者のコーンビームＣＴ撮像時の例えばガントリ角１度ごとの各投影画像から前記予測した新規患者の散乱線による例えばガントリ角１度ごとの各投影画像成分を近似的に同一なガントリ角のデータに対して減算することにより得た差分投影画像を用いてコーンビームＣＴ画像を再構成する。
図１３は本実施形態に係るＸ線コーンビームＣＴ画像再構成方法を説明するフローチャートである。第１のステップ（Ｓ１）で、多数の患者のコーンビームＣＴ画像を用いてコーンビームＣＴ撮像時の例えばガントリ角１度ごとの各投影画像に混入する散乱線による各投影画像成分をモンテカルロ法で計算する。コーンビームＣＴ画像の画素値は密度や原子組成情報を与えないため、体内を例えば、水、空気、骨にセグメント化して、典型的な密度や原子組成比を与えることにより、モンテカルロ計算が可能である。次に、第２のステップ（Ｓ２Ａ）では、前記多数の患者のコーンビームＣＴ画像撮像時の各投影画像を入力訓練画像とし、前記計算された散乱線による例えばガントリ角１度ごとの各投影画像成分を出力訓練画像とする多層ニューラルネットワークを設定し、前記多層ニューラルネットワークの深層学習を実施する。第３のステップ（Ｓ３Ａ）では、前記深層学習を実施した多層ニューラルネットワークに新規患者のコーンビームＣＴ画像撮像時の各投影画像を入力することにより、前記新規患者の散乱線による例えばガントリ角１度ごとの各投影画像成分を予測する。第４のステップ（Ｓ４）では、前記新規患者のコーンビームＣＴ撮像時の例えばガントリ角１度ごとの各投影画像から前記予測した新規患者の散乱線による例えばガントリ角１度ごとの各投影画像成分を近似的に同一なガントリ角のデータに対して減算することにより得た差分投影画像を用いてコーンビームＣＴ画像を再構成する。
【0021】
第１のステップ（Ｓ１）における散乱線による投影画像の導出においては、コーンビームＣＴ装置に備えられたＸ線管で患者を照射する計算条件で、モンテカルロ計算またはボルツマン輸送方程式を用いてシミュレーションする。なお、先の実施形態と同様に、多層ニューラルネットワークに入力訓練画像と出力訓練画像を深層学習して、新規入力画像を入力した時に、出力画像を予測する技術に類似する技術として、文字画像を入力画像、文字の認識ラベルを出力とした多層ニューラルネットワークを深層学習して、新規文字画像を入力したときに、その文字を認識する手法が特許文献３に記載されている。本発明でも、演算の詳細をブラックボックス化して、画像入力と画像出力を直接深層学習する手法を用いているが、数学的な処理内容は特許文献３に記載されている。さらに、モンテカルロ計算による体内線量計算方法の詳細は特許文献４およびその対応日本出願である特許文献５に記載されている。また、ボルツマン輸送方程式による線量計算方法の詳細は、非特許文献１ないし３に記載されている。投影画像からコーンビーム画像を再構成する計算方法については、非特許文献４に記載されている。
【0022】
図１４は図１３のフローチャートで示した多層ニューラルネットワークの深層学習過程を示すブロック図である。多数の患者のコーンビームＣＴ画像撮像時の各投影画像４１を入力訓練画像とし、モンテカルロ計算またはボルツマン輸送方程式を用いて、例えばガントリ角１度ごとにシミュレーション計算した散乱線による各投影画像成分４４を出力訓練画像とする多層ニューラルネットワーク４２を設定し、前記多層ニューラルネットワーク４２の深層学習を実施する。
【0023】
図１５は学習後の多層ニューラルネットワークを用いて散乱の影響を抑制した投影画像およびＸ線コーンビームＣＴ画像を計算する過程を示すブロック図である。深層学習を実施後の多層ニューラルネットワーク５２に新規患者のコーンビームＣＴ画像撮像時の各投影画像５１を入力することにより、前記新規患者の散乱線による例えばガントリ角１度ごとの各投影画像成分５４を予測する。さらに、前記新規患者のコーンビームＣＴ撮像時の例えばガントリ角１度ごとの各投影画像５１から前記予測した新規患者の散乱線による例えばガントリ角１度ごとの各投影画像成分５４を近似的に同一なガントリ角のデータに対して減算することにより得た差分投影画像５６を用いてコーンビームＣＴ画像５８を再構成する。減算前のモンテカルロ計算結果のキャリブレーションについては、第１の実施例で述べたとおりであり説明を省略するが、図１６記載の方法を用いればよい。
【0024】
なお、本発明は、上述した実施形態に限らず、本発明の要旨を逸脱することなく、種々の構成を採り得ることは勿論である。
【図面の簡単な説明】
【0025】
【図1】本実施形態に係る放射線治療装置の外観図である。
【図3】本実施形態に係るＸ線コーンビームＣＴ画像再構成方法を説明するフローチャート
【図4】モンテカルロ法で体内で生成された散乱線による投影画像成分を計算するフローチャート
【図5】多層ニューラルネットワークの深層学習を示すブロック図
【図6】多層ニューラルネットワークの構成図
【図7】パーセプトロンの構成図
【図8】学習後の多層ニューラルネットワークを用いて散乱の影響を抑制した各投影画像成分を計算し、散乱を抑制したＸ線コーンビームＣＴ画像を再構成する過程を示すブロック図
【図9】コーンビームＣＴ画像の投影画像
【図10】
学習後の多層ニューラルネットワークから出力された散乱線による投影画像
【図12】腹部領域における本発明適用前のコーンビームＣＴ画像（左）と本発明適用後のコーンビームＣＴ画像（右）
【図13】他の実施形態に係るＸ線コーンビームＣＴ画像再構成方法を説明するフローチャート
【図14】他の実施形態における多層ニューラルネットワークの深層学習を示すブロック図
【図15】他の実施形態における学習後の多層ニューラルネットワークを用いて散乱の影響を抑制した各投影画像成分を計算し、散乱を抑制したＸ線コーンビームＣＴ画像を再構成する過程を示すブロック図
【図16】モンテカルロ計算結果を実測値に対してキャリブレーションするフローチャート
【符号の説明】
【0026】
１ ガントリーヘッド
３ コリメータ
５ ガントリー回転機構
７ 寝台
９ Ｘ線管
１１ 平面検出器
１２ グリッド
１３ 平面検出器
１５ 表示装置
２０ 治療用Ｘ線ビーム
２２ 患者
２６ コーンビームＣＴ撮像用コーンビーム
２８ 計算機
３０ 寝台移動用制御信号線
３２ Ｘ線管制御用信号線
３４ コーンビームＣＴ撮像用信号線
３６ 平面パネル用信号線
３８ 治療用Ｘ線ビーム制御用信号線
４０ 訓練用の多数患者のコーンビームＣＴ画像
４１ 訓練用の多数患者のコーンビームＣＴ画像の投影画像
４２ 多層ニューラルネットワーク
４４ 訓練用の多数患者画像から計算した散乱線による各投影画像成分
５０ 新しい患者のコーンビームＣＴ画像
５０Ａ 新しい患者のコーンビームＣＴ画像の投影画像
５１ 新しい患者のコーンビームＣＴ画像の投影画像
５２ 多層ニューラルネットワーク
５４ 多層ニューラルネットワークから出力された散乱線による各投影画像成分の予測値
５６ 散乱線を除去した各投影画像データ
５８ 散乱線を除去した投影画像から再構成されたコーンビームＣＴ画像
３ コリメータ
５ ガントリー回転機構
７ 寝台
９ Ｘ線管
１１ 平面検出器
１２ グリッド
１３ 平面検出器
１５ 表示装置
２０ 治療用Ｘ線ビーム
２２ 患者
２６ コーンビームＣＴ撮像用コーンビーム
２８ 計算機
３０ 寝台移動用制御信号線
３２ Ｘ線管制御用信号線
３４ コーンビームＣＴ撮像用信号線
３６ 平面パネル用信号線
３８ 治療用Ｘ線ビーム制御用信号線
４０ 訓練用の多数患者のコーンビームＣＴ画像
４１ 訓練用の多数患者のコーンビームＣＴ画像の投影画像
４２ 多層ニューラルネットワーク
４４ 訓練用の多数患者画像から計算した散乱線による各投影画像成分
５０ 新しい患者のコーンビームＣＴ画像
５０Ａ 新しい患者のコーンビームＣＴ画像の投影画像
５１ 新しい患者のコーンビームＣＴ画像の投影画像
５２ 多層ニューラルネットワーク
５４ 多層ニューラルネットワークから出力された散乱線による各投影画像成分の予測値
５６ 散乱線を除去した各投影画像データ
５８ 散乱線を除去した投影画像から再構成されたコーンビームＣＴ画像
【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】
【図14】
【図15】
【図16】
