(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】2024-02-01
(45)【発行日】2024-02-09
(54)【発明の名称】グラフ学習に基づくスパース投影再構成方法
(51)【国際特許分類】
G01T 1/161 20060101AFI20240202BHJP
A61B 6/03 20060101ALI20240202BHJP
G06T 7/00 20170101ALI20240202BHJP
【ＦＩ】
G01T1/161 A
A61B6/03 350T
A61B6/03 360T
G01T1/161 C
G06T7/00 C
G06T7/00 350B
G06T7/00 612
【請求項の数】
4
(21)【出願番号】P 2022162854
(22)【出願日】2022-10-10
(65)【公開番号】P2023078074
(43)【公開日】2023-06-06
【審査請求日】2022-10-10
(31)【優先権主張番号】202111413375.7
(32)【優先日】2021-11-25
(33)【優先権主張国・地域又は機関】CN
【早期審査対象出願】
【前置審査】
(73)【特許権者】
【識別番号】521162399
【氏名又は名称】之江実験室
(74)【代理人】
【識別番号】100128347
【弁理士】
【氏名又は名称】西内 盛二
(72)【発明者】
【氏名】朱 ▲聞▼▲タオ▼
(72)【発明者】
【氏名】▲楊▼ ▲徳▼富
(72)【発明者】
【氏名】黄 ▲海▼亮
(72)【発明者】
【氏名】▲楊▼ 宝
【審査官】蔵田 真彦
(56)【参考文献】
【文献】特表２０１８－５２９４０９（ＪＰ，Ａ）
【文献】米国特許出願公開第２００５／０１３４５８７（ＵＳ，Ａ１）
【文献】米国特許出願公開第２００８／００８０７７５（ＵＳ，Ａ１）
【文献】中国特許出願公開第１１１２６０５８３（ＣＮ，Ａ）
【文献】篠原広行他，圧縮センシングによる少数投影からの画像再構成，断層映像研究会雑誌，2014年，Vol.40, No.3，31-42
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ａ６１Ｂ ５／０５５、６／００－６／１４、
Ｇ０１Ｔ １／１６１－１／１６６、
Ｇ０６Ｔ １／００－１９／２０、
ＪＳＴＰｌｕｓ／ＪＭＥＤＰｌｕｓ／ＪＳＴ７５８０（ＪＤｒｅａｍＩＩＩ）
(57)【特許請求の範囲】
【請求項1】
グラフ学習に基づくスパース投影再構成方法であって、具体的には、以下の通りであり、投影撮像装置により収集された生データを、対応するシステムの応答行列と組み合わせてスパース投影再構成を行い、グラフ学習に基づいて毎回のスパース投影により取得された画像の中の各画素点の画素値を補正し、後に、反復収束の条件を満たす又は所定の反復回数に達するまで、スパース投影再構成を行うこと及びグラフ学習に基づいて毎回のスパース投影により取得された画像の中の各画素点の画素値を補正することを繰り返し行い、最終的な形状アーチファクトなしの再構成画像を取得し、
投影撮像装置により収集された生データを、対応するシステムの応答行列と組み合わせてスパース投影を行う過程は、具体的には以下の通りであり、
システムの応答行列ｃｉｊによって現在の画像ｆ ｊ ｋ に対して投影演算を行い、投影データを取得し、ここで、システムの応答行列はｃｉｊであり、ｊ番目の画素点が投影撮像装置のｉ番目の検出器によって検出される確率を表し、ｆ ｊ ｋ は収集された生データにおいて検出器によって収集されたデータがｋ回目の反復を経て得られた再構成画像であり、現在の画像ｆ ｊ ｋ の初期値はすべてが１である行列であり、上付き文字ｋは反復回数を表し、
取得された投影データを収集された生データと比較して逆投影係数を得て、逆投影係数を利用して投影データを画像空間に逆投影し、逆投影画像ｆ ｊ ｋ′ を得て、
逆投影画像とシステムの応答行列との比に基づき逆投影の補正係数αを取得し、補正係数αを現在の画像ｆ ｊ ｋ と組み合わせて新たな実際の画像ｆ ｊ （ｋ+１）′ を得て、
グラフ学習に基づいて毎回のスパース投影により取得された画像の中の各画素点の画素値を補正することは、以下の通りであり、
毎回のスパース投影によって取得された画像ｆ ｊ （ｋ+１）′ 中の各画素点ｊに対して、点を中心としてｌ×ｌ×ｌ個の画素点の画素値を選択して、対応する画素点の固有ベクトルを構成し、
各画素点ｊに対してグローバルランダムサンプリングを行い、複数個のランダム点を、対応する画素点ｊのランダム点集合Ωｊとして選択し、
各画素点ｊの固有ベクトルとその対応するランダム点集合Ωｊにおける各ランダム点の固有ベクトルとのユークリッド距離ｄｊ，ｒを取得し、ｒ∈Ωｊであり、
ユークリッド距離に基づき非線形ゲート関数を利用して各画素点ｊのランダム点集合に対して類似度スクリーニングを行い、ｎｊ個の最も類似するランダム点を保留し、
保留されたランダム点に基づきグラフ学習の方法で各画素点の新たな画素値を取得し、
【数7】
ことを特徴とするグラフ学習に基づくスパース投影再構成方法。
【請求項2】
投影撮像装置により収集された生データはＰＥＴデータ又はＣＴデータであることを特徴とする請求項１に記載のスパース投影再構成方法。
【請求項3】
前記非線形ゲート関数はＳｉｇｍｏｉｄ、ｔａｈｎ又はＲｅＬＵであることを特徴とする請求項１に記載のスパース投影再構成方法。
【請求項4】
前記非線形ゲート関数は具体的には、以下の通りであり、【数6】
ここで、βはゲート関数のパラメーターを調整する変数で、実数であり、ｇｊ，ｒはｊ番目の画素点と対応するランダム点集合におけるｒ番目の画素点の間の非線形ゲート関数の出力であり、設定されたｇｊ，ｒの閾値に基づき各画素点のランダム点集合の類似度をスクリーニングし、ｄｊ，ｒはｊ番目の画素点とその対応するランダム点集合におけるｒ番目の画素点とのユークリッド距離を表す
ことを特徴とする請求項３に記載のスパース投影再構成方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は医用画像の分野に関し、具体的にはグラフ学習に基づくスパース投影再構成方法に関する。
【背景技術】
【0002】
医療技術の継続的な発展に伴って、撮像装置の撮像品質及び再構成速度に対する要件もますます高くなっており、場合に応じて、システムの設計ニーズ、サンプルへの損傷の軽減、又は迅速撮像の要件のために、撮像装置全体の収集システム又は再構成方法はスパース角度を用いることが多いが、スパース角度を用いて投影再構成を行うと形状アーチファクトが発生し、その結果、画像の撮像品質が大幅に低下し、後続の臨床医師の診断及び治療作業に悪影響を与えてしまう。従って、スパース投影再構成過程によって引き起こされる形状アーチファクトの解決は撮像品質を大幅に向上させることができ、重要な意義がある。
【発明の概要】
【発明が解決しようとする課題】
【0003】
本発明の目的は、従来技術の欠陥に対してグラフ学習に基づくスパース投影再構成方法を提案し、グラフ学習の方法によってスパース投影再構成で得られた各画素点を修正し、スパース再構成による形状アーチファクトを除去する目的を達成することである。
【課題を解決するための手段】
【0004】
本発明の目的は以下の技術的解決手段によって実現され、
グラフ学習に基づくスパース投影再構成方法であって、具体的には、
投影撮像装置により収集された生データを、対応するシステムの応答行列と組み合わせてスパース投影を行い、グラフ学習に基づいて補正した後に、反復収束の条件を満たす又は所定の反復回数に達するまで、反復再構成を行い、最終的な形状アーチファクトなしの再構成画像を得て、グラフ学習に基づく補正することは、以下の通りであり、
毎回のスパース投影によって取得された画像中の各画素点ｊに対して点を中心としてｌ×ｌ×ｌ個の画素点の画素値を選択して対応する画素点の固有ベクトルを構成し、
各画素点ｊに対してグローバルランダムサンプリングを行い、複数個のランダム点を、対応する画素点ｊのランダム点集合Ωｊとして選択し、
各画素点ｊの固有ベクトルとその対応するランダム点集合Ωｊにおける各ランダム点の固有ベクトルとのユークリッド距離ｄｊ，ｒを取得し、ｒ∈Ωｊであり、
ユークリッド距離に基づき非線形ゲート関数を利用して各画素点ｊのランダム点集合に対して類似度スクリーニングを行い、ｎｊ個の最も類似するランダム点を保留し、
保留されたランダム点に基づきグラフ学習の方法で各画素点の新たな画素値を取得し、
ここで、Ｉｊ，ｍはｊ番目の画素点の対応するランダム点集合をスクリーニングして保留されたｍ番目の画素点の画素値を表し、ｎｊは最終的に保留されたランダム画素点の数であり、Ｉｊは更新後の該点の画素値を表し、ｇｊ，ｍはｊ番目の画素点と対応するランダム点集合をスクリーニングして保留されたｍ番目の画素点との非線形ゲート関数の出力である。
グラフ学習に基づくスパース投影再構成方法であって、具体的には、
投影撮像装置により収集された生データを、対応するシステムの応答行列と組み合わせてスパース投影を行い、グラフ学習に基づいて補正した後に、反復収束の条件を満たす又は所定の反復回数に達するまで、反復再構成を行い、最終的な形状アーチファクトなしの再構成画像を得て、グラフ学習に基づく補正することは、以下の通りであり、
毎回のスパース投影によって取得された画像中の各画素点ｊに対して点を中心としてｌ×ｌ×ｌ個の画素点の画素値を選択して対応する画素点の固有ベクトルを構成し、
各画素点ｊに対してグローバルランダムサンプリングを行い、複数個のランダム点を、対応する画素点ｊのランダム点集合Ωｊとして選択し、
各画素点ｊの固有ベクトルとその対応するランダム点集合Ωｊにおける各ランダム点の固有ベクトルとのユークリッド距離ｄｊ，ｒを取得し、ｒ∈Ωｊであり、
ユークリッド距離に基づき非線形ゲート関数を利用して各画素点ｊのランダム点集合に対して類似度スクリーニングを行い、ｎｊ個の最も類似するランダム点を保留し、
保留されたランダム点に基づきグラフ学習の方法で各画素点の新たな画素値を取得し、
【数7】
【0005】
さらに、投影撮像装置により収集された生データはＰＥＴ又はＣＴデータである。
【0006】
さらに、投影撮像装置により収集された生データを、対応するシステムの応答行列と組み合わせてスパース投影を行う過程は、具体的には以下の通りであり、
システムの応答行列によって現在の画像ｆｉ ｋに対して投影演算を行い、投影データを取得し、上付き文字ｋは反復回数、下付き文字ｉは投影撮像装置のｉ番目の検出器を表し、現在の画像の初期値はすべてが１である行列であり、
取得された投影データを収集された生データと比較して逆投影係数を得て、逆投影係数を利用して投影データを画像空間に逆投影し、逆投影画像ｆｉ ｋ′を得て、
逆投影画像とシステムの応答行列との比に基づき逆投影の補正係数αを取得し、補正係数αを現在の画像ｆｉ ｋと組み合わせて再投影画像ｆｉ （ｋ+１）′を得る。
システムの応答行列によって現在の画像ｆｉ ｋに対して投影演算を行い、投影データを取得し、上付き文字ｋは反復回数、下付き文字ｉは投影撮像装置のｉ番目の検出器を表し、現在の画像の初期値はすべてが１である行列であり、
取得された投影データを収集された生データと比較して逆投影係数を得て、逆投影係数を利用して投影データを画像空間に逆投影し、逆投影画像ｆｉ ｋ′を得て、
逆投影画像とシステムの応答行列との比に基づき逆投影の補正係数αを取得し、補正係数αを現在の画像ｆｉ ｋと組み合わせて再投影画像ｆｉ （ｋ+１）′を得る。
【0007】
さらに、前記非線形ゲート関数はＳｉｇｍｏｉｄ、ｔａｈｎ又はＲｅＬＵである。
【0008】
さらに、前記非線形ゲート関数は具体的には、以下の通りであり、
（６）
ここで、βはゲート関数のパラメーターを調整する変数で、実数であり、ｇｊ，ｒはｊ番目の画素点と対応するランダム点集合におけるｒ番目の画素点の間の非線形ゲート関数の出力であり、設定されたｇｊ，ｒの閾値に基づき各画素点のランダム点集合の類似度をスクリーニングし、ｄｊ，ｒはｊ番目の画素点とその対応するランダム点集合におけるｒ番目の画素点とのユークリッド距離を表す。
【数6】
ここで、βはゲート関数のパラメーターを調整する変数で、実数であり、ｇｊ，ｒはｊ番目の画素点と対応するランダム点集合におけるｒ番目の画素点の間の非線形ゲート関数の出力であり、設定されたｇｊ，ｒの閾値に基づき各画素点のランダム点集合の類似度をスクリーニングし、ｄｊ，ｒはｊ番目の画素点とその対応するランダム点集合におけるｒ番目の画素点とのユークリッド距離を表す。
【発明の効果】
【0009】
本発明の有益な効果は以下の通りである。本発明はグラフ学習に基づくスパース投影再構成方法を使用し、本発明に設計されたグラフ学習方法を従来の投影再構成方法に導入することにより条件を満たす最適な画素点を効果的にスクリーニングし、これらの画素点の階調値により、現在の点の画素値を再計算し、スパース投影再構成によって引き起こされる構造的アーチファクトを補正し、それにより、より良好なアーチファクト修正画像を取得し、撮像品質を向上させる。
【図面の簡単な説明】
【0010】
【発明を実施するための形態】
【0011】
本発明はグラフ学習に基づくスパース投影再構成方法を提案し、同じ組織・構造の撮像階調値における表現が常に類似するという特性を利用して、各点の非アーチファクトの同じ組織・構造の画素点をスクリーニングするためのゲート関数を構築し、グラフ学習の方法でこれらの点を利用して該点の補正後の画素値を再構築し、それにより補正後の形状アーチファクトなしの再構成画像を得る。本発明に提案された非線形ゲート関数のスクリーニングによって条件を満たす最適な画素点をスクリーニングすることができ、これらの画素点の階調値により、さらにグラフ学習の方法と組み合わせて現在の点の最適な補正値を得て、より良好なアーチファクト修正画像を取得することができる。
【0012】
以下、ＰＥＴ再構成を例として、具体的な実施例及び図面を参照しながら本発明を詳細に説明する。
【0013】
図１に示されるグラフ学習に基づくスパース投影再構成方法のフローチャートに従ってスパース投影再構成を行い、入力はＰＥＴ装置により収集された生データＰ＝［ｐｊ］、及び装置の応答行列ｃｉｊであり、出力は形状アーチファクトなしの高品質のＰＥＴ画像である。具体的な再構成のステップは以下の通りである。
【0014】
ステップ１：システムの応答行列ｃｉｊによって現在の画像に対して投影演算を行い、投影データＨｉｊを取得し、これにより、
（１）。
ここで、システムの応答行列はｃｉｊであり、ｊ番目の画素点がＰＥＴ装置のｉ番目の検出器によって検出される確率を表し、固定したハードウェア収集装置に対して定数値であり、ｆｉ ｋはｋ回目の反復後に得られたｉ番目の検出器により検出された再構成画像データを表し、その初期値ｆ０はすべてが１である行列である。
【数1】
ここで、システムの応答行列はｃｉｊであり、ｊ番目の画素点がＰＥＴ装置のｉ番目の検出器によって検出される確率を表し、固定したハードウェア収集装置に対して定数値であり、ｆｉ ｋはｋ回目の反復後に得られたｉ番目の検出器により検出された再構成画像データを表し、その初期値ｆ０はすべてが１である行列である。
【0015】
ステップ２：ステップ１での投影データをセンサにより収集された実際の生データＰ＝［ｐｊ］と比較し、逆投影係数
を得る。
【0016】
ステップ３：ステップ２で得られた逆投影係数及びシステムの応答行列に基づき、投影データを画像空間に逆投影し、逆投影画像ｆｉ
ｋ′を得て、ここで、ｋは反復回数を表し、これにより、
（２）。
【数2】
【0017】
ステップ４：逆投影画像に基づき逆投影の補正係数αを取得し、これにより、
（３）。
【数3】
【0018】
ステップ５：逆投影の補正係数αに基づいて、新たな実際の画像ｆｉ
（ｋ+１）′を取得することができ、これにより、
（４）。
【数4】
【0019】
ステップ６：グラフ学習に基づくスパース投影再構成方法で、毎回のスパース投影により取得された画像ｆｉ
（ｋ+１）′の中の各画素点の画素値を補正し、具体的なステップは以下の通りである。
【0020】
（６．１）ｆｉ
（ｋ+１）′の中の各画素点に対して点を中心としてｌ×ｌ×ｌ個の画素点の画素値を選択して該点の固有ベクトルＸｊ＝［ｘｊ，１，ｘｊ，２，…，ｘｊ，ｋ，…，ｘｊ，ｌ×ｌ×ｌ］を構成する。ｌは正の整数であり、本実施例では３を選択することが推奨される。
【0021】
（６．２）ｆｉ
（ｋ+１）′の中の各画素点に対してグローバルランダムサンプリングを行い、複数個のランダム点を該点のランダム点集合Ωｊとして選択し、本実施例では１００個のランダム点を選択することが推奨され、各画素点の固有ベクトルＸｊとその対応するランダム点の固有ベクトルＸｒとのユークリッド距離を取得し、これにより、
（５）。
ここで、ｄｊ，ｒはｊ番目の画素点とその対応するランダム点集合におけるｒ番目の画素点とのユークリッド距離を表す。
【数5】
ここで、ｄｊ，ｒはｊ番目の画素点とその対応するランダム点集合におけるｒ番目の画素点とのユークリッド距離を表す。
【0022】
（６．３）各画素点で取得されたユークリッド距離を非線形ゲート関数に代入し類似度スクリーニングを行う。本発明で使用される非線形ゲート関数は、以下の通りであり、
（６）。
ここで、βはゲート関数のパラメーターを調整する変数で、実数であり、値を３にすることが推薦され、ｇｊ，ｒはｊ番目の画素点と対応するランダム点集合におけるｒ番目の画素点との非線形ゲート関数の出力であり、関数ｇの閾値をゲート関数の閾値として設定し、この場合、βが大きいほどウィンドウが小さくなり、逆にβが小さいほどウィンドウが大きくなり、閾値に基づきランダム点が条件を満たすかどうかを順に検証し、条件を満たすランダム点はグラフの構築のために保留され、例えば、図２に示すように、後続のステップ（６．４）のグラフ学習に用いられる。ここでは、関数の閾値として０．５を選択することが推薦され、すなわち、ｇ値が０．５未満であるランダム点が保留される。
【数6】
ここで、βはゲート関数のパラメーターを調整する変数で、実数であり、値を３にすることが推薦され、ｇｊ，ｒはｊ番目の画素点と対応するランダム点集合におけるｒ番目の画素点との非線形ゲート関数の出力であり、関数ｇの閾値をゲート関数の閾値として設定し、この場合、βが大きいほどウィンドウが小さくなり、逆にβが小さいほどウィンドウが大きくなり、閾値に基づきランダム点が条件を満たすかどうかを順に検証し、条件を満たすランダム点はグラフの構築のために保留され、例えば、図２に示すように、後続のステップ（６．４）のグラフ学習に用いられる。ここでは、関数の閾値として０．５を選択することが推薦され、すなわち、ｇ値が０．５未満であるランダム点が保留される。
【0023】
（６．４）グラフ学習の方法で現在の点の新たな画素値を取得し、これにより、
ここで、Ｉｊ，ｍはｊ番目の画素点の対応するランダム点集合をスクリーニングして保留されたｍ番目の画素点の画素値を表し、ｎｊは最終的に保留されたランダム画素点の数であり、Ｉｊは更新後の該点の画素値を表す。ｇｊ，ｍはｊ番目の画素点と対応するランダム点集合をスクリーニングして保留されたｍ番目の画素点との非線形ゲート関数の出力である。
【数7】
【0024】
画像全体のすべての画素点を巡回走査すると、補正された実際の画像を得る。
【0025】
ステップ７：ステップ１～ステップ６を繰り返し、反復収束の条件を満たすか又は所定の反復回数に達するまで画像を継続的で反復補正し、最終的な形状アーチファクトなしの再構成画像ｆを得る。
【0026】
図３は本発明に係る再構成方法と従来の再構成方法（グラフ学習補正が加えられていない）による再構成後の結果を示しており、本発明に提案された方法は、従来の投影再構成方法に比べて、形状アーチファクトの修正が明らかに改善され、実際のサンプルにより近くなり、撮像品質が効果的に向上することが分かった。
【0027】
明らかなように、上記実施例は明確に説明するために挙げられた例に過ぎず、実施形態を限定するものではない。当業者であれば、上記説明に基づいて他の様々な変化や変更を行うことができる。ここではすべての実施形態を挙げる必要がなく、挙げることもできない。これから派生する自明な変化や変更は依然として本発明の保護範囲に属する。
【図1】
【図2】
【図3】