ホーム > 特許ランキング > 浜松ホトニクス株式会社
知財求人 - 知財ポータルサイト「IP Force」
特許7511350減弱分布画像作成装置、画像処理装置、放射線断層撮影システム、減弱分布画像作成方法、画像処理方法
(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】2024-06-27
(45)【発行日】2024-07-05
(54)【発明の名称】減弱分布画像作成装置、画像処理装置、放射線断層撮影システム、減弱分布画像作成方法、画像処理方法
(51)【国際特許分類】
G01T 1/161 20060101AFI20240628BHJP
G06T 7/00 20170101ALI20240628BHJP
G06N 3/02 20060101ALI20240628BHJP
【ＦＩ】
G01T1/161 A
G06T7/00 350C
G06N3/02
【請求項の数】
7
(21)【出願番号】P 2020011664
(22)【出願日】2020-01-28
(65)【公開番号】P2021117148
(43)【公開日】2021-08-10
【審査請求日】2023-01-18
(73)【特許権者】
【識別番号】000236436
【氏名又は名称】浜松ホトニクス株式会社
(74)【代理人】
【識別番号】100088155
【弁理士】
【氏名又は名称】長谷川 芳樹
(74)【代理人】
【識別番号】100113435
【弁理士】
【氏名又は名称】黒木 義樹
(74)【代理人】
【識別番号】100140442
【弁理士】
【氏名又は名称】柴山 健一
(74)【代理人】
【識別番号】100110582
【弁理士】
【氏名又は名称】柴田 昌聰
(72)【発明者】
【氏名】橋本 二三生
(72)【発明者】
【氏名】伊藤 雅典
(72)【発明者】
【氏名】大手 希望
(72)【発明者】
【氏名】磯部 卓志
【審査官】松岡 智也
(56)【参考文献】
【文献】特開２０１８－１０５７３４（ＪＰ，Ａ）
【文献】特開２０１７－１４２１３１（ＪＰ，Ａ）
【文献】特開昭６３－０８５４８１（ＪＰ，Ａ）
【文献】HWANG, Donghwi, et al.，"Improving the Accuracy of Simultaneously Reconstructed Activity and Attenuation Maps Using Deep Lea，THE JOURNAL OF NUCLEAR MEDICINE，2018年，Vol.59, No.10，pp.1624-1629
【文献】LIU Fang, et al.，"A deep learning approach for 18F-FDG PET attenuation correction"，EJNMMI Physics，2018年，5:24，page 1-15
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０１Ｔ １／１６１－１／１６６
Ａ６１Ｂ ６／００－６／５８
(57)【特許請求の範囲】
【請求項1】
複数の被検体それぞれのエミッションスキャン画像を入力画像とし減弱分布画像に基づく被検体領域抽出画像を教師画像として学習させたニューラルネットワークに、減弱補正対象のエミッションスキャン画像を入力させて、該ニューラルネットワークから中間画像を出力させる第１処理部と、前記減弱補正対象のエミッションスキャン画像を取得した際に被検体を載置した寝台の像を前記中間画像に加えて、減弱分布画像を作成する第２処理部と、
を備える減弱分布画像作成装置。
【請求項2】
複数の被検体それぞれのエミッションスキャン画像を入力画像とし減弱分布画像を教師画像として学習させたニューラルネットワークに、減弱補正対象のエミッションスキャン画像を入力させて、該ニューラルネットワークから中間画像を出力させる第１処理部と、前記減弱補正対象のエミッションスキャン画像を取得した際に被検体を載置した寝台の像を前記中間画像に基づく被検体領域抽出画像に加えて、減弱分布画像を作成する第２処理部と、
を備える減弱分布画像作成装置。
【請求項3】
請求項１または２に記載の減弱分布画像作成装置と、前記減弱分布画像作成装置により作成された減弱分布画像を用いて、前記減弱補正対象のエミッションスキャン画像の減弱補正を行う減弱補正部と、
を備える画像処理装置。
【請求項4】
減弱補正対象のエミッションスキャン画像を取得する為の放射線断層撮影装置と、請求項１または２に記載の減弱分布画像作成装置と、
前記減弱分布画像作成装置により作成された減弱分布画像を用いて、前記減弱補正対象のエミッションスキャン画像の減弱補正を行う減弱補正部と、
を備える放射線断層撮影システム。
【請求項5】
複数の被検体それぞれのエミッションスキャン画像を入力画像とし減弱分布画像に基づく被検体領域抽出画像を教師画像として学習させたニューラルネットワークに、減弱補正対象のエミッションスキャン画像を入力させて、該ニューラルネットワークから中間画像を出力させる第１処理ステップと、前記減弱補正対象のエミッションスキャン画像を取得した際に被検体を載置した寝台の像を前記中間画像に加えて、減弱分布画像を作成する第２処理ステップと、
を備える減弱分布画像作成方法。
【請求項6】
複数の被検体それぞれのエミッションスキャン画像を入力画像とし減弱分布画像を教師画像として学習させたニューラルネットワークに、減弱補正対象のエミッションスキャン画像を入力させて、該ニューラルネットワークから中間画像を出力させる第１処理ステップと、前記減弱補正対象のエミッションスキャン画像を取得した際に被検体を載置した寝台の像を前記中間画像に基づく被検体領域抽出画像に加えて、減弱分布画像を作成する第２処理ステップと、
を備える減弱分布画像作成方法。
【請求項7】
請求項５または６に記載の減弱分布画像作成方法と、前記減弱分布画像作成方法により作成された減弱分布画像を用いて、前記減弱補正対象のエミッションスキャン画像の減弱補正を行う減弱補正ステップと、
を備える画像処理方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、減弱分布画像を作成する装置および方法、ならびに、減弱分布画像を用いてエミッションスキャン画像の減弱補正を行う装置および方法に関するものである。
【背景技術】
【0002】
被検体（生体）の断層画像を取得することができる放射線断層撮影装置として、ＰＥＴ（Positron Emission Tomography）装置およびＳＰＥＣＴ（Single Photon Emission Computed Tomography）装置が挙げられる。
【0003】
ＰＥＴ装置は、被検体が置かれる測定空間の周囲に配列された多数の小型の放射線検出器を有する検出部を備えている。ＰＥＴ装置は、陽電子放出アイソトープ（ＲＩ線源）が投入された被検体内における電子・陽電子の対消滅に伴って発生するエネルギ５１１ｋｅＶの光子対を検出部により同時計数法で検出し、この同時計数情報を収集する。そして、この収集した多数の同時計数情報に基づいて、測定空間における光子対の発生頻度の空間分布（すなわち、ＲＩ線源の空間分布）を表す断層画像を再構成することができる。このとき、ＰＥＴ装置により収集された同時計数情報を時系列に並べたリストデータを収集順に複数のフレームに分割し、そのリストデータのうち各フレームに含まれるデータを用いて画像再構成処理を行うことで、複数のフレームの断層画像からなる動態ＰＥＴ画像を得ることができる。このＰＥＴ装置は核医学分野等で重要な役割を果たしており、これを用いて例えば生体機能や脳の高次機能の研究を行うことができる。
【0004】
被検体内で発生した光子は、被検体を通過する際に吸収されて減弱する他、被検体を載置する寝台を通過する際にも吸収されて減弱する。したがって、より正確な断層画像を取得するには減弱補正を行うことが必要である。例えば、ＰＥＴ装置を用いて、ＲＩ線源を含む薬剤を投与された被検体について測定（エミッションスキャン）を行って断層画像（エミッションスキャン画像）を取得するとともに、薬剤を投与されていない該被検体の周囲でＲＩ線源を旋回させながら測定（トランスミッションスキャン）を行って断層画像（トランスミッションスキャン画像）を取得し、トランスミッションスキャン画像を用いてエミッションスキャン画像の減弱補正を行う。
【0005】
エミッションスキャン画像の減弱補正は、上記のようにＰＥＴ装置によりトランスミッションスキャンを行うことで取得されるトランスミッションスキャン画像が用いられる他、Ｘ線ＣＴ装置によりスキャンを行うことで取得されるＸ線ＣＴスキャン画像も用いられ得る。したがって、減弱補正を行ってより正確な断層画像を取得するには、ＰＥＴ装置は、トランスミッションスキャン機構またはＸ線ＣＴスキャン機構を有することが必要である。このことはＰＥＴ装置の簡易化や低価格化の妨げの一因となっている。
【0006】
以下では、トランスミッションスキャン画像およびＸ線ＣＴスキャン画像から求めたエネルギ５１１ｋｅＶにおける減弱分布画像を含めて減弱分布画像という。減弱分布画像は被検体内における光子の減弱分布を表す。この減弱分布画像を用いることによりエミッションスキャン画像の減弱補正を行うことができる。
【0007】
非特許文献１，２に記載された技術は、多数組のエミッションスキャン画像およびトランスミッションスキャン画像を用いて畳み込みニューラルネットワーク（ＣＮＮ: Convolutional Neural Network）を学習させ、この学習済みのＣＮＮにより減弱補正対象のエミッションスキャン画像から減弱分布画像を作成し、この減弱分布画像を用いてエミッションスキャン画像の減弱補正を行う。この技術は、ＰＥＴ装置がトランスミッションスキャン機構またはＸ線ＣＴスキャン機構を有していない場合であっても、学習済みのＣＮＮを用いることで減弱補正を可能とする。
【先行技術文献】
【非特許文献】
【0008】
【文献】Liu, Fang, et al. "A deeplearning approach for 18F-FDG PET attenuation correction." EJNMMI physics(2018) 5:24.
【文献】Hwang, Donghwi, et al."Improving the accuracy of simultaneously reconstructed activity andattenuation maps using deep learning." Journal of Nuclear Medicine 59.10(2018): 1624-1629.
【発明の概要】
【発明が解決しようとする課題】
【0009】
非特許文献１，２に記載された技術は、ＣＮＮの学習に用いる多数組のエミッションスキャン画像およびトランスミッションスキャン画像を取得する際に用いられるＰＥＴ装置と、減弱補正対象のエミッションスキャン画像を取得する際に用いられるＰＥＴ装置とが、同一であることを前提している。この技術では、ＣＮＮの学習に用いたＰＥＴ装置と異なるＰＥＴ装置を用いて取得したエミッションスキャン画像については、正確な減弱分布画像を作成することができず、正確な減弱補正を行うことができない。
【0010】
本発明は、上記問題点を解消する為になされたものであり、ニューラルネットワークの学習に用いた放射線断層撮影装置と異なる放射線断層撮影装置を用いて取得したエミッションスキャン画像であっても、そのエミッションスキャン画像から、より正確な減弱分布画像を作成することができる装置および方法を提供することを目的とする。
【課題を解決するための手段】
【0011】
本発明の第１態様の減弱分布画像作成装置は、(1) 複数の被検体それぞれのエミッションスキャン画像を入力画像とし減弱分布画像に基づく被検体領域抽出画像を教師画像として学習させたニューラルネットワークに、減弱補正対象のエミッションスキャン画像を入力させて、該ニューラルネットワークから中間画像を出力させる第１処理部と、(2) 減弱補正対象のエミッションスキャン画像を取得した際に被検体を載置した寝台の像を中間画像に加えて、減弱分布画像を作成する第２処理部と、を備える。
【0012】
本発明の第２態様の減弱分布画像作成装置は、(1) 複数の被検体それぞれのエミッションスキャン画像を入力画像とし減弱分布画像を教師画像として学習させたニューラルネットワークに、減弱補正対象のエミッションスキャン画像を入力させて、該ニューラルネットワークから中間画像を出力させる第１処理部と、(2) 減弱補正対象のエミッションスキャン画像を取得した際に被検体を載置した寝台の像を中間画像に基づく被検体領域抽出画像に加えて、減弱分布画像を作成する第２処理部と、を備える。
【0013】
本発明の画像処理装置は、(1) 上記の本発明の第１態様または第２態様の減弱分布画像作成装置と、(2) 減弱分布画像作成装置により作成された減弱分布画像を用いて、減弱補正対象のエミッションスキャン画像の減弱補正を行う減弱補正部と、を備える。
【0014】
本発明の放射線断層撮影システムは、(1) 減弱補正対象のエミッションスキャン画像を取得する為の放射線断層撮影装置と、(2) 上記の本発明の第１態様または第２態様の減弱分布画像作成装置と、(3) 減弱分布画像作成装置により作成された減弱分布画像を用いて、減弱補正対象のエミッションスキャン画像の減弱補正を行う減弱補正部と、を備える。
【0015】
本発明の第１態様の減弱分布画像作成方法は、(1) 複数の被検体それぞれのエミッションスキャン画像を入力画像とし減弱分布画像に基づく被検体領域抽出画像を教師画像として学習させたニューラルネットワークに、減弱補正対象のエミッションスキャン画像を入力させて、該ニューラルネットワークから中間画像を出力させる第１処理ステップと、(2) 減弱補正対象のエミッションスキャン画像を取得した際に被検体を載置した寝台の像を中間画像に加えて、減弱分布画像を作成する第２処理ステップと、を備える。
【0016】
本発明の第２態様の減弱分布画像作成方法は、(1) 複数の被検体それぞれのエミッションスキャン画像を入力画像とし減弱分布画像を教師画像として学習させたニューラルネットワークに、減弱補正対象のエミッションスキャン画像を入力させて、該ニューラルネットワークから中間画像を出力させる第１処理ステップと、(2) 減弱補正対象のエミッションスキャン画像を取得した際に被検体を載置した寝台の像を中間画像に基づく被検体領域抽出画像に加えて、減弱分布画像を作成する第２処理ステップと、を備える。
【0017】
本発明の画像処理方法は、(1) 上記の本発明の第１態様または第２態様の減弱分布画像作成方法と、(2) 減弱分布画像作成方法により作成された減弱分布画像を用いて、減弱補正対象のエミッションスキャン画像の減弱補正を行う減弱補正ステップと、を備える。
【発明の効果】
【0018】
本発明によれば、ニューラルネットワークの学習に用いた放射線断層撮影装置と異なる放射線断層撮影装置を用いて取得したエミッションスキャン画像であっても、そのエミッションスキャン画像から、より正確な減弱分布画像を作成することができる。
【図面の簡単な説明】
【0019】
【発明を実施するための形態】
【0020】
以下、添付図面を参照して、本発明を実施するための形態を詳細に説明する。なお、図面の説明において同一の要素には同一の符号を付し、重複する説明を省略する。本発明は、これらの例示に限定されるものではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。
【0021】
図１は、放射線断層撮影システム１の構成を示す図である。放射線断層撮影システム１は、放射線断層撮影装置１０および画像処理装置２０を備える。画像処理装置２０は、画像再構成部２１、減弱分布画像作成部２２および減弱補正部２３を備える。減弱分布画像作成部（減弱分布画像作成装置）２２は、第１処理部３１および第２処理部３２を含む。
【0022】
放射線断層撮影装置１０は、エミッションスキャンを行って、被検体の断層画像（エミッションスキャン画像）を再構成するためのリストデータ（エミッションスキャンデータ）を収集する装置である。放射線断層撮影装置１０として、ＰＥＴ装置およびＳＰＥＣＴ装置が挙げられる。以下では、放射線断層撮影装置１０がＰＥＴ装置であるとして説明をする。
【0023】
放射線断層撮影装置１０は、寝台上に載置された被検体が置かれる測定空間の周囲に配列された多数の小型の放射線検出器を有する検出部を備えている。放射線断層撮影装置１０は、陽電子放出アイソトープ（ＲＩ線源）が投入された被検体内における電子・陽電子の対消滅に伴って発生するエネルギ５１１ｋｅＶの光子対を検出部により同時計数法で検出し、この同時計数情報を蓄積する。そして、放射線断層撮影装置１０は、この蓄積した多数の同時計数情報を時系列に並べたものをリストデータ（エミッションスキャンデータ）として画像処理装置２０へ出力する。
【0024】
リストデータは、光子対を同時計数した１対の放射線検出器の識別情報および検出時刻情報を含む。リストデータは、さらに、各放射線検出器が検出した光子のエネルギ情報、および、１対の放射線検出器の検出時間差情報をも含んでいてもよい。
【0025】
画像処理装置２０として、ＣＰＵ、ＲＡＭ、ＲＯＭおよびハードディスクドライブ等を有するコンピュータが用いられる。また、画像処理装置２０は、操作者の入力を受け付ける入力部（例えばキーボードやマウス）を備え、画像等を表示する表示部（例えば液晶ディスプレイ）を備える。
【0026】
画像処理装置２０は、画像再構成部２１によりエミッションスキャンデータに基づいてエミッションスキャン画像を再構成し、減弱分布画像作成部２２によりエミッションスキャン画像に基づいて減弱分布画像を作成し、減弱補正部２３により減弱分布画像に基づいてエミッションスキャン画像の減弱補正を行う。
【0027】
画像再構成部２１においてエミッションスキャンデータに基づいてエミッションスキャン画像を再構成する技術としては、ＭＬ-ＥＭ（maximum likelihood expectationmaximization）法、および、これを改良したブロック反復法による逐次近似的画像再構成技術が知られている。また、ブロック反復法による逐次近似的画像再構成技術としては、ＯＳＥＭ（ordered subset ＭＬ-ＥＭ）法、ＲＡＭＬＡ（row-action maximum likelihood algorithm）法およびＤＲＡＭＡ（dynamic ＲＡＭＬＡ）法などが知られている。
【0028】
減弱分布画像作成部２２の第１処理部３１は、画像再構成部２１による再構成処理により作成されたエミッションスキャン画像を入力し、学習済みのニューラルネットワークを用いて、このエミッションスキャン画像に基づいて中間画像を作成し出力する。ここで用いるニューラルネットワークは好適には畳み込みニューラルネットワーク（ＣＮＮ）である。第２処理部３２は、第１処理部３１により作成された中間画像を入力し、この中間画像に基づいて減弱分布画像を作成し出力する。第１処理部３１および第２処理部３２の詳細については後述する。
【0029】
減弱補正部２３は、エミッションスキャンデータを入力するとともに、減弱分布画像作成部２２により作成された減弱分布画像を入力する。そして、減弱補正部２３は、減弱分布画像に基づいて減弱補正ありの画像再構成を行い、当該補正後の断層画像を作成する。
【0030】
図２は、減弱分布画像作成部２２の第１処理部３１で用いられるＣＮＮを学習させる学習システム２の構成を示す図である。学習システム２は、ＣＮＮ処理部４１および評価部４２を備える。ＣＮＮの学習に際しては、先ず、複数の被検体それぞれのエミッションスキャン画像および減弱分布画像を用意する。ここで用意する減弱分布画像は、ＰＥＴ装置によりトランスミッションスキャンを行うことで取得されるトランスミッションスキャン画像であってもよいし、Ｘ線ＣＴ装置によりスキャンを行うことで取得されるＸ線ＣＴスキャン画像であってもよい。
【0031】
ＣＮＮ処理部４１は、各被検体のエミッションスキャン画像を入力画像としてＣＮＮに入力させて、そのＣＮＮから出力画像を出力させる。評価部４２は、同被検体の減弱分布画像（または、減弱分布画像に基づく被検体領域抽出画像（後述））を教師画像として用いて、ＣＮＮ処理部４１からの出力画像と教師画像との差（例えばＬ２ノルム）を算出する。ＣＮＮ処理部４１は、評価部４２により算出された差に基づいてＣＮＮのパラメータを修正する。このような一連の処理を、複数の被検体それぞれのエミッションスキャン画像および減弱分布画像を用いて行うことで、ＣＮＮを学習させることができる。
【0032】
次に、減弱分布画像作成部２２の第１処理部３１および第２処理部３２それぞれの処理内容について説明する。これらの処理については二つの態様がある。また、それに応じて、学習システム２におけるＣＮＮ学習処理についても二つの態様がある。
【0033】
第１態様のＣＮＮ学習および減弱分布画像作成について図３および図４を用いて説明する。図３は、第１態様のＣＮＮ学習のフローチャートである。図４は、第１態様の減弱分布画像作成および減弱補正のフローチャートである。
【0034】
第１態様のＣＮＮ学習では、ステップＳ１１において、複数の被検体それぞれのエミッションスキャン画像および減弱分布画像を用意する。この減弱分布画像は、被検体の像を含む他、被検体を載置した寝台の像を含み、また、その他の不要な像をも含む場合がある。不要な像とは、断層画像に基づいて被検体の状態を診断する上で不要な像であり、例えば腕の像である。ステップＳ１２において、複数の被検体それぞれの減弱分布画像から寝台の像や不要な像を除去し、減弱分布画像から被検体領域（例えば頭部領域）を抽出して、被検体領域抽出画像を作成する。ステップＳ１３において、学習システム２により、複数の被検体それぞれのエミッションスキャン画像（入力画像）および被検体領域抽出画像（教師画像）を用いて、ＣＮＮを学習させる。
【0035】
第１態様の減弱分布画像作成では、ステップＳ２１において、画像再構成部２１により、放射線断層撮影装置１０により取得されたエミッションスキャンデータに基づいてエミッションスキャン画像を作成する。ここで作成されるエミッションスキャン画像が減弱補正対象となる。第１処理ステップＳ２２において、第１処理部３１により、減弱補正対象のエミッションスキャン画像を学習済みＣＮＮに入力させて、このＣＮＮから中間画像を出力させる。この中間画像は、減弱補正対象のエミッションスキャン画像に対応する減弱分布画像であるが、このエミッションスキャン画像を取得した際に被検体を載置した寝台（放射線断層撮影装置１０の寝台）の像を含んでいない。
【0036】
第２処理ステップＳ２３において、第２処理部３２により、減弱補正対象のエミッションスキャン画像を取得した際に被検体を載置した寝台（放射線断層撮影装置１０の寝台）の像を中間画像に加えて、その寝台の像を含む減弱分布画像を作成する。減弱補正ステップＳ２４では、減弱補正部２３により、ステップＳ２３で作成された減弱分布画像を用いて、ステップＳ２１で作成されたエミッションスキャン画像の減弱補正を行い、減弱補正後の断層画像を作成する。
【0037】
なお、ＣＮＮ学習（ステップＳ１３）および第１処理部３１による処理（ステップＳ２２）において、ＣＮＮに入力させる画像の画素数および画像中の被検体の大きさが一致しているのが好ましい。その為の前処理をステップＳ１３の前またはステップＳ２２の前に行うのが好ましい。
【0038】
また、減弱分布画像から被検体領域を抽出する処理（ステップＳ１２）では、減弱分布画像において被検体の像、寝台の像および不要な像それぞれの領域が予め分かっていれば、容易に被検体領域抽出画像を作成することができる。また、図５のフローチャートおよび図６の画像例に示すとおり、減弱分布画像に対して、二値化処理、クロージング処理、オープニング処理、最大値フィルタ処理およびマスク処理を順次に行うことでも、容易に被検体領域抽出画像を作成することができる。
【0039】
第２態様のＣＮＮ学習および減弱分布画像作成について図７および図８を用いて説明する。図７は、第２態様のＣＮＮ学習のフローチャートである。図８は、第２態様の減弱分布画像作成および減弱補正のフローチャートである。
【0040】
第２態様のＣＮＮ学習では、ステップＳ３１において、複数の被検体それぞれのエミッションスキャン画像および減弱分布画像を用意する。この減弱分布画像は、被検体の像を含む他、被検体を載置した寝台の像を含み、また、その他の不要な像をも含む場合がある。ステップＳ３２において、学習システム２により、複数の被検体それぞれのエミッションスキャン画像（入力画像）および減弱分布画像（教師画像）を用いて、ＣＮＮを学習させる。
【0041】
第２態様の減弱分布画像作成では、ステップＳ４１において、画像再構成部２１により、放射線断層撮影装置１０により取得されたエミッションスキャンデータに基づいてエミッションスキャン画像を作成する。ここで作成されるエミッションスキャン画像が減弱補正対象となる。第１処理ステップＳ４２において、第１処理部３１により、減弱補正対象のエミッションスキャン画像を学習済みＣＮＮに入力させて、このＣＮＮから中間画像を出力させる。この中間画像は、減弱補正対象のエミッションスキャン画像に対応する減弱分布画像であり、被検体を載置する寝台の像を含んでいる場合がある。
【0042】
第２処理ステップＳ４３において、第２処理部３２により、中間画像から被検体領域を抽出して、被検体領域抽出画像を作成する。さらに、ステップＳ４３において、第２処理部３２により、減弱補正対象のエミッションスキャン画像を取得した際に被検体を載置した寝台（放射線断層撮影装置１０の寝台）の像を被検体領域抽出画像に加えて、その寝台の像を含む減弱分布画像を作成する。減弱補正ステップＳ４４では、減弱補正部２３により、ステップＳ４３で作成された減弱分布画像を用いて、ステップＳ４１で作成されたエミッションスキャン画像の減弱補正を行い、減弱補正後の断層画像を作成する。
【0043】
なお、ＣＮＮ学習（ステップＳ３２）および第１処理部３１による処理（ステップＳ４２）において、ＣＮＮに入力させる画像の画素数および画像中の被検体の大きさが一致しているのが好ましい。その為の前処理をステップＳ３２の前またはステップＳ４２の前に行うのが好ましい。また、第２態様における中間画像から被検体領域を抽出する処理（ステップＳ４３）は、第１態様における減弱分布画像から被検体領域を抽出する処理（ステップＳ１２）と同様にして行うことができる。
【0044】
次に実施例について説明する。以下に説明する第１実施例は上記実施形態の第１態様に相当するものであり、第２実施例は上記実施形態の第２態様に相当するものである。
【0045】
第１実施例および第２実施例の何れにおいても、１０９１症例分のエミッションスキャン画像および減弱分布画像をＣＮＮの学習に用いた。これらの画像は、浜松ホトニクス株式会社製の頭部用ＰＥＴ装置ＳＨＲ-１２０００（以下「装置Ａ」という。）を用いて取得されたものである。この装置Ａはトランスミッションスキャン機構を備えており、減弱分布画像はトランスミッションスキャン画像である。
【0046】
また、第１実施例および第２実施例の何れにおいても、減弱補正対象のエミッションスキャン画像（図９）は、浜松ホトニクス株式会社製の全身用ＰＥＴ／ＣＴ装置ＳＨＲ-７４０００（以下「装置Ｂ」という。）を用いて取得されたものである。この装置ＢはＸ線ＣＴスキャン機構を備えている。この機構により取得されるＸ線ＣＴスキャン画像（図１０）は、正解画像として、実施例により作成された減弱分布画像との比較のみに用いた。装置Ａと装置Ｂとは、被検体を載置する寝台の形状が相違している。
【0047】
図９は、減弱補正対象のエミッションスキャン画像である。図１０は、Ｘ線ＣＴスキャン画像（正解画像）である。図１１は、第１実施例において仮にステップＳ１２で寝台の像を除去しなかった場合にステップＳ２２で作成された中間画像である。図１２は、第１実施例においてステップＳ２３で作成された減弱分布画像である。図１１は、第２実施例においてステップＳ４２において作成された中間画像でもある。図１３は、第２実施例においてステップＳ４３で作成された被検体領域抽出画像である。図１４は、第２実施例においてステップＳ４３で作成された減弱分布画像である。
【0048】
装置Ａおよび装置Ｂそれぞれの寝台の形状が相違していても、第１実施例および第２実施例それぞれで作成された減弱分布画像（図１２，図１４）は、寝台の像の形状を含めてＸ線ＣＴスキャン画像（正解画像、図１０）と良く一致している。このように、本実施形態では、ニューラルネットワークの学習に用いたＰＥＴ装置と異なるＰＥＴ装置を用いて取得したエミッションスキャン画像であっても、そのエミッションスキャン画像から、より正確な減弱分布画像を作成することができる。そして、この減弱分布画像を用いることにより、より正確なエミッションスキャン画像の減弱補正を行うことができる。
【0049】
本発明は、上記実施形態に限定されるものではなく、種々の変形が可能である。例えば、被検体に投与する薬剤は多くの種類があるので、薬剤毎にＣＮＮの学習（ステップＳ１３，Ｓ３２）を行い、減弱補正対象のエミッションスキャン画像に基づいて中間画像を求める第１処理（ステップＳ２２，Ｓ４２）では、そのエミッションスキャン時に被検体に投与した薬剤について学習させたＣＮＮを用いてもよい。
【0050】
また、複数種類の薬剤を混合して被検体に投与して取得されたエミッションスキャン画像および減弱分布画像を用いてＣＮＮの学習（ステップＳ１３，Ｓ３２）を行い、減弱補正対象のエミッションスキャン画像に基づいて中間画像を求める第１処理（ステップＳ２２，Ｓ４２）では、その複数種類の薬剤の混合状態で学習させたＣＮＮを用いてもよい。この場合、ＣＮＮの学習（ステップＳ１３，Ｓ３２）において、薬剤の種類に依存しない減弱分布の特徴を捉えることができるので、減弱補正対象のエミッションスキャン画像の取得の際に被検体に投与した薬剤の種類に拘わらず、或いは、投与した薬剤が未知であっても、正確な減弱分布画像を作成することができる。
【符号の説明】
【0051】
１…放射線断層撮影システム、２…学習システム、１０…放射線断層撮影装置、２０…画像処理装置、２１…画像再構成部、２２…減弱分布画像作成部、２３…減弱補正部、３１…第１処理部、３２…第２処理部、４１…ＣＮＮ処理部、４２…評価部。
【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】
