特表 2024-501649 縺れを解いた特徴表現視域を使用した、画像の柔軟なノイズ除去方法及びシステム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2024-01-15

(54)【発明の名称】縺れを解いた特徴表現視域を使用した、画像の柔軟なノイズ除去方法及びシステム

(51)【国際特許分類】

   A61B 6/03 20060101AFI20240105BHJP

   A61B 6/46 20240101ALI20240105BHJP

【ＦＩ】

A61B6/03 360J

A61B6/03 360Z

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2023537005

(86)(22)【出願日】2021-12-10

(85)【翻訳文提出日】2023-07-06

(86)【国際出願番号】 EP2021085120

(87)【国際公開番号】W WO2022128758

(87)【国際公開日】2022-06-23

(31)【優先権主張番号】63/127,424

(32)【優先日】2020-12-18

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

(71)【出願人】

【識別番号】590000248

【氏名又は名称】コーニンクレッカ フィリップス エヌ ヴェ

【氏名又は名称原語表記】Ｋｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ．

【住所又は居所原語表記】Ｈｉｇｈ Ｔｅｃｈ Ｃａｍｐｕｓ ５２， ５６５６ ＡＧ Ｅｉｎｄｈｏｖｅｎ，Ｎｅｔｈｅｒｌａｎｄｓ

(74)【代理人】

【識別番号】110001690

【氏名又は名称】弁理士法人Ｍ＆Ｓパートナーズ

(72)【発明者】

【氏名】ワン シン

(72)【発明者】

【氏名】リウ サイフェン

【テーマコード（参考）】

4C093

【Ｆターム（参考）】

4C093AA22

4C093AA26

4C093CA06

4C093FD03

4C093FF03

4C093FF16

4C093FF18

4C093FF33

4C093FF41

(57)【要約】

画像のノイズを除去するシステム及び方法が、提供される。標準画像モジュールは、標準画像から標準解剖学的構造特徴及び標準ノイズ特徴を生成し、標準解剖学的構造特徴及び標準ノイズ特徴から標準画像を再構成するよう構成される。低品質画像モジュールは、低品質画像から低品質解剖学的構造特徴及び低品質ノイズ特徴を生成し、低品質解剖学的構造特徴及び低品質ノイズ特徴から低品質画像を再構成するよう構成される。１）再構成標準画像と標準画像との比較、及び２）再構成低品質画像と低品質画像との比較に少なくとも部分的に基づいて、損失評価基準を計算する、損失計算モジュールが提供される。標準画像モジュールに低品質解剖学的構造特徴を供給すると、標準画像モジュールは、再構成標準転移画像を出力する。

【特許請求の範囲】

【請求項1】

医用画像のノイズを除去するシステムであって、前記システムが、
標準画像から標準解剖学的構造特徴及び標準ノイズ特徴を生成し、前記標準解剖学的構造特徴及び前記標準ノイズ特徴から前記標準画像を再構成する、標準画像モジュールと、
低品質画像から低品質解剖学的構造特徴及び低品質ノイズ特徴を生成し、前記低品質解剖学的構造特徴及び前記低品質ノイズ特徴から前記低品質画像を再構成する、低品質画像モジュールと、
１）前記再構成標準画像と前記標準画像との比較、及び２）前記再構成低品質画像と前記低品質画像との比較に少なくとも部分的に基づいて、損失評価基準を計算する、損失計算モジュールと、
を有し、前記損失評価基準が、機械学習を使用して前記標準画像モジュール及び前記低品質画像モジュールを調整するための、損失関数に組み入れられ、前記標準画像モジュールに前記低品質解剖学的構造特徴を供給すると、前記標準画像モジュールが、前記低品質解剖学的構造特徴、及び前記低品質ノイズ特徴によって表されるノイズレベルよりも低いノイズレベルを含む、再構成標準転移画像を出力する、システム。

【請求項2】

前記標準画像モジュールが、標準解剖学的構造符号化器、標準ノイズ符号化器、及び標準生成器を有し、前記標準画像を受信すると、前記標準解剖学的構造符号化器が、前記標準解剖学的構造特徴を出力し、前記標準ノイズ符号化器が、前記標準ノイズ特徴を出力し、前記標準生成器が、前記標準解剖学的構造特徴及び前記標準ノイズ特徴から、前記標準画像を再構成し、
前記低品質画像モジュールが、低品質解剖学的構造符号化器、低品質ノイズ符号化器、及び低品質生成器を備え、前記低品質画像を受信すると、前記低品質解剖学的構造符号化器が、前記低品質解剖学的構造特徴を出力し、前記低品質ノイズ符号化器が、前記低品質ノイズ特徴を出力し、前記低品質生成器が、前記低品質解剖学的構造特徴及び前記低品質ノイズ特徴から、前記低品質画像を再構成し、
前記損失計算モジュールが、前記再構成標準画像と前記標準画像との比較に少なくとも部分的に基づいて、前記標準生成器の損失評価基準を計算し、
前記損失計算モジュールが、前記再構成低品質画像と前記低品質画像との比較に少なくとも部分的に基づいて、前記低品質生成器の損失評価基準を計算し、
前記損失計算モジュールが、前記標準画像に関するセグメンテーションラベルとの比較に基づいて、前記標準解剖学的構造符号化器の損失評価基準を計算し、
前記損失計算モジュールが、前記標準解剖学的構造符号化器の前記出力との比較に基づいて、前記低品質解剖学的構造符号化器の損失評価基準を計算する、
請求項１に記載のシステム。

【請求項3】

前記低品質解剖学的構造符号化器の前記損失評価基準が、敵対的損失評価基準である、請求項２に記載のシステム。

【請求項4】

セグメンテーションネットワークをさらに備え、前記再構成標準画像のセグメンテーションマスクが、前記標準画像に関するセグメンテーションラベルとの比較に基づいて評価される、請求項１に記載のシステム。

【請求項5】

低品質生成器に前記標準解剖学的構造特徴を供給すると、前記低品質生成器が、再構成低品質転移画像を出力し、前記低品質転移画像が、前記標準解剖学的構造特徴、及び前記標準ノイズ特徴によって表されるノイズレベルよりも高いノイズレベルを含み、前記低品質転移画像のセグメンテーションマスクが、前記標準画像に関する前記セグメンテーションラベルとの比較に基づいて評価される、請求項４に記載のシステム。

【請求項6】

前記標準転移画像の損失評価基準が、前記標準画像再構成物との比較に基づいて評価され、前記標準転移画像の前記損失評価基準が、敵対的損失評価基準である、請求項１に記載のシステム。

【請求項7】

前記標準画像モジュールと前記低品質画像モジュールとが、同時に訓練される、請求項１に記載のシステム。

【請求項8】

前記標準画像モジュールが、前記低品質画像モジュールの訓練前に訓練され、前記標準画像モジュールの訓練時に創り出された変数の値が、前記低品質画像モジュールの訓練の際には一定に保たれる、請求項１に記載のシステム。

【請求項9】

前記標準画像モジュール及び前記低品質画像モジュールを訓練した後、前記システムが、標準解剖学的構造符号化器、標準ノイズ符号化器、及び低品質解剖学的構造符号化器について、一定の値に保ちながら、標準生成器をさらに訓練する、請求項８に記載のシステム。

【請求項10】

前記標準解剖学的構造特徴及び前記低品質解剖学的構造特徴が、それぞれ、単一の解剖学的構造体に対応する、請求項１に記載のシステム。

【請求項11】

医用画像のノイズを除去する方法であって、前記方法が、
標準画像モジュールによって、標準画像から、標準解剖学的構造特徴及び標準ノイズ特徴を生成するステップと、
前記標準画像モジュールによって、前記標準解剖学的構造特徴及び前記標準ノイズ特徴から、前記標準画像を再構成するステップと、
低品質画像モジュールによって、低品質画像から、低品質解剖学的構造特徴及び低品質ノイズ特徴を生成するステップと、
前記低品質画像モジュールによって、前記低品質解剖学的構造特徴及び前記低品質ノイズ特徴から、前記低品質画像を再構成するステップと、
損失計算モジュールによって、１）前記再構成標準画像と前記標準画像との比較、及び２）前記再構成低品質画像と前記低品質画像との比較に少なくとも部分的に基づいて、損失評価基準を計算するステップと
を有し、前記損失評価基準が、機械学習を使用して前記標準画像モジュール及び前記低品質画像モジュールを調整するための、損失関数に組み入れられ、前記標準画像モジュールに前記低品質解剖学的構造特徴を供給すると、前記標準画像モジュールが、前記低品質解剖学的構造特徴、及び前記低品質ノイズ特徴によって表されるノイズレベルよりも低いノイズレベルを含む、再構成標準転移画像を出力する、方法。

【請求項12】

前記標準画像モジュールが、標準解剖学的構造符号化器、標準ノイズ符号化器、及び標準生成器を有し、前記標準画像を受信すると、前記標準解剖学的構造符号化器が、前記標準解剖学的構造特徴を出力し、前記標準ノイズ符号化器が、前記標準ノイズ特徴を出力し、前記標準生成器が、前記標準解剖学的構造特徴及び前記標準ノイズ特徴から、前記標準画像を再構成し、
前記低品質画像モジュールが、低品質解剖学的構造符号化器、低品質ノイズ符号化器、及び低品質生成器を有し、前記低品質画像を受信すると、前記低品質解剖学的構造符号化器が、前記低品質解剖学的構造特徴を出力し、前記低品質ノイズ符号化器が、前記低品質ノイズ特徴を出力し、前記低品質生成器が、前記低品質解剖学的構造特徴及び前記低品質ノイズ特徴から、前記低品質画像を再構成し、
前記損失計算モジュールが、前記再構成標準画像と前記標準画像との比較に少なくとも部分的に基づいて、前記標準生成器の損失評価基準を計算し、
前記損失計算モジュールが、前記再構成低品質画像と前記低品質画像との比較に少なくとも部分的に基づいて、前記低品質生成器の損失評価基準を計算し、
前記損失計算モジュールが、前記標準画像に関するセグメンテーションラベルとの比較に基づいて、前記標準解剖学的構造符号化器の損失評価基準を計算し、
前記損失計算モジュールが、前記標準解剖学的構造符号化器の前記出力との比較に基づいて、前記低品質解剖学的構造符号化器の損失評価基準を計算する、
請求項１１に記載の方法。

【請求項13】

前記低品質解剖学的構造符号化器の前記損失評価基準が、敵対的損失評価基準である、請求項１２に記載の方法。

【請求項14】

セグメンテーションネットワークにおいて、前記再構成標準画像のセグメンテーションマスクを生成するステップと、前記セグメンテーションマスクを、前記標準画像に関するセグメンテーションラベルとの比較に基づいて評価するステップとをさらに有する、請求項１１に記載の方法。

【請求項15】

低品質生成器に前記標準解剖学的構造特徴を供給すると、前記低品質生成器が、再構成低品質転移画像を出力し、前記低品質転移画像が、前記標準解剖学的構造特徴、及び前記標準ノイズ特徴によって表されるノイズレベルよりも高いノイズレベルを含み、前記低品質転移画像のセグメンテーションマスクが、前記標準画像に関する前記セグメンテーションラベルとの比較に基づいて評価される、請求項１４に記載の方法。

【請求項16】

前記標準転移画像の損失評価基準が、前記標準画像再構成物との比較に基づいて評価され、前記標準転移画像の前記損失評価基準が、敵対的損失評価基準である、請求項１１に記載の方法。

【請求項17】

前記標準画像モジュールと前記低品質画像モジュールとが、同時に訓練される、請求項１１に記載の方法。

【請求項18】

前記標準画像モジュールが、前記低品質画像モジュールの訓練前に訓練され、前記標準画像モジュールの訓練時に創り出された変数の値が、前記低品質画像モジュールの訓練の際には一定に保たれる、請求項１１に記載の方法。

【請求項19】

前記標準画像モジュール及び前記低品質画像モジュールを訓練した後、前記方法が、標準解剖学的構造符号化器、標準ノイズ符号化器、及び低品質解剖学的構造符号化器について、一定の値に保ちながら、標準生成器をさらに訓練する、請求項１８に記載の方法。

【請求項20】

前記標準解剖学的構造特徴及び前記低品質解剖学的構造特徴が、それぞれ、単一の解剖学的構造体に対応する、請求項１１に記載の方法。

【発明の詳細な説明】

【技術分野】

【0001】

[0001] 本開示は、概ね、縺れを解いた特徴表現を用いたドメインに依存しない学習を使用して、低線量画像のノイズを除去するための、柔軟な解決策を提供する、ニューラルネットワークモデルを訓練及び調整するシステム及び方法に関する。

【背景技術】

【0002】

[0002] 従来、大部分の撮像モダリティでは、取得の物理的過程又は再構成に影響があり、最終画像にノイズなどのアーチファクトが生じる。ニューラルネットワークモデルなどのノイズ除去アルゴリズムを訓練するために、ノイズのある画像サンプルとノイズのない画像サンプルとの対がニューラルネットワークモデルに提示され、ネットワークは、ノイズのある画像のノイズを除去し、対応するノイズのないグランドテュルース画像（ｇｒｏｕｎｄ ｔｒｕｔｈ ｉｍａｇｅ）を回復することによって、コスト関数を最小化しようとする。

【0003】

[0003] しかし、画像を取得するのに使用されるパラメータのどんな変化でも、対応する画像のアーチファクトの形状又は量が変化する。したがって、標準画像のノイズ除去に使用されるノイズ除去モデルは、コンピュータ断層撮影（ＣＴ）スキャンに関して放射線量が低減されるなど、様々な取得パラメータを使用して取得された画像に適用する場合、より効果が低下する。

【0004】

[0004] 現代の医療行為におけるＣＴスキャンの使用の増加により、それに伴う必要な放射線量に対する懸念が生じており、線量の低減が臨床上の目標となっている。ただし、放射線量を下げると、再構成画像のノイズ及び他のアーチファクトが大幅に増加する傾向があり、診断情報が損なわれる。低線量ＣＴスキャンのノイズを低減し、それにより高品質の画像に変換するために、膨大な取組みが行われてきた。

【0005】

[0005] 画像ノイズ除去に関して、畳み込みニューラルネットワーク（ＣＮＮ）の使用を含む、機械学習技法が研究されてきた。しかし、既存の方法は通常、特定のノイズレベルに合うように調整され、対応するＣＮＮの訓練に使用される訓練セットが対象としていないノイズレベルまでは、良好に汎用化することができない。

【0006】

[0006] ＣＴの撮像では、キロボルトピーク（ｋＶｐ）、ミリアンペア秒（ｍＡ秒）、スライス厚、及び患者のサイズを含む、複数の要因がすべて、再構成画像のノイズレベルに影響を与える。これらの撮像パラメータのうちのいずれかを変更した結果、それによって相異なるノイズレベル又は相異なるアーチファクトのプロファイルが生じ、したがって従来は、かかる別の撮像パラメータで取得された画像のノイズを除去するのに、相異なるモデルが必要であった。これにより、実際のノイズ除去におけるＣＮＮベースの方法の適用可能性は、制限されている。

【発明の概要】

【発明が解決しようとする課題】

【0007】

[0007] したがって、対応する方法の訓練セットで使用された撮像パラメータとは相異なる撮像パラメータで取得された画像の、ノイズを除去できる方法が必要である。さらに、訓練セットの画像よりも低い放射線量で取得されたＣＴ画像を含む、様々なノイズレベルの画像のノイズを除去するために使用できる、単一の訓練されたモデルが必要である。

【課題を解決するための手段】

【0008】

[0008] 医用画像のノイズを除去する、システム及び方法が提供される。一実施形態では、標準画像モジュールは、標準画像から標準解剖学的構造特徴及び標準ノイズ特徴を生成し、標準解剖学的構造特徴及び標準ノイズ特徴から標準画像を再構成するよう構成される。低品質画像モジュールは、同様に、低品質画像から低品質解剖学的構造特徴及び低品質ノイズ特徴を生成し、低品質解剖学的構造特徴及び低品質ノイズ特徴から低品質画像を再構成するよう構成される。

【0009】

[0009] システム及び方法が訓練できるような損失計算モジュールが提供される。損失計算モジュールは、通常、１）再構成標準画像と標準画像との比較、及び２）再構成低品質画像と低品質画像との比較に少なくとも部分的に基づいて、損失評価基準を計算する。

【0010】

[0010] 損失計算モジュールで計算される損失評価基準は、機械学習を使用して標準画像モジュール及び低品質画像モジュールを調整するための、損失関数に組み入れられる。標準画像モジュールに低品質解剖学的構造特徴を供給すると、標準画像モジュールは、低品質解剖学的構造特徴、及び低品質ノイズ特徴によって表されるノイズレベルよりも低いノイズレベルを含む、再構成標準転移画像（ｔｒａｎｓｆｅｒ ｉｍａｇｅ）を出力する。

【0011】

[0011] いくつかの実施形態では、標準画像モジュールは、標準解剖学的構造符号化器、標準ノイズ符号化器、及び標準生成器を有し、標準画像を受信すると、標準解剖学的構造符号化器が、標準解剖学的構造特徴を出力し、標準ノイズ符号化器が、標準ノイズ特徴を出力し、標準生成器が、標準解剖学的構造特徴及び標準ノイズ特徴から、標準画像を再構成する。

【0012】

[0012] いくつかのかかる実施形態では、低品質画像モジュールは同様に、低品質解剖学的構造符号化器、低品質ノイズ符号化器、及び低品質生成器を有し、低品質画像を受信すると、低品質解剖学的構造符号化器が、低品質解剖学的構造特徴を出力し、低品質ノイズ符号化器が、低品質ノイズ特徴を出力し、低品質生成器が、低品質解剖学的構造特徴及び低品質ノイズ特徴から、低品質画像を再構成する。

【0013】

[0013] いくつかのかかる実施形態では、損失計算モジュールは、再構成標準画像と標準画像との比較に少なくとも部分的に基づいて、標準生成器の損失評価基準を計算する。損失計算モジュールは、同様に、再構成低品質画像と低品質画像との比較に少なくとも部分的に基づいて、低品質生成器の損失評価基準を計算する。

【0014】

[0014] 損失計算モジュールはさらに、標準画像に関するセグメンテーションラベルとの比較に基づいて、標準解剖学的構造符号化器の損失評価基準を計算し、損失計算モジュールはさらに、標準解剖学的構造符号化器の出力との比較に基づいて、低品質解剖学的構造符号化器の損失評価基準を計算する。

【0015】

[0015] いくつかの実施形態では、低品質解剖学的構造符号化器の損失評価基準は、敵対的損失評価基準である。

【0016】

[0016] いくつかの実施形態では、説明されている方法を実施するシステムは、セグメンテーションネットワークをさらに備え、再構成標準画像のセグメンテーションマスクは、標準画像に関するセグメンテーションラベルとの比較に基づいて評価される。

【0017】

[0017] いくつかのかかる実施形態では、低品質生成器に標準解剖学的構造特徴を供給すると、低品質生成器が、再構成低品質転移画像を出力し、低品質転移画像は、標準解剖学的構造特徴、及び標準ノイズ特徴によって表されるノイズレベルよりも高いノイズレベルを含む。低品質転移画像のセグメンテーションマスクは、次いで、標準画像に関するセグメンテーションラベルとの比較に基づいて評価される。

【0018】

[0018] いくつかの実施形態では、標準転移画像の損失評価基準は、標準画像再構成との比較に基づいて評価され、標準転移画像の損失評価基準は、敵対的損失評価基準である。

【0019】

[0019] いくつかの実施形態では、標準画像モジュールと低品質画像モジュールとが、同時に訓練される。

【0020】

[0020] 他の実施形態では、標準画像モジュールが、低品質画像モジュールの訓練前に訓練され、標準画像モジュールの訓練時に創り出された変数の値は、低品質画像モジュールの訓練の際には一定に保たれる。いくつかのかかる実施形態では、標準画像モジュール及び低品質画像モジュールの訓練後、システムは、標準解剖学的構造符号化器、標準ノイズ符号化器、及び低品質解剖学的構造符号化器について、一定の値に保ちながら、標準生成器をさらに訓練する。

【0021】

[0021] いくつかの実施形態では、標準解剖学的構造特徴及び低品質解剖学的構造特徴は、それぞれ、単一の解剖学的構造体に対応する。

【図面の簡単な説明】

【0022】

【図1】[0022] 本開示の一実施形態による、システムの概略図である。

【図2】[0023] 本開示の一実施形態による、撮像デバイスを示す図である。

【図3】[0024] 本開示の一実施形態で使用する、訓練パイプラインの図である。

【図4A】[0025] 図３の訓練パイプラインで使用される、例示的な訓練方法を示す図である。

【図4B】図３の訓練パイプラインで使用される、例示的な訓練方法を示す図である。

【図4C】図３の訓練パイプラインで使用される、例示的な訓練方法を示す図である。

【図5】[0026] 図３の訓練パイプラインを使用して訓練されたモデルの、画像のノイズを除去するための使用法を示す図である。

【発明を実施するための形態】

【0023】

[0027] 本開示の原理に従った例示的な実施形態の説明は、記述された全説明のうちの一部とみなされるべき、添付図面と一緒に読まれることを意図している。本明細書で開示されている、開示の実施形態の説明において、方向又は向きへのどんな言及も、単に説明上の便宜を目的とするものであり、決して本開示の範囲を限定することを意図するものではない。「下側の」、「上側の」、「水平の」、「垂直の」、「より上に」、「より下に」、「上へ」、「下へ」、「上部」、及び「底部」などの相対的な用語ばかりでなく、その派生語（例えば、「水平に」、「下方へ」、「上方へ」など）も、そのとき説明されている、又は議論中の図面に示された、向きを指すものと解釈されたい。これらの相対的な用語は、ただ単に説明の便宜上のものであり、そのように明示的に示されていない限り、装置を、特定の向きで構成又は動作させる必要はない。「取り付けられた」、「付着された」、「接続された」、「結合された」、「相互接続された」などの用語は、特に明記されていない限り、構造体が、直接的又は介在する構造体を介して間接的に、相互に固定されるか又は取り付けられる関係ばかりでなく、可動の又は強固な取付け又は関係の両方も指す。さらに、本開示の特徴及び利点は、例示された実施形態を参照して例示されている。本開示は、したがって、単独で又は特徴の他の組合せで存在する、特徴のいくつかの可能性のある非限定的な組合せを例示した、かかる例示的な実施形態に特に限定されるべきではない。本開示の範囲は、本明細書に添付の特許請求の範囲によって定義される。

【0024】

[0028] この開示は、現在考えられる、本開示を実施する最良の、１つ又は複数のモードについて説明している。この説明は、限定的な意味で理解されることを意図するものではなく、添付図面を参照することによって、単に例示を目的として提示される本開示の一例を提供し、本開示の利点及び構成を当業者に知らせるものである。図面の様々な図において、同様の参照符号は、同様の又は類似の部分を表している。

【0025】

[0029] 開示されている実施形態は、本明細書の革新的な教示の多くの有利な使用法の例にすぎないことに、留意することが重要である。本出願の明細書でなされた記述は、概して、様々に特許請求された開示のうちのいずれかを、必ずしも制限するものではない。さらに、いくつかの記述は、いくつかの本発明の特徴に当てはまるが、他の特徴には当てはまらない場合がある。概して、別段の指示がない限り、一般性を失うことなく、単数の要素は複数であってもよく、その逆も同様である。

【0026】

[0030] 一般に、医用画像のノイズを除去するために、画像のノイズを除去するアルゴリズム又はモデルを使用する画像プロセッサは、対応する画像に存在すると予想される、ノイズのレベル及び形態に基づく。予想されるノイズのこのレベル及び形態は、通常、画像の取得に使用される様々なパラメータに基づく。

【0027】

[0031] コンピュータ断層撮影（ＣＴ）ベースの医用撮像に関しては、例えば、畳み込みニューラルネットワーク（ＣＮＮ）の形態をとる機械学習アルゴリズムなど、様々な画像プロセッサを使用して画像を処理する。こうした画像プロセッサは、機械学習アルゴリズムの場合、特定のノイズレベルを有する、対応する様々な解剖学的領域及び構造体について訓練される。画像のノイズレベルは、この場合、キロボルトピーク（ｋＶｐ）、ミリアンペア秒（ｍＡ秒）、スライス厚、及び患者のサイズを含む、複数の要因の関数である。

【0028】

[0032] ＣＮＮなどのノイズ除去画像プロセッサは、この場合、予想されるノイズレベルに基づき、また標準化された放射線量を含む、標準化されたパラメータに基づいて形成されるが、本明細書で開示されるシステム及び方法は、低い放射線量など、様々な取得パラメータを使用して取得された画像に、かかるモデルを効果的に当てはめる。

【0029】

[0033] 以下の考察は、ＣＴベースの医用撮像の実施態様に特有のものあるが、同様のシステム及び方法が、磁気共鳴撮像（ＭＲＩ）又は陽電子放射断層撮影（ＰＥＴ）など、他の撮像モダリティに関しても使用される。

【0030】

[0034] 図１は、本開示の一実施形態による、システム１００の概略図である。システム１００は通常、図示のように、処理デバイス１１０及び撮像デバイス１２０を備える。

【0031】

[0035] 処理デバイス１１０は、受信した画像に処理ルーチンを適用する。処理デバイス１１０は、メモリ１１３及びプロセッサ回路１１１を備える。メモリ１１３は、複数の命令を記憶する。プロセッサ回路１１１は、メモリ１１３に結合され、命令を実行するよう構成される。メモリ１１３に記憶される命令は、処理ルーチンばかりでなく、画像を処理するための様々な畳み込みニューラルネットワークなど、複数の機械学習アルゴリズムに関連するデータを含む。

【0032】

[0036] 処理デバイス１１０は、入力部１１５及び出力部１１７をさらに備える。入力部１１５は、撮像デバイス１２０から、画像などの情報を受信する。出力部１１７は、ユーザ又はユーザインタフェースデバイスに、情報を出力する。出力部１１７は、モニタ又はディスプレイを備える。

【0033】

[0037] いくつかの実施形態では、処理デバイス１１０は、撮像デバイス１２０と直接係わっている。代替実施形態では、処理デバイス１１０は、撮像デバイス１２０とは別個のものであるため、入力部１１５にあるネットワーク又は他のインタフェースを介して、処理する画像を受信する。

【0034】

[0038] いくつかの実施形態では、撮像デバイス１２０は、画像データ処理デバイスと、対象物（例えば、患者）をスキャンするとＣＴ投影データを生成する、スペクトル又は従来のＣＴスキャンユニットとを備える。

【0035】

[0039] 図２は、本開示の一実施形態による、例示的な撮像デバイスを示している。ＣＴ撮像デバイスが図示されており、以下はＣＴ画像に関する考察であるが、同様の方法が、他の撮像デバイスに関しても適用され、こうした方法が適用される画像が、多種多様なやり方で取得されることが理解されよう。

【0036】

[0040] 本開示の実施形態による撮像デバイスでは、ＣＴスキャンユニットは、ＣＴ投影データを生成するために、対象物の複数のアキシャルスキャン及び／又はヘリカルスキャンを実行するよう適合されている。本開示の実施形態による撮像デバイスでは、ＣＴスキャンユニットは、エネルギー分解型光子計数画像検出器（ｅｎｅｒｇｙ－ｒｅｓｏｌｖｉｎｇ ｐｈｏｔｏｎ ｃｏｕｎｔｉｎｇ ｉｍａｇｅ ｄｅｔｅｃｔｏｒ）を備える。ＣＴスキャンユニットは、投影データを取得するときに対象物を横切る放射線を放出する、放射線源を備える。

【0037】

[0041] 本開示の実施形態による撮像デバイスでは、ＣＴスキャンユニットは、さらに、プライマリスキャンとは異なるスカウトスキャンを実行し、これにより、画像は相異なるが同じ目的物を含む、スカウトスキャン及びプライマリスキャンに伴う別個の画像を生成する。

【0038】

[0042] ＣＴスキャンユニット２００、例えば、コンピュータ断層撮影（ＣＴ）スキャナは、図２に示されている例では、固定ガントリ２０２と、固定ガントリ２０２によって回転可能に支持されている、回転ガントリ２０４とを備える。回転ガントリ２０４は、投影データを取得するときに、長手方向軸を中心にして対象物の検査領域２０６の周りを回転する。ＣＴスキャンユニット２００は、検査領域２０６内で患者を支持する支持体２０７を備え、撮像プロセスの際に、患者に検査領域を通過させるよう構成される。

【0039】

[0043] ＣＴスキャンユニット２００は、回転ガントリ２０４によって支持され、回転ガントリ２０４と共に回転するよう構成された、Ｘ線管などの放射線源２０８を備える。放射線源２０８は、アノード及びカソードを備える。アノードとカソードとの間に印加される線源の電圧が、カソードからアノードへ電子を加速する。電子の流れは、検査領域２０６を横切る放射線を生成するための、カソードからアノードへの電流の流れを可能にする。

【0040】

[0044] ＣＴスキャンユニット２００は、検出器２１０を備える。検出器２１０は、放射線源２０８に対して検査領域２０６の反対側で、ある角度をなす円弧を区画する。検出器２１０は、直接変換検出器のピクセルなどの、ピクセルの１次元又は２次元アレイを備える。検出器２１０は、検査領域を横切る放射線を検出し、放射線のエネルギーを示す信号を生成するよう適合されている。

【0041】

[0045] ＣＴスキャンユニット２００は、生成器２１１及び２１３をさらに備える。生成器２１１は、検出器２１０からの信号に基づいて、断層撮影投影データ２０９を生成する。生成器２１３は、断層撮影投影データ２０９を受信し、断層撮影投影データ２０９に基づいて、対象物の生画像を生成する。

【0042】

[0046] 図３は、本開示の一実施形態で使用する、訓練パイプラインの概略図である。訓練パイプライン３００は通常、処理デバイス１１０によって実施され、対応する方法は、メモリ１１３に記憶された命令に基づいて、プロセッサ回路１１１によって実施される。メモリ１１３は、訓練パイプライン３００、又は訓練パイプラインで生成されたデータを利用する、モデルの実施態様など、ノイズ除去方法を実施するのに必要なデータを記憶する、データベース構造体をさらに有する。いくつかの実施形態では、データベースは、外部に記憶され、処理デバイス１１０によって、ネットワークインタフェースを介してアクセスされる。

【0043】

[0047] 訓練パイプライン３００で実施される方法は、縺れを解いた特徴表現を用いたドメインに依存しない学習を使用する、低線量ＣＴ画像のノイズを除去するための、ＣＮＮなどの学習アルゴリズムを訓練するステップを有する。

【0044】

[0048] ドメイン適応は、ソースドメインＤ_ｓに属するソースラベル付きデータセットなどの所与のデータセットから、特定の既知のターゲットドメインＤ_ｔに属するターゲットラベルなしデータセットへ、知識を転移することと、定義することができる。ドメインに依存しない学習は、サンプルごとにどのドメインに属しているか注釈づけする、どんなドメインラベルもなく、ターゲットラベルなしデータセットとソースデータセットとの両方が、複数のドメインからのデータで構成できる（例えば、ターゲットドメインでは｛Ｄ_ｔ１，Ｄ_ｔ２，．．．，Ｄ_ｔｎ｝、及びソースドメインでは｛Ｄ_ｓ１，Ｄ_ｓ２，．．．，Ｄ_ｓｎ｝）ことを除いて、同様のやり方で定義される。ドメインに依存しない学習は、コンテンツからスタイルの縺れを解く、縺れを解いた特徴表現学習を使用することによって、実現される。

【0045】

[0049] 訓練パイプライン３００は、したがって、パイプラインによって処理されるＣＴ画像について、ノイズ特徴ｎから解剖学的構造特徴ａの縺れを解き、解剖学的構造特徴及びノイズ特徴を使用して、基礎となる画像を再構成することができる。放射線科医は、モデルのノイズ除去性能を評価するとき、２種類の品質、すなわち構造忠実度（ｓｔｒｕｃｔｕｒａｌ ｆｉｄｅｌｉｔｙ）及び画像ノイズ抑制について画像を採点する。構造忠実度は、視野内の解剖学的構造を正確に描写する画像の能力であり、画像ノイズは、画像上に不規則なパターンとして現れ、画質を低下させる。低品質画像から解剖学的構造特徴を抽出し、解剖学的構造特徴を、より高品質の画像に特有の、低いノイズレベルと組み合わせることにより、説明された訓練パイプラインで生成されたモデルは、両方の指標で高い採点を得る画像を提供する。

【0046】

[0050] 訓練パイプライン３００は、図示のように、標準画像モジュール３１０及び低品質画像モジュール３２０を有する。標準画像モジュール３１０は、標準解剖学的構造符号化器Ｅ_ａ ^ＣＴ３３０、標準ノイズ符号化器Ｅ_ｎ ^ＣＴ３４０、及び標準生成器Ｇ^ＣＴ３５０を有する。図２のＣＴスキャンユニット２００であるか、又は画像データベースである、標準画像供給源３６０は、次いで、標準画像３７０を標準画像モジュール３１０に供給する。標準画像３７０は、受信されると、標準解剖学的構造符号化器３３０及び標準ノイズ符号化器３４０に供給される。

【0047】

[0051] 標準解剖学的構造符号化器３３０は、次いで、標準解剖学的構造特徴ａ^ＣＴ３８０を出力し、標準ノイズ符号化器３４０は、標準ノイズ特徴ｎ^ＣＴ３９０を出力する。標準ノイズ特徴３９０と標準解剖学的構造特徴３８０との両方が、次いで、供給された標準解剖学的構造特徴３８０及び標準ノイズ特徴３９０から、標準画像Ｘ_ＣＴ ^ＣＴ３７０’を再構成できる、標準生成器３５０に供給される。標準画像モジュール３１０は、したがって、標準画像３７０を構成要素の特徴３８０、３９０に分解し、次いで、これらの構成要素の特徴から、標準画像３７０’を再構成することができる。

【0048】

[0052] 低品質画像モジュール３２０は、標準画像モジュール３１０に関して論じられた構成要素と並列に、構成要素を有する。低品質画像モジュール３２０は、したがって、低品質解剖学的構造符号化器Ｅ_ａ ^ＬＤＣＴ４３０、低品質ノイズ符号化器Ｅ_ｎ ^ＬＤＣＴ４４０、及び低品質生成器Ｇ^ＬＤＣＴ４５０を有する。低品質画像供給源４６０は、次いで、低品質画像４７０を低品質画像モジュール３２０に供給する。低品質画像供給源４６０は、図２のＣＴスキャンユニット２００であり、ここで、画質が低下するように、上記で論じられたパラメータが再設定される。低品質画像供給源は、例えば、低線量ＣＴスキャン（ＬＤＣＴ）画像を生じる、標準画像３７０の取得に比べて低減された放射線量に基づく。別法として、低品質画像供給源４６０は、画像データベースであってもよい。低品質画像４７０は、受信されると、低品質解剖学的構造符号化器４３０及び低品質ノイズ符号化器４４０に供給される。

【0049】

[0053] 低品質解剖学的構造符号化器は、次いで、低品質解剖学的構造特徴ａ^ＬＤＣＴ４８０を出力し、低品質ノイズ符号化器４４０は、低品質ノイズ特徴ｎ^ＬＤＣＴ４９０を出力する。低品質ノイズ特徴４９０と低品質解剖学的構造特徴４４０との両方が、次いで、供給された低品質解剖学的構造特徴４８０及び低品質ノイズ特徴４９０から、低品質画像Ｘ_ＬＤＣＴ ^ＬＤＣＴ４７０’を再構成できる、低品質生成器４５０に供給される。低品質画像モジュール３２０は、したがって、低品質画像４７０を構成要素の特徴４８０、４９０に分解し、次いで、これらの構成要素の特徴から、低品質画像４７０’を再構成することができる。

【0050】

[0054] 標準画像モジュール３１０及び低品質画像モジュール３２０を訓練するときに、様々な損失関数を計算するために、損失計算モジュール５００が設けられる。したがって、標準生成器３５０の損失評価基準は、標準画像３７０と再構成標準画像３７０’との比較に少なくとも部分的に基づく。かかる損失評価基準は、標準生成器３５０の再構成損失５１０であり、訓練の際に、標準生成器によって生成された再構成物３７０’が確実に、元々供給された対応する標準画像３７０どおりになるようにするために、使用される。

【0051】

[0055] 低品質生成器４５０の損失評価基準は、同様に、低品質画像４７０と、低品質生成器４５０によって生成された、再構成低品質画像４７０’との比較に少なくとも部分的に基づく。損失評価基準はやはり、低品質生成器４５０の再構成損失５２０であり、訓練の際に、低品質生成器からの再構成物４７０’が確実に、元々供給された対応する低品質画像４７０どおりになるようにするために、使用される。

【0052】

[0056] 解剖学的構造符号化器３３０、４３０もまた、損失計算モジュール５００によって評価される。標準解剖学的構造符号化器３３０の損失評価基準は、標準解剖学的構造特徴３８０と、対応する標準画像３７０について生成されたセグメンテーションラベル５４０との比較に基づいて、評価される。かかるセグメンテーションラベルは、標準画像３７０が取得されるときに手作業で生成されるか、又はデータベースから読み出される。かかる損失評価基準は、セグメンテーション損失５３０である。

【0053】

[0057] 低品質解剖学的構造符号化器４３０の損失評価基準は、低品質解剖学的構造特徴４８０と、標準解剖学的構造符号化器３３０によって生成された標準解剖学的構造特徴３８０との比較に基づいて、評価される。この比較については、下記でより詳細に論じられるが、図４Ａ～図４Ｃの訓練方法に関して、かかる損失評価基準は通常、敵対的損失５５０であろう。

【0054】

[0058] 解剖学的構造符号化器３３０、３４０を評価するために、損失計算モジュール５００には、対応する解剖学的構造特徴３８０、４８０に関するセグメンテーションマスクＭ_ａ ^ＣＴ５７０ａ及びＭ_ａ ^ＬＤＣＴ５７０ｂをそれぞれ作成する、セグメンテーションネットワーク５６０が設けられる。標準解剖学的構造特徴４８０に関するセグメンテーションマスク５７０ａは、次いで、セグメンテーションラベル５４０と比較され、低品質解剖学的構造特徴４８０に関するセグメンテーションマスク５７０ｂは、次いで、標準解剖学的構造特徴３８０に関するセグメンテーションマスク５７０ａと比較される。

【0055】

[0059] 損失評価基準は、機械学習を使用して、それぞれの生成器３５０、４５０、及び解剖学的構造符号化器３３０、４３０を調整するために、損失関数に組み入れられる。したがって、発生器３５０、４５０に関する再構成損失５１０、５２０をそれぞれ使用して、対応するモジュールの出力を決定する変数を調節することにより、発生器のそれぞれのパイプラインの性能を高めることができる。これは、標準的な機械学習技法を実施することによって、又は図４Ａ～図４Ｃを参照して下記で論じられる、例示的な訓練方法を実施することによって、行われる。

【0056】

[0060] いくつかの実施形態では、損失計算モジュールはさらに、追加の損失評価基準を生成する。かかる損失評価基準には、標準生成器３５０によって生成された標準画像３７０’を再構成するための、セグメンテーション損失５８０が含まれる。したがって、セグメンテーションネットワーク５９０が、再構成画像３７０’に適用されて、セグメンテーションマスクＭ_ＣＴ ^ＣＴ６００を生成し、次いで、セグメンテーションマスクＭ_ＣＴ ^ＣＴが、対応する画像３７０に関するセグメンテーションラベル５４０に基づいて評価される。セグメンテーション損失５８０は、訓練パイプライン５００で使用される、あらゆる訓練プロセスで考慮される。

【0057】

[0061] 図示のように、標準解剖学的構造符号化器３３０から出力された解剖学的構造特徴３８０と、低品質生成器４５０との間が接続され、同様に、低品質解剖学的構造符号化器４３０から出力された解剖学的構造特徴４８０と、標準生成器３５０との間が接続されている。生成器３５０は、標準解剖学的構造符号化器３３０から標準解剖学的構造特徴３８０が供給されると、標準解剖学的構造特徴、及び標準ノイズ符号化器３４０によって生成された標準ノイズ特徴３９０に基づいて、再構成標準画像３７０’を出力する。その一方、標準生成器３５０は、低品質解剖学的構造符号化器４３０によって生成された低品質解剖学的構造特徴４８０が供給されると、再構成標準転移画像Ｘ_ＬＤＣＴ ^ＣＴ４７０’’を出力する。

【0058】

[0062] 再構成標準転写画像４７０’’には、低品質解剖学的構造特徴４８０、及び低品質ノイズ特徴４９０によって表されるノイズレベルよりも低いノイズレベルが含まれる。再構成標準転写画像は、生成器３５０によって、低品質解剖学的構造特徴４８０、及び標準ノイズ特徴符号化器３４０によって生成されたノイズ特徴３９０に基づいて構成される。かかるノイズ特徴３９０は、転移画像の場合、例えば、訓練の際に対応する標準画像３７０から生成された、標準ノイズ特徴の平均である。

【0059】

[0063] 同様に、低品質生成器４５０を使用して、転移画像が生成される。生成器３５０は、したがって、低品質生成器４５０に標準解剖学的構造符号化器３３０から標準解剖学的構造特徴３８０が供給されると、再構成低品質転移画像Ｘ_ＣＴ ^ＬＤＣＴ３７０’’を出力する。再構成低品質転移画像３７０’’には、標準解剖学的構造特徴３８０、及び低品質ノイズ特徴４９０に基づくノイズレベルが含まれる。

【0060】

[0064] 訓練パイプライン５００を使用して実施される、どんなモデルの品質もさらに高めるために、転移画像３７０’’、４７０’’を使用して、追加の損失評価基準が生成される。再構成標準品質転移画像４７０’’は、したがって、転移画像を標準生成器３５０から出力された再構成画像３７０’と比較する、敵対的損失６１０を使って評価される。

【0061】

[0065] 再構成低品質転移画像３７０’’は、同様に、損失評価基準を使用して評価される。低品質転移画像３７０’’は、標準解剖学的構造特徴３８０を含むので、訓練パイプライン３００は通常、対応するセグメンテーションラベル５４０にアクセスできるであろう。低品質転移画像３７０’’に関する損失評価基準は、したがって、セグメンテーション損失６２０であり、セグメンテーションネットワーク６３０は、適切なセグメンテーションマスクＭ_ＣＴ ^ＬＤＣＴ６４０を生成する。

【0062】

[0066] いくつかの実施形態では、セグメンテーションネットワーク５６０、５９０、６３０自体は、結果として得られたセグメンテーションマスク５７０ａ、５８０、６２０とセグメンテーションラベル５４０との比較結果である、セグメンテーション損失５３０、５８０、６２０に基づいて評価されることに、さらに留意されたい。

【0063】

[0067] いくつかの実施形態では、訓練パイプライン３００全体が、同時に訓練される。したがって、標準画像モジュール３１０と低品質画像モジュール３２０との両方に、それぞれのモジュールを訓練する目的で、様々な画像が供給されることになる。訓練パイプラインは、ネットワークが改善されると、損失評価基準、解剖学的構造特徴、及び再構成画像に基づいて、転移画像４７０’’、３７０’’を生成するよう命令され、転移画像は、次いで、並行して評価されることになる。

【0064】

[0068] いくつかの実施形態では、対照的に、訓練パイプライン３００が、図４Ａ～図４Ｃを参照して下記で詳細に論じられるように、順に訓練される。

【0065】

[0069] 説明されている訓練パイプライン３００は、転移画像４７０’’を生成するモデルを生成するために使用され、転移画像４７０’’は、この場合、前の低品質画像４７０のノイズを除去するために使用することができる。訓練パイプライン３００は、様々な撮像パラメータを使用して取得された多種多様な元画像から解剖学的構造特徴を転移するための、モジュールを作成するのに使用される。例えば、相異なる量の放射線を使用して取得された画像を転移するために、相異なる符号化器が訓練される。

【0066】

[0070] さらに、訓練パイプライン３００を使用して作成された同じモデルが、異なる解剖学的構造特徴にわたって使用されるが、いくつかの実施形態では、パイプラインを使用して訓練されたモデルの使用は、特定の解剖学的構造体に限定される。低品質画像４７０は、標準画像３７０と同じ患者又は同じ器官の画像ではないが、この場合、別の画像の同じ解剖学的構造体に関係するであろう。モデルは、例えば、頭部、腹部、又は特定の器官の画像に関して訓練される。

【0067】

[0071] 図４Ａ～図４Ｃは、図３の訓練パイプライン３００で使用される、例示的な訓練方法を示している。

【0068】

[0072] いくつかの実施形態では、図４Ａに示されているように、標準画像モジュール３１０は、低品質画像モジュール３２０を訓練する前に訓練される。かかる実施形態では、図４Ｂに示されているように、低品質画像モジュール３２０を訓練するときに、標準画像符号化器３３０、３４０に組み込まれた変数、標準生成器３５０の変数、及び標準解剖学的構造特徴３８０に関連するセグメンテーションネットワーク５６０の変数を含む、標準画像モジュールに関連する変数は、一定に保たれる。

【0069】

[0073] かかる実施形態では、訓練パイプライン３００は、標準画像モジュール３１０及び低品質画像モジュール３２０を別々に訓練した後、次いで、標準解剖学的構造符号化器３３０、標準ノイズ符号化器３４０、及び低品質解剖学的構造符号化器４３０に関する値を保持しながら、標準生成器３５０をさらに訓練する。

【0070】

[0074] したがって、特許請求の範囲に記載された方法を使用してモデルを訓練するときに、この開示によるパイプライン３００の訓練を実施する方法は、最初に標準画像モジュール３１０を準備する。標準画像モジュール３１０は、標準画像３７０から標準解剖学的構造特徴３８０を抽出する標準解剖学的構造符号化器３３０と、標準画像から標準ノイズ特徴３９０を抽出する標準ノイズ符号化器３４０とを有する。

【0071】

[0075] 標準画像モジュール３１０は、標準解剖学的構造特徴３８０及び標準ノイズ特徴３９０から再構成標準画像３７０’を生成する、標準生成器３５０も有する。

【0072】

[0076] この方法は、次いで、低品質画像モジュール３２０を準備する。低品質画像モジュール３２０は、低品質画像４７０から低品質解剖学的構造特徴４８０を抽出する低品質解剖学的構造符号化器４３０と、低品質画像から低品質ノイズ特徴４９０を抽出する低品質ノイズ符号化器４４０とを有する。

【0073】

[0077] 低品質画像モジュール４１０は、低品質解剖学的構造特徴４８０及び低品質準ノイズ特徴４９０から再構成低品質画像４７０’を生成する、低品質生成器４５０も有する。

【0074】

[0078] 標準画像モジュール３１０は、次いで、標準画像モジュールで複数の標準画像３７０を受信することにより、訓練される。標準画像は、ＣＴスキャンユニット２００であるか、又は別法として画像のデータベースである、画像供給源３６０から受信されることになる。システムは、次いで、受信した標準画像３７０ごとに、標準画像生成器３５０から出力された再構成標準画像３７０’を、対応する標準画像と比較し、標準再構成損失評価基準を抽出する。次いで、標準画像モジュール３１０の変数が、かかる損失評価基準に基づいて更新されることにより、標準符号化器３３０、３４０、及び標準生成器３５０が調整される。

【0075】

[0079] この方法は、標準画像モジュール３１０をまだ訓練している間に、セグメンテーションネットワーク５６０で、標準解剖学的構造符号化器３３０によって各標準画像３７０から抽出された標準解剖学的構造特徴３８０に対応する、セグメンテーションマスク５７０ａを生成する。標準画像３７０ごとのセグメンテーションマスク５７０ａは、次いで、対応する標準画像３７０に関連するセグメンテーションラベル５４０と比較され、標準解剖学的損失評価基準５３０が生成される。次いで、標準解剖学的構造符号化器３３０の少なくとも１つの変数が、標準解剖学的損失評価基準に基づいて更新される。

【0076】

[0080] 図４Ａに示されているように、こうした初期の訓練ステップは、低品質画像モジュール３２０とは無関係に、標準画像３７０に関連する訓練パイプライン３００の一部で実行される。標準符号化器３３０、３４０、及び標準生成器３５０に使用されるモデルを改善するため、訓練のこの最初の部分の際に、追加の訓練要素が実施される。例えば、再構成標準画像３７０’が、追加のセグメンテーションネットワーク５９０に提出され、セグメンテーションマスク６００が生成され、次いで、セグメンテーションマスク６００が、対応する画像３７０に関する既知のセグメンテーションラベル５４０と比較されることにより、追加のセグメンテーション損失評価基準が生成される。

【0077】

[0081] 標準画像モジュール５１０が訓練され、受入れ可能な結果をもたらした後、図４Ｂに示されているように、低品質画像モジュール３２０が訓練される。そのため、複数の低品質画像４７０が、低品質画像モジュール３２０で、画像供給源４６０から受信される。上記で論じられたように、画像供給源は、ＣＴスキャンユニット２００若しくは画像データベース、又はこれらの何らかの組合せである。

【0078】

[0082] システムは、次いで、受信した低品質画像４７０ごとに、低品質画像生成器４５０から出力された再構成低品質画像４７０’を、対応する低品質画像と比較し、低品質再構成損失５２０を抽出する。次いで、標準画像モジュール３１０の変数が一定に保たれる一方で、低品質画像モジュール３２０の変数が、損失評価基準に基づいて更新されることにより、低品質符号化器４３０、４４０、及び低品質生成器４５０が調整される。

【0079】

[0083] 標準画像モジュール３１０を訓練するときに、最初に訓練されるセグメンテーションネットワーク５６０は、低品質画像モジュール３２０を訓練するときには、同様に、一定に保たれる。セグメンテーションネットワーク５６０は、次いで、低品質解剖学的構造符号化器４３０によって各低品質画像４７０から抽出された、低品質解剖学的構造特徴４８０に対応する、セグメンテーションマスク５７０ｂを生成するために使用される。セグメンテーションマスク５７０ｂは、次いで、敵対的損失評価基準を生成するために、標準画像モジュール３１０によって以前に生成されたセグメンテーションマスク５７０ａのうちの少なくとも１つ、通常はセグメンテーションマスク５７０ａの平均と比較される。

【0080】

[0084] 敵対的損失評価基準は、次いで、低品質解剖学的構造符号化器４３０の少なくとも１つの変数を更新するために使用される。

【0081】

[0085] 低品質画像モジュール３２０がこのように訓練されると、低品質解剖学的構造符号化器４３０によって生成された低品質解剖学的構造特徴４８０は、次いで、標準画像モジュール３１０の標準生成器３５０に供給される。標準生成器３５０は、次いで、低品質解剖学的構造特徴４８０、及び標準品質ノイズ特徴３９０のうちの少なくとも１つ、場合によっては標準品質ノイズ特徴３９０の平均に基づいて、再構成標準転移画像４７０’’を出力する。

【0082】

[0086] 再構成標準伝達画像４７０’’は、次いで、敵対的損失６１０を生成するために、再構成標準転移画像４７０’’を、標準画像再構成物３７０’又は複数のかかる再構成物の平均と比較することにより、評価される。標準生成器３５０は一定に保たれ、したがって敵対的損失評価基準に基づいた調整は行われないが、低品質解剖学的構造符号化器４３０は、敵対的損失評価基準に基づいてさらに調整される。

【0083】

[0087] さらに、上記で論じられたように、低品質生成器４５０を使用して、再構成低品質転移画像３７０’’が生成される。かかる転移画像３７０’’は、標準画像モジュール３２０によって生成された標準解剖学的構造特徴３８０に基づき、セグメンテーションネットワーク６３０によって解析され、対応するセグメンテーションマップ６４０を生成し、次いで、セグメンテーションマップ６４０がセグメンテーションラベル５４０に対して評価され、セグメンテーション損失６２０を生成することができる。セグメンテーション損失評価基準は、次いで、低品質モジュール３２０をさらに調整するために使用されることがある。

【0084】

[0088] いくつかの実施形態では、説明された訓練パイプライン３００で作成されたモデルは、次いで、ノイズ除去され得る標準転移画像４７０’’を作成するために使用される。図４Ｃに示されるような他の実施形態では、訓練パイプラインは、次いで、さらに訓練される。図示のように、関連する符号化器３３０、３４０、及び４３０は、標準生成器３５０がさらに調整される間、一定に保たれる。訓練は、追加の再構成標準転移画像４７０’’を作成することによって行われ、追加の再構成標準転移画像４７０’’は、次いで、１つ又は複数の標準再構成物３７０’と比較され、追加の敵対的損失データ６１０を生成することができ、追加の敵対的損失データは、次いで、標準生成器３５０をさらに調整するために使用することができる。

【0085】

[0089] このように、説明された訓練パイプライン３００を訓練することにより、ドメインに依存しない解剖学的構造の組込み、及び解剖学的構造の保存を促す、設計における複数のチェックが存在する。

【0086】

[0090] 図５は、画像のノイズを除去するために、図３の訓練パイプライン３３０を使用して訓練されたモデルの、使用法を示している。画像のノイズを除去する際、モデルは最初に、低品質解剖学的構造符号化器４３０を使用して、低品質画像４７０からの低線量での解剖学的構造のデータを、低品質解剖学的構造特徴４８０へ符号化する。低品質解剖学的構造特徴４８０は、次いで、標準ノイズ特徴３９０又はかかるノイズ特徴の平均と共に、標準生成器３５０に供給され、再構成標準転移画像４７０’’が生成される。

【0087】

[0091] この訓練パイプライン３００を使用して、低線量ＣＴ又は他の低品質画像から、別のノイズレベルを有する複数の通常線量ＣＴ画像又は標準画像への変換を、訓練することができる。ＣＴ画像の場合、このノイズレベルは、通常線量のＣＴデータの全体の平均、又は例えば、フィルタ補正逆投影法（ｆｉｌｔｅｒｅｄ ｂａｃｋ ｐｒｏｊｅｃｔｉｏｎ）又は逐次近似法（ｉｔｅｒａｔｉｖｅ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ）などの特定のアルゴリズムで再構成された、特定の特性を有するＣＴデータ群の平均を表すことができる。訓練されたＣＴノイズ符号化器Ｅ_ｎ ^ＣＴ３３０は、こうしたノイズ特徴を取得するために、訓練セットにおける通常線量ＣＴ画像３７０のすべて又はサブセットに使用され、通常線量ＣＴ画像をＣＴノイズ特徴３９０へ符号化する。次いで、それ自体の代表的なＣＴノイズ特徴、ｎ^ＣＴ１、ｎ^ＣＴ２などを取得するために、各群の中でＣＴノイズ特徴の平均を取り、ＣＴノイズ特徴のそれぞれは、次いで、上記で論じられた平均ノイズ特徴３９０として使用することができる。ユーザは、低線量ＣＴデータのノイズを除去するために、特定の必要性に基づいて、予め定義されたＣＴノイズ特徴３９０から選択することができる。訓練パイプライン３００はまた、ユーザが、連続的にＣＴノイズを調節できるように、様々な群から抽出されたＣＴノイズ特徴の補間も実施する。

【0088】

[0092] 本明細書で説明された方法は、ＣＴスキャン画像に関して説明されているが、様々な医用撮像技術を含む、様々な撮像技術が企図されており、多種多様な撮像技術を使用して生成される画像が、本明細書で説明された方法を使用して、効果的にノイズ除去できることが理解されよう。

【0089】

[0093] 本開示による方法は、コンピュータで実施される方法としてコンピュータ上で、専用ハードウェアで、又は両方の組合せで実施される。本開示による方法の実行可能コードは、コンピュータプログラム製品に記憶される。コンピュータプログラム製品の例には、メモリデバイス、光記憶デバイス、集積回路、サーバ、オンラインソフトウェアなどが含まれる。コンピュータプログラム製品には、プログラム製品がコンピュータで実行されるときに、本開示による方法を実行するための、コンピュータ可読媒体に記憶された非一時的なプログラムコードが、含まれることが好ましい。一実施形態では、コンピュータプログラムには、コンピュータプログラムがコンピュータで実行されるときに、本開示による方法のすべてのステップを実行するよう適合された、コンピュータプログラムコードが含まれる。コンピュータプログラムは、コンピュータ可読媒体上で具現化される。

【0090】

[0094] 本開示は、いくつかの説明された実施形態に関して、ある程度詳細に、ある程度の特殊性を含んで説明されてきたが、かかるどんな詳細、実施形態、又はどんな特定の実施形態にも、限定されることを意図しておらず、従来技術を考慮して、特許請求の範囲に可能な限り広範な解釈を与え、それにより本開示の意図する範囲を効果的に包含するように、添付のかかる特許請求の範囲を参照して解釈されるべきである。

【0091】

[0095] 本明細書に列挙されるすべての例及び条件付きの言葉は、本開示の原理及び本発明者が技術をさらに進めることに貢献する概念を読者が理解するのを助ける、教育上の目的を意図しており、かかる具体的に列挙された例及び条件を限定しないものと解釈されるべきである。さらに、本開示の原理、態様、及び実施形態、並びに本開示の特定の例を列挙する、本明細書のすべての記載は、本開示の構造的均等物と機能的均等物との両方を、包含することを意図している。さらに、かかる均等物は、現在知られている同等物と、将来開発される同等物、すなわち、構造にかかわらず同じ機能を実行する、開発される任意の要素との両方を含むことを意図している。

【図1】

【図2】

【図3】

【図4A】

【図4B】

【図4C】

【図5】

【国際調査報告】