特表2024-514465 | 知財ポータル「IP Force」

知財求人 - 知財ポータルサイト「IP Force」

青山学院大学 (神奈川県相模原市中央区淵野辺)

▶ シャンハイ・ユナイテッド・イメージング・ヘルスケア・カンパニー・リミテッドの特許一覧

特表2024-514465分子イメージングにおける信号処理のためのシステムおよび方法

書誌要約請求の範囲詳細な説明課題実施例実施するための形態図面の説明

目に優しい文字サイズ小中大 PDF Top

< >

1
2
3
4A
4B
5A
5B
6
7
8A
8B
9
10

(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】2024-04-02

(54)【発明の名称】分子イメージングにおける信号処理のためのシステムおよび方法

(51)【国際特許分類】

G01T 1/161 20060101AFI20240326BHJP

G01T 7/00 20060101ALI20240326BHJP

【ＦＩ】

G01T1/161 C

G01T7/00 C

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2023559082

(86)(22)【出願日】2022-03-28

(85)【翻訳文提出日】2023-11-24

(86)【国際出願番号】 CN2022083356

(87)【国際公開番号】W WO2022199709

(87)【国際公開日】2022-09-29

(31)【優先権主張番号】202110325247.0

(32)【優先日】2021-03-26

(33)【優先権主張国・地域又は機関】CN

(81)【指定国・地域】

【公序良俗違反の表示】

（特許庁注：以下のものは登録商標）

１．ＪＡＶＡ

２．ＰＹＴＨＯＮ

３．ＶＩＳＵＡＬＢＡＳＩＣ

(71)【出願人】

【識別番号】514190349

【氏名又は名称】上海聯影医療科技股▲ふん▼有限公司

【氏名又は名称原語表記】ＳｈａｎｇｈａｉＵｎｉｔｅｄＩｍａｇｉｎｇＨｅａｌｔｈｃａｒｅＣｏ．，Ｌｔｄ．

【住所又は居所原語表記】Ｎｏ．２２５８ＣｈｅｎｇｂｅｉＲｄ．，ＪｉａｄｉｎｇＤｉｓｔｒｉｃｔＳｈａｎｇｈａｉ，Ｃｈｉｎａ

(74)【代理人】

【識別番号】100108453

【弁理士】

【氏名又は名称】村山靖彦

(74)【代理人】

【識別番号】100110364

【弁理士】

【氏名又は名称】実広信哉

(74)【代理人】

【識別番号】100133400

【弁理士】

【氏名又は名称】阿部達彦

(72)【発明者】

【氏名】シンユ・リュ

(72)【発明者】

【氏名】シュミン・ワン

【テーマコード（参考）】

2G188

4C188

【Ｆターム（参考）】

2G188AA03

2G188AA25

2G188BB04

2G188BB07

2G188CC22

2G188CC23

2G188DD05

2G188DD13

2G188EE25

2G188EE36

4C188EE02

4C188EE03

4C188FF04

4C188FF07

4C188GG19

4C188KK24

(57)【要約】

分子イメージングにおける信号処理のための方法およびシステム。システムは、命令のセットを収めた少なくとも1つのストレージデバイスと、ストレージデバイスと通信する少なくとも1つのプロセッサとを含み得る。少なくとも1つのプロセッサは、第1のサンプリング周波数に従って、検出器の電気信号をサンプリングすることによって獲得される第1の信号を取得し得る。少なくとも1つのプロセッサは、また、第1の信号およびターゲット機械学習モデルに基づき、第2の信号を生成するものとしてよく、第2の信号は第1のサンプリング周波数とは異なる第2のサンプリング周波数に対応する。ターゲット機械学習モデルは、第1の信号と第2の信号との間のターゲットマッピングを指定し得る。少なくとも1つのプロセッサは、第2の信号に基づき画像をさらに生成し得る。

【特許請求の範囲】

【請求項1】

信号処理のためのシステムであって、
命令のセットを含む少なくとも1つのストレージデバイスと、
前記ストレージデバイスと通信する少なくとも1つのプロセッサであって、命令の前記セットを実行するとき、前記少なくとも1つのプロセッサは、
第1のサンプリング周波数に従って、検出器の電気信号をサンプリングすることによって獲得される第1の信号を取得するステップと、
前記第1の信号およびターゲット機械学習モデルに基づき、第2の信号を生成するステップであって、前記第2の信号は前記第1のサンプリング周波数とは異なる第2のサンプリング周波数に対応し、前記ターゲット機械学習モデルは前記第1の信号と前記第2の信号との間のターゲットマッピングを指定する、ステップと、
前記第2の信号に基づき画像を生成するステップとを含む動作を行うように構成される、少なくとも1つのプロセッサとを含むシステム。

【請求項2】

前記第2のサンプリング周波数は、前記第1のサンプリング周波数よりも高い、請求項1に記載のシステム。

【請求項3】

前記第1のサンプリング周波数はメガヘルツ(MHz)のオーダーであり、前記第2のサンプリング周波数はギガヘルツ(GHz)のオーダーである、請求項2に記載のシステム。

【請求項4】

前記第2の信号は、前記第1の信号よりも高い忠実度を有する、請求項2または3に記載のシステム。

【請求項5】

前記第1の信号およびターゲット機械学習モデルに基づき、第2の信号を生成する前記ステップは、
前記第1のサンプリング周波数を有する前記第1の信号を前記ターゲット機械学習モデルに入力するステップと、
前記第2の信号を前記ターゲット機械学習モデルによって出力するステップとを含む、請求項1～5のいずれか一項に記載のシステム。

【請求項6】

前記ターゲット機械学習モデルは、1つまたは複数の候補マッピングを提供し、前記第1の信号およびターゲット機械学習モデルに基づき、第2の信号を生成する前記ステップは、
前記ターゲット機械学習モデルの前記1つまたは複数の候補マッピングから、前記第1のサンプリング周波数に基づき、前記ターゲットマッピングを特定するステップと、
前記第1の信号および前記ターゲットマッピングに基づき、前記第2の信号を生成するステップとを含む、請求項1～4のいずれか一項に記載のシステム。

【請求項7】

前記ターゲットマッピングは、前記第1の信号と前記第2の信号との間の変換関数を含む、請求項1～6のいずれか一項に記載のシステム。

【請求項8】

前記検出器は、放射線を検出するように構成され、
前記放射線は、前記検出器内に堆積された入射光子を含み、
前記第2の信号に基づき画像を生成する前記ステップは、
前記第2の信号に基づき、前記放射線の光子情報を取得するステップと、
前記放射線の前記光子情報に基づき前記画像を生成するステップとを含む、請求項1～7のいずれか一項に記載のシステム。

【請求項9】

前記放射線の前記光子情報は、前記入射光子の堆積位置情報、前記入射光子のエネルギー堆積情報、または前記入射光子の到達時間情報のうちの少なくとも1つを含む、請求項8に記載のシステム。

【請求項10】

前記第2の信号に基づき、前記放射線の光子情報を取得する前記ステップは、
アンガーアルゴリズムに基づき、前記第2の信号を処理することによって前記入射光子の前記堆積位置情報を取得するステップを含む、請求項9に記載のシステム。

【請求項11】

前記第2の信号に基づき、前記放射線の光子情報を取得する前記ステップは、
前記第2の信号に対して積分処理を行うことによって前記入射光子の前記エネルギー堆積情報を取得するステップを含む、請求項9または10に記載のシステム。

【請求項12】

前記第2の信号に基づき、前記放射線の光子情報を取得する前記ステップは、
前記第2の信号の立ち上がりエッジに沿って前記第2の信号の振幅が閾値振幅に達する時点を特定するステップと、
前記時点に基づき、前記入射光子の到達時間情報を取得するステップとを含む、請求項9～11のいずれか一項に記載のシステム。

【請求項13】

前記少なくとも1つのプロセッサの一部は、前記検出器内にあり、前記第2の検出器は前記検出器によって生成される、請求項1～12のいずれか一項に記載のシステム。

【請求項14】

前記ターゲット機械学習モデルは、
各々が1つまたは複数のサンプル信号と前記1つまたは複数のサンプル信号に対応する参照信号とを含む訓練サンプルの複数のグループを取得するステップであって、前記1つまたは複数のサンプル信号および前記参照信号は、異なるサンプリング周波数に対応する、ステップと、
初期機械学習モデルを取得するステップと、
訓練サンプルの前記複数のグループを使用し、訓練することによって前記ターゲット機械学習モデルを生成するステップとを含む動作に従って生成される、請求項1～13のいずれか一項に記載のシステム。

【請求項15】

信号処理のための方法であって、
少なくとも1つのプロセッサによって、第1のサンプリング周波数に従って、検出器の電気信号をサンプリングすることによって獲得される第1の信号を取得するステップと、
前記第1の信号およびターゲット機械学習モデルに基づき、前記少なくとも1つのプロセッサによって第2の信号を生成するステップであって、前記第2の信号は前記第1のサンプリング周波数とは異なる第2のサンプリング周波数に対応し、前記ターゲット機械学習モデルは前記第1の信号と前記第2の信号との間のターゲットマッピングを指定する、ステップと、
前記少なくとも1つのプロセッサによって、前記第2の信号に基づき画像を生成するステップとを含む方法。

【請求項16】

信号処理のためのシステムであって、
第1のサンプリング周波数に従って、検出器の電気信号をサンプリングすることによって獲得される第1の信号を取得するように構成されている取得モジュールと、
前記第1の信号およびターゲット機械学習モデルに基づき、第2の信号を生成するように構成されている生成モジュールであって、前記第2の信号は前記第1のサンプリング周波数とは異なる第2のサンプリング周波数に対応し、前記ターゲット機械学習モデルは前記第1の信号と前記第2の信号との間のターゲットマッピングを指定する、生成モジュールと、
前記第2の信号に基づき画像を生成するように構成されている画像再構成モジュールとを含むシステム。

【請求項17】

非一時的コンピュータ可読媒体であって、少なくとも1つのプロセッサによって実行されたとき、前記少なくとも1つのプロセッサに、信号処理のための方法を実行することを指示する実行可能命令を含み、前記方法は、
第1のサンプリング周波数に従って、検出器の電気信号をサンプリングすることによって獲得される第1の信号を取得するステップと、
前記第1の信号およびターゲット機械学習モデルに基づき、第2の信号を生成するステップであって、前記第2の信号は前記第1のサンプリング周波数とは異なる第2のサンプリング周波数に対応し、前記ターゲット機械学習モデルは前記第1の信号と前記第2の信号との間のターゲットマッピングを指定する、ステップと、
前記第2の信号に基づき画像を生成するステップとを含む、非一時的コンピュータ可読媒体。

【請求項18】

信号処理のためのシステムであって、
命令のセットを含む少なくとも1つのストレージデバイスと、
前記少なくとも1つのストレージデバイスと通信するように構成されている少なくとも1つのプロセッサであって、命令の前記セットを実行するとき、前記少なくとも1つのプロセッサは、前記システムに、
各々が1つまたは複数のサンプル信号と前記1つまたは複数のサンプル信号に対応する参照信号とを含む訓練サンプルの複数のグループを取得するステップであって、前記1つまたは複数のサンプル信号および前記参照信号は、異なるサンプリング周波数に対応する、ステップと、
初期機械学習モデルを取得するステップと、
訓練サンプルの前記複数のグループを使用して、前記初期機械学習モデルを訓練することによってターゲット機械学習モデルを生成するステップであって、前記ターゲット機械学習モデルは候補マッピングを提供し、前記候補マッピングの各々は、異なるサンプリング周波数に対応する信号間のマッピングである、ステップとを含む動作を行うことを指示するように構成される、少なくとも1つのプロセッサとを含むシステム。

【請求項19】

前記参照信号に対応するサンプリング周波数は、前記1つまたは複数のサンプル信号の各々に対応するサンプリング周波数よりも高い、請求項18に記載のシステム。

【請求項20】

前記1つまたは複数のサンプル信号の各々に対応する前記サンプリング周波数は、メガヘルツ(MHz)のオーダーであり、前記参照信号に対応する前記サンプリング周波数は、ギガヘルツ(GHz)のオーダーである、請求項19に記載のシステム。

【請求項21】

前記参照信号は、前記1つまたは複数のサンプル信号の各々よりも高い忠実度を有する、請求項19に記載のシステム。

【請求項22】

前記候補マッピングの各々は、前記1つまたは複数のサンプル信号のうちの1つのサンプル信号を前記参照信号に変換するように構成されている変換関数を含む、請求項18～21のいずれか一項に記載のシステム。

【請求項23】

少なくとも1つのストレージデバイスと少なくとも1つのプロセッサとを含むコンピューティングデバイス上に実装される、信号処理のための方法であって、
各々が1つまたは複数のサンプル信号と前記1つまたは複数のサンプル信号に対応する参照信号とを含む訓練サンプルの複数のグループを取得するステップであって、前記1つまたは複数のサンプル信号および前記参照信号は、異なるサンプリング周波数に対応する、ステップと、
初期機械学習モデルを取得するステップと、
訓練サンプルの前記複数のグループを使用して、前記初期機械学習モデルを訓練することによってターゲット機械学習モデルを生成するステップであって、前記ターゲット機械学習モデルは候補マッピングを提供し、前記候補マッピングの各々は、異なるサンプリング周波数に対応する信号間のマッピングである、ステップとを含む方法。

【請求項24】

信号処理のためのシステムであって、
各々が1つまたは複数のサンプル信号と前記1つまたは複数のサンプル信号に対応する参照信号とを含む訓練サンプルの複数のグループを取得し、初期機械学習モデルを取得するように構成されている取得モジュールであって、前記1つまたは複数のサンプル信号および前記参照信号は、異なるサンプル周波数に対応する、取得モジュールと、
訓練サンプルの前記複数のグループを使用して、前記初期機械学習モデルを訓練することによって、ターゲット機械学習モデルを生成するように構成されている訓練モジュールであって、前記ターゲット機械学習モデルは候補マッピングを提供し、前記候補マッピングの各々は、異なるサンプリング周波数に対応する信号間のマッピングである、訓練モジュールとを含むシステム。

【請求項25】

非一時的コンピュータ可読媒体であって、少なくとも1つのプロセッサによって実行されたとき、前記少なくとも1つのプロセッサに、信号処理のための方法を実行することを指示する実行可能命令を含み、前記方法は、
各々が1つまたは複数のサンプル信号と前記1つまたは複数のサンプル信号に対応する参照信号とを含む訓練サンプルの複数のグループを取得するステップであって、前記1つまたは複数のサンプル信号および前記参照信号は、異なるサンプリング周波数に対応する、ステップと、
初期機械学習モデルを取得するステップと、
訓練サンプルの前記複数のグループを使用して、前記初期機械学習モデルを訓練することによってターゲット機械学習モデルを生成するステップであって、前記ターゲット機械学習モデルは候補マッピングを提供し、前記候補マッピングの各々は、異なるサンプリング周波数に対応する信号間のマッピングである、ステップとを、含む非一時的コンピュータ可読媒体。

【請求項26】

放射線を検出するための検出器であって、
各々が前記放射線を検出し、電気信号を生成するように構成される1つまたは複数の検出ユニットと、
1つまたは複数の処理回路であって、
第1のサンプリング周波数に従って、前記電気信号をサンプリングすることによって第1の信号を生成し、
前記第1の信号およびターゲット機械学習モデルに基づき、第2の信号を生成し、前記第2の信号は前記第1のサンプリング周波数とは異なる第2のサンプリング周波数に対応し、前記ターゲット機械学習モデルは前記第1の信号と前記第2の信号との間のターゲットマッピングを指定する、ように構成される1つまたは複数の処理回路とを含む検出器。

【請求項27】

前記1つまたは複数の検出ユニットの各々は、水晶コンポーネントおよび光電変換コンポーネントを含み、
前記水晶コンポーネントは前記放射線を吸収し、前記吸収された放射線に基づき、光信号を生成するように構成され、
前記光電変換コンポーネントは前記光信号を前記電気信号に変換するように構成される、請求項26に記載の検出器。

【請求項28】

前記光電変換コンポーネントは、光電子増倍管、正真性負(PIN)、またはアバランシェフォトダイオード(APD)のうちの少なくとも1つを含む、請求項27に記載の検出器。

【請求項29】

前記第2のサンプリング周波数は、前記第1のサンプリング周波数よりも高い、請求項26～28のいずれか一項に記載の検出器。

【請求項30】

前記第1のサンプリング周波数は、メガヘルツ(MHz)のオーダーであり、
前記第2のサンプリング周波数は、ギガヘルツ(GHz)のオーダーである、請求項29に記載の検出器。

【請求項31】

前記第2の信号は、前記第1の信号よりも高い忠実度を有する、請求項29または30に記載の検出器。

【請求項32】

前記第1の信号およびターゲット機械学習モデルに基づき第2の信号を生成するために、前記1つまたは複数の処理回路は、
前記第1の信号を前記ターゲット機械学習モデルに入力し、
前記第2の信号を前記ターゲット機械学習モデルによって出力するようにさらに構成される、請求項26～31のいずれか一項に記載の検出器。

【請求項33】

前記ターゲット機械学習モデルは、前記ターゲット機械学習モデルの1つまたは複数の候補マッピングから、前記第1のサンプリング周波数に基づき、前記ターゲットマッピングを特定するように構成される、請求項32に記載の検出器。

【請求項34】

前記ターゲットマッピングは、前記第1の信号と前記第2の信号との間の変換関数を含む、請求項26～33のいずれか一項に記載の検出器。

【請求項35】

前記ターゲット機械学習モデルは、前記1つまたは複数の処理回路においてプログラムされる、請求項26～34のいずれか一項に記載の検出器。

【発明の詳細な説明】

【技術分野】

【0001】

関連出願の相互参照
本出願は、内容が参照により本明細書に組み込まれている2021年3月26日に出願された中国特許出願第202110325247.0号の優先権を主張するものである。

【0002】

本開示は、一般的に、イメージング技術に関し、より詳細には、分子イメージングにおける信号処理のための方法およびシステムに関するものである。

【背景技術】

【0003】

分子イメージングシステム(たとえば、陽電子放出断層撮影(PET)システム)は、たとえば、医療および/または診断を含む、様々な分野で広く使用されている。PETシステムは、患者の体内に導入される放射性トレーサーによって放射される放射線(たとえば、ガンマ線)を検出するために使用される検出器を含み得る。検出器は、水晶コンポーネント(crystal component)および光電変換コンポーネント(photoelectric conversion component)を含み得る。ガンマ線は、水晶コンポーネント内の光信号を励起し得る。光電変換コンポーネント(たとえば、シリコン光電子増倍管(SiPM))は、光信号を電気信号に変換し得る。電気信号は、光子堆積情報(photon deposition information)を決定するためにサンプリングされ得る。

【発明の概要】

【発明が解決しようとする課題】

【0004】

本開示の第1の態様において、信号処理のためのシステムが提供される。システムは、命令のセットを収めた少なくとも1つのストレージデバイスと、ストレージデバイスと通信する少なくとも1つのプロセッサとを含み得る。命令のセットを実行するとき、少なくとも1つのプロセッサは、次に示す動作を行うように構成され得る。動作は、第1のサンプリング周波数に従って、検出器の電気信号をサンプリングすることによって獲得される第1の信号を取得することを含み得る。動作は、また、第1の信号およびターゲット機械学習モデルに基づき、第2の信号を生成することを含んでもよく、第2の信号は第2のサンプリング周波数に対応する。第2のサンプリング周波数は、第1のサンプリング周波数とは異なっていてもよい。ターゲット機械学習モデルは、第1の信号と第2の信号との間のターゲットマッピングを指定し得る。動作は、第2の信号に基づき画像を生成することをさらに含み得る。

【課題を解決するための手段】

【0005】

いくつかの実施形態において、第2のサンプリング周波数は、第1のサンプリング周波数よりも高くてもよい。

【0006】

いくつかの実施形態において、第1のサンプリング周波数はメガヘルツ(MHz)のオーダーであってもよく、第2のサンプリング周波数はギガヘルツ(GHz)のオーダーであってもよい。

【0007】

いくつかの実施形態において、第2の信号は、第1の信号よりも高い忠実度を有し得る。

【0008】

いくつかの実施形態において、第1の信号およびターゲット機械学習モデルに基づき第2の信号を生成することは、第1のサンプリング周波数を有する第1の信号をターゲット機械学習モデルに入力することと、第2の信号をターゲット機械学習モデルによって出力することとを含み得る。

【0009】

いくつかの実施形態において、ターゲット機械学習モデルは、1つまたは複数の候補マッピングを提供し得る。第1の信号およびターゲット機械学習モデルに基づき、第2の信号を生成することは、ターゲット機械学習モデルの1つまたは複数の候補マッピングの中から、第1のサンプリング周波数に基づき、ターゲットマッピングを特定することと、第1の信号およびターゲットマッピングに基づき、第2の信号を生成することとを含み得る。

【0010】

いくつかの実施形態において、ターゲットマッピングは、第1の信号と第2の信号との間の変換関数を含み得る。

【0011】

いくつかの実施形態において、検出器は、放射線を検出するように構成され得る。放射線は、検出器内に堆積された入射光子を含み得る。第2の信号に基づき画像を生成することは、第2の信号に基づき、放射線の光子情報を取得することと、放射線の光子情報に基づき画像を生成することとを含み得る。

【0012】

いくつかの実施形態において、放射線の光子情報は、入射光子の堆積位置情報、入射光子のエネルギー堆積情報、または入射光子の到達時間情報のうちの少なくとも1つを含み得る。

【0013】

いくつかの実施形態において、第2の信号に基づき、放射線の光子情報を取得することは、アンガーアルゴリズム(Anger algorithm)に基づき、第2の信号を処理することによって入射光子の堆積位置情報を取得することを含み得る。

【0014】

いくつかの実施形態において、第2の信号に基づき、放射線の光子情報を取得することは、第2の信号に対して積分処理を行うことによって入射光子のエネルギー堆積情報を取得することを含み得る。

【0015】

いくつかの実施形態において、第2の信号に基づき、放射線の光子情報を取得することは、第2の信号の立ち上がりエッジに沿って、第2の信号の振幅が閾値振幅に達する時点を特定することと、この時点に基づき、入射光子の到達時間情報を得ることとを含み得る。

【0016】

いくつかの実施形態において、少なくとも1つのプロセッサの一部が検出器内にあり、第2の信号は検出器によって生成され得る。

【0017】

いくつかの実施形態において、ターゲット機械学習モデルは、各々が1つまたは複数のサンプル信号と1つまたは複数のサンプル信号に対応する参照信号とを含む訓練サンプルの複数のグループを取得することと、初期機械学習モデルを取得することと、訓練サンプルの複数のグループを使用し、訓練することによってターゲット機械学習モデルを生成することとを含む動作に従って生成され得る。1つまたは複数のサンプル信号および参照信号は、異なるサンプリング周波数に対応する。

【0018】

本開示の第2の態様において、信号処理のための方法が提供される。方法は、少なくとも1つのプロセッサによって、第1のサンプリング周波数に従って、検出器の電気信号をサンプリングすることによって獲得される第1の信号を取得することを含み得る。方法は、また、少なくとも1つのプロセッサによって第1の信号およびターゲット機械学習モデルに基づき、第2の信号を生成することを含んでもよく、第2の信号は第2のサンプリング周波数に対応する。第2のサンプリング周波数は、第1のサンプリング周波数とは異なっていてもよい。ターゲット機械学習モデルは、第1の信号と第2の信号との間のターゲットマッピングを指定し得る。方法は、少なくとも1つのプロセッサによって第2の信号に基づき画像を生成することをさらに含み得る。

【0019】

本開示の第3の態様において、信号処理のためのシステムが提供される。システムは、第1のサンプリング周波数に従って、検出器の電気信号をサンプリングすることによって獲得される第1の信号を取得するように構成されている取得モジュールを含み得る。システムは、また、第1の信号およびターゲット機械学習モデルに基づき、第2の信号を生成するように構成されている生成モジュールを含むものとしてよく、第2の信号は第2のサンプリング周波数に対応する。第2のサンプリング周波数は、第1のサンプリング周波数とは異なっていてもよい。ターゲット機械学習モデルは、第1の信号と第2の信号との間のターゲットマッピングを指定し得る。システムは、第2の信号に基づき画像を生成するように構成されている画像再構成モジュールをさらに含み得る。

【0020】

本開示の第4の態様において、非一時的コンピュータ可読媒体が提供される。媒体は、少なくとも1つのプロセッサによって実行されたとき、少なくとも1つのプロセッサに、本開示の第1の態様において説明されているような信号処理のための方法を実行することを指示する実行可能命令を含み得る。

【0021】

本開示の第5の態様において、信号処理のためのシステムが提供される。システムは、命令のセットを収めた少なくとも1つのストレージデバイスと、少なくとも1つのストレージデバイスと通信するように構成されている少なくとも1つのプロセッサとを含み得る。命令のセットを実行するとき、少なくとも1つのプロセッサは、次に示す動作を行うことをシステムに指示するように構成され得る。これらの動作は、各々が1つまたは複数のサンプル信号と1つまたは複数のサンプル信号に対応する参照信号とを含む訓練サンプルの複数のグループを取得することを含み得る。1つまたは複数のサンプル信号および参照信号は、異なるサンプリング周波数に対応するものとしてよい。これらの動作は、また、初期機械学習モデルを取得することを含み得る。これらの動作は、また、訓練サンプルの複数のグループを使用して、初期機械学習モデルを訓練することによってターゲット機械学習モデルを生成することも含み得る。ターゲット機械学習モデルは、各々が異なるサンプリング周波数に対応する信号間のマッピングである候補マッピングを提供し得る。

【0022】

いくつかの実施形態において、参照信号に対応するサンプリング周波数は、1つまたは複数のサンプル信号の各々に対応するサンプリング周波数よりも高くてもよい。

【0023】

いくつかの実施形態において、1つまたは複数のサンプル信号の各々に対応するサンプリング周波数は、メガヘルツ(MHz)のオーダーであり、参照信号に対応するサンプリング周波数は、ギガヘルツ(GHz)のオーダーであってよい。

【0024】

いくつかの実施形態において、参照信号は、1つまたは複数のサンプル信号の各々よりも高い忠実度を有し得る。

【0025】

いくつかの実施形態において、候補マッピングの各々は、1つまたは複数のサンプル信号のうちの1つのサンプル信号を参照信号に変換するように構成されている変換関数を含み得る。

【0026】

本開示の第6の態様において、信号処理のための方法が提供される。方法は、少なくとも1つのストレージデバイスおよび少なくとも1つのプロセッサを含むコンピューティングデバイス上に実装され得る。方法は、各々が1つまたは複数のサンプル信号と1つまたは複数のサンプル信号に対応する参照信号とを含む訓練サンプルの複数のグループを取得することを含み得る。1つまたは複数のサンプル信号および参照信号は、異なるサンプリング周波数に対応するものとしてよい。方法は、また、初期機械学習モデルを取得することを含み得る。方法は、また、訓練サンプルの複数のグループを使用して、初期機械学習モデルを訓練することによってターゲット機械学習モデルを生成することもさらに含み得る。ターゲット機械学習モデルは、各々が異なるサンプリング周波数に対応する信号間のマッピングである候補マッピングを提供し得る。

【0027】

本開示の第7の態様において、信号処理のためのシステムが提供される。システムは、取得モジュールおよび訓練モジュールを含み得る。取得モジュールは、各々が1つまたは複数のサンプル信号と1つまたは複数のサンプル信号に対応する参照信号とを含む訓練サンプルの複数のグループを取得し、初期機械学習モデルを取得するように構成され得る。1つまたは複数のサンプル信号および参照信号は、異なるサンプリング周波数に対応するものとしてよい。訓練モジュールは、訓練サンプルの複数のグループを使用して、初期機械学習モデルを訓練することによって、ターゲット機械学習モデルを生成するように構成され得る。ターゲット機械学習モデルは、各々が異なるサンプリング周波数に対応する信号間のマッピングである候補マッピングを提供し得る。

【0028】

本開示の第8の態様において、非一時的コンピュータ可読媒体が提供される。媒体は、少なくとも1つのプロセッサによって実行されたとき、少なくとも1つのプロセッサに、本開示の第6の態様において説明されているような信号処理のための方法を実行することを指令する実行可能命令を含み得る。

【0029】

本開示の第9の態様において、放射線を検出するための検出器が提供される。検出器は、1つまたは複数の検出ユニットおよび1つまたは複数の処理回路を含み得る。1つまたは複数の検出ユニットの各々は、放射線を検出し、電気信号を生成するように構成され得る。1つまたは複数の処理回路は、第1のサンプリング周波数に従って、電気信号をサンプリングすることによって第1の信号を生成し、第1の信号およびターゲット機械学習モデルに基づき第2の信号を生成するように構成され得る。第2の信号は、第1のサンプリング周波数とは異なる第2のサンプリング周波数に対応し得る。ターゲット機械学習モデルは、第1の信号と第2の信号との間のターゲットマッピングを指定し得る。

【0030】

いくつかの実施形態において、1つまたは複数の検出ユニットの各々は、水晶コンポーネントおよび光電変換コンポーネントを含み得る。水晶コンポーネントは、放射線を吸収し、吸収された放射線に基づき、光信号を生成するように構成され得る。光電変換コンポーネントは、光信号を電気信号に変換するように構成され得る。

【0031】

いくつかの実施形態において、光電変換コンポーネントは、光電子増倍管、正真性負(PIN)、またはアバランシェフォトダイオード(APD)のうちの少なくとも1つを含み得る。

【0032】

いくつかの実施形態において、第2のサンプリング周波数は、第1のサンプリング周波数よりも高くてもよい。

【0033】

【0034】

いくつかの実施形態において、第2の信号は、第1の信号よりも高い忠実度を有し得る。

【0035】

いくつかの実施形態において、第1の信号およびターゲット機械学習モデルに基づき第2の信号を生成するために、1つまたは複数の処理回路は、第1の信号をターゲット機械学習モデルに入力し、ターゲット機械学習モデルによって第2の信号を出力するようにさらに構成され得る。

【0036】

いくつかの実施形態において、ターゲット機械学習モデルは、ターゲット機械学習モデルの1つまたは複数の候補マッピングから、第1のサンプリング周波数に基づき、ターゲットマッピングを特定するように構成され得る。

【0037】

いくつかの実施形態において、ターゲットマッピングは、第1の信号と第2の信号との間の変換関数を含み得る。

【0038】

いくつかの実施形態において、ターゲット機械学習モデルは、1つまたは複数の処理回路においてプログラムされ得る。

【0039】

追加の特徴は、一部は次の説明において述べられ、一部は、次のおよび添付の図面を検討した後で当業者に明らかになるか、または実施例の作成または操作によって知られ得る。本開示の特徴は、以下で説明される詳細な例において述べられる方法論、手段、および組合せの様々な態様の実施または使用によって実現され、達成され得る。

【0040】

本開示は、例示的な実施形態に関してさらに説明される。これらの例示的な実施形態は、図面を参照しつつ詳細に説明される。これらの実施形態は、非限定的な例示的実施形態であり、図面のいくつかの図を通して、類似の参照数字は類似の構造を表し、以下の通りである。

【図面の簡単な説明】

【0041】

【図1】本開示のいくつかの実施形態による例示的なイメージングシステムを例示する概略図である。

【図2】処理デバイスが本開示のいくつかの実施形態により実装され得る例示的なコンピューティングデバイスのハードウェアおよび/またはソフトウェアコンポーネントを例示する概略図である。

【図3】本開示のいくつかの実施形態による例示的なモバイルデバイスのハードウェアおよび/またはソフトウェアコンポーネントを例示する概略図である。

【図4A】本開示のいくつかの実施形態による例示的な検出器を例示するブロック図である。

【図4B】本開示のいくつかの実施形態による例示的な検出器を例示する概略図である。

【図5A】本開示のいくつかの実施形態による例示的な処理デバイスを例示するブロック図である。

【図5B】本開示のいくつかの実施形態による例示的な処理デバイスを例示するブロック図である。

【図6】本開示のいくつかの実施形態による画像を再構成するための例示的なプロセスを例示するフローチャートである。

【図7】本開示のいくつかの実施形態によるターゲット機械学習モデルを生成するための例示的なプロセスを例示するフローチャートである。

【図8A】本開示のいくつかの実施形態による例示的なサンプル信号を例示する概略図である。

【図8B】本開示のいくつかの実施形態による例示的な参照信号を例示する概略図である。

【図9】本開示のいくつかの実施形態による例示的なディープラーニングモデルを例示する概略図である。

【図10】本開示のいくつかの実施形態による第2の信号を生成するための例示的なプロセスを例示するフローチャートである。

【発明を実施するための形態】

【0042】

次の説明は、当業者が本開示を製作し使用することができるように提示され、特定の応用およびその要件の文脈において提供される。開示されている実施形態に対し様々な修正が加えられることは、当業者にとっては明白であろうし、また本明細書において定義されている一般原理は、本開示の精神または範囲から逸脱することなく他の実施形態および応用にも適用され得る。したがって、本開示は、図示されている実施形態に限定されず、請求項と一致する最も広い範囲を適用されるものとする。

【0043】

本明細書において使用される用語「システム」、「エンジン」、「ユニット」、「モジュール」、および/または「ブロック」は、異なるレベルのコンポーネント、要素、部品、セクション、またはアセンブリを昇順に区別するための一方法であることは理解されるであろう。しかしながら、同じ目的を達成し得る場合にこれらの用語を他の表現に置き換えられ得る。

【0044】

一般的に、本明細書において使用されるような「モジュール」、「ユニット」、または「ブロック」という語は、ハードウェアもしくはファームウェアで具現化されたロジック、またはソフトウェア命令の集合体を指す。本明細書において説明されているモジュール、ユニット、またはブロックは、ソフトウェアおよび/またはハードウェアとして実装されてもよく、任意の種類の非一時的コンピュータ可読媒体または他のストレージデバイスに記憶されてもよい。いくつかの実施形態において、ソフトウェアモジュール/ユニット/ブロックは、実行可能プログラムにコンパイルされ、リンクされ得る。ソフトウェアモジュールは、他のモジュール/ユニット/ブロックから、またはそれ自体から呼び出し可能であるものとしてよく、および/または検出された事象もしくは割り込みに応答して呼び出され得ることは理解されるであろう。コンピューティングデバイス(たとえば、図2に示されるようなプロセッサ210)での実行のために構成されたソフトウェアモジュール/ユニット/ブロックは、コンパクトディスク、デジタルビデオディスク、フラッシュドライブ、磁気ディスク、または他の任意の有形の媒体などのコンピュータ可読媒体上で、またはデジタルダウンロードとして提供され得る(そして、実行前にインストール、復元、または復号を必要とする圧縮またはインストール可能なフォーマットで最初に格納され得る)。そのようなソフトウェアコードは、コンピューティングデバイスによる実行のために、実行しているコンピューティングデバイスのストレージデバイスに、部分的にまたは全部、記憶され得る。ソフトウェア命令は、消去可能プログラム可能リードオンリーメモリ(EPROM)などの、ファームウェアで具現化され得る。ハードウェアモジュール/ユニット/ブロックは、ゲートおよびフリップフロップなどの、接続されたロジックコンポーネントに含まれてもよく、および/またはプログラム可能ゲートアレイもしくはプロセッサなどのプログラム可能ユニットに含まれることができることはさらに理解されるであろう。本明細書において説明されるモジュール/ユニット/ブロックまたはコンピューティングデバイスの機能は、ソフトウェアモジュール/ユニット/ブロックとして実装されてもよいが、ハードウェアまたはファームウェアで表現されてもよい。一般に、本明細書で説明するモジュール/ユニット/ブロックは、物理的な構成または記憶にもかかわらず、他のモジュール/ユニット/ブロックと組み合わせられるか、またはサブモジュール/サブユニット/サブブロックに分割され得る論理的なモジュール/ユニット/ブロックを指す。本明細書は、システム、エンジン、またはその一部に適用することができる。

【0045】

本明細書において使用されている用語は、特定の例示的な実施形態のみを説明することを目的としており、本発明の範囲を制限することを意図していない。本明細書において使用されているように単数形の「a」、「an」、および「the」は、文脈上明らかにそうでないことを示していない限り、複数形も含むことを意図され得る。「含む(comprise、comprisesおよび/またはcomprising)という用語は、本明細書内で使用されているとき、述べられている特徴、整数、ステップ、動作、要素、および/または構成要素の存在を規定し、1つまたは複数の他の特徴、整数、ステップ、動作、要素、構成要素、および/またはそれらからなるグループの存在または追加を除外しないこともさらに理解されるであろう。

【0046】

ユニット、エンジン、モジュール、もしくはブロックが、他のユニット、エンジン、モジュール、もしくはブロックの「上にある」、他のユニット、エンジン、モジュール、もしくはブロックに「接続されている」、または「結合されている」と言及されるとき、文脈上明確にそうでないことを示さない限り、他のユニット、エンジン、モジュール、もしくはブロック上に直接あるか、他のユニット、エンジン、モジュール、もしくはブロックに接続もしくは結合されているか、または他のユニット、エンジン、モジュール、もしくはブロックと通信し得るか、あるいは介在するユニット、エンジン、モジュール、もしくはブロックが存在し得ることは理解されるであろう。本明細書において使用されているように、「および/または」という用語は、関連する列挙されている項目のうちの1つまたは複数のありとあらゆる組合せを含む。たとえば、「Aおよび/またはB」という表現は、Aのみ、Bのみ、またはAおよびBの両方を含む。文字「/」は、関連付けられリストされている項目のうちの1つを含む。本開示における「複数の(multipleまたはa/the plurality of)」」という用語は、2つまたはそれ以上を指す。「第1の」、「第2の」、および「第3の」などの用語は、類似の対象を区別するために使用され、対象の特定の順序を表すものではない。

【0047】

本開示のこれらおよび他の特徴、ならびに特徴、さらには構造の関係する要素の動作方法および機能、ならびに部品の組合せおよび製造の経済性は、すべて本開示の一部をなす、添付図面を参照しつつ次の説明を考察した後、より明らかになり得る。しかしながら、図面は、例示および説明のみを目的としており、本開示の範囲を制限することを意図していないことは明確に理解されるであろう。これらの図面は縮尺通りでないことは理解される。

【0048】

本開示において使用されるフローチャートは、本開示におけるいくつかの実施形態に従ってシステムが実装する動作を例示している。フローチャートの動作は、順序通りでなく実装され得ることは明示的に理解されるべきである。逆に、これらの動作は、逆の順序で、または同時に実装されてもよい。さらに、1つまたは複数の他の動作は、フローチャートに追加されてもよい。1つまたは複数の動作が、フローチャートから取り除かれてもよい。

【0049】

既存の分子イメージングシステムでは、電気信号は、ほとんどの場合、電力消費量を減らすために低いサンプリング周波数を使用してサンプリングされる。しかしながら、低サンプリング周波数で獲得された信号を使用して光子情報を決定した結果、そのように獲得された信号で伝えられる情報の損失、たとえば、検出器によってそのような低サンプリング周波数で獲得された信号のエネルギー分解能の損失が生じ得る。

【0050】

いくつかの実施形態において、分子イメージングシステムの検出器は、複数の検出ユニット(たとえば、数百個の検出ユニット)を含み得る。検出器ユニットは、放射線(たとえば、ガンマ線)を検出し、電気信号を生成するように構成され得る。実験および/または研究段階において、複数の検出ユニットのうちの1つまたは複数の検出ユニットの電気信号は、高いサンプリング周波数でサンプリングされ得る。このようにして獲得された信号は、高いエネルギー消費と引き換えに、たとえば高いエネルギー分解能を含む包括的な情報を伝達し得る。高いサンプリング周波数での信号サンプリングに関連付けられる高いエネルギー消費の観点から、高いサンプリング周波数での検出器の複数の検出ユニットの電気信号サンプリングは、実用的用途が非常に限られる。したがって、低いエネルギー消費の下で高いサンプリング周波数に対応する信号を取得するためのシステムおよび方法を提供し、それによって検出器からの信号のエネルギー分解能を改善し、ひいてはそれらの信号に基づき生成される画像の品質を改善し得ることが望ましい。

【0051】

本開示の一態様は、信号処理のためのシステムおよび方法に関する。システムは、検出器と少なくとも1つのプロセッサとを含み得る。検出器は、第1のサンプリング周波数に従って、検出器の電気信号をサンプリングすることによって獲得される第1の信号を取得し得る。検出器は、第1の信号およびターゲット機械学習モデルに基づき、第2の信号を生成するようにも構成され得る。第2の信号は、第1のサンプリング周波数とは異なる(たとえば、より高い)第2のサンプリング周波数に対応し得る。ターゲット機械学習モデルは、第1の信号と第2の信号との間のターゲットマッピングを指定し得る。たとえば、検出器は、各々が検出器ユニットに衝突する放射線に応答して電気信号を生成するように構成された1つまたは複数の検出ユニットを含み得る。検出器は、また、第1の信号および第2の信号を生成するための1つまたは複数の処理回路を含み得る。ターゲット機械学習モデルは、検出器の1つまたは複数の処理回路においてプログラムされ得る。さらに、少なくとも1つのプロセッサは、第2の信号に基づき画像を生成し得る。本開示のいくつかの実施形態によれば、検出器の1つまたは複数の処理回路においてターゲット機械学習モデルをプログラムすることによって、検出器は、低いサンプリング周波数で獲得された信号を変換することによって、高いサンプリング周波数に対応する信号をリアルタイムで直接的に生成し、それによって、低いエネルギー消費量の下で、たとえば、高いエネルギー分解能を含む情報を搬送する高いサンプリング周波数に対応する信号を取得し、次いで、高いサンプリング周波数に対応する信号に基づき生成される画像の画質を改善し得る。

【0052】

図1は、本開示のいくつかの実施形態による例示的なイメージングシステムを例示する概略図である。いくつかの実施形態において、イメージングシステム100は、分子イメージングおよび/または関係する分析を行うためのモジュールおよび/またはコンポーネントを含み得る。たとえば、イメージングシステム100は、単一モダリティシステムであってもよい。例示的な単一モダリティシステムは、放出コンピュータ断層撮影(ECT)システム(たとえば、単一光子放出コンピュータ断層撮影(SPECT)システム、陽電子放出断層撮影(PET)システムなど)、ガンマカメラシステム、などを含み得る。他の例として、イメージングシステム100はマルチモダリティシステムであってもよい。例示的なマルチモダリティシステムは、コンピュータ断層撮影-陽電子放出断層撮影(CT-PET)システム、磁気共鳴-陽電子放出断層撮影(MR-PET)システム、コンピュータ断層撮影-単一光子放出コンピュータ断層撮影(CT-SPECT)システムなどを含み得る。

【0053】

図示することを目的として、図1に示されているように、イメージングシステム100は、スキャナ110、処理デバイス120、ストレージデバイス130、1つまたは複数の端末140、およびネットワーク150を含み得る。イメージングシステム100内のコンポーネントは、様々な方法のうちの1つまたは複数で接続され得る。単なる例であるが、スキャナ110は、ネットワーク150を介して処理デバイス120に動作可能に接続され得る。他の例として、スキャナ110は、処理デバイス120に直接的に、動作可能に接続され得る。さらなる例として、端末140は、図1に例示されているように、ネットワーク150を介してイメージングシステム100の他のコンポーネント(たとえば、処理デバイス120)に動作可能に接続され得る。さらに他の例として、端末140は、図1において点線の矢印によって例示されているように、直接的に処理デバイス120に動作可能に接続され得る。さらなる例として、ストレージデバイス130は、図1に例示されているように、イメージングシステム100の他のコンポーネント(たとえば、処理デバイス120)に直接的に、またはネットワーク150を介して、動作可能に接続され得る。

【0054】

スキャナ110は、被検体の少なくとも一部を走査し、および/または被検体に関係する画像データを生成するものとしてよい。いくつかの実施形態において、スキャナ110は、たとえば、PETデバイス、SPECTデバイス、ガンマカメラ、PET-CTデバイス、PET-MRIデバイスなどのイメージングデバイスであってもよい。本開示において、「対象」と「被検体」は交換可能に使用される。被検体は生物学的であっても非生物学的であってもよい。たとえば、被検体は、患者、人工物体などを含み得る。他の例として、被検体は、患者の特定の部分、器官、および/または組織を含んでもよい。たとえば、被検体は、患者の頭部、脳、首、身体、肩、腕、胸部、心臓、胃、血管、軟組織、膝、足、もしくは同様のもの、またはそれらの組合せを含み得る。例示することを目的として、次の説明は、スキャナ110がPETデバイスであることを参照しつつ行われるが、これは本開示の範囲を限定することを意図していない。

【0055】

スキャナ110は、ガントリー111、検出器112、テーブル114、もしくは同様のもの、またはそれらの任意の組合せを含み得る。ガントリー111は、たとえば検出器112を含むスキャナ110の他のコンポーネントを支持し得る。テーブル114は、被検体を、スキャナ110の検出領域113の中に搬送するか、または検出領域113から外に搬送し、および/またはスキャナ110を使用して行われる手順(たとえば、イメージング手順)の間、被検体を支持するものとしてよい。検出器112は、被検体から放出される放射線(たとえば、ガンマ線またはガンマ光子)を検出し得る。イメージングのために、放射性医薬品(たとえば、放射性トレーサー)が被検体に投与され、放射性医薬品の放射性崩壊事象が陽電子を生成し得る。陽電子は、被検体の組織内の自由電子と相互作用して、陽電子-電子消滅事象を生じ、2つの反対向きのガンマ(γ)光子(γ光子対とも称される)を放出する。検出器112は、消滅事象の複数のγ光子対を検出し、光子情報を含むサンプリングされた信号(たとえば、デジタル波信号)を生成し得る。信号は、複数の光子対に対応する消滅事象が発生する位置を決定するために使用され、それによって被検体の組織内の放射性医薬品の分布を反映する画像を生成するものとしてよい。検出器に関するさらなる説明は、本開示の他の場所(たとえば、図4Aおよび図4B、ならびにそれらの説明)に見出すことができる。

【0056】

処理デバイス120は、スキャナ110、端末140、および/またはストレージデバイス130から取得されたデータおよび/または情報を処理し得る。たとえば、処理デバイス120は、第1のサンプリング周波数に従って検出器112によってサンプリングされる第1の信号を取得してもよい。処理デバイス120は、第1の信号およびターゲット機械学習モデルに基づき、第1のサンプリング周波数とは異なる第2のサンプリング周波数に対応する第2の信号を生成し得る。ターゲット機械学習モデルは、第1の信号と第2の信号との間のターゲットマッピングを指定し得る。そのような場合において、ターゲット機械学習モデルは、処理デバイス120の少なくとも1つプロセッサにおいてプログラムされ得る。他の例として、処理デバイス120は、画像を生成するための第2のサンプリング周波数に対応する第2の信号を取得し得る。第2の信号は、検出器112によって直接的に生成され得る。すなわち、検出器112は、信号処理動作を行うように構成されてもよい。処理デバイス120は、画像生成動作を行うように構成され得る。たとえば、ターゲット機械学習モデルは、検出器112の1つまたは複数の処理回路においてプログラムされ得る。検出器112は、第1のサンプリング周波数に従って、検出器112の電気信号をサンプリングすることによって第1の信号を生成し得る。検出器112は、第1の信号および検出器112においてプログラムされたターゲット機械学習モデルに基づき第2の信号を生成し得る。処理デバイス120は、第2の信号に基づき画像を生成してもよい。いくつかの実施形態において、処理デバイス120は、端末140内の1つまたは複数の表示デバイスに表示するために画像を端末140に送信し得る。

【0057】

いくつかの実施形態において、処理デバイス120は、訓練サンプルの複数のグループ(訓練グループとも称される)を使用して初期機械学習モデルを訓練することによってターゲット機械学習モデルを取得し得る。ターゲット機械学習モデルは、ターゲット機械学習モデルが決定された元の訓練グループとは少なくとも部分的に異なる訓練グループに基づき、随時、たとえば定期的に更新されるか、または更新されなくてもよい。たとえば、ターゲット機械学習モデルは、元の訓練グループにない新しい訓練グループに基づき更新されてもよい。いくつかの実施形態において、ターゲット機械学習モデルの決定および/または更新は、処理デバイス上で行われ得るが、ターゲット機械学習モデルの適用は、異なる処理デバイス上で行われてもよい。いくつかの実施形態において、ターゲット機械学習モデルの決定および/または更新は、ターゲット機械学習モデルの適用が行われるイメージングシステム100とは異なるシステムの処理デバイス上で行われてもよい。たとえば、ターゲット機械学習モデルの決定および/または更新は、そのような機械学習モデルを提供および/または維持し、および/またはターゲット機械学習モデルを決定するおよび/または更新するために使用される訓練グループへのアクセスを有するベンダーの第1のシステム上で行われてもよく、一方、提供された機械学習モデルの適用は、ベンダーのクライアントの第2のシステム上で行われてもよい。いくつかの実施形態において、ターゲット機械学習モデルの決定および/または更新は、信号処理の要求に応答してオンラインで行われてもよい。いくつかの実施形態において、ターゲット機械学習モデルの決定および/または更新は、オフラインで行われてもよい。

【0058】

いくつかの実施形態において、処理デバイス120は、単一のサーバまたはサーバグループであってよい。サーバグループは集中型であっても分散型であってもよい。いくつかの実施形態において、処理デバイス120はローカルであってもリモートであってもよい。たとえば、処理デバイス120は、ネットワーク150を介して、スキャナ110、端末140、および/またはストレージデバイス130に記憶された情報および/またはデータにアクセスし得る。他の例として、処理デバイス120は、スキャナ110、端末140、および/またはストレージデバイス130に直接的に接続され、記憶されている情報および/またはデータにアクセスし得る。いくつかの実施形態において、処理デバイス120は、クラウドプラットフォーム上に実装されてもよい。単なる例として、クラウドプラットフォームは、プライベートクラウド、パブリッククラウド、ハイブリッドクラウド、コミュニティクラウド、分散型クラウド、インタークラウド、マルチクラウドなど、またはこれらの任意の組合せを含み得る。いくつかの実施形態において、処理デバイス120は、図2に例示されているような1つまたは複数のコンポーネントを有するコンピューティングデバイス200によって実装され得る。

【0059】

ストレージデバイス130は、データ、命令、および/または任意の他の情報を記憶し得る。いくつかの実施形態において、ストレージデバイス130は、端末140および/または処理デバイス120から取得されたデータを記憶し得る。たとえば、ストレージデバイス130は、スキャナ110から取得されたスキャンデータを記憶し得る。他の例として、ストレージデバイス130は、本開示の他の箇所で説明されるようなターゲット機械学習モデルを記憶し得る。いくつかの実施形態において、ストレージデバイス130は、処理デバイス120が本開示において説明されている例示的な方法を行うために実行または使用し得るデータおよび/または命令を記憶し得る。いくつかの実施形態において、ストレージデバイス130は、大容量ストレージ、リムーバブルストレージ、揮発性リードライトメモリ、リードオンリーメモリ(ROM)、もしくは同様のもの、またはこれらの任意の組合せを含み得る。例示的な大容量ストレージは、磁気ディスク、光ディスク、ソリッドステートドライブなどを含み得る。例示的なリムーバブルストレージは、フラッシュドライブ、フロッピーディスク、光ディスク、メモリカード、ZIPディスク、磁気テープなどを含み得る。例示的な揮発性リードライトメモリは、ランダムアクセスメモリ(RAM)を含み得る。例示的なRAMは、ダイナミックRAM(DRAM)、ダブルデータレート同期ダイナミックRAM(DDR SDRAM)、スタティックRAM(SRAM)、サイリスタRAM(T-RAM)、およびゼロキャパシタRAM(Z-RAM)などを含み得る。例示的なROMは、マスクROM(MROM)、プログラム可能ROM(PROM)、消去可能プログラム可能ROM(EPROM)、電気的消去可能プログラム可能ROM(EEPROM)、コンパクトディスクROM(CD-ROM)、およびデジタル多用途ディスクROMなどを含み得る。いくつかの実施形態において、ストレージデバイス130は、クラウドプラットフォーム上に実装されてもよい。単なる例として、クラウドプラットフォームは、プライベートクラウド、パブリッククラウド、ハイブリッドクラウド、コミュニティクラウド、分散型クラウド、インタークラウド、マルチクラウドなど、またはこれらの任意の組合せを含み得る。

【0060】

いくつかの実施形態において、ストレージデバイス130は、イメージングシステム100の1つまたは複数の他のコンポーネント(たとえば、処理デバイス120、端末140)と通信するためにネットワーク150に動作可能に接続され得る。イメージングシステム100の1つまたは複数のコンポーネントは、ネットワーク150を介してストレージデバイス130に記憶されているデータまたは命令にアクセスし得る。いくつかの実施形態において、ストレージデバイス130は、イメージングシステム100の1つまたは複数の他のコンポーネント(たとえば、処理デバイス120、端末140)に直接的に接続されるか、または通信し得る。いくつかの実施形態において、ストレージデバイス130は、処理デバイス120の一部であってもよい。

【0061】

端末140は、モバイルデバイス140-1、タブレットコンピュータ140-2、ラップトップコンピュータ140-3、もしくは同様のもの、またはそれらの任意の組合せを含み得る。いくつかの実施形態において、モバイルデバイス140-1は、スマートホームデバイス、ウェアラブルデバイス、モバイルデバイス、仮想現実デバイス、拡張現実デバイス、もしくは同様のもの、またはそれらの任意の組合せを含み得る。単なる例として、端末140は、図3に例示されているようなモバイルデバイスを含み得る。いくつかの実施形態において、スマートホームデバイスは、スマート照明デバイス、インテリジェント電気器具の制御デバイス、スマート監視デバイス、スマートテレビ、スマートビデオカメラ、インターホン、もしくは同様のもの、またはそれらの任意の組合せを含み得る。いくつかの実施形態において、ウェアラブルデバイスは、ブレスレット、履物、眼鏡、ヘルメット、腕時計、衣類、バックパック、スマートアクセサリー、もしくは同様のもの、またはそれらの任意の組合せを含み得る。いくつかの実施形態において、モバイルデバイスは、携帯電話、携帯情報端末(PDA)、ゲーム機、ナビゲーションデバイス、販売時点情報管理(POS)デバイス、ラップトップ、タブレットコンピュータ、デスクトップ、もしくは同様のもの、またはそれらの任意の組合せを含み得る。いくつかの実施形態において、仮想現実デバイスおよび/または拡張現実デバイスは、仮想現実ヘルメット、仮想現実メガネ、仮想現実パッチ、拡張現実ヘルメット、拡張現実メガネ、拡張現実パッチ、もしくは同様のもの、またはそれらの任意の組合せを含み得る。たとえば、仮想現実デバイスおよび/または拡張現実デバイスは、Google Glass(商標)、Oculus Rift(商標)、Hololens(商標)、Gear VR(商標)などを含み得る。いくつかの実施形態において、端末140は、処理デバイス120の一部であってもよい。

【0062】

いくつかの実施形態において、端末140は、ユーザインターフェースを介して、信号処理のための情報を処理デバイス120に送信しおよび/または受信し得る。ユーザインターフェースは、端末140上に実装された信号処理のためのアプリケーションの形態であってもよい。端末140上に実装されたユーザインターフェースは、ユーザと処理デバイス120との間の通信を円滑にするように構成され得る。いくつかの実施形態において、ユーザは、端末140上に実装されたユーザインターフェースを介してイメージングに対する要求を入力し得る。端末140は、本開示の他の場所(たとえば、図5A、図5B、および図6、ならびにそれらの説明)において説明されているようなターゲット機械学習モデルに基づきトリガー信号処理を行うためにイメージングに対する要求を処理デバイス120に送信し得る。いくつかの実施形態において、ユーザは、ユーザインターフェースを介して、ターゲット機械学習モデルのパラメータ(たとえば、重み)を入力しおよび/または調整するものとしてよい。いくつかの実施形態において、ユーザインターフェースは、処理デバイス120から受信された信号処理に関係する情報および/またはデータの提示または表示を円滑にし得る。たとえば、情報および/またはデータは、処理デバイス120によって生成された結果を含み得る。たとえば、結果は、1つまたは複数の画像(たとえば、2D画像、3D画像など)、信号などを含み得る。

【0063】

ネットワーク150は、イメージングシステム100のための情報および/またはデータの交換を円滑にすることができる任意の好適なネットワークを含み得る。いくつかの実施形態において、イメージングシステム100の1つまたは複数のコンポーネント(たとえば、スキャナ110、端末140、処理デバイス120、ストレージデバイス130など)は、ネットワーク150を介してイメージングシステム100の1つまたは複数の他のコンポーネントと情報および/またはデータを通信し得る。たとえば、処理デバイス120は、ネットワーク150を介してスキャナ110から画像データを取得し得る。他の例として、処理デバイス120は、ネットワーク150を介して端末140からユーザ指示を取得し得る。ネットワーク150は、パブリックネットワーク(たとえば、インターネット)、プライベートネットワーク(たとえば、ローカルエリアネットワーク(LAN)、ワイドエリアネットワーク(WAN))、有線ネットワーク(たとえば、イーサネットネットワーク)、ワイヤレスネットワーク(たとえば、802.11ネットワーク、Wi-Fiネットワーク)、セルラーネットワーク(たとえば、ロングタームエボリューション(LTE)ネットワーク)、フレームリレーネットワーク、仮想プライベートネットワーク(「VPN」)、衛星ネットワーク、電話ネットワーク、ルーター、ハブ、スイッチ、サーバコンピュータ、および/またはそれらの任意の組合せであり、および/または含み得る。単なる例として、ネットワーク150は、ケーブルネットワーク、有線ネットワーク、光ファイバネットワーク、電気通信ネットワーク、イントラネット、ワイヤレスローカルエリアネットワーク(WLAN)、メトロポリタンエリアネットワーク(MAN)、公衆電話交換網(PSTN)、Bluetooth(商標) ネットワーク、ZigBee(商標)ネットワーク、近距離無線通信(NFC)ネットワーク、もしくは同様のもの、またはそれらの任意の組合せを含み得る。いくつかの実施形態において、ネットワーク150は、1つまたは複数のネットワークアクセスポイントを含み得る。たとえば、ネットワーク150は、基地局および/またはインターネット相互接続点などの有線および/またはワイヤレスネットワークアクセスポイントを含むものとしてよく、これらを通してイメージングシステム100の1つまたは複数のコンポーネントがネットワーク150に接続されてデータおよび/または情報を交換し得る。

【0064】

イメージングシステムに関する上記の説明は、単に例示することを目的として、提供されたものであり、本開示の範囲を限定することを意図したものではないことに留意されたい。当業者にとっては、複数の変更形態および修正形態が本開示の教示の下で形成され得ることは明らかである。しかしながら、それらの変更形態および修正形態は、本開示の範囲から逸脱しない。いくつかの実施形態において、イメージングシステムは、1つもしくは複数の追加のコンポーネントを含み、および/または上述のイメージングシステムの1つもしくは複数のコンポーネントは省かれ得る。いくつかの実施形態において、イメージングシステムの一コンポーネントは、2つまたはそれ以上のサブコンポーネントで実装され得る。イメージングシステムの2つまたはそれ以上のコンポーネントは、単一のコンポーネントに一体化されてもよい。いくつかの実施形態において、本開示は分子イメージング用のイメージングシステム100を参照しつつ提供されるけれども、本明細書において開示されている方法およびシステムは、アナログ-デジタル変換を伴う検出器を伴う様々なイメージングシステムにおいて適用され得る。たとえば、信号処理のための方法は、CT検出器、X線検出器などに適用され得る。

【0065】

図2は、本開示のいくつかの実施形態による例示的なコンピューティングデバイスの例示的なハードウェアおよび/またはソフトウェアコンポーネントを例示する概略図である。コンピューティングデバイス200は、イメージングシステムの任意のコンポーネントを実装するように構成され得る。たとえば、スキャナ110、端末140、処理デバイス120、および/またはストレージデバイス130は、コンピューティングデバイス200上に実装され得る。便宜上、そのようなコンピューティングデバイスは1つだけ図示されているけれども、本明細書において説明されているイメージングシステムに関係するコンピュータ機能は、処理負荷を分散するために、多数の類似のプラットフォーム上で分散方式により実装され得る。図2に例示されるように、コンピューティングデバイス200は、プロセッサ210、ストレージデバイス220、入力/出力(I/O)230、および通信ポート240を含み得る。

【0066】

プロセッサ210は、コンピュータ命令(たとえば、プログラムコード)を実行し、本明細書において説明されている技術に従って処理デバイス120の機能を行い得る。コンピュータ命令は、たとえば、本明細書において説明されている特定の機能を行う、ルーチン、プログラム、オブジェクト、コンポーネント、信号、データ構造、手順、モジュール、および機能を含み得る。いくつかの実施形態において、プロセッサ210は、端末140および/またはストレージデバイス130から取得された命令を実行し得る。いくつかの実施形態において、プロセッサ210は、1つまたは複数のハードウェアプロセッサ、たとえば、マイクロコントローラ、マイクロプロセッサ、縮小命令セットコンピュータ(RISC)、特定用途向け集積回路(ASIC)、特定用途向け命令セットプロセッサ(ASIP)、中央演算処理装置(CPU)、グラフィックスプロセッシングユニット(GPU)、フィジックスプロセッシングユニット(PPU)、マイクロコントローラユニット、デジタルシグナルプロセッサ(DSP)、フィールドプログラマブルゲートアレイ(FPGA)、Advanced RISC Machine(ARM)、プログラマブルロジックデバイス(PLD)、1つもしくは複数の機能を実行することができる任意の回路もしくはプロセッサ、もしくは同様のもの、またはそれらの任意の組合せを含み得る。

【0067】

単なる例示のために、コンピューティングデバイス200では、1つのプロセッサのみが説明される。しかしながら、本開示におけるコンピューティングデバイス200は、また、複数のプロセッサを含み得ることに留意されたい。したがって、本開示において説明されているように1つのプロセッサによって行われる動作および/または方法ステップは、また、複数のプロセッサによって一緒にまたは別々に行われ得る。たとえば、本開示において、コンピューティングデバイス200のプロセッサが動作Aおよび動作Bの両方を実行する場合、動作Aおよび動作Bは、また、コンピューティングデバイス200において2つまたはそれ以上の異なるプロセッサによって一緒にまたは別々に行われてもよい(たとえば、第1のプロセッサが動作Aを実行し、第2のプロセッサが動作Bを実行するか、または第1および第2のプロセッサが動作AおよびBを一緒に実行する)ことは理解されるべきである。

【0068】

ストレージデバイス220は、スキャナ110、端末140、ストレージデバイス130、またはイメージングシステム100の任意の他のコンポーネントから取得されたデータ/情報を記憶し得る。いくつかの実施形態において、ストレージデバイス220は、大容量ストレージデバイス、リムーバブルストレージデバイス、揮発性リードライトメモリ、リードオンリーメモリ(ROM)、もしくは同様のもの、またはこれらの任意の組合せを含み得る。たとえば、大容量ストレージデバイスは、磁気ディスク、光ディスク、ソリッドステートドライブ、モバイルストレージデバイスなどを含み得る。リムーバブルストレージデバイスは、フラッシュドライブ、フロッピーディスク、光ディスク、メモリカード、ZIPディスク、磁気テープなどを含み得る。揮発性リードライトメモリは、ランダムアクセスメモリ(RAM)を含むものとしてよい。RAMは、ダイナミックRAM(DRAM)、ダブルデータレート同期ダイナミックRAM(DDR SDRAM)、スタティックRAM(SRAM)、サイリスタRAM(T-RAM)、およびゼロキャパシタRAM(Z-RAM)などを含み得る。ROMは、マスクROM(MROM)、プログラム可能ROM(PROM)、消去可能プログラム可能ROM(EPROM)、電気的消去可能プログラム可能ROM(EEPROM)、コンパクトディスクROM(CD-ROM)、デジタル多用途ディスクROMなどを含み得る。いくつかの実施形態において、ストレージデバイス220は、本開示において説明されている例示的な方法を行うための1つまたは複数のプログラムおよび/または命令を記憶し得る。

【0069】

I/O230は、信号、データ、および/または情報を入力するか、または出力し得る。いくつかの実施形態において、I/O230は、処理デバイス120とのユーザインタラクションを可能にし得る。いくつかの実施形態において、I/O230は、入力デバイスおよび出力デバイスを含み得る。例示的な入力デバイスは、キーボード、マウス、タッチスクリーン、マイクロフォン、ジェスチャをキャプチャするカメラ、もしくは同様のもの、またはそれらの組合せを含み得る。例示的な出力デバイスは、表示デバイス、スピーカー、プリンタ、プロジェクタ、3Dホログラム、ライト、警告灯など、またはそれらの組合せを含み得る。例示的な表示デバイスは、液晶ディスプレイ(LCD)、発光ダイオード(LED)ベースのディスプレイ、フラットパネルディスプレイ、湾曲スクリーン、テレビジョンデバイス、陰極線管(CRT)、もしくは同様のもの、またはそれらの組合せを含み得る。

【0070】

通信ポート240は、データ通信を円滑にするためにネットワーク(たとえば、ネットワーク150)と接続され得る。通信ポート240は、処理デバイス120とスキャナ110、端末140、ストレージデバイス130、または任意の外部デバイス(たとえば、外部ストレージデバイス、または画像/データ処理ワークステーション)との間の接続を確立し得る。接続は、データ伝送および受信を可能にする有線接続、ワイヤレス接続、またはその両方の組合せであってもよい。有線接続は、電気ケーブル、光ケーブル、電話線、もしくは同様のもの、またはそれらの任意の組合せを含み得る。いくつかの実施形態において、通信ポート240は、RS232、RS485などの標準化された通信ポートであってもよい。いくつかの実施形態において、通信ポート240は、特別に設計された通信ポートであってもよい。たとえば、通信ポート240は、Digital Imaging and Communications in Medicine(DICOM)プロトコルに従って設計されてもよい。

【0071】

いくつかの実施形態において、コンピューティングデバイス200は、プロセッサ210、ストレージデバイス220、I/O230、および/または通信ポート240の間の通信を実現するように構成されたバス(図示せず)をさらに含み得る。バスは、コンピューティングデバイス200のコンポーネントを互いに減結合するハードウェア、ソフトウェア、またはその両方を含み得る。バスは、データバス、アドレスバス、制御バス、拡張バス、またはローカルバスのうちの少なくとも1つを含み得る。たとえば、バスは、アクセラレーテッドグラフィックスポート(AGP)または他のグラフィックバス、拡張業界標準アーキテクチャ(EISA)バス、フロントサイドバス(FSB)、ハイパートランスポート(HT)相互接続、業界標準アーキテクチャ(ISA)バス、フロントサイドバス(FSB)、Infiniband相互接続、ローピンカウント(LPC)バス、ストレージバス、マイクロチャネルアーキテクチャ(MCA)バス、ペリフェラルコンポーネントインターコネクト(PCI)バス、PCI-Express(PCI-X)バス、シリアルアドバンスドテクノロジーアタッチメント(SATA)バス、ビデオエレクトロニクス規格協会ローカルバス(VLB)バス,もしくは同様のもの、またはそれらの任意の組合せを含み得る。いくつかの実施形態において、バスは、1つまたは複数のバスを含み得る。特定のバスが説明されているけれども、本開示は、任意の好適なバスまたは相互接続を考慮してもよい。

【0072】

図3は、端末140が本開示のいくつかの実施形態により実装され得る例示的なモバイルデバイスのハードウェアおよび/またはソフトウェアコンポーネントを例示する概略図である。図3に例示されているように、モバイルデバイス300は、通信ユニット310、ディスプレイ320、グラフィックプロセッシングユニット(GPU)330、中央演算処理装置(CPU)340、I/O350、メモリ360、およびストレージ390を含み得る。いくつかの実施形態において、限定はしないが、システムバスまたはコントローラ(図示せず)を含む、任意の他の好適なコンポーネントも、モバイルデバイス300に含まれ得る。いくつかの実施形態において、モバイルオペレーティングシステム(OS)370(たとえば、iOS(商標)、Android(商標)、Windows Phone(商標)、など)および1つまたは複数のアプリケーション(App)380は、CPU340によって実行されるようにストレージ390からメモリ360内にロードされ得る。アプリケーション380は、処理デバイス120からの画像処理または他の情報に関係する情報を受信し、レンダリングするためのブラウザまたは任意の他の好適なモバイルアプリを含んでもよい。情報ストリームとのユーザインタラクションは、I/O350を介して達成され、ネットワーク150を介して処理デバイス120および/またはイメージングシステム100の他のコンポーネントに提供され得る。いくつかの実施形態において、ユーザは、モバイルデバイス300を介して、イメージングシステム100にパラメータを入力し得る。

【0073】

上述の様々なモジュール、ユニット、およびそれらの機能を実装するために、コンピュータハードウェアプラットフォームは、1つまたは複数の要素(たとえば、図1において説明されている処理デバイス120および/またはイメージングシステム100の他のコンポーネント)のハードウェアプラットフォームとして使用され得る。これらのハードウェア要素、オペレーティングシステム、およびプログラム言語は共通であるので、当業者はこれらの技術に精通しているものとしてよく、本開示において説明されている技術に従って画像処理動作において必要とされる情報を提供することができるものとしてよいと想定され得る。ユーザインターフェースを含むコンピュータは、パーソナルコンピュータ(PC)、または他のタイプのワークステーションもしくは端末デバイスとして使用され得る。適切にプログラムされた後、ユーザインターフェースを有するコンピュータは、サーバとして使用されてもよい。当業者であれば、このタイプのコンピューティングデバイスのそのような構造、プログラム、または一般的な動作に精通しているものとしてよいことも企図され得る。

【0074】

図4Aは、本開示のいくつかの実施形態による例示的な検出器を例示する概略図である。検出器400aは、検出器112の例示的な構成である。検出器400aは、被検体が放射性医薬品を注入された後に被検体内の消滅事象から放出される放射線(たとえば、ガンマ線またはガンマ光子)を検出するように構成され得る。図4Aに示されているように、検出器400aは、1つまたは複数の検出ユニット402と、1つまたは複数の検出ユニット402に動作可能に接続された1つまたは複数の処理回路404とを含み得る。検出ユニット402の各々は、1つまたは複数の処理回路404のうちの1つに対応し得る。たとえば、1つまたは複数の検出ユニット402のカウント(または数)は、1つまたは複数の処理回路404のカウント(または数)に等しくてもよい。

【0075】

検出ユニット402は、放射線(たとえば、ガンマ線またはガンマ光子)を検出し、電気信号(たとえば、電気パルスなどのアナログ信号)を生成するように構成され得る。いくつかの実施形態において、検出ユニット402は、1つまたは複数の水晶コンポーネントおよび1つまたは複数の光電変換コンポーネント(たとえば、水晶コンポーネントおよび光電変換コンポーネント、複数の水晶コンポーネントおよび光電変換コンポーネントなど)を含み得る。水晶コンポーネントは、放射線(たとえば、ガンマ線)を吸収し、吸収された放射線に基づき、光信号(たとえば、蛍光信号)を生成するように構成され得る。光電変換コンポーネントは、光信号を電気信号に変換するように構成され得る。たとえば、水晶コンポーネントは、放射線(たとえば、放射性医薬品によって生成され、水晶コンポーネントに衝突するガンマ線またはガンマ光子)を可視光に変換し、光電変換コンポーネントは、可視光を電気信号に変換し得る。

【0076】

いくつかの実施形態において、検出ユニット402の水晶コンポーネントは、シンチレータを含み得る。シンチレータに適した例示的な材料は、ヨウ化ナトリウム(Nal)、ヨウ化セシウム(CsI)、臭化ランタン(LaBr₃)、塩化ランタン(LaCl₃)、臭化セリウム(CeBr₃)、ルテチウムイットリウムオキシオルトシリケート(Lu₂SiO₅)、ルテチウムオルトシリケート(LSO)ルテチウムイットリウムオルトシリケート(LYSO)、ルテチウムpγロシリケート、ビスマスゲルマネート(BGO)、ガドリニウムオルトシリケート(GSO)、ルテチウムガドリニウムオルトシリケート、フッ化バリウム(BaF₂)、アルミン酸イットリウム(YAIO₃)、もしくは同様のもの、またはそれらの任意の組合せを含み得る。いくつかの実施形態において、光電変換コンポーネントは、光電子増倍管(たとえば、光電子増倍管(PMT)、シリコン光電子増倍管(SiPM)など)、正真性負(PIN)、アバランシェフォトダイオード(APD)、もしくは同様のもの、またはそれらの任意の組合せを含み得る。

【0077】

いくつかの実施形態において、検出ユニット402は、放射線(たとえば、ガンマ光子)を電気信号に直接的に変換するように構成されている半導体層を含み得る。半導体層の例示的な材料は、シリコン(Si)、ガリウムヒ素(GaAs)、テルル化カドミウム(CdTe)、テルル化カドミウム亜鉛(CdTeZn)、もしくは同様のもの、またはそれらの任意の組合せを含み得る。

【0078】

1つまたは複数の処理回路404は、1つまたは複数の検出ユニット402によって生成された電気信号を収集しおよび/または処理するように構成され得る。いくつかの実施形態において、処理回路404は、対応する検出ユニット402から電気信号を受信し得る。処理回路404は、電気信号に対してサンプリング動作を行い得る。たとえば、処理回路404は、第1のサンプリング周波数に従って電気信号をサンプリングし、第1の信号を生成し得る。第1の信号は、デジタル信号(たとえば、デジタル波信号)を含んでもよい。サンプリング動作は、アナログ信号をデジタル信号に変換する動作を指してもよい。さらに他の例として、検出器400aの処理回路404は、信号生成動作を行い得る。たとえば、処理回路404は、第1のサンプリング周波数に従って、検出器400aの電気信号を獲得した第1の信号を取得し得る。処理回路404は、第1の信号およびターゲット機械学習モデルに基づき第2の信号を生成し得る。第2の信号は、第2のサンプリング周波数に対応するデジタル信号(たとえば、デジタル波信号)であってもよい。第2のサンプリング周波数は、第1のサンプリング周波数とは異なる(たとえば、第1のサンプリング周波数よりも高い)ものとしてよい。

【0079】

ターゲット機械学習モデルは、各々が異なるサンプリング周波数に対応する信号と信号との間のものである1つまたは複数の候補マッピング(たとえば、複数の候補マッピング)を提供する訓練された機械学習モデルであってもよい。ターゲット機械学習モデルは、第1の信号と第2の信号との間のターゲットマッピングを指定し得る。たとえば、ターゲット機械学習モデルは、ターゲット機械学習モデルの複数の候補マッピングから、第1のサンプリング周波数に基づき、ターゲットマッピングを特定するように構成され得る。

【0080】

いくつかの実施形態において、ターゲット機械学習モデルは、1つまたは複数の処理回路404においてプログラムされ得る。たとえば、ターゲット機械学習モデルは、第1の信号を処理するために適用されてもよい。たとえば、第1のサンプリング周波数を有する第1の信号は、第2の信号を生成するためにターゲット機械学習モデルに入力され得る。いくつかの実施形態において、1つまたは複数の処理回路404は、さらなる処理(たとえば、画像再構成)のために第1の信号および/または第2の信号を出力し得る。

【0081】

いくつかの実施形態において、処理回路404は、集積回路、たとえば、特定用途向け集積回路(ASIC)、フィールドプログラマブルゲートアレイ(FPGA)などを含み得る。たとえば、ターゲット機械学習モデルは、1つまたは複数の処理回路404のうちの少なくとも1つの各々のFPGAにおいてプログラムされ得る。いくつかの実施形態において、処理回路404は、1つまたは複数の処理ユニット(またはモジュール)を含み得る。1つまたは複数の処理ユニットは、フロントエンド電子機器モジュールおよびバックエンド電子機器モジュールを含み得る。フロントエンド電子機器モジュールは、アナログ信号(たとえば、検出ユニット402によって生成された電気信号)に対して動作を行うように構成され得る。たとえば、フロントエンド電子機器モジュールは、電気信号に対して増幅動作を行うように構成された増幅器を含み得る。他の例として、フロントエンド電子機器モジュールは、電気信号に対してノイズフィルタリング動作を行うように構成されたフィルタを含み得る。さらに他の例として、フロントエンド電子機器モジュールは、電気信号に対してデジタル弁別動作を行うように構成されている弁別器(たとえば、コンスタントフラクション弁別器)を含み得る。さらなる例として、フロントエンド電子機器モジュールは、アナログ信号(たとえば、電気信号またはフロントエンド電子機器モジュールによる処理済み電気信号)をデジタル信号(たとえば、第1の信号)に変換するように構成されているサンプリングユニットを含み得る。フロントエンド電子機器モジュールは、デジタル信号(たとえば、第1の信号および/または第2の信号)に対してデジタル処理動作を行うように構成され得る。たとえば、バックエンド電子機器モジュールは、第1のデジタル信号(たとえば、第1の信号)を第2のデジタル信号(たとえば、第2の信号)に変換するように構成された変換ユニットを含み得る。他の例として、バックエンド電子機器モジュールは、デジタル信号(たとえば、第1の信号または第2の信号)に基づき放射線(たとえば、ガンマ線)の光子情報を決定するように構成されている後処理ユニットを含み得る。光子情報は、エネルギー時間キャリブレーションシステムによってさらに処理され(たとえば、キャリブレートされおよび/または補正され)、事象情報を生成して同時計数事象の情報を取得し得る。さらに他の例として、バックエンド電子機器モジュールは、デジタル信号(たとえば、第1の信号および/または第2の信号)、デジタル信号に基づき決定される放射線の光子情報、および/またはさらなるデータ処理(たとえば、画像再構成)のための同時計数事象の情報を出力するように構成された読み出しユニットを含み得る。

【0082】

いくつかの実施形態において、検出ユニット402およびその対応する処理回路404は、検出器ブロックを形成するようにパッケージ化され得る。すなわち、検出器400aは、1つまたは複数の検出器ブロック(たとえば、複数の検出器ブロック)を含み得る。複数の検出器ブロックは、適切な方式、たとえば、リング、円弧、矩形、アレイ、もしくは同様のもの、またはそれらの任意の組合せで配置構成され得る。例示することを目的として、図4Bは、いくつかの実施形態による例示的な検出器を例示する。検出器400bは、検出器400aまたは検出器112の例示的な構成であってよい。図4Bに示されているように、検出器400bは、検出器リングを形成するように配置構成された複数の検出器ブロック410を含んでもよい。検出器ブロック410は、検出ユニットおよび処理回路416を含み得る。いくつかの実施形態において、検出器ブロック410の検出ユニットは、複数の水晶コンポーネント412および光電変換コンポーネント414を含み得る。複数の水晶コンポーネント412は、放射線(たとえば、ガンマ線またはガンマ光子)を吸収して光信号を生成し得る。光電変換コンポーネント414は、光信号を電気信号(たとえば、アナログ信号)に変換し得る。処理回路416は、第1のサンプリング周波数に従って電気信号をサンプリングすることによって第1の信号を生成し得る。処理回路416は、第1の信号およびターゲット機械学習モデルに基づき第1のサンプリング周波数よりも高い第2のサンプリング周波数に対応する第2の信号を生成してもよい。ターゲット機械学習モデルは、処理回路416においてプログラムされ得る。検出器400bの水晶コンポーネント412、光電変換コンポーネント414、および処理回路416に関するさらなる説明は、本開示の他の場所(たとえば、図4Aおよびその関連する説明)に見出され得る。

【0083】

検出器400aおよび検出器400bの上記の説明は、単に例示することを目的として提供されたものであり、本開示の範囲を限定することを意図したものではないことに留意されたい。当業者にとっては、複数の変更形態または修正形態が本開示の教示の下で形成され得ることは明らかである。しかしながら、それらの変更形態および修正形態は、本開示の範囲から逸脱しない。いくつかの実施形態において、検出器400aもしくは検出器400bは、1つもしくは複数の追加のコンポーネントを含み、および/または検出器400aもしくは400bの1つもしくは複数のコンポーネントは省かれ得る。たとえば、検出器400aは、検出器400aの検出ユニット402を冷却するように構成された冷却コンポーネントを含み得る。いくつかの実施形態において、検出器400aまたは検出器400bは、信号処理のために第1の信号をイメージングシステム100の処理デバイス120に伝送し得る。たとえば、ターゲット機械学習モデルは、検出器400aまたは検出器400bの処理回路においてプログラムされないことがある。第1の信号は、処理デバイス120によってターゲット機械学習モデルに基づき処理され、第2の信号を生成し得る。

【0084】

図5Aおよび図5Bは、本開示のいくつかの実施形態による例示的な処理デバイスを例示するブロック図である。いくつかの実施形態において、処理デバイス120aおよび120bは、図1に関連して説明されているような処理デバイス120の実施形態であってもよい。いくつかの実施形態において、処理デバイス120aおよび120bは、処理ユニット(たとえば、図2に例示されているプロセッサ210または図3に例示されているCPU340)上にそれぞれ実装され得る。単なる例として、処理デバイス120aは、端末デバイスのCPU340上に実装され、処理デバイス120bは、コンピューティングデバイス200上に実装され得る。あるいは、処理デバイス120aおよび120bは、同じコンピューティングデバイス200または同じCPU340上に実装されてもよい。たとえば、処理デバイス120aおよび120bは、同じコンピューティングデバイス200上に実装されてもよい。

【0085】

処理デバイス120aは、取得モジュール502、生成モジュール504、および画像再構成モジュール506を含み得る。

【0086】

取得モジュール502は、イメージングシステム100における信号処理に関係するデータ/情報を取得するように構成され得る。たとえば、取得モジュール502は、イメージングシステム100の検出器(たとえば、検出器112、400a、または400b)から第1のサンプリング周波数に対応する第1の信号を取得し得る。他の例として、取得モジュール502は、本開示において開示されているようなストレージデバイス(たとえば、ストレージデバイス130、ストレージデバイス220、ストレージ390など)から第1の信号を取得し得る。第1の信号の取得に関するさらなる説明は、本開示の他の場所(たとえば、動作602およびその説明)において見出され得る。

【0087】

生成モジュール504は、第2のサンプリング周波数に対応する第2の信号を生成するように構成され得る。第2のサンプリング周波数は、第1のサンプリング周波数とは異なる(たとえば、第1のサンプリング周波数よりも高い)ものとしてよい。たとえば、生成モジュール504は、第1の信号およびターゲット機械学習モデルに基づき第2の信号を生成し得る。ターゲット機械学習モデルは、(第1のサンプリング周波数および/または第2のサンプリング周波数を有する)第1の信号を入力として使用し、第2の信号を出力として生成し得る。ターゲット機械学習モデルは、ディープラーニングモデルであってもよい。ターゲット機械学習モデルおよび第2の信号の生成に関するさらなる説明は、本開示の他の場所(たとえば、動作604およびその説明)において見出され得る。

【0088】

画像再構成モジュール506は、画像生成動作を行うように構成され得る。たとえば、画像再構成モジュール506は、複数の放射線(たとえば、被検体から放出されたガンマ線)に対応する第2の信号に基づき画像を生成し得る。たとえば、画像再構成モジュール506は、第2の信号に基づき、複数の放射線に関係する同時計数事象を判定し得る。画像再構成モジュール506は、同時計数事象に基づき画像データを生成し得る。画像再構成モジュール506は、1つまたは複数のアルゴリズムを使用して画像データに基づき画像を生成し得る。第2の信号に基づく画像の生成に関するさらなる説明は、本開示の他の場所(たとえば、動作606およびその説明)において見出され得る。

【0089】

処理デバイス120bは、取得モジュール508および訓練モジュール510を含み得る。取得モジュール508は、モデル訓練に関係する情報/データを取得するように構成され得る。たとえば、取得モジュール508は、訓練サンプルの複数のグループを取得し得る。訓練サンプルのグループは、1つまたは複数のサンプル信号と、1つまたは複数のサンプル信号に対応する参照信号とを含み得る。訓練サンプルの1つまたは複数のサンプル信号および/または参照信号は、サンプルアナログ信号(たとえば、サンプル電気信号またはサンプル電気パルス)をサンプリングすることによって生成されるデジタル信号(たとえば、デジタル波信号)の形態であってもよい。訓練サンプルの複数のグループの取得に関するさらなる説明は、本開示の他の場所(たとえば、動作702およびその説明)において見出され得る。他の例として、取得モジュール508は、訓練されるべき初期機械学習モデルを取得し得る。初期機械学習モデルは、ディープラーニングモデルであってもよい。初期機械学習モデルの取得に関するさらなる説明は、本開示の他の場所(たとえば、動作704およびその説明)において見出され得る。

【0090】

訓練モジュール510は、ターゲット機械学習モデルを生成するように構成され得る。たとえば、訓練モジュール510は、訓練サンプルの複数のグループを使用して、初期機械学習モデルを訓練することによって、ターゲット機械学習モデルを生成し得る。他の例として、訓練モジュール510は、ターゲット機械学習モデルを更新し得る。ターゲット機械学習モデルの生成および/または更新に関するさらなる説明は、本開示の他の場所(たとえば、動作706およびその説明)において見出され得る。

【0091】

処理デバイス120aおよび120b内のモジュールは、有線接続またはワイヤレス接続を介して互いに接続されるか、または通信され得る。有線接続は、金属ケーブル、光ケーブル、ハイブリッドケーブル、もしくは同様のもの、またはそれらの任意の組合せを含み得る。ワイヤレス接続は、ローカルエリアネットワーク(LAN)、ワイドエリアネットワーク(WAN)、Bluetooth(商標)、ZigBee(商標)、近距離無線通信(NFC)、もしくは同様のもの、またはそれらの任意の組合せを含み得る。いくつかの実施形態において、処理デバイス120は、1つまたは複数の追加モジュールを含み得る。たとえば、処理デバイス120は、情報および/またはデータ(たとえば、第1の信号、第2の信号、画像)を記憶するために使用されるストレージモジュール(図示せず)を含み得る。いくつかの実施形態において、モジュールのうちの2つまたはそれ以上が単一のモジュールに組み合わされ、モジュールのうちのいずれか1つが2つまたはそれ以上のユニットに分割され得る。たとえば、取得モジュール502および取得モジュール508は、単一のモジュールとして組み合わされ得るか、または取得モジュール502と取得モジュール508の両方の機能を有する同一のモジュールであり得る。いくつかの実施形態において、生成モジュール504は、処理デバイス120aにおいて省かれ得る。たとえば、ターゲット機械学習モデルは、第1の信号を処理するように検出器(たとえば、検出器112、400a、または400b)においてプログラムされ得る。処理デバイス120aは、さらなる処理のために検出器から第2の信号を直接的に取得してもよい。いくつかの実施形態において、取得モジュール502および生成モジュール504は、検出器の一部であってもよい。

【0092】

図6は、本開示のいくつかの実施形態による画像を再構成するための例示的なプロセスを例示するフローチャートである。いくつかの実施形態において、図6に例示されているプロセス600の1つまたは複数の動作は、図1に例示さているイメージングシステム100において実装され得る。たとえば、図6に例示されているプロセス600は、命令の形態でストレージデバイス130に記憶され、処理デバイス120(たとえば、図2に例示されているようなコンピューティングデバイス200のプロセッサ210、図3に例示されているようなモバイルデバイス300のGPU330またはCPU340、およびまたは図5Aに例示されているような処理デバイス120aのモジュール)によって呼び出されおよび/または実行され得る。他の例として、プロセス600の一部は、スキャナ110の検出器(たとえば、検出器112、検出器400a、または検出器400b)によって行われ、プロセス600の一部は、処理デバイス120によって行われ得る。

【0093】

602において、第1の信号が取得され得る。第1の信号は、第1のサンプリング周波数に従って、検出器(たとえば、検出器112、検出器400a、または検出器400b)の電気信号をサンプリングすることによって獲得され得る。いくつかの実施形態において、第1の信号は、処理デバイス120a(たとえば、取得モジュール502)によって取得され得る。いくつかの実施形態において、第1の信号は、検出器112(たとえば、検出器ユニット400aの処理回路404、検出器ユニット400bの処理回路416)によって取得されてもよい。

【0094】

いくつかの実施形態において、検出器の電気信号は、検出ユニット(たとえば、図4Aに例示されているような検出ユニット402)によって生成されるアナログ信号(たとえば、電気パルス)を指し、ターゲット電気信号とも称され得る。単なる例として、検出ユニット402の水晶コンポーネントは、水晶コンポーネントに衝突する放射線(たとえば、ガンマ線)を吸収し、放射線(たとえば、ガンマ線)を可視光に変換し得る。検出ユニット402の光電変換コンポーネントは、可視光を電気信号に変換し得る。電気信号は、検出された放射線(たとえば、ガンマ線)の光子情報を含むか、または搬送し得る。いくつかの実施形態において、電気信号は、たとえば、立ち上がりエッジ(たとえば、low-high遷移)および立ち下がりエッジ(たとえば、high-low遷移)を含む異なる段階を含み得る。電気信号の立ち上がりエッジには、電気信号の立ち下がりエッジよりも高周波情報が多く含まれることがあり、これは、電気信号の立ち上がりエッジに沿った電気信号の振幅が、電気信号の立ち下がりエッジに沿った電気信号の振幅よりも急速に変化することに対応する。

【0095】

いくつかの実施形態において、第1の信号は、電気信号に基づき取得されるデジタル信号(たとえば、デジタル波信号)を指すものとしてよい。第1の信号は、第1の波動信号とも称され得る。検出器の処理回路(たとえば、図4Aにおいて説明されている処理回路404)は、第1のサンプリング周波数に従って、電気信号をサンプリングすることによって、第1の信号を生成し得る。第1のサンプリング周波数は、比較的低いサンプリング周波数であり、この低いサンプリング周波数の下で、検出器は第1の信号をサンプリングして生成する上で低いエネルギー消費量を有し得る。たとえば、第1のサンプリング周波数は、メガヘルツ(MHz)のオーダー、たとえば10MHz、20MHzなどであってもよい。いくつかの実施形態において、第1のサンプリング周波数に従って、検出器は、第1の信号を生成するための第1の複数のサンプリング点を取得し得る。第1のサンプリング周波数は、第1の複数のサンプリング点の2つの隣接するサンプリング点の間の時間間隔を指示し得る。第1のサンプリング周波数が高ければ高いほど、第1の複数のサンプリング点の2つの隣接するサンプリング点の間の時間間隔は短くてもよい。いくつかの実施形態において、第1のサンプリング周波数は、検出器の既定の設定に従って設定されるか、または異なる状況に応じて調整されてもよい。いくつかの実施形態において、第1の信号は、電気信号の異なる段階で電気信号をサンプリングすることによって生成され得る。たとえば、電気信号の立ち上がりエッジに沿った振幅は、電気信号の立ち下がりエッジに沿った振幅よりも急速に変化し得るので、検出器の処理回路は、電気信号をその立ち上がりエッジでサンプリングして第1の信号を生成し、それにより、第1の信号は、電気信号をその立ち下がりエッジに沿ってサンプリングすることによって生成される第1の信号に比べて、電気信号が搬送する情報をより多く含むか、または保持し得る。

【0096】

いくつかの実施形態において、処理デバイス120aは、イメージングシステム100の1つまたは複数のコンポーネントから第1の信号を取得し得る。たとえば、処理デバイス120aは、検出器が第1の信号を生成したことに応答して、検出器から第1の信号を取得し得る。他の例として、検出器は、第1の信号を生成し、第1の信号を本開示において開示されているストレージデバイス(たとえば、ストレージデバイス130、ストレージデバイス220、ストレージ390など)に記憶してもよい。処理デバイス120aは、ストレージデバイスから第1の信号を取り出すものとしてよい。いくつかの実施形態において、第1の信号は、検出器、たとえば、検出器の処理回路内に残り、それによりさらに処理されてもよい。

【0097】

604において、第2の信号が、第1の信号およびターゲット機械学習モデルに基づき生成され得る。いくつかの実施形態において、第2の信号は、処理デバイス120a(たとえば、生成モジュール504)によって生成され得る。いくつかの実施形態において、第2の信号は、検出器112(たとえば、検出器ユニット400aの処理回路404、検出器ユニット400bの処理回路416)によって生成されてもよい。

【0098】

いくつかの実施形態において、第2の信号は、第1のサンプリング周波数とは異なる第2のサンプリング周波数に対応し得る。第2の信号は、第2のサンプル周波数に対応する推定デジタル信号(たとえば、推定デジタル波信号)を指すものとしてよい。第2の信号は、第2の波動信号とも称され得る。たとえば、第2のサンプリング周波数は、第1のサンプリング周波数よりも高くてもよい。すなわち、第2のサンプリング周波数は、第1のサンプリング周波数と比較して相対的に高いサンプリング周波数を指すものとしてよい。たとえば、第2のサンプリング周波数は、ギガヘルツ(GHz)のオーダー、たとえば1GHz、10GHzなどであってもよい。いくつかの実施形態において、第2の信号は、第2の複数のサンプリング点を含み得る。第2の複数のサンプリング点の2つの隣接するサンプリング点の間の時間間隔は、第1の信号に対応する第1の複数のサンプリング点の2つの隣接するサンプリング点の間の時間間隔よりも短くてよい。時間期間内の第2の複数のサンプリング点のカウント(または数)は、同じ時間期間内の第1の信号に対応する第1の複数のサンプリング点のカウント(または数)よりも大きくてもよい。したがって、第2の信号は、第1の信号よりも、電気信号が搬送する高周波情報を多く含み得る。いくつかの実施形態において、第2のサンプリング周波数は、イメージングシステム100の既定の設定に従って設定されるか、または異なる状況に応じて調整されてもよい。

【0099】

いくつかの実施形態において、ターゲット機械学習モデルは、特定の第1のサンプリング周波数に対応する特定の第1のデジタル信号(たとえば、第1のサンプリング周波数に対応して取得された第1の信号)を入力として使用し、特定の第2のサンプリング周波数に対応する特定の第2のデジタル信号(たとえば、第2のサンプリング周波数に対応する第2の信号)を出力として生成するように構成され得る。ターゲット機械学習モデルは、第1の信号と第2の信号との間のターゲットマッピングを指定し得る。言い換えると、ターゲット機械学習モデルは、ターゲットマッピングに基づき特定の第1のデジタル信号を特定の第2のデジタル信号に変換するために使用され得る。本明細書において使用されているように、マッピングは、第1のデジタル信号を第2のデジタル信号に変換するように構成された変換関数を含み得る。たとえば、ターゲットマッピングは、第1の信号と第2の信号との間の変換関数を含み得る。

【0100】

いくつかの実施形態において、ターゲット機械学習モデルは、各々が異なるサンプリング周波数に対応する信号間のマッピングである1つまたは複数の(たとえば、複数の)候補マッピングを提供し得る。ターゲット機械学習モデルは、ターゲット機械学習モデルの1つまたは複数の候補マッピングから、ターゲットマッピングを特定するように構成され得る。たとえば、1つまたは複数の候補マッピングは、異なる第1のサンプリング周波数から同じ第2のサンプリング周波数へのマッピングを含み得る。第1のサンプリング周波数を有する第1の信号は、ターゲット機械学習モデルに入力されるものとしてよく、このことに基づき第2の信号が生成され得る。たとえば、ターゲット機械学習モデルは、ターゲット機械学習モデルの1つまたは複数の候補マッピングから、第1のサンプリング周波数に基づき、ターゲットマッピングを特定するように構成され得る。ターゲット機械学習モデルは、ターゲットマッピングに基づいて第1の信号を処理し得る。他の例として、1つまたは複数の候補マッピングは、異なる第1のサンプリング周波数から異なる第2のサンプリング周波数へのマッピングを含み得る。第1のサンプリング周波数を有する第1の信号および所望の第2のサンプリング周波数の情報は、ターゲット機械学習モデルに入力されるものとしてよく、このことに基づき所望の第2のサンプリング周波数に対応する第2の信号が生成され得る。たとえば、ターゲット機械学習モデルは、ターゲット機械学習モデルの複数の候補マッピングから、第1のサンプリング周波数および所望の第2のサンプリング周波数に基づき、ターゲットマッピングを特定するように構成され得る。ターゲット機械学習モデルは、ターゲットマッピングに基づいて第1の信号を処理し得る。あるいは、ターゲット機械学習モデルは、1つまたは複数の(たとえば、複数の)候補マッピングを提供するものとしてよく、処理デバイス120aは、1つまたは複数の候補マッピングおよび第1の信号に基づき第2の信号を生成するものとしてよく、そのより詳細な説明は、本開示の他の場所(たとえば、図10およびその説明)において見出され得る。

【0101】

いくつかの実施形態において、処理デバイス120aは、イメージングシステム100の1つまたは複数のコンポーネントからターゲット機械学習モデルを取得し得る。たとえば、ターゲット機械学習モデルは、本開示において開示されているようなストレージデバイス(たとえば、ストレージデバイス130、ストレージデバイス220、ストレージ390など)に記憶され得る。処理デバイス120aは、ストレージデバイス130からターゲット機械学習モデルを取得してもよい。他の例として、処理デバイス120aは、処理デバイス120bの訓練モジュール510からターゲット機械学習モデルを取得し得る。いくつかの実施形態において、ターゲット機械学習モデルは、検出器、たとえば、検出器の処理回路においてプログラムされ得る。

【0102】

いくつかの実施形態において、訓練モジュール510は、モデル訓練アルゴリズムを使用して訓練サンプリングの複数のグループに基づき初期機械学習モデルを訓練することによってターゲット機械学習モデルを生成し得る。例示的なモデル訓練アルゴリズムは、勾配降下アルゴリズム、ニュートンのアルゴリズム、準ニュートンアルゴリズム、レーベンベルグ-マルカートアルゴリズム、共役勾配アルゴリズム、もしくは同様のもの、またはそれらの組合せを含み得る。ターゲット機械学習モデルの生成に関するさらなる説明は、本開示の他の場所(たとえば、図7およびその説明)において見出され得る。

【0103】

606において、処理デバイス120a(たとえば、画像再構成モジュール506)は、第2の信号に基づき画像を生成し得る。

【0104】

いくつかの実施形態において、処理デバイス120aは、第2の信号に基づき、消滅事象によって生成される放射線(たとえば、ガンマ線およびガンマ光子)の光子情報を取得し得る。処理デバイス120aは、放射線の光子情報に基づき画像を生成し得る。放射線は、検出器内に堆積された(または相互作用した)入射光子(たとえば、ガンマ光子)を含み得る。放射線の光子情報は、入射光子の堆積位置情報、入射光子のエネルギー堆積情報、入射光子の到達時間情報、もしくは同様のもの、またはそれらの任意の組合せを含み得る。入射光子の堆積位置情報は、入射光子が吸収され、検出器(たとえば、検出器の水晶コンポーネント)内に堆積される位置(または相互作用位置)を含み得る。入射光子は、検出器の単一の位置または複数の位置に堆積され得る。入射光子のエネルギー堆積情報は、入射光子がその位置に堆積されたときその位置で堆積/交換されるエネルギーの量を指すものとしてよい。入射光子の到達時間情報は、入射光子が検出器に衝突する時間を指すものとしてよい。

【0105】

たとえば、処理デバイス120aは、第2の信号に対して積分処理を行うことによって入射光子のエネルギー堆積情報を取得し得る。他の例として、処理デバイス120aは、アンガーアルゴリズムに基づき、第2の信号を処理することによって入射光子の堆積位置情報を取得し得る。たとえば、シンチレーション検出器(すなわち、1つまたは複数のシンチレータを含む検出器)が、位置決定、たとえば、入射光子の堆積位置情報を検出するかまたは決定するために使用され得る。入射光子の堆積位置情報からのずれは、入射光子の堆積位置情報に基づき生成される画像の画質の低下を引き起こし得る。したがって、画像再構成のためにより正確なデータを取得するために信号のエネルギー分解能を高めることが望ましい。

【0106】

放射線(たとえば、ガンマ線)がシンチレータと相互作用するとき、シンチレータに動作可能に結合された光電変換コンポーネントは、電気信号を出力し得る。一般的に、共通重心アプローチは、入射光子の堆積位置情報(たとえば、入射光子に対応する放射線(たとえば、ガンマ線)の入射位置)を決定するために使用される。実際のアプリケーションでは、放射線(たとえば、ガンマ線)とシンチレータとの間に光電効果、コンプトン散乱、および電子対効果の3種類の相互作用があり得る。電子対効果は、通常、高いエネルギーレベルの放射線(たとえば、ガンマ線)に対して起こり得る。光電効果およびコンプトン散乱は、最も支配的な2種類の相互作用であり得る。光電効果が生じるとき、放射線(たとえば、ガンマ線)のエネルギーは、放射線(たとえば、ガンマ線)が最初に検出器と相互作用するシンチレータに完全に堆積され、次いで、放射線(たとえば、ガンマ線)の最初の相互作用位置は、共通重心アプローチに従って正確に求められ得る。コンプトン散乱が生じたとき、放射線(ガンマ線など)のエネルギーは、2つまたはそれ以上のシンチレータ内に堆積され得る。そのような場合、初期相互作用位置として堆積エネルギーの共通重心位置(すなわち、シンチレータの位置)を使用して決定された放射線(たとえば、ガンマ線)の相互作用位置は、不正確である可能性があり得、その結果、放射線(たとえば、ガンマ線)の決定された堆積位置情報に誤差を生じ得る。したがって、放射線(たとえば、ガンマ線)の堆積位置情報は、コンプトン散乱シーケンス(たとえば、放射線(たとえば、ガンマ線)が2つまたはそれ以上のシンチレータと相互作用するときの相互作用時間点を示すシーケンス)が回復された後に決定される必要があり得る。従来のアンガーアルゴリズムは、制限されたコンプトン散乱シーケンスの回復をもたらすか、またはもたらさないことがある。従来のアンガーアルゴリズムの効果は、堆積されたエネルギーの共通重心(すなわち、シンチレータの位置)を初期相互作用位置として割り当てることと等価であり得る。たとえば、放射線(たとえばガンマ線)のコンプトン散乱エネルギーを吸収するシンチレータが複数あるとき、複数のシンチレータに対応する複数のPMTまたはSiPMは異なる電気信号を生成し得る。アンガーアルゴリズムは、複数のPMTまたはSiPMの電気信号を総和することによって放射線(たとえば、ガンマ線)の相互作用エネルギーを決定し、たとえば、それらが検出した信号の強度に基づき重み付けされた複数のPMTまたはSiPMの位置を平均することによって放射線(たとえば、ガンマ線)の相互作用位置を決定するために使用され得る。さらに他の例として、処理デバイス120aは、第2の信号の振幅が第2の信号の立ち上がりエッジに沿って閾値振幅に達する時点を特定し得る。処理デバイス120aは、この時点に基づき、入射光子の到達時間情報を取得し得る。たとえば、処理デバイス120aは、この時点を入射光子の到達時間として指定し得る。

【0107】

いくつかの実施形態において、図4Aおよび図4Bに関連して説明されているように、検出器は、複数の検出器ブロックを含み得る。検出器ブロックは、複数の放射線(たとえば、被検体から放出されたガンマ光子)を受け取り、複数の放射線(たとえば、ガンマ線)に応答して電気信号を生成し得る。処理デバイス120aは、電気信号を処理して、複数の放射線(たとえば、ガンマ線)の光子情報を取得し得る。処理デバイス120aは、複数の放射線の相互作用位置および相互作用時間に基づき1つまたは複数の同時計数事象を決定し得る。2つの放射線が、特定の時間ウィンドウ(たとえば、1ナノ秒、2ナノ秒、5ナノ秒、10ナノ秒、20ナノ秒など)内に検出器の2つのシンチレータに衝突し、相互作用する場合、2つの放射線は、同じ消滅に由来すると判定され、同時計数事象とみなされ得る。同時計数事象は、同時計数事象を検出する2つの関連するシンチレータを結ぶ同時計測線(LOR)に割り当てられ得る。処理デバイス120aは、同じLORに割り当てられた同時計数事象を投影し、複数のLORに関係する画像データを生成し得る。さらに、処理デバイス120aは、たとえば、ノイズ除去アルゴリズム、再構成アルゴリズム、補正アルゴリズムなどを含む1つまたは複数のアルゴリズムを使用して画像データに基づき画像を生成し得る。例示的な再構成アルゴリズムは、反復再構成アルゴリズム(たとえば、最大尤度期待値最大化(MLEM)アルゴリズム、順序部分集合期待値最大化(OSEM)アルゴリズム)、フィルタ補正逆投影(FBP)アルゴリズム、3D再構成アルゴリズム、もしくは同様のもの、またはそれらの任意の組合せを含み得る。例示的な補正アルゴリズムは、ランダム補正、散乱補正、減衰補正、不感時間補正、正規化、もしくは同様のもの、またはそれらの任意の組合せを含み得る。

【0108】

プロセス600の上記の説明は、単に例示することを目的として、提供されたものであり、本開示の範囲を限定することを意図したものではないことに留意されたい。当業者にとっては、複数の変更形態または修正形態が本開示の教示の下で形成され得ることは明らかである。しかしながら、それらの変更形態および修正形態は、本開示の範囲から逸脱しない。いくつかの実施形態において、動作606の一部は、検出器によって行われ得る。たとえば、検出器は、第2の信号に基づき、放射線の光子情報を取得し得る。検出器は、放射線の光子情報に基づき複数のLORに関係する画像データを生成し得る。次いで、処理デバイス120aは、画像データを取得し、画像データに基づき画像を生成し得る。他の例として、動作606は、検出器によって行われてもよい。すなわち、信号生成動作および画像生成動作は両方とも検出器によって行われてもよい(たとえば、検出器の1つまたは複数の処理回路によって行われる)。いくつかの実施形態において、動作606は省かれ得る。第2の信号に基づき画像データを生成するための動作は、動作604の後に追加され得る。そのような場合、プロセス600は、検出器の1つまたは複数の処理回路によって実装され得る。

【0109】

図7は、本開示のいくつかの実施形態によるターゲット機械学習モデルを生成するための例示的なプロセスを例示するフローチャートである。いくつかの実施形態において、図7に例示されているプロセス700の1つまたは複数の動作は、図1に例示さているイメージングシステム100において実装され得る。たとえば、図7に例示されているプロセス700は、命令の形態でストレージデバイス130に記憶され、処理デバイス120(たとえば、図2に例示されているようなコンピューティングデバイス200のプロセッサ210、図3に例示されているようなモバイルデバイス300のGPU330もしくはCPU340、または図5Bに例示されているような処理デバイス120bのモジュール)によって呼び出されおよび/または実行され得る。いくつかの実施形態において、図6に例示されている動作604の一部は、プロセス700に従って行わされ得る。たとえば、動作604において説明されているようなターゲット機械学習モデルは、プロセス700に従って決定され得る。

【0110】

702において、処理デバイス120b(たとえば、取得モジュール508)は、訓練サンプルの複数のグループを取得し得る。訓練サンプルのグループは、1つまたは複数のサンプル信号と、1つまたは複数のサンプル信号に対応する参照信号とを含み得る。

【0111】

本明細書において使用されているように、1つまたは複数のサンプル信号および/または参照信号は、サンプルアナログ信号(たとえば、サンプル電気信号またはサンプル電気パルス)をサンプリングすることによって生成されるデジタル信号(たとえば、デジタル波信号)の形態であってもよい。いくつかの実施形態において、1つまたは複数のサンプル信号および参照信号は、異なるサンプリング周波数に対応するものとしてよい。サンプル信号に対応するサンプリング周波数は、訓練サンプリング周波数とも称され得る。参照信号に対応するサンプリング周波数は、参照サンプリング周波数とも称され得る。たとえば、1つまたは複数のサンプル信号は、1つまたは複数の異なる訓練サンプリング周波数に従って、検出器のサンプル電気信号をそれぞれサンプリングすることによって獲得され得る。参照信号は、参照サンプリング周波数に従って、サンプル電気信号をサンプリングすることによって獲得され得る。参照サンプリング周波数は、1つまたは複数の異なる訓練サンプリング周波数の各々と異なっていてもよい。たとえば、参照サンプリング周波数は、1つまたは複数の異なる参照サンプリング周波数の各々よりも高くなり得る。1つまたは複数の異なる訓練サンプリング周波数の各々は、メガヘルツ(MHz)のオーダーであってもよく、これは、動作602で説明されているように、第1のサンプリング周波数に類似している。参照サンプリング周波数は、ギガヘルツ(GHz)のオーダーであってもよく、これは動作604で説明されているような第2のサンプリング周波数に類似している。

【0112】

いくつかの実施形態において、参照サンプリング周波数は、1つまたは複数の異なる訓練サンプリング周波数の各々よりも高くてもよいので、参照信号は、1つまたは複数のサンプル信号の各々よりも高い忠実度を有し得る。図8Aは、例示的なサンプル信号を例示しており、図8Bは、図8Aに例示されているようなサンプル信号に対応する例示的な参照信号を例示している。サンプル信号810は、訓練サンプリング周波数に従って、特定のサンプル電気信号をサンプリングすることによって生成され得る。サンプル信号810は、ダウンサンプリング信号とも称され得る。サンプル信号810は、図8Aの曲線内の白丸によって例示されるように第1の複数のサンプリング点811を含み得る。参照信号820は、訓練サンプリング周波数よりも高い参照サンプリング周波数に従って、特定のサンプル電気信号をサンプリングすることによって生成され得る。参照信号820は、オリジナル信号とも称され得る。参照信号は、図8Bの曲線内の白丸によって例示されるように第2の複数のサンプリング点821を含み得る。ある時間期間内の第1の複数のサンプリング点811のカウント(または数)は、同じ時間期間内の第2の複数のサンプリング点821のカウント(または数)よりも低くてもよい。したがって、参照信号820は、サンプル信号810よりも特定のサンプル電気信号で搬送される情報をより多く含むかまたは保存し得る、すなわち参照信号820は、サンプル信号810よりも高い忠実度を有し得る。サンプル信号810および参照信号820は、サンプル電気信号の立ち上がりエッジおよび立ち下がりエッジの両方でサンプル電気信号をサンプリングすることによって生成されるが、訓練サンプルのグループのサンプル信号およびその対応する参照信号は、その立ち上がりエッジのみでサンプル電気信号をサンプリングすることによって生成され得ることに留意されたい。

【0113】

いくつかの実施形態において、サンプル電気信号は、サンプル検出器に入射する放射線(たとえば、ガンマ線)を検出するためのサンプル検出器(たとえば、実験検出器、実験環境において動作する検出器、または図6において説明されている検出器のタイプと同じ検出器)の検出ユニットによって生成され得る。放射線は、サンプル被検体から放出されてもよい。本明細書において使用されているように、サンプル被検体は、本開示の他の場所で説明されているような被検体に類似しているものとしてよい。たとえば、サンプル検出器は、1つまたは複数の異なる訓練サンプリング周波数および参照サンプリング周波数に従ってサンプル電気信号をサンプリングするための複数のチャネルを有するように構成され得る。いくつかの実施形態において、サンプル被検体は、異なる用量の放射性トレーサーを複数回注射され得る。各注射後、訓練サンプルの複数のグループのうちの1つのグループが、1つまたは複数の異なる訓練サンプリング周波数および参照サンプリング周波数に従って、サンプル検出器に衝突する放射線(たとえば、サンプル被検体から放出されるガンマ線)に対応する電気信号をサンプリングすることによって生成され得る。いくつかの実施形態において、複数のサンプル被検体があり得、複数のサンプル被検体の各々は、検出用の放射性トレーサーを同じまたは異なる用量で注射され得る。各注射後、訓練サンプルの複数のグループのうちの1つのグループが、1つまたは複数の異なる訓練サンプリング周波数および参照サンプリング周波数に従って、サンプル検出器に衝突する放射線(たとえば、複数のサンプル被検体のうちの1つから放出されるガンマ線)に対応する電気信号をサンプリングすることによって生成され得る。いくつかの実施形態において、特定の訓練サンプリング周波数に対応する1つまたは複数のサンプル信号のうちの1つのサンプル信号に対して、同じサンプル被検体は、同じ用量の放射性トレーサーを複数回注射され得る。各注射後、放射線(たとえば、サンプル被検体から放出されるガンマ線)が同じサンプル検出器によって検出され、電気信号を生成し得る。電気信号は、特定の訓練サンプリング周波数に従ってサンプリングされ、初期サンプル信号を生成し得る。サンプル信号は、複数の初期サンプル信号に基づき(たとえば、複数の初期サンプル信号を平均することによって)決定され得る。同様に、参照信号は、複数の初期参照信号に基づき決定され得る。いくつかの実施形態において、サンプル検出器は、(たとえば、エネルギー消費の理由から)参照サンプリング周波数に従ってサンプリングするためのチャネルを持つように構成されないことがある。参照信号は、複数のサンプル信号(たとえば、参照信号と同じグループ内の1つまたは複数のサンプル信号)に基づき生成され得る。複数のサンプル信号の各々は、異なる訓練サンプリング周波数に対応し、複数のサンプル信号は、サンプル電気信号の重複するか、または異なる周波数情報を有し得るので、参照信号は、複数のサンプル信号に基づき生成され得る。たとえば、参照信号は、複数の信号の周波数情報を含むように生成され、参照信号は、複数のサンプル信号の各々よりも優れた忠実度を有し得る。他の例として、複数のサンプル信号は、第1の訓練サンプル周波数に対応する第1のサンプル信号と、第2の訓練サンプル周波数に対応する第2のサンプル信号とを含み得る。第1の訓練サンプル周波数は、第2の訓練サンプル周波数よりも低くてもよい。第1のサンプル信号は、サンプル電気信号のピーク情報を含まず、第2のサンプル信号は、サンプル電気信号のピーク情報を含み得る。参照情報は、第1のサンプル信号および第2のサンプル信号の各々よりも多くの情報を含むように第1のサンプル信号および第2のサンプル信号に基づき生成され得る。

【0114】

いくつかの実施形態において、訓練サンプルの複数のグループは、ストレージデバイス(たとえば、イメージングシステム100のストレージデバイス130、ストレージデバイス220、ストレージ390など、または処理デバイス120aがアクセスできる外部ストレージデバイス)に記憶されて得る。処理デバイス120bは、ストレージデバイスから訓練サンプルの複数のグループを取り出すものとしてよい。

【0115】

704において、処理デバイス120b(たとえば、取得モジュール508)は、初期機械学習モデルを取得し得る。

【0116】

いくつかの実施形態において、初期機械学習モデルは、ディープラーニングモデルであってもよい。たとえば、初期機械学習モデルは、図9およびその説明において例示されているように、畳み込み機械学習モデル(CNN)、完全畳み込みニューラルネットワーク(FCN)モデル、敵対的生成ネットワーク(GAN)、誤差逆伝搬(BP)機械学習モデル、放射基底関数(RBF)機械学習モデル、ディープビリーフネット(DBN)機械学習モデル、エルマン機械学習モデル、もしくは同様のもの、またはその組合せのうちの少なくとも1つに基づき構築され得る。いくつかの実施形態において、初期機械学習モデルは、複数の層、たとえば、入力層、複数の隠れ層、および出力層を含み得る。複数の隠れ層は、1つまたは複数の畳み込み層、1つまたは複数のプーリング層、1つまたは複数のバッチ正規化層、1つまたは複数の活性化層、1つまたは複数の全結合層、コスト関数層などを含み得る。複数の層の各々は、複数のノードを含み得る。初期機械学習モデルは、デジタル信号を入力とし、他のデジタル信号を出力とするように訓練され得る。

【0117】

いくつかの実施形態において、初期機械学習モデルは、複数のアーキテクチャパラメータおよび複数の学習パラメータによって定義されてもよい。複数の学習パラメータは、訓練サンプルの複数のグループを使用する初期機械学習モデルの訓練中に変更されてもよく、一方、複数のアーキテクチャパラメータは、訓練サンプルの複数のグループを使用する初期機械学習モデルの訓練中には変更されないことがある。複数のアーキテクチャパラメータは、初期機械学習モデルの訓練前にユーザによって設定されおよび/または調整され得る。初期機械学習モデルの例示的なアーキテクチャパラメータは、層のカーネルのサイズ、層の合計カウント(または総数)、各層内のノードのカウント(または数)、学習率、ミニバッチサイズ、エポックなどを含み得る。初期機械学習モデルの例示的な学習パラメータは、2つの結合されたノード間の結合重み、ノードに関係するバイアスベクトルなどを含み得る。2つの結合ノードの間の結合重みは、ノードの出力値の割合を他の結合ノードの入力値として表すように構成され得る。ノードに関係するバイアスベクトルは、原点から逸脱するノードの出力値を制御するように構成され得る。

【0118】

706において、処理デバイス120b(たとえば、訓練モジュール510)は、訓練サンプルの複数のグループを使用して、初期機械学習モデルを訓練することによって、ターゲット機械学習モデルを生成し得る。

【0119】

いくつかの実施形態において、初期機械学習モデルは、訓練アルゴリズムを使用して訓練され得る。例示的な訓練アルゴリズムは、勾配降下アルゴリズム、ニュートンのアルゴリズム、準ニュートンアルゴリズム、レーベンベルグ-マルカートアルゴリズム、共役勾配アルゴリズム、もしくは同様のもの、またはそれらの組合せを含み得る。いくつかの実施形態において、初期機械学習モデルは、コスト関数に基づき複数の反復を行うことによって学習され得る。複数の反復の前に、初期機械学習モデルの複数の学習パラメータが初期化され得る(たとえば、ガウスランダムアルゴリズム、Xavierアルゴリズムなどに基づく)。次いで、終了条件が満たされるまで、複数の反復が行われ、初期機械学習モデルの複数の学習パラメータを更新し得る。終了条件は、初期機械学習モデルが十分に訓練されたかどうかを示すインジケータを提供し得る。たとえば、終了条件は、初期機械学習モデルに関連付けられているコスト関数の値が最小であるか、または閾値(たとえば、定数)よりも小さい場合に満足され得る。他の例として、終了条件は、コスト関数の値が収束した場合に満たされ得る。収束は、2回またはそれ以上の連続する反復におけるコスト関数の値の変動が閾値(たとえば、定数)よりも小さい場合に発生したとみなされる。さらなる一例として、終了条件は、訓練プロセスにおいて指定された回数の反復が行われたとき、満たされ得る。

【0120】

単なる例として、終了条件は、コスト関数の値が閾値より小さいことを含む。複数の反復の各々について、1つまたは複数のサンプル信号および訓練サンプルのグループ内の参照信号が、初期機械学習モデルに入力され得る。1つまたは複数のサンプル信号および参照信号は、初期機械学習モデル(または前の反復で生成された中間機械学習モデル)の1つまたは複数の層によって処理され、各々が1つまたは複数のサンプル信号のうちの1つに対応する1つまたは複数の推定信号を生成するものとしてよい。1つまたは複数の推定信号の各々は、初期機械学習モデル(または以前の反復で生成された中間機械学習モデル)のコスト関数に基づき参照信号と比較され得る。初期機械学習モデル(または以前の反復で生成された中間機械学習モデル)のコスト関数は、初期機械学習モデル(または以前の反復で生成された中間機械学習モデル)の推定値(たとえば、1つまたは複数の推定信号の各々)と所望の値(たとえば、参照信号)との間の差を評価するように構成され得る。現在の反復においてコスト関数の値が閾値を超える場合、初期機械学習モデル(または以前の反復で生成された中間機械学習モデル)の複数の学習パラメータは、コスト関数の値(すなわち、1つまたは複数の推定信号の各々と参照信号との差)が閾値より小さくなることを引き起こすように調整され更新され得る。したがって、次の反復において、終了条件が満たされるまで、上述のように訓練サンプルの他のグループが、初期機械学習モデル(または前の反復で生成された中間機械学習モデル)に入力され得る。

【0121】

いくつかの実施形態において、処理デバイス120bは、訓練された機械学習モデルをターゲット機械学習モデルとして指定し得る。ターゲット機械学習モデルは、各々が異なるサンプリング周波数に対応する信号(たとえば、デジタル信号)の間のマッピングである1つまたは複数の候補マッピングを提供し得る。候補マッピングの各々は、第1のサンプリング周波数に対応する第1の信号(たとえば、1つまたは複数のサンプル信号のうちの1つのサンプル信号)を、第1のサンプリング周波数とは異なる第2のサンプリング周波数に対応する第2の信号(たとえば、サンプル信号に対応する参照信号)に変換するように構成された変換関数を含み得る。ターゲット機械学習モデルは、入力信号のサンプリング周波数および出力信号の所望のサンプリング周波数に基づき、1つまたは複数の候補マッピングからターゲットマッピングを特定するように構成され得る。

【0122】

いくつかの実施形態において、ターゲット機械学習モデルの1つまたは複数の候補マッピングの各々は、別個の訓練プロセスで訓練されてよい。サンプリング周波数Aの信号Aからサンプリング周波数Bの信号Bへの変換を指定する候補マッピングの訓練プロセスにおいて、サンプリング周波数Aのサンプル信号および参照サンプリング周波数Bの参照信号が使用され得る。訓練プロセスは反復的であってもよい。サンプリング周波数Aのサンプル信号および参照サンプリング周波数Bの対応する参照信号をそれぞれ含む複数の対が、反復訓練プロセスの1回の反復で使用され得る。そのような複数の対は、訓練サンプルの複数のグループから取り出され得る。あるいは、1つまたは複数の候補マッピングの各々は、別個の訓練プロセスで訓練され、1つまたは複数の候補マッピングは、異なるターゲット機械学習モデルに対応し得る。すなわち、各々2つの異なるサンプリング周波数に対応するデジタル信号間の候補マッピングを提供する1つまたは複数のターゲット機械学習モデルがあり得る。

【0123】

いくつかの実施形態において、ターゲット機械学習モデルは、ユーザの命令、臨床上の要求、訓練サンプルの更新されたグループの利用可能性、一定期間にわたる追加されたサンプルのグループ(たとえば、602で取得された第1の信号および604で生成された第2の信号)に従って、またはイメージングシステム100の既定の設定に基づき設定されたスケジュールに従って、更新され得る。たとえば、ターゲット機械学習モデルは、設定された間隔(たとえば、1ヶ月おき、2ヶ月おきなど)で更新されてもよい。他の例として、ターゲット機械学習モデルは、一定期間(たとえば、1ヶ月おき、2ヶ月おきなど)にわたって追加されたサンプルのグループに基づき更新され得る。一定期間にわたる追加されたサンプルのグループの量が閾値よりも大きい場合、ターゲット機械学習モデルは、追加されたサンプルのそれらのグループに基づき更新され得る。

【0124】

プロセス700の上記の説明は、単に例示することを目的として、提供されたものであり、本開示の範囲を限定することを意図したものではないことに留意されたい。当業者にとっては、複数の変更形態または修正形態が本開示の教示の下で形成され得ることは明らかである。しかしながら、それらの変更形態および修正形態は、本開示の範囲から逸脱しない。いくつかの実施形態において、訓練サンプリング周波数および/または参照サンプリング周波数は、サンプル信号および参照信号とともに初期機械学習モデルに入力され得る。いくつかの実施形態において、訓練された機械学習モデルがターゲット機械学習モデルとして指定される前に、訓練された機械学習モデルは、検証サンプルの1つまたは複数のグループを使用してテストされ得る。検証サンプルの1つまたは複数のグループは、訓練プロセスで使用されないサンプルを含み得る。検証サンプルのグループは、訓練された機械学習モデルの入力としての1つまたは複数の検証信号と、1つまたは複数の検証信号に対応する検証参照信号とを含み得る。検証サンプルの1つまたは複数のグループは、訓練サンプルの複数のグループの生成に類似する方式で生成され得る。いくつかの実施形態において、検証サンプルの複数のグループのカウント(または数)は、訓練サンプルの複数のグループのカウント(または数)よりも小さくてもよい。たとえば、検証サンプルの複数のグループのカウント(または数)と訓練サンプルの複数のグループのカウント(または数)との比は、7:2、6:1などであってよい。いくつかの実施形態において、処理デバイス120bは、検証サンプルの複数のグループを使用して訓練済み機械学習モデルを調整し得る。たとえば、訓練された機械学習モデルのテストが満足の行くものでないことが判明した場合、処理デバイス120bは、検証サンプルの複数のグループに基づき訓練済み機械学習モデルを調整し、そうでない場合、処理デバイス120bは、訓練済み機械学習モデルを指定し得る。

【0125】

図9は、本開示のいくつかの実施形態による例示的なディープラーニングモデルを例示する概略図である。図9に示されているように、ディープラーニングモデル900は、入力層920、隠れ層940、および出力層960を含むCNNモデルであってよい。複数の隠れ層940は、1つまたは複数の畳み込み層、1つまたは複数の正規化線形関数層(ReLU層)、1つまたは複数のプーリング層、1つまたは複数の全結合層、もしくは同様の層、またはそれらの組合せを含み得る。

【0126】

例示することを目的として、例示的な隠れ層940は、畳み込み層940-1、プーリング層940-2、および全結合層940-Nを含み得る。プロセス700に関連して説明されているように、1つまたは複数のサンプル信号および訓練サンプルの参照信号は、CNNモデルの入力として取得され、入力層920に入力され得る。

【0127】

畳み込み層940-1は、複数のカーネル(たとえば、A、B、C、およびD)を含み得る。たとえば、複数のカーネルの数は、16から64の範囲内、たとえば、32であってよい。複数のカーネルは、訓練サンプル(たとえば、図7において説明されているような1つまたは複数のサンプル信号および訓練サンプルの参照信号)の特徴を抽出するために使用され得る。

【0128】

プーリング層940-2は、畳み込み層940-1の出力を入力とするものとしてよい。プーリング層940-2は、複数のプーリングノード(たとえば、E、F、G、およびH)を含み得る。複数のプーリングノードは、畳み込み層940-1の出力をサンプリングするために使用され、したがって、データ処理の計算負荷を低減し、イメージングシステム100のデータ処理の速度を高め得る。

【0129】

全結合層940-Nは、複数のニューロン(たとえば、O、P、M、およびN)を含み得る。複数のニューロンは、プーリング層などの、前の層からの複数のノードに接続され得る。全結合層940-Nでは、複数のニューロンに対応する複数のベクトルが、訓練サンプルの特徴(たとえば、図7において説明されているような1つまたは複数のサンプル信号および訓練サンプルの参照信号)に基づき決定され、さらに複数の重み付け係数(すなわち、結合重み)で複数のベクトルを重み付けし得る。

【0130】

出力層960では、推定信号などの出力が、全結合層940-Nにおいて取得された複数のベクトルおよび重み付け係数に基づき決定され得る。

【0131】

CNNモデルは、異なる条件下で適用されたとき修正され得ることに留意されたい。たとえば、訓練プロセスにおいて、損失関数(本開示では、コスト関数とも称される)層が、推定出力(たとえば、推定信号)と真のラベル(たとえば、参照信号)との間の偏差を指定するために追加され得る。他の例として、適用プロセスにおいて、第1のデジタル信号(たとえば、図6において説明されているような第1のサンプリング周波数に対応する第1の信号)が入力層920に入力され得る。複数の隠れ層940は、第1のデジタル信号を処理して、第2の信号(たとえば、図6に記載されるような第2のサンプリング周波数に対応する第2の信号)を生成し得る。

【0132】

いくつかの実施形態において、イメージングシステム100内のGPUなどの複数の処理ユニットが、CNNモデルのいくつかの層で並列処理を行うためにアクセスされ得る。並列処理は、CNNモデルの層内の異なるノードの計算が2つまたはそれ以上の処理ユニットに割り当てられ得るような方式で行われ得る。たとえば、1つのGPUがカーネルAおよびBに対応する計算を実行し、他のGPUが畳み込み層940-1のカーネルCおよびDに対応する計算を実行し得る。同様に、CNNモデル内の他のタイプの層の異なるノードに対応する計算は、複数のGPUによって並列に行われてもよい。

【0133】

図10は、本開示のいくつかの実施形態による第2の信号を生成するための例示的なプロセスを例示するフローチャートである。いくつかの実施形態において、図10に例示されているプロセス1000の1つまたは複数の動作は、図1に例示さているイメージングシステム100において実装され得る。たとえば、図10に例示されているプロセス1000は、命令の形態でストレージデバイス130に記憶され、処理デバイス120(たとえば、図2に例示されているようなコンピューティングデバイス200のプロセッサ210、図3に例示されているようなモバイルデバイス300のGPU330またはCPU340、およびまたは図5Aに例示されているような処理デバイス120aのモジュール)によって呼び出されおよび/または実行され得る。いくつかの実施形態において、プロセス600における動作604は、プロセス1000の動作によって達成され得る。

【0134】

1010において、処理デバイス120a(たとえば、生成モジュール504)は、ターゲット機械学習モデルの1つまたは複数の候補マッピングから、ターゲットマッピングを特定し得る。

【0135】

動作604に関連して説明されているように、ターゲットマッピングは、第1のサンプリング周波数に対応する第1の信号と第2のサンプリング周波数に対応する第2の信号との間のマッピングであってよい。いくつかの実施形態において、ターゲット機械学習モデルは、各々が異なるサンプリング周波数に対応する信号間のマッピングである1つまたは複数の候補マッピングを提供し得る。処理デバイス120aは、ターゲット機械学習モデルに基づき1つまたは複数の候補マッピングを取得し得る。処理デバイス120aは、第1のサンプリング周波数および/または第2のサンプリング周波数に基づきターゲット機械学習モデルの1つまたは複数の候補マッピングから、ターゲットマッピングを特定し得る。たとえば、処理デバイス120aは、第1のサンプリング周波数および第2のサンプリング周波数に対応する信号の間のマッピングである候補マッピングを、ターゲットマッピングとして決定し得る。

【0136】

1020において、処理デバイス120a(たとえば、生成モジュール504)は、ターゲットマッピングの第1の信号に基づき、第2の信号を生成し得る。

【0137】

いくつかの実施形態において、ターゲットマッピングは、第1の信号と第2の信号との間の関数変換を含み得る。処理デバイス120aは、変換関数に基づいて、第1の信号を第2の信号に変換し得る。

【0138】

プロセス1000の上記の説明は、単に例示することを目的として、提供されたものであり、本開示の範囲を限定することを意図したものではないことに留意されたい。当業者にとっては、複数の変更形態または修正形態が本開示の教示の下で形成され得ることは明らかである。しかしながら、それらの変更形態および修正形態は、本開示の範囲から逸脱しない。

【0139】

このように基本的な概念を説明したが、前述の詳細な開示が例としてのみ提示されており、限定しないことを意図されていることは、この詳細な開示を読んだ後であれば、当業者にとってはむしろ明らかであろう。様々な改変、改善、および修正が行われるものとしてよく、本明細書には明示的に説明されていないけれども、当業者には意図されたものである。これらの改変、改善、および修正は、本開示によって示唆されることが意図され、本開示の例示的な実施形態の精神および範囲のうちにある。

【0140】

さらに、本開示の実施形態を説明するために、特定の用語が使用されている。たとえば、用語「一実施形態」、「実施形態」、および/または「いくつかの実施形態」は、実施形態に関連して説明されている特定の特徴、構造、または特性が、本開示の少なくとも1つの実施形態に含まれることを意味する。したがって、本明細書の様々な部分における「実施形態」または「一実施形態」または「代替的実施形態」への2つまたはそれ以上の言及は、必ずしもすべてが同じ実施形態を指すわけではないことが強調され、また理解されるべきである。さらに、特定の特徴、構造、または特性は、本開示の1つまたは複数の実施形態において好適なものとして組み合わされ得る。

【0141】

さらに、本開示の態様は、任意の新しい、有用なプロセス、機械、製造、もしくは組成物、またはそれらの任意の新しい、有用な改良を含む、多数の特許可能なクラスまたは文脈のいずれかで本明細書において例示され、説明され得ることは、当業者によって理解されるであろう。したがって、本開示の態様は、全体がハードウェアで、全体がソフトウェア(ファームウェア、常駐ソフトウェア、マイクロコードなどを含む)で実装されるか、またはソフトウェアとハードウェアの実装形態を組み合わせて実装され、これらはすべて、本明細書において一般的に「ユニット」、「モジュール」、または「システム」と称され得る。さらに、本開示の態様は、コンピュータ可読プログラムコードが具現化される1つまたは複数のコンピュータ可読媒体内に具現化されたコンピュータプログラム製品の形態をとり得る。

【0142】

コンピュータ可読信号媒体は、その中に具現化されたコンピュータ可読プログラムコードを使用して、たとえば、ベースバンドで、または搬送波の一部として伝搬されるデータ信号を含み得る。そのような伝搬信号は、電磁気、光、もしくは同様のもの、またはこれらの好適な組合せを含む、様々な形態をとり得る。コンピュータ可読信号媒体は、コンピュータ可読記憶媒体でない、また命令実行システム、装置、もしくはデバイスで使用するための、または命令実行システム、装置、もしくはデバイスに関連して使用するためのプログラムを伝達、伝搬、もしくは搬送し得るコンピュータ可読媒体であってよい。コンピュータ可読信号媒体上に具現化されたプログラムコードは、ワイヤレス、有線、光ファイバケーブル、RF、もしくは同様のもの、または前述のものの任意の好適な組合せを含む、任意の好適な媒体を使用して伝送され得る。

【0143】

本開示の態様のための動作を行いためのコンピュータプログラムコードは、Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python、もしくは同様の言語などのオブジェクト指向プログラミング言語、「C」プログラミング言語、Visual Basic、Fortran2103、Perl、COBOL2102、PHP、ABAPなどの伝統的な手続き型プログラミング言語、Python、Ruby、およびGroovyなどの動的プログラミング言語、または他のプログラミング言語を含む、1つまたは複数のプログラミング言語の任意の組合せで書かれ得る。プログラムコードは、完全にユーザのコンピュータ上で実行してもよいし、部分的にユーザのコンピュータ上で実行してもよいし、独立型ソフトウェアパッケージとして実行してもよいし、一部はユーザのコンピュータ上で実行して、一部は遠隔コンピュータ上で実行してもよいし、あるいは完全に遠隔コンピュータまたはサーバ上で実行してもよい。後者のシナリオでは、リモートコンピュータは、ローカルエリアネットワーク(LAN)またはワイドエリアネットワーク(WAN)を含む、任意のタイプのネットワークを介してユーザのコンピュータに接続されるか、または接続は、外部コンピュータに対して(たとえば、インターネットサービスプロバイダを用いてインターネットを介して)もしくはクラウドコンピューティング環境内で行われるか、またはSoftware as a Service (SaaS)などのサービスとして提供され得る。

【0144】

さらに、処理要素またはシーケンスの暗黙の順序、または数字、文字、もしくは他の指定の使用は、したがって、請求項において指定され得るような順序を除く任意の順序に請求されるプロセスおよび方法を限定することを意図されていない。上記の開示は、様々な例を通して、現在、本開示の様々な有用な実施形態と考えられるものについて述べているが、そのような詳細は、その目的のためだけのものであり、付属の請求項は、開示されている実施形態に限定されるものではなく、逆に、開示されている実施形態の精神および範囲のうちにある修正形態および同等の配置構成をカバーすることを意図されていることは理解されるべきである。たとえば、上述の様々なコンポーネントの実装形態は、ハードウェアデバイスで具現化され得るけれども、これはまたソフトウェアのみの解決方法、たとえば、既存のサーバまたはモバイルデバイスへのインストレーションとして実装され得る。

【0145】

同様に、本開示の実施形態に関する前述の説明において、様々な特徴が、様々な発明実施形態のうちの1つまたは複数を理解するのを手助けする開示を合理化することを目的として単一の実施形態、図、またはその説明においてときにはグループ化されることは理解されるべきである。しかしながら、この開示方法は、請求されている主題が各請求項において明示的に述べられている以上の特徴を必要とする意図を反映するものとして解釈されるべきでない。むしろ、発明実施形態は、単一の前述の開示されているすべてには満たない数の特徴にある。

【0146】

いくつかの実施形態において、本出願のいくつかの実施形態を説明し請求するために使用される量または特性を表す数値は、「約」、「近似」、または「実質的に」という語によっていくつかの場合において修飾されると理解されるべきである。たとえば、「約」、「近似」、または「実質的に」は、断りのない限り、それが記述する値の±20%の変動を示すものとしてよい。したがって、いくつかの実施形態において、本明細書および付属の請求項に記載されている数値パラメータは、特定の実施形態によって取得されることを求められている所望の特性に応じて変化し得る近似値である。いくつかの実施形態において、数値パラメータは、報告された有効数字の桁数を考慮し、通常の丸め技法を適用することによって解釈されるべきである。本出願のいくつかの実施形態の広範な範囲を規定する数値範囲およびパラメータが近似値であるにもかかわらず、具体例において規定される数値は、実行可能な限り正確に報告される。

【0147】

本明細書において参照される特許、特許出願、特許出願の刊行物、および論文、書籍、仕様書、刊行物、文書、物、および/または同様のものの各々は、これらに関連付けられた審査ファイル履歴、本明細書と不整合の、または矛盾するもの、または本明細書に現在またはこれ以降関連付けられる請求項の最も広い範囲に関して制限的な影響を有し得るものを除き、すべての目的に関して、この参照により全体が本明細書に組み込まれる。たとえば、組み込まれた資料のいずれかに関連付けられる説明、定義、および/または用語の使用と、本明細書に関連付けられているものとの間に不整合または矛盾がある場合は、本明細書内の説明、定義、および/または用語の使用が優先するものとする。

【0148】

最後に、本明細書において開示されている本出願の実施形態は、本出願の実施形態の原理を例示するものであることは理解されるべきである。採用され得る他の修正は、本出願の範囲内にあり得る。したがって、たとえば、限定はしないが、本出願の実施形態の代替的構成は、本明細書の教示に従って利用され得る。したがって、本出願発明の実施形態は、正確に図示され説明されている通りのものに限定されない。

【符号の説明】

【0149】

100 イメージングシステム
110 スキャナ
111 ガントリー
112 検出器
113 検出領域
114 テーブル
120 処理デバイス
120a、120b 処理デバイス
130 ストレージデバイス
140 端末
140-1 モバイルデバイス
140-2 タブレットコンピュータ
140-3 ラップトップコンピュータ
150 ネットワーク
200 コンピューティングデバイス
210 プロセッサ
220 ストレージデバイス
230 入力/出力(I/O)
240 通信ポート
300 モバイルデバイス
310 通信ユニット
320 ディスプレイ
330 グラフィックプロセッシングユニット(GPU)
340 中央演算処理装置(CPU)
350 I/O
360 メモリ
370 モバイルオペレーティングシステム(OS)
380 アプリケーション(App)
390 ストレージ
400a 検出器
400b 検出器
402 検出ユニット
404 処理回路
410 検出器ブロック
412 水晶コンポーネント
414 光電変換コンポーネント
416 処理回路
502 取得モジュール
504 生成モジュール
506 画像再構成モジュール
508 取得モジュール
510 訓練モジュール
600 プロセス
700 プロセス
810 サンプル信号
811 第1の複数のサンプリング点
820 参照信号
821 第2の複数のサンプリング点
900 ディープラーニングモデル
920 入力層
940 隠れ層
940-1 畳み込み層
940-2 プーリング層
940-N 全結合層
960 出力層
1000 プロセス

【図1】