减弱分布图像生成装置、图像处理装置、放射线断层摄影系统、减弱分布图像生成方法、图像处理方法与流程

1.本公开涉及生成减弱分布图像的装置和方法、以及使用减弱分布图像进行发射扫描(emission scan)图像的减弱修正的装置和方法。


背景技术：

2.作为能够取得被检体(生物体)的断层图像的放射线断层摄影装置，可列举pet(positron emission tomography)装置和spect(single photon emission computed tomography)装置。
3.pet装置具备：检测部，其具有在放置有被检体的测量空间的周围排列的多个小型的放射线检测器。pet装置通过检测部利用同时计数法来检测伴随投入了正电子发射同位素(ri射线源)的被检体内的电子
·
正电子的对湮灭而产生的能量511kev的光子对，并且收集该同时计数信息。并且，基于该收集到的多个同时计数信息，能够重构表示测量空间中的光子对的产生频度的空间分布(即，ri射线源的空间分布)的断层图像。
4.此时，将按时间序列排列由pet装置收集到的同时计数信息的列表数据按照收集顺序分割为多个帧，使用该列表数据中的各帧中包含的数据进行图像重构处理，从而能够得到由多个帧的断层图像构成的动态pet图像。该pet装置在核医学领域等中发挥重要的作用，能够使用该pet装置进行例如生物体功能、脑的高级功能的研究。
5.在被检体内产生的光子除了在通过被检体时被吸收而减弱之外，在通过载置被检体的检查床时也被吸收而减弱。因此，为了取得更准确的断层图像，需要进行减弱修正。
6.例如，使用pet装置，对投放了包含ri射线源的药剂的被检体进行测量(发射扫描)而取得断层图像(发射扫描图像)，并且在未投放药剂的该被检体的周围一边使ri射线源旋转一边进行测量(透射扫描，transmission scan)来取得断层图像(透射扫描图像)。并且，使用透射扫描图像进行发射扫描图像的减弱修正。
7.发射扫描图像的减弱修正除了如上述那样使用通过由pet装置进行透射扫描而取得的透射扫描图像以外，还能够使用通过由x射线ct装置进行扫描而取得的x射线ct扫描图像。因此，为了进行减弱修正而取得更准确的断层图像，pet装置需要具有透射扫描机构或x射线ct扫描机构。这成为妨碍pet装置的简化、低价格化的一个原因。
8.以下，将包含从透射扫描图像和x射线ct扫描图像求取的能量511kev的减弱分布图像称为减弱分布图像。减弱分布图像表示被检体内的光子的减弱分布。通过使用该减弱分布图像，能够进行发射扫描图像的减弱修正。
9.非专利文献1、2中记载的技术，使用多组发射扫描图像和透射扫描图像来使卷积神经网络(cnn：convolutional neural network)学习，通过该学习完毕的cnn，根据减弱修正对象的发射扫描图像来生成减弱分布图像，并且使用该减弱分布图像来进行发射扫描图像的减弱修正。该技术即使在pet装置不具有透射扫描机构或x射线ct扫描机构的情况下，也能够通过使用学习完毕的cnn来进行减弱修正。
10.现有技术文献
11.非专利文献
12.非专利文献1：fang liu et al.,"a deep learning approach for 18f-fdg pet attenuation correction",ejnmmi physics 5:24,2018
13.非专利文献2：donghwi hwang et al.,"improving the accuracy of simultaneously reconstructed activity and attenuation maps using deep learning",journal of nuclear medicine vol.59 no.10,pp.1624-1629,2018


技术实现要素：

14.发明所要解决的问题
15.非专利文献1、2中记载的技术，以在取得用于cnn的学习的多组发射扫描图像和透射扫描图像时使用的pet装置与在取得减弱修正对象的发射扫描图像时使用的pet装置相同为前提。在该技术中，对于使用与用于cnn的学习的pet装置不同的pet装置而取得的发射扫描图像，无法生成准确的减弱分布图像，无法进行准确的减弱修正。
16.本发明的目的在于，提供一种即使是使用与用于神经网络的学习的放射线断层摄影装置不同的放射线断层摄影装置而取得的发射扫描图像，也能够根据该发射扫描图像生成更准确的减弱分布图像的装置和方法。
17.用于解决问题的手段
18.本发明的第1方式是一种减弱分布图像生成装置。减弱分布图像生成装置具备：(1)第1处理部，其向将多个被检体各自的发射扫描图像作为输入图像并将基于减弱分布图像的被检体区域提取图像作为训练图像而学习了的神经网络，输入减弱修正对象的发射扫描图像，并且从该神经网络输出中间图像；和(2)第2处理部，其将在取得减弱修正对象的发射扫描图像时载置了被检体的检查床的像加入中间图像，来生减弱分布图像。
19.本发明的第2方式是一种减弱分布图像生成装置。减弱分布图像生成装置具备：(1)第1处理部，其向将多个被检体各自的发射扫描图像作为输入图像并将减弱分布图像作为训练图像而学习了的神经网络，输入减弱修正对象的发射扫描图像，并从该神经网络输出中间图像；和(2)第2处理部，其将在取得减弱修正对象的发射扫描图像时载置了被检体的检查床的像加入基于中间图像的被检体区域提取图像，来生减弱分布图像。
20.本发明的另一方式是一种图像处理装置。图像处理装置具备：(1)上述的第1或第2方式的减弱分布图像生成装置；和(2)减弱修正部，其使用由减弱分布图像生成装置生成出的减弱分布图像，来进行减弱修正对象的发射扫描图像的减弱修正。
21.本发明的另一方式是一种放射线断层摄影系统。放射线断层摄影系统具备：(1)放射线断层摄影装置，其用于取得减弱修正对象的发射扫描图像；(2)上述的第1或第2方式减弱分布图像生成装置；和(3)减弱修正部，其使用由减弱分布图像生成装置生成的减弱分布图像，来进行减弱修正对象的发射扫描图像的减弱修正。
22.本发明的第1方式是一种减弱分布图像生成方法。减弱分布图像生成方法具备：(1)第1处理步骤，向将多个被检体各自的发射扫描图像作为输入图像并将基于减弱分布图像的被检体区域提取图像作为训练图像而学习了的神经网络，输入减弱修正对象的发射扫描图像，并且从该神经网络输出中间图像；和(2)第2处理步骤，将在取得减弱修正对象的发
射扫描图像时载置了被检体的检查床的像加入中间图像，来生减弱分布图像。
23.本发明的第2方式是一种减弱分布图像生成方法。减弱分布图像生成方法具备：(1)第1处理步骤，向将多个被检体各自的发射扫描图像作为输入图像并将减弱分布图像作为训练图像而学习了的神经网络，输入减弱修正对象的发射扫描图像，并且从该神经网络输出中间图像；和(2)第2处理步骤，将在取得减弱修正对象的发射扫描图像时载置了被检体的检查床的像加入基于中间图像的被检体区域提取图像，来生减弱分布图像。
24.本发明的另一方式是一种图像处理方法。图像处理方法具备：(1)上述的第1或第2方式的减弱分布图像生成方法；和(2)减弱修正步骤，使用通过减弱分布图像生成方法生成的减弱分布图像，来进行减弱修正对象的发射扫描图像的减弱修正。
25.发明效果
26.根据本发明的各方式，即使是使用与用于神经网络的学习的放射线断层摄影装置不同的放射线断层摄影装置而取得的发射扫描图像，也能够根据该发射扫描图像生成更准确的减弱分布图像。
附图说明
27.图1是示出放射线断层摄影系统1的结构的图。
28.图2是示出使用于减弱分布图像生成部22的第1处理部31的cnn学习的学习系统2的结构的图。
29.图3是第1方式的cnn学习的流程图。
30.图4是第1方式的减弱分布图像生成和减弱修正的流程图。
31.图5是基于减弱分布图像生成被检体区域提取图像的处理(步骤s12)的流程图。
32.图6是说明在图5的流程图的各步骤中生成的图像的一例的图。
33.图7是第2方式的cnn学习的流程图。
34.图8是第2方式的减弱分布图像生成和减弱修正的流程图。
35.图9是减弱修正对象的发射扫描图像。
36.图10是x射线ct扫描图像(正确图像)。
37.图11是在第1实施例中假设在步骤s12中未去除检查床的像的情况下在步骤s22中生成的中间图像，并且是在第2实施例中在步骤s42中生成的中间图像。
38.图12是在第1实施例中在步骤s23中生成的减弱分布图像。
39.图13是在第2实施例中在步骤s43中生成的被检体区域提取图像。
40.图14是在第2实施例中步骤s43中生成的减弱分布图像。
具体实施方式
41.以下，参照附图，详细说明减弱分布图像生成装置、图像处理装置、放射线断层摄影系统、减弱分布图像生成方法和图像处理方法的实施方式。此外，在附图的说明中，对相同的要素标注相同的附图标记，并省略重复的说明。本发明并不限定于这些例示。
42.图1是示出放射线断层摄影系统1的结构的图。放射线断层摄影系统1具备放射线断层摄影装置10和图像处理装置20。图像处理装置20具备：图像重构部21、减弱分布图像生成部22和减弱修正部23。减弱分布图像生成部(减弱分布图像生成装置)22包括第1处理部
31和第2处理部32。
43.放射线断层摄影装置10是进行发射扫描并收集用于重构被检体的断层图像(发射扫描图像)的列表数据(发射扫描数据)的装置。作为放射线断层摄影装置10，可列举pet装置和spect装置。以下，以放射线断层摄影装置10为pet装置来进行说明。
44.放射线断层摄影装置10具备：检测部，其具有在载置有在检查床上载置的被检体的测量空间的周围排列的多个小型的放射线检测器。放射线断层摄影装置10通过检测部利用同时计数法来检测伴随投入了正电子发射同位素(ri射线源)的被检体内的电子
·
正电子的对湮灭而产生的能量511kev的光子对，并蓄积该同时计数信息。并且，放射线断层摄影装置10将该蓄积的多个同时计数信息按时间序列排列的数据作为列表数据(发射扫描数据)输出到图像处理装置20。
45.列表数据包含对光子对同时计数了的1对放射线检测器的识别信息和检测时刻信息。列表数据也可以还包含各放射线检测器检测出的光子的能量信息、和1对放射线检测器的检测时间差信息。
46.作为图像处理装置20，使用具有cpu、ram、rom和硬盘驱动器等的计算机。另外，图像处理装置20具备接受操作者的输入的输入部(例如，键盘、鼠标)，并且具备显示图像等的显示部(例如，液晶显示器)。
47.图像处理装置20，通过图像重构部21基于发射扫描数据来重构发射扫描图像，通过减弱分布图像生成部22基于发射扫描图像来生成减弱分布图像，并且通过减弱修正部23基于减弱分布图像来进行发射扫描图像的减弱修正。
48.作为在图像重构部21中基于发射扫描数据来重构发射扫描图像的技术，已知有基于ml-em(maximum likelihood expectation maximization)法、和通过对其进行了改良的块迭代法的逐次近似的图像重构技术。另外，作为通过块迭代法的逐次近似的图像重构技术，已知有osem(ordered subset ml-em)法、ramla(row-action maximum likelihood algorithm)法和drama(dynamic ramla)法等。
49.减弱分布图像生成部22的第1处理部31，输入通过由图像重构部21的重构处理而生成的发射扫描图像，使用学习完毕的神经网络，基于该发射扫描图像生成中间图像并输出。此处使用的神经网络优选为卷积神经网络(cnn)。第2处理部32，输入由第1处理部31生成的中间图像，基于该中间图像生成并输出减弱分布图像。关于第1处理部31和第2处理部32的详细内容将在后文叙述。
50.减弱修正部23，输入发射扫描数据，并且输入由减弱分布图像生成部22生成的减弱分布图像。并且，减弱修正部23基于减弱分布图像进行有减弱修正的图像重构，生成该修正后的断层图像。
51.图2是示出使用于减弱分布图像生成部22的第1处理部31的cnn学习的学习系统2的结构的图。学习系统2具备：cnn处理部41和评价部42。
52.在cnn的学习时，首先，准备多个被检体各自的发射扫描图像和减弱分布图像。此处准备的减弱分布图像也可以是通过由pet装置进行透射扫描而取得的透射扫描图像，也可以是通过由x射线ct装置进行扫描而取得的x射线ct扫描图像。
53.cnn处理部41将各被检体的发射扫描图像作为输入图像输入cnn，并且从该cnn输出输出图像。评价部42将该被检体的减弱分布图像(或者，基于减弱分布图像的被检体区域
提取图像(后述))用作训练图像，计算来自cnn处理部41的输出图像与训练图像之差(例如l2范数)。cnn处理部41基于由评价部42计算出的差来修正cnn的参数。通过使用多个被检体各自的发射扫描图像和减弱分布图像来进行这一系列处理，能够使cnn学习。
54.接着，对减弱分布图像生成部22的第1处理部31和第2处理部32各自的处理内容进行说明。针对这些处理，存在两个方式。另外，与此对应地，针对学习系统2中的cnn学习处理，也存在两个方式。
55.使用图3和图4，对第1方式的cnn学习和减弱分布图像生成进行说明。图3是第1方式的cnn学习的流程图。图4是第1方式的减弱分布图像生成和减弱修正的流程图。
56.在第1方式的cnn学习中，在步骤s11中，准备多个被检体各自的发射扫描图像和减弱分布图像。该减弱分布图像除了包含被检体的像以外，还包含载置了被检体的检查床的像，另外，有时还包含其他不需要的像。不需要的像是指，基于断层图像诊断被检体的状态时不需要的像，例如手臂的像。
57.在步骤s12中，从多个被检体各自的减弱分布图像去除检查床的像、不需要的像，从减弱分布图像提取被检体区域(例如头部区域)，生成被检体区域提取图像。在步骤s13中，通过学习系统2，使用多个被检体各自的发射扫描图像(输入图像)和被检体区域提取图像(训练图像)，来使cnn学习。
58.在第1方式的减弱分布图像生成中，在步骤s21中，通过图像重构部21，基于由放射线断层摄影装置10取得的发射扫描数据来生成发射扫描图像。此处生成的发射扫描图像成为减弱修正对象。
59.在第1处理步骤s22中，通过第1处理部31，将减弱修正对象的发射扫描图像输入学习完毕cnn，并从该cnn输出中间图像。该中间图像是与减弱修正对象的发射扫描图像对应的减弱分布图像，并且不包含取得该发射扫描图像时载置了被检体的检查床(放射线断层摄影装置10的检查床)的像。
60.在第2处理步骤s23中，通过第2处理部32，将取得减弱修正对象的发射扫描图像时载置了被检体的检查床(放射线断层摄影装置10的检查床)的像加入中间图像，生成包含该检查床的像的减弱分布图像。在减弱修正步骤s24中，通过减弱修正部23，使用在步骤s23中生成的减弱分布图像，进行在步骤s21中生成的发射扫描图像的减弱修正，生成减弱修正后的断层图像。
61.另外，在cnn学习(步骤s13)和由第1处理部31的处理(步骤s22)中，优选输入cnn的图像的像素数和图像中的被检体的大小一致。为此的前处理优选在步骤s13之前或步骤s22之前进行。
62.另外，在从减弱分布图像提取被检体区域的处理(步骤s12)中，如果在减弱分布图像中预先知道被检体的像、检查床的像和不需要的像各自的区域，则能够容易地生成被检体区域提取图像。另外，如图5的流程图和图6的图像例所示，通过对减弱分布图像依次进行二值化处理、闭运算(closing)处理、开运算(opening)处理、最大值滤波处理和掩模(mask)处理，也能够容易地生成被检体区域提取图像。
63.使用图7和图8，对第2方式的cnn学习和减弱分布图像生成进行说明。图7是第2方式的cnn学习的流程图。图8是第2方式的减弱分布图像生成和减弱修正的流程图。
64.在第2方式的cnn学习中，在步骤s31中，准备多个被检体各自的发射扫描图像和减
弱分布图像。该减弱分布图像除了包含被检体的像以外，还包含载置了被检体的检查床的像，另外，有时还包含其他不需要的像。
65.在步骤s32中，通过学习系统2，使用多个被检体各自的发射扫描图像(输入图像)和减弱分布图像(训练图像)，来使cnn学习。
66.在第2方式的减弱分布图像生成中，在步骤s41中，通过图像重构部21，基于由放射线断层摄影装置10取得的发射扫描数据来生成发射扫描图像。此处生成的发射扫描图像成为减弱修正对象。
67.在第1处理步骤s42中，通过第1处理部31，将减弱修正对象的发射扫描图像输入学习完毕cnn，并从该cnn输出中间图像。该中间图像是与减弱修正对象的发射扫描图像对应的减弱分布图像，有时包含载置被检体的检查床的像。
68.在第2处理步骤s43中，通过第2处理部32，从中间图像提取被检体区域，生成被检体区域提取图像。并且，在步骤s43中，通过第2处理部32，将取得减弱修正对象的发射扫描图像时载置了被检体的检查床(放射线断层摄影装置10的检查床)的像加入被检体区域提取图像，生成包含该检查床的像的减弱分布图像。在减弱修正步骤s44中，通过减弱修正部23，使用在步骤s43中生成的减弱分布图像，进行在步骤s41中生成的发射扫描图像的减弱修正，生成减弱修正后的断层图像。
69.另外，在cnn学习(步骤s32)和由第1处理部31的处理(步骤s42)中，优选输入cnn的图像的像素数和图像中的被检体的大小一致。为此的前处理优选在步骤s32之前或步骤s42之前进行。另外，第2方式中的、从中间图像提取被检体区域的处理(步骤s43)能够与第1方式中的、从减弱分布图像提取被检体区域的处理(步骤s12)同样地进行。
70.接着，对实施例进行说明。以下说明的第1实施例相当于上述实施方式的第1方式，第2实施例相当于上述实施方式的第2方式。
71.在第1实施例和第2实施例中的任一个中，均将1091病例的发射扫描图像和减弱分布图像用于cnn的学习。这些图像是使用浜松光子学(hamamatsu photonics)株式会社制的头部用pet装置shr-12000(以下，称为“装置a”)而取得的图像。该装置a具备透射扫描机构，减弱分布图像是透射扫描图像。
72.另外，在第1实施例和第2实施例中的任一个中，减弱修正对象的发射扫描图像(图9)均为使用浜松光子学株式会社制的全身用pet/ct装置shr-74000(以下，称为“装置b”)而取得的图像。该装置b具备x射线ct扫描机构。通过该机构取得的x射线ct扫描图像(图10)作为正确图像，仅用于与通过实施例生成的减弱分布图像的比较。装置a和装置b的载置被检体的检查床的形状不同。
73.图9是减弱修正对象的发射扫描图像。图10是x射线ct扫描图像(正确图像)。图11是在第1实施例中假设在步骤s12中未去除检查床的像的情况下在步骤s22中生成的中间图像。图12是在第1实施例中在步骤s23中生成的减弱分布图像。图11也是在第2实施例中在步骤s42中生成的中间图像。图13是在第2实施例中在步骤s43中生成的被检体区域提取图像。图14是在第2实施例中在步骤s43中生成的减弱分布图像。
74.即使装置a和装置b各自的检查床的形状不同，在第1实施例和第2实施例中分别生成的减弱分布图像(图12、图14)也包含检查床的像的形状地与x射线ct扫描图像(正确图像，图10)良好地一致。这样，在本实施方式中，即使是使用与用于神经网络的学习的pet装
置不同的pet装置而取得的发射扫描图像，也能够根据该发射扫描图像生成更准确的减弱分布图像。而且，通过使用该减弱分布图像，能够进行更准确的发射扫描图像的减弱修正。
75.本发明并不限定于上述实施方式和结构例，能够进行各种变形。例如，由于对被检体投放的药剂有多种，因此，在对每种药剂进行cnn的学习(步骤s13、s32)并基于减弱修正对象的发射扫描图像来求取中间图像的第1处理(步骤s22、s42)中，也可以使用针对该发射扫描时对被检体投放的药剂而学习了的cnn。
76.另外，在使用将多种药剂混合并对被检体投放而取得的发射扫描图像和减弱分布图像来进行cnn的学习(步骤s13、s32)并基于减弱修正对象的发射扫描图像来求取中间图像的第1处理(步骤s22、s42)中，也可以使用在该多种药剂的混合状态下学习了的cnn。在该情况下，在cnn的学习(步骤s13、s32)中，由于能够捕捉不依赖于药剂的种类的减弱分布的特征，因此，无论在获取减弱修正对象的发射扫描图像时对被检体投放的药剂的种类，或者即使投放的药剂是未知的，也能够生成准确的减弱分布图像。
77.上述实施方式的第1减弱分布图像生成装置构成为具备：(1)第1处理部，其向将多个被检体各自的发射扫描图像作为输入图像并将基于减弱分布图像的被检体区域提取图像作为训练图像而学习了的神经网络，输入减弱修正对象的发射扫描图像，并且从该神经网络输出中间图像；和(2)第2处理部，其将在取得减弱修正对象的发射扫描图像时载置了被检体的检查床的像加入中间图像，来生成减弱分布图像。
78.上述实施方式的第2减弱分布图像生成装置构成为具备：(1)第1处理部，其向将多个被检体各自的发射扫描图像作为输入图像并将减弱分布图像作为训练图像而学习了的神经网络，输入减弱修正对象的发射扫描图像，并且从该神经网络输出中间图像；和(2)第2处理部，其将在取得减弱修正对象的发射扫描图像时载置了被检体的检查床的像加入基于中间图像的被检体区域提取图像，来生成减弱分布图像。
79.上述实施方式的图像处理装置具备：(1)上述的第1或第2减弱分布图像生成装置；和(2)减弱修正部，其使用由减弱分布图像生成装置生成的减弱分布图像，来进行减弱修正对象的发射扫描图像的减弱修正。
80.上述实施方式的放射线断层摄影系统具备：(1)放射线断层摄影装置，其用于取得减弱修正对象的发射扫描图像；(2)上述的第1或第2减弱分布图像生成装置；和(3)减弱修正部，其使用由减弱分布图像生成装置生成的减弱分布图像，来进行减弱修正对象的发射扫描图像的减弱修正。
81.上述实施方式的第1减弱分布图像生成方法构成为具备：(1)第1处理步骤，向将多个被检体各自的发射扫描图像作为输入图像并将基于减弱分布图像的被检体区域提取图像作为训练图像而学习了的神经网络，输入减弱修正对象的发射扫描图像，并且从该神经网络输出中间图像；和(2)第2处理步骤，将在取得减弱修正对象的发射扫描图像时载置了被检体的检查床的像加入中间图像，来生成减弱分布图像。
82.上述实施方式的第2减弱分布图像生成方法构成为具备：(1)第1处理步骤，向将多个被检体各自的发射扫描图像作为输入图像并将减弱分布图像作为训练图像而学习了的神经网络，输入减弱修正对象的发射扫描图像，并且从该神经网络输出中间图像；和(2)第2处理步骤，将在取得减弱修正对象的发射扫描图像时载置了被检体的检查床的像加入基于中间图像的被检体区域提取图像，来生成减弱分布图像。
83.上述实施方式的图像处理方法具备：(1)上述的第1或第2减弱分布图像生成方法；和(2)减弱修正步骤，使用通过减弱分布图像生成方法生成的减弱分布图像，来进行减弱修正对象的发射扫描图像的减弱修正。
84.产业上的可利用性
85.本发明能够用作即使是使用与用于神经网络的学习的放射线断层摄影装置不同的放射线断层摄影装置而取得的发射扫描图像，也能够根据该发射扫描图像生成更准确的减弱分布图像的装置和方法。
86.符号说明
[0087]1…
放射线断层摄影系统、2
…
学习系统、10
…
放射线断层摄影装置、20
…
图像处理装置、21
…
图像重构部、22
…
减弱分布图像生成部、23
…
减弱修正部、31
…
第1处理部、32
…
第2处理部、41
…
cnn处理部、42
…
评价部。