JP7362460B2 - 医用画像処理装置、方法及び記憶媒体 - Google Patents

Description

本発明の実施形態は、医用画像処理装置、方法及び記憶媒体に関する。

コンピュータ断層撮影（ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ：ＣＴ）システム及び方法は、特に医用撮像及び医用診断に対して幅広く使用されている。ＣＴスキャンは、Ｘ線源とＸ線検出器との間の空間におけるＣＴスキャナ上に患者を置き、その後に係るＸ線源及びＸ線検出器がスキャンの間中に回転される時に異なる角度で患者を通してＸ線投影画像を撮ることにより、実行することができる。結果として得られる投影データは、「ＣＴサイノグラム」と呼ばれ、一つ又は複数の軸に沿った位置の関数として、そして別の軸に沿った投影角の関数として、身体を通過した減衰を示す。断層撮影画像を再構成するために、逆ラドン変換―又は任意のその他の画像再構成法―が投影データに実行される。

フィルタ補正逆投影（ｆｉｌｔｅｒｅｄ ｂａｃｋ－ｐｒｏｊｅｃｔｉｏｎ：ＦＢＰ）アルゴリズム、統計的逐次再構成（ｉｔｅｒａｔｉｖｅ ｒｅｃｏｎｔｓｔｕｃｔｉｏｎ：ＩＲ）アルゴリズムを含む投影データから、ＣＴ画像を再構成するために様々な方法を使用することができる。ＦＢＰ再構成法と比較すると、ＩＲ法は、放射線量が低減した改善された画質を提供することが可能である。よくＩＲ法は、再構成画像（例えば、放射線濃度における平滑さや区分的な均一性）における特定のアスペクト又は性質を助長／制約／強要するための正則化項（「正則項」とも呼ばれる）を含む。例えば、正則化が再構成画像に平滑さを強要する場合に、正則化パラメータβは、掛けるスムージングの度合を決定し、正則化パラメータβは、再構成画像における異なる点でスムージングの異なる度合を負わせるために空間的に変動することがある。

また、空間的に変動する正則化パラメータβは、再構成画像にわたって均一な解像度か、又は均一な統計的特性（例えば、信号対ノイズ比：ＳＮＲ）かのどちらかを提供することが提案されている。しかし、均一な解像度を持つ、又は均一な統計的特性を持つ画像は、特定のアプリケーションに対して、最良な性質での画像を生み出さないことが時々ある。従って、特定のアプリケーション用の再構成画像に対して、改善された方法が望まれるのである。

米国特許第９４７８０４９号明細書

Ｊ． Ａ． Ｆｅｓｓｌｅｒ ｅｔ ａｌ．、「Ｓｐａｔｉａｌ Ｒｅｓｏｌｕｔｉｏｎ Ｐｒｏｐｅｒｔｉｅｓ ｏｆ Ｐｅｎａｌｉｚｅｄ－Ｌｉｋｅｌｉｈｏｏｄ Ｉｍａｇｅ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ： Ｓｐａｃｅ－Ｉｎｖａｒｉａｎｔ Ｔｏｍｏｇｒａｐｈｓ，" ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ， ｖｏｌ． ５， １３４６－１３５８ （１９９６）

本発明が解決しようとする課題は、再構成画像にわたって良好な性質を提供するように、正則化パラメータに基づく再構成の手法を改善することである。

実施形態に係る医用画像処理装置は、第一の再構成部、分類部、決定部、及び第二の再構成部を具備する。
前記第一の再構成部は、被検体に照射されて前記被検体を通過したＸ線を検出することにより得られた投影データから第一のコンピュータ断層撮影（ＣＴ）画像を再構成する。
前記分類部は、前記第一のＣＴ画像を個別の臓器及び／又は組織タイプに対応する複数の領域へと分類する。
前記決定部は、前記複数の領域に対応する個別の第一の正則化パラメータを決定する。
前記第二の再構成部は、前記投影データと前記第一の正則化パラメータとを使用し、前記複数の領域の対応する領域における前記個別の第一の正則化パラメータにより調整された正則化項を使用して第二のＣＴ画像を再構成する。

図１Ａは、一実施形態に係る、小さなスムージング／デノイジングパラメータを使用して生成され、肺設定（即ち、ウィンドウレベルＷＬ＝－４００ハンスフィールドユニット（Ｈｏｕｎｓｆｉｅｌｄ Ｕｎｉｔ：ＨＵ）、ウィンドウ幅ＷＷ＝１５００ＨＵ）、を使用して表示された再構成ＣＴ画像のスライスにおける肺領域の例を示す図である。 図１Ｂは、一実施形態に係る、図１Ａで使用された小さなスムージング／デノイジングパラメータに比べて大きなスムージング／デノイジングパラメータを使用してＣＴ画像が生成されたことを除き、図１Ａと同じ表示設定を使用する同じ肺領域の例を示す図である。 図２Ａは、一実施形態に係る、小さなスムージング／デノイジングパラメータを使用して生成され、且つ軟部組織設定（即ち、ＷＬ＝４０ＨＵ及びＷＷ＝４００ＨＵ）を使用して表示されたＣＴ画像のスライスにおける軟部組織領域の例を示す図である。 図２Ｂは、一実施形態に係る、大きなスムージング／デノイジングパラメータを使用してＣＴ画像が生成されたことを除き、図２Ａと同じ軟部組織及び軟部組織表示設定の例を示す図である。 図３は、一実施形態に係る、空間的に変動する正則化パラメータβを使用する再構成画像のプロットを示す図である。 図４は、一実施形態に係る、空間的に変動する正則化パラメータβのプロットを示す図である。 図５は、一実施形態に係る、ＣＴ画像のコンテント／コンテキストに基づいた、空間的に変動する正則化定数を使用する画像を再構成するための方法のフローダイアグラムを示す図である。 図６は、一実施形態に係る、空間的に変動する正則化定数を計算するための処理のフローダイアグラムを示す図である。 図７は、一実施形態に係るＨＵ対βマッピングのプロットを示す図である。 図８Ａは、一実施形態に係る、統計的に一定の再構成画像のためのβマッピングを示す図である。 図８Ｂは、一実施形態に係る、臓器依存の再構成画像のためのβマッピングを示す図である。 図８Ｃは、一実施形態に係る、図８Ａ及び図８Ｂにおけるβマッピングに対するラインアウトを比較するプロットを示す図である。 図９Ａは、一実施形態に係る、ＣＴ画像の横断図、冠状図、矢状図を示す図である。 図９Ｂは、一実施形態に係る、図９ＡにおけるＣＴ画像の最小値輝度投影（ｍｉｎｉｍｕｍ ｉｎｔｅｎｓｉｔｙ ｐｒｏｊｅｃｔｉｏｎ：ＭＩＰ）の横断図、冠状図、矢状図を示す図である。 図１０Ａは、一実施形態に係る、低度合のスムージング（即ちβ＝９）を使用して生成された再構成画像の第一の部分を示し、画像はＷＬ＝－６００ＨＵ、ＷＷ＝１６００ＨＵを使用してプロットされている、図である。 図１０Ｂは、一実施形態に係る、低度合のスムージング（即ちβ＝９）を使用して生成された再構成画像の第二の部分を示し、画像はＷＬ＝－６００ＨＵ、ＷＷ＝１６００ＨＵを使用してプロットされている、図である。 図１０Ｃは、一実施形態に係る、低度合のスムージング（即ちβ＝９）を使用して生成された再構成画像の第三の部分を示し、画像はＷＬ＝４０ＨＵ、ＷＷ＝４００ＨＵを使用してプロットされている、図である。 図１１Ａは、一実施形態に係る、高度合のスムージング（即ちβ＝２６）を使用して生成された再構成画像の第一の部分を示し、画像はＷＬ＝－６００ＨＵ、ＷＷ＝１６００ＨＵを使用してプロットされている、図である。 図１１Ｂは、一実施形態に係る、高度合のスムージング（即ちβ＝２６）を使用して生成された再構成画像の第二の部分を示し、画像はＷＬ＝－６００ＨＵ、ＷＷ＝１６００ＨＵを使用してプロットされている、図である。 図１１Ｃは、一実施形態に係る、高度合のスムージング（即ちβ＝２６）を使用して生成された再構成画像の第三の部分を示し、画像はＷＬ＝４０ＨＵ、ＷＷ＝４００ＨＵを使用してプロットされている、図である。 図１２Ａは、一実施形態に係る、画像のコンテキスト／コンテントに基づき異なる度合のスムージングを使用して生成された再構成画像の第一の部分を示し、画像はＷＬ＝－６００ＨＵ、ＷＷ＝１６００ＨＵを使用してプロットされている、図である。 図１２Ｂは、一実施形態に係る、画像のコンテキスト／コンテントに基づき高度合のスムージングを使用して生成された再構成画像の第二の部分を示し、画像はＷＬ＝－６００ＨＵ、ＷＷ＝１６００ＨＵを使用してプロットされている、図である。 図１２Ｃは、一実施形態に係る、画像のコンテキスト／コンテントに基づき高度合のスムージングを使用して生成された再構成画像の第一の部分を示し、画像はＷＬ＝４０ＨＵ、ＷＷ＝４００ＨＵを使用してプロットされている、図である。 図１３Ａは、一実施形態に係る、関連する方法を使用して生成された再構成画像の、肝臓領域における統計的変動を示し、画像はＷＬ＝４０ＨＵ、ＷＷ＝４００ＨＵを使用してプロットされている、図である。 図１３Ｂは、一実施形態に係る、ここに説明されたコンテキスト／コンテント指向の方法を使用して生成された再構成画像の、肝臓領域における統計的変動を示し、画像はＷＬ＝４０ＨＵ、ＷＷ＝４００ＨＵを使用してプロットされている、図である。 図１４Ａは、一実施形態に係る、関連する方法を使用して生成された再構成画像におけるアーチファクトを示し、画像はＷＬ＝４０ＨＵ、ＷＷ＝４００ＨＵを使用してプロットされている、図である。 図１４Ｂは、一実施形態に係る、ここに説明されたコンテキスト／コンテント指向の方法を使用して生成された再構成画像におけるアーチファクトの不在を示し、画像はＷＬ＝４０ＨＵ及びＷＷ＝４００ＨＵを使用してプロットされている。 図１５は、一実施形態に係る、ここに説明された方法を実行するためのデータ処理装置のダイアグラムを示す図である。 図１６は、ＣＴスキャナの実施形態の概略を示す図である。

以下、図面を参照しながら、非限定的な例である実施形態について説明する。実施形態は、正則化項を調整する空間的に変動する正則化パラメータ（例えば、乗法因子）を使用するコンピュータ断層撮影（ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ：ＣＴ）のための逐次再構成に関する。より詳細には、統計的ベースの空間的に変動する正則化パラメータを乗じた臓器／領域依存の正則化パラメータが、個別の臓器／領域における均一なスムージングと、臓器／領域のコンテント／コンテキストに基づいた臓器／領域におけるスムージングの異なる度合という結果になる正則化項に適用された場合に関する。

統計的な逐次再構成（ｉｔｅｒａｔｉｖｅ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ：ＩＲ）アルゴリズムは、データ忠実項（例えば、

）を有するコスト／目的関数と、正則化パラメータβにより重み付けられた正則化項Ｕ（ｐ）と、を最小化する独立変数ｐ（即ち、再構成画像）に対して制約された（又は制約されない）最適化問題／調査として、よく公式化され、最適化問題は、即ち次の様に表すことができる。

様々な逐次再構成法は、最適化調査を実施するために存在する。例えば、代数的再構成法、期待値最大（ｅｘｐｅｃｔａｔｉｏｎ－ｍａｘｉｍｉｚａｔｉｏｎ：ＥＭ）法、最尤法（ｍａｘｉｍｕｍ ｌｉｋｅｌｉｈｏｏｄ：ＭＬ）法、勾配降下法、デュアル－プライマル（ｄｕａｌ－ｐｒｉｍａｌ）法、Ｃｈａｍｂｏｌｌｅ－Ｐｏｃｋアルゴリズム、交互方向乗数法（Ａｌｔｅｒｎａｔｉｎｇ Ｄｉｒｅｃｔｉｏｎ Ｍｅｔｈｏｄ ｏｆ Ｍｕｌｔｉｐｌｉｅｒｓ ｍｅｔｈｏｄｓ）、拡張ラグランジュ乗数法、アクセラレータを使用する方法（例えば、分離可能二次サロゲート及びネステロフ・アクセラレーション）等である。

データ忠実項は、

として表すことができ、ここでｌは一連の投影角で撮られた投影画像のＸ線輝度の対数を表す投影データ、ｐは画像空間におけるボクセル／ボリュームピクセル（又は二次元再構成画像における二次元ピクセル）に対するＸ線減衰の再構成画像である。システム行列Ａに対して、各行列値ａ_ij（ｉは行インデックスで、ｊは列インデックスである）は、ボクセルｐ_jに対応するボリュームと、投影値ｌ_iに対応するＸ線軌道との間の重複を表す。再構成画像ｐの順投影Ａが、全ての計測された投影画像ｌに対して十分な近似を提供する場合に、データ忠実項

は、最小化される。

目的関数において、正則化項は関数Ｕ（ｐ）により与えることができ、再構成画像ｐ上で粗さ罰則を強いる（即ち、再構成画像内の局所的分散／ノイズが減るにつれて、Ｕ（ｐ）も減る）。従って、関数Ｕ（ｐ）は、再構成画像についてスムージング又はデノイジングの効果を有する場合がある。値βは正則化パラメータであり、データ忠実項及び正則化項の相対的寄与を重み付ける値である。正則化パラメータβが増えるにつれて、再構成画像に与える正則化項の相対的な影響は、データ忠実の影響に相対して増え、再構成画像においてスムージングが増加するという結果になる。

一般的に、スムージングの増加とより優れた解像度との間にはトレードオフが存在する。正則化パラメータβに対する値は、ノイズと解像度との間のトレードオフに影響を与えることがある。一般的に、正則化パラメータβを増やすことでノイズは減るものの、解像度低減のコストも負う。正則化パラメータβに対する最良の値は、画像化されている臓器や再構成されている画像に関するアプリケーションを含む、様々な因子に依存することがある。

上述の通り、空間的に変動する正則化パラメータβに対する値を選ぶその他の方法は、均一な解像度か、又は均一な統計的性質か、のどちらかを目指す。しかし、臨床診断では、再構成画像を通しての均一性が望ましくないこともある。例えば、ある領域／臓器においてはより優れた解像度が望ましくても（例えば、肺などの高コントラスト領域においては、より少ないスムージングが原因の高いノイズレベルが、著しく信号レベルを下回ったまま動かない）、一方でその他の領域／臓器において、ノイズを抑制するには解像度を犠牲にする方が良い（例えば、軟部組織等の低コントラスト領域においては、信号レベルを下回るノイズを抑制するために、より大きなスムージングが望まれる）。

ここに提供される方法は、ノイズの低減と解像度の増加との間のトレードオフをより良く最適化するために、再構成画像にわたりスムージングの度合が空間的に変動することを可能とする、空間的に変動する正則化パラメータβを生成する。この目的の達成のため、正則化パラメータβの値は、画像におけるコンテント／コンテキストに基づいて選択される。例えば、初期再構成画像が領域／臓器へと分類／セグメントされ、異なるスムージングの度合が異なる領域／臓器に基づいて割り当てられる。

正則化パラメータβに対する最良な値は、所定の画像において臓器によって（又は領域によって）変わる可能性がある。例えば、コントラストの低い特徴を伴う肝臓等、より多くのスムージングがほぼ均一な領域において望ましい場合がある一方で、肺等のより高いコントラスト特徴を持つ領域においてはより少ないスムージングの方が相応しい場合もある。従って、ここに説明される方法は、表示された画像の特定のコンテント／コンテキストに基づいた解像度とノイズとの間のトレードオフを局所的に最適化するために、空間的に変動する正則化パラメータβを使用する。

様々な実施形態において、ここに説明される方法は、臓器依存の信号対ノイズ比（ＳＮＲ）を用いて画像を生み出すために、解剖学的コンテキスト指向の正則化された逐次再構成（ＩＲ）アルゴリズムを適用する。

様々な実施形態において、ここに説明される方法は、単一の再構成で外傷パンスキャン（ｔｒａｕｍａ－ｐａｎ ｓｃａｎ）を生み出す。これは、（ｉ）予備の再構成画像の生成、（ｉｉ）予備の再構成に基づいた臓器依存βマップを生成するために分類法を適用、（ｉｉｉ）総βマップβ_Total（例えば、β_Total＝β_Ｓ×β_Ｃ、ここで、臓器依存βマップは、「コンテント指向βマップ」又は「コンテント指向マップ」とも呼ばれる）を生成するために、別の空間的に変動する正則化パラメータβ（例えば、統計ベースの正則化パラメータβ_Ｓ）を調整するために臓器マップの適用、（ｉｖ）分類ステップにおいて識別された個別の領域で異なる均一なスムージングの度合を有する再構成画像を生成するために、任意の正則化されたＩＲアルゴリズムにおける総βマップの使用、により達成される。なお、コンテント指向マップは、ＣＴ画像における個別のピクセルに対応する重み値であって、逐次再構成（ＩＲ）法の目的における正則化項を重みづけるために適用されている当該重み値を表す。第一の正則化パラメータは、コンテント指向マップを備えてもよい。

更に、様々な実施形態において、ここに説明される方法は、より優れた分類に対する肺における亜充実(ｓｕｂ－ｓｏｌｉｄ)肺結節を除去するために、一部分において、分類ステップが最小値輝度投影（ＭＩＰ）法を使用して実行されるということを含む場合がある。分類ステップは、階層的区分的な線形ＨＵ対βマッピングが臓器依存βマップを生成するために使用されることを含む場合がある。

次に図面を参照しながら、参照番号がいくつかの図にわたって同一または対応する部分を指し示す。図１Ａ及び図１Ｂは、同じ肺領域であるが、異なるデノイジング度合（ここでは、代替可能にスムージングと呼ぶ）での個別の画像を示している。同様に、図２Ａ及び図２Ｂは、異なるデノイジング度合で同じ軟部組織領域の個別の画像を示している。図１Ａ及び図２Ａは、第一のデノイジング度合を表し、図１Ｂ及び図２Ｂは、図１Ａ及び図２Ａに示された第一のデノイジング度合に比べてよりデノイジング／スムージングされた状態での第二のデノイジング度合を表す。

図２Ａと図２Ｂとを比較すると、図２Ｂの方が臨床アプリケーションに対して一般的により良いとされている。何故ならば、図２Ａにおける付加的な解像度は、著しくより多くの情報を伝えるものではなく、係る図における付加的なノイズが、テクスチャや混乱を招く構造を作り出し、ひいては不十分な診断や、又はインターベンション手技中の不十分な結果へと潜在的に繋がる可能性があるからである。従って、デノイジング及びスムージングの度合がより大きい程、軟部組織画像に対して有益な場合がある。

対照的に、デノイジング及びスムージングの度合がより少ない方が、肺の画像に関して有益な場合もある。図１Ａと図１Ｂとを比較すると、図１Ａの方が臨床アプリケーションに対して一般的により良いとされている。何故ならば、図１Ａにおける付加的な解像度が、肺の特徴を区別することが可能な程目立ち（例えば、図１Ａにおいて矢印で示された特徴）、肺領域における高いコントラストの特徴（つまり、大きな信号振幅）と比べても、付加的なノイズは比較的小さいからである。

この様にして、デノイジング度合は、画像のコンテント／コンテキストに依存する場合がある、ということを図１Ａ、図１Ｂ、図２Ａ、図２Ｂでは描いている。つまり、同じ画像内の異なる領域が、デノイジング／スムージングの異なる度合によって利益を得ることができる。

ここに説明される空間的に変動するコンテキスト指向のβ_cアプローチとは対照的に、その他のアプローチの中には、空間的に不変の正則化パラメータβ_gのみを使用するものもあれば、依然として統計ベースの空間的に変動する正則化パラメータβ_sのみを使用するその他のアプローチもある。例えば、第一のアプローチにおいて、正則化パラメータを、ユーザにより経験的に決定される単一の空間的に不変の値β_gとすることができ、値β_gが画像全体へと均一的に（空間的に不変に）適用される。この空間的に不変の正則化パラメータは、β_gと示される。このアプローチは、簡潔であるという利点があるが、ここに説明される方法とは違い、所定の臓器の範囲を含む再構成画像における不均一なノイズへと繋がる可能性もある。

再構成画像におけるこの不均一なノイズを解消するために、第二のアプローチは、データにおける統計的な重みの逆投影に基づいた正則化パラメータを調整することで、再構成視野における均一なノイズ分布の達成を目指す。この第二のアプローチは、再構成された画像行列（つまり、ボリュームピクセル（ボクセル）値の行列）と同じ次元を有する行列である、空間的に変動する正則化パラメータβ_sを生む。結果として生じる総正則化パラメータは、積β_gβ_sとなる。この第二のアプローチは、例えば、特許文献１に説明されているが、ここではその番号を参照することにより本実施形態に組み込まれるものとする。

特定の実施形態において、第二のアプローチは、軸方向における統計的な重みの変動（例えば、軸方向に沿った身体の寸法／放射線濃度の厚さにおける変動が原因）を解消するために、空間的に変動する正則化パラメータβ_sを決定するための規格化処理も使用する。これらの変動は、例えば、軸方向における空間的に変動する正則化パラメータβ_sを規格化することにより、各横断スライス上のＲＯＩにおける平均β_sがほぼ定数である、ということを明らかにすることができる。

この第二のアプローチとは対照的に、ここに説明される方法は、コンテキスト／コンテント指向の空間的に変動する係数正則化パラメータである、第三の項β_cを提供することができ、結果的に総正則化パラメータは積β_gβ_sβ_cとなる。所定の臓器においては、均一なノイズ分布が望ましいものの、ここに説明される方法は、異なる臓器に対して異なるノイズレベルも許容する一方、各臓器における均一なノイズ分布を個々に可能にすることにより、更なる改善を提供する。即ち、ここに説明される方法は、ノイズ分布の臓器間の多様性を伴う、ノイズ分布の臓器内の均一性を提供する。

付加的なコンテキスト／コンテント指向の正則化パラメータβ_cが無いと、これらのその他のアプローチは、幾つかの欠陥に悩まされることがある。例えば、空間的に変動する因子β_sを推定するために統計的な重みを逆投影することで、画像を通して均一なノイズ分布を生み出すことができるものの、上述の通り、再構成画像全体にわたる均一なノイズ分布が臨床診断においては好ましくないこともある。

例えば、多重の臓器を含む検出タスクにおいて、高コントラスト構造（例えば肺）を有する領域は、低コントラスト構造（例えば腹部）を有する領域に比べて、より高い画像ノイズを許容する。画像全体を通して均一なノイズ分布を提供し、且つ腹部領域において検出タスクに関して最適化される正則化パラメータβは、肺領域及び骨領域で著しく過度なスムージングを生じさせる可能性がある。このことは、異なるプロトコル（例えば、異なるβ_g値は、各臓器、例えば、肺、身体、骨等に対して最適化された個別の画像を再構成するために使用される）を使用して多重再構成を走らせることで解決できるかもしれないが、その多重再構成を走らせることは、外傷パンスキャンがよく必要とされるような臨床診断では、格別難しい（つまり、遅くまた非効率）ことがある。そのため、実際には、多重プロトコルを使用して多重再構成を走らせることは、ワークフローを複雑にさせ、画像処理時間を長引かせ、更に放射線科医が多重の画像を読むのに余分な負荷を掛けることへと不利に繋がりかねない。

図３及び図４は、ここに説明される方法により、解消される別の欠陥を描いている。この欠陥は、コンテキスト／コンテントを明らかにすることなく、空間的に変動する正則化パラメータβを推定するために、統計的な重みを逆投影することにだけ依存する方法で見出される。図３は、局所ノイズ（つまり、標準偏差σ）が六つの点で提供された、再構成画像を示す。図４は、同じ領域に対して、β_sの値を示す。肝臓領域において、スムージングの度合が著しく変化することが明らかである。例えば、β_sのより高い値及びずっと多くのスムージングが肝臓の中心領域に比べて、肝臓円蓋部（ｌｉｖｅｒ ｄｏｍｅ）領域において発生しており、結果的に点３、４、５、そして６に比べて、点１や２でずっと低いノイズレベルとなっている。この例は、強いスムージングが高いβでの領域から近傍する領域へと徐々に伝播する可能性があることを示しており、近傍するボクセル間で強い相関関係をもたらしている。図３において、例えば肝臓円蓋部領域（つまり、点１や点２）は、肝臓の残り（つまり、点３～６）に比べて、より少ないノイズを示す。これは、肺における大きなβ値により強制された強いスムージングが、図４に示される通り、肝臓円蓋部の領域へとスムージングされ／伝播するからである。

上記で記された欠陥を救済するために、ここに説明される方法は、再構成における正則化の強さを規制するために、再構成されている解剖学的構造の予備知識を使用する、逐次再構成（ＩＲ）アルゴリズムを利用する。その結果、このアプローチは、異なる臓器にわたり様々なノイズ分布を許容する一方、単一の臓器における不変のノイズ分布を強制する場合がある。即ち、ここに説明される方法は、スムージング／ノイズ分布の臓器間の多様性を許容する一方、スムージング／ノイズ分布の臓器内の均一性を提供する。

特定の実施形態において、この予備知識が、以前に再構成された画像（例えば、初期ＣＴ画像）から取得された臓器マップのフォーマットに存在する場合がある。例えば、以前に再構成された画像が、生成され且つ後続のステップを使用して空間的に変動するβマップへと組み込むことができる。一つ目に、予備再構成を生成する。二つ目に、係る予備の再構成された画像に基づいて、臓器依存βスケーリングマップを生成するために、分類法を採用する。例えば、効果的な分類法は、下記で述べる通り、階層的区分的な線形ＨＵ対βマッピングを使用することができる。三つ目に、所定の領域における空間的に不変のノイズ分布を助長する空間的に変動するβマップを推定する。四つ目に、臓器依存βスケーリングマップを使用して、各臓器におけるスムージングの所望の度合を実現するために、この空間的に変動するβマップを調整する。五つ目に、第二の／更新された画像を再構成するために、ＩＲアルゴリズムにおける調整されたβボリューム（つまり、総βマップ）を使用する。

特定の実施形態において、次の式を最小化する独立変数ｐを発見するために、制約されない（又は制約された）最適化問題として、ＩＲアルゴリズムを公式化することができる。

ここでｌは一連の投影角で撮られた投影画像のＸ線輝度の対数を表す投影データ、ｐは画像空間におけるボクセル／ボリュームピクセル（又は二次元再構成画像における二次元ピクセル）に関するＸ線減衰の再構成画像である。システム行列Ａに対して、各行列値ａ_ij（ｉは行インデックス且つｊは列インデックス）は、ボクセルｐ_jに対応するボリュームと、投影値ｌ_iに対応するＸ線軌道との間の重複を表す。データ忠実項

は、再構成画像ｐの順投影Ａが全ての測定された投影画像ｌに対する十分な近似を提供する場合に、最小化される。このようにして、データ忠実項は、システム行列方程式Ａｐ＝ｌを解くことへと向けられる。係る式は、線源からｐによって表された空間における被検体ＯＢＪを通し、ｌの値を生成するＸ線検出器にまで、様々なレイのラドン変換（つまり、投影）を表す（例えば、二次元投影画像ｌ上への三次元被検体ＯＢＪを通るＸ線投影）。

の表記は、ｇ^TＷｇという型の重み付けられた内積を意味し、ここでＷは重み行列である（例えば、ピクセル毎の信号対ノイズ比に基づいた投影データの信頼性（ｔｒｕｓｔｗｏｒｔｈｉｎｅｓｓ）の度合い（ｒｅｌｉａｂｉｌｉｔｙ）を表している）。その他の実施形態において、重み行列Ｗは、単位行列（ｉｄｅｎｔｉｔｙ ｍａｔｒｉｘ）と置き換えることができる。重み行列Ｗがデータ忠実項において使用される場合に、上記ＩＲ法は、「罰則付き最小二乗（ｐｅｎａｌｉｚｅｄ ｗｅｉｇｈｔｅｄ ｌｅａｓｔ ｓｑｕａｒｅｓ：ＰＷＬＳ）アプローチ」と呼ばれる。

特定の実施形態において、正則化パラメータβは、三つの項の積であり、即ち、次の通り。

ここでβ_jは、総βマップのβのｊ番目の項、β_gは空間的に不変な係数、β_{s, j}は統計的な重み依存空間的に変動する係数β_sのｊ番目の項、β_{c, j}はコンテキスト指向の空間的に変動する係数β_cのｊ番目の項である。

図５は、空間的に変動する総βマップβの生成と総βマップβを使用する画像再構成とのための、方法１００のフローダイアグラムを示す。

方法１００のステップ１１０で、ＣＴスキャンからの投影データが取得される。投影データは、被検体に照射されて当該被検体を通過したＸ線を検出することにより得られる。

方法１００のステップ１２０で、初期ＣＴ画像は、取得された投影データから再構成される。この初期ＣＴ画像は、空間的に変動する係数／行列β_s，β_cを生成するために使用される、統計的且つコンテント／コンテキスト情報を決定するために利用される、再構成されている解剖学的構造の予備知識を形成することができる。初期ＣＴ画像は、任意の公知の再構成法を使用して生成することができるが、特定の実施形態において、初期ＣＴ画像のセグメンテーション／分類に対する十分な低コスト画像を、臓器タイプ又は放射線濃度（ｒａｄｉｏｄｅｎｓｉｔｙ）に従って領域へと提供するために、フィルタ補正逆投影（ｆｉｌｔｅｒｅｄ ｂａｃｋ－ｐｒｏｊｅｃｔｉｏｎ：ＦＢＰ）等のコンピュータ的に効率的な方法が好まれる場合もある。

方法１００の処理１３０において、初期ＣＴ画像（第一のＣＴ画像）を個別の臓器及び／又は組織タイプに対応する複数の領域へと分類し、当該複数の領域に対応する個別の正則化パラメータを決定する。具体的には例えば、総βマップβは、初期ＣＴ画像で示されたコンテント／コンテキストに基づいて、一部分が生成される。初期ＣＴ画像は、任意のセグメンテーション法を使用して、臓器／領域へとセグメンテーション／区分することができる。特定の実施形態において、しきい値及び領域生長法は、初期ＣＴ画像を異なる臓器に対応する領域へとセグメントするために、使用することができる。特定の実施形態において、解剖学的／身体アトラス及び／又はパターン認識処理は、臓器ラベルを個別の領域に割り当てるために使用することができる。その上、投影データがスペクトラル情報を含む場合に、物質弁別を実行することができ、また初期ＣＴ画像は二つ以上の物質成分画像を含むことができる。この物質成分情報（例えば、骨対軟部組織）は、初期ＣＴ画像における領域を分類するために使用することができる。更に、特定の実施形態において、放射線濃度情報は、初期ＣＴ画像における領域を、臓器タイプに従って分類するために使用することができる。例えば、放射線濃度の異なる範囲は、空気、肺、脂肪、水分、筋肉、軟部組織、海綿骨、皮質骨に対して図７に示される通り、ハンスフィールドユニット（Ｈｏｕｎｓｆｉｅｌｄ Ｕｎｉｔｓ：ＨＵ）スケールに関して識別することができる。補足すると、初期ＣＴ画像における複数の領域は、一連の（ｉ）肺タイプ、（ｉｉ）空気タイプ、（ｉｉｉ）脂肪タイプ、（ｉｖ）水タイプ、（ｖ）筋肉タイプ、（ｖｉ）軟部組織タイプ、（ｖｉｉ）海綿骨タイプ、（ｖｉｉｉ）皮質骨タイプ、（ｉｘ）頭部組織タイプ、そして（ｘ）骨タイプ、の二つ以上の領域タイプを含んでもよい。その上、初期ＣＴ画像のコンテントを決定するために、初期ＣＴ画像をセグメント且つ分類するための、上記で特定された方法の任意の組み合わせを使用することができる。例えば、初期ＣＴ画像（第一のＣＴ画像）におけるピクセルの放射線濃度値及び／又は初期ＣＴ画像の物質弁別に基づいて初期ＣＴ画像をセグメント化することにより、初期ＣＴ画像を分類することができる。当業者にとって理解されている通り、処理１３０に対し、発明の趣旨から乖離することなく、変形及び変更をすることができる（例えば、初期ＣＴ画像からのコンテント／コンテキスト情報を決定し、その後コンテント／コンテキスト情報をβマップβ_Total上へとマッピングする方法に対し、変更することができる）。

方法１００のステップ１４０において、投影データと第一の正則化パラメータとを使用し、複数の領域の対応する領域における個別の第一の正則化パラメータにより調整された正則化項を使用して第二のＣＴ画像を再構成する。例えば、ステップ１４０において、データ忠実項と正則化項とを含む目的関数を最適化する第二のＣＴ画像を求めるために逐次再構成（ＩＲ）法を使用して、第二のＣＴ画像を再構成してもよい。ここで、正則化項は第二のＣＴ画像に粗さ罰則を強要してもよい。ＩＲ法は期待値最大法（ＥＭ）法か又は最尤（ＭＬ）法かのどちらかである、としてもよい。具体的には例えば、ステップ１４０において、更新されたＣＴ画像が、取得された投影データ及び総βマップβ_Totalを使用して再構成される。特定の実施形態において、方法１００は、更新されたＣＴ画像がステップ１４０から処理１３０に対してフィードバックされる、オプションでのフィードバック機構を含むことができる。その後、第二及び後続の逐次の間に、総βマップβ_Totalを生成するために、更新されたＣＴ画像が初期画像の代わりに使用される。総βマップβ_Totalに対するより高画質の画像を使用することにより、コンテントのより正確な描写を取得することができ、且つ更新されたＣＴ画像を改善することができる。更新されたＣＴ画像は、正則化項を含む任意のＩＲアルゴリズムを使用して再構成することができる。

例えば、目的／コスト関数を最小化する独立変数ｐ（つまり、再構成画像）を見つけ出すために、制約された（制約されない）最適化問題として、ＩＲアルゴリズムがよく公式化される。ここで、正則化項は、粗さ罰則として公式化される。特定の実施形態において、正則化は、凸集合についての投影（ｐｒｏｊｅｃｔｉｏｎ ｏｎ ｃｏｎｖｅｘ ｓｅｔｓ：ＰＯＣＳ）として強要された正値性制約（ｐｏｓｉｔｉｖｉｔｙ ｃｏｎｓｔｒａｉｎｔ）と併せて、全変動（ｔｏｔａｌ－ｖａｒｉａｔｉｏｎ：ＴＶ）正則化項の最小化を使用して、実行することができる。ＴＶ正則化項は、コスト関数、例えば

は、等方性ＴＶセミノルムである、勾配の大きさ画像のｌ₁ノルムである。空間ベクトル画像∇ｐは、画像勾配に対する離散的近似を表す。代わりに、制約条件として強要することができる正則化もいくつか存在する。例えば、ＴＶとＰＯＣＳ正則化との組み合わせは、正則化問題が

のような枠組みとなる場合に、制約条件として強要される。

今までコスト関数におけるデータ忠実項は、後対数投影データに対して存在していた。代わりに、例えば検出器上へのＸ線束が低い場合には、前対数データ忠実項を使用することができる。下記の記述において、

の記号は、前対数投影データを表すために使用される。キャリブレーション及びデータ補正（例えば、ビームハードニング、検出器非線形性、ｋエスケープ、パイルアップ等）を明らかにするためにＸ線検出器カウントを前処理した後、ＣＴデータは、計測における電子ノイズを明らかにするために、実際に、付加的なガウス分布と共にポアソン分布に従う、独立ランダム変数によってモデル化することができる。検出器素子ｉによって計測されたランダム変数Ｙ_iの統計的なモデルは、

によって与えられる非線形変換の方法で、減衰画像ｐに関係する、期待される前対数投影データである。ここでｂ_iは例えば、キャリブレーションスキャンの間に決定された検出器素子ｉのキャリブレーション因子であり、ｒ_iは背景計測（例えば、散乱した光子）の平均である。前対数法において、減衰画像ｐは、複合尤度関数を使用する計測ｙから、又は扱いやすいシフトされたポアソンモデルを使用するシフトされたデータ

から、再構成することができる。ここで［・］₊ は負の値をゼロへと設定するしきい値関数である。シフトされたポアソンモデルに対して、画像推定は、シフトされたポアソンモデルの対数尤度関数を最大化することで取得され、以下のように与えられる。

ここでＵ（ｐ）は画像粗さの罰則を表す正則化項である。例えば、正則化項は、近傍するボクセル間の輝度差として決定することができ、以下によって与えられる。

の様に表すことができる。フーバー関数に加えて、正則化項Ｕ（ｐ）は、二次正則化項、全変動最小化項、又は任意のその他の正則化項とすることができる。

図６は、臓器依存スケーリングβ_cを含む、空間的に変動する総βマップを生成するための処理１３０の非限定実施形態のフローダイアグラムを示す。図６における実施形態を使用して取得された臓器依存正則化パラメータβ_cは、亜充実肺結節領域を脂肪－水分領域とは異なる様に取り扱う。係る処理は、初期／更新された画像２０２から開始となる。

特定の実施形態において、臓器依存スケーリングβ_cマップは、臓器の中で変化する一方で、所定の臓器において定数とすることができる。特定の実施形態において、臓器依存スケーリングβ_cマップは、特定の臓器／領域におけるＨＵ値の関数である。例えば、図７は、スケーリングβ_cマップの値が、空気－肺範囲における領域及びＨＵ値（即ち、－１０００ＨＵ～－３００ＨＵ間）に対して定数であり、且つ肺－脂肪領域（即ち、－３００ＨＵ～－５０ＨＵ間）における初期／更新されたＣＴ画像２０２のＨＵ値に関しては、直線的である、非限定例を示す。

β_cを決定するために、初期画像２０２が使用されて臓器を分類する。上記で説明された通り、分類は、セグメンテーション法を使用して達成することができ、例えば、実施形態では、任意のセグメンテーション法で機能する。しかし、特定の実施形態に対しては、最小パラメータ調整を用いる非逐次セグメンテーション法が、より優れ且つより効率的なパフォーマンスを生み出すことができる。

肺領域を含む画像に対して、分類ステップの間に直面する一つの課題に、亜充実肺結節を脂肪－水分組織から如何に区別するか、がある。よく、脂肪領域と水分領域とに関してより強いスムージングが望まれる一方で、亜充実肺結節に関しては臨床的な意味合いによって、より少ないスムージングが所望される。しかし、脂肪－水分から亜充実肺結節を区別するのが難しいことがあるのは、亜充実肺結節が脂肪や水分と同様の放射線濃度を有するからであり、従って、亜充実肺結節及び脂肪－水分領域は、初期ＣＴ画像２０２でのＨＵ値に基づいてのみ区別するのが困難と判明する場合がある。この課題は、図６におけるステップ２２０で生成される最小値輝度投影（ＭＩＰ）画像の使用を通して解消される。

ステップ２１０において、初期／更新された画像２０２が、ダウンサンプルされる。よく総βマップβに対しては低空間分解能で十分であるが、処理１３０は、画像のサイズを減らすために画像をダウンサンプリングすることにより、より早く実行することができる。しかし、ステップ２１０及び２６０は、特定の実施形態においては、不要であり、省略可能である。

ステップ２２０、２３０、２４０において、初期ＣＴ画像から最小値輝度投影（ＭＩＰ）画像を生成することにより、当該初期ＣＴ画像を分類する。具体的には例えば、ステップ２２０、２３０、２４０において、脂肪－水分領域から亜充実肺結節領域を区別し、その後異なるβ_c値をこれらの異なる領域へと割り当てるために、階層的区分的線形ＨＵ対βマッピングが使用される。

まず、ステップ２２０において、初期ＣＴ画像のスライスのスタックであって、軸面で撮られている初期ＣＴ画像の当該スライスのスタックの軸方向における最小値に基づいて最小値輝度投影（ＭＩＰ）画像を生成する。ステップ２１０のダウンサンプルを実行した場合、ステップ２２０において、ダウンサンプルされたＣＴ画像からＭＩＰ画像が生成される。例えば、図９Ａは、ＣＴ画像の例を示し、図９Ｂは、図９ＡにおけるＣＴ画像から生成されたＭＩＰ画像の例を示す。

ステップ２２０でＭＩＰ画像を生成するために、亜充実肺結節の大半を除去するために、ダウンサンプルされたＣＴ画像が処理される。例えば、亜充実結節は、軸方向に沿って実質的に変化する。この軸方向に沿った変化は、図９Ａに示された初期ＣＴ画像の例に図示されている。照準用の十字線は、亜充実結節を示し、冠状及び矢状面においては、示された亜充実結節は軸方向（つまり縦軸）に沿った放射線濃度における実質的な変化を示す。このようにして、ＭＩＰ画像において、亜充実結節は、所定の軸スライスにおけるピクセル値を、２０枚の近傍スライスのスタック（蓄積）における最も小さな値と置き換えることで、本質的に除去される。つまり、予備的に再構成されたＣＴ画像における各ボクセルｆ（ｘ，ｙ，ｚ）に対して、係るボクセルｆ（ｘ，ｙ，ｚ）の値は、ｆ（ｘ，ｙ，ｚ－１０）からｆ（ｘ，ｙ，ｚ＋１０）のサブスタック（ｚ方向、即ち軸方向における２０枚の近傍スライス）における最小輝度値へと置き換えられる。

このマッピングの例は、図９Ａに示された初期ＣＴ画像に対応して、図９ＢでＭＩＰ画像として示されている。亜充実肺結節は、ＭＩＰ画像において効果的に除去されていることが見て取れる。更に、図９Ｂにおいて、心臓の形もＭＩＰ画像では変えられている。しかし、脂肪ＨＵ値に比べてより高い臓器に対して、βマップ上のそれらの対応する値は、マッピングの第二のレベルにおけるＣＴ画像に基づいて除去されることになる。

ステップ２３０、２４０において、放射線濃度の第一の範囲における初期ＣＴ画像（第一のＣＴ画像）のピクセルの第一の正則化パラメータを決定するために初期ＣＴ画像を使用し（ステップ２４０）、且つ放射線濃度の第二の範囲における初期ＣＴ画像のピクセルの第一の正則化パラメータを決定するためにＭＩＰ画像を使用する（ステップ２３０）。これらにより、後述する正則化パラメータβ_c（第一の正則化パラメータ）を決定する。ここで、図７に一例を示すように、－１０００ＨＵから－５０ＨＵまでの第一の範囲における放射線濃度は、－５０ＨＵを超える第二の範囲における放射線濃度に比べて大きい。

具体的には、ステップ２３０において、ＭＩＰ画像は、図７に示されたスケール上の空気、肺、そして脂肪にまで対応する－１０００ＨＵから－５０ＨＵまでのＨＵスケールの第一の範囲における値をどのピクセルが有するのか、を決定するために使用される。第一の範囲に含まれるダウンサンプルされたＣＴ画像のピクセルｆ_jに対して、ＭＩＰ画像のＨＵ値ピクセルｆ_j ^MIPを使用して、空間的に変動する正則化パラメータβ_cに対する値へと、第一のＨＵ対βマッピングが実行される。即ち、下記の通りである。

補足すると、ステップ２３０においては、第一の範囲の外側の放射線濃度を有する初期ＣＴ画像のピクセルに対して、正則化パラメータβ_cを決定するために、区分的線形マッピングをＭＩＰ画像へと適用する。

ステップ２４０において、放射線濃度の値から正則化パラメータβ_cの値への区分的線形マッピングであって、放射線濃度の第一の範囲における放射線濃度を有する初期ＣＴ画像のピクセルへと適用されている当該区分的線形マッピングを使用して正則化パラメータβ_cを決定する。具体的にはステップ２４０において、残りのピクセル全てに（即ち、ダウンサンプルされたＣＴ画像が－５０ＨＵを超えるＨＵ値に対するピクセルｆ_j）対して、第二のＨＵ対βマッピングが、ダウンサンプルされたＣＴ画像のピクセル値ｆ_jを使用して実行される。即ち、

ＭＩＰピクセルｆ_j ^MIP とダウンサンプルされたＣＴピクセルｆ_jとを個別に使用する、第一の及び第二のマッピングへのこの分岐は、肺領域を含む画像にとって都合が良い。例えば、脂肪／水分領域が多くを占める領域に関してはより強いスムージングが望まれるものの、亜充実肺結節に関しては、その臨床的な意味合いの重要性から、より少ないスムージングが所望される。亜充実肺結節は、小さい傾向にあり、従って、ＭＩＰ画像で本質的に除去される。このようにして、亜充実肺結節は、亜充実肺結節に対するＨＵ値が脂肪対筋肉の範囲によく存在するものだとしても、β_cに対するＴ₁の値が割り当てられる。補足すると、第二のＣＴ画像を再構成するために使用された場合に、複数の領域の肺領域（例、亜充実肺結節）に比べて、複数の領域の軟部組織（例、脂肪／水分領域が多くを占める領域）におけるスムージングの方をより大きくなるようにさせる正則化パラメータβ_cを決定する。

ステップ２５０において、スムージング（例えば、ガウシアンフィルタリング）は、ステップ２３０及び２４０で生成されたβ_cマップへと適用することができる。例えば、このスムージングは、二つの異なる画像、即ちＭＩＰ画像及びダウンサンプルされたＣＴ画像の使用に起因する、第一のマッピングと第二のマッピングとの間の断絶の軽減を手助けすることができる。

ステップ２６０において、β_cマップ２６２は、初期／更新された画像２０２と同じ次元を有するように、アップサンプルされる。

ステップ２７０において、第一のＣＴ画像におけるピクセル値の統計的性質に対応する個別の第二の正則化パラメータβ_sを決定する。具体的には例えば、ステップ２７０において、統計的な重み依存空間的に変動するβ_sマップが生成される。例えば、β_sマップ２７２は、均一な統計的分布を維持するための基準に基づいて決定することができる。β_cマップ２６２とβ_sマップ２７２とは、その後総βマップ２８２β_Totalを生成するために、ピクセル毎に掛けられ、特定の実施形態において、定数乗法因子β_gを含むこともある。

図８Ａ及び図８Ｂは、β_sマップ２７２及び総βマップ２８２（つまり、β_c×β_s）の画像を示す。図８Ｃは、β_sマップ２７２及び総βマップ２８２に関するラインアウトを示す。－５０ＨＵ～３００ＨＵ間のＨＵ値に対して、β_sマップ２７２及び総β_sマップ２８２は、同じである（即ち、－５０ＨＵ～３００ＨＵ間でβ_c＝１であり、β_Total＝β_c×β_sはβ_Total＝β_sまで下げる）。

図１０Ａ、図１０Ｂ、図１０Ｃは、β_cを使用せず、β_sを使用して（即ち、β_Total＝β_gβ_s、ここでβ_g＝９）生成された、低スムージング再構成画像における個別の領域を示す。図１０Ｃでの円で囲まれた領域における標準偏差σは、σ＝５５である。

図１１Ａ、図１１Ｂ、図１１Ｃは、β_cを使用せず、β_sを使用して（即ち、β_Total＝β_gβ_s、ここでβ_g＝２６）生成された、高スムージング再構成画像における個別の領域を示す。図１１Ｃでの円で囲まれた領域における標準偏差σは、σ＝２６である。

図１２Ａ、図１２Ｂ、図１２Ｃは、β_sとβ_cとの両方を使用して（即ち、β_Total＝β_gβ_sβ_c、ここでβ_g＝２６）生成された、高スムージング再構成画像における個別の領域を示す。図１２Ｃでの円で囲まれた領域における標準偏差σは、σ＝２５である。図１２Ａ、図１２Ｂ、図１２Ｃに示すように、第一の正則化パラメータβ_cと第二の正則化パラメータβ_sとの両方により調整された正則化項を使用して第二のＣＴ画像を再構成する場合、再構成画像に亘って良好な性質が提供される。

β_c無しだと、ノイズと分解能とのトレードオフがはっきりと分かる。図１０Ａ及び図１０Ｂにおける低スムージング画像は、十分なコントラストを示すものの、図１１Ａ及び図１１Ｂにおける高スムージング画像のコントラストは、不十分である。他方、図１０Ｃにおける低スムージング画像は、不十分なＳＮＲを示す一方で、図１１ＣのＳＮＲは、十分である。

β_cで再構成された画像において、図１２Ａ及び図１２Ｂは、十分なコントラストを示しながら、図１２Ｃも同時に十分なＳＮＲを示す。それは、低スムージング及び良い解像度を確実にするために、肺領域においてはβ_Totalの値が低減されるものの、高スムージングとＳＮＲを改善する低減されたノイズレベルとを確実にするために、脂肪から軟部組織領域においては、β_Totalの値が最高レベル近くで保たれるからである。

図１３Ａ及び図１３Ｂは、それぞれβ_sのみと、β_s及びβ_cの両方とを使用して再構成された画像を示している。図１３Ａにおいて、標準偏差σは、肝臓円蓋部近くではより低い。それは、図３及び図４を参照にした上述の通り、肺領域の近傍するボクセルにおけるより強いスムージングが、肝臓円蓋部領域へと滲み出る／伝播するからである。対照的に、β_Totalのコンテント指向決定の方法は、異なる領域／臓器が別々に取り扱われるため、これらの短所に苦しめられることは無い。このようにして、図１３Ｂにおいて、標準偏差σは、肝臓にわたり本質的に均一なのである。すなわち、図１３Ｂに示すように、第一の正則化パラメータβ_cと第二の正則化パラメータβ_sとの両方により調整された正則化項を使用して第二のＣＴ画像を再構成する場合、再構成画像に亘って良好な性質が提供される。

画像再構成においてコンテキスト／コンテント指向の空間的に変動する正則化パラメータβ_cの使用により、β_c無しでの画像再構成に勝る利点が幾つかある。画像全体における均一なノイズ分布を奨励するだけのその他の方法とは異なり、ここに説明される方法は、臓器依存の信号対ノイズをユニークに生成することができる。例えば、より高い解像度を肺領域において提供することができ、また低いノイズを軟部組織領域において提供することができ、それにより臨床診断においてより優れた結果を達成する。その上、ここに説明された方法は、大きなβを有する領域からの、小さなβを伴う隣接する領域への強いスムージングの伝播を防ぐ。この様にして、その他の方法（図３及び図１３Ａ参照）とは異なり、ここに説明される方法は、個別の臓器／セグメントされた領域のそれぞれにおける、均一なノイズ分布を提供することができる。更に、外傷パンスキャンアプリケーションに対して、対応する臓器／組織タイプに対して個別に最適化される別個のプロトコル再構成というよりも、単一のプロトコル／再構成のみがここに説明される方法では必要とされる。単一のプロトコル／再構成のみを使用する多重臓器に関する最適な結果を達成することにより、臨床ワークフローを著しく改善することができ、読むべき画像の量も減らすことができ、ひいては効率と患者のスループットとを向上させることに繋がる。

図１４Ａは、一実施形態に係る、関連する方法を使用して生成された再構成画像におけるアーチファクトを示し、画像はＷＬ＝４０ＨＵ、ＷＷ＝４００ＨＵを使用してプロットされている。図１４Ｂは、一実施形態に係る、ここに説明されたコンテキスト／コンテント指向の方法を使用して生成された再構成画像におけるアーチファクトの不在を示し、画像はＷＬ＝４０ＨＵ及びＷＷ＝４００ＨＵを使用してプロットされている。

上述したように一実施形態によれば、再構成画像にわたって良好な性質を提供するように、正則化パラメータに基づく再構成の手法を改善することができる。

次に、例示的な実施形態に係るハードウェアの記述が、ＣＴ投影データを処理するためのデータ処理装置３００に関する図１５を参照し、方法１００とここでの様々な処理とを実行することにより、説明される。図１５において、ＣＴ投影データを処理するためのデータ処理装置３００は、方法１００を含む上記で説明された処理を実行するＣＰＵ３０１と、ここに説明される処理と、当業者にとって理解される通りの変形例と、を含む。処理データ及び命令を、メモリ３０２に記憶することができる。これらの処理及び命令も、ハードディスクドライブ（ｈａｒｄ ｄｉｓｋ ｄｒｉｖｅ：ＨＤＤ）等の記憶媒体ディスク３０４に、或いはポータブル記憶媒体に、或いは遠隔的に、記憶することもある。更に、主張される進歩は、本発明の処理（ｉｎｖｅｎｔｉｖｅ ｐｒｏｃｅｓｓ）の命令が記憶されるコンピュータ読み取り可能媒体の形式に拘泥されない。例えば、係る命令は、ＣＤ、ＤＶＤ、ＦＬＡＳＨメモリ、ＲＡＭ、ＲＯＭ、ＰＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ（登録商標）、ハードディスク又は、サーバー又はコンピュータ等のデータ処理装置３００と通信する任意のその他の情報処理デバイスに、記憶することができる。データ処理装置３００は、医用画像処理装置の一例である。

更に、主張される進歩は、ユーティリティアプリケーション、バックグラウンドデーモン、又はオペレーティングシステムの構成要素、又はそれらの組み合わせとして提供することがあり、Ｍｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓ（登録商標）７、ＵＮＩＸ（登録商標）、Ｓｏｌａｒｉｓ、ＬＩＮＵＸ（登録商標）、Ａｐｐｌｅ ＭＡＣ－ＯＳ等のオペレーティングシステムや、当業者にとって公知のその他のオペレーティングシステムが、ＣＰＵ３０１と一体となって実行する。

ＣＰＵ３０１は、米国Ｉｎｔｅｌ社からのＸｅｎｏｎプロセッサ或いはＣｏｒｅプロセッサ、又は米国ＡＭＤ社からのＯｐｔｅｒｏｎプロセッサとすることができるし、又は当業者に認知されているようなその他のプロセッサタイプとすることもできる。代わりに、係るＣＰＵ３０１は、Ｎｖｉｄｉａ社からのＴｅｇｒａプロセッサ等のＧＰＵプロセッサや、マルチＯＳ等のオペレーティングシステムを使用して実行することができる。更に、係るＣＰＵ３０１は、ＦＰＧＡ、ＡＳＩＣ、ＰＬＤで、又は当業者に認知されているような個別論理回路を使用して、実行することができる。更に、ＣＰＵ３０１は、上記で説明された本発明の処理の命令を実行するために並行して協同的に動く、マルチプルプロセッサとして実行することもできる。ＣＰＵ３０１は、第一の再構成部、分類部、決定部、第二の再構成部及び生成部の一例である。

図１５のデータ処理装置３００は、ネットワーク４００とインターフェースを取るために、米国Ｉｎｔｅｌ社のインテルイーサネット（登録商標）ＰＲＯネットワークインターフェースカードなど、ネットワークコントローラ３０６も含む。認識されている通り、係るネットワーク４００は、インターネットなど公共ネットワークや、ＬＡＮ又はＷＡＮネットワークなど私的ネットワークや、これらの任意の組み合わせとすることもでき、ＰＳＴＮ又はＩＳＤＮサブネットワークも含むことが可能である。係るネットワーク４００は、イーサネットワークのように有線で接続されていることもあるし、又はＥＤＧＥ、３Ｇや４Ｇ無線セルラーシステムを含むセルラーネットワークのような無線のこともある。係る無線ネットワークは、ＷｉＦｉ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、又は任意のその他の既知の通信の無線形式を取ることもある。

データ処理装置３００は、ヒューレットパッカード社ＨＰＬ２４４５ｗ ＬＣＤモニタ等のディスプレイ３１０とインターフェースを取る用の、米国ＮＶＩＤＩＡ社からのＮＶＩＤＩＡ ＧｅＦｏｒｃｅ ＧＴＸ又はＱｕａｄｒｏ グラフィックスアダプタなど、ディスプレイコントローラ３０８を更に含む。一般的な用途Ｉ／Ｏインターフェース３１２は、キーボード及び／又はマウス３１４、並びにディスプレイ３１０上の又はディスプレイ３１０とは離れたタッチスクリーンパネル３１６とインターフェースを取る。一般的な用途Ｉ／Ｏインターフェース３１２は、Ｈｅｗｌｅｔｔ Ｐａｃｋａｒｄ社からのＯｆｆｉｃｅＪｅｔ又はＤｅｓｋＪｅｔなどプリンタやスキャナを含む、様々な周辺機器３１８にも接続している。

サウンドコントローラ３２０は、Ｃｒｅａｔｉｖｅ社のＳｏｕｎｄＢｌａｓｔｅｒ Ｘ－Ｆｉ Ｔｉｔａｎｉｕｍ等のように、スピーカ／マイク３２２とインターフェースを取るため、パラレルスカラーマルチプリケーション装置においても提供されており、それにより音及び／又は音楽を受け取る。

一般的な用途ストレージコントローラ３２４は、記憶媒体ディスク３０４を通信バス３２６と接続する。当該通信バス３２６は、並行スカラーマルチプリケーション装置（Ｐａｒａｌｌｅｌ ｓｃａｌａｒ－ｍｕｌｔｉｐｌｉｃａｔｉｏｎ ａｐｐａｒａｔｕｓ）の全ての構成要素と相互接続する用の、ＩＳＡ、ＥＩＳＡ、ＶＥＳＡ、ＰＣＩ、又は類似の物とすることができる。ディスプレイ３１０、キーボード及び／又はマウス３１４の一般的な特徴や機能性についての記述は、ディスプレイコントローラ３０８、ストレージコントローラ３２４、ネットワークコントローラ３０６、サウンドコントローラ３２０、そして一般的な用途Ｉ／Ｏインターフェース３１２についての説明と同様、公知なのでここでは割愛する。

図１６は、ＣＴ装置又はスキャナに含まれた放射線ガントリの実施形態を描いている。図１６に示されている通り、放射線ガントリ５００は、側面から見て描かれており、Ｘ線管５０１、環状フレーム５０２、そして多列又は二次元アレイ型Ｘ線検出器５０３を更に含む。Ｘ線管５０１及びＸ線検出器５０３は、環状フレーム５０２上に被検体Ｓを横切って正反対に取り付けられ、環状フレーム５０２は、回転軸ＲＡの回りに回転可能に支持される。被検体Ｓが図示された頁の奥の方向または手前の方向の軸ＲＡに沿って移動されながら、回転ユニット５０７は環状フレーム５０２を０．４秒／回転もの高速で回転させる。

本願発明に係るＸ線コンピュータ断層撮影（ＣＴ）装置の第一の実施形態は、付随する図を参照に下記で述べることとする。Ｘ線ＣＴ装置は、様々なタイプの装置を含んでいることに留意されたい。例えば、Ｘ線管とＸ線検出器とが検査される被検体の周辺を一緒に回る回転／回転型機構と、多数の検出器素子がリング状または水平状に配置されており、Ｘ線管のみが検査される被検体の周辺を回る固定／回転型機構とがある。本願発明は、いずれのタイプにも適用することができる。今回の場合には、現在主流である回転／回転型機構を例示する。

マルチスライスＸ線ＣＴ装置は、高電圧発生器５０９を更に含み、高電圧発生器５０９は、スリップリング５０８を通して、Ｘ線管５０１に印加される管電圧を生成するので、Ｘ線管５０１はＸ線を生成する。Ｘ線は、被検体Ｓに向かって照射され、被検体Ｓの断面領域が円で表される。例えば、Ｘ線管５０１は、第二のスキャンにわたる平均Ｘ線エネルギーに比べて小さい、第一のスキャンにわたる平均Ｘ線エネルギーを有する。この様にして、異なるＸ線エネルギーに対応して二つ以上のスキャンを取得することができる。Ｘ線検出器５０３は、被検体Ｓを通り抜けた照射されたＸ線を検出するために、被検体Ｓを挟んでＸ線管５０１から反対側に位置している。Ｘ線検出器５０３は、個々の検出器素子又は検出器ユニットを更に含む。

ＣＴ装置は、Ｘ線検出器５０３から検出された信号を処理するための、その他のデバイスを更に含む。データ収集回路又はデータ収集システム（ＤＡＳ）５０４は、各チャンネルに対するＸ線検出器５０３からの出力信号を電圧信号に変換し、その電圧信号を増幅し、更にその電圧信号をデジタル信号へと変換する。Ｘ線検出器５０３及びＤＡＳ５０４は、１回転当たりの所定全投影数（ＴＰＰＲ）を処理するように構成されている。

上記に説明されたデータは、非接触データ送信装置５０５を通して、放射線ガントリ５００外部のコンソール内に収容された、前処理デバイス５０６へと送られる。前処理デバイス５０６は、ローデータに関して感度補正など、特定の補正を実行する。メモリ５１２は、再構成処理直前のステージで、「投影データ」とも呼ばれる結果データを記憶する。メモリ５１２は、再構成デバイス５１４、入力デバイス５１５、ディスプレイ５１６と共に、データ／制御バス５１１を通して、システムコントローラ５１０に接続される。システムコントローラ５１０は、ＣＴシステムを駆動させるのに十分なレベルに達するまで電流を制限する、電流調整器（カレントレギュレータ）５１３を制御する。

検出器は、どんな世代のＣＴスキャナシステムであっても、患者に対して回転される及び／又は固定される。一実施形態において、上記に述べられたＣＴシステムは、第三世代ジオメトリシステムと第四世代ジオメトリシステムとが組み合わせられた例とすることができる。第三世代ジオメトリシステムにおいて、Ｘ線管５０１とＸ線検出器５０３とは、環状フレーム５０２上に直径方向での正反対に取り付けられ、環状フレーム５０２が回転軸ＲＡを軸として回るように、被検体Ｓを軸として回転する。第四世代ジオメトリシステムにおいて、検出器は患者の周辺に固定して取り付けられており、Ｘ線管は患者の周辺を回る。代替的な実施形態において、放射線ガントリ５００は、Ｃアーム及びスタンドによって支持された、環状フレーム５０２上に配置された多数の検出器を有する。

メモリ５１２は、Ｘ線検出器ユニット５０３でＸ線照射量を表した計測値を記憶することができる。更に、メモリ５１２は、方法１００を実行するための専用プログラムを記憶する場合がある。

再構成デバイス５１４は、ＣＴ画像を再構成することができ、且つここで述べられた方法１００を含む、再構成ＣＴ画像の後処理を実行することができる。更に、再構成デバイス５１４は、必要に応じボリュームレンダリング処理や画像差処理など、前再構成画像処理を実行することができる。

前処理デバイス５０６によって実行される投影データの前再構成処理は、例えば検出器キャリブレーション、検出器非直線性、極性効果に対する補正を含むことができる。

後再構成デバイス５１４によって実行される後再構成処理は、画像フィルタリングや画像スムージング、ボリュームレンダリング処理、そして画像差処理を、必要に応じて含むことができる。更に、後再構成処理は、方法１００を使用して、ギザギザのエッジ除去及び解像度強調を含むことができる。画像再構成処理は、フィルタ補正逆投影法、逐次画像再構成法、代数的再構成技術、オーダードサブセット、そしてアクセラレーション技術などを含む公知の方法を使用して、実行することができる。再構成デバイス５１４は、メモリ５１２を使って、例えば投影データ、再構成画像、キャリブレーションデータやパラメータ、そしてコンピュータプログラムを記憶することができる。

再構成デバイス５１４は、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)、又はその他の複合プログラマブル論理デバイス(ＣＰＬＤ)など、個々の論理ゲートとして実行可能なＣＰＵ（プロセッサ）を含むことができる。ＦＰＧＡ又はＣＰＬＤ実行は、ＶＨＤＬ、Ｖｅｒｉｌｏｇ、又はその他のハードウェア記述言語でコード化されていることがあり、そして係るコードはＦＰＧＡ又はＣＰＬＤにおいて直接電子メモリ内に記憶されていることがある、或いは別箇の電子メモリとして記憶されていることもある。更に、メモリ５１２は、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、又はＦＬＡＳＨメモリなど、不揮発性メモリの場合もある。メモリ５１２は、スタティックＲＡＭ、又はダイナミックＲＡＭ等のように揮発性とすることもでき、電子メモリだけでなくＦＰＧＡ又はＣＰＬＤとメモリとの間の相互作用を管理するマイクロコントローラ又はマイクロプロセッサ等のプロセッサが設けられることもある。再構成デバイス５１４は、第一の再構成部、分類部、決定部、第二の再構成部及び生成部の一例である。

代替的に、再構成デバイス５１４におけるＣＰＵは、ここで説明された機能を実行するコンピュータ読み取り可能命令のセットを含むコンピュータプログラムを実行することができ、当該コンピュータプログラムは、任意の上記で説明された非一時的電子メモリ及び／又はハードディスクドライブ、ＣＤ、ＤＶＤ、ＦＬＡＳＨドライブ、又はその他の任意の公知の記憶媒体に記憶されている。すなわち、この記憶媒体は、上述した実施形態に係る方法をコンピュータに実行させるプログラムを記憶した記憶媒体である。上述したデータ処理装置３００及びＣＴ装置は、それぞれコンピュータの一例である。更に、コンピュータ読み取り可能命令は、ユーティリティアプリケーション、バックグラウンドデーモン、又はオペレーティングシステムの構成要素、又はそれらの組み合わせで提供されてもよく、プロセッサと併せて実行する。係るプロセッサとは、米国Ｉｎｔｅｌ社からのＸｅｎｏｎプロセッサ、又は米国ＡＭＤ社からのＯｐｔｅｒｏｎプロセッサ、Ｍｉｃｒｏｓｏｆｔ ＶＩＳＴＡ、ＵＮＩＸ、Ｓｏｌａｒｉｓ、ＬＩＮＵＸ、Ａｐｐｌｅ ＭＡＣ－ＯＳ等のオペレーティングシステムや、当業者にとって公知のその他のオペレーティングシステムである。更に、ＣＰＵは、命令を実行するために並行し協調して動作する複数のプロセッサとして実装することができる。再構成デバイス５１４におけるＣＰＵは、第一の再構成部、分類部、決定部、第二の再構成部及び生成部の一例である。

一実施形態において、再構成画像は、ディスプレイ５１６上に映し出すことができる。係るディスプレイ５１６は、ＬＣＤディスプレイ、ＣＲＴディスプレイ、プラズマディスプレイ、ＯＬＥＤ、ＬＥＤ、又は当業者にとって公知のその他のディスプレイとすることができる。

メモリ５１２は、ハードディスクドライブ、ＣＤ－ＲＯＭドライブ、ＤＶＤドライブ、ＦＬＡＳＨドライブ、ＲＡＭ、ＲＯＭ、又は当業者にとって公知のその他の電子的な記憶装置の場合もある。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、本開示の範囲を限定することは意図していない。これら新規の方法、装置及びシステムは、その他の様々な形式で実施されることが可能であり、開示の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。

３００ データ処理装置
３０１ ＣＰＵ
３０２ メモリ
３０４ 記憶媒体ディスク
３０６ ネットワークコントローラ
３０８ ディスプレイコントローラ
３１０ ディスプレイ
３１２ Ｉ／Ｏインターフェース
３２４ ストレージコントローラ
４００ ネットワーク
５００ 放射線ガントリ
５０１ Ｘ線管
５０２ 環状フレーム
５０３ Ｘ線検出器
５０４ ＤＡＳ
５０６ 前処理デバイス
５０７ 回転ユニット
５０８ スリップリング
５０９ 高電圧発生器
５１０ システムコントローラ
５１１ データ／制御バス
５１２ メモリ
５１３ 電流調整器
５１４ 再構成デバイス
５１５ 入力デバイス
５１６ ディスプレイ
Ｓ 被検体

Claims (6)

1. 被検体に照射されて前記被検体を通過したＸ線を検出することにより得られた投影データから第一のコンピュータ断層撮影（ＣＴ）画像を再構成する第一の再構成部と、
   前記第一のＣＴ画像を個別の臓器及び／又は組織タイプに対応する複数の領域へと分類する分類部と、
   前記複数の領域に対応する個別の第一の正則化パラメータを決定する決定部と、
   前記投影データと前記第一の正則化パラメータとを使用し、前記複数の領域の対応する領域における前記個別の第一の正則化パラメータにより調整された正則化項を使用して第二のＣＴ画像を再構成する第二の再構成部と、
   を具備し、
   前記分類部は、前記第一のＣＴ画像のスライスのスタックであって、軸面で撮られている前記第一のＣＴ画像の前記スライスのスタックの軸方向における最小値に基づいて最小値輝度投影（ＭＩＰ）画像を生成することにより、前記第一のＣＴ画像を分類し、
   前記決定部は、放射線濃度の第一の範囲における前記第一のＣＴ画像のピクセルの前記第一の正則化パラメータを決定するために前記第一のＣＴ画像を使用し、且つ放射線濃度の第二の範囲における前記第一のＣＴ画像のピクセルの前記第一の正則化パラメータを決定するために前記ＭＩＰ画像を使用し、前記第一の正則化パラメータを決定し、
   前記第一の範囲における放射線濃度は、前記第二の範囲における放射線濃度に比べて大きい、医用画像処理装置。
2. 被検体に照射されて前記被検体を通過したＸ線を検出することにより得られた投影データから第一のコンピュータ断層撮影（ＣＴ）画像を再構成する第一の再構成部と、
   前記第一のＣＴ画像を個別の臓器及び／又は組織タイプに対応する複数の領域へと分類する分類部と、
   前記複数の領域に対応する個別の第一の正則化パラメータを決定する決定部と、
   前記投影データと前記第一の正則化パラメータとを使用し、前記複数の領域の対応する領域における前記個別の第一の正則化パラメータにより調整された正則化項を使用して第二のＣＴ画像を再構成する第二の再構成部と、
   生成部と、
   を具備し、
   前記決定部は、放射線濃度の値から前記第一の正則化パラメータの値への区分的線形マッピングであって、放射線濃度の第一の範囲における放射線濃度を有する前記第一のＣＴ画像のピクセルへと適用されている前記区分的線形マッピングを使用して前記第一の正則化パラメータを決定し、
   前記生成部は、前記第一のＣＴ画像のスライスのスタックであって、軸面で撮られている前記第一のＣＴ画像の前記スライスのスタックの軸方向における最小値に基づいた最小値輝度投影（ＭＩＰ）画像を生成し、
   前記決定部は、前記第一の範囲の外側の放射線濃度を有する前記第一のＣＴ画像のピクセルに対して、前記第一の正則化パラメータを決定するために、前記区分的線形マッピングを前記ＭＩＰ画像へと適用する、医用画像処理装置。
3. 被検体に照射されて前記被検体を通過したＸ線を検出することにより得られた投影データから第一のコンピュータ断層撮影（ＣＴ）画像を再構成する第一の再構成部と、
   前記第一のＣＴ画像を個別の臓器及び／又は組織タイプに対応する複数の領域へと分類する分類部と、
   前記複数の領域に対応する個別の第一の正則化パラメータを決定する決定部と、
   前記投影データと前記第一の正則化パラメータとを使用し、前記複数の領域の対応する領域における前記個別の第一の正則化パラメータにより調整された正則化項を使用して第二のＣＴ画像を再構成する第二の再構成部と、
   を具備し、
   前記決定部は、前記第二のＣＴ画像を再構成するために使用された場合に、前記複数の領域の肺領域に比べて、前記複数の領域の軟部組織におけるスムージングの方をより大きくなるようにさせる前記第一の正則化パラメータを決定する、医用画像処理装置。
4. 被検体に照射されて前記被検体を通過したＸ線を検出することにより得られた投影データを取得することと、
   前記投影データから第一のコンピュータ断層撮影（ＣＴ）画像を再構成することと、
   前記第一のＣＴ画像を個別の臓器及び／又は組織タイプに対応する複数の領域へと分類することと、
   前記複数の領域に対応する個別の第一の正則化パラメータを決定することと、
   前記投影データと前記第一の正則化パラメータとを使用し、前記複数の領域の対応する領域における前記個別の第一の正則化パラメータにより調整された正則化項を使用して第二のＣＴ画像を再構成することと、
   最小値輝度投影（ＭＩＰ）画像を生成することと、
   を具備し、
   前記第一の正則化パラメータを前記決定することは、放射線濃度の値から前記第一の正則化パラメータの値への区分的線形マッピングであって、放射線濃度の第一の範囲における放射線濃度を有する前記第一のＣＴ画像のピクセルへと適用されている前記区分的線形マッピングを使用して実行される、
   前記ＭＩＰ画像を生成することは、前記第一のＣＴ画像のスライスのスタックであって、軸面で撮られている前記第一のＣＴ画像の前記スライスのスタックの軸方向における最小値に基づいた前記ＭＩＰ画像を生成することであり、
   前記第一の正則化パラメータを前記決定することは、前記第一の範囲の外側の放射線濃度を有する前記第一のＣＴ画像のピクセルに対して、前記第一の正則化パラメータを決定するために、前記区分的線形マッピングを前記ＭＩＰ画像へと適用することを含む、方法。
5. 被検体に照射されて前記被検体を通過したＸ線を検出することにより得られた投影データを取得することと、
   前記投影データから第一のコンピュータ断層撮影（ＣＴ）画像を再構成することと、
   前記第一のＣＴ画像を個別の臓器及び／又は組織タイプに対応する複数の領域へと分類することと、
   前記複数の領域に対応する個別の第一の正則化パラメータを決定することと、
   前記投影データと前記第一の正則化パラメータとを使用し、前記複数の領域の対応する領域における前記個別の第一の正則化パラメータにより調整された正則化項を使用して第二のＣＴ画像を再構成することと、
   を具備し、
   前記第一の正則化パラメータを決定することは、前記第一の正則化パラメータが前記第二のＣＴ画像を再構成するために使用された場合に、前記複数の領域の肺領域に比べて、前記複数の領域の軟部組織におけるスムージングの方をより大きくなるようにさせる前記第一の正則化パラメータを決定することを含む、方法。
6. 請求項４又は５に記載の方法をコンピュータに実行させるプログラムを記憶した記憶媒体。