|
１）画像出力型深層学習をベースとするCTのための被曝線量低減手法の開発
本研究で開発したCTのための被曝線量低減手法は，我々独自の深層学習をベースとし，学習と実行ステップから成る．学習ステップでは，超低線量で撮像されたCT像を入力画像，高線量で撮像されたCT像を教師画像に使い，深層学習モデルを学習する．深層学習は，ニューラルネット回帰モデル（NN）で構成され，入力は超低線量CT像の局所領域の画素値，出力はそれに対応する高線量CT像中の1画素の推定値である．学習は，教師画素と出力画素の誤差が小さくなるよう，NNの重み係数を調整することにより行われる．実行ステップでは，学習後のモデルに未学習の超低線量CT像を入力すれば，あたかも高線量で撮ったようなCT像（仮想高線量CT像）に変換できる．
CTデータの３次元化に伴い，深層学習モデルを３次元に拡張する場合，情報量の増大に伴う学習時間の増大が問題となる．２次元モデルの学習は，通常のPCにおいて約72時間を要した．３次元化すると情報量が10倍程に増える．この問題に対処するため，我々が以前に開発したLaplacian Eigenmapに基づく非線形入力次元削減手法を応用した．
２）3次元胸部ファントムによる被曝線量低減手法の性能検証
深層学習３次元モデルの学習と検証のため，精巧な3次元胸部ファントムを，CT装置の最低線量から最高線量までの複数の線量で撮像した．超低線量と最高線量のCT画像を入力画像と教師画像とし，深層学習モデルを学習した．本手法で低減できる被曝線量を定量的に明らかにするため，最高線量CT像を理想画像とし，出力CT像の画質をSSIM (Structural Similarity)を用いて評価した．仮想高線量CT像の画質と，実際に線量を変えて撮像したCT像の関係を調べることにより，本手法で低減できる線量を定量的に明らかにした．
|
