Deep Learning 再構成技術であるAdvanced intelligent Clear-IQ Engine : AiCEをすべてのセグメントに標準搭載しております。低線量かつ高画質な画像を多くの患者さんに提供できるようキヤノンメディカルシステムズはこれからも努めてまいります。

Advanced intelligent Clear-IQ Engine (AiCE)とは？

Deep learningを用いて設計した新しい画像再構成技術です。ノイズ成分と信号成分を識別する処理を用い、空間分解能を維持したままノイズを選択的に除去することが可能です。

AiCEを用いることで、CT 装置が持つ分解能をより引き出しながら、高いノイズ低減効果を得ることができます。低コントラスト領域においても、粒状性を維持しながら高いノイズ低減効果が得られ、低線量領域でも安定した画質向上を実現しています。

Cookies: Please accept Targeting Cookies to watch this video.

そもそも・・・Deep Learningとは？（人工知能，機械学習との意味の違い）

AI：Artificial Intelligence（人工知能）とは、機械が再現する人間の知能を意味します。Machine Learning（機械学習）とは、人工知能を実現するためのアプローチのことで、このうちの一つにDeep Learning（深層学習）があります。

Deep Learningは昨今急速に進化を続けるAIにおいて基盤となる重要な技術です。

Cookies: Please accept Targeting Cookies to watch this video.

Deep Learningとは？

Deep Learningは、入力層と出力層を複数の中間層で結んだネットワークを用います。これに畳み込み処理を用いたネットワークをDCNN（Deep　Convolutional Neural Network）と呼びます。

Cookies: Please accept Targeting Cookies to watch this video.

脳内の神経細胞（ニューロン）を数式的なモデルで表現するニューラルネットワーク


低品質（低線量）な入力データがDCNNを介して出力され、教師データと比較されます。この時、教師データとの差異が最小となるように、ネットワークの重み付けが調整されます。

Cookies: Please accept Targeting Cookies to watch this video.

順伝播（Propagation）と逆伝播（Back Propagation）を繰り返し、ネットワークを最適化する

AiCEでは，教師データに高空間分解能かつ低ノイズなデータ（Advanced MBIR）を用いることで、大幅なノイズ低減効果と高い空間分解能の維持効果を両立させています。

AiCEにはどのような効果があるの？

①低ノイズと高い空間分解能

　大幅なノイズ低減効果と空間分解能の向上を実現します。
通常のMBIR（モデルベース遂次近似再構成）では困難であった低コントラスト領域における高いノイズ低減効果や粒状性の維持効果が高く、低線量領域での安定した画質向上を実現可能です。

高いノイズ低減と、粒状性の維持効果（水ファントム、NPS比較）
sou
sou

さらなる空間分解能の向上（X-Y空間分解能：Edge-MTF比較）
sou

②再構成高速化

　MBIRであるFIRSTの画像再構成には膨大な計算が必要でした。
しかし、AiCEではディープニューラルネットワークであるDCNNに当社独自の再構成技術である、FIRST（Forward projected model-based Iterative Reconstruction SoluTion）のモデルを含むことで、FIRSTの特徴を得つつ計算量の削減可能です。さらに、AiCEでは複数のGPUを用い再構成することで高速化しています。その結果、ルーチンCT検査での使用を可能にします。

③ワークフロー

　AiCEは検査プロトコルに組み込んでスキャン連動で再構成することで、AiCEの被ばく低減効果を見込んだ撮影条件を設定することが可能です。
具体的には、Volume EC（Volume Exposure　Control）で再構成モードをAiCEに設定し、さらにAiCE強度を選択すると、強度に応じたX線の管電流が算出され、被ばく低減が可能となります。

＊本システムは画像再構成に用いるネットワーク構築にDeep Learningを使用しており、本システム自体に自己学習機能を有しておりません。