X-ray Computed Tomography 用語集
Ｘ線CTについて知っておくべき専門用語はすべてここにあります。
このリストに掲載したい用語があればお知らせください。 imaging@rigaku.com.
吸収コントラストイメージング
吸収コントラストイメージングは最も一般的に使用される X 線イメージングのメカニズムであり、サンプルのX線吸収率の違いを利用しています。 X線吸収率は、主にサンプルの密度と厚さに依存します。
エイリアシング アーチファクト
X 線 CT (コンピューター断層撮影) 撮影で取得したデータの投影枚数が十分ではない場合、X線 CT データにエイリアシングアーチファクトが発生します。 エイリアシング アーチファクトは、サンプルの回転軸に垂直な X 線 CT スライス画像において、放射状の線が発生します。 投影画像の理想的な数は、FOV (視野) サイズをボクセル サイズで割った値ですが、通常はこの数の半分から 1/3の投影画像枚数で十分です。
X線 CT による材料と生命科学のアーチファクトに関するウェビナークリップをご覧ください。
アーチファクト
X 線 CT(コンピューター断層撮影) 画像中に観察される「虚像」のことです。これらアーチファクトは特徴的な形状、グレーレベルの変化としてCT画像中に表示されますが、これらは撮影したサンプル本来のものとは異なります。 アーチファクトは測定手順およびその設定が不完全であるために発生します。 典型的なアーチファクトには、ビームハードニング アーチファクト、リング アーチファクト、およびエイリアシング アーチファクトなどがあります。
X線 CT による材料と生命科学のアーチファクトに関するウェビナークリップをご覧ください。
「データ収集中のCTアーティファクトの認識と最小限に抑える方法」を詳しく読む
ビームハードニング アーチファクト
X 線 CT(コンピューター断層撮影) 画像中の厚くて均一な素材の濃淡の変化や高密度または高吸収性の素材から放射される線状の虚像です。ビームハードニングは以下の原因で発生します。 X線 CT 撮影で使用するX線のほとんどが連続X線であり、連続X線にはエネルギー分布があります。X 線のエネルギーと物質の密度に X 線の吸収率は依存することから、連続X 線のエネルギー分布はX線が物体を通過するにつれて変化します。このとき、高エネルギーの X 線 (硬 X 線) は低エネルギーの X 線 (軟 X 線) よりも長く残存します。 その結果、X 線のエネルギーがより高い側にシフトし、「線質硬化」を起こします。一方、2D 投影から 3D 画像を生成する再構成計算では、X 線エネルギーの値が 1 つのみの単色放射線を想定しています。この 実験値と計算値のギャップがビームハードニング アーチファクトを引き起こします。
X線 CT による材料と生命科学のアーチファクトに関するウェビナークリップをご覧ください。
「CTにおけるビームハードニングとは何ですか？」を詳しく読む
「CTにおけるビームハードニングアーチファクトを減らす方法」を詳しく読む
二値化
二値化とは、X 線 CT (コンピューター断層撮影) 画像を白と黒の二値画像に変換する処理です。画像を二値化する最も簡単な方法は閾値処理です。 大津式や最大エントロピーなど、閾値を決定するアルゴリズムにはさまざまなものがあります。
コーンビーム方式
コーンビーム方式は、X 線 CT (コンピューター断層撮影) の撮影手法の 1 つです。 円錐状に発散するX線を使用して、サンプルを拡大撮影します。
X線 CT による材料と生命科学のコーンビーム方式に関するウェビナークリップをご覧ください。
ディープラーニング（深層学習） セグメンテーション
ディープラーニングは人工知能の一分野であり、人間が特定のタスクを学習し、トレーニングを通じて精度を向上させる方法を模倣します。 ディープラーニングを使用して、 X 線 CT (コンピューター断層撮影) 画像をより正確にセグメンテーションできます。
X線 CT による材料と生命科学のディープラーニング セグメンテーションに関するウェビナークリップをご覧ください。
Dragonfly Daily Webinarシリーズの第17エピソード、『ディープラーニングによる画像セグメンテーション』をご覧ください。
ディープラーニングの仕組みを学びたい場合、Ian Goodfellowの『Deep Learning』の第1章と3blue1brownの『ニューラルネットワーク』をご覧ください。
回折コントラストイメージング
多結晶のバルクサンプル内の結晶粒は、X線CT（コンピュータ断層撮影）測定中にサンプルが回転すると、回折条件を満たすことがあります。これにより、明確な回折コントラストが生じます。これらの回折コントラストを個々の結晶に関連するグループに抽出して整理することで、EBSD（電子逆散乱回折）と同様に、三次元の方位マップを再構築することができます。この技術は回折コントラストトモグラフィ（DCT）と呼ばれます。この分野では主にシンクロトロン放射光を使用していますが、実験室のX線源も使用できます。
"Ludwig et al. (2008) J. Appl. Cryst., 41, 302-309"という論文からその動作原理を学びます。
"Syha et al. (2012) Scr. Mater., 66(1), 1-4"の論文における回折コントラストイメージングの例をご覧ください。
Field of view (FOV)
Field of view (FOV) は、X 線 CT (コンピュータ断層撮影)スキャン画像の「視野サイズ」です。 FOV は、サンプル サイズより大きくても小さくてもかまいません。 FOV がサンプルよりも大きい場合、サンプル全体がイメージ化されます。 FOV がサンプルよりも小さい場合、サンプルの一部のみが画像化されます。 一般に、FOV は、X 線領域検出器に投影できるサンプルの領域に制限されます。 （オフセット スキャンとヘリカル スキャンを除く）。
X線 CT による材料と生命科学のField of view (FOV) に関するウェビナークリップをご覧ください。
フォーカス補正
正しい再構築されたX線CT（コンピュータ断層撮影）画像を得るためには、X線の焦点、サンプル回転の中心、および検出器の中心が直線上にある必要があります。X線CTスキャナーは、この条件を達成するために機械的に整列されます。しかし、ミクロン単位の誤差がよく発生し、再構築プロセス中に補正する必要があります。この補正はフォーカス補正または中心補正またはフォーカス補正と呼ばれます。再構築プロセス中に他のパラメーターも補正できますが、X線焦点のドリフト、検出器の傾斜、およびサンプルの移動など、中心補正が最も重要であり、高解像度の測定には頻繁に必要です。
「材料科学と生命科学のためのX線コンピュータ断層撮影 - 泡および複合材料のアプリケーション」からフォーカス補正（中心補正）に関するウェビナークリップをご覧ください。
ガントリージオメトリー
ほとんどの産業用X線CT（コンピュータ断層撮影）スキャナーは、X線源と検出器を固定し、オブジェクト（サンプル）を回転させて複数の2D投影を収集し、3D画像を再構築します。この幾何学は、サンプルのサイズと解像度に柔軟性を提供します。一方、ほとんどの医用CTスキャナーは、オブジェクト（患者）を固定し、X線源と検出器をその周囲で回転させます。これにより、スキャン中に患者を安定させ、快適に保つことができます。後者はガントリーシステムまたはガントリージオメトリーと呼ばれます。ガントリージオメトリーは、4D、in-situ、および一般的な高速測定にも使用されます。
幾何寸法公差(GD&T)解析
GD&T (Geometric Dimensioning and Tolerancing) は、部品の寸法と公差を明示的に定義するためのシステムです。 公差を指定することで、各部品の寸法と機能を定義することができます。 GD&T 解析は、パーツを評価し、パーツの各コンポーネントのサイズ、形状、および位置が定義された許容範囲内にあるかどうかを判断するために使用されます。 寸法と公差は、設計プロセスで定義されます。 評価は、測定値を必要な寸法および公差と比較することによって行われます。 X 線 CT (コンピュータ断層撮影) は、三次元測定機 (CMM) や光学スキャナーと共に GD&T 分析に一般的に使用される測定技術です。
X線 CT による材料と生命科学の幾何寸法公差 (GD&T) 解析に関するウェビナークリップをご覧ください。
ロジャー・ウェンデ氏による「専門家に尋ねる - ボクセルからメッシュデータへのシミュレーション - CTをメトロロジーとシミュレーションにどのように使用するか」のウェビナーをご覧ください。
GD&Tの基礎を学ぶには、Infinity MFGによる「GD&T - Part 1: 基本セットアップ手順」と「Part 2: ゲージ、寸法付け、エラー」を視聴してください。
ヒストグラフィックセグメンテーション
ヒストグラフィック セグメンテーションは、高度なグレーレベルしきい値セグメンテーション手法です。 2 つの画像を結合し、両方の画像を使用してしきい値を設定できます。 この手法は、シェーディングまたはカッピング アーティファクトを補正するのに役立ちます。
Dragonfly Daily Webinar シリーズのエピソード 26 - ヒストグラフィック セグメンテーションをご覧ください。
ISO-50 面定義
ISO-50 面定義は、サンプルの表面を定義する手法の一つです。サンプルのグレー レベルと空気のグレー レベルがそれぞれ 100% と 0% と定義されている場合にグレー レベルが 50% に達するポイントを界面として定義します。
X線 CT による材料と生命科学のISO-50 面定義に関するウェビナークリップをご覧ください。
Roger Wende氏による、「Ask the Expert - ボクセルからメッシュデータまでのシミュレーション - CTをメトロロジーとシミュレーションにどのように使用するか」と題されたウェビナーを視聴してください。
機械学習セグメンテーション
機械学習を利用したセグメンテーション手法であり、ノイズに対して非常に効果的です。機械学習は人工知能の一分野であり、人間が特定のタスクを学習する方法を模倣し、トレーニングを通じて精度を向上させます。 機械学習には深層学習も含まれますが、「機械学習」という用語は、ランダム フォレスト回帰などの回帰アルゴリズムを指す場合によく使用されます。 機械学習を使用して、人間と同じように X 線 CT (コンピュータ断層撮影)画像をセグメンテーションできます。 このプロセスでは、相 (フェーズ) を定義し、人間が各ボクセルを「機械」に分類をトレーニングする方法の例を示します。 トレーニング セッションの後、機械学習プログラムは残りの画像のセグメンテーション作業を実行できます。
X線 CT による材料と生命科学の機械学習セグメンテーションに関するウェビナークリップをご覧ください。
機械学習によるセグメンテーションに関するウェビナーのクリップをご覧ください。
拡大率
コーンビーム方式を使用する場合、拡大率は SDD (X線発生源から 検出器までの距離)を SOD (X線源から測定対象物までの距離) で割った値です。 疑似平行ビーム方式を使用する場合、光学レンズを使用するため、レンズの倍率が追加されます。
設計値 / 実測値比較
サンプルのCADデータとX 線CT (コンピュータ断層撮影) 画像から作成したサーフェスメッシュを比較して、設計値とサンプルの実測値の偏差を算出します。
X線 CT による材料と生命科学の設計値 / 実測値比較に関するウェビナークリップをご覧ください。
オブジェクトの分離
画像解析は、粒子、細孔などのサイズ分布を測定するためによく使用されます。最初のステップは、画像セグメンテーションによって測定対象物を背景から分離することです。 オブジェクトが接触していない場合、接続されているセグメンテーションされたボクセルの各クラスターを 1 つのオブジェクトとして扱うことができ、そのサイズが測定されます。 すべてまたは一部のオブジェクトが接触している場合は、それらを個別のエンティティとして分離する必要があります。 このプロセスは、オブジェクトの分離と呼ばれます。 オブジェクトの予想される形状とサイズを想定できる場合、それらを使用して接触オブジェクトを分離できます。 形状とサイズを定義できない場合は、流域変換を適用して、接触しているオブジェクトを分離できます。
X線 CT による材料と生命科学のオブジェクトの分離に関するウェビナークリップをご覧ください。
ワークショップ「ImageJを使用したセグメンテーションの洗練」をご覧ください。
疑似平行ビーム方式
疑似平行ビーム方式は、X 線 CT (コンピューター断層撮影) の撮影手法の 1 つです。サンプルの真後ろに配置されたシンチレーターで X 線の発散角のごく一部を可視光に変換し、光学レンズで拡大し検出します。 この方式は、X 線の焦点サイズとドリフトによるぼやけ（ゆらぎ）の影響を受けず、高解像度 (サブミクロン) の X 線 CT(コンピュータ断層撮影) 測定に適しています。
バーチャルワークショップ『高解像度CTデータ収集技術』からの疑似平行ビーム方式に関するワークショップクリップをご覧ください。
部分体積効果
X 線 CT (コンピュータ断層撮影) 画像では、物体の表面や固体と空気の境界面などがぼやけて見えることがあります。 例えば、境界面のボクセルが固体と空気の両方を含むとき、グレーレベルは2 つの物質の平均値となります。 この中間的なグレーレベルはアーチファクトであり、部分体積効果と呼ばれます。
X線 CT による材料と生命科学の地質学アプリケーション・部分体積効果に関するウェビナークリップをご覧ください。
位相コントラストイメージング
X 線が物質を通過すると、X 線の強度は吸収によって減少し、同時に屈折によって位相がシフトします。 位相コントラストイメージングは、吸収率の代わりにこの位相変化を検出します。 この手法は、吸収コントラストイメージングよりも、軽元素のわずかな密度差を検出できます。 位相シフトは X 線検出器で直接測定できないため、フレネルゾーンプレートなどのデバイスを使用して強度の変化に変換されます。 この位相情報から強度への変換によって X 線の強度が低下するため、位相コントラストイメージングには高強度の X 線源または長時間の露光が必要になります。位相回復もX線の屈折を使用するため混同しやすいですが別物です。
X線 CT による材料と生命科学の位相コントラストイメージングに関するウェビナークリップをご覧ください。
位相回復
X線が物質を通過すると、吸収によって強度が減少し、屈折によって方向がわずかに変化します。X線の方向の変化によって、密度が異なる２つの物質の界面にX線の強度差が生まれます。この強度差から位相情報を推定し、吸収によって得られたCT画像のコントラストを向上させる処理を位相回復と呼びます。
X線 CT による材料と生命科学の位相回復に関するウェビナークリップをご覧ください。
空隙ネットワーク解析
空隙ネットワーク解析は、多孔質空間をモデル化して、岩石などの多孔質材料の流れ特性を記述します。 多孔質空間は、X 線 CT (コンピュータ断層撮影) を使用してセグメンテーションし、細孔 (大きな多孔質空間) とスロート (狭い多孔質空間) の組み合わせとしてモデル化して、デジタル細孔ネットワークを生成できます。 細孔ネットワーク モデルを使用して、接続性、ねじれ、透過性などを計算し、流動特性をシミュレートできます。
X 線 CT による材料と生命科学の地質学アプリケーション・空隙ネットワーク解析に関するウェビナー クリップをご覧ください。
空隙ネットワークモデリングフレームワーク - OpenPNM.をご覧ください。
再構成
X 線 CT (コンピュータ断層撮影) 撮影で取得した投影画像を3次元画像を得るための計算処理を再構成と呼びます。よく使用される手法として、逐次近似法とFDK法があります。
ミニ チュートリアル シリーズ - ImageJ X 線 CT - 再構成をご覧ください。
ワークショップ「ImageJ を使用した再構成の謎解き」をご覧ください。
関心領域 (ROI)
関心領域 (ROI) は、CTデータの中で特定の目的のために指定された領域です。 ROI は、立方体や球などの幾何学的形状、または特定の範囲のグレーレベルを持つ領域として指定されます。
空間分解能
通常、X 線 CT (コンピュータ断層撮影) 画像の空間分解能は、どれだけ小さい対象物を識別できるかを表します。 構造上の特徴があることを確認するには少なくとも 2 つのボクセルが必要であるため、空間分解能は通常、ボクセルサイズの 2 倍以上になります (シャノン ナイキスト サンプリング定理)。 空間分解能は、X 線の焦点サイズ、検出器のピクセルサイズ、拡大率、およびシステム全体の安定性の影響を受けます。
X線 CT による材料と生命科学の空間分解能に関するウェビナークリップをご覧ください。
ミニ チュートリアル シリーズ - ImageJ X 線 CT - 分解能をご覧ください。
ブログ記事「X 線 CT 画像の分解能を向上させる方法」をご覧ください。
リングアーチファクト
X 線 CT (コンピュータ断層撮影) 画像に発生する同心円状の虚像をリングアーチファクトと呼びます。このアーチファクトは、検出器の感度補正が適切に行われていない場合、または X 線の照射窓、X線フィルター、検出器表面に X 線を吸収する異物がある場合に発生します。
X線 CT による材料と生命科学のアーチファクトに関するウェビナークリップをご覧ください。
セグメンテーション
X 線 CT (コンピュータ断層撮影) 画像中のボクセルに対してラベル付けを行い、個別の関心領域 (ROI) として分類する処理です。一般的な各ボクセルのグレーレベルに基づく閾値処理はシンプルで高速です。他にも、機械学習または深層学習を用いたセグメンテーションがあります。
X線 CT による材料と生命科学のセグメンテーションに関するウェビナークリップをご覧ください。
S/N比 (SNR)
S/N比は [平均信号値 / 標準偏差] として定義されます。S/N比が低い画像はノイズが多い不明瞭な画像ですが、S/N比が高い画像はノイズが少ない明瞭な画像となります。
Read "How to Improve the Signal-to-noise Ratio of X-ray CT Images"
Source-to-detector distance (SDD)：焦点-検出器間距離
X線源から検出器までの距離 (SDD) は、X 線源の焦点と検出器センサーの間の距離です
Source-to-object distance (SOD)：焦点-測定対象物間距離
X線源から測定対象物までの距離 (SOD) は、X 線源の焦点と測定対象物の回転中心の間の距離です。
サーフェスメッシュ
サーフェスメッシュは頂点、エッジ、および面の集合体で定義されたオブジェクトの表面形状のことで、ポリゴンメッシュとも呼ばれます。サーフェスメッシュはCT撮影データから作成することができ、ISO-50メソッドで定義したオブジェクトの表面形状やボクセルの集合体として定義したROI (関心領域)から変換されます。得られたサーフェスメッシュは各種解析や3Dプリンタによる造形等に利用にできます。
閾値セグメンテーション
閾値セグメンテーションとは、グレー レベルの範囲を設定し、その範囲内のグレー レベルを持つボクセルに特定のラベルを付ける処理です。一般的な各ボクセルのグレーレベルに基づく閾値処理はシンプルで高速ですが、ノイズ レベルが高い場合、コントラストが低い場合、アーティファクトがある場合、または一部の相が複雑な形態をしている場合には、うまく機能しないことがよくあります。 その場合、機械学習または深層学習を用いたセグメンテーションが推奨されます。
X線 CT による材料と生命科学の閾値セグメンテーションに関するウェビナークリップをご覧ください。
ボリューム メッシュ
ボリュームメッシュは四面体等の要素の集合体で定義されたオブジェクトのことで、オブジェクトの表面だけでなく内容部も各要素で表現されます。ボリュームメッシュはCT撮影データから作成することができ、ISO-50メソッドで定義したオブジェクトの表面形状やボクセルの集合体として定義したROI (関心領域)から変換されます。得られたボリュームメッシュは有限要素解析で広く使用され、オブジェクトの機械、流体、熱、電気特性のシミュレーションに利用されます。
Roger Wende氏による「専門家に尋ねる - ボクセルからメッシュデータまでのシミュレーション - CTをメトロロジーとシミュレーションにどのように使用するか」と題されたウェビナーをご視聴ください。.
ボクセル
ボクセルは、X 線 CT (コンピュータ断層撮影) 画像を構成する最小単位のことで、通常は立方体となります。ボクセルサイズはこの立方体の1辺の長さを意味します。
＊ボクセルはボリュームとピクセル（画素）からの造語です。ピクセルは2次元画像を構成する最小単位のことで、形状は正方形です。ピクセルサイズ（画素サイズ）はこの正方形の1辺の長さを意味します。
ウォーターシェッドアルゴリズム
ウォーターシェッドは、ROIを分割する画像処理アルゴリズムです。単純な2値化処理は対象の物体同士が隣接している場合、繋がった状態で検出されてしまいます。一方、ウォーターシェッドはCT画像を構成する各画素の輝度値を標高とみなし、谷底から尾根まで水を満たすようにROIを分割します。細胞検出や粉体粒子の解析に効果を発揮する粒子の分離機能です。
X線 CT による材料と生命科学のウォーターシェッドアルゴリズムに関するウェビナークリップをご覧ください。
「Refining Segmentation Using ImageJ」というワークショップをご覧ください。
X線吸収
X線吸収とは、X線が物体を通過するとき、X線の一部が物体に吸収されることです。 一般に、X 線のエネルギーが低く物体の電子密度が高いほど吸収率が高くなり、物体が厚いほどより多くの X 線が吸収されます。
X線 CT による材料と生命科学のX線吸収に関するウェビナークリップをご覧ください。
X線CT（コンピュータ断層撮影）
X線CT (コンピュータ断層撮影）は、対象物の密度分布を3次元かつ非破壊的で観察できるイメージング技術です。 X 線 CT の最も一般的な形式は、吸収コントラスト イメージングです。 サンプルの複数の投影画像は、さまざまな角度から X 線源と検出器を使用して撮影されます。 再構成によりこれらの投影画像から 3次元画像が生成されます。 最初の商用 X 線 CTは、70 年代初頭に Allan M. Cormack と Godfrey N. Hounsfield によって開発されました。 彼らはその功績により、 1979 年にノーベル生理学賞を受賞しました。 それ以来、この技術は医療分野で広く使用されてきましたが、近年は材料工学や生命科学など、さまざまな分野で使用されています。
