CN112601493A - 图像处理装置、图像处理方法及程序 - Google Patents
图像处理装置、图像处理方法及程序 Download PDFInfo
- Publication number
- CN112601493A CN112601493A CN201980054144.6A CN201980054144A CN112601493A CN 112601493 A CN112601493 A CN 112601493A CN 201980054144 A CN201980054144 A CN 201980054144A CN 112601493 A CN112601493 A CN 112601493A
- Authority
- CN
- China
- Prior art keywords
- image processing
- radiation dose
- processing apparatus
- image
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 49
- 238000003672 processing method Methods 0.000 title claims description 4
- 230000005855 radiation Effects 0.000 claims abstract description 189
- 210000003484 anatomy Anatomy 0.000 claims abstract description 26
- 238000003384 imaging method Methods 0.000 claims description 44
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 239000000284 extract Substances 0.000 claims description 8
- 238000002601 radiography Methods 0.000 claims 1
- 238000000034 method Methods 0.000 description 26
- 230000011218 segmentation Effects 0.000 description 25
- 238000012549 training Methods 0.000 description 19
- 230000008859 change Effects 0.000 description 16
- 238000007781 pre-processing Methods 0.000 description 13
- 210000004072 lung Anatomy 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000012937 correction Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 210000000038 chest Anatomy 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
在图像处理设备中,通过对被检体进行放射线摄像而获得的放射线图像被分割成多个解剖区域,并且基于提取的区域来计算提取的区域的放射线剂量指标值。
Description
技术领域
本发明涉及一种基于通过放射线摄像而获得的图像来输出放射线剂量指标值的图像处理技术。
背景技术
近年来,数字图像在医疗领域的使用日益增加。使用传感器将放射线(X射线)间接或直接地转化为电信号以生成数字图像的数字放射线摄像装置(放射线拍摄装置)已成为主要趋势。
这种放射线摄像装置针对放射线剂量具有非常宽的动态范围,而且与传统的模拟放射线摄像相比,还具有如下优点:即使在放射线剂量不足或过大时,也能通过经由图像处理进行自动浓度校正来获得稳定的浓度输出。另一方面,即使在放射线摄像操作者用不适当的放射线剂量进行拍摄,操作者也不大可能注意到:特别是在放射线剂量过大时,存在着患者的辐射量增加的问题。
鉴于此,为了解决这个问题,通常将作为用于拍摄数字放射线图像的放射线剂量标准的值(在下文中称为“放射线剂量指标值”)与拍摄图像一起显示。此外,提出了各种用于计算放射线剂量指标值的方法。最近,IEC(国际电工委员会,InternationalElectrotechnical Commission)发布了国际标准IEC62494-1,并且EI(曝光量指标,Exposure Index)被定义为标准化的放射线剂量指标值。此外,在该国际标准中,EIT(目标曝光量指标,Target Exposure Index)被确定为要作为目标的放射线剂量值(在下文中称为“放射线剂量目标值”),并且还提供了使用DI(偏差指标,Deviation Index)进行放射线剂量管理的方法,DI表示放射线剂量指标值EI与放射线剂量目标值EIT之间的差。制造商提供符合该国际标准的放射线剂量管理功能。制造商提出了各种计算方法,例如,专利文件1和2中的那些计算方法。
参考文献列表
专利文献
PTL1:日本特开第2014-158580号公报
PTL1:日本特开第2015-213546号公报
发明内容
技术问题
在大多数情况下,放射线剂量指标值EI的计算方法是黑盒。因此,放射线剂量指标值EI的数值含义对于操作者来说并不清楚,并且在作为放射线剂量管理的基准值使用时很不方便。
本公开提供了一种使用操作者希望的基准来进行更合适的放射线剂量管理的技术。
解决问题的技术方案
根据本发明的图像处理装置具有以下构造,作为实现上述目的的手段。具体地,该图像处理装置包括:分割部,其将通过对被检体进行放射线摄像而获得的放射线图像分割成多个解剖区域;提取部,其从所述多个解剖区域提取至少一个区域;以及计算部,其基于由提取部提取的区域中的像素值,计算要对提取的区域进行的放射线摄像的放射线剂量指标值。
本发明的有益效果
根据本发明,能够使用操作者希望的基准进行更适当的放射线剂量管理。
通过以下结合附图而进行的描述,本发明的其他特征和优点将变得清楚。注意,在所有附图中,相同的附图标记标示相同或类似的部件。
附图说明
并入本说明书中并构成本说明书的一部分的附图,示出了本发明的实施例,并与说明书一起用于说明本发明的原理。
图1示出了根据第一实施例的放射线摄像装置的构造示例。
图2是示出根据第一实施例的放射线摄像装置100的处理过程的流程图。
图3是示出根据第一实施例的用于改变用于计算放射线剂量指标值的区域的处理过程的流程图。
图4示出了根据第一实施例的放射线摄像装置的构造示例。
图5是示出根据第二实施例的用于改变用于计算放射线剂量指标值的区域的分割构造的处理过程的流程图。
图6示出了根据第三实施例的放射线摄像装置的构造示例。
图7是示出根据第三实施例的用于自动更新放射线剂量目标值EIT的处理过程的流程图。
图8A是示出根据第一实施例的划分图的示例的图。
图8B是示出根据第二实施例的改变后的正确答案划分图的示例的图。
图9是示出多个拍摄部位与标签编号之间对应关系的对应关系表的示例的图。
具体实施方式
下面将基于示例性实施例参照附图详细描述本发明。应当注意,以下实施例中描述的构造仅是示例性的,本发明并不限于所例示的构造。
第一实施例
放射线摄像装置的构造
图1示出了根据第一实施例的放射线摄像装置100的构造示例。放射线摄像装置100是具有基于通过放射线摄像而获得的图像来输出放射线剂量指标值的图像处理功能的放射线摄像装置。因此,放射线摄像装置100还用作图像处理装置。放射线摄像装置100包括放射线产生单元101、放射线检测器104、数据收集单元105、预处理单元106、CPU(中央处理单元)108、存储单元109、操作单元110、显示单元111和图像处理单元112,并且这些单元相连使得数据可以经由CPU总线107相互发送/接收。此外,图像处理单元112包括分割单元113、提取单元114、计算单元115和设置单元116。存储单元109存储由CPU 108进行的处理所需的各种类型的数据和控制程序,并用作CPU 108的工作存储器。CPU 108使用存储单元109,根据来自操作单元110的操作,进行对整个装置的操作控制等。因此,放射线摄像装置100以稍后描述的方式操作。
首先,当操作者经由操作单元110输入拍摄指令时,该拍摄指令由CPU 108经由数据收集单元105发送到放射线产生单元101和放射线检测器104。随后,CPU 108控制放射线产生单元101和放射线检测器104以执行放射线摄像。在放射线摄像中,首先,放射线产生单元101用放射线束102照射被检体103。从放射线产生单元101发射的放射线束102穿过被检体103,并到达放射线检测器104。然后,放射线检测器104输出基于到达放射线检测器104的放射线束102的强度(放射线强度)的信号。注意,根据本实施例,被检体103是人体。因此,从放射线检测器104输出的信号是通过拍摄人体获得的数据。
数据收集单元105将放射线检测器104输出的信号转换为预定的数字信号,并将数字信号作为图像数据供应到预处理单元106。预处理单元106对从数据收集单元105供应的图像数据进行诸如偏移校正和增益校正等的预处理。经受了预处理单元106的预处理的图像数据在CPU 108的控制下经由CPU总线107被依次传送到存储单元109和图像处理单元112。
图像处理单元112基于从预处理单元106获得的图像数据(在下文中称为“放射线图像”)进行用于计算放射线剂量指标值的处理。放射线剂量指标值是如上所述的用于拍摄的放射线剂量标准的值。分割单元113将输入到其上的放射线图像(通过对被检体103进行放射线摄像而获得的放射线图像)分割成多个解剖区域。根据本实施例,分割单元113创建将在后面描述的划分图(多值图像)。提取单元114基于操作者对操作单元110的操作,从由分割单元113分割的多个解剖区域当中提取至少一个区域,作为用于计算放射线剂量指标值的区域。计算单元115基于提取的区域中的像素值,计算对由提取单元114提取的区域进行放射线摄像的放射线剂量指标值。设置单元116设置并管理关于标签编号与训练数据或拍摄部位之间的对应关系信息,这将在稍后进行描述。
在CPU 108的控制下,由图像处理单元112计算出的放射线剂量指标值与从预处理单元106获得的放射线图像一起在显示单元111上显示。在操作者确认在显示单元111上显示的放射线剂量指标值和放射线图像后,一系列拍摄操作结束。显示单元111上显示的放射线剂量指标值和放射线图像也可以输出到打印机等(未例示)。
放射线摄像装置的操作
接下来,将参照图2中的流程图详细描述根据本实施例的放射线摄像装置100的操作。图2是示出根据本实施例的放射线摄像装置100的处理过程的流程图。图2中所示的流程图可以实现为CPU 108执行存储在存储单元109中的控制程序并执行对信息的计算和处理以及对硬件的项目的控制的结果。
如上所述,由预处理单元106获得的放射线图像经由CPU总线107传送到图像处理单元112。传送的放射线图像被输入到分割单元113。分割单元113根据输入的放射线图像创建划分图(多值图像)(步骤S201)。具体地,分割单元113向放射线图像的各个像素添加标签,该标签表示该像素所属的解剖区域。将图像分割为任何解剖区域的这种分割称为语义分割(语义区域分割)。需要注意的是,根据本实施例,该标签是可通过像素值区分的标签编号。具体地,分割单元113通过将不同的标签编号添加到多个解剖区域中,将放射线图像分割成多个解剖区域。
图8A示出了在步骤S201中创建的划分图的示例。图8A是示出在输入的放射线图像是示出胸部的图像的情况下划分图的示例的图。如图8A所示,分割单元113向属于肺野801的区域的像素提供相同值(例如,像素值0),并向属于脊柱802的区域的像素提供与肺野的上述值不同的相同值(例如,像素值1)。此外,分割单元113向属于不属于肺野801和脊柱802中的任一者的被检体结构803的像素提供与肺野和脊柱的上述值不同的相同值(例如,像素值2)。
注意,图8A中所示的分割是示例性的,并不特别限定将放射线图像划分为解剖区域所根据的粒度。例如,分割单元113可以根据操作者经由操作单元110指示的用于计算放射线剂量指标值的期望区域,适当地确定分割的粒度。此外,分割单元113还可以通过以类似的方式将标签编号(像素值)添加到被检体结构以外的区域来创建划分图。例如,在图8A中,也可以创建将不同的标签编号添加到放射线直接到达放射线检测器104的区域804和放射线被准直器(未示出)遮挡的区域805的划分图。
根据本实施例,分割单元113使用已知方法在步骤S201中创建划分图。这里,使用CNN(卷积神经网络)作为已知方法的示例。CNN是由卷积层、池化层、全连接层等构成的神经网络,并且根据要解决的问题适当地组合这些层来实现。此外,CNN代表了机器学习算法的类型,并且需要事先训练。具体来说,需要通过使用大量训练数据的、所谓的监督学习(supervised learning)来调整(优化)卷积层使用的滤波系数和诸如各层的权重、偏置值等参数(变量)。
在此,监督学习包括对要输入到CNN的图像(输入图像)与当提供该输入图像时预期的输出结果(正确答案)的组合的大量样本的准备,并对参数重复调整,以便输出预期的结果。这种调整通常采用误差反向传播法(反向传播)。具体来说,在正确答案与实际输出结果之间的差(由损失函数定义的误差)减小的方向上重复调整CNN的参数。
注意,根据本实施例,输入到CNN的图像是由预处理单元106获得的放射线图像,并且预期的输出结果是正确答案划分图(例如,图8A)。这样的正确答案划分图可以由操作者根据期望的解剖区域的粒度预先创建。通过使用输入图像与预期的输出结果的组合的多个样本的机器学习来预先生成CNN参数(所学习的参数202)。将所学习的参数202预先存储在存储单元109中,并且当在步骤S201中分割单元113创建划分图时,调用所学习的参数202,并且使用CNN进行语义划分。因此,分割单元113使用通过机器学习预先生成的参数,将放射线图像分割成多个解剖区域。此外,操作者可以确定预定的图像数据和与预定的图像数据对应的正确答案划分图(分割/分配数据)作为训练数据。训练数据由设置单元116管理。
注意,也可以使用所有部位的数据生成仅一个所学习的参数202,但也可针对各个部位(例如,头部、胸部、腹部、四肢)生成所学习的参数202。具体地,还可以采用如下构造:其中,使用针对各个部位的输入图像与预期的输出结果的组合的多个样本分别进行学习,从而针对每个部位生成多组所学习的参数202。也可以采用如下的构造:当生成多组所学习的参数202时,将各组所学习的参数与部位信息相关联地预先存储在存储单元109中,并且分割单元113根据输入图像的部位,从存储单元109中调用与拍摄部位对应的所学习的参数202,并使用CNN进行语义划分。
注意,并不特别限定CNN的网络结构,可以使用通常已知的结构。具体而言,FCN(全卷积网络,Fully Convolutional Networks)、SegNet、U-net等可以用于机器学习。此外,根据本实施例,输入到CNN的图像是由预处理单元106获得的放射线图像,但通过将该放射线图像缩小而获得的放射线图像也可以用作输入到CNN的图像。使用CNN的语义划分需要大计算量和较长的计算时间,因此使用缩小的图像数据可以使计算时间减少。
接下来,提取单元114提取用于计算放射线剂量指标值的区域(步骤S203)。具体地,提取单元114提取由操作者经由操作单元110指定的区域,作为用于计算放射线剂量指标值的区域。根据本实施例,为了进行提取处理,使用作为关于拍摄部位与标签编号之间的对应关系的信息的对应关系信息204,作为区域信息。具体地,提取单元114根据操作者的指令,使用预先设置的对应关系信息204从多个解剖区域当中提取至少一个区域,对应关系信息204是关于多个部位与分别对应于该多个部位的标签编号之间的对应关系的信息。图9示出了,多个部位与分别对应于该多个部位的标签编号之间的对应关系的表的示例,作为对应关系信息204的示例。图9中所示的对应关系表900由操作者等预先创建,并存储在存储单元109中。提取单元114参照对应关系表900,并获得与操作者经由操作单元110指定(指示)的区域的部位对应的标签编号。注意,提取单元114也可以直接获得由操作者经由操作单元110指定的标签编号。随后,提取单元114基于表达式1生成掩蔽图像(Mask),其中,与获得的标签编号对应的像素值为1。
注意,Map表示划分图,(x,y)表示图像中的坐标。此外,L表示获得的标签编号。
注意,操作者指定的区域数量不限于一个,也可以指定多个区域。在操作者指定多个区域的情况下,提取单元114可以生成与多个区域对应的多个标签编号中的一个所对应的像素的值为1,而除此之外的值为0的掩蔽图像。注意,后面将参照图3中的流程图详细描述操作者设置区域的方法。
接下来,计算单元115计算表示提取的区域的集中趋势的值V,作为步骤S203中提取的区域(即掩蔽图像中像素值为1的区域)的代表值(步骤S205)。根据本实施例,V值的计算如表达式2。
注意,Org表示输入图像(根据本实施例,由预处理单元106获得的放射线图像),Mask表示掩蔽图像,(x,y)表示图像中的坐标,Org(x,y)表示输入图像中坐标(x,y)处的像素值。
接下来,计算单元115将获得的值V转换为放射线剂量指标值EI(步骤S206)。具体地,计算单元115根据国际标准IEC62494-1的定义,如表达式3一样,将值V转换为放射线剂量指标值EI。
EI=c0·g(V),c0=100μGy-1…(3)
注意,函数g是将值V转换为空气比释动能(air kerma)的函数,并且在规定的条件下,根据空气比释动能与值V之间的关系预先确定。注意,函数g根据放射线检测器104的特性而不同。因此,操作者根据可用的放射线检测器104预先将多个函数g存储在存储单元109中,使得计算单元115可以使用与实际使用的放射线检测器104对应的函数g进行转换。
此外,计算单元115使用表达式4计算放射线剂量目标值EIT与放射线剂量指标值EI之间的差量(偏差)DI(步骤S207)。
注意,放射线剂量目标值EIT是根据操作者确定的放射线剂量管理基准,针对各个部位预先设置的。偏差DI是表示放射线剂量目标值EIT与放射线剂量指标值EI之间的偏差的数值,因此,如果放射线剂量目标值EIT与放射线剂量指标值EI相同,则偏差DI为0。此外,放射线剂量指标值EI越大,换句话说,拍摄图像的放射线剂量比放射线剂量目标值EIT大的程度越大,偏差DI就越大。例如,当拍摄图像的放射线剂量是放射线剂量目标值EIT的两倍时,偏差DI约为3。此外,拍摄图像的放射线剂量比放射线剂量目标值EIT小的程度越小,偏差DI就越小,例如,当拍摄图像的放射线剂量是放射线剂量目标值的一半时,偏差DI约为-3。因此,操作者可以瞬间了解拍摄图像的放射线剂量相对于作为基准的放射线剂量目标值EIT是不足还是过大。
接下来,CPU 108将获得的放射线剂量指标值EI和偏差DI,显示在显示单元111上(步骤S208)。这里,并不特别限定显示方法,例如,CPU 108可以将预处理单元106获得的放射线图像一起显示在显示单元111上,并且CPU 108还可以进行控制,以便将获得的放射线剂量指标值EI和偏差DI作为叠加来显示在显示单元111可以进行显示的显示区域的一部分上。
注意,根据本实施例,基于操作者指定的区域,计算仅一个放射线剂量指标值EI和仅一个偏差DI,但是,例如,也可以采用获得多个放射线剂量指标值EI和偏差DI的构造。具体地,也可以采用如下构造,其中,当因操作者指定多个区域而提取这些区域时,放射线摄像装置100计算各个区域的值D,针对该值D计算放射线剂量指标值EI和偏差DI,并在显示单元111上显示这些数据。
上文已经描述了基于通过拍摄而获得的放射线图像来计算放射线剂量指标值的操作。接下来,将参照图3中的流程图来描述当操作者改变用于计算放射线剂量指标值的区域时图像处理单元112的操作。图3是示出改变用于计算放射线剂量指标值的区域的处理过程的流程图。图3中所示的流程图可以实现为CPU 108执行存储在存储单元109中的控制程序并执行对信息的计算和处理以及对硬件的各个项目的控制的结果。注意,在图3的流程图中,对与图2所示的步骤相同的步骤赋予相同的附图标记,并且省略其描述。
首先,操作者经由操作单元110选择要改变的区域的部位(该区域所属的部位)(步骤S301)。接着,设置单元116确定是否存在与所选择的部位对应的训练数据(步骤S302)。在此,如上所述,训练数据是指由操作者确定的正确答案划分图(分割/分配数据)。如果存在与所选择的部位对应的训练数据(步骤S302中为“是”),则设置单元116从存储单元109获得训练数据(步骤S303)。如果不存在与所选择的部位对应的训练数据(步骤S302中为“否”),则设置单元116从存储单元109获得所选部位的通过以前的拍摄获得的图像数据(放射线图像)(步骤S304),并且分割单元113根据获得的图像数据创建划分图(步骤S201)。创建划分图的方法与图2中关于步骤S201的描述中的方法相同。
接下来,CPU 108在显示单元111上显示诸如在图8A中所示的划分图(步骤S305)。操作者使用鼠标等(未例示)指定要改变的区域,该区域是用于计算放射线剂量指标值的任何区域(步骤S306)。接着,设置单元116获得与指定的区域相对应的标签编号,更新对应关系信息204(例如,图9所示的拍摄部位与标签编号之间的对应关系的对应关系表900),并将数据存储(设置)在存储单元109中(步骤S307)。
如上所述,根据第一实施例,能够从通过分割放射线图像而获得的区域当中自由地改变用于计算放射线剂量指标值的区域,并使用操作者希望的基准进行适当的放射线剂量管理。
第二实施例
放射线摄像装置的构造
图4示出了根据第二实施例的放射线摄像装置400的构造示例。放射线摄像装置400具有包括机器学习单元401的在图1中所示的放射线摄像装置100的构造。机器学习单元401具有进行用于改变用于计算放射线剂量指标值的区域的分割构造的学习的功能。具体地,机器学习单元401基于训练数据(预定的图像数据和与预定的图像数据对应的正确答案划分图(分割/分配数据))进行机器学习(CNN再学习)。
放射线摄像装置的操作
下面将参照图5描述用于改变用于计算放射线剂量指标值的区域的分割构造的、作为与第一实施例中的操作不同的操作的处理。图5是示出用于改变用于计算放射线剂量指标值的区域的分割构造的处理过程的流程图。图5中所示的流程图可以实现为CPU 108执行存储在存储单元109中的控制程序,并执行对信息的计算和处理以及对硬件的各个项目的控制的结果。
首先,机器学习单元401基于训练数据502对CNN进行再训练(步骤S501)。该再训练是使用预先准备的训练数据502的训练。注意,通过使用与第一实施例中描述的方法类似的误差反向传播方法(反向传播),在正确答案与实际输出结果之间的差(由损失函数定义的误差)减小的方向上重复调整CNN的参数来进行具体的训练方法。
在此,如下所述,设置单元116可以设置机器学习单元401的训练数据以进行再训练。具体地,设置单元116可以改变作为训练数据的正确答案划分图,并在机器学习单元401中设置正确答案划分图。图8B示出了改变后的正确答案划分图的示例。例如,根据第一实施例,如图8A所示,分割单元113将相同的标签添加到作为一个区域的肺野801。另一方面,根据本实施例,如图8B所示,设置单元116考虑到肺野被划分为不同区域(即右肺野和左肺野)的情况,准备了向右肺野801a和左肺野801b添加不同的标签的正确答案划分图,作为训练数据502。此外,根据第一实施例,如图8A所示,分割单元113将相同的标签添加到作为一个区域的脊柱802。另一方面,根据本实施例,设置单元116考虑到脊柱被分割为胸椎和腰椎的情况,准备了如图8B所示的将不同的标签添加到胸椎802a和腰椎802b的正确答案划分图。
接下来,机器学习单元401在存储单元109中更新(存储)通过再训练获得的参数,作为CNN的新参数(步骤S503)。随后,图像处理单元112重新设置用于计算放射线剂量指标值的区域(步骤S504)。在此,重新设置方法与图3的流程图中的操作相同,因此省略其描述。注意,在图3中,作为在上述处理中使用新的训练数据结果,创建新的划分图,并且在步骤S307的处理中,更新对应关系信息204(例如,图9所示的拍摄部位与标签编号之间的对应关系的对应关系表900)。具体地,设置单元116根据通过使用更新后的参数的划分而获得的多个解剖区域,更新并设置对应关系信息204。因此,例如,从下一次之后的拍摄中(图2),作为在步骤S503中用更新后的参数替换所学习的参数202(图2)的结果,分割单元113可以使用更新后的参数将放射线图像分割成多个解剖区域。此外,通过使用根据本实施例更新的对应关系信息204代替步骤S203中使用的对应关系信息204,能够计算新定义区域的放射线剂量指标值。
如上所述,根据第二实施例,存在如下效果:能够改变用于计算放射线剂量指标值的区域的分割构造,并且操作者可以自由改变用于计算放射线剂量指标值的区域。
第三实施例
放射线摄像装置的构造
图6示出了根据第三实施例的放射线摄像装置600的构造示例。放射线摄像装置600具有包括目标值更新单元601的在图4中所示的放射线摄像装置400的构造。目标值更新单元601具有自动设置放射线剂量目标值EIT的功能。
放射线剂量目标值EIT是作为放射线剂量指标值EI的基准值的值,而且当改变用于计算放射线剂量指标值EI的区域时,也需要改变放射线剂量目标值EIT。这种改变由操作者根据放射线剂量管理基准手动设置,但是,每当改变用于计算放射线剂量指标值EI的区域时就从头开始设置用于计算放射线剂量指标值EI的区域是很麻烦的。鉴于此,目标值更新单元601具有根据改变之前和之后的区域的差,使用与改变之前的放射线剂量目标值EIT基本相等的值,自动更新放射线剂量目标值EIT的功能。
放射线摄像装置的操作
下面将参照图7描述自动更新放射线剂量目标值EIT的方法。图7是示出自动更新放射线剂量目标值EIT的处理过程的流程图。图7中所示的流程图可以实现为CPU 108执行存储在存储单元109中的控制程序,并执行对信息的计算和处理以及对硬件的各个项目的控制的结果。注意,该流程图是在改变用于计算放射线剂量目标值的区域的定时执行的。具体地,该流程图在改变用于计算放射线剂量指标值的区域(基于图3中的流程图的操作)或者改变用于计算放射线剂量指标值的区域的分割构造(基于图5中的流程图的操作)之后执行。
首先,目标值更新单元601获得当前针对用于计算放射线剂量目标值的区域设置的EIT(步骤S701)。接着,计算单元115从存储单元109加载通过以前的拍摄获得的多个放射线图像,并针对各个放射线图像计算放射线剂量指标值EI(步骤S702)。这里,计算放射线剂量指标值EI的方法与参照图2的流程图所描述的方法相同。注意,所使用的当计算放射线剂量指标值EI时学习的参数202和对应关系信息204是,没有经受设置改变(用于计算放射线剂量指标值的区域的改变(图3)或用于计算放射线剂量指标值的区域的分割构造的改变(图5))的在计算放射线剂量指标值EI时学习的参数202和对应关系信息204。接着,计算单元115与步骤S702类似地计算经受设置改变的放射线剂量指标值EI(步骤S703)。与步骤S702的不同之处在于,使用了设置改变后的所学习的参数202和对应关系信息204。
接下来,根据表达式5计算设置改变前后EI的误差Err(步骤S704)。
注意,k表示图像编号,N表示计算EI的图像总数。此外,EI1(k)和EI2(k)是基于图像编号k的图像计算的EI,EI1表示设置改变前的EI,EI2表示设置改变后的EI。
接下来,使用获得的误差Err更新放射线剂量目标值EIT(步骤S705)。
EIT2=EIT1+Err…(6)
注意,EIT1表示更新前的放射线剂量目标值,EIT2表示更新后的放射线剂量目标值。
以这种方式,在更新所学习的参数202时或在更新对应关系信息204时,目标值更新单元601使用在更新前后由计算单元115计算出的放射线剂量指标值,来更新作为放射线剂量指标值的目标值的放射线剂量目标值。如上所述,根据第三实施例,具有如下效果:通过在设置改变期间自动更新EIT的值,能够减少操作者的麻烦。
尽管以上已经描述了几个实施例,但是不言而喻,本发明不限于这些实施例,并且可以在发明要旨的范围内做出各种变形和修改。
(其他实施例)
本发明还可以通过经由网络或存储介质向系统或装置提供用于实现上述实施例的一个或更多个功能的程序并使该系统或装置的计算机中的一个或更多个处理器读出并执行该程序的处理来实现。本发明还可以通过用于实现一个或更多个功能的电路(例如,ASIC)来实现。
本发明不限于上述实施例,并且可以在本发明的精神和范围内进行各种修改和变形。因此,为了使公众了解本发明的范围,做出所附权利要求。
本申请要求于2018年8月10日提交的日本专利申请第2018-151967号的优先权,在此通过引用将其并入本文。
Claims (14)
1.一种图像处理装置,其特征在于,所述图像处理装置包括:
分割部,其将通过对被检体进行放射线摄像而获得的放射线图像分割成多个解剖区域;
提取部,其从所述多个解剖区域提取至少一个区域;以及
计算部,其基于由提取部提取的区域中的像素值,计算提取的区域的放射线摄像的放射线剂量指标值。
2.根据权利要求1所述的图像处理装置,其特征在于,
所述分割部向所述多个解剖区域添加不同的标签编号,并由此将放射线图像分割成多个解剖区域。
3.根据权利要求1或2所述的图像处理装置,其特征在于,
所述分割部使用通过机器学习预先生成的参数将所述放射线图像分割成多个解剖区域。
4.根据权利要求3所述的图像处理装置,其特征在于,所述图像处理装置还包括:
存储部,其存储通过机器学习而生成的参数。
5.根据权利要求4所述的图像处理装置,其特征在于,
所述存储部将通过机器学习而生成的参数与部位相关联地存储。
6.根据权利要求3至5中的任一项所述的图像处理装置,其特征在于,
所述提取部根据操作者的指令,使用关于多个部位与同所述多个部位对应的标签编号之间的对应关系的预设信息,从所述多个解剖区域中提取至少一个区域。
7.根据权利要求6所述的图像处理装置,其特征在于,所述图像处理装置还包括:
机器学习部,其通过基于预定的图像数据和与所述预定的图像数据相对应的正确答案分割/分配数据进行机器学习,来更新所述参数,所述预定的图像数据和所述正确答案分割/分配数据被预先设置,
其中,所述分割部使用更新的参数将所述放射线图像分割成多个解剖区域。
8.根据权利要求7所述的图像处理装置,其特征在于,所述图像处理装置还包括:
设置部,其根据作为分割部使用更新的参数分割放射线图像的结果而获得的多个解剖区域,来更新并设置对应关系信息。
9.根据权利要求8所述的图像处理装置,其特征在于,所述图像处理装置还包括:
更新部,其使用在所述参数或所述对应关系信息被更新之前和之后由所述计算部计算的放射线剂量指标值,更新作为放射线剂量指标值的目标值的放射线剂量目标值。
10.根据权利要求3至9中的任一项所述的图像处理装置,其特征在于,
所述机器学习是使用CNN(卷积神经网络)、FCN(全卷积网络)、SegNet和U-net中的一者的机器学习。
11.根据权利要求1至10中的任一项所述的图像处理装置,其特征在于,
所述计算部计算表示由所述提取部提取的放射线图像中的区域的集中趋势的值,作为代表值,并使用所述代表值计算所述放射线剂量指标值。
12.根据权利要求11所述的图像处理装置,其特征在于,
在所述提取部从所述多个解剖区域提取多个区域的情况下,所述计算部针对所述提取部提取的各区域计算代表值,并基于多个代表值,针对提取的多个区域的放射线图像计算多个放射线剂量指标值。
13.一种图像处理方法,其特征在于,所述图像处理方法包括:
分割步骤,将通过对被检体进行放射线摄像而获得的放射线图像分割成多个解剖区域;
提取步骤,从所述多个解剖区域提取至少一个区域;以及
计算步骤,基于在提取步骤中提取的区域中的像素值,计算提取的区域的放射线摄像的放射线剂量指标值。
14.一种程序,用于使计算机用作根据权利要求1至12中的任一项所述的图像处理装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018151967A JP2020025730A (ja) | 2018-08-10 | 2018-08-10 | 画像処理装置、画像処理方法、およびプログラム |
JP2018-151967 | 2018-08-10 | ||
PCT/JP2019/024229 WO2020031515A1 (ja) | 2018-08-10 | 2019-06-19 | 画像処理装置、画像処理方法、およびプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112601493A true CN112601493A (zh) | 2021-04-02 |
Family
ID=69414619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980054144.6A Pending CN112601493A (zh) | 2018-08-10 | 2019-06-19 | 图像处理装置、图像处理方法及程序 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210133979A1 (zh) |
EP (1) | EP3799789A4 (zh) |
JP (1) | JP2020025730A (zh) |
CN (1) | CN112601493A (zh) |
WO (1) | WO2020031515A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116421207A (zh) * | 2023-06-12 | 2023-07-14 | 上海西门子医疗器械有限公司 | 医用x射线成像方法及医用x射线成像装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021178119A (ja) | 2020-05-15 | 2021-11-18 | キヤノン株式会社 | 放射線撮像システム、撮像制御装置、放射線撮像装置、放射線撮像方法及びプログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030007674A1 (en) * | 2001-04-27 | 2003-01-09 | Osamu Tsujii | Image processing apparatus and method |
DE102012214593A1 (de) * | 2012-08-16 | 2013-08-29 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Detektion eines körperfremden Objektes in einem Röntgenbild |
US20130248719A1 (en) * | 2012-03-23 | 2013-09-26 | General Electric Company | Systems and methods for attenuation compensation in nuclear medicine imaging based on emission data |
US20160328855A1 (en) * | 2015-05-04 | 2016-11-10 | Siemens Aktiengesellschaft | Method and System for Whole Body Bone Removal and Vascular Visualization in Medical Image Data |
US20170245825A1 (en) * | 2016-02-29 | 2017-08-31 | Varian Medical Systems, Inc. | Automatic organ-dose-estimation for patient-specific computed tomography scans |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5647639B2 (ja) * | 2012-03-19 | 2015-01-07 | 富士フイルム株式会社 | 放射線撮影情報管理システムおよび方法、並びにプログラム |
JP2014158580A (ja) | 2013-02-20 | 2014-09-04 | Fujifilm Corp | 放射線画像解析装置および方法、並びに放射線撮影装置 |
CN104460181A (zh) * | 2013-09-25 | 2015-03-25 | 深圳市蓝韵实业有限公司 | 数字放射成像曝光剂量的评价方法 |
JP2015213546A (ja) | 2014-05-08 | 2015-12-03 | コニカミノルタ株式会社 | 放射線画像撮影装置および放射線画像撮影システム |
JP6626344B2 (ja) * | 2015-09-29 | 2019-12-25 | キヤノン株式会社 | 画像処理装置、画像処理装置の制御方法およびプログラム |
US9947102B2 (en) * | 2016-08-26 | 2018-04-17 | Elekta, Inc. | Image segmentation using neural network method |
JP2018151967A (ja) | 2017-03-14 | 2018-09-27 | 日本電気株式会社 | 情報配信システム、情報配信装置、端末装置、情報配信方法、及びプログラム |
US11557390B2 (en) * | 2018-04-30 | 2023-01-17 | Elekta, Inc. | Radiotherapy treatment plan modeling using generative adversarial networks |
-
2018
- 2018-08-10 JP JP2018151967A patent/JP2020025730A/ja active Pending
-
2019
- 2019-06-19 WO PCT/JP2019/024229 patent/WO2020031515A1/ja unknown
- 2019-06-19 EP EP19848078.2A patent/EP3799789A4/en not_active Withdrawn
- 2019-06-19 CN CN201980054144.6A patent/CN112601493A/zh active Pending
-
2021
- 2021-01-12 US US17/146,709 patent/US20210133979A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030007674A1 (en) * | 2001-04-27 | 2003-01-09 | Osamu Tsujii | Image processing apparatus and method |
US20130248719A1 (en) * | 2012-03-23 | 2013-09-26 | General Electric Company | Systems and methods for attenuation compensation in nuclear medicine imaging based on emission data |
DE102012214593A1 (de) * | 2012-08-16 | 2013-08-29 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Detektion eines körperfremden Objektes in einem Röntgenbild |
US20160328855A1 (en) * | 2015-05-04 | 2016-11-10 | Siemens Aktiengesellschaft | Method and System for Whole Body Bone Removal and Vascular Visualization in Medical Image Data |
US20170245825A1 (en) * | 2016-02-29 | 2017-08-31 | Varian Medical Systems, Inc. | Automatic organ-dose-estimation for patient-specific computed tomography scans |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116421207A (zh) * | 2023-06-12 | 2023-07-14 | 上海西门子医疗器械有限公司 | 医用x射线成像方法及医用x射线成像装置 |
CN116421207B (zh) * | 2023-06-12 | 2023-08-25 | 上海西门子医疗器械有限公司 | 医用x射线成像方法及医用x射线成像装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2020031515A1 (ja) | 2020-02-13 |
EP3799789A1 (en) | 2021-04-07 |
EP3799789A4 (en) | 2022-03-16 |
JP2020025730A (ja) | 2020-02-20 |
US20210133979A1 (en) | 2021-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110047128B (zh) | 从几个x射线放射照片3d重建x射线ct体积和分割掩模的方法和系统 | |
WO2020070834A1 (ja) | 学習済みモデルの製造方法、輝度調整方法および画像処理装置 | |
KR102472464B1 (ko) | 영상처리방법 및 이를 이용한 영상처리장치 | |
CN112601493A (zh) | 图像处理装置、图像处理方法及程序 | |
CN101061505B (zh) | 为x光照相图像转换视觉偏好术语 | |
US11406340B2 (en) | Method for converting tone of chest X-ray image, storage medium, image tone conversion apparatus, server apparatus, and conversion method | |
JP6678541B2 (ja) | 画像処理装置、方法およびプログラム | |
US6744849B2 (en) | Image processing apparatus, image processing method, program, and storage medium | |
EP0929051A2 (en) | Radiographic digital image processing system | |
US7680352B2 (en) | Processing method, image processing system and computer program | |
JP2001243464A (ja) | 画像処理装置、画像処理システム、画像処理方法、及び記憶媒体 | |
WO2019030348A1 (en) | METHOD AND SYSTEM FOR X-RAY IMAGE PROCESSING, AND COMPUTER STORAGE MEDIUM | |
US10776906B2 (en) | Radiographic image processing device, storage medium, and radiographic image processing method | |
WO2021044757A1 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
JP4571378B2 (ja) | 画像処理方法および装置並びにプログラム | |
JP4323770B2 (ja) | 画像処理装置、画像処理方法、プログラム及び記録媒体 | |
JP5305687B2 (ja) | X線動画像撮影システム | |
CN111915499B (zh) | 一种x射线图像处理方法和装置以及计算机可读存储介质 | |
JP2013118002A (ja) | 画像処理装置、画像処理方法及びプログラム | |
Slabaugh et al. | Probabilistic spatial regression using a deep fully convolutional neural network | |
CN117770850B (zh) | 一种射线源辐射剂量自适应方法、ct系统 | |
US12014499B2 (en) | Bioimage acquiring device, converter generating device, bioimage generating method, converter generating method, and recording medium | |
EP4287201A1 (en) | Compensating for differences in medical images | |
JP4725102B2 (ja) | 画像加工方法および画像加工装置ならびに画像加工プログラム | |
JP2004336662A (ja) | 画像処理装置及び方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |