CN115192052A - 医用图像处理装置以及医用图像处理方法 - Google Patents
医用图像处理装置以及医用图像处理方法 Download PDFInfo
- Publication number
- CN115192052A CN115192052A CN202210328189.1A CN202210328189A CN115192052A CN 115192052 A CN115192052 A CN 115192052A CN 202210328189 A CN202210328189 A CN 202210328189A CN 115192052 A CN115192052 A CN 115192052A
- Authority
- CN
- China
- Prior art keywords
- image
- metal
- machine learning
- image processing
- tomographic image
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 239000002184 metal Substances 0.000 claims abstract description 97
- 238000010801 machine learning Methods 0.000 claims abstract description 49
- 239000002131 composite material Substances 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 19
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims 1
- 238000002591 computed tomography Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000002059 diagnostic imaging Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 239000006096 absorbing agent Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- A61B6/44—Constructional features of apparatus for radiation diagnosis
-
- 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
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/441—AI-based methods, deep learning or artificial neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/448—Computed tomography involving metal artefacts, streaking artefacts, beam hardening or photon starvation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- High Energy & Nuclear Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Quality & Reliability (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供医用图像处理装置以及医用图像处理方法,减少金属伪影并且在金属伪影的影响小的区域也能够维持画质。一种医用图像处理装置,具备运算部,从包含金属的被检体的投影数据重构断层图像,其特征在于,所述运算部取得在对机器学习了减少金属伪影的机器学习引擎输入了所述断层图像时输出的机器学习输出图像,合成所述机器学习输出图像和所述断层图像,来生成合成图像。
Description
技术领域
本发明涉及对由X射线CT(Computed Tomography,计算机断层扫描)装置等医用图像拍摄装置得到的医用图像进行处理的医用图像处理装置以及医用图像处理方法,涉及减少在被检体内包含金属时产生的金属伪影的技术。
背景技术
作为医用图像拍摄装置的一例的X射线CT装置是如下装置:从被检体的周围照射X射线而取得多个投影角度下的投影数据,并对投影数据进行反向投影,由此重构在图像诊断中使用的被检体的断层图像。若在被检体内包含金属、例如用于同定骨的板等,则在医用图像中产生由金属的影响引起的伪影即金属伪影,成为图像诊断的妨碍。减少金属伪影的技术被称为MAR(Metal Artifact Reduction),虽然开发了射束硬化校正法、线性插值法、深度学习法等各种方法,但分别有有利有弊。
在非专利文献1中,公开了通过将原始图像、和通过射束硬化校正法以及线性插值法而减少了金属伪影的图像作为输入图像,应用于深度学习法,从而融合各方法的优点。
在先技术文献
非专利文献
非专利文献1:Y.Zhang and H.Yu,″Convolutional Neural Network BasedMetal Artifact Reduction in X-Ray Computed Tomography,″in IEEE Transactionson Medical Imaging,vol.37,no.6,pp.1370-1381,June 201
发明内容
-发明所要解决的课题-
然而,在非专利文献1中,虽然金属伪影减少,但在金属伪影的影响小的区域、例如远离金属的区域中,有时画质降低。
因此,本发明的目的在于提供一种医用图像处理装置以及医用图像处理方法,能够减少金属伪影,并且即使在金属伪影的影响小的区域也能够维持画质。
-用于解决课题的手段-
为了实现上述目的,本发明提供一种医用图像处理装置,具备运算部,从包含金属的被检体的投影数据重构断层图像,其特征在于,所述运算部取得在对机器学习了减少金属伪影的机器学习引擎输入了所述断层图像时输出的机器学习输出图像,合成所述机器学习输出图像和所述断层图像,来生成合成图像。
此外,本发明是从包含金属的被检体的投影数据重构断层图像的医用图像处理方法,其特征在于,具备:取得步骤,取得在对机器学习了减少金属伪影的机器学习引擎输入所述断层图像时输出的机器学习输出图像;以及生成步骤,合成所述机器学习输出图像和所述断层图像,来生成合成图像。
-发明效果-
根据本发明,能够提供一种不损失金属区域内的详细构造就能够减少金属伪影的医用图像处理装置以及医用图像处理方法。
附图说明
图1是医用图像处理装置的整体结构的图。
图2是作为医用图像拍摄装置的一例的X射线CT装置的整体结构的图。
图3是表示实施例1的处理的流程的一例的图。
图4是表示金属伪影的一例的图。
图5是表示实施例1的S303的处理的流程的一例的图。
图6是表示实施例1的操作窗口的一例的图。
图7是表示实施例2的处理的流程的一例的图。
-附图标记说明-
1:医用图像处理装置,2:运算部,3:存储器,4:存储装置,5:网络适配器,6:系统总线,7:显示装置,8:输入装置,10:医用图像拍摄装置,11:医用图像数据库,12:机器学习引擎,100:X射线CT装置,200:扫描仪,210:被检体,211:X射线管,212:检测器,213:准直器,214:驱动部,215:中央控制部,216:X射线控制部,217:高电压产生部,218:扫描仪控制部,219:床台控制部,221:准直器控制部,222:前置放大器,223:A/D转换器,240:床台,250:操作单元,251:重构处理部,252:图像处理部,254:存储部,256:显示部,258:输入部,601:输入图像显示部,602:合成图像显示部,603:调整系数设定部。
具体实施方式
以下,根据附图对本发明所涉及的医用图像处理装置以及医用图像处理方法的实施例进行说明。另外,在以下的说明以及附图中,对具有相同功能结构的结构要素标注相同的附图标记,从而省略重复说明。
[实施例1]
图1是表示医用图像处理装置1的硬件结构的图。医用图像处理装置1构成为通过系统总线6能够信号收发地连接运算部2、存储器3、存储装置4、网络适配器5。此外,医用图像处理装置1经由网络9与医用图像拍摄装置10、医用图像数据库11、机器学习引擎12能够收发信号地连接。在医用图像处理装置1上连接有显示装置7和输入装置8。在此,“能够进行信号收发”是指,电、光学地不问有线、无线地能够相互或者从一方向另一方进行信号收发的状态。
运算部2是控制各结构要素的动作的装置,具体而言,是CPU(Central ProcessingUnit,中央处理器)、MPU(Micro Processor Unit,微处理器)等。运算部2将保存在存储装置4中的程序、程序执行所需的数据加载到存储器3中并执行,对医用图像实施各种图像处理。存储器3存储由运算部2执行的程序、运算处理的中途经过。存储装置4是保存运算部2执行的程序、程序执行所需的数据的装置,具体而言,是HDD(Hard Disk Drive,硬盘驱动器)、SSD(Solid State Drive,固态硬盘)等。网络适配器5用于将医用图像处理装置1与LAN、电话线路、因特网等网络9连接。运算部2处理的各种数据也可以经由LAN(Local AreaNetwork:局域网)等网络9与医用图像处理装置1的外部进行发送接收。
显示装置7是显示医用图像处理装置1的处理结果等的装置,具体而言是液晶显示器等。输入装置8是操作者对医用图像处理装置1进行操作指示的操作器件,具体而言是键盘、鼠标、触摸面板等。鼠标也可以是触控板、轨迹球等其他指示器件。
医用图像拍摄装置10例如是取得被检体的投影数据并根据投影数据重构断层图像的X射线CT(Computed Tomography,计算机断层扫描)装置,使用图2在后面叙述。医用图像数据库11是存储由医用图像拍摄装置10取得的投影数据、断层图像、对断层图像实施了图像处理的校正图像等的数据库系统。
机器学习引擎12是对减少断层图像所包含的金属伪影进行机器学习而生成的,例如使用CNN(Convolutional Neural Network,卷积神经网络)来构成。在机器学习引擎12的生成中,作为示教图像,例如使用不包含金属的断层图像。此外,输入图像使用包含金属伪影的断层图像,其中,对在该示教图像中追加了金属区域的图像进行正向投影而生成包含金属的投影数据,并对该投影数据进行反向投影而得到该包含金属伪影的断层图像。
使用图2说明作为医用图像拍摄装置10的一例的X射线CT装置100的整体结构。另外,在图2中,将横向设为X轴,将纵向设为Y轴,将与纸面垂直的方向设为Z轴。X射线CT装置100具备扫描仪200和操作单元250。扫描仪200具有X射线管211、检测器212、准直器213、驱动部214、中央控制部215、X射线控制部216、高电压产生部217、扫描仪控制部218、床台控制部219、准直器控制部221、前置放大器222、A/D转换器223以及床台240等。
X射线管211是对载置于床台240上的被检体210照射X射线的装置。将高电压产生部217根据从X射线控制部216发送的控制信号而产生的高电压施加于X射线管211,由此从X射线管211对被检体照射X射线。
准直器213是限制从X射线管211照射的X射线的照射范围的装置。X射线的照射范围根据从准直器控制部221发送的控制信号来设定。
检测器212是通过检测透过被检体210的X射线来测量透过X射线的空间分布的装置。检测器212与X射线管211对置配置,在与X射线管211对置的面内二维地排列有大量检测元件。由检测器212测量出的信号被前置放大器222放大后,由A/D转换器223转换为数字信号。之后,对数字信号进行各种校正处理,取得投影数据。
驱动部214根据从扫描仪控制部218发送的控制信号,使X射线管211和检测器212在被检体210的周围旋转。通过X射线管211和检测器212的旋转,并且进行X射线的照射和检测,从而取得来自多个投影角度的投影数据。每个投影角度的数据收集单位被称为视图。关于二维排列的检测器212的各检测元件的排列,将检测器212的旋转方向称为通道,将与通道正交的方向称为列。投影数据通过视图、通道、列来识别。
床台控制部219对床台240的动作进行控制,在进行X射线的照射和检测的期间,使床台240保持静止的状态,或者使床台240在作为被检体210的体轴方向的Z轴方向上等速移动。在使床台240静止的状态下的扫描被称为轴向扫描,一边使床台240移动一边的扫描被分别称为螺旋扫描。
中央控制部215根据来自操作单元250的指示来控制以上所述的扫描仪200的动作。接下来,对操作单元250进行说明。操作单元250具有重构处理部251、图像处理部252、存储部254、显示部256、输入部258等。
重构处理部251通过对由扫描仪200取得的投影数据进行反向投影,来重构断层图像。图像处理部252为了使断层图像成为适于诊断的图像,进行各种图像处理。存储部254存储投影数据、断层图像、图像处理后的图像。显示部256显示断层图像或图像处理后的图像。输入部258在操作者设定投影数据的取得条件(管电压、管电流、扫描速度等)、断层图像的重构条件(重构滤波器、FOV尺寸等)时使用。
另外,操作单元250也可以是图1所示的医用图像处理装置1。在该情况下,重构处理部251、图像处理部252相当于运算部2,存储部254相当于存储装置4,显示部256相当于显示装置7,输入部258相当于输入装置8。
使用图3,对实施例1中执行的处理的流程的一例按步骤进行说明。
(S301)
运算部2取得包含金属的被检体的断层图像I_ORG。由于被检体包含金属,因此在断层图像I_ORG中包含金属伪影。图4表示金属伪影的一例。图4是拍摄了腹部体模的断层图像,在肝脏内存在的2处金属区域之间产生暗带,并且产生以各金属区域为起点的条纹伪影。
(S302)
运算部2取得在对机器学习了减少金属伪影的机器学习引擎12输入了断层图像I_ORG时输出的机器学习输出图像I_MAR。在机器学习输出图像I_MAR中,虽然金属伪影减少,但在金属伪影的影响小的区域、例如远离金属的区域中,有时画质降低。
(S303)
运算部2对在S302中取得的机器学习输出图像I_MAR和在S301中取得的断层图像I_ORG进行合成。在机器学习输出图像I_MAR中,有时在金属伪影的影响小的区域画质降低,与此相对,在断层图像I_ORG中,在金属伪影的影响小的区域画质不会降低。因此,通过机器学习输出图像I_MAR和断层图像I_ORG的合成,来生成减少金属伪影并且维持金属伪影的影响小的区域中的画质的合成图像。所生成的合成图像显示在显示装置7上,或者保存在存储装置4中。
使用图5对S303的处理的流程的一例按步骤进行说明。
(S501)
运算部2取得映射了0以上且1以下的实数即权重系数w的权重映射。权重映射I_w例如通过下式生成。
I_w=|I_ORG-I_BHC|…(式1)
在此,I_BHC是对断层图像I_ORG应用射束硬化校正法而得到的射束硬化校正图像。
射束硬化校正图像I_BHC例如通过以下的步骤得到。首先,在断层图像I_ORG中提取金属像素。接下来,在用于生成断层图像I_ORG的投影数据P_ORG中,通过校正与金属像素对应的投影值来获得投影数据P_BHC。在与金属像素对应的投影值的校正中,使用该投影值所涉及的投影线中的金属像素的长度和该投影值。即,投影线中的金属像素的长度越长,此外投影值越高,校正强度越大。然后,对投影数据P_BHC进行反向投影,并与断层图像I_ORG相加或相减,由此得到射束硬化校正图像I_BHC。
此外,权重映射I_w也可以通过下式来生成。
I_w=|I_ORG-I_LI|…(式2)
在此,I_LI是对断层图像I_ORG应用线性插值法得到的线性插值图像。
线性插值图像I_LI例如通过以下的步骤得到。首先,在断层图像I_ORG中提取金属像素。接下来,在用于生成断层图像I_ORG的投影数据P_ORG中,通过用以相邻的投影值对与金属像素对应的投影值进行线性插值而得到的投影值进行置换,从而得到投影数据P_LI。然后,对投影数据P_LI进行反向投影,并且对提取出的金属像素进行合成,由此得到线性插值图像I_LI。
由于射束硬化校正图像I_BHC、线性插值图像I_LI是减少了金属伪影的图像,因此由(式1)、(式2)生成的权重映射I_w也是表示金属伪影的存在概率的分布的伪影映射。
(S502)
运算部2使用在S501中取得的权重映射I_w的权重系数w,来合成机器学习输出图像I_MAR和断层图像I_ORG,生成合成图像I_CMP。合成图像I_CMP的生成例如使用下式。
I_CMP=w·I_MAR+(1-w)·I_ORG...(式3)
根据(式3),将对机器学习输出图像I_MAR的各像素值乘以权重映射I_w的各像素值即权重系数w后的值、和对断层图像I_ORG的各像素值乘以(1-w)所得的值相加。即,在金属伪影多的区域,机器学习输出图像I_MAR的比率提高,在金属伪影少的区域,断层图像I_ORG的比率提高。其结果,在合成图像I_CMP中金属伪影减少,并且在金属伪影的影响小的区域维持画质。
由于射束硬化校正图像I_BHC是基于与金属像素对应的投影值的校正而得到的图像,因此在使用(式1)的权重映射I_w的情况下,能够进一步减少金属像素的影响大的区域的伪影。此外,线性插值图像I_LI是以相邻的投影值对与金属像素对应的投影值进行线性插值而得到的图像,因此在使用(式2)的权重映射I_w的情况下,能够进一步减少从金属直接产生的伪影。
另外,金属伪影随着远离从断层图像I_ORG提取的金属像素而变小,因此权重系数w随着远离金属像素而变小。此外,金属像素的像素值越大则金属伪影越大,因此,金属像素的像素值越大则加权系数w越大。
此外,权重系数w也可以使用断层图像I_ORG、机器学习输出图像I_MAR、射束硬化校正图像I_BHC、线性插值图像I_LI中的任一个,根据被检体内的组织、空气等组织来调整权重映射I_w。例如,也可以使用公知的阈值处理的分割,将断层图像I_ORG分割为金属、金属以外的被检体、空气的区域,将金属如机器学习输出图像I_MAR(w=1)那样、将金属以外的被检体如权重映射I_w那样、将空气如断层图像I_ORG(w=0)那样,使用图像的先验信息来调整权重系数w。
此外,权重系数w也可以由操作者适当地调整。例如,由操作者设定的调整系数也可以用于权重系数w的调整。调整系数是0以上且1以下的实数,通过对权重映射I_w乘以调整系数来同时调整所有的权重系数w。即,对权重映射I_w所包含的所有权重系数w乘以相同的调整系数。
使用图6,对用于设定调整系数的操作窗口的一例进行说明。图6所例示的操作窗口具有输入图像显示部601、合成图像显示部602和调整系数设定部603。在输入图像显示部601显示包含金属伪影的断层图像I_ORG和从机器学习引擎12输出的机器学习输出图像I_MAR。另外,输入图像显示部601不是必须的。在合成图像显示部602中显示在S502中生成的合成图像I_CMP。调整系数设定部603用于设定与权重系数w相乘的调整系数,例如由滑动条、文本框构成。另外,调整系数设定部603也可以构成为对被检体210的体轴方向的位置、即每个层面位置设定调整系数。
操作者通过使用图6所例示的操作画面,能够确认每当设定调整系数就更新的合成图像I_CMP。此外,在显示输入图像显示部601的情况下,能够一边对比断层图像I_ORG、机器学习输出图像I_MAR和合成图像I_CMP一边设定调整系数。
另外,限定于由金属产生的伪影,但对于由金属以外具有高X射线吸收系数的骨、造影剂等高吸收体产生的伪影、由具有相对于被检体的组织极度低的X射线吸收系数的肺野、肠道等低吸收体产生的伪影,也能够通过同样的方法减少。
通过以上说明的处理的流程,能够得到金属伪影减少并且在金属伪影的影响小的区域中也维持了画质的合成图像。
[实施例2]
在实施例1中,对合成断层图像I_ORG和从机器学习引擎12输出的机器学习输出图像I_MAR来生成合成图像I_CMP的情况进行了说明。在实施例2中,对将表示金属伪影的存在概率的分布的伪影映射和断层图像I_ORG输入到机器学习引擎12来取得减少了金属伪影的校正图像的情况进行说明。另外,实施例2的医用图像处理装置1的硬件结构与实施例1相同,因此省略说明。
使用图7对实施例2中执行的处理的流程的一例按步骤进行说明。
(S701)
运算部2与S301同样地,取得包含金属的被检体的断层图像I_ORG。
(S702)
运算部2取得表示金属伪影的存在概率的分布的伪影映射。伪影映射例如也可以使用(式1)、(式2)来生成。
(S703)
运算部2将在S702中取得的伪影映射和在S701中取得的断层图像I_ORG输入到机器学习引擎12。与断层图像I_ORG一起输入了伪影映射的机器学习引擎12输出减少了金属伪影并且在金属伪影的影响小的区域中维持画质的校正图像。
(S704)
运算部2在S703中取得从机器学习引擎12输出的校正图像。将所取得的校正图像显示在显示装置7上,或者保存在存储装置4中。
通过以上说明的处理的流程,能够得到金属伪影减少并且在金属伪影的影响小的区域中也维持了画质的校正图像。另外,在S703中,也可以对机器学习引擎12进一步输入射束硬化校正图像I_BHC、线性插值图像I_LI。通过进一步输入射束硬化校正图像I_BHC、线性插值图像I_LI,来进一步减少从机器学习引擎12输出的校正图像的金属伪影。
以上,对本发明的多个实施例进行了说明。另外,本发明并不限定于上述实施例,能够在不脱离发明的主旨的范围内对结构要素进行变形而具体化。此外,也可以将上述实施例所公开的多个结构要素适当组合。进而,也可以从上述实施例所示的全部结构要素中删除几个结构要素。
Claims (11)
1.一种医用图像处理装置,具备运算部,从包含金属的被检体的投影数据重构断层图像,其特征在于,
所述运算部取得在对机器学习了减少金属伪影的机器学习引擎输入了所述断层图像时输出的机器学习输出图像,合成所述机器学习输出图像和所述断层图像,来生成合成图像。
2.根据权利要求1所述的医用图像处理装置,其中,
所述运算部取得映射了权重系数的权重映射,使用所述权重映射来合成所述机器学习输出图像和所述断层图像。
3.根据权利要求2所述的医用图像处理装置,其中,
所述权重映射是对所述断层图像应用射束硬化校正法而得到的射束硬化校正图像与所述断层图像的差分的绝对值的分布。
4.根据权利要求2所述的医用图像处理装置,其中,
所述权重映射是对所述断层图像应用线性插值法得到的线性插值图像与所述断层图像的差分的绝对值的分布。
5.根据权利要求2所述的医用图像处理装置,其中,
所述权重系数随着远离从所述断层图像提取的金属像素而变小。
6.根据权利要求5所述的医用图像处理装置,其中,
所述金属像素的像素值越大则所述权重系数越大。
7.根据权利要求2所述的医用图像处理装置,其中,
所述运算部使用将在调整系数设定部中设定的调整系数乘以所述权重系数而得到的值,来合成所述机器学习输出图像和所述断层图像。
8.根据权利要求7所述的医用图像处理装置,其中,
所述合成图像被显示在与所述调整系数设定部相同的窗口中,每当在所述调整系数设定部中设定所述调整系数时被更新。
9.一种医用图像处理方法,从包含金属的被检体的投影数据重构断层图像,其特征在于,具备:
取得步骤,取得在对机器学习了减少金属伪影的机器学习引擎输入所述断层图像时输出的机器学习输出图像;以及
生成步骤,合成所述机器学习输出图像和所述断层图像,来生成合成图像。
10.一种医用图像处理装置,具备运算部,从包含金属的被检体的投影数据重构断层图像,其特征在于,
所述运算部通过在对机器学习了减少金属伪影的机器学习引擎输入表示所述金属伪影的存在概率的分布的伪影映射和所述断层图像,来取得减少了所述金属伪影的校正图像。
11.根据权利要求10所述的医用图像处理装置,其中,
所述运算部进一步对所述机器学习引擎输入对所述断层图像应用射束硬化校正法而得到的射束硬化校正图像或者对所述断层图像应用线性插值法而得到的线性插值图像。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021-064617 | 2021-04-06 | ||
JP2021064617A JP7483654B2 (ja) | 2021-04-06 | 2021-04-06 | 医用画像処理装置および医用画像処理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115192052A true CN115192052A (zh) | 2022-10-18 |
Family
ID=83450020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210328189.1A Pending CN115192052A (zh) | 2021-04-06 | 2022-03-30 | 医用图像处理装置以及医用图像处理方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220319072A1 (zh) |
JP (1) | JP7483654B2 (zh) |
CN (1) | CN115192052A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210319098A1 (en) * | 2018-12-31 | 2021-10-14 | Intel Corporation | Securing systems employing artificial intelligence |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5978432B1 (ja) | 2016-01-26 | 2016-08-24 | 株式会社日立製作所 | 医用画像処理装置及び医用画像処理方法 |
US11026642B2 (en) | 2019-03-29 | 2021-06-08 | Canon Medical Systems Corporation | Apparatuses and a method for artifact reduction in medical images using a neural network |
US11120582B2 (en) | 2019-07-31 | 2021-09-14 | Z2Sky Technologies Inc. | Unified dual-domain network for medical image formation, recovery, and analysis |
-
2021
- 2021-04-06 JP JP2021064617A patent/JP7483654B2/ja active Active
-
2022
- 2022-03-23 US US17/701,826 patent/US20220319072A1/en active Pending
- 2022-03-30 CN CN202210328189.1A patent/CN115192052A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220319072A1 (en) | 2022-10-06 |
JP2022160089A (ja) | 2022-10-19 |
JP7483654B2 (ja) | 2024-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6765983B2 (en) | Method and apparatus for imaging a region of dynamic tissue | |
US8483471B2 (en) | Method and system for scatter correction in X-ray imaging | |
KR101576703B1 (ko) | 화상 처리 장치, 화상 처리 방법 및 컴퓨터 판독 가능 저장 매체 | |
KR101564155B1 (ko) | 방사선 단층 화상 생성 방법 및 방사선 단층 화상 생성 프로그램을 저장한 컴퓨터 판독가능 기록매체 | |
US20040136490A1 (en) | Method and apparatus for correcting motion in image reconstruction | |
JP6325256B2 (ja) | X線コンピュータ断層撮影装置及び医用画像処理装置 | |
WO2014041889A1 (ja) | X線ct装置およびx線ct画像の処理方法 | |
US9592021B2 (en) | X-ray CT device, and method | |
JP2008104761A (ja) | X線断層撮影装置およびアーチファクトの低減方法 | |
CN111065335A (zh) | 医用图像处理装置和医用图像处理方法 | |
US9858688B2 (en) | Methods and systems for computed tomography motion compensation | |
CN115192052A (zh) | 医用图像处理装置以及医用图像处理方法 | |
US20080086052A1 (en) | Methods and apparatus for motion compensation | |
US11380027B2 (en) | Medical image processing apparatus and medical image processing method | |
US10383589B2 (en) | Direct monochromatic image generation for spectral computed tomography | |
US20230145920A1 (en) | Systems and methods for motion detection in medical images | |
US20220414832A1 (en) | X-ray imaging restoration using deep learning algorithms | |
CN107341836B (zh) | 一种ct螺旋扫描图像重建方法及装置 | |
US20230363724A1 (en) | X-ray ct apparatus and high-quality image generation device | |
JP7395523B2 (ja) | 医用画像処理装置および医用画像処理方法 | |
US20240078723A1 (en) | Medical image processing apparatus and medical image processing method | |
JP7403994B2 (ja) | 医用画像処理装置および医用画像処理方法 | |
US9179533B2 (en) | X-ray tube arc ride through | |
EP4167187A1 (en) | X-ray diagnostic apparatus and a medical information processing method | |
JP2020078377A (ja) | 画像再構成装置および画像再構成方法 |
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 |