CN116797467A - 磁共振摄像装置、图像处理装置以及图像的噪声减少方法 - Google Patents

磁共振摄像装置、图像处理装置以及图像的噪声减少方法 Download PDF

Info

Publication number
CN116797467A
CN116797467A CN202211154552.9A CN202211154552A CN116797467A CN 116797467 A CN116797467 A CN 116797467A CN 202211154552 A CN202211154552 A CN 202211154552A CN 116797467 A CN116797467 A CN 116797467A
Authority
CN
China
Prior art keywords
noise
image
unit
cnn
input 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
Application number
CN202211154552.9A
Other languages
English (en)
Inventor
铃木敦郎
雨宫知树
金子幸生
白猪亨
西尾慧祐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Healthcare Corp
Original Assignee
Fujifilm Healthcare Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujifilm Healthcare Corp filed Critical Fujifilm Healthcare Corp
Publication of CN116797467A publication Critical patent/CN116797467A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Radiology & Medical Imaging (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Databases & Information Systems (AREA)
  • Fuzzy Systems (AREA)
  • Image Processing (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供磁共振摄像装置、图像处理装置以及图像的噪声减少方法。在利用CNN的图像噪声减少处理中，不依赖于图像的信号等级以及噪声等级地进行有效的噪声减少。从输入到CNN的图像算出噪声信息和信号等级信息，使用所算出的信息来决定适于CNN的标准化因子，进行输入图像的标准化。在输入图像是MRI图像的情况下，根据输入图像的背景噪声的大小来推定噪声信息。信号等级信息能以如下方式算出，即，对于使输入图像除以背景噪声的大小而得到的图像，根据被检体区域的像素值，例如作为其平均值来算出。

Description

磁共振摄像装置、图像处理装置以及图像的噪声减少方法
技术领域
本发明涉及利用了CNN(Convolutional Neural Network，卷积神经网络)的医用图像的噪声减少技术，特别涉及在磁共振摄像装置(以下略作MRI装置)中得到的图像的噪声减少技术。
背景技术
在医用摄像装置中取得的医用图像中，起因于模态的特性、摄像条件等而混入噪声。虽然通过在摄像条件上花工夫能得到低噪声的图像，但例如为了摄像时间缩短而在短时间内摄像到的图像会成为高噪声，在噪声减少上存在界限。如此地，作为将不可避免地混入的噪声通过后处理来减少的技术，提出各种利用了CNN的手法(例如专利文献1)。在该方法中，将噪声多的图像(噪声图像)和噪声少的图像(正解图像)作为学习图像，使用进行了学习以使得噪声图像成为正解图像的CNN，通过将其运用在实际取得的噪声多的图像中，来减少噪声。
在学习完毕CNN的运用时，起因于学习中使用的图像(噪声图像)与CNN运用时输入的图像(输入图像)的信号等级的差异，有时得不到充分的噪声减少效果。为了防止这样的起因于信号等级的差异的不充分的去噪声，在利用了CNN的噪声减少中，一般将图像用信号值的最大值进行标准化(专利文献2)。标准化对学习用的图像和CNN的输入图像双方进行。
现有技术文献
专利文献
专利文献1：美国专利申请公开2010-0183217号
专利文献2：中国专利申请公开1334495号
在现有技术那样将要减少噪声的图像(输入图像)的像素值用最大值进行了标准化的情况下，若关心区域的像素值从学习图像(噪声图像和正解图像)的关心区域的像素值的范围偏离，就存在得不到通过学习得到的CNN的噪声减少效果的情况。
发明内容
本发明的课题在于，通过执行使输入图像的关心区域的像素值进入到学习图像的关心区域的像素值的范围内这样的标准化，来确实且有效地减少图像的噪声。
在本发明中，通过考虑噪声来进行标准化，从而解决上述课题。
即，本发明的MRI装置具备：测量部，其测量从被检体产生的核磁共振信号；和运算部，其使用所述核磁共振信号来生成图像，运算部包含：噪声减少部，其利用使用进行了标准化的噪声图像和噪声比噪声图像少的正解图像进行了学习的CNN，来减少CNN的输入图像的噪声。噪声减少部具有：标准化部，其使用输入图像的噪声信息和信号等级信息来将输入图像以适于CNN的标准化因子进行标准化，噪声减少部对于标准化后的输入图像进行利用了CNN的噪声减少处理。
上述MRI装置的运算部的功能能作为与MRI装置独立的图像处理装置来实现，本发明包含这样的图像处理装置。
此外，本发明的噪声减少方法利用使用进行了标准化的噪声图像和噪声比噪声图像少的正解图像进行了学习的CNN，来减少所述CNN的输入图像的噪声，该噪声减少方法包含如下步骤：使用输入图像的噪声信息和信号等级信息来将输入图像以适于CNN的标准化因子进行标准化，对于标准化后的输入图像进行利用了CNN的噪声减少处理。
本发明的噪声减少方法优选运用于MRI装置中取得的图像(MR图像)。
另外，在本说明书中，所谓“标准化因子”，是指为了将图像标准化而使用的值，特别在对给定的像素值乘以系数来进行标准化的情况下，将该系数称作“标准化系数”。
发明的效果
根据本发明，通过以考虑噪声信息而推定出的信号等级来将输入图像标准化，能不使输入图像的关注区域的像素值从CNN的学习用图像的像素值偏离地进行标准化而进行处理，能对各种噪声等级的图像有效地进行噪声减少。
附图说明
图1是表示MRI装置的整体概要的图。
图2是计算机的功能框图。
图3是表示噪声减少的处理的概要的图。
图4A是实施方式1的噪声减少部的功能框图。
图4B是实施方式1的CNN学习部的功能框图。
图5A是表示实施方式1的CNN学习部的处理步骤的图。
图5B是实施方式1的噪声减少处理的流程图。
图6是表示CNN的结构例的图。
图7是说明背景噪声的推定和区域提取的图。
图8是说明被检体区域提取和像素算出的图。
图9是表示与去噪声强度相关的GUI的一例的图。
图10是实施方式2的噪声减少部的功能框图。
图11A是表示实施方式2的CNN学习的处理步骤的图。
图11B是表示实施方式2的目标噪声设定的处理步骤的图。
图12A是说明目标噪声设定的详细情况的图。
图12B是说明目标噪声设定的详细情况的图。
图13是实施方式2的噪声减少处理的流程图。
图14是实施方式3的噪声减少部的功能框图。
图15是表示实施方式3的CNN学习和近似式算出的步骤的图。
图16是表示实施方式3的SNR与标准化系数的关系的图。
图17是说明实施方式3的噪声减少处理的图。
附图标记的说明
1：MRI装置、20：计算机、210：图像重构部、230：噪声减少部、231：噪声推定部、2311：背景噪声推定部、2312：噪声等级算出部、232：像素值算出部、233：标准化部、234：CNN选择部、235：CNN、236：标准化系数算出部、237：目标噪声算出部、238：SNR推定部、239：近似式算出部、250：CNN学习部
具体实施方式
以下说明本发明的噪声减少方法的实施方式。本发明的噪声减少方法并没有限定，能合适地运用在MRI中得到的图像(MR图像)中，在该情况下，MRI装置或对MR图像进行处理的图像处理装置成为具备实现本发明的噪声减少方法的功能的结构。
以下作为本发明的一实施方式，说明MRI装置的实施方式。参考图1来说明最初运用本发明的MRI装置1的整体结构。
<MRI装置的结构>
本实施方式的MRI装置1如图1所示那样，具备：在放置被检体的空间中生成静磁场的例如静磁场线圈11等静磁场生成部；对被检体的测量区域发送高频磁场脉冲的发送用高频线圈12(以下仅称作发送线圈)以及发送器16；接收从被检体产生的核磁共振信号的接收用高频线圈13(以下仅称作接收线圈)以及接收器17；对静磁场线圈11所产生的静磁场给出磁场梯度的倾斜磁场线圈14以及作为其驱动电源的倾斜磁场电源15；序列控制装置18；和计算机20。将除计算机20以外的MRI装置1的各部总称作测量部10。
在MRI装置1中，根据所产生的静磁场的方向而有垂直磁场方式、水平磁场方式，静磁场线圈11对应于其方式而采用各种形态。倾斜磁场线圈14由在相互正交的3轴方向(x方向、y方向、z方向)上分别产生倾斜磁场的多个线圈的组合构成，分别被倾斜磁场电源15驱动。通过施加倾斜磁场，能对从被检体产生的核磁共振信号附加位置信息。
另外，在图示的示例中，示出发送线圈12和接收线圈13分开的情况，但也存在使用兼有发送线圈12和接收线圈13的功能的1个线圈的情况。发送线圈12所照射的高频磁场由发送器16生成。将接收线圈13检测到的核磁共振信号经过接收器17送往计算机20。
序列控制装置18控制倾斜磁场电源15、发送器16以及接收器17的动作，控制倾斜磁场、高频磁场的施加以及核磁共振信号的接收的定时，来执行测量。控制的时序图被称作摄像序列，对应于测量来预先设定，并存放于后述的计算机20所具备的存储装置等中。
计算机20是具备CPU、存储器、存储装置等的信息处理装置，经由序列控制装置18控制MRI装置的各部的动作，且对接收到的回波信号进行运算处理，得到预先确定的摄像区域的图像。关于计算机20所实现的功能之后叙述，其功能可以作为MRI装置1中包含的计算机20来实现，还能通过与MRI装置独立的计算机、工作站等来实现。即，可以是包含计算机20的功能的一部分或全部的图像处理装置。
在计算机20连接显示装置30、输入装置(输入部)40、外部存储装置50等。显示装置30是将运算处理中得到的结果等对操作人员进行显示的界面。输入装置40是用于操作人员输入本实施方式中实施的测量、运算处理所需的条件、参数等的界面。用户能经由输入装置40例如输入所测量的回波的数量、回波时间TE、回波间隔等测量参数。外部存储装置50同计算机20内部的存储装置一起保持在计算机20所执行的各种运算处理中使用的数据、通过运算处理得到的数据、所输入的条件、参数等。
计算机20如上述那样进行MRI装置的测量部10的控制和测量部10所测量的信号的处理，但测量部10所测量的核磁共振信号会作为依赖于装置的特性、摄像条件等而在来自摄像的对象即被检体的信号上叠加了给定的噪声的信号来得到，这成为使画质劣化的原因。本实施方式的计算机20具备减少叠加在图像上的噪声的功能，来作为信号处理的一部分。
在本实施方式中，使用CNN来进行该噪声减少。为此，计算机20如图2所示那样包含图像重构部210、噪声减少部230以及CNN学习部250。噪声减少部230还包含：算出与处理对象即图像的噪声相关的信息的噪声推定部231；根据所推定出的噪声信息将图像标准化成给定的像素值的标准化部233；以及学习完毕的CNN235。关于噪声减少部230中的处理的手法，在之后的实施方式中详述。
进而，虽未图示，但在计算机20中可以包含控制测量部10的各要素的测量控制部、生成使显示装置显示的图像的图像生成部等。
此外，在图2中，将CNN学习部250作为计算机20中包含的一个功能示出，但CNN学习部250的功能还能用对实际的测量图像进行噪声减少处理的MRI装置1的计算机或与图像处理装置不同的计算机来实现，在该情况下，省略计算机20的CNN学习部250，如图2中点线示出的那样，在其他计算机20A中设置具有相同功能的CNN学习部250，将该CNN学习部250中进行了学习的CNN导入到MRI装置1的计算机20。因此，在以下的说明中，CNN学习部250中进行的CNN的学习包含如下情况，即，在搭载学习完毕CNN的装置(例如MRI装置的计算机20)中进行的情况和在这以外的装置(计算机20A)中进行的情况这两者。
CNN学习部250使用大量的包含噪声的图像(噪声图像)与没有噪声或噪声比噪声图像少的图像(正解图像)的配对，来进行CNN的学习，以使得针对噪声图像的输入，输出正解图像。这时，对学习用图像根据所使用的噪声图像的噪声强度来进行标准化，得到学习完毕CNN。
噪声减少部230使用学习完毕CNN235来进行噪声减少处理。噪声减少部230在对作为噪声减少的对象的图像(输入图像)运用学习完毕CNN235之前，对应于输入图像的噪声来进行适于学习完毕CNN的标准化。为此，如图3所示那样，首先，噪声推定部231对输入图像推定噪声等级(S1)，标准化部233根据所推定出的噪声等级来进行输入图像的标准化，以使得输入图像的像素值相对于所运用的学习完毕CNN235的学习用图像(进行了标准化的学习用图像)的像素值范围成为合适的范围(S2)。噪声减少部230将标准化后的输入图像输入到CNN235，进行噪声减少处理(S3)。根据需要，对CNN的输出图像进行恢复成标准化前的像素值的处理，来输出噪声减少图像(S4)。
如上述那样，根据本实施方式，噪声减少部230使用通过根据噪声等级而进行了标准化的学习用图像进行了学习的CNN，并且在学习完毕CNN的运用中，将输入图像根据输入图像的噪声等级进行标准化，以使其成为学习完毕CNN的像素值范围，来进行噪声减少，由此能解决输入图像的关注区域的像素值从CNN的学习用图像的像素值偏离，从而噪声减少效果变小这样的课题，能对各种噪声等级的图像确实地进行噪声减少。
以下说明将输入图像标准化来进行噪声减少的手法的具体的实施方式。
<实施方式1>
本实施方式准备噪声等级不同的多个CNN，对应于输入图像的噪声等级从多个CNN中选择噪声等级同等的CNN，在对输入图像进行与所选择的CNN同样的标准化后，进行噪声减少。为了进行与噪声等级相应的处理，而进行图像的噪声等级的推定。
在噪声等级的推定中，本实施方式利用空气的噪声等级与图像自身的噪声成正比这样的MR图像的特性。即，推定空气的噪声等级即背景噪声，使用所推定出的背景噪声来决定标准化系数。标准化在CNN的学习阶段以及运用阶段这两个阶段中对输入到CNN的图像进行。
为此，本实施方式的噪声减少部230如图4A所示那样，具备：推定作为噪声减少处理的对象的图像(输入图像)的背景噪声的大小的背景噪声推定部2311；根据所推定出的背景噪声的大小来提取被检体区域并算出该区域的像素值的像素值算出部232；和使用被检体区域的图像的像素值来算出噪声等级的噪声等级算出部2312。进而，噪声减少部230具备：从按每个噪声等级进行了学习的多个CNN235中选择在输入图像的处理中使用的CNN的CNN选择部234。此外，具有与图2所示的要素相同的功能的要素以相同附图标记示出。
此外，在CNN学习部250中，如图4B所示那样，具备与噪声减少部230所具备的功能、即与噪声推定部231、像素值算出部232以及标准化部233的功能对应的功能部(251、252、253等)。
以下参考图5A、图5B所示的处理的流程来说明本实施方式的噪声减少处理。图5A是CNN的学习阶段的流程，图5B是噪声减少的处理流程。
最初说明CNN学习部250所进行的CNN的学习。另外，在以下的说明中，在区分学习前的CNN和学习后的CNN时，将前者设为CNN235B，将后者设为CNN235A，在不需要区分的情况下总括记作CNN。
CNN学习部250对输入到CNN235B的学习用图像进行给定的标准化，使用进行了标准化的学习用图像进行重复运算，来进行学习，以使得在CNN输出噪声减少了的图像。
CNN235如图6所示那样，具有在输入层与输出层之间重叠多个层(卷积层以及池化层)的构造，能作为设定了层的数量、各层的核尺寸的公知的软件入手，此外，也可以使用适宜定制了层的数量、核尺寸等的构造。
CNN235B通过使用大量学习用图像重复进行输入和输出，来决定CNN中使用的系数(偏置、核等)，以使得最终输出噪声减少了的图像，成为学习完毕CNN235A。作为学习用图像，在本实施方式中，例如在MRI中，使用多次进行相同摄像并相加而得的SNR(Signal tonoise ratio，信噪比)高的图像(正解图像)与在正解图像中加入噪声的图像(称作噪声图像)的集合。作为加入的噪声，例如能使用高斯噪声等具有给定的分布的噪声。或者，作为学习用图像，也可以使用在SNR高的图像中加入噪声的SNR低的正解图像与在SNR低的正解图像中进一步加入噪声的噪声图像的集合。通过将该SNR低的正解图像用在学习中，可抑制过剩的噪声减少，得到能自然地看到噪声减少后的图像的噪声的粒状性的效果。
此外，在MRI中，能取得多个对比度图像(T2强调图像、T1强调图像等)，存在将这些多个对比度图像混合起来进行学习的情况。这时，存在正解图像的SNR按每个对比度图像不同的情况。因此，通过按每个对比度图像调整对高SNR的正解图像加入的噪声，能作成将每个对比度图像的SNR统一的低SNR的正解图像。通过在对比度间，在作成的低SNR的正解图像中加入相同的噪声来作成噪声图像，能在对比度间，将正解图像的SNR和噪声图像的SNR的比率统一。
CNN学习部250在学习之前，改变噪声等级，按每个噪声等级作成学习用的噪声图像(图5A：S11)，并且以使用噪声信息决定的标准化系数(标准化因子)来将学习用图像标准化。为此，首先，CNN学习部250若输入给定的噪声等级的学习用图像配对，就对噪声图像推定其关心区域外的背景(空气)噪声的大小N(S12)。作为噪声推定的手法，例如从图7所示那样的噪声图像的直方图中将信号值最低且频度高的峰值决定为背景噪声，将该信号值设为噪声的大小N(以下仅称作背景噪声N)。
接下来提取被检体区域(S13)。使噪声图像整体(各像素值)除以背景噪声N，提取其值成为大于1的给定的阈值T以上的像素，由此来进行被检体区域的提取。图7的下侧示出除以背景噪声N而得到的图像的直方图与阈值的关系。提取具有阈值T以上的像素值的图像来作为被检体区域。将提取前后的图像在图8示出。像素值算出部232对于除以背景噪声N而得到的图像的提取区域算出像素值的平均值M。此外，算出1/M(＝L)，将L设为噪声图像的噪声等级(S14)。
CNN学习部250(标准化部)使噪声图像整体(除以噪声N而得到的图像)除以对提取图像求得的像素值的平均值M。由此，将噪声图像以提取区域的像素的平均值M进行标准化(S15)。对正解图像乘以(1/N)/M来进行标准化(S16)。由此，正解图像被进行与噪声图像同样的标准化。
使用如此地进行了标准化的正解图像与噪声图像的配对来进行CNN235B的学习，得到学习完毕CNN(S17)。改变加入到正解图像中的噪声的大小并重复上述处理S11～S17(S18)，最终作成多个噪声等级的每个噪声等级的CNN235A。
另外，作为处理S13中的区域提取方法，如上述那样，在S11中使用的利用直方图的方法简便，但还能采用这以外的方法，例如追踪被检体区域的轮廓来提取区域的方法；或通过区域扩展法提取被检体区域并将除被检体区域以外的剩余的区域作为背景区域，根据其像素值来求取噪声的方法等。
此外，作为算出被检体区域的像素值的图像，可以使用预先减少了噪声的图像。这样的图像例如能通过进行公知的噪声除去滤波器的处理、或变更图像的矩阵尺寸(例如将256×256的图像的相邻的像素值相加来缩小到128×128等)来得到。
接下来，说明利用了CNN学习部250所作成的多个噪声等级的每个噪声等级的CNN235B的噪声减少部230的处理的流程。
在噪声减少部230中，对输入图像进行标准化的处理也与CNN的学习过程中的标准化同样，首先，背景噪声推定部2311从输入图像中提取被检体以外的区域(背景)，推定背景噪声N(S21)。接着，像素值算出部232使输入图像除以噪声N，提取成为给定阈值以上的区域来作为被检体区域，算出所提取出的区域的像素值的平均值M(S22)。标准化部233使输入图像(除以N后的输入图像)整体除以平均值M，来将输入图像标准化(S23)。此外，噪声等级算出部2312算出该输入图像的噪声等级L(＝1/M)。如此地，将噪声等级和像素值(信号等级)作为标准化因子，来将输入图像标准化。
噪声减少部230在CNN学习过程中，在作成了多个的CNN235A当中选择噪声等级L与对输入图像算出的噪声等级相同或最接近的CNN235A(S24)，对所选择的CNN2235A输入输入图像，得到减少了噪声的图像，来作为其输出图像(S25)。
如以上说明的那样，按每个噪声等级准备学习完毕CNN，并且选择与输入图像的噪声等级相应的CNN235A，与该学习用图像同样地进行以噪声等级和信号等级为标准因子的标准化并运用CNN235A，由此能无损噪声减少效果地对信号等级、噪声等级各种各样的图像进行有效的噪声减少。
另外，在本实施方式中，说明了对应于噪声等级从多个CNN中选择给定的CNN的情况，但也可以对应于用户所期望的去噪声的程度来选择CNN。例如，可以将图9所示那样的GUI显示在显示装置30，配合用户所选择的去噪声强度来选择任一者。在该情况下，在将与输入图像的噪声等级Linput最接近的噪声等级的CNN设为NLmedium、将噪声等级低的CNN设为NLlight、将噪声等级高的CNN设为NLheavy时，在选择了去噪声强度“弱”的情况下，作为所运用的CNN而选择NLlight，在选择了去噪声强度“强”的情况下，选择NLheavy等。
通过设置这样的GUI，能提高关于去噪声强度的用户选择的自由度。
进而，在本实施方式中，说明了关于一个噪声等级的输入图像选择对应的一个CNN235A来运用的情况，但还能使用2个以上的CNN235A。例如，也可以选择与输入图像的噪声等级接近的2个CNN235A来运用，将两者的输出合成。
<实施方式2>
在实施方式1中，是如下的实施方式，准备噪声等级不同的多个CNN235A，对应于输入图像的噪声等级选择1个或多个，将输入图像标准化，以使得成为与所选择的CNN235A的学习用图像相同的像素值范围，来进行噪声减少，本实施方式中，作成一个CNN235A，在运用该一个CNN235A时，对应于噪声等级使用不同的系数(标准化系数)将输入图像标准化，以使得标准化成最优的像素值范围。在运用所准备的CNN时，设定成为目标的噪声等级(目标噪声)，将标准化系数按每个噪声等级设定为成为该目标噪声的值(范围)。
将本实施方式的噪声减少部230的结构在图10示出。在图10中，具有与图2以及图4同样的功能的要素以相同附图标记示出，省略重复的说明。此外，CNN学习部250的功能能用与进行噪声减少的MRI装置或图像处理装置不同的装置来实现，这一点与实施方式1同样。
如图10所示那样，本实施方式的噪声减少部230在实施方式1的噪声减少部230中追加了标准化系数算出部236和目标噪声算出部237。标准化系数算出部236算出使噪声图像与正解图像的差最小的标准化系数。目标噪声算出部237使用CNN学习部250所作成的CNN235A，算出将噪声等级不同的各种噪声图像以标准化系数算出部236所算出的标准化系数进行标准化后的噪声(最优背景噪声)，来作为目标噪声。标准化部233使用目标噪声来进行输入图像的标准化。此外，虽未图示，但CNN学习部250具有与噪声减少230对应的功能，这一点与实施方式1同样。
以下参考图11～图13来说明本实施方式中的CNN学习以及噪声减少的处理。图11A、11B以及图12A、12B是表示CNN学习以及目标噪声设定的处理的流程以及说明图，图13是表示噪声减少处理的图。
最初说明CNN学习部250中的CNN的学习(其之前的学习用图像的标准化)。
与实施方式1同样地准备正解图像以及噪声图像的配对(S31)。噪声图像中使用的噪声能使用给定的噪声等级的噪声。接下来，推定正解图像的被检体区域外的背景(空气)噪声N(噪声推定功能)(S32)。使正解图像整体除以背景噪声N(S33)，对除以噪声N而得到的正解图像提取与阈值T(T＞1)相比值更大的像素值的区域(即被检体区域)。
在实施方式1中，在与上述处理S32、S33对应的处理S12、S13中，以噪声图像为对象来进行噪声N的推定和被检体区域的提取，但在本实施方式中，由于并非进行按每个噪声等级而不同的标准化，因此不需要使用噪声图像，而设为使用正解图像。但也能与实施方式1同样地使用噪声图像。
算出所提取的被检体区域的像素的平均值M，使正解图像除以所算出的平均值M。由此，正解图像以提取区域的像素值(平均值)进行标准化。接着，在噪声图像上乘以(1/N)/M，来将噪声图像标准化(S34)。使用S34中进行了标准化的正解图像以及噪声图像的配对来进行CNN的学习(S35)，这一点与实施方式1同样，但在此不需要进行每个噪声等级的重复(图5A：S18)，而是作成单一的CNN235A。
接着，设定目标噪声。为了设定目标噪声，首先，标准化系数算出部236在将CNN学习部250所作成的CNN235A运用于噪声强度不同的各种图像的情况下，算出使输入图像与正解图像的差为最小的标准化系数。接着，目标噪声算出部237以标准化系数算出部236所算出的标准化系数进行标准化，来求取进行噪声减少前的图像的背景噪声，将背景噪声的最优范围决定为目标噪声。
具体地，与CNN学习时的处理同样地，在正解图像中加入噪声，作成噪声图像(S41)。在该噪声图像上分别乘以多个系数(Kmin～Kmax)，来得到与系数的数量相同数目的噪声图像(S42)，对这些噪声图像进行利用了学习完毕CNN的噪声减少(S43)。在使学习完毕CNN的输出即噪声减少后的图像除以各个系数(Kmin～Kmax)后，算出与正解图像的均方根误差(RMSE)，求取该值成为最小的系数(Kj)(S44)。接着，推定乘以系数(Kj)后的进行噪声减少前的噪声图像的背景噪声N’(S45)。背景噪声N’的推定方法能使用与在CNN学习中对正解图像推定出背景噪声的手法同样的手法。
改变噪声强度来进行处理S41～S45(S46)，求取在噪声强度不同的每个噪声图像上乘以使与正解图像的RMSE为最小的系数Kj以及系数Kj后的进行噪声减少前的噪声图像的背景噪声N’。之后，将各噪声图像的背景噪声N’的容许范围(最优背景噪声)决定为目标噪声(S47)。
使用图12(图12A、图12B)来进一步说明目标噪声算出的详细情况。图12A是关于噪声强度不同的4个噪声图像示出改变系数进行了噪声减少的情况下的系数与各图像的RMSE的关系的图，RMSE成为最小值的位置(图中以○示出的位置)的系数是Kj。噪声强度以“噪声SD”表征，在图12中示出将噪声SD改变成1、2、3、5的4种情况。在该图表中，在噪声SD＝1(噪声强度最小)的输入图像中，在Kj≈0.6时与正解图像的差(RMSE)成为最小，在噪声SD＝2的输入图像中，在Kj≈1时与正解图像的差(RMSE)成为最小，噪声强度越高，则RMSE成为最小的Kj的值越大。
图12B是对噪声强度不同的4个噪声图像示出系数与背景噪声N’的关系的图表，在图12A的图表中，将RMSE成为最小的Kj的位置同样地用○示出。目标噪声算出部237算出各噪声强度的Kj所收入的背景噪声的范围内的值，来作为目标噪声。在图12B的图表中，对于按4个噪声图像的每一者求得的Kj(4个点)来说，背景噪声N’(N’(SNR1)、N’(SNR2)、N’(SNR3)、N’(SNR4))成为大致0.18～0.22的范围。目标噪声算出部237例如算出这4个背景噪声N’的平均值、中值，来设为目标噪声。
在以上的处理中，学习完毕CNN的作成和目标噪声的设定完成。噪声减少部230使用这些学习完毕CNN和目标噪声来进行输入图像的处理。以下参考图13来说明噪声减少处理。
最初推定输入图像的关心区域外的背景(空气)噪声N(S51)，使输入图像整体除以噪声N(S52)。接下来，对输入图像(除以噪声N而得到的图像)乘以目标噪声(S53)。由此，输入图像被标准化，以使得背景噪声成为最优的范围。虽然也可以将标准化后的图像原样不变地作为学习完毕CNN的输入图像来进行噪声减少处理，但在本实施方式中，在标准化后的噪声图像上乘以调整去噪声强度的调整系数F后(S54)，输入到学习完毕CNN，得到减少了噪声的输出图像(S55)。
调整系数F是对应于去噪声强度而预先确定的值，例如若强度为弱(Light)则是F＝2.0，若中(Medium)则是F＝1.0，若强(Heavy)则是F＝0.5，通过乘以这样的系数F，将输入图像以背景噪声×系数F来进行标准化，能减弱或增强去噪声强度。运用哪个调整系数，可以经由实施方式1的说明中参考的图10所示那样的GUI来接受用户指定，也可以对应于噪声等级而设定为规定值。
根据本实施方式，通过决定用于运用学习完毕CNN的目标噪声(最优背景噪声)，并以该目标噪声将输入图像标准化，从而对于噪声等级不同的输入图像，也能用一个学习完毕CNN来实现噪声减少处理。此外，由于除了目标噪声以外，还设定与去噪声强度相应的调整系数F，因此能提高处理的通用性。
<实施方式3>
本实施方式也是对各种噪声等级的输入图像(噪声减少处理图像)使用一个学习完毕CNN，这一点与实施方式2同样。但在实施方式2中，在使用该学习完毕CNN时，将输入图像标准化成最优的目标噪声，但在本实施方式中，作为信号噪声比(SNR)的函数，算出标准化系数，并推定输入图像的SNR，根据该SNR求取标准化系数，从而将输入图像标准化。
将本实施方式的噪声减少部230的结构例在图14示出。在图14中，与图4以及图10相同的要素以相同的附图标记示出，省略重复的说明。如图14所示那样，本实施方式的噪声减少部230包含SNR推定部238作为噪声推定部231的一个方式，此外，标准化部233包含算出标准化系数的近似式的近似式算出部239。此外，虽未图示，但CNN学习部250具有与噪声减少部230对应的功能这一点、以及CNN学习部250可以设置在计算机20以及其他计算机20A中的任一者这一点与其他实施方式同样。
以下参考图15～图17来说明包含上述各部的处理内容的本实施方式的噪声减少处理。
最初说明CNN学习部250的处理。
CNN学习部250如图15所示那样，准备噪声少的图像(正解图像)和在正解图像中加入噪声的噪声图像(S61)。接下来，求取正解图像的像素值为零以外的区域(非零区域)的中值，使正解图像以及噪声图像整体除以求取到的中值，来将两图像标准化(S62)。另外，中值可以不是正解图像的中值而是噪声图像(其非零区域)的中值。使用标准化后的正解图像与噪声图像的配对来进行CNN的学习，得到学习完毕CNN235A(S63)。
接下来，近似式算出部239算出标准化系数的近似式。为此，首先，与上述处理S61、S62同样地作成正解图像以及噪声图像(S71)，使噪声图像整体除以噪声图像的非零区域的中值Mnoise，来将噪声图像标准化(S72)。接着，在标准化后的噪声图像上分别乘以多个(N个)系数K(K1～KN)来做出多个噪声图像(N张图像)后，使用S63中得到的学习完毕CNN235A来进行各噪声图像的噪声减少(S73)。在噪声减少后的图像上分别乘以“噪声图像的中值Mnoise”/“与噪声图像相乘的系数”从而恢复成原始的值后，算出与正解图像的均方根误差(RMSE)，求取该值成为最小的系数(最优系数)Kopt(S74)。推定在原始的噪声图像上乘以最优系数Kopt后的进行噪声减少前的噪声图像的背景噪声N”(S75)。SNR推定部238求取乘以最优系数Kopt后的噪声图像的非零区域的中值M’noise，算出该图像的SNR来作为M’noise/N”(S76)。
改变S71中作成的噪声图像的噪声强度，来重复进行处理S71～S76(S77)，按噪声强度不同的每个噪声图像，来算出最优系数Kopt与SNR的组合(S78)。在图16中示出通过上述重复求得的SNR与最优系数Kopt的关系。如图示那样，两者的关系例如能用以
Ki＝a·SNR+b (1)
表征的一次式进行近似。近似式算出部239根据对噪声强度不同的每个噪声图像求得的Kopt与SNR的关系来近似地求取近似式的线性回归斜率a以及线性回归截矩b。但近似式并不限定于一次式。
通过以上的处理，学习完毕CNN的作成以及表征标准化系数与噪声的关系的近似式的算出完成。噪声减少部230使用学习完毕CNN和近似式来进行输入图像的标准化以及噪声减少处理。以下参考图17来说明噪声减少处理。
首先，对于输入图像，噪声推定部231(背景噪声推定部2311)与实施方式1同样地求取背景噪声N(S81)，像素值算出部232算出输入图像的非零区域的中值Minput。SNR推定部238算出Minput/N，将该值作为输入图像的SNR(S82)。
标准化部233将该SNR导入到近似式算出部239所算出的近似式中，来求取最优系数Kopt(S83)。
Kopt＝a·(SNR/f)+b (2)
式中，f是决定去噪声强度的调整系数，具有与实施方式2中说明的调整系数F同样的意思。即，通过加大f的值，来增强去噪声强度，通过减小f的值，来减弱去噪声强度。其中，在实施方式2中，说明了作为F来取离散的值的情况，但在本实施方式中，标准化系数成为与SNR的函数，因此，关于调整系数f，也能取中间的值。f的值可以固定在中等程度的去噪声强度即1，也可以使得能对应于用户指定等例如适宜地对0.5～2.0之间的值进行调整。在设为f＝1的情况下，成为前述的式(1)。
标准化部233在使输入图像除以该中值Minput后，乘以如上述那样求得的最优系数Kopt(下式(3))。由此，将输入图像标准化(S84)。
In＝(1/Minput(I0))·Kopt·I0
＝(1/Minput(I0))·(a·(SNR/f)+b)·I0
式中，I0是标准化前的输入图像，In是标准化后的输入图像。
将如此标准化了的输入图像输入到学习完毕CNN，来取得减少了噪声的输出图像(S85)。
根据本实施方式，近似地求取表示噪声的指标SNR与最优的标准化系数的关系，在使用根据噪声进行了标准化的学习用图像进行了学习的CNN的运用中，根据输入图像的推定SNR，使用根据近似地求得的SNR与最优标准化系数的关系求得的最优标准化系数来将输入图像标准化，由此能实现与噪声等级、信号等级不同的各种输入图像对应的噪声减少。此外，根据本实施方式，通过使用SNR与标准化系数的关系式，学习完毕CNN准备单一的CNN即可，且能进行精度良好的噪声减少。
进而，根据本实施方式，能在关系式中调整去噪声的强度，调整用户的去噪声强度时的自由度得到提升。
以上，关于本发明的噪声减少方法，以MRI装置内的处理为例说明了各实施方式，但本发明并不限于MRI装置，能在能实现一般的图像处理程序的设备(图像处理装置、计算机、工作站等)中实现。此外，在实施方式中，说明了利用背景噪声与图像整体的噪声成正比这样的MR图像的特性的MR图像的噪声减少处理，但本发明中，在利用CNN的图像的噪声减少处理中，主旨在于将标准化最优化，以使得输入图像的像素值收入在CNN中使用的标准化图像的像素值范围中，特别是，进行使图像的噪声信息得以反映的标准化，只要是能推定噪声信息的图像，就能不限定于MR图像地进行运用，此外，能利用的噪声信息、使其反映在标准化中的手法也并不限定于实施方式的手法。

Claims (20)

1.一种磁共振摄像装置，其特征在于，具备：
测量部，其测量从被检体产生的核磁共振信号；和
运算部，其使用所述核磁共振信号来生成图像，
所述运算部包含：
噪声减少部，其利用使用进行了标准化的噪声图像和噪声比噪声图像少的正解图像进行了学习的CNN，来减少所述CNN的输入图像的噪声，
所述噪声减少部具有：
标准化部，其使用所述输入图像的噪声信息和信号等级信息来将所述输入图像以适于所述CNN的标准化因子进行标准化，
所述噪声减少部对于标准化后的输入图像进行利用了所述CNN的噪声减少处理。
2.根据权利要求1所述的磁共振摄像装置，其特征在于，
所述标准化部具备：
像素值算出部，其算出所述输入图像中的被检体区域的像素值，
所述标准化部使用所述像素值来作为所述信号等级信息。
3.根据权利要求2所述的磁共振摄像装置，其特征在于，
所述噪声减少部具有：
背景噪声推定部，其从所述输入图像推定背景噪声的大小，
所述像素值算出部使用比所述背景噪声推定部所推定出的背景噪声的大小大的像素值，来算出所述被检体区域的像素值。
4.根据权利要求3所述的磁共振摄像装置，其特征在于，
所述噪声减少部具备：
噪声等级算出部，其使用所述背景噪声的大小和所述被检体区域的像素值来算出所述输入图像的噪声等级，作为所述噪声信息，
所述噪声减少部利用使用与所述噪声等级算出部所算出的噪声等级相同或接近的噪声等级的噪声图像进行了学习的CNN。
5.根据权利要求1所述的磁共振摄像装置，其特征在于，
所述噪声减少部具有改变噪声的大小地进行了学习的多个CNN，对应于所述输入图像的噪声信息，选择所述多个CNN中的任一者，来进行噪声减少处理。
6.根据权利要求5所述的磁共振摄像装置，其特征在于，
所述磁共振摄像装置还具备：
输入部，其接受与去噪声强度相关的用户指定，
所述噪声减少部按照所述输入部所接受的用户指定，从所述多个CNN中选择1个以上的CNN。
7.根据权利要求1所述的磁共振摄像装置，其特征在于，
所述噪声减少部具备：
噪声推定部，其推定所述输入图像的噪声信息，
所述标准化部使用所述噪声推定部所推定出的噪声信息，来作为所述标准化因子。
8.根据权利要求7所述的磁共振摄像装置，其特征在于，
所述噪声减少部还具备：
目标噪声算出部，其利用使用噪声的大小不同的多个噪声图像预先求得的、多个值不同的标准化因子与以该标准化因子标准化后的图像的背景噪声的关系，来算出目标噪声，
所述标准化部使用所述目标噪声来作为所述标准化因子，将所述输入图像标准化。
9.根据权利要求8所述的磁共振摄像装置，其特征在于，
所述标准化因子还包含调整去噪声强度的调整系数。
10.根据权利要求1所述的磁共振摄像装置，其特征在于，
所述噪声减少部还具备：
SNR推定部，其推定图像的SNR，
所述标准化部利用使用SNR不同的多个噪声图像预先求得的、使这些噪声图像与正解图像的差最小化的最优标准化因子与噪声图像的SNR的关系、以及所述SNR推定部所推定出的输入图像的SNR，来决定该输入图像的标准化因子，以所决定的标准化因子将所述输入图像标准化。
11.根据权利要求10所述的磁共振摄像装置，
所述噪声减少部还具备：
近似式算出部，其将所述最优标准化因子与噪声图像的SNR的关系作为近似式来算出。
12.根据权利要求11所述的磁共振装置，其特征在于，
所述近似式算出部在所述近似式的SNR上乘以调整去噪声强度的调整系数来做出近似式。
13.根据权利要求1所述的磁共振摄像装置，其特征在于，
所述CNN中使用的学习用图像是噪声少的SNR高的正解图像与在该高SNR正解图像中加入噪声的噪声图像的组合、或者在噪声少的SNR高的正解图像中加入噪声的SNR低的正解图像与在该低SNR正解图像中加入噪声的噪声图像的组合，将所述噪声图像以及所述正解图像使用被摄体区域的推定像素值来进行标准化。
14.根据权利要求13所述的磁共振摄像装置，其特征在于，
所述被摄体区域的推定像素值是通过从所述噪声图像推定噪声的大小并求取比所推定出的所述噪声的大小大的像素值的平均值而得到的值。
15.一种噪声减少方法，利用使用进行了标准化的噪声图像和噪声比噪声图像少的正解图像进行了学习的CNN，来减少所述CNN的输入图像的噪声，其特征在于，
包含如下步骤：
使用所述输入图像的噪声信息和信号等级信息来将所述输入图像以适于所述CNN的标准化因子进行标准化，
所述噪声减少方法对于标准化后的输入图像进行利用了所述CNN的噪声减少处理。
16.根据权利要求15所述的噪声减少方法，其特征在于，
所述输入图像是由磁共振摄像装置取得的图像。
17.根据权利要求15所述的噪声减少方法，其特征在于，
所述噪声减少方法包含如下步骤：
从使所述输入图像除以噪声的大小而得到的图像中提取比大于1的阈值大的像素值的区域，求取所提取出的区域的像素值的平均值；和
使除以所述噪声的大小而得到的图像除以所述平均值，来做出所述CNN的输入图像。
18.根据权利要求15所述的噪声减少方法，其特征在于，
所述噪声减少方法还包含如下步骤：
对于噪声的大小不同的多个噪声图像，求取多个值不同的标准化因子与以该标准化因子标准化后的图像的背景噪声的关系；和
根据所述标准化因子与背景噪声的关系来设定目标噪声，
所述噪声减少方法使用所述目标噪声来作为所述标准化因子，将所述输入图像标准化。
19.根据权利要求15所述的噪声减少方法，其特征在于，
所述噪声减少方法还具备如下步骤：
对于SNR不同的多个噪声图像求取使这些噪声图像与正解图像的差最小化的最优标准化因子与噪声图像的SNR的关系；和
推定所述输入图像的SNR，
所述噪声减少方法使用所述最优标准化因子与噪声图像的SNR的关系以及所述输入图像的SNR，来决定该输入图像的标准化因子，以所决定的标准化因子将所述输入图像标准化。
20.一种图像处理装置，具有使用进行了标准化的噪声图像和噪声比噪声图像少的正解图像进行了学习的CNN，减少所述CNN的输入图像的噪声，所述图像处理装置的特征在于，
所述噪声减少部具有：
标准化部，其使用所述输入图像的噪声信息和信号等级信息，来将所述输入图像以适于所述CNN的标准化因子进行标准化，
所述噪声减少部对于标准化后的输入图像进行利用了所述CNN的噪声减少处理。
CN202211154552.9A 2022-03-07 2022-09-20 磁共振摄像装置、图像处理装置以及图像的噪声减少方法 Pending CN116797467A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022034774A JP2023130225A (ja) 2022-03-07 2022-03-07 磁気共鳴撮像装置、画像処理装置、及び、画像のノイズ低減方法
JP2022-034774 2022-03-07

Publications (1)

Publication Number Publication Date
CN116797467A true CN116797467A (zh) 2023-09-22

Family

ID=85415418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211154552.9A Pending CN116797467A (zh) 2022-03-07 2022-09-20 磁共振摄像装置、图像处理装置以及图像的噪声减少方法

Country Status (4)

Country Link
US (1) US20230281760A1 (zh)
EP (1) EP4242682A1 (zh)
JP (1) JP2023130225A (zh)
CN (1) CN116797467A (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008133951A2 (en) 2007-04-24 2008-11-06 Massachusetts Institute Of Technology Method and apparatus for image processing
JP7169094B2 (ja) * 2017-06-01 2022-11-10 株式会社東芝 画像処理システム及び医用情報処理システム
CN113344951B (zh) 2021-05-21 2024-05-28 北京工业大学 一种边界感知双重注意力引导的肝段分割方法

Also Published As

Publication number Publication date
EP4242682A1 (en) 2023-09-13
JP2023130225A (ja) 2023-09-20
US20230281760A1 (en) 2023-09-07

Similar Documents

Publication Publication Date Title
NL1010119C2 (nl) Iteratief filterraamwerk voor medische afbeeldingen.
JP5154016B2 (ja) 画像内の不均一性の補正方法および画像化装置
CN109709503B (zh) 一种磁共振系统控制方法、磁共振系统、计算机设备
US11747424B2 (en) Magnetic resonance imaging apparatus, image processing apparatus, and image processing method
JPH0646409B2 (ja) 像を補正する装置と方法
JP2009034514A (ja) 撮像パラメータの決定方法、撮像パラメータの最適化装置、コンピュータプログラム製品および電子的に読取可能なデータ媒体
JPH0731606A (ja) 磁気共鳴断層撮影装置
JPH10272121A (ja) 磁気共鳴システムにより収集されたイメージング関数を補正する方法
US11100611B2 (en) Systems and methods for background noise reduction in magnetic resonance images
US10012619B2 (en) Imaging apparatus, ultrasonic imaging apparatus, method of processing an image, and method of processing an ultrasonic image
JP2023155505A (ja) 医用情報処理装置および医用情報処理方法
JP7346270B2 (ja) 医用情報処理装置、医用情報処理方法、およびプログラム
CN112240995A (zh) 用于从磁共振校准图像预测b1+标测图的系统和方法
US5531223A (en) Method and apparatus of nuclear magnetic resonance imaging with nonlinearly processed image display
JPWO2006109550A1 (ja) 磁気共鳴イメージング装置及び方法
CN116797467A (zh) 磁共振摄像装置、图像处理装置以及图像的噪声减少方法
JP3865887B2 (ja) 画像補正方法
US6891370B2 (en) Method and system for three dimensional phase unwrapping
KR100452644B1 (ko) 영상 처리 방법과 장치, 기록 매체 및 촬상 장치
JP7246194B2 (ja) 医用画像処理装置、医用画像処理方法、およびプログラム
JP2808782B2 (ja) Ｍｒ装置
JP5595873B2 (ja) 磁気共鳴イメージング装置、サンプリングパターン作成方法、およびプログラム
CN114140341B (zh) 一种基于深度学习的磁共振图像非均匀场校正方法
US11972540B2 (en) Image processing apparatus, medical imaging apparatus, and image processing program
US20230136320A1 (en) System and method for control of motion in medical images using aggregation

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