CN116916827A - 放射线图像处理方法、机械学习方法、学习完成模型、机械学习的前处理方法、放射线图像处理模块、放射线图像处理程序及放射线图像处理系统 - Google Patents

放射线图像处理方法、机械学习方法、学习完成模型、机械学习的前处理方法、放射线图像处理模块、放射线图像处理程序及放射线图像处理系统 Download PDF

Info

Publication number
CN116916827A
CN116916827A CN202180093696.5A CN202180093696A CN116916827A CN 116916827 A CN116916827 A CN 116916827A CN 202180093696 A CN202180093696 A CN 202180093696A CN 116916827 A CN116916827 A CN 116916827A
Authority
CN
China
Prior art keywords
image
noise
radiation
pixel
value
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
CN202180093696.5A
Other languages
English (en)
Inventor
土屋智
大西达也
须山敏康
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.)
Hamamatsu Photonics KK
Original Assignee
Hamamatsu Photonics KK
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 Hamamatsu Photonics KK filed Critical Hamamatsu Photonics KK
Publication of CN116916827A publication Critical patent/CN116916827A/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • 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
    • A61B6/42—Arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4291—Arrangements for detecting radiation specially adapted for radiation diagnosis the detector being combined with a grid or grating
    • 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
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明的控制装置(20)具备：图像取得部(203)，其取得向对象物(F)照射放射线，并拍摄了透过对象物(F)的放射线的放射线图像；噪声图生成部(204)，其基于表示像素值与评估噪声值的扩大的评估值的关系的关系数据，根据放射线图像的各像素的像素值，导出评估值，生成将导出的评估值与放射线图像的各像素建立对应的数据即噪声图；及处理部(205)，其将放射线图像及噪声图输入预先通过机械学习而构建的学习完成模型(207)，实行从放射线图像去除噪声的图像处理。

Description

放射线图像处理方法、机械学习方法、学习完成模型、机械学 习的前处理方法、放射线图像处理模块、放射线图像处理程序 及放射线图像处理系统
技术领域
实施方式的一个方面涉及一种放射线图像处理方法、机械学习方法、学习完成模型、机械学习的前处理方法、放射线图像处理模块、放射线图像处理程序及放射线图像处理系统。
背景技术
目前，已知有一种以图像数据为对象、使用机械学习的学习完成模型进行噪声去除的方法(例如，参照下述专利文献1)。根据该方法，由于自动去除来自图像数据的噪声，因此可高精度地观察对象物。
现有技术文献
专利文献
专利文献1：日本专利特开2019-91393号公报
发明内容
[发明所要解决的问题]
在如上述的现有方法中，在以使X射线等放射线透过对象物而产生的放射线图像为对象的情况下，有时噪声去除不充分。例如，根据X射线源等放射线产生源的条件、所使用的滤波器的种类等条件，存在图像的像素值与噪声的关系易于变动，无法有效去除噪声的倾向。
因此，实施方式的一方面是鉴于该问题而完成的，其课题在于，提供一种可有效去除放射线图像中的噪声的放射线图像处理方法、机械学习方法、学习完成模型、机械学习的前处理方法、放射线图像处理模块、放射线图像处理程序及放射线图像处理系统。
[解决问题的技术手段]
实施方式的一方面的放射线图像处理方法具备：图像取得步骤，取得向对象物照射放射线，并拍摄了透过对象物的放射线的放射线图像；噪声图生成步骤，基于表示像素值与评估噪声值的扩大的评估值的关系的关系数据，根据放射线图像的各像素的像素值，导出评估值，生成将导出的评估值与放射线图像的各像素建立对应的数据即噪声图；及处理步骤，将放射线图像及噪声图输入预先通过机械学习而构建的学习完成模型，实行从放射线图像去除噪声的图像处理。
或者，实施方式的另一方面的放射线图像处理模块具备：图像取得部，其取得向对象物照射放射线，并拍摄了透过对象物的放射线的放射线图像；噪声图生成部，其基于表示像素值与评估噪声值的扩大的评估值的关系的关系数据，根据放射线图像的各像素的像素值，导出评估值，生成将导出的评估值与放射线图像的各像素建立对应的数据即噪声图；及处理部，其将放射线图像及噪声图输入预先通过机械学习构建的学习完成模型，实行从放射线图像去除噪声的图像处理。
或者，实施方式的另一方面的放射线图像处理程序使处理器作为以下者发挥功能：图像取得部，其取得向对象物照射放射线，并拍摄了透过对象物的放射线的放射线图像；噪声图生成部，其基于表示像素值与评估噪声值的扩大的评估值的关系的关系数据，根据放射线图像的各像素的像素值，导出评估值，生成将导出的评估值与放射线图像的各像素建立对应的数据即噪声图；及处理部，其将放射线图像及噪声图输入预先通过机械学习构建的学习完成模型，实行从放射线图像去除噪声的图像处理。
或者，实施方式的另一方面的放射线图像处理系统具备：上述的放射线模块；产生源，其向对象物照射放射线；及拍摄装置，其拍摄透过对象物的放射线而取得放射线图像。
根据上述一个方面或另一方面中的任意者，基于表示像素值与评估噪声值的扩大的评估值的关系的关系数据，根据放射线图像的各图像的像素值，导出评估值，生成将导出的评估值与放射线图像的各像素建立对应的数据即噪声图。并且，将放射线图像及噪声图输入预先通过机械学习构建的学习完成模型，实行从放射线图像去除噪声的图像处理。根据该结构，考虑根据放射线图像的各像素的像素值评估的噪声值的扩大，通过机械学习将该放射线图像的各像素中的噪声去除。由此，可使用学习完成模型，实现与放射线图像中的像素值及噪声的扩大的关系对应的噪声去除，其结果，可有效地去除放射线图像中的噪声。
[发明的效果]
根据本公开的一方面，可有效地去除对象物的放射线图像中的噪声。
附图说明
图1是实施方式的图像取得装置1的概略结构图。
图2是示出图1的控制装置20的硬件结构的一例的框图。
图3是示出图1的控制装置20的功能结构的框图。
图4是示出图3的图像取得部203所取得的X射线图像的一例的图。
图5是示出由图3的噪声图生成部204的噪声标准偏差图的生成例的图。
图6是示出图3的学习完成模型207的输入输出数据的一例的图。
图7是示出用于构建学习完成模型207的训练数据的一个即训练图像的一例的图。
图8是示出图像取得装置1的观察处理顺序的流程图。
图9是示出通过图像取得装置1取得的噪声去除处理前后的X射线图像的例子的图。
图10是示出通过图像取得装置1取得的噪声去除处理前后的X射线图像的例子的图。
图11是示出本公开的变形例的控制装置20A的功能结构的框图。
图12是示出由本公开的变形例的图像取得装置1执行的观察处理的顺序的流程图。
图13是示出由图11的算出部202A执行的透过X射线的能谱的仿真计算结果的一例的图表。
图14是示出由图11的算出部202A导出的、对象物的厚度与平均能量及透过率的关系的仿真计算结果的一例的图表。
图15是示出由图11的算出部202A导出的、对象物的厚度与X射线的透过率的关系的仿真计算结果的一例的图表。
图16是示出由图11的算出部202A导出的、对象物的厚度与透过X射线的平均能量的关系的仿真计算结果的一例的图表。
图17是示出由图11的算出部202A导出的、X射线图像的像素值与平均能量的关系的仿真计算结果的一例的图表。
图18是示出X射线图像的像素值与噪声值的标准偏差的关系的仿真计算结果的一例的图表。
图19是示出在图11的算出部202A导出的、对象物的材质变化时的像素值与噪声值的标准偏差的关系的一例的图表。
图20是示出本公开的第2实施方式的控制装置20B的功能结构的框图。
图21是示出由本公开的第2实施方式的图像取得装置1执行的观察处理顺序的流程图。
图22是示出由图20的噪声图生成部204B的噪声标准偏差图的生成例的图。
图23是示出在第2实施方式的图像取得装置1中用于拍摄的治具的结构的一例的立体图。
图24是示出图23的治具的拍摄图像的一例的图。
图25是示出第3实施方式的控制装置1C的概略结构图。
图26是示出第3实施方式的控制装置20C的功能结构的框图。
图27是示出图25的X射线检测相机10C的功能结构的框图。
图28是示出配置于2维传感器12C上的闪烁器层11的结构的图。
图29是示出构建部206C的用于构建学习完成模型207C的示教数据(训练数据)即图像数据的制作顺序的流程图。
图30是示出用于产生示教数据的噪声分布的一例的图表。
图31是示出用于产生示教数据的噪声分布的一例的图表。
图32是示出通过仿真计算产生的X射线图像的例子的图。
图33是示出用于产生示教数据的噪声分布的一例的图表。
具体实施方式
以下，参照附图，详细地说明本公开的实施方式。此外，在说明中，对相同要素或具有相同功能的要素使用相同符号，并且省略重复的说明。
[第1实施方式]
图1是第1实施方式的放射线图像处理系统即图像取得装置1的结构图。如图1所示，图像取得装置1，对沿搬送方向TD搬送的对象物F照射X射线(放射线)，并取得基于透过对象物F的X射线而拍摄了对象物F的X射线图像(放射线图像)的装置。图像取得装置1使用X射线图像，进行以对象物F为对象的异物检查、重量检查、检验品检查等，作为用途，可列举食品检查、随身行李检查、基板检查、电池检查、材料检查等。图像取得装置1构成为具备：带式输送机(搬送机构)60、X射线照射器(放射线产生源)50、X射线检测相机(拍摄装置)10、控制装置(放射线图像处理模块)20、显示装置30、及用于进行各种输入的输入装置40。此外，本公开的实施方式的放射线图像并不限于X射线图像，也包含通过γ线等X射线以外的放射线而产生的图像。
带式输送机60具有载置有对象物F的带部，通过使该带部沿搬送方向TD移动，而将对象物F以规定的搬送速度沿搬送方向TD搬送。对象物F的搬送速度例如为48m/分钟。带式输送机60可根据需要，将搬送速度变更为例如24m/分钟、或96m/分钟等搬送速度。另外，带式输送机60可适当变更带部的高度位置，变更X射线照射器50与对象物F的距离。此外，作为由带式输送机60搬送的对象物F，例如可列举食用肉、海鲜、农作物、点心等食品、轮胎等橡胶产品、树脂产品、金属产品、矿物等资源材料、废弃物、及电子部件或电子基板等各种物品。X射线照射器50是作为X射线源将X射线向对象物F照射(输出)的装置。X射线照射器50是点光源，沿一定的照射方向在规定的角度范围使X射线扩散地照射。X射线照射器50，以X射线的照射方向朝向带式输送机60，并且扩散的X射线达到对象物F的宽度方向(与搬送方向TD交叉的方向)整体的方式，从带式输送机60分开规定的距离地配置在带式输送机60的上方。另外，X射线照射器50的照射范围，在对象物F的长度方向(与搬送方向TD平行的方向)上，设为长度方向上的规定的分割范围，并且对象物F被带式输送机60向搬送方向TD搬送，从而对对象物F的长度方向整体照射X射线。X射线照射器50的管电压及管电流通过控制装置20设定。X射线照射器50，将与所设定的管电压及管电流相对应的规定的能量、放射线量的X射线朝向带式输送机60照射。另外，在X射线照射器50的带式输送机60侧的附近，设置有使X射线的规定波长频带透过的滤波器51。滤波器51并非必须，也可适当省略。
X射线检测相机10检测通过X射线照射器50照射于对象物F的X射线中的、透过对象物F的X射线，基于该X射线输出信号。X射线检测相机10为配置有2组检测X射线的结构的双线X射线相机。第1实施方式的图像取得装置1中，基于由双线X射线相机的各个线(第1线及第2线)检测的X射线，分别产生X射线图像。并且，通过对产生的2个X射线图像进行平均处理或加法处理等，与基于由1条线检测的X射线而产生X射线图像的情况相比，能以较少的X射线量取得清晰(亮度大)的图像。
X射线检测相机10具有：滤波器19、闪烁器11a、11b、线扫描相机12a、12b、传感器控制部13、放大器14a、14b、AD转换器15a、15b、修正电路16a、16b、输出接口17a、17b、及放大器控制部18。闪烁器11a、线扫描相机12a、放大器14a、AD转换器15a、修正电路16a及输出接口17a分别电连接，为第1线的结构。另外，闪烁器11b、线扫描相机12b、放大器14b、AD转换器15b、修正电路16b及输出接口17b分别电连接，为第2线的结构。第1线的线扫描相机12a与第2线的线扫描相机12b沿搬送方向TD排列配置。另外，以下，对于第1线与第2线共通的结构，以第1线的结构为代表进行说明。
闪烁器11a通过粘接等固定于线扫描相机12a上，将透过对象物F的X射线转换为闪烁光。闪烁器11a将闪烁光输出至线扫描相机12a。滤波器19使X射线的规定波长域向闪烁器11透过。滤波器19并非必须，也可适当省略。
线扫描相机12a检测来自闪烁器11a的闪烁光，转换为电荷，作为检测信号(电信号)输出至放大器14a。线扫描相机12a具有在与搬送方向TD交叉的方向上排列多个线传感器。线传感器例如为CCD(Charge Coupled Device)成像传感器、或CMOS(ComplementaryMetal-Oxide Semiconductor)成像传感器等，包含多个光电二极管。
传感器控制部13，以线扫描相机12a、12b可拍摄透过对象物F的相同区域的X射线的方式，控制线扫描相机12a、12b以规定的检测周期重复拍摄。规定的检测周期例如也可基于线扫描相机12a、12b间的距离、带式输送机60的速度、X射线照射器50与带式输送机60上的对象物F的距离(FOD(Focus Object Distance：焦点物体间距离)、以及X射线照射器50与线扫描相机12a、12b的距离(FDD(Focus Detector Distance：焦点传感器间距离))，设定线扫描相机12a、12b共通的周期。另外，规定的检测周期也可基于与线扫描相机12a、12b各自的线传感器的像素排列方向正交的方向的光电二极管的像素宽度，来分别个别地设定。在该情况下，也可根据线扫描相机12a、12b间的距离、带式输送机60的速度、X射线照射器50与带式输送机60上的对象物F的距离(FOD)、以及X射线照射器50与线扫描相机12a、12b的距离(FDD)，确定线扫描相机12a、12b间的检测周期的偏差(延迟时间)，来分别设定个别的周期。放大器14a将检测信号以规定的设定放大率放大而产生放大信号，将该放大信号输出至AD转换器15a。设定放大率是由放大器控制部18设定的放大率。放大器控制部18基于规定的拍摄条件，设定放大器14a、14b的设定放大率。
AD转换器15a将由放大器14a输出的放大信号(电压信号)转换为数字信号，输出至修正电路16a。修正电路16a对数字信号进行信号放大等的规定的修正，将修正后的数字信号输出至输出接口17a。输出接口17a将数字信号输出至X射线检测相机10的外部。图1中，AD转换器或修正电路、输出接口分别个别存在，但也可整合为一个。
控制装置20例如为PC(Personal Computer)等计算机。控制装置20基于自X射线检测相机10(更详细而言，输出接口17a、17b)输出的数字信号(放大信号)，产生X射线图像。控制装置20通过将自输出接口17a、17b输出的2个数字信号进行平均处理或加法处理，而产生1个X射线图像。产生的X射线图像，在实施后述的噪声去除处理后，输出至显示装置30，由显示装置30予以显示。另外，控制装置20控制X射线照射器50、放大器控制部18及传感器控制部13。此外，第1实施方式的控制装置20为独立设置于X射线检测相机10的外部的装置，但也可在X射线检测相机10的内部一体化。
图2示出控制装置20的硬件结构。如图2所示，控制装置20是在物理上包含作为处理器的CPU(Central Processing Unit)101及GPU 105(Graphic Processing Unit)、作为记录介质的RAM(Random Access Memory)102及ROM(Read Only Memory)103、通信模块104、及输入输出模块106等的计算机等，各个电连接。此外，控制装置20也可包含显示器、键盘、鼠标、触控面板显示器(touch panel display)等作为输入装置40及显示装置30，也可包含硬盘驱动器、半导体内存等数据记录装置。另外，控制装置20也可由多个计算机构成。
图3是示出控制装置20的功能结构的框图。控制装置20具备：输入部201、算出部202、图像取得部203、噪声图生成部204、处理部205、及构建部206。图3所示的控制装置20的各功能部通过以下而实现，即，通过在CPU 101、GPU 105及RAM 102等硬件上读入程序(第1实施方式的放射线图像处理程序)，来在CPU 101及GPU 105的控制下，使通信模块104、及输入输出模块106等动作，并且进行RAM 102的数据的读出及写入。控制装置20的CPU 101及GPU 105通过实行该计算机程序而使控制装置20作为图3的各功能部发挥功能，依次实行与后述的放射线图像处理方法对应的处理。此外，CPU 101及GPU 105也可为单体的硬件，也可以为仅任意一方。此外，CPU 101及GPU 105也可如软件处理器那样地安装在如FPGA的可程序化逻辑器之中。关于RAM或ROM，也可为单体的硬件，也可内置在如FPGA的可程序化逻辑器之中。实行该计算机程序所需的各种数据、及通过实行该计算机程序而产生的各种数据全部储存在ROM 103、RAM 102等内置内存、或硬盘驱动器等记忆介质。此外，在控制装置20内的内置内存或记忆介质中，预先存储有：学习完成模型207(后述)，其通过被CPU 101及GPU105读入，而使CPU 101及GPU 105以X射线图像为对象实行噪声去除处理(后述)。
以下，针对控制装置20的各功能部的功能的细节进行说明。
输入部201接收照射放射线拍摄对象物F时的放射线的产生源的条件、或者表示任意的拍摄条件等的条件信息的输入。具体而言，输入部201从图像取得装置1的用户接收拍摄对象物F时的X射线照射器(放射线产生源)50的动作条件、或者表示X射线检测相机10的拍摄条件等的条件信息的输入。作为动作条件，可列举管电压、靶(target)角度、靶的材料等中的全部或一部分。作为表示拍摄条件的条件信息，可列举：配置于X射线照射器50与X射线检测相机10之间的滤波器51、19的材质及厚度、X射线照射器50与X射线检测相机10的距离(FDD)、X射线检测相机10的窗材料的种类、及与X射线检测相机10的闪烁器11a、11b的材料及厚度相关的信息、X射线检测相机信息(例如，增益设定值、电路噪声值、饱和电荷量、转换系数值(e-/count)、相机的行频(line rate)(Hz)或线速度(line speed)(m/min))、对象物F的信息等中的全部或一部分。输入部201也可将条件信息的输入作为数值等的信息的直接输入而接收，也可作为对预先设定于内部存储器的数值等的信息的选择输入而接收。输入部201从用户接收上述的条件信息的输入，但也可根据由控制装置20执行的控制状态的检测结果而取得一部分的条件信息(管电压等)。
算出部202基于条件信息，算出与透过对象物F的X射线(放射线)有关的平均能量的值。在条件信息中至少包含：产生源的管电压、与对象物F有关的信息、用于拍摄对象物F的相机所具备的滤波器的信息、相机所具备的闪烁器的信息、X射线产生源所具备的滤波器的信息中的任一个。具体而言，算出部202基于由输入部201接收的条件信息，算出使用图像取得装置1透过对象物F并通过X射线检测相机10检测的X射线的平均能量的值。例如，算出部202，基于条件信息中包含的、管电压、靶角度、靶的材料、滤波器51、19的材质及厚度及其有无、X射线检测相机10的窗材料的种类及其有无、X射线检测相机10的闪烁器11a、11b的材料及厚度等信息，使用例如公知的Tucker等的近似式算出由X射线检测相机10检测的X射线的频谱(spectrum)。并且，算出部202根据X射线的频谱，进一步算出频谱强度积分值与光子数积分值，并将频谱强度积分值除以光子数积分值，从而算出X射线的平均能量的值。
对于使用公知的Tucker的近似式的算出方法进行记载。例如，算出部202，在将靶确定为钨，并将靶角度确定为25°时，可决定：Em：电子靶碰撞时的运动能量、T：靶中的电子运动能量、A：由靶物质的原子序数决定的比例常数、ρ：靶的密度、μ(E)：靶物质的线减弱系数、B：和缓地变化的Z与T的函数、C：Thomson-Whiddington常数、θ：靶角度、c：真空中的光速。进而，算出部202基于此，通过计算下述式(1)，可算出照射X射线频谱。
[式1]
此外，Em可根据管电压的信息决定，A、ρ、μ(E)可根据对象物F的材料的信息决定，θ可根据对象物F的角度的信息决定。
接着，算出部202可使用下述式(2)的X射线的减弱式，算出透过滤波器及对象物F并被闪烁器吸收的X射线能谱。
[式2]
此处，μ是对象物F、滤波器、闪烁器等的减弱是数，x是对象物F、滤波器、闪烁器等的厚度。μ可根据对象物F、滤波器、及闪烁器的材质的信息决定，x可根据对象物F、滤波器、及闪烁器的厚度的信息决定。X射线光子数谱通过将该X射线能谱除以各X射线的能量而求得。算出部202通过将能量强度的积分值除以光子数的积分值，使用下述式(3)，算出X射线的平均能量。
平均能量E＝频谱强度积分值/光子数积分值…(3)
通过上述的计算过程，算出部202算出X射线的平均能量。此外，关于X射线频谱的算出，也可使用公知的Kramers、或Birch等的近似式。
图像取得部203，对对象物F照射放射线，取得拍摄有透过对象物F的放射线的放射线图像。具体而言，图像取得部203基于从X射线检测相机10(更详细而言，输出接口17a、17b)输出的数字信号(放大信号)，产生X射线图像。图像取得部203，通过将从输出接口17a、17b输出的2个数字信号进行平均处理或加法处理，产生1个X射线图像。图4是示出图像取得部203所取得的X射线图像的一例的图。
噪声图生成部204基于表示像素值与评估噪声值的扩大的评估值的关系的关系数据，从放射线图像的各像素的像素值导出评估值，生成将导出的评估值与放射线图像的各像素建立对应的数据即噪声图。此时，噪声图生成部204从与透过对象物F的放射线相关的平均能量，及放射线图像的各图像的像素值，导出评估值。具体而言，噪声图生成部204使用像素值与噪声值的标准偏差(评估噪声值的扩大的评估值)的关系式(关系数据)，从通过算出部202算出的X射线的平均能量，及通过图像取得部203取得的X射线图像(放射线图像)的各像素的像素值，导出噪声值的标准偏差。噪声图生成部204通过将导出的噪声值的标准偏差与X射线图像的各像素建立对应，生成噪声标准偏差图(噪声图)。
由噪声图生成部204使用的像素值及平均能量与噪声值的标准偏差的关系式以下式(4)表示。
[式4]
上述式(4)中，变量Noise为表示噪声值的标准偏差的信息，变量Signal为表示像素的信号值(像素值)的信息，常数F为表示噪声因子(Noise Factor)的信息，常数M为表示闪烁器的放大率的信息，常数C为表示X射线检测相机10中线扫描相机12a与闪烁器11a、或者线扫描相机12b与闪烁器11b的耦合效率(Coupling Efficiency)的信息，常数Q为表示线扫描相机12a或线扫描相机12b的量子效率(Quantum Efficiency)的信息，常数cf为表示线扫描相机12a或线扫描相机12b中将像素的信号值转换为电荷的转换系数的信息，变量Em为表示X射线的平均能量的信息，常数D为表示图像传感器中因热杂音而产生的暗电流噪声的信息，常数R为表示线扫描相机12a或线扫描相机12b中的读出噪声的信息。使用上述式(4)时，通过噪声图生成部204，将通过图像取得部203取得的X射线图像的各像素的像素值代入变数Signal，将通过算出部202算出的平均能量的数值代入变数Em。并且，通过噪声图生成部204，获得使用上述式(4)计算的变量Noise，作为噪声值的标准偏差的数值。此外，包含平均能量的其他参数也可通过由输入部201接收输入而取得，也可预先设定。
图5是示出由噪声图生成部204的噪声标准偏差图的生成例的图。噪声图生成部204使用像素值与噪声值的标准偏差的关系式(4)，将各种像素值代入变数Signal而取得像素值与变量Noise的对应关系，从而导出表示像素值与噪声值的标准偏差的对应关系的关系图表G3。并且，噪声图生成部204从通过图像取得部203取得的X射线图像G1，导出表示各个像素位置与像素值的对应关系的关系数据G2。另外，噪声图生成部204通过将关系图表G3所示的对应关系应用于关系数据G2的各像素值，导出与X射线图像的各像素位置的像素对应的噪声值的标准偏差。其结果，噪声图生成部204将导出的噪声的标准偏差与各像素位置建立对应，导出示出各个像素位置与噪声的标准偏差的对应关系的关系数据G4。并且，噪声图生成部204基于导出的关系数据G4，生成噪声标准偏差图G5。
处理部205将放射线图像及噪声图输入预先通过机器学习而构建的学习完成模型207，实行从放射线图像去除噪声的图像处理。即，如图6所示，处理部205从控制装置20内的内置内存或记忆介质取得由构建部206构建的学习完成模型207(后述)。处理部205将通过图像取得部203取得的X射线图像G1，及通过噪声图生成部204生成的噪声标准偏差图G5输入至学习完成模型207。由此，处理部205通过利用学习完成模型207，实行从X射线图像G1去除噪声的图像处理，从而产生输出图像G6。并且，处理部205将产生的输出图像G6输出至显示装置30等。
构建部206，使用放射线图像即训练图像、基于像素值与噪声值的标准偏差的关系式从训练图像生成的噪声图、及从训练图像去除了噪声后的数据即噪声去除图像数据作为训练数据，通过机器学习构建基于训练图像及噪声图输出噪声去除图像数据的学习完成模型207。构建部206将构建的学习完成模型207记忆于控制装置20内的内置内存或记忆介质。机器学习有示教学习、无示教学习、强化学习，在这些学习中，有深度学习(deeplearning)、神经网络学习等。第1实施方式中，作为深度学习的算法的一例，采用Kai Zhang等人的论文“Beyond a Gaussian Denoiser:Residual Learning of Deep CNN for ImageDenoising”中记载的2维卷积神经网络。此外，学习完成模型207除通过构建部206构建以外，也可通过外部的计算机等产生并下载至控制装置20。此外，用于机器学习的放射线图像包含拍摄已知结构物的放射线图像，或再现该放射线图像的图像。
图7示出用于学习完成模型207的构建的训练数据的一个即训练图像的一例。作为训练图像，可使用以各种厚度、各种材质、及各种分辨率的图案为拍摄对象的X射线透过图像。图7所示的例子是以鸡肉为对象而产生的训练图像G7。该训练图像G7也可使用实际地使用图像取得装置1以多种已知的结构物为对象而产生的X射线图像，也可使用通过仿真计算而产生的图像数据。关于X射线图像，也可为使用与图像取得装置1不同的装置而取得的图像。
构建部206，作为用于进行机器学习的前处理，基于表示像素值与评估噪声值的扩大的评估值的关系的关系数据，从放射线图像的各像素的像素值导出评估值，生成将导出的评估值与放射线图像的各像素建立对应的数据即噪声图。具体而言，构建部206在构建学习完成模型207时，从图像取得部203等取得通过实际的拍摄或仿真计算等产生的训练图像。并且，构建部206例如设定图像取得装置1的X射线照射器50的动作条件或图像取得装置1的拍摄条件等。或者，构建部206设定仿真计算时的X射线照射器50的动作条件或拍摄条件。构建部206使用与算出部202相同的方法，基于上述动作条件或拍摄条件，计算X射线的平均能量。进而，构建部206使用与如图5所示的噪声图生成部204的方法相同的方法，基于X射线的平均能量及该训练图像，生成噪声标准偏差图。即，机器学习方法的前处理方法具备噪声图生成步骤，其中，基于表示像素值与评估噪声值的扩大的评估值的关系的关系数据，从放射线图像的各像素的像素值导出评估值，生成将导出的评估值与放射线图像的各像素建立对应的数据即噪声图。
构建部206使用该训练图像、从该训练图像生成的噪声图、及从训练图像预先去除了噪声的数据即噪声去除图像数据作为训练数据，通过机器学习构建学习完成模型207。具体而言，构建部206预先取得从该训练图像去除了噪声的噪声去除图像数据。构建部206，在训练图像为通过仿真计算产生的X射线图像的情况下，将训练图像的产生过程中附加有噪声前的图像设为噪声去除图像数据。另一方面，构建部206，在训练图像为实际使用图像取得装置1并以多种的已知结构物为对象产生的X射线图像的情况下，将从X射线图像使用平均值滤波器、或中值滤波器、双边滤波器、NLM滤波器等的图像处理而去除了噪声后的图像，设为噪声去除图像数据。构建部206实行通过机器学习的训练，构建基于该训练图像及噪声标准偏差图而输出噪声去除图像数据的学习完成模型207。
接着，对使用第1实施方式的图像取得装置1的对象物F的X射线透过像的观察处理的顺序，即，第1实施方式的放射线图像处理方法的流程进行说明。图8是示出由图像取得装置1执行的观察处理的顺序的流程图。
首先，通过构建部206，使用训练图像、基于关系式从训练图像生成的噪声标准偏差图，及噪声去除图像数据作为训练数据，通过机器学习，构建基于训练图像及噪声标准偏差图而输出噪声去除图像数据的学习完成模型207(步骤S100)。接着，通过输入部201，从图像取得装置1的操作员(用户)，接收表示X射线照射器50的动作条件或X射线检测相机10的拍摄条件等的条件信息的输入(步骤S101)。然后，通过算出部202，基于条件信息，算出通过X射线检测相机10检测的X射线的平均能量的值(步骤S102)。
接着，在图像取得装置1设置对象物F，拍摄对象物F，通过控制装置20取得对象物F的X射线图像(步骤S103)。进而，通过控制装置20，基于像素值与噪声值的标准偏差的关系式，从X射线的平均能量及X射线图像的各像素的像素值，导出噪声值的标准偏差，将导出的噪声的标准偏差与各像素值建立对应，从而生成噪声标准偏差图(步骤S104)。
接着，通过处理部205，对预先构建并记忆的学习完成模型207输入对象物F的X射线图像及噪声标准偏差图，以X射线图像为对象，实行噪声去除处理(步骤S105)。进而，将通过处理部205实施了噪声去除处理的X射线图像即输出图像输出至显示装置30。(步骤S106)。
根据以上说明的图像取得装置1，使用像素值与噪声值的标准偏差的关系式，从X射线图像的各图像的像素值导出噪声值的标准偏差，生成将导出的噪声值的标准偏差与X射线图像的各像素建立对应的数据即噪声标准偏差图。并且，将X射线图像及噪声标准偏差图输入预先通过机器学习而构建的学习完成模型207，实行从X射线图像去除噪声的图像处理。根据该结构，考虑从X射线图像的各像素的像素值导出的噪声值的标准偏差，通过机器学习去除该X射线图像的各像素中的噪声。由此，可使用学习完成模型207，实现与X射线图像的像素值及噪声值的标准偏差的关系对应的噪声去除。其结果，可有效去除X射线图像中的噪声。
特别是，X射线图像中，根据管电压、滤波器、闪烁器、X射线检测相机的条件(增益设定值、电路噪声值、饱和电荷量、转换系数值(e-/count)、相机的行频)、对象物等的差异，而噪声的方式变化。因此，在欲通过机器学习实现噪声去除的情况下，考虑准备使其在各种条件下学习的学习完成模型。即，作为比较例，也可采用以下方法：配合X射线图像测定时的条件来构建多个学习完成模型，对每个条件选择学习完成模型，实行噪声去除处理。在此种比较例的情况下，例如有时必须对X射线的平均能量、X射线检测相机的增益及X射线相机的种类等每个噪声条件，构建学习完成模型，需要产生庞大数量的学习完成模型，为了构建需要大量时间。作为一例，在X射线的平均能量为10种，X射线检测相机的增益为8种，制品的种类为3种时，需要240个学习完成模型，在对于构建学习完成模型，每1个模型需要1天的情况下，为了机器学习花费240天时间。对于该点，根据本实施方式，从X射线图像生成噪声图，将该噪声图设为机器学习的输入数据，由此可降低产生学习完成模型所需的噪声条件，用于构建学习完成模型207的学习时间大幅减少。
图9及图10分别示出通过图像取得装置1取得的噪声去除处理前后的X射线图像的例子。图9分别示出：在X射线照射器50的动作条件及X射线检测相机10的拍摄条件与用于构建学习完成模型207的训练数据相同的条件下取得的X射线图像，X射线图像G8为实测图像，X射线图像G9为以在与比较例的拍摄条件相同的条件下学习的学习完成模型实施噪声去除处理的图像，X射线图像G10为实施使用了通过第1实施方式的控制装置20的噪声标准偏差图的噪声去除处理的图像。X射线图像G8、G9及G10中的噪声值的标准偏差分别为14.3、3.4及3.7。
图10示出：在X射线照射器50的动作条件或X射线检测相机10的拍摄条件与用于构建学习完成模型207的训练数据不同的条件下取得的X射线图像，X射线图像G11为实测图像，X射线图像G12为以在与比较例的拍摄条件不同的条件下学习的学习完成模型实施噪声去除处理的图像，以及X射线图像G13为实施使用了通过第1实施方式的控制装置20的噪声标准偏差图的噪声去除处理的该X射线图像。X射线图像G11、G12及G13中的噪声值的标准偏差分别为3.5、2.0及0.9。
在比较例中，如图9所示，在X射线照射器50的动作条件或X射线检测相机10的拍摄条件与用于构建学习完成模型207的训练数据为相同条件的情况下，在X射线图像G9中，噪声值的标准偏差与噪声去除处理前的X射线图像G8相比充分降低。比较例的学习完成模型可输出充分去除了噪声的X射线图像。但是，如图10所示，在X射线照射器50的动作条件或X射线检测相机10的拍摄条件与用于构建学习完成模型207的训练数据为不同条件的情况下，在噪声处理后的X射线图像G12中，与噪声去除处理前的X射线图像G11相比未充分降低。因此，比较例的学习完成模型在训练时及拍摄时的条件不同的情况下，无法输出充分去除噪声的X射线图像。
相对于此，根据第1实施方式，考虑X射线图像测定时的X射线照射器50的动作条件或X射线检测相机10的拍摄条件的变化，而构建学习完成模型207。由此，如图9及图10，在X射线图像G10及13中，噪声值的标准偏差与各自的噪声去除处理前的X射线图像G8及11相比充分降低。因此，根据第1实施方式，实现与X射线照射器50的动作条件或X射线检测相机10的拍摄条件的变化对应的充分的噪声去除。由此，可使用单一的学习完成模型207，有效去除X射线图像中的噪声。
一般而言，在X射线图像中，含有源自X射线产生的噪声。为了提高X射线图像的SN比，也可考虑增加X射线量，但在该情况下，存在以下问题，即，如果增加X射线量，则传感器的被照射量增加，传感器的寿命变短，X射线产生源的寿命变短，难以兼顾SN比的提高与长寿命化。另外，由于随着增加X射线量，热产生量也增加，因此，有时需要讲究对于增加的发热的散热对策。在第1实施方式中，由于无须增加X射线量，因此，可兼顾SN比的提高与长寿命化，且省略散热对策。
另外，第1实施方式的控制装置20具有：根据与透过对象物F的X射线相关的平均能量、及X射线图像的各像素的像素值，导出噪声值的标准偏差的功能。此处，在比较例中，例如，当平均能量变化时，X射线图像的像素值与噪声的关系变动，即使使用学习完成模型也无法充分去除噪声。相对于此，本实施方式中，由于考虑与透过对象物F的X射线相关的平均能量而导出X射线图像的各像素的像素值的噪声值的标准偏差，因此，可实现与X射线图像的像素值及噪声值的标准偏差的关系对应的噪声去除。其结果，可更有效去除X射线图像中的噪声。另外，在比较例中，需要对每个平均能量构建不同的学习完成模型。相对于此，根据第1实施方式，由于平均能量的差异反映于噪声标准偏差图，噪声标准偏差图输入学习完成模型，因此，构建所需的学习完成模型数为1个。由此，大幅减少用以构建学习完成模型207的学习时间。
另外，第1实施方式的控制装置20具有如下功能：接收表示X射线照射器50的动作条件或X射线检测相机10的拍摄条件中的任一者的条件信息的输入，基于条件信息，算出平均能量。另外，条件信息中至少包含：X射线照射器50的管电压、与对象物F相关的信息、X射线照射器50所具备的滤波器的信息、X射线检测相机10所具备的滤波器的信息、X射线检测相机10所具备的闪烁器的信息中的任一者。根据该结构，由于高精度地计算透过对象物F的X射线的平均能量，因此，可实现与像素值和噪声值的标准偏差的关系对应的噪声去除。其结果，可进一步有效去除X射线图像中的噪声。
另外，第1实施方式的控制装置20中，噪声值的扩大作为噪声值的标准偏差进行评估。由此，由于更精密地评估X射线图像的各像素的像素值的噪声值的扩大，因此，可实现与像素值和噪声值的关系对应的噪声去除。其结果，可更有效去除X射线图像中的噪声。
另外，第1实施方式的控制装置20具有如下功能：使用X射线图像即训练图像、基于像素值与噪声值的标准偏差的关系式而从训练图像产生的噪声标准偏差图、及从训练图像去除了噪声的数据即噪声去除图像数据，作为训练数据，通过机械学习而构建基于训练图像及噪声标准偏差图输出噪声去除图像数据的学习完成模型207。根据该结构，用于去除X射线图像的噪声的学习完成模型207通过使用训练数据的机械学习而构建。由此，如果对学习完成模型207输入训练图像、及从该训练图像生成的噪声标准偏差图，则可实现与像素值和噪声值的标准偏差的关系对应的噪声去除。其结果，可更有效去除X射线图像中的噪声。
另外，第1实施方式的控制装置20中，为了生成用以机械学习的训练数据即噪声标准偏差图，而基于像素值与噪声值的标准偏差的关系式，从训练图像的各像素的像素值导出噪声值的标准偏差，生成将导出的噪声的标准偏差与训练图像的各像素建立对应的数据即噪声标准偏差图。根据上述结构，用以机械学习的训练数据即噪声标准偏差图与像素值及噪声值的标准偏差的关系式对应。由此，如果对学习完成模型207输入X射线图像、及从该X射线图像生成的噪声标准偏差图，则可实现与像素值和噪声值的标准偏差的关系式对应的噪声去除。其结果，可更有效去除X射线图像中的噪声。
[第1实施方式的控制装置20的变形例]
图11是示出第1实施方式的变形例的控制装置20A的功能结构的框图。控制装置20A与上述第1实施方式相比不同之处在于，在算出部202A具有从X射线图像的像素值导出X射线的平均能量的功能这点，以及在噪声图生成部204A具有基于X射线图像的像素值及从该X射线图像导出的X射线的平均能量而导出噪声标准偏差图的功能这点。图12是示出由包含图11的控制装置20A的图像取得装置1执行的观察处理的顺序的流程图。如图12所示，在控制装置20A中，图8所示的第1实施方式的控制装置20的步骤S103所示的处理在步骤S100之后立即进行。并且，在控制装置20A中，置换控制装置20的步骤S102、S104的处理而实行S102A、S104A所示的处理。
算出部202A从放射线图像的各像素的像素值算出平均能量(步骤S102A)。具体而言，算出部202A根据X射线频谱的仿真计算等，对每个条件信息预先导出像素值与平均能量的关系。算出部202A取得至少包含通过输入部201取得的管电压，及X射线检测相机10所具备的闪烁器的信息的条件信息。并且，算出部202A基于该条件信息，从预先导出的像素值与平均能量的关系中，选择与该条件信息对应的关系。进而，算出部202A基于选择的关系，从通过图像取得部203取得的X射线图像的各像素的像素值，导出每个像素的平均能量。
以下，针对由算出部202A执行的、对每个该条件信息的像素值与平均能量的关系的导出，使用图13～图17进行说明。
首先，算出部202A，基于条件信息，导出表示对象物F的厚度与X射线的透过率的关系的图表G18，及表示对象物F的厚度与X射线的平均能量的关系的图表G19。具体而言，如图13的(a)部分～(d)部分所示，算出部202A基于至少包含管电压及X射线检测相机10所具备的闪烁器的信息的条件信息，通过仿真计算，算出将对象物F的厚度进行各种变更的情况下的透过的X射线的能谱G14～G17。图13是示出由算出部202A执行的透过对象物F的X射线的能谱的仿真计算结果的一例的图表。此处，例示使由水构成的对象物F的厚度阶段地增加并进行模拟计算情况下的透过X射线的能谱G14～G17。进而，算出部202A基于算出的能谱G14～G17，算出将对象物F的厚度进行各种变更的情况下的透过的X射线的平均能量。此外，算出部202A除仿真计算以外，也可基于通过以厚度已知的结构物为对象进行拍摄而获得的X射线图像，获得对象物F的厚度与平均能量的关系。
进而，算出部202A也基于上述仿真结果，导出对象物F的厚度与X射线的透过率的关系。图14是示出通过算出部202A导出的、对象物F的厚度与平均能量及透过率的关系的一例的图表。如图14所示，与对对象物F的每个厚度算出的能谱G14～G17的各个对应，导出透过X射线的平均能量及X射线的透过率。
接着，算出部202A从对各种厚度的对象物F导出的X射线的透过率，导出表示对象物F的厚度与X射线的透过率的关系的图表G18。图15是示出由算出部202A导出的、对象物F的厚度与X射线对于对象物F的透过率的关系的图表。此外，算出部202A从对各种厚度的对象物F导出的X射线的平均能量，导出表示对象物F的厚度与X射线的平均能量的关系的图表G19。图16是示出由算出部202A导出的、对象物F的厚度与透过对象物F的X射线的平均能量的关系的一例的图表。
并且，算出部202A基于对各种条件信息的每一个导出的2个图表G18、G19，对各种条件信息的每一个导出如图17所示的表示X射线图像的像素值与平均能量的关系的图表G20。图17是示出由算出部202A导出的、X射线图像的像素值与平均能量的关系的图表。具体而言，算出部202A基于条件信息，导出对象物F不存在时的X射线图透过像的像素值I0。并且，算出部202A设定对象物F存在时的X射线图像的像素值I，计算X射线的透过率即I/I0。进而，算出部202A基于对象物F的厚度与X射线对于对象物F的透过率的图表G18，从计算的X射线的透过率即I/I0，导出对象物F的厚度。最后，算出部202A基于导出的对象物F的厚度，及对象物F的厚度与透过X射线的平均能量的图表G19，导出与该厚度对应的透过X射线的平均能量。接着，算出部202A通过一边使X射线图像的像素值I进行各种变化，一边对各种条件信息的每一个进行上述导出，从而对每个条件信息导出表示X射线图像的像素值与透过X射线的平均能量的关系的图表G20。
此处，针对由算出部202A的基于像素值的平均能量的导出例进行说明。例如，假设以下情况：算出部202A，基于条件信息，将对象物F不存在时的X射线图透过像的像素值导出为I0＝5000，将对象物F存在时的X射线图像的像素值设定为I＝500。在该情况下，算出部202A计算X射线的透过率为I/I0＝0.1。接着，算出部202A基于表示对象物F的厚度与X射线对于对象物F的透过率的关系的图表G18，导出与X射线的透过率0.1对应的厚度为30mm。进而，算出部202A基于表示对象物F的厚度与透过X射线的平均能量的关系的图表G19，导出与像素值500对应的平均能量为27keV。最后，算出部202A对各像素值的每一个重复导出X射线的平均能量，导出表示X射线图像的像素值与平均能量的关系的图表G20。
进而，算出部202A从按以上顺序预先导出的多个图表G20中，选择与通过输入部201取得的条件信息对应的图表G20。算出部202A基于选择的图表G20，导出与通过图像取得部203取得的X射线图像的各像素的像素值对应的透过X射线的平均能量。
此外，算出部202A也可不预先对每个条件信息导出像素值与X射线的平均能量的关系，而从通过输入部201取得的条件信息与X射线图像的各像素的像素值，参照图表G18、G19导出X射线的平均能量。具体而言，算出部202A基于条件信息，导出对象物不存在时的X射线图像的像素值I0。并且，算出部202A通过对由图像取得部203取得的X射线图像的各像素的像素值I的每一个，求得相对于像素值I0的比例，从而计算透过率。进而，算出部202A基于表示厚度与X射线的透过率的关系的图表G18与计算的透过率，导出厚度。并且，算出部202A通过基于表示厚度与平均能量的关系的图表G19与导出的厚度，导出平均能量，从而对X射线图像的各像素的像素值的每一个，导出平均能量。
噪声图生成部204A，从通过图像取得部203取得的X射线图像，及通过算出部202A导出的、与该X射线图像的各像素对应的X射线的平均能量，生成噪声标准偏差图(步骤S104A)。具体而言，噪声图生成部204A，将通过图像取得部203取得的X射线图像的各像素的像素值，及通过算出部202A对各像素的每一个导出的平均能量代入关系式(4)，从而导出考虑了对象物的厚度的各像素的每一个的噪声值的标准偏差。噪声图生成部204A生成与X射线图像的各像素对应的噪声值的标准偏差，作为噪声标准偏差图。
图18是表示像素值与噪声值的标准偏差的关系的一例的图表。该图示出通过本变形例的算出部202A及噪声图生成部204A，从X射线图像的像素值导出的噪声值的标准偏差，与X射线图像的像素值的关系。本变形例中，由于考虑对象物的厚度而导出噪声值的标准偏差，因此像素值越增加，对象物的厚度越小，像素的平均能量降低。因此，如也从关系式(4)推定，第1实施方式与本变形例中，像素值增大时的噪声值的标准偏差的变化不同。图18所示的例子中，本变形例的图表G22，相比于第1实施方式的图表G21，像素值增大时的噪声值的标准偏差的增大程度更小。
在第1实施方式的变形例的控制装置20A中，从X射线图像的各像素的像素值计算平均能量。此处，例如，在X射线图像中存在厚度或材质不同的多个对象物的情况下，对每个对象物的平均能量大为不同，无法从X射线图像充分地去除噪声。根据该结构，由于透过对象物F的X射线的平均能量对X射线图像的各像素的像素值的每一个进行计算，因此，例如可考虑厚度或材质的差异等，实现与X射线图像的各像素的像素值与噪声的关系对应的噪声去除。其结果，可有效去除X射线图像中的噪声。
此外，本变形例的控制装置20A使用对各种条件信息的每一个导出的图表G20，来从X射线图像的像素值导出平均能量。此时，也可忽视对象物F的材质差异，从像素值导出平均能量。图19是示出通过算出部202A导出的、X射线图像的像素值与噪声值的标准偏差的关系的图表。此处，也将对象物F的材质变化作为条件信息纳入考虑，导出关系，图表G24示出材质为铝时的导出例，图表G23示出材质为PET(Polyethylene terephthalate)时的导出例，图表G25示出材质为铜时的导出例。如此，即使在对象物F的材质变化的情况下，如果X射线照射器50的管电压及用于拍摄对象物F的X射线检测相机10所具备的闪烁器的信息相同，则像素值与透过X射线的平均能量的关系不大幅变化，因此，像素值与噪声值的标准偏差的关系也不大幅变化。考虑此种性质，控制装置20A即使忽视作为条件信息的对象物F的材质差异，也可从X射线图像的像素值高精度地导出平均能量。即使在此种情况下，根据本变形例的控制装置20A，也可实现与像素值及噪声的标准偏差的关系对应的噪声去除。其结果，可有效去除X射线图像中的噪声。
[第2实施方式]
图20是示出第2实施方式的的控制装置20B的功能结构的框图。控制装置20B与上述第1实施方式相比不同之处在于，在图像取得部203B具有取得治具的X射线图像的功能这一点，及在噪声图生成部204B具有从治具的X射线图像导出表示像素值与噪声值的标准偏差的关系的图表的功能这一点。图21是示出由包含图20的控制装置20B的图像取得装置1执行的观察处理顺序的流程图。如图21所示，在第2实施方式的控制装置20B中，置换图8所示的第1实施方式的由控制装置20实行的步骤S101、S102及S104的处理而实行步骤S201、S202所示的处理。
图像取得部203B对治具照射放射线，取得拍摄透过治具的放射线的治具的放射线图像(步骤S201)。具体而言，图像取得部203B使用图像取得装置1，以治具及对象物F为对象，照射X射线，而取得拍摄的X射线图像。作为治具，使用厚度及材质已知的平板状构件等。即，图像取得部203B在观察处理对象物F前，使用图像取得装置1，取得拍摄的治具的X射线图像。并且，图像取得部203B使用图像取得装置1，取得拍摄的对象物F的X射线图像。但，治具及对象物F的X射线图像的取得时序不限定于上述，也可为同时，也可为相反的时序(步骤S103)。此外，图像取得部203B与图像取得部203同样，对对象物F照射X射线，取得拍摄透过对象物F的X射线的X射线图像。
在图像取得装置1设置治具并拍摄治具，噪声图生成部204B从作为该结果而获得的治具的放射线图像，导出表示像素值与评估噪声值的扩大的评估值的关系的关系数据(步骤S202)。具体而言，噪声图生成部204B从治具的X射线图像，导出表示像素值与噪声值的标准偏差的关系的噪声标准偏差图。
图22是示出由噪声图生成部204B的噪声标准偏差图的生成例的图。噪声图生成部204B从治具的X射线图像G26，导出表示像素值与噪声值的标准偏差的对应关系的关系图表G27。并且，噪声图生成部204B与第1实施方式同样，从通过图像取得部203B取得的X射线图像G1，导出表示各个像素位置与像素值的对应关系的关系数据G2。进而，噪声图生成部204通过将关系图表G27所示的对应关系应用于关系数据G2中的各像素，从而导出与X射线图像的各像素位置的像素对应的噪声值的标准偏差。其结果，噪声图生成部204将导出的噪声的标准偏差与各像素位置建立对应，导出表示各个像素位置与噪声的标准偏差的对应关系的关系数据G4。并且，噪声图生成部204基于导出的关系数据G4，生成噪声标准偏差图G5。
针对由噪声图生成部204B的、从治具的X射线图像G26的、表示像素值与噪声值的标准偏差的关系的关系图表G27的导出，进行说明。在图23中，示出用于第2实施方式的拍摄的治具的结构的一例。治具使用例如厚度沿一个方向阶梯状地变化的构件P1。图24是示出图23的治具的X射线图像的一例。首先，噪声图生成部204B，在治具的X射线图像G26，对治具的每一阶梯(step)导出无噪声时的像素值(以下，记作真像素值)，基于真像素值导出噪声值的标准偏差。具体而言，噪声图生成部204B导出治具的某一阶梯的像素值的平均值。并且，噪声图生成部204B将导出的像素值的平均值设为该阶梯的真像素值。噪声图生成部204B，在该阶梯，导出各像素值与真像素值的差作为噪声值。噪声图生成部204B从导出的每个像素值的噪声值，导出噪声值的标准偏差。
并且，噪声图生成部204B导出真像素值与噪声值的标准偏差的关系，作为像素值与噪声值的标准偏差的关系图表G27。具体而言，噪声图生成部204B对治具的每个阶梯，导出真像素值及噪声值的标准偏差。噪声图生成部204B通过将导出的真像素值与噪声值的标准偏差的关系绘制成图表，描绘近似曲线，从而导出表示像素值与噪声值的标准偏差的关系的关系图表G27。此外，对于近似曲线，使用指数近似或线性近似、对数近似、多项式近似、幂方近似等。
在第2实施方式的控制装置20B中，基于拍摄实际的治具而获得的放射线图像，产生关系数据。由此，获得最适合对象物F的放射线图像中的噪声去除的关系数据。其结果，可更有效去除放射线图像中的噪声。
此外，噪声图生成部204B也可不使用治具，从以无对象物的状态变更管电流或曝光时间时的拍摄图像，导出像素值与噪声值的标准偏差的关系。根据该结构，由于基于实际拍摄而获得的放射线图像来产生关系数据，生成噪声图，因此，可实现与像素值及噪声扩大的关系对应的噪声去除。其结果，可更有效去除放射线图像中的噪声。
具体而言，也可为，图像取得部203B取得以无对象物的状态拍摄的多个放射线图像(步骤S201)，噪声图生成部204B从通过图像取得部203B取得的放射线图像，导出像素值与噪声值的标准偏差的关系(步骤S202)。多个放射线图像为，放射线的产生源的条件或拍摄条件中的至少一个条件互不相同的多个图像。作为一例，图像取得部203B变更管电流或曝光时间，并且取得在对象物F的观察处理前以无对象物F的状态使用图像取得装置1而拍摄的多个X射线图像。并且，噪声图生成部204B对每个X射线图像导出真像素值，与第2实施方式同样，基于真像素值导出噪声的标准偏差。进而，噪声图生成部204B与第2实施方式同样，通过将真像素值与噪声的标准偏差的关系绘制成图表并描绘近似曲线，从而导出表示像素值与噪声值的标准偏差的关系的关系图表。最后，噪声图生成部204B与第1实施方式同样，基于导出的关系图表，从通过图像取得部203B取得的X射线图像生成噪声标准偏差图。
[第3实施方式]
图25是第3实施方式的放射线图像处理系统即图像取得装置1C的构成图。图26是示出第3实施方式的控制装置20C的功能结构的一例的框图。第3实施方式的图像取得装置1C与上述的第1实施方式或第2实施方式相比，不同点在于，具备：具有2维传感器12C等的X射线检测相机10C(拍摄装置)、与具有构建部206C及学习完成模型207C的控制装置20C，以及不具备带式输送机60。
图像取得装置1C使用X射线透过图像，进行以对象物F为对象的异物检查、重量检查、产品检验等，作为用途，列举食品检查、随身行李检查、基板检查、电池检查、材料检查等。另外，作为图像取得装置1C的用途，列举医疗用途、牙科用途、工业用途等。作为医疗用途，例如为胸部X光、乳房摄影、CT(Computed Tomography)、双能量CT、断层融合等。作为牙科用途，为透过、全景摄影及CT等。作为工业用途，为非破坏检查、安全性及电池检查等。
第3实施方式的图像取得装置1C输出X射线图像，其拍摄了基于透过静止状态的对象物F的X射线的X射线透过像。但是，图像取得装置1C也可与上述的图像取得装置1同样地具有带式输送机60，以拍摄被搬送的对象物F的方式构成。
图27是示出X射线检测相机10C的结构的框图。X射线检测相机10C，如图25及图27所示，具有：滤波器19、闪烁器层11C、2维传感器12C、传感器控制部13C、及输出部14C。传感器控制部13C与2维传感器12C、输出部14C及控制装置20C电连接。输出部14C也与2维传感器12C及控制装置20C电连接。
闪烁器层11C通过粘结等固定于2维传感器12C上，将透过对象物F的X射线转换为闪烁光(详细结构在下文叙述)。闪烁器层11C将闪烁光输出至2维传感器12C。滤波器19使X射线的规定波长域朝向闪烁器层11C透过。
2维传感器12C检测来自闪烁器层11C的闪烁光，转换为电荷，作为检测信号(电性信号)输出至输出部14C。2维传感器12C例如为线传感器(line sensor)或平板传感器(flatpanel sensor)，配置于基板15C上。2维传感器12C，将M×N个像素P1,1～PM,N二维排列为M行N列。M×N个像素P1,1～PM,N在行方向及列方向双方以一定间距排列。像素Pm,n位于第m行第n列。第m行的N个像素Pm,1～Pm,N分别通过第m行选择用配线LV,m，与传感器控制部13C连接。第n列的M个像素P1,n～PM,n各自的输出端通过第n列读出用配线LO,n与传感器控制部14C连接。此外，M、N分别为2以上的整数，m为1以上且M以下的各整数，n为1以上且N以下的各整数。
输出部14C输出基于经由读出用配线LO,n输入的电荷量而产生的数字值。输出部14C包含：N个积分电路41(1)～41(N)、N个保持电路42(1)～42(N)、AD转换部43及存储部44。各积分电路41(n)具有共通的结构。另外，各保持电路42(n)具有共通的结构。
各积分电路41(n)累积经由任一列读出用配线LO,n输入至输入端的电荷。各积分电路41(n)将与累积电荷量对应的电压值从输出端输出至保持电路42(n)。N个积分电路41(1)～41(N)分别通过重置用配线LR与传感器控制部13C连接。
各保持电路42(n)具有与积分电路41(n)的输出端连接的输入端。各保持电路42(n)保持输入至输入端的电压值，将保持的电压值从输出端输出至AD转换部43。N个保持电路42(1)～42(N)分别通过保持用配线LH与传感器控制部13C连接。另外，各保持电路42(n)通过第n列选择用配线LH,n与传感器控制部13C连接。
AD转换部43将从N个保持电路42(1)～42(N)中的各个输出的电压值输入，对输入的电压值(模拟值)进行AD转换处理。AD转换部43将与输入的电压值对应的数字值输出至存储部44。存储部44输入并存储从AD转换部43输出的数字值，依序输出存储的数字值。
传感器控制部13C将第m行选择控制信号Vsel(m)经由第m行选择用配线LV,m输出至第m行的N个像素Pm,1～Pm,N中的各个。传感器控制部13C将重置控制信号Reset经由重置用配线LR输出至N个积分电路41(1)～41(N)中的各个。传感器控制部13C将保持控制信号Hold经由保持用配线LH输出至N个保持电路42(1)～42(N)中的各个。传感器控制部13C将第n列选择控制信号Hsel(n)经由第n列选择用配线LH,n输出至保持电路42(n)。另外，传感器控制部13C控制AD转换部43中的AD转换处理，也控制存储部44中的数字值的写入及读出。
针对配置于上述结构的2维传感器12C上的闪烁器层11C的结构进行说明。图28是示出闪烁器层11C的结构的图，上方为沿基板15C的厚度方向的截面图，下方为示出从2维传感器12C的配置面侧观察的基板15C的俯视图。如此，闪烁器层11C由与沿基板15C以M×N个排列的像素P1,1～PM,N对应地分离配置的K×L个(K及L为1以上的整数)矩形状的闪烁器部Q1,1～QK,L、及位于这些闪烁器部Q1,1～QK,L间的分离部R而形成。此外，个数L也可为1以上且N以下，个数K也可为1以上且M以下。另外，个数L也可为1以上的整数，也可为将N除以整数的整数，个数K也可为1以上的整数，也可为将M除以整数的整数。在该情况下，可根据闪烁器层11C的分离部R的间隔，抑制因光扩散所致的模糊。另外，个数L也可为大于N的整数，个数K也可为大于M的整数。在该情况下，闪烁器层11C的分离部R的间隔小于多个像素P1,1～PM,N的间隔，但闪烁器层11C与多个像素P1,1～PM,N的对位变得容易。本实施方式中，例如L＝N，K＝M，但不限定于此。
K×L个闪烁器部Q1,1～QK,L由可将入射的X射线转换为闪烁光的闪烁器材料而构成，以由其覆盖像素P1,1～PM,N全体的方式配置。作为一例，M×N个闪烁器部Q1,1～QM,N以覆盖与各者对应的像素P1,1～PM,N全体的方式配置。分离部R以区分K×L个闪烁器部Q1,1～QK,L的方式形成为网眼状，由可遮蔽闪烁光的材料构成。另外，分离部R也可包含反射闪烁光的材料。另外，分离部R也可由可遮蔽放射线的材料构成。构成此种闪烁器层11C的材料及闪烁器层11C的制造方法，例如可使用日本专利特开2001-99941号公报、或日本专利特开2003-167060号公报所记载的材料及制造方法。但是，闪烁器层11C的材料及制造方法不限定于上述文献所记载。
控制装置20C基于从X射线检测相机10C(更详细而言，输出部14C的存储部44)输出的数字信号，产生X射线图像。产生的X射线图像，在实施了后述的噪声去除处理后输出至显示装置30，通过显示装置30予以显示。另外，控制装置20C控制X射线照射器50及传感器控制部13C。此外，第3实施方式的控制装置20C为独立设置于X射线检测相机10C的外部的装置，但也可在X射线检测相机10C的内部一体化。
此处，针对第3实施方式的构建部206C的学习完成模型207C的构建功能进行说明。图29是示出构建部206C的用于构建学习完成模型207C的示教数据(第1实施方式及第2实施方式的训练图像)、即图像数据的制作顺序的流程图。
示教数据即图像数据(也称为示教图像数据。)由计算机按照以下的顺序而制作。首先，制作具有规定的结构的结构体的图像(结构体图像)(步骤S301)。例如，也可通过仿真计算制作具有规定的结构的结构体(例如，治具)的图像。另外，也可取得具有规定的结构的图表(chart)等的结构体的X射线图像而制作结构体图像。接着，针对从构成该结构体图像的多个像素中选择的一个像素，算出像素值的标准偏差即σ(sigma)值(步骤S302)。然后，基于在步骤S302中求得的σ值，设定泊松分布(步骤S303)。该噪声分布与正泰分布(泊松分布)相比，以赋予噪声的像素值超出原始像素值的机率变高的方式设定，特别地，赋予噪声的像素值为原始像素值的1.2倍以上的机率变高(细节在下文叙述)。如此，通过基于σ值设定噪声分布，可产生各种噪声条件的示教数据。接着，依照在步骤S303中基于σ值设定的正态分布，算出随机设定的噪声值(步骤S304)。另外，通过对一个像素的像素值附加在步骤S304中求得的噪声值，产生构成示教数据即图像数据的像素值(步骤S305)。分别对构成结构体图像的多个像素进行步骤S302至步骤S305的处理(步骤S306)，产生成为示教数据的示教图像数据(步骤S307)。另外，在还需要示教图像数据的情况下，判断对其他的结构体图像进行步骤S301至步骤S307的处理(步骤S308)，产生成为示教数据的其他的示教图像数据。此外，其他的构造体图像也可为具有相同结构的结构体的图像，也可为具有其他的结构的结构体的图像。
图30及图31是示出上述的步骤S303中设定的噪声分布的例子的图。图30及图31的横轴，将附加了像素的噪声值之前的像素值设为100，示出附加了噪声值的像素值(以下，记作噪声像素值)。图30及图31的纵轴为噪声像素值的频率的相对值。噪声像素值的频率的相对值表示对像素值附加了噪声后的像素值的相对频率的值。如果将各噪声像素值的相对值除以各噪声像素值的相对值的合计值，则像素值为表示附加了噪声值时成为各噪声像素值的机率的值。图30及图31所示的噪声分布G28、G29考虑了使用闪烁器拍摄时由传感器检测出的X射线在X射线图像中显现为白点而设定。因此，上述噪声分布G28、G29与正态分布(泊松分布)相比，噪声像素值超出原始像素值的机率变高，特别地，噪声像素值为120以上(相当于X射线图像中产生白点的情况的噪声像素值)的机率变高。此处，由传感器检测出的X射线在X射线图像中显现为白点的情况是指，X射线未被闪烁器吸收而透过闪烁器，由传感器直接转换为电子的情况。在X射线被闪烁器吸收而被转换为可见光的情况下，传感器检测可见光。另一方面，在X射线未被闪烁器吸收的情况下，X射线在传感器被直接转换为电子。即，检测可见光的传感器不仅检测闪烁器层11C中产生的闪烁光(可见光)，也检测透过闪烁器层11C的X射线。此时，由于由入射于传感器的X射线所产生的电子数多于X射线由闪烁器转换为可见光的情况，因此，透过闪烁器层11C的X射线在X射线图像中显现为白点。该白点的产生成为X射线图像中的噪声的原因。因此，使用上述的噪声分布构建学习完成模型207C，使用构建的学习完成模型207C实行噪声去除，从而可将X射线图像中显现的白点作为噪声去除。此外，易产生白点的情况例如为X射线照射器的管电压较高的情况等。
此外，需要准备多个用于构建学习完成模型207C的示教数据即图像数据。另外，构造体图像优选为噪声较少的图像，理想而言，优选无噪声的图像。因此，在通过仿真计算产生构造体图像时，由于可产生多个无噪声的图像，因此，通过仿真计算产生构造体图像较为有效。
第3实施方式的图像取得装置1C具备2维传感器12C作为平板传感器。并且，对2维传感器12C的每个像素P1,1～PM,N设有闪烁器层11C的闪烁器部Q1,1～QM,N及分离部R。由此，通过图像取得装置1C取得的X射线图像中，图像模糊减少。其结果，X射线图像的对比度变得更高，并且噪声的强度变得更高。此处，第3实施方式的图像取得装置1C中，使用预先通过机械学习构建的学习完成模型207C，实行与X射线图像的像素值及噪声值的标准偏差的关系对应的噪声去除。由此，在上述X射线图像中，仅噪声的强度降低。基于上文，图像取得装置1C可取得降低噪声强度同时提高对比度度的X射线图像。
图32的(a)、图32的(b)及图32的(c)分别示出通过图像取得装置1C取得的X射线图像的仿真结果的例子。图32的(a)所示的X射线图像G30为基于使用由CsI(碘化铯)构成的闪烁器作为闪烁器层11C拍摄的条件，通过仿真计算而产生的X射线图像。由CsI构成的闪烁器例如具有沿2维传感器12C的像素延伸的1块片状的形状。由CsI构成的闪烁器的厚度设定为450μm。图32的(b)所示的X射线图像G31为基于使用图28所示结构的像素闪烁器作为闪烁器层11C拍摄的条件，通过仿真计算而产生的X射线图像。图32的(c)所示的X射线图像G32为基于使用像素闪烁器作为闪烁器层11C拍摄，并进行与像素值及噪声值的标准偏差的关系对应的噪声去除的条件(进行与第3实施方式的图像取得装置1C相同的噪声去除的条件)，通过仿真计算而产生的X射线图像。在该情况下，像素闪烁器对每个像素设置。像素闪烁器的厚度例如设定为200μm。像素闪烁器的隔板(分离部)沿像素的排列方向的厚度设定为40μm。此外，X射线图像G32为于X射线图像G31中，实行与像素值及噪声值的标准偏差的关系对应的噪声去除后的X射线图像。另外，在各仿真中，将2维传感器的像素设定为一边为120μm的矩形状。
以下，在X射线图像G30、G31及G32中，表示噪声大小的值为背景的部分(未映现黑点的部分)的强度的标准偏差值。表示对比度的值是指，背景部分的强度的平均值与映现黑点的部分的强度的最小值的差分。另外，X射线图像G30、G31及G32的CN比(CNR：Contrast toNoise Ratio)为表示将对比度的值除以表示噪声大小的值的值。X射线图像G30、G31及G32中，表示噪声大小的值分别为301.8、1420.0及37.9，表示对比度的值分别为3808.1、9670.9及8844.3。并且，X射线图像G30、G31及G32中，CN比分别为12.62、6.81及233.16。
使用像素闪烁器的X射线图像G31与X射线图像G30相比，对比度变高，并且噪声也变大。换言之，X射线图像G31的CN比为X射线图像G30的CN比的1/2倍。即，只将像素闪烁器用作闪烁器层11C，不能取得充分去除噪声的X射线图像。相对于此，根据第3实施方式，对于将像素闪烁器用作闪烁器层11C而取得的X射线图像，使用预先通过机械学习构建的学习完成模型207C，并实行与X射线图像的像素值及噪声值的标准偏差的关系对应的噪声去除。由此，第3实施方式的X射线图像G32中，与X射线图像G30相比，对比度变高并且噪声减少。并且，X射线图像G32的CN比为X射线图像G30的CN比的20倍。即，由于第3实施方式的图像取得装置1C具有与X射线图像G32的仿真条件相同的条件，因此，可取得充分去除噪声的X射线图像。
另外，第3实施方式的控制装置20C中，噪声分布，与正态分布相比，赋予了噪声的像素值超出原始像素值的机率变高。并且，依照噪声分布算出赋予了噪声的像素值，产生示教图像数据。使用所产生的示教图像数据，构建学习完成模型207C。对构建的学习完成模型207C输入X射线图像及噪声标准偏差图，实行将噪声从X射线图像去除的图像处理。根据该结构，考虑使用闪烁器拍摄时由传感器检测出的X射线在X射线图像中显现为白点，并实行将噪声从X射线图像去除的图像处理。其结果，在使用闪烁器层11C的图像取得装置1C中，可取得更有效去除噪声的X射线图像。
[构建部206的补充说明]
构建部206的学习完成模型207的构建，与构建部206C的学习完成模型207C的构建同样地实行。但是，步骤S303中设定的噪声分布布置上述的噪声分布G28及G29等噪声分布，而为正态分布。图33是示出用于产生示教数据的正态分布G33的图。图33的横轴将附加了像素的噪声值之前的像素值设为100，示出出附加了噪声值的像素值。图33的纵轴为表示噪声像素值的频率的相对值。
以上，针对本公开的各种实施方式进行了说明，但本公开的实施方式并非限定于上述实施方式。例如，X射线检测相机10不限于双线X射线相机，也可为单线X射线相机、或双能量X射线相机、TDI(Time Delay Integration)扫描X射线相机、具有2线以上的多线的多线X射线相机、2维X射线相机、X射线平板传感器、X射线I.I、不使用闪烁器的直接转换型X射线相机(a-Se、Si、CdTe、CdZnTe、TlBr、PbI2等)、使用将闪烁器透镜耦合的光学透镜的观察方式的相机、对放射线具有灵敏度的摄像管、对放射线具有灵敏度的点传感器。另外，对于图像取得装置1，也不限定于上述实施方式，也可为CT(Computed Tomography)装置等、在使对象物F静止的状态下拍摄的放射线图像处理系统。另外，也可为一边使对象物F旋转一边拍摄的放射线图像处理系统。
另外，上述实施方式中，优选为，在噪声图生成步骤中，根据与透过对象物的放射线相关的平均能量、及放射线图像的各像素的像素值，导出评估值。另外，上述实施方式中，优选为，在噪声图生成部中，根据与透过对象物的放射线相关的平均能量、及放射线图像的各像素的像素值，导出评估值。此处，在比较例中，例如当平均能量变化时，放射线图像的像素值与噪声值的关系变动，即使使用学习完成模型也无法充分去除噪声。对于该点，通过采取上述结构，考虑与透过对象物的放射线相关的平均能量而评估放射线图像的各像素的像素值的噪声值的扩大，因此，可实现与放射线图像的像素值和噪声的扩大的关系对应的噪声去除。其结果，可更有效地去除放射线图像中的噪声。
上述实施方式中，优选为，还具备：输入步骤，接收表示照射放射线并拍摄对象物时的放射线的产生源的条件或拍摄条件中的任意者的条件信息的输入；及算出步骤，基于条件信息，算出平均能量。上述实施方式中，优先为，还具备：输入部，其接收表示照射放射线并拍摄对象物时的放射线的产生源的条件或拍摄条件中的任意者的条件信息的输入；及算出部，其基于条件信息，算出平均能量。另外，优先为，在条件信息中至少包含：产生源的管电压、与对象物相关的信息、用于拍摄对象物的相机所具备的滤波器的信息、产生源所具备的滤波器的信息、用于拍摄对象物的相机所具备的闪烁器的信息中的任一者。根据该结构，由于可高精度地计算透过对象物的放射线的平均能量，因此，可实现与像素值和噪声的扩大的关系对应的噪声去除。其结果，可进一步有效去除放射线图像中的噪声。
上述实施方式中，优先为，还具备：根据放射线图像的各像素的像素值算出平均能量的算出步骤。上述实施方式中，优先为，还具备：算出部，其根据放射线图像的各像素的像素值，算出平均能量。根据该结构，由于针对放射线图像的各像素的每个像素值，高精度地计算透过对象物的放射线的平均能量，因此，可实现与放射线图像的各像素的像素值和噪声的扩大的关系对应的噪声去除。其结果，可进一步有效去除放射线图像中的噪声。
另外，优先为，在图像取得步骤中，取得对治具照射放射线，并拍摄了透过治具的放射线的治具的放射线图像，在噪声图生成步骤中，根据治具的放射线图像，导出关系数据。另外，优选为，在图像取得部中，取得对治具照射放射线，并拍摄了透过治具的放射线的治具的放射线图像，在噪声图生成部中，根据治具的放射线图像，导出关系数据。根据该结构，由于基于实际拍摄治具而获得的放射线图像产生关系数据，生成噪声图，因此，可实现与像素值和噪声的扩大的关系对应的噪声去除。其结果，可更有效地去除放射线图像中的噪声。
另外，优先为，在图像取得步骤中，取得在无对象物的状态下拍摄多个放射线图像，在噪声图生成步骤中，根据多个放射线图像导出关系数据，多个放射线图像为放射线的产生源的条件及拍摄条件的至少一个条件互不相同的多个图像。另外，优选为，在图像取得部中，取得在无对象物的状态下拍摄多个放射线图像，在噪声图生成部中，根据多个放射线图像导出关系数据，多个放射线图像为放射线的产生源的条件及拍摄条件的至少一个条件互不相同的多个图像。根据该结构，由于基于实际拍摄而得的放射线图像产生关系数据，生成噪声图，因此，可实现与像素值和噪声的扩大的关系对应的噪声去除。其结果，可更有效地去除放射线图像中的噪声。
另外，优选为，评估值为噪声值的标准偏差。由此，更精密地评估放射线图像的各像素的像素值中的噪声值的扩大，因此，可实现与像素值和噪声的关系对应的噪声去除。其结果，可更有效地去除放射线图像中的噪声。
上述实施方式的机械学习方法具备：构建步骤，将放射线图像作为训练图像，基于表示评估像素值与噪声值的扩大的评估值的关系的关系数据，将从训练图像产生的噪声图、及从训练图像去除噪声的数据即噪声去除图像数据用作训练数据，通过机械学习构建基于训练图像及噪声图输出噪声去除图像数据的学习完成模型。上述另一方面中，优选为，还具备：构建部，其基于放射线图像即训练图像、关系数据，将从训练图像产生的噪声图、及从训练图像去除噪声后的数据即噪声去除图像数据用作训练数据，通过机械学习构建基于训练图像及噪声图输出噪声去除图像数据的学习完成模型。根据该结构，通过使用训练数据的机械学习，而构建用于去除放射线图像中的噪声的学习完成模型。由此，若对学习完成模型输入放射线图像、及从该放射线图像产生的噪声图，则可实现与像素值和噪声的扩大的关系对应的噪声去除。其结果，可更有效地去除对象物的放射线图像中的噪声。
或者，上述实施方式的学习完成模型是通过上述构建步骤而构建的学习完成模型，使处理器实行从对象物的放射线图像去除噪声的图像处理。上述另一方面中，考虑根据该放射线图像的各像素的像素值评估的噪声值的扩大，并通过机械学习将噪声从该放射线图像去除。由此，可使用学习完成模型，实现与放射线图像中的像素值和噪声的扩大的关系对应的噪声去除。其结果，可有效地去除放射线图像中的噪声。
另外，上述实施方式的机械学习方法的前处理方法具备：噪声图生成步骤，为了生成用于上述机械学习方法的训练数据即噪声图，基于表示像素值与评估噪声值的扩大的评估值的关系的关系数据，根据放射线图像的各像素的像素值，导出评估值，生成将导出的评估值与放射线图像的各像素建立对应的数据即噪声图。根据该结构，用于上述机械学习方法的训练数据即噪声图，对应于像素值与评估像素值与噪声值的扩大的评估值的关系。由此，如果对通过上述机械学习方法构建的学习完成模型输入放射线图像、及从该放射线图像生成的噪声图，则可实现与像素值和噪声的扩大的关系对应的噪声去除。其结果，可更有效地去除对象物的放射线图像中的噪声。
符号说明
10…X射线检测相机(拍摄装置)(相机)；12C…2维传感器(线传感器)(平板传感器)；20、20A、20B…控制装置(放射线图像处理模块)；50…X射线照射器(放射线产生源)；201…输入部；202、202A…算出部；203、203B…图像取得部；204、204A、204B…噪声图生成部；205…处理部；206…构建部；207…学习完成模型；G5…噪声标准偏差图(噪声图)；G3、G23、G24、G25…表示像素值与噪声值的标准偏差的对应关系的关系图表(关系数据)；G7…训练图像；G26…治具的X射线图像(放射线图像)；F…对象物；P1…构件(治具)。

Claims (22)

1.一种放射线图像处理方法，其具备：
图像取得步骤，取得向对象物照射放射线，并拍摄了透过所述对象物的放射线的放射线图像；
噪声图生成步骤，基于表示像素值与评估噪声值的扩大的评估值的关系的关系数据，根据所述放射线图像的各像素的像素值，导出所述评估值，生成噪声图，所述噪声图为将导出的所述评估值与所述放射线图像的各像素建立对应的数据；及
处理步骤，将所述放射线图像及所述噪声图输入预先通过机械学习而构建的学习完成模型，实现从所述放射线图像去除噪声的图像处理。
2.根据权利要求1所述的放射线图像处理方法，其中，
在所述噪声图生成步骤中，根据与透过所述对象物的放射线相关的平均能量、及所述放射线图像的各像素的像素值，导出所述评估值。
3.根据权利要求2所述的放射线图像处理方法，其中，
还具备：
输入步骤，接收表示照射放射线并拍摄所述对象物时的放射线的产生源的条件或拍摄条件中的任意者的条件信息的输入；及
算出步骤，基于所述条件信息，算出所述平均能量，
所述条件信息中至少包含：所述产生源的管电压、与所述对象物相关的信息、用于拍摄所述对象物的相机所具备的滤波器的信息、所述产生源所具备的滤波器的信息、所述相机所具备的闪烁器的信息中的任一者。
4.根据权利要求2所述的放射线图像处理方法，其中，
还具备：算出步骤，根据所述放射线图像的各像素的像素值，算出所述平均能量。
5.根据权利要求1所述的放射线图像处理方法，其中，
在所述图像取得步骤中，对治具照射放射线，取得拍摄了透过所述治具的放射线的治具的放射线图像，
在所述噪声图生成步骤中，根据所述治具的放射线图像，导出所述关系数据。
6.根据权利要求1所述的放射线图像处理方法，其中，
在所述图像取得步骤中，取得在无所述对象物的状态下拍摄的多个放射线图像，
在所述噪声图生成步骤中，根据所述多个放射线图像，导出所述关系数据，
所述多个放射线图像为放射线的产生源的条件及拍摄条件中的至少一个条件互不相同的多个图像。
7.根据权利要求1至6中任一项所述的放射线图像处理方法，其中，
所述评估值为噪声值的标准偏差。
8.一种机械学习方法，其具备：
构建步骤，将放射线图像作为训练图像，基于表示像素值与评估噪声值的扩大的评估值的关系的关系数据，将从所述训练图像产生的噪声图、及作为从所述训练图像去除噪声后的数据的噪声去除图像数据用作训练数据，通过机械学习而构建基于所述训练图像及所述噪声图输出所述噪声去除图像数据的学习完成模型。
9.一种学习完成模型，其中，
是通过根据权利要求8所述的机械学习方法而构建的学习完成模型，
使处理器实行从对象物的放射线图像去除噪声的图像处理。
10.一种机械学习方法的前处理方法，其中，
是根据权利要求8所述的机械学习方法的前处理方法，
具备：噪声图生成步骤，基于所述关系数据，根据所述放射线图像的各像素的像素值，导出所述评估值，生成噪声图，所述噪声图为将导出的所述评估值与所述放射线图像的各像素建立对应的数据。
11.一种放射线图像处理模块，其具备：
图像取得部，其取得向对象物照射放射线，并拍摄了透过所述对象物的放射线的放射线图像；
噪声图生成部，其基于表示像素值与评估噪声值的扩大的评估值的关系的关系数据，根据所述放射线图像的各像素的像素值，导出所述评估值，生成噪声图，所述噪声图为将导出的所述评估值与所述放射线图像的各像素建立对应的数据；及
处理部，其将所述放射线图像及所述噪声图输入预先通过机械学习而构建的学习完成模型，实行从所述放射线图像去除噪声的图像处理。
12.根据权利要求11所述的放射线图像处理模块，其中，
所述噪声图生成部，根据与透过所述对象物的放射线相关的平均能量、及所述放射线图像的各像素的像素值，导出所述评估值。
13.根据权利要求12所述的放射线图像处理模块，其中，
还具备：
输入部，其接收表示照射放射线并拍摄所述对象物时的放射线的产生源的条件或拍摄条件中的任意者的条件信息的输入；及
算出部，其基于所述条件信息，算出所述平均能量，
所述条件信息中至少包含：所述产生源的管电压、与所述对象物相关的信息、用于拍摄所述对象物的相机所具备的滤波器的信息、所述产生源所具备的滤波器的信息、用于拍摄所述对象物的相机所具备的闪烁器的信息中的任一者。
14.根据权利要求12所述的放射线图像处理模块，其中，
还具备：算出部，其根据所述放射线图像的各像素的像素值，算出所述平均能量。
15.根据权利要求11所述的放射线图像处理模块，其中，
还具备：
所述图像取得部，取得对治具照射放射线，并拍摄了透过所述治具的放射线的治具的放射线图像，
在所述噪声图生成部中，根据所述治具的放射线图像，导出所述关系数据。
16.根据权利要求11所述的放射线图像处理模块，其中，
所述图像取得部，取得在无所述对象物的状态下拍摄的多个放射线图像，
所述噪声图生成部，根据所述多个放射线图像，导出所述关系数据，
所述多个放射线图像为放射线的产生源的条件及拍摄条件中的至少一个条件互不相同的多个图像。
17.根据权利要求11至16中任一项所述的放射线图像处理模块，其中，
所述评估值为噪声值的标准偏差。
18.根据权利要求11至17中任一项所述的放射线图像处理模块，其中，
还具备：构建部，其基于作为放射线图像的训练图像、及所述关系数据，将从所述图像生成的所述噪声图、及作为从所述训练图像去除噪声后的数据的噪声去除图像数据用作训练数据，通过机械学习而构建基于所述训练图像及所述噪声图输出所述噪声去除图像数据的学习完成模型。
19.一种放射线图像处理程序，其使处理器作为以下者而发挥功能：
图像取得部，其取得向对象物照射放射线，并拍摄了透过所述对象物的放射线的放射线图像；
噪声图生成部，其基于表示像素值与评估噪声值的扩大的评估值的关系的关系数据，根据所述放射线图像的各像素的像素值，导出所述评估值，生成噪声图，所述噪声图为将导出的所述评估值与所述放射线图像的各像素建立对应的数据；及
处理部，其将所述放射线图像及所述噪声图输入预先通过机械学习而构建的学习完成模型，实行从所述放射线图像去除噪声的图像处理。
20.一种放射线图像处理系统，其中，
具备：
根据权利要求11至18中任一项所述的放射线图像处理模块；
产生源，其对所述对象物照射放射线；及
拍摄装置，其拍摄了透过所述对象物的放射线而取得所述放射线图像。
21.根据权利要求20所述的放射线图像处理系统，其中，
所述拍摄装置具有线传感器。
22.根据权利要求20所述的放射线图像处理系统，其中，
所述拍摄装置具有2维传感器。
CN202180093696.5A 2021-02-15 2021-10-07 放射线图像处理方法、机械学习方法、学习完成模型、机械学习的前处理方法、放射线图像处理模块、放射线图像处理程序及放射线图像处理系统 Pending CN116916827A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2021-021673 2021-02-15
JP2021021673 2021-02-15
PCT/JP2021/037173 WO2022172506A1 (ja) 2021-02-15 2021-10-07 放射線画像処理方法、機械学習方法、学習済みモデル、機械学習の前処理方法、放射線画像処理モジュール、放射線画像処理プログラム、及び放射線画像処理システム

Publications (1)

Publication Number Publication Date
CN116916827A true CN116916827A (zh) 2023-10-20

Family

ID=82838581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180093696.5A Pending CN116916827A (zh) 2021-02-15 2021-10-07 放射线图像处理方法、机械学习方法、学习完成模型、机械学习的前处理方法、放射线图像处理模块、放射线图像处理程序及放射线图像处理系统

Country Status (7)

Country Link
US (1) US20240054617A1 (zh)
EP (1) EP4252658A1 (zh)
JP (1) JPWO2022172506A1 (zh)
KR (1) KR20230145081A (zh)
CN (1) CN116916827A (zh)
TW (2) TW202234049A (zh)
WO (1) WO2022172506A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024157532A1 (ja) * 2023-01-23 2024-08-02 浜松ホトニクス株式会社 画像処理方法、訓練方法、訓練済みモデル、放射線画像処理モジュール、放射線画像処理プログラム、及び放射線画像処理システム

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001099941A (ja) 1999-09-30 2001-04-13 Hitachi Metals Ltd 放射線遮蔽板、放射線検出器及び放射線遮蔽板の製造方法
JP2003167060A (ja) 2001-11-30 2003-06-13 Toshiba Corp Ｘ線平面検出器
JP2013017511A (ja) * 2011-07-07 2013-01-31 Toshiba Corp 画像処理装置および方法、ｘ線診断装置
WO2018104349A1 (en) * 2016-12-06 2018-06-14 Koninklijke Philips N.V. Image noise estimation using alternating negation
JP6993644B2 (ja) 2017-11-10 2022-01-13 アジア航測株式会社 赤色立体地図画像を用いた点群種類推定装置及び赤色立体地図画像を用いた点群種類推定プログラム
JP6987352B2 (ja) * 2017-11-17 2021-12-22 富士フイルムヘルスケア株式会社 医用画像処理装置および医用画像処理方法
JP7302988B2 (ja) * 2019-03-07 2023-07-04 富士フイルムヘルスケア株式会社 医用撮像装置、医用画像処理装置、及び、医用画像処理プログラム

Also Published As

Publication number Publication date
KR20230145081A (ko) 2023-10-17
TW202238460A (zh) 2022-10-01
EP4252658A1 (en) 2023-10-04
US20240054617A1 (en) 2024-02-15
JPWO2022172506A1 (zh) 2022-08-18
TW202234049A (zh) 2022-09-01
WO2022172506A1 (ja) 2022-08-18

Similar Documents

Publication Publication Date Title
JP5089210B2 (ja) 撮像素子画像処理方法
US8682099B2 (en) Image correction method and image correction device
JP7085043B2 (ja) 画像処理装置、画像処理方法及びプログラム
EP2689725A1 (en) Image processing device, image processing method, and image processing program
CN116916827A (zh) 放射线图像处理方法、机械学习方法、学习完成模型、机械学习的前处理方法、放射线图像处理模块、放射线图像处理程序及放射线图像处理系统
JP6676337B2 (ja) 放射線撮像システム、放射線画像の情報処理装置、放射線画像の情報処理方法、及び、そのプログラム
JP2008246022A (ja) 放射線撮影装置
JP2002034961A (ja) 放射線撮影装置及び放射線撮影方法
CN117616272A (zh) 放射线图像取得装置、放射线图像取得系统及放射线图像取得方法
JP7546048B2 (ja) 放射線画像処理方法、学習済みモデル、放射線画像処理モジュール、放射線画像処理プログラム、及び放射線画像処理システム
JP6700737B2 (ja) 放射線撮像システム、信号処理装置、及び、放射線画像の信号処理方法
JP4500101B2 (ja) Ｘ線ｃｔ装置
JP7546047B2 (ja) 放射線画像処理方法、学習済みモデル、放射線画像処理モジュール、放射線画像処理プログラム、放射線画像処理システム、及び機械学習方法
WO2021210612A1 (ja) 放射線画像取得装置、放射線画像取得システム、及び放射線画像取得方法
WO2024157532A1 (ja) 画像処理方法、訓練方法、訓練済みモデル、放射線画像処理モジュール、放射線画像処理プログラム、及び放射線画像処理システム
JP2020201162A (ja) 放射線撮像装置および放射線撮像方法
TW202307465A (zh) 放射線圖像處理方法、學習完成模型、放射線圖像處理模組、放射線圖像處理程式、放射線圖像處理系統及機器學習方法
TW202307785A (zh) 放射線圖像處理方法、學習完成模型、放射線圖像處理模組、放射線圖像處理程式及放射線圖像處理系統
JP2008237836A (ja) 放射線撮像装置及び方法
WO2024195212A1 (ja) 画像処理方法、画像処理装置、及び画像処理プログラム
JP2021056138A (ja) 放射線撮像装置、放射線撮像方法及びプログラム

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