CN117671050A - 医用图像处理装置以及医用图像处理方法 - Google Patents

Abstract

本发明提供能减少重构图像中所含的高吸收体伪影被校正了的校正图像的噪声的偏倚的医用图像处理装置以及医用图像处理方法。医用图像处理装置具备校正高吸收体伪影的运算部，特征在于，所述运算部具有：投影数据生成部，其生成与包含高吸收体伪影的重构图像中的高吸收体区域对应的投影数据；噪声图像生成部，其使用所述投影数据来生成噪声图像；和加权合成部，其将所述噪声图像与校正了高吸收体伪影的校正图像进行加权合成。

Description

医用图像处理装置以及医用图像处理方法

技术领域

本发明涉及对通过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置的医用图像处理装置以及医用图像处理方法，涉及对在被检体内包含金属这样的高吸收体的情况下产生的伪影进行校正的技术。

背景技术

医用图像拍摄装置的一例的X射线CT装置是如下那样的装置：从被检体的周围照射X射线并取得多个投影角度的投影数据，通过将投影数据反向投影，来生成图像诊断中所用的被检体的重构图像。若在被检体内包含金属这样的高吸收体例如骨的固定中所用的钢板等，就会在医用图像中产生高吸收体的影响导致的高吸收体伪影，会妨害图像诊断。减少金属伪影的技术被称作MAR(Metal Artifact Reduction，金属伪影减少)，有射束硬化校正法、线性插补法、深度学习法等种种方法。

在专利文献1中公开了：将原图像的高通滤波图像和减少了金属伪影的MAR图像的高通滤波图像以基于与金属的接近度的权重来进行加权加法运算，进而加上MAR图像的低通滤波图像，由此得到校正图像。

现有技术文献

专利文献

专利文献1：美国专利第8891885号说明书

但在专利文献1中，并未考虑到校正了高吸收体伪影的校正图像的噪声的偏倚。即，在高吸收体的附近，由于伴随高吸收体伪影的校正而噪声过剩地减少，因此，在远离高吸收体的区域与附近区域之间产生噪声的偏倚，给图像诊断带来障碍。

发明内容

为此，本发明的目的在于，提供能减少重构图像中所含的高吸收体伪影被校正了的校正图像的噪声的偏倚的医用图像处理装置以及医用图像处理方法。

为了实现上述目的，本发明的医用图像处理装置具备：运算部，其校正高吸收体伪影，特征在于，所述运算部具有：投影数据生成部，其生成与包含高吸收体伪影的重构图像中的高吸收体区域对应的投影数据；噪声图像生成部，其使用所述投影数据来生成噪声图像；和加权合成部，其将所述噪声图像与校正了高吸收体伪影的校正图像进行加权合成。

此外，本发明的医用图像处理方法对高吸收体伪影进行校正，特征在于，具备：投影数据生成步骤，生成与包含高吸收体伪影的重构图像中的高吸收体区域对应的投影数据；噪声图像生成步骤，使用所述投影数据来生成噪声图像；和加权合成步骤，将所述噪声图像与校正了高吸收体伪影的校正图像进行加权合成。

发明的效果

根据本发明，提供能减少重构图像中所含的高吸收体伪影被校正了的校正图像的噪声的偏倚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图。

图2是医用图像拍摄装置的一例的X射线CT装置的整体结构图。

图3是表示实施例1的处理的流程的一例的图。

图4是表示实施例1的S301的处理的流程的一例的图。

图5是表示实施例1的S302的处理的流程的一例的图。

图6是表示实施例1的S303的处理的流程的一例的图。

图7A是表示机器学习处理部的一例的图。

图7B是表示机器学习处理部的一例的图。

图7C是表示机器学习处理部的一例的图。

附图标记的说明

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：机器学习处理装置、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：前级放大器、223：A/D转换器、240：床台、250：操作组件、251：重构处理部、252：图像处理部、254：存储部、256：显示部、258：输入部。

具体实施方式

以下按照附图来说明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。另外，在以下的说明以及附图中，关于具有相同功能结构的构成要素，通过标注相同附图标记来省略重复说明。

【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。将运算部2、存储器3、存储装置4、网络适配器5通过系统总线6能进行信号发送接收地连接来构成医用图像处理装置1。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、机器学习处理装置12能进行信号发送接收地连接。进而，在医用图像处理装置1连接显示装置7和输入装置8。在此，所谓“能进行信号发送接收”，表示不管电地、光学地有线、无线，能相互或从一方向另一方进行信号发送接收的状态。

运算部2是控制各构成要素的动作的装置，具体是CPU(Central ProcessingUnit，中央处理器)、MPU(Micro Processor Unit，微处理单元)等。运算部2将存放于存储装置4的程序、程序执行所需的数据载入到存储器3并执行，来对医用图像实施种种图像处理。存储器3存储运算部2所执行的程序、运算处理的中途经过。存储装置4是存放运算部2所执行的程序、程序执行所需的数据的装置，具体是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所处置的各种数据可以经由LAN(Local Area Network，局域网)等网络9与医用图像处理装置1的外部发送接收。

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设备，具体是键盘、鼠标、触控面板等。鼠标也可以是轨迹板、轨迹球等其他指向设备。

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生成重构图像的X射线CT(Computed Tomography，计算机断层扫描)装置，使用图2之后叙述。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、重构图像、对重构图像实施图像处理而得到的校正图像等的数据库系统。

机器学习处理装置12对减少重构图像中所含的高吸收体伪影进行机器学习来生成，例如使用CNN(Convolutional Neural Network，卷积神经网络)构成。机器学习处理装置12的生成例如使用不含金属这样的高吸收体的重构图像，作为示教图像。此外，对输入图像使用重构图像，其中，将在该示教图像中追加了高吸收体区域的图像正向投影来生成包含高吸收体的投影数据，将该投影数据反向投影来得到高吸收体伪影，该重构图像包含该高吸收体伪影。

在此，所谓高吸收体，典型地是金属、骨、造影剂，是与其他组织(例如脏器)相比X射线吸收率相对高的物质。以下以金属、骨为例来说明实施例，但在本发明中，高吸收体并不限于金属、骨。例如，将脂肪和肌肉比较，肌肉的X射线吸收率更高，若是不含金属、骨、造影剂的区域，则肌肉能说是高吸收体。即，在本发明中，在用户所选择的或在阈值提取等处理中设定关注区域的部位，能减少X射线吸收率相对高的组织所引起的伪影。

使用图2来说明医用图像拍摄装置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和操作组件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、前级放大器222、A/D转换器223、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。通过对X射线管211施加按照从X射线控制部216发送的控制信号而由高电压产生部217产生的高电压，来从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射线的照射范围按照从准直器控制部221发送的控制信号来设定。

检测器212是通过对透射了被检体210的X射线进行检测来测量透射X射线的空间的分布的装置。检测器212与X射线管211对置配置，在与X射线管211对置的面内二维排列有大量检测元件。检测器212中测量的信号在前级放大器222中被放大后，在A/D转换器223中被变换成数字信号。之后，对数字信号进行种种校正处理，取得投影数据。

驱动部214按照从扫描仪控制部218发送的控制信号，来使X射线管211和检测器212在被检体210的周围旋转。通过和X射线管211和检测器212的旋转一起进行X射线的照射和检测，来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作视野。二维排列的检测器212的各检测元件的排列将检测器212的旋转方向称作通道，将与通道正交的方向称作列。投影数据通过视野、通道、列来识别。

床台控制部219控制床台240的动作，在进行X射线的照射和检测的期间，使床台240保持静止不变，或在被检体210的体轴方向即Z轴方向上等速移动。使床台240保持静止不变的扫描被称作轴向扫描，使床台240移动并进行的扫描被称作螺旋扫描。

中央控制部215按照来自操作组件250的指示来控制以上叙述的扫描仪200的动作。接下来说明操作组件250。操作组件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通过将扫描仪200中取得的投影数据反向投影来生成重构图像。图像处理部252为了使重构图像成为适合诊断的图像，进行种种图像处理。存储部254存储投影数据、重构图像、图像处理后的图像。显示部256显示重构图像、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)、重构图像的重构条件(重构滤波器、FOV尺寸等)时使用。

另外，操作组件250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，按每个步骤来说明实施例1中执行的处理的流程的一例。

(S301)

运算部2生成与包含高吸收体伪影的重构图像中的高吸收体区域对应的投影数据。即，运算部2作为生成与包含高吸收体伪影的重构图像中的高吸收体区域对应的投影数据的投影数据生成部发挥功能。

使用图4，按每个步骤说明S301的处理的流程的一例。

(S401)

运算部2取得包含高吸收体伪影的重构图像。包含高吸收体伪影的重构图像可以通过将包含金属、骨等高吸收体的被检体的投影数据反向投影来生成，也可以从存储装置4、医用图像数据库11读出。

(S402)

运算部2从包含高吸收体伪影的重构图像提取高吸收体区域。高吸收体区域例如通过阈值处理而被提取。即，从重构图像提取具有比预先确定的阈值高的像素值的像素，作为高吸收体区域。

(S403)

运算部2将高吸收体区域以外的区域正向投影，来生成高吸收体区域以外的区域的投影数据。更具体地，通过将S402中提取的高吸收体区域的像素值被置换成零的重构图像正向投影，来生成高吸收体区域以外的区域的投影数据。

(S404)

运算部2取高吸收体区域以外的区域的投影数据与原始的投影数据的差分，来取得高吸收体区域的投影数据。更具体地，通过从与S401中取得的重构图像对应的投影数据减去S403中生成的高吸收体区域以外的区域的投影数据，来生成高吸收体区域的投影数据。

通过图4例示的处理的流程来生成与包含高吸收体伪影的重构图像中的高吸收体区域对应的投影数据。根据图4的处理的流程，能生成包含高吸收体区域的影响导致的噪声在内的投影数据。回到图3的说明。

(S302)

运算部2生成高吸收体区域的影响导致的噪声图像。即，运算部2作为使用包含高吸收体区域的影响导致的噪声在内的投影数据来生成噪声图像的噪声图像生成部发挥功能。

使用图5，按每个步骤说明S302的处理的流程的一例。

(S501)

运算部2实施与高吸收体区域对应的投影数据的奇偶分割。即，将S301中生成的高吸收体区域的投影数据分割成奇数视野和偶数视野，分别从多个奇数视野生成奇数投影数据，从多个偶数视野生成偶数投影数据。

(S502)

运算部2将奇数投影数据和偶数投影数据分别进行重构。即，通过S301中生成的奇数投影数据的重构来生成奇数重构图像，通过偶数投影数据的重构来生成偶数重构图像。奇数投影数据和偶数投影数据由于是将相邻的视野分割而生成的投影数据，因此，在通过各自的重构而生成的奇数重构图像和偶数重构图像中包含同等的高吸收体区域。

(S503)

运算部2生成奇数重构图像与偶数重构图像的差分图像。由于在奇数重构图像和偶数重构图像中包含同等的高吸收体区域，因此，在两者的差分图像中，高吸收体区域被删除，仅留下噪声。即，通过S502中生成的奇数重构图像与偶数重构图像的差分，将高吸收体区域的影响导致的噪声图像化。另外，由于通过差分处理而噪声量成为√2倍，因此，也可以通过用差分图像除以√2来生成噪声图像。

通过图5例示的处理的流程来生成高吸收体区域的影响导致的噪声图像。通过图5的处理的流程，由于能生成不含高吸收体区域而仅留下高吸收体区域的影响导致的噪声的图像，因此，校正图像的噪声的偏倚的减少变得容易。回到图3的说明。

(S303)

运算部2将校正了高吸收体伪影的校正图像和S302中生成的噪声图像加权合成。即，运算部2作为将所述噪声图像与校正了高吸收体伪影的校正图像加权合成的加权合成部发挥功能。

使用图6，按每个步骤说明S303的处理的流程的一例。

(S601)

运算部2算出包含高吸收体伪影的重构图像的噪声分布。更具体地，求取使用重构图像中的对象像素和对象像素的周围的像素的各像素值而算出的标准偏差，作为对象像素的噪声量。即，通过对重构图像中的所有像素分别求取噪声量，来算出噪声分布。进而，运算部2生成将所算出的噪声分布归一化的噪声系数图像。更具体地，通过用噪声分布中的各噪声量除以噪声分布中的最大值来将噪声分布归一化，生成噪声系数图像。

(S602)

运算部2生成高吸收体区域的噪声图像与噪声系数图像的乘法运算图像。即，通过在S302中生成的噪声图像上乘以S601中生成的噪声系数图像，来生成在校正图像的噪声的偏倚的减少中所用的噪声调整图像。

(S603)

运算部2生成校正了高吸收体伪影的校正图像与噪声调整图像的加法运算图像。即，通过将S602中生成的噪声调整图像与校正图像相加，来生成减少了校正图像的噪声的偏倚的图像即噪声附加图像。

通过图6例示的处理的流程来生成减少了校正图像的噪声的偏倚的噪声附加图像。根据图6的处理的流程，由于仅通过将校正了高吸收体伪影的校正图像与噪声调整图像相加就能生成噪声附加图像，因此，能在远离高吸收体的区域与附近区域之间容易地减少噪声的偏倚。

以上，如说明的那样，在实施例1中，通过将根据与高吸收体区域对应的投影数据生成的噪声图像和校正了高吸收体伪影的校正图像进行加权合成，来生成减少了校正图像的噪声的偏倚的图像即噪声附加图像。在噪声附加图像中，由于减少了伴随高吸收体伪影的校正而产生的噪声的偏倚，因此，在远离高吸收体的区域与附近区域之间不会给图像诊断带来障碍。

另外，校正了高吸收体伪影的校正图像通过射束硬化校正法、线性插补法、深度学习法等种种MAR来生成。使用图7A来说明生成校正图像的机器学习处理部的一例。将不含高吸收体伪影的重构图像作为示教图像，将在该示教图像中追加了高吸收体伪影的重构图像作为输入图像，机器学习大量输入图像与示教图像的对，由此来生成图7A例示的机器学习处理部。另外，通过对将在示教图像中追加了高吸收体区域的图像正向投影而生成的投影数据进行反向投影，来生成追加了高吸收体伪影的重构图像即输入图像。

在图7A的机器学习处理部中，为了减少在高吸收体的附近噪声过剩减少的情况，需要执行图3的处理的流程。为此，也可以生成如下那样的机器学习处理部：将通过图3的处理的流程生成的噪声附加图像、噪声图像作为输入图像进行机器学习，由此来输出校正了高吸收体伪影且减少了噪声的偏倚的图像。

使用图7B来说明生成校正了高吸收体伪影且减少了噪声的偏倚的校正图像的机器学习处理部的一例。将不含高吸收体伪影的重构图像作为示教图像，将在该示教图像中追加了高吸收体伪影的重构图像和噪声附加图像作为输入图像，机器学习大量输入图像与示教图像的对，由此来生成图7B例示的机器学习处理部。对噪声附加图像使用S303中生成的图像。生成如下那样的机器学习处理部：通过将噪声附加图像和包含高吸收体伪影的重构图像一起作为输入图像进行机器学习，能输出校正了高吸收体伪影且减少了噪声的偏倚的校正图像。

使用图7C来说明生成校正了高吸收体伪影且减少了噪声的偏倚的校正图像的机器学习处理部的其他示例。将不含高吸收体伪影的重构图像作为示教图像，将在该示教图像中追加了高吸收体伪影的重构图像和噪声图像作为输入图像，机器学习大量输入图像与示教图像的对，由此来生成图7C例示的机器学习处理部。对噪声图像使用S302中生成的图像。生成如下那样的机器学习处理部：通过将噪声图像和包含高吸收体伪影的重构图像一起作为输入图像进行机器学习，能输出校正了高吸收体伪影且减少了噪声的偏倚的校正图像。

以上说明了本发明的实施例。另外，本发明并不限定于上述实施例，能在不脱离发明的要旨的范围内将构成要素变形并具体化。此外，也可以将上述实施例公开的多个构成要素适宜组合。进而，也可以从上述实施例所示的所有构成要素删除几个构成要素。

Claims (7)

1.一种医用图像处理装置，具备对高吸收体伪影进行校正的运算部，所述医用图像处理装置的特征在于，

所述运算部具有：

投影数据生成部，其生成与包含高吸收体伪影的重构图像中的高吸收体区域对应的投影数据；

噪声图像生成部，其使用所述投影数据来生成噪声图像；和

加权合成部，其将所述噪声图像与校正了高吸收体伪影的校正图像进行加权合成。

2.根据权利要求1所述的医用图像处理装置，其特征在于，

所述投影数据生成部通过与所述重构图像对应的投影数据和所述重构图像中的高吸收体区域以外的区域的投影数据的差分来生成与高吸收体区域对应的投影数据。

3.根据权利要求1所述的医用图像处理装置，其特征在于，

所述噪声图像生成部通过对与高吸收体区域对应的投影数据进行奇偶分割来生成奇数投影数据和偶数投影数据，通过对所述奇数投影数据和所述偶数投影数据分别进行重构来生成奇数重构图像和偶数重构图像，基于所述奇数重构图像与所述偶数重构图像的差分来生成所述噪声图像。

4.根据权利要求1所述的医用图像处理装置，其特征在于，

所述加权合成部对所述校正图像相加基于所述重构图像的噪声分布而生成的噪声系数图像与所述噪声图像的乘法运算图像。

5.根据权利要求1所述的医用图像处理装置，其特征在于，

所述运算部还具有：机器学习处理部，其通过将不含高吸收体伪影的重构图像作为示教图像，将在所述示教图像中追加了高吸收体伪影的重构图像和由所述加权合成部生成的噪声附加图像作为输入图像来进行机器学习，从而被生成。

6.根据权利要求1所述的医用图像处理装置，其特征在于，

所述运算部还具有：机器学习处理部，其通过将不含高吸收体伪影的重构图像作为示教图像，将在所述示教图像中追加了高吸收体伪影的重构图像和由所述噪声图像生成部生成的噪声图像作为输入图像来进行机器学习，从而被生成。

7.一种医用图像处理方法，对高吸收体伪影进行校正，所述医用图像处理方法的特征在于，具备：

投影数据生成步骤，生成与包含高吸收体伪影的重构图像中的高吸收体区域对应的投影数据；

噪声图像生成步骤，使用所述投影数据来生成噪声图像；和

加权合成步骤，将所述噪声图像与校正了高吸收体伪影的校正图像进行加权合成。