JP2020202988A - 画像処理装置、画像処理プログラム、及び、磁気共鳴イメージング装置 - Google Patents
画像処理装置、画像処理プログラム、及び、磁気共鳴イメージング装置 Download PDFInfo
- Publication number
- JP2020202988A JP2020202988A JP2019112993A JP2019112993A JP2020202988A JP 2020202988 A JP2020202988 A JP 2020202988A JP 2019112993 A JP2019112993 A JP 2019112993A JP 2019112993 A JP2019112993 A JP 2019112993A JP 2020202988 A JP2020202988 A JP 2020202988A
- Authority
- JP
- Japan
- Prior art keywords
- image
- unit
- similarity
- image processing
- local region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 101
- 238000002595 magnetic resonance imaging Methods 0.000 title claims description 30
- 230000009467 reduction Effects 0.000 claims abstract description 16
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 47
- 238000003384 imaging method Methods 0.000 claims description 33
- 238000005481 NMR spectroscopy Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 15
- 230000006872 improvement Effects 0.000 abstract description 2
- 230000006866 deterioration Effects 0.000 abstract 1
- 238000000034 method Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 230000003068 static effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 6
- 238000004321 preservation Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001669679 Eleotris Species 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
【課題】NLMフィルタを適用した医用画像のノイズ低減処理において、短時間で類似するパッチを探索することができ、これにより処理時間の短縮と、類似パッチが見つからないことに起因するSNR向上効果の低下やボケの発生を防止することを課題とする。【解決手段】特定の検査対象を撮像した対象画像に対しノイズ低減処理を行うノイズ除去部と、医用撮像装置或いは画像を格納する記憶装置から前記対象画像のノイズ処理に用いる既撮像画像を取得する画像取得部と、を備え、ノイズ除去部は、対象画像の局所領域と既撮像画像の局所領域との類似度に基づき、既撮像画像の局所領域に含まれる画素の画素値を重み付け加算し、対象画像の画素値を算出する。【選択図】図4
Description
本発明は、医用撮像装置で取得した画像の画像処理技術に関し、特に磁気共鳴イメージング装置で取得した画像のノイズ低減処理技術に関する。
医用撮像装置で取得した画像は、装置自体の精度、撮像条件、検査対象側の要因などにより、種々のノイズを含む。これらノイズは、その種類や発生原因に応じてそれを低減する技術が多数開発されている。
例えばガウスノイズやスパイクノイズなどは、少ない画素で構成される局所領域ごとに画素値をその平均値、中央値或いは重み付け平均値などで置き換えることで、ノイズを低減する。これらノイズ低減処理は、具体的には、Boxフィルタ、Medianフィルタ、Gaussianフィルタ、バイラテラルフィルタ、Non Local Means (NLM)フィルタなど種々のフィルタにより実現され、フィルタの種類によってノイズ低減効果やエッジ保存効果が異なる。例えば、上述したフィルタのうち、バイラテラルフィルタやNLMフィルタは、演算時間が多くなるがエッジ保存効果が高い。NLMフィルタの具体的な処理は、画像内に所定の局所領域(パッチ)を設定し、このパッチとの類似度を画像内の全パッチについて算出し、類似度に応じた重みを算出し、重みに応じた平均化を行ってエッジを保存した平滑化を実現するというものである。非特許文献1には、このようなNLMフィルタを磁気共鳴イメージング装置の画像処理に採用して例が開示されている。
Liu H 他、"Denoising 3D MR images by the enhanced non−local means filter for Rician noise" magn. Reson. Imaging 2010 28(10), 1485−96
上述したようにNLMフィルタを用いたノイズ低減処理では、画像内で局所領域との類似度を探索するが、探索に時間がかかるという問題に加えて、類似するパッチがないと信号ノイズ比(SNR)を向上する効果が低い、或いはエッジが保存されず、ボケが生じるという問題がある。
本発明は、NLMフィルタを適用したノイズ低減処理において、短時間で類似するパッチを探索することができ、これにより処理時間の短縮と、類似パッチが見つからないことに起因するSNR向上効果の低下やボケの発生を防止することを課題とする。
上記課題を解決するため、本発明は、MRIでは撮像部位毎にある程度決まった位置を撮像すること、そしてヒトの画像の構造は個人差はあるものの局所的には類似していることに着目し、画像処理対象となる画像とは別に取得した画像データのうち同種の画像を用いて、当該画像の小領域から類似度を探索することにより、類似度の高いパッチを短時間で効率よく探索する手法を提案するものである。
即ち本発明の画像処理装置は、医用撮像装置或いは画像を格納する記憶装置から既撮像画像を取得する画像取得部と、特定の検査対象を撮像した対象画像に対し、前記対象画像以外の画像を含む既撮像画像を用いてノイズ低減処理を行うノイズ除去部と、を備え、前記ノイズ除去部は、前記対象画像の局所領域と前記既撮像画像の局所領域との類似度に基づき、前記既撮像画像の局所領域に含まれる画素の画素値を重み付け加算し、前記対象画像の画素値を算出することを特徴とする。
また本発明の画像処理プロブラムは、医用撮像装置で取得した対象画像に対しノイズ低減処理を行うための画像処理プログラムであって、コンピュータに、既撮像画像を格納した記憶装置から、前記既撮像画像を読み出すステップと、前記対象画像及び前記既撮像画像の画素毎に、それぞれ、類似度を算出する探索範囲を設定するステップと、前記対象画像の前記探索範囲において、前記対象画像に局所領域を設定するステップと、前記既撮像画像から、前記対象画像の局所領域と同サイズの局所領域を抽出し、前記局所領域との類似度を算出するステップと、前記類似度に従って、前記既撮像画像の局所領域に含まれる画素の画素値を重み付け加算するステップと、を実行させる。
本発明の磁気共鳴イメージング装置は、画像処理部が上述する画像処理装置の機能を備えたものである。この場合、既撮像画像を格納する記憶装置は、MRI装置内の記憶装置であってもよいし、MRI装置とは別の装置であってもよい。
本発明によれば、NLMフィルタを用いたノイズ低減処理において類似度の高いパッチを確実に探索することができ、類似の高いパッチを処理に用いることで、エッジ保存効果を保ちつつSNRの向上を図ることができる。
以下、本発明の画像処理装置及びMRI装置の実施形態を説明する。以下、説明する全図において、同じ機能を有するものは同一の符号で示し、重複する説明は省略する。
<第一実施形態>
本発明の画像処理装置の機能を備えたMRI装置の実施形態を説明する。
本発明の画像処理装置の機能を備えたMRI装置の実施形態を説明する。
本実施形態のMRI装置100は、図1に示すように、静磁場発生部11、傾斜磁場発生部12、送信部13、受信部14などを備え、検査対象(被検体)を構成する組織内に存在する原子の原子核に核磁気共鳴を起こさせるとともに、それにより被検体から発生する核磁気共鳴信号を収集する計測部10と、計測部10が収集した核磁気共鳴信号を用いて画像再構成やノイズ除去などの演算を行う画像処理部20と、計測部10及び画像処理部20の動作を制御する制御部30と、ユーザーが撮像や各種演算等に必要な条件や数値などを入力するとともに演算結果等を表示するユーザーインターフェイス部40と、を備える。またMRI装置100は、外部記憶装置50が接続されている。外部記憶装置50は、有線あるいは無線で接続されるスタンドアローンの機器のほかに、インターネットのクラウド上に構築されたものやイントラネット等で接続される外部記憶装置なども含む。
計測部10は、公知のMRI装置の構成と同様であり、図2に示すように、静磁場を発生する静磁場コイル102(静磁場発生部)と、傾斜磁場を発生する傾斜磁場コイル103(傾斜磁場発生部)と、被検体(例えば、生体)101に高周波磁場パルスを照射する送信Fコイル(送信部)105と、被検体101から発生するエコー信号を検出する受信コイル(受信部)106と、静磁場コイル102の発生する静磁場空間内で被検体101を載置する寝台(不図示)と、を備える。
計測部10は、さらに、傾斜磁場コイル103を駆動する傾斜磁場電源109と、送信コイル105を駆動する送信機107と、受信コイル106で検出したエコー信号を検波する受信機108と、シーケンス制御装置110とを有する。シーケンス制御装置110は、傾斜磁場電源109と送信機107とに命令を送り、それぞれ傾斜磁場および高周波磁場を発生させるとともに、検波の基準とする核磁気共鳴周波数を受信機108にセットする。また、計測部10は、静磁場均一度を調節する必要があるときには、シムコイル113と、シムコイル113を駆動するシム電源114をさらに備えてもよい。シムコイル113は、複数のチャネルからなり、シム電源114から供給される電流により静磁場不均一を補正する付加的な磁場を発生する。静磁場均一度調整時にシムコイル113を構成する各チャネルに流す電流は、シーケンス制御装置110により制御される。
MRI装置100は、上述した計測部10の各要素に加えて、受信機108により検波されたエコー信号に対して信号処理を施す計算機120と、計算機120での処理結果を表示する表示装置(ディスプレイ)121と、ユーザーからの指示を受け付ける入力装置123と、計算機による演算等に必要なデータや計算機の処理結果を保持する記憶装置125と、を備える。表示装置121と入力装置123とは近接して配置され、ユーザーインターフェイス部(図1:40)として機能する。
計算機120は、CPUとメモリとを有し、図1の画像処理部20及び制御部30の機能を実行する。画像処理部20が行う演算には、エコー信号を用いた画像再構成のほか、再構成された原画像を用いた種々の計算が含まれ、種々の計算にはノイズ除去処理が含まれる。図1では画像処理部20の機能の代表として、画像生成部23とノイズ除去部21を示す。但し、本実施形態は、画像処理部20及び計算機120が図示する機能以外の演算を行う場合も含む。
計算機120の機能は、メモリに予め格納されたプログラムをCPUが読み込んで実行することにより、ソフトウエアにより実現される。ただし、本実施形態の計算機120は、ソフトウエアによりその機能を実現されるものに限られず、機能のすべてまたは一部を、ASIC(Application Specific Integrated Circuit)のようなカスタムICやFPGA(Field Programmable Gate Array)のようなプログラマブルIC等のハードウエアにより実現する構成にすることも可能である。
このような構成のMRI装置による撮像の流れの一例を図3に示す。撮像は、例えば、計測部10によるエコー信号収集(S1001)、画像生成部23による画像再構成(S1002)、ノイズ除去部21によるノイズ除去(ノイズ低減処理)(S1003)、及び画像の表示(S1004)の順に行われる。
ステップS1001では、ユーザーインターフェイス部40を介して、パルスシーケンスの種類や撮像パラメータなどの撮像条件が設定されると、シーケンス制御装置100は撮像に用いるパルスシーケンスを計算し、その撮像シーケンスに従って送信機107や傾斜磁場電源109及び受信機108動作させて、被検体101から発生する核磁気共鳴信号をエコー信号として収集する。予め複数種類の撮像を所定の順番で実行するように定めた検査プロトコルに沿って撮像を行う場合には、順次、複数種類の撮像を実行し、順次、画像再構成に必要なエコー信号を収集する。
ステップS1002では、画像生成部23が収集したエコー信号を用いてフーリエ変換等の演算を行い、画像再構成を行う。画像再構成により、組織の特性である縦緩和時間(T1)、横緩和時間(T2)、プロトン密度(PD)などの相対的な違いを強調させた強調画像が得られる。どのような強調画像を取得するかは撮像条件によって決まる。また画像生成部23は、画像間の演算により拡散係数などの値を画像化した計算値画像などを生成する場合もある。画像生成部23が生成した画像は、画像の付帯情報(被検体に関する情報、撮像条件に関する情報など)とともに記憶装置125に格納される。付帯情報は、例えば、ダイコムのタグの情報として格納される。
ステップS1003では、ノイズ除去部21が画像のノイズを低減する処理を行う。具体的にはNLM法を基本とし、処理対象である画像(以下、対象画像という)よりも前に取得した画像(以下、既撮像画像という)を用いて、局所領域(パッチ)設定、パッチ間の類似度算出、類似度を用いた重み付け加算などの処理を行う。ノイズ低減処理の詳細は後述する。
ステップS1004では、表示装置121にノイズ除去後の画像や、必要に応じて対象画像などを表示する。
次に本実施形態のMRI装置の特徴である画像処理部20、特にノイズ除去部21の処理の詳細を、図4及び図5を参照して説明する。図4はノイズ除去部21の処理フロー、図5はノイズ除去部21の機能ブロック図である。
図4に示すように、ノイズ除去部21は、まず、記憶装置125或いは外部記憶装置50に格納された既撮像画像を読出す(S2001)。対象画像及び既撮像画像において、類似度を探索する範囲(範囲の大きさ)を設定する(S2002)。ステップS2002で設定した探索範囲内で、類似度を算出するための局所領域(パッチ)を対象画像に設定する(S2003)。対象画像のパッチ(対象パッチ)と、既撮像画像の探索範囲内にある対象パッチと同サイズのパッチとの類似度を算出する(S2004)。類似度から各パッチの重みを算出し、算出した重みを用いて既撮像画像のパッチの画素を重み付け加算し、対象パッチの画素値を決定する(S2005)。S2002〜S2005の処理を全ての画素について行う(S2006)。
この処理を実現するため、ノイズ除去部21は、図5に示すように、画像読出し部211、探索範囲設定部212、局所領域設定部213、類似度算出部215、重み付け加算部217、及び、繰り返し演算部219を備える。また画像読出し部211の処理を容易にするために、ノイズ除去部21或いは画像処理部20は、画像をあらかじめ分類する分類部210を備えていてもよい。
以下、ノイズ除去部21の各部の処理を図4及び図6を参照して詳述する。
[S2001:画像の読出し]
画像読出し部211は、既に取得され、記憶装置に格納された既撮像画像を検索し、同じ種類の画像を読み出す(図6)。ここで、既撮像画像には、ノイズ処理の対象である画像(対象画像)の被写体本人の画像、本人以外の被検体の画像を含み、本人の画像は、過去の日付、時間で取得した画像を含み、同一検査プロトコル内で先行して取得した画像や時系列画像のうち先行する画像も含む。また記憶装置には、MRI装置内の記憶装置125や外部記憶装置50を含む。
画像読出し部211は、既に取得され、記憶装置に格納された既撮像画像を検索し、同じ種類の画像を読み出す(図6)。ここで、既撮像画像には、ノイズ処理の対象である画像(対象画像)の被写体本人の画像、本人以外の被検体の画像を含み、本人の画像は、過去の日付、時間で取得した画像を含み、同一検査プロトコル内で先行して取得した画像や時系列画像のうち先行する画像も含む。また記憶装置には、MRI装置内の記憶装置125や外部記憶装置50を含む。
画像読出し部211が画像を読み出す際の、同じ種類か否かの判断は、画像データ(ダイコム)のタグに含まれている情報、例えば、撮像部位(脳、胸部、腹部、四肢)、撮像対象(年齢、性別、体格)、撮像条件(パルスシーケンス、撮像パラメータ)、FOV等により、行うことができる。画像読出し部211は、これらタグの情報を対象画像の情報と比較し同種か否かを判断してもよいが、あらかじめ画像データを分類しておき、その分類に従って選択してもよい。即ち、画像処理部20(或いはノイズ除去部)が、分類部210を備える場合は、画像分類部210は、タグに書き込まれた情報を読み込み、既撮像画像の画像データを分類し、分類毎に記憶装置125に格納しておく。分類の基準は、撮像部位の分類を最上位とし、その他の分類項目は並列でもよいし、優先性をつけてツリー構造としてもよい。例えば、撮像部位毎に、さらに撮像対象によるサブ分類を行い、サブ分類毎に、撮像条件による分類を行うなどである。
このように既撮像画像が分類されて格納されている場合には、画像読出し部21は、分類毎に格納された既撮像画像のうち、画像分類部210が分類した対象画像の分類と同じ分類に属する既撮像画像を選択することができる。ただし画像読出し部21が選択する既撮像画像は、分類の全ての項目が同じである必要はなく、例えば、部位と撮像断面が同じであれば、強調画像の種類が異なっていても同じ分類の画像として読み出してもよい。
読み出す既撮像画像の枚数を予め設定しておき、既撮像画像のうち、撮像部位が同じであって、その他の分類項目が同じであるか一致度の高い画像を設定された枚数、例えば数十枚〜数百枚、選択して、読み出すようにしてもよい。一致度は、例えば、対象画像と一致する分類項目の数を合計し、それを一致度としてもよい。この場合、分類項目に優先度に応じた点数を割り当てておき、対象画像と一致する分類項目の点数を合計してもよい。
画像読出し部211が読み出す既撮像画像の数が多いほどノイズ除去効果は高くなるが、後述する類似度算出の演算負荷も大きくなる。従って、類似度算出の演算負荷を考慮して、ノイズ除去効果が見込まれる所定の数を予め決めておいてもよい。
[S2002:探索範囲設定]
探索範囲設定部212は、対象画像及び既撮像画像において、パッチ毎の類似度を探索する範囲を設定する。類似度算出及びノイズ除去演算は、画像の被検体が存在する領域すべてについて行うが、画像間の類似度を判別する範囲(探索範囲)が広すぎると、類似度算出処理が膨大な演算となるため、画像から小領域を探索範囲として抽出し、小領域毎に繰り返し演算を行う。探索範囲のサイズは、大きいほど類似度が高い部分が含まれる可能性が高いが、類似度算出のための演算量が多くなる。従って、演算量を考慮し、画素数100〜1000程度、例えば50×50画素からなる領域を抽出する。
探索範囲設定部212は、対象画像及び既撮像画像において、パッチ毎の類似度を探索する範囲を設定する。類似度算出及びノイズ除去演算は、画像の被検体が存在する領域すべてについて行うが、画像間の類似度を判別する範囲(探索範囲)が広すぎると、類似度算出処理が膨大な演算となるため、画像から小領域を探索範囲として抽出し、小領域毎に繰り返し演算を行う。探索範囲のサイズは、大きいほど類似度が高い部分が含まれる可能性が高いが、類似度算出のための演算量が多くなる。従って、演算量を考慮し、画素数100〜1000程度、例えば50×50画素からなる領域を抽出する。
探索範囲設定部212は、図6に示すように、対象画像及び既撮像画像において、起点となる画素(注目画素)を設定し、その画素を含む小領域を設定する。最終的には全ての画素について処理を行うので、起点となる画素の位置は特に限定されないが、例えば画像をラスタースキャンし、最初の被検体領域の画素と判別された画素でもよいし、所定の解剖学的特徴点の画素でもよい。小領域は、注目画素を中心とする領域でもよいし、注目画素を所定の端部とする領域でもよい。このように起点となる画素を適切に設定することで、対象画像及び既撮像画像から、互いに対応する位置の小領域を抽出することができ、これにより、比較的小さい領域を小領域としても類似度が高い部分が含まれる可能性を高めることができ、演算負荷を低減できる。
[S2003:局所領域設定部]
類似度の算出は、対象画像の小領域に設定した局所領域(パッチ)と、対象画像及び既撮像画像の小領域内の同サイズの局所領域(パッチ)との類似度を算出する。このため、局所領域設定部213は、まず対象画像の小領域に、小領域を決定した注目画素を含むパッチを設定する。パッチは、類似度を算出するパッチの組が多い場合にはパッチのサイズが大きいほうがノイズ除去精度が向上するが、既撮像画像を例えば100枚程度用いる場合、1つの画素に対し積算される画素数が多いので、比較的小さなサイズとすることができる。具体的にはパッチのサイズは、数画素×数画素程度、例えば7×7程度である。
類似度の算出は、対象画像の小領域に設定した局所領域(パッチ)と、対象画像及び既撮像画像の小領域内の同サイズの局所領域(パッチ)との類似度を算出する。このため、局所領域設定部213は、まず対象画像の小領域に、小領域を決定した注目画素を含むパッチを設定する。パッチは、類似度を算出するパッチの組が多い場合にはパッチのサイズが大きいほうがノイズ除去精度が向上するが、既撮像画像を例えば100枚程度用いる場合、1つの画素に対し積算される画素数が多いので、比較的小さなサイズとすることができる。具体的にはパッチのサイズは、数画素×数画素程度、例えば7×7程度である。
[S2004:類似度算出部]
類似度算出部215は、既撮像画像及び対象画像の検索範囲から、対象画像のパッチと同サイズのパッチを順次抽出し、各パッチの類似度を算出する。
類似度算出部215は、既撮像画像及び対象画像の検索範囲から、対象画像のパッチと同サイズのパッチを順次抽出し、各パッチの類似度を算出する。
類似度算出方法は、例えば、式(1)〜(3)で表される公知のSSD、SAS、NCC等の類似度算出アルゴリズムを用いることができる。式(1)〜(3)において、yiは対象画像のi番目のパッチの画素ベクトル、xjは既撮像画像内のj番目のパッチの画素ベクトル、Si,jは類似度であり、Si,jは値が小さいほど類似度が高い。
類似度の算出は、さらに、既撮像画像のパッチの画素値を線形変換する演算を付加した手法を用いてもよい。この手法では、既撮像画像のパッチの画素値を線形変換した後、変形後にパッチ間の類似度を算出するものであり、例えば、対象画像と既撮像画像とのコントラストが異なる場合に有効である。例えば、対象画像(パッチ)7Aの画素が図7の(A)に示すような値を示すのに対し、既撮像画像(パッチ)7Bの画素が図7の(B)に示すような値を示す場合を考える。この場合、既撮像画像はコントラスト比が対象画像異なる画像であり、対象画像と画素値の絶対値は異なるが、画素間の関係性は同じ、即ち構造的には類似性が高い。
このようなパッチ7Aとパッチ7Bを単純に式(1)〜(3)の類似度算出方法で算出した場合には、類似度は低く(Sは大きい値)になる。これに対し、まず既撮像画像のパッチ7Bを線形変換してコントラストをパッチ7Aに合わせる処理を施して置くことにより、本来構造的に類似度の高いパッチの重みを低下させることなく積算に利用することができる。
線形変換は、式(4)により、Ei,jを最小化する係数Aj、及び切片Bを求め、これらAj、Bjを用いてx‘j(=Ajxj−Bj)を算出する。その後、このx’jを上掲の式(1)や(2)のxjに代入することで、線形変換付きの類似度算出を実現できる。
なお上記では、まず式(4)により係数Aj及び切片Bを求めると説明したが、実際の演算では、例えば式(1)と合体させた式(5)により直接類似度を算出することができる。この例では式(1)であるが、式(2)や式(3)でも同様である。
このような線形変換つきの類似度算出手法をとることで、例えばMRI装置のように、組織が持つ物性値のコントラストを異ならせた複数種の画像が得られるモダリティの場合、既撮像画像として撮像方法の異なる画像(例えば、T1強調画像、T2強調画像)などを含めることができ、ノイズ除去の効果を向上することができる。特に処理画像の被検体自身の画像を多く利用することが可能となり、さらにノイズ除去効果を向上することができる。
上述した類似度の算出は、既撮像画像の小領域内から抽出される全てのパッチについて行う。
[S2005:重み付け加算処理]
重み付け加算部217は、算出した類似度を用いて各パッチの重みを算出し、既撮像画像の各パッチの注目画素の画素値を重み付け加算(積算)し、処理画像のパッチの注目画素の画素値とする(図8)。重みは、例えば式(6)で与えられ、重み付け加算後の画素値は式(7)となる。
重み付け加算部217は、算出した類似度を用いて各パッチの重みを算出し、既撮像画像の各パッチの注目画素の画素値を重み付け加算(積算)し、処理画像のパッチの注目画素の画素値とする(図8)。重みは、例えば式(6)で与えられ、重み付け加算後の画素値は式(7)となる。
ステップS2005の処理の概略を図8に示す。
[S2006:繰り返し演算]
繰り返し演算部219は、ステップS2002で探索範囲となる小領域を設定した注目画素を変更し、上述したS2002〜S2005の処理を繰り返す。これにより対象画像全体のノイズ低減処理が完了する。
[S2006:繰り返し演算]
繰り返し演算部219は、ステップS2002で探索範囲となる小領域を設定した注目画素を変更し、上述したS2002〜S2005の処理を繰り返す。これにより対象画像全体のノイズ低減処理が完了する。
以上が本実施形態の画像処理部によるノイズ除去処理の流れである。
本実施形態によれば、従来、類似するパッチの探索範囲が、処理対象である画像内に限定されていたのに対し、類似するパッチの探索範囲を処理画像だけでなく、既に取得した同分類の画像に広げることにより、類似度が高いパッチを確実に積算に用いることができ且つ積算数を増加させることができ、ノイズ除去の効果を高めることができる。また既撮像画像として同分類の画像を用いることで、対象画像のパッチとの類似度が高いパッチを多数抽出できるので、パッチのサイズが小さくてもノイズ除去効果を高め且つ演算負荷を低減することができる。
また本実施形態によれば、類似度算出の手法として、線形変換付き類似度算出を採用することにより、コントラストの異なる画像も効果的に利用することができる。これによりMRI装置のようなコントラストの異なる多種の画像を取得する装置において、被検体自身の、或いは被検体以外の異種画像を用いて効果的なノイズ除去を行うことができる。
なお、上述した式(1)〜式(7)の計算例では、対象画像とそれとは異なる既撮像画像とのパッチ同士の類似度を算出し、既撮像画像のパッチの画素値をその類似度に応じて重み加算したが、対象画像自体について、小領域から処理対象パッチ以外のパッチを抽出し、処理対象パッチとそれ以外のパッチとの類似度を算出し、類似度に応じて重み付け加算してもよい。
この場合、これら式におけるxj「既撮像画像内のj番目のパッチの画素ベクトル」に加えて、xk「処理画像のk番目(但し、k≠i)のパッチの画素ベクトル」についても類似度を算出し、xjとxkとを用いて重み付け加算を行う。
このように処理画像自体も重み付け加算に加えることにより、さらに、ノイズ除去の効果を向上することができる。
このように処理画像自体も重み付け加算に加えることにより、さらに、ノイズ除去の効果を向上することができる。
[効果]
本実施形態による処理の結果画像を図9に示す。図9の(A)は原画像、(B−1)は本実施形態によるノイズ除去画像、(C−1)は原画像との差分を示す。比較例として、(B−2)、(C−2)に従来のBoxフィルタNLM法によるノイズ除去結果を示す。なお、従来法では、パッチの大きさを3×3としたのに対し、本実施形態ではパッチサイズは8×8とした。
本実施形態による処理の結果画像を図9に示す。図9の(A)は原画像、(B−1)は本実施形態によるノイズ除去画像、(C−1)は原画像との差分を示す。比較例として、(B−2)、(C−2)に従来のBoxフィルタNLM法によるノイズ除去結果を示す。なお、従来法では、パッチの大きさを3×3としたのに対し、本実施形態ではパッチサイズは8×8とした。
差分画像(C−1)、(C−2)から本実施形態では、従来法に比べ、パッチサイズを大きくしても従来法よりも原画像のエッジが保存されており、優れたエッジ保存ノイズ除去効果が得られることがわかった。
<第二実施形態>
第一実施形態では、対象画像のパッチの注目画素を、既撮像画像のパッチの対応画素で重み付け加算する処理を画素毎に行ったが、本実施形態では、パッチを一つの処理ブロックとして、パッチ内の全画素をそれぞれ対応する画素で重み付け加算する。
第一実施形態では、対象画像のパッチの注目画素を、既撮像画像のパッチの対応画素で重み付け加算する処理を画素毎に行ったが、本実施形態では、パッチを一つの処理ブロックとして、パッチ内の全画素をそれぞれ対応する画素で重み付け加算する。
本実施形態においても画像処理部の構成は第一実施形態と同様である。以下、図10のフローを参照して本実施形態のノイズ処理を説明する。なお図10において、図4と同じ内容の処理は同じ符号で示し、重複する説明は省略する。
図10に示すように、ノイズ除去部21が、記憶装置に格納された既撮像画像から同じ分類の画像を読出し(S2001)、対象画像と既撮像画像とに小領域を設定し(S2002)、小領域を探索範囲としてパッチ間の類似度を算出すること(S2003、S2004)は第一実施形態と同様である。
第一実施形態では、図8に示したように、対象パッチ内の注目画素の画素値を、既撮像画像のパッチの画素値に類似度に応じた重み付けをして加算して決定したが、本実施形態では、ステップS2015において、対象パッチ内の全画素(パッチサイズが7×7の場合には49画素全部)の画素値を、既撮像画像のパッチの対応する画素の画素値を用いて重み付け加算する。重みは、ステップS2004で算出したパッチ間の類似度から算出する。即ち、パッチ毎に類似度が算出されると、類似度から算出される重みをパッチ内のすべての画素に適用して、次式(8)に従い重み付け加算する。
一括して対象パッチ内の画素値を求める様子を図11に示す。但し、図11では、既撮像画像のパッチのうち一つの画素値を対象パッチの画素値に適用する矢印を示し、他の既撮像画像のパッチの画素値について省略している。
このように重み付け加算ステップS2015は、パッチ毎のブロック処理となる。ステップS2016の繰り返し演算は、対象画像に設定するパッチ毎にステップS2002〜S2015を繰り返す。
ここでステップS2003における局所領域(対象パッチ)の抽出は、図12(A)に示すように、例えばステップS2002で抽出した小領域において、パッチ同士が重複しないように抽出してもよいし、図12(B)に示すように、パッチ同士が一部重複するように抽出してもよい。この場合、重複する部分の画素については、例えば画素値の平均値を画素値とする。このように重複して対象パッチを抽出することにより、パッチ間に処理の不連続性に起因するアーチファクト等が生じるのを防止することができる。
本実施形態によれば、画素毎に繰り返し演算を行うのではなく、パッチ毎にブロック処理を行うことにより、演算負荷を低減し処理速度を上げることができる。
以上、本発明をMRI装置に適用した実施形態を説明したが、本発明はMRI装置とは独立した画像処理装置や画像処理プログラムを搭載した計算機においても実現可能であり、また本発明の画像処理装置がノイズ処理の対象とする画像は、MRI装置で取得した画像に限定されることなく、CT装置や超音波装置で取得した画像についても、適用することができる。
独立した画像処理装置の構成例を図13に示す。図示するように、画像処理装置200は、ノイズ除去用の画像処理プロブラムを搭載した計算機で構成され、医用撮像装置100や医用撮像装置100で取得した画像を格納する記憶装置(データベース等)500と通信やインターネット等を介して接続される。また表示部や入力部を備えたユーザーインターフェイス部40が接続される。
この画像処理装置200は、ノイズ除去用プログラムを実行することにより機能するノイズ除去部21と、画像取得部25とを備えている。画像取得部25は、医用撮像装置100や記憶装置500あるいは可搬媒体等から処理の対象となる画像やそのノイズ処理に用いる画像を取得する。ノイズ除去部21の機能は、第一実施形態或いは第二実施形態で説明したMRI装置のノイズ除去部21と同様であり、対象画像に対し、画素毎に、複数の既撮像画像を用いて、類似度に基づく重み加算処理を行い、ノイズ低減処理を実行する。
10:計測部、20:画像処理部、40:ユーザーインターフェイス部、50:外部記憶装置、21:ノイズ除去部、100:MRI装置(医用撮像装置)、200:画像処理装置、210:分類部、211:画像読出し部、212:探索範囲設定部、213:局所領域設定部、215:類似度算出部、217:重み付け加算部、219:繰り返し演算部
Claims (15)
- 医用撮像装置或いは画像を格納する記憶装置から既撮像画像を取得する画像取得部と、
特定の検査対象を撮像した対象画像に対し、前記対象画像以外の画像を含む既撮像画像を用いてノイズ低減処理を行うノイズ除去部と、を備え、
前記ノイズ除去部は、前記対象画像の局所領域と前記既撮像画像の局所領域との類似度に基づき、前記既撮像画像の局所領域に含まれる画素の画素値を重み付け加算し、前記対象画像の画素値を算出することを特徴とする画像処理装置。 - 請求項1に記載の画像処理装置であって、
前記ノイズ除去部は、
前記既撮像画像から、前記対象画像の局所領域と同サイズの局所領域を抽出し、前記局所領域との類似度を算出する類似度算出部と、
前記類似度算出部が算出した類似度に従って、前記既撮像画像の局所領域に含まれる画素の画素値を重み付け加算する重み付け加算部と、を備えることを特徴とする画像処理装置。 - 請求項2に記載の画像処理装置であって、
前記類似度算出部は、前記対象画像の局所領域と前記既得画像の局所領域との画素値の差分の二乗和から類似度を算出することを特徴とする画像処理装置。 - 請求項2に記載の画像処理装置であって、
前記類似度算出部は、前記既撮像画像の局所領域の画素値を線形変換した後、前記対象画像との類似度を算出することを特徴とする画像処理装置。 - 請求項2に記載の画像処理装置であって、
前記重み付け加算部は、前記対象画像の局所領域に含まれる1ないし複数の画素について、前記類似度に従って、前記既撮像画像の局所領域に含まれる1ないし複数の画素の画素値を重み付け加算し、前記対象画像の局所領域に含まれる前記1ないし複数の画素の画素値とすることを特徴とする画像処理装置。 - 請求項1に記載の画像処理装置であって、
前記ノイズ除去部は、
前記対象画像及び前記既撮像画像の画素毎に、それぞれ、類似度を算出する範囲を設定する探索範囲設定部と、
前記探索範囲設定部が設定した探索範囲において、前記局所領域を設定する局所領域設定部と、
を備えることを特徴とする画像処理装置。 - 請求項6に記載の画像処理装置であって、
前記ノイズ除去部は、前記対象画像の画素または局所領域を変更しながら、局所領域の類似度に基づく重み付け加算を繰り返すことを特徴とする画像処理装置。 - 請求項1に記載の画像処理装置であって、
画像を撮像部位及び撮像条件に従って分類する分類部をさらに備え、
前記画像取得部は、前記分類部による分類基準を参照して、前記既撮像画像を選択することを特徴とする画像処理装置。 - 請求項1に記載の画像処理装置であって、
前記画像取得部は、前記既撮像画像として、前記対象画像及び当該対象画像の取得時より過去に取得された画像を取得することを特徴とする画像処理装置。 - 請求項1に記載の画像処理装置であって、
前記画像取得部は、前記既撮像画像として、前記対象画像と撮像部位及び撮像条件が共通する同種の画像を取得することを特徴とする画像処理装置。 - 請求項1に記載の画像処理装置であって、
前記画像取得部は、前記既撮像画像として、前記対象画像と撮像部位が同じで撮像条件が異なる画像を取得することを特徴とする画像処理装置。 - 医用撮像装置で取得した対象画像に対しノイズ低減処理を行うための画像処理プログラムであって、
コンピュータに、
既撮像画像を格納した記憶装置から、前記既撮像画像を読み出すステップと、
前記対象画像及び前記既撮像画像の画素毎に、それぞれ、類似度を算出する探索範囲を設定するステップと、
前記対象画像の前記探索範囲において、前記対象画像に局所領域を設定するステップと、
前記既撮像画像から、前記対象画像の局所領域と同サイズの局所領域を抽出し、前記局所領域との類似度を算出するステップと、
前記類似度に従って、前記既撮像画像の局所領域に含まれる画素の画素値を重み付け加算するステップと、を実行させる画像処理プログラム。 - 請求項12に記載の画像処理プログラムであって、
前記対象画像及び前記既撮像画像は、MRI装置が取得した画像であることを特徴とする画像処理プログラム。 - 被検体から核磁気共鳴信号を計測する計測部と、
前記計測部が計測した核磁気共鳴信号を用いて前記被検体の画像を再構成する画像生成部と、前記画像に対しノイズ低減処理を行うノイズ除去部と、を備え、
前記ノイズ除去部は、前記被検体の画像を対象画像として、既撮像画像を格納する記憶装置から、前記対象画像のノイズ処理に用いる既撮像画像を読み出す画像読出し部と、
前記対象画像の局所領域と前記既撮像画像の局所領域との類似度を算出する類似度算出部と、
前記類似度に基づき、前記既撮像画像の局所領域に含まれる画素の画素値を重み付け加算し、前記対象画像の画素値を算出する重み付け加算部と、を備えることを特徴とする磁気共鳴イメージング装置。 - 請求項14に記載の磁気共鳴イメージング装置であって、
画像を撮像部位及び撮像条件に従って分類する分類部をさらに備え、
前記画像読み出し部は、前記分類部による分類基準を参照して、前記既撮像画像を読み出すことを特徴とする磁気共鳴イメージング装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019112993A JP2020202988A (ja) | 2019-06-18 | 2019-06-18 | 画像処理装置、画像処理プログラム、及び、磁気共鳴イメージング装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019112993A JP2020202988A (ja) | 2019-06-18 | 2019-06-18 | 画像処理装置、画像処理プログラム、及び、磁気共鳴イメージング装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020202988A true JP2020202988A (ja) | 2020-12-24 |
Family
ID=73837652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019112993A Pending JP2020202988A (ja) | 2019-06-18 | 2019-06-18 | 画像処理装置、画像処理プログラム、及び、磁気共鳴イメージング装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020202988A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022183988A1 (en) * | 2021-03-03 | 2022-09-09 | The University Of Hong Kong | Systems and methods for magnetic resonance image reconstruction with denoising |
-
2019
- 2019-06-18 JP JP2019112993A patent/JP2020202988A/ja active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022183988A1 (en) * | 2021-03-03 | 2022-09-09 | The University Of Hong Kong | Systems and methods for magnetic resonance image reconstruction with denoising |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kociołek et al. | Does image normalization and intensity resolution impact texture classification? | |
EP3749973B1 (en) | Multi-resolution quantitative susceptibility mapping with magnetic resonance imaging | |
Roy et al. | MR contrast synthesis for lesion segmentation | |
Goubran et al. | Image registration of ex-vivo MRI to sparsely sectioned histology of hippocampal and neocortical temporal lobe specimens | |
WO2022183988A1 (en) | Systems and methods for magnetic resonance image reconstruction with denoising | |
US11965946B2 (en) | Machine learning based processing of magnetic resonance data, including an uncertainty quantification | |
US20180232913A1 (en) | Magnetic resonance imaging with enhanced bone visualization | |
Lei et al. | Artifact-and content-specific quality assessment for MRI with image rulers | |
CN109949288A (zh) | 肿瘤类型确定系统、方法及存储介质 | |
CN111157935B (zh) | 磁共振成像方法、装置、存储介质及计算机设备 | |
Chahid et al. | A New ROI-Based performance evaluation method for image denoising using the Squared Eigenfunctions of the Schrödinger Operator | |
Kim et al. | Fat-saturated image generation from multi-contrast MRIs using generative adversarial networks with Bloch equation-based autoencoder regularization | |
Parreño et al. | Deidentifying MRI data domain by iterative backpropagation | |
Xu et al. | STRESS: Super-resolution for dynamic fetal MRI using self-supervised learning | |
Jurek et al. | Supervised denoising of diffusion-weighted magnetic resonance images using a convolutional neural network and transfer learning | |
Ouchi et al. | Reconstruction of compressed-sensing MR imaging using deep residual learning in the image domain | |
Zuo et al. | Synthesizing realistic brain MR images with noise control | |
JP2020202988A (ja) | 画像処理装置、画像処理プログラム、及び、磁気共鳴イメージング装置 | |
EP3767634B1 (en) | Method and system for data augmentation using simulated contrasts | |
US20150016701A1 (en) | Pulse sequence-based intensity normalization and contrast synthesis for magnetic resonance imaging | |
JP6629247B2 (ja) | 微細構造解析データのデータ品質を評価し向上させる方法 | |
US20220414837A1 (en) | Medical image processing device, medical imaging apparatus, and noise reduction method for medical image | |
Li et al. | Learning ADC maps from accelerated radial k‐space diffusion‐weighted MRI in mice using a deep CNN‐transformer model | |
KR20190081656A (ko) | 자기공명영상의 왜곡 보정을 위한 방법 및 이를 적용한 자기공명영상 장치 | |
CN114494014A (zh) | 一种磁共振图像超分辨率重建方法及装置 |