JP2022039989A5

JP2022039989A5 -

Info

Publication number: JP2022039989A5
Application number: JP2021123329A
Authority: JP
Filing date: 2021-07-28
Publication date: 2024-05-23
Anticipated expiration: 2041-07-28

Description

本開示の一実施態様による画像処理装置は、被検査物の第１の放射線画像を取得する取得部と、低周波成分に比べて高周波成分が低減されたノイズを加算して得た放射線画像を含む学習データを用いて学習して得た学習済モデルに前記取得部により取得された第１の放射線画像を入力することにより、前記第１の放射線画像に比べてノイズが低減された第２の放射線画像を生成する生成部と、を備える。

Claims

被検査物の第１の放射線画像を取得する取得部と、
低周波成分に比べて高周波成分が低減されたノイズを加算して得た放射線画像を含む学習データを用いて学習して得た学習済モデルに前記取得部により取得された第１の放射線画像を入力することにより、前記第１の放射線画像に比べてノイズが低減された第２の放射線画像を生成する生成部と、
を備える画像処理装置。
前記生成部は、放射線検出器に含まれる蛍光体の変調伝達関数に応じて前記高周波成分が低減されたノイズを加算して得た放射線画像を含む学習データを用いて学習して得た学習済モデルに前記第１の放射線画像を入力することにより、前記第２の放射線画像を生成する、請求項１に記載の画像処理装置。
前記生成部は、放射線検出器のシステムノイズを模したノイズと前記高周波成分が低減されたノイズとを含む人工ノイズを加算して得た放射線画像を含む学習データを用いて学習して得た学習済モデルに前記第１の放射線画像を入力することにより、前記第２の放射線画像を生成する、請求項１又は２に記載の画像処理装置。
前記人工ノイズは、前記放射線検出器のシステムノイズを模したノイズと前記高周波成分が低減されたノイズとを所定の合成比率で合成したノイズを含む、請求項３に記載の画像処理装置。
前記生成部は、前記放射線検出器のシステムノイズを模したノイズと前記高周波成分が低減されたノイズとを第１の合成比率で合成した人工ノイズを加算して得た放射線画像と、前記放射線検出器のシステムノイズを模したノイズと前記高周波成分が低減されたノイズとを前記第１の合成比率とは異なる第２の合成比率で合成した人工ノイズを加算して得た放射線画像とを含む学習データを用いて学習して得た学習済モデルに前記第１の放射線画像を入力することにより、前記第２の放射線画像を生成する、請求項４に記載の画像処理装置。
前記人工ノイズの平均値又は中央値は０である、請求項３乃至５のいずれか１項に記載の画像処理装置。
被検査物の放射線画像に含まれる、ポアソン分布に従うノイズの分散を安定化するように、被検査物の放射線画像に対して変換処理を行う変換部を更に備え、
前記変換部は、前記第１の放射線画像に対して前記変換処理を行い、
前記生成部は、前記変換処理が行われた前記第１の放射線画像に基づいて前記第２の放射線画像を生成し、
前記変換部は、前記第２の放射線画像に対して前記変換処理の逆変換処理を行う、請求項１乃至６のいずれか一項に記載の画像処理装置。
前記変換部は、
前記第１の放射線画像に対して、平方根変換処理を行い、
前記第２の放射線画像に対して、平方根変換処理の逆変換処理を行う、請求項７に記載の画像処理装置。
被検査物の放射線画像に含まれる画素値の平均値を調整する調整部を更に備え、
前記調整部は、前記変換処理が行われた前記第１の放射線画像に含まれる各画素値から、該画素値の平均値を減算し、
前記生成部は、前記平均値が減算された第１の放射線画像に基づいて前記第２の放射線画像を生成し、
前記調整部は、前記第２の放射線画像に含まれる各画素値に前記平均値を加算し、
前記変換部は、前記平均値が加算された前記第２の放射線画像に対して前記逆変換処理を行う、請求項７又は８に記載の画像処理装置。
前記学習データは、被検査物の放射線画像に対して前記変換処理を行った放射線画像を含む、請求項７乃至９のいずれか一項に記載の画像処理装置。
前記学習データは、前記第１の放射線画像に対して行う平方根変換におけるノイズの標準偏差に比べ、ノイズの標準偏差が大きくなるように平方根変換を行った放射線画像を含む、請求項１０に記載の画像処理装置。
前記学習データは、前記変換処理を行った放射線画像に含まれる各画素値から、該画素値の平均値を減算した放射線画像を含む、請求項７乃至１１のいずれか一項に記載の画像処理装置。
前記学習データは、前記変換処理を行った放射線画像に正規化処理を施した放射線画像と、前記変換処理を行った放射線画像に含まれる各画素値から、該画素値の平均値を減算した放射線画像とを入力データとして含む、請求項１２に記載の画像処理装置。
前記学習データは、被検査物の放射線画像に前記ノイズを加算した放射線画像を入力データとし、被検査物の放射線画像を正解データとしたデータを含む、請求項１乃至１３のいずれか一項に記載の画像処理装置。
前記学習データは、前記ノイズを加算した放射線画像に前記変換処理を行った放射線画像を入力データとし、前記変換処理を行った放射線画像を正解データとしたデータを含む、請求項７乃至１３のいずれか一項に記載の画像処理装置。
前記学習データは、前記ノイズを加算した放射線画像から前記画素値の平均値を減算した放射線画像を入力データとし、前記画素値の平均値が減算された放射線画像を正解データとしたデータを含む、請求項９又は１２に記載の画像処理装置。
前記学習データは、前記ノイズが加算された被検査物の放射線画像に対して前記変換処理を行った放射線画像を入力データとし、被検査物の放射線画像に対して前記変換処理を行った放射線画像を正解データとしたデータを含む、請求項７乃至１３のいずれか一項に記載の画像処理装置。
前記学習データは、前記ノイズが加算された被検査物の放射線画像に対して前記変換処理を行った放射線画像に含まれる各画素値から、該画素値の平均値を減算した放射線画像を入力データとし、被検査物の放射線画像に対して前記変換処理を行った放射線画像に含まれる各画素値から、該画素値の平均値を減算した放射線画像を正解データとしたデータを含む、請求項９又は１２に記載の画像処理装置。
放射線画像を複数の放射線画像に分割する分割部を更に備え、
前記分割部は、被検査物の放射線画像を、複数の第１の放射線画像に分割し、
前記生成部は、前記複数の第１の放射線画像に基づいて複数の第２の放射線画像を生成し、
前記分割部は、前記複数の第２の放射線画像を結合して、ノイズが低減された第３の放射線画像を生成する、請求項１乃至１８のいずれか一項に記載の画像処理装置。
前記学習データに用いる放射線画像は、被検査物の放射線画像を分割した複数の放射線画像を含む、請求項１乃至１９のいずれか一項に記載の画像処理装置。
前記生成部は、
前記学習データに用いる被検査物の放射線画像の取得に用いた放射線検出器に含まれる蛍光体の変調伝達関数に対する、前記第１の放射線画像の取得に用いた放射線検出器に含まれる蛍光体の変調伝達関数の比に応じて前記第１の放射線画像を変形し、
前記学習済モデルを用いて、前記変形された第１の放射線画像から第２の放射線画像を生成し、
前記比の逆数に応じて前記第２の放射線画像を変形する、請求項１乃至２０のいずれか一項に記載の画像処理装置。
前記学習済モデルは、エンコーダー機能とデコーダー機能とを有するＵ字型の構造を含むニューラルネットワークを含み、前記ニューラルネットワークは、デコーダー側の１層目の畳み込み層から出力されるデータに入力データを加算する加算層を有する、請求項１乃至２１のいずれか１項に記載の画像処理装置。
被検査物の放射線画像と、ランダムノイズとランダムノイズとは異なるノイズとを前記放射線画像に加算した放射線画像と、を含む学習データを用いて学習した学習済モデルに第１の放射線画像を入力することにより、前記第１の放射線画像に比べてノイズが低減された第２の放射線画像を生成する生成部を備える画像処理装置。
機械学習モデルに、低周波成分に比べて高周波成分が低減されたノイズを加算して得た放射線画像を含む学習データを学習させる学習部を備える、学習装置。
被検査物の放射線画像に含まれる、ポアソン分布に従うノイズの分散を安定化するように、被検査物の放射線画像に対して変換処理を行う変換部を更に備え、
前記学習部は、前記変換部により前記変換処理が行われた被検査物の放射線画像を用いた学習データを前記機械学習モデルに学習させる、請求項２４に記載の学習装置。
被検査物の放射線画像に含まれる画素値の平均値を調整する調整部を更に備え、
前記調整部は、前記変換処理が行われた被検査物の放射線画像に含まれる各画素値から、該画素値の平均値を減算し、
前記学習部は、前記平均値が減算された被検査物の放射線画像を用いた学習データを前記機械学習モデルに学習させる、請求項２５に記載の学習装置。
被検査物の放射線画像を複数の放射線画像に分割する分割部を更に備え、
前記学習部は、前記分割部によって分割された複数の放射線画像を用いた学習データを機械学習モデルに学習させる、請求項２４乃至２６のいずれか一項に記載の学習装置。
被検査物の第１の放射線画像を取得することと、
低周波成分に比べて高周波成分が低減されたノイズを加算して得た放射線画像を含む学習データを用いて学習して得た学習済モデルに前記取得された第１の放射線画像を入力することにより、前記第１の放射線画像に比べてノイズが低減された第２の放射線画像を生成することと、
を含む、画像処理方法。
前記第１の放射線画像に含まれる、ポアソン分布に従うノイズの分散を安定化するように、前記第１の放射線画像に対して変換処理を行うことと、
前記第２の放射線画像に対して前記変換処理の逆変換処理を行うことと、
を更に含み、
前記第２の放射線画像を生成することは、前記変換処理が行われた前記第１の放射線画像に基づいて前記第２の放射線画像を生成することを含む、請求項２８に記載の画像処理方法。
前記変換処理が行われた前記第１の放射線画像に含まれる各画素値から、該画素値の平均値を減算することと、
前記第２の放射線画像に含まれる各画素値に前記平均値を加算することと、
を更に含み、
前記第２の放射線画像を生成することは、前記平均値が減算された第１の放射線画像に基づいて前記第２の放射線画像を生成することを含み、
前記逆変換処理を行うことは、前記平均値が加算された前記第２の放射線画像に対して前記逆変換処理を行うことを含む、請求項２９に記載の画像処理方法。
被検査物の放射線画像を、複数の第１の放射線画像に分割することと、
複数の第２の放射線画像を結合してノイズが低減された第３の放射線画像を生成することと、
を更に含み
前記第２の放射線画像を生成することは、前記複数の第１の放射線画像に基づいて複数の第２の放射線画像を生成することを含む、請求項２８乃至３０のいずれか一項に記載の画像処理方法。
機械学習モデルに、低周波成分に比べて高周波成分が低減されたノイズを加算して得た放射線画像を含む学習データを学習させることを含む、学習方法。
被検査物の放射線画像に含まれる、ポアソン分布に従うノイズの分散を安定化するように、被検査物の放射線画像に対して変換処理を行うことを更に含み、
前記学習させることは、前記変換処理が行われた被検査物の放射線画像を用いた学習データを前記機械学習モデルに学習させることを含む、請求項３２に記載の学習方法。
前記変換処理が行われた被検査物の放射線画像に含まれる各画素値から、該画素値の平均値を減算することを更に含み、
前記学習させることは、前記平均値が減算された被検査物の放射線画像を用いた学習データを前記機械学習モデルに学習させることを含む、請求項３３に記載の学習方法。
被検査物の放射線画像を複数の放射線画像に分割することを更に含み、
前記学習させることは、前記分割された複数の放射線画像を用いた学習データを機械学習モデルに学習させることを含む、請求項３２乃至３４のいずれか一項に記載の学習方法。
コンピュータによって実行されると、該コンピュータに請求項２８乃至３１のいずれか一項に記載の画像処理方法の各工程を実行させるプログラム。
コンピュータによって実行されると、該コンピュータに請求項３２乃至３５のいずれか一項に記載の学習方法の各工程を実行させるプログラム。