JP2022100493A - X線画像処理装置およびx線画像処理方法 - Google Patents
X線画像処理装置およびx線画像処理方法 Download PDFInfo
- Publication number
- JP2022100493A JP2022100493A JP2020214498A JP2020214498A JP2022100493A JP 2022100493 A JP2022100493 A JP 2022100493A JP 2020214498 A JP2020214498 A JP 2020214498A JP 2020214498 A JP2020214498 A JP 2020214498A JP 2022100493 A JP2022100493 A JP 2022100493A
- Authority
- JP
- Japan
- Prior art keywords
- image
- frequency component
- resolution
- ray
- frequency
- 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 276
- 238000003672 processing method Methods 0.000 title claims description 20
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 131
- 230000002194 synthesizing effect Effects 0.000 claims description 55
- 238000000034 method Methods 0.000 claims description 50
- 230000008569 process Effects 0.000 claims description 38
- 210000004204 blood vessel Anatomy 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 230000002441 reversible effect Effects 0.000 claims description 5
- 239000000203 mixture Substances 0.000 abstract description 8
- 230000004048 modification Effects 0.000 description 60
- 238000012986 modification Methods 0.000 description 60
- 230000000052 comparative effect Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 238000003384 imaging method Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 238000012886 linear function Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002697 interventional radiology Methods 0.000 description 2
- 230000001151 other effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4061—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution by injecting details from different spectral ranges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
【解決手段】このX線画像処理装置100は、X線画像10を取得する画像取得部1と、X線画像10を高周波成分画像11と低周波成分画像12とに周波数分解する周波数分解処理部2aと、画像の解像度を高めることを学習させた学習済みの学習モデル40によって、高周波成分画像11から高周波成分画像11よりも解像度が高い画像である高解像度高周波成分画像を生成する高解像度画像生成部2bと、低周波成分画像12に基づく画像と高解像度高周波成分画像に基づく画像とを合成することにより高解像度X線画像13を生成する画像合成部2cと、を含む。
【選択図】図1
Description
X線画像処理装置100は、図1に示すように、画像取得部1と、画像処理部2と、記憶部3とを備える。
図2に示すように、X線画像撮像装置200は、X線源201と、X線検出部202と、撮像装置制御部203と、撮像装置画像処理部204と、表示部205と、を備える。撮像装置制御部203は、X線源201、撮像装置画像処理部204、および、表示部205と、電気的に接続されている。また、X線検出部202は、撮像装置画像処理部204と電気的に接続している。X線画像撮像装置200は、被検者90を撮像することにより、X線画像10を生成する。また、X線画像撮像装置200は、生成したX線画像10をX線画像処理装置100へと送る。なお、図2に示す例では、電気的な接続を破線で図示し、情報の入出力を実線の矢印で図示している。
図3に示すように、X線画像10は、被検者90(図2参照)を撮影した画像である。具体的には、X線画像10は、被検者90の血管90aおよび血管90aに導入されたデバイス91が写る画像である。また、X線画像10には、着目部位50と非着目部位51とが写る。着目部位50は、たとえば、血管90aのエッジ50a、および、デバイス91のエッジ50bを含む。また、非着目部位51は、たとえば、被検者90の心臓51a、肺51b、および、横隔膜51cを含む。また、デバイス91は、たとえば、ステント、カテーテル、ガイドワイヤなどを含む。
次に、図4および図5を参照して、本実施形態による画像処理方法によって、X線画像10から拡大された高解像度X線画像13を生成する構成について説明する。
本実施形態による学習モデル41の学習方法102は、教師用低解像度高周波成分画像42と、教師用高解像度高周波成分画像43とを用いて、高周波成分の解像度を向上させることを学習モデル41に学習させる。また、本実施形態では、学習モデル41を学習させる際に、解像度を向上させるとともに、画像を拡大することをさらに学習させる。なお、本明細書において、「拡大する」とは、画像の解像度を大きくすることを意味する。また、本明細書において、「高解像度」とは、精細さが高いことを意味する。また、「低解像度」とは、精細さが低いことを意味する。
本実施形態によるX線画像処理方法101は、高周波成分画像11から、高解像度高周波成分画像を生成するX線画像処理方法である。本実施形態によるX線画像処理方法101は、X線画像10を取得するステップと、X線画像10を高周波成分画像11と低周波成分画像12とに周波数分解するステップと、学習済みの学習モデル40によって、高周波成分画像11から高周波成分画像11よりも解像度が高い画像である高解像度高周波成分画像を生成するステップと、低周波成分画像12に基づく画像と高解像度高周波成分画像に基づく画像とを合成することにより高解像度X線画像13を生成するステップと、を含む。X線画像処理方法101の各ステップの詳細な処理については、後述する。
次に、図5を参照して、画像処理部2が、X線画像10から拡大された高解像度X線画像13を生成する構成について説明する。なお、図5に示す例では、X線画像10のサイズの4倍のサイズの高解像度X線画像13を生成する構成を示している。
本実施形態では、X線画像撮像装置200(図2参照)は、たとえば、カテーテル治療などのX線IVR(Interventional Radiology)において被検者90を透視撮影することによって、X線画像10を所定のフレームレートの動画像として撮影する。画像取得部1は、動画像としてのX線画像10を取得するように構成されている。具体的には、画像取得部1は、時系列的に連続してフレーム画像としてのX線画像10を取得する。周波数分解処理部2aは、動画像としてのX線画像10のフレームを取得する度に、取得したフレームに対して周波数分解処理を行うことにより、フレーム毎に低周波成分画像12と高周波成分画像11とを取得するように構成されている。高解像度画像生成部2bは、フレーム毎に取得された高周波成分画像11から高解像度高周波成分画像を生成するように構成されている。画像合成部2cは、フレーム毎の低周波成分画像12とフレーム毎の高解像度高周波成分画像とを合成することにより、動画像としての高解像度X線画像13を生成するように構成されている。また、画像合成部2cは、所定のフレームレートで動画像として高解像度X線画像13を表示部205(図2参照)に出力する。
次に、図6および図7を参照して、本実施形態による画像処理部2が生成した高解像度X線画像13と、従来手法により生成された比較例1および比較例2とにおける、画像に写るデバイス91の精細さの違いについて説明する。
本実施形態では、以下のような効果を得ることができる。
今回開示された実施形態は、全ての点で例示であり制限的なものではないと考えられるべきである。本発明の範囲は上記実施形態の説明ではなく特許請求の範囲によって示され、さらに特許請求の範囲と均等の意味および範囲内での全ての変更(変形例)が含まれる。
たとえば、上記実施形態では、画像拡大部2dが、周波数分解処理部2aがX線画像10に対して周波数分解処理を行った後に画像を拡大する構成の例を示したが、本発明はこれに限られない。たとえば、図9に示す第1変形例では、画像拡大部20dは、周波数分解処理部20aによって周波数分解が行われる前のX線画像10を拡大するように構成されていてもよい。
第1変形例では、以下のような効果を得ることができる。
また、上記実施形態では、画像拡大部2dが、周波数分解処理部2aがX線画像10に対して周波数分解処理を行った後に画像を拡大する構成の例を示したが、本発明はこれに限られない。たとえば、図12に示す第2変形例では、画像拡大部21dは、周波数分解処理部21aによって周波数分解が行われる前のX線画像10を拡大するように構成されていてもよい。
第2変形例では、以下のような効果を得ることができる。
また、上記実施形態、上記第1変形例、および、上記第2変形例では、X線画像処理装置が、X線画像10として、医用X線画像の処理装置として構成される例を示したが、本発明はこれに限られない。たとえば、X線画像処理装置は、非破壊検査用途に撮影されたX線画像の処理装置として構成されていてもよい。
上記した例示的な実施形態は、以下の態様の具体例であることが当業者により理解される。
X線画像を取得する画像取得部と、
前記X線画像を高周波成分画像と低周波成分画像とに周波数分解する周波数分解処理部と、
画像の解像度を高めることを学習させた学習済みの学習モデルによって、前記高周波成分画像から前記高周波成分画像よりも解像度が高い画像である高解像度高周波成分画像を生成する高解像度画像生成部と、
前記低周波成分画像に基づく画像と前記高解像度高周波成分画像に基づく画像とを合成することにより高解像度X線画像を生成する画像合成部と、を含む、X線画像処理装置。
前記高解像度画像生成部は、前記低周波成分画像から前記低周波成分画像よりも解像度が高い画像を生成する処理は行わず、前記高周波成分画像から前記高解像度高周波成分画像を生成する処理を行うように構成されている、項目1に記載のX線画像処理装置。
前記周波数分解処理部は、分解する周波数帯域が、前記X線画像のうちの所定の着目部位の周波数成分が高周波側の成分となるように設定された周波数分解処理を行うように構成されている、項目1または2に記載のX線画像処理装置。
前記X線画像は、被検者の血管および前記血管に導入されたデバイスが写る画像であり、
前記着目部位は、前記血管のエッジ、および、前記デバイスのエッジである、項目3に記載のX線画像処理装置。
前記画像取得部は、動画像としての前記X線画像を取得するように構成されており、
前記周波数分解処理部は、動画像としての前記X線画像のフレームを取得する度に、取得したフレームに対して周波数分解処理を行うことにより、フレーム毎に前記低周波成分画像と前記高周波成分画像とを取得するように構成されており、
前記高解像度画像生成部は、フレーム毎に取得された前記高周波成分画像から前記高解像度高周波成分画像を生成するように構成されており、
前記画像合成部は、フレーム毎の前記低周波成分画像とフレーム毎の前記高解像度高周波成分画像とを合成することにより、動画像としての前記高解像度X線画像を生成するように構成されている、項目1~4のいずれか1項に記載のX線画像処理装置。
前記周波数分解処理部は、前記X線画像に対して平滑化フィルタ処理を行うことにより、前記低周波成分画像を取得するとともに、前記X線画像から前記低周波成分画像を差分することにより、前記高周波成分画像を取得するように構成されている、項目1~5のいずれか1項に記載のX線画像処理装置。
画像を拡大する画像拡大部をさらに備え、
前記画像拡大部は、前記周波数分解処理部による周波数分解処理を行う前、または、周波数分解処理を行った後のいずれかにおいて画像を拡大するように構成されている、項目1~6のいずれか1項に記載のX線画像処理装置。
前記画像拡大部は、前記周波数分解処理部によって周波数分解することにより取得された前記低周波成分画像を拡大することにより、低周波成分拡大画像を生成するように構成されており、
前記学習モデルは、画像の解像度を高める際に、生成する画像を拡大することをさらに学習されており、
前記高解像度画像生成部は、前記学習モデルによって、前記高周波成分画像から、前記高周波成分画像よりも解像度が向上し、かつ、拡大された高解像度高周波成分拡大画像を生成するように構成されており、
前記画像合成部は、前記低周波成分拡大画像と、前記高解像度高周波成分拡大画像とを合成することにより、前記高解像度X線画像を生成するように構成されている、項目7に記載のX線画像処理装置。
画像を縮小する画像縮小部をさらに備え、
前記画像拡大部は、前記周波数分解処理部によって周波数分解する前の前記X線画像を拡大するように構成されており、
前記学習モデルは、画像の解像度を高める際に、生成する画像を拡大することをさらに学習されており、
前記周波数分解処理部は、拡大された前記X線画像から、低周波成分拡大画像と、高周波成分拡大画像とを生成するように構成されており、
前記画像縮小部は、前記高周波成分拡大画像を縮小することにより、高周波成分縮小画像を取得するように構成されており、
前記高解像度画像生成部は、前記学習モデルによって、前記高周波成分縮小画像から、高解像度高周波成分拡大画像を生成するように構成されており、
前記画像合成部は、前記低周波成分拡大画像と、前記高解像度高周波成分拡大画像とを合成することにより、前記高解像度X線画像を生成するように構成されている、項目7に記載のX線画像処理装置。
前記画像拡大部は、前記周波数分解処理部によって周波数分解する前の前記X線画像を拡大するように構成されており、
前記周波数分解処理部は、拡大された前記X線画像から、低周波成分拡大画像と高周波成分拡大画像とを生成するように構成されており、
前記高解像度画像生成部は、前記学習モデルによって、前記高周波成分拡大画像から高解像度高周波成分拡大画像を生成するように構成されており、
前記画像合成部は、前記低周波成分拡大画像と、前記高解像度高周波成分拡大画像とを合成することにより、前記高解像度X線画像を生成するように構成されている、項目7に記載のX線画像処理装置。
前記画像拡大部は、可逆変換可能な補間アルゴリズムによって画像を拡大するように構成されている、項目7~10のいずれか1項に記載のX線画像処理装置。
前記画像縮小部は、可逆変換可能な補間アルゴリズムによって画像を縮小するように構成されている、項目9に記載のX線画像処理装置。
X線画像を取得するステップと、
前記X線画像を高周波成分画像と低周波成分画像とに周波数分解するステップと、
学習済みの学習モデルによって、前記高周波成分画像から前記高周波成分画像よりも解像度が高い画像である高解像度高周波成分画像を生成するステップと、
前記低周波成分画像に基づく画像と前記高解像度高周波成分画像に基づく画像とを合成することにより高解像度X線画像を生成するステップと、を含む、X線画像処理方法。
2a、20a、21a 周波数分解処理部
2b、20b、21b 高解像度画像生成部
2c 画像合成部
2d、20d、21d 画像拡大部
2e 画像縮小部
10 X線画像
11 高周波成分画像
12 低周波成分画像
13 高解像度X線画像
14 低周波成分拡大画像
15 高解像度高周波成分拡大画像(高解像度高周波成分画像、高解像度高周波成分画像に基づく画像)
16 拡大されたX線画像
17 高周波成分拡大画像
18 高周波成分縮小画像
40、140、240 学習モデル
50 着目部位
50a エッジ(血管のエッジ)
50b エッジ(デバイスのエッジ)
90 被検者
90a 血管
91 デバイス
100、110、120 X線画像処理装置
Claims (13)
- X線画像を取得する画像取得部と、
前記X線画像を高周波成分画像と低周波成分画像とに周波数分解する周波数分解処理部と、
画像の解像度を高めることを学習させた学習済みの学習モデルによって、前記高周波成分画像から前記高周波成分画像よりも解像度が高い画像である高解像度高周波成分画像を生成する高解像度画像生成部と、
前記低周波成分画像に基づく画像と前記高解像度高周波成分画像に基づく画像とを合成することにより高解像度X線画像を生成する画像合成部と、を含む、X線画像処理装置。 - 前記高解像度画像生成部は、前記低周波成分画像から前記低周波成分画像よりも解像度が高い画像を生成する処理は行わず、前記高周波成分画像から前記高解像度高周波成分画像を生成する処理を行うように構成されている、請求項1に記載のX線画像処理装置。
- 前記周波数分解処理部は、分解する周波数帯域が、前記X線画像のうちの所定の着目部位の周波数成分が高周波側の成分となるように設定された周波数分解処理を行うように構成されている、請求項1または2に記載のX線画像処理装置。
- 前記X線画像は、被検者の血管および前記血管に導入されたデバイスが写る画像であり、
前記着目部位は、前記血管のエッジ、および、前記デバイスのエッジを含む、請求項3に記載のX線画像処理装置。 - 前記画像取得部は、動画像としての前記X線画像を取得するように構成されており、
前記周波数分解処理部は、動画像としての前記X線画像のフレームを取得する度に、取得したフレームに対して周波数分解処理を行うことにより、フレーム毎に前記低周波成分画像と前記高周波成分画像とを取得するように構成されており、
前記高解像度画像生成部は、フレーム毎に取得された前記高周波成分画像から前記高解像度高周波成分画像を生成するように構成されており、
前記画像合成部は、フレーム毎の前記低周波成分画像とフレーム毎の前記高解像度高周波成分画像とを合成することにより、動画像としての前記高解像度X線画像を生成するように構成されている、請求項1~4のいずれか1項に記載のX線画像処理装置。 - 前記周波数分解処理部は、前記X線画像に対して平滑化フィルタ処理を行うことにより、前記低周波成分画像を取得するとともに、前記X線画像から前記低周波成分画像を差分することにより、前記高周波成分画像を取得するように構成されている、請求項1~5のいずれか1項に記載のX線画像処理装置。
- 画像を拡大する画像拡大部をさらに備え、
前記画像拡大部は、前記周波数分解処理部による周波数分解処理を行う前、または、周波数分解処理を行った後のいずれかにおいて画像を拡大するように構成されている、請求項1~6のいずれか1項に記載のX線画像処理装置。 - 前記画像拡大部は、前記周波数分解処理部によって周波数分解することにより取得された前記低周波成分画像を拡大することにより、低周波成分拡大画像を生成するように構成されており、
前記学習モデルは、画像の解像度を高める際に、生成する画像を拡大することをさらに学習されており、
前記高解像度画像生成部は、前記学習モデルによって、前記高周波成分画像から、前記高周波成分画像よりも解像度が向上し、かつ、拡大された高解像度高周波成分拡大画像を生成するように構成されており、
前記画像合成部は、前記低周波成分拡大画像と、前記高解像度高周波成分拡大画像とを合成することにより、前記高解像度X線画像を生成するように構成されている、請求項7に記載のX線画像処理装置。 - 画像を縮小する画像縮小部をさらに備え、
前記画像拡大部は、前記周波数分解処理部によって周波数分解する前の前記X線画像を拡大するように構成されており、
前記学習モデルは、画像の解像度を高める際に、生成する画像を拡大することをさらに学習されており、
前記周波数分解処理部は、拡大された前記X線画像から、低周波成分拡大画像と、高周波成分拡大画像とを生成するように構成されており、
前記画像縮小部は、前記高周波成分拡大画像を縮小することにより、高周波成分縮小画像を取得するように構成されており、
前記高解像度画像生成部は、前記学習モデルによって、前記高周波成分縮小画像から、高解像度高周波成分拡大画像を生成するように構成されており、
前記画像合成部は、前記低周波成分拡大画像と、前記高解像度高周波成分拡大画像とを合成することにより、前記高解像度X線画像を生成するように構成されている、請求項7に記載のX線画像処理装置。 - 前記画像拡大部は、前記周波数分解処理部によって周波数分解する前の前記X線画像を拡大するように構成されており、
前記周波数分解処理部は、拡大された前記X線画像から、低周波成分拡大画像と高周波成分拡大画像とを生成するように構成されており、
前記高解像度画像生成部は、前記学習モデルによって、前記高周波成分拡大画像から高解像度高周波成分拡大画像を生成するように構成されており、
前記画像合成部は、前記低周波成分拡大画像と、前記高解像度高周波成分拡大画像とを合成することにより、前記高解像度X線画像を生成するように構成されている、請求項7に記載のX線画像処理装置。 - 前記画像拡大部は、可逆変換可能な補間アルゴリズムによって画像を拡大するように構成されている、請求項7~10のいずれか1項に記載のX線画像処理装置。
- 前記画像縮小部は、可逆変換可能な補間アルゴリズムによって画像を縮小するように構成されている、請求項9に記載のX線画像処理装置。
- X線画像を取得するステップと、
前記X線画像を高周波成分画像と低周波成分画像とに周波数分解するステップと、
学習済みの学習モデルによって、前記高周波成分画像から前記高周波成分画像よりも解像度が高い画像である高解像度高周波成分画像を生成するステップと、
前記低周波成分画像に基づく画像と前記高解像度高周波成分画像に基づく画像とを合成することにより高解像度X線画像を生成するステップと、を含む、X線画像処理方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020214498A JP2022100493A (ja) | 2020-12-24 | 2020-12-24 | X線画像処理装置およびx線画像処理方法 |
US17/523,613 US20220207723A1 (en) | 2020-12-24 | 2021-11-10 | X-ray image processing apparatus and x-ray image processing method |
CN202111402804.0A CN114677268A (zh) | 2020-12-24 | 2021-11-24 | X射线图像处理装置和x射线图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020214498A JP2022100493A (ja) | 2020-12-24 | 2020-12-24 | X線画像処理装置およびx線画像処理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022100493A true JP2022100493A (ja) | 2022-07-06 |
Family
ID=82070455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020214498A Pending JP2022100493A (ja) | 2020-12-24 | 2020-12-24 | X線画像処理装置およびx線画像処理方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220207723A1 (ja) |
JP (1) | JP2022100493A (ja) |
CN (1) | CN114677268A (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220101494A1 (en) * | 2020-09-30 | 2022-03-31 | Nvidia Corporation | Fourier transform-based image synthesis using neural networks |
-
2020
- 2020-12-24 JP JP2020214498A patent/JP2022100493A/ja active Pending
-
2021
- 2021-11-10 US US17/523,613 patent/US20220207723A1/en active Pending
- 2021-11-24 CN CN202111402804.0A patent/CN114677268A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN114677268A (zh) | 2022-06-28 |
US20220207723A1 (en) | 2022-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9245323B2 (en) | Medical diagnostic device and method of improving image quality of medical diagnostic device | |
WO2012026597A1 (ja) | 画像処理装置および方法 | |
EP2000976B1 (en) | Image processing apparatus and image processing method | |
JP7405176B2 (ja) | 画像処理方法および画像処理装置 | |
JP2010067272A (ja) | 高品質画像及び映像アップスケーリングのためのシステム及び方法 | |
JPH10509824A (ja) | 画像データの適応的補間のためのシステム及び方法 | |
US8311392B2 (en) | Image processing apparatus, image processing method, and storage medium | |
JP6523638B2 (ja) | 表示パネルドライバ、表示装置、画像処理装置及び画像処理方法 | |
RU2469308C2 (ru) | Рентгеновский инструмент для трехмерного ультразвукового исследования | |
WO2013073627A1 (ja) | 画像処理装置及び方法 | |
WO2009122863A1 (ja) | 画像表示システム及び画像表示プログラム | |
JP2022100493A (ja) | X線画像処理装置およびx線画像処理方法 | |
US20200074623A1 (en) | Image processing apparatus , image processing method, and computer readable recording medium storing program | |
JP4773522B2 (ja) | 画像表示装置および画像表示プログラム | |
JP2012205619A (ja) | 画像処理装置、制御装置、内視鏡装置、画像処理方法及び画像処理プログラム | |
JP6002324B2 (ja) | 放射線画像生成装置及び画像処理方法 | |
Dorr et al. | Space-variant spatio-temporal filtering of video for gaze visualization and perceptual learning | |
CN111462004B (zh) | 图像增强方法和装置、计算机设备、存储介质 | |
CN111434311B (zh) | 超声波摄像装置以及图像处理方法 | |
WO2016006554A1 (ja) | 超音波診断装置 | |
JP2004133592A (ja) | 画像を拡大するための画像処理装置および画像処理方法および画像処理プログラム | |
WO2021033741A1 (ja) | 医用画像処理装置、x線診断装置、および医用画像処理方法 | |
JP2021026592A (ja) | 画像処理方法、画像処理装置および学習モデル作成方法 | |
KR20190056740A (ko) | 영상 처리 방법 및 이를 이용한 표시장치 | |
Guo et al. | Adaptive Laplacian Filtering Interpolation Scaling Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230405 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231031 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231031 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20231226 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240227 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20240507 |