JP2022180971A - Learning apparatus, medical image processing apparatus, learning method, and program - Google Patents
Learning apparatus, medical image processing apparatus, learning method, and program Download PDFInfo
- Publication number
- JP2022180971A JP2022180971A JP2021087778A JP2021087778A JP2022180971A JP 2022180971 A JP2022180971 A JP 2022180971A JP 2021087778 A JP2021087778 A JP 2021087778A JP 2021087778 A JP2021087778 A JP 2021087778A JP 2022180971 A JP2022180971 A JP 2022180971A
- Authority
- JP
- Japan
- Prior art keywords
- medical image
- image
- resolution
- matrix size
- medical
- 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 70
- 238000000034 method Methods 0.000 title claims description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 132
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000009966 trimming Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 103
- 238000002591 computed tomography Methods 0.000 description 68
- 238000004891 communication Methods 0.000 description 30
- 238000012549 training Methods 0.000 description 19
- 238000001514 detection method Methods 0.000 description 13
- 238000002059 diagnostic imaging Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 9
- 210000004072 lung Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 101150095628 MDL2 gene Proteins 0.000 description 4
- 101100062770 Magnaporthe oryzae (strain 70-15 / ATCC MYA-4617 / FGSC 8958) DCL2 gene Proteins 0.000 description 4
- 238000003491 array Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 102100040841 C-type lectin domain family 5 member A Human genes 0.000 description 3
- 101150008824 CLEC5A gene Proteins 0.000 description 3
- 101150056111 MDL1 gene Proteins 0.000 description 3
- 101100386697 Magnaporthe oryzae (strain 70-15 / ATCC MYA-4617 / FGSC 8958) DCL1 gene Proteins 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005401 electroluminescence Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000009206 nuclear medicine Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010036618 Premenstrual syndrome Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009351 contact transmission Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Abstract
Description
本明細書及び図面に開示の実施形態は、学習装置、医用画像処理装置、学習方法、及びプログラムに関する。 The embodiments disclosed in this specification and drawings relate to a learning device, a medical image processing device, a learning method, and a program.
超高精細な医用画像を生成するためには、通常、高精細データを収集する必要があり、そのために専用のハードウェアが必要となる。例えば、高精細なCT(Computed Tomography)画像を生成する場合、極小焦点を有するX線管球や高精度な検出器が搭載されたX線CT(Computed Tomography)装置が必要である。仮に、超高精細な医用画像を生成することができた場合、その医用画像を基にディープラーニングのトレーニングデータを作成することができ、通常解像度の画像を、より高精細な画像に近づけることができる。一方、このようなディープラーニングでは、マトリクスサイズが大きい画像を用いることが予想され、インプットに用いる通常解像度の画像も大きなマトリクスサイズで作成する必要がある。この場合、インプット画像を作成する時間がかかることが問題となる。このような課題は、X線CT装置に限られず、MRI(Magnetic Resonance Imaging)装置や、超音波画像診断装置、核医学診断装置といったその他の医用画像撮像装置(医用画像診断装置ともいう)にも共通するところである。 In order to generate ultra-high-definition medical images, it is usually necessary to collect high-definition data, which requires dedicated hardware. For example, when generating a high-definition CT (Computed Tomography) image, an X-ray CT (Computed Tomography) apparatus equipped with an X-ray tube having a very small focus and a high-precision detector is required. If it were possible to generate ultra-high-definition medical images, it would be possible to create training data for deep learning based on those medical images, and it would be possible to bring normal-resolution images closer to higher-definition images. can. On the other hand, in such deep learning, it is expected that images with a large matrix size will be used, and normal resolution images used as input must also be created with a large matrix size. In this case, the problem is that it takes time to create the input image. Such problems are not limited to X-ray CT devices, but also occur in other medical imaging devices (also called medical imaging diagnostic devices) such as MRI (Magnetic Resonance Imaging) devices, ultrasonic diagnostic imaging devices, and nuclear medicine diagnostic devices. This is a common point.
本明細書及び図面に開示の実施形態が解決しようとする課題は、高解像度な医用画像を生成する際の処理時間を短縮することである。ただし、本明細書及び図面に開示の実施形態により解決しようとする課題は上記課題に限られない。後述する実施形態に示す各構成による各効果に対応する課題を他の課題として位置づけることもできる。 The problem to be solved by the embodiments disclosed in the specification and drawings is to reduce the processing time when generating high-resolution medical images. However, the problems to be solved by the embodiments disclosed in this specification and drawings are not limited to the above problems. A problem corresponding to each effect of each configuration shown in the embodiments described later can be positioned as another problem.
実施形態の学習装置は、取得部と、生成部と、学習部とを持つ。前記取得部は、第一の医用画像と、第二の医用画像とを取得する。前記第一の医用画像は、被検体のある領域の再構成画像であり、第一のマトリクスサイズを有し、かつ第一の解像度を有する画像である。前記第二の医用画像は、前記領域の再構成画像であり、前記第一のマトリクスサイズを有し、かつ前記第一の解像度よりも高い第二の解像度を有する画像である。前記生成部は、前記第一の医用画像をダウンサンプリングすることにより、第三の医用画像を生成し、前記第二の医用画像をダウンサンプリングすることにより、第四の医用画像を生成する。前記第三の医用画像は、前記第一のマトリクスサイズよりも小さい第二のマトリクスサイズを有し、かつ前記第一の解像度を有する画像である。前記第四の医用画像は、前記第二のマトリクスサイズを有し、かつ前記第二の解像度を有する画像である。前記学習部は、前記第三の医用画像及び前記第四の医用画像に基づく機械学習により、医用画像の解像度を向上させるモデルを生成する。 A learning device according to an embodiment has an acquisition unit, a generation unit, and a learning unit. The acquisition unit acquires a first medical image and a second medical image. The first medical image is a reconstructed image of a region of the subject, and has a first matrix size and a first resolution. The second medical image is a reconstructed image of the region and has the first matrix size and a second resolution higher than the first resolution. The generator generates a third medical image by down-sampling the first medical image, and generates a fourth medical image by down-sampling the second medical image. The third medical image is an image having a second matrix size smaller than the first matrix size and having the first resolution. The fourth medical image is an image having the second matrix size and the second resolution. The learning unit generates a model for improving the resolution of medical images by machine learning based on the third medical image and the fourth medical image.
以下、図面を参照しながら、実施形態の学習装置、医用画像処理装置、学習方法、及びプログラムについて説明する。 Hereinafter, a learning device, a medical image processing device, a learning method, and a program according to embodiments will be described with reference to the drawings.
[医用画像処理システムの構成]
図1は、実施形態における医用画像処理システム1の構成例を表す図である。医用画像処理システム1は、例えば、一つ又は複数の医用画像撮像装置100と、学習装置200とを備える。医用画像撮像装置100及び学習装置200は、通信ネットワークNWを介して通信可能に接続される。
[Configuration of medical image processing system]
FIG. 1 is a diagram showing a configuration example of a medical
通信ネットワークNWは、電気通信技術を利用した情報通信網全般を意味する。通信ネットワークNWは、病院基幹LAN(Local Area Network)等の無線/有線LANやインターネット網のほか、電話通信回線網、光ファイバ通信ネットワーク、ケーブル通信ネットワークおよび衛星通信ネットワーク等を含む。 The communication network NW means all information communication networks using telecommunication technology. The communication network NW includes a wireless/wired LAN such as a hospital backbone LAN (Local Area Network), an Internet network, a telephone communication network, an optical fiber communication network, a cable communication network, a satellite communication network, and the like.
医用画像撮像装置100は、被検体Pをスキャンすることで医用画像を生成する装置である。被検体Pは、例えば、人間の患者であるがこれに限られず、その他動物や無機物であってもよい。医用画像撮像装置100は、例えば、X線CT装置であってよく、そのほかに、MRI装置や、超音波画像診断装置、核医学診断装置などであってもよい。医用画像撮像装置100は、いわゆるモダリティである。以下、一例として、医用画像撮像装置100がX線CT装置であるものとして説明する。
The
学習装置200は、X線CT装置(医用画像撮像装置)100から医用画像を収集し、その収集した医用画像を用いて機械学習のモデルを学習する。モデルの詳細については後述する。学習装置200は、モダリティであるX線CT装置100に接続されたワークステーションやクラウドサーバであってよい。
The
[X線CT装置の構成]
図2は、実施形態におけるX線CT装置100の構成例を表す図である。X線CT装置100は、例えば、架台装置110と、寝台装置130と、コンソール装置140とを備える。図2では、説明の都合上、架台装置110をZ軸方向から見た図とX軸方向から見た図の双方を掲載しているが、実際には、架台装置110は一つである。実施形態では、非チルト状態での回転フレーム117の回転軸または寝台装置130の天板133の長手方向をZ軸方向とし、Z軸方向に直交し、かつ床面に対して水平である軸をX軸方向とし、Z軸方向に直交し、かつ床面に対して垂直である方向をY軸方向とそれぞれ定義する。
[Configuration of X-ray CT apparatus]
FIG. 2 is a diagram showing a configuration example of the
架台装置110は、例えば、X線管111と、ウェッジ112と、コリメータ113と、X線高電圧装置114と、X線検出器115と、データ収集システム(以下、DAS:Data Acquisition System)116と、回転フレーム117と、制御装置118とを有する。
The
X線管111は、X線高電圧装置114からの高電圧の印加により、陰極(フィラメント)から陽極(ターゲット)に向けて熱電子を照射することでX線を発生させる。X線管111は、真空管を含む。例えば、X線管111は、回転する陽極に熱電子を照射することでX線を発生させる回転陽極型のX線管である。
The
ウェッジ112は、X線管111から被検体Pに照射されるX線量を調節するためのフィルタである。ウェッジ112は、X線管111から被検体Pに照射されるX線量の分布が予め定められた分布になるように、自身を透過するX線を減衰させる。ウェッジ112は、ウェッジフィルタ(wedge filter)、ボウタイフィルタ(bow-tie filter)とも呼ばれる。ウェッジ112は、例えば、所定のターゲット角度や所定の厚みとなるようにアルミニウムを加工したものである。
The
コリメータ113は、ウェッジ112を透過したX線の照射範囲を絞り込むための機構である。コリメータ113は、例えば、複数の鉛板の組み合わせによってスリットを形成することで、X線の照射範囲を絞り込む。コリメータ113は、X線絞りと呼ばれる場合もある。
The
X線高電圧装置114は、例えば、高電圧発生装置と、X線制御装置とを有する。高電圧発生装置は、変圧器(トランス)および整流器などを含む電気回路を有し、X線管111に印加する高電圧を発生させる。X線制御装置は、X線管111に発生させるべきX線量に応じて高電圧発生装置の出力電圧を制御する。高電圧発生装置は、上述した変圧器によって昇圧を行うものであってもよいし、インバータによって昇圧を行うものであってもよい。X線高電圧装置114は、回転フレーム117に設けられてもよいし、架台装置110の固定フレーム(不図示)の側に設けられてもよい。
The X-ray
X線検出器115は、X線管111が発生させ、被検体Pを通過して入射したX線の強度を検出する。X線検出器115は、検出したX線の強度に応じた電気信号(光信号などでもよい)をDAS116に出力する。X線検出器115は、例えば、複数のX線検出素子列を有する。複数のX線検出素子列のそれぞれは、X線管111の焦点を中心とした円弧に沿ってチャネル方向に複数のX線検出素子が配列されたものである。複数のX線検出素子列は、スライス方向(列方向、row方向)に配列される。
The
X線検出器115は、例えば、グリッドと、シンチレータアレイと、光センサアレイとを有する間接型の検出器である。シンチレータアレイは、複数のシンチレータを有する。それぞれのシンチレータは、シンチレータ結晶を有する。シンチレータ結晶は、入射するX線の強度に応じた光量の光を発する。グリッドは、シンチレータアレイのX線が入射する面に配置され、散乱X線を吸収する機能を有するX線遮蔽板を有する。なお、グリッドは、コリメータ(一次元コリメータまたは二次元コリメータ)と呼ばれる場合もある。光センサアレイは、例えば、光電子増倍管(フォトマルチプライヤー:PMT)等の光センサを有する。光センサアレイは、シンチレータにより発せられる光の光量に応じた電気信号を出力する。X線検出器115は、入射したX線を電気信号に変換する半導体素子を有する直接変換型の検出器であってもかまわない。
DAS116は、例えば、増幅器と、積分器と、A/D変換器とを有する。増幅器は、X線検出器115の各X線検出素子により出力される電気信号に対して増幅処理を行う。積分器は、増幅処理が行われた電気信号をビュー期間(後述)に亘って積分する。A/D変換器は、積分結果を示す電気信号をデジタル信号に変換する。DAS116は、デジタル信号に基づく検出データをコンソール装置140に出力する。検出データは、生成元のX線検出素子のチャンネル番号、列番号、及び収集されたビューを示すビュー番号により識別されたX線強度のデジタル値である。ビュー番号は、回転フレーム117の回転に応じて変化する番号であり、例えば、回転フレーム117の回転に応じてインクリメントされる番号である。従って、ビュー番号は、X線管111の回転角度を示す情報である。ビュー期間とは、あるビュー番号に対応する回転角度から、次のビュー番号に対応する回転角度に到達するまでの間に収まる期間である。DAS116は、ビューの切り替わりを、制御装置118から入力されるタイミング信号によって検知してもよいし、内部のタイマーによって検知してもよいし、図示しないセンサから取得される信号によって検知してもよい。フルスキャンを行う場合においてX線管111によりX線が連続曝射されている場合、DAS116は、全周囲分(360度分)の検出データ群を収集する。ハーフスキャンを行う場合においてX線管111によりX線が連続曝射されている場合、DAS116は、半周囲分(180度分)の検出データを収集する。
回転フレーム117は、X線管111、ウェッジ112、およびコリメータ113と、X線検出器115とを対向保持した状態で回転させる円環状の回転部材である。回転フレーム117は、固定フレームによって、内部に導入された被検体Pを中心として回転自在に支持される。回転フレーム117は、更にDAS116を支持する。DAS116が出力する検出データは、回転フレーム117に設けられた発光ダイオード(LED)を有する送信機から、光通信によって、架台装置110の非回転部分(例えば固定フレーム)に設けられたフォトダイオードを有する受信機に送信され、受信機によってコンソール装置140に転送される。なお、回転フレーム117から非回転部分への検出データの送信方法として、前述の光通信を用いた方法に限らず、非接触型の任意の送信方法を採用してよい。回転フレーム117は、X線管111などを支持して回転させることができるものであれば、円環状の部材に限らず、アームのような部材であってもよい。
The
制御装置118は、例えば、CPU(Central Processing Unit)などのプロセッサを有する処理回路と、モータやアクチュエータなどを含む駆動機構とを有する。制御装置118は、コンソール装置140または架台装置110に取り付けられた入力インタフェース143からの入力信号を受け付けて、架台装置110および寝台装置130の動作を制御する。
The
制御装置118は、例えば、回転フレーム117を回転させたり、架台装置110をチルトさせたり、寝台装置130の天板133を移動させたりする。架台装置110をチルトさせる場合、制御装置118は、入力インタフェース143に入力された傾斜角度(チルト角度)に基づいて、Z軸方向に平行な軸を中心に回転フレーム117を回転させる。制御装置118は、図示しないセンサの出力等によって回転フレーム117の回転角度を把握している。また、制御装置118は、回転フレーム117の回転角度を随時、処理回路150に提供する。制御装置118は、架台装置110に設けられてもよいし、コンソール装置140に設けられてもよい。
The
制御装置118は、架台装置110を移動レールに沿って自走させ、本スキャン撮影を行ったり、本スキャン撮影の実行前に行う位置決め撮影であるスキャノ撮影を行う。
The
寝台装置130は、スキャン対象の被検体Pを載置して、架台装置110の回転フレーム117の内部に導入する装置である。寝台装置130は、例えば、基台131と、寝台駆動装置132と、天板133と、支持フレーム134とを有する。基台131は、支持フレーム134を鉛直方向(Y軸方向)に移動可能に支持する筐体を含む。寝台駆動装置132は、モータやアクチュエータを含む。寝台駆動装置132は、被検体Pが載置された天板133を、支持フレーム134に沿って、天板133の長手方向(Z軸方向)に移動させる。天板133は、被検体Pが載置される板状の部材である。
The
コンソール装置140は、例えば、メモリ141と、ディスプレイ142と、入力インタフェース143と、通信インタフェース144と、処理回路150とを有する。本実施形態では、コンソール装置140は架台装置110とは別体として説明するが、架台装置110にコンソール装置140の各構成要素の一部または全部が含まれてもよい。コンソール装置140は、「医用画像処理装置」の一例である。ディスプレイ142は「出力部」の一例であり、通信インタフェース144は「出力部」の他の例である。
メモリ141は、例えば、RAM(Random Access Memory)、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等により実現される。また、メモリ141には、ROM(Read Only Memory)やレジスタ等の記憶媒体が含まれてもよい。また、メモリ208には、ROM(Read Only Memory)やレジスタ等の記憶媒体が含まれてもよい。
The
メモリ141は、例えば、検出データや投影データ、再構成画像等を記憶する。これらのデータは、メモリ141ではなく(或いはメモリ141に加えて)、X線CT装置100が通信可能な外部メモリ(例えばNAS(Network Attached Storage)等)に記憶されてもよい。
The
更に、メモリ141はモデル情報を記憶する。モデル情報とは、学習済みモデルMDLを定義した情報(プログラムまたはデータ構造)である。学習済みモデルMDLは、典型的には、ある医用画像が入力されると、その入力された医用画像よりも解像度が高い医用画像(高精細又は高品質な医用画像)を出力するように学習されたモデルである。
In addition,
解像度が高い医用画像とは、入力された医用画像からノイズやアーチファクト等が低減された画像である。学習済みモデルMDLは、医用画像からノイズやアーチファクト等を減らすように機能するため、デノイズフィルタと読み替えられてもよい。 A high-resolution medical image is an image obtained by reducing noise, artifacts, and the like from an input medical image. Since the trained model MDL functions to reduce noise, artifacts, etc. from medical images, it may be read as a denoising filter.
学習済みモデルMDLは、例えば、CNN(Convolutional Neural Network)などのDNN(Deep Neural Network(s))によって実現されてよい。また、学習済みモデルMDLは、DNNに限られず、サポートベクターマシンや決定木、単純ベイズ分類器、ランダムフォレストといった他のモデルによって実現されてよい。 The trained model MDL may be implemented by, for example, a DNN (Deep Neural Network(s)) such as a CNN (Convolutional Neural Network). Also, the trained model MDL is not limited to DNN, and may be implemented by other models such as support vector machines, decision trees, naive Bayes classifiers, and random forests.
学習済みモデルMDLがDNNによって実現される場合、モデル情報には、例えば、当該DNNを構成する入力層、一以上の隠れ層(中間層)、出力層の其々に含まれるユニット(ユニットあるいはノード)が互いにどのように結合されるのかという結合情報や、結合されたユニット間で入出力されるデータに付与される結合係数がいくつであるのかという重み情報などが含まれる。結合情報は、例えば、各層に含まれるユニット数や、各ユニットの結合先のユニットの種類を指定する情報、各ユニットを実現する活性化関数、隠れ層のユニット間に設けられたゲートなどの情報を含む。ユニットを実現する活性化関数は、例えば、ReLU(Rectified Linear Unit)関数やELU(Exponential Linear Units)関数、クリッピング関数、シグモイド関数、ステップ関数、ハイパポリックタンジェント関数、恒等関数などであってよい。ゲートは、例えば、活性化関数によって返される値(例えば1または0)に応じて、ユニット間で伝達されるデータを選択的に通過させたり、重み付けたりする。結合係数は、例えば、ニューラルネットワークの隠れ層において、ある層のユニットから、より深い層のユニットにデータが出力される際に、出力データに対して付与される重みを含む。また、結合係数は、各層の固有のバイアス成分などを含んでもよい。 When the trained model MDL is realized by a DNN, the model information includes, for example, the input layer, one or more hidden layers (intermediate layers), and the units (units or nodes ) are combined with each other, and weighting information such as how many coupling coefficients are given to data input/output between the combined units. The connection information includes, for example, the number of units included in each layer, information specifying the type of unit to which each unit is connected, an activation function that realizes each unit, information such as a gate provided between units in the hidden layer. including. The activation function that realizes the unit may be, for example, a ReLU (Rectified Linear Unit) function, an ELU (Exponential Linear Units) function, a clipping function, a sigmoid function, a step function, a hyperpolic tangent function, an identity function, or the like. . A gate selectively passes or weights data communicated between units, for example, depending on the value (eg, 1 or 0) returned by an activation function. A coupling coefficient includes, for example, a weight given to output data when data is output from a unit in a certain layer to a unit in a deeper layer in a hidden layer of a neural network. The coupling coefficients may also include bias components unique to each layer, and the like.
ディスプレイ142は、各種の情報を表示する。例えば、ディスプレイ142は、処理回路150によって生成されたCT画像や、操作者(例えば医者等)による各種操作を受け付けるGUI(Graphical User Interface)等を表示する。ディスプレイ142は、例えば、LCD(Liquid Crystal Display)や、CRT(Cathode Ray Tube)ディスプレイ、有機EL(Electro Luminescence)ディスプレイ等である。ディスプレイ142は、架台装置110に設けられてもよい。ディスプレイ142は、デスクトップ型でもよいし、コンソール装置140の本体部と無線通信可能な表示装置(例えばタブレット端末)であってもよい。
The
入力インタフェース143は、操作者(例えば医者等)による各種の入力操作を受け付け、受け付けた入力操作の内容を示す電気信号を処理回路150に出力する。例えば、入力インタフェース143は、検出データまたは投影データ(後述)を収集する際の収集条件、CT画像を再構成する際の再構成条件、CT画像から後処理画像を生成する際の画像処理条件などの入力操作を受け付ける。例えば、入力インタフェース143は、マウスやキーボード、タッチパネル、ドラッグボール、スイッチ、ボタン、ジョイスティック、フットペダル、カメラ、赤外線センサ、マイク等により実現される。入力インタフェース143は、架台装置110に設けられてもよい。また、入力インタフェース143は、コンソール装置140の本体部と無線通信可能な表示装置(例えばタブレット端末)により実現されてもよい。なお、本明細書において入力インタフェース143はマウス、キーボードなどの物理的な操作部品を備えるものだけに限られない。例えば、装置とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を制御回路へ出力する電気信号の処理回路も入力インタフェース143の例に含まれる。
The
通信インタフェース144は、例えば、NIC(Network Interface Card)や無線通信モジュールなどを含む。通信インタフェース144は、通信ネットワークNWを介して、学習装置200やその他の外部装置と通信する。
The
処理回路150は、X線CT装置100の全体の動作を制御する。処理回路150は、例えば、システム制御機能151、前処理機能152、再構成処理機能153、画像処理機能154、出力制御機能155などを実行する。処理回路150は、例えば、ハードウェアプロセッサがメモリ141に記憶されたプログラムを実行することにより、これらの機能を実現するものである。前処理機能152及び再構成処理機能153は「取得部」の一例であり、出力制御機能155は「出力制御部」の一例である。
ハードウェアプロセッサとは、例えば、CPU、GPU(Graphics Processing Unit)、特定用途向け集積回路(Application Specific Integrated Circuit; ASIC)、プログラマブル論理デバイス(例えば、単純プログラマブル論理デバイス(Simple Programmable Logic Device; SPLD)または複合プログラマブル論理デバイス(Complex Programmable Logic Device; CPLD)、フィールドプログラマブルゲートアレイ(Field Programmable Gate Array; FPGA))等の回路(circuitry)を意味する。 A hardware processor is, for example, a CPU, a GPU (Graphics Processing Unit), an application specific integrated circuit (ASIC), a programmable logic device (e.g., a simple programmable logic device (Simple Programmable Logic Device; SPLD) or Circuitry such as Complex Programmable Logic Device (CPLD), Field Programmable Gate Array (FPGA)).
メモリ141にプログラムを記憶させる代わりに、ハードウェアプロセッサの回路内にプログラムを直接組み込むように構成しても構わない。この場合、ハードウェアプロセッサは回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。上記のプログラムは、予めメモリ141に格納されていてもよいし、DVDやCD-ROM等の非一時的記憶媒体に格納されており、非一時的記憶媒体がコンソール装置140のドライブ装置(不図示)に装着されることで非一時的記憶媒体からメモリ141にインストールされてもよい。ハードウェアプロセッサは、単一の回路として構成されるものに限らず、複数の独立した回路を組み合わせて1つのハードウェアプロセッサとして構成され、各機能を実現するようにしてもよい。また、複数の構成要素を1つのハードウェアプロセッサに統合して各機能を実現するようにしてもよい。
Instead of storing the program in the
コンソール装置140または処理回路150が有する各構成要素は、分散化されて複数のハードウェアにより実現されてもよい。処理回路150は、コンソール装置140が有する構成ではなく、コンソール装置140と通信可能な別体の処理装置によって実現されてもよい。処理装置は、例えば、X線CT装置100と接続されたワークステーションや、処理回路150と同等の処理を一括して実行可能なクラウドサーバであってよい。
Each component of
システム制御機能151は、入力インタフェース143が受け付けた入力操作に基づいて、処理回路150の各種機能を制御する。
The
前処理機能152は、DAS116により出力された検出データに対して対数変換処理やオフセット補正処理、チャネル間の感度補正処理、ビームハードニング補正等の前処理を行って、投影データを生成し、生成した投影データをメモリ141に記憶させる。
A
再構成処理機能153は、前処理機能152によって生成された投影データに対して、フィルタ補正逆投影法や逐次近似再構成法等による再構成処理を行って、医用画像の一つであるCT画像を生成し、生成したCT画像をメモリ141に記憶させる。
A
画像処理機能154は、入力インタフェース143が受け付けた入力操作に基づいて、CT画像を公知の方法により、三次元画像や任意断面の断面像データに変換する。三次元画像への変換は、前処理機能152によって行われてもよい。
The
また、画像処理機能154は、メモリ141のモデル情報によって定義された学習済みモデルMDLを用いて、解像度がより高いCT画像を生成してよい。例えば、画像処理機能154は、512マトリクスのCT画像(マトリクスサイズが512×512のCT画像)を学習済みモデルMDLに入力する。これを受けて、学習済みモデルMDLは、512マトリクスであり、かつ入力されたCT画像よりも解像度がより高いCT画像を出力する。
Also, the
出力制御機能155は、再構成処理機能153によって再構成処理を通じて生成されたCT画像や、画像処理機能154によって生成された画像(例えば、三次元画像、断面画像、高解像画像)をディスプレイ142に表示させる。また、出力制御機能155は、これら画像を、通信インタフェース144を介して学習装置200やその他外部装置に送信してもよい。
The
[X線CT装置の処理フロー]
以下、実施形態におけるX線CT装置100の画像生成に係る一連の処理を説明する。図3は、実施形態におけるX線CT装置100による画像生成に係る一連の処理の流れを表すフローチャートである。このX線CT装置100には、例えば、極小焦点を有するX線管111や高精度なX線検出器115が搭載されておらず、通常的又は一般的な分解能を有する装置であるものとする。
[Processing flow of X-ray CT apparatus]
A series of processes related to image generation by the
まず、前処理機能152は、DAS116により出力された検出データに基づいて、投影データを取得する(ステップS100)。
First, the
次に、再構成処理機能153は、前処理機能152によって生成された投影データに対して再構成処理を行って、被検体Pのある領域又は部位(例えば心臓や肺等)の再構成画像であり、512×512のマトリクスサイズを有し、かつ通常解像度のCT画像(以下、「NR(Normal Resolution)画像」という)を生成する(ステップS102)。
Next, the
次に、画像処理機能154は、メモリ141のモデル情報によって定義された学習済みモデルMDLに対して、再構成処理によって生成されたNR画像(つまり512マトリクスであり、かつ通常解像度のCT画像)を入力する(ステップS104)。これを受けて、学習済みモデルMDLは、入力されたNR画像よりも解像度が高い画像を出力する。以下、学習済みモデルMDLによって出力された高解像度な画像のことを、「SR(Super Resolution)画像」と称して説明する。SR画像のマトリクスサイズは、学習済みモデルMDLに入力されるNR画像と同じである。
Next, the
図4は、SR画像が得られるまでの様子を模式的に表す図である。学習済みモデルMDLは、512マトリクスのNR画像が入力されると、同じく512マトリクスであり、かつNR画像よりも解像度が高いCT画像をSR画像として出力するように事前に学習されたモデルである。 FIG. 4 is a diagram schematically showing how an SR image is obtained. The trained model MDL is a model trained in advance so that when an NR image of 512 matrices is input, a CT image of 512 matrices and having a higher resolution than the NR image is output as an SR image.
次に、画像処理機能154は、学習済みモデルMDLから、512マトリクスのSR画像を取得する(ステップS106)。
Next, the
次に、出力制御機能155は、SR画像をディスプレイ142に表示させる(ステップS108)。出力制御機能155は、SR画像をディスプレイ142に表示させることに加えて、或いは代えて、SR画像を、通信インタフェース144を介して学習装置200やその他外部装置に送信してもよい。これによって本フローチャートの処理が終了する。
Next, the
[学習装置の構成]
図5は、実施形態における学習装置200の構成例を表す図である。学習装置200は、例えば、通信インタフェース202と、入力インタフェース204と、ディスプレイ206と、メモリ208と、処理回路210とを備える。
[Configuration of learning device]
FIG. 5 is a diagram showing a configuration example of the
通信インタフェース202は、例えば、NICや無線通信モジュールなどを含む。通信インタフェース202は、通信ネットワークNWを介して、X線CT装置100やその他の外部装置と通信する。
The
入力インタフェース204は、操作者による各種の入力操作を受け付け、受け付けた入力操作の内容を示す電気信号を処理回路210に出力する。例えば、入力インタフェース204は、マウスやキーボード、タッチパネル、ドラッグボール、スイッチ、ボタン、ジョイスティック、フットペダル、カメラ、赤外線センサ、マイク等により実現される。なお、本明細書において入力インタフェース204はマウス、キーボードなどの物理的な操作部品を備えるものだけに限られない。例えば、装置とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を制御回路へ出力する電気信号の処理回路も入力インタフェース204の例に含まれる。
The
ディスプレイ206は、各種の情報を表示する。例えば、ディスプレイ206は、処理回路210の処理結果や、操作者による各種操作を受け付けるGUI等を表示する。ディスプレイ206は、例えば、LCDや有機ELディスプレイ等である。
The
メモリ208は、例えば、RAM、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスクによって実現される。これらの記憶媒体は、NASや外部ストレージサーバ装置といった通信ネットワークNWを介して接続される他の記憶装置によって実現されてもよい。また、メモリ208には、ROMやレジスタ等の記憶媒体が含まれてもよい。
The
処理回路210は、例えば、取得機能212と、生成機能214と、学習機能216と、出力制御機能218とを備える。処理回路210は、例えば、ハードウェアプロセッサ(コンピュータ)がメモリ208に記憶されたプログラムを実行することにより、これらの機能を実現するものである。取得機能212は「取得部」の一例であり、生成機能214は「生成部」の一例であり、学習機能216は「学習部」の一例である。
The
ハードウェアプロセッサとは、例えば、CPU、GPU、特定用途向け集積回路、プログラマブル論理デバイス(例えば、単純プログラマブル論理デバイスまたは複合プログラマブル論理デバイス、フィールドプログラマブルゲートアレイ)等の回路(circuitry)を意味する。メモリ208にプログラムを記憶させる代わりに、ハードウェアプロセッサの回路内にプログラムを直接組み込むように構成しても構わない。この場合、ハードウェアプロセッサは、回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。上記のプログラムは、予めメモリ208に格納されていてもよいし、DVDやCD-ROM等の非一時的記憶媒体に格納されており、非一時的記憶媒体が学習装置200のドライブ装置(不図示)に装着されることで非一時的記憶媒体からメモリ208にインストールされてもよい。ハードウェアプロセッサは、単一の回路として構成されるものに限らず、複数の独立した回路を組み合わせて1つのハードウェアプロセッサとして構成され、各機能を実現するようにしてもよい。また、複数の構成要素を1つのハードウェアプロセッサに統合して各機能を実現するようにしてもよい。
Hardware processor means circuitry such as, for example, CPUs, GPUs, application specific integrated circuits, programmable logic devices (eg, simple or complex programmable logic devices, field programmable gate arrays). Instead of storing the program in
[学習装置の全体フロー]
以下、実施形態における学習装置200の一連の処理について説明する。図6は、実施形態における学習装置200の一連の処理の流れを表すフローチャートである。
[Overall flow of learning device]
A series of processes of the
まず、取得機能212は、通信インタフェース202を介して、極小焦点を有するX線管111や高精度なX線検出器115が搭載された高分解能のX線CT装置100から、被検体Pのある領域又は部位の再構成画像であり、1024×1024のマトリクスサイズを有し、かつ通常解像度よりも高い解像度のNR画像と、当該NR画像と同じ領域又は部位の再構成画像であり、1024×1024のマトリクスサイズを有し、かつ当該NR画像と同じ解像度のHR(High Resolution)画像を取得する(ステップS200)。
First, the
HR画像とは、極小焦点を有するX線管111から照射され、その後、高精度なX線検出器115によって検出されたX線の投影データを基に再構成されたCT画像である。つまりHR画像は、低分解能のX線CT装置100によって再構成されたCT画像に比べて、ノイズやアーチファクト等が低減されたCT画像である。
An HR image is a CT image reconstructed based on projection data of X-rays emitted from an
次に、生成機能214は、取得機能212によって取得された1024マトリクスのNR画像及びHR画像をダウンサンプリングし(ステップS202)、512マトリクスのNR画像及びHR画像を生成する(ステップS204)。
Next, the
図7は、512マトリクスのNR画像及びHR画像が生成される様子を模式的に表す図である。図示のように、生成機能214は、1024マトリクスのNR画像をダウンサンプリングすることで512マトリクスのNR画像を生成し、1024マトリクスのHR画像をダウンサンプリングすることで512マトリクスのHR画像を生成する。
FIG. 7 is a diagram schematically showing how 512-matrix NR and HR images are generated. As shown, the
例えば、生成機能214は、所定数のピクセルを一つのピクセルに集約することで、NR画及びHR画像のそれぞれのピクセル数を減らしてよい。1024マトリクスのNR画像は、「第一の医用画像」の一例であり、1024マトリクスのNR画像をダウンサンプリングすることで生成された512マトリクスのNR画像は、「第三の医用画像」の一例である。1024マトリクスのHR画像は、「第二の医用画像」の一例であり、1024マトリクスのHR画像をダウンサンプリングすることで生成された512マトリクスのHR画像は、「第四の医用画像」の一例である。1024マトリクスは、「第一のマトリクスサイズ」の一例であり、512マトリクスは、「第二のマトリクスサイズ」の一例である。NR画像の解像度(通常解像度)は、「第一の解像度」の一例であり、HR画像の解像度は、「第一の解像度よりも高い第二の解像度」の一例である。
For example, the
次に、学習機能216は、生成機能214によって生成された512マトリクスのNR画像及びHR画像を組み合わせたデータセットをトレーニングデータとして用いて、未学習のモデルMDLを学習する(ステップS206)。言い換えれば、学習機能216は、512マトリクスのNR画像に対して、512マトリクスのHR画像が、モデルMDLが出力すべき正解のターゲット(ラベルともいう)として対応付けられたデータセットをトレーニングデータとして用いて、未学習のモデルMDLを学習する。
Next, the
例えば、学習機能216は、未学習のモデルMDLに対して512マトリクスのNR画像を入力し、そのモデルMDLによって出力された画像が、ターゲットである512マトリクスのHR画像に近づくように、モデルMDLのパラメータ(重み係数やバイアス成分等)を調整する。より具体的には、学習機能216は、モデルMDLによって出力された画像と、ターゲットである512マトリクスのHR画像との差分が小さくなるように、モデルMDLのパラメータを、SGD(Stochastic Gradient Descent)、Momentum SGD、AdaGrad、RMSprop、AdaDelta、Adam(Adaptive moment estimation)などを利用して調整する。
For example, the
出力制御機能218は、学習機能216によって学習されたモデルMDL、すなわち学習済みモデルMDLを定義したモデル情報を、通信インタフェース202を介して、X線CT装置100に送信する(ステップS208)。例えば、出力制御機能218は、学習済みモデルMDLを定義したモデル情報を、極小焦点を有するX線管111や高精度なX線検出器115が搭載されていない通常分解能のX線CT装置100に送信する。これによって、X線CT装置100では、512マトリクスという、1024マトリクスに比べて再構成に係る時間がより短いCT画像から、より解像度の高いCT画像を得ることができる。
The
以上説明した実施形態によれば、学習装置200は、被検体Pのある領域又は部位の再構成画像であり、1024×1024のマトリクスサイズを有し、かつ通常解像度を有するNR画像(「第一の医用画像」の一例)と、当該NR画像と領域又は部位が同じ再構成画像であり、1024×1024のマトリクスサイズを有し、かつ通常解像度よりも高い解像度を有するHR画像(「第二の医用画像」の一例)とを生成する。
According to the embodiment described above, the
学習装置200は、1024マトリクスのNR画像をダウンサンプリングすることで、512×512のマトリクスサイズを有し、かつ通常解像度を有するNR画像(「第三の医用画像」の一例)を生成する。
The
学習装置200は、1024マトリクスのHR画像をダウンサンプリングすることで、512×512のマトリクスサイズを有し、かつ通常解像度よりも高い解像度を有するHR画像(「第四の医用画像」の一例)を生成する。
The
そして、学習装置200は、512マトリクスのNR画像に対して、ターゲット画像である512マトリクスのHR画像が対応付けられたトレーニングデータに基づいてモデルMDLを機械学習(教師有り学習)する。これによって、医用画像の解像度を向上させることが可能な学習済みモデルMDLが生成される。
Then, the
この学習済みモデルMDLを利用することで、極小焦点を有するX線管111や高精度なX線検出器115が搭載されていない通常分解能のX線CT装置100においても、512マトリクスであり、かつ通常解像度よりも高い解像度のCT画像をSR画像として生成することができる。このように、SR画像の生成に使用されるモデルMDLを学習する際に、1024マトリクスのCT画像をトレーニングデータとして用いるのではなく、その1024マトリクスのCT画像をダウンサンプリングして得られた512マトリクスのCT画像をトレーニングデータとして用いることで、高解像度な医用画像(SR画像)を生成するまでに要する処理時間を短縮することができる。
By using this trained model MDL, even in the normal resolution
(その他の実施形態(変形例))
以下、上述した実施形態の変形例について説明する。上述した説明では、モダリティであるX線CT装置100と学習装置200とは別体の装置であるものとして説明したがこれに限られない。例えば、X線CT装置100は、学習装置200の各種機能(取得機能212、生成機能214、学習機能216)を備えていてもよい。
(Other embodiments (modifications))
Modifications of the above-described embodiment will be described below. In the above description, the
また、上述した説明では、トレーニングデータが512マトリクスのNR画像及びHR画像を組み合わせたデータセットであるものとして説明したがこれに限られない。例えば、トレーニングデータのNR画像及びHR画像は、1024マトリクスのCT画像上において心臓や肺といった一部の部位を拡大再構成した画像であってもよいし、Z軸方向におけるスライス厚をより大きくした画像(例えば、0.25mmから0.5mmに大きくした画像)であってもよい。また、トレーニングデータのNR画像及びHR画像は、1024マトリクスのCT画像から一部をトリミングした画像であってもよい。 Also, in the above description, the training data is a data set obtained by combining 512-matrix NR images and HR images, but the present invention is not limited to this. For example, the NR images and HR images of the training data may be images obtained by enlarging and reconstructing a partial region such as the heart or lungs on a 1024-matrix CT image, or by increasing the slice thickness in the Z-axis direction. It may be an image (for example, an image enlarged from 0.25 mm to 0.5 mm). Also, the NR image and HR image of the training data may be images obtained by trimming a part of the 1024-matrix CT image.
また、上述した説明では、ダウンサンプリング前のCT画像のマトリクスが1024であり、ダウンサンプリング後のCT画像のマトリクスが512であるものとして説明したがこれに限られず、ダウンサンプリング前のCT画像のマトリクスよりも、ダウンサンプリング後のCT画像のマトリクスの方が小さいという関係性を満たしていれば如何なる数値であってもよい。 In the above description, the matrix of the CT image before downsampling is 1024, and the matrix of the CT image after downsampling is 512. However, the matrix of the CT image before downsampling is not limited to this. Any numerical value may be used as long as it satisfies the relationship that the matrix of the CT image after downsampling is smaller than .
また、1024マトリクスのNR画像及びHR画像が、被検体Pの心臓や肺といった領域又は部位ごとに撮像されている場合、学習済みモデルMDLは、被検体Pの領域又は部位ごとに生成されてもよい。例えば、学習機能216は、心臓が撮像されたNR画像及びHR画像を組み合わせたデータセットをトレーニングデータとして用いてモデルMDLを学習することで、心臓という部位専用の学習済みモデルMDLを生成してよい。同様に、肺という部位に対して学習済みモデルMDLを生成する場合、学習機能216は、肺が撮像されたNR画像及びHR画像を組み合わせたデータセットをトレーニングデータとして用いてモデルMDLを学習することで、肺という部位専用の学習済みモデルMDLを生成してよい。
Further, when 1024-matrix NR images and HR images are captured for each region or region such as the heart or lungs of the subject P, the learned model MDL may be generated for each region or region of the subject P. good. For example, the
また、上述した説明では、学習機能216が、未学習のモデルMDLに対して512マトリクスのNR画像を入力し、そのモデルMDLによって出力された画像と、ターゲットである512マトリクスのHR画像との差分が小さくなるようにモデルMDLのパラメータを調整するものとして説明したがこれに限られない。
In the above description, the
例えば、学習機能216は、モデルMDLを2つ用意しておき、一方のモデルMDL1を、ダウンサンプリング前の1024マトリクスのNR画像及びHR画像を組み合わせたデータセットをトレーニングデータとして用いて学習する。更に、上述した実施形態同様に、学習機能216は、他方のモデルMDL2を、ダウンサンプリング後の512マトリクスのNR画像及びHR画像を組み合わせたデータセットをトレーニングデータとして用いて学習する。学習機能216は、任意の1024マトリクスのNR画像を、学習済みのモデルMDL1に対して入力し、任意の1024マトリクスのNR画像からダウンサンプリングした512マトリクスのNR画像を、学習済みのモデルMDL2に対して入力する。これによって、学習済みのモデルMDL1からは1024マトリクスのSR画像が出力され、学習済みのモデルMDL2からは512マトリクスのSR画像が出力されることになる。そして、学習機能216は、1024マトリクスのSR画像と、512マトリクスのSR画像との差分が小さくなるように、学習済みのモデルMDL2を学習してよい。
For example, the
また、上述した説明では、学習装置200の生成機能214が、1024マトリクスのNR画像をダウンサンプリングすることで、512マトリクスのNR画像を生成するとともに、1024マトリクスのHR画像をダウンサンプリングすることで、512マトリクスのHR画像を生成するものとして説明したがこれに限られない。
Further, in the above description, the
例えば、X線CT装置100の画像処理機能154が、1024マトリクスのNR画像をダウンサンプリングすることで、512マトリクスのNR画像を生成してもよい。この場合、学習装置200の取得機能212は、X線CT装置100から1024マトリクスのHR画像を取得するとともに、512マトリクスのNR画像を取得してよい。学習装置200の生成機能214は、NR画像については既にダウンサンプリングが行われているため、1024マトリクスのHR画像のみについてダウンサンプリングを行い、512マトリクスのHR画像を生成してよい。X線CT装置100によってダウンサンプリングが行われ、512マトリクスのNR画像が生成された場合、当該512マトリクスのNR画像は、「第一のマトリクスサイズを有し、かつ第一の解像度を有する第一の医用画像」の一例であり、1024マトリクスのHR画像からダウンサンプリングにより生成された512マトリクスのHR画像は、「第一のマトリクスサイズを有し、かつ第二の解像度を有する第三の医用画像」の一例である。
For example, the
また、上述した説明では、学習装置200が、1024マトリクスのNR画像からダウンサンプリングされた512マトリクスのNR画像に対して、1024マトリクスのHR画像からダウンサンプリングされた512マトリクスのHR画像がターゲット画像として対応付けられたトレーニングデータに基づいて、モデルMDLを学習するものとして説明したがこれに限られない。
Further, in the above description, the
例えば、学習装置200は、512マトリクスのNR画像からアップサンプリングされた1024マトリクスのNR画像に対して、512マトリクスのHR画像からアップサンプリングされた1024マトリクスのHR画像がターゲット画像として対応付けられたトレーニングデータに基づいて、モデルMDLを学習してもよい。
For example, the
より具体的には、学習装置200の取得機能212は、X線CT装置100から512マトリクスのNR画像を取得するとともに、512マトリクスのHR画像を取得する。学習装置200の生成機能214は、512マトリクスのNR画像をアップサンプリングすることで、1024マトリクスのNR画像を生成するとともに、512マトリクスのHR画像をアップサンプリングすることで、1024マトリクスのHR画像を生成する。学習装置200の学習機能216は、生成機能214によって生成された1024マトリクスのNR画像及びHR画像を組み合わせたデータセットをトレーニングデータとして生成し、そのトレーニングデータに基づいて、モデルMDLを学習する。これによって、X線CT装置100の画像処理機能154は、学習済みモデルMDLを利用して、1024マトリクスのNR画像から、より高解像度の1024マトリクスのSR画像を生成することができる。
More specifically, the
また、学習装置200の取得機能212が、X線CT装置100から1024マトリクスのHR画像を取得できた場合、生成機能214は、512マトリクスのNR画像のみをアップサンプリングすることで、1024マトリクスのNR画像を生成してよい。学習機能216は、生成機能214のアップサンプリングにより生成された1024マトリクスのNR画像に対して、取得機能212によって取得された1024マトリクスのHR画像をターゲット画像とした対応付けたトレーニングデータを生成し、そのトレーニングデータに基づいて、モデルMDLを学習する。これによって、X線CT装置100の画像処理機能154は、学習済みモデルMDLを利用して、1024マトリクスのNR画像から、より高解像度の1024マトリクスのSR画像を生成することができる。
Further, when the
いくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。 While several embodiments have been described, these embodiments are provided by way of example and are not intended to limit the scope of the invention. These embodiments can be implemented in various other forms, and various omissions, replacements, and modifications can be made without departing from the scope of the invention. These embodiments and their modifications are included in the scope and spirit of the invention, as well as the scope of the invention described in the claims and equivalents thereof.
1…医用画像処理システム、100…X線CT装置、110…架台装置、130…寝台装置、140…コンソール装置、141…メモリ、142…ディスプレイ、143…入力インタフェース、144…通信インタフェース、150…処理回路、151…システム制御機能、152…前処理機能、153…再構成処理機能、154…画像処理機能、155…出力制御機能、200…学習装置、202…通信インタフェース、204…入力インタフェース、206…ディスプレイ、208…メモリ、210…処理回路、212…取得機能、214…生成機能、216…学習機能、218…出力制御機能
DESCRIPTION OF
Claims (11)
前記第一の医用画像をダウンサンプリングすることにより、前記第一のマトリクスサイズよりも小さい第二のマトリクスサイズを有し、かつ前記第一の解像度を有する第三の医用画像を生成し、前記第二の医用画像をダウンサンプリングすることにより、前記第二のマトリクスサイズを有し、かつ前記第二の解像度を有する第四の医用画像を生成する生成部と、
前記第三の医用画像及び前記第四の医用画像に基づく機械学習により、医用画像の解像度を向上させるモデルを生成する学習部と、
を備える学習装置。 A first medical image, a reconstructed image of a region of a subject, having a first matrix size and a first resolution; and a reconstructed image of the region, the first matrix size. and acquiring a second medical image having a second resolution higher than the first resolution;
generating a third medical image having a second matrix size smaller than the first matrix size and having the first resolution by downsampling the first medical image; a generating unit that generates a fourth medical image having the second matrix size and the second resolution by downsampling the second medical image;
a learning unit that generates a model for improving the resolution of medical images by machine learning based on the third medical image and the fourth medical image;
A learning device with
前記学習部は、前記領域ごとの前記第三の医用画像及び前記第四の医用画像に基づく機械学習により、前記領域ごとに前記モデルを生成する、
請求項1に記載の学習装置。 The first medical image and the second medical image are captured for each region,
The learning unit generates the model for each region by machine learning based on the third medical image and the fourth medical image for each region.
A learning device according to claim 1.
請求項1又2に記載の学習装置。 the first matrix size is 1024 and the second matrix size is 512;
3. A learning device according to claim 1 or 2.
請求項1から3のうちいずれか一項に記載の学習装置。 The generating unit sets an image obtained by trimming a portion of the first medical image as the third medical image, and sets an image obtained by trimming a portion of the second medical image as the fourth medical image,
A learning device according to any one of claims 1 to 3.
請求項1から4のうちいずれか一項に記載の学習装置。 The generating unit sets an image obtained by enlarging and reconstructing a part of the first medical image as the third medical image, and sets an image obtained by enlarging and reconstructing a part of the second medical image as the fourth medical image. shall be a medical image of
A learning device according to any one of claims 1 to 4.
ある学習済みモデルに対して、前記取得部によって取得された前記被検体の医用画像を入力し、前記被検体の医用画像が入力された前記学習済みモデルによって出力された医用画像を、出力部に出力させる出力制御部と、を備え、
前記学習済みモデルは、第一の医用画像をダウンサンプリングすることにより生成された第三の医用画像と、第二の医用画像をダウンサンプリングすることにより生成された第四の医用画像とに基づいて、入力された医用画像の解像度を向上させるように機械学習されたモデルであり、
前記第一の医用画像は、被検体のある領域の再構成画像であり、第一のマトリクスサイズを有し、かつ第一の解像度を有する医用画像であり、
前記第二の医用画像は、前記領域の再構成画像であり、前記第一のマトリクスサイズを有し、かつ前記第一の解像度よりも高い第二の解像度を有する医用画像であり、
前記第三の医用画像は、前記第一のマトリクスサイズよりも小さい第二のマトリクスサイズを有し、かつ前記第一の解像度を有する医用画像であり、
前記第四の医用画像は、前記第二のマトリクスサイズを有し、かつ前記第二の解像度を有する医用画像である、
医用画像処理装置。 an acquisition unit that acquires a medical image of a subject;
The medical image of the subject acquired by the acquiring unit is input to a trained model, and the medical image output by the trained model to which the medical image of the subject is input is sent to an output unit. and an output control unit for outputting,
The trained model is based on a third medical image generated by downsampling the first medical image and a fourth medical image generated by downsampling the second medical image. , is a model machine-learned to improve the resolution of input medical images,
wherein the first medical image is a reconstructed image of a region of the subject and has a first matrix size and a first resolution;
the second medical image is a reconstructed image of the region and has the first matrix size and a second resolution higher than the first resolution;
the third medical image is a medical image having a second matrix size smaller than the first matrix size and having the first resolution;
the fourth medical image is a medical image having the second matrix size and the second resolution;
Medical image processing equipment.
請求項6に記載の医用画像処理装置。 The first medical image and the second medical image are medical images captured by another medical image processing device having a resolution higher than that of the medical image processing device,
The medical image processing apparatus according to claim 6.
被検体のある領域の再構成画像であり、第一のマトリクスサイズを有し、かつ第一の解像度を有する第一の医用画像と、前記領域の再構成画像であり、前記第一のマトリクスサイズを有し、かつ前記第一の解像度よりも高い第二の解像度を有する第二の医用画像とを取得し、
前記第一の医用画像をダウンサンプリングすることにより、前記第一のマトリクスサイズよりも小さい第二のマトリクスサイズを有し、かつ前記第一の解像度を有する第三の医用画像を生成し、前記第二の医用画像をダウンサンプリングすることにより、前記第二のマトリクスサイズを有し、かつ前記第二の解像度を有する第四の医用画像を生成し、
前記第三の医用画像及び前記第四の医用画像に基づく機械学習により、医用画像の解像度を向上させるモデルを生成する、
学習方法。 the computer
A first medical image, a reconstructed image of a region of a subject, having a first matrix size and a first resolution; and a reconstructed image of the region, the first matrix size. and acquiring a second medical image having a second resolution higher than the first resolution;
generating a third medical image having a second matrix size smaller than the first matrix size and having the first resolution by downsampling the first medical image; downsampling the second medical image to produce a fourth medical image having the second matrix size and the second resolution;
generating a model for improving the resolution of the medical image by machine learning based on the third medical image and the fourth medical image;
learning method.
被検体のある領域の再構成画像であり、第一のマトリクスサイズを有し、かつ第一の解像度を有する第一の医用画像と、前記領域の再構成画像であり、前記第一のマトリクスサイズよりも大きい第二のマトリクスサイズを有し、かつ前記第一の解像度よりも高い第二の解像度を有する第二の医用画像とを取得し、
前記第二の医用画像をダウンサンプリングすることにより、前記第一のマトリクスサイズを有し、かつ前記第二の解像度を有する第三の医用画像を生成し、
前記第一の医用画像及び前記第三の医用画像に基づく機械学習により、医用画像の解像度を向上させるモデルを生成する、
学習方法。 the computer
A first medical image, a reconstructed image of a region of a subject, having a first matrix size and a first resolution; and a reconstructed image of the region, the first matrix size. obtaining a second medical image having a second matrix size greater than and having a second resolution higher than the first resolution;
downsampling the second medical image to produce a third medical image having the first matrix size and having the second resolution;
generating a model for improving the resolution of the medical image by machine learning based on the first medical image and the third medical image;
learning method.
被検体のある領域の再構成画像であり、第一のマトリクスサイズを有し、かつ第一の解像度を有する第一の医用画像と、前記領域の再構成画像であり、前記第一のマトリクスサイズよりも大きい第二のマトリクスサイズを有し、かつ前記第一の解像度よりも高い第二の解像度を有する第二の医用画像とを取得し、
前記第一の医用画像をアップサンプリングすることにより、前記第二のマトリクスサイズを有し、かつ前記第一の解像度を有する第三の医用画像を生成し、
前記第二の医用画像及び前記第三の医用画像に基づく機械学習により、医用画像の解像度を向上させるモデルを生成する、
学習方法。 the computer
A first medical image, a reconstructed image of a region of a subject, having a first matrix size and a first resolution; and a reconstructed image of the region, the first matrix size. obtaining a second medical image having a second matrix size greater than and having a second resolution higher than the first resolution;
upsampling the first medical image to produce a third medical image having the second matrix size and having the first resolution;
generating a model for improving the resolution of the medical image by machine learning based on the second medical image and the third medical image;
learning method.
被検体のある領域の再構成画像であり、第一のマトリクスサイズを有し、かつ第一の解像度を有する第一の医用画像と、前記領域の再構成画像であり、前記第一のマトリクスサイズを有し、かつ前記第一の解像度よりも高い第二の解像度を有する第二の医用画像とを取得すること、
前記第一の医用画像をダウンサンプリングすることにより、前記第一のマトリクスサイズよりも小さい第二のマトリクスサイズを有し、かつ前記第一の解像度を有する第三の医用画像を生成し、前記第二の医用画像をダウンサンプリングすることにより、前記第二のマトリクスサイズを有し、かつ前記第二の解像度を有する第四の医用画像を生成すること、
前記第三の医用画像及び前記第四の医用画像に基づく機械学習により、医用画像の解像度を向上させるモデルを生成すること、
を実行させるためのプログラム。 to the computer,
A first medical image, a reconstructed image of a region of a subject, having a first matrix size and a first resolution; and a reconstructed image of the region, the first matrix size. and acquiring a second medical image having a second resolution higher than the first resolution;
generating a third medical image having a second matrix size smaller than the first matrix size and having the first resolution by downsampling the first medical image; downsampling the second medical image to generate a fourth medical image having the second matrix size and having the second resolution;
generating a model for improving the resolution of medical images by machine learning based on the third medical image and the fourth medical image;
program to run the
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021087778A JP2022180971A (en) | 2021-05-25 | 2021-05-25 | Learning apparatus, medical image processing apparatus, learning method, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021087778A JP2022180971A (en) | 2021-05-25 | 2021-05-25 | Learning apparatus, medical image processing apparatus, learning method, and program |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022180971A true JP2022180971A (en) | 2022-12-07 |
Family
ID=84327566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021087778A Pending JP2022180971A (en) | 2021-05-25 | 2021-05-25 | Learning apparatus, medical image processing apparatus, learning method, and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2022180971A (en) |
-
2021
- 2021-05-25 JP JP2021087778A patent/JP2022180971A/en active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7348376B2 (en) | Medical processing equipment, X-ray CT system and processing program | |
US11241212B2 (en) | Medical apparatus | |
JP7242288B2 (en) | Medical image diagnosis device and model learning device | |
JP7242410B2 (en) | MEDICAL IMAGE PROCESSING APPARATUS, X-RAY CT APPARATUS, AND LEARNING DATA GENERATION METHOD | |
JP7224829B2 (en) | Medical image processing apparatus and method | |
JP7106384B2 (en) | Medical image processing device and X-ray computed tomography device | |
JP7462433B2 (en) | Medical diagnostic system, medical diagnostic device, and medical information processing device | |
JP2022180971A (en) | Learning apparatus, medical image processing apparatus, learning method, and program | |
JP7334088B2 (en) | Medical information processing apparatus, medical information processing program, and X-ray CT apparatus | |
JP7309429B2 (en) | Medical information processing system and medical information processing device | |
JP7244280B2 (en) | MEDICAL IMAGE DIAGNOSTIC APPARATUS AND MEDICAL IMAGE DIAGNOSTIC METHOD | |
JP7320934B2 (en) | MEDICAL IMAGE PROCESSING APPARATUS AND MEDICAL IMAGE PROCESSING METHOD | |
JP7309988B2 (en) | MEDICAL IMAGE PROCESSING APPARATUS AND MEDICAL IMAGE PROCESSING METHOD | |
JP7321798B2 (en) | Reconstruction device and radiological diagnosis device | |
JP7399780B2 (en) | Medical image diagnostic equipment | |
JP7144292B2 (en) | MEDICAL IMAGE PROCESSING APPARATUS AND MEDICAL IMAGE PROCESSING METHOD | |
JP7466401B2 (en) | Medical imaging diagnostic equipment | |
JP7437887B2 (en) | Medical information processing equipment and X-ray CT equipment | |
JP7242255B2 (en) | X-ray CT device and detector unit | |
JP2023071179A (en) | Medical image processing apparatus, x-ray ct apparatus, medical image processing method and program | |
JP2022172850A (en) | Medical image diagnostic device, method for determining medical imaging condition, and program | |
JP2023055322A (en) | Machine learning model evaluation device, machine learning model evaluation method, and program | |
JP2022158511A (en) | Medical image processing apparatus, medical image diagnostic apparatus, magnetic resonance imaging apparatus, and medical image processing method | |
JP2021074378A (en) | Medical processing system and program | |
JP2022178846A (en) | Medical information processing method, medical information processing device, and medical image processing device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240401 |