JP7228386B2 - 医用画像処理装置、磁気共鳴イメージング装置、および医用画像処理方法 - Google Patents

医用画像処理装置、磁気共鳴イメージング装置、および医用画像処理方法 Download PDF

Info

Publication number
JP7228386B2
JP7228386B2 JP2019000234A JP2019000234A JP7228386B2 JP 7228386 B2 JP7228386 B2 JP 7228386B2 JP 2019000234 A JP2019000234 A JP 2019000234A JP 2019000234 A JP2019000234 A JP 2019000234A JP 7228386 B2 JP7228386 B2 JP 7228386B2
Authority
JP
Japan
Prior art keywords
medical image
image
unit
output
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.)
Active
Application number
JP2019000234A
Other languages
English (en)
Other versions
JP2020108593A (ja
Inventor
健輔 篠田
和人 中林
仁 金澤
和也 岡本
博司 高井
伸行 小沼
裕市 山下
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Canon Medical Systems Corp
Original Assignee
Canon Medical Systems Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Canon Medical Systems Corp filed Critical Canon Medical Systems Corp
Priority to JP2019000234A priority Critical patent/JP7228386B2/ja
Publication of JP2020108593A publication Critical patent/JP2020108593A/ja
Application granted granted Critical
Publication of JP7228386B2 publication Critical patent/JP7228386B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Description

本発明の実施形態は、医用画像処理装置、磁気共鳴イメージング装置、および医用画像処理方法に関する。
ディープニューラルネットワークを利用して、ＭＲ（Magnetic Resonance）画像などの医用画像を再構成によって生成する技術が知られている。これに関連し、医用画像のノイズ強度と最大画像信号強度との比が所定レベルを超えた時点でアラートを出力する技術や、医用画像の投影データの雑音分布特性を、ボウタイ形ベクトルを用いた標準偏差で近似し、その雑音分布特性を用いて投影データに雑音低減演算を施して修正した後、画像の再構成を行う技術が知られている。
従来の技術では、再構成によって得られた医用画像の画質が悪い場合に、その医用画像に対してノイズを除去するデノイズ処理を行った場合、本来デノイズ処理の後も残っているべき微細な構造物までもが、医用画像から除去される可能性があった。この結果、医者などの読影者がデノイズされた医用画像を読影して被検体の病状などを診断する場合、正しくない診断結果を導いてしまう場合があった。
米国特許出願公開第２００７／００１９８６１号明細書 米国特許第６４９３４１６号明細書
本発明が解決しようとする課題は、診断精度を向上させることが可能な医用画像を生成することである。
実施形態の医用画像処理装置は、出力部と、取得部と、導出部と、出力制御部とを備える。出力部は、情報を出力する。取得部は、一以上の医用画像を取得する。導出部は、前記取得部により取得された前記医用画像に基づいて、前記医用画像に含まれるノイズに関する指標値を導出する。出力制御部は、前記導出部により導出された前記指標値に応じて、ユーザに前記医用画像の撮像条件を変更させることを促すための所定の情報を、前記出力部に出力させる。
第１の実施形態に係る医用画像処理装置２００を含む医用画像処理システム１の構成の一例を示す図。 第１の実施形態に係る医用画像生成装置１００の一例を示す図。 第１の実施形態に係る医用画像処理装置２００の一例を示す図。 撮像条件情報２３２の一例を示す図。 デノイズモデルＭＤＬ１の構成の一例を示す図。 アクティベーション層３３０の活性化関数の一例を示す図。 混合画像を生成する構成の一例を示す図。 第１の実施形態における処理回路２１０の一連の処理の流れを示すフローチャート。 第１の実施形態に係る医用画像生成装置１００の他の例を示す図。 第２の実施形態に係る医用画像処理装置２００の一例を示す図。 第２の実施形態における処理回路２１０のランタイム時の一連の処理の流れを示すフローチャート。 第２の実施形態における処理回路２１０のトレーニング時の一連の処理の流れを示すフローチャート。 第２の実施形態の変形例における処理回路２１０のランタイム時の一連の処理の流れを示すフローチャート。
以下、図面を参照しながら、医用画像処理装置、磁気共鳴イメージング装置、および医用画像処理方法の実施形態について詳細に説明する。
（第１の実施形態）
図１は、第１の実施形態に係る医用画像処理装置２００を含む医用画像処理システム１の構成の一例を示す図である。例えば、図１に示すように、医用画像処理システム１は、医用画像生成装置１００と、医用画像処理装置２００とを備える。医用画像生成装置１００および医用画像処理装置２００は、ネットワークＮＷを介して接続される。ネットワークＮＷは、例えば、ＷＡＮ（Wide Area Network）やＬＡＮ（Local Area Network）、インターネット、専用回線、無線基地局、プロバイダなどを含む。
医用画像生成装置１００は、例えば、ＭＲＩ（Magnetic Resonance Imaging）装置や、ＣＴ（Computed Tomography）装置などを含む。ＭＲＩ装置は、例えば、被検体（例えば人体）に磁場を与えて、核磁気共鳴現象によって被検体内の水素原子核から発生する電磁波を、コイルを利用して受信し、その受信した電磁波に基づく信号を再構成することで医用画像（ＭＲ画像）を生成する装置である。ＣＴ装置は、例えば、被検体の周囲を回転するＸ線管から被検体にＸ線を照射すると共に、その被検体を通過したＸ線を検出し、検出したＸ線に基づく信号を再構成することで医用画像（ＣＴ画像）を生成する装置である。以下の説明では、一例として医用画像生成装置１００がＭＲＩ装置であるものとして説明する。
医用画像処理装置２００は、一つまたは複数のプロセッサにより実現される。例えば、医用画像処理装置２００は、クラウドコンピューティングシステムに含まれるコンピュータであってもよいし、他の機器に依存せずに単独で動作するコンピュータ（スタンドアローンのコンピュータ）であってもよい。
［医用画像生成装置（ＭＲＩ装置）の構成例］
図２は、第１の実施形態に係る医用画像生成装置１００の一例を示す図である。図２に示すように、医用画像生成装置１００は、静磁場磁石１０１と、傾斜磁場コイル１０２と、傾斜磁場電源１０３と、寝台１０４と、寝台制御回路１０５と、送信コイル１０６と、送信回路１０７と、受信コイル１０８と、受信回路１０９と、シーケンス制御回路１１０と、コンソール装置１２０とを備える。
静磁場磁石１０１は、中空の略円筒形状に形成された磁石であり、内部の空間に一様な静磁場を発生させる。静磁場磁石１０１は、例えば、永久磁石や超伝導磁石などである。傾斜磁場コイル１０２は、中空の略円筒形状に形成されたコイルであり、静磁場磁石１０１の内側に配置される。傾斜磁場コイル１０２は、互いに直交するｘ，ｙ，ｚの各軸に対応する３つのコイルが組み合わされて形成される。ｚ軸方向は、寝台１０４の天板１０４ａの長手方向を表し、ｘ軸方向は、ｚ軸方向に直交し、医用画像生成装置１００が設置される部屋の床面に対して平行である軸方向を表し、ｙ軸方向は、床面に対して垂直方向である軸方向を表している。各軸方向に対応した３つのコイルは、傾斜磁場電源１０３から個別に電流を受けて、ｘ，ｙ，ｚの各軸に沿って磁場強度が変化する傾斜磁場を発生させる。なお、ｚ軸方向は、静磁場と同方向とする。
傾斜磁場電源１０３は、傾斜磁場コイル１０２に電流を供給する。ここで、傾斜磁場コイル１０２によって発生するｘ，ｙ，ｚの各軸の傾斜磁場は、例えば、スライス選択用傾斜磁場Ｇｓ、位相エンコード用傾斜磁場Ｇｅ、及びリードアウト用傾斜磁場Ｇｒにそれぞれ対応する。スライス選択用傾斜磁場Ｇｓは、任意に撮像断面を決めるために利用される。位相エンコード用傾斜磁場Ｇｅは、空間的位置に応じて磁気共鳴信号の位相を変化させるために利用される。リードアウト用傾斜磁場Ｇｒは、空間的位置に応じて磁気共鳴信号の周波数を変化させるために利用される。
寝台１０４は、被検体ＯＢが載置される天板１０４ａを備え、寝台制御回路１０５による制御のもと、天板１０４ａを、被検体ＯＢが載置された状態で傾斜磁場コイル１０２の空洞（撮像口）内へ挿入する。通常、寝台１０４は、長手方向が静磁場磁石１０１の中心軸と平行になるように設置される。寝台制御回路１０５は、コンソール装置１２０による制御のもと、寝台１０４を駆動して天板１０４ａを長手方向及び上下方向へ移動する。
送信コイル１０６は、傾斜磁場コイル１０２の内側に配置され、送信回路１０７からＲＦ（Radio Frequency）パルスの供給を受けて、高周波磁場を発生する。送信回路１０７は、対象とする原子核の種類及び磁場の強度で決まるラーモア周波数に対応するＲＦパルスを送信コイル１０６に供給する。
受信コイル１０８は、傾斜磁場コイル１０２の内側に配置され、高周波磁場の影響によって被検体ＯＢから発せられる磁気共鳴信号を受信する。磁気共鳴信号には、例えば、信号強度成分と位相成分が含まれる。受信コイル１０８は、磁気共鳴信号を受信すると、受信した磁気共鳴信号を受信回路１０９へ出力する。なお、第１の実施形態において、受信コイル１０８は、１以上、典型的には複数の受信コイルを有するコイルアレイである。以下、受信コイルが複数のコイルを含むマルチコイルである場合、そのマルチコイルを構成する各コイルを、コイルエレメントと称して説明する。なお、送信コイル１０６と受信コイル１０８とを分けて説明したが、例えば送受信兼用のコイルを用いることも可能である。
受信回路１０９は、受信コイル１０８から出力される磁気共鳴信号に基づいて磁気共鳴データを生成する。具体的には、受信回路１０９は、受信コイル１０８から出力されるアナログ信号の磁気共鳴信号をアナログ・デジタル変換することによって、デジタル信号である磁気共鳴データを生成する。また、受信回路１０９は、生成した磁気共鳴データをシーケンス制御回路１１０へ送信する。なお、受信回路１０９は、静磁場磁石１０１や傾斜磁場コイル１０２等を備える架台装置側に備えられていてもよい。受信コイル１０８の各コイルエレメントから出力される磁気共鳴信号は、適宜分配合成されることで受信回路１０９に出力される。
シーケンス制御回路１１０は、コンソール装置１２０から送信されるシーケンス情報に基づいて、傾斜磁場電源１０３、送信回路１０７及び受信回路１０９を駆動することによって、被検体ＯＢを撮像する。シーケンス情報は、撮像処理を行うための手順を定義した情報である。シーケンス情報には、傾斜磁場電源１０３が傾斜磁場コイル１０２に供給する電源の強さや電源を供給するタイミング、送信回路１０７が送信コイル１０６に送信するＲＦパルスの強さやＲＦパルスを印加するタイミング、受信回路１０９が磁気共鳴信号を検出するタイミング等が定義された情報が含まれる。
なお、シーケンス制御回路１１０は、傾斜磁場電源１０３、送信回路１０７及び受信回路１０９を駆動して被検体ＯＢを撮像し、受信回路１０９から磁気共鳴データを受信すると、受信した磁気共鳴データをコンソール装置１２０へ転送する。
コンソール装置１２０は、医用画像生成装置１００の全体を制御したり、磁気共鳴データを収集したりする。例えば、コンソール装置１２０は、通信インターフェース１２２と、入力インターフェース１２４と、ディスプレイ１２６と、処理回路１３０と、メモリ（ストレージ）１５０とを備える。
通信インターフェース１２２は、例えば、ＮＩＣ（Network Interface Card）などの通信インターフェースを含む。通信インターフェース１２２は、ネットワークＮＷを介して医用画像処理装置２００と通信し、医用画像処理装置２００から情報を受信する。通信インターフェース１２２は、受信した情報を処理回路１３０に出力する。また、通信インターフェース１２２は、処理回路１３０による制御を受けて、ネットワークＮＷを介して接続された他の装置に情報を送信してもよい。
入力インターフェース１２４は、操作者から各種の入力操作を受け付けるインターフェースである。例えば、入力インターフェース１２４は、医者や技師などから、医用画像を撮像する際に考慮すべき種々の条件（以下、撮像条件と称する）を設定する操作を受け付ける。入力インターフェース１２４は、入力操作を受け付けると、その受け付けた入力操作を電気信号に変換して処理回路１３０に出力する。例えば、入力インターフェース１２４は、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパネルなどにより実現される。また、入力インターフェース１２４は、例えば、マイクなどの音声入力を受け付けるユーザインターフェースによって実現されてもよい。入力インターフェース１２４がタッチパネルである場合、後述するディスプレイ１２６は入力インターフェース１２４と一体として形成されてよい。
ディスプレイ１２６は、各種の情報を表示する。例えば、ディスプレイ１２６は、処理回路１３０によって生成された画像を表示したり、操作者からの各種の入力操作を受け付けるためのＧＵＩ（Graphical User Interface）などを表示したりする。例えば、ディスプレイ１２６は、ＬＣＤ（Liquid Crystal Display）や、ＣＲＴ（Cathode Ray Tube）ディスプレイ、有機ＥＬ（Electroluminescence）ディスプレイなどである。
処理回路１３０は、例えば、取得機能１３２と、生成機能１３４と、通信制御機能１３６と、表示制御機能１３８とを実行する。これらの機能（構成要素）は、例えば、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）等のプロセッサ（あるいはプロセッサ回路）が、メモリ１５０に記憶されたプログラム（ソフトウェア）を実行することにより実現される。また、処理回路１３０の機能の一部または全部は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）等のハードウェア（回路部：circuitry）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。また、上記のプログラムは、予めメモリ１５０に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭなどの着脱可能な記憶媒体に格納されており、記憶媒体がコンソール装置１２０のドライブ装置に装着されることで記憶媒体からメモリ１５０にインストールされてもよい。
メモリ１５０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリなどの半導体メモリ素子、ハードディスク、光ディスクなどによって実現される。これらの非一過性の記憶媒体は、ＮＡＳ（Network Attached Storage）や外部ストレージサーバ装置といったネットワーク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１５０には、ＲＯＭ（Read Only Memory）やレジスタなどの一過性の記憶媒体が含まれてもよい。
取得機能１３２は、シーケンス制御回路１１０から磁気共鳴データを取得する。磁気共鳴データは、上述したように、核磁気共鳴現象によって被検体ＯＢ内において発生した電磁波の信号（磁気共鳴信号）をデジタル化して得られる磁気共鳴データである。磁気共鳴データは、ｋ空間データとも称される。ｋ空間とは、磁気共鳴信号が１次元の波形として受信コイル１０８により繰り返し収集される際に、その１次元の波形が収集される周波数空間（ｋ空間データが配列される空間）を表している。
生成機能１３４は、取得機能１３２によって取得されたｋ空間データに対してフーリエ変換（例えば、逆フーリエ変換）などの処理を含む再構成処理を行うことで、ｋ空間データから再構成されたＭＲ画像を生成する。生成機能１３４は、「生成部」の一例である。
通信制御機能１３６は、生成機能１３４がＭＲ画像を再構成により生成すると、通信インターフェース２０２に医用画像処理装置２００と通信させ、その通信相手の医用画像処理装置２００に、再構成されたＭＲ画像を送信する。この際、通信制御機能１３６は、通信インターフェース２０２を介して、医用画像処理装置２００にＭＲ画像の撮像条件を示す情報を送信してよい。また、通信制御機能１３６は、通信インターフェース２０２に医用画像処理装置２００と通信させ、その通信相手の医用画像処理装置２００から各種情報を受信させてよい。
表示制御機能１３８は、生成機能１３４によって生成されたＭＲ画像を、ディスプレイ１２６に表示させる。また、表示制御機能１３８は、通信インターフェース１２２が医用画像処理装置２００からＭＲ画像などの医用画像を受信した場合、通信インターフェース１２２によって受信された医用画像をディスプレイ１２６に表示させてもよい。
［医用画像処理装置の構成例］
図３は、第１の実施形態に係る医用画像処理装置２００の一例を示す図である。図３に示すように、医用画像処理装置２００は、例えば、通信インターフェース２０２と、入力インターフェース２０４と、ディスプレイ２０６と、処理回路２１０と、メモリ２３０とを備える。
通信インターフェース２０２は、例えば、ＮＩＣなどの通信インターフェースを含む。例えば、通信インターフェース２０２は、ネットワークＮＷを介して医用画像生成装置１００と通信し、医用画像生成装置１００から、再構成された医用画像や、その医用画像の撮像条件を示す情報を受信する。通信インターフェース２０２は、受信した医用画像や撮像条件を示す情報を処理回路２１０に出力する。また、通信インターフェース２０２は、処理回路２１０による制御を受けて、ネットワークＮＷを介して接続された医用画像生成装置１００やその他の装置に情報を送信してもよい。他の装置とは、例えば、医師や技師などの画像の読影者が利用可能な端末装置であってよい。通信インターフェース２０２は、「出力部」の一例である。
入力インターフェース２０４は、操作者からの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路２１０に出力する。例えば、入力インターフェース２０４は、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパネルなどにより実現される。また、入力インターフェース２０４は、例えば、マイクなどの音声入力を受け付けるユーザインターフェースによって実現されてもよい。入力インターフェース２０４がタッチパネルである場合、後述するディスプレイ２０６は入力インターフェース２０４と一体として形成されてよい。
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によって生成された画像（後述するデノイズ画像や混合画像）を表示したり、操作者からの各種の入力操作を受け付けるためのＧＵＩなどを表示したりする。例えば、ディスプレイ２０６は、ＬＣＤや、ＣＲＴディスプレイ、有機ＥＬディスプレイなどである。ディスプレイ２０６は、「出力部」の他の例である。
処理回路２１０は、例えば、取得機能２１２と、デノイズ機能２１４と、導出機能２１６は、混合画像生成機能２１８と、出力制御機能２２０と、学習機能２２２とを実行する。取得機能２１２は、「取得部」の一例であり、デノイズ機能２１４は、「除去部」の一例であり、導出機能２１６は、「導出部」の一例であり、混合画像生成機能２１８は、「混合画像生成部」の一例であり、出力制御機能２２０は、「出力制御部」の一例である。
これらの機能（構成要素）は、例えば、ＣＰＵやＧＰＵ等のプロセッサ（あるいはプロセッサ回路）が、メモリ２３０に記憶されたプログラム（ソフトウェア）を実行することにより実現される。また、これらの複数の機能のうち一部または全部は、ＬＳＩ、ＡＳＩＣ、ＦＰＧＡ等のハードウェア（回路部：circuitry）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。また、上記のプログラムは、予めメモリ２３０に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭなどの着脱可能な記憶媒体に格納されており、記憶媒体が医用画像処理装置２００のドライブ装置に装着されることで記憶媒体からメモリ２３０にインストールされてもよい。
メモリ２３０は、例えば、ＲＡＭ、フラッシュメモリなどの半導体メモリ素子、ハードディスク、光ディスクなどによって実現される。これらの非一過性の記憶媒体は、ＮＡＳや外部ストレージサーバ装置といったネットワーク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２３０には、ＲＯＭやレジスタなどの一過性の記憶媒体が含まれてもよい。メモリ２３０には、例えば、撮像条件情報２３２や、デノイズモデル情報２３４などが格納される。
撮像条件情報２３２は、医用画像生成装置１００において医用画像が生成される際に設定された撮像条件（撮像パラメータともいう）に関する情報である。図４は、撮像条件情報２３２の一例を示す図である。図示の例のように、撮像条件情報２３２は、医用画像を識別する識別情報（図中医用画像ＩＤ）に対して、撮像条件が対応付けられた情報であってよい。撮像条件には、例えば、マトリクス数や、レシーバーゲイン、撮像加算回数、受信バンド幅などのパラメータが条件として含まれる。マトリクス数は、医用画像の解像度（ＭＲＩ装置の分解能）を決めるための医用画像の画素数を表すパラメータである。レシーバーゲインは、受信コイル１０８や受信回路１０９などの受信系のゲインを表すパラメータである。撮像加算回数は、同一のスライスに対して反復してスキャンする回数を表すパラメータである。受信バンド幅は、被検体ＯＢから発せられる磁気共鳴信号を読み取るときのサンプリング周波数を表すパラメータである。このようなパラメータは、例えば、医者や技師などのユーザがスキャン時に設定する必要があることからハイパーパラメータとして扱われる。なお、撮像条件には、上記のパラメータに加えて、あるいは代えて、スライス厚や、撮像視野（Field of View）、フリップ角度、位相エンコード方向などのパラメータが含まれていてもよい。
デノイズモデル情報２３４は、後述するデノイズモデルＭＤＬ１を定義した情報（プログラムまたはデータ構造）である。デノイズモデルＭＤＬ１は、例えば、一つ以上のＤＮＮ（Deep Neural Network(s)）を含む。
デノイズモデル情報２３４には、例えば、デノイズモデルＭＤＬ１に含まれる各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ニューロン（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、結合されたニューロン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、各層に含まれるニューロン数や、各ニューロンの結合先のニューロンの種類を指定する情報、各ニューロンを実現する活性化関数、隠れ層のニューロン間に設けられたゲートなどの情報を含む。ニューロンを実現する活性化関数は、例えば、入力符号に応じて動作を切り替える関数（ＲｅＬＵ（Rectified Linear Unit）関数やＥＬＵ（Exponential Linear Units）関数、クリッピング関数）であってもよいし、シグモイド関数や、ステップ関数、ハイパポリックタンジェント関数であってもよいし、恒等関数であってもよい。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、ニューロン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、活性化関数のパラメータであり、例えば、ニューラルネットワークの隠れ層において、ある層のニューロンから、より深い層のニューロン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。
取得機能２１２は、通信インターフェース２０２に医用画像生成装置１００と通信させ、その通信相手の医用画像生成装置１００から再構成された医用画像や撮像条件を示す情報を取得する。取得機能２１２は、取得した医用画像に対して撮像条件を対応付けた情報を、撮像条件情報２３２としてメモリ２３０に記憶させる。以下、取得機能２１２によって取得された医用画像を「原画像」と称して説明する。原画像は、「第１医用画像」の一例である。
デノイズ機能２１４は、デノイズモデル情報２３４が示すデノイズモデルＭＤＬ１を利用して、取得機能２１２によって取得された原画像からノイズを除去する。デノイズモデルＭＤＬ１は、例えば、プロセッサがデノイズモデルＭＤＬ１を実行することによって、デノイズモデルＭＤＬ１がデノイズ機能２１４の一部として実現されてよい。
例えば、デノイズモデルＭＤＬ１は、ＣＮＮ（Convolutional Neural Network）によって実現されてよく、そのＣＮＮは、畳み込み層や、アクティベーション層などが多層に構成されていてよい。
図５は、デノイズモデルＭＤＬ１の構成の一例を示す図である。図示のように、デノイズモデルＭＤＬ１には、例えば、入力層３１０と、一以上の畳み込み層３２０と、一以上のアクティベーション層３３０と、出力層３４０とが含まれてよい。
例えば、原画像を、各画素に対応した要素をもつ行列とした場合、入力層３１０には、原画像に対応した行列が入力される。入力層３１０は、入力された行列に対して適時バイアス成分を加えるなどして、後段の畳み込み層３２０に出力する。
畳み込み層３２０は、入力された行列に対して、フィルタまたはカーネルと呼ばれる線形変換行列を、ある決められたストライド量でスライドさせながら積和演算を繰り返し、入力された行列から、線形変換行列との積和が要素値として対応付けられた複数の要素を含む行列を生成する。この際、畳み込み層３２０は、入力された行列の周囲に任意の値の要素を補間するパディング（例えばゼロパティング）を行って、畳み込み層３２０に入力された行列を、入力層３１０に入力される原画像の行列と行数および列数が同じ行列に変換してよい。そして、畳み込み層３２０は、生成した行列をアクティベーション層３３０に出力する。
アクティベーション層３３０は、畳み込み層３２０から入力された行列の各要素に対して活性化関数の計算処理を行い、その計算処理を行った行列を、後段のレイヤに出力する。
図６は、アクティベーション層３３０の活性化関数の一例を表す図である。図示の例のように、アクティベーション層３３０の活性化関数は、Ｓｏｆｔ‐Ｓｈｒｉｎｋａｇｅ関数であってよい。Ｓｏｆｔ‐Ｓｈｒｉｎｋａｇｅ関数は、例えば、数式（１）によって表される。なお、アクティベーション層３３０の活性化関数は、Ｓｏｆｔ‐Ｓｈｒｉｎｋａｇｅ関数に代えて、Ｈａｒｄ‐Ｓｈｒｉｎｋａｇｅ関数であってもよい。
Figure 0007228386000001
Ｓｏｆｔ‐Ｓｈｒｉｎｋａｇｅ関数あるいはＨａｒｄ‐Ｓｈｒｉｎｋａｇｅ関数は、入力値である要素値ｘが、ゼロを中心にした所定の正負の閾値±Ｔの範囲内である場合、ゼロを出力し、入力値である要素値ｘが、閾値Ｔを超える、あるいは閾値Ｔ未満である場合、その要素値ｘに比例する値を出力する関数である。アクティベーション層３３０の活性化関数に、Ｓｏｆｔ‐Ｓｈｒｉｎｋａｇｅ関数やＨａｒｄ‐Ｓｈｒｉｎｋａｇｅ関数を適用することで、振幅が閾値Ｔよりも小さな画像信号、すなわち、ノイズである蓋然性が高い微弱な画像信号を、活性化関数の出力においてゼロとすることができる。
閾値Ｔは、入力画像に含まれるノイズのレベル（信号強度あるいは信号電力）に応じて変動するパラメータであり、例えば、数式（２）によって表される。
Figure 0007228386000002
数式（２）のＧは、入力画像に含まれるノイズのレベルを表しており、入力画像に含まれるノイズのレベルが大きいほど、パラメータＧは大きくなり、入力画像に含まれるノイズのレベルが小さいほど、パラメータＧは小さくなる。入力画像に含まれるノイズのレベルは、入力画像のＳＮＲの大きさによって決定されてよい。
数式（２）のαは、ノイズレベルに乗算される重み係数である。重み係数αは、機械学習によって決定される。数式（２）に示すように閾値Ｔを変動させることで、アクティベーション層３３０の活性化関数を、ある一定の強度以上の信号に対して反応する活性化関数とすることができる。この結果、原画像に含まれるノイズの信号強度がばらついていても原画像からノイズを精度よく除去することができる。
出力層３４０は、前段の畳み込み層３２０およびアクティベーション層３３０によって処理された行列を出力する。デノイズ機能２１４は、デノイズモデルＭＤＬ１の出力層３４０により出力された行列を、原画像からノイズを除去した医用画像（以下、デノイズ画像と称する）として取得する。デノイズ画像は、「第２医用画像」の一例である。
なお、図５に例示したデノイズモデルＭＤＬ１はあくまでも一例であり、例えば、プーリング層などが含まれていてもよい。プーリング層は、入力された行列の要素値を、その行列に含まれる全要素値の平均値や最大値といった代表値に置き換えることで、行列の次元数を圧縮する（減らす）。プーリング層は、次元数を圧縮した行列を後段のレイヤに出力する。
導出機能２１６は、取得機能２１２によって取得された原画像に基づいて、原画像に含まれるノイズに関する指標値を導出する。例えば、導出機能２１６は、ノイズに関する指標値として、ＳＮＲ（Signal-Noise Ratio）を導出する。ＳＮＲは、画像の信号強度を、ノイズの信号強度で除算した指標値である。ＳＮＲの導出方法の詳細について後述する。
混合画像生成機能２１８は、取得機能２１２によって取得された原画像と、デノイズ機能２１４によりノイズが除去されたデノイズ画像とを混合した混合画像を生成する。
図７は、混合画像を生成する構成の一例を示す図である。図示の例のように、混合画像生成機能２１８は、デノイズモデルＭＤＬ１に入力される原画像と、デノイズモデルＭＤＬ１により出力されるデノイズ画像とを、ある混合比で混合することで混合画像を生成する。混合とは、原画像およびデノイズ画像のそれぞれに含まれる複数の要素のうち、互いに同じ行ｉおよび列ｊの要素ｅｉｊの要素値同士を足し合わせ、その足し合わせた和を、混合画像における要素ｅｉｊの要素値とすることである。混合画像生成機能２１８は、要素値の足し合わせの際に、混合比に応じた重み係数を各要素に乗算する。混合画像の生成式は、例えば、数式（３）によって表される。
Figure 0007228386000003
数式（３）のＩＭＧＭＩＸは、混合画像を表しており、ＩＭＧｏｒｉｇｉｎａｌは、原画像を表しており、ＩＭＧｄｅｎｏｉｓｅは、デノイズ画像を表している。また、βは混合比を表している。例えば、混合画像生成機能２１８は、原画像の要素値に対して係数βを乗算し、デノイズ画像の要素値に対して係数（β－１）を乗算し、これらの和を混合画像の要素値とする。
出力制御機能２２０は、導出機能２１６によって導出されたＳＮＲが閾値以下である場合、通信インターフェース２０２を制御して、医用画像生成装置１００に所定の情報を送信する。所定の情報とは、例えば、医者や技師といった医用画像生成装置１００を操作するユーザに、医用画像の撮像条件を変更させることを促すための情報である。具体的には、所定の情報は、撮像条件を変更させるメッセージを含む画像や、アラート音であってよい。
また、出力制御機能２２０は、所定の情報として、混合画像やデノイズ画像を医用画像生成装置１００に送信してもよいし、混合画像やデノイズ画像をディスプレイ２０６に表示させてもよい。
学習機能２２２は、デノイズモデルＭＤＬ１に対して、ある教師データとする原画像を入力し、デノイズモデルＭＤＬ１によって出力されたデノイズ画像が、教師データとする原画像に対して予め教師ラベルとして対応付けられた画像に近づくようにデノイズモデルＭＤＬ１を学習する。例えば、教師ラベルとする画像は、サンプリング周波数を大きくするなどしてＳＮＲを高くした画像であってよく、教師データとしてデノイズモデルＭＤＬ１に入力する原画像は、サンプリング周波数を大きくするなどしてＳＮＲを高くした画像に、既知のノイズを加えた画像であってよい。既知のノイズは、例えば、ガウシアンノイズであってよい。
例えば、学習機能２２２は、デノイズモデルＭＤＬ１によって出力されたデノイズ画像と、教師データの画像との差分が小さくなるように、畳み込み層３２０の線形変換行列の要素値や、アクティベーション層３３０の各ノードの活性化関数の重み係数αといった種々のパラメータを、ＳＧＤ(Stochastic Gradient Descent）、Momentum ＳＧＤ、AdaGrad、RMSprop、AdaDelta、Ａｄａｍ(Adaptive moment estimation)などの勾配降下法を利用して学習する。
［処理フロー］
以下、第１の実施形態における処理回路２１０の一連の処理の流れをフローチャートに即して説明する。図８は、第１の実施形態における処理回路２１０の一連の処理の流れを示すフローチャートである。本フローチャートの処理は、例えば、プレスキャンによって得られた医用画像が取得機能２１２によって取得された場合に、所定の周期で繰り返し行われてよい。すなわち、本フローチャートの処理は、医用画像生成装置１００によってプレスキャンが行われる時に所定の周期で繰り返し行われてよい。
プレスキャンとは、本スキャンの前に、コイルのチューニングや、中心周波数の設定、受信感度の調整などを行うために被検体ＯＢを少なくとも１回スキャンすることである。本スキャンとは、パルスシーケンスとも呼ばれるシーケンス情報に基づいて、被検体ＯＢをシーケンシャルにスキャンすることである。
また、プレスキャンは、本スキャンとしてシーケンシャルに行われる複数のスキャンの一部であってもよい。例えば、本スキャンが５回のシーケンシャルなスキャンを含む場合、プレスキャンは、５回のそれぞれのスキャンの直前に行われるスキャンであってよい。
また、本フローチャートの処理は、プレスキャンよりもさらに前の時点のスキャンによって得られた医用画像が取得機能２１２によって取得された場合に行われてもよい。プレスキャンよりもさらに前の時点とは、例えば、被検体ＯＢが載置された寝台１０４（天板１０４ａ）が撮像口に挿入される前の時点や、寝台１０４に被検体ＯＢが載置されていない時点などである。プレスキャンやプレスキャン前に行われるスキャンによって生成された医用画像は、本スキャンによって生成された医用画像の一部分に相当する画像であってよく、ＳＮＲが導出できる程度のサイズや解像度であればいかなる画像であってもよい。
まず、デノイズ機能２１４は、デノイズモデルＭＤＬ１を利用して、取得機能２１２によって取得された原画像からノイズを除去して、デノイズ画像を生成する（ステップＳ１００）。
次に、導出機能２１６は、取得機能２１２によって取得された原画像のＳＮＲを導出する（ステップＳ１０２）。
例えば、導出機能２１６は、撮像条件情報２３２から、取得機能２１２によって取得された原画像の識別情報に対応付けられた撮像条件を抽出し、抽出した撮像条件に基づいて、原画像のＳＮＲを導出する。原画像に含まれ得るノイズには、受信系の熱雑音に起因したガウシアンノイズが含まれる。熱雑音は、撮像条件によって変わることが知られている。そのため、導出機能２１６は、マトリクス数やレシーバーゲイン、撮像加算回数、受信バンド幅といった複数のパラメータのうち一部または全部を説明変数とし、ＳＮＲを目的変数として導く関数に、抽出した撮像条件に含まれるパラメータを入力することで、原画像のＳＮＲを導出する。
また、導出機能２１６は、取得機能２１２によって取得された一以上の原画像のうち、傾斜磁場コイル１０が傾斜磁場を発生させた状態で、送信コイル１０６にＲＦパルスを供給し、その送信コイル１０６から高周波磁場が出力されたときに得られた原画像（以下、ＲＦパルスあり原画像と称する）と、傾斜磁場コイル１０が傾斜磁場を発生させた状態で、送信コイル１０６にＲＦパルスを供給せず、その送信コイル１０６から高周波磁場が出力されなかったときに得られた原画像（以下、ＲＦパルスなし原画像と称する）との画素値の差分に基づいて、原画像のＳＮＲを導出してもよい。
また、導出機能２１６は、取得機能２１２によって取得された一以上の原画像のうち、同じ被検体ＯＢＡに向けて高周波磁場が出力されたときに得られた２つ以上のＲＦパルスあり原画像の画素値の差分に基づいて、原画像のＳＮＲを導出してもよい。この際、導出機能２１６は、中心スライスに近い２つのＲＦパルスあり原画像の画素値の差分に基づいて、原画像のＳＮＲを導出してよい。例えば、本スキャンがスキャンを１０回繰り返すシーケンスである場合、中心スライスとは、５回目または６回目のスキャンによって得られる原画像である。
このように、被検体ＯＢが同じであるという条件の下、複数回にわたってスキャンを行って得られた２つの原画像の差分をとることによって、磁気共鳴信号成分を互いにキャンセルし、受信系の熱雑音に起因したランダムノイズ成分を基にしてＳＮＲを求めることができる。
次に、混合画像生成機能２１８は、導出機能２１６によって導出されたＳＮＲが閾値ＴＨ以下であるか否かを判定し（ステップＳ１０４）、ＳＮＲが閾値ＴＨを超えると判定した場合、混合比βを所定値に設定し（ステップＳ１０６）、設定した混合比βに基づいて、ＳＮＲを求めた原画像と、その原画像からノイズが除去されたデノイズ画像とを混合した混合画像を生成する（ステップＳ１０８）。
例えば、十分に学習されたデノイズモデルＭＤＬ１を利用して原画像からノイズを除去した場合、デノイズ画像は一見して綺麗に見えるものの、腫瘍や臓器などの所望の構造物がノイズとして除去されている場合がある。このような場合に、ＳＮＲが大きい原画像上では構造物が存在している蓋然性が高いため、言い換えれば、ＳＮＲが大きい原画像上では構造物が視認しやすいため、デノイズ画像をＳＮＲが閾値ＴＨを超える原画像と混合させる。これによって、仮に、デノイズモデルＭＤＬ１によって原画像から誤って所望の構造物がノイズとして除去された場合であっても、ＳＮＲが大きい原画像を混合させた混合画像上ではデノイズ画像よりも所望の構造物が視認しやすくなるため、より診断の精度を向上させることができる。
次に、出力制御機能２２０は、通信インターフェース２０２を制御して、混合画像生成機能２１８により生成された混合画像を医用画像生成装置１００に送信する（ステップＳ１１０）。この際、出力制御機能２２０は、ディスプレイ２０６に混合画像を表示させてもよい。医用画像生成装置１００の通信インターフェース１２２が医用画像処理装置２００から混合画像を受信した場合、医用画像生成装置１００の表示制御機能１３８は、混合画像をディスプレイ１２６に表示させてよい。また、出力制御機能２２０は、通信インターフェース２０２を制御して、画像の読影者が利用可能な端末装置に混合画像を送信してもよい。なお、出力制御機能２２０は、混合画像に加えて、あるいは代えて、デノイズ画像と、このデノイズ画像と混合する前の原画像とを医用画像生成装置１００や読影者が利用可能な端末装置に送信してもよい。
一方、Ｓ１０４の処理において、出力制御機能２２０は、混合画像生成機能２１８によってＳＮＲが閾値ＴＨ以下であると判定された場合、通信インターフェース２０２を制御して、医用画像生成装置１００に所定の情報を送信する（ステップＳ１１２）。また、出力制御機能２２０は、通信インターフェース２０２を制御して、画像の読影者が利用可能な端末装置に所定の情報を送信してもよい。
例えば、原画像のＳＮＲが閾値ＴＨ以下であり、原画像の画質が悪い場合、その原画像からノイズを除去しても、ノイズを除去する前の原画像上で所望の構造物を認識できないことが多く、デノイズ画像を診断に用いることは信頼するに足りない場合が多い。そのため、画質が悪い場合に、所定の情報を医用画像生成装置１００などに送信することで、医師などのユーザに撮像条件を変更させるように促す。これによって、次周期以降にデノイズ画像の元となる原画像のＳＮＲが向上し得るため、デノイズ画像を利用した診断の精度を向上させることができる。
次に、混合画像生成機能２１８は、入力インターフェース２０４に対して、手動で混合比βを変更する操作がなされたか否かを判定し（ステップＳ１１４）、手動で混合比βを変更する操作がなされたと判定した場合、上述したＳ１０８の処理に移り、手動設定された混合比βに応じて、ＳＮＲを求めた原画像と、その原画像からノイズが除去されたデノイズ画像とを混合した混合画像を生成する。
一方、混合画像生成機能２１８は、手動で混合比βを変更する操作がなされなかったと判定した場合、原画像のＳＮＲに応じて混合比βを決定する（ステップＳ１１６）。
例えば、混合画像生成機能２１８は、原画像のＳＮＲが大きくなるほど混合比βを小さくし、原画像のＳＮＲが小さくなるほど混合比βを大きくする。このように、原画像のＳＮＲが大きく画質が良好な場合、混合画像における原画像の割合を減少させることで、よりノイズが除去された明瞭な画像をユーザに提供し、原画像のＳＮＲが小さく画質が良好でない場合、混合画像における原画像の割合を増加させることで、所望の構造物をより残した画像をユーザに提供することができる。
次に、混合画像生成機能２１８は、上述したＳ１０８の処理に移り、Ｓ１１６の処理で決定した混合比βに基づいて、ＳＮＲを求めた原画像と、その原画像からノイズが除去されたデノイズ画像とを混合した混合画像を生成する。そして、出力制御機能２２０は、上述したＳ１１０の処理として、通信インターフェース２０２を制御して、混合画像生成機能２１８により生成された混合画像を医用画像生成装置１００などに送信する。
以上説明した第１の実施形態によれば、処理回路２１０が、一以上の原画像を取得する取得機能２１２と、取得機能２１２により取得された原画像に基づいて、原画像のＳＮＲをノイズに関する指標値として導出する導出機能２１６と、導出機能２１６により導出されたＳＮＲに応じて、ユーザに撮像条件を変更させることを促すための所定の情報を、通信インターフェース２０２に出力させる出力制御機能２２０とを実行することによって、医用画像の撮像条件を、より医用画像の画質が良好となる撮像条件に変更させるようにユーザに促すことができる。この結果、より診断精度を向上させることが可能な医用画像を生成することができる。
また、第１の実施形態によれば、原画像のＳＮＲが閾値ＴＨ以下である場合、すなわち、原画像の画質が良好でない場合、ＳＮＲに応じて混合比βで原画像とデノイズ画像とを混合した混合画像を生成し、生成した混合画像を医用画像生成装置１００などに送信するため、例えば、デノイズ処理によって原画像から病変などの所望の構造物が除去されてしまっても、原画像が混合比βの割合で含まれる混合画像上では、所望の構造物が残っているため、診断精度を向上させることができる。
また、第１の実施形態によれば、原画像のＳＮＲが小さくなるほど混合比βを大きくするため、混合画像に含まれる原画像の割合を大きくすることができる。これにより、混合画像の画質も良好でなくなるため、原画像上で既に所望の構造物が描出されておらず、診断精度が低下する蓋然性が高いということをユーザに認識させることができる。この結果、ユーザに、撮像条件を変えて再スキャンするように促すことができる。
また、第１の実施形態によれば、原画像のＳＮＲが大きくなるほど混合比βを小さくするため、所望の構造物を含み、且つノイズが除去された混合画像をユーザに提供することができる。
（第１の実施形態の変形例）
以下、第１の実施形態の変形例について説明する。上述した第１の実施形態では、医用画像生成装置１００と医用画像処理装置２００とが互いに異なる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、医用画像処理装置２００は、医用画像生成装置１００のコンソール装置１２０の一機能によって実現されてもよい。すなわち、医用画像処理装置２００は、医用画像生成装置１００のコンソール装置１２０によって仮想的に実現される仮想マシンであってもよい。
図９は、第１の実施形態に係る医用画像生成装置１００の他の例を示す図である。図９に示すように、コンソール装置１２０の処理回路１３０は、上述した取得機能１３２と、生成機能１３４と、通信制御機能１３６と、表示制御機能１３８に加えて、デノイズ機能２１４と、導出機能２１６と、混合画像生成機能２１８と、学習機能２２２とを実行してよい。
また、コンソール装置１２０のメモリ１５０には、撮像条件情報２３２と、デノイズモデル情報２３４とが格納されてよい。
このような構成によって、医用画像生成装置１００単体で、診断精度を向上させることが可能な医用画像を生成することができる。
また、上述した第１の実施形態では、医用画像生成装置１００がＭＲＩ装置であるものとして説明したがこれに限られず、ＣＴ装置であってもよい。医用画像生成装置１００がＣＴ装置である場合、医用画像処理装置２００は、ＣＴ画像に対して、デノイズ処理を行ったり、デノイズ画像に対して原画像であるＣＴ画像を混合させた混合画像を生成したりしてよい。
（第２の実施形態）
以下、第２の実施形態について説明する。第１の実施形態では、原画像のＳＮＲが閾値ＴＨを超える場合、混合比βを所定値に設定するものとして説明した。これに対して、第２の実施形態では、原画像のＳＮＲが閾値ＴＨを超える場合、混合比βを原画像の撮像条件に応じて設定する点で上述した第１の実施形態と相違する。以下、第１の実施形態との相違点を中心に説明し、第１の実施形態と共通する点については説明を省略する。なお、第２の実施形態の説明において、第１の実施形態と同じ部分については同一符号を付して説明する。
図１０は、第２の実施形態に係る医用画像処理装置２００の一例を示す図である。図１０に示すように、メモリ２３０には、例えば、上述した撮像条件情報２３２やデノイズモデル情報２３４に加えて、混合比出力モデル情報２３６が格納される。
混合比出力モデル情報２３６は、混合比出力モデルＭＤＬ２を定義した情報（プログラムまたはデータ構造）である。混合比出力モデルＭＤＬ２は、撮像条件を示す情報が入力されると、原画像とデノイズ画像との混合比βを出力するように学習されたモデルである。混合比出力モデルＭＤＬ２は、例えば、一つ以上のＤＮＮを含む。混合比出力モデル情報２３６には、デノイズモデル情報２３４と同様に、結合情報や、重み情報などが含まれる。
第２の実施形態における学習機能２２２は、デノイズモデルＭＤＬ１に加えて、更に混合比出力モデルＭＤＬ２のパラメータを教師あり学習によって決定する。
［ランタイム時の処理フロー］
以下、第２の実施形態における処理回路２１０の一連の処理の流れをフローチャートに即して説明する。図１１は、第２の実施形態における処理回路２１０のランタイム時の一連の処理の流れを示すフローチャートである。ランタイムとは、十分に学習されたデノイズモデルＭＤＬ１や混合比出力モデルＭＤＬ２を利用して処理を実行することである。本フローチャートの処理は、例えば、プレスキャンや本スキャン、プレスキャン前のスキャンによって生成された医用画像が取得機能２１２によって取得された場合に行われてよい。
まず、デノイズ機能２１４は、デノイズモデルＭＤＬ１を利用して、取得機能２１２によって取得された原画像からノイズを除去して、デノイズ画像を生成する（ステップＳ２００）。
次に、導出機能２１６は、取得機能２１２によって取得された原画像のＳＮＲを導出する（ステップＳ２０２）。
次に、混合画像生成機能２１８は、導出機能２１６によって導出されたＳＮＲが閾値ＴＨ以下であるか否かを判定し（ステップＳ２０４）、ＳＮＲが閾値ＴＨを超えると判定した場合、混合比βを所定値に設定し（ステップＳ２０６）、設定した混合比βに基づいて、ＳＮＲを求めた原画像と、その原画像からノイズが除去されたデノイズ画像とを混合した混合画像を生成する（ステップＳ２０８）。
次に、出力制御機能２２０は、通信インターフェース２０２を制御して、混合画像生成機能２１８により生成された混合画像を医用画像生成装置１００などに送信する（ステップＳ２１０）。
一方、Ｓ２０４の処理において、出力制御機能２２０は、混合画像生成機能２１８によってＳＮＲが閾値ＴＨ以下であると判定された場合、通信インターフェース２０２を制御して、医用画像生成装置１００に所定の情報を送信する（ステップＳ２１２）。また、出力制御機能２２０は、通信インターフェース２０２を制御して、画像の読影者が利用可能な端末装置に所定の情報を送信してもよい。
次に、混合画像生成機能２１８は、入力インターフェース２０４に対して、手動で混合比βを変更する操作がなされたか否かを判定し（ステップＳ２１４）、手動で混合比βを変更する操作がなされたと判定した場合、上述したＳ２０８の処理に移り、手動設定された混合比βに応じて、ＳＮＲを求めた原画像と、その原画像からノイズが除去されたデノイズ画像とを混合した混合画像を生成する。
一方、混合画像生成機能２１８は、手動で混合比βを変更する操作がなされなかったと判定した場合、撮像条件情報２３２において、ＳＮＲが求められた原画像の識別情報に対応付けられた撮像条件を抽出し、抽出した撮像条件を示す情報を混合比出力モデルＭＤＬ２に入力する（ステップＳ２１６）。混合比出力モデルＭＤＬ２は、十分に学習されているものとする。
次に、混合画像生成機能２１８は、撮像条件を示す情報を入力した混合比出力モデルＭＤＬ２により出力された値を、混合比βに決定する（ステップＳ２１８）。
次に、混合画像生成機能２１８は、上述したＳ２０８の処理に移り、Ｓ２１８の処理で決定した混合比βに基づいて、ＳＮＲを求めた原画像と、その原画像からノイズが除去されたデノイズ画像とを混合した混合画像を生成する。そして、出力制御機能２２０は、通信インターフェース２０２を制御して、混合画像生成機能２１８により生成された混合画像を医用画像生成装置１００などに送信する。これによって本フローチャートの処理が終了する。
［トレーニング時の処理フロー］
以下、第２の実施形態における処理回路２１０の一連の処理の流れをフローチャートに即して説明する。図１２は、第２の実施形態における処理回路２１０のトレーニング時の一連の処理の流れを示すフローチャートである。トレーニングとは、デノイズモデルＭＤＬ１や混合比出力モデルＭＤＬ２を学習することである。本フローチャートでは、一例として、混合比出力モデルＭＤＬ２を学習するときの処理について説明する。
まず、取得機能２１２は、通信インターフェース２０２に医用画像生成装置１００と通信させ、その通信相手の医用画像生成装置１００から撮像条件を示す情報を取得する（ステップＳ３００）。
次に、学習機能２２２は、取得機能２１２によって取得された撮像条件を示す情報を、混合比出力モデルＭＤＬ２に入力する（ステップＳ３０２）。
次に、学習機能２２２は、撮像条件を示す情報を入力した混合比出力モデルＭＤＬ２の出力結果と、ある教師データとの差分を導出する（ステップＳ３０４）。ここでの教師データは、例えば、撮像条件に対して、その撮像条件に従ってスキャンしたときに得られた原画像をデノイズ画像に混合する際にユーザが手動設定した混合比β（Ｓ２１４の処理で手動設定された混合比β）が教師ラベルとして対応付けられたデータであってよい。
次に、学習機能２２２は、混合比出力モデルＭＤＬ２により出力された混合比βと、教師ラベルの混合比βとの差分が小さくなるように、すなわち、混合比出力モデルＭＤＬ２により出力された混合比βが教師ラベルの混合比βに近づくように、混合比出力モデルＭＤＬ２に含まれる各ＤＮＮのパラメータを、勾配法を利用して学習する（ステップＳ３０６）。これによって本フローチャートの処理が終了する。
以上説明した第２の実施形態によれば、ある撮像条件で得られた原画像に対してデノイズ画像を混合させる際にユーザが手動設定した混合比βを教師データとして学習された混合比出力モデルＭＤＬ２を利用して、撮像条件から混合比βを決定するため、原画像をどの程度デノイズ画像に混ぜるのかというユーザの好みに合わせて混合画像を生成することができる。
（第２の実施形態の変形例）
以下、第２の実施形態の変形例について説明する。上述した第２の実施形態では、原画像のＳＮＲが閾値ＴＨを超える場合であれば、混合比βを所定値に設定し、原画像のＳＮＲが閾値ＴＨ以下である場合であれば、混合比βを機械学習によって決定するものとして説明したがこれに限られない。例えば、医用画像処理装置２００は、原画像のＳＮＲに依らずに、混合比βを機械学習によって決定してもよい。この場合、原画像のＳＮＲは、例えば、混合比出力モデルＭＤＬ２のいずれかのＤＮＮの中間層で計算される特徴量として扱われてよい。
以下、第２の実施形態の変形例における処理回路２１０の一連の処理の流れをフローチャートに即して説明する。図１３は、第２の実施形態の変形例における処理回路２１０のランタイム時の一連の処理の流れを示すフローチャートである。本フローチャートの処理は、例えば、プレスキャンや本スキャン、プレスキャン前のスキャンによって生成された医用画像が取得機能２１２によって取得された場合に行われてよい。
まず、デノイズ機能２１４は、デノイズモデルＭＤＬ１を利用して、取得機能２１２によって取得された原画像からノイズを除去して、デノイズ画像を生成する（ステップＳ４００）。
次に、混合画像生成機能２１８は、撮像条件情報２３２において、ＳＮＲが求められた原画像の識別情報に対応付けられた撮像条件を抽出し、抽出した撮像条件を示す情報を混合比出力モデルＭＤＬ２に入力する（ステップＳ４０２）。混合比出力モデルＭＤＬ２は、十分に学習されているものとする。
次に、混合画像生成機能２１８は、撮像条件を示す情報を入力した混合比出力モデルＭＤＬ２により出力された値を、混合比βに決定する（ステップＳ４０４）。
次に、混合画像生成機能２１８は、混合比出力モデルＭＤＬ２を利用して決定した混合比βに基づいて、ＳＮＲを求めた原画像と、その原画像からノイズが除去されたデノイズ画像とを混合した混合画像を生成する（ステップＳ４０６）。
次に、出力制御機能２２０は、通信インターフェース２０２を制御して、混合画像生成機能２１８により生成された混合画像を医用画像生成装置１００などに送信する（ステップＳ４０８）。
上記説明したいずれかの実施形態は、以下のように表現することができる。
プログラムを格納するストレージと、
プロセッサと、を備え、
前記プロセッサは、前記プログラムを実行することにより、
一以上の医用画像を取得し、
前記取得した前記医用画像に基づいて、前記医用画像に含まれるノイズに関する指標値を導出し、
前記導出した前記指標値に応じて、ユーザに前記医用画像の撮像条件を変更させることを促すための所定の情報を、前記出力部に出力させる、
ように構成されている医用画像処理装置。
以上説明した少なくともひとつの実施形態によれば、処理回路２１０が、一以上の原画像を取得する取得機能２１２と、取得機能２１２により取得された原画像に基づいて、原画像のＳＮＲをノイズに関する指標値として導出する導出機能２１６と、導出機能２１６により導出されたＳＮＲに応じて、ユーザに撮像条件を変更させることを促すための所定の情報を、通信インターフェース２０２に出力させる出力制御機能２２０とを実行することによって、より医用画像の画質が良好となる撮像条件に変更された上で再スキャンが行われやすくなる。この結果、診断精度を向上させることが可能な医用画像を生成することができる。
本発明の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。
１…医用画像処理システム、１００…医用画像生成装置、１０１…静磁場磁石、１０２…傾斜磁場コイル、１０４…寝台、１０５…寝台制御回路、１０６…送信コイル、１０７…送信回路、１０８…受信コイル、１０９…受信回路、１１０…シーケンス制御回路、１２０…コンソール装置、２００…医用画像処理装置、２０２…通信インターフェース、２０４…入力インターフェース、２０６…ディスプレイ、２１０…処理回路、２１２…取得機能、２１４…デノイズ機能、２１６…導出機能、２１８…混合画像生成機能、２２０…出力制御機能、２２２…学習機能、２３０…メモリ

Claims (9)

  1. 情報を出力する出力部と、
    一以上の医用画像を取得する取得部と、
    前記取得部により取得された前記医用画像に基づいて、前記医用画像に含まれるノイズに関する指標値を導出する導出部と、
    前記導出部により導出された前記指標値に応じて、ユーザに前記医用画像の撮像条件を変更させることを促すための所定の情報を、前記出力部に出力させる出力制御部と、
    前記取得部により取得された前記医用画像からノイズを除去する除去部と、
    前記取得部により取得された前記医用画像である第１医用画像と、前記除去部によりノイズが除去された前記医用画像である第２医用画像とを混合した混合画像を生成する混合画像生成部と、を備え、
    前記混合画像生成部は、
    前記医用画像の撮像条件を表すデータが入力されると、前記第１医用画像と前記第２医用画像との混合比を出力するように学習されたモデルに対して、前記第１医用画像の撮像条件を表すデータを入力して得られた前記モデルの出力結果に基づいて、前記混合比を決定し、
    前記決定した混合比に応じて、前記第１医用画像と前記第２医用画像とを混合した前記混合画像を生成し、
    前記出力制御部は、前記混合画像生成部により生成された前記混合画像を、前記所定の情報として前記出力部に出力させる、
    医用画像処理装置。
  2. 前記導出部は、前記医用画像の信号対雑音比を前記指標値として導出し、
    前記出力制御部は、前記信号対雑音比が閾値以下である場合、前記所定の情報を前記出力部に出力させる、
    請求項１に記載の医用画像処理装置。
  3. 前記導出部は、前記医用画像の撮像条件に基づいて、前記信号対雑音比を前記指標値として導出する、
    請求項２に記載の医用画像処理装置。
  4. 前記導出部は、少なくとも２つの前記医用画像の差分に基づいて、前記信号対雑音比を前記指標値として導出する、
    請求項２または３に記載の医用画像処理装置。
  5. 前記混合画像生成部は、
    前記導出部により導出された前記指標値に応じて、前記第１医用画像と前記第２医用画像との混合比を決定し、
    前記決定した混合比に応じて、前記第１医用画像と前記第２医用画像とを混合した前記混合画像を生成する、
    請求項１に記載の医用画像処理装置。
  6. 前記導出部は、前記医用画像の信号対雑音比を前記指標値として導出し、
    前記混合画像生成部は、前記信号対雑音比が大きくなるほど前記混合比を小さくし、前記信号対雑音比が小さくなるほど前記混合比を大きくする、
    請求項５に記載の医用画像処理装置。
  7. 情報を出力する出力部と、
    一以上の医用画像を取得する取得部と、
    前記取得部により取得された前記医用画像からノイズを除去する除去部と、
    前記取得部により取得された前記医用画像と、前記除去部によりノイズが除去された前記医用画像とを混合した混合画像を、前記出力部に出力させる出力制御部と、
    前記取得部により取得された前記医用画像である第１医用画像と、前記除去部によりノイズが除去された前記医用画像である第２医用画像とを混合した混合画像を生成する混合画像生成部と、を備え、
    前記混合画像生成部は、
    前記医用画像の撮像条件を表すデータが入力されると、前記第１医用画像と前記第２医用画像との混合比を出力するように学習されたモデルに対して、前記第１医用画像の撮像条件を表すデータを入力して得られた前記モデルの出力結果に基づいて、前記混合比を決定し、
    前記決定した混合比に応じて、前記第１医用画像と前記第２医用画像とを混合した前記混合画像を生成する、
    医用画像処理装置。
  8. 情報を出力する出力部と、
    撮像条件に応じて被検体に電磁波を作用させることで一以上の医用画像を生成する生成部と、
    前記生成部により生成された前記医用画像に基づいて、前記医用画像に含まれるノイズに関する指標値を導出する導出部と、
    前記導出部により導出された前記指標値に応じて、ユーザに前記撮像条件を変更させることを促すための所定の情報を、前記出力部に出力させる出力制御部と、
    前記生成部により生成された前記医用画像からノイズを除去する除去部と、
    前記生成部により生成された前記医用画像である第１医用画像と、前記除去部によりノイズが除去された前記医用画像である第２医用画像とを混合した混合画像を生成する混合画像生成部と、を備え、
    前記混合画像生成部は、
    前記医用画像の撮像条件を表すデータが入力されると、前記第１医用画像と前記第２医用画像との混合比を出力するように学習されたモデルに対して、前記第１医用画像の撮像条件を表すデータを入力して得られた前記モデルの出力結果に基づいて、前記混合比を決定し、
    前記決定した混合比に応じて、前記第１医用画像と前記第２医用画像とを混合した前記混合画像を生成し、
    前記出力制御部は、前記混合画像生成部により生成された前記混合画像を、前記所定の情報として前記出力部に出力させる、
    磁気共鳴イメージング装置。
  9. 情報を出力する出力部を備えるコンピュータを用いた医用画像処理方法であって、
    一以上の医用画像を取得すること、
    前記取得した医用画像に基づいて、前記医用画像に含まれるノイズに関する指標値を導出すること、
    前記導出した指標値に応じて、ユーザに前記医用画像の撮像条件を変更させることを促すための所定の情報を、前記出力部に出力させること、
    前記取得した医用画像からノイズを除去すること、
    前記取得した医用画像である第１医用画像と、ノイズを除去した前記医用画像である第２医用画像とを混合した混合画像を生成すること、を含み、
    前記混合画像を生成することには、前記医用画像の撮像条件を表すデータが入力されると、前記第１医用画像と前記第２医用画像との混合比を出力するように学習されたモデルに対して、前記第１医用画像の撮像条件を表すデータを入力して得られた前記モデルの出力結果に基づいて、前記混合比を決定すること、及び前記決定した混合比に応じて、前記第１医用画像と前記第２医用画像とを混合した前記混合画像を生成すること、が含まれ、
    前記所定の情報を前記出力部に出力させることには、前記生成した混合画像を、前記所定の情報として前記出力部に出力させること、が含まれる、
    医用画像処理方法。
JP2019000234A 2019-01-04 2019-01-04 医用画像処理装置、磁気共鳴イメージング装置、および医用画像処理方法 Active JP7228386B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019000234A JP7228386B2 (ja) 2019-01-04 2019-01-04 医用画像処理装置、磁気共鳴イメージング装置、および医用画像処理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019000234A JP7228386B2 (ja) 2019-01-04 2019-01-04 医用画像処理装置、磁気共鳴イメージング装置、および医用画像処理方法

Publications (2)

Publication Number Publication Date
JP2020108593A JP2020108593A (ja) 2020-07-16
JP7228386B2 true JP7228386B2 (ja) 2023-02-24

Family

ID=71569689

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019000234A Active JP7228386B2 (ja) 2019-01-04 2019-01-04 医用画像処理装置、磁気共鳴イメージング装置、および医用画像処理方法

Country Status (1)

Country Link
JP (1) JP7228386B2 (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040128092A1 (en) 2002-10-09 2004-07-01 Michael Deimling Method for processing raw magnetic resonance data, magnetic resonance tomography unit and magnetic resonance spectroscopy unit
CN101101325A (zh) 2007-08-03 2008-01-09 华东师范大学 一种磁共振正交线圈成像的数字合成方法
JP2008136630A (ja) 2006-11-30 2008-06-19 Toshiba Corp 画像処理装置及びプログラム
WO2009128213A1 (ja) 2008-04-14 2009-10-22 株式会社日立メディコ 医用診断装置および医用診断装置の画質改善方法
JP2013046833A (ja) 2006-02-17 2013-03-07 Toshiba Corp データ補正装置
JP2016525391A (ja) 2013-07-11 2016-08-25 シナプティヴ メディカル （バルバドス） インコーポレイテッドＳｙｎａｐｔｉｖｅ Ｍｅｄｉｃａｌ （Ｂａｒｂａｄｏｓ） Ｉｎｃ． 外科研修及び撮像脳ファントム
JP2018206382A (ja) 2017-06-01 2018-12-27 株式会社東芝 画像処理システム及び医用情報処理システム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3189982B2 (ja) * 1991-12-27 2001-07-16 株式会社日立メディコ 磁気共鳴イメージング装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040128092A1 (en) 2002-10-09 2004-07-01 Michael Deimling Method for processing raw magnetic resonance data, magnetic resonance tomography unit and magnetic resonance spectroscopy unit
JP2013046833A (ja) 2006-02-17 2013-03-07 Toshiba Corp データ補正装置
JP2008136630A (ja) 2006-11-30 2008-06-19 Toshiba Corp 画像処理装置及びプログラム
CN101101325A (zh) 2007-08-03 2008-01-09 华东师范大学 一种磁共振正交线圈成像的数字合成方法
WO2009128213A1 (ja) 2008-04-14 2009-10-22 株式会社日立メディコ 医用診断装置および医用診断装置の画質改善方法
JP2016525391A (ja) 2013-07-11 2016-08-25 シナプティヴ メディカル （バルバドス） インコーポレイテッドＳｙｎａｐｔｉｖｅ Ｍｅｄｉｃａｌ （Ｂａｒｂａｄｏｓ） Ｉｎｃ． 外科研修及び撮像脳ファントム
JP2018206382A (ja) 2017-06-01 2018-12-27 株式会社東芝 画像処理システム及び医用情報処理システム

Also Published As

Publication number Publication date
JP2020108593A (ja) 2020-07-16

Similar Documents

Publication Publication Date Title
US11341616B2 (en) Methods and system for selective removal of streak artifacts and noise from images using deep neural networks
US11415656B2 (en) Medical information processing apparatus, magnetic resonance imaging apparatus, and medical information processing method
JP5485663B2 (ja) 対称性検出及び画像位置合わせを用いた自動式走査計画のシステム及び方法
JP2019005557A (ja) 画像処理装置、磁気共鳴イメージング装置及び画像処理プログラム
US11965948B2 (en) Medical information processing apparatus, medical information processing method, and storage medium
JP7346270B2 (ja) 医用情報処理装置、医用情報処理方法、およびプログラム
US11125847B2 (en) System and method for out-of-view artifact suppression for magnetic resonance fingerprinting
JP7246194B2 (ja) 医用画像処理装置、医用画像処理方法、およびプログラム
JP7300811B2 (ja) 医用情報処理装置、医用情報処理方法、およびプログラム
JP6552804B2 (ja) 磁気共鳴イメージング装置
US20220180575A1 (en) Method and system for generating magnetic resonance image, and computer readable storage medium
JP7228386B2 (ja) 医用画像処理装置、磁気共鳴イメージング装置、および医用画像処理方法
JP2021518228A (ja) 磁気共鳴フィンガープリンティングを用いた異常検出
KR20190117234A (ko) 인공신경망을 이용한 자기 공명 영상의 영상 프로토콜 선택 장치와 방법 및 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
JP7341913B2 (ja) 医用情報処理装置、磁気共鳴イメージング装置、および医用情報処理方法
JP7213099B2 (ja) 医用画像処理装置、磁気共鳴イメージング装置、医用画像処理方法、およびプログラム
JP7221067B2 (ja) 医用画像処理装置、磁気共鳴イメージング装置、学習装置、医用画像処理方法、およびプログラム
KR101797141B1 (ko) 자기 공명 영상 처리 장치 및 그 영상 처리 방법
JP7186604B2 (ja) 医用画像処理装置、医用画像処理方法、およびプログラム
US12125175B2 (en) Methods and system for selective removal of streak artifacts and noise from images using deep neural networks
WO2022124473A1 (ko) K-space 도메인에 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
CN115363559A (zh) 基于深度学习的图像采集医学系统和方法
CN118409258A (zh) 用于非笛卡尔磁共振成像数据的基于深度学习的化学位移伪影减轻的系统和方法
WO2023186609A1 (en) Deep learning based denoising of mr images
CN114255162A (zh) 一种磁共振成像方法、装置、设备及介质

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211203

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20221028

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221115

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221227

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230117

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230213

R150 Certificate of patent or registration of utility model

Ref document number: 7228386

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150