JP7245740B2 - 画像処理装置、画像処理方法及びｘ線ｃｔ装置 - Google Patents

Description

本発明は、画像処理装置、画像処理方法及びＸ線ＣＴ装置であって、特に、機械学習あるいは深層学習を用いて画像のノイズを低減する画像処理装置、画像処理方法及びＸ線ＣＴ装置に関する。

Ｘ線ＣＴ装置で撮像された医用画像は、画像の用途によって信号とノイズの定義が異なる、シミュレーションでは臨床上必要な精度の画像を作成できない、汎用の画質評価指標ではノイズを定量化できないという特徴がある。また、そのノイズ低減処理には、種々の手法があり、たとえば金属由来のノイズを低減する処理は、（１）実空間での処理、（２）投影空間での処理、及び（３）それらの組み合わせのくり返し処理、の３種類に分類することができる（非特許文献１）。これらの処理のノイズ低減効果及び計算コストは、いずれも（１）の処理よりも（２）の処理、（２）の処理よりも（３）の処理がより大きくなる。（３）の処理は、理論上はノイズを０にできるが、計算コストが高いため、スループットが必要とされる商用機には採用されていない。（１）及び（２）の処理は商用機に採用され、画像の用途によって使い分けられている。
一方、一般的な画像に対しては、機械学習あるいは深層学習によるノイズ低減処理が、画像を適応的に評価して画像の特徴に応じたノイズ低減を行う適応フィルタとして高い効果を挙げている（非特許文献２）。

Ｇｊｅｓｔｅｂｙ，Ｌ．，ｅｔ ａｌ．（２０１６）．"Ｍｅｔａｌ Ａｒｔｉｆａｃｔ Ｒｒｅｄｕｃｔｉｏｎ ｉｎ ＣＴ： Ｗｈｅｒｅ ａｒｅ ｗｅ ａｆｔｅｒ ｆｏｕｒ ｄｅｃａｄｅｓ？"，ＩＥＥＥ Ａｃｃｅｓｓ，４，５８２６－５８４９ Ｚ． Ｅａｔｏｎ－Ｒｏｓｅｎ，ｅｔ ａｌ．"Ｉｍｐｒｏｖｉｎｇ Ｄａｔａ Ａｕｇｍｅｎｔａｔｉｏｎ ｆｏｒ Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｓｅｇｍｅｎｔａｔｉｏｎ"，ＭＩＤＬ ２０１８

機械学習あるいは深層学習は、汎用の画質評価指標では定量化できず、用途によって適応的な処理が必要な医用画像のノイズ低減方法として期待されるが、方法の適用自体が困難である。一般画像に対する深層学習の通例にならってノイズのない画像を正解画像として学習済みネットワークを構築しようとすると、正解画像が存在しないか、存在したとしてもその絶対数が少なく、深層学習に必要とされる正解画像数を充足させることができないためである。（非特許文献２）。

本発明は、上記事情に鑑みてなされたものであり、汎用の画質評価指標を用いてノイズを定量化することができない医用画像であっても、精度よくノイズを低減させて画質を向上させることを目的とする。

上記課題を解決するために、本発明は以下の手段を提供する。
本発明の一態様は、原画像及び原画像よりもノイズが低減された画像を１枚以上含む入力画像を生成する前処理部と、学習済みネットワークを適用して、前記入力画像に基づいて前記原画像からノイズを低減した画像を出力するノイズ低減処理部と、を備え、前記ノイズ低減処理部において用いられる前記学習済みネットワークが、ノイズを含む医用画像と、該医用画像に対してノイズ低減処理を行って得られるノイズ低減画像及び前記ノイズ低減処理の過程において得られる中間画像のうち１枚以上とを入力画像とし、これらの入力画像に基づいて得られた正解画像を出力画像とする複数の学習セットを用いて深層学習を行うことにより構築された画像処理装置を提供する。

本発明の他の態様は、原画像及び原画像よりもノイズが低減された画像を１枚以上含む入力画像を生成する前処理ステップと、学習済みネットワークを適用して、前記入力画像に基づいて前記原画像からノイズを低減した画像を出力するノイズ低減処理ステップと、を備え、前記ノイズ低減処理ステップにおいて用いられる前記学習済みネットワークが、ノイズを含む医用画像と、該医用画像に対してノイズ低減処理を行って得られるノイズ低減画像及び前記ノイズ低減処理の過程において得られる中間画像のうち１枚以上とを入力画像とし、これらの入力画像に基づいて得られた正解画像を出力画像とする複数の学習セットを用いて深層学習を行うことにより構築された画像処理方法を提供する。

また、本発明のさらに他の態様は、被検体にＸ線を照射し、前記被検体を透過したＸ線を検出して画像を生成する撮像部と、上記した画像処理装置と、を備え、該画像処理装置が、前記撮像部により生成された画像を原画像としてノイズ低減処理を行うＸ線ＣＴ装置を提供する。

本発明によれば、汎用の画質評価指標を用いてノイズを定量化することができない医用画像であっても、精度よくノイズを低減させて画質を向上させることができる。

本発明の第１の実施形態に係る画像処理装置を適用したＸ線ＣＴ装置の概略構成を示すブロック図である。 図１のＸ線ＣＴ装置の画像処理部（画像処理装置）の概略構成を示すブロック図である。 深層学習のネットワーク構造の一例を示す参考図である。 学習データを生成するための学習準備装置の概略構成を示す参考ブロック図である。 図４の学習準備装置による正解画像の作成処理に係るフローチャートである。 学習データ作成の実施例１において、パラメータ値の決定に際して出力装置としてのモニタに表示させる画面例を示す参考図である。 学習データ作成の実施例１における、学習データ作成の処理フローチャートである。 学習データ作成の実施例２における、学習データ作成の処理フローチャートである。 学習データ作成の実施例３における、学習データ作成の処理フローチャートである。 本発明の第２の実施形態に係る画像処理部（画像処理装置）の概略構成を示すブロック図である。 本発明の第２の実施形態において、変換番号ｋに対応付けられた処理と用途の対応関係の一例を示す対応表である。 本発明の第２の実施形態に係る画像処理部（画像処理装置）によるノイズ低減処理の流れを示すフローチャートである。

（第１の実施形態）
以下、本発明の第１の実施形態に係る画像処理装置（画像処理部）を適用したＸ線ＣＴ装置について、図面を参照して説明する。
図１に本実施形態に係るＸ線ＣＴ装置の概略構成図を示す。図１のＸ線ＣＴ装置は、Ｘ線の照射及び検出を行う撮像部１１０、撮像部１１０における撮影の制御を行う制御部１２０、撮像部１１０により検出した信号から画像を生成し所定の処理を行う演算部１３０、演算部１３０が実行するプログラムやプログラム実行に必要なデータを格納する記憶部１４０、Ｘ線照射条件などの撮像条件や画像の生成条件を入力する入力部１５０、及び生成した画像を表示する出力部１６０を備えている。

撮像部１１０は、Ｘ線管を備えたＸ線源１１１、複数のＸ線検出素子を１次元又は２次元状に配列したＸ線検出器１１２、Ｘ線源１１１とＸ線検出器１１２を対向して配置で支持し中央に開口部１１３を有する回転盤１１４、及び開口１１３の内部に位置し開口面の法線方向に移動可能なテーブル１１５を備えている。

制御部１２０は、図示しないＸ線制御器、回転盤制御器、及びテーブル制御器等の撮像部１１０に含まれる構成要素毎に設けられた制御器をそれぞれ備え、後述する演算部１３０において、所定のプログラムを展開し実行することで、撮像部１１０に必要な制御信号を送信する。

演算部１３０は、Ｘ線ＣＴ装置全体を制御し、制御部１２０に含まれる各制御機に必要な信号を送信する。また、演算部１３０は、撮像部１１０から受信したＸ線検出信号を収集して再構成像を生成し、再構成像に対して所定の画像処理を行う。演算部１３０は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、あるいは両者の組み合わせによって構成することができる。

演算部１３０は、信号収集部１３１、画像生成部１３２、及び画像処理部１３３の機能を実現する。上記した演算部１３０に含まれる各部が実行する動作の一部又は全部を、ＡＳＩＣ（application specific integrated circuit）やＦＰＧＡ（field-programmable gate array）により実現することもできる。

信号収集部１３１は、Ｘ線検出器１１２から受信したアナログのＸ線検出信号を収集してデジタルの投影信号に変換するものであり、例えば、データ収集システム（ＤＡＳ；Data Acquisition System）を適用することができる。画像生成部１３２では、信号収集部１１２により収集され変換されたデジタルの投影信号に基づいて再構成像（ＣＴ画像）を生成する。画像処理部１３３は、画像生成部１３２により生成された再構成像について、ノイズ低減処理を含む所定の画像処理を行う。画像処理部１３３の詳細については後述する。

記憶部１４０は、演算部１３０が実行するプログラムやプログラム実行に必要なデータや、後述する画像処理部１３３において機械学習によるノイズ低減処理を行うために必要な学習済みネットワークを格納する。記憶部１４０としては、メモリ、ＨＤＤ（Hard Disk Drive）装置等を適用することができる。入力部１５０は、ユーザによる撮像条件の入力を受け付けるものであり、キーボード、マウス、タッチパネル等を適用することができる。出力部１６０は、例えば、演算部１３０において生成された画像を表示させるモニタ等を適用することができる。

（画像処理部について）
本実施形態に係る画像処理装置は画像処理部１３３としてＸ線ＣＴ装置に組み込まれている。画像処理部１３３は、画像生成部１３２により生成された再構成像に対してノイズ低減処理や、エッジ抽出、コントラスト調整等撮像対象や目的に応じた種々の画像処理を行う。本実施形態において画像処理部１３３は、主としてノイズ低減処理を行うこととし、その他の画像処理についての説明は省略する。

画像処理部１３３は、本実施形態のように演算部１３０に組み込まれている場合には、演算部１３０としてのＣＰＵやＧＰＵに搭載されるソフトウエアあるいはＡＳＩＣやＦＰＧＡなどのハードウェアとしてその機能が実現される。特に、画像処理部１３３の機能である学習適用部３１１は、Tensorflow(Google社)、Chainer(Preferred Network社)、Theano(Universite de Montreal)などの公知のソフトウエアを利用して実現することができる。

本実施形態において、画像処理部１３３は、ノイズ低減処理を機械学習あるいは深層学習によって実現する。このため、図２に示すように、画像処理部１３３は、前処理部３１０及び学習適用部３１１を備えている。

前処理部３１０は、学習適用部３１１において深層学習のネットワークを適用してノイズ低減処理を行う際の入力画像を生成する。前処理部３１０は、原画像入出力部３１０１及びノイズ低減処理部３１０２を備え、前処理部３１０に入力された原画像を入力画像とすると共に、原画像に対して公知のノイズ低減処理を行った画像（以下、「ノイズ処理画像」という）を入力画像として少なくとも一枚生成する。

具体的には、原画像入出力部３１０１は、画像生成部１３２から受け取った再構成像（原画像）を入力画像として学習適用部３１１に出力する。また、ノイズ低減処理部３１０２は、入力画像として、例えば、予め定めた公知の第１のノイズ低減処理を実行する際に生成される中間画像又はこのノイズ低減処理を実行して得られた第１のノイズ処理画像、他の公知の第２のノイズ低減処理によって得られた第２のノイズ低減画像の３種類の画像を生成し、学習適用部３１１に出力する。

従って、前処理部３１０から学習適用部３１１には計４枚の入力画像が出力される。前処理部３１０において、これらの複数の入力画像は、互いにノイズの性質が異なる画像であることが望ましい。例えば、学習済みネットワークにおいて、金属に起因するノイズを含む画像から金属に起因するノイズを低減する処理を行う場合には、前処理部３１０において、金属の影響を受けた成分を当該金属の影響を減らした値に投影空間で置換した投影置換処理画像、金属の影響を受けた成分を投影空間で線形補間した線形補間画像、ビームハードニング補正処理を行った画像などをノイズ低減画像として生成することが好ましい。

また、公知のノイズ低減処理による中間画像としては、原画像を、空気、軟部組織、骨組織などの区分に領域分割し、空気の区分を０ＨＵ、軟部組織の区分を１０００ＨＵにするなど、領域毎にノイズ成分を低減した画像や、原画像の高周波成分を強調した高周波画像、原画像における隣接画素間の画素値の差の大きさをあらわすエッジ画像などが好適である。

学習適用部３１１は、ノイズ低減処理の対象である医用画像に対して、前処理部３１０において生成された入力画像に基づいて、学習済みネットワークを適用してノイズ低減処理を行う。ここで学習済みネットワークとは、入力データに対して特定のデータを出力する関数と同様の機能を有するプログラムである。従って、学習済みネットワークを演算部１３０によって構築することもできる他、演算部１３０とは別個独立の演算装置によって予め構築して記憶部１４０に記憶させておくこともできる。

このように構成されたＸ線ＣＴ装置では次のように画像を撮像する。すなわち、ユーザが入力部１５０により撮像・画像生成条件として、撮像部位、管電圧、管電流量、その他の撮像条件と、視野サイズ、画像中心、フィルタ条件その他の画像の生成条件などを入力し、撮像開始を指示する。入力した撮像条件に応じた制御信号を制御部１２０が生成し、撮像部１１０に出力する。

撮像部１１０は、取得した制御信号に従ってＸ線撮像を行い、投影信号を信号収集部１３１に出力する。信号収集部１３１は、投影信号をデジタル信号に変換して画像生成部１３２に出力し、画像生成部１３２は、画像の生成条件に従ってＦｉｌｔｅｒｅｄ Ｂａｃｋ Ｐｒｏｊｅｃｔｉｏｎ法や逐次再構成法などの画像再構成法を用い投影信号から、被写体のＸ線吸収係数を表す再構成像（ＣＴ画像）を生成する。

画像処理部１３３では、前処理部３１０が、信号収集部１３１によって収集されたデジタルの投影信号及び画像生成部１３２によって生成された再構成像の少なくとも一方を取得し、学習適用部３１１によって学習済みネットワークに入力する入力画像を生成する。前処理部３１０では、上述の通り複数の入力画像を生成し、これを学習適用部３１１に出力する。学習適用部３１１は、記憶部１４０に格納された学習済みネットワークを読み込み、学習済みネットワークに必要となる処理パラメータを設定し、入力画像に基づいて学習済みネットワークを用いて出力画像を取得し出力する。

（深層学習のネットワークについて）
図３に、学習適用部３１１が用いる深層学習のネットワーク（以下、単に「ネットワーク」と記載）の構造の一例を示す。
本実施形態において学習適用部１３３は、ネットワークとして畳み込みニューラルネットワーク（ＣＮＮ：Convolutional neural network）を用いることとして説明する。図３に示すように、ＣＮＮは１枚以上の、ノイズを含む画像４１０を入力する入力層４２０と、多数の畳み込み演算をくり返すように構成された演算手段４３０と、１枚のノイズが低減した画像４５０を出力する出力層４４０から構成される。

図３中、各層を表すブロックの下の数字はチャネルの数を表し、各層内の数字は層で処理するサイズを表し、入力層及び出力を表すブロックの端の数字は入力及び出力のサイズを表している。
本実施形態において、ネットワークは処理精度及び処理時間の優位性のため広く使われているＣＮＮとしたが、これに限られず、例えば、ＭＬＰ(Multi Layer Perceptron)、ＶＡＥ(Variational Auto Encoder)、ＧＡＮ(Generative Adversarial Network)等を用いることもできる。

（学習データ作成及び学習済みネットワーク構築について）
以下、学習適用部３１１が適用する学習済みネットワークの構築について説明する。本実施形態において、学習適用部３１１が適用する学習済みネットワークの一例は、図３に示すように、ＣＮＮを用い、金属に起因したノイズを含む画像を入力し、ノイズを低減させた画像を出力する。

学習データは、ネットワークの入力データとネットワークの出力データ（正解データ）からなる。入力データと出力データは対をなしており、対の数をデータ数という。深層学習におけるデータ数は、多くの場合１０万以上である。なお、以下の説明においてはネットワークの構造をＣＮＮと例示しているのに対応して、入力データを入力画像、出力データを出力画像、正解データを正解画像という。

本実施形態においては、図４に示すように、学習済みネットワークを構築するために学習準備装置６００によって、学習データ、すなわち、入力画像及び出力画像（正解画像）を作成する。学習準備装置６００は、演算部１３０に組み込むことができるだけでなく、演算部１３０とは別個独立の専用又は汎用のコンピュータ等を適用することができる。

学習準備装置６００は、入力画像を生成する前処理部３２１、正解画像を生成する学習データ作成部３２２及び学習データをネットワークに学習させる学習実行部３２３を備えている。

前処理部３２１は、画像処理部１３３の前処理部３１０と同様に、入力画像として、原画像の他に公知のノイズ低減処理を行ったノイズ低減画像を少なくとも一枚生成する。具体的には、上述した前処理部３１０と同様に、ＣＴ画像を原画像とし、この原画像を、例えば、予め定めた公知の第１のノイズ低減処理によって得られたノイズ低減画像の出力画像、第１のノイズ低減処理の際に生成される中間画像、公知の第２のノイズ低減処理によるノイズ低減画像の３種類の画像を生成する。生成した画像は、一旦、図示しない記憶装置に記憶させてもよいし、学習データ作成部３２２に出力してもよい。

学習データ作成部３２２は、変換処理・パラメータ定義部６１０、パラメータ値決定部６２０、及び変換実行部６３０を備えている。
変換処理・パラメータ定義部６１０は、入力画像を出力画像に変換するための変換処理及び変換処理に用いるパラメータを予め定義する。本実施形態では、ネットワークを用いてノイズ低減を行うので、入力画像に対してノイズを低減した正解画像を得るための処理を変換処理とし、例えば、実空間上の加重和、周波数空間上の加重和、又は、これらの組み合わせ、その他、公知のノイズ低減処理などから適宜選択する。また、定義した変換処理に用いるパラメータを併せて定義する。

パラメータ値決定部６２０は、変換処理・パラメータ定義部６１０により定められたパラメータについて、具体的にパラメータの値を決定する。変換実行部６３０は、変換処理・パラメータ定義部６１０において定義された変換処理に対して、パラメータ決定部６２０で決定したパラメータ値を適用して入力画像の変換を実行して出力画像（正解画像）を生成する。なお、前処理部３２１において生成された入力画像及び学習データ作成部３２２において生成された正解画像は、必要に応じて図示していない記憶装置に記憶させてもよい。

学習実行部３２３は、前処理部３２１において生成された画像を入力画像とし、学習データ作成部３２２において生成された正解画像を出力画像とする学習データを収集して、ＣＮＮに適用し反復学習させることにより学習済みネットワークを構築する。

（学習データ作成処理について）
以下、このように構成された学習準備装置６００の学習データ作成部３２２における正解画像作成の流れについて図５のフローチャートに従って説明する。
学習データ作成部３２２は、学習データ作成部３２２を実現するプログラムが展開・起動されると、変換処理・パラメータ定義部６１０、パラメータ値決定部６２０、及び変換実行部６３０としての機能を実現する。ステップＳ６１０において、変換処理・パラメータ定義部６１０が変換処理及びパラメータの定義を図示しない記憶部から読み込み定義する。

以降、多くの正解画像を作成するための処理のうち一枚目の処理が開始され、ステップＳ６２０において、パラメータ値設定部６２０により一枚目の正解画像を得るためのパラメータの値を設定する。続いて、ステップＳ６３０において、学習データ作成部３２２が前処理部３２１から一枚目の正解画像を得るための入力画像を読み込む。

次のステップＳ６４０では、変換実行部６３０が、ステップＳ６２０で設定されたパラメータの値を使って入力画像に対して変換処理を行い、得られたデータを正解画像として入力画像と１対として図示しない記憶装置に格納する（ステップＳ６５０）。正解画像を作成するデータ数がＮの場合、上記したステップＳ６２０からステップＳ６５０までの動作をＮ回繰り返し（ステップＳ６６０）、得られたデータセットを学習データとする。

本実施形態では、パラメータ値を入力画像によって異なる値に設定する例について説明したが、パラメータ値を全ての入力画像に共通の値とすることもできる。

以上述べたように、本実施形態においては、ノイズのある画像を入力画像とし、この入力画像を変換し画像を出力画像とする学習データを用いて学習済みネットワークを構築する。したがって、例えば、本来は正解画像が得られない画像などの、汎用の画質評価指標を用いてノイズを定量化することができない医用画像に対するノイズ低減処理についても、学習済みネットワークを適用することができ、精度よくノイズを低減させて画質を向上させることができる。

なお、ノイズ低減処理の対象となる画像やそのノイズに応じて学習済みネットワークを構築することが好ましい。例えば、金属に起因するノイズを低減したい場合には、金属に起因するノイズを含む画像を入力画像、金属に起因するノイズが低減された画像を出力画像とする学習データを用いて構築された学習済みネットワークを構築する。このように構築された学習済みネットワークを用いてノイズ低減処理を行うことで、画像の用途によってノイズの定義が異なり、かつ、汎用の画質評価指標でノイズを定量化できない金属に起因するノイズに対して、適応的なノイズ低減処理を行うことができ、高いノイズ低減効果が得られる。

より具体的には、ノイズ低減を行っていない原画像、金属の領域のみ値を持つ金属画像、金属の影響を受けた成分を投影空間で線形補間した線形補間画像、ビームハードニング補正処理により金属に起因するノイズを低減したビームハードニング補正画像、原画像の高周波成分を強調した高周波画像、原画像における隣接画素間の画素値の差の大きさをあらわすエッジ画像、撮像対象のＸ線減弱係数の違いにより領域を分割した領域分割画像のうち２枚以上を入力画像とした学習データにより学習済みネットワークを構築することができる。

このような学習データを用いて構築された学習済みネットワークを用いてノイズ低減処理を行うことにより、画像の用途によってノイズの定義が異なり、かつ、汎用の画質評価指標でノイズを定量化できない金属に起因するノイズに対して、公知のノイズ低減処理以上のノイズ低減効果を得ることができる。

以下、実施例１～実施例６に係る学習データ作成例について説明する。
＜学習データ作成の実施例１＞
本実施例は、変換処理・パラメータ定義部６１０が定義する入力画像を出力画像に変換するための変換処理を、実空間上の加重和、周波数空間上の加重和、又は実空間上及び周波数空間上の加重和の組み合わせの何れかとする。また、パラメータ値決定部６２０では、入力画像から正解画像への変換に用いられるパラメータのうち１つ以上の値をユーザによる入力に基づいて決定する。

より具体的には、パラメータ値の決定に際し、学習データ作成部３２２は、前処理部３２１により生成された入力画像を読み込み、これらを出力装置としてのモニタ等に表示させる。
この際に表示させる画面の例を図６に示す。図６に示す画面９００は、入力画像の表示領域９１０、変換のパラメータを入力するパラメータ値入力領域９３０、入力した値のパラメータを使って入力画像を変換した結果である正解画像を表示する正解画像表示領域９２０から構成される。

図６に示す例では、パラメータ値入力領域９３０に示すパラメータを用いており、パラメータ値入力領域９３０の右側の欄に具体的な値を入力することができるようになっている。パラメータ値入力領域９３０には、実空間上の合成領域として指定されなかった領域に加重和１で荷重される基本画像（ＩｍｇＢ）、低周波成分を合成する合成画像１（ＩｍｇＬｎ）、高周波成分を合成する合成画像２（ＩｍｇＨｎ）、高周波と低周波を合成する領域である合成領域（Ｓｎ）、低周波成分を抽出するためのフィルタＫｌｎを特定するための低周波用フィルタのパラメータ（ｋｌｎ）、高周波成分を抽出するためのフィルタＫｈｎを特定するための高周波用フィルタのパラメータ（ｋｈｎ）が、定義されたパラメータとして表示されている。

また、変換処理・パラメータ定義部６１０によって定義される、入力画像（ＩｍｇＨｎ、ＩｍｇＨｎ、ｎ＝１、２、…、Ｎ）から正解画像（ＩｍｇＧＴ）への変換処理は、実空間上及び周波数空間上の加重和の組み合わせで、以下の式（１）で表される変換処理とする。

式（１）中、画像、領域、フィルタはすべて実数値を成分とする行列で表され、ｉ、ｊは画素に対応する行番号と列番号、添え字のＮは合成する領域の数で、ｎは領域を番号づけした１以上Ｎ以下の整数である。

より具体的に、入力画像が金属に起因するノイズを含む画像であり、正解画像が金属に起因するノイズが低減された画像である場合について説明する。
前処理部３２１は、一例として、公知のノイズ低減処理の入力画像に相当するＣＴ画像である原画像と、金属の影響を受けた成分を影響を減らした値に投影空間で置換した投影置換画像と、金属の影響を受けた成分を投影空間で線形補間した線形補間画像と、ビームハードニング補正処理を行ったビームハードニング補正画像の計４枚の入力画像を生成する。

ユーザは、入力画像表示領域９１０を参照して、例えば、４枚の入力画像のうち、大部分の画素でノイズが最も少ない画像を目視により判断し、パラメータ値入力領域９３０において基本画像（ＩｍｇＢ）として設定する。次に、４枚の入力画像のうち１枚では、低周波成分の信号が比較的よく残っており、その他の１枚では、高周波成分の信号が比較的よく残っている領域を目視により判断し、パラメータ値入力領域９３０において、合成領域（Ｓｎ）として設定する。

図６では、領域を矩形で指定するとして予め定められており、矩形を指定する２点のｘ、ｙ座標をパラメータとして入力する例を示した。続いてユーザは、低周波成分の信号が残っている画像を合成画像１（ＩｍｇＬｎ）、高周波成分の信号が残っている画像を合成画像２（ＩｍｇＨｎ）として、パラメータ値入力部９３０において設定する。さらに、合成画像１及び合成画像２における信号とノイズの空間スケールを視認して、合成に適した周波数を判断し、低周波用フィルタを指定するパラメータ（ｋｌｎ）と高周波用フィルタを指定するパラメータ（ｋｈｎ）を、パラメータ値入力領域９３０において設定する。

本実施例では、低周波用フィルタは、フィルタ形状がガウシアンフィルタと予め定めており、カーネルサイズをパラメータとした。また、高周波用フィルタは、恒等写像からガウシアンフィルタを差し引いたフィルタと予め定めており、ガウシアンフィルタのカーネルサイズをパラメータとした。高周波用フィルタのパラメータは、高周波成分を抽出する合成画像２に残っているノイズの周波数に相当する値、例えば３以上７以下が好適である。

ユーザがパラメータ値を決定すると、設定したパラメータ値を用いて入力画像を変換した結果が正解画像表示領域９２０に表示される。ユーザは表示された変換結果を参照して、基本画像の設定以外のパラメータ値設定と、設定したパラメータ値を使った変換結果の視認をくり返してもよい。数１においてＮはくり返しの回数をあらわす。

上記の例において、例えば、基本画像はビームハードニング補正画像あるいは投影置換画像であり、合成領域は金属の近傍であり、合成画像１は線形補間画像であり、合成画像２はビームハードニング補正画像あるいは投影置換画像が好適である。

（学習データ作成の処理について）
上述の正解画像の生成処理は、具体的には図７に示すフローチャートに従って行われる。以下、本実施例１に係る学習データ作成部３２２における正解画像作成の流れについて図７のフローチャートに従って説明する。

学習データ作成部３２２は、学習データ作成プログラムが展開・起動されると、変換処理・パラメータ定義部６１０、パラメータ値決定部６２０、及び変換実行部６３０としての機能を実現する。ステップＳ７１０において、変換処理・パラメータ定義部６１０が変換処理及びパラメータの定義を図示しない記憶部から読み込み定義づけを行う。

ステップＳ７２０において、学習データ作成部３２２が前処理部３２１から正解画像を得るための入力画像を読み込み、読み込んだ入力画像をステップＳ７１０で定義されたパラメータと共にモニタに表示させる。ステップＳ７３０において、パラメータ値設定部６２０により正解画像を得るために各パラメータの値を設定する。具体的には、モニタに表示された入力画像を参照してユーザがパラメータ値を決定し、入力装置を用いてその値を入力する。

次のステップＳ７４０では、変換実行部６３０が、ステップＳ７３０で設定されたパラメータの値を使って入力画像に対して変換処理を行い、得られたデータを正解画像として入力画像と１対として図示しない記憶装置に格納する（ステップＳ７５０）。正解画像を作成するデータ数がＮの場合、上記したステップＳ７２０からステップＳ７５０までの動作をＮ回繰り返し（ステップＳ７６０）、得られたたデータセットを学習データとする。

なお、上記説明では、入力画像から正解画像への変換処理は、実空間上及び周波数空間上の加重和の組み合わせとしたが、パラメータを極端な値に設定した場合、より単純な処理になることは自明である。すなわち、低周波用フィルタのパラメータ、高周波用フィルタのパラメータの一方を全通過、他方を全遮断に設定すると、基本画像のうち合成領域を合成画像１で置き換える処理になる。

さらに、合成領域を画像の全領域とすると、周波数上の加算和になる。また、低周波用フィルタのパラメータと高周波用フィルタのパラメータを、その周波数分布が定数倍のみ異なるように設定すると、実空間上の加算和になる。最後に、低周波用フィルタのパラメータ、高周波用フィルタのパラメータの一方を全通過、他方を全遮断に設定し、合成領域を画像の全領域とすると、入力画像のうち１枚を選択する処理になる。

また、図６の画面例ではパラメータ値入力領域９３０がテキストボックスの例を示したが、入力情報表示領域９１０に表示された画像のうち１枚をクリックすることで画像を選択したり、画像の２点をクリックすることで合成領域の両端点座標を取得したり、標準出力に数字を入力することでフィルタパラメータを取得するなどの、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）や、コマンドラインで数値あるいは文字を入力するＣＵＩ（Ｃｈａｒａｃｔｏｒ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）として実現してもよい。

このように本実施例によれば、入力画像から正解画像への変換のパラメータのうち１つ以上の値をユーザが判断して入力し、入力したパラメータ値を用いた変換処理の結果を正解画像として、入出力画像を学習データとして学習済みネットワークを構築する。このようにして構築された学習済みネットワークを用いることで、汎用の画質評価指標で評価できないノイズに対しても精度よくノイズ低減処理を行うことができる。

さらに、変換処理・パラメータ定義部６１０が定義する変換処理は、実空間上及び周波数空間上の加重和の組み合わせとする。特に、入力画像が金属に由来するノイズを含む画像であり、公知のノイズ低減処理のうち、投影置換処理と、ビームハードニング補正処理の出力画像を入力画像として学習済みネットワークを構築する。

このような学習済みネットワークを適用することで、高いノイズ低減効果を得ることができる。これは、公知のノイズ低減処理の中でも、投影置換処理とビームハードニング補正処理の原理の違いを反映して、それぞれの低減処理後のノイズの空間分布及び周波数分布が異なるためである。
さらに、ＧＵＩによってパラメータを取得することで、正解画像の作成時間を短縮できる。

＜学習データ作成の実施例２＞
本実施例は、変換処理・パラメータ定義部６１０が定義する入力画像を出力画像に変換するための変換処理について、公知のノイズ低減処理の一部を、パラメータを用いた処理に置き換えた変換処理とし、このパラメータのうち１つ以上の値をユーザによる入力に基づいて決定する。

本実施例では、変換処理に用いる公知のノイズ低減処理を投影空間での処理とする例について説明する。ここで、投影空間での処理としては、ＮＭＡＲ（Normalized metal artifact reduction）、Ｏ－ＭＡＲ（Orthopedic-Metal Artifact Reduction）、ＳＥＭＡＲ（Single Energy Metal Artifact Reduction）など複数の処理が知られているが、いずれも、大きくは３つの処理要素から構成される。

すなわち、第１の処理要素は、原画像を空気、軟部組織、骨組織などの区分に領域分割して領域分割画像とする領域分割処理である。また、第２の処理要素は、原画像のうち、空気の領域は０ＨＵ、軟部組織の領域は１０００ＨＵ、骨組織の領域は元のＣＴ値＋１０００ＨＵなどとして、領域別にノイズ成分を低減して領域別ノイズ低減画像とする領域別ノイズ低減処理である。さらに、第３の処理要素は、領域別ノイズ低減画像と原画像を投影処理し、原画像の投影画像のうち金属の影響を受けた投影値を、領域別ノイズ低減画像の投影値で置換した後、逆投影を行って補正画像とするメタル部置換処理である。
本実施例では、これらの３つの処理要素のうち、第２の処理要素である領域別ノイズ低減処理についてパラメータを用いた処理に置き換える。

以下、本実施例における学習データ作成部３２２によって入力画像から正解画像を生成する変換処理について、図８のフローチャートに従って説明する。

本実施例では、正解画像を生成するために入力する入力画像を４枚生成する。学習データ作成部３２２による正解画像の生成に先立って、前処理部３２１が、原画像、原画像に対して互いに異なる手法の従来のノイズ低減処理を行った画像（従来低減処理画像１及び従来低減処理画像２）、高周波画像、の計４枚を生成する。

図８のステップＳ１０１では、前処理部３２１で生成した４枚の入力画像が学習データ作成部３２２に入力される。次のステップＳ１０２では、変換実行部６３０により、４枚の画像夫々に対し、空気、軟部組織、骨組織などの区分に領域分割する領域分割処理を行って領域分割画像を作成する。

続いて、次のステップＳ１０３では、領域分割画像に対して、領域ごとに適したノイズ低減処理を行って領域別ノイズ低減画像を作成する。
より具体的には、４枚の入力画像から得られた領域分割画像についてステップＳ３１１で領域毎に異なる処理に分別して、領域毎に処理を行う。具体的には、ステップＳ３１２において軟部組織領域用のノイズ低減処理を行い、ステップＳ３１３において骨組織領域用のノイズ低減処理、Ｓ３１４において空気領域用のノイズ低減処理、Ｓ３１５において金属領域用のノイズ低減処理を行う。

ここで、ステップＳ３１２の軟部組織領域用のノイズ低減処理について説明する。
ステップＳ３１２のノイズ低減処理は、公知の低減処理の一部をパラメータを用いた処理に置き換えたものである。すなわち、軟部組織領域用のノイズ低減処理とこれに対する入力画像が公知の低減処理と異なる。

具体的には、公知の低減処理では軟部組織の区分をすべて一定の値、例えば、１０００ＨＵとしていたところを、本実施例における軟部組織用のノイズ低減処理では、基本画像を指定して、合成画像１（低周波成分）を生成し、合成画像２（高周波成分）を生成し、合成領域、低周波用フィルタ、高周波用フィルタを指定して、上述した式（１）を用いて合成することにより軟部組織領域についてノイズ低減処理を行う。

パラメータは、実施例１と同様に、基本画像、合成画像１、合成画像２、合成領域、低周波用フィルタのパラメータ、高周波用フィルタのパラメータである。
パラメータの値は、従来処理低減処理画像１は線形補間画像、従来低減処理画像２はビームハードニング補正画像として、基本画像及び合成画像２はビームハードニング補正画像、合成画像１は線形補間画像、合成領域は全領域、低周波用フィルタはカーネルサイズ３のガウシアンカーネル、高周波用フィルタは恒等変換から低周波用フィルタを差し引いたフィルタが例として挙げられる。

ステップＳ３１２で得られた、軟部組織領域、骨組織領域、空気領域、金属領域の各領域毎のノイズ低減処理画像を合成し、領域別ノイズ低減画像を生成する（ステップＳ３１５）。

次のステップＳ１０４では、原画像の投影画像のうち金属の影響を受けた部分を、上述のようにして得られた領域別ノイズ低減画像の投影画像に置換し、逆投影してノイズを低減した画像を作成する。本実施例ではこのようにして取得したノイズを低減した画像を正解画像とする。

以上のように、高精度化のために処理を複雑化するとパラメータが生じることが多いが、パラメータの最適化方法は自明ではない。しかし、本例によれば、パラメータをユーザが判断し設定するため、処理の高精度化が可能になり、よりノイズの少ない正解画像を得ることができる。

＜学習データ作成の実施例３＞
上述の実施例２では、軟部組織用の低減処理（Ｓ３１２）をパラメータを用いた領域別ノイズ低減処理とし、その後メタル部置換処理を行った結果を正解画像とした。
一般的に、複数の画像処理から構成され、中間画像が発生する画像処理において、中間画像の目標画質は、最終出力の目標画質と異なる場合がある。画像のテクスチャーなど高周波成分の一部はメタル部置換処理によって回復されるため、領域別ノイズ低減処理では低周波成分の正確さが重視される。このため、本実施例では、上述の実施例２における正解画像の低周波成分となる合成画像１をさらに高精度化する。

以下の説明では、本実施例、すなわち、上述した実施例２における領域別ノイズ低減処理（Ｓ１０３）のうち、軟部組織領域用のノイズ低減処理の合成画像１の作成処理の他の例について、図９のフローチャートに従って説明する。
本実施例における合成画像１は、入力画像の１枚を選択するのではなく、複数の入力画像から作成する。従って、まず、合成画像１の作成に用いるＭ枚の入力画像を決定し、合成元画像ｍ（ｍ＝１～Ｍ）とする（ステップＳ３１）。ここで、合成元画像ｍは、低周波成分を含み、ノイズの性質の異なる入力画像であることが望ましく、例えば、Ｍ＝２の場合、合成元画像１はビームハード二ング補正画像、合成元画像２は線形補間画像が好適である。

次に、ステップＳ３２において、合成元画像ｍ毎に、外れ値を定義するための閾値Ｔｈ１ｍ及びＴｈ２ｍを計算する。例えば、閾値として、軟部組織領域におけるＣＴ値の平均値及び分散値に基づいて決定する。

一例として、ビームハード二ング補正画像及び線形補間画像の場合の閾値について説明する。ビームハードニング補正画像の場合、その残存ノイズはＣＴ値の分布によって信号とある程度分離でき、かつ、メタル部置換処理によってさらに低減できる性質のノイズであるため、ある程度のノイズの残存を許容してもよい。従って、合成元画像１の閾値Ｔｈ１１及びＴｈ２１は合成元画像１の平均値±分散／２が好適である。

一方、線形補間画像の場合、画像に残っているノイズは、ビームハード二ング補正画像の場合と反対にノイズの残存を許容することは好ましくない。このため、信号の欠損を犠牲にしてもノイズを低減する必要があり、合成元画像２の閾値Ｔｈ１２及びＴｈ２２は、合成元画像２の平均値±分散／５～平均値±分散／３が好適である。

続いて、次のステップＳ３３において、合成元画像閾値Ｔｈ１ｍを下限、Ｔｈ２ｍを上限として、合成元画像ｍをトランケートし、閾値処理後合成元画像ｍとする。最後に、ステップＳ３４において、閾値処理後合成元画像ｍから合成画像１を作成する。閾値処理後合成元画像ｍから合成画像１への合成方法は、例えば、合成元画像１が外れ値でない画素は合成元画像１の画素値、それ以外で、合成元画像２が外れ値でない画素は合成元画像２の画素値、さらにそれ以外の画素は、閾値処理後合成元画像１の画素値とするような合成方法が好適である。

以上述べたように、ノイズの周波数分布が撮像対象に依存する場合において、最適なパラメータをユーザが判断し設定することによって、低周波成分をよく再現した中間画像を作成でき、これに基づいて得られた正解画像を用いて学習済みネットワークを構築することにより、当該学習済みネットワークを用いたノイズ低減処理において、ノイズ低減率を向上させることができる。

＜学習データの作成の実施例４＞
本実施例では、上述の実施例２又は実施例３における骨組織領域用のノイズ低減処理（Ｓ３１３）の処理を異なる手法とする。実施例２又は実施例３における公知の骨組織領域用の低減処理では、原画像の値を領域別ノイズ低減画像としているが、本実施例では、入力画像のうち、原画像、従来低減処理画像１及び従来低減処理画像２を画素ごとに比較し、すべての画素について３枚の画像の最大値を画素値とする。この場合、パラメータは最大値を示す画素を持つ画像、例えば、原画像、従来低減処理画像１、従来低減処理画像２を指定する変数とする。

金属由来のノイズは骨組織の画素値を小さくする傾向があり、従来低減処理の種類によってノイズの空間分布が異なる場合には、画素毎に原画像及び従来低減処理の最大値を採用する本実施例を適用することで、生成される正解画像の骨組織における画素値の減少を回復する効果が得られる。このように、骨組織におけるノイズの特徴を反映した低減処理により、骨組織領域のノイズ低減率が向上した正解画像を用いて学習済みネットワークを構築し、これをノイズ低減処理に適用することにより、ノイズ低減率を向上させることができる。

＜学習データの作成の実施例５＞
上述した実施例２乃至実施例４では、領域別ノイズ低減処理を高精度化したが、領域分割処理またはメタル部置換処理を高精度化することもできる。

領域分割処理を高精度化した処理は、例えば、エッジ検出処理とモルフォロジー処理の組み合わせで実現されると考えられ、ユーザが設定するパラメータは、ソーベル法、ガウスノラプラシアン法、Ｃａｎｎｙ法、などのエッジ検出手法の選択、Ｃａｎｎｙ法であれば２個の閾値など、エッジ検出手法ごとのパラメータ、そしてモルフォロジー処理のパラメータとなる。

このように各処理のパラメータをユーザが判断し設定することで、パラメータの最適値を大きく変化させる要因、例えば、強度や空間パタンが撮像対象に依存するノイズが存在する場合にも、領域分割処理を高精度で行うことができ、適切な正解画像を作成することができる。従って、この正解画像を用いてネットワークを構築し、これをノイズ低減処理に用いることで、汎用の画質評価指標を用いてノイズを定量化することができない医用画像であっても、精度よくノイズを低減させて画質を向上させることができる。

＜学習データの作成の実施例６＞
上述した実施例２乃至実施例５では、金属由来のノイズの低減処理のうち、投影空間での処理の一部を高精度化したが、ビームハードニング補正処理などの実空間での処理、逐次再構成などの実空間と投影空間の処理の組み合わせのくり返し処理の一部を高精度化してもよい。

例えば、ビームハードニング補正処理を高精度化する場合には、ビームハード二ング補正処理が、ビームハード二ングをおこしやすい領域を検出し、誤差画像を作成し、ｉを定数として誤差画像のｉ倍を元の画像から減算する処理によって実装されている場合、ｉがパラメータとなる。

このように、処理のパラメータをユーザが判断し設定することで、視認はできるが汎用の画質指標で定量化できないノイズに対しても、精度よくノイズが低減した正解画像を取得することができる。従って、この正解画像を用いてネットワークを構築し、これをノイズ低減処理に用いることで、汎用の画質評価指標を用いてノイズを定量化することができない医用画像であっても、精度よくノイズを低減させて画質を向上させることができる。

（第２の実施形態）
本実施形態は、Ｘ線ＣＴ装置の画像処理部１３３において入力画像の用途を認識し、用途に応じたノイズ低減処理を行う。ここで、画像の用途とは、頭部、歯顎、胸部、腹部、腰椎、股関節などの撮像部位と、軟部組織、骨組織などの撮像組織により特定される。撮像組織が軟部組織の場合、ＣＴ画像は、内科疾患や悪性腫瘍などの軟部組織の疾患の診断などに使われ、撮像組織が骨組織の場合、骨折など整形外科疾患の診断などに使われる。

このため、本実施形態における画像処理部１３３は、図１０に示すように、用途ごとに設けられた複数（説明の便宜上、本実施形態ではＫ個とする）の前処理部及び学習適用部と、入力画像の用途を認識する用途認識部３１２、用途認識部３１２の認識結果に応じて複数の前処理部及び複数の学習適用部から適切な前処理部及び学習適用部を選択する選択部３１３を備えている。

夫々Ｋ個の前処理部３１０及び学習適用部３１１において、前処理部ｋは学習適用部ｋに対する入力画像を演算する（以下、ｋを「変換番号」と呼ぶ。ただし、ｋ＝１～Ｋ）。また、学習適用部ｋには夫々用途やその用途に応じたノイズ低減処理を行うために適切な学習済みネットワークが対応付けられている。従って、用途認識部３１２が認識した用途に応じて選択部３１３によって、前処理部及び学習適用部が選択されると、当該用途に応じた入力画像が生成され、最適な学習済みネットワークを適用してノイズ低減処理が実行される。

変換番号ｋには、予め用途及びその用途に対応したノイズ低減処理を行うために適切な学習済みネットワークに対応づけられ、同じ変換番号ｋが付された前処理部及び学習適用部はすべて互いに対応関係を有している。ｋで表された一連の処理と用途の対応関係の一例を示す対応表を図１１に示す。

図１１では、Ｋは１２であり、例えば、変換番号１は頭部の骨組織の診断として、変換番号１に対応付けられた前処理部３１０ではこれに応じた入力画像を生成し、変換番号９に対応付けられた学習適用部頭部には骨組織の画像に適切なノイズ低減処理を行う学習済みネットワークが対応付けられている。以下の変換番号についても同様である。

なお、用途と変換番号は１対１対応である必要はなく、図１１の変換番号９の股関節に例を示したように、骨組織と軟部組織に対して同じノイズ低減処理が効果的な場合には、同じ処理を行えばよく、同一の変換番号を対応付けておくことができる。また、変換番号１０及び１１で示す通り、膝及び肩のように撮像部位が異なる場合でも同じノイズ低減処理が効果的な場合には、同一の変換番号を対応付けることができる。用途と変換番号の対応を示すデータテーブルは、予め記憶部（図１参照）に格納しておく。

上記した前処理部及び学習適用部を複数備える場合のノイズ低減処理の流れについて、図１２のフローチャートに従って説明する。

ステップＳ４１では、画像生成部から原画像が入力されると、用途認識部３１２が原画像の用途を識別して選択部３１３に出力する。次のステップＳ４２において、選択部３１３が記憶部１４０から用途と変換番号の対応関係を示すデータテーブルを読み込み、用途認識部３１２から取得した用途に対応する変換番号ｋを前処理部３１０に出力する。

ステップＳ４３では、前処理部３１０は変換番号ｋに対応した前処理部ｋに対応付けられた処理を実行して学習適用部ｋの入力画像を演算し、学習適用部ｋに出力する。ステップＳ４４において、学習適用部ｋが、学習適用部ｋに対応付けられた学習済みネットワークを適用して取得した入力画像からノイズが低減された画像を出力し本処理を終了する。

ここで、用途認識部３１２は、例えば、画像生成部１３２から入力された画像を読み込み、この画像に対して画像認識を行うことにより撮像対象の形状を認識して撮像部位を特定したり、撮像対象の周波数成分を認識して撮像組織を特定したり、撮像部位と撮像組織から用途を特定する処理を行うことができる。

また、入力部１５０により入力された画像の生成条件を併用して、用途を特定してもよい。画像の生成条件のうち、例えば画像再構成フィルタは、通常、骨組織は高域通過フィルタ、軟部組織は低域通過フィルタであり、撮像組織と対応関係にあるため、再構成フィルタから撮像組織を特定できる。

以上、説明したように、本実施例によれば、複数の学習済みネットワークを画像の用途に応じて使い分けることで、画像の用途に対応したノイズ低減処理を行うことができ、画像の用途によってノイズと信号の定義が異なる医用画像に対しても、より高いノイズ低減効果を得ることができる。

１１０・・・撮像部、１２０・・・制御部、１３０・・・演算部、１４０・・・記憶部、１５０・・・入力部、１６０・・・出力部、１１１・・・Ｘ線源、１１２・・・Ｘ線検出器、１１３・・・開口、１１４・・・回転盤、１１５・・・テーブル、１３１・・・信号収集部、１３２・・・画像生成部、１３３・・・画像処理部（画像処理装置）、３１０・・・前処理部、３１１・・・学習適用部、３１２・・・用途認識部、３１３・・・選択部、３２１・・前処理部、３２２・・・学習データ作成部、６００・・・学習準備装置、６１０・・・変換処理・パラメータ定義部、６２０・・・パラメータ値決定部、６３０・・・変換処理実行部

Claims (7)

1. 原画像及び原画像よりもノイズが低減された画像を１枚以上含む入力画像を生成する前処理部と、
   学習済みネットワークを適用して、前記入力画像に基づいて前記原画像からノイズを低減した画像を出力するノイズ低減処理部と、を備え、
   前記ノイズ低減処理部において用いられる前記学習済みネットワークが、ノイズを含む医用画像と、該医用画像に対してノイズ低減処理を行って得られるノイズ低減画像及び前記ノイズ低減処理の過程において得られる中間画像のうち１枚以上とを入力画像とし、これらの入力画像に基づいて得られた正解画像を出力画像とする複数の学習セットを用いて深層学習を行うことにより構築された画像処理装置。
2. 前記学習済みネットワークは、前記医用画像が金属に起因するノイズを含む医用画像であり、該医用画像及び該医用画像に基づいて得られた複数の入力画像と、金属に起因するノイズが低減された正解画像を出力画像とする複数の学習セットを用いて深層学習を行うことにより構築された請求項１記載の画像処理装置。
3. 前記学習済みネットワークは、ノイズ低減を行っていない医用画像、金属の領域のみ値を持つ金属画像、金属の影響を受けた成分を投影空間で線形補間した線形補間画像、ビームハードニング補正処理により金属に起因するノイズを低減したビームハードニング補正画像、原画像の高周波成分を強調した高周波画像、原画像における隣接画素間の画素値の差の大きさをあらわすエッジ画像、及び撮像対象のＸ線減弱係数の違いにより領域を分割した領域分割画像のうち２枚以上を入力画像とし、これらの入力画像に基づいて得られた金属に起因するノイズが低減された正解画像を出力画像とする複数の学習セットを用いて深層学習を行うことにより構築された請求項１記載の画像処理装置。
4. 前記正解画像は、前記入力画像に対して、実空間上の加重和、周波数空間上の加重和、又は、実空間上及び周波数空間上の加重和の組み合わせの何れかの処理を行うことによって得られる請求項１記載の画像処理装置。
5. 前記正解画像は、前記入力画像に対して、処理に用いられる所定のパラメータの値をユーザが特定して公知のノイズ低減処理を行うことにより得られる請求項１記載の画像処理装置。
6. 原画像及び原画像よりもノイズが低減された画像を１枚以上含む入力画像を生成する前処理ステップと、
   学習済みネットワークを適用して、前記入力画像に基づいて前記原画像からノイズを低減した画像を出力するノイズ低減処理ステップと、を備え、
   前記ノイズ低減処理ステップにおいて用いられる前記学習済みネットワークが、ノイズを含む医用画像と、該医用画像に対してノイズ低減処理を行って得られるノイズ低減画像及び前記ノイズ低減処理の過程において得られる中間画像のうち１枚以上とを入力画像とし、これらの入力画像に基づいて得られた正解画像を出力画像とする複数の学習セットを用いて深層学習を行うことにより構築された画像処理方法。
7. 被検体にＸ線を照射し、前記被検体を透過したＸ線を検出して画像を生成する撮像部と、
   請求項１乃至請求項５の何れか1項に記載の画像処理装置と、を備え、
   該画像処理装置が、前記撮像部により生成された画像を原画像としてノイズ低減処理を行うＸ線ＣＴ装置。

Images