JP7246194B2 - 医用画像処理装置、医用画像処理方法、およびプログラム - Google Patents

Description

本発明の実施形態は、医用画像処理装置、医用画像処理方法、およびプログラムに関する。

従来、画像診断等に利用される医用装置において、画質の向上を目的とした様々な研究が進められている。例えば、ノイズ成分を含む画像に対してデノイズ処理を行うことでノイズ成分が除去或いは抑制された画像を得る技術が知られている。

画像にノイズ成分が局所的に残留すると、このノイズ成分は構造物に見えてしまう恐れがあるため、ノイズ成分が残留しない程度にノイズ除去の度合いを設定する必要がある。しかしながら、ノイズ除去の度合いを過度に増大させると画像がぼけてしまう場合があった。

米国特許出願公開第２００４／０２５８３２５号明細書

本発明が解決しようとする課題は、デノイズ処理の精度を高めることである。

実施形態の医用画像処理装置は、設定部と、デノイズ画像生成部と、差分画像生成部と、決定部とを備える。前記設定部は、医用画像からノイズ成分を除去する度合い示す複数のデノイズ強度を設定する。前記デノイズ画像生成部は、前記設定部によって設定された複数の前記デノイズ強度の各々に基づいて、前記医用画像からノイズ成分を除去し、複数のデノイズ画像を生成する。前記差分画像生成部は、前記医用画像と、前記デノイズ画像生成部によって生成された複数の前記デノイズ画像の各々との差分である複数の差分画像を生成する。前記決定部は、前記差分画像生成部によって生成された複数の前記差分画像に基づいて、前記デノイズ強度の最適値を決定する。

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生成装置１００に備えられる受信コイル１０８の配置の一例を示す図。 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。 第１の実施形態に係るデノイズモデルＭＤＬ１の構成の一例を示す図。 第１の実施形態に係るアクティベーション層３３０の活性化関数の一例を示す図。 第１の実施形態に係る原画像からデノイズ画像を生成する構成の一例を示す図。 第１の実施形態に係る差分画像を生成する構成の一例を示す図。 第１の実施形態に係る差分画像と制御関数との関係の一例を示す図。 第１の実施形態に係る制御関数と差分画像の歪度との関係の一例を示す図。 第１の実施形態に係る処理回路２１０の学習処理の一連の流れを示すフローチャート。 第１の実施形態に係る処理回路２１０の画像処理の一連の流れを示すフローチャート。 第２の実施形態に係る処理回路２１０の画像処理の一連の流れを示すフローチャート。 第２の実施形態に係る差分画像の信号値のヒストグラムの一例を示す図。 第２の実施形態に係る差分画像の信号値のヒストグラムの一例を示す図。 第２の実施形態に係る差分画像の信号値のヒストグラムの一例を示す図。 第２の実施形態に係る差分画像の信号値のヒストグラムの一例を示す図。 第１及び第２の実施形態の変形例に係る医用画像生成装置１００を示す図。

以下、図面を参照しながら、医用画像処理装置、医用画像処理方法、およびプログラム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。図１に示すように、医用画像処理システム１は、例えば、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と医用画像処理装置２００とは、ネットワークＮＷを介して互いに接続される。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。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。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、例えば、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る。静磁場磁石１０１は、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、およ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を備える。寝台１０４は、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を長手方向およ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の内側に配置される。送信コイル１０６は、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およ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の内側に配置される。受信コイル１０８は、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、複数の受信コイルを有するコイルアレイである。以下、コイルアレイ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。また、送信コイル１０６と受信コイル１０８とを分けて説明したが、例えば一つのＲＦ（Radio Frequency）コイルが送信と受信とを兼ね備えた構成であってもよい。さらに、送信コイル１０６と受信コイル１０８とは、静磁場磁石１０１を含む架台に収められる全身コイルの形態や、被検体ＯＢの体表面近傍に配置される局所コイルの形態をとることができ、本実施例においてその形態は問わない。

図３は、第１の実施形態に係る医用画像生成装置１００に備えられる受信コイル１０８の配置の一例を示す図である。図３では、受信コイル１０８が、８つのコイルエレメント１０８ａ～１０８ｈを備える例を示す。これらのコイルエレメント１０８ａ～１０８ｈは、被検体ＯＢを取り囲むように配置される。各コイルエレメント１０８ａ～１０８ｈは、被検体ＯＢから発せられた磁気共鳴信号を受信し、受信回路１０９へ出力する。

受信回路１０９は、コイルエレメント１０８ａ～１０８ｈにより出力される磁気共鳴信号ごとに磁気共鳴データを生成する。例えば、受信回路１０９は、コイルエレメント１０８ａ～１０８ｈにより出力されるアナログ信号である磁気共鳴信号の各々をアナログ・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の組を生成する。また、受信回路１０９は、生成した磁気共鳴データの組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などを備える架台装置側に備えられていてもよい。

シーケンス制御回路１１０は、コンソール装置１２０により出力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および受信回路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に供給する電流の強さや電流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など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および受信回路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との間で情報を送受信する。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。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とを備える。これらの機能（構成要素）は、例えば、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）などのプロセッサ（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）などのハードウェア（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、これらの非一過性の記憶媒体は、ＲＯＭ（Read Only Memory）やレジスタなどの記憶装置によって実現されてもよい。

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）をアナログ・デジタル変換することで得られるデータである。なお、磁気共鳴データを上述した傾斜磁場により付与された位相エンコード量や周波数エンコード量に従って配列させたデータは、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医用画像であるＭＲ画像（以下、原画像）を生成する。生成機能１３４は、コイルエレメント１０８ａ～１０８ｈにより出力される磁気共鳴信号ごとの磁気共鳴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、原画像を生成する。生成機能１３４は、例えば、平方二乗和（ＳＯＳ）法などの合成アルゴリズムを用いて原画像を生成する。医用画像生成装置１００がパラレルイメージングにより原画像の再構成を行う装置である場合、生成機能１３４は、再構成処理において画像の折り返しを展開する処理などを行ってよい。

通信制御機能１３６は、生成機能１３４により原画像が再構成により生成されると、通信インターフェース１２２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、再構成された原画像を送信する。また、通信制御機能１３６は、通信インターフェース１２２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、医用画像処理装置２００から受信した医用画像を、ディスプレイ１２６に表示させる。また、表示制御機能１３８は、生成機能１３４により生成された原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４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。医用画像処理装置２００は、医用画像生成装置１００から受信した原画像に対して、デノイズ処理を行うことでノイズを除去或いは軽減された画像（以下、デノイズ画像）を生成する。また、医用画像処理装置２００は、上述のデノイズ処理におけるノイズ除去の度合い（以下、デノイズ強度）の最適値を決定する機能を有する。以下においては、ノイズを除去或いは軽減することを、単にノイズを除去すると記載する。図４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、再構成された原画像を受信する。通信インターフェース２０２は、受信した原画像を処理回路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、医師や看護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。

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デノイズ画像を表示したり、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。

処理回路２１０は、例えば、取得機能２１２と、導出機能２１４と、パラメータ調整機能２１６と、デノイズ機能２１８と、差分画像生成機能２２０と、デノイズ強度決定機能２２２と、出力制御機能２２４と、学習機能２２６とを実行する。導出機能２１４は、「導出部」の一例であり、パラメータ調整機能２１６は、「設定部」の一例であり、デノイズ機能２１８は、「デノイズ画像生成部」の一例であり、差分画像生成機能２２０は、「差分画像生成部」の一例であり、デノイズ強度決定機能２２２は、「決定部」の一例である。

これらの機能（構成要素）は、例えば、ＣＰＵやＧＰＵなどのプロセッサ（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などのハードウェア（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り実現される。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、これらの非一過性の記憶媒体は、ＲＯＭやレジスタなどの記憶装置によって実現されてもよい。メモリ２３０には、例えば、デノイズモデル情報２３２、原画像の情報（以下、原画像情報２３４）、デノイズ画像の情報（以下、デノイズ画像情報２３６）、後述する差分画像の情報（以下、差分画像情報２３８）などが格納される。

デノイズモデル情報２３２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、ある画像が入力されたときに該画像からノイズが除去された画像を出力するように学習されたモデルである。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２３２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）、出力層の各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。

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い。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５に示すように、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６に示すように、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、以下の数式（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。

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、以下の数式（２）によって表される。

数式（２）のＧは、入力画像に含まれるノイズのレベルを表すものであり、閾値Ｔの値を制御する信号（以下、制御信号）である。入力画像に含まれるノイズのレベルが大きいほど、制御信号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、制御信号Ｇは小さくなる。入力画像に含まれるノイズのレベルは、入力画像の信号対雑音比（ＳＮＲ：Signal-Noise Ratio）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。

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。

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から再構成された原画像を取得する。取得機能２１２は、取得した原画像を、原画像情報２３４としてメモリ２３０に記憶させる。

導出機能２１４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２１４は、ノイズに関する指標値として、ＳＮＲ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。導出機能２１４は、原画像の信号強度、ノイズの大きさ、正規化処理時の利得など、ＳＮＲに関連するデータを導出してもよい。導出機能２１４は、原画像の付帯情報に基づいて、原画像に含まれるノイズに関する指標値を導出してもよい。

パラメータ調整機能２１６は、導出機能２１４によって導出されたＳＮＲに基づいて、デノイズモデルＭＤＬ１の内部パラメータである制御関数Ｇを調整する。すなわち、パラメータ調整機能２１６は、導出機能２１４により導出された指標値であるＳＮＲに基づいて、制御関数Ｇを調整する。パラメータ調整機能２１６は、信号対雑音比が小さくなるほど制御関数Ｇを高く設定し、信号対雑音比が大きくなるほど制御関数Ｇを低く設定する。

ここで、パラメータ調整機能２１６は、パラメータの調整をより正確に行うために、導出機能２１４によって導出されたＳＮＲに基づいて、複数の制御関数Ｇを設定する。例えば、パラメータ調整機能２１６は、導出機能２１４によって導出されたＳＮＲの大きさに基づいて、大まかな制御関数Ｇの範囲を設定し、設定した制御関数Ｇの範囲に含まれる複数の制御関数Ｇを設定する。パラメータ調整機能２１６は、アクティベーション層３３０の少なくとも１つのノードに対して設定した複数の制御関数Ｇを入力する。

デノイズ機能２１８は、デノイズモデル情報２３２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したデノイズ画像を生成する。デノイズ機能２１８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デノイズ画像として取得する。デノイズ機能２１８は、生成したデノイズ画像を、デノイズ画像情報２３６としてメモリ２３０に記憶させる。

図７は、第１の実施形態に係る原画像からデノイズ画像を生成する構成の一例を示す図である。デノイズ画像を生成する場合、デノイズ機能２１８は、パラメータ調整機能２１６により調整されたパラメータに基づいて、デノイズモデルＭＤＬ１に設定される内部パラメータの値を調整することができる。すなわち、デノイズ機能２１８は、原画像のＳＮＲに基づいて調整された複数の制御関数Ｇにより、原画像のデノイズ強度を可変とすることができる。

図７では、パラメータ調整機能２１６により設定された４つの制御関数Ｇ１～Ｇ４に基づくデノイズ処理（すなわち、４つのデノイズ強度でのデノイズ処理）が行われ、４つのデノイズ画像Ｂ１～Ｂ４がそれぞれ生成される例を示している。ここで、制御関数Ｇ１～Ｇ４は、Ｇ１＜Ｇ２＜Ｇ３＜Ｇ４とする。すなわち、制御関数Ｇ１からＧ４に向かって、デノイズ強度が大きくなるものとする。

図７に示すように、デノイズ機能２１８は、原画像Ａに対して、制御関数Ｇ１のデノイズ処理を行うことで、デノイズ画像Ｂ１を生成する。デノイズ機能２１８は、原画像Ａに対して、制御関数Ｇ２のデノイズ処理を行うことで、デノイズ画像Ｂ２を生成する。デノイズ機能２１８は、原画像Ａに対して、制御関数Ｇ３のデノイズ処理を行うことで、デノイズ画像Ｂ３を生成する。デノイズ機能２１８は、原画像Ａに対して、制御関数Ｇ４のデノイズ処理を行うことで、デノイズ画像Ｂ４を生成する。このように、デノイズ機能２１８は、パラメータ調整機能２１６によって設定された複数のデノイズ強度の各々に基づいて、原画像Ａからノイズ成分を除去し、複数のデノイズ画像を生成する。

なお、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２１８の一部として実現されてよい。また、デノイズ機能２１８は、ニューラルネットワークを用いたものに限られない。デノイズ機能２１８は、例えば、ロジスティック回帰分析、決定木分析、サポートベクターマシンに基づく技術などの任意の機械学習により生成されたモデルを用いてノイズを除去または軽減するものであってよい。また、デノイズ機能２１８は、原画像に対するウェーブレット変換によりノイズを除去または軽減するものであってよい。

差分画像生成機能２２０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２１８によって生成されたデノイズ画像とに基づいて、両者の差分である画像（以下、差分画像）を生成する。例えば、差分画像生成機能２２０は、画素ごとの信号成分に関して、原画像からデノイズ画像を減算することで、差分画像を生成する。差分画像生成機能２２０は、生成した差分画像を、差分画像情報２３８としてメモリ２３０に記憶させる。

図８は、第１の実施形態に係る差分画像を生成する構成の一例を示す図である。図８に示すように、デノイズ機能２１８によって４つのデノイズ画像Ｂ１～Ｂ４が生成されている場合、差分画像生成機能２２０は、原画像Ａから、デノイズ画像Ｂ１を減算することで差分画像Ｃ１を生成する。差分画像生成機能２２０は、原画像Ａから、デノイズ画像Ｂ２を減算することで差分画像Ｃ２を生成する。差分画像生成機能２２０は、原画像Ａから、デノイズ画像Ｂ３を減算することで差分画像Ｃ３を生成する。差分画像生成機能２２０は、原画像Ａから、デノイズ画像Ｂ４を減算することで差分画像Ｃ４を生成する。

基本的に、デノイズ処理では、制御関数Ｇが大きくなるにつれて（デノイズ強度が高くなるにつれて）、より多くのノイズ成分が除去されるようになる。しかしながら、デノイズ強度が高くなりすぎると、本来除去すべきではない撮像対象の構造物の成分（以下、構造物成分）が除去されてしまうことになる。図９は、第１の実施形態に係る制御関数と差分画像との関係を示す図である。ここで、仮に、制御関数Ｇ２と、制御関数Ｇ３との間に、最適な制御関数（最適なデノイズ強度）が存在する場合を考える。最適な制御関数とは、構造物成分が除去されることなくノイズ成分を最大限除去することができる制御関数をいう。

図９に示すように、原画像Ａと、最適値ＯＰよりも小さい制御関数Ｇ１（ＯＰ＞Ｇ１）でのデノイズ処理により得られたデノイズ画像Ｂ１との差分画像Ｃ１は、ノイズ成分のみを含む。また、原画像Ａと、最適値ＯＰよりも小さい制御関数Ｇ２（ＯＰ＞Ｇ２＞Ｇ１）でのデノイズ処理により得られたデノイズ画像Ｂ２との差分画像Ｃ２は、ノイズ成分のみを含む。この差分画像Ｃ２のノイズ成分は、差分画像Ｃ１のノイズ成分よりも多くなる。

また、図９に示すように、原画像Ａと、最適値ＯＰよりも大きい制御関数Ｇ３（Ｇ３＞ＯＰ）でのデノイズ処理により得られたデノイズ画像Ｂ３との差分画像Ｃ３は、ノイズ成分に加えて本来含まれるべきではない構造物成分を含む。また、原画像Ａと、最適値ＯＰよりも大きい制御関数Ｇ４（Ｇ４＞Ｇ３）でのデノイズ処理により得られたデノイズ画像Ｂ４との差分画像Ｃ４は、ノイズ成分に加えて本来含まれるべきではない構造物成分を含む。この差分画像Ｃ４の構造物成分は、差分画像Ｃ３の構造物成分よりも多くなる。以上のように、差分画像生成機能２２０は、原画像と、複数のデノイズ画像の各々との差分である複数の差分画像を生成する。

デノイズ強度決定機能２２２は、差分画像生成機能２２０によって生成された差分画像に基づいて、デノイズ強度（例えば、制御関数）の最適値ＯＰを決定する。例えば、デノイズ強度決定機能２２２は、差分画像ごとに、ノイズの分布との相関がある指標値を求める。例えば、画像全面の画素ごとの輝度値に関して、歪度（Skewness）を算出し、差分画像間で比較することで制御関数の最適値ＯＰを決定する。

図１０は、第１の実施形態に係る制御関数と差分画像の歪度との関係を示す図である。デノイズモデルＭＤＬ１を利用したデノイズ処理においては、基本的に、ガウス分布に従うノイズ成分を除去している。このため、最適値ＯＰ付近においては、画像全面にわたってこのガウス分布に従うノイズ成分が適切に除去された結果、差分画像の歪度が０に近づくことが想定される。すなわち、最適値ＯＰ付近では、差分画像の歪度は小さくなる傾向がある。そこで、例えば、デノイズ強度決定機能２２２は、複数の差分画像の各々の歪度を相互に比較し、最も歪度が小さい差分画像の生成に利用された制御関数の値を、最適値ＯＰとして決定する。

以上のように、デノイズ強度決定機能２２２は、複数の差分画像の各々のノイズの分布との相関がある指標値を相互に比較することで、デノイズ強度の最適値を決定する。

なお、デノイズ強度決定機能２２２は、複数の差分画像間の差分（例えば、差分画像Ｃ１と差分画像Ｃ２との差分、差分画像Ｃ１と差分画像Ｃ３との差分など）を取り、その差分の画像のノイズの分布との相関がある指標値に基づいて、制御関数の最適値ＯＰを決定してもよい。例えば、デノイズ強度決定機能２２２は、複数の差分画像間の差分を取り、その差分の画像の輝度値の標準偏差が最小になる制御関数の組の平均値を、制御関数の最適値ＯＰと決定する。このように最適値ＯＰを決定する理由は、標準偏差が小さいことは、変化が少ないことを示しており、デノイズモデルＭＤＬ１を利用したデノイズ処理におけるノイズ成分の除去の効果が飽和した状態（すなわち、ノイズ成分が最大限除去された状態）を示すことが想定されるためである。なお、デノイズ強度決定機能２２２は、全てのデノイズ画像間の差分を取る必要はなく、制御関数が近いデノイズ画像間の差分のみを取るようにしてもよい。ノイズの分布との相関がある指標値としては、上記の歪度や標準偏差以外にも、ピークカウントやクルトシス、平均も、ノイズの分布との相関があると判断できる場合には採用して良い。

出力制御機能２２４は、デノイズ強度決定機能２２２により最適値ＯＰが決定されると、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に、原画像に対して最適値ＯＰでのデノイズ処理を行うことにより得られたデノイズ画像を送信する。また、出力制御機能２２４は、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２２６は、デノイズモデルＭＤＬ１に対して、ある学習データとする画像（以下、学習画像）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、教師データとする画像（以下、教師画像）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い。学習画像は、教師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２２６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)などの勾配法を利用して学習する。学習処理の詳細については後述する。

［処理フロー（学習処理）］
以下、第１の実施形態における処理回路２１０の処理フローについて説明する。処理回路２１０の処理には、デノイズモデルＭＤＬ１を学習する学習処理と、学習済みのデノイズモデルＭＤＬ１を使用してノイズを除去する処理を行う画像処理とが含まれる。以下においては、まず、処理回路２１０の学習処理について説明する。図１１は、第１の実施形態における処理回路２１０の学習処理の一連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、医用画像処理装置２００の操作者が、入力インターフェース２０４を操作して学習処理の開始を指示した場合に行われる。

まず、学習機能２２６は、デノイズモデルＭＤＬ１に対する制御信号Ｇ、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などの各種パラメータを初期値に設定する（ステップＳ１００）。例えば、制御信号Ｇおよび重み係数αを１に設定する。

次に、学習機能２２６は、学習画像をデノイズモデルＭＤＬ１に入力し、その処理結果を得る（ステップＳ１０２）。学習画像は、例えば、ノイズを含まない画像またはＳＮＲが高い画像である教師画像に対して、既知のノイズを付加した画像である。学習画像は、例えば、このノイズと教師画像の画素値とを加算することで得られる。

例えば、学習機能２２６は、デノイズモデルＭＤＬ１の入力層の各入力端に、学習画像の各画素の画素値を入力する。この画素値は、デノイズモデルＭＤＬ１の中間層の各ノードを、重み付き加算、バイアス加算、及び活性化関数処理の演算により、入力層から出力層に向かって、値を変化させながら伝搬していく。そして、出力層の出力端に、デノイズモデルＭＤＬ１による処理を受けた画像（以下、処理結果画像）の画素値が処理結果として出力される。

次に、学習機能２２６は、処理結果画像と教師画像との間の誤差である訓練誤差を算出する（ステップＳ１０４）。訓練誤差は、例えば、処理結果画像と教師画像の各画素の平均二乗誤差、各画素の二乗誤差の総和などである。

次に、学習機能２２６は、例えば、誤差逆伝播法を用いて、算出した訓練誤差が小さくなるようにデノイズモデルＭＤＬ１の内部パラメータを更新する（ステップＳ１０６）。次に、学習機能２２６は、例えば、教師画像とは別途準備されたノイズを含まない画像またはＳＮＲが高い画像である正解画像と、この正解画像にノイズを加えた検証画像とを用いて、検証画像をデノイズモデルＭＤＬ１に入力した場合の処理結果画像と、正解画像との間の誤差である汎化誤差を算出する（ステップＳ１０８）。次に、学習機能２２６は、汎化誤差が極小値に達したか否かを判定する（ステップＳ１１０）。

学習機能２２６は、汎化誤差が極小値に達していないと判定した場合、再度、ステップＳ１０２以降の処理を繰り返す。一方、学習機能２２６は、汎化誤差が極小値に達していると判定した場合、学習後のデノイズモデルＭＤＬ１の内部パラメータをメモリ２３０に保存する（ステップＳ１１２）。以上により、本フローチャートの処理が終了する。

［処理フロー（画像処理）］
次に、処理回路２１０の画像処理について説明する。図１２は、第１の実施形態における処理回路２１０の画像処理の一連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、医用画像生成装置１００により送信された原画像が取得機能２１２によって取得された場合に行われる。

まず、導出機能２１４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Ｓ２００）。例えば、導出機能２１４は、取得機能２１２によって取得された原画像に関して、傾斜磁場コイル１０２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１０２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、ＳＮＲを導出する。

また、導出機能２１４は、取得機能２１２によって取得された原画像に関して、同じ被検体ＯＢ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２１４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、パラメータ調整機能２１６は、原画像に関して、導出機能２１４により導出されたＳＮＲに基づいて、複数の制御関数Ｇを設定する（ステップＳ２０２）。例えば、パラメータ調整機能２１６は、導出機能２１４によって導出されたＳＮＲの大きさに基づいて、制御関数Ｇの範囲を設定し、設定した制御関数Ｇの範囲における複数の制御関数Ｇを設定する。

次に、デノイズ機能２１８は、パラメータ調整機能２１６により設定された制御関数Ｇごとの閾値Ｔが内部パラメータとして設定されたデノイズモデルＭＤＬ１を利用し、原画像に対してデノイズ処理を行い、複数のデノイズ画像を生成する（ステップＳ２０４）。

次に、差分画像生成機能２２０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２１８によって生成された複数のデノイズ画像とに基づいて、複数の差分画像を生成する（ステップＳ２０６）。例えば、差分画像生成機能２２０は、画素ごとの信号成分に関して、原画像からデノイズ画像を減算することで、差分画像を生成する。

次に、デノイズ強度決定機能２２２は、差分画像ごとに、ノイズの分布との相関がある指標値を算出する（ステップＳ２０８）。

次に、デノイズ強度決定機能２２２は、算出した差分画像の各々の指標値に基づいて、制御関数の最適値を決定する（ステップＳ２１０）。

次に、デノイズ機能２１８は、デノイズ強度決定機能２２２によって決定された制御関数の最適値ＯＰに基づく内部パラメータとして設定されたデノイズモデルＭＤＬ１を利用し、原画像に対してデノイズ処理を行って最適値に基づくデノイズ画像を生成する（ステップＳ２１２）。なお、デノイズ画像を生成せずに、ステップＳ２０４において生成されたデノイズ画像のうち、決定された最適値ＯＰに最も近い制御関数でのデノイズ処理によって生成されたデノイズ画像を最適値に基づくデノイズ画像としてもよい。

次に、出力制御機能２２４は、通信インターフェース２０２を制御して、最適値に基づくデノイズ画像を医用画像生成装置１００に送信する（ステップＳ２１４）。この際、出力制御機能２２４は、ディスプレイ２０６にデノイズ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からデノイズ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、デノイズ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２２４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デノイズ画像を送信してもよい。

以上説明した第１の実施形態によれば、差分画像から求まるノイズの分布との相関がある指標値に基づいてデノイズ強度の最適値を決定し、決定したデノイズ強度の最適値でのデノイズ処理を行うことで、構造物成分が除去されることなくノイズ成分を最大限除去することができる。これにより、画像のノイズ分布が不均一である場合においても、デノイズ処理の精度を高めることができる。

（第２の実施形態）
以下、第２の実施形態について説明する。上述した第１の実施形態では、医用画像処理装置２００のデノイズ強度決定機能２２２が差分画像から求まるノイズの分布との相関がある指標値に基づいてデノイズ強度の最適値ＯＰを決定する構成を説明した。これに対して、本実施形態のデノイズ強度決定機能２２２は、差分画像の画素ごとの信号値のヒストグラムに基づいてデノイズ強度の最適値ＯＰを決定する。このため、構成などについては第１の実施形態で説明した図および関連する記載を援用し、詳細な説明を省略する。

［処理フロー（画像処理）］
次に、処理回路２１０の画像処理について説明する。図１３は、第２の実施形態における処理回路２１０の画像処理の一連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、医用画像生成装置１００により送信された原画像が取得機能２１２によって取得された場合に行われる。

まず、導出機能２１４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Ｓ３００）。次に、パラメータ調整機能２１６は、導出機能２１４により導出されたＳＮＲに基づいて、複数の制御関数Ｇを設定する（ステップＳ３０２）。例えば、パラメータ調整機能２１６は、導出機能２１４によって導出されたＳＮＲの大きさに基づいて、制御関数Ｇの範囲を設定し、設定した制御関数Ｇの範囲に含まれる複数の制御関数Ｇを設定する。

次に、デノイズ機能２１８は、パラメータ調整機能２１６により設定された制御関数Ｇごとに閾値Ｔが内部パラメータとして設定されたデノイズモデルＭＤＬ１を利用し、原画像に対してデノイズ処理を行い、複数のデノイズ画像を生成する（ステップＳ３０４）。

次に、差分画像生成機能２２０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２１８によって生成された複数のデノイズ画像とに基づいて、複数の差分画像を生成する（ステップＳ３０６）。例えば、差分画像生成機能２２０は、画素ごとの信号成分に関して、原画像からデノイズ画像を減算することで、差分画像を生成する。

次に、デノイズ強度決定機能２２２は、差分画像ごとに、画像全面の信号値のヒストグラムを生成する（ステップＳ３０８）。例えば、デノイズ強度決定機能２２２は、差分画像ごとに、画素ごとの輝度値のヒストグラムを生成する。

次に、デノイズ強度決定機能２２２は、算出した差分画像の各々の信号値のヒストグラムに基づいて、デノイズ強度の最適値を決定する（ステップＳ３１０）。例えば、デノイズ強度決定機能２２２は、差分画像ごとに、ノイズの分布との相関がある指標値を求める。図１４～図１７は、差分画像Ｃ１～Ｃ４の各々の画素ごとの輝度値を示す信号値のヒストグラムを示す図である。例えば、デノイズ強度決定機能２２２は、差分画像Ｃ１～Ｃ４の各々のヒストグラムに関して、ある範囲内の信号値（例えば、信号値０を中心とする所定の範囲の信号値）の歪度を算出し、差分画像間で比較することでデノイズ強度（例えば、制御関数）の最適値ＯＰを決定する。すなわち、第１実施形態では差分画像における画素ごとの輝度値に関して歪度を算出している（画素ごとの輝度値を個別に評価している）のに対して、第２実施形態では差分画像における画素ごとの輝度値のヒストグラムを生成し、このヒストグラムにおいて歪度を算出する（ある範囲内の輝度値をまとめて評価している）。例えば、デノイズ強度決定機能２２２は、複数の差分画像の各々の歪度を相互に比較し、最も歪度が小さい差分画像の生成に利用された制御関数の値を、最適値ＯＰとして決定する。

また、図１６及び１７に示すように、差分画像Ｃ３及びＣ４においては、構造部成分に起因する頻度上昇がみられる部分Ｐ１及びＰ２が発生する。デノイズ強度決定機能２２２は、このような構造部成分に起因する頻度上昇がみられる部分Ｐ１及びＰ２が発生していない差分画像と関連付けられたデノイズ強度のうち、最大のデノイズ強度（例えば、差分画像Ｃ２と関連付けられたデノイズ強度）を、デノイズ強度の最適値ＯＰと決定してよい。

次に、デノイズ機能２１８は、デノイズ強度決定機能２２２によって決定されたデノイズ強度の最適値ＯＰに基づく内部パラメータが設定されたデノイズモデルＭＤＬ１を利用し、原画像に対してデノイズ処理を行い、最適値に基づくデノイズ画像を生成する（ステップＳ３１２）。

次に、出力制御機能２２４は、通信インターフェース２０２を制御して、最適値に基づくデノイズ画像を医用画像生成装置１００に送信する（ステップＳ３１４）。この際、出力制御機能２２４は、ディスプレイ２０６にデノイズ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からデノイズ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、デノイズ画像をディスプレイ１２６に表示させてよい。

以上説明した第２の実施形態によれば、差分画像の各々のヒストグラムに基づいてデノイズ強度の最適値を決定し、決定したデノイズ強度の最適値でのデノイズ処理を行うことで、構造物成分が除去されることなくノイズ成分を最大限除去することができる。これにより、デノイズ処理の精度を高めることができる。

（第１及び第２の実施形態の変形例）
以下、第１及び第２の実施形態の変形例について説明する。上述した第１及び第２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。この場合、医用画像生成装置１００は、「医用画像処理装置」の一例である。

図１８は、第１及び第２の実施形態の変形例に係る医用画像生成装置１００を示す図である。図１８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と、に加えて、導出機能２１４と、パラメータ調整機能２１６と、デノイズ機能２１８と、差分画像生成機能２２０と、デノイズ強度決定機能２２２と、学習機能２２６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、デノイズモデル情報２３２と、原画像情報２３４と、デノイズ画像情報２３６と、差分画像情報２３８と、が格納されてよい。

以上説明した第１及び第２の実施形態の変形例によれば、医用画像生成装置１００単体で、デノイズ処理の精度を高めることができる。

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、
医用画像からノイズ成分を除去する度合い示す複数のデノイズ強度を設定し、
設定された複数の前記デノイズ強度の各々に基づいて、前記医用画像からノイズ成分を除去し、複数のデノイズ画像を生成し、
前記医用画像と、生成された複数の前記デノイズ画像の各々との差分である複数の差分画像を生成し、
生成された複数の前記差分画像に基づいて、前記デノイズ強度の最適値を決定する、
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、医用画像からノイズ成分を除去する度合い示す複数のデノイズ強度を設定するパラメータ調整機能２１６と、パラメータ調整機能２１６によって設定された複数のデノイズ強度の各々に基づいて、医用画像からノイズ成分を除去し、複数のデノイズ画像を生成するデノイズ機能２１８と、医用画像と、デノイズ機能２１８によって生成された複数のデノイズ画像の各々との差分である複数の差分画像を生成する差分画像生成機能２２０と、差分画像生成機能２２０によって生成された複数の差分画像に基づいて、デノイズ強度の最適値を決定するデノイズ強度決定機能２２２と、を備えることで、デノイズ処理の精度を高めることができる。

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、１０８ａ～１０８ｈ…コイルエレメント、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…導出機能、２１６…パラメータ調整機能、２１８…デノイズ機能、２２０…差分画像生成機能、２２２…デノイズ強度決定機能、２２４…出力制御機能、２２６…学習機能、２３０…メモリ

Claims (10)

1. 医用画像からノイズ成分を除去する度合い示す複数のデノイズ強度を設定する設定部と、
   前記設定部によって設定された複数の前記デノイズ強度の各々に基づいて、前記医用画像からノイズ成分を除去し、複数のデノイズ画像を生成するデノイズ画像生成部と、
   前記医用画像と、前記デノイズ画像生成部によって生成された複数の前記デノイズ画像の各々との差分である複数の差分画像を生成する差分画像生成部と、
   前記差分画像生成部によって生成された複数の前記差分画像に基づいて、前記デノイズ強度の最適値を決定する決定部と、
   を備え、
   前記デノイズ画像生成部は、画像が入力されたときに該画像からノイズ成分が除去された画像を出力するように学習されたモデルに基づいて、前記医用画像からノイズ成分を除去する、
   医用画像処理装置。
2. 医用画像からノイズ成分を除去する度合い示す複数のデノイズ強度を設定する設定部と、
   前記設定部によって設定された複数の前記デノイズ強度の各々に基づいて、前記医用画像からノイズ成分を除去し、複数のデノイズ画像を生成するデノイズ画像生成部と、
   前記医用画像と、前記デノイズ画像生成部によって生成された複数の前記デノイズ画像の各々との差分である複数の差分画像を生成する差分画像生成部と、
   前記差分画像生成部によって生成された複数の前記差分画像に基づいて、前記デノイズ強度の最適値を決定する決定部と、
   を備え、
   前記医用画像に含まれるノイズ成分に関する指標値を導出する導出部をさらに備え、
   前記設定部は、前記導出部によって導出された前記指標値に基づいて、複数の前記デノイズ強度を設定する、
   医用画像処理装置。
3. 前記決定部は、複数の前記差分画像の各々のノイズの分布との相関がある指標値を相互に比較することで、前記デノイズ強度の最適値を決定する、
   請求項１または２に記載の医用画像処理装置。
4. 前記設定部は、前記モデルの内部パラメータを前記デノイズ強度として設定する、
   請求項１に記載の医用画像処理装置。
5. 前記内部パラメータは、前記モデルに含まれる少なくとも１つのノードの活性化関数のパラメータである、
   請求項４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する、
   請求項２に記載の医用画像処理装置。
7. コンピュータが、
   医用画像からノイズ成分を除去する度合い示す複数のデノイズ強度を設定し、
   設定された複数の前記デノイズ強度の各々に基づいて、前記医用画像からノイズ成分を除去し、複数のデノイズ画像を生成し、
   前記医用画像と、生成された複数の前記デノイズ画像の各々との差分である複数の差分画像を生成し、
   生成された複数の前記差分画像に基づいて、前記デノイズ強度の最適値を決定する、
   医用画像処理方法であって、
   画像が入力されたときに該画像からノイズ成分が除去された画像を出力するように学習されたモデルに基づいて、前記医用画像からノイズ成分を除去する、
   医用画像処理方法。
8. コンピュータが、
   医用画像からノイズ成分を除去する度合い示す複数のデノイズ強度を設定し、
   設定された複数の前記デノイズ強度の各々に基づいて、前記医用画像からノイズ成分を除去し、複数のデノイズ画像を生成し、
   前記医用画像と、生成された複数の前記デノイズ画像の各々との差分である複数の差分画像を生成し、
   生成された複数の前記差分画像に基づいて、前記デノイズ強度の最適値を決定する、
   医用画像処理方法であって、
   前記医用画像に含まれるノイズ成分に関する指標値を導出し、
   導出された前記指標値に基づいて、複数の前記デノイズ強度を設定する、
   医用画像処理方法。
9. コンピュータに、
   医用画像からノイズ成分を除去する度合い示す複数のデノイズ強度を設定させ、
   設定された複数の前記デノイズ強度の各々に基づいて、前記医用画像からノイズ成分を除去し、複数のデノイズ画像を生成させ、
   前記医用画像と、生成された複数の前記デノイズ画像の各々との差分である複数の差分画像を生成させ、
   生成された複数の前記差分画像に基づいて、前記デノイズ強度の最適値を決定させる、
   プログラムであって、
   画像が入力されたときに該画像からノイズ成分が除去された画像を出力するように学習されたモデルに基づいて、前記医用画像からノイズ成分を除去させる、
   プログラム。
10. コンピュータに、
    医用画像からノイズ成分を除去する度合い示す複数のデノイズ強度を設定させ、
    設定された複数の前記デノイズ強度の各々に基づいて、前記医用画像からノイズ成分を除去し、複数のデノイズ画像を生成させ、
    前記医用画像と、生成された複数の前記デノイズ画像の各々との差分である複数の差分画像を生成させ、
    生成された複数の前記差分画像に基づいて、前記デノイズ強度の最適値を決定させる、
    プログラムであって、
    前記医用画像に含まれるノイズ成分に関する指標値を導出させ、
    導出された前記指標値に基づいて、複数の前記デノイズ強度を設定させる、
    プログラム。

Images