JPH11196296A

JPH11196296A - 画像処理装置および方法、非線形フィルタ、記録媒体

Info

Publication number: JPH11196296A
Application number: JP9360707A
Authority: JP
Inventors: Osamu Tsujii; 修辻井
Original assignee: Canon Inc
Current assignee: Canon Inc
Priority date: 1997-12-26
Filing date: 1997-12-26
Publication date: 1999-07-21

Abstract

(57)【要約】【課題】例えばＸ線画像のような医療画像の撮影部位
や撮影条件に合わせて最適なフィルタパラメータを設定
できるようにして、画像中に発生するインパルス性雑音
や白色ガウス雑音を効率的に低減できるようにする。【解決手段】ファジー推論の学習部１４でフィルタ係
数の学習する際に用いるフィルタ決定の特徴量として、
Ｘ線画像に特有のＸ線の線量に依存する局所情報量およ
び画像の勾配情報量を導入することにより、量子雑音が
多いところを選択的に処理できるようにするとともに、
エッジ保存特性を改善することができるようにする。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は画像処理装置および
方法、非線形フィルタ、記録媒体に関し、特に、フィル
タのパラメータを学習により最適化して適用することに
よって、Ｘ線画像のような医療画像に発生するノイズを
低減するための装置に用いて好適なものである。

【０００２】

【従来の技術】従来より、インパルス性雑音や白色ガウ
ス雑音が重畳して劣化した画像の復元には、非線形フィ
ルタが有効であることが知られている。その参考文献と
して、原島博らの「“非線形ディジタルフィルタと信号
処理”：信学会(A), vol J71-A, no 2, PP.143-154 (19
88) 」や、荒川薫らの「“インテリジェント信号処理の
現状と展望”：信学会(A), vol J78-A, no 2, PP.103-1
13 (1995) 」等を挙げることができる。

【０００３】すなわち、従来よりインパルス性雑音には
メディアンフィルタが有効であり、白色ガウス雑音には
平均値フィルタが有効であることは知られているが、い
ずれも画像のエッジ情報が劣化してしまうという問題が
あった。このことを改善する方法は多数提案されてい
る。その参考文献としては、高島広憲らの「“局所統計
量を考慮した最適チューニング可能なファジーフィル
タ”：信学会(A), vol J78-A, no 2, PP.141-150 (199
5) 」や、棟安実治らの「“適応形エッジ保存平滑化フ
ィルタの一実現法”：信学会(A), vol J80-A, no 1, P
P.45-53 (1997) 」等を挙げることができる。

【０００４】

【発明が解決しようとする課題】近年、医療用Ｘ線画像
を輝尽性蛍光体や半導体を利用してディジタルデータと
して取り込む装置が導入されるようになったが、この種
の装置には、センサの欠陥によるインパルス性雑音の発
生、Ｘ線の透過しにくい部位を撮影した場合の白色ガウ
ス雑音的な量子ノイズの発生という大きな問題がある。

【０００５】これらの雑音を除去する手段としては、や
はり非線形フィルタが使用されているが、それらはフィ
ルタの開発者が経験から判断したパラメータを使用して
おり、医療現場で現実に起きている現象を的確に捕らえ
ていない場合が多い。また、撮影している人体部位への
依存や、装置が導入された病院の撮影方法の変化等によ
り画像の性質が変わっても、パラメータは固定されたま
まであり、適当なパラメータによりフィルタ処理が行わ
れていなかった。

【０００６】本発明は、このような実情に鑑みて成され
たものであり、例えばＸ線画像のような医療画像の撮影
部位や撮影条件に合わせて最適なフィルタパラメータを
設定できるようにして、画像中に発生するインパルス性
雑音や白色ガウス雑音を効率的に低減できるようにする
ことを目的とする。

【０００７】

【課題を解決するための手段】Ｘ線画像のような医療画
像を処理する際に、適当なパラメータによってフィルタ
処理が行われていないという従来の欠点を解消するため
の手段としては、ニューラルネットワークやファジー理
論に基づく学習による最適化の手法が考えられる。学習
に関しては、問題の性質を適切に表現する特徴量の導入
が必要である。他方、この特徴量は、非線形フィルタを
設計する際のパラメータと同義とも考えられる。一般に
は、これらの学習に使用する特徴量の選択は難しい。

【０００８】本発明においては、従来例に挙げた高島広
憲、棟安実治らが提案している簡易ファジー推論法をベ
ースに、特徴量として彼らが導入していない、例えばＸ
線画像の局所的なＸ線量に相関を持つ特徴量およびエッ
ジ情報に相関を持つ特徴量の少なくとも一方を導入し、
Ｘ線画像特有のフィルタの設計を行っている。

【０００９】さらに、本発明では、少なくとも同一被写
体ごとまたは同一撮影条件ごとに学習用の画像を生成
し、これらの学習用の画像ごとにフィルタの係数を求め
て保存しておくようにする。そして、その後撮影された
新規画像のフィルタの係数を推論する際には、少なくと
も同一被写体または同一撮影条件の係数を読み出して設
定するようにしている。

【００１０】

【発明の実施の形態】以下、本発明の一実施形態を図面
に基づいて説明する。本実施形態の画像処理装置で使用
する適応形荷重平均フィルタによる処理は、次の式
（１）に示すように、画像中の点(p,q) における局所情
報量に依存した関数により行われる。 y(i,j)＝ΣΣWi(p,q)Wg(p,q)χ(i+p,j+q)/ΣΣWi(p,q)Wg(p,q)……（１）（ただし、-M≦p ≦M 、-N≦q ≦Ｎ）ここで、y(i,j)はフィルタ出力画像、χ(i,j) は入力画
像、フィルタサイズは(2N+1)×(2M+1)、Wi(p,q) および
Wg(p,q) はそれぞれインパルス性雑音、量子性雑音に関
する重み係数である。

【００１１】最初にインパルス性雑音に関する重み係数
Wi(p,q) の決定に関して説明する。これは、棟安実治ら
が提案している次の式（２）に示すような局所情報量Ei
(p,q) を使用して求められる。 Ei(p,q) ＝｜χ(i+p,j+q) −（χ1+χ2)/2｜……（２）ただし、χ1 およびχ2 は、χ(i+p,j+q) を中心とした
８近傍のうちχ(i,j)に最も近い画素値とその次の値と
を示す。

【００１２】この局所情報量Ei(p,q) とインパルス性雑
音に関する重み係数Wi(p,q) とには負の相関が期待され
ている。つまり、局所情報量Ei(p,q) が大きいときは、
入力画像χ(i+p,j+q) がインパルス性雑音である確率が
大きい。そこで、本実施形態では、局所情報量Ei(p,q)
が大きいときは、重み係数Wi(p,q) を小さくして入力画
像χ(i+p,j+q) を除く操作をする。

【００１３】次に量子性雑音に関する重み係数Wg(p,q)
の決定に関して説明する。これは、棟安実治らが提案し
ている次の式（３）および（４）に示すような局所情報
量Eg(p,q) 、Dg(p,q) と、本発明者が導入した次の式
（５）および（６）に示すような局所情報量Ea(i,j) 、
Fs(i,j) とにより決定される。

【００１４】 Eg(p,q) ＝｜s(i,j)−χ(i+p,j+q) ｜……（３）（s(i,j)＝Wi(0,0) χ(i,j) ＋(1−Wi(0,0))χ′(i,j)
）ここで、χ′(i,j) は点(i,j) を中心としたウィンドウ
サイズ３×３のメディアンフィルタの出力である。この
式（３）に示す局所情報量Eg(p,q) は、インパルス性雑
音の存在を考慮した差分信号を示している。つまり、点
(i,j) の情報がインパルス性雑音のときは、メディアン
値を信号値にして、ウィンドウ(2N+1)×(2M+1)内の差分
信号を計算している。

【００１５】この局所情報量Eg(p,q) と量子性雑音に関
する重み係数Wg(p,q) とには負の相関が期待されてい
る。つまり、差分Eg(p,q) が大きい場合は、エッジを保
存するために量子性雑音に関する重み係数Wg(p,q) を小
さくして信号を弱め、差分Eg(p,q) が小さい場合は、量
子性雑音に関する重み係数Wg(p,q) を大きくして信号を
強める作用をする。

【００１６】 Dg(p,q) ＝√((p²＋q²)/(M² ＋N²))……（４）ここで、局所情報量Dg(p,q) は、処理点(i,j) とウィン
ドウ(2N+1)×(2M+1)内の点(i+p,j+q) との距離を、ウィ
ンドウの大きさで正規化したものである。この局所情報
量Dg(p,q) と量子性雑音に関する重み係数Wg(p,q) との
相関は、一般に距離が近いほど強く、遠くなるほど小さ
くなることが期待されている。

【００１７】 Ea(i,j) ＝ΣΣχ(i+p,j+q)/(2N+1)×(2M+1)……（５）この局所情報量Ea(i,j) はＸ線の線量に依存する情報量
であり、また入力画像χ(i,j) は入射Ｘ線量に比例する
情報量である。ここでは、局所情報量Ea(i,j)が意味す
るものは、Ea(i,j) の値が大きければ信号の信頼性が大
きいと判断し、Wg(0,0) のみ“１”にしてその他は
“０”にする。一方、Ea(i,j) の値が小さければ信号の
信頼性が小さいと判断し、局所情報量Eg(p,q) 、Dg(p,
q) によりエッジの保存に配慮しながら平均化を行うと
いうものである。

【００１８】 Fs(i,j) ＝√(Fsx(i,j)²＋Fsy(i,j)²)……（６）（Fsx(i,j)＝ΣΣSobelx(p,q) χ(i+p,j+q) 、 Fsy(i,j)＝ΣΣSobely(p,q) χ(i+p,j+q) ）ここで、Sobelx(p,q) およびSobely(p,q) はSobel フィ
ルタの出力であり、次の式（７）および（８）のように
表されるものである。

【００１９】

【数１】

【００２０】ところで、注目する画素の近傍領域内の濃
度の和や平均値の差を計算することにより、雑音に強い
濃度勾配を計算することができる（詳しくは、田村秀行
監修「“コンピュータ画像処理入門”：総研出版 (198
5) 」を参照）。局所情報量Fs(i,j) は、その処理点(i,
j) が構造線（勾配）の上に存在するか否かの情報を持
っている。

【００２１】これは、局所情報量Ea(i,j) と同様に、Fs
(i,j) の値が大きければ点(i,j) が構造線（勾配）の上
に存在すると判断し、Wg(0,0) のみ“１”にしてその他
は“０”にする。一方、Fs(i,j) の値が小さければ点
(i,j) が構造線（勾配）の上に存在しないと判断し、局
所情報量Eg(p,q) 、Dg(p,q) によりエッジの保存に配慮
しながら平均化を行う。

【００２２】なお、構造線（勾配）を抽出するフィルタ
には、Sobel フィルタの他にもPrewitt フィルタが提案
されており、これを適用することも可能である。

【００２３】次に、本実施形態において導入した以上の
各局所情報量Ei(p,q) 、Eg(p,q) 、Dg(p,q) 、Ea(i,j)
、Fs(i,j) により、適応形荷重平均フィルタの各重み
係数Wi(p,q) 、Wg(p,q) を学習、決定するメカニズムを
説明する。再度整理すると、これらの適応形荷重平均フ
ィルタの重み係数Wi(p,q) 、Wg(p,q) は、次の式（９）
および（１０）のように表される。 Wi(p,q) ＝Function1(Ei(p,q))……（９） Wg(p,q) ＝Function2(Eg(p,q),Dg(p,q),Ea(i,j),Fs(i,j))……（１０）

【００２４】ここで、Function1 、Function2 は関数で
あることを示している。本実施形態では、これらのFunc
tion1 、Function2 を決定する手法として、簡易ファジ
ー推論法（詳しくは、野村博義らの「“デルタルールに
よるファジー推論の自動チューニング手法と障害物回避
への応用”：日本ファジー学会誌,4,2, pp.379-388(199
2)」を参照）を使用する。

【００２５】ここで使用されるメンバシップ関数は、図
２の折れ線に示されるように、計算量を減らすために必
要なパラメータを２つに制限できる特徴がある。すなわ
ち、出力を出すメンバシップ関数のパラメータは、次の
式（１１）〜（１３）に示すように最高でも２個に制限
されている。 ΣAk,l(Zk)＝１……（１１） Ak,l＝1-(Zk-Ck,l)/(Ck,l+1-Ck,l) ……（１２） Ak,l+1＝1+(Zk-Ck,l+1)/(Ck,l+1-Ck,l) ……（１３）

【００２６】ここで、Zkは関数に対するｋ次元目の入力
量（例えば、局所情報量Eg(p,q) ）を示し、Ck,lはｋ次
元目でのｌ番目のメンバシップ関数の中央値、Ck,l+1は
（ｌ＋１）番目のメンバシップ関数の中央値を示してい
る。１つ入力量に対して何個のメンバシップ関数を設定
するかは、計算量（システムのスピード）や性能に影響
するが、ここでは経験的に全ての入力量に対して、Ck,0
〜Ck,4の５個のメンバシップ関数を設定している。

【００２７】さて、上述の式（１２）および（１３）を
使用して、式（９）のインパルス性雑音に関する重み係
数Wi(p,q) を表すと、 Wi(p,q) ＝A1,l・V1,l＋A1,l+1・V1,l+1……（１４）となる。ここで、A1,lおよびA1,l+1の式（１２）、（１
３）中に記述されるZ1＝Ei(p,q) であり、V1,lおよびV
1,l+1はそれぞれ重み係数Wi(p,q) に対するｌ番目と
（ｌ＋１）番目のファジールールの後件部の実数値を示
している。

【００２８】同様に、式（１２）および（１３）を使用
して、式（１０）の量子性雑音に関する重み係数Wg(p,
q) を表すと、次の式（１５）のようになる。ここで、Z
2＝Eg(p,q) 、Z3＝Dg(p,q) 、Z4＝Ea(i,j) 、Z5＝Fs(i,
j) であり、V2345,m,n,u,v は重み係数Wi(p,q) に対す
る４つのメンバシップ関数m,n,u,v 番目により作られる
ファジールールの後件部の実数値を示している。

【００２９】

【数２】

【００３０】次に、上記式（１４）および（１５）に示
された関数の学習方法に関して説明する。本実施形態で
は、ニューラルネットワーク等で広く使用されている勾
配法を使用する。評価関数E(i,j)は、 E(i,j)＝(1/2) ・ (y(i,j)−y'(i,j))²……（１６）と表せる。ここで、y'(i,j) は学習の際のターゲット画
像であり、Ｘ線画像収集装置では、以下のような手順で
得ることができる。

【００３１】すなわち、装置が設置された時点で、その
施設の撮影部位単位の条件（Ｘ線焦点サイズ、Ｘ線管電
圧、Ｘ線管電流、撮影距離）にあわせて模擬ファントー
ムで複数枚の画像が撮影される。複数枚とは例えば１７
枚である。このうち、１枚をランダムに選んで入力画像
χ(i,j) とする。残りの１６枚は、平均化処理してター
ゲット画像y'(i,j) とする。ターゲット画像y'(i,j)
は、入力画像χ(i,j) に比べて量子雑音に関して１６の
平方根＝４倍分、ＳＮ比が改善されている。

【００３２】さて、勾配法を利用した学習の収束は、以
下の式（１７）〜（１９）のように記述することができ
る。 Ck,l(t+1) ＝Ck,l(t) −Kc・∂E(i,j)／∂Ck,l……（１７） V1,l(t+1) ＝V1,l(t) −Kv・∂E(i,j)／∂V1,l……（１８） V2345,m,n,u,v(t+1)＝V2345,m,n,u,v(t+1)−Kv・∂E(i,j)／∂V2345,m,n,u, v ……（１９）ここで、Kc、Kvは学習係数であり、t は変更回数を示
す。

【００３３】以上のように各点(i,j) に対してインパル
ス性雑音に関する重み係数Wi(p,q)と量子性雑音に関す
る重み係数Wg(p,q) とが計算される。そして、これらを
もとに処理した結果の誤差と勾配とが計算されて、メン
バシップ関数の中央値Ck,l、ファジールールの後件部の
実数値V1,lとV2345,m,n,u,v が更新される。

【００３４】なお、学習に際して、学習点(i,j) を画像
の右上から左下に向かってスキャンする方法の他に、画
像上からランダムに選択してくる方法が考えられる。こ
れは、順次スキャンする場合は、似通ったデータが連続
して発生すると学習が進まないことが予想されるからで
ある。学習の収束条件は、画像中の全ての点(i,j) に対
して、｜E(t)−E(t-1)｜≦ε……（２０）が成立した時点とする。なお、判別値εは経験的に設定
される。

【００３５】以下に、上述のような学習を伴う画像処理
装置の構成および動作について説明する。図１は、本実
施形態の画像処理装置の構成例を示す図である。図１に
おいて、Ｘ線発生装置１から曝射されたＸ線ビーム２
は、被検査体３内を減衰しながら透過して、２次元Ｘ線
センサー４に到達する。この２次元Ｘ線センサー４によ
り検出されたＸ線画像は、データ収集装置５によって電
気信号に変換された後、前処理装置６でオフセット補
正、ゲイン補正等の前処理が行われる。このようにして
得たＸ線画像は、ＣＰＵ８の制御によってＣＰＵバス７
を介して磁気ディスク１０等の記録媒体に転送され、生
画像としてファイルされる。

【００３６】本実施形態の画像処理装置を使用して、以
上のような流れで工場あるいは設置先の病院等で画像収
集を行う。このとき、撮影部位毎に同じＸ線条件および
位置関係で複数枚の画像を撮影する。そして、これら複
数枚の画像から学習に必要な学習入力画像と教師画像と
を上述した方法により作成する。教師画像とは、学習入
力画像を含まない複数の画像の平均値画像（上述したタ
ーゲット画像）である。これらの学習入力画像χ(i,j)
と教師画像y'(i,j) とは、磁気ディスク１０に保存され
る。

【００３７】その後、操作パネル１１により学習開始の
操作がなされると、学習入力画像χ(i,j) は磁気ディス
ク１０から読み出され、局所情報量計算部１３に転送さ
れて５つの局所情報量Ei(p,q) 、Eg(p,q) 、Dg(p,q) 、
Ea(i,j) 、Fs(i,j) が計算される。これらの局所情報量
は、ファジー推論の学習部１４に転送されて、２つの適
応形荷重平均フィルタ、すなわちインパルス性雑音に関
する重み係数Wi(p,q)と量子性雑音に関する重み係数Wg
(p,q) とが推論される。推論された２つの適応形荷重平
均フィルタWi(p,q) ，Wg(p,q) は、フィルタ演算部１６
に送られる。

【００３８】フィルタ演算部１６では、上記２つの重み
係数Wi(p,q) ，Wg(p,q) と学習入力画像χ(i,j) とをも
とに処理後画像y(i,j)が計算され、ファジー推論の学習
部１４に返される。ファジー推論の学習部１４では、教
師画像y'(i,j) と処理後画像y(i,j)とのエラーから、学
習が進められる。学習のアルゴリズムは、上述した勾配
法を使用する。

【００３９】学習は、点(i,j) ごとに行われるが、ＣＰ
Ｕ８の制御により画素が画像の左上から右下に向けてス
キャンされるのでなく、ランダムに選択することもでき
る。画像中の全ての点に対して上記式（２０）で示した
学習の収束条件を満足すれば、学習は完了する。このよ
うにしてファジー推論の学習部１４で形成されたパラメ
ータ（重み係数）は、磁気ディスク１０およびファジー
推論の推論部１５に転送されて保存される。

【００４０】このときファジー推論の学習部１４で形成
されるパラメータは、少なくとも撮影部位毎または撮影
条件毎に設定される。そして、これらのパラメータが少
なくとも撮影部位毎または撮影条件毎に磁気ディスク１
０に保存される。

【００４１】次に、実際の患者画像が撮影されると、そ
れがデータ収集装置５によって電気信号に変換され、前
処理装置６でオフセット補正、ゲイン補正等の前処理が
行われる。このようにして得られたＸ線画像は、ＣＰＵ
８の制御によってＣＰＵバス７を介して磁気ディスク１
０に転送され、生画像としてファイルされる。

【００４２】そして、現在ファジー推論の推論部１５に
保存されているパラメータが、現在の撮影部位、撮影条
件に合致するものと異なれば、現在の撮影部位、撮影条
件に合致するパラメータが磁気ディスク１０から読み出
され、ファジー推論の推論部１５にロードされる。この
パラメータは、５つの局所情報量に対して、フィルタ係
数を推論するために利用される。

【００４３】上記生画像としてファイルされた実際の患
者画像は、磁気ディスク１０から読み出され、局所情報
量計算部１３に転送されて５つの局所情報量Ei(p,q) 、
Eg(p,q) 、Dg(p,q) 、Ea(i,j) 、Fs(i,j) が計算され
る。これら５つの局所情報量は、ファジー推論の推論部
１５に転送されて、インパルス性雑音に関する重み係数
Wi(p,q) と量子性雑音に関する重み係数Wg(p,q) とが推
論される。推論された２つの重み係数Wi(p,q) ，Wg(p,
q) は、フィルタ演算部１６に送られる。

【００４４】上記実際の患者画像はフィルタ演算部１６
に送られ、ここで上記２つの重み係数Wi(p,q) ，Wg(p,
q) によりフィルタ処理が施されて処理画像y(i,j)が作
成される。作成された処理画像は、画像表示装置１２に
転送されて表示される。また、これと並行して磁気ディ
スク１０にも処理画像が転送され、画像処理後画像とし
てファイルされる。

【００４５】なお、以上に述べた一連の処理は、ＣＰＵ
８によって制御される。このＣＰＵ８は、例えばＲＯＭ
やＲＡＭ等により構成されるメインメモリ９、あるいは
ハードディスクにより構成される磁気ディスク１０に格
納された作業プログラムに従って動作する。このＣＰＵ
８の作業プログラムを格納したメインメモリ９あるいは
磁気ディスク１０は、本発明の記録媒体を構成する。ま
た、図示しないインタフェースを介してメインメモリ９
や磁気ディスク１０に外部から作業プログラムを供給す
るように構成しても良い。この場合、外部から作業プロ
グラムを供給する手段も本発明の記録媒体を構成する。

【００４６】上記作業プログラムを格納するための記録
媒体あるいは外部から作業プログラムを供給する手段と
して、ＲＯＭやハードディスクの他に、例えばフロッピ
ーディスク、光ディスク、光磁気ディスク、ＣＤ−ＲＯ
Ｍ、磁気テープ、不揮発性のメモリカードなどを用いて
も良い。

【００４７】図３は、上述したような本実施形態による
画像処理方法を説明するためのフローチャートであり、
学習の処理手順を示している。図３において、ステップ
Ｓ１では、学習用のＸ線画像を複数枚収集し、それを磁
気ディスク１０に保存する。そして、ステップＳ２で、
これら複数枚のＸ線画像から入力画像χ(i,j) と教師画
像y'(i,j) とを生成する。上述したように、入力画像χ
(i,j) とは、同一被写体を同一条件にて複数回撮影した
複数のＸ線画像のうち、平均化していない１つの非平均
画像であり、教師画像y'(i,j) とは、撮影したうちの残
りの画像を平均化した平均画像である。

【００４８】次に、ステップＳ３で学習開始の入力があ
ったかどうかを確認し、入力があったときはステップＳ
４に進み、Ｘ線画像に適用する非線形フィルタの特徴量
として上述した５つの局所情報量Ei(p,q) 、Eg(p,q) 、
Dg(p,q) 、Ea(i,j) 、Fs(i,j) を入力画像χ(i,j) から
抽出する。そして、ステップＳ５で、上記５つの局所情
報量をもとに２つのフィルタ係数（インパルス性雑音に
関する重み係数Wi(p,q) および量子性雑音に関する重み
係数Wg(p,q) ）を推論し、得られた係数をステップＳ６
で適用してフィルタ処理を行うことにより、上述の教師
画像y'(i,j) との差から係数の学習を行う。

【００４９】学習が完了すると、ステップＳ７に進み、
学習により得られた２つの重み係数Wi(p,q) ，Wg(p,q)
）が磁気ディスク１０およびファジー推論の推論部１
５に転送されて保存される。この学習処理は、例えば同
一の撮影部位毎および同一の撮影条件毎に行う。

【００５０】図４は、上述したような本実施形態による
画像処理方法を説明するためのフローチャートであり、
学習完了後の実際のフィルタ処理の手順を示している。
図４において、ステップＳ１１では、実際の患者画像を
撮影する。そして、ステップＳ１２で、現在ファジー推
論の推論部１５に設定されているフィルタ係数Wi(p,q)
，Wg(p,q) が、撮影された患者画像の撮影部位および
撮影条件に合っているかどうかを判断する。合っていな
ければ、ステップＳ１３に進み、その患者画像の撮影部
位および撮影条件に合致するフィルタ係数を磁気ディス
ク１０より読み出してファジー推論の推論部１５に設定
する。一方、合致していればステップＳ１３の処理は行
わずにステップＳ１４に進む。

【００５１】ステップＳ１４では、上記ステップＳ１１
で撮影された患者画像から５つの局所情報量Ei(p,q) 、
Eg(p,q) 、Dg(p,q) 、Ea(i,j) 、Fs(i,j) を抽出する。
ステップＳ１５では、患者画像から抽出した５つの局所
情報量およびそのときファジー推論の推論部１５に設定
されているパラメータをもとに２つのフィルタ係数Wi
(p,q) ，Wg(p,q) を推論する。そして、ステップＳ１６
で、上記推論されたフィルタ係数により患者画像をフィ
ルタ処理し、その結果を画像表示装置１２に表示すると
ともに、磁気ディスク１０に保存する。

【００５２】以上詳しく述べたように、本実施形態によ
れば、Ｘ線画像に特有のＸ線の線量に依存する局所情報
量Ea(i,j) と画像の勾配情報量Fs(i,j) とをフィルタ決
定の特徴量として導入したので、量子雑音が多いところ
を選択的に処理できるようになるとともに、エッジ保存
特性を改善することができるようになる。これにより、
医療現場で現実に起きている現象を的確に捕らえたパラ
メータを設定することができ、Ｘ線画像に重畳されるこ
とがある白色ガウス雑音やインパルス性雑音を効率的に
低減することができる。

【００５３】また、学習用の画像を同一被写体ごとおよ
び同一撮影条件ごとに生成し、これらの学習用の画像ご
とにフィルタの係数を求めて保存しておき、その後撮影
された新規画像のフィルタの係数を推論する際には、同
一被写体および同一撮影条件の係数を読み出して設定す
るようにしたので、撮影している人体部位や撮影方法の
変化等により画像の性質が変わった場合でも、適当なパ
ラメータによりフィルタ処理を行うことができ、ノイズ
を効率的に低減することができる。

【００５４】なお、上述したファジー推論の学習部１４
は、本発明に含まれない他の装置内に設けるようにして
も良い。つまり、この場合は他の装置で学習された結果
が、少なくとも同一撮影部位毎または同一撮影条件毎に
磁気ディスク１０に登録される。したがって、この場合
は、図３に示した処理は、上記他の装置内で行われるこ
ととなる。

【００５５】他方、推論した結果画像がオペレータある
いは医師の判断により良好な処理例とされた場合に、操
作パネル１１の操作により学習画像として追加登録する
ことが可能である。追加登録されるのは、撮影部位情報
がつけられた入力画像と、好結果を得たフィルタ処理後
画像とのペアである。これらの追加登録学習画像が追加
されると、操作パネル１１に推論関数の学習の実行／不
実行のプロンプトが表示され、オペレータの希望によ
り、従来の学習画像に今回の学習画像を追加して学習が
行われる。また、プロンプトの表示なしに再学習が実行
されるようにしても良い。追加学習画像が複数例たまっ
た時点で、再学習の実行あるいはプロンプト表示を行っ
ても良い。このようにすれば、撮影部位および撮影条件
毎に更に最適なパラメータを得ることができる。

【００５６】

【発明の効果】本発明は上述したように、Ｘ線画像に特
有のＸ線の線量に依存する局所情報量をフィルタ決定の
特徴量として導入したことにより、量子雑音が多いとこ
ろを選択的に処理できるようになる。また、画像の勾配
情報量をフィルタ決定の特徴量として導入したことによ
り、エッジ保存特性を改善することができるようにな
る。これにより、Ｘ線画像に重畳されることがあるイン
パルス性雑音や白色ガウス雑音を効率的に低減すること
ができる。

【００５７】また、フィルタの係数を少なくとも同一被
写体ごとまたは同一撮影条件ごとに学習して保存してお
き、その後撮影された新規画像のフィルタの係数を推論
する際に、少なくとも同一被写体または同一撮影条件の
係数を読み出して設定するようにしたことにより、撮影
する人体部位や撮影方法の変化等により画像の性質が変
わった場合でも、適当なパラメータによりフィルタ処理
を行うことができ、上述の雑音を効率的に低減すること
ができる。

【図面の簡単な説明】

【図１】本発明による画像処理装置の一実施形態を示す
図である。

【図２】本実施形態で採用するメンバシップ関数の特性
図である。

【図３】本実施形態による画像処理方法を説明するため
のフローチャートであり、学習の処理手順を示す図であ
る。

【図４】本実施形態による画像処理方法を説明するため
のフローチャートであり、学習完了後の実際のフィルタ
処理の手順を示す図である。

【符号の説明】

１Ｘ線発生装置２Ｘ線ビーム３被検査体４２次元Ｘ線センサー５データ収集装置６前処理装置７ＣＰＵバス８ＣＰＵ９メインメモリ１０磁気ディスク１１操作パネル１２画像表示装置１３局所情報量計算部１４ファジー推論の学習部１５ファジー推論の推論部１６フィルタ演算部

Claims

【特許請求の範囲】

【請求項１】非線形フィルタのパラメータを学習によ
り最適化して適用することにより画像のノイズを低減す
るための画像処理装置であって、上記画像の局所的なＸ線量に相関を持つ特徴量およびエ
ッジ情報に相関を持つ特徴量の少なくとも一方を上記パ
ラメータ決定のための特徴量として含むことを特徴とす
る画像処理装置。
【請求項２】画像から複数の局所情報量を抽出する抽
出手段と、上記複数の局所情報量をもとにフィルタの係数を学習す
る学習手段と、上記学習手段で学習された係数により上記複数の局所情
報量をもとにフィルタの係数を推論する推論手段と、上記推論されたフィルタの係数を画像に適用するフィル
タ手段とを備え、学習用の画像に対して上記抽出手段を適用して複数の局
所情報量を抽出し、上記学習手段によりフィルタの係数
を学習するとともに、その後撮影された新規画像に対し
て上記抽出手段を適用して複数の局所情報量を抽出し、
抽出した新規画像の局所情報量をもとに上記推論手段に
よりフィルタの係数を推論し、上記推論されたフィルタ
の係数により上記新規画像を上記フィルタ手段で処理す
るようにしたことを特徴とする画像処理装置。
【請求項３】上記複数の局所情報量は、少なくともＸ
線線量に相関を持つ局所情報量を含むことを特徴とする
請求項２に記載の画像処理装置。
【請求項４】上記複数の局所情報量は、少なくともＸ
線画像のエッジ情報に相関を持つ特徴量を含むことを特
徴とする請求項２に記載の画像処理装置。
【請求項５】上記学習用の画像は、同一被写体を同一
条件にて複数回撮影した画像を平均化した平均画像と、
上記同一被写体を上記同一条件にて撮影した画像であっ
て平均化していない非平均画像との組から成ることを特
徴とする請求項２〜４の何れか１項に記載の画像処理装
置。
【請求項６】上記学習用の画像は、少なくとも同一被
写体ごとまたは同一撮影条件ごとに作成され、上記作成
された学習用の画像ごとに上記学習手段により上記フィ
ルタの係数が求められ、上記求められた係数が記憶手段
に保存されるようになされるとともに、上記新規画像のフィルタの係数を推論する際は、少なく
とも同一被写体または同一撮影条件の係数を上記記憶手
段から読み出して上記推論手段に設定し、フィルタの係
数の推論を行うことを特徴とする請求項２〜５の何れか
１項に記載の画像処理装置。
【請求項７】上記学習手段は、ファジー推論の勾配法
により学習を行うことを特徴とする請求項１〜６の何れ
か１項に記載の画像処理装置。
【請求項８】画像から複数の局所情報量を抽出する抽
出手段と、外部で学習されたフィルタの係数を登録する登録手段
と、上記登録手段により登録された係数により上記複数の局
所情報量をもとにフィルタの係数を推論する推論手段
と、上記推論されたフィルタの係数を画像に適用するフィル
タ手段とを備え、撮影された画像に対して上記抽出手段を適用して複数の
局所情報量を抽出し、抽出した局所情報量をもとに上記
推論手段によりフィルタの係数を推論し、上記推論され
たフィルタの係数により上記撮影された画像を上記フィ
ルタ手段で処理するようにしたことを特徴とする画像処
理装置。
【請求項９】上記複数の局所情報量は、少なくともＸ
線線量に相関を持つ局所情報量を含むことを特徴とする
請求項８に記載の画像処理装置。
【請求項１０】上記複数の局所情報量は、少なくとも
Ｘ線画像のエッジ情報に相関を持つ特徴量を含むことを
特徴とする請求項８に記載の画像処理装置。
【請求項１１】上記外部で学習されたフィルタの係数
は、少なくとも同一被写体ごとまたは同一撮影条件ごと
に記憶手段に登録されるようになされるとともに、上記撮影された画像のフィルタの係数を推論する際は、
少なくとも同一被写体または同一撮影条件の係数を上記
記憶手段から読み出して上記推論手段に設定し、フィル
タの係数の推論を行うことを特徴とする請求項８〜１０
の何れか１項に記載の画像処理装置。
【請求項１２】上記外部でのフィルタの係数の学習
は、ファジー推論の勾配法により行われることを特徴と
する請求項８〜１１の何れか１項に記載の画像処理装
置。
【請求項１３】非線形フィルタのパラメータを学習に
より最適化して適用することにより画像のノイズを低減
するための画像処理方法であって、上記パラメータ決定のための特徴量として少なくとも画
像の局所的なＸ線量に相関を持つ特徴量またはエッジ情
報に相関を持つ特徴量を含む複数の局所情報量を学習用
の画像から抽出し、フィルタの係数を学習するステップ
と、その後撮影された新規画像から上記複数の局所情報量を
抽出し、抽出した新規画像の局所情報量をもとに上記学
習された係数からフィルタの係数を推論し、上記推論さ
れたフィルタの係数により上記新規画像をフィルタ処理
するステップとを含むことを特徴とする画像処理方法。
【請求項１４】非線形フィルタのパラメータを学習に
より最適化して適用することにより画像のノイズを低減
するための画像処理方法であって、上記パラメータ決定のための特徴量として少なくとも画
像の局所的なＸ線量に相関を持つ特徴量またはエッジ情
報に相関を持つ特徴量を含む複数の局所情報量を、撮影
された画像から抽出するステップと、上記抽出した局所情報量をもとに、記憶手段に登録され
ている学習済の係数からフィルタの係数を推論するステ
ップと、上記推論されたフィルタの係数により上記撮影された画
像をフィルタ処理するステップとを含むことを特徴とす
る画像処理方法。
【請求項１５】上記フィルタの係数の学習は、少なく
とも同一被写体ごとまたは同一撮影条件ごとに行われ、
撮影された画像のフィルタの係数を推論する際は、少な
くとも同一被写体または同一撮影条件の係数を設定して
行うことを特徴とする請求項１３または１４に記載の画
像処理方法。
【請求項１６】Ｘ線画像の局所的なＸ線量に相関を持
つ特徴量およびエッジ情報に相関を持つ特徴量の少なく
とも一方を用いて決定されるパラメータに基づいてフィ
ルタ処理を行うことを特徴とする非線形フィルタ。
【請求項１７】非線形フィルタのパラメータ決定のた
めの特徴量として少なくとも画像の局所的なＸ線量に相
関を持つ特徴量およびエッジ情報に相関を持つ特徴量の
一方を含む複数の局所情報量を学習用の画像から抽出
し、フィルタの係数を学習する手順と、その後撮影された新規画像から上記複数の局所情報量を
抽出し、抽出した新規画像の局所情報量をもとに上記学
習された係数からフィルタの係数を推論する手順とをコ
ンピュータに実行させるためのプログラムを記録したコ
ンピュータ読み取り可能な記録媒体。
【請求項１８】非線形フィルタのパラメータ決定のた
めの特徴量として少なくとも画像の局所的なＸ線量に相
関を持つ特徴量およびエッジ情報に相関を持つ特徴量の
一方を含む複数の局所情報量を、撮影された画像から抽
出する手順と、上記抽出した局所情報量をもとに、記憶手段に登録され
ている学習済の係数からフィルタの係数を推論する手順
とをコンピュータに実行させるためのプログラムを記録
したコンピュータ読み取り可能な記録媒体。