KR20230145081A - 방사선 화상 처리 방법, 기계 학습 방법, 학습 완료 모델, 기계 학습의 전처리 방법, 방사선 화상 처리 모듈, 방사선 화상 처리 프로그램, 및 방사선 화상 처리 시스템 - Google Patents

방사선 화상 처리 방법, 기계 학습 방법, 학습 완료 모델, 기계 학습의 전처리 방법, 방사선 화상 처리 모듈, 방사선 화상 처리 프로그램, 및 방사선 화상 처리 시스템 Download PDF

Info

Publication number
KR20230145081A
KR20230145081A KR1020237028293A KR20237028293A KR20230145081A KR 20230145081 A KR20230145081 A KR 20230145081A KR 1020237028293 A KR1020237028293 A KR 1020237028293A KR 20237028293 A KR20237028293 A KR 20237028293A KR 20230145081 A KR20230145081 A KR 20230145081A
Authority
KR
South Korea
Prior art keywords
image
noise
radiation
pixel
value
Prior art date
Application number
KR1020237028293A
Other languages
English (en)
Inventor
사토시 츠치야
다츠야 오니시
도시야스 스야마
Original Assignee
하마마츠 포토닉스 가부시키가이샤
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 하마마츠 포토닉스 가부시키가이샤 filed Critical 하마마츠 포토닉스 가부시키가이샤
Publication of KR20230145081A publication Critical patent/KR20230145081A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G06T5/002—
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/42—Arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4291—Arrangements for detecting radiation specially adapted for radiation diagnosis the detector being combined with a grid or grating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

제어 장치(20)는 대상물(F)에 방사선이 조사되고 대상물(F)을 투과한 방사선이 촬상된 방사선 화상을 취득하는 화상 취득부(203)와, 화소값과 노이즈값의 분포를 평가한 평가값의 관계를 나타내는 관계 데이터에 기초하여, 방사선 화상의 각 화소의 화소값으로부터 평가값을 도출하여, 방사선 화상의 각 화소에 도출한 평가값을 대응 지은 데이터인 노이즈 맵을 생성하는 노이즈 맵 생성부(204)와, 방사선 화상 및 노이즈 맵을, 미리 기계 학습에 의해서 구축된 학습 완료 모델(207)에 입력하여, 방사선 화상으로부터 노이즈를 제거하는 화상 처리를 실행하는 처리부(205)를 구비한다.

Description

방사선 화상 처리 방법, 기계 학습 방법, 학습 완료 모델, 기계 학습의 전처리 방법, 방사선 화상 처리 모듈, 방사선 화상 처리 프로그램, 및 방사선 화상 처리 시스템
실시 형태의 일 측면은, 방사선 화상 처리 방법, 기계 학습 방법, 학습 완료 모델, 기계 학습의 전처리 방법, 방사선 화상 처리 모듈, 방사선 화상 처리 프로그램, 및 방사선 화상 처리 시스템에 관한 것이다.
종래부터, 화상 데이터를 대상으로 기계 학습에 의한 학습 완료 모델을 이용한 노이즈 제거를 행하는 수법이 알려져 있다(예를 들면, 하기 특허 문헌 1 참조). 이 수법에 의하면, 화상 데이터로부터의 노이즈가 자동적으로 제거되므로 대상물을 정밀도 좋게 관찰할 수 있다.
특허 문헌 1: 일본 특개 2019－91393호 공보
상술한 것 같은 종래의 수법에 있어서는, X선 등의 방사선을 대상물에 투과시킴으로써 생성된 방사선 화상을 대상으로 했을 경우에 노이즈의 제거가 충분하지 않은 경우가 있었다. 예를 들면, X선원 등의 방사선 발생원의 조건, 이용하는 필터의 종류 등의 조건에 따라서, 화상에 있어서의 화소값과 노이즈의 관계가 변동하기 쉬워, 노이즈를 효과적으로 제거할 수 없는 경향에 있었다.
이에, 실시 형태의 일 측면은, 이러한 과제를 감안하여 이루어진 것으로, 방사선 화상에 있어서의 노이즈를 효과적으로 제거할 수 있는 방사선 화상 처리 방법, 기계 학습 방법, 학습 완료 모델, 기계 학습의 전처리 방법, 방사선 화상 처리 모듈, 방사선 화상 처리 프로그램, 및 방사선 화상 처리 시스템을 제공하는 것을 과제로 한다.
실시 형태의 일 측면에 따른 방사선 화상 처리 방법은, 대상물에 방사선이 조사되고, 대상물을 투과한 방사선이 촬상된 방사선 화상을 취득하는 화상 취득 스텝과, 화소값과 노이즈값의 분포(spread)를 평가한 평가값의 관계를 나타내는 관계 데이터에 기초하여, 방사선 화상의 각 화소의 화소값으로부터 평가값을 도출하고, 방사선 화상의 각 화소에 도출한 평가값을 대응 지은 데이터인 노이즈 맵을 생성하는 노이즈 맵 생성 스텝과, 방사선 화상 및 노이즈 맵을, 미리 기계 학습에 의해서 구축된 학습 완료 모델에 입력하여, 방사선 화상으로부터 노이즈를 제거하는 화상 처리를 실행하는 처리 스텝을 구비한다.
혹은, 실시 형태의 다른 측면에 따른 방사선 화상 처리 모듈은, 대상물에 방사선이 조사되고, 대상물을 투과한 방사선이 촬상된 방사선 화상을 취득하는 화상 취득부와, 화소값과 노이즈값의 분포를 평가한 평가값의 관계를 나타내는 관계 데이터에 기초하여, 방사선 화상의 각 화소의 화소값으로부터 평가값을 도출하고, 방사선 화상의 각 화소에 도출한 평가값을 대응 지은 데이터인 노이즈 맵을 생성하는 노이즈 맵 생성부와, 방사선 화상 및 노이즈 맵을, 미리 기계 학습에 의해서 구축된 학습 완료 모델에 입력하여, 방사선 화상으로부터 노이즈를 제거하는 화상 처리를 실행하는 처리부를 구비한다.
혹은, 실시 형태의 다른 측면에 따른 방사선 화상 처리 프로그램은, 프로세서를, 대상물에 방사선이 조사되고, 대상물을 투과한 방사선이 촬상된 방사선 화상을 취득하는 화상 취득부, 화소값과 노이즈값의 분포를 평가한 평가값의 관계를 나타내는 관계 데이터에 기초하여, 방사선 화상의 각 화소의 화소값으로부터 평가값을 도출하고, 방사선 화상의 각 화소에 도출한 평가값을 대응 지은 데이터인 노이즈 맵 생성부, 및 방사선 화상 및 노이즈 맵을, 미리 기계 학습에 의해서 구축된 학습 완료 모델에 입력하여, 방사선 화상으로부터 노이즈를 제거하는 화상 처리를 실행하는 처리부로서 기능시킨다.
혹은, 실시 형태의 다른 측면에 따른 방사선 화상 처리 시스템은, 상기의 방사선 모듈과, 대상물에 방사선을 조사하는 발생원과, 대상물을 투과한 방사선을 촬상하여 방사선 화상을 취득하는 촬상 장치를 구비한다.
상기 일 측면 혹은 다른 측면 중 어느 것에 의하면, 화소값과 노이즈값의 분포를 평가한 평가값의 관계를 나타내는 관계 데이터에 기초하여, 방사선 화상의 각 화상의 화소값으로부터 평가값이 도출되고, 방사선 화상의 각 화소에 도출한 평가값을 대응 지은 데이터인 노이즈 맵이 생성된다. 그리고, 방사선 화상 및 노이즈 맵이, 미리 기계 학습에 의해서 구축된 학습 완료 모델에 입력되어, 방사선 화상으로부터 노이즈를 제거하는 화상 처리가 실행된다. 이러한 구성에 의하면, 방사선 화상의 각 화소의 화소값으로부터 평가되는 노이즈값의 분포가 고려되어, 그 방사선 화상의 각 화소에 있어서의 노이즈가 기계 학습에 의해 제거된다. 이것에 의해, 학습 완료 모델을 이용하여, 방사선 화상에 있어서의 화소값과 노이즈의 분포의 관계에 대응한 노이즈 제거를 실현할 수 있다. 그 결과, 방사선 화상에 있어서의 노이즈를 효과적으로 제거할 수 있다.
본 개시의 일 측면에 의하면, 대상물의 방사선 화상에 있어서의 노이즈를 효과적으로 제거할 수 있다.
도 1은 실시 형태에 따른 화상 취득 장치(1)의 개략 구성도이다.
도 2는 도 1의 제어 장치(20)의 하드웨어 구성의 일례를 나타내는 블록도이다.
도 3은 도 1의 제어 장치(20)의 기능 구성을 나타내는 블록도이다.
도 4는 도 3의 화상 취득부(203)가 취득한 X선 화상의 일례를 나타내는 도면이다.
도 5는 도 3의 노이즈 맵 생성부(204)에 의한 노이즈 표준 편차 맵의 생성예를 나타내는 도면이다.
도 6은 도 3의 학습 완료 모델(207)의 입출력 데이터의 일례를 나타내는 도면이다.
도 7은 학습 완료 모델(207)의 구축에 이용되는 훈련 데이터 중 1개인 훈련 화상의 일례를 나타내는 도면이다.
도 8은 화상 취득 장치(1)에 의한 관찰 처리의 절차를 나타내는 순서도이다.
도 9는 화상 취득 장치(1)에 의해서 취득된 노이즈 제거 처리 전후의 X선 화상의 예를 나타내는 도면이다.
도 10은 화상 취득 장치(1)에 의해서 취득된 노이즈 제거 처리 전후의 X선 화상의 예를 나타내는 도면이다.
도 11은 본 개시의 변형예에 따른 제어 장치(20A)의 기능 구성을 나타내는 블록도이다.
도 12는 본 개시의 변형예에 따른 화상 취득 장치(1)에 의한 관찰 처리의 절차를 나타내는 순서도이다.
도 13은 도 11의 산출부(202A)에 의한 투과 X선의 에너지 스펙트럼의 시뮬레이션 계산 결과의 일례를 나타내는 그래프이다.
도 14는 도 11의 산출부(202A)에 의한, 대상물의 두께와 평균 에너지 및 투과율의 관계의 시뮬레이션 계산 결과의 일례를 나타내는 도표이다.
도 15는 도 11의 산출부(202A)에 의한, 대상물의 두께와 X선의 투과율의 관계의 시뮬레이션 계산 결과의 일례를 나타내는 그래프이다.
도 16은 도 11의 산출부(202A)에 의한, 대상물의 두께와 투과 X선의 평균 에너지의 관계의 시뮬레이션 계산 결과의 일례를 나타내는 그래프이다.
도 17은 도 11의 산출부(202A)에 의한 X선 화상의 화소값과 평균 에너지의 관계의 시뮬레이션 계산 결과의 일례를 나타내는 그래프이다.
도 18은 X선 화상의 화소값과 노이즈값의 표준 편차의 관계의 시뮬레이션 계산 결과의 일례를 나타내는 그래프이다.
도 19는 도 11의 산출부(202A)에서 도출되는, 대상물의 재질이 변화했을 경우의 화소값과 노이즈값의 표준 편차의 관계의 일례를 나타내는 그래프이다.
도 20은 본 개시의 제2 실시 형태에 따른 제어 장치(20B)의 기능 구성을 나타내는 블록도이다.
도 21은 본 개시의 제2 실시 형태에 따른 화상 취득 장치(1)에 의한 관찰 처리의 절차를 나타내는 순서도이다.
도 22는 도 20의 노이즈 맵 생성부(204B)에 의한 노이즈 표준 편차 맵의 생성예를 나타내는 도면이다.
도 23은 제2 실시 형태에 따른 화상 취득 장치(1)에 있어서 촬상에 이용되는 지그의 구조의 일례를 나타내는 사시도이다.
도 24는 도 23의 지그의 촬상 화상의 일례를 나타내는 도면이다.
도 25는 제3 실시 형태에 따른 화상 취득 장치(1C)의 개략 구성도이다.
도 26은 제3 실시 형태에 따른 제어 장치(20C)의 기능 구성을 나타내는 블록도이다.
도 27은 도 25의 X선 검출 카메라(10C)의 기능 구성을 나타내는 블록도이다.
도 28은 2차원 센서(12C) 상에 배치된 신틸레이터층(11)의 구성을 나타내는 도면이다.
도 29는 구축부(206C)에 의한 학습 완료 모델(207C)의 구축에 이용되는 교사 데이터(훈련 데이터)인 화상 데이터의 작성 절차를 나타내는 순서도이다.
도 30은 교사 데이터의 생성에 이용되는 노이즈 분포의 일례를 나타내는 그래프이다.
도 31은 교사 데이터의 생성에 이용되는 노이즈 분포의 일례를 나타내는 그래프이다.
도 32는 시뮬레이션 계산에 의해서 생성된 X선 화상의 예를 나타내는 도면이다.
도 33은 교사 데이터의 생성에 이용되는 노이즈 분포의 일례를 나타내는 그래프이다.
이하, 첨부 도면을 참조하여, 본 개시의 실시 형태에 대해 상세하게 설명한다. 또한, 설명에 있어서, 동일 요소 또는 동일 기능을 가지는 요소에는, 동일 부호를 이용하는 것으로 하고, 중복하는 설명은 생략한다.
［제1 실시 형태］
도 1은 제1 실시 형태에 따른 방사선 화상 처리 시스템인 화상 취득 장치(1)의 구성도이다. 도 1에 나타내지는 것처럼, 화상 취득 장치(1)는 반송 방향(TD)으로 반송되는 대상물(F)에 대해서 X선(방사선)을 조사하고, 대상물(F)을 투과한 X선에 기초하여 대상물(F)을 촬상한 X선 화상(방사선 화상)을 취득하는 장치이다. 화상 취득 장치(1)는 X선 화상을 이용하여, 대상물(F)을 대상으로 한 이물 검사, 중량 검사, 검품 검사 등을 행하고, 용도로서는, 식품 검사, 수화물 검사, 기판 검사, 전지 검사, 재료 검사 등을 들 수 있다. 화상 취득 장치(1)는 벨트 컨베이어(반송 수단)(60)와, X선 조사기(방사선 발생원)(50)와, X선 검출 카메라(촬상 장치)(10)와, 제어 장치(방사선 화상 처리 모듈)(20)와, 표시 장치(30)와, 각종 입력을 행하기 위한 입력 장치(40)를 구비하여 구성되어 있다. 또한, 본 개시의 실시 형태에 있어서의 방사선 화상이란, X선 화상에 한정하지 않고, γ선 등의 X선 이외의 방사선에 의한 화상도 포함한다.
벨트 컨베이어(60)는 대상물(F)이 재치되는 벨트부를 가지고 있고, 그 벨트부를 반송 방향(TD)으로 이동시킴으로써, 대상물(F)을 소정의 반송 속도로 반송 방향(TD)으로 반송한다. 대상물(F)의 반송 속도는, 예를 들면 48m/분이다. 벨트 컨베이어(60)는, 필요에 따라서, 반송 속도를, 예를 들면 24m/분이나, 96m/분 등의 반송 속도로 변경할 수 있다. 또, 벨트 컨베이어(60)는 벨트부의 높이 위치를 적절히 변경하여, X선 조사기(50)와 대상물(F)의 거리를 변경할 수 있다. 또한, 벨트 컨베이어(60)로 반송되는 대상물(F)로서는, 예를 들면, 식용육, 어패류, 농작물, 과자 등의 식품, 타이어 등의 고무 제품, 수지 제품, 금속 제품, 광물 등의 자원 재료, 폐기물, 및 전자 부품이나 전자 기판 등, 다양한 물품을 들 수 있다. X선 조사기(50)는 X선원으로서 X선을 대상물(F)에 조사(출력)하는 장치이다. X선 조사기(50)는 점 광원이며, 일정한 조사 방향으로 소정의 각도 범위에서 X선을 확산시켜 조사한다. X선 조사기(50)는 X선의 조사 방향이 벨트 컨베이어(60)를 향해짐과 아울러, 확산되는 X선이 대상물(F)의 폭방향(반송 방향(TD)과 교차하는 방향) 전체에 이르도록, 벨트 컨베이어(60)로부터 소정의 거리를 두고 벨트 컨베이어(60)의 상방에 배치되어 있다. 또, X선 조사기(50)의 조사 범위는, 대상물(F)의 길이 방향(반송 방향(TD)과 평행한 방향)에 있어서는, 길이 방향에 있어서의 소정의 분할 범위로 되고, 대상물(F)이 벨트 컨베이어(60)에서 반송 방향(TD)으로 반송됨으로써, 대상물(F)의 길이 방향 전체에 대해서 X선이 조사되도록 되어 있다. X선 조사기(50)의 관전압 및 관전류는, 제어 장치(20)에 의해 설정된다. X선 조사기(50)는 설정된 관전압 및 관전류에 따른 소정의 에너지, 방사선량의 X선을, 벨트 컨베이어(60)를 향해서 조사한다. 또, X선 조사기(50)의 벨트 컨베이어(60)측의 근방에는, X선의 소정 파장역을 투과시키는 필터(51)가 마련되어 있다. 필터(51)는 반드시 필요한 것은 아니고, 적절히 생략되어도 된다.
X선 검출 카메라(10)는 X선 조사기(50)에 의해 대상물(F)에 조사된 X선 중, 대상물(F)을 투과한 X선을 검출하고, 그 X선에 기초하는 신호를 출력한다. X선 검출 카메라(10)는 X선을 검출하는 구성이 2세트 배치된 듀얼 라인 X선 카메라이다. 제1 실시 형태에 따른 화상 취득 장치(1)에서는, 듀얼 라인 X선 카메라 각각의 라인(제1 라인 및 제2 라인)에서 검출된 X선에 기초하여, 각각 X선 화상이 생성된다. 그리고, 생성된 2개의 X선 화상에 대해서, 평균 처리 또는 가산 처리 등을 행함으로써, 1개의 라인에서 검출된 X선에 기초하여 X선 화상을 생성하는 경우와 비교해서, 적은 X선량으로 선명한(휘도가 큰) 화상을 취득할 수 있다.
X선 검출 카메라(10)는 필터(19), 신틸레이터(11a, 11b)와, 라인 스캔 카메라(12a, 12b)와, 센서 제어부(13)와, 앰프(14a, 14b)와, AD 변환기(15a, 15b)와, 보정 회로(16a, 16b)와, 출력 인터페이스(17a, 17b)와, 앰프 제어부(18)를 가지고 있다. 신틸레이터(11a), 라인 스캔 카메라(12a), 앰프(14a), AD 변환기(15a), 보정 회로(16a), 및 출력 인터페이스(17a)는 각각 전기적으로 접속되어 있고, 제1 라인에 관한 구성이다. 또, 신틸레이터(11b), 라인 스캔 카메라(12b), 앰프(14b), AD 변환기(15b), 보정 회로(16b), 및 출력 인터페이스(17b)는 각각 전기적으로 접속되어 있고, 제2 라인에 관한 구성이다. 제1 라인의 라인 스캔 카메라(12a)와, 제2 라인의 라인 스캔 카메라(12b)는, 반송 방향(TD)을 따라서 늘어서서 배치되어 있다. 또한, 이하에서는, 제1 라인과 제2 라인에서 공통되는 구성에 대해서는, 제1 라인의 구성을 대표하여 설명한다.
신틸레이터(11a)는 라인 스캔 카메라(12a) 상에 접착 등에 의해 고정되어 있고, 대상물(F)을 투과한 X선을 신틸레이션광으로 변환한다. 신틸레이터(11a)는 신틸레이션광을 라인 스캔 카메라(12a)에 출력한다. 필터(19)는 X선의 소정 파장역을 신틸레이터(11a)를 향해서 투과시킨다. 필터(19)는 반드시 필요한 것은 아니고, 적절히 생략되어도 된다.
라인 스캔 카메라(12a)는 신틸레이터(11a)로부터의 신틸레이션광을 검출하여, 전하로 변환하고, 검출 신호(전기신호)로서 앰프(14a)에 출력한다. 라인 스캔 카메라(12a)는 반송 방향(TD)과 교차하는 방향으로 병렬된 복수의 라인 센서를 가지고 있다. 라인 센서는, 예를 들면 CCD(Charge Coupled Device) 이미지 센서나 CMOS(Complementary Metal-Oxide Semiconductor) 이미지 센서 등이며, 복수의 포토 다이오드를 포함하고 있다.
센서 제어부(13)는 라인 스캔 카메라(12a, 12b)가, 대상물(F)의 동일한 영역을 투과한 X선을 촬상할 수 있도록, 라인 스캔 카메라(12a, 12b)를, 소정의 검출 주기로 반복하여 촬상하도록 제어한다. 소정의 검출 주기는, 예를 들면, 라인 스캔 카메라(12a, 12b) 간의 거리, 벨트 컨베이어(60)의 속도, X선 조사기(50)와 벨트 컨베이어(60) 상의 대상물(F)의 거리(FOD(Focus Object Distance：선원 물체 간 거리)), 그리고 X선 조사기(50)와 라인 스캔 카메라(12a, 12b)의 거리(FDD(Focus Detector Distance：선원 센서 간 거리))에 기초하여, 라인 스캔 카메라(12a, 12b) 공통의 주기가 설정되어도 된다. 또, 소정의 주기는, 라인 스캔 카메라(12a, 12b) 각각의 라인 센서의 화소 배열 방향과 직교하는 방향의 포토 다이오드의 화소 폭에 기초하여, 각각 개별로 설정되어도 된다. 이 경우에는, 라인 스캔 카메라(12a, 12b) 간의 거리, 벨트 컨베이어(60)의 속도, X선 조사기(50)와 벨트 컨베이어(60) 상의 대상물(F)의 거리(FOD), 그리고 X선 조사기(50)와 라인 스캔 카메라(12a, 12b)의 거리(FDD)에 따라서, 라인 스캔 카메라(12a, 12b) 간의 검출 주기의 시프트(지연 시간)를 특정하여, 각각 개별의 주기가 설정되어도 된다. 앰프(14a)는 소정의 설정 증폭율로 검출 신호를 증폭하여 증폭 신호를 생성하여, 그 증폭 신호를 AD 변환기(15a)에 출력한다. 설정 증폭율은 앰프 제어부(18)에 의해서 설정되는 증폭율이다. 앰프 제어부(18)는 소정의 촬상 조건에 기초하여, 앰프(14a, 14b)의 설정 증폭율을 설정한다.
AD 변환기(15a)는 앰프(14a)에 의해 출력된 증폭 신호(전압 신호)를 디지털 신호로 변환하여, 보정 회로(16a)에 출력한다. 보정 회로(16a)는 디지털 신호에 대해서, 신호 증폭 등의 소정의 보정을 행하고, 보정 후의 디지털 신호를 출력 인터페이스(17a)에 출력한다. 출력 인터페이스(17a)는 디지털 신호를 X선 검출 카메라(10) 외부에 출력한다. 도 1에서는, AD 변환기나 보정 회로, 출력 인터페이스는, 각각 개별로 존재하고 있지만, 한 개로 통합되어 있어도 된다.
제어 장치(20)는, 예를 들면 PC(Personal Computer) 등의 컴퓨터이다. 제어 장치(20)는 X선 검출 카메라(10)(보다 상세하게는, 출력 인터페이스(17a, 17b))로부터 출력된 디지털 신호(증폭 신호)에 기초하여 X선 화상을 생성한다. 제어 장치(20)는 출력 인터페이스(17a, 17b)로부터 출력된 2개의 디지털 신호를 평균 처리 또는 가산 처리함으로써, 1개의 X선 화상을 생성한다. 생성된 X선 화상은 후술하는 노이즈 제거 처리가 실시된 후에 표시 장치(30)에 출력되어, 표시 장치(30)에 의해서 표시된다. 또, 제어 장치(20)는 X선 조사기(50), 앰프 제어부(18), 및 센서 제어부(13)를 제어한다. 또한, 제1 실시 형태의 제어 장치(20)는 X선 검출 카메라(10)의 외부에 독립적으로 마련된 장치이지만, X선 검출 카메라(10)의 내부에 일체화되어 있어도 된다.
도 2는 제어 장치(20)의 하드웨어 구성을 나타내고 있다. 도 2에 나타내는 것처럼, 제어 장치(20)는 물리적으로는, 프로세서인 CPU(Central Processing Unit)(101) 및 GPU(105)(Graphic Processing Unit), 기록 매체인 RAM(Random Access Memory)(102) 및 ROM(Read Only Memory)(103), 통신 모듈(104), 및 입출력 모듈(106) 등을 포함한 컴퓨터 등이며, 각각은 전기적으로 접속되어 있다. 또한, 제어 장치(20)는 입력 장치(40) 및 표시 장치(30)로서, 디스플레이, 키보드, 마우스, 터치 패널 디스플레이 등을 포함하고 있어도 되고, 하드 디스크 드라이브, 반도체 메모리 등의 데이터 기록 장치를 포함하고 있어도 된다. 또, 제어 장치(20)는 복수의 컴퓨터에 의해서 구성되어 있어도 된다.
도 3은 제어 장치(20)의 기능 구성을 나타내는 블록도이다. 제어 장치(20)는 입력부(201), 산출부(202), 화상 취득부(203), 노이즈 맵 생성부(204), 처리부(205), 및 구축부(206)를 구비한다. 도 3에 나타내는 제어 장치(20)의 각 기능부는, CPU(101), GPU(105), 및 RAM(102) 등의 하드웨어 상에 프로그램(제1 실시 형태의 방사선 화상 처리 프로그램)을 판독함으로써, CPU(101) 및 GPU(105)의 제어 하에, 통신 모듈(104), 및 입출력 모듈(106) 등을 동작시킴과 아울러, RAM(102)에 있어서의 데이터의 판독 및 기입을 행함으로써 실현된다. 제어 장치(20)의 CPU(101) 및 GPU(105)는, 이 컴퓨터 프로그램을 실행함으로써 제어 장치(20)를 도 3의 각 기능부로서 기능시켜, 후술하는 방사선 화상 처리 방법에 대응하는 처리를 차례로 실행한다. 또한, CPU(101) 및 GPU(105)는 단체(單體)의 하드웨어여도 되고, 어느 일방만이어도 된다. 또, CPU(101) 및 GPU(105)는 소프트웨어 프로세서와 같이 FPGA와 같은 프로그래머블 로직 중에 실장된 것이어도 된다. RAM이나 ROM에 대해서도 단체의 하드웨어여도 되고, FPGA와 같은 프로그래머블 로직 중에 내장된 것이어도 된다. 이 컴퓨터 프로그램의 실행에 필요한 각종 데이터, 및 이 컴퓨터 프로그램의 실행에 의해서 생성된 각종 데이터는, 모두, ROM(103), RAM(102) 등의 내장 메모리, 또는, 하드 디스크 드라이브 등의 기억 매체에 격납된다. 또, 제어 장치(20) 내의 내장 메모리 혹은 기억 매체에는, CPU(101) 및 GPU(105)에 의해서 읽어 들여짐으로써, CPU(101) 및 GPU(105)에 X선 화상을 대상으로 노이즈 제거 처리를 실행시키는 학습 완료 모델(207)이 미리 격납되어 있다(후술함).
이하, 제어 장치(20)의 각 기능부의 기능의 상세에 대하여 설명한다.
입력부(201)는 방사선을 조사하여 대상물(F)을 촬상할 때의 방사선의 발생원의 조건 혹은 촬상 조건 중 어느 것을 나타내는 조건 정보의 입력을 접수한다. 구체적으로는, 입력부(201)는 대상물(F)의 X선 화상을 촬상할 때의 X선 조사기(방사선 발생원)(50)의 동작 조건, 혹은, X선 검출 카메라(10)에 의한 촬상 조건 등을 나타내는 조건 정보의 입력을, 화상 취득 장치(1)의 유저로부터 접수한다. 동작 조건으로서는, 관전압, 타겟 각도, 타겟의 재료 등 중 전부 또는 일부를 들 수 있다. 촬상 조건을 나타내는 조건 정보로서는, X선 조사기(50)와 X선 검출 카메라(10)의 사이에 배치되는 필터(51,19)의 재질 및 두께, X선 조사기(50)와 X선 검출 카메라(10)의 거리(FDD), X선 검출 카메라(10)의 창재의 종류, 및 X선 검출 카메라(10)의 신틸레이터(11a, 11b)의 재료 및 두께에 관한 정보, X선 검출 카메라 정보(예를 들면, 게인 설정값, 회로 노이즈값, 포화 전하량, 변환 계수값(e-/count), 카메라의 라인 레이트(Hz) 혹은 라인 스피드(m/min)), 대상물(F)의 정보 등 중 전부 또는 일부를 들 수 있다. 입력부(201)는 조건 정보의 입력을, 수치 등의 정보의 직접 입력으로서 접수해도 되고, 미리 내부 메모리로 설정된 수치 등의 정보에 대한 선택 입력으로서 접수해도 된다. 입력부(201)는 상기의 조건 정보의 입력을 유저로부터 접수하지만, 일부의 조건 정보(관전압 등)를, 제어 장치(20)에 의한 제어 상태의 검출 결과에 따라 취득해도 된다.
산출부(202)는 조건 정보를 기초로, 대상물(F)을 투과한 X선(방사선)에 관한 평균 에너지를 산출한다. 조건 정보에는 발생원의 관전압, 대상물(F)에 관한 정보, 대상물(F)의 촬상에 이용하는 카메라가 구비하는 필터의 정보, 카메라가 구비하는 신틸레이터의 정보, X선 발생원이 구비하는 필터의 정보 중 어느 1개가 적어도 포함된다. 구체적으로는, 산출부(202)는 입력부(201)에 의해서 입력을 접수받은 조건 정보를 기초로, 화상 취득 장치(1)를 이용하여 대상물(F)을 투과시켜 X선 검출 카메라(10)에 의해서 검출시키는 X선의 평균 에너지의 값을 산출한다. 예를 들면, 산출부(202)는 조건 정보에 포함되는, 관전압, 타겟 각도, 타겟의 재료, 필터(51,19)의 재질 및 두께 및 그 유무, X선 검출 카메라(10)의 창재의 종류 및 그 유무, X선 검출 카메라(10)의 신틸레이터(11a, 11b)의 재료 및 두께, 등의 정보에 기초하여, X선 검출 카메라(10)에서 검출되는 X선의 스펙트럼을, 예를 들면 공지의 Tucker 등의 근사식을 이용하여 산출한다. 그리고, 산출부(202)는 X선의 스펙트럼으로부터, 스펙트럼 강도 적분값과 광자수 적분값을 더 산출하고, 스펙트럼 강도 적분값을 광자수 적분값으로 나눔으로써 X선의 평균 에너지의 값을 산출한다.
공지의 Tucker의 근사식을 이용한 산출 방법에 대해 기재한다. 예를 들면, 산출부(202)는 타겟을 텅스텐, 타겟 각도를 25°로 특정하면, Em：전자 타겟 충돌시의 운동 에너지, T：타겟 중의 전자 운동 에너지, A：타겟 물질의 원자 번호로 정해지는 비례 상수, ρ：타겟의 밀도, μ(E)：타겟 물질의 선감쇠 계수, B：완만하게 변화하는 Z와 T의 함수, C：Thomson-Whiddington 상수, θ：타겟 각도, c：진공 중의 광속도를 결정할 수 있다. 또한, 산출부(202)는 이것들에 기초하여 하기 식 (1)을 계산함으로써, 조사 X선 스펙트럼을 산출할 수 있다.
[수 1]
또한, Em은 관전압의 정보로부터 결정할 수 있고, A, ρ, μ(E)는 대상물(F)의 재료의 정보로부터 결정할 수 있고, θ는 대상물(F)의 각도의 정보로부터 결정할 수 있다.
다음으로, 산출부(202)는 필터 및 대상물(F)을 투과하여 신틸레이터에 흡수되는 X선 에너지 스펙트럼을 하기 식 (2)의 X선의 감쇠식을 이용하여 산출할 수 있다.
[수 2]
여기서, μ는 대상물(F), 필터, 신틸레이터 등의 감쇠 계수, x는 대상물(F), 필터, 신틸레이터 등의 두께이다. μ는 대상물(F), 필터, 및 신틸레이터의 재질의 정보로부터 결정할 수 있고, x는 대상물(F), 필터, 및 신틸레이터의 두께의 정보로부터 결정할 수 있다. X선 광자수 스펙트럼은, 이 X선 에너지 스펙트럼을 각 X선의 에너지로 나눔으로써 구해진다. 산출부(202)는 X선의 평균 에너지를, 에너지 강도의 적분값을 광 자수의 적분값으로 나눔으로써, 하기 식 (3)을 이용하여 산출한다.
평균 에너지 E=스펙트럼 강도 적분값/광자수 적분값 … (3)
상기의 계산 과정에 의해, 산출부(202)는 X선의 평균 에너지를 산출한다. 또한, X선 스펙트럼의 산출에 관해서는, 공지의 Kramers나, Birch 등에 의한 근사식을 사용해도 된다.
화상 취득부(203)는 대상물(F)에 방사선이 조사되어, 대상물(F)을 투과한 방사선이 촬상된 방사선 화상을 취득한다. 구체적으로는, 화상 취득부(203)는 X선 검출 카메라(10)(보다 상세하게는, 출력 인터페이스(17a, 17b))로부터 출력된 디지털 신호(증폭 신호)에 기초하여 X선 화상을 생성한다. 화상 취득부(203)는 출력 인터페이스(17a, 17b)로부터 출력된 2개의 디지털 신호를 평균 처리 또는 가산 처리함으로써, 1개의 X선 화상을 생성한다. 도 4는 화상 취득부(203)가 취득한 X선 화상의 일례를 나타내는 도면이다.
노이즈 맵 생성부(204)는 화소값과 노이즈값의 분포를 평가한 평가값의 관계를 나타내는 관계 데이터에 기초하여, 방사선 화상의 각 화소의 화소값으로부터 평가값을 도출하고, 방사선 화상의 각 화소에 도출한 평가값을 대응 지은 데이터인 노이즈 맵을 생성한다. 이 때, 노이즈 맵 생성부(204)는 대상물(F)을 투과한 방사선에 관한 평균 에너지, 및 방사선 화상의 각 화소의 화소값으로부터, 평가값을 도출한다. 구체적으로는, 노이즈 맵 생성부(204)는 화소값과 노이즈값의 표준 편차(노이즈값의 분포를 평가한 평가값)의 관계식 (관계 데이터)을 이용하여, 산출부(202)에 의해서 산출된 X선의 평균 에너지, 및 화상 취득부(203)에 의해서 취득된 X선 화상(방사선 화상)의 각 화소의 화소값으로부터 노이즈값의 표준 편차를 도출한다. 노이즈 맵 생성부(204)는, X선 화상의 각 화소에, 도출한 노이즈값의 표준 편차를 대응 지음으로써, 노이즈 표준 편차 맵(노이즈 맵)을 생성한다.
노이즈 맵 생성부(204)에 의해서 사용되는 화소값 및 평균 에너지와 노이즈값의 표준 편차의 관계식은, 하기 식 (4)로 나타내진다.
[수 3]
상기 식 (4) 중, 변수 Noise는 노이즈값의 표준 편차, 변수 Signal은 화소의 신호값(화소값), 상수 F는 노이즈 팩터(Noise Factor), 상수 M은 신틸레이터에 의한 증배율, 상수 C는 X선 검출 카메라(10)에 있어서 라인 스캔 카메라(12a)와 신틸레이터(11a), 또는 라인 스캔 카메라(12b)와 신틸레이터(11b)의 커플링 효율(Coupling Efficiency), 상수 Q는 라인 스캔 카메라(12a) 또는 라인 스캔 카메라(12b)의 양자 효율(Quantum Efficiency), 상수 cf는 라인 스캔 카메라(12a) 또는 라인 스캔 카메라(12b)에 있어서 화소의 신호값을 전하로 변환하는 변환 계수, 변수 Em은 X선의 평균 에너지, 상수 D는 이미지 센서에 있어서 열잡음에 의해서 발생한 암전류 노이즈, 상수 R은 라인 스캔 카메라(12a) 또는 라인 스캔 카메라(12b)에 있어서의 판독 노이즈를 각각 나타내는 정보이다. 상기 식 (4)가 사용될 때, 노이즈 맵 생성부(204)에 의해, 변수 Signal에는 화상 취득부(203)에 의해서 취득된 X선 화상의 각 화소의 화소값이 대입되고, 변수 Em에는 산출부(202)에 의해서 산출된 평균 에너지의 수치가 대입된다. 그리고, 노이즈 맵 생성부(204)에 의해, 상기식 (4)를 이용하여 계산된 변수 Noise가, 노이즈값의 표준 편차의 수치로서 얻어진다. 또한, 평균 에너지를 포함하는 그 외의 파라미터는, 입력부(201)에 의해서 입력을 접수받음으로써 취득되어도 되고, 미리 설정되어 있어도 된다.
도 5는 노이즈 맵 생성부(204)에 의한 노이즈 표준 편차 맵의 생성예를 나타내는 도면이다. 노이즈 맵 생성부(204)는 화소값과 노이즈값의 표준 편차의 관계식 (4)를 이용하여, 변수 Signal에 다양한 화소값을 대입하여 화소값과 변수 Noise의 대응 관계를 취득함으로써, 화소값과 노이즈값의 표준 편차의 대응 관계를 나타내는 관계 그래프 G3을 도출한다. 그리고, 노이즈 맵 생성부(204)는 화상 취득부(203)에 의해서 취득된 X선 화상 G1로부터, 각각의 화소 위치와 화소값의 대응 관계를 나타내는 관계 데이터 G2를 도출한다. 또한, 노이즈 맵 생성부(204)는 관계 그래프 G3이 나타내는 대응 관계를, 관계 데이터 G2에 있어서의 각 화소값에 적용함으로써, X선 화상에 있어서의 각 화소 위치의 화소에 대응한 노이즈값의 표준 편차를 도출한다. 그 결과, 노이즈 맵 생성부(204)는 도출한 노이즈의 표준 편차를 각 화소 위치에 대응 지어, 각각의 화소 위치와 노이즈의 표준 편차의 대응 관계를 나타내는 관계 데이터 G4를 도출한다. 그리고, 노이즈 맵 생성부(204)는 도출한 관계 데이터 G4를 기초로, 노이즈 표준 편차 맵 G5를 생성한다.
처리부(205)는 방사선 화상 및 노이즈 맵을, 미리 기계 학습에 의해서 구축된 학습 완료 모델(207)에 입력하고, 방사선 화상으로부터 노이즈를 제거하는 화상 처리를 실행한다. 즉, 도 6에 나타내지는 것처럼, 처리부(205)는 제어 장치(20) 내의 내장 메모리 혹은 기억 매체로부터, 구축부(206)에 의해서 구축된 학습 완료 모델(207)(후술함)을 취득한다. 처리부(205)는 화상 취득부(203)에 의해서 취득된 X선 화상 G1, 및 노이즈 맵 생성부(204)에 의해서 생성된 노이즈 표준 편차 맵 G5를, 학습 완료 모델(207)에 입력한다. 이것에 의해, 처리부(205)는 학습 완료 모델(207)을 이용하여 X선 화상 G1부터 노이즈를 제거하는 화상 처리를 실행시킴으로써 출력 화상 G6을 생성한다. 그리고, 처리부(205)는 생성한 출력 화상 G6을 표시 장치(30) 등에 출력한다.
구축부(206)는 방사선 화상인 훈련 화상, 화소값과 노이즈값의 표준 편차의 관계식에 기초하여 훈련 화상으로부터 생성된 노이즈 맵, 및 훈련 화상으로부터 노이즈가 제거된 데이터인 노이즈 제거 화상 데이터를 훈련 데이터로서 이용하여, 훈련 화상 및 노이즈 맵을 기초로 노이즈 제거 화상 데이터를 출력하는 학습 완료 모델(207)을, 기계 학습에 의해서 구축한다. 구축부(206)는 구축한 학습 완료 모델(207)을, 제어 장치(20) 내의 내장 메모리 혹은 기억 매체에 기억시킨다. 기계 학습에는, 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 강화 학습이 있고, 이러한 학습 중에는, 심층 학습(딥 러닝), 신경망(neural network) 학습 등이 있다. 제1 실시 형태에서는, 딥 러닝의 알고리즘의 일례로서, Kai Zhang 등의 논문 "Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising"에 기재된 2차원의 컨볼루션 신경망이 채용된다. 또한, 학습 완료 모델(207)은 구축부(206)에 의해서 구축되는 것 이외에, 외부의 컴퓨터 등에 의해 생성되어 제어 장치(20)에 다운로드되어도 된다. 또한, 기계 학습에 이용되는 방사선 화상은, 이미 알려진 구조물을 촬상한 방사선 화상, 혹은 해당 방사선 화상을 재현한 화상을 포함한다.
도 7은 학습 완료 모델(207)의 구축에 이용되는 훈련 데이터 중 1개인 훈련 화상의 일례이다. 훈련 화상으로서는, 다양한 두께, 다양한 재질, 및 다양한 해상도의 패턴을 촬상 대상으로 한 X선 화상이 이용될 수 있다. 도 7에 나타내는 예는, 닭고기를 대상으로 생성된 훈련 화상 G7이다. 그 훈련 화상 G7은 실제로 화상 취득 장치(1)를 이용하여 복수 종류의 이미 알려진 구조물을 대상으로 생성된 X선 화상을 이용해도 되고, 시뮬레이션 계산에 의해서 생성된 화상을 이용해도 된다. X선 화상에 대해서는, 화상 취득 장치(1)와는 상이한 장치를 이용하여 취득한 것이라도 상관없다.
구축부(206)는 기계 학습을 행하기 위한 전처리로서, 화소값과 노이즈값의 분포를 평가한 평가값의 관계를 나타내는 관계 데이터에 기초하여, 방사선 화상의 각 화소의 화소값으로부터 평가값을 도출하고, 방사선 화상의 각 화소에 도출한 평가값을 대응 지은 데이터인 노이즈 맵을 생성한다. 구체적으로는, 구축부(206)는, 학습 완료 모델(207)을 구축할 때에, 실제의 촬상 혹은 시뮬레이션 계산 등에 의해 생성된 훈련 화상을, 화상 취득부(203) 등으로부터 취득한다. 그리고, 구축부(206)는, 예를 들면, 화상 취득 장치(1)의 X선 조사기(50)의 동작 조건 혹은 화상 취득 장치(1)의 촬상 조건 등을 설정한다. 혹은, 구축부(206)는 시뮬레이션 계산시의 X선 조사기(50)의 동작 조건 혹은 촬상 조건을 설정한다. 구축부(206)는 산출부(202)와 마찬가지의 수법을 이용하여, X선의 평균 에너지를, 상기의 동작 조건 혹은 촬상 조건을 기초로 계산한다. 또한, 구축부(206)는, 도 5에 나타낸 것 같은 노이즈 맵 생성부(204)에 의한 수법과 마찬가지의 수법을 이용하여, X선의 평균 에너지 및 그 훈련 화상을 기초로, 노이즈 표준 편차 맵을 생성한다. 즉, 기계 학습 방법의 전처리 방법은, 화소값과 노이즈값의 분포를 평가한 평가값의 관계를 나타내는 관계 데이터에 기초하여, 방사선 화상의 각 화소의 화소값으로부터 평가값을 도출하고, 방사선 화상의 각 화소에 도출한 평가값을 대응 지은 데이터인 노이즈 맵을 생성하는 노이즈 맵 생성 스텝을 구비한다.
구축부(206)는 훈련 화상, 그 훈련 화상으로부터 생성한 노이즈 맵, 및 훈련 화상으로부터 미리 노이즈가 제거된 데이터인 노이즈 제거 화상 데이터를 훈련 데이터로서 이용하여, 학습 완료 모델(207)을 기계 학습에 의해서 구축한다. 구체적으로는, 구축부(206)는 그 훈련 화상으로부터 노이즈가 제거된 노이즈 제거 화상 데이터를 미리 취득한다. 구축부(206)는 훈련 화상이 시뮬레이션 계산에 의해서 생성된 X선 화상인 경우, 훈련 화상의 생성 과정에 있어서 노이즈가 부가되기 전의 화상을, 노이즈 제거 화상 데이터라고 한다. 한편, 구축부(206)는 훈련 화상이, 실제로 화상 취득 장치(1)를 이용하여 복수 종류의 이미 알려진 구조물을 대상으로 생성된 X선 화상인 경우, X선 화상으로부터 평균값 필터, 혹은 미디언 필터, 바이레터럴 필터, NLM 필터 등의 화상 처리를 이용하여 노이즈 제거된 화상을 노이즈 제거 화상 데이터로 한다. 구축부(206)는 그 훈련 화상 및 노이즈 표준 편차 맵을 기초로 노이즈 제거 화상 데이터를 출력하는 학습 완료 모델(207)을, 기계 학습에 의한 트레이닝을 실행하여 구축한다.
다음으로, 제1 실시 형태에 따른 화상 취득 장치(1)를 이용한 대상물(F)의 X선 투과상의 관찰 처리의 절차, 즉, 제1 실시 형태에 따른 방사선 화상 처리 방법의 흐름에 대해 설명한다. 도 8은 화상 취득 장치(1)에 의한 관찰 처리의 절차를 나타내는 순서도이다.
먼저, 구축부(206)에 의해서, 훈련 화상, 관계식에 기초하여 훈련 화상으로부터 생성된 노이즈 표준 편차 맵, 및 노이즈 제거 화상 데이터를 훈련 데이터로서 이용하여, 훈련 화상 및 노이즈 표준 편차 맵을 기초로 노이즈 제거 화상 데이터를 출력하는 학습 완료 모델(207)이, 기계 학습에 의해서 구축된다(스텝 S100). 다음으로, 입력부(201)에 의해서, 화상 취득 장치(1)의 오퍼레이터(유저)로부터, X선 조사기(50)의 동작 조건 혹은 X선 검출 카메라(10)에 의한 촬상 조건 등을 나타내는 조건 정보의 입력이 접수된다(스텝 S101). 그리고, 산출부(202)에 의해서, 조건 정보를 기초로, X선 검출 카메라(10)에 의해서 검출되는 X선의 평균 에너지의 값이 산출된다(스텝 S102).
이어서, 화상 취득 장치(1)에 있어서 대상물(F)이 세트되어 대상물(F)이 촬상되고, 제어 장치(20)에 의해서, 대상물(F)의 X선 화상이 취득된다(스텝 S103). 또한, 제어 장치(20)에 의해서, 화소값과 노이즈값의 표준 편차의 관계식에 기초하여, X선의 평균 에너지 및 X선 화상의 각 화소의 화소값으로부터 노이즈값의 표준 편차가 도출되고, 도출된 노이즈의 표준 편차가 각 화소값에 대응 지어짐으로써, 노이즈 표준 편차 맵이 생성된다(스텝 S104).
다음으로, 처리부(205)에 의해서, 미리 구축되어 기억된 학습 완료 모델(207)에, 대상물(F)의 X선 화상 및 노이즈 표준 편차 맵이 입력되어, X선 화상을 대상으로 노이즈 제거 처리가 실행된다(스텝 S105). 또한, 처리부(205)에 의해서, 노이즈 제거 처리가 실시된 X선 화상인 출력 화상이, 표시 장치(30)에 출력된다. (스텝 S106).
이상 설명한 화상 취득 장치(1)에 의하면, 화소값과 노이즈값의 표준 편차의 관계식을 이용하여, X선 화상의 각 화상의 화소값으로부터 노이즈값의 표준 편차가 도출되고, X선 화상의 각 화소에 도출한 노이즈값의 표준 편차를 대응 지은 데이터인 노이즈 표준 편차 맵이 생성된다. 그리고, X선 화상 및 노이즈 표준 편차 맵이, 미리 기계 학습에 의해서 구축된 학습 완료 모델(207)에 입력되어, X선 화상으로부터 노이즈를 제거하는 화상 처리가 실행된다. 이러한 구성에 의하면, X선 화상의 각 화소의 화소값으로부터 도출되는 노이즈값의 표준 편차가 고려되어, 그 X선 화상의 각 화소에 있어서의 노이즈가 기계 학습에 의해 제거된다. 이것에 의해, 학습 완료 모델(207)을 이용하여, X선 화상에 있어서의 화소값과 노이즈값의 표준 편차의 관계에 대응한 노이즈 제거를 실현할 수 있다. 그 결과, X선 화상에 있어서의 노이즈를 효과적으로 제거할 수 있다.
특히, X선 화상에서는, 관전압, 필터, 신틸레이터, X선 검출 카메라의 조건(게인 설정값, 회로 노이즈값, 포화 전하량, 변환 계수값(e-/count), 카메라의 라인 레이트), 대상물 등의 차이에 따라 노이즈의 양태가 변화한다. 그 때문에, 기계 학습에 의해서 노이즈 제거를 실현하려고 하는 경우, 다양한 조건에서 학습시킨 학습 완료 모델을 준비해 두는 것을 생각할 수 있다. 즉, 비교예로서, X선 화상의 측정시의 조건에 맞춰 복수의 학습 완료 모델을 구축하고, 조건마다 학습 완료 모델을 선택하여, 노이즈 제거 처리가 실행하는 수법도 취할 수 있다. 이러한 비교예의 경우, 예를 들면, X선의 평균 에너지, X선 검출 카메라의 게인, 및 X선 카메라의 종류 등의 노이즈 조건마다, 학습 완료 모델을 구축하지 않으면 안 되어, 방대한 수의 학습 완료 모델을 생성할 필요가 있어, 구축을 위한 많은 시간을 필요로 하는 경우가 있다. 일례로서, X선의 평균 에너지가 10가지, X선 검출 카메라의 게인이 8가지, 제품의 종류가 3종류일 때, 240개의 학습 완료 모델이 필요하게 되는데, 학습 완료 모델의 구축에 1모델에 대해 1일을 필요로 하는 경우, 기계 학습을 위해서, 240일이라는 시간이 걸려 버린다. 이 점, 본 실시 형태에 의하면, X선 화상으로부터 노이즈 맵을 생성하고, 해당 노이즈 맵을 기계 학습의 입력 데이터로 함으로써, 학습 완료 모델의 생성이 필요한 노이즈 조건을 저감시킬 수 있어, 학습 완료 모델(207)을 구축하기 위한 학습 시간이 크게 저감된다.
도 9 및 도 10에는, 화상 취득 장치(1)에 의해서 취득된 노이즈 제거 처리 전후의 X선 화상의 예가 각각 나타내져 있다. 도 9는 X선 조사기(50)의 동작 조건 및 X선 검출 카메라(10)에 의한 촬상 조건이, 학습 완료 모델(207)의 구축에 이용한 훈련 데이터와 동일한 조건에서 취득된 X선 화상이고, X선 화상 G8은 실측 화상, X선 화상 G9는 비교예에 의한 촬영 조건과 동일 조건에서 학습한 학습 완료 모델로 노이즈 제거 처리가 실시된 화상, X선 화상 G10은 제1 실시 형태에 있어서의 제어 장치(20)에 의한 노이즈 표준 편차 맵을 이용한 노이즈 제거 처리가 실시된 화상을 각각 나타낸다. X선 화상 G8, G9 및 G10에 있어서의 노이즈값의 표준 편차는, 각각 14.3, 3.4 및 3.7이다.
도 10은 X선 조사기(50)의 동작 조건 혹은 X선 검출 카메라(10)에 의한 촬상 조건이, 학습 완료 모델(207)의 구축에 이용한 훈련 데이터와 상이한 조건인 경우에 취득된 X선 화상이며, X선 화상 G11은 실측 화상, X선 화상 G12는 비교예에 의한 촬영 조건과 상이한 조건에서 학습한 학습 완료 모델로 노이즈 제거 처리가 실시된 화상, 및 X선 화상 G13은, 제1 실시 형태에 있어서의 제어 장치(20)에 의한 노이즈 표준 편차 맵을 이용한 노이즈 제거 처리가 실시된 그 X선 화상을 각각 나타낸다. X선 화상 G11, G12 및 G13에 있어서의 노이즈값의 표준 편차는, 각각 3.5, 2.0 및 0.9이다.
비교예에서는, 도 9에 나타내지는 것처럼, X선 조사기(50)의 동작 조건 혹은 X선 검출 카메라(10)에 의한 촬상 조건이, 학습 완료 모델(207)의 구축에 이용한 훈련 데이터와 동일한 조건인 경우, X선 화상 G9에서는, 노이즈값의 표준 편차는, 노이즈 제거 처리 전의 X선 화상 G8과 비교하여 충분히 저감된다. 비교예에 있어서의 학습 완료 모델은, 노이즈가 충분히 제거된 X선 화상을 출력할 수 있다. 그러나, 도 10에 나타내지는 것처럼, X선 조사기(50)의 동작 조건 혹은 X선 검출 카메라(10)에 의한 촬상 조건이, 학습 완료 모델(207)의 구축에 이용한 훈련 데이터와 상이한 조건인 경우, 노이즈 처리 후의 X선 화상 G12에서는, 노이즈 제거 처리 전의 X선 화상 G11과 비교하여 충분하게는 저감되지 않는다. 따라서, 비교예에 있어서의 학습 완료 모델은, 트레이닝시와 촬상시에서 조건이 상이한 경우에 노이즈가 충분히 제거된 X선 화상을 출력할 수 없다.
이것에 대해서, 제1 실시 형태에 의하면, X선 화상의 측정시의 X선 조사기(50)의 동작 조건 또는 X선 검출 카메라(10)에 의한 촬상 조건의 변화를 고려하여 학습 완료 모델(207)이 구축된다. 이것에 의해, 도 9 및 도 10과 같이, X선 화상 G10 및 13에서는, 노이즈값의 표준 편차는, 각각의 노이즈 제거 처리 전의 X선 화상 G8 및 11과 비교하여 충분히 저감된다. 따라서, 제1 실시 형태에 의하면, X선 조사기(50)의 동작 조건 혹은 X선 검출 카메라(10)에 의한 촬상 조건의 변화에 대응한 충분한 노이즈 제거가 실현된다. 이것에 의해, 단일의 학습 완료 모델(207)을 이용하여, X선 화상에 있어서의 노이즈를 효과적으로 제거할 수 있다.
일반적으로, X선 화상에 있어서는, X선 발생 유래의 노이즈가 포함되어 있다. X선 화상의 SN비를 향상시키기 위해서 X선량을 증가시키는 것도 생각할 수 있지만, 그 경우는, X선량을 증가시키면 센서의 피폭량이 증가하여 센서의 수명이 짧아지는, X선 발생원의 수명이 짧아진다고 하는 문제가 있어, SN비의 향상과 장수명화의 양립이 곤란하다. 또, X선량을 증가시킴에 따라 열의 발생량도 증가하기 때문에, 증가한 발열에 대한 방열 대책을 강구할 필요가 생기는 경우가 있다. 제1 실시 형태에서는, X선량을 증가시킬 필요는 없으므로, SN비의 향상과 장수명화의 양립, 방열 대책의 생략이 가능하다.
또, 제1 실시 형태의 제어 장치(20)는 대상물(F)을 투과한 X선에 관한 평균 에너지, 및 X선 화상의 각 화소의 화소값으로부터, 노이즈값의 표준 편차를 도출하는 기능을 가진다. 여기서, 비교예에서는, 예를 들면, 평균 에너지가 변화하면, X선 화상에 있어서의 화소값과 노이즈의 관계가 변동해 버려, 학습 완료 모델을 이용하더라도 노이즈를 충분히 제거할 수 없다. 이것에 대해서, 본 실시 형태에서는, 대상물(F)을 투과한 X선에 관한 평균 에너지가 고려되어, X선 화상의 각 화소의 화소값에 있어서의 노이즈값의 표준 편차가 도출되기 때문에, X선 화상에 있어서의 화소값과 노이즈값의 표준 편차의 관계에 대응한 노이즈 제거를 실현할 수 있다. 그 결과, X선 화상에 있어서의 노이즈를 보다 효과적으로 제거할 수 있다. 또, 비교예에서는, 평균 에너지마다 상이한 학습 완료 모델을 구축할 필요가 있었다. 이것에 대해서, 제1 실시 형태에 의하면, 평균 에너지의 차이가 노이즈 표준 편차 맵에 반영되어, 노이즈 표준 편차 맵이 학습 완료 모델에 입력되도록 되기 때문에, 구축할 필요가 있는 학습 완료 모델수가 1개가 된다. 이것에 의해, 학습 완료 모델(207)을 구축하기 위한 학습 시간이 크게 저감된다.
또, 제1 실시 형태의 제어 장치(20)는 X선 조사기(50)의 동작 조건 혹은 X선 검출 카메라(10)에 의한 촬상 조건 중 어느 것을 나타내는 조건 정보의 입력을 접수받고, 조건 정보를 기초로, 평균 에너지를 산출하는 산출하는 기능을 가진다. 또한 조건 정보에는, X선 조사기(50)의 관전압, 대상물(F)에 관한 정보, X선 조사기(50)가 구비하는 필터의 정보, X선 검출 카메라(10)가 구비하는 필터의 정보, X선 검출 카메라(10)가 구비하는 신틸레이터의 정보 중 어느 1개가 적어도 포함된다. 이러한 구성에 의하면, 대상물(F)을 투과하는 X선의 평균 에너지가 정밀도 좋게 계산되므로, 화소값과 노이즈값의 표준 편차의 관계에 대응한 노이즈 제거를 실현할 수 있다. 그 결과, X선 화상에 있어서의 노이즈를 더 효과적으로 제거할 수 있다.
또, 제1 실시 형태의 제어 장치(20)에서는, 노이즈값의 분포가, 노이즈값의 표준 편차로서 평가된다. 이것에 의해, X선 화상의 각 화소의 화소값에 있어서의 노이즈값의 분포가 보다 정밀하게 평가되므로, 화소값과 노이즈의 관계에 대응한 노이즈 제거를 실현할 수 있다. 그 결과, X선 화상에 있어서의 노이즈를 보다 효과적으로 제거할 수 있다.
또, 제1 실시 형태의 제어 장치(20)는 X선 화상인 훈련 화상, 화소값과 노이즈값의 표준 편차의 관계식에 기초하여 훈련 화상으로부터 생성된 노이즈 표준 편차 맵, 및 훈련 화상으로부터 노이즈가 제거된 데이터인 노이즈 제거 화상 데이터를 훈련 데이터로서 이용하여, 훈련 화상 및 노이즈 표준 편차 맵을 기초로 노이즈 제거 화상 데이터를 출력하는 학습 완료 모델(207)을, 기계 학습에 의해서 구축하는 기능을 가진다. 이러한 구성에 의하면, X선 화상의 노이즈 제거에 이용되는 학습 완료 모델(207)은, 훈련 데이터를 이용한 기계 학습에 의해서 구축된다. 이것에 의해, 학습 완료 모델(207)에, 훈련 화상, 및 그 훈련 화상으로부터 생성된 노이즈 표준 편차 맵이 입력되면, 화소값과 노이즈값의 표준 편차의 관계에 대응한 노이즈 제거를 실현할 수 있다. 그 결과, X선 화상에 있어서의 노이즈를 보다 효과적으로 제거할 수 있다.
또, 제1 실시 형태의 제어 장치(20)에서는, 기계 학습을 위한 훈련 데이터인 노이즈 표준 편차 맵을 생성하기 위해서, 화소값과 노이즈값의 표준 편차의 관계식에 기초하여, 훈련 화상의 각 화소의 화소값으로부터, 노이즈값의 표준 편차가 도출되고, 훈련 화상의 각 화소에 도출한 노이즈의 표준 편차를 대응 지은 데이터인 노이즈 표준 편차 맵이 생성된다. 이러한 구성에 의하면, 기계 학습을 위한 훈련 데이터인 노이즈 표준 편차 맵은, 화소값과 노이즈값의 표준 편차의 관계식에 대응한다. 이것에 의해, 학습 완료 모델(207)에, X선 화상, 및 그 X선 화상으로부터 생성된 노이즈 표준 편차 맵이 입력되면, 화소값과 노이즈값의 표준 편차의 관계식에 대응한 노이즈 제거를 실현할 수 있다. 그 결과, X선 화상에 있어서의 노이즈를 보다 효과적으로 제거할 수 있다.
［제1 실시 형태의 제어 장치(20)의 변형예］
도 11은 제1 실시 형태의 변형예에 있어서의 제어 장치(20A)의 기능 구성을 나타내는 블록도이다. 제어 장치(20A)는 상술한 제1 실시 형태와 비교하여, 산출부(202A)에 있어서 X선 화상의 화소값으로부터 X선의 평균 에너지를 도출하는 기능을 가지는 점, 및 노이즈 맵 생성부(204A)에 있어서 X선 화상의 화소값 및 그 X선 화상으로부터 도출된 X선의 평균 에너지에 기초하여, 노이즈 표준 편차 맵을 도출하는 기능을 가지는 점이 상이하다. 도 12는 도 11의 제어 장치(20A)를 포함하는 화상 취득 장치(1)에 의한 관찰 처리의 절차를 나타내는 순서도이다. 도 12에 나타내지는 것처럼, 제어 장치(20A)에 있어서는, 도 8에 나타내는 제1 실시 형태에 따른 제어 장치(20)의 스텝 S103에 나타내는 처리가, 스텝 S100의 직후에 행해진다. 그리고, 제어 장치(20A)에 있어서는, S102A, S104A에 나타내는 처리가, 제어 장치(20)의 스텝 S102, S104의 처리로 치환되어 실행된다.
산출부(202A)는 방사선 화상의 각 화소의 화소값으로부터 평균 에너지를 산출한다(스텝 S102A). 구체적으로는, 산출부(202A)는 X선 스펙트럼의 시뮬레이션 계산 등에 의해, 조건 정보마다 화소값과 평균 에너지의 관계를 미리 도출한다. 산출부(202A)는 입력부(201)에 의해서 취득된 관전압, 및 X선 검출 카메라(10)가 구비하는 신틸레이터의 정보를 적어도 포함하는 조건 정보를 취득한다. 그리고, 산출부(202A)는 그 조건 정보를 기초로, 미리 도출해 둔 화소값과 평균 에너지의 관계 중에서, 그 조건 정보에 대응하는 관계를 선택한다. 또한, 산출부(202A)는 선택한 관계에 기초하여, 화상 취득부(203)에 의해서 취득된 X선 화상의 각 화소의 화소값으로부터, 화소마다의 평균 에너지를 도출한다.
이하, 산출부(202A)에 의한, 그 조건 정보마다의 화소값과 평균 에너지의 관계의 도출에 대해 도 13~도 17을 이용하여 설명한다.
처음에, 산출부(202A)는 조건 정보를 기초로, 대상물(F)의 두께와 X선의 투과율의 관계를 나타내는 그래프 G18, 및 대상물(F)의 두께와 X선의 평균 에너지의 관계를 나타내는 그래프 G19를 도출한다. 구체적으로는, 도 13의 (a)부~(d)부에 나타내는 것처럼, 산출부(202A)는 관전압 및 X선 검출 카메라(10)가 구비하는 신틸레이터의 정보를 적어도 포함하는 조건 정보를 기초로, 대상물(F)의 두께를 다양하게 변경했을 경우에 투과하는 X선의 에너지 스펙트럼 G14~G17을, 시뮬레이션 계산에 의해 산출한다. 도 13은 산출부(202A)에 의한 대상물(F)을 투과한 X선의 에너지 스펙트럼의 시뮬레이션 계산 결과의 일례를 나타내는 그래프이다. 여기에서는, 물에 의해서 구성되는 대상물(F)의 두께를 단계적으로 증가시켜 시뮬레이션 계산을 행한 경우의 투과 X선의 에너지 스펙트럼 G14~G17이 예시되어 있다. 또한, 산출부(202A)는 산출한 에너지 스펙트럼 G14~G17을 기초로, 대상물(F)의 두께를 다양하게 변경했을 경우에 투과하는 X선의 평균 에너지를 산출한다. 또한, 산출부(202A)는 시뮬레이션 계산 이외에, 두께가 이미 알려진 구조물을 대상으로 촬상함으로써 얻어진 X선 화상을 기초로, 대상물(F)의 두께와 평균 에너지의 관계가 얻어져도 된다.
또한, 산출부(202A)는 상기의 시뮬레이션 결과를 기초로, 대상물(F)의 두께와 X선의 투과율의 관계도 도출한다. 도 14는 산출부(202A)에 의해서 도출된, 대상물(F)의 두께와 평균 에너지 및 투과율의 관계의 일례를 나타내는 도표이다. 도 14에 나타내지는 것처럼, 대상물(F)의 두께마다 산출된 에너지 스펙트럼 G14~G17 각각에 대응하여, 투과 X선의 평균 에너지 및 X선의 투과율이 도출된다.
이어서, 산출부(202A)는 다양한 두께의 대상물(F)에 대해서 도출한 X선의 투과율로부터, 대상물(F)의 두께와 X선의 투과율의 관계를 나타내는 그래프 G18을 도출한다. 도 15는 산출부(202A)에 의해서 도출된, 대상물(F)의 두께와 대상물(F)에 대한 X선의 투과율의 관계를 나타내는 그래프이다. 더하여, 산출부(202A)는 다양한 두께의 대상물(F)에 대해서 도출한 X선의 평균 에너지로부터, 대상물(F)의 두께와 X선의 평균 에너지의 관계를 나타내는 그래프 G19를 도출한다. 도 16은 산출부(202A)에 의해서 도출된, 대상물(F)의 두께와, 대상물(F)을 투과하는 X선의 평균 에너지의 관계를 나타내는 그래프이다.
그리고, 산출부(202A)는 다양한 조건 정보마다 도출한 2개의 그래프 G18, G19에 기초하여, 도 17에 나타내지는 것 같은 X선 화상의 화소값과 평균 에너지의 관계를 나타내는 그래프 G20을, 다양한 조건 정보마다 도출한다. 도 17은 산출부(202A)에 의해서 도출된 X선 화상의 화소값과 평균 에너지의 관계를 나타내는 그래프이다. 구체적으로는, 산출부(202A)는 조건 정보를 기초로, 대상물(F)이 존재하지 않는 경우의 X선화 투과상의 화소값 I0를 도출한다. 그리고, 산출부(202A)는 대상물(F)이 존재하는 경우의 X선 화상의 화소값 I를 설정하여, X선의 투과율인 I/I0를 계산한다. 또한, 산출부(202A)는 대상물(F)의 두께와 대상물(F)에 대한 X선의 투과율의 그래프 G18에 기초하여, 계산한 X선의 투과율인 I/I0로부터, 대상물(F)의 두께를 도출한다. 마지막으로, 산출부(202A)는 도출한 대상물(F)의 두께와, 대상물(F)의 두께와 투과 X선의 평균 에너지의 그래프 G19에 기초하여, 그 두께에 대응하는 투과 X선의 평균 에너지를 도출한다. 이어서, 산출부(202A)는 상기의 도출을, X선 화상의 화소값 I를 다양하게 변화시키면서, 다양한 조건 정보마다 행함으로써, X선 화상의 화소값과 투과 X선의 평균 에너지의 관계를 나타내는 그래프 G20을, 조건 정보마다 도출한다.
여기서, 산출부(202A)에 의한 화소값을 기초로 한 평균 에너지의 도출예에 대해 설명한다. 예를 들면, 산출부(202A)가 조건 정보를 기초로 대상물(F)이 존재하지 않는 경우의 X선화 투과상의 화소값을 I0=5000이라고 도출하고, 대상물(F)이 존재하는 경우의 X선 화상의 화소값이 I=500이라고 설정했을 경우를 상정한다. 이 경우, 산출부(202A)는 X선의 투과율을 I/I0=0.1이라고 계산한다. 이어서, 산출부(202A)는 대상물(F)의 두께와 대상물(F)에 대한 X선의 투과율의 관계를 나타내는 그래프 G18에 기초하여, X선의 투과율 0.1에 대응하는 두께가 30mm라고 도출한다. 또한, 산출부(202A)는 대상물(F)의 두께와 투과 X선의 평균 에너지의 관계를 나타내는 그래프 G19에 기초하여, 화소값 500에 대응하는 평균 에너지가 27keV라고 도출한다. 마지막으로, 산출부(202A)는 각 화소값마다 X선의 평균 에너지의 도출을 반복하여, X선 화상의 화소값과 평균 에너지의 관계를 나타내는 그래프 G20을 도출한다.
또한, 산출부(202A)는 이상의 절차에서 미리 도출한 복수의 그래프 G20 중에서, 입력부(201)에 의해서 취득된 조건 정보에 대응하는 그래프 G20을 선택한다. 산출부(202A)는, 선택한 그래프 G20에 기초하여, 화상 취득부(203)에 의해서 취득된 X선 화상의 각 화소의 화소값에 대응하는 투과 X선의 평균 에너지를 도출한다.
또한, 산출부(202A)는 미리 조건 정보마다 화소값과 X선의 평균 에너지의 관계를 도출하는 것이 아니라, 입력부(201)에 의해서 취득된 조건 정보와 X선 화상의 각 화소의 화소값으로부터, 그래프 G18, G19를 참조하여 X선의 평균 에너지를 도출해도 된다. 구체적으로는, 산출부(202A)는 조건 정보를 기초로 대상물이 존재하지 않는 경우의 X선 화상의 화소값 I0를 도출한다. 그리고, 산출부(202A)는 화상 취득부(203)에 의해서 취득된 X선 화상의 각 화소의 화소값 I마다 화소값 I0에 대한 비율을 구함으로써, 투과율을 계산한다. 또한, 산출부(202A)는 두께와 X선의 투과율의 관계를 나타내는 그래프 G18과, 계산한 투과율에 기초하여 두께를 도출한다. 그리고, 산출부(202A)는 두께와 평균 에너지의 관계를 나타내는 그래프 G19와, 도출한 두께에 기초하여 평균 에너지를 도출함으로써, X선 화상의 각 화소의 화소값마다 평균 에너지를 도출한다.
노이즈 맵 생성부(204A)는 화상 취득부(203)에 의해서 취득된 X선 화상, 및 산출부(202A)에 의해서 도출된 그 X선 화상의 각 화소에 대응하는 X선의 평균 에너지로부터, 노이즈 표준 편차 맵을 생성한다(스텝 S104A). 구체적으로는, 노이즈 맵 생성부(204A)는 화상 취득부(203)에 의해서 취득된 X선 화상의 각 화소의 화소값, 및 산출부(202A)에 의해서 각 화소마다 도출된 평균 에너지를, 관계식 (4)에 대입함으로써, 대상물의 두께를 고려한 각 화소마다의 노이즈값의 표준 편차를 도출한다. 노이즈 맵 생성부(204A)는 X선 화상의 각 화소에 대응한 노이즈값의 표준 편차를, 노이즈 표준 편차 맵으로서 생성한다.
도 18은 화소값과 노이즈값의 표준 편차의 관계의 일례를 나타내는 그래프이다. 이 그래프는 본 변형예에 따른 산출부(202A) 및 노이즈 맵 생성부(204A)에 의해서, X선 화상의 화소값으로부터 도출된 노이즈값의 표준 편차와, X선 화상의 화소값의 관계를 나타내고 있다. 본 변형예에서는, 대상물의 두께를 고려하여 노이즈값의 표준 편차가 도출되기 때문에, 화소값이 증가할수록 대상물의 두께가 작아져, 화소에 있어서의 평균 에너지가 저하된다. 따라서, 관계식 (4)로부터도 추정되는 것처럼, 제1 실시 형태와 본 변형예는, 화소값이 증대했을 때의 노이즈값의 표준 편차의 변화가 상이하다. 도 18에 나타내지는 예에서는, 본 변형예의 그래프 G22는, 제1 실시 형태의 그래프 G21보다 화소값이 증대했을 때의 노이즈값의 표준 편차의 증대의 정도가 작다.
제1 실시 형태의 변형예의 제어 장치(20A)에서는, X선 화상의 각 화소의 화소값으로부터 평균 에너지가 계산된다. 여기서, 예를 들면, X선 화상 중에 두께나 재질이 상이한 복수의 대상물이 존재하는 경우, 대상물마다 평균 에너지가 크게 달라, X선 화상으로부터 충분히 노이즈를 제거할 수 없다. 이러한 구성에 의하면, 대상물(F)을 투과하는 X선의 평균 에너지가, X선 화상의 각 화소의 화소값마다 계산되기 때문에, 예를 들면, 두께나 재질의 차이 등을 고려하여, X선 화상의 각 화소의 화소값과 노이즈의 관계에 대응한 노이즈 제거를 실현할 수 있다. 그 결과, X선 화상에 있어서의 노이즈를 효과적으로 제거할 수 있다.
또한, 본 변형예에 따른 제어 장치(20A)는, 다양한 조건 정보마다 도출한 그래프 G20을 이용하여 X선 화상의 화소값으로부터 평균 에너지를 도출하고 있다. 이 때, 대상물(F)의 재질의 차이는 무시하고 화소값으로부터 평균 에너지를 도출해도 된다. 도 19는 산출부(202A)에 의해서 도출된 X선 화상의 화소값과 노이즈값의 표준 편차의 관계를 나타내는 그래프이다. 여기에서는, 대상물(F)의 재질의 변화도 조건 정보로서 고려에 넣어 관계를 도출하고 있고, 그래프 G24는, 재질이 알루미늄인 경우, 그래프 G23은 재질이 PET(Polyethylene terephthalate)인 경우, 그래프 G25는 재질이 동인 경우의 도출예를 나타내고 있다. 이와 같이, 대상물(F)의 재질이 변화했을 경우에도, X선 조사기(50)의 관전압 및 대상물(F)의 촬상에 이용하는 X선 검출 카메라(10)가 구비하는 신틸레이터의 정보가 동일하면, 화소값과 투과 X선의 평균 에너지의 관계는 크게 변화하지 않기 때문에, 화소값과 노이즈값의 표준 편차의 관계도 크게 변화하지 않는다. 이러한 성질을 고려하여, 제어 장치(20A)는, 조건 정보로서의 대상물(F)의 재질의 차이를 무시했다고 해도, X선 화상의 화소값으로부터 평균 에너지를 정밀도 좋게 도출할 수 있다. 이러한 경우에도, 본 변형예의 제어 장치(20A)에 의하면, 화소값과 노이즈의 표준 편차의 관계에 대응한 노이즈 제거를 실현할 수 있다. 그 결과, X선 화상에 있어서의 노이즈를 더 효과적으로 제거할 수 있다.
［제2 실시 형태］
도 20은 제2 실시 형태에 있어서의 제어 장치(20B)의 기능 구성을 나타내는 블록도이다. 제어 장치(20B)는, 상술한 제1 실시 형태와 비교하여, 화상 취득부(203B)에 있어서, 지그의 X선 화상을 취득하는 기능을 가지는 점, 및 노이즈 맵 생성부(204B)에 있어서, 지그의 X선 화상으로부터 화소값과 노이즈값의 표준 편차의 관계를 나타내는 그래프를 도출하는 기능을 가지는 점이 상이하다. 도 21은 도 20의 제어 장치(20B)를 포함하는 화상 취득 장치(1)에 의한 관찰 처리의 절차를 나타내는 순서도이다. 도 21에 나타내지는 것처럼, 제2 실시 형태에 따른 제어 장치(20B)에 있어서는, 스텝 S201, S202에 나타내는 처리가, 도 8에 나타내는 제1 실시 형태에 따른 제어 장치(20)에 의한 스텝 S101, S102 및 S104의 처리로 치환하여 실행된다.
화상 취득부(203B)는 지그에 방사선이 조사되어 지그를 투과한 방사선이 촬상된 지그의 방사선 화상을 취득한다(스텝 S201). 구체적으로는, 화상 취득부(203B)는 화상 취득 장치(1)를 이용하여 지그 및 대상물(F)을 대상으로 X선을 조사하고 촬상한 X선 화상을 취득한다. 지그로서는, 두께 및 재질이 이미 알려진 평판 모양 부재 등이 이용된다. 즉, 화상 취득부(203B)는 대상물(F)의 관찰 처리에 앞서 화상 취득 장치(1)를 이용하여 촬상된 지그의 X선 화상을 취득한다. 그리고, 화상 취득부(203B)는 화상 취득 장치(1)를 이용하여 촬상된 대상물(F)의 X선 화상을 취득한다. 다만, 지그 및 대상물(F)의 X선 화상의 취득 타이밍은 상기로 한정되지 않고, 동시여도 되고 반대의 타이밍이어도 된다(스텝 S103). 또, 화상 취득부(203B)는 화상 취득부(203)과 마찬가지로, 대상물(F)에 X선이 조사되어 대상물(F)을 투과한 X선이 촬상된 X선 화상을 취득한다.
화상 취득 장치(1)에 있어서 지그가 세트되어 지그가 촬상되고, 노이즈 맵 생성부(204B)는 그 결과 얻어지는 지그의 방사선 화상으로부터, 화소값과 노이즈값의 분포를 평가한 평가값의 관계를 나타내는 관계 데이터를 도출한다(스텝 S202). 구체적으로는, 노이즈 맵 생성부(204B)는 지그의 X선 화상으로부터, 화소값과 노이즈값의 표준 편차의 관계를 나타내는 노이즈 표준 편차 맵을 도출한다.
도 22는 노이즈 맵 생성부(204B)에 의한 노이즈 표준 편차 맵의 생성예를 나타내는 도면이다. 노이즈 맵 생성부(204B)는 지그의 X선 화상 G26으로부터, 화소값과 노이즈값의 표준 편차의 대응 관계를 나타내는 관계 그래프 G27을 도출한다. 그리고, 노이즈 맵 생성부(204B)는, 제1 실시 형태와 마찬가지로 하여, 화상 취득부(203B)에 의해서 취득된 X선 화상 G1로부터, 각각의 화소 위치와 화소값의 대응 관계를 나타내는 관계 데이터 G2를 도출한다. 또한, 노이즈 맵 생성부(204)는 관계 그래프 G27이 나타내는 대응 관계를, 관계 데이터 G2에 있어서의 각 화소에 적용함으로써, X선 화상에 있어서의 각 화소 위치의 화소에 대응한 노이즈값의 표준 편차를 도출한다. 그 결과, 노이즈 맵 생성부(204)는 도출한 노이즈의 표준 편차를 각 화소 위치에 대응 지어, 각각의 화소 위치와 노이즈의 표준 편차의 대응 관계를 나타내는 관계 데이터 G4를 도출한다. 그리고, 노이즈 맵 생성부(204)는 도출한 관계 데이터 G4를 기초로, 노이즈 표준 편차 맵 G5를 생성한다.
노이즈 맵 생성부(204B)에 의한, 지그의 X선 화상 G26으로부터의, 화소값과 노이즈값의 표준 편차의 관계를 나타내는 관계 그래프 G27의 도출에 대해 설명한다. 도 23에는, 제2 실시 형태에 있어서의 촬상에 이용되는 지그의 구조의 일례를 나타내고 있다. 지그에는, 예를 들면, 두께가 일 방향으로 스텝 모양으로 변화하는 부재 P1이 이용될 수 있다. 도 24는 도 23의 지그의 X선 화상의 일례를 나타내고 있다. 먼저, 노이즈 맵 생성부(204B)는 지그의 X선 화상 G26에 있어서, 지그의 스텝마다 노이즈가 없는 경우의 화소값(이하, 참(true) 화소값이라고 표기함)을 도출하고, 참 화소값에 기초하여 노이즈값의 표준 편차를 도출한다. 구체적으로는, 노이즈 맵 생성부(204B)는, 지그가 있는 스텝에 있어서의 화소값의 평균값을 도출한다. 그리고, 노이즈 맵 생성부(204B)는 도출한 화소값의 평균값을, 그 스텝에 있어서의 참 화소값으로 한다. 노이즈 맵 생성부(204B)는, 그 스텝에 있어서, 각 화소값과 참 화소값의 차를 노이즈값으로서 도출한다. 노이즈 맵 생성부(204B)는 도출한 화소값마다의 노이즈값으로부터, 노이즈값의 표준 편차를 도출한다.
그리고, 노이즈 맵 생성부(204B)는 참 화소값과 노이즈값의 표준 편차의 관계를, 화소값과 노이즈값의 표준 편차의 관계 그래프 G27로서 도출한다. 구체적으로는, 노이즈 맵 생성부(204B)는 지그의 스텝마다, 참 화소값, 및 노이즈값의 표준 편차를 도출한다. 노이즈 맵 생성부(204B)는 도출한 참 화소값과 노이즈값의 표준 편차의 관계를 그래프에 플롯하고, 근사 곡선을 그음으로써, 화소값과 노이즈값의 표준 편차의 관계를 나타내는 관계 그래프 G27을 도출한다. 또한, 근사 곡선에 있어서는, 지수 근사, 혹은 선형 근사, 로그 근사, 다항식 근사, 거듭제곱 근사 등을 사용한다.
제2 실시 형태의 제어 장치(20B)에서는, 실제의 지그를 촬상하여 얻어지는 방사선 화상을 기초로 관계 데이터가 생성된다. 이것에 의해, 대상물(F)의 방사선 화상의 노이즈 제거에 최적인 관계 데이터가 얻어진다. 그 결과, 방사선 화상에 있어서의 노이즈를 보다 효과적으로 제거할 수 있다.
또한, 노이즈 맵 생성부(204B)는 지그를 이용하지 않고, 대상물이 없는 상태에서 관전류 혹은 노광 시간을 변경했을 경우의 촬상 화상으로부터, 화소값과 노이즈값의 표준 편차의 관계를 도출해도 된다. 이러한 구성에 의하면, 실제로 촬상하여 얻어지는 방사선 화상을 기초로 관계 데이터가 생성되어 노이즈 맵이 생성되기 때문에, 화소값과 노이즈의 분포의 관계에 대응한 노이즈 제거를 실현할 수 있다. 그 결과, 방사선 화상에 있어서의 노이즈를 보다 효과적으로 제거할 수 있다.
구체적으로는, 화상 취득부(203B)는 대상물이 없는 상태에서 촬상된 복수의 방사선 화상을 취득하고(스텝 S201), 노이즈 맵 생성부(204B)는 화상 취득부(203B)에 의해서 취득된 방사선 화상으로부터, 화소값과 노이즈값의 표준 편차의 관계를 도출해도 된다(스텝 S202). 복수의 방사선 화상은 방사선의 발생원의 조건 혹은 촬상 조건 중 적어도 일방의 조건이 서로 다른 복수의 화상이다. 일례로서는, 화상 취득부(203B)는, 관전류 혹은 노광 시간이 변경되면서, 대상물(F)의 관찰 처리에 앞서 대상물(F)이 없는 상태에서 화상 취득 장치(1)를 이용하여 촬상된 복수의 X선 화상을 취득한다. 그리고, 노이즈 맵 생성부(204B)는 X선 화상마다 참 화소값을 도출하고, 제2 실시 형태와 마찬가지로 하여, 참 화소값에 기초하여 노이즈의 표준 편차를 도출한다. 또한, 노이즈 맵 생성부(204B)는, 제2 실시 형태와 마찬가지로 하여, 참 화소값과 노이즈의 표준 편차의 관계를 그래프에 플롯하여 근사 곡선을 그음으로써, 화소값과 노이즈값의 표준 편차의 관계를 나타내는 관계 그래프를 도출한다. 마지막으로, 노이즈 맵 생성부(204B)는, 제1 실시 형태와 마찬가지로 하여, 도출한 관계 그래프를 기초로, 화상 취득부(203B)에 의해서 취득된 X선 화상으로부터 노이즈 표준 편차 맵을 생성한다.
［제3 실시 형태］
도 25는 제3 실시 형태에 따른 방사선 화상 처리 시스템인 화상 취득 장치(1C)의 구성도이다. 도 26은 제3 실시 형태에 따른 제어 장치(20C)의 기능 구성의 일례를 나타내는 블록도이다. 제3 실시 형태에 따른 화상 취득 장치(1C)는, 상술한 제1 실시 형태 또는 제2 실시 형태와 비교하여, 2차원 센서(12C) 등을 가지는 X선 검출 카메라(10C)(촬상 장치)와, 구축부(206C) 및 학습 완료 모델(207C)을 가지는 제어 장치(20C)를 구비하는 점, 및 벨트 컨베이어(60)를 구비하고 있지 않은 점에 있어서 다르다.
화상 취득 장치(1C)는 X선투과 화상을 이용하여, 대상물(F)을 대상으로 한 이물 검사, 중량 검사, 검품 검사 등을 행하고, 용도로서는, 식품 검사, 수화물 검사, 기판 검사, 전지 검사, 재료 검사 등을 들 수 있다. 또한, 화상 취득 장치(1C)의 용도로서 의료 용도, 치과 용도, 공업 용도 등을 들 수 있다. 의료 용도란, 예를 들면, 흉부 X레이, 맘모그래피, CT(computed tomography), 듀얼 에너지 CT, 트모신센스 등이다. 치과 용도란, 투과, 파노라마 및 CT 등이다. 공업 용도란, 비파괴 검사, 시큐리티 및 전지 검사 등이다.
제3 실시 형태에 따른 화상 취득 장치(1C)는, 정지 상태의 대상물(F)을 투과하는 X선에 기초하는 X선 투과상을 촬상한 X선 화상을 출력한다. 다만, 화상 취득 장치(1C)는 상술한 화상 취득 장치(1)와 마찬가지로 벨트 컨베이어(60)를 가지고, 반송된 대상물(F)을 촬상하도록 구성되어 있어도 된다.
도 27은 X선 검출 카메라(10C)의 구성을 나타내는 블록도이다. X선 검출 카메라(10C)는, 도 25 및 도 27에 나타내지는 것처럼, 필터(19)와 신틸레이터층(11C)과, 2차원 센서(12C)와, 센서 제어부(13C)와, 출력부(14C)를 가지고 있다. 센서 제어부(13C)는 2차원 센서(12C), 출력부(14C) 및 제어 장치(20C)와 전기적으로 접속되어 있다. 출력부(14C)는 2차원 센서(12C) 및 제어 장치(20C)와도 전기적으로 접속되어 있다.
신틸레이터층(11C)은 2차원 센서(12C) 상에 접착 등에 의해 고정되어 있고, 대상물(F)을 투과한 X선을 신틸레이션광으로 변환한다(상세한 구성은 후술함.). 신틸레이터층(11C)은 신틸레이션광을 2차원 센서(12C)에 출력한다. 필터(19)는 X선의 소정 파장역을 신틸레이터층(11C)을 향해서 투과시킨다.
2차원 센서(12C)는 신틸레이터층(11C)로부터의 신틸레이션광을 검출하여, 전하로 변환하고, 검출 신호(전기신호)로서 출력부(14C)에 출력한다. 2차원 센서(12C)는, 예를 들면 라인 센서 또는 플랫 패널 센서이며, 기판(15C) 상에 배치되어 있다. 2차원 센서(12C)는 M×N개의 화소(P1,1~PM,N)가 M행 N열로 2차원 배열된 것이다. M×N개의 화소(P1,1~PM,N)는, 행방향 및 열방향의 쌍방으로 일정한 피치로 배열되어 있다. 화소 Pm,n는 제m행 제n열에 위치한다. 제m행의 N개의 화소 Pm,1~Pm,N 각각은, 제m행 선택용 배선 LV,m에 의해 센서 제어부(13C)와 접속되어 있다. 제n열의 M개의 화소 P1,n~PM,n 각각의 출력단은, 제n열 판독용 배선 LO,n에 의해 출력부(14C)와 접속되어 있다. 또한, M, N은 각각 2 이상의 정수이며, m은 1 이상 M 이하의 각 정수이며, n는 1 이상 N 이하의 각 정수이다.
출력부(14C)는 판독용 배선 LO,n을 거쳐 입력된 전하의 양에 기초하여 생성된 디지털 값을 출력한다. 출력부(14C)는 N개의 적분 회로(41(1)~41(N))와 N개의 홀드(42(1)~42(N))와, AD 변환부(43) 및 기억부(44)를 포함한다. 각 적분 회로(41(n))는 공통의 구성을 가진다. 또, 각 홀드 회로(42(n))는 공통의 구성을 가진다.
각 적분 회로(41(n))는 어느 열 판독용 배선 LO,n을 통해서 입력단에 입력된 전하를 축적한다. 각 적분 회로(41(n))는 축적 전하량에 따른 전압값을 출력단으로부터 홀드 회로(42(n))로 출력한다. N개의 적분 회로(41(1)~41(N)) 각각은, 리셋용 배선 LR에 의해 센서 제어부(13C)와 접속되어 있다.
각 홀드 회로(42(n))는 적분 회로(41(n))의 출력단과 접속된 입력단을 가진다. 각 홀드 회로(42(n))는 입력단에 입력되는 전압값을 홀드하고, 홀드한 전압값을 출력단으로부터 AD 변환부(43)로 출력한다. N개의 홀드 회로(42(1)~42(N)) 각각은, 홀드용 배선 LH에 의해 센서 제어부(13C)와 접속되어 있다. 또, 각 홀드 회로(42(n))는 제n열 선택용 배선 LH,n에 의해 센서 제어부(13C)와 접속되어 있다.
AD 변환부(43)는 N개의 홀드 회로(42(1)~42(N)) 각각으로부터 출력되는 전압값을 입력하고, 입력한 전압값(아날로그값)에 대해서 AD 변환 처리를 한다. AD 변환부(43)는, 입력한 전압값에 따른 디지털 값을 기억부(44)에 출력한다. 기억부(44)는 AD 변환부(43)로부터 출력되는 디지털 값을 입력하여 기억하고, 기억한 디지털 값을 차례로 출력한다.
센서 제어부(13C)는 제m행 선택 제어 신호 Vsel(m)를, 제m행 선택용 배선 LV,m을 통해서 제m행의 N개의 화소 Pm,1~Pm,N 각각에 출력한다. 센서 제어부(13C)는 리셋 제어 신호 Reset를, 리셋용 배선 LR을 통해서 N개의 적분 회로(41(1)~41(N)) 각각에 출력한다. 센서 제어부(13C)는 홀드 제어 신호 Hold를, 홀드용 배선 LH을 통해서 N개의 홀드 회로(42(1)~42(N)) 각각에 출력한다. 센서 제어부(13C)는 제n열 선택 제어 신호 Hsel(n)을, 제n열 선택용 배선 LH,n을 통해서 홀드 회로(42(n))에 출력한다. 또, 센서 제어부(13C)는 AD 변환부(43)에 있어서의 AD 변환 처리를 제어하여, 기억부(44)에 있어서의 디지털 값의 기입 및 판독도 제어한다.
상기 구성의 2차원 센서(12C) 상에 배치된 신틸레이터층(11C)의 구성에 대해 설명한다. 도 28은 신틸레이터층(11C)의 구성을 나타내는 도면이며, 상방에 기판(15C)의 두께 방향에 따른 단면도, 하방에 2차원 센서(12C)가 배치된 면측에서 본 기판(15C)을 나타내는 평면도이다. 이와 같이, 신틸레이터층(11C)은 기판(15C)에 따라서 M×N개로 늘어서는 화소(P1,1~PM,N)에 대응하여 분리해서 배치되는 K×L개(K 및 L는, 1 이상의 정수)의 직사각형상의 신틸레이터부(Q1,1~QK,L)와 그러한 신틸레이터부(Q1,1~QK,L)의 사이에 위치하는 분리부(R)가 형성되어 이루어진다. 또한, 개수 L은 1 이상이고 또한 N 이하여도 되고, 개수 K는 1 이상이고 또한 M 이하여도 된다. 또한, 개수 L은 1 이상의 정수로서, N을 정수로 나눈 정수여도 되고, 개수 K는 1 이상의 정수이고, M을 정수로 나눈 정수여도 된다. 이 경우, 신틸레이터층(11C)의 분리부(R)의 간격에 따라 광의 퍼짐에 의한 흐릿함을 억제할 수 있다. 또, 개수 L은 N보다 큰 정수여도 되고, 개수 K는 M보다 큰 정수여도 된다. 이 경우, 신틸레이터층(11C)의 분리부(R)의 간격이 복수의 화소(P1,1~PM,N)의 간격보다도 작아지지만, 신틸레이터층(11C)과 복수의 화소(P1,1~PM,N)의 위치 맞춤이 용이하게 된다. 본 실시 형태에서는, 예를 들면 L=N, K=M이지만, 이것으로 한정되지 않는다.
K×L개의 신틸레이터부(Q1,1~QK,L)는, 입사하는 X선을 신틸레이션광으로 변환 가능한 신틸레이터 재료에 의해서 구성되고, 이것들에 의해서 화소(P1,1~PM,N)의 전체를 덮도록 배치된다. 일례로서는, M×N개의 신틸레이터부(Q1,1~QM,N)가, 각각에 대응하는 화소(P1,1~PM,N)의 전체를 덮도록 배치된다. 분리부(R)는 K×L개의 신틸레이터부(Q1,1~QK,L)를 구획하도록 그물코 모양으로 형성되어 신틸레이션광을 차폐 가능한 재료에 의해서 구성되어 있다. 또, 분리부(R)에는 신틸레이션광을 반사하는 재료가 포함되어 있어도 된다. 또한, 분리부(R)는 방사선을 차폐 가능한 재료에 의해서 구성되어 있어도 된다. 이러한 신틸레이터층(11C)을 구성하는 재료, 및 신틸레이터층(11C)의 제조 방법은, 예를 들면, 일본 특개 2001－99941호 공보, 혹은 일본 특개 2003－167060호 공보에 기재된 재료 및 제조 방법을 이용할 수 있다. 다만, 신틸레이터층(11C)의 재료 및 제조 방법은, 상기 문헌에 기재된 것으로 한정되지 않는다.
제어 장치(20C)는 X선 검출 카메라(10C)(보다 상세하게는 출력부(14C)의 기억부(44))로부터 출력된 디지털 신호에 기초하여 X선 화상을 생성한다. 생성된 X선 화상은, 후술하는 노이즈 제거 처리가 실시된 후에 표시 장치(30)에 출력되어 표시 장치(30)에 의해서 표시된다. 또, 제어 장치(20C)는, X선 조사기(50) 및 센서 제어부(13C)를 제어한다. 또한, 제3 실시 형태의 제어 장치(20C)는 X선 검출 카메라(10C)의 외부에 독립적으로 마련된 장치이지만, X선 검출 카메라(10C)의 내부에 일체화되어 있어도 된다.
여기서, 제3 실시 형태에 있어서의 구축부(206C)에 의한 학습 완료 모델(207C)의 구축 기능에 대해 설명한다. 도 29는 구축부(206C)에 의한 학습 완료 모델(207C)의 구축에 이용되는 교사 데이터(제1 실시 형태 및 제2 실시 형태에 있어서의 훈련 화상)인 화상 데이터의 작성 절차를 나타내는 순서도이다.
교사 데이터인 화상 데이터(교사 화상 데이터라고도 함.)는 컴퓨터에 의해서 다음의 절차로 작성된다. 먼저, 소정의 구조를 가지는 구조체의 화상(구조체 화상)을 작성한다(스텝 S301). 예를 들면, 시뮬레이션 계산에 의해, 소정의 구조를 가지는 구조체(예를 들면, 지그)의 화상을 작성해도 된다. 또, 소정의 구조를 가지는 차트 등의 구조체의 X선 화상을 취득해 구조체 화상을 작성해도 된다. 다음으로, 이 구조체 화상을 구성하는 복수의 화소 중에서 선택한 하나의 화소에 대해서, 화소값의 표준 편차인 시그마값을 산출한다(스텝 S302). 그리고, 스텝 S302에서 구한 시그마값에 기초하여, 노이즈 분포를 설정한다(스텝 S303). 이 노이즈 분포는 정규 분포(포아송 분포)와 비교하여, 노이즈가 부여된 화소값이 원래의 화소값을 상회하는 확률이 높게 되도록 설정되어 있고, 특히, 노이즈가 부여된 화소값이 원래의 화소값의 1.2배 이상이 되는 확률이, 높게 되어 있다(자세한 것은 후술함). 이와 같이, 시그마값에 기초하여 노이즈 분포를 설정함으로써 다양한 노이즈 조건의 교사 데이터를 생성할 수 있다. 이어서, 스텝 S303에서 시그마값에 기초하여 설정된 노이즈 분포에 따라서, 랜덤으로 설정된 노이즈값을 산출한다(스텝 S304). 또한, 하나의 화소의 화소값에 스텝 S304에서 구한 노이즈값을 부가함으로써, 교사 데이터인 화상 데이터를 구성하는 화소값을 생성한다(스텝 S305). 스텝 S302~스텝 S305까지의 처리를, 구조체 화상을 구성하는 복수의 화소 각각에 대해 행하고(스텝 S306), 교사 데이터가 되는 교사 화상 데이터를 생성한다(스텝 S307). 또, 교사 화상 데이터가 더 필요한 경우는, 스텝 S301~스텝 S307까지의 처리를, 다른 구조체 화상에 대해서 행하는 것을 판단하고(스텝 S308), 교사 데이터가 되는 다른 교사 화상 데이터를 생성한다. 또한, 다른 구조체 화상은, 동일한 구조를 가지는 구조체의 화상이어도 되고, 다른 구조를 가지는 구조체의 화상이어도 된다.
도 30 및 도 31은, 상술한 스텝 S303에서 설정된 노이즈 분포의 예를 나타내는 도면이다. 도 30 및 도 31의 가로축은, 화소의 노이즈값이 부가되기 전의 화소값을 100으로 하고 노이즈값이 부가된 화소값(이하, 노이즈 화소값이라고 표기함.)을 나타내고 있다. 도 30 및 도 31의 세로축은, 노이즈 화소값의 빈도의 상대값이다. 노이즈 화소값의 빈도의 상대값이란, 화소값에 노이즈를 부가한 후의 화소값의 상대적인 빈도를 나타내는 값이다. 각 노이즈 화소값에 있어서의 상대적인 값을, 각 노이즈 화소값에 있어서의 상대값의 합계값으로 나누면, 화소값이 노이즈값이 부가되었을 때에 각 노이즈 화소값이 되는 확률을 나타내는 값이 된다. 도 30 및 도 31에 나타내지는 노이즈 분포 G28, G29는, 신틸레이터를 이용한 촬상에 있어서 센서에 검출된 X선이 X선 화상에 흰점으로서 나타나는 것이 고려되어 설정되어 있다. 이 때문에, 상기 노이즈 분포 G28, G29는 정규 분포(포아송 분포)와 비교하여, 노이즈 화소값이 원래의 화소값을 상회하는 확률이 높게 되어 있고, 특히, 노이즈 화소값이 120 이상(X선 화상에 흰점이 생기는 경우에 상당하는 노이즈 화소값)이 되는 확률이 높게 되어 있다. 여기서, 센서에 검출된 X선이 X선 화상에 흰점으로서 나타나는 경우란, X선이 신틸레이터에서 흡수되지 않고 신틸레이터를 투과해 버려, 센서에서 전자로 직접 변환되었을 경우이다. X선이 신틸레이터에서 흡수되고, 가시광으로 변환되었을 경우, 센서는 가시광을 검출한다. 한편, X선이 신틸레이터에 흡수되지 않는 경우, X선은 센서에 있어서 전자로 직접 변환된다. 즉, 가시광을 검출하는 센서가, 신틸레이터층(11C)에서 생긴 신틸레이션광(가시광)뿐만이 아니라, 신틸레이터층(11C)을 투과한 X선도 검출해 버린다. 이 때, 센서에 입사한 X선으로부터 발생하는 전자수는, X선이 신틸레이터에서 가시광으로 변환되었을 경우에 비해서 많은 것이 되기 때문에, 신틸레이터층(11C)을 투과한 X선은, X선 화상에 대해 흰점으로서 나타나 버린다. 이 흰점의 발생은, X선 화상에 있어서의 노이즈의 원인이 되어 버린다. 따라서, 상술한 노이즈 분포를 이용하여 학습 완료 모델(207C)을 구축하고, 구축한 학습 완료 모델(207C)을 이용하여 노이즈 제거가 실행되어 것에 따라, X선 화상에 나타난 흰점을 노이즈로서 제거할 수 있다. 또한, 흰점이 생기기 쉬운 경우란, 예를 들면 X선 조사기의 관전압이 높은 경우 등이다.
또한, 학습 완료 모델(207C)의 구축에 이용되는 교사 데이터인 화상 데이터는 다수 준비할 필요가 있다. 또, 구조체 화상은 노이즈가 적은 화상이 좋고, 이상적으로는, 노이즈가 없는 화상이 좋다. 그 때문에, 시뮬레이션 계산에 의해서 구조체 화상을 생성하면, 노이즈가 없는 화상을 많이 생성할 수 있으므로, 시뮬레이션 계산에 의해서, 구조체 화상을 생성하는 것은 효과적이다.
제3 실시 형태의 화상 취득 장치(1C)는, 플랫 패널 센서로서 2차원 센서(12C)를 구비하고 있다. 그리고, 2차원 센서(12C)의 화소(P1,1~PM,N)마다 신틸레이터층(11C)의 신틸레이터부(Q1,1~QM,N) 및 분리부(R)가 마련되어 있다. 이것에 의해, 화상 취득 장치(1C)에 의해 취득되는 X선 화상에 있어서, 화상이 희미해지는 것이 저감된다. 그 결과, X선 화상에 있어서의 콘트라스트가 보다 높아짐과 아울러 노이즈의 강도가 보다 높아진다. 여기서, 제3 실시 형태의 화상 취득 장치(1C)에서는, 미리 기계 학습에 의해서 구축된 학습 완료 모델(207C)을 이용하여, X선 화상에 있어서의 화소값과 노이즈값의 표준 편차의 관계에 대응한 노이즈 제거가 실행된다. 이것에 의해, 상기 X선 화상에 있어서, 노이즈의 강도만이 저감된다. 이상으로부터, 화상 취득 장치(1C)는 노이즈의 강도가 저감됨과 동시에 콘트라스트가 높아진 X선 화상을 취득할 수 있다.
도 32의 (a), 도 32의 (b) 및 도 32의 (c)에는, 화상 취득 장치(1C)에 의해서 취득된 X선 화상의 시뮬레이션 결과의 예가 각각 나타내져 있다. 도 32의 (a)에 나타내지는 것처럼 X선 화상 G30은, CsI(아이오딘화 세슘)으로 이루어지는 신틸레이터를 신틸레이터층(11C)으로서 이용하여 촬상되었다고 하는 조건에 기초하여 시뮬레이션 계산에 의해 생성된 X선 화상이다. CsI으로 이루어지는 신틸레이터는, 예를 들면, 2차원 센서(12C)의 화소를 따라서 연장되는 1장의 시트 모양의 형상을 가지는 것이다. CsI으로 이루어지는 신틸레이터의 두께는, 450μm로 설정되어 있다. 도 32의 (b)에 나타내지는 X선 화상 G31은, 도 28에 나타낸 구조의 픽셀 신틸레이터를 신틸레이터층(11C)으로서 이용하여 촬상되었다고 하는 조건에 기초하여 시뮬레이션 계산에 의해 생성된 X선 화상이다. 도 32의 (c)에 나타내지는 X선 화상 G32는, 픽셀 신틸레이터를 신틸레이터층(11C)으로서 이용하여 촬상되어 화소값과 노이즈값의 표준 편차의 관계에 대응한 노이즈 제거가 행해졌다고 하는 조건(제3 실시 형태에 따른 화상 취득 장치(1C)와 마찬가지의 노이즈 제거를 행했다고 하는 조건)에 기초하여 시뮬레이션 계산에 의해 생성된 X선 화상이다. 이 경우, 픽셀 신틸레이터는 화소마다 마련되어 있다. 픽셀 신틸레이터의 두께는, 예를 들면, 200μm로 설정되어 있다. 픽셀 신틸레이터의 격벽(분리부)의 화소의 배열된 방향을 따른 두께는 40μm로 설정되어 있다. 또한, X선 화상 G32는, X선 화상 G31에 있어서, 화소값과 노이즈값의 표준 편차의 관계에 대응한 노이즈 제거가 실행된 후의 X선 화상이다. 또, 각 시뮬레이션에 있어서 2차원 센서의 화소는, 한 변이 120μm의 직사각형상을 나타내는 것으로 설정되어 있다.
이하, X선 화상 G30, G31 및 G32에 있어서, 노이즈의 크기를 나타내는 값이란, 배경의 부분(검은 점이 비치지 않은 부분)에 있어서의 강도의 표준 편차의 값이다. 콘트라스트를 나타내는 값이란, 배경의 부분에 있어서의 강도의 평균값과 검은 점이 찍혀 있는 부분의 강도의 최소값의 차분이다. 또한, X선 화상 G30, G31 및 G32에 있어서의 CN비(CNR：Contrast to Noise Ratio)란, 콘트라스트를 나타내는 값을 노이즈의 크기를 나타내는 값으로 나눈 값이다. X선 화상 G30, G31 및 G32에 있어서, 노이즈의 크기를 나타내는 값은, 각각 301.8, 1420.0 및 37.9이며, 콘트라스트를 나타내는 값은, 각각 3808.1, 9670.9 및 8844.3이다. 그리고, X선 화상 G30, G31 및 G32에 있어서, CN비는 각각 12.62, 6.81 및 233.16이다.
픽셀 신틸레이터가 이용된 X선 화상 G31에서는, X선 화상 G30과 비교하여, 콘트라스트가 높아짐과 아울러 노이즈도 커져 있다. 환언하면, X선 화상 G31에 있어서의 CN비는, X선 화상 G30의 CN비의 1/2배가 되어 있다. 즉, 픽셀 신틸레이터를 신틸레이터층(11C)으로서 이용하는 것만으로는, 노이즈가 충분히 제거된 X선 화상을 취득할 수 없다. 이것에 대해서, 제3 실시 형태에 의하면, 픽셀 신틸레이터를 신틸레이터층(11C)으로서 이용한 다음 취득된 X선 화상에 대해서, 미리 기계 학습에 의해서 구축된 학습 완료 모델(207C)을 이용하여 X선 화상에 있어서의 화소값과 노이즈값의 표준 편차의 관계에 대응한 노이즈 제거가 실행된다. 이것에 의해, 제3 실시 형태에 따른 X선 화상 G32에서는, X선 화상 G30과 비교하여 콘트라스트가 높아짐과 아울러 노이즈가 저감된다. 그리고, X선 화상 G32에 있어서의 CN비는, X선 화상 G30의 CN비의 20배가 된다. 즉, 제3 실시 형태에 따른 화상 취득 장치(1C)는 X선 화상 G32의 시뮬레이션 조건과 마찬가지의 조건을 가지고 있기 때문에, 노이즈가 충분히 제거된 X선 화상을 취득할 수 있다.
또, 제3 실시 형태의 제어 장치(20C)에 있어서, 노이즈 분포는 정규 분포와 비교하여, 노이즈가 부여된 화소값이 원래의 화소값을 상회하는 확률이 높게 되어 있다. 그리고, 노이즈 분포에 따라서 노이즈가 부여된 화소값이 산출되어 교사 화상 데이터가 생성된다. 생성된 교사 화상 데이터를 이용하여, 학습 완료 모델(207C)이 구축된다. 구축된 학습 완료 모델(207C)에, X선 화상 및 노이즈 표준 편차 맵이 입력되어 X선 화상으로부터 노이즈를 제거하는 화상 처리가 실행된다. 이러한 구성에 의하면, 신틸레이터를 이용한 촬상에 있어서 센서에 검출된 X선이 X선 화상에 흰점으로서 나타나는 것이 고려되어, X선 화상으로부터 노이즈를 제거하는 화상 처리가 실행된다. 그 결과, 신틸레이터층(11C)을 이용한 화상 취득 장치(1C)에 있어서, 노이즈가 보다 효과적으로 제거된 X선 화상을 취득할 수 있다.
［구축부(206)의 보충 설명］
구축부(206)에 의한 학습 완료 모델(207)의 구축은, 구축부(206C)에 의한 학습 완료 모델(207C)의 구축과 마찬가지로 실행된다. 단, 스텝 S303에서 설정되는 노이즈 분포는, 상술한 노이즈 분포(G28 및 G29) 등의 노이즈 분포가 아니고, 정규 분포이다. 도 33은 교사 데이터의 생성에 이용되는 정규 분포 G33을 나타내는 도면이다. 도 33의 가로축은, 화소의 노이즈값이 부가되기 전의 화소값을 100으로 하여 노이즈값이 부가된 화소값을 나타내고 있다. 도 33의 세로축은, 노이즈 화소값의 빈도를 나타내는 상대적인 값이다.
이상, 본 개시의 다양한 실시 형태에 대해 설명했지만, 본 개시의 실시 형태는, 상기 실시 형태로 한정되는 것은 아니다. 예를 들면, X선 검출 카메라(10)는 듀얼 라인 X선 카메라에 한정하지 않고, 싱글 라인 X선 카메라, 혹은 듀얼 에너지 X선 카메라, TDI(Time Delay Integration) 스캔 X선 카메라, 2라인 이상의 복수의 라인을 가지는 멀티 라인 X선 카메라, 2차원 X선 카메라, X선 플랫 패널 센서, X선I.I, 신틸레이터를 이용하지 않는 직접 변환형 X선 카메라(a-Se, Si, CdTe, CdZnTe, TlBr, PbI2 등), 신틸레이터를 렌즈 커플링에 의한 광학 렌즈를 이용한 관찰 방식의 카메라, 방사선에 감도가 있는 촬상관, 방사선에 감도가 있는 포인트 센서여도 된다. 또, 화상 취득 장치(1)에 대해서도 상기 실시 형태로 한정되는 것이 아니고, CT(Computed Tomography) 장치 등, 대상물(F)을 정지시킨 상태로 촬상하는 방사선 화상 처리 시스템이어도 된다. 또한, 대상물(F)을 회전시키면서 촬상하는 방사선 화상 처리 시스템이어도 된다.
또, 상술한 실시 형태에 있어서, 노이즈 맵 생성 스텝에서는, 대상물을 투과한 방사선에 관한 평균 에너지, 및 방사선 화상의 각 화소의 화소값으로부터, 평가값을 도출하는 것이 바람직하다. 또, 상기 실시 형태에 있어서, 노이즈 맵 생성부에서는, 대상물을 투과한 방사선에 관한 평균 에너지, 및 방사선 화상의 각 화소의 화소값으로부터, 평가값을 도출하는 것이 바람직하다. 여기서, 비교예에서는, 예를 들면, 평균 에너지가 변화하면, 방사선 화상에 있어서의 화소값과 노이즈의 관계가 변동해 버려, 학습 완료 모델을 이용하더라도 노이즈를 충분히 제거할 수 없다. 이 점, 상기의 구성을 취함으로써, 대상물을 투과한 방사선에 관한 평균 에너지가 고려되어, 방사선 화상의 각 화소의 화소값에 있어서의 노이즈값의 분포가 평가되기 때문에, 방사선 화상에 있어서의 화소값과 노이즈의 분포의 관계에 대응한 노이즈 제거를 실현할 수 있다. 그 결과, 방사선 화상에 있어서의 노이즈를 보다 효과적으로 제거할 수 있다.
상기 실시 형태에 있어서는, 방사선을 조사하여 대상물을 촬상할 때의 방사선의 발생원의 조건 혹은 촬상 조건 중 어느 것을 나타내는 조건 정보의 입력을 접수하는 입력 스텝, 조건 정보를 기초로, 평균 에너지를 산출하는 산출 스텝을 더 구비하는 것도 바람직하다. 상기 실시 형태에 있어서는, 방사선을 조사하여 대상물을 촬상할 때의 방사선의 발생원의 조건 혹은 촬상 조건 중 어느 것을 나타내는 조건 정보의 입력을 접수하는 입력부, 조건 정보를 기초로, 평균 에너지를 산출하는 산출부를 더 구비하는 것도 바람직하다. 또한, 조건 정보에는 발생원의 관전압, 대상물에 관한 정보, 대상물의 촬상에 이용하는 카메라가 구비하는 필터의 정보, 발생원이 구비하는 필터의 정보, 대상물의 촬상에 이용하는 카메라가 구비하는 신틸레이터의 정보 중 어느 1개가 적어도 포함되는, 것도 바람직하다. 이러한 구성에 의하면, 대상물을 투과하는 방사선의 평균 에너지가 정밀도 좋게 계산되므로, 화소값과 노이즈의 분포의 관계에 대응한 노이즈 제거를 실현할 수 있다. 그 결과, 방사선 화상에 있어서의 노이즈를 더 효과적으로 제거할 수 있다.
상기 실시 형태에 있어서는, 방사선 화상의 각 화소의 화소값으로부터 평균 에너지를 산출하는 산출 스텝을 더 구비하는 것이 바람직하다. 상기 실시 형태에 있어서는, 방사선 화상의 각 화소의 화소값으로부터 평균 에너지를 산출하는 산출부를 더 구비하는 것이 바람직하다. 이러한 구성에 의하면, 대상물을 투과하는 방사선의 평균 에너지가, 방사선 화상의 각 화소의 화소값마다 정밀도 좋게 계산되므로, 방사선 화상의 각 화소의 화소값과 노이즈의 분포의 관계에 대응한 노이즈 제거를 실현할 수 있다. 그 결과, 방사선 화상에 있어서의 노이즈를 더 효과적으로 제거할 수 있다.
또, 화상 취득 스텝에서는, 지그에 방사선이 조사되어 지그를 투과한 방사선이 촬상된 지그의 방사선 화상을 취득하고, 노이즈 맵 생성 스텝에서는, 지그의 방사선 화상으로부터 관계 데이터를 도출하는 것이 바람직하다. 또, 화상 취득부에서는, 지그에 방사선이 조사되어 지그를 투과한 방사선이 촬상된 지그의 방사선 화상을 취득하고, 노이즈 맵 생성부에서는, 지그의 방사선 화상으로부터 관계 데이터를 도출하는 것이 바람직하다. 이러한 구성에 의하면, 실제로 지그를 촬상하여 얻어지는 방사선 화상을 기초로 관계 데이터가 생성되어 노이즈 맵이 생성되기 때문에, 화소값과 노이즈의 분포의 관계에 대응한 노이즈 제거를 실현할 수 있다. 그 결과, 방사선 화상에 있어서의 노이즈를 보다 효과적으로 제거할 수 있다.
또, 화상 취득 스텝에서는 대상물이 없는 상태에서 촬상된 복수의 방사선 화상을 취득하고, 노이즈 맵 생성 스텝에서는, 복수의 방사선 화상으로부터 관계 데이터를 도출하고, 복수의 방사선 화상은, 방사선의 발생원의 조건 및 촬상 조건 중 적어도 일방의 조건이 서로 다른 복수의 화상인 것이 바람직하다. 또, 화상 취득부에서는, 대상물이 없는 상태에서 촬상된 복수의 방사선 화상을 취득하고, 노이즈 맵 생성부에서는, 복수의 방사선 화상으로부터 관계 데이터를 도출하고, 복수의 방사선 화상은, 방사선의 발생원의 조건 및 촬상 조건 중 적어도 일방의 조건이 서로 다른 복수의 화상인 것이 바람직하다. 이러한 구성에 의하면, 실제로 촬상하여 얻어지는 방사선 화상을 기초로 관계 데이터가 생성되어 노이즈 맵이 생성되기 때문에, 화소값과 노이즈의 분포의 관계에 대응한 노이즈 제거를 실현할 수 있다. 그 결과, 방사선 화상에 있어서의 노이즈를 보다 효과적으로 제거할 수 있다.
또, 평가값은 노이즈값의 표준 편차인 것이 바람직하다. 이것에 의해, 방사선 화상의 각 화소의 화소값에 있어서의 노이즈값의 분포가 보다 정밀하게 평가되므로, 화소값과 노이즈의 관계에 대응한 노이즈 제거를 실현할 수 있다. 그 결과, 방사선 화상에 있어서의 노이즈를 보다 효과적으로 제거할 수 있다.
상기 실시 형태에 따른 기계 학습 방법은, 방사선 화상을 훈련 화상으로 하고, 화소값과 노이즈값의 분포를 평가한 평가값의 관계를 나타내는 관계 데이터에 기초하여, 훈련 화상으로부터 생성된 노이즈 맵, 및 훈련 화상으로부터 노이즈가 제거된 데이터인 노이즈 제거 화상 데이터를 훈련 데이터로서 이용하고, 훈련 화상 및 노이즈 맵을 기초로 노이즈 제거 화상 데이터를 출력하는 학습 완료 모델을, 기계 학습에 의해서 구축하는 구축 스텝을 구비한다. 상기 다른 측면에 있어서는, 방사선 화상인 훈련 화상, 관계 데이터에 기초하여, 훈련 화상으로부터 생성된 노이즈 맵, 및 훈련 화상으로부터 노이즈가 제거된 데이터인 노이즈 제거 화상 데이터를 훈련 데이터로서 이용하고, 훈련 화상 및 노이즈 맵을 기초로 노이즈 제거 화상 데이터를 출력하는 학습 완료 모델을, 기계 학습에 의해서 구축하는 구축부, 를 더 구비하는 것이 바람직하다. 이러한 구성에 의하면, 방사선 화상의 노이즈 제거에 이용되는 학습 완료 모델은, 훈련 데이터를 이용한 기계 학습에 의해서 구축된다. 이것에 의해, 학습 완료 모델에, 방사선 화상, 및 그 방사선 화상으로부터 생성된 노이즈 맵이 입력되면, 화소값과 노이즈의 분포의 관계에 대응한 노이즈 제거를 실현할 수 있다. 그 결과, 대상물의 방사선 화상에 있어서의 노이즈를 보다 효과적으로 제거할 수 있다.
혹은, 상기 실시 형태에 따른 학습 완료 모델은, 상기의 구축 스텝에 의해서 구축되는 학습 완료 모델로서, 프로세서에, 대상물의 방사선 화상으로부터 노이즈를 제거하는 화상 처리를 실행시킨다. 상기 다른 측면에 있어서는, 그 방사선 화상의 각 화소의 화소값으로부터 평가되는 노이즈값의 분포가 고려되어, 그 방사선 화상으로부터 노이즈가 기계 학습에 의해 제거된다. 이것에 의해, 학습 완료 모델을 이용하여, 방사선 화상에 있어서의 화소값과 노이즈의 분포의 관계에 대응한 노이즈 제거를 실현할 수 있다. 그 결과, 방사선 화상에 있어서의 노이즈를 효과적으로 제거할 수 있다.
또한, 상기 실시 형태에 따른 기계 학습 방법의 전처리 방법은, 상기의 기계 학습 방법을 위한 훈련 데이터인 노이즈 맵을 생성하기 위해서, 화소값과 노이즈값의 분포를 평가한 평가값의 관계를 나타내는 관계 데이터에 기초하여, 방사선 화상의 각 화소의 화소값으로부터 평가값을 도출하고, 방사선 화상의 각 화소에 도출한 평가값을 대응 지은 데이터인 노이즈 맵을 생성하는 노이즈 맵 생성 스텝을 구비한다. 이러한 구성에 의하면, 상기의 기계 학습 방법을 위한 훈련 데이터인 노이즈 맵은, 화소값과 화소값과 노이즈값의 분포를 평가한 평가값의 관계에 대응한다. 이것에 의해, 상기의 기계 학습 방법에 의해 구축된 학습 완료 모델에, 방사선 화상, 및 그 방사선 화상으로부터 생성된 노이즈 맵이 입력되면, 화소값과 노이즈의 분포의 관계에 대응한 노이즈 제거를 실현할 수 있다. 그 결과, 대상물의 방사선 화상에 있어서의 노이즈를 보다 효과적으로 제거할 수 있다.
10…X선 검출 카메라(촬상 장치)(카메라)
12C…2차원 센서(라인 센서)(플랫 패널 센서)
20, 20A, 20B…제어 장치(방사선 화상 처리 모듈)
50…X선 조사기(방사선 발생원) 201…입력부
202, 202A…산출부 203, 203B…화상 취득부
204, 204A, 204B…노이즈 맵 생성부 205…처리부
206…구축부 207…학습 완료 모델
G5…노이즈 표준 편차 맵(노이즈 맵)
G3, G23, G24, G25…화소값과 노이즈값의 표준 편차의 대응 관계를 나타내는 관계 그래프(관계 데이터)
G7…훈련 화상 G26…지그의 X선 화상(방사선 화상)
F…대상물 P1…부재(지그)

Claims (22)

  1. 대상물에 방사선이 조사되어 상기 대상물을 투과한 방사선이 촬상된 방사선 화상을 취득하는 화상 취득 스텝과,
    화소값과 노이즈값의 분포를 평가한 평가값의 관계를 나타내는 관계 데이터에 기초하여, 상기 방사선 화상의 각 화소의 화소값으로부터 상기 평가값을 도출하고, 상기 방사선 화상의 각 화소에 도출한 상기 평가값을 대응 지은 데이터인 노이즈 맵을 생성하는 노이즈 맵 생성 스텝과,
    상기 방사선 화상 및 상기 노이즈 맵을, 미리 기계 학습에 의해서 구축된 학습 완료 모델에 입력하고, 상기 방사선 화상으로부터 노이즈를 제거하는 화상 처리를 실행하는 처리 스텝을 구비하는 방사선 화상 처리 방법.
  2. 청구항 1에 있어서,
    상기 노이즈 맵 생성 스텝에서는, 상기 대상물을 투과한 방사선에 관한 평균 에너지, 및 상기 방사선 화상의 각 화소의 화소값으로부터, 상기 평가값을 도출하는, 방사선 화상 처리 방법.
  3. 청구항 2에 있어서,
    방사선을 조사하여 상기 대상물을 촬상할 때의 방사선의 발생원의 조건 혹은 촬상 조건 중 어느 것을 나타내는 조건 정보의 입력을 접수하는 입력 스텝과,
    상기 조건 정보를 기초로, 상기 평균 에너지를 산출하는 산출 스텝을 더 구비하고,
    상기 조건 정보에는 상기 발생원의 관전압, 상기 대상물에 관한 정보, 상기 대상물의 촬상에 이용하는 카메라가 구비하는 필터의 정보, 상기 발생원이 구비하는 필터의 정보, 상기 카메라가 구비하는 신틸레이터의 정보 중 어느 1개가 적어도 포함되는, 방사선 화상 처리 방법.
  4. 청구항 2에 있어서,
    상기 방사선 화상의 각 화소의 화소값으로부터 상기 평균 에너지를 산출하는 산출 스텝을 더 구비하는, 방사선 화상 처리 방법.
  5. 청구항 1에 있어서,
    상기 화상 취득 스텝에서는, 지그에 방사선이 조사되어 상기 지그를 투과한 방사선이 촬상된 지그의 방사선 화상을 취득하고,
    상기 노이즈 맵 생성 스텝에서는, 상기 지그의 방사선 화상으로부터 상기 관계 데이터를 도출하는, 방사선 화상 처리 방법.
  6. 청구항 1에 있어서,
    상기 화상 취득 스텝에서는 상기 대상물이 없는 상태에서 촬상된 복수의 방사선 화상을 취득하고,
    상기 노이즈 맵 생성 스텝에서는 상기 복수의 방사선 화상으로부터 상기 관계 데이터를 도출하고,
    상기 복수의 방사선 화상은 방사선의 발생원의 조건 및 촬상 조건 중 적어도 일방의 조건이 서로 다른 복수의 화상인, 방사선 화상 처리 방법.
  7. 청구항 1 내지 청구항 6 중 어느 한 항에 있어서,
    상기 평가값은 노이즈값의 표준 편차인, 방사선 화상 처리 방법.
  8. 방사선 화상을 훈련 화상으로 하고, 화소값과 노이즈값의 분포를 평가한 평가값의 관계를 나타내는 관계 데이터에 기초하여, 상기 훈련 화상으로부터 생성된 노이즈 맵, 및 상기 훈련 화상으로부터 노이즈가 제거된 데이터인 노이즈 제거 화상 데이터를 훈련 데이터로서 이용하여, 상기 훈련 화상 및 상기 노이즈 맵을 기초로 상기 노이즈 제거 화상 데이터를 출력하는 학습 완료 모델을, 기계 학습에 의해서 구축하는 구축 스텝을 구비하는 기계 학습 방법.
  9. 청구항 8에 기재된 기계 학습 방법에 따라 구축되는 학습 완료 모델로서,
    프로세서에, 대상물의 방사선 화상으로부터 노이즈를 제거하는 화상 처리를 실행시키는 학습 완료 모델.
  10. 청구항 8에 기재된 기계 학습 방법의 전처리 방법으로서,
    상기 관계 데이터에 기초하여, 상기 방사선 화상의 각 화소의 화소값으로부터 상기 평가값을 도출하고, 상기 방사선 화상의 각 화소에 도출한 상기 평가값을 대응 지은 데이터인 노이즈 맵을 생성하는 노이즈 맵 생성 스텝을 구비하는 기계 학습 방법의 전처리 방법.
  11. 대상물에 방사선이 조사되어 상기 대상물을 투과한 방사선이 촬상된 방사선 화상을 취득하는 화상 취득부와,
    화소값과 노이즈값의 분포를 평가한 평가값의 관계를 나타내는 관계 데이터에 기초하여, 상기 방사선 화상의 각 화소의 화소값으로부터 상기 평가값을 도출하고, 상기 방사선 화상의 각 화소에 도출한 상기 평가값을 대응 지은 데이터인 노이즈 맵을 생성하는 노이즈 맵 생성부와,
    상기 방사선 화상 및 상기 노이즈 맵을, 미리 기계 학습에 의해서 구축된 학습 완료 모델에 입력하고, 상기 방사선 화상으로부터 노이즈를 제거하는 화상 처리를 실행하는 처리부를 구비하는 방사선 화상 처리 모듈.
  12. 청구항 11에 있어서,
    상기 노이즈 맵 생성부는 상기 대상물을 투과한 방사선에 관한 평균 에너지, 및 상기 방사선 화상의 각 화소의 화소값으로부터, 상기 평가값을 도출하는, 방사선 화상 처리 모듈.
  13. 청구항 12에 있어서,
    방사선을 조사하여 상기 대상물을 촬상할 때의 방사선의 발생원의 조건 혹은 촬상 조건 중 어느 것을 나타내는 조건 정보의 입력을 접수하는 입력부와,
    상기 조건 정보를 기초로, 상기 평균 에너지를 산출하는 산출부를 더 구비하고,
    상기 조건 정보에는, 상기 발생원의 관전압, 상기 대상물에 관한 정보, 상기 대상물의 촬상에 이용하는 카메라가 구비하는 필터의 정보, 상기 발생원이 구비하는 필터의 정보, 상기 대상물의 촬상에 이용하는 카메라가 구비하는 신틸레이터의 정보 중 어느 1개가 적어도 포함되는, 방사선 화상 처리 모듈.
  14. 청구항 12에 있어서,
    상기 방사선 화상의 각 화소의 화소값으로부터 상기 평균 에너지를 산출하는 산출부를 더 구비하는, 방사선 화상 처리 모듈.
  15. 청구항 11에 있어서,
    상기 화상 취득부는 지그에 방사선이 조사되어 상기 지그를 투과한 방사선이 촬상된 지그의 방사선 화상을 취득하고,
    상기 노이즈 맵 생성부에서는, 상기 지그의 방사선 화상으로부터 상기 관계 데이터를 도출하는 것을 더 구비하는 방사선 화상 처리 모듈.
  16. 청구항 11에 있어서,
    상기 화상 취득부는 상기 대상물이 없는 상태에서 촬상된 복수의 방사선 화상을 취득하고,
    상기 노이즈 맵 생성부는 상기 복수의 방사선 화상으로부터 상기 관계 데이터를 도출하고,
    상기 복수의 방사선 화상은 방사선의 발생원의 조건 및 촬상 조건 중 적어도 일방의 조건이 서로 다른 복수의 화상인, 방사선 화상 처리 모듈.
  17. 청구항 11 내지 청구항 16 중 어느 한 항에 있어서,
    상기 평가값은 노이즈값의 표준 편차인, 방사선 화상 처리 모듈.
  18. 청구항 11 내지 청구항 17 중 어느 한 항에 있어서,
    방사선 화상인 훈련 화상, 상기 관계 데이터에 기초하여, 상기 화상으로부터 생성된 상기 노이즈 맵, 및 상기 훈련 화상으로부터 노이즈가 제거된 데이터인 노이즈 제거 화상 데이터를 훈련 데이터로서 이용하여, 상기 훈련 화상 및 상기 노이즈 맵을 기초로 상기 노이즈 제거 화상 데이터를 출력하는 학습 완료 모델을, 기계 학습에 의해서 구축하는 구축부를 더 구비하는, 방사선 화상 처리 모듈.
  19. 프로세서를,
    대상물에 방사선이 조사되어 상기 대상물을 투과한 방사선이 촬상된 방사선 화상을 취득하는 화상 취득부,
    화소값과 노이즈값의 분포를 평가한 평가값의 관계를 나타내는 관계 데이터에 기초하여, 상기 방사선 화상의 각 화소의 화소값으로부터 상기 평가값을 도출하고, 상기 방사선 화상의 각 화소에 도출한 상기 평가값을 대응 지은 데이터인 노이즈 맵 생성부, 및
    상기 방사선 화상 및 상기 노이즈 맵을, 미리 기계 학습에 의해서 구축된 학습 완료 모델에 입력하여, 상기 방사선 화상으로부터 노이즈를 제거하는 화상 처리를 실행하는 처리부로서 기능시키는 방사선 화상 처리 프로그램.
  20. 청구항 11 내지 청구항 18 중 어느 한 항에 기재된 방사선 화상 처리 모듈과,
    상기 대상물에 방사선을 조사하는 발생원과,
    상기 대상물을 투과한 방사선을 촬상하여 상기 방사선 화상을 취득하는 촬상 장치를 구비하는 방사선 화상 처리 시스템.
  21. 청구항 20에 있어서,
    상기 촬상 장치는 라인 센서를 가지는, 방사선 화상 처리 시스템.
  22. 청구항 20에 있어서,
    상기 촬상 장치는 2차원 센서를 가지는, 방사선 화상 처리 시스템.
KR1020237028293A 2021-02-15 2021-10-07 방사선 화상 처리 방법, 기계 학습 방법, 학습 완료 모델, 기계 학습의 전처리 방법, 방사선 화상 처리 모듈, 방사선 화상 처리 프로그램, 및 방사선 화상 처리 시스템 KR20230145081A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2021021673 2021-02-15
JPJP-P-2021-021673 2021-02-15
PCT/JP2021/037173 WO2022172506A1 (ja) 2021-02-15 2021-10-07 放射線画像処理方法、機械学習方法、学習済みモデル、機械学習の前処理方法、放射線画像処理モジュール、放射線画像処理プログラム、及び放射線画像処理システム

Publications (1)

Publication Number Publication Date
KR20230145081A true KR20230145081A (ko) 2023-10-17

Family

ID=82838581

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237028293A KR20230145081A (ko) 2021-02-15 2021-10-07 방사선 화상 처리 방법, 기계 학습 방법, 학습 완료 모델, 기계 학습의 전처리 방법, 방사선 화상 처리 모듈, 방사선 화상 처리 프로그램, 및 방사선 화상 처리 시스템

Country Status (7)

Country Link
US (1) US20240054617A1 (ko)
EP (1) EP4252658A1 (ko)
JP (1) JPWO2022172506A1 (ko)
KR (1) KR20230145081A (ko)
CN (1) CN116916827A (ko)
TW (2) TW202234049A (ko)
WO (1) WO2022172506A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019091393A (ja) 2017-11-10 2019-06-13 アジア航測株式会社 赤色立体地図画像を用いた点群種類推定装置及び赤色立体地図画像を用いた点群種類推定プログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001099941A (ja) 1999-09-30 2001-04-13 Hitachi Metals Ltd 放射線遮蔽板、放射線検出器及び放射線遮蔽板の製造方法
JP2003167060A (ja) 2001-11-30 2003-06-13 Toshiba Corp Ｘ線平面検出器
JP2013017511A (ja) * 2011-07-07 2013-01-31 Toshiba Corp 画像処理装置および方法、ｘ線診断装置
JP7123927B2 (ja) * 2016-12-06 2022-08-23 コーニンクレッカ フィリップス エヌ ヴェ 交互打ち消しを使用する画像ノイズ推定
JP6987352B2 (ja) * 2017-11-17 2021-12-22 富士フイルムヘルスケア株式会社 医用画像処理装置および医用画像処理方法
JP7302988B2 (ja) * 2019-03-07 2023-07-04 富士フイルムヘルスケア株式会社 医用撮像装置、医用画像処理装置、及び、医用画像処理プログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019091393A (ja) 2017-11-10 2019-06-13 アジア航測株式会社 赤色立体地図画像を用いた点群種類推定装置及び赤色立体地図画像を用いた点群種類推定プログラム

Also Published As

Publication number Publication date
US20240054617A1 (en) 2024-02-15
CN116916827A (zh) 2023-10-20
WO2022172506A1 (ja) 2022-08-18
JPWO2022172506A1 (ko) 2022-08-18
TW202234049A (zh) 2022-09-01
TW202238460A (zh) 2022-10-01
EP4252658A1 (en) 2023-10-04

Similar Documents

Publication Publication Date Title
CN102124372B (zh) 用于确定计数结果的处理电子器件和方法以及用于x射线成像设备的探测器
CN110072459B (zh) 用于自校准的自校准ct检测器、系统和方法
JP7085043B2 (ja) 画像処理装置、画像処理方法及びプログラム
JP2022084954A (ja) 画像処理装置、画像処理方法及びプログラム
JP5452131B2 (ja) Ｘ線検出器およびｘ線検査装置
WO2022148033A1 (zh) 多排双能线阵探测器扫描方法、系统、介质及装置
JP6676337B2 (ja) 放射線撮像システム、放射線画像の情報処理装置、放射線画像の情報処理方法、及び、そのプログラム
WO2023281890A1 (ja) 放射線画像取得装置、放射線画像取得システム、及び放射線画像取得方法
JP2002034961A (ja) 放射線撮影装置及び放射線撮影方法
WO2021210618A1 (ja) 放射線画像処理方法、学習済みモデル、放射線画像処理モジュール、放射線画像処理プログラム、及び放射線画像処理システム
JP7060446B2 (ja) Ｘ線ラインセンサ及びそれを用いたｘ線異物検出装置
KR20230145081A (ko) 방사선 화상 처리 방법, 기계 학습 방법, 학습 완료 모델, 기계 학습의 전처리 방법, 방사선 화상 처리 모듈, 방사선 화상 처리 프로그램, 및 방사선 화상 처리 시스템
JP2020065727A (ja) 放射線撮影装置、放射線撮影方法及びプログラム
JP6700737B2 (ja) 放射線撮像システム、信号処理装置、及び、放射線画像の信号処理方法
WO2021210612A1 (ja) 放射線画像取得装置、放射線画像取得システム、及び放射線画像取得方法
WO2021210617A1 (ja) 放射線画像処理方法、学習済みモデル、放射線画像処理モジュール、放射線画像処理プログラム、放射線画像処理システム、及び機械学習方法
TW202307465A (zh) 放射線圖像處理方法、學習完成模型、放射線圖像處理模組、放射線圖像處理程式、放射線圖像處理系統及機器學習方法
TW202307785A (zh) 放射線圖像處理方法、學習完成模型、放射線圖像處理模組、放射線圖像處理程式及放射線圖像處理系統
JP2008237836A (ja) 放射線撮像装置及び方法
US11185303B2 (en) Image processing apparatus, radiography system, image processing method, and image processing program
JP2021056138A (ja) 放射線撮像装置、放射線撮像方法及びプログラム
JP2015080565A (ja) 放射線撮影装置及びその制御方法

Legal Events

Date Code Title Description
A201 Request for examination