TW202238460A - 放射線圖像處理方法、機械學習方法、學習完成模型、機械學習之前處理方法、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 - Google Patents
放射線圖像處理方法、機械學習方法、學習完成模型、機械學習之前處理方法、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 Download PDFInfo
- Publication number
- TW202238460A TW202238460A TW110138122A TW110138122A TW202238460A TW 202238460 A TW202238460 A TW 202238460A TW 110138122 A TW110138122 A TW 110138122A TW 110138122 A TW110138122 A TW 110138122A TW 202238460 A TW202238460 A TW 202238460A
- Authority
- TW
- Taiwan
- Prior art keywords
- noise
- image
- radiographic image
- value
- pixel
- Prior art date
Links
- 238000012545 processing Methods 0.000 title claims abstract description 98
- 238000010801 machine learning Methods 0.000 title claims abstract description 51
- 238000003672 processing method Methods 0.000 title claims description 17
- 238000000034 method Methods 0.000 title description 27
- 238000007781 pre-processing Methods 0.000 title description 3
- 230000005855 radiation Effects 0.000 claims abstract description 83
- 238000011156 evaluation Methods 0.000 claims abstract description 61
- 230000001678 irradiating effect Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 94
- 238000012549 training Methods 0.000 claims description 69
- 238000003384 imaging method Methods 0.000 claims description 43
- 238000010276 construction Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 15
- 238000001514 detection method Methods 0.000 description 41
- 239000000463 material Substances 0.000 description 40
- 238000010586 diagram Methods 0.000 description 32
- 238000007689 inspection Methods 0.000 description 28
- 238000009826 distribution Methods 0.000 description 25
- 238000004088 simulation Methods 0.000 description 24
- 238000002834 transmittance Methods 0.000 description 19
- 238000001228 spectrum Methods 0.000 description 15
- 238000006243 chemical reaction Methods 0.000 description 13
- 230000015654 memory Effects 0.000 description 13
- 230000000052 comparative effect Effects 0.000 description 10
- 238000012937 correction Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 238000000926 separation method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 6
- 238000009795 derivation Methods 0.000 description 6
- 239000000758 substrate Substances 0.000 description 6
- 238000002083 X-ray spectrum Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 241000519995 Stachys sylvatica Species 0.000 description 4
- 230000003321 amplification Effects 0.000 description 4
- XQPRBTXUXXVTKB-UHFFFAOYSA-M caesium iodide Chemical compound [I-].[Cs+] XQPRBTXUXXVTKB-UHFFFAOYSA-M 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 239000013077 target material Substances 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 229920000139 polyethylene terephthalate Polymers 0.000 description 3
- 239000005020 polyethylene terephthalate Substances 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000011895 specific detection Methods 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- -1 Polyethylene terephthalate Polymers 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 235000018185 Betula X alpestris Nutrition 0.000 description 1
- 235000018212 Betula X uliginosa Nutrition 0.000 description 1
- 229910004613 CdTe Inorganic materials 0.000 description 1
- 229910004611 CdZnTe Inorganic materials 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000023004 detection of visible light Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000019688 fish Nutrition 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- RQQRAHKHDFPBMC-UHFFFAOYSA-L lead(ii) iodide Chemical compound I[Pb]I RQQRAHKHDFPBMC-UHFFFAOYSA-L 0.000 description 1
- 238000009607 mammography Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
-
- 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
-
- 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
- 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)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
Abstract
本發明之控制裝置20具備:圖像取得部203,其向對象物F照射放射線,取得拍攝透過對象物F之放射線而得之放射線圖像;雜訊圖生成部204,其基於表示像素值與評估雜訊值擴大之評估值之關係的關係資料,自放射線圖像之各像素之像素值導出評估值,生成將導出之評估值與放射線圖像之各像素建立對應之資料即雜訊圖;及處理部205,其將放射線圖像及雜訊圖輸入至預先藉由機械學習而建構出之學習完成模型207,執行自放射線圖像去除雜訊之圖像處理。
Description
實施形態之一態樣係關於一種放射線圖像處理方法、機械學習方法、學習完成模型、機械學習之前處理方法、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。
先前以來,已知有一種以圖像資料為對象、使用機械學習之學習完成模型進行雜訊去除之方法(例如,參照下述專利文獻1)。根據該方法,由於自動去除來自圖像資料之雜訊,故可精度良好地觀察對象物。
[先前技術文獻]
[專利文獻]
專利文獻1:日本專利特開2019-91393號公報
[發明所欲解決之問題]
如上述之先前之方法中,以藉由使X射線等放射線透過對象物而產生之放射線圖像為對象時,會有雜訊去除不充分之情形。例如,先前有根據X射線源等放射線產生源之條件、所使用之濾波器之種類等條件,圖像之像素值與雜訊之關係易於變動,無法有效去除雜訊之傾向。
因此,實施形態之一態樣係鑑於該問題而完成者,其課題在於提供一種可有效去除放射線圖像中之雜訊之放射線圖像處理方法、機械學習方法、學習完成模型、機械學習之前處理方法、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。
[解決問題之技術手段]
實施形態之一態樣之放射線圖像處理方法具備:圖像取得步驟,其向對象物照射放射線,取得拍攝透過對象物之放射線而得之放射線圖像;雜訊圖生成步驟,其基於表示像素值與評估雜訊值擴大之評估值之關係的關係資料,自放射線圖像之各像素之像素值導出評估值,生成將導出之評估值與放射線圖像之各像素建立對應之資料即雜訊圖;及處理步驟,其將放射線圖像及雜訊圖輸入至預先藉由機械學習而建構出之學習完成模型,執行自放射線圖像去除雜訊之圖像處理。
或者,實施形態之另一態樣之放射線圖像處理模組具備:圖像取得部,其向對象物照射放射線,取得拍攝透過對象物之放射線而得之放射線圖像;雜訊圖生成部,其基於表示像素值與評估雜訊值擴大之評估值之關係的關係資料,自放射線圖像之各像素之像素值導出評估值,生成將導出之評估值與放射線圖像之各像素建立對應之資料即雜訊圖;及處理部,其將放射線圖像及雜訊圖輸入至預先藉由機械學習而建構出之學習完成模型,執行自放射線圖像去除雜訊之圖像處理。
或者,實施形態之另一態樣之放射線圖像處理程式使處理器作為以下者發揮功能:圖像取得部,其向對象物照射放射線,取得拍攝透過對象物之放射線而得之放射線圖像;雜訊圖生成部,其基於表示像素值與評估雜訊值擴大之評估值之關係的關係資料,自放射線圖像之各像素之像素值導出評估值,生成將導出之評估值與放射線圖像之各像素建立對應之資料;及處理部,其將放射線圖像及雜訊圖輸入至預先藉由機械學習而建構出之學習完成模型,執行自放射線圖像去除雜訊之圖像處理。
或者,實施形態之另一態樣之放射線圖像處理系統具備:上述放射線模組;產生源,其向對象物照射放射線;及攝像裝置,其拍攝透過對象物之放射線而取得放射線圖像。
根據上述一態樣或另一態樣之任一者,基於表示像素值與評估雜訊值擴大之評估值之關係的關係資料,自放射線圖像之各圖像之像素值導出評估值,生成將導出之評估值與放射線圖像之各像素建立對應之資料即雜訊圖。且,將放射線圖像及雜訊圖輸入至預先藉由機械學習而建構出之學習完成模型,執行自放射線圖像去除雜訊之圖像處理。根據該構成,考慮到由放射線圖像之各像素之像素值評估而得的雜訊值擴大,將該放射線圖像之各像素中之雜訊藉由機械學習予以去除。藉此,可使用學習完成模型,實現與放射線圖像中之像素值及雜訊擴大之關係對應之雜訊去除,其結果,可有效地去除放射線圖像中之雜訊。
[發明之效果]
根據本揭示之一態樣,可有效地去除對象物之放射線圖像中之雜訊。
以下,參照隨附圖式,針對本揭示之實施形態詳細地說明。另,於說明中,對相同要件或具有相同功能之要件使用相同符號,並省略重複說明。
[第1實施形態]
圖1係第1實施形態之放射線圖像處理系統即圖像取得裝置1之構成圖。如圖1所示,圖像取得裝置1係對朝搬送方向TD搬送之對象物F照射X射線(放射線),基於透過對象物F之X射線取得拍攝對象物F之X射線透過圖像(放射線圖像)之裝置。圖像取得裝置1使用X射線圖像,進行以對象物F為對象之異物檢查、重量檢查、產品檢驗等,作為用途,列舉食品檢查、隨身行李檢查、基板檢查、電池檢查、材料檢查等。圖像取得裝置1構成為具備帶式輸送機(搬送機構)60、X射線照射器(放射線產生源)50、X射線檢測相機(攝像裝置)10、控制裝置(放射線圖像處理模組)20、顯示裝置30、及用以進行各種輸入的輸入裝置40。另,本揭示之實施形態之放射線圖像不限於X射線圖像,亦包含γ射線等X射線以外之放射線。
帶式輸送機60具有載置對象物F之皮帶部,藉由使該皮帶部朝搬送方向TD移動,將對象物F以特定之搬送速度朝搬送方向TD搬送。對象物F之搬送速度例如為48 m/分鐘。帶式輸送機60可視需要,將搬送速度變更為例如24 m/分鐘、或96 m/分鐘等之搬送速度。又,帶式輸送機60可適當變更皮帶部之高度位置,而變更X射線照射器50與對象物F之距離。另,作為以帶式輸送機60搬送之對象物F,可列舉例如肉類、魚貝類、農作物、點心等食品、輪胎等橡膠製品、樹脂製品、金屬製品、礦物等資源材料、廢棄物、及電子零件或電子基板等各種物品。X射線照射器50係將作為X射線源的X射線朝對象物F照射(輸出)之裝置。X射線照射器50為點光源,使X射線以特定之角度範圍朝一定之照射方向擴散照射。X射線照射器50以X射線之照射方向朝向帶式輸送機60、且擴散之X射線遍及於對象物F之整個寬度方向(與搬送方向TD交叉之方向)之方式,與帶式輸送機60隔開特定之距離而配置於帶式輸送機60之上方。又,於對象物F之長度方向(與搬送方向TD平行之方向)上,將X射線照射器50之照射範圍設為長度方向之特定分割範圍,將對象物F以帶式輸送機60向搬送方向TD搬送,藉此對於對象物F之整個長度方向照射X射線。X射線照射器50之管電壓及管電流由控制裝置20設定。X射線照射器50向帶式輸送機60照射與設定之管電壓及管電流對應之特定之能量、放射線量之X射線。又,於X射線照射器50之帶式輸送機60側附近,設有使X射線之特定波長域透過之濾波器51。濾波器51並非必須,亦可適當省略。
X射線檢測相機10檢測藉由X射線照射器50照射至對象物F之X射線中,透過對象物F之X射線,基於該X射線輸出信號。X射線檢測相機10為配置有2組檢測X射線之構成之雙線X射線相機。第1實施形態之圖像取得裝置1中,基於由雙線X射線相機之各個線(第1線及第2線)檢測出之X射線,分別產生X射線圖像。且,藉由對產生之2個X射線圖像進行平均處理或加算處理等,與基於由1條線檢測出之X射線產生X射線圖像之情形相比,能以較少之X射線量取得清晰(亮度較大)之圖像。
X射線檢測相機10具有濾波器19、閃爍器11a、11b、線掃描相機12a、12b、感測器控制部13、放大器14a、14b、AD(Analog-Digital:類比-數位)轉換器15a、15b、修正電路16a、16b、輸出介面17a、17b、及放大器控制部18。閃爍器11a、線掃描相機12a、放大器14a、AD轉換器15a、修正電路16a及輸出介面17a分別電性連接,為第1線之構成。又,閃爍器11b、線掃描相機12b、放大器14b、AD轉換器15b、修正電路16b及輸出介面17b分別電性連接,為第2線之構成。第1線之線掃描相機12a與第2線之線掃描相機12b沿搬送方向TD排列配置。另,以下,對於第1線與第2線共通之構成,以第1線之構成為代表進行說明。
閃爍器11a藉由接著等而固定於線掃描相機12a上,將透過對象物F之X射線轉換為閃爍光。閃爍器11a將閃爍光輸出至線掃描相機12a。濾波器19使X射線之特定波長域向閃爍器11透過。濾波器19並非必須,亦可適當省略。
線掃描相機12a檢測來自閃爍器11a之閃爍光,將其轉換為電荷,作為檢測信號(電性信號)輸出至放大器14a。線掃描相機12a具有在與搬送方向TD交叉之方向上排列之複數個線感測器。線感測器例如為CCD(Charge Coupled Device:電荷耦合元件)影像感測器、或CMOS(Complementary Metal-Oxide Semiconductor:互補金屬氧化物半導體)影像感測器等,且包含複數個光電二極體。
感測器控制部13以線掃描相機12a、12b可拍攝透過對象物F之相同區域之X射線之方式,控制線掃描相機12a、12b以特定之檢測週期重複拍攝。特定之檢測週期例如亦可基於線掃描相機12a、12b間之距離、帶式輸送機60之速度、X射線照射器50與帶式輸送機60上之對象物F之距離(FOD(Focus Object Distance:焦點物體間距離)、以及X射線照射器50與線掃描相機12a、12b之距離(FDD(Focus Detector Distance:焦點感測器間距離)),設定線掃描相機12a、12b共通之週期。又,特定之檢測週期亦可基於與線掃描相機12a、12b各者之線感測器之像素排列方向正交之方向的光電二極體之像素寬度,分別個別地設定。該情形時,亦可根據線掃描相機12a、12b間之距離、帶式輸送機60之速度、X射線照射器50與帶式輸送機60上之對象物F之距離(FOD)、以及X射線照射器50與線掃描相機12a、12b之距離(FDD),特定出線掃描相機12a、12b間之檢測週期之偏差(延遲時間),分別設定個別之週期。放大器14a將檢測信號以特定之設定放大率放大而產生放大信號,將該放大信號輸出至AD轉換器15a。設定放大率係由放大器控制部18設定之放大率。放大器控制部18基於特定之攝像條件,設定放大器14a、14b之設定放大率。
AD轉換器15a將由放大器14a輸出之放大信號(電壓信號)轉換為數位信號,輸出至修正電路16a。修正電路16a對數位信號進行信號放大等之特定修正,將修正後之數位信號輸出至輸出介面17a。輸出介面17a將數位信號輸出至X射線檢測相機10之外部。圖1中,AD轉換器或修正電路、輸出介面分別個別存在,但亦可整合為一個。
控制裝置20例如為PC(Personal Computer:個人電腦)等電腦。控制裝置20基於自X射線檢測相機10(更詳細而言為輸出介面17a、17b)輸出之數位信號(放大信號),產生X射線圖像。控制裝置20藉由將自輸出介面17a、17b輸出之2個數位信號進行平均處理或加算處理,而產生1個X射線圖像。對產生之X射線圖像實施後述之雜訊去除處理後,將其輸出至顯示裝置30,由顯示裝置30予以顯示。又,控制裝置20控制X射線照射器50、放大器控制部18及感測器控制部13。另,第1實施形態之控制裝置20雖為獨立設置於X射線檢測相機10之外部之裝置,但亦可於X射線檢測相機10之內部一體化。
圖2係顯示控制裝置20之硬體構成。如圖2所示,控制裝置20為實體上包含處理器即CPU(Central Processing Unit:中央處理單元)101及GPU105(Graphic Processing Unit:圖形處理單元)、記錄媒體即RAM(Random Access Memory:隨機存取記憶體)102及ROM(Read Only Memory:唯讀記憶體)103、通信模組104及輸入輸出模組106等之電腦等,且各者電性連接。另,控制裝置20可包含作為輸入裝置40及顯示裝置30之顯示器、鍵盤、滑鼠、觸控面板顯示器等,亦可包含硬碟驅動器、半導體記憶體等資料記錄裝置。又,控制裝置20亦可由複數個電腦構成。
圖3係顯示控制裝置20之功能構成之方塊圖。控制裝置20具備輸入部201、算出部202、圖像取得部203、雜訊圖生成部204、處理部205及建構部206。圖3所示之控制裝置20之各功能部藉由將程式(第1實施形態之放射線圖像處理程式)讀入CPU101、GPU105及RAM102等硬體上,於CPU101及GPU105之控制下,使通信模組104及輸入輸出模組106等動作,且進行RAM102之資料讀出及寫入而實現。控制裝置20之CPU101及GPU105藉由執行該電腦程式,使控制裝置20作為圖3之各功能部發揮功能,依序執行與後述之放射線圖像處理方法對應之處理。另,CPU101及GPU105可為單體之硬體,亦可為僅任一者。又,CPU101及GPU105亦可如軟體處理器般,安裝於如FPGA(Field Programmable Gate Array:場可程式化閘陣列)之可程式化邏輯中。關於RAM或ROM亦同樣可為單體之硬體,亦可為內置於如FPGA之可程式化邏輯中。執行該電腦程式所需之各種資料、及藉由執行該電腦程式而產生之各種資料,皆存儲於ROM103、RAM102等內置記憶體、或硬碟驅動器等記憶媒體中。又,於控制裝置20內之內置記憶體或記憶媒體中,藉由利用CPU101及GPU105讀入,而預先存儲有使CPU101及GPU105以X射線圖像為對象執行雜訊去除處理之學習完成模型207(後述)。
以下,針對控制裝置20之各功能部之功能之細節進行說明。
輸入部201受理條件資訊之輸入,該條件資訊為表示照射放射線並拍攝對象物F時之放射線產生源之條件或攝像條件之任一者。具體而言,輸入部201受理由圖像取得裝置1之使用者對於表示拍攝對象物F之X射線圖像時之X射線照射器(放射線產生源)50之動作條件、或X射線檢測相機10之攝像條件等的條件資訊之輸入。作為動作條件,列舉管電壓、靶材角度、靶材之材料等中之全部或部分。作為表示攝像條件之條件資訊,列舉以下之全部或部分:配置於X射線照射器50與X射線檢測相機10間之濾波器51、19之材質及厚度;X射線照射器50與X射線檢測相機10之距離(FDD);X射線檢測相機10之視窗材料之種類及X射線檢測相機10之閃爍器11a、11b之材料及厚度相關之資訊;X射線檢測相機資訊(例如增益設定值、電路雜訊值、飽和電荷量、轉換係數值(e-/count)、相機之線速率(Hz)或線速(m/min));及對象物F之資訊等。對於條件資訊之輸入,輸入部201可受理數值等資訊之直接輸入,亦可受理針對預先設定在內部記憶體之數值等資訊之選擇輸入。輸入部201受理由使用者對上述條件資訊之輸入,但亦可根據控制裝置20之控制狀態之檢測結果,取得部分條件資訊(管電壓等)。
算出部202基於條件資訊,算出透過對象物F之X射線(放射線)相關之平均能量。條件資訊中,至少包含產生源之管電壓、對象物F相關之資訊、用於拍攝對象物F之相機所具備之濾波器之資訊、相機所具備之閃爍器之資訊、及X射線產生源所具備之濾波器之資訊之任一者。具體而言,算出部202基於由輸入部201受理輸入之條件資訊,算出使用圖像取得裝置1使對象物F透過而由X射線檢測相機10檢測之X射線之平均能量值。例如,算出部202基於條件資訊中包含之管電壓、靶材角度、靶材之材料、濾波器51、19之材質及厚度及其有無、X射線檢測相機10之視窗材料之種類及其有無、X射線檢測相機10之閃爍器11a、11b之材料及厚度等資訊,使用例如眾所周知之Tucker等近似式,算出以X射線檢測相機10檢測之X射線之頻譜。且,算出部202自X射線之頻譜進而算出頻譜強度積分值與光子數積分值,藉由將頻譜強度積分值除以光子數積分值,算出X射線之平均能量值。
針對使用眾所周知之Tucker近似式之算出方法進行敘述。例如,若將靶材設定為鎢,將靶材角度特定為25°,則算出部202可決定Em:電子靶材碰撞時之動能、T:靶材中之電子動能、A:由靶材物質之原子序數決定之比例常數、ρ:靶材之密度、μ(E):靶材物質之線減弱係數、B:緩慢變化之Z與T之函數、C:Thomson-Whiddington(湯姆遜-惠丁頓)常數、θ:靶材角度、c:真空中之光速度。再者,算出部202基於該等而算出下述式(1),藉此可算出照射X射線頻譜。
接著,算出部202可使用下述式(2)之X射線之減弱式,算出透過濾波器及對象物F且由閃爍器吸收之X射線能譜。
【數2】
此處,μ為對象物F、濾波器、閃爍器等之減弱係數,x為對象物F、濾波器、閃爍器等之厚度。μ可由對象物F、濾波器及閃爍器之材質之資訊決定,x可由對象物F、濾波器及閃爍器之厚度資訊決定。X射線光子數頻譜藉由將該X射線能譜除以各X射線之能量而求得。算出部202藉由將能量強度之積分值除以光子數之積分值,使用下述式(3)算出X射線之平均能量。
平均能量E=頻譜強度積分值/光子數積分值…(3)
根據上述之計算過程,算出部202算出X射線之平均能量。另,對於X射線頻譜之算出,亦可使用眾所周知之Kramers或Birch等人之近似式。
圖像取得部203係對於對象物F照射放射線,取得拍攝透過對象物F之放射線的放射線圖像。具體而言,圖像取得部203基於自X射線檢測相機10(更詳細而言為輸出介面17a、17b)輸出之數位信號(放大信號),產生X射線圖像。圖像取得部203藉由將自輸出介面17a、17b輸出之2個數位信號進行平均處理或加算處理,而產生1個X射線圖像。圖4係顯示圖像取得部203取得之X射線圖像之一例之圖。
雜訊圖生成部204基於表示像素值與評估出雜訊值擴大之評估值之關係的關係資料,自放射線圖像之各像素之像素值導出評估值,生成將導出之評估值與放射線圖像之各像素建立對應之資料即雜訊圖。此時,雜訊圖生成部204自透過對象物F之放射線相關之平均能量、及放射線圖像之各圖像之像素值,導出評估值。具體而言,雜訊圖生成部204使用像素值與雜訊值之標準偏差(評估出雜訊值擴大之評估值)之關係式(關係資料),自藉由算出部202算出之X射線之平均能量、及藉由圖像取得部203取得之X射線圖像(放射線圖像)之各像素之像素值,導出雜訊值之標準偏差。雜訊圖生成部204藉由將導出之雜訊值之標準偏差與X射線圖像之各像素建立對應,而生成雜訊標準偏差圖(雜訊圖)。
由雜訊圖生成部204使用之像素值及平均能量與雜訊值之標準偏差之關係式,以下式(4)表示。
【數3】
上述式(4)中,變數Noise為表示雜訊值之標準偏差之資訊,變數Signal為表示像素之信號值(像素值)之資訊,常數F為表示雜訊因數(Noise Factor)之資訊,常數M為表示閃爍器之放大係數之資訊,常數C為表示X射線檢測相機10中線掃描相機12a與閃爍器11a、或線掃描相機12b與閃爍器11b之耦合效率(Coupling Efficiency)之資訊,常數Q為表示掃描相機12a或線掃描相機12b之量子效率(Quantum Efficiency)之資訊,常數cf為表示於線掃描相機12a或線掃描相機12b中將像素之信號值轉換為電荷之轉換係數之資訊,變數Em為表示X射線之平均能量之資訊,常數D為表示影像感測器中因熱雜訊而產生之暗電流雜訊之資訊,常數R為表示掃描相機12a或線掃描相機12b中之讀出雜訊之資訊。使用上述式(4)時,藉由雜訊圖生成部204,將由圖像取得部203取得之X射線圖像之各像素之像素值代入變數Signal,將由算出部202算出之平均能量之數值代入變數Em。且,藉由雜訊圖生成部204,獲得使用上述式(4)計算出之變數Noise,作為雜訊值之標準偏差之數值。另,包含平均能量之其他參數可藉由輸入部201受理輸入而取得,亦可預先設定。
圖5係顯示由雜訊圖生成部204生成之雜訊標準偏差圖之生成例之圖。雜訊圖生成部204使用像素值與雜訊值之標準偏差之關係式(4),將各種像素值代入變數Signal,取得像素值與變數Noise之對應關係,藉此導出表示像素值與雜訊值之標準偏差之對應關係之關係圖表G3。且,雜訊圖生成部204自藉由圖像取得部203取得之X射線圖像G1,導出表示各像素位置與像素值之對應關係之關係資料G2。再者,雜訊圖生成部204藉由將關係圖表G3所示之對應關係應用於關係資料G2之各像素值,而導出與X射線圖像中之各像素位置之像素對應之雜訊值之標準偏差。其結果,雜訊圖生成部204將導出之雜訊之標準偏差與各像素位置建立對應,導出表示各像素位置與雜訊之標準偏差之對應關係的關係資料G4。且,雜訊圖生成部204基於導出之關係資料G4,生成雜訊標準偏差圖G5。
處理部205將放射線圖像及雜訊圖輸入至預先藉由機械學習而建構之學習完成模型207,執行自放射線圖像去除雜訊之圖像處理。即,如圖6所示,處理部205自控制裝置20內之內置記憶體或記憶媒體,取得由建構部206建構之學習完成模型207(後述)。處理部205將藉由圖像取得部203取得之X射線圖像G1、及藉由雜訊圖生成部204生成之雜訊標準偏差圖G5輸入至學習完成模型207。藉此,處理部205使用學習完成模型207,執行自X射線圖像G1去除雜訊之圖像處理,而產生輸出圖像G6。且,處理部205將產生之輸出圖像G6輸出至顯示裝置30等。
建構部206將放射線圖像即訓練圖像、基於像素值與雜訊值之標準偏差之關係式自訓練圖像生成之雜訊圖、及自訓練圖像去除雜訊後之資料即雜訊去除圖像資料用作為訓練資料,藉由機械學習而建構基於訓練圖像及雜訊圖輸出雜訊去除圖像資料之學習完成模型207。建構部206將所建構之學習完成模型207記憶於控制裝置20內之內置記憶體或記憶媒體。機械學習有監督學習、無監督學習及強化學習,該等學習中,有深層學習(深度學習)、神經網路學習等。第1實施形態中,作為深度學習之演算法之一例,採用Kai Zhang等人之論文“Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising”中記載之2維卷積神經網路。另,學習完成模型207除藉由建構部206建構以外,亦可藉由外部之電腦等產生,且下載至控制裝置20。另,用於機械學習之放射線圖像包含拍攝已知構造物之放射線圖像,或重現該放射線圖像之圖像。
圖7係用於建構學習完成模型207之訓練資料之一者即訓練圖像之一例。作為訓練圖像,可使用以各種厚度、各種材質及各種解像度之圖案為攝像對象之X射線圖像。圖7所示之例為以雞肉為對而產生之訓練圖像G7。該訓練圖像G7可使用實際利用圖像取得裝置1以複數種已知構造物為對象而產生之X射線圖像,亦可使用藉由模擬計算產生之圖像。對於X射線圖像,亦可使用與圖像取得裝置1不同之裝置取得。
作為用以進行機械學習之前處理,建構部206基於表示像素值與評估雜訊值擴大之評估值之關係的關係資料,自放射線圖像之各像素之像素值導出評估值,生成將導出之評估值與放射線圖像之各像素建立對應之資料即雜訊圖。具體而言,建構部206建構學習完成模型207時,自圖像取得部203等取得藉由實際拍攝或模擬計算等而產生之訓練圖像。且,建構部206例如設定圖像取得裝置1之X射線照射器50之動作條件或圖像取得裝置1之攝像條件等。或者,建構部206設定模擬計算時之X射線照射器50之動作條件或攝像條件。建構部206使用與算出部202相同之方法,基於上述動作條件或攝像條件,計算X射線之平均能量。再者,建構部206使用與如圖5所示之雜訊圖生成部204之方法相同之方法,基於X射線之平均能量及該訓練圖像,生成雜訊標準偏差圖。即,機械學習方法之前處理方法具備雜訊圖生成步驟,其基於表示像素值與評估雜訊值擴大之評估值之關係的關係資料,自放射線圖像之各像素之像素值導出評估值,生成將導出之評估值與放射線圖像之各像素建立對應之資料即雜訊圖。
建構部206使用該訓練圖像、自該訓練圖像生成之雜訊圖、及自訓練圖像預先去除雜訊之資料即雜訊去除圖像資料作為訓練資料,藉由機械學習而建構學習完成模型207。具體而言,建構部206預先取得自該訓練圖像去除雜訊後之雜訊去除圖像資料。建構部206於訓練圖像為藉由模擬計算產生之X射線圖像之情形時,將訓練圖像之產生過程中附加雜訊前之圖像設為雜訊去除圖像資料。另一方面,若訓練圖像為實際使用圖像取得裝置1以複數種之已知構造物為對象產生之X射線圖像之情形時,建構部206使用平均值濾波器、或中值濾波器、雙邊濾波器、NLM(Non-Local Means:非局部均值)濾波器等之圖像處理,自X射線圖像去除雜訊,將去除雜訊後之圖像設為雜訊去除圖像資料。建構部206執行利用機械學習之訓練,建構基於該訓練圖像及雜訊標準偏差圖而輸出雜訊去除圖像資料之學習完成模型207。
接著,針對使用第1實施形態之圖像取得裝置1之對象物F之X射線透過像之觀察處理順序、即第1實施形態之放射線圖像處理方法之流程進行說明。圖8係顯示圖像取得裝置1之觀察處理順序之流程圖。
首先,藉由建構部206,使用訓練圖像、基於關係式自訓練圖像生成之雜訊標準偏差圖,及雜訊去除圖像資料作為訓練資料,藉由機械學習,建構基於訓練圖像及雜訊標準偏差圖,輸出雜訊去除圖像資料之學習完成模型207(步驟S100)。接著,藉由輸入部201,受理來自圖像取得裝置1之操作員(使用者)之條件資訊之輸入(步驟S101),該條件資訊表示X射線照射器50之動作條件或X射線檢測相機10之攝像條件等。且,藉由算出部202,基於條件資訊,算出由X射線檢測相機10檢測之X射線之平均能量值(步驟S102)。
接著,於圖像取得裝置1中設置對象物F且拍攝對象物F,藉由控制裝置20取得對象物F之X射線圖像(步驟S103)。再者,藉由控制裝置20,基於像素值與雜訊值之標準偏差之關係式,自X射線之平均能量及X射線圖像之各像素之像素值,導出雜訊值之標準偏差,將導出之雜訊之標準偏差與各像素值建立對應,藉此生成雜訊標準偏差圖(步驟S104)。
接著,藉由處理部205,對預先建構並記憶之學習完成模型207輸入對象物F之X射線圖像及雜訊標準偏差圖,以X射線圖像為對象,執行雜訊去除處理(步驟S105)。再者,將藉由處理部205實施雜訊去除處理後之X射線圖像即輸出圖像輸出至顯示裝置30(步驟S106)。
根據以上說明之圖像取得裝置1,使用像素值與雜訊值之標準偏差之關係式,自X射線圖像之各圖像之像素值導出雜訊值之標準偏差,生成將導出之雜訊值之標準偏差與X射線圖像之各像素建立對應之資料即雜訊標準偏差圖。且,將X射線圖像及雜訊標準偏差圖輸入至預先藉由機械學習而建構之學習完成模型207,執行自X射線圖像去除雜訊之圖像處理。根據該構成,考慮到自X射線圖像之各像素之像素值導出之雜訊值之標準偏差,藉由機械學習去除該X射線圖像之各像素中之雜訊。藉此,可使用學習完成模型207,實現與X射線圖像之像素值及雜訊值之標準偏差之關係對應之雜訊去除。其結果,可有效去除X射線圖像中之雜訊。
尤其,X射線圖像之雜訊態樣會根據管電壓、濾波器、閃爍器、X射線檢測相機之條件(增益設定值、電路雜訊值、飽和電荷量、轉換係數值(e-/count)、相機之線速率)、對象物等之差異而變化。因此,如欲藉由機械學習實現雜訊去除,可考慮預先準備以各種條件學習之學習完成模型。即,作為比較例,亦可採用如下方法:配合X射線圖像測定時之條件,建構複數個學習完成模型,對每個條件選擇學習完成模型執行雜訊去除處理。如為此種比較例,有時例如必須對X射線之平均能量、X射線檢測相機之增益及X射線相機之種類等每個雜訊條件,逐一建構學習完成模型,需要產生龐大數量之學習完成模型,在建構上需要大量時間。作為一例,X射線之平均能量為10種,X射線檢測相機之增益為8種,製品之種類為3種時,需要240個學習完成模型,若建構一個學習完成模型需要1天,則需花費240天的時間進行機械學習。對於該點,根據本實施形態,自X射線圖像生成雜訊圖,將該雜訊圖設為機械學習之輸入資料,藉此可降低產生學習完成模型所需之雜訊條件,用以建構學習完成模型207之學習時間大幅減少。
圖9及圖10分別係顯示藉由圖像取得裝置1取得之雜訊去除處理前後之X射線圖像之例。圖9顯示在X射線照射器50之動作條件及X射線檢測相機10之攝像條件與用於建構學習完成模型207之訓練資料相同之條件下取得之X射線圖像,X射線圖像G8為實測圖像,X射線圖像G9為以與比較例之攝像條件相同之條件下學習之學習完成模型實施雜訊去除處理之圖像,X射線圖像G10為第1實施形態之控制裝置20使用雜訊標準偏差圖實施雜訊去除處理之圖像。X射線圖像G8、G9及G10中之雜訊值之標準偏差分別為14.3、3.4及3.7。
圖10顯示在X射線照射器50之動作條件或X射線檢測相機10之攝像條件與用於建構學習完成模型207之訓練資料不同之條件下取得之X射線圖像,X射線圖像G11為實測圖像,X射線圖像G12為以與比較例之攝像條件不同之條件下學習之學習完成模型實施雜訊去除處理之圖像,X射線圖像G13為第1實施形態之控制裝置20使用雜訊標準偏差圖實施雜訊去除處理之該X射線圖像。X射線圖像G11、G12及G13中之雜訊值之標準偏差分別為3.5、2.0及0.9。
在比較例中,如圖9所示,X射線照射器50之動作條件或X射線檢測相機10之攝像條件與用於建構學習完成模型207之訓練資料為相同條件時,X射線圖像G9之雜訊值之標準偏差與雜訊去除處理前之X射線圖像G8相比充分降低。比較例之學習完成模型可輸出已充分去除雜訊之X射線圖像。但,如圖10所示,X射線照射器50之動作條件或X射線檢測相機10之攝像條件與用於建構學習完成模型207之訓練資料為不同條件時,雜訊處理後之X射線圖像G12與雜訊去除處理前之X射線圖像G11相比未充分降低。因此,比較例之學習完成模型於訓練時及攝像時之條件不同之情形時,無法輸出充分去除雜訊之X射線圖像。
相對於此,根據第1實施形態,考慮到X射線圖像測定時之X射線照射器50之動作條件或X射線檢測相機10之攝像條件之變化,而建構學習完成模型207。藉此,如圖9及圖10般,X射線圖像G10及13之雜訊值之標準偏差,與各自之雜訊去除處理前之X射線圖像G8及11相比充分降低。因此,根據第一實施形態,實現與X射線照射器50之動作條件或X射線檢測相機10之攝像條件之變化對應之充分的雜訊去除。藉此,可使用單一之學習完成模型207,有效去除X射線圖像中之雜訊。
一般而言,X射線圖像中含有源自X射線產生之雜訊。為了提高X射線圖像之SN比,亦可考慮增加X射線量,但該情形時,若增加X射線量則感測器之被照射量增加,而有感測器之壽命變短、X射線產生源之壽命變短之問題,難以兼顧SN比之提高與長壽命化。又,由於隨著增加X射線量,熱產生量亦增加,故有時對於增加之發熱必須講求散熱對策。本實施形態中,由於無須增加X射線量,故可兼顧SN比之提高與長壽命化,且省略散熱對策。
又,第1實施形態之控制裝置20具有自透過對象物F之X射線相關之平均能量、及X射線圖像之各像素之像素值導出雜訊值之標準偏差之功能。此處,在比較例中,例如當平均能量變化時,會導致X射線圖像之像素值與雜訊之關係變動,即使使用學習完成模型亦無法充分去除雜訊。相對於此,本實施形態中,由於考慮到透過對象物F之X射線相關之平均能量而導出X射線圖像之各像素之像素值之雜訊值的標準偏差,故可實現與X射線圖像之像素值及雜訊值之標準偏差之關係對應之雜訊去除。其結果,可更有效去除X射線圖像中之雜訊。又,在比較例中,需要對每個平均能量建構不同之學習完成模型。相對於此,根據第1實施形態,由於將平均能量之差異反映在雜訊標準偏差圖上,且將雜訊標準偏差圖輸入至學習完成模型,故需要建構之學習完成模型數為1個。藉此,大幅減少用以建構學習完成模型207之學習時間。
又,第1實施形態之控制裝置20具有如下功能:受理表示X射線照射器50之動作條件或X射線檢測相機10之攝像條件之任一者之條件資訊的輸入,基於條件資訊而算出平均能量。再者,條件資訊中至少包含X射線照射器50之管電壓、對象物F相關之資訊、X射線照射器50所具備之濾波器之資訊、X射線檢測相機10所具備之濾波器之資訊、X射線檢測相機10所具備之閃爍器之資訊之任一者。根據該構成,由於精度良好地計算透過對象物F之X射線之平均能量,故可實現與像素值和雜訊值之標準偏差之關係對應之雜訊去除。其結果,可有效去除X射線圖像中之雜訊。
又,第1實施形態之控制裝置20中,將雜訊值擴大作為雜訊值之標準偏差進行評估。藉此,由於更精密地評估X射線圖像之各像素的像素值之雜訊值擴大,故可實現與像素值和雜訊值之關係對應之雜訊去除。其結果,可更有效去除X射線圖像中之雜訊。
又,第1實施形態之控制裝置20具有如下功能:使用X射線圖像即訓練圖像、基於像素值與雜訊值之標準偏差之關係式而自訓練圖像產生之雜訊標準偏差圖、及自訓練圖像去除雜訊後之資料即雜訊去除圖像資料,作為訓練資料,藉由機械學習而建構出基於訓練圖像及雜訊標準偏差圖輸出雜訊去除圖像資料之學習完成模型207。根據該構成,用於去除X射線圖像之雜訊之學習完成模型207係藉由使用訓練資料之機械學習而建構。藉此,若對學習完成模型207輸入訓練圖像、及自該訓練圖像生成之雜訊標準偏差圖,則可實現與像素值和雜訊值之標準偏差的關係對應之雜訊去除。其結果,可更有效去除X射線圖像中之雜訊。
又,第1實施形態之控制裝置20中,為了生成用以機械學習之訓練資料即雜訊標準偏差圖,而基於像素值與雜訊值之標準偏差之關係式,自訓練圖像之各像素之像素值導出雜訊值之標準偏差,生成將導出之雜訊之標準偏差與訓練圖像之各像素建立對應之資料即雜訊標準偏差圖。根據該構成,用以機械學習之訓練資料即雜訊標準偏差圖與像素值及雜訊值之標準偏差之關係式對應。藉此,若對學習完成模型207輸入X射線圖像、及自該X射線圖像生成之雜訊標準偏差圖,則可實現與像素值和雜訊值之標準偏差的關係式對應之雜訊去除。其結果,可更有效去除X射線圖像中之雜訊。
[第1實施形態之控制裝置20之變化例]
圖11係顯示第1實施形態之變化例之控制裝置20A之功能構成之方塊圖。控制裝置20A與上述第1實施形態相比,不同點在於:算出部202A具有自X射線圖像之像素值導出X射線之平均能量之功能,及雜訊圖生成部204A具有基於X射線圖像之像素值及自該X射線圖像導出之X射線之平均能量,導出雜訊標準偏差圖之功能。圖12係顯示包含圖11之控制裝置20A之圖像取得裝置1之觀察處理順序之流程圖。如圖12所示,於控制裝置20A中,於步驟S100之後,立即進行圖8所示之第1實施形態之控制裝置20之步驟S103所示之處理。且,於控制裝置20A中,以S102A、S104A所示之處理置換控制裝置20之步驟S102、S104之處理而執行。
算出部202A自放射線圖像之各像素之像素值算出平均能量(步驟S102A)。具體而言,算出部202A根據X射線頻譜之模擬計算等,對每個條件資訊預先導出像素值與平均能量之關係。算出部202A取得至少包含藉由輸入部201取得之管電壓,及X射線檢測相機10所具備之閃爍器之資訊之條件資訊。且,算出部202A基於該條件資訊,自預先導出之像素值與平均能量之關係中,選擇與該條件資訊對應之關係。再者,算出部202A基於所選擇之關係,自藉由圖像取得部203取得之X射線圖像之各像素之像素值,導出每個像素之平均能量。
以下,針對算出部202A對每個該條件資訊導出像素值與平均能量之關係,使用圖13~圖17進行說明。
首先,算出部202A基於條件資訊,導出表示對象物F之厚度與X射線之透過率之關係之圖表G18、及表示對象物F之厚度與X射線之平均能量之關係之圖表G19。具體而言,如圖13之(a)~(d)所示,算出部202A基於至少包含管電壓及X射線檢測相機10所具備之閃爍器之資訊之條件資訊,藉由模擬計算而算出將對象物F之厚度進行各種變更時、透過之X射線之能譜G14~G17。圖13係顯示算出部202A對於透過對象物F之X射線之能譜之模擬計算結果之一例之圖表。此處,例示使由水構成之對象物F之厚度階段性增加而進行模擬計算時、透過X射線之能譜G14~G17。再者,算出部202A基於算出之能譜G14~G17,算出將對象物F之厚度進行各種變更之情形時透過之X射線之平均能量。另,算出部202A除模擬計算以外,亦可基於藉由以厚度已知之構造物為對象進行拍攝所得之X射線圖像,獲得對象物F之厚度與平均能量之關係。
再者,算出部202A基於上述模擬結果,亦導出對象物F之厚度與X射線之透過率之關係。圖14係顯示藉由算出部202A導出之對象物F之厚度與平均能量及透過率之關係之一例之圖表。如圖14所示,與對對象物F之每一厚度算出之能譜G14~G17之各者對應,而導出透過X射線之平均能量及X射線之透過率。
接著,算出部202A自對各種厚度之對象物F導出之X射線之透過率,導出表示對象物F之厚度與X射線之透過率之關係之圖表G18。圖15係顯示由算出部202A導出之對象物F之厚度與X射線對於對象物F之透過率之關係之圖表。此外,算出部202A自針對各種厚度之對象物F導出之X射線之平均能量,導出表示對象物F之厚度與X射線之平均能量之關係之圖表G19。圖16係顯示由算出部202A導出之對象物F之厚度與透過對象物F之X射線之平均能量之關係之一例之圖表。
且,算出部202A基於對各種條件資訊之每一者導出之2個圖表G18、G19,對各種條件資訊之每一者導出如圖17所示之表示X射線圖像之像素值與平均能量之關係之圖表G20。圖17係顯示由算出部202A導出之X射線圖像之像素值與平均能量之關係之圖表。具體而言,算出部202A基於條件資訊,導出不存在對象物F時之X射線圖透過像之像素值I
0。且,算出部202A設定存在對象物F時之X射線圖像之像素值I,計算X射線之透過率即I/I
0。再者,算出部202A基於對象物F之厚度與X射線對於對象物F之透過率之圖表G18,自計算之X射線之透過率即I/I
0,導出對象物F之厚度。最後,算出部202A基於導出之對象物F之厚度、及對象物F之厚度與透過X射線之平均能量之圖表G19,導出與該厚度對應之透過X射線之平均能量。接著,算出部202A藉由使X射線圖像之像素值I進行各種變化,且對各種條件資訊之每一者進行上述導出,而對每個條件資訊導出表示X射線圖像之像素值與透過X射線之平均能量之關係之圖表G20。
此處,針對算出部202A基於像素值之平均能量之導出例進行說明。例如,假設以下情形:算出部202A基於條件資訊,將不存在對象物F時之X射線圖透過像之像素值導出為I
0=5000,將存在對象物F時之X射線圖像之像素值設定為I=500。該情形時,算出部202A計算X射線之透過率為I/I
0=0.1。接著,算出部202A基於表示對象物F之厚度與X射線對於對象物F之透過率之關係之圖表G18,導出與X射線之透過率0.1對應之厚度為30 mm。再者,算出部202A基於表示對象物F之厚度與透過X射線之平均能量之關係之圖表G19,導出與像素值500對應之平均能量為27 keV。最後,算出部202A對每個像素值重複導出X射線之平均能量,而導出表示X射線圖像之像素值與平均能量之關係之圖表G20。
再者,算出部202A自按以上順序預先導出之複數個圖表G20中,選擇與由輸入部201取得之條件資訊對應之圖表G20。算出部202A基於所選擇之圖表G20,導出與藉由圖像取得部203取得之X射線圖像之各像素之像素值對應的透過X射線之平均能量。
另,算出部202A亦可不預先對每個條件資訊導出像素值與X射線之平均能量之關係,而自藉由輸入部201取得之條件資訊與X射線圖像之各像素之像素值,參照圖表G18、G19導出X射線之平均能量。具體而言,算出部202A基於條件資訊,導出不存在對象物時之X射線圖像之像素值I
0。且,算出部202A藉由對由圖像取得部203取得之X射線圖像之各像素之每個像素值I,求得相對於像素值I
0之比例,計算出透過率。再者,算出部202A基於表示厚度與X射線之透過率之關係之圖表G18、與計算出之透過率而導出厚度。且,算出部202A藉由基於表示厚度與平均能量之關係之圖表G19與導出之厚度,導出平均能量,而對X射線圖像之各像素之每個像素值,導出平均能量。
雜訊圖生成部204A自藉由圖像取得部203取得之X射線圖像、及與藉由算出部202A導出之該X射線圖像之各像素對應之X射線之平均能量,生成雜訊標準偏差圖(步驟S104A)。具體而言,雜訊圖生成部204A將藉由圖像取得部203取得之X射線圖像之各像素之像素值,及藉由算出部202A對各個像素導出之平均能量代入關係式(4),藉此導出考慮到對象物之厚度之各個像素的雜訊值之標準偏差。雜訊圖生成部204A生成與X射線圖像之各像素對應之雜訊值之標準偏差,作為雜訊標準偏差圖。
圖18係顯示像素值與雜訊值之標準偏差之關係之一例之圖表。該圖表顯示藉由本變化例之算出部202A及雜訊圖生成部204A,自X射線圖像之像素值導出之雜訊值之標準偏差、與X射線圖像之像素值之關係。本變化例中,由於考慮到對象物之厚度而導出雜訊值之標準偏差,故像素值愈增加則對象物之厚度愈小,像素之平均能量降低。因此,如亦由關係式(4)所推定,第1實施形態與本變化例就像素值增大時之雜訊值之標準偏差的變化上有所不同。圖18所示之例中,本變化例之圖表G22之像素值增大時之雜訊值之標準偏差之增大程度小於第1實施形態之圖表G21。
第1實施形態之變化例之控制裝置20A中,自X射線圖像之各像素之像素值計算出平均能量。此處,例如若X射線圖像中存在厚度或材質不同之複數個對象物,每個對象物之平均能量將大不相同,無法自X射線圖像充分去除雜訊。根據該構成,由於對X射線圖像之各像素之每個像素值計算透過對象物F之X射線之平均能量,故例如可考慮到厚度或材質之差異等,實現與X射線圖像之各像素之像素值與雜訊之關係對應之雜訊去除。其結果,可有效去除X射線圖像中之雜訊。
另,本變化例之控制裝置20A使用對各種條件資訊之每一者導出之圖表G20,自X射線圖像之像素值導出平均能量。此時,亦可忽視對象物F之材質差異而自像素值導出平均能量。圖19係顯示藉由算出部202A導出之X射線圖像之像素值與雜訊值之標準偏差之關係之圖表。此處,亦將對象物F之材質變化作為條件資訊納入考慮而導出關係,圖表G24顯示材質為鋁時之導出例,圖表G23顯示材質為PET (Polyethylene terephthalate:聚對苯二甲酸乙二酯)時之導出例,圖表G25顯示材質為銅時之導出例。如此,即使對象物F之材質變化時,只要X射線照射器50之管電壓及用於拍攝對象物F之X射線檢測相機10所具備之閃爍器之資訊相同,則像素值與透過X射線之平均能量之關係不會大幅變化,故像素值與雜訊值之標準偏差之關係亦不會大幅變化。考慮此種性質,控制裝置20A即使忽視作為條件資訊之對象物F之材質差異,亦可精度良好地自X射線圖像之像素值導出平均能量。此種情形下,根據本變化例之控制裝置20A,亦可實現與像素值及雜訊之標準偏差之關係對應之雜訊去除。其結果,可有效去除X射線圖像中之雜訊。
[第2實施形態]
圖20係顯示第2實施形態之控制裝置20B之功能構成之方塊圖。控制裝置20B與上述第1實施形態相比,不同點在於:圖像取得部203B具有取得治具之X射線圖像之功能,及雜訊圖生成部204B具有自治具之X射線圖像導出表示像素值與雜訊值之標準偏差之關係之圖表的功能。圖21係顯示包含圖20之控制裝置20B之圖像取得裝置1之觀察處理順序之流程圖。如圖21所示,第2實施形態之控制裝置20B中,由步驟S201、S202所示之處理置換圖8所示之第1實施形態之控制裝置20之步驟S101、S102及S104之處理而執行。
圖像取得部203B對治具照射放射線,取得拍攝透過治具之放射線的治具之放射線圖像(步驟S201)。具體而言,圖像取得部203B取得使用圖像取得裝置1以治具及對象物F為對象照射X射線而拍攝到之X射線圖像。作為治具,使用厚度及材質已知之平板狀構件等。即,圖像取得部203B於對象物F之觀察處理之前,取得使用圖像取得裝置1所拍攝之治具之X射線圖像。且,圖像取得部203B取得使用圖像取得裝置1所拍攝之對象物F之X射線圖像。惟,治具及對象物F之X射線圖像之取得時序不限定於上述,可為同時,亦可為相反之時序(步驟S103)。又,圖像取得部203B與圖像取得部203同樣地,對於對象物F照射X射線,取得拍攝透過對象物F之X射線之X射線圖像。
於圖像取得裝置1中,設置治具並拍攝治具,雜訊圖生成部204B自其結果所得之治具之放射線圖像,導出表示像素值與評估雜訊值擴大之評估值之關係的關係資料(步驟S202)。具體而言,雜訊圖生成部204B自治具之X射線圖像,導出示像素值與雜訊值之標準偏差之關係的雜訊標準偏差圖。
圖22係顯示雜訊圖生成部204B生成之雜訊標準偏差圖之生成例之圖。雜訊圖生成部204B自治具之X射線圖像G26,導出表示像素值與雜訊值之標準偏差之對應關係的關係圖表G27。且,雜訊圖生成部204B與第1實施形態同樣地,自藉由圖像取得部203B取得之X射線圖像G1,導出表示各個像素位置與像素值之對應關係的關係資料G2。再者,雜訊圖生成部204藉由將關係圖表G27所示之對應關係應用於關係資料G2中之各像素,而導出與X射線圖像中之各像素位置之像素對應的雜訊值之標準偏差。其結果,雜訊圖生成部204將導出之雜訊之標準偏差與各像素位置建立對應,導出表示各個像素位置與雜訊之標準偏差之對應關係的關係資料G4。且,雜訊圖生成部204基於導出之關係資料G4,生成雜訊標準偏差圖G5。
針對雜訊圖生成部204B自治具之X射線圖像G26導出表示像素值與雜訊值之標準偏差之關係的關係圖表G27進行說明。圖23係顯示第2實施形態之用於拍攝之治具之構造之一例。治具中可使用例如厚度於一方向階梯狀變化之構件P1。圖24係顯示圖23之治具之X射線圖像之一例。首先,雜訊圖生成部204B於治具之X射線圖像G26中,對治具之每一階導出無雜訊時之像素值(以下,記作真像素值),基於真像素值導出雜訊值之標準偏差。具體而言,雜訊圖生成部204B導出治具之某一階之像素值之平均值。且,雜訊圖生成部204B將導出之像素值之平均值設為該階之真像素值。雜訊圖生成部204B於該階中,導出各像素值與真像素值之差作為雜訊值。雜訊圖生成部204B自導出之每個像素值之雜訊值,導出雜訊值之標準偏差。
且,雜訊圖生成部204B導出真像素值與雜訊值之標準偏差之關係,作為像素值與雜訊值之標準偏差之關係圖表G27。具體而言,雜訊圖生成部204B對治具之每一階,導出真像素值及雜訊值之標準偏差。雜訊圖生成部204B藉由將導出之真像素值與雜訊值之標準偏差之關係繪製成圖表,描繪出近似曲線,而導出表示像素值與雜訊值之標準偏差之關係的關係圖表G27。另,對於近似曲線,使用指數近似或線性近似、對數近似、多項式近似、冪方近似等。
第2實施形態之控制裝置20B中,基於拍攝實際之治具而得之放射線圖像,產生關係資料。藉此,獲得對於對象物F之放射線圖像之雜訊去除最佳之關係資料。其結果,可更有效去除放射線圖像中之雜訊。
另,雜訊圖生成部204B亦可不使用治具,而自以無對象物之狀態變更管電流或曝光時間時之攝像圖像,導出像素值與雜訊值之標準偏差之關係。根據該構成,由於基於實際拍攝所得之放射線圖像產生關係資料,且生成雜訊圖,故可實現與像素值及雜訊擴大之關係對應之雜訊去除。其結果,可更有效去除放射線圖像中之雜訊。
具體而言,亦可為圖像取得部203B取得在無對象物之狀態下拍攝之複數個放射線圖像(步驟S201),雜訊圖生成部204B自藉由圖像取得部203B取得之放射線圖像,導出像素值與雜訊值之標準偏差之關係(步驟S202)。複數個放射線圖像為放射線產生源之條件或攝像條件之至少一個條件互不相同之複數個圖像。作為一例,圖像取得部203B變更管電流或曝光時間,且於對象物F之觀察處理之前,取得在無對象物F之狀態下使用圖像取得裝置1所拍攝之複數個X射線圖像。且,雜訊圖生成部204B對每個X射線圖像導出真像素值,與第2實施形態同樣地,基於真像素值而導出雜訊之標準偏差。再者,雜訊圖生成部204B與第2實施形態同樣地,藉由將真像素值與雜訊之標準偏差之關係繪製成圖表,描繪出近似曲線,而導出表示像素值與雜訊值之標準偏差之關係的關係圖表。最後,雜訊圖生成部204B與第1實施形態同樣地,基於導出之關係圖表,自藉由圖像取得部203B取得之X射線圖像而生成雜訊標準偏差圖。
[第3實施形態]
圖25係第3實施形態之放射線圖像處理系統即圖像取得裝置1C之構成圖。圖26係顯示第3實施形態之控制裝置20C之功能構成之一例之方塊圖。第3實施形態之圖像取得裝置1C與上述之第1實施形態或第2實施形態相比,不同點在於:具備具有2維感測器12C等之X射線檢測相機10C(攝像裝置)、與具有建構部206C及學習完成模型207C之控制裝置20C,以及不具備帶式輸送機60。
圖像取得裝置1C使用X射線透過圖像,進行以對象物F為對象之異物檢查、重量檢查、產品檢驗等,作為用途,列舉食品檢查、隨身行李檢查、基板檢查、電池檢查、材料檢查等。再者,作為圖像取得裝置1C之用途,列舉醫療用途、牙科用途、工業用途等。作為醫療用途,例如為胸部X光、乳房攝影、CT(Computed Tomography:電腦斷層攝影)、雙能量CT、斷層融合等。作為牙科用途,為透過、全景攝影及CT等。作為工業用途,為非破壞檢查、安全性及電池檢查等。
第3實施形態之圖像取得裝置1C輸出基於透過靜止狀態之對象物F之X射線拍攝出X射線透過像之X射線圖像。惟,圖像取得裝置1C亦可與上述之圖像取得裝置1同樣地具有帶式輸送機60,且以拍攝被搬送之對象物F之方式構成。
圖27係顯示X射線檢測相機10C之構成之方塊圖。X射線檢測相機10C如圖25及圖27所示,具有濾波器19、閃爍器層11C、2維感測器12C、感測器控制部13C、及輸出部14C。感測器控制部13C與2維感測器12C、輸出部14C及控制裝置20C電性連接。輸出部14C亦與2維感測器12C及控制裝置20C電性連接。
閃爍器層11C藉由接著等而固定於2維感測器12C上,將透過對象物F之X射線轉換為閃爍光(詳細構成於下文敘述)。閃爍器層11C將閃爍光輸出至2維感測器12C。濾波器19使X射線之特定波長域向閃爍器層11C透過。
2維感測器12C檢測來自閃爍器層11C之閃爍光,將其轉換為電荷,作為檢測信號(電性信號)輸出至輸出部14C。2維感測器12C例如為線感測器或平板感測器,配置於基板15C上。2維感測器12C為將M×N個像素P
1,1~P
M,N二維排列M列N行者。M×N個像素P
1,1~P
M,N於列方向及行方向之兩者以一定間距排列。像素P
m,n位於第m列第n行。第m列之N個像素P
m,1~P
m,N分別藉由第m列選擇用配線L
V,m,與感測器控制部13C連接。第n行之M個像素P
1,n~P
M,n各者之輸出端藉由第n行讀出用配線L
O,n與感測器控制部14C連接。另,M、N分別為2以上之整數,m為1以上M以下之各整數,n為1以上N以下之各整數。
輸出部14C輸出基於經由讀出用配線L
O,n輸入之電荷量而產生之數位值。輸出部14C包含N個積分電路41(1)~41(N)、N個保持電路42(1)~42(N)、AD轉換部43及記憶部44。各積分電路41(n)具有共通之構成。又,各保持電路42(n)具有共通之構成。
各積分電路41(n)累積經由任一行讀出用配線L
O,n輸入至輸入端之電荷。各積分電路41(n)將與累積電荷量對應之電壓值自輸出端輸出至保持電路42(n)。N個積分電路41(1)~41(N)分別藉由重設用配線L
R與感測器控制部13C連接。
各保持電路42(n)具有與積分電路41(n)之輸出端連接之輸入端。各保持電路42(n)保持輸入至輸入端之電壓值,將保持之電壓值自輸出端輸出至AD轉換部43。N個保持電路42(1)~42(N)分別藉由保持用配線L
H與感測器控制部13C連接。又,各保持電路42(n)藉由第n行選擇用配線L
H,n與感測器控制部13C連接。
AD轉換部43輸入自N個保持電路42(1)~42(N)各者輸出之電壓值,對輸入之電壓值(類比值)進行AD轉換處理。AD轉換部43將與輸入之電壓值對應之數位值輸出至記憶部44。記憶部44輸入並記憶自AD轉換部43輸出之數位值,且依序輸出記憶之數位值。
感測器控制部13C將第m列選擇控制信號Vsel(m)經由第m列選擇用配線L
V,m輸出至第m列之N個像素P
m,1~P
m,N各者。感測器控制部13C將重設控制信號Reset經由重設用配線L
R輸出至N個積分電路41(1)~41(N)各者。感測器控制部13C將保持控制信號Hold經由保持用配線L
H輸出至N個保持電路42(1)~42(N)各者。感測器控制部13C將第n行選擇控制信號Hsel(n)經由第n行選擇用配線L
H,n輸出至保持電路42(n)。又,感測器控制部13C控制AD轉換部43中之AD轉換處理,亦控制記憶部44中之數位值之寫入及讀出。
針對配置於上述構成之2維感測器12C上之閃爍器層11C之構成進行說明。圖28係顯示閃爍器層11C之構成之圖,上方為沿基板15C之厚度方向之剖視圖,下方為顯示自配置有2維感測器12C之面側觀察之基板15C之俯視圖。如此,閃爍器層11C由與沿基板15C排列M×N個之像素P
1,1~P
M,N對應地分離配置之K×L個(K及L為1以上之整數)矩形狀之閃爍器部Q
1,1~Q
K,L、及位於該等閃爍器部Q
1,1~Q
K,L間之分離部R而形成。另,個數L可為1以上N以下,個數K可為1以上M以下。再者,個數L為1以上之整數,亦可為將N除以整數之整數,個數K為1以上之整數,亦可為將M除以整數之整數。該情形時,可根據閃爍器層11C之分離部R之間隔,抑制因光擴散所致之模糊。又,個數L亦可為大於N之整數,個數K亦可為大於M之整數。該情形時,閃爍器層11C之分離部R之間隔雖小於複數個像素P
1,1~P
M,N之間隔,但閃爍器層11C與複數個像素P
1,1~P
M,N之對位變得容易。本實施形態中,例如L=N,K=M,但不限定於此。
K×L個閃爍器部Q
1,1~Q
K,L由可將入射之X射線轉換為閃爍光之閃爍器材料而構成,以由該等覆蓋像素P
1,1~P
M,N全體之方式配置。作為一例,M×N個閃爍器部Q
1,1~Q
M,N以覆蓋與各者對應之像素P
1,1~P
M,N全體之方式配置。分離部R以區分K×L個閃爍器部Q
1,1~Q
K,N之方式形成網眼狀,由可遮蔽閃爍光之材料構成。又,分離部R亦可包含反射閃爍光之材料。再者,分離部R亦可由可遮蔽放射線之材料構成。構成此種閃爍器層11C之材料及閃爍器層11C之製造方法,例如可使用日本專利特開2001-99941號公報、或日本專利特開2003-167060號公報所記載之材料及製造方法。惟,閃爍器層11C之材料及製造方法不限定於上述文獻所記載者。
控制裝置20C基於自X射線檢測相機10C(更詳細而言為輸出部14C之記憶部44)輸出之數位信號,產生X射線圖像。對產生之X射線圖像實施後述之雜訊去除處理後,將其輸出至顯示裝置30,藉由顯示裝置30予以顯示。又,控制裝置20C控制X射線照射器50及感測器控制部13C。另,第3實施形態之控制裝置20C為獨立設置於X射線檢測相機10C之外部之裝置,但亦可於X射線檢測相機10C之內部一體化。
此處,針對第3實施形態之建構部206C建構學習完成模型207C之功能進行說明。圖29係顯示建構部206C建構學習完成模型207C所使用之教學資料(第1實施形態及第2實施形態之訓練圖像)、即圖像資料之製作順序之流程圖。
教學資料即圖像資料(亦稱為教學圖像資料)藉由電腦按以下順序製作。首先,製作具有特定構造之構造體之圖像(構造體圖像)(步驟S301)。例如,亦可藉由模擬計算,製作具有特定構造之構造體(例如治具)之圖像。又,亦可獲取具有特定構造之線圖等之構造體之X射線圖像,製作構造體圖像。接著,對於自構成該構造體圖像之複數個像素中選擇之一個像素,算出像素值之標準偏差即σ值(步驟S302)。且,基於步驟S302中求得之σ值,設定雜訊分佈(步驟S303)。該雜訊分佈與正規分佈(泊松分佈)相比,以賦予雜訊之像素值超出原始像素值之機率變高之方式設定,尤其,賦予雜訊之像素值為原始像素值之1.2倍以上之機率變高(細節於下文敘述)。如此,藉由基於σ值設定雜訊分佈,可產生各種雜訊條件之教學資料。接著,依步驟S303中基於σ值設定之雜訊分佈,算出隨機設定之雜訊值(步驟S304)。再者,藉由對一個像素之像素值附加步驟S304中求得之雜訊值,產生構成教學資料即圖像資料之像素值(步驟S305)。對構成構造體圖像之複數個像素各者進行步驟S302~步驟S305之處理(步驟S306),產生成為教學資料之教學圖像資料(步驟S307)。又,進而需要教學圖像資料之情形時,判斷需對其他構造體圖像進行步驟S301~步驟S307之處理(步驟S308),產生成為教學資料之其他教學圖像資料。另,其他構造體圖像可為具有相同構造之構造體之圖像,亦可為具有其他構造之構造體之圖像。
圖30及圖31係顯示上述之步驟S303中設定之雜訊分佈之例之圖。圖30及圖31之橫軸將附加像素之雜訊值之前之像素值設為100,顯示出附加有雜訊值之像素值(以下,記作雜訊像素值)。圖30及圖31之縱軸為雜訊像素值之頻率之相對值。雜訊像素值之頻率之相對值為表示對像素值附加雜訊後之像素值之相對頻率之值。若將各雜訊像素值之相對值除以各雜訊像素值之相對值之合計值,則像素值為表示附加雜訊值時成為各雜訊像素值之機率之值。圖30及圖31所示之雜訊分佈G28、G29係考慮到使用閃爍器進行拍攝時由感測器檢測出之X射線於X射線圖像中顯現為白點而設定。因此,上述雜訊分佈G28、G29與正規分佈(泊松分布)相比,雜訊像素值超出原始像素值之機率變高,尤其雜訊像素值為120以上(相當於X射線圖像中產生白點之情形之雜訊像素值)之機率變高。此處,由感測器檢測出之X射線於X射線圖像中顯現為白點之情形,是指X射線未被閃爍器吸收而透過閃爍器,由感測器直接轉換為電子之情形。X射線被閃爍器吸收而被轉換為可見光之情形時,感測器會檢測可見光。另一方面,X射線未被閃爍器吸收之情形時,X射線於感測器中會被直接轉換為電子。即,導致檢測可見光之感測器不僅檢測閃爍器層11C中產生之閃爍光(可見光),亦檢測透過閃爍器層11C之X射線。此時,由於由入射至感測器之X射線所產生之電子數多於X射線由閃爍器轉換為可見光之情形,故導致透過閃爍器層11C之X射線於X射線圖像中顯現為白點。該白點之產生會造成X射線圖像中出現雜訊。因此,使用上述之雜訊分佈建構學習完成模型207C,使用建構之學習完成模型207C執行雜訊去除,藉此可將X射線圖像中顯現之白點作為雜訊而去除。另,易產生白點之情形例如為X射線照射器之管電壓較高之情形等。
另,需要準備多個用於建構學習完成模型207C之教學資料即圖像資料。又,構造體圖像較佳為雜訊較少之圖像,理想而言,較佳為無雜訊之圖像。因此,若藉由模擬計算產生構造體圖像,可產生多個無雜訊之圖像,故藉由模擬計算產生構造體圖像較為有效。
第3實施形態之圖像取得裝置1C具備2維感測器12C作為平板感測器。且,於2維感測器12C之每個像素P
1,1~P
M,N設有閃爍器層11C之閃爍器部Q
1,1~Q
M,N及分離部R。藉此,藉由圖像取得裝置1C取得之X射線圖像中,圖像模糊減少。其結果,X射線圖像之對比度變得更高,且雜訊之強度變得更高。此處,第3實施形態之圖像取得裝置1C中,使用預先藉由機械學習建構之學習完成模型207C,執行與X射線圖像之像素值及雜訊值之標準偏差的關係對應之雜訊去除。藉此,於上述X射線圖像中,僅雜訊之強度降低。基於上文,圖像取得裝置1C可取得降低雜訊強度並提高對比度之X射線圖像。
圖32(a)、圖32(b)及圖32(C)中分別顯示藉由圖像取得裝置1C取得之X射線圖像之模擬結果之例。圖32(a)所示之X射線圖像G30為基於使用由CsI(碘化銫)構成之閃爍器作為閃爍器層11C拍攝之條件,藉由模擬計算而產生之X射線圖像。由CsI構成之閃爍器例如為具有沿2維感測器12C之像素延伸之1塊片狀形狀者。由CsI構成之閃爍器之厚度設定為450 μm。圖32(b)所示之X射線圖像G31為基於使用圖28所示構造之像素閃爍器作為閃爍器層11C拍攝之條件、藉由模擬計算而產生之X射線圖像。圖32(c)所示之X射線圖像G32為使用像素閃爍器作為閃爍器層11C予以拍攝,且基於進行與像素值及雜訊值之標準偏差的關係對應的雜訊去除之條件(進行與第3實施形態之圖像取得裝置1C相同之雜訊去除之條件),藉由模擬計算而產生之X射線圖像。該情形時,像素閃爍器對每個像素設置。像素閃爍器之厚度例如設定為200 μm。像素閃爍器之隔板(分離部)沿像素之排列方向之厚度設定為40 μm。另,X射線圖像G32為於X射線圖像G31中,執行與像素值及雜訊值之標準偏差的關係對應之雜訊去除後之X射線圖像。又,各模擬中,將2維感測器之像素設定為呈一邊120 μm之矩形狀。
以下,於X射線圖像G30、G31及G32中,表示雜訊大小之值為背景之部分(未映現黑點之部分)之強度之標準偏差值。表示對比度之值是指背景部分之強度之平均值與映現黑點之部分之強度之最小值的差分。再者,X射線圖像G30、G31及G32之CN比(CNR:ContrasttoNoiseRatio:對比雜訊比)為表示將對比度之值除以表示雜訊大小之值的值。X射線圖像G30、G31及G32中,表示雜訊大小之值分別為301.8、1420.0及37.9,表示對比度之值分別為3808.1、9670.9及8844.3。且,X射線圖像G30、G31及G32中,CN比分別為12.62、6.81及233.16。
使用像素閃爍器之X射線圖像G31與X射線圖像G30相比,對比度較高且雜訊亦較大。換言之,X射線圖像G31之CN比為X射線圖像G30之CN比之1/2倍。即,只要使用像素閃爍器作為閃爍器層11C,便可取得充分去除雜訊之X射線圖像。相對於此,根據第3實施形態,對於使用像素閃爍器作為閃爍器層11C而取得之X射線圖像,使用預先藉由機械學習建構出之學習完成模型207C,執行與X射線圖像之像素值及雜訊值之標準偏差之關係對應之雜訊去除。藉此,第3實施形態之X射線圖像G32與X射線圖像G30相比,對比度較高且雜訊減少。且,X射線圖像G32之CN比為X射線圖像G30之CN比之20倍。即,由於第3實施形態之圖像取得裝置1C具有與X射線圖像G32之模擬條件相同之條件,故可取得經充分去除雜訊之X射線圖像。
又,第3實施形態之控制裝置20C中,雜訊分佈與正規分佈相比,被賦予雜訊之像素值超出原始像素值之機率變高。且,依雜訊分佈算出被賦予雜訊之像素值而產生教學圖像資料。使用所產生之教學圖像資料,建構出學習完成模型207C。對所建構之學習完成模型207C輸入X射線圖像及雜訊標準偏差圖,執行將雜訊自X射線圖像去除之圖像處理。根據該構成,考慮到使用閃爍器進行拍攝時由感測器檢測出之X射線會於X射線圖像中顯現為白點,而執行將雜訊自X射線圖像去除之圖像處理。其結果,於使用閃爍器層11C之圖像取得裝置1C中,可取得更有效去除雜訊之X射線圖像。
[建構部206之補充說明]
建構部206對於學習完成模型207之建構,與建構部206C對於學習完成模型207C之建構乃同樣地執行。惟,步驟S303中設定之雜訊分佈並非上述之雜訊分佈G28及G29等雜訊分佈,而為正規分佈。圖33係顯示用於產生教學資料之正規分佈G33之圖。圖33之橫軸將附加像素之雜訊值之前之像素值設為100,顯示出附加有雜訊值之像素值。圖33之縱軸為表示雜訊像素值之頻率之相對值。
以上,已針對本揭示之各種實施形態進行了說明,但本揭示之實施形態並非限定於上述實施形態。例如,X射線檢測相機10不限於雙線X射線相機,亦可為單線X射線相機、或雙能量X射線相機、TDI(TimeDelayIntegration:時間延遲積分)掃描X射線相機、具有雙線以上之複數條線之多線X射線相機、2維X射線相機、X射線平板感測器、不使用X射線I.I、閃爍器之直接轉換型X射線相機(a-Se、Si、CdTe、CdZnTe、TlBr、PbI2等)、使用將閃爍器予以透鏡耦合之光學透鏡之觀察方式之相機,對放射線具有感度之攝像管、對放射線具有感度之點感測器。又,對於圖像取得裝置1,亦不限定於上述實施形態,亦可為CT(Computed Tomography)裝置等、在使對象物F靜止之狀態下拍攝之放射線圖像處理系統。再者,亦可為一面使對象物F旋轉一面進行拍攝之放射線圖像處理系統。
又,上述實施形態中,較佳為在雜訊圖生成步驟中,自透過對象物之放射線相關之平均能量、及放射線圖像之各像素之像素值,導出評估值。又,上述實施形態中,較佳為在雜訊圖生成部中,自透過對象物之放射線相關之平均能量、及放射線圖像之各像素之像素值,導出評估值。此處,在比較例中,例如當平均能量變化時,會導致放射線圖像之像素值與雜訊值之關係變動,即使使用學習完成模型亦無法充分去除雜訊。對於該點,藉由採取上述構成,考慮到透過對象物之放射線相關之平均能量而評估放射線圖像之各像素的像素值之雜訊值擴大,故可實現與放射線圖像之像素值和雜訊擴大之關係對應之雜訊去除。其結果,可更有效地去除放射線圖像中之雜訊。
上述實施形態中,較佳為進而具備:輸入步驟,其受理表顯示照射放射線並拍攝對象物時之放射線之產生源之條件或攝像條件之任一者之條件資訊之輸入;及算出步驟,其基於條件資訊,算出平均能量。上述實施形態中,較佳為進而具備:輸入部,其受理表示照射放射線並拍攝對象物時之放射線產生源之條件或攝像條件之任一者之條件資訊之輸入;及算出部,其基於條件資訊,算出平均能量。再者,較佳為條件資訊中至少包含產生源之管電壓、對象物相關之資訊、用於拍攝對象物之相機所具備之濾波器之資訊、產生源所具備之濾波器之資訊、用於拍攝對象物之相機所具備之閃爍器之資訊之任一者。根據該構成,由於可精度良好地計算透過對象物之放射線之平均能量,故可實現與像素值和雜訊擴大之關係對應之雜訊去除。其結果,可進而有效去除放射線圖像中之雜訊。
上述實施形態中,較佳為進而具備自放射線圖像之各像素之像素值算出平均能量之算出步驟。上述實施形態中,較佳為進而具備算出部,其自放射線圖像之各像素之像素值算出平均能量。根據該構成,由於針對放射線圖像之各像素之每個像素值,精度良好地計算透過對象物之放射線之平均能量,故可實現與放射線圖像之各像素之像素值和雜訊擴大之關係對應之雜訊去除。其結果,可進而有效去除放射線圖像中之雜訊。
又,較佳為在圖像取得步驟中,對治具照射放射線,取得拍攝透過治具之放射線而得之治具之放射線圖像,且在雜訊圖生成步驟中,自治具之放射線圖像導出關係資料。又,較佳為在圖像取得部中,對治具照射放射線,取得拍攝透過治具之放射線而得之治具之放射線圖像,且在雜訊圖生成部中,自治具之放射線圖像導出關係資料。根據該構成,由於基於實際拍攝治具而得之放射線圖像產生關係資料,且生成雜訊圖,故可實現與像素值和雜訊擴大之關係對應之雜訊去除。其結果,可更有效地去除放射線圖像中之雜訊。
又,較佳為在圖像取得步驟中,取得在無對象物之狀態下拍攝之複數個放射線圖像,且在雜訊圖生成步驟中,自複數個放射線圖像導出關係資料;複數個放射線圖像為放射線之產生源之條件及攝像條件之至少一者條件互不相同之複數個圖像。又,較佳為在圖像取得部中,取得在無對象物之狀態下拍攝之複數個放射線圖像,且在雜訊圖生成部中,自複數個放射線圖像導出關係資料;複數個放射線圖像為放射線之產生源之條件及攝像條件之至少一者條件互不相同之複數個圖像。根據該構成,由於基於實際拍攝而得之放射線圖像產生關係資料,且生成雜訊圖,故可實現與像素值和雜訊擴展之關係對應之雜訊去除。其結果,可更有效地去除放射線圖像中之雜訊。
又,較佳為評估值為雜訊值之標準偏差。藉此,更精密地評估放射線圖像之各像素之像素值中之雜訊值擴大,故可實現與像素值和雜訊之關係對應之雜訊去除。其結果,可更有效地去除放射線圖像中之雜訊。
上述實施形態之機械學習方法具備建構步驟,其將放射線圖像作為訓練圖像,基於表示像素值與評估雜訊值擴大之評估值之關係的關係資料,使用自訓練圖像產生之雜訊圖、及自訓練圖像去除雜訊後之資料即雜訊去除圖像資料作為訓練資料,藉由機械學習而建構基於訓練圖像及雜訊圖輸出雜訊去除圖像資料之學習完成模型。上述另一態樣中,較佳為進而具備建構部,其基於放射線圖像即訓練圖像、及關係資料,使用自訓練圖像產生之雜訊圖、及自訓練圖像去除雜訊後之資料即雜訊去除圖像資料作為訓練資料,藉由機械學習而建構基於訓練圖像及雜訊圖輸出雜訊去除圖像資料之學習完成模型。根據該構成,藉由使用訓練資料之機械學習,而建構用於去除放射線圖像之雜訊之學習完成模型。藉此,若對學習完成模型輸入放射線圖像、及自該放射線圖像產生之雜訊圖,則可實現與像素值和雜訊擴大之關係對應之雜訊去除。其結果,可更有效地去除對象物之放射線圖像中之雜訊。
或者,上述實施形態之學習完成模型係藉由上述建構步驟而建構之學習完成模型,使處理器執行自對象物之放射線圖像去除雜訊之圖像處理。上述另一態樣中,考慮到自該放射線圖像之各像素之像素值評估而得之雜訊值擴大,藉由機械學習將雜訊自該放射線圖像去除。藉此,可使用學習完成模型,實現與放射線圖像中之像素值和雜訊擴大之關係對應之雜訊去除。其結果,可有效地去除放射線圖像中之雜訊。
再者,上述實施形態之機械學習方法之前處理方法具備:雜訊圖生成步驟,其為了生成上述機械學習方法所使用之訓練資料即雜訊圖,而基於表示像素值與評估雜訊值擴大之評估值之關係的關係資料,自放射線圖像之各像素之像素值導出評估值,生成將導出之評估值與放射線圖像之各像素建立對應之資料即雜訊圖。根據該構成,上述機械學習方法所使用之訓練資料即雜訊圖,乃對應於像素值與評估像素值與雜訊值擴大之評估值的關係。藉此,若對藉由上述機械學習方法建構之學習完成模型輸入放射線圖像、及自該放射線圖像生成之雜訊圖,則可實現與像素值和雜訊擴大之關係對應之雜訊去除。其結果,可更有效地去除對象物之放射線圖像中之雜訊。
1:圖像取得裝置
1C:圖像取得裝置
10:X射線檢測相機(攝像裝置)(相機)
10C:X射線檢測相機
11a:閃爍器
11b:閃爍器
11C:閃爍器層
12a:線掃描相機
12b:線掃描相機
12C:2維感測器(線感測器)(平板感測器)
13:感測器控制部
13C:感測器控制部
14a:放大器
14b:放大器
14C:輸出部
15a:AD轉換器
15b:AD轉換器
15C:基板
16a:修正電路
16b:修正電路
17a:輸出介面
17b:輸出介面
18:放大器控制部
19:濾波器
20:控制裝置(放射線圖像處理模組)
20A:控制裝置(放射線圖像處理模組)
20B:控制裝置(放射線圖像處理模組)
20C:控制裝置
30:顯示裝置
40:輸入裝置
41(1)~41(N):積分電路
42(1)~42(N):保持電路
43:AD轉換部
44:記憶部
50:X射線照射器(放射線產生源)
51:濾波器
60:帶式輸送機
101:CPU
102:RAM
103:ROM
104:通信模組
105:GPU
106:輸入輸出模組
201:輸入部
202:算出部
202A:算出部
203:圖像取得部
203B:圖像取得部
204:雜訊圖生成部
204A:雜訊圖生成部
204B:雜訊圖生成部
205:處理部
206:建構部
206C:建構部
207:學習完成模型
207C:學習完成模型
F:對象物
G1:X射線圖像
G2:關係資料
G3:表示像素值與雜訊值之標準偏差的對應關係之關係圖表(關係資料)
G4:關係資料
G5:雜訊標準偏差圖(雜訊圖)
G6:輸出圖像
G7:訓練圖像
G8:X射線圖像
G9:X射線圖像
G10:X射線圖像
G11:X射線圖像
G12:X射線圖像
G13:X射線圖像
G14:能譜
G15:能譜
G16:能譜
G17:能譜
G18:表示對象物F之厚度與X射線之透過率之關係之圖表
G19:表示對象物F之厚度與X射線之平均能量之關係之圖表
G20:表示X射線圖像之像素值與平均能量之關係之圖表
G21:圖表
G22:圖表
G23:表示像素值與雜訊值之標準偏差的對應關係之關係圖表(關係資料)
G24:表示像素值與雜訊值之標準偏差的對應關係之關係圖表(關係資料)
G25:表示像素值與雜訊值之標準偏差的對應關係之關係圖表(關係資料)
G26:治具之X射線圖像(放射線圖像)
G27:圖表
G28:雜訊分佈
G29:雜訊分佈
G30:X射線圖像
G31:X射線圖像
G32:X射線圖像
G33:圖表
Hold:保持控制信號
Hsel(1)~Hsel(N):選擇控制信號
L
H:保持用配線
L
H,1~L
H,n:第1行選擇用配線~第n行選擇用配線
L
R:重設用配線
L
V,1~L
V,M:第1列選擇用配線~第m列選擇用配線
P1:構件(治具)
P
1,1~P
M,N:M×N個像素
Q
1,1~Q
M,N:M×N個閃爍器部
R:分離部
Reset:重設控制信號
S100~S106:步驟
S102A:步驟
S104A:步驟
S201:步驟
S202:步驟
S301~S308:步驟
TD:搬送方向
Vsel(1)~Vsel(m):第1列選擇控制信號~第m列選擇控制信號
圖1係實施形態之圖像取得裝置1之概略構成圖。
圖2係顯示圖1之控制裝置20之硬體構成之一例之方塊圖。
圖3係顯示圖1之控制裝置20之功能構成之方塊圖。
圖4係顯示圖3之圖像取得部203所取得之X射線圖像之一例之圖。
圖5係顯示圖3之雜訊圖生成部204對雜訊標準偏差圖之生成例之圖。
圖6係顯示圖3之學習完成模型207之輸入輸出資料之一例之圖。
圖7係顯示用於建構學習完成模型207之訓練資料之一即訓練圖像之一例之圖。
圖8係顯示圖像取得裝置1之觀察處理順序之流程圖。
圖9係顯示藉由圖像取得裝置1取得之雜訊去除處理前後之X射線圖像之例之圖。
圖10係顯示藉由圖像取得裝置1取得之雜訊去除處理前後之X射線圖像之例之圖。
圖11係顯示本揭示之變化例之控制裝置20A之功能構成之方塊圖。
圖12係顯示本揭示之變化例之圖像取得裝置1之觀察處理順序之流程圖。
圖13(a)~(d)係顯示圖11之算出部202A對於透過X射線之能譜之模擬計算結果之一例之圖表。
圖14係顯示圖11之算出部202A對於對象物之厚度與平均能量及透過率之關係之模擬計算結果之一例之圖表。
圖15係顯示圖11之算出部202A對於對象物之厚度與X射線之透過率之關係之模擬計算結果之一例之圖表。
圖16係顯示圖11之算出部202A對於對象物之厚度與透過X射線之平均能量之關係之模擬計算結果之一例之圖表。
圖17係顯示圖11之算出部202A對於X射線圖像之像素值與平均能量之關係之模擬計算結果之一例之圖表。
圖18係顯示X射線圖像之像素值與雜訊值之標準偏差之關係之模擬計算結果之一例之圖表。
圖19係顯示圖11之算出部202A中導出之對象物之材質變化時之像素值與雜訊值之標準偏差之關係之一例之圖表。
圖20係顯示本揭示之第2實施形態之控制裝置20B之功能構成之方塊圖。
圖21係顯示本揭示之第2實施形態之圖像取得裝置1之觀察處理順序之流程圖。
圖22係顯示由圖20之雜訊圖生成部204B之雜訊標準偏差圖之生成例之圖。
圖23係顯示本揭示之第2實施形態之圖像取得裝置1中用於攝像之治具之構造之一例之立體圖。
圖24係顯示圖23之治具之攝像圖像之一例之圖。
圖25係第3實施形態之圖像取得裝置1C之概略構成圖。
圖26係顯示第3實施形態之控制裝置20C之功能構成之方塊圖。
圖27係顯示圖25之X射線檢測相機10C之功能構成之方塊圖。
圖28係顯示配置於2維感測器12C上之閃爍器層11之構成之圖。
圖29係顯示建構部206C用於建構學習完成模型207C之教學資料(訓練資料)即圖像資料之製作順序之流程圖。
圖30係顯示用於產生教學資料之雜訊分佈之一例之圖表。
圖31係顯示用於產生教學資料之雜訊分佈之一例之圖表。
圖32(a)~(c)係顯示藉由模擬計算產生之X射線圖像之例之圖。
圖33係顯示用於產生教學資料之雜訊分佈之一例之圖表。
20:控制裝置(放射線圖像處理模組)
201:輸入部
202:算出部
203:圖像取得部
204:雜訊圖生成部
205:處理部
206:建構部
207:學習完成模型
Claims (22)
- 一種放射線圖像處理方法,其具備: 圖像取得步驟,其向對象物照射放射線,取得拍攝透過上述對象物之放射線而得之放射線圖像; 雜訊圖生成步驟,其基於表示像素值與評估雜訊值擴大之評估值之關係的關係資料,自上述放射線圖像之各像素之像素值導出上述評估值,生成將導出之上述評估值與上述放射線圖像之各像素建立對應之資料即雜訊圖;及 處理步驟,其將上述放射線圖像及上述雜訊圖輸入至預先藉由機械學習而建構出之學習完成模型,執行自上述放射線圖像去除雜訊之圖像處理。
- 如請求項1之放射線圖像處理方法,其中 於上述雜訊圖生成步驟中,自透過上述對象物之放射線相關之平均能量、及上述放射線圖像之各像素之像素值,導出上述評估值。
- 如請求項2之放射線圖像處理方法,其進而具備: 輸入步驟,其受理表示照射放射線並拍攝上述對象物時之放射線產生源之條件或攝像條件之任一者之條件資訊之輸入;及 算出步驟,其基於上述條件資訊,算出上述平均能量;且 上述條件資訊中至少包含上述產生源之管電壓、上述對象物相關之資訊、用於拍攝上述對象物之相機所具備之濾波器之資訊、上述產生源所具備之濾波器之資訊、上述相機所具備之閃爍器之資訊之任一者。
- 如請求項2之放射線圖像處理方法,其進而具備: 自上述放射線圖像之各像素之像素值算出上述平均能量的算出步驟。
- 如請求項1之放射線圖像處理方法,其中 在上述圖像取得步驟中,對治具照射放射線,取得拍攝透過上述治具之放射線而得之治具之放射線圖像, 在上述雜訊圖生成步驟中,自上述治具之放射線圖像導出上述關係資料。
- 如請求項1之放射線圖像處理方法,其中 在上述圖像取得步驟中,取得在無上述對象物之狀態下拍攝之複數個放射線圖像, 在上述雜訊圖生成步驟中,自上述複數個放射線圖像導出上述關係資料, 上述複數個放射線圖像為放射線產生源之條件及攝像條件之至少一者條件互不相同之複數個圖像。
- 如請求項1至6中任一項之放射線圖像處理方法,其中上述評估值為雜訊值之標準偏差。
- 一種機械學習方法,其具備建構步驟,該建構步驟將放射線圖像作為訓練圖像,基於表示像素值與評估雜訊值擴大之評估值之關係的關係資料,使用自上述訓練圖像產生之雜訊圖、及自上述訓練圖像去除雜訊後之資料即雜訊去除圖像資料作為訓練資料,藉由機械學習而建構基於上述訓練圖像及上述雜訊圖輸出上述雜訊去除圖像資料之學習完成模型。
- 一種學習完成模型,其係藉由如請求項8之機械學習方法而建構者,且 使處理器執行自對象物之放射線圖像去除雜訊之圖像處理。
- 一種機械學習方法之前處理方法,其係如請求項8之機械學習方法之前處理方法,且進而具備: 雜訊圖生成步驟,其基於上述關係資料,自上述放射線圖像之各像素之像素值導出上述評估值,生成將導出之上述評估值與上述放射線圖像之各像素建立對應之資料即雜訊圖。
- 一種放射線圖像處理模組,其具備: 圖像取得部,其向對象物照射放射線,取得拍攝透過上述對象物之放射線而得之放射線圖像; 雜訊圖生成部,其基於表示像素值與評估雜訊值擴大之評估值之關係的關係資料,自上述放射線圖像之各像素之像素值導出上述評估值,生成將導出之上述評估值與上述放射線圖像之各像素建立對應之資料即雜訊圖;及 處理部,其將上述放射線圖像及上述雜訊圖輸入至預先藉由機械學習而建構出之學習完成模型,執行自上述放射線圖像去除雜訊之圖像處理。
- 如請求項11之放射線圖像處理模組,其中 上述雜訊圖生成部自透過上述對象物之放射線相關之平均能量、及上述放射線圖像之各像素之像素值,導出上述評估值。
- 如請求項12之放射線圖像處理模組,其進而具備: 輸入部,其受理表示照射放射線並拍攝上述對象物時之放射線產生源之條件或攝像條件之任一者之條件資訊之輸入;及 算出部,其基於上述條件資訊,算出上述平均能量;且 上述條件資訊中至少包含上述產生源之管電壓、上述對象物相關之資訊、用於拍攝上述對象物之相機所具備之濾波器之資訊、上述產生源所具備之濾波器之資訊、用於拍攝上述對象物之相機所具備之閃爍器之資訊之任一者。
- 如請求項12之放射線圖像處理模組,其進而具備: 算出部,其自上述放射線圖像之各像素之像素值算出上述平均能量。
- 如請求項11之放射線圖像處理模組,其進而具備上述圖像取得部取得對治具照射放射線並拍攝透過上述治具之放射線而得之治具之放射線圖像, 在上述雜訊圖生成部中,自上述治具之放射線圖像導出上述關係資料。
- 如請求項11之放射線圖像處理模組,其中 上述圖像取得部取得在無上述對象物之狀態下拍攝之複數個放射線圖像, 上述雜訊圖生成部自上述複數個放射線圖像導出上述關係資料, 上述複數個放射線圖像為放射線產生源之條件及攝像條件之至少一個條件互不相同之複數個圖像。
- 如請求項11至16中任一項之放射線圖像處理模組,其中上述評估值為雜訊值之標準偏差。
- 如請求項11至17中任一項之放射線圖像處理模組,其進而具備建構部,該建構部基於放射線圖像即訓練圖像、及上述關係資料,使用自上述圖像生成之上述雜訊圖、及自上述訓練圖像去除雜訊後之資料即雜訊去除圖像資料作為訓練資料,藉由機械學習而建構基於上述訓練圖像及上述雜訊圖輸出上述雜訊去除圖像資料之學習完成模型。
- 一種放射線圖像處理程式,其使處理器作為以下者發揮功能: 圖像取得部,其向對象物照射放射線,取得拍攝透過上述對象物之放射線而得之放射線圖像; 雜訊圖生成部,其基於表示像素值與評估雜訊值擴大之評估值之關係的關係資料,自上述放射線圖像之各像素之像素值導出上述評估值,生成將導出之上述評估值與上述放射線圖像之各像素建立對應之資料;及 處理部,其將上述放射線圖像及上述雜訊圖輸入至預先藉由機械學習而建構出之學習完成模型,執行自上述放射線圖像去除雜訊之圖像處理。
- 一種放射線圖像處理系統,其具備: 如請求項11至18中任一項之放射線圖像處理模組; 產生源,其對上述對象物照射放射線;及 攝像裝置,其拍攝透過上述對象物之放射線而取得上述放射線圖像。
- 如請求項20之放射線圖像處理系統,其中上述攝像裝置具有線感測器。
- 如請求項20之放射線圖像處理系統,其中上述攝像裝置具有2維感測器。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021-021673 | 2021-02-15 | ||
JP2021021673 | 2021-02-15 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202238460A true TW202238460A (zh) | 2022-10-01 |
Family
ID=82838581
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110129258A TW202234049A (zh) | 2021-02-15 | 2021-08-09 | 放射線圖像獲取裝置、放射線圖像獲取系統及放射線圖像獲取方法 |
TW110138122A TW202238460A (zh) | 2021-02-15 | 2021-10-14 | 放射線圖像處理方法、機械學習方法、學習完成模型、機械學習之前處理方法、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 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110129258A TW202234049A (zh) | 2021-02-15 | 2021-08-09 | 放射線圖像獲取裝置、放射線圖像獲取系統及放射線圖像獲取方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20240054617A1 (zh) |
EP (1) | EP4252658A1 (zh) |
JP (1) | JPWO2022172506A1 (zh) |
KR (1) | KR20230145081A (zh) |
CN (1) | CN116916827A (zh) |
TW (2) | TW202234049A (zh) |
WO (1) | WO2022172506A1 (zh) |
Family Cites Families (7)
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 |
JP6993644B2 (ja) | 2017-11-10 | 2022-01-13 | 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 |
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 |
-
2021
- 2021-08-09 TW TW110129258A patent/TW202234049A/zh unknown
- 2021-10-07 EP EP21925753.2A patent/EP4252658A1/en active Pending
- 2021-10-07 KR KR1020237028293A patent/KR20230145081A/ko active Search and Examination
- 2021-10-07 WO PCT/JP2021/037173 patent/WO2022172506A1/ja active Application Filing
- 2021-10-07 US US18/270,897 patent/US20240054617A1/en active Pending
- 2021-10-07 CN CN202180093696.5A patent/CN116916827A/zh active Pending
- 2021-10-07 JP JP2022581176A patent/JPWO2022172506A1/ja active Pending
- 2021-10-14 TW TW110138122A patent/TW202238460A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
EP4252658A1 (en) | 2023-10-04 |
JPWO2022172506A1 (zh) | 2022-08-18 |
US20240054617A1 (en) | 2024-02-15 |
TW202234049A (zh) | 2022-09-01 |
KR20230145081A (ko) | 2023-10-17 |
WO2022172506A1 (ja) | 2022-08-18 |
CN116916827A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5089210B2 (ja) | 撮像素子画像処理方法 | |
JP6882135B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
JP6676338B2 (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 | |
JP2019030386A (ja) | 放射線撮像装置および放射線撮像システム | |
JP5185708B2 (ja) | エネルギーサブトラクション処理装置、方法、およびプログラム、並びに、放射線画像診断システム | |
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 | |
JP4146071B2 (ja) | エネルギーサブトラクション方法および装置並びに記録媒体 | |
JP2008246022A (ja) | 放射線撮影装置 | |
JP2002034961A (ja) | 放射線撮影装置及び放射線撮影方法 | |
CN112858167A (zh) | 多排双能线阵探测器扫描方法、系统、介质及装置 | |
TW202238460A (zh) | 放射線圖像處理方法、機械學習方法、學習完成模型、機械學習之前處理方法、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 | |
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 | |
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 | |
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 | |
JP4500101B2 (ja) | X線ct装置 | |
US11178346B2 (en) | Charge sharing calibration method and system | |
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 | |
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 | |
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 | |
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 | |
JP7487159B2 (ja) | 医用画像処理装置、医用画像処理方法およびプログラム | |
JP2008237836A (ja) | 放射線撮像装置及び方法 | |
WO2020250704A1 (ja) | 放射線撮像装置および放射線撮像方法 | |
JP2015080565A (ja) | 放射線撮影装置及びその制御方法 | |
JP5456404B2 (ja) | 欠陥画素検出方法および画像処理装置 |