WO2021002356A1 - 放射線画像判定装置、検査システム及びプログラム - Google Patents

放射線画像判定装置、検査システム及びプログラム Download PDF

Info

Publication number
WO2021002356A1
WO2021002356A1 PCT/JP2020/025661 JP2020025661W WO2021002356A1 WO 2021002356 A1 WO2021002356 A1 WO 2021002356A1 JP 2020025661 W JP2020025661 W JP 2020025661W WO 2021002356 A1 WO2021002356 A1 WO 2021002356A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
data
unit
inspection
radiographic
Prior art date
Application number
PCT/JP2020/025661
Other languages
English (en)
French (fr)
Inventor
泰憲 坪井
Original Assignee
コニカミノルタ株式会社
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 コニカミノルタ株式会社 filed Critical コニカミノルタ株式会社
Priority to JP2021530035A priority Critical patent/JPWO2021002356A1/ja
Publication of WO2021002356A1 publication Critical patent/WO2021002356A1/ja

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G01N23/041—Phase-contrast imaging, e.g. using grating interferometers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/18—Investigating the presence of flaws defects or foreign matter
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis

Definitions

  • the present invention relates to a radiographic image determination device, an inspection system and a program.
  • Patent Document 1 In the X-ray imaging apparatus using the Talbot effect (Patent Document 1), an absorption image, a small-angle scattered image, and a differential phase image are each acquired with good contrast. There is a technique that enables detection and identification of an object that was difficult to identify only by a conventional absorption image by comparing two or three types of images (Patent Document 2).
  • An object of the present invention is to provide a radiographic image determination device, an inspection system, and a program capable of more easily and surely perform an inspection in which a plurality of captured images are integrated.
  • the invention according to claim 1 is An acquisition unit that acquires multiple types of radiographic images related to the object to be imaged, and A determination unit having a learned model that outputs characteristic information of the object in response to input of the plurality of types of radiographic images, and a determination unit.
  • the determination unit A generator that convolves each of the plurality of types of radiographic images to generate a feature map of a predetermined size, respectively.
  • An integration unit that generates integrated data that integrates the contents of multiple feature maps, A determination processing unit that outputs the characteristic information based on the integrated data, It is a radiation image determination device having.
  • the invention according to claim 2 is the radiation image determination apparatus according to claim 1.
  • the integration unit one-dimensionally arranges each pixel value of the plurality of feature maps to generate integrated data.
  • the invention according to claim 3 is the radiation image determination apparatus according to claim 1.
  • the integrated part Each pixel value of the plurality of feature maps is one-dimensionally arranged. Two-dimensional data in which the positions of the one-dimensional array are associated with each other according to the pixel positions in the feature map and arranged in two dimensions is generated. The integrated data is generated by unidimensionally arranging the pixel values of the feature map obtained by performing the convolution process on the two-dimensional data.
  • the invention according to claim 4 is the radiation image determination apparatus according to claim 1.
  • the integrated part A three-dimensional data is generated by superimposing the plurality of feature maps in a direction perpendicular to the two-dimensional plane of the feature map.
  • the three-dimensional data is convolved and converted into a two-dimensional feature map in the two-dimensional plane.
  • the integrated data is generated by arranging each pixel value of the converted two-dimensional feature map in one dimension.
  • the invention according to claim 5 is the radiation image determination apparatus according to claim 3.
  • the determination processing unit reduces the number of dimensions of the two-dimensional data by VAE, and outputs the characteristic information based on the latent variable obtained by reducing the number of dimensions.
  • the invention according to claim 6 is the radiation image determination apparatus according to claim 5.
  • the VAE was learned by using the plurality of types of radiographic image data when there is no abnormality in the object.
  • the determination processing unit restores the radiographic image input based on the latent variable, and obtains the characteristic information based on the difference between the restored image and the radiographic image.
  • the invention according to claim 7 is the radiation image determining apparatus according to any one of claims 1 to 6.
  • the acquisition unit acquires the plurality of types of radiographic images for each of the plurality of states of the object.
  • the generation unit generates the feature map for each of the plurality of types of radiographic images in the plurality of states.
  • the integrated unit generates the integrated data based on the plurality of feature maps.
  • the invention according to claim 8 is the radiation image determination apparatus according to any one of claims 1 to 7.
  • the radiographic image includes two or more of an absorption image, a small-angle scattered image and a differential phase image obtained by a Talbot-type X-ray imaging apparatus, and an image obtained by an operation based on these.
  • the invention according to claim 9 is the radiation image determination apparatus according to any one of claims 1 to 8.
  • the characteristic information includes at least of voids, cracks, gaps in the object, welds, peeling, foreign substances, abnormal precipitation and aggregation of specific components due to resin flow, and local abnormalities in the orientation or dispersion of microstructures. Either is included.
  • the invention according to claim 10 is the radiation image determining apparatus according to any one of claims 1 to 9.
  • An area setting unit for setting an area in which the characteristic information output by the determination unit satisfies a predetermined reference condition is provided.
  • the invention according to claim 11 is the radiation image determination apparatus according to claim 10.
  • the reference condition is a condition relating to the necessity of inspection by a predetermined inspection device.
  • the invention according to claim 12 The radiographic image determination device according to any one of claims 1 to 11.
  • the inspection device is an inspection system including an inspection setting unit that sets an area required for inspection by the own machine based on the characteristic information output by the determination unit.
  • the invention according to claim 13
  • Computer Acquisition means for acquiring multiple types of radiographic images related to the object to be imaged
  • a determination means having a learned model that outputs characteristic information of the object in response to input of the plurality of types of radiographic images.
  • a generation means for generating a feature map of a predetermined size by convolving each of the plurality of types of radiographic images.
  • An integration means for generating integrated data that integrates the contents of a plurality of the feature maps, and A determination processing means that outputs the characteristic information based on the integrated data, and It is a program that has.
  • FIG. 1 is a diagram showing a configuration of an inspection system 100 including a processing device 1 which is an embodiment of a radiation image determination device.
  • the inspection system 100 includes a processing device 1, a radiography apparatus 50, and an inspection device 60.
  • the processing device 1 is, for example, a normal computer (PC), and includes a control unit 11, a storage unit 12, a communication unit 13, an operation reception unit 14, a display unit 15, and the like.
  • PC normal computer
  • the control unit 11 is a processor that includes a CPU (Central Processing Unit), a RAM (Random Access Memory), and the like, performs various arithmetic processes, and controls the operation of the processing device 1 in an integrated manner.
  • a CPU Central Processing Unit
  • RAM Random Access Memory
  • the storage unit 12 includes a non-volatile memory such as a flash memory and / or an HDD (Hard Disc Drive) and the like, and stores a program 121 for various control processes and setting data.
  • the storage unit 12 may store the input image data, its processing data, and the like.
  • the storage unit 12 may include a volatile memory, and data or the like being processed may be stored in the volatile memory.
  • the data storage area being processed may be appropriately divided from the RAM of the control unit 11.
  • the program 121 includes a program related to the determination device learning process described later and a program related to the abnormality inspection process.
  • the setting data includes data of the trained model 122 for image determination and the like.
  • the communication unit 13 controls communication with an external device in accordance with a predetermined communication standard, for example, TCP / IP.
  • the communication unit 13 includes, for example, a network card or the like.
  • the external device may include various inspection devices (including a radiography imaging device 50) in the inspection system 100, a management server for imaging data and its analysis and inspection results, and the like.
  • the operation reception unit 14 receives an input operation from the outside such as a user and outputs it to the control unit 11 as an input signal.
  • Examples of the operation receiving unit 14 include a pointing device such as a mouse and a touch panel, and / or a keyboard.
  • the display unit 15 displays the menu, status, data before and after processing, the result of image processing, and the like on the display screen based on the control of the control unit 11.
  • Examples of the display screen include a liquid crystal display screen.
  • the radiography apparatus 50 is an X-ray radiographing apparatus (Talbot type radiographing apparatus) using the Talbot effect (Talbot low interference).
  • the inspection device 60 is a device that performs other predetermined inspections, and includes a control unit 61 (inspection setting unit).
  • FIG. 2 is a schematic view showing the overall configuration of the radiography apparatus 50.
  • the radiography apparatus 50 includes an X-ray generator 51, a radiation source grid 52 (0th grid), a subject stand 53, a first grid 54, a second grid 55, an X-ray detector 56, and a support column 57. And a base portion 58.
  • the X-ray generator 51 is attached to the support column 57 by a support portion 57a, and has a radiation source 51a.
  • the X-rays emitted from the radiation source 51a are emitted downward in FIG.
  • the radiation source 51a itself is not attached to the X-ray generator 51, but may be attached to the base portion 58 attached to the support column 57 by the support portion 52a.
  • the radiation source grid 52 is attached to the base portion 58 by a support portion 52a, and is located in the immediate vicinity of the radiation source 51a in the X-ray emission direction from the radiation source 51a.
  • the source grid 52 divides the emitted X-rays into a plurality of lines having a minute width and irradiates the subject H, which is an object to be imaged.
  • a filtration filter 591, an irradiation field aperture 592, an irradiation field lamp 593, and the like are all attached to the support portion 52a between the radiation source grid 52 and the subject H, and are provided at appropriate positions with respect to the radiation source 51a. You may be.
  • the filtration filter 591 is used for converting the quality of X-rays that have passed through the source grid 52.
  • the irradiation field aperture 592 adjusts the X-ray irradiation range according to the size of the subject H and the like.
  • the irradiation field lamp 593 irradiates visible light according to the irradiation range of X-rays. This visible light is used for positioning the subject H and the like.
  • the subject H is placed on the subject stand 53.
  • the subject base 53 is attached to the base portion 58.
  • the subject stand 53 does not affect the X-rays when they are transmitted.
  • the first grid 54 is incident with emitted X-rays to generate a Talbot effect.
  • the second grid 55 is positioned so as to overlap the image diffracted by the first grid 54 to generate a moire image.
  • the subject H is located on the upper surface side of the first grid 54 or between the first grid 54 and the second grid 55, the image formed by the first grid is deformed.
  • the moire image is imaged (imaging) by incident on the X-ray detector 56.
  • a differential phase image and a small-angle scattered image are acquired.
  • the method for reconstructing and acquiring these a plurality of types of images is not particularly limited, but for example, a fringe scanning method or the like may be used.
  • the fringe scanning method one of a plurality of lattices has a slit period of 1 / M (M is a positive integer, absorption image is M> 2, differential phase image and small angle scattered image is M> 3).
  • Reconstruction is performed using the moire image taken M times by moving in the direction to obtain a high-definition reconstructed image. Further, it may be possible to output an image (composite image) that has been further calculated by combining the obtained images.
  • the radiography apparatus 50 is used here for non-destructive inspection of the internal structure of an object and the like.
  • FIG. 3 is a diagram illustrating detection of a light element foreign substance in the subject H (object). If voids (including cracks) or mixed foreign substances, especially light elements that are lighter than a predetermined material and absorb less X-rays, are mixed inside the member, the absorption in these parts is reduced and permeated. The amount increases and the brightness of the absorbed image increases. The degree of increase in brightness depends on whether the voids or foreign matter are used, and the larger the size of these voids or foreign matter, the greater the degree of increase. That is, for example, when the presence of a foreign substance is a detection target, it is difficult to distinguish the foreign substance from the void only by the absorption image.
  • a small-sized (microscale, etc.) structure here, scattering of X-rays with a small angle generated at the boundary between these voids and foreign matter is detected.
  • the magnitude of scattering differs depending on whether it is a void or a foreign matter, and the larger the void or the foreign matter, the larger the scattering. That is, for example, when the presence of a foreign substance is a detection target, it is difficult to distinguish the foreign substance from the void only by the small-angle scattered image.
  • the rate of change differs between the foreign matter and the void in the absorbed image and the small-angle scattered image, it is possible to distinguish which one is by combining the two. That is, accurate determination is made by aligning a plurality of types of images and combining the analysis results for each pixel position.
  • the small-angle scattering amount at the boundary is smaller than the absorption amount, it can be determined as a light element foreign substance.
  • Such a determination is possible by extracting the features of the absorption amount and the small-angle scattering amount and then integrating them with appropriate weights (here, an integrated feature map is generated).
  • the acquired plurality of types (two or more) of radiographic images are input and integrated while maintaining the positional relationship of the characteristic structure in each, and the comprehensive detection result is extracted. Perform processing. In addition, the inspection result is acquired and output based on the extracted result.
  • FIG. 4 is a diagram schematically showing an inspection result acquisition procedure in the processing device 1 of the present embodiment.
  • a learning model by a convolutional neural network (CNN) is used for the inspection using each image.
  • the detection target is almost determined in advance according to the type of the captured image and the object to be captured, but the position, size, and number thereof are undefined.
  • a feature map in which convolution processing is performed up to a predetermined stage (predetermined size) for each reconstructed image here, a total of N pixels
  • M pixels here, a total of M pixels by convolution k times
  • a characteristic value distribution that is, a numerical distribution that reflects the characteristic structure while retaining the position information (generation unit).
  • a feature map of two-dimensional data a feature map of three-dimensional data having a depth corresponding to the number of filters may be generated. Further, the pooling process may be performed between the k times of convolution.
  • Each M pixel value of the feature map obtained for each of a plurality of types of images is combined (integrated) by being one-dimensionally arranged (flattened) in parallel.
  • the flattened data obtained by integration is fully combined by weighting with a weighting coefficient in the fully connected layer to obtain fully connected data.
  • This fully combined data is input to the judgment device, converted into a probability value related to the presence / absence and type of the feature structure at each position using an appropriate function, and binarized as necessary as characteristic information. It is output.
  • the learning model that uses the flattening data in which the feature maps related to the above-mentioned multiple images are integrated, in addition to the positional relationship of each of the multiple types of images, the magnitude relation of the numerical values, the correlation, etc. are also learned as features, and thus comprehensive
  • the type of structure is specified, and the inspection result, that is, the probability that the detected content is a specific structure is obtained as characteristic information.
  • voids in the object spaces created by various factors including cracks, gaps, peeling, welds generated by the flow of the resin, etc.
  • foreign substances such as light elements (specific components).
  • these abnormal states For example, data (including at least one of them) showing information such as local abnormalities such as orientation and unevenness of the dispersed state, and regions where changes occur) is output.
  • the training model is generated by giving a large number of image data (learning data) related to the characteristic structure of each image and teacher data storing the correct answer associated with the image data in advance, and is a filter related to convolution. The coefficient (weighting coefficient) and the weighting coefficient at the time of full connection are determined.
  • the part that is finally judged to be abnormal by the judgment device based on the probability data is reflected in the output data.
  • the structure and its position information may be directly presented. Alternatively, a process may be performed to make the original image identifiable by highlighting a portion determined to be abnormal.
  • the area required for inspection by the predetermined inspection device 60 and / or when reading the image data by another device or the like is known. It may be made available and noticed (area setting unit). Alternatively, the information of the determined area may be added to the header of the image data. This information may be read, for example, during inspection of other inspection equipment (such as a CT device) and used to selectively or intensively inspect the area.
  • the area requiring inspection may be set by the control unit 61 in the inspection device 60 itself, or by another control device that collectively processes inspection data.
  • FIG. 5 is a flowchart showing a control procedure of the model learning process executed by the processing device 1 of the present embodiment.
  • the control unit 11 reads the input image data set for learning (including a predetermined number of reconstructed combinations of a plurality of types of images) (step S201).
  • the predetermined number is a sufficiently large number as used in conventional learning.
  • the control unit 11 sequentially adds correct answer data for the image, that is, data of characteristic information of the object determined by a human corresponding to the combination of the images, in response to the input operation received by the operation reception unit 14 (Ste S202).
  • the characteristic information of the correct answer here is the distribution of foreign substances (voids, the same applies hereinafter), the presence or absence of foreign substances, the content rate of foreign substances and / or the content probability of foreign substances.
  • the control unit 11 sequentially displays the learning images on the display unit 15 and causes the display unit 15 to input the correct answer.
  • the correct answer data may be added to the input image data set for learning from the beginning, and in this case, the process of step S202 is unnecessary.
  • the control unit 11 sequentially inputs the image data of the image data set with the correct answer, performs convolution processing to generate a feature map, further integrates and fully combines these, and inputs them to the determination device (step S203). ..
  • the control unit 11 collates the determination result with the correct answer data, back-propagates the difference (error) in the result, and adjusts each weighting coefficient related to the total coupling and the coefficient of the convolution filter to adjust the learning model. Let them learn. If the learning process is not performed by the processing device 1, the image data set and the learning request may be output to the external device. Then, when all the processing of the image data set is completed, the control unit 11 stores and saves the settings such as the obtained coefficients. Then, the control unit 11 ends the model learning process. As a result, trained model data in which the correspondence between the plurality of radiographic images and the characteristics of the object is learned is generated.
  • FIG. 6 is a flowchart showing a control procedure of the abnormality inspection process executed by the processing device 1 of the present embodiment. This process is started by inputting the captured image of the radiographic imaging apparatus 50.
  • the processes of steps S111 to S113 are the processing contents as the determination unit (determination means) using the trained model 122.
  • the control unit 11 reconstructs a plurality of types of radiographic image data (absorption image, small angle scattering image, and differential phase image). Alternatively, the control unit 11 acquires the reconstructed image data from the radiography apparatus 50 (step S101; acquisition unit, acquisition means). The control unit 11 inputs these plurality of types of image data into the trained model (step S102). The control unit 11 performs a process of convolving each input image (step S111; generation unit, generation means). At this time, the pooling process may be performed according to the setting of the learning model. The control unit 11 integrates the feature maps obtained by convolution (step S112; integration unit, integration means).
  • the control unit 11 fully combines the integrated data and determines the integrated result related to the characteristic information by the determination device (step S113: determination processing unit, determination processing means).
  • the control unit 11 may output an inspection (judgment) request together with necessary data to an external device to perform the inspection (judgment). ..
  • the control unit 11 acquires the output information of the determination device (step S103).
  • the control unit 11 determines whether or not it is determined that there is an area satisfying the abnormality criterion (step S104). If it is determined that there is no such condition (“NO” in step S104), the control unit 11 ends the abnormality inspection process. If it is determined that there is (“YES” in step S104), the control unit 11 sets the alpha channel ( ⁇ channel) of each pixel data in the region determined to satisfy the abnormality criterion according to the content of the abnormality. The flag is set (step S105). Then, the control unit 11 ends the abnormality inspection process.
  • FIG. 7 is a diagram schematically showing a modified example 1 of the inspection result acquisition procedure.
  • each pixel value of the feature map obtained in the same manner as above for the plurality of images is arranged in a one-dimensional array (number of elements M), and is associated with the pixel position of the feature map among the one-dimensional arrays. It is integrated as two-dimensional data (3 ⁇ M integrated feature map) arranged in different rows (two-dimensional arrangement) according to the arranged column positions. The two-dimensional data is further convolved one or more times to reduce the number of pixels, and then the pixel values (number of pixels L) of the obtained feature map are one-dimensionally arranged and flattened. The flattened data are fully coupled with the weights obtained by training in the fully coupled layer. When this fully combined data is input to the determination device, the probability distribution related to the abnormality of each pixel is output.
  • the filter for convolution of the integrated feature map is weighted for the combination between each image, and is set to be learned separately from the filter for the previous individual convolution.
  • the learning may be performed by back-propagating the deviation according to the difference (loss function) between the teacher data and the output and updating the parameters.
  • FIG. 8 is a diagram schematically showing a modified example 2 of the inspection result acquisition procedure.
  • the two-dimensional feature maps obtained for each of the plurality of images are three-dimensional data (l) in which the pixel values are not arranged one-dimensionally but are superimposed in the direction perpendicular to the two-dimensional plane (three-dimensional direction).
  • ⁇ r ⁇ 3 integrated feature map is integrated.
  • each element (L pixel) is arranged in one dimension and flattened data (d1 to dL). ). Then, the flattening data is fully combined with a predetermined weighting coefficient, and the fully combined data is obtained. This fully combined data is input to the determiner to obtain an output related to the characteristics. Also in this case, the features of the plurality of (three) images at the same position are convoluted in the two-dimensional plane while leaving the position information.
  • Mode 3 instead of processing the image data as it is, it may be converted into a latent variable indicating the characteristics of the image to reduce the number of dimensions.
  • VAE Vehicle Auto Encoder
  • VAE Visional Auto Encoder
  • learning with unsupervised learning data is required in advance, and the unsupervised data includes, for example, image data in which a predetermined abnormality does not exist among the above-mentioned learning data (for example, the above-mentioned light element foreign matter). It may be the one selected (without contamination).
  • FIG. 9 is a diagram schematically showing a modified example 3 of the inspection result acquisition procedure.
  • This modification 3 is the same as the modification 1 up to the point where it is integrated into the 3 ⁇ M two-dimensional array data.
  • this two-dimensional array is encoded by the trained VAE (encoder) and converted into a latent variable Z having a predetermined dimension.
  • Subsequent processing performed based on the latent variable Z may be one of the following plurality of methods, or may be integrated after the plurality of methods are performed.
  • flattening data is generated by unidimensionally arranging each element dimensionally compressed (for example, K dimension) in the latent variable Z, and this is weighted by a weighting coefficient in the fully connected layer and fully connected. Input the fully combined data to the judgment device.
  • the encoded data is decoded again to generate two-dimensional restored data, and the restored data is compared with the original acquired (input) two-dimensional image data.
  • the restored image after VAE processing learned based on the data without abnormalities and the original two-dimensional image have a difference in the abnormal part (array element) when an abnormality exists.
  • Abnormality is determined (detected) based on the difference (difference).
  • a predetermined reference value may be set for the latent variable Z, and an abnormality may be determined according to the magnitude relationship with the reference value.
  • FIG. 10 is a diagram schematically showing a modified example 4 of the inspection result acquisition procedure.
  • a case where a set of three types of images 1 to 3 is acquired in four frames (in a plurality of states) of states A to D is shown as an example.
  • the plurality of images in each state are individually convolved in the same manner as in the above embodiment to generate a feature map (FM) of M pixels.
  • FM feature map
  • two-dimensional array data as shown in the modified example 3 are generated respectively.
  • the two-dimensional array data is further superimposed in the row direction so that the ones having the same pixel position are in the same column position among a plurality of states. That is, here, 12 ⁇ M two-dimensional array data is generated.
  • the two-dimensional array data is further convolved an appropriate number of times and converted into a feature map of L pixels, and then the L pixels are arranged in one dimension to generate flattening data.
  • the flattened data is fully combined according to the weighting coefficient, and the obtained fully combined data is input to the determination device to obtain an inspection result.
  • the processing device 1 of the present embodiment includes the control unit 11, and the control unit 11 includes a plurality of acquisition units for acquiring a plurality of types of X-ray captured images related to the object to be imaged (subject H). It operates as a determination unit having a learned model 122 that outputs characteristic information of an object in response to input of a type of X-ray photographed image.
  • the control unit 11 as a determination unit further convolves a plurality of types of X-ray images as a generation unit to generate a feature map of a predetermined size, and integrates a plurality of feature maps as an integration unit to generate integrated data. It has a trained model 122 that is generated and outputs characteristic information based on integrated data as a determination processing unit.
  • each image is convoluted to obtain a feature map. After generating them individually, these feature maps are integrated and the integrated data are fully combined to obtain characteristic information. That is, for each image data, each feature is extracted while maintaining its position information, and then these are integrated. Therefore, it is possible to appropriately retain the feature amounts obtained from a plurality of types of images and the information on their positions, and to clearly define their relationships. Therefore, in this processing device 1, the characteristics of the object can be more appropriately acquired based on a plurality of types of captured images.
  • control unit 11 as a determination unit (integration unit), one-dimensionally arranges each pixel value of a plurality of feature maps and generates flattening data as integrated data. That is, since the pixel values of the plurality of feature maps are arranged in parallel and fully combined by the operation as the determination processing unit, it is possible to detect the characteristic structure while reliably maintaining the position information, and a plurality of features. It is possible to accurately judge the correspondence between the images of. Therefore, in this processing device 1, it is possible to appropriately balance the extraction of the characteristic structure and the accuracy of specifying the positional relationship of the characteristic structure in a plurality of types of images.
  • control unit 11 as a determination unit (integration unit), arranges each pixel value of a plurality of feature maps in one dimension, and arranges the positions of the one-dimensional array in two dimensions according to the pixel positions in the feature map.
  • the data related to each captured image may be integrated by generating the two-dimensional data.
  • flattening data integrated data is generated by one-dimensionally arranging each pixel value of the feature map obtained by performing convolution processing on the two-dimensional data obtained by integration. Even in this case, since the convolution is performed once individually, it is possible to integrate the characteristics and the positions where the characteristics appear in each image in a state of being appropriately shown.
  • control unit 11 as a determination unit (integration unit), generates and integrates three-dimensional data in which a plurality of feature maps are superimposed in a direction perpendicular to the two-dimensional plane of the feature map, and integrates the three-dimensional data.
  • the convolution process may be performed to convert to a two-dimensional feature map in a two-dimensional plane, and each pixel value of the converted two-dimensional feature map may be one-dimensionally arranged to generate flattening data (integrated data).
  • the three-dimensional data is generated in this way, as in the case of the two-dimensional data, the characteristics are emphasized by being individually convolved first, and the positions of the characteristics are properly indicated and integrated. Since the position information is maintained and processed into flattened data at the time of integration, accurate inspection can be performed while achieving both the extraction of characteristic structures and the accuracy of identifying the positional relationship of the characteristic structures using multiple types of images. It can be carried out.
  • control unit 11 reduces the number of dimensions of the two-dimensional data by VAE as a determination unit (determination processing unit), and extracts and outputs characteristic information based on the latent variable obtained by reducing the number of dimensions. You may. By encoding the two-dimensional data in which the feature and the position information (positional relationship) of the feature are maintained as described above by VAE, the characteristic to be detected can be extracted more appropriately.
  • the VAE is learned by using a plurality of types of radiographic image data when there is no predetermined abnormality (for example, contamination of a light element foreign substance) in the object (subject H), and the control unit 11
  • a determination unit determination processing unit
  • the input original radiographic image is restored based on (decoded) the latent variable obtained by VAE.
  • the above-mentioned predetermined abnormality is detected as characteristic information.
  • control unit 11 acquires a plurality of types of X-ray images for each of a plurality of states of the object as an acquisition unit, and provides a feature map for each of the plurality of types of radiographic images in the plurality of states as a determination unit. Generate (generation part) and integrate these multiple feature maps (integration part). That is, when the state of the X-ray photographed image changes, the pixel positions of the plurality of states are aligned and integrated into the two-dimensional data after the multiple types of images in the plurality of states are individually convolved. It is possible to appropriately detect the characteristics in consideration of the state change at the same position.
  • the radiographic image includes two or more of an absorption image, a small-angle scattered image and a differential phase image obtained by a Talbot-type X-ray imaging device, and an image obtained by an operation based on these.
  • the Talbot-type X-ray imaging device With the Talbot-type X-ray imaging device, the above three types of images can be easily acquired by reconstruction. Therefore, by making it possible to output a combination of these images, the user makes a comparative judgment based on experience. It is possible to appropriately summarize conventional tests and evaluate them more quantitatively.
  • the characteristic information includes at least of voids, cracks, gaps in the object, welds due to resin flow, peeling, foreign matter, abnormal precipitation and aggregation of specific components, and local abnormalities in the orientation or dispersion of microstructures. Either is included. In this way, by making it possible to appropriately quantitatively evaluate a combination of a plurality of types of images, it is possible to appropriately detect an abnormal portion inside an object in a non-destructive manner.
  • control unit 11 sets an area in which the characteristic information output as the determination unit satisfies a predetermined reference condition as the area setting unit. That is, it is possible not only to output the characteristic information but also to make it easier for the user to know the area that needs attention based on the inspection result.
  • the above standard conditions are conditions related to the necessity of inspection by a predetermined inspection device. That is, by setting an area that requires further inspection with another inspection device, it is possible to prevent omission of inspection settings. Further, by making it possible to acquire the information of this setting area with the other inspection device or the like, it is possible to easily inspect the area of interest without the user having to manually set the information.
  • the inspection system 100 of the present embodiment includes the above-mentioned processing device 1 and a predetermined inspection device 60, and the control unit 61 of the inspection device 60 is based on the characteristic information output by the control unit 11.
  • the present invention is not limited to the above embodiment, and various modifications can be made.
  • a convolutional process and a fully connected layer are used as an example, but the process is capable of extracting the feature amount of the image data while retaining the position information. If so, it is not limited to the convolution process, and if the characteristic information can be extracted from the integrated map, it does not have to be fully combined.
  • the images of different states may be taken at different timings, or may be taken by different radiography apparatus or different setting conditions. ..
  • the image may be an image obtained by another radiography apparatus, and may be used.
  • a combination of a plurality of types of images obtained by different radiographic apparatus may be used. If there is a slight deviation in the position (imaging range) of a plurality of types of images, a one-dimensional array, two-dimensional data, or three-dimensional data may be generated in consideration of the deviation at the time of integration. The resulting blank part may be filled with zero-value data or the like.
  • the detection target is not limited to the voids of the object or the light element foreign matter, regardless of whether the image is taken by the Talbot type X-ray apparatus. It may be something else.
  • the radiography apparatus 50 and the processing apparatus 1 located in the inspection system 100 have been described as having images acquired from the radiography apparatus 50, but the image data is externally obtained via the Internet. It may be acquired from, or it may be input by a portable storage medium such as a DVD or a flash memory.
  • the storage unit 12 having an auxiliary storage device such as a non-volatile memory and / or an HDD as a computer-readable medium of the program 121 related to the processing operation of the control unit 11 according to the present invention is taken as an example.
  • a portable storage medium such as a CD-ROM or a DVD disc can be applied.
  • a carrier wave is also applied to the present invention as a medium for providing data of a program according to the present invention via a communication line.
  • the specific configuration, the content and procedure of the processing operation shown in the above embodiment can be appropriately changed without departing from the spirit of the present invention.
  • the present invention relates to a radiographic image determination device, an inspection system and a program.
  • Processing device 11 Control unit 12 Storage unit 121 Program 122 Learned model 13 Communication unit 14 Operation reception unit 15 Display unit 50 Radiation imaging device 51 X-ray generator 51a Source 52 Source grid 52a Support unit 53 Subject 54 1st Lattice 55 2nd lattice 56 X-ray detector 57 Support 57a Support 58 Base 591 Filtration filter 592 Irradiation field Aperture 593 Irradiation field lamp 60 Inspection device 61 Control unit 100 Inspection system H Subject

Abstract

より容易かつ確実に複数の撮影画像を統合した検査を行うことのできる放射線画像判定装置、検査システム及びプログラムを提供する。放射線画像判定装置は、撮像の対象物に係る複数種類の放射線撮影画像を取得する取得部と、複数種類の放射線撮影画像の入力に対して対象物の特性情報を出力する学習済モデルを有する判定部とを備える。判定部は、複数種類の放射線撮影画像を各々畳み込み処理して、それぞれ所定サイズの特徴マップを生成する生成部と、複数の特徴マップの内容を統合した統合データを生成する統合部と、統合データに基づいて特性情報を出力する判定処理部と、を有する。

Description

放射線画像判定装置、検査システム及びプログラム
　この発明は、放射線画像判定装置、検査システム及びプログラムに関する。
　検査対象に放射線を照射してその透過特性などを計測することにより検査対象の内部構造を検査する技術がある。検査対象の構造に応じた放射線の吸収特性の違いを検出するものに加えて、散乱や屈折（位相ずれ）などを検出することで複合的に検出を行う技術が開発されている。
　タルボ効果を利用したＸ線撮影装置（特許文献１）では、吸収画像、小角散乱画像及び微分位相画像がそれぞれ良好なコントラストで取得される。これらのうち２、３種類の画像を比較することで、従来の吸収画像だけでは特定が困難であった対象の検出及び特定を可能とする技術がある（特許文献２）。
国際公開第２００４／０５８０７０号 特表２０１５－５０７９８４号公報
　しかしながら、複数の撮影画像の位置を合わせながら比較して検査を行うには、手間がかかり、また判断に誤りを生じやすいという課題がある。
　この発明の目的は、より容易かつ確実に複数の撮影画像を統合した検査を行うことのできる放射線画像判定装置、検査システム及びプログラムを提供することにある。
　上記目的を達成するため、請求項１記載の発明は、
　撮像の対象物に係る複数種類の放射線撮影画像を取得する取得部と、
　前記複数種類の放射線撮影画像の入力に対して前記対象物の特性情報を出力する学習済モデルを有する判定部と、
　を備え、
　前記判定部は、
　前記複数種類の放射線撮影画像を各々畳み込み処理して、それぞれ所定サイズの特徴マップを生成する生成部と、
　複数の前記特徴マップの内容を統合した統合データを生成する統合部と、
　前記統合データに基づいて前記特性情報を出力する判定処理部と、
　を有する
　放射線画像判定装置である。
　請求項２記載の発明は、請求項１記載の放射線画像判定装置において、
　前記統合部は、前記複数の特徴マップの各画素値を一次元配列して統合データを生成する。
　請求項３記載の発明は、請求項１記載の放射線画像判定装置において、
　前記統合部は、
　前記複数の特徴マップの各画素値を各々一次元配列し、
　前記特徴マップにおける画素位置に応じて前記一次元配列の位置を対応付けて二次元配置した二次元データを生成し、
　当該二次元データに対して畳み込み処理を行って得られた特徴マップの各画素値を一次元配列して前記統合データを生成する。
　請求項４記載の発明は、請求項１記載の放射線画像判定装置において、
　前記統合部は、
　前記複数の特徴マップを当該特徴マップの二次元面に垂直な方向に重ねた三次元データを生成し、
　当該三次元データに対して畳み込み処理を行って前記二次元面内の二次元特徴マップに変換し、
　変換後の前記二次元特徴マップの各画素値を一次元配列して前記統合データを生成する。
　請求項５記載の発明は、請求項３記載の放射線画像判定装置において、
　前記判定処理部は、前記二次元データをＶＡＥにより次元数削減し、当該次元数削減がなされて得られた潜在変数に基づいて前記特性情報を出力する。
　請求項６記載の発明は、請求項５記載の放射線画像判定装置において、
　前記ＶＡＥは、前記対象物に異常がない場合の前記複数種類の放射線撮影画像データを用いて学習されたものであり、
　前記判定処理部は、前記潜在変数に基づいて入力された前記放射線撮影画像を復元し、当該復元された画像と前記放射線撮影画像との差分に基づいて前記特性情報を得る。
　請求項７記載の発明は、請求項１～６のいずれか一項に記載の放射線画像判定装置において、
　前記取得部は、前記複数種類の放射線撮影画像を前記対象物の複数の状態についてそれぞれ取得し、
　前記生成部は、前記複数の状態の前記複数種類の放射線撮影画像のそれぞれについて前記特徴マップを生成し、
　前記統合部は、前記複数の特徴マップに基づいて前記統合データを生成する。
　請求項８記載の発明は、請求項１～７のいずれか一項に記載の放射線画像判定装置において、
　前記放射線撮影画像は、タルボ型のＸ線撮影装置により得られた吸収画像、小角散乱画像及び微分位相画像、並びにこれらに基づく演算により得られた画像のうち２つ以上を含む。
　請求項９記載の発明は、請求項１～８のいずれか一項に記載の放射線画像判定装置において、
　前記特性情報には、前記対象物内の空隙、亀裂、隙間、樹脂の流動に伴うウェルド、剥離、異物、特定成分の異常析出及び凝集、並びに微小構造の配向性又は分散の局所異常のうち少なくともいずれかが含まれる。
　請求項１０記載の発明は、請求項１～９のいずれか一項に記載の放射線画像判定装置において、
　前記判定部により出力された前記特性情報が所定の基準条件を満たす領域を設定する領域設定部を備える。
　請求項１１記載の発明は、請求項１０記載の放射線画像判定装置において、
　前記基準条件は、所定の検査装置による検査の必要性に係る条件である。
　請求項１２記載の発明は、
　請求項１～１１のいずれか一項に記載の放射線画像判定装置と、
　所定の検査装置と、
　を備え、
　前記検査装置は、前記判定部により出力された前記特性情報に基づいて、自機による検査の必要な領域を設定する検査設定部を備える
　検査システムである。
　請求項１３記載の発明は、
　コンピューターを、
　撮像の対象物に係る複数種類の放射線撮影画像を取得する取得手段、
　前記複数種類の放射線撮影画像の入力に対して前記対象物の特性情報を出力する学習済モデルを有する判定手段、
　として機能させ、
　前記判定手段は、
　前記複数種類の放射線撮影画像を各々畳み込み処理して、それぞれ所定サイズの特徴マップを生成する生成手段と、
　複数の前記特徴マップの内容を統合した統合データを生成する統合手段と、
　前記統合データに基づいて前記特性情報を出力する判定処理手段と、
　を有する
　プログラムである。
　本発明に従うと、より容易かつ確実に複数の放射線撮影画像を統合した検査を行うことができるという効果がある。
処理装置を含む検査システムの構成を示す図である。 放射線撮影装置の全体構成を示す概略図である。 被写体中の軽元素異物の検出について説明する図である。 処理装置における検査結果の取得手順を模式的に示す図である。 モデル学習処理の制御手順を示すフローチャートである。 異常検査処理の制御手順を示すフローチャートである。 検査結果の取得手順の変形例１を模式的に示す図である。 検査結果の取得手順の変形例２を模式的に示す図である。 検査結果の取得手順の変形例３を模式的に示す図である。 検査結果の取得手順の変形例４を模式的に示す図である。
　以下、本発明の実施の形態を図面に基づいて説明する。
　図１は、放射線画像判定装置の実施形態である処理装置１を含む検査システム１００の構成を示す図である。
　検査システム１００には、処理装置１と、放射線撮影装置５０と、検査装置６０とが含まれている。
　処理装置１は、例えば、通常のコンピューター（ＰＣ）であり、制御部１１と、記憶部１２と、通信部１３と、操作受付部１４と、表示部１５などを備える。
　制御部１１は、ＣＰＵ（Central Processing Unit）及びＲＡＭ（Random Access Memory）などを備え、各種演算処理を行って処理装置１の動作を統括制御するプロセッサーである。
　記憶部１２は、フラッシュメモリーなどの不揮発性メモリー及び／又はＨＤＤ（Hard Disc Drive）などを備え、各種制御処理用のプログラム１２１及び設定データを記憶する。また、記憶部１２は、入力された画像データ及びその処理データなどを記憶してよい。記憶部１２が揮発性メモリーを備え、処理中のデータなどが当該揮発性メモリーに記憶されてもよい。処理中のデータの記憶領域は、制御部１１のＲＡＭと適宜分割されてもよい。プログラム１２１には、後述の判定器学習処理に係るプログラム、及び異常検査処理に係るプログラムが含まれる。設定データには、画像判定用の学習済モデル１２２のデータなどが含まれる。
　通信部１３は、外部機器と所定の通信規格、例えば、ＴＣＰ／ＩＰなどに従って行う通信を制御する。通信部１３は、例えば、ネットワークカードなどを備える。外部機器には、ここでは、検査システム１００内の各種検査装置（放射線撮影装置５０を含む）、並びに撮影データ及びその解析検査結果の管理サーバーなどが含まれていてよい。
　操作受付部１４は、ユーザーなどの外部からの入力操作を受け付けて入力信号として制御部１１に出力する。操作受付部１４としては、例えば、マウス、タッチパネルなどのポインティングデバイス、及び／又はキーボードなどが挙げられる。
　表示部１５は、制御部１１の制御に基づいて表示画面にメニュー、ステータス、処理前後のデータ、画像処理の結果などを表示させる。表示画面としては、例えば、液晶表示画面が挙げられる。
　放射線撮影装置５０は、タルボ効果（タルボ・ロー干渉）を用いたＸ線撮影装置（タルボ型放射線撮影装置）である。検査装置６０は、その他の所定の検査を行う装置であり、制御部６１（検査設定部）を備える。
　図２は、放射線撮影装置５０の全体構成を示す概略図である。放射線撮影装置５０は、Ｘ線発生装置５１と、線源格子５２（第０格子）と、被写体台５３と、第１格子５４と、第２格子５５と、Ｘ線検出器５６と、支柱５７と、基台部５８と、を備えている。
　Ｘ線発生装置５１は、支柱５７に対して支持部５７ａで取り付けられており、線源５１ａを有する。線源５１ａから出射されたＸ線は、図２において下向きに放射される。なお、線源５１ａ自体はＸ線発生装置５１に取り付けられておらず、支柱５７に取り付けられた基台部５８に対して支持部５２ａで取り付けられていてよい。
　線源格子５２は、基台部５８に対して支持部５２ａで取り付けられており、線源５１ａからのＸ線出射方向について当該線源５１ａの直近に位置する。線源格子５２は、出射Ｘ線を微小幅の複数の線状に分割して撮像の対象物である被写体Ｈに対して照射する。線源格子５２と被写体Ｈとの間には、ろ過フィルター５９１、照射野絞り５９２及び照射野ランプ５９３などがいずれも支持部５２ａに取り付けられて、線源５１ａに対して適宜な位置に設けられていてよい。
　ろ過フィルター５９１は、線源格子５２を通過したＸ線の線質の変換に用いられる。照射野絞り５９２は、被写体Ｈのサイズなどに応じたＸ線の照射範囲を調整する。照射野ランプ５９３は、Ｘ線の照射範囲に合わせて可視光を照射する。この可視光は、被写体Ｈの位置合わせなどに用いられる。
　被写体台５３は、被写体Ｈが載置される。被写体台５３は、基台部５８に取り付けられている。被写体台５３は、Ｘ線の透過時に当該Ｘ線に影響を与えない。
　第１格子５４は、出射Ｘ線が入射されてタルボ効果を生じる。第２格子５５は、第１格子５４で回折された像に重なって位置することでモアレ像を生じさせる。第１格子５４の上面側、又は第１格子５４と第２格子５５との間に被写体Ｈが位置することで、第１格子による像が変形する。モアレ像は、Ｘ線検出器５６に入射して撮影（撮像）される。
　この放射線撮影装置５０では、従来から取得可能な吸収画像に加え、微分位相画像及び小角散乱画像が取得される。これら複数種類の画像（放射線撮影画像）を再構成して取得する方法としては、特に限られないが、例えば、縞走査法などが用いられてよい。縞走査法では、複数の格子のうちのひとつを格子のスリット周期の１／Ｍ（Ｍは正の整数、吸収画像はＭ＞２、微分位相画像と小角散乱画像はＭ＞３）ずつスリット周期方向に移動させてＭ回撮影したモアレ画像を用いて再構成を行い、高精細の再構成画像を得る。また、得られた画像を組み合わせてさらに演算処理された画像（合成画像）が出力可能であってもよい。放射線撮影装置５０は、ここでは、対象物の内部構造などに対する非破壊検査に用いられる。
　次に、放射線撮影装置５０の撮影画像を用いた上記検出動作について説明する。
　図３は、被写体Ｈ（対象物）中の軽元素異物の検出について説明する図である。
　空隙（亀裂なども含む）又は混入異物、特に所定の材質よりも軽元素でＸ線の吸収が少ないものが部材の内部に混入していると、これらの部分での吸収が減少することで透過量が増大し、吸収画像の輝度が上昇する。輝度の上昇の度合は、空隙か異物かにより異なり、またこれら空隙又は異物のサイズが大きいほど大きくなる。すなわち、例えば、異物の存在が検出対象の場合に、吸収画像だけで異物と空隙を識別するのは困難である。
　小角散乱画像では、微小サイズ（マイクロスケールなど）の構造、ここでは、これら空隙及び異物の境界で生じる角度の小さいＸ線の散乱を検出する。散乱の大きさは、空隙か異物かにより異なり、また、これら空隙又は異物が大きいほど大きくなる。すなわち、例えば、異物の存在が検出対象の場合に、小角散乱画像だけで異物と空隙を識別するのは困難である。
　このとき、吸収画像と小角散乱画像では、異物と空隙とで変化率が異なるので、両者を組み合わせることで、いずれであるかが区別される。すなわち、複数の種類の画像を位置合わせして各画素位置について解析結果を組み合わせることで、正確な判定がなされる。ここでは、吸収量に比して境界での小角散乱量が小さい場合に、軽元素異物と判定され得る。吸収量と小角散乱量の特徴を抽出した後に適宜な重みで統合する（ここでは、統合特徴マップを生成する）ことで、このような判定が可能となる。
　本実施形態の処理装置１では、取得した複数種類（２つ以上）の放射線撮影画像を入力として、各々における特徴的な構造の位置関係を維持しながら統合し、総合的な検出結果を抽出する処理を行う。また、抽出された結果に基づいて検査結果を取得、出力する。
　図４は、本実施形態の処理装置１における検査結果の取得手順を模式的に示す図である。処理装置１において、各画像を用いた検査には、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）による学習モデルが利用される。撮影画像の種別及び撮影の対象物に応じて検出対象は予めほぼ定まるが、その位置、大きさ及び数は不定である。ここでは、まず、再構成された各画像（ここではそれぞれ合計Ｎ画素）に対して畳み込み処理をそれぞれ所定段階（所定サイズ）まで行った特徴マップ（ここでは、ｋ回の畳み込みにより合計Ｍ画素（Ｎ＞Ｍ）に縮小したもの）により、位置情報を残しつつ特徴的な値の分布、すなわち、特徴的な構造を反映した数値分布が抽出される（生成部）。なお、ここでは、二次元データの特徴マップとして示しているが、フィルターの数に応じた深さを持つ三次元データの特徴マップが生成されてもよい。また、ｋ回の畳み込みの間でプーリング処理がなされてもよい。
　複数種類の画像についてそれぞれ得られた特徴マップの各Ｍ個の画素値は、並列的に一次元配置（平坦化）されることで結合（統合）される。統合されて得られた平坦化データは、全結合層で重み付け係数による重み付けにより全結合されて全結合データが得られる。この全結合データが判定器に入力され、適宜な関数を用いて、各位置における特徴構造などの有無及び種別に係る確率値に変換され、必要に応じて二値化などがなされた特性情報として出力される。
　上記複数の画像に係る特徴マップが統合された平坦化データを用いる学習モデルでは、複数種類の各画像の位置関係に加え、数値の大小関係、相関関係なども特徴として学習されることで、総合的に構造の種別が特定されて検査結果、すなわち、検出内容が特定の構造である確率が特性情報として得られる。ここでは、例えば、上述のように対象物内の空隙（亀裂、隙間、剥離、樹脂の流動に伴って生じたウェルドなどを含む各種要因で生じた空間）、軽元素などの異物（特定成分の異常析出、凝集などを含む想定される正常な成分及びその状態以外のもの）の混入領域（フィラー、繊維、発泡体の孔部といった微小構造、微小成分を有する対象物では、これらの状態異常、例えば、配向性や分散状態のむらなどの局所異常、変化が生じている領域を含む）などの情報を示すデータ（少なくともいずれか一つを含めばよい）が出力される。学習モデルは、予め各画像の特徴的な構造に係る画像データ（学習用データ）及び当該画像データに対して対応付けられた正解を記憶した教師データを多数与えることで生成され、畳み込みに係るフィルター係数（重み付け係数）及び全結合時の重み付け係数が定められる。
　確率データなどに基づいて判定器により最終的に異常と判断された部分（所定の基準条件を満たす領域）については、出力データに反映される。出力データでは、構造とその位置情報とが直接提示されてもよい。あるいは、元の画像に対し、異常と判断された部分を強調表示するなどで識別可能とする処理がなされてもよい。
　また、例えば、画像データのアルファチャンネル（付加領域）に所定のフラグがセットされるなどにより、他の装置などによる画像データの読取時及び／又は所定の検査装置６０による検査の必要な領域を知得可能とされて注目されるようにされてもよい（領域設定部）。あるいは、判別された領域の情報が画像データのヘッダーに付加されてもよい。これらの情報は、例えば、他の検査機器（ＣＴ装置など）の検査時に読み取られて、当該領域を選択的に又は重点的に検査されるのに用いられてよい。なお、検査の必要性がある領域は、検査装置６０自体で制御部６１により又は検査データを統括的に処理する他の制御装置などで設定がなされてもよい。
　図５は、本実施形態の処理装置１で実行されるモデル学習処理の制御手順を示すフローチャートである。
　モデル学習処理が開始されると、制御部１１は、入力された学習用の画像データセット（再構成済みの複数種類の画像の組み合わせを所定数含む）を読み込む（ステップＳ２０１）。所定数は、従来の学習に用いられるような十分に大きい数である。制御部１１は、操作受付部１４が受け付けた入力操作などに応じて、順次画像に対する正解データ、すなわち、画像の組み合わせに対応して人間により判別された対象物の特性情報のデータを付加する（ステップＳ２０２）。ここでいう正解の特性情報は、異物（空隙、以下同じ）の分布、異物の有無、異物の含有率及び／又は異物の含有確率などである。例えば、制御部１１は、学習用の画像を順次表示部１５に表示させて、正解の入力を行わせる。なお、入力された学習用の画像データセットに始めから正解データが付加されていてもよく、この場合には、ステップＳ２０２の処理は不要である。
　制御部１１は、正解付き画像データセットの画像データを順次入力させて、畳み込み処理を行わせて特徴マップを生成し、更にこれらの統合及び全結合を行って判定器に入力させる（ステップＳ２０３）。制御部１１は、判定結果と正解データとを照合させ、結果の相違（誤差）を逆伝播させて、全結合に係る各重み付け係数及び畳み込みのフィルターの係数などの調整を行うことで、学習モデルの学習を行わせる。なお、学習処理が処理装置１で行われない場合には、外部装置に画像データセットと学習要求とを出力してもよい。そして、画像データセットの全ての処理が終了すると、制御部１１は、得られた各係数などの設定を記憶保存する。そして、制御部１１は、モデル学習処理を終了する。これにより、複数の放射線撮影画像と対象物の特性との対応関係が学習された学習済モデルデータが生成される。
　図６は、本実施形態の処理装置１で実行される異常検査処理の制御手順を示すフローチャートである。この処理は、放射線撮影装置５０の撮影画像が入力されて開始される。なお、下記各処理のうちステップＳ１１１～Ｓ１１３の処理は、学習済モデル１２２を用いた判定部（判定手段）としての処理内容である。
　異常検査処理が開始されると、制御部１１は、複数種類の放射線撮影画像データ（吸収画像、小角散乱画像及び微分位相画像）を再構成する。又は、制御部１１は、再構成済みの画像データを放射線撮影装置５０から取得する（ステップＳ１０１；取得部、取得手段）。制御部１１は、これらの複数種類の画像データを学習済みモデルに入力する（ステップＳ１０２）。制御部１１は、各入力画像を各々畳み込む処理を行う（ステップＳ１１１；生成部、生成手段）。このとき、学習モデルの設定に応じてプーリング処理がなされてもよい。制御部１１は、畳み込みにより得られた特徴マップを統合する（ステップＳ１１２；統合部、統合手段）。制御部１１は、統合データを全結合し、判定器により特性情報に係る統合結果の判定を行う（ステップＳ１１３：判定処理部、判定処理手段）。なお、検査（判定）が制御部１１の外部で行われる場合には、制御部１１は、必要なデータとともに検査（判定）要求を外部の装置を出力して検査（判定）を行わせればよい。
　制御部１１は、判定器の出力情報を取得する（ステップＳ１０３）。制御部１１は、異常基準を満たす領域があると判定されたか否かを判別する（ステップＳ１０４）。ないと判別された場合には（ステップＳ１０４で“ＮＯ”）、制御部１１は、異常検査処理を終了する。あったと判別された場合には（ステップＳ１０４で“ＹＥＳ”）、制御部１１は、異常基準を満たすと判定された領域内の各画素データのアルファチャンネル（αチャンネル）に、異常の内容に応じたフラグを設定する（ステップＳ１０５）。そして、制御部１１は、異常検査処理を終了する。
［変形例１］
　図７は、検査結果の取得手順の変形例１を模式的に示す図である。
　この変形例１では、複数画像についてそれぞれ上記と同じように得られた特徴マップの各画素値は、それぞれ一次元配列（要素数Ｍ）され、一次元配列間で特徴マップの画素位置に対応付けられた列位置に合わせて異なる行に配置（二次元配置）した二次元データ（３×Ｍの統合特徴マップ）として統合される。二次元データは、さらに１又は複数回畳み込みが行われて画素数が削減された上で、得られた特徴マップの画素値（画素数Ｌ）を一次元配列して平坦化する。平坦化されたデータは、全結合層において、学習により得られた重み付けで全結合される。この全結合データが判定器に入力されることで各画素の異常に係る確率分布が出力される。
　この場合、統合特徴マップの畳み込みにおけるフィルターは、各画像間の組み合わせに係る重み付けとなり、先の個別の畳み込みに係るフィルターとは別個に学習設定される。学習は、上記他のパラメーターと同様に、教師データと出力との差異（損失関数）などに応じてずれが逆伝播されてパラメーターが更新されていくことでなされればよい。
　このような処理でも、位置情報が維持されるので、複数種類の画像間の位置関係を考慮した統合的なデータを生成し、適切な異常の検査、判定を行うことができる。
［変形例２］
　図８は、検査結果の取得手順の変形例２を模式的に示す図である。
　この変形例２では、複数画像についてそれぞれ得られた二次元特徴マップは、画素値が一次元配列されずに、当該二次元面に垂直な方向（３次元方向）に重ねた三次元データ（ｌ×ｒ×３の統合特徴マップ）として統合される。
　この三次元データを三次元フィルターで撮影面に平行な二次元のＬ画素特徴マップに畳み込み変換（圧縮）した上で、各要素（Ｌ画素）を一次元配列して平坦化データ（ｄ１～ｄＬ）とする。そして、平坦化データが所定の重み付け係数で全結合されて、全結合データが得られる。この全結合データが判定器に入力されて、特性に係る出力が得られる。この場合も、複数（３枚）の画像の同一位置における特徴が位置情報を残したまま２次元面内に畳み込まれる。
［変形例３］
　上記のように、画像データがそのまま処理される代わりに、画像の特徴を示す潜在変数に変換し、次元数を削減してもよい。画像データの次元数削減としては、例えば、ＶＡＥ（Variational Auto Encoder）が利用される。ＶＡＥでは、予め教師無しの学習用データによる学習が必要であるが、この教師無しデータとしては、例えば、上記学習用データのうち所定の異常が存在しない画像データ（例えば、上記の軽元素異物の混入がないもの）を選択したものであってもよい。
　図９は、検査結果の取得手順の変形例３を模式的に示す図である。
　この変形例３では、３×Ｍの二次元配列データに統合されるところまでは変形例１と同一である。その後、この二次元配列は、上記学習済みのＶＡＥ（エンコーダー）によりエンコードされて所定次元の潜在変数Ｚに変換される。この潜在変数Ｚに基づいて行われる以降の処理は、以下の複数の方法のいずれかであってもよいし、複数の方法がなされた後に統合されてもよい。
　１つ目の方法では、潜在変数Ｚに次元圧縮（例えば、Ｋ次元）された各要素を一次元配列して平坦化データを生成し、これが全結合層で重み付け係数により重み付けして全結合された全結合データを判定器に入力する。２つ目の方法では、エンコードしたデータを再びデコードして二次元の復元データを生成し、この復元データと、元の取得（入力）された二次元画像データとを比較する。上述のように、異常無しのデータに基づいて学習されたＶＡＥ処理後の復元画像と元の二次元画像とでは、異常が存在する場合に当該異常個所（配列要素）に相違が生じるので、この相違（差分）に基づいて異常の判定（検出）を行う。また、潜在変数Ｚに対して所定の基準値を定めて、当該基準値との大小関係などに応じた異常の判断を行ってもよい。
［変形例４］
　上記実施の形態では、個別の静止画像を取り扱うこととして説明したが、複数コマの連続撮影画像（動画）が取得される場合には、コマ数に応じて深さ方向に拡張（積層）された３次元画像データに対してＣＮＮが適用されてもよい。
　図１０は、検査結果の取得手順の変形例４を模式的に示す図である。
　ここでは、３種類の画像１～３の組が、状態Ａ～Ｄの４コマ（複数の状態で）取得されている場合を例に挙げて示している。各状態の複数の画像は、それぞれ上記実施の形態と同様にそれぞれについて個別に畳み込み処理がなされてＭ画素の特徴マップ（ＦＭ）が生成される。これにより、変形例３で示したような二次元配列データが各々生成される。この二次元配列データは、更に複数の状態間で同一画素位置のものが同一の列位置となるように行方向に重ねられた二次元配列データとされる。すなわち、ここでは、１２×Ｍの二次元配列データが生成される。
　この二次元配列データがさらに適宜な回数畳み込み処理されて、Ｌ画素の特徴マップに変換された後、当該Ｌ画素が一次元配列されて平坦化データが生成される。平坦化データが重み付け係数に従って全結合され、得られた全結合データが判定器に入力処理されることで、検査結果が得られる。
　このように、異なる状態の画像の組み合わせであっても、特徴マップの生成後に画素位置に応じて行位置をそろえることで、位置関係を保ったまま統合的な検査結果を容易に出力させることが可能になる。
　以上のように、本実施形態の処理装置１は、制御部１１を備え、制御部１１は、撮像の対象物（被写体Ｈ）に係る複数種類のＸ線撮影画像を取得する取得部と、複数種類のＸ線撮影画像の入力に対して対象物の特性情報を出力する学習済モデル１２２を有する判定部と、として動作する。判定部としての制御部１１は、さらに生成部として複数種類のＸ線撮影画像を各々畳み込み処理して、それぞれ所定サイズの特徴マップを生成し、統合部として複数の特徴マップを統合した統合データを生成し、判定処理部として統合データに基づいて特性情報の出力を行う学習済モデル１２２を有する。
　このように、複数種類のＸ線撮像データについて、ＣＮＮを用いた画像認識を行う学習済モデル１２２により対象物の特性情報を取得する場合に、まず各画像でそれぞれ畳み込み処理を行って特徴マップを個別に生成してから、これらの特徴マップを統合し、統合されたデータを全結合して特性情報を取得する。すなわち、各画像データについて、各々の特徴がその位置情報を維持したまま抽出され、その後にこれらが統合されることになる。したがって、複数種類の画像で得られる特徴量及びその位置の情報を適切に保持し、かつそれらの関係性を明確に規定することができる。したがって、この処理装置１では、対象物の特性を複数種類の撮影画像に基づいてより適切に取得することができる。
　また、制御部１１は、判定部（統合部）として、複数の特徴マップの各画素値を一次元配列して、統合データとして平坦化データを生成する。すなわち、複数の特徴マップの各画素値が並列に配列され、判定処理部としての動作により全結合されるので、位置情報を確実に維持しつつ特徴的な構造を検出することができ、かつ複数の画像間の対応関係を精度よく判断することができる。よって、この処理装置１では、特徴的な構造の抽出と、複数種類の画像におけるこの特徴的な構造の位置関係の特定精度とを適切に両立させることができる。
　また、制御部１１は、判定部（統合部）として、複数の特徴マップの各画素値を各々一次元配列し、特徴マップにおける画素位置に応じて一次元配列の位置を対応付けて二次元配置した二次元データを生成することで、各撮影画像に係るデータを統合してもよい。そして、統合されて得られた二次元データに対して畳み込み処理を行って得られた特徴マップの各画素値を一次元配列して、平坦化データ（統合データ）を生成する。この場合でも、先に一度個別に畳み込みがなされているので、各画像において特性及び当該特性が表れている位置を適切に示した状態で統合させることができる。また、二次元データ生成時（統合時）に複数枚の画像の各画素の位置関係が保持されて、さらに処理がなされて平坦化データとなるので、特徴的な構造の抽出と、複数種類の画像による当該特徴的な構造の位置関係の特定精度とを両立させながら的確に検査を行うことができる。
　また、制御部１１は、判定部（統合部）として、複数の特徴マップを当該特徴マップの二次元面に垂直な方向に重ねた三次元データを生成して統合し、当該三次元データに対して畳み込み処理を行って二次元面内の二次元特徴マップに変換し、変換後の二次元特徴マップの各画素値を一次元配列して平坦化データ（統合データ）を生成してもよい。このように三次元データを生成する場合でも、二次元データの場合と同様に、先に個別に畳み込みがなされることによる特性の強調及び当該特性の位置を適切に示した状態で統合され、かつ統合時に位置情報が維持されて平坦化データに加工されるので、特徴的な構造の抽出と、複数種類の画像による当該特徴的な構造の位置関係の特定精度とを両立させながら的確に検査を行うことができる。
　また、制御部１１は、判定部（判定処理部）として、上記二次元データをＶＡＥにより次元数削減し、当該次元数削減がなされて得られた潜在変数に基づいて特性情報を抽出、出力してもよい。上述のように特徴と当該特徴の位置情報（位置関係）とが維持された二次元データをＶＡＥによりエンコードすることで、より適切に検出対象の特性の抽出が可能になる。
　また、ＶＡＥは、対象物（被写体Ｈ）に所定の異常（例えば、軽元素異物の混入）がない場合の複数種類の放射線撮影画像データを用いて学習されたものであり、制御部１１は、判定部（判定処理部）として、ＶＡＥで得られた潜在変数に基づいて（デコードして）、入力された元の放射線撮影画像を復元する。そして、復元データと元の二次元データとの差分に基づいて、特性情報として上記所定の異常を検出する。
　このように複数種類の画像を個別に畳み込んだ後に統合された二次元データに対して正常時の対象物の画像により学習されたＶＡＥを用いてエンコードしたのち、デコードして復元することで、正常な範囲外の対象物の異常検出も適切に位置情報を維持したまま行うことができる。
　また、制御部１１は、取得部として、複数種類のＸ線撮影画像を対象物の複数の状態についてそれぞれ取得し、判定部として、複数の状態の複数種類の放射線撮影画像のそれぞれについて特徴マップを生成し（生成部）、これら複数の特徴マップを統合する（統合部）。すなわち、Ｘ線撮影画像が状態変化するような場合、複数の状態の複数種類の画像をそれぞれ個別に畳み込み処理した後に、複数の状態についても画素位置を合わせて二次元データに統合することで、同一の位置における状態変化を考慮した特性の検出を適切に行うことができる。
　また、放射線撮影画像は、タルボ型のＸ線撮影装置により得られた吸収画像、小角散乱画像及び微分位相画像、並びにこれらに基づく演算により得られた画像のうち２つ以上を含む。タルボ型Ｘ線撮影装置では、再構成により容易に上記３種類の画像を取得することができるので、これらの画像を組み合わせた出力を可能とすることで、ユーザーが経験に基づいて比較判断していた従来の検査を適切にまとめてより定量的に評価することができる。
　また、特性情報には、対象物内の空隙、亀裂、隙間、樹脂の流動に伴うウェルド、剥離、異物、特定成分の異常析出及び凝集、並びに微小構造の配向性又は分散の局所異常のうち少なくともいずれかが含まれる。このように、複数種類の画像の組み合わせを適切に定量評価可能とすることで、対象物の内部の異常部分を非破壊で適切に検出することができる。
　また、制御部１１は、領域設定部として、判定部として出力された特性情報が所定の基準条件を満たす領域を設定する。すなわち、単に特性情報を出力するだけでなく、検査結果に基づいて注目が必要な領域がユーザーにより容易に知得可能とすることができる。
　また、上記基準条件は、所定の検査装置による検査の必要性に係る条件である。すなわち、他の検査装置で更なる検査が必要な領域を設定することで、検査の設定漏れを防止することができる。また、当該他の検査装置などでこの設定領域の情報が取得可能とすることで、ユーザーが手動設定せずとも容易に注目領域の検査を実施することができる。
　また、本実施形態の検査システム１００は、上述の処理装置１と、所定の検査装置６０と、を備え、検査装置６０の制御部６１は、制御部１１により出力された特性情報に基づいて、自機による検査の必要な領域を設定する。すなわち、この検査システム１００では、処理装置１により特定された検査の必要な領域の情報を取得して検査装置６０自身で対象物（被写体Ｈ）の検査が必要なエリアを特定し、設定することができるので、ユーザーの手間を軽減し、また検査漏れを効果的に抑制することができる。
　また、本実施形態のプログラム１２１をインストールして制御部１１によりソフトウェア的に実行することで、容易に複数種類の放射線撮影画像を組み合わせた定量的な検査が可能になるので、ユーザーの経験などに応じた検査、判定を客観的かつ定量的に行うことができる。
　なお、本発明は、上記実施の形態に限られるものではなく、様々な変更が可能である。
　例えば、上記実施の形態では、学習済モデルとして、畳み込み処理と全結合層が用いられたものを例に挙げて説明したが、位置情報が保持されたまま画像データの特徴量を抽出可能な処理であれば、畳み込み処理に限られず、また、統合マップから特性情報が抽出可能なものであれば、全結合されなくてもよい。
　また、複数の状態の画像を用いる場合、異なる各状態の画像は、異なるタイミングでの撮影であってもよいし、異なる放射線撮影装置や異なる設定条件での撮影によってなされたものであってもよい。
　また、上記実施の形態では、タルボ型のＸ線撮影装置により得られる３種類の画像データを用いた場合について説明したが、他の放射線撮影装置に得られた画像であってもよく、また、画像の位置関係が合っていれば、異なる放射線撮影装置によって得られた複数種類の画像の組み合わせであってもよい。なお、複数種類の画像の位置（撮像範囲）に若干のずれがある場合には、統合時に当該ずれを考慮して一次元配列、二次元データ又は三次元データを生成してもよく、ずれにより生じる空白部分をゼロ値データなどで穴埋めしてもよい。
　また、タルボ型Ｘ線撮影装置による撮影画像であるか否かにかかわらず、検出対象は対象物の空隙又は軽元素異物に限られない。他のものであってもよい。
　また、上記実施の形態では、検査システム１００内に位置する放射線撮影装置５０及び処理装置１について、放射線撮影装置５０から画像が取得されるものとして説明したが、画像データは、インターネットを介して外部から取得されてもいいし、ＤＶＤやフラッシュメモリーなどの可搬型記憶媒体により入力されたものであってもよい。
　また、以上の説明では、本発明に係る制御部１１の処理動作に係るプログラム１２１のコンピューター読み取り可能な媒体として不揮発性メモリー及び／又はＨＤＤなどの補助記憶装置を有する記憶部１２を例に挙げて説明したが、これに限定されない。その他のコンピューター読み取り可能な媒体として、ＣＤ－ＲＯＭやＤＶＤディスクなどの可搬型記憶媒体を適用することが可能である。また、本発明に係るプログラムのデータを通信回線を介して提供する媒体として、キャリアウェーブ（搬送波）も本発明に適用される。
　その他、上記実施の形態で示した具体的な構成、処理動作の内容及び手順などは、本発明の趣旨を逸脱しない範囲において適宜変更可能である。
　この発明は、放射線画像判定装置、検査システム及びプログラムに関する。
１ 処理装置
１１ 制御部
１２ 記憶部
１２１ プログラム
１２２ 学習済モデル
１３ 通信部
１４ 操作受付部
１５ 表示部
５０ 放射線撮影装置
５１ Ｘ線発生装置
５１ａ 線源
５２ 線源格子
５２ａ 支持部
５３ 被写体台
５４ 第１格子
５５ 第２格子
５６ Ｘ線検出器
５７ 支柱
５７ａ 支持部
５８ 基台部
５９１ ろ過フィルター
５９２ 照射野絞り
５９３ 照射野ランプ
６０ 検査装置
６１ 制御部
１００ 検査システム
Ｈ 被写体

Claims (13)

  1. 　撮像の対象物に係る複数種類の放射線撮影画像を取得する取得部と、
    　前記複数種類の放射線撮影画像の入力に対して前記対象物の特性情報を出力する学習済モデルを有する判定部と、
    　を備え、
    　前記判定部は、
    　前記複数種類の放射線撮影画像を各々畳み込み処理して、それぞれ所定サイズの特徴マップを生成する生成部と、
    　複数の前記特徴マップの内容を統合した統合データを生成する統合部と、
    　前記統合データに基づいて前記特性情報を出力する判定処理部と、
    　を有する
    　放射線画像判定装置。
  2. 　前記統合部は、前記複数の特徴マップの各画素値を一次元配列して統合データを生成する請求項１記載の放射線画像判定装置。
  3. 　前記統合部は、
    　前記複数の特徴マップの各画素値を各々一次元配列し、
    　前記特徴マップにおける画素位置に応じて前記一次元配列の位置を対応付けて二次元配置した二次元データを生成し、
    　当該二次元データに対して畳み込み処理を行って得られた特徴マップの各画素値を一次元配列して前記統合データを生成する
    　請求項１記載の放射線画像判定装置。
  4. 　前記統合部は、
    　前記複数の特徴マップを当該特徴マップの二次元面に垂直な方向に重ねた三次元データを生成し、
    　当該三次元データに対して畳み込み処理を行って前記二次元面内の二次元特徴マップに変換し、
    　変換後の前記二次元特徴マップの各画素値を一次元配列して前記統合データを生成する
    　請求項１記載の放射線画像判定装置。
  5. 　前記判定処理部は、前記二次元データをＶＡＥにより次元数削減し、当該次元数削減がなされて得られた潜在変数に基づいて前記特性情報を出力する請求項３記載の放射線画像判定装置。
  6. 　前記ＶＡＥは、前記対象物に異常がない場合の前記複数種類の放射線撮影画像データを用いて学習されたものであり、
    　前記判定処理部は、前記潜在変数に基づいて入力された前記放射線撮影画像を復元し、当該復元された画像と前記放射線撮影画像との差分に基づいて前記特性情報を得る請求項５記載の放射線画像判定装置。
  7. 　前記取得部は、前記複数種類の放射線撮影画像を前記対象物の複数の状態についてそれぞれ取得し、
    　前記生成部は、前記複数の状態の前記複数種類の放射線撮影画像のそれぞれについて前記特徴マップを生成し、
    　前記統合部は、前記複数の特徴マップに基づいて前記統合データを生成する
    　請求項１～６のいずれか一項に記載の放射線画像判定装置。
  8. 　前記放射線撮影画像は、タルボ型のＸ線撮影装置により得られた吸収画像、小角散乱画像及び微分位相画像、並びにこれらに基づく演算により得られた画像のうち２つ以上を含む請求項１～７のいずれか一項に記載の放射線画像判定装置。
  9. 　前記特性情報には、前記対象物内の空隙、亀裂、隙間、樹脂の流動に伴うウェルド、剥離、異物、特定成分の異常析出及び凝集、並びに微小構造の配向性又は分散の局所異常のうち少なくともいずれかが含まれる請求項１～８のいずれか一項に記載の放射線画像判定装置。
  10. 　前記判定部により出力された前記特性情報が所定の基準条件を満たす領域を設定する領域設定部を備える請求項１～９のいずれか一項に記載の放射線画像判定装置。
  11. 　前記基準条件は、所定の検査装置による検査の必要性に係る条件である請求項１０記載の放射線画像判定装置。
  12. 　請求項１～１１のいずれか一項に記載の放射線画像判定装置と、
    　所定の検査装置と、
    　を備え、
    　前記検査装置は、前記判定部により出力された前記特性情報に基づいて、自機による検査の必要な領域を設定する検査設定部を備える
    　検査システム。
  13. 　コンピューターを、
    　撮像の対象物に係る複数種類の放射線撮影画像を取得する取得手段、
    　前記複数種類の放射線撮影画像の入力に対して前記対象物の特性情報を出力する学習済モデルを有する判定手段、
    　として機能させ、
    　前記判定手段は、
    　前記複数種類の放射線撮影画像を各々畳み込み処理して、それぞれ所定サイズの特徴マップを生成する生成手段と、
    　複数の前記特徴マップの内容を統合した統合データを生成する統合手段と、
    　前記統合データに基づいて前記特性情報を出力する判定処理手段と、
    　を有する
    　プログラム。
PCT/JP2020/025661 2019-07-02 2020-06-30 放射線画像判定装置、検査システム及びプログラム WO2021002356A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2021530035A JPWO2021002356A1 (ja) 2019-07-02 2020-06-30

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-123312 2019-07-02
JP2019123312 2019-07-02

Publications (1)

Publication Number Publication Date
WO2021002356A1 true WO2021002356A1 (ja) 2021-01-07

Family

ID=74100683

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/025661 WO2021002356A1 (ja) 2019-07-02 2020-06-30 放射線画像判定装置、検査システム及びプログラム

Country Status (2)

Country Link
JP (1) JPWO2021002356A1 (ja)
WO (1) WO2021002356A1 (ja)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013134193A (ja) * 2011-12-27 2013-07-08 Hitachi-Ge Nuclear Energy Ltd 検査画像品質評価システム、方法、プログラム、及びデジタイザ保証システム
US20130338496A1 (en) * 2010-12-13 2013-12-19 The Trustees Of Columbia University In The City New York Medical imaging devices, methods, and systems
US20150312495A1 (en) * 2014-04-29 2015-10-29 Canon Kabushiki Kaisha Wavelet denoising of fringe image
JP2017044603A (ja) * 2015-08-27 2017-03-02 国立大学法人東北大学 放射線画像生成装置
JP2018011870A (ja) * 2016-07-22 2018-01-25 キヤノン株式会社 画像処理装置、画像処理システム、画像処理方法、およびプログラム
WO2018039368A1 (en) * 2016-08-26 2018-03-01 Elekta, Inc. Image segmentation using neural network method
WO2018048575A1 (en) * 2016-09-07 2018-03-15 Elekta, Inc. System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions
US20180144209A1 (en) * 2016-11-22 2018-05-24 Lunit Inc. Object recognition method and apparatus based on weakly supervised learning
JP2018531648A (ja) * 2015-08-15 2018-11-01 セールスフォース ドット コム インコーポレイティッド ３ｄバッチ正規化を伴う三次元（３ｄ）畳み込み
US20190050992A1 (en) * 2016-08-26 2019-02-14 Elekta, Inc. System and methods for image segmentation using convolutional neural network
JP2019093137A (ja) * 2017-11-22 2019-06-20 ゼネラル・エレクトリック・カンパニイ 放射線学的所見のためのポイントオブケア警報を送達するためのシステムおよび方法
JP2019184450A (ja) * 2018-04-12 2019-10-24 コニカミノルタ株式会社 Ｘ線撮影システム
US20200027254A1 (en) * 2018-07-20 2020-01-23 The Board Of Trustees Of The Leland Stanford Junior University Correction of sharp-edge artifacts in differential phase contrast ct images and its improvement in automatic material identification

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130338496A1 (en) * 2010-12-13 2013-12-19 The Trustees Of Columbia University In The City New York Medical imaging devices, methods, and systems
JP2013134193A (ja) * 2011-12-27 2013-07-08 Hitachi-Ge Nuclear Energy Ltd 検査画像品質評価システム、方法、プログラム、及びデジタイザ保証システム
US20150312495A1 (en) * 2014-04-29 2015-10-29 Canon Kabushiki Kaisha Wavelet denoising of fringe image
JP2018531648A (ja) * 2015-08-15 2018-11-01 セールスフォース ドット コム インコーポレイティッド ３ｄバッチ正規化を伴う三次元（３ｄ）畳み込み
JP2017044603A (ja) * 2015-08-27 2017-03-02 国立大学法人東北大学 放射線画像生成装置
JP2018011870A (ja) * 2016-07-22 2018-01-25 キヤノン株式会社 画像処理装置、画像処理システム、画像処理方法、およびプログラム
US20190050992A1 (en) * 2016-08-26 2019-02-14 Elekta, Inc. System and methods for image segmentation using convolutional neural network
WO2018039368A1 (en) * 2016-08-26 2018-03-01 Elekta, Inc. Image segmentation using neural network method
WO2018048575A1 (en) * 2016-09-07 2018-03-15 Elekta, Inc. System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions
US20180144209A1 (en) * 2016-11-22 2018-05-24 Lunit Inc. Object recognition method and apparatus based on weakly supervised learning
JP2019093137A (ja) * 2017-11-22 2019-06-20 ゼネラル・エレクトリック・カンパニイ 放射線学的所見のためのポイントオブケア警報を送達するためのシステムおよび方法
JP2019184450A (ja) * 2018-04-12 2019-10-24 コニカミノルタ株式会社 Ｘ線撮影システム
US20200027254A1 (en) * 2018-07-20 2020-01-23 The Board Of Trustees Of The Leland Stanford Junior University Correction of sharp-edge artifacts in differential phase contrast ct images and its improvement in automatic material identification

Also Published As

Publication number Publication date
JPWO2021002356A1 (ja) 2021-01-07

Similar Documents

Publication Publication Date Title
CN100496402C (zh) 图像处理方法、图像处理系统以及x-射线ct系统
JP6810505B2 (ja) 教師データ作成方法及び装置並びに欠陥検査方法及び装置
US20150146936A1 (en) Automated saw cut correction for 3d core digital modeling from computerized tomography scanner (cts) images
US8204291B2 (en) Method and system for identifying defects in a radiographic image of a scanned object
WO2016174926A1 (ja) 画像処理装置及び画像処理方法及びプログラム
JP4595979B2 (ja) 放射線非破壊検査システム及び配管の検査方法
EP1145194A2 (en) Computerized tomography for non-destructive testing
CN110121732A (zh) 用于从低分辨率检验图像重建高分辨率点扩散函数的系统及方法
KR101095270B1 (ko) 방사선 화상처리장치 및 방사선 화상처리 프로그램을 기록한 컴퓨터로 읽을 수 있는 매체
JP2018536211A5 (ja)
CN107525815B (zh) 用于检测成像系统中的行李的系统和方法
US20100111394A1 (en) Edge evaluation method, edge detection method, image correction method, and image processing system
WO2021002356A1 (ja) 放射線画像判定装置、検査システム及びプログラム
EP4085843A1 (en) Correction method and apparatus for ring artifact in ct image, and computer program medium
WO2014136641A1 (ja) 体動表示装置および体動表示方法
JP5599831B2 (ja) 骨塩定量分析における分析対象部位の特定方法および、この方法を実施するための画像処理装置並びに記録媒体
KR20220111214A (ko) 인공지능 기반 제품 결함 검사 방법, 장치 및 컴퓨터 프로그램
JP4728092B2 (ja) Ｘ線画像出力装置、ｘ線画像出力方法およびｘ線画像出力プログラム
JP2022502741A (ja) 測定空間域の測定からの測定データを圧縮するためのコンピュータ実装方法
KR102602559B1 (ko) 선택적 인공 지능 엔진 기반 대상체 비파괴 검사 방법, 장치 및 시스템
US20120128123A1 (en) Wave ramp test method and apparatus
JP2021036969A (ja) 機械学習装置、機械学習方法及びプログラム
JP2005167773A (ja) 画像処理方法及び装置
KR102585028B1 (ko) 3차원 처리 기반 대상체 비파괴 검사 방법, 장치 및 시스템
JP5904548B2 (ja) 骨塩定量分析方法および骨塩定量分析システム、並びに記録媒体

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20835278

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021530035

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20835278

Country of ref document: EP

Kind code of ref document: A1