WO2021210612A1

WO2021210612A1 - 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

Info

Publication number: WO2021210612A1
Application number: PCT/JP2021/015464
Authority: WO
Inventors: 達也大西; 須山　敏康; 智土屋
Original assignee: 浜松ホトニクス株式会社
Priority date: 2020-04-16
Filing date: 2021-04-14
Publication date: 2021-10-21
Also published as: CN115427795A; US20230135988A1; EP4130724A1; EP4130724A4; JPWO2021210612A1; KR20230002581A

Abstract

画像取得装置１は、対象物を透過した放射線を一の方向にスキャンして撮像してＸ線画像を取得するカメラ１０と、カメラ１０上に設けられ、Ｘ線を光に変換するシンチレータ１１と、Ｘ線画像を予め画像データを用いて機械学習によって構築された学習済みモデルに入力させて、Ｘ線画像からノイズを除去するノイズ除去処理を実行する制御装置２０と、を備え、カメラ１０は、一の方向に沿って配列されたＭ個（Ｍは、２以上の整数）の画素７２を有する画素ライン７４が、一の方向に直交する方向にＮ列（Ｎは２上の整数）配列されて構成され、画素７２毎に光に関する検出信号を出力するスキャンカメラ１２と、スキャンカメラ１２のＮ列の画素ライン７４毎に、Ｍ個の画素のうちの少なくとも２個の画素７２から出力される検出信号を加算し、加算したＮ個の検出信号を順次出力することにより、Ｘ線画像を出力する読み出し回路７３と、を含む。

Description

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

　実施形態の一側面は、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に関する。

　従来から、対象物の搬送方向に直交して配置されたラインセンサを複数列設けて、複数列のラインセンサから出力された検出データを加算することにより、対象物を透過したＸ線等の電磁波の分布を画像データとして取得する装置が用いられている。このような装置によれば、対象物を透過した電磁波を検出した画像データにおいて積分露光効果を得ることができる。

再公表特許ＷＯ２０１９／０８２２７６号公報特開２０１９－１５８６６３号公報

　上述したような従来の装置においては、複数列のラインセンサから得られる検出データを加算することにより、加算結果において信号値が向上するとともにノイズ値も増加する傾向にある。そのため、画像データにおいてＳ／Ｎ比が十分に向上しない場合があった。

　そこで、実施形態の一側面は、かかる課題に鑑みてなされたものであり、放射線画像におけるＳ／Ｎ比を効果的に向上できる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を提供することを課題とする。

　実施形態の一側面に係る放射線画像取得装置は、対象物を透過した放射線を一の方向にスキャンして撮像して放射線画像を取得する撮像装置と、撮像装置上に設けられ、放射線を光に変換するシンチレータと、放射線画像を予め画像データを用いて機械学習によって構築された学習済みモデルに入力させて、放射線画像からノイズを除去するノイズ除去処理を実行する画像処理モジュールと、を備え、撮像装置は、一の方向に沿って配列されたＭ個（Ｍは、２以上の整数）の画素を有する画素ラインが、一の方向に直交する方向にＮ列（Ｎは２上の整数）配列されて構成され、画素毎に光に関する検出信号を出力する検出素子と、検出素子のＮ列の画素ライン毎に、Ｍ個の画素のうちの少なくとも２個の画素から出力される検出信号を加算し、加算したＮ個の検出信号を順次出力することにより、放射線画像を出力する読出回路と、を含む。

　あるいは、実施形態の他の側面に係る放射線画像取得システムは、上記の放射線画像取得装置と、対象物に放射線を照射する発生源と、対象物を撮像装置に対して一の方向に搬送する搬送装置と、を備える。

　あるいは、実施形態の他の側面に係る放射線画像取得方法は、対象物を透過した放射線に応じたシンチレーション光を一の方向にスキャンして撮像して放射線画像を取得するステップと、放射線画像を予め画像データを用いて機械学習によって構築された学習済みモデルに入力させて、放射線画像からノイズを除去するノイズ除去処理を実行するステップと、を備え、取得するステップでは、一の方向に沿って配列されたＭ個（Ｍは、２以上の整数）の画素を有する画素ラインが、一の方向に直交する方向にＮ列（Ｎは２上の整数）配列されて構成され、画素毎にシンチレーション光に関する検出信号を出力する検出素子を用いて、検出素子のＮ列の画素ライン毎に、Ｍ個の画素のうちの少なくとも２個の画素から出力される検出信号を加算し、加算したＮ個の検出信号を順次出力することにより、放射線画像を出力する。

　上記一側面あるいは他の側面のいずれかによれば、対象物を透過した放射線に応じたシンチレーション光が、対象物のスキャンの方向に配列されたＭ個の画素を有する画素ラインがＮ列で配列された検出素子によって検出され、画素ライン毎に出力されたＭ個の画素の検出信号のうちの少なくとも２個の画素の検出信号が加算され、加算されたＮ個の検出信号が順次出力されることにより、放射線画像が出力される。加えて、出力された放射線画像を、予め画像データを用いた機械学習により構築された学習済みモデルに入力させることにより、その放射線画像に対してノイズ除去処理が施される。これにより、放射線画像において信号成分を大きくしつつノイズ成分を除去することができ、放射線画像におけるＳ／Ｎ比を効果的に向上させることができる。

　実施形態によれば、放射線画像におけるＳ／Ｎ比を効果的に向上させることができる。

第１実施形態にかかる画像取得装置１の概略構成図である。図１のスキャンカメラ１２の構成を示す平面図である。図１の制御装置２０のハードウェア構成の一例を示すブロック図である。図１の制御装置２０の機能構成を示すブロック図である。図４の画像取得部２０３が取得したＸ線画像の一例を示す図である。図４のノイズマップ生成部２０４によるノイズ標準偏差マップの生成例を示す図である。図４の学習済みモデル２０７の入出力データの一例を示す図である。学習済みモデル２０７の構築に用いられる訓練データの１つである訓練画像の一例を示す図である。構築部２０６による学習済みモデル２０７の構築に用いられる教師データ（訓練データ）である画像データの作成手順を示すフローチャートである。画像取得装置１による観察処理の手順を示すフローチャートである。本開示の変形例に係る制御装置２０Ａの機能構成を示すブロック図である。本開示の変形例に係る画像取得装置１による観察処理の手順を示すフローチャートである。図１１の算出部２０２Ａによる透過Ｘ線のエネルギースペクトルのシミュレーション計算結果の一例を示すグラフである。図１１の算出部２０２Ａによる、対象物の厚さと平均エネルギー及び透過率との関係のシミュレーション計算結果の一例を示す図表である。図１１の算出部２０２Ａによる、対象物の厚さとＸ線の透過率との関係のシミュレーション計算結果の一例を示すグラフである。図１１の算出部２０２Ａによる、対象物の厚さと透過Ｘ線の平均エネルギーとの関係のシミュレーション計算結果の一例を示すグラフである。図１１の算出部２０２ＡによるＸ線画像の画素値と平均エネルギーとの関係のシミュレーション計算結果の一例を示すグラフである。Ｘ線画像の画素値とノイズ値の標準偏差との関係のシミュレーション計算結果の一例を示すグラフである。図１１の算出部２０２Ａにおいて導出される、対象物の材質が変化した場合の画素値とノイズ値の標準偏差との関係の一例を示すグラフである。本開示の別の変形例に係る制御装置２０Ｂの機能構成を示すブロック図である。本開示の別の変形例に係る画像取得装置１による観察処理の手順を示すフローチャートである。図２０のノイズマップ生成部２０４Ｂによるノイズ標準偏差マップの生成例を示す図である。本開示の別の変形例に係る画像取得装置１において撮像に用いられる治具の構造の一例を示す斜視図である。図２３の治具の撮像画像の一例を示す図である。第２実施形態に係る制御装置２０Ｃの機能構成を示すブロック図である。図２５の学習済みモデル２０６Ｃの構築に用いられる教師データである画像データの一例を示す図である。図２５の選択部２０４Ｃの解析対象のＸ線透過画像の一例を示す図である。図２５の選択部２０４Ｃが取得した厚さ－輝度の特性グラフの一例を示す図である。図２５の選択部２０４Ｃが取得した輝度－ＳＮＲの特性グラフの一例を示す図である。図２５の選択部２０４Ｃによる画像特性に基づいた学習済みモデルの選択機能を説明するための図である。図２５の選択部２０４Ｃによる解像度の評価に用いられるＸ線透過画像の一例を示す図である。図２５の選択部２０４Ｃによる輝度－ノイズ比の評価に用いられる治具の構造の一例を示す斜視図である。図３２の治具を対象に得られたノイズ除去処理後のＸ線透過画像を示す図である。第２実施形態に係る画像取得装置１を用いた観察処理の手順を示すフローチャートである。第２実施形態の変形例に係る制御装置２０Ｄの機能構成を示すブロック図である。第２実施形態の変形例に係る画像取得装置１を用いた観察処理の手順を示すフローチャートである。第３実施形態に係る制御装置２０Ｅの機能構成を示すブロック図である。図３７の学習済みモデル２０６Ｅの構築に用いられる教師データである画像データの一例を示す図である。図３７の特定部２０２Ｅの解析対象のＸ線透過画像の一例を示す図である。図３７の特定部２０２Ｅが取得した厚さ－輝度の特性グラフの一例を示す図である。図３７の特定部２０２Ｅが取得した輝度－ＳＮＲの特性グラフの一例を示す図である。図３７の特定部２０２Ｅによる解像度の評価に用いられるＸ線透過画像の一例を示す図である。図３７の選択部２０４Ｅによる画像特性に基づいた学習済みモデルの選択機能を説明するための図である。図３７の選択部２０４Ｅによる輝度－ノイズ比の評価に用いられる治具の構造の一例を示す斜視図である。図４４の治具を対象に得られたノイズ除去処理後のＸ線透過画像を示す図である。第３実施形態に係る画像取得装置１を用いた観察処理の手順を示すフローチャートである。

　以下、添付図面を参照して、本発明の実施形態について詳細に説明する。なお、説明において、同一要素又は同一機能を有する要素には、同一符号を用いることとし、重複する説明は省略する。

［第１実施形態］

　図１は、本実施形態に係る放射線画像取得装置および放射線画像取得システムである画像取得装置１の構成図である。図１に示されるように、画像取得装置１は、搬送方向ＴＤに搬送される対象物Ｆに対してＸ線（放射線）を照射し、対象物Ｆを透過したＸ線に基づき対象物Ｆを撮像したＸ線透過画像（放射線画像）を取得する装置である。画像取得装置１は、Ｘ線透過画像を用いて、対象物Ｆを対象にした異物検査、重量検査、検品検査などを行い、用途としては、食品検査、手荷物検査、基板検査、電池検査、材料検査等が挙げられる。画像取得装置１は、ベルトコンベア（搬送装置）６０と、Ｘ線照射器（放射線発生源）５０と、Ｘ線検出カメラ（撮像装置）１０と、制御装置（画像処理モジュール）２０と、表示装置３０と、各種入力を行うための入力装置４０と、を備えて構成されている。なお、本開示の実施形態における放射線画像とは、Ｘ線画像に限らず、γ線などのＸ線以外の電磁放射線による画像も含む。

　ベルトコンベア６０は、対象物Ｆが載置されるベルト部を有しており、該ベルト部を搬送方向（一の方向）ＴＤに移動させることにより、対象物Ｆを所定の搬送速度で搬送方向ＴＤに搬送する。対象物Ｆの搬送速度は、例えば４８ｍ／分である。ベルトコンベア６０は、必要に応じて、搬送速度を、例えば２４ｍ／分、９６ｍ／分等の搬送速度に変更することができる。また、ベルトコンベア６０は、ベルト部の高さ位置を適宜変更し、Ｘ線照射器５０と対象物Ｆとの距離を変更することができる。なお、ベルトコンベア６０で搬送される対象物Ｆとしては、例えば、食肉、魚介類、農作物、菓子等の食品、タイヤ等のゴム製品、樹脂製品、金属製品、鉱物等の資源材料、廃棄物、及び電子部品や電子基板等、様々な物品を挙げることができる。Ｘ線照射器５０は、Ｘ線源としてＸ線を対象物Ｆに照射（出力）する装置である。Ｘ線照射器５０は、点光源であり、一定の照射方向に所定の角度範囲でＸ線を拡散させて照射する。Ｘ線照射器５０は、Ｘ線の照射方向がベルトコンベア６０に向けられると共に、拡散するＸ線が対象物Ｆの幅方向（搬送方向ＴＤと交差する方向）全体に及ぶように、ベルトコンベア６０から所定の距離を離れてベルトコンベア６０の上方に配置されている。また、Ｘ線照射器５０は、対象物Ｆの長さ方向（搬送方向ＴＤと平行な方向）においては、長さ方向における所定の分割範囲が照射範囲とされ、対象物Ｆがベルトコンベア６０にて搬送方向ＴＤへ搬送されることにより、対象物Ｆの長さ方向全体に対してＸ線が照射されるようになっている。Ｘ線照射器５０は、制御装置２０により管電圧及び管電流が設定され、設定された管電圧及び管電流に応じた所定のエネルギー、放射線量のＸ線を、ベルトコンベア６０に向けて照射する。また、Ｘ線照射器５０のベルトコンベア６０側の近傍には、Ｘ線の所定波長域を透過させるフィルタ５１が設けられている。

　Ｘ線検出カメラ１０は、Ｘ線照射器５０により対象物Ｆに照射されたＸ線のうち、対象物Ｆを透過したＸ線を検出し、該Ｘ線に基づく検出信号を取得及び出力する。本実施形態に係る画像取得装置１は、ベルトコンベア６０によって搬送される対象物Ｆを透過するＸ線に基づく検出信号を順次出力することにより、Ｘ線透過像を搬送方向ＴＤにスキャンして撮像したＸ線透過画像を出力する。

　Ｘ線検出カメラ１０は、フィルタ１９、シンチレータ１１と、スキャンカメラ１２（検出素子）と、センサ制御部１３と、アンプ１４と、ＡＤ変換器１５と、補正回路１６と、出力インターフェース１７と、アンプ制御部１８と、を有している。シンチレータ１１、スキャンカメラ１２、アンプ１４、ＡＤ変換器１５、補正回路１６、及び出力インターフェース１７はそれぞれ電気的に接続されている。

　シンチレータ１１は、スキャンカメラ１２上に接着等により固定されており、対象物Ｆを透過したＸ線をシンチレーション光に変換する。シンチレータ１１は、シンチレーション光をスキャンカメラ１２に出力する。フィルタ１９は、Ｘ線の所定波長域をシンチレータ１１に向けて透過させる。

　スキャンカメラ１２は、シンチレータ１１からのシンチレーション光を検出し、電荷に変換して、検出信号（電気信号）としてアンプ１４に出力する。図２は、スキャンカメラ１２の構成を示す平面図である。図２に示すように、スキャンカメラ１２は、基板７１上に２次元的に配列されたフォトダイオード（光電変換素子）である複数の画素７２と、複数の画素７２がシンチレーション光を光電変換して出力する検出信号を外部に出力する読み出し回路７３と、読み出し回路７３と複数の画素７２のそれぞれとの間を電気的に接続する配線部Ｗとを備える。

　詳細には、スキャンカメラ１２は、基板７１上に、搬送方向ＴＤに沿って配列されたＭ個（Ｍは、２以上の整数）の画素７２からなる画素ライン（画素群）７４が、搬送方向ＴＤに略直交する方向にＮ列（Ｎは、２以上の整数）で配列された構成を有する。例えば、画素数Ｍは、４個であり、画素ライン数Ｎは、２００以上３０，０００以下の任意の整数である。

　読み出し回路７３は、センサ制御部１３による制御に応じて、画素ライン７４毎にＭ個の画素７２から所定の検出周期（詳細は後述する。）の間隔で出力される検出信号を順次受け、Ｍ個の画素７２からの検出信号のうち、少なくとも２個の画素７２の検出信号を加算する（足し合わせる）処理を行い、画素ライン７４毎に加算処理を施した検出信号を組み合わせて、搬送方向ＴＤに直交する対象物Ｆの１ラインの検出信号として、外部に出力する。本実施形態では、読み出し回路７３は、Ｍ個の全ての検出信号を対象に加算処理を行う。加えて、読み出し回路７３は、所定の検出周期をずらしてＭ個の画素７２から順次出力される検出信号を対象に加算処理を行うことにより、搬送方向ＴＤに直交する対象物Ｆの次の１ラインの検出信号を出力する。同様にして、読み出し回路７３は、搬送方向ＴＤに直交する対象物Ｆの複数ラインの検出信号を順次出力する。

　センサ制御部１３は、スキャンカメラ１２における画素ライン７４内の全画素７２が、対象物Ｆの同じ領域を透過したＸ線を撮像できるように、スキャンカメラ１２を、所定の検出周期で繰り返し撮像するよう制御する。所定の検出周期は、スキャンカメラ１２における画素ライン７４内の画素７２の画素幅に基づいて設定されてもよい。所定の検出周期は、例えば、スキャンカメラ１２における画素ライン７４内の画素７２間の距離、ベルトコンベア６０の速度、Ｘ線照射器５０とベルトコンベア６０上の対象物Ｆとの距離（ＦＯＤ（Focus　Object　Distance：線源物体間距離））、並びに、Ｘ線照射器５０とスキャンカメラ１２との距離（ＦＤＤ（Focus　Detector　Distance：線源センサ間距離））に基づいてスキャンカメラ１２における画素ライン７４内の画素７２の検出タイミングのズレ（遅延時間）を特定し、そのズレを基に所定の検出周期が設定されてもよい。

　アンプ１４は、所定の設定増幅率にて検出信号を増幅して増幅信号を生成し、該増幅信号をＡＤ変換器１５に出力する。設定増幅率は、アンプ制御部１８によって設定される増幅率である。アンプ制御部１８は、所定の撮像条件に基づいて、アンプ１４の設定増幅率を設定する。

　ＡＤ変換器１５は、アンプ１４により出力された増幅信号（電圧信号）をデジタル信号に変換し、補正回路１６に出力する。補正回路１６は、デジタル信号に対して、信号増幅等の所定の補正を行い、補正後のデジタル信号を出力インターフェース１７に出力する。出力インターフェース１７は、デジタル信号をＸ線検出カメラ１０外部に出力する。

　制御装置２０は、例えばＰＣ（Personal　Computer）等のコンピュータである。制御装置２０は、Ｘ線検出カメラ１０（より詳細には、出力インターフェース１７）から順次出力された複数ラインの検出信号に対応するデジタル信号（増幅信号）に基づいてＸ線透過画像を生成する。本実施形態では、制御装置２０は、出力インターフェース１７から出力された１２８ライン分のデジタル信号を基に、１つのＸ線透過画像を生成する。生成されたＸ線透過画像は、後述するノイズ除去処理が施された後に表示装置３０に出力され、表示装置３０によって表示される。また、制御装置２０は、Ｘ線照射器５０、アンプ制御部１８、及びセンサ制御部１３を制御する。なお、本実施形態の制御装置２０は、Ｘ線検出カメラ１０の外部に独立に設けられた装置であるが、Ｘ線検出カメラ１０の内部に一体化されていてもよい。

　図３は、制御装置２０のハードウェア構成を示している。図３に示すように、制御装置２０は、物理的には、プロセッサであるＣＰＵ（Central　Processing　Unit）１０１及びＧＰＵ１０５(Graphic　Processing　Unit)、記録媒体であるＲＡＭ（Random　Access　Memory）１０２及びＲＯＭ（Read　Only　Memory）１０３、通信モジュール１０４、及び入出力モジュール１０６等を含んだコンピュータ等であり、各々は電気的に接続されている。なお、制御装置２０は、入力装置４０及び表示装置３０として、ディスプレイ、キーボード、マウス、タッチパネルディスプレイ等を含んでいてもよいし、ハードディスクドライブ、半導体メモリ等のデータ記録装置を含んでいてもよい。また、制御装置２０は、複数のコンピュータによって構成されていてもよい。

　図４は、制御装置２０の機能構成を示すブロック図である。制御装置２０は、入力部２０１、算出部２０２、画像取得部２０３、ノイズマップ生成部２０４、処理部２０５、及び構築部２０６を備える。図４に示す制御装置２０の各機能部は、ＣＰＵ１０１、ＧＰＵ１０５、及びＲＡＭ１０２等のハードウェア上にプログラム（第１実施形態の放射線画像処理プログラム）を読み込ませることにより、ＣＰＵ１０１及びＧＰＵ１０５の制御のもとで、通信モジュール１０４、及び入出力モジュール１０６等を動作させるとともに、ＲＡＭ１０２におけるデータの読み出し及び書き込みを行うことで実現される。制御装置２０のＣＰＵ１０１及びＧＰＵ１０５は、このコンピュータプログラムを実行することによって制御装置２０を図４の各機能部として機能させ、後述する放射線画像取得処理方法に対応する処理を順次実行する。なお、ＣＰＵ１０１及びＧＰＵ１０５は、単体のハードウェアでもよく、いずれか一方のみでもよい。また、ＣＰＵ１０１及びＧＰＵ１０５は、ソフトプロセッサのようにＦＰＧＡのようなプログラマブルロジックの中に実装されたものでもよい。ＲＡＭやＲＯＭについても単体のハードウェアでもよく、ＦＰＧＡのようなプログラマブルロジックの中に内蔵されたものでもよい。このコンピュータプログラムの実行に必要な各種データ、及び、このコンピュータプログラムの実行によって生成された各種データは、全て、ＲＯＭ１０３、ＲＡＭ１０２等の内蔵メモリ、又は、ハードディスクドライブなどの記憶媒体に格納される。また、制御装置２０内の内蔵メモリあるいは記憶媒体には、ＣＰＵ１０１及びＧＰＵ１０５によって読み込まれることによって、ＣＰＵ１０１及びＧＰＵ１０５にＸ線画像（Ｘ線透過画像）を対象にノイズ除去処理を実行させる学習済みモデル２０７が予め格納されている（後述する）。

　以下、制御装置２０の各機能部の機能の詳細について説明する。

　入力部２０１は、放射線を照射して対象物Ｆを撮像する際の放射線の発生源の条件あるいは撮像条件のいずれかを示す条件情報の入力を受け付ける。具体的には、入力部２０１は、対象物ＦのＸ線画像を撮像する際のＸ線照射器（放射線発生源）５０の動作条件、あるいは、Ｘ線検出カメラ１０による撮像条件等を示す条件情報の入力を、画像取得装置１のユーザから受け付ける。動作条件としては、管電圧、ターゲット角度、ターゲットの材料等のうちの全部又は一部が挙げられる。撮像条件を示す条件情報としては、Ｘ線照射器５０とＸ線検出カメラ１０との間に配置されるフィルタ５１，１９の材質及び厚さ、Ｘ線照射器５０とＸ線検出カメラ１０との距離（ＦＤＤ）、Ｘ線検出カメラ１０の窓材の種類、及び、Ｘ線検出カメラ１０のシンチレータ１１の材料及び厚さに関する情報、Ｘ線検出カメラ情報（例えば、ゲイン設定値、回路ノイズ値、飽和電荷量、変換係数値（e-/count）、カメラのラインレート（Hz）もしくはラインスピード（m/min））、対象物Ｆの情報等のうちの全部又は一部が挙げられる。入力部２０１は、条件情報の入力を、数値等の情報の直接入力として受け付けてもよいし、予め内部メモリに設定された数値等の情報に対する選択入力として受け付けてもよい。入力部２０１は、上記の条件情報の入力をユーザから受け付けるが、一部の条件情報（管電圧等）を、制御装置２０による制御状態の検出結果に応じて取得してもよい。

　算出部２０２は、条件情報を基に、対象物Ｆを透過したＸ線（放射線）に関する平均エネルギーを算出する。条件情報には、発生源の管電圧、対象物Ｆに関する情報、対象物Ｆの撮像に用いるカメラが備えるフィルタの情報、カメラが備えるシンチレータの情報、Ｘ線発生源が備えるフィルタの情報のいずれか１つが少なくとも含まれる。具体的には、算出部２０２は、入力部２０１によって入力を受け付けられた条件情報を基に、画像取得装置１を用いて対象物Ｆを透過させてＸ線検出カメラ１０によって検出させるＸ線の平均エネルギーの値を算出する。例えば、算出部２０２は、条件情報に含まれる、管電圧、ターゲット角度、ターゲットの材料、フィルタ５１，１９の材質及び厚さ及びその有無、Ｘ線検出カメラ１０の窓材の種類及びその有無、Ｘ線検出カメラ１０のシンチレータ１１の材料及び厚さ、等の情報に基づいて、Ｘ線検出カメラ１０で検出されるＸ線のスペクトルを、例えば公知のＴｕｃｋｅｒ等の近似式を用いて算出する。そして、算出部２０２は、Ｘ線のスペクトルから、スペクトル強度積分値と光子数積分値とをさらに算出し、スペクトル強度積分値を光子数積分値で除することによりＸ線の平均エネルギーの値を算出する。

　公知のＴｕｃｋｅｒの近似式を用いた算出方法について記載する。例えば、算出部２０２は、ターゲットをタングステン、ターゲット角度を25°と特定すると、Em：電子ターゲット衝突時の運動エネルギー、T：ターゲット中の電子運動エネルギー、A：ターゲット物質の原子番号で決まる比例定数、ρ：ターゲットの密度、μ(E)：ターゲット物質の線減弱係数、B：緩やかに変化するZとTの関数、C：Thomson-Whiddington定数、θ：ターゲット角度、c：真空中の光速度、を決定することができる。さらに、算出部２０２は、それらを基に下記式（１）を計算することにより、照射Ｘ線スペクトルが算出できる。

なお、Emは管電圧の情報から決定でき、A、ρ、μ(E)は、対象物Ｆの材料の情報から決定でき、θは対象物Ｆの角度の情報から決定できる。

　次に、算出部２０２は、フィルタ及び対象物Ｆを透過してシンチレータに吸収されるＸ線エネルギースペクトルを下記式（２）のＸ線の減弱式を用いて算出できる。

ここで、μは対象物Ｆ、フィルタ、シンチレータ等の減弱係数、xは対象物Ｆ、フィルタ、シンチレータ等の厚さである。μは対象物Ｆ、フィルタ、及びシンチレータの材質の情報から決定でき、xは対象物Ｆ、フィルタ、及びシンチレータの厚さの情報から決定できる。Ｘ線光子数スペクトルは、このＸ線エネルギースペクトルを各Ｘ線のエネルギーで除することで求まる。算出部２０２は、Ｘ線の平均エネルギーを、エネルギー強度の積分値を光子数の積分値で除することにより、下記式（３）を用いて算出する。
平均エネルギーE＝スペクトル強度積分値／光子数積分値　　…（３）
上記の計算過程により、算出部２０２は、Ｘ線の平均エネルギーを算出する。なお、Ｘ線スペクトルの算出に関しては、公知のKramersや、Birchらによる近似式を使用してもよい。

　画像取得部２０３は、対象物Ｆに放射線が照射され、対象物Ｆを透過した放射線が撮像された放射線画像を取得する。具体的には、画像取得部２０３は、Ｘ線検出カメラ１０（より詳細には、出力インターフェース１７）から出力されたデジタル信号（増幅信号）に基づいてＸ線画像を生成する。画像取得部２０３は、出力インターフェース１７から出力された複数ライン分のデジタル信号を基に１つのＸ線画像を生成する。図５は、画像取得部２０３が取得したＸ線画像の一例を示す図である。

　ノイズマップ生成部２０４は、画素値とノイズ値の広がりを評価した評価値との関係を表す関係データに基づいて、放射線画像の各画素の画素値から評価値を導出し、放射線画像の各画素に導出した評価値を対応付けたデータであるノイズマップを生成する。このとき、ノイズマップ生成部２０４は、対象物Ｆを透過した放射線に関する平均エネルギー、及び、放射線画像の各画素の画素値から、評価値を導出する。具体的には、ノイズマップ生成部２０４は、画素値とノイズ値の標準偏差（ノイズ値の広がりを評価した評価値）との関係式（関係データ）を用いて、算出部２０２によって算出されたＸ線の平均エネルギー、及び画像取得部２０３によって取得されたＸ線画像（放射線画像）の各画素の画素値からノイズ値の標準偏差を導出する。ノイズマップ生成部２０４は、Ｘ線画像の各画素に、導出したノイズ値の標準偏差を対応付けることにより、ノイズ標準偏差マップ（ノイズマップ）を生成する。

　ノイズマップ生成部２０４によって使用される画素値及び平均エネルギーとノイズ値の標準偏差との関係式は、下記式（４）で表される。

　上記式（４）中、変数Noiseはノイズ値の標準偏差、変数Signalは画素の信号値（画素値）、定数Ｆはノイズファクター（Noise　Factor）、定数Ｍはシンチレータによる増倍率、定数Ｃは、Ｘ線検出カメラ１０においてスキャンカメラ１２とシンチレータ１１とのカップリング効率（Coupling　Efficiency）、定数Ｑはスキャンカメラ１２の量子効率（Quantum　Efficiency）、定数cfはスキャンカメラ１２において画素の信号値を電荷に変換する変換係数、変数EmはＸ線の平均エネルギー、定数Ｄは、イメージセンサにおいて熱雑音によって発生した暗電流ノイズ、定数Ｒはスキャンカメラ１２における読み出しノイズ、をそれぞれ表す情報である。上記式（４）が使用される際、ノイズマップ生成部２０４により、変数Signalには画像取得部２０３によって取得されたＸ線画像の各画素の画素値が代入され、変数Emには算出部２０２によって算出された平均エネルギーの数値が代入される。そして、ノイズマップ生成部２０４により、上記式（４）を用いて計算された変数Noiseが、ノイズ値の標準偏差の数値として得られる。なお、平均エネルギーを含むその他のパラメータは、入力部２０１によって入力を受け付けられることで取得されてもよいし、予め設定されていてもよい。

　図６は、ノイズマップ生成部２０４によるノイズ標準偏差マップの生成例を示す図である。ノイズマップ生成部２０４は、画素値とノイズ値の標準偏差との関係式（４）を用いて、変数Signalに様々な画素値を代入して画素値と変数Noiseとの対応関係を取得することにより、画素値とノイズ値の標準偏差との対応関係を表す関係グラフＧ３を導出する。そして、ノイズマップ生成部２０４は、画像取得部２０３によって取得されたＸ線画像Ｇ１から、それぞれの画素位置と画素値との対応関係を表す関係データＧ２を導出する。さらに、ノイズマップ生成部２０４は、関係グラフＧ３の示す対応関係を、関係データＧ２における各画素値に適用することによって、Ｘ線画像における各画素位置の画素に対応したノイズ値の標準偏差を導出する。その結果、ノイズマップ生成部２０４は、導出したノイズの標準偏差を各画素位置に対応付け、それぞれの画素位置とノイズの標準偏差との対応関係を示す関係データＧ４を導出する。そして、ノイズマップ生成部２０４は、導出した関係データＧ４を基に、ノイズ標準偏差マップＧ５を生成する。

　処理部２０５は、放射線画像及びノイズマップを、予め機械学習によって構築された学習済みモデル２０７に入力し、放射線画像からノイズを除去する画像処理を実行する。すなわち、図７に示されるように、処理部２０５は、制御装置２０内の内蔵メモリあるいは記憶媒体から、構築部２０６によって構築された学習済みモデル２０７（後述する）を取得する。処理部２０５は、画像取得部２０３によって取得されたＸ線画像Ｇ１、及びノイズマップ生成部２０４によって生成されたノイズ標準偏差マップＧ５を、学習済みモデル２０７に入力する。これにより、処理部２０５は、学習済みモデル２０７を利用してＸ線画像Ｇ１からノイズを除去する画像処理を実行させることにより出力画像Ｇ６を生成する。そして、処理部２０５は、生成した出力画像Ｇ６を表示装置３０等に出力する。

　構築部２０６は、放射線画像である訓練画像、画素値とノイズ値の標準偏差との関係式に基づいて訓練画像から生成されたノイズマップ、及び、訓練画像からノイズが除去されたデータであるノイズ除去画像データ、を訓練データとして用いて、訓練画像及びノイズマップを基にノイズ除去画像データを出力する学習済みモデル２０７を、機械学習によって構築する。構築部２０６は、構築した学習済みモデル２０７を、制御装置２０内の内蔵メモリあるいは記憶媒体に記憶させる。機械学習には、教師あり学習、教師なし学習、強化学習があり、それらの学習の中には、深層学習（ディープラーニング）、ニューラルネットワーク学習などがある。第１実施形態では、ディープラーニングのアルゴリズムの一例として、Kai　Zhangらの論文“Beyond　a　Gaussian　Denoiser:　Residual　Learning　of　Deep　CNN　for　Image　Denoising”に記載された２次元の畳み込みニューラルネットワークが採用される。なお、学習済みモデル２０７は、構築部２０６によって構築される以外に、外部のコンピュータ等により生成されて制御装置２０にダウンロードされてもよい。なお、機械学習に用いられる放射線画像は、既知の構造物を撮像した放射線画像、或いは当該放射線画像を再現した画像を含む。

　図８は、学習済みモデル２０７の構築に用いられる訓練データの１つである訓練画像の一例である。訓練画像としては、様々な厚さ、様々な材質、及び様々な解像度のパターンを撮像対象にしたＸ線画像が用いられうる。図８に示す例は、鶏肉を対象に生成された訓練画像Ｇ７である。該訓練画像Ｇ７は、実際に画像取得装置１を用いて複数種類の既知の構造物を対象に生成されたＸ線画像を用いてもよいし、シミュレーション計算によって生成された画像を用いてもよい。Ｘ線画像については、画像取得装置１とは異なる装置を用いて取得したものでもかまわない。

　構築部２０６は、機械学習を行うための前処理として、画素値とノイズ値の広がりを評価した評価値との関係を表す関係データに基づいて、放射線画像の各画素の画素値から評価値を導出し、放射線画像の各画素に導出した評価値を対応付けたデータであるノイズマップを生成する。具体的には、構築部２０６は、学習済みモデル２０７を構築する際に、実際の撮像あるいはシミュレーション計算等により生成された訓練画像を、画像取得部２０３等から取得する。そして、構築部２０６は、例えば、画像取得装置１のＸ線照射器５０の動作条件あるいは画像取得装置１の撮像条件等を設定する。あるいは、構築部２０６は、シミュレーション計算時のＸ線照射器５０の動作条件あるいは撮像条件を設定する。構築部２０６は、算出部２０２と同様の手法を用いて、Ｘ線の平均エネルギーを、上記の動作条件あるいは撮像条件を基に計算する。さらに、構築部２０６は、図６に示したようなノイズマップ生成部２０４による手法と同様の手法を用いて、Ｘ線の平均エネルギー及び該訓練画像を基に、ノイズ標準偏差マップを生成する。つまり、機械学習方法の前処理方法は、画素値とノイズ値の広がりを評価した評価値との関係を表す関係データに基づいて、放射線画像の各画素の画素値から評価値を導出し、放射線画像の各画素に導出した評価値を対応付けたデータであるノイズマップを生成するノイズマップ生成ステップを備える。

　構築部２０６は、訓練画像、該訓練画像から生成したノイズマップ、及び訓練画像から予めノイズが除去されたデータであるノイズ除去画像データを訓練データとして用いて、学習済みモデル２０７を機械学習によって構築する。具体的には、構築部２０６は、該訓練画像からノイズが除去されたノイズ除去画像データを予め取得する。構築部２０６は、訓練画像がシミュレーション計算によって生成されたＸ線画像である場合、訓練画像の生成過程においてノイズが付加される前の画像を、ノイズ除去画像データとする。一方、構築部２０６は、訓練画像が、実際に画像取得装置１を用いて複数種類の既知の構造物を対象に生成されたＸ線画像である場合、Ｘ線画像から平均値フィルタ、或いはメディアンフィルタ、バイラテラルフィルタ、ＮＬＭフィルタなどの画像処理を用いてノイズ除去された画像をノイズ除去画像データとする。構築部２０６は、該訓練画像及びノイズ標準偏差マップを基にノイズ除去画像データを出力する学習済みモデル２０７を、機械学習によるトレーニングを実行して構築する。

　図９は、構築部２０６による学習済みモデル２０７の構築に用いられる教師データ（訓練データ）である画像データの作成手順を示すフローチャートである。

　教師データである画像データ（教師画像データともいう。）はコンピュータによって次の手順で作成される。まず、所定の構造をもつ構造体の画像（構造体画像）を作成する（ステップＳ３０１）。例えば、シミュレーション計算により、所定の構造を持つ構造体の画像を作成してもよい。また、所定の構造をもつチャートなどの構造体のＸ線画像を取得して構造体画像を作成してもよい。次に、この構造体画像を構成する複数の画素のうちから選択した一の画素について、画素値の標準偏差であるシグマ値を算出する（ステップＳ３０２）。そして、ステップＳ３０２で求めたシグマ値に基づいてノイズ分布を示す正規分布（ポアソン分布）を設定する（ステップＳ３０３）。このように、シグマ値に基づいて正規分布を設定することで様々なノイズ条件の教師データを生成することができる。続いて、ステップＳ３０３でシグマ値に基づいて設定された正規分布に沿って、ランダムに設定されたノイズ値を算出する（ステップＳ３０４）。さらに、一の画素の画素値にステップＳ３０４で求めたノイズ値を付加することで、教師データである画像データを構成する画素値を生成する（ステップＳ３０５）。ステップＳ３０２～ステップＳ３０５までの処理を、構造体画像を構成する複数の画素それぞれに対して行い（ステップＳ３０６）、教師データとなる教師画像データを生成する（ステップＳ３０７）。また、教師画像データがさらに必要な場合は、ステップＳ３０１～ステップＳ３０７までの処理を、別の構造体画像に対して行うことを判断し（ステップＳ３０８）、教師データとなる別の教師画像データを生成する。なお、別の構造体画像は、同じ構造を持つ構造体の画像であってもよいし、別の構造を持つ構造体の画像であってもよい。

　なお、学習済みモデル２０７の構築に用いられる教師データである画像データは多数用意する必要がある。また、構造体画像は、ノイズが少ない画像がよく、理想的には、ノイズがない画像がよい。そのため、シミュレーション計算によって構造体画像を生成すると、ノイズがない画像を数多く生成することができるので、シミュレーション計算によって、構造体画像を生成することは効果的である。

　次に、第１実施形態に係る画像取得装置１を用いた対象物ＦのＸ線透過像の観察処理の手順、すなわち、第１実施形態に係る放射線画像取得方法の流れについて説明する。図１０は、画像取得装置１による観察処理の手順を示すフローチャートである。

　まず、構築部２０６によって、訓練画像、関係式に基づいて訓練画像から生成されたノイズ標準偏差マップ、及びノイズ除去画像データ、を訓練データとして用いて、訓練画像及びノイズ標準偏差マップを基にノイズ除去画像データを出力する学習済みモデル２０７が、機械学習によって構築される。（ステップＳ１００）。次に、入力部２０１によって、画像取得装置１のオペレータ（ユーザ）から、Ｘ線照射器５０の動作条件あるいはＸ線検出カメラ１０による撮像条件等を示す条件情報の入力が受け付けられる（ステップＳ１０１）。そして、算出部２０２によって、条件情報を基に、Ｘ線検出カメラ１０によって検出されるＸ線の平均エネルギーの値が算出される（ステップＳ１０２）。

　続いて、画像取得装置１において対象物Ｆがセットされて対象物Ｆが撮像され、制御装置２０によって、対象物ＦのＸ線画像が取得される（ステップＳ１０３）。さらに、制御装置２０によって、画素値とノイズ値の標準偏差との関係式に基づいて、Ｘ線の平均エネルギー及びＸ線画像の各画素の画素値からノイズ値の標準偏差が導出され、導出されたノイズの標準偏差が各画素値に対応付けられることにより、ノイズ標準偏差マップが生成される（ステップＳ１０４）。

　次に、処理部２０５によって、予め構築され記憶された学習済みモデル２０７に、対象物ＦのＸ線画像及びノイズ標準偏差マップが入力され、Ｘ線画像を対象にノイズ除去処理が実行される（ステップＳ１０５）。さらに、処理部２０５によって、ノイズ除去処理が施されたＸ線画像である出力画像が、表示装置３０に出力される。（ステップＳ１０６）。

　以上説明した画像取得装置１によれば、対象物Ｆを透過したＸ線に応じたシンチレーション光が、対象物Ｆのスキャンの方向ＴＤに配列されたＭ個の画素７２を有する画素ライン７４がＮ列で配列されたスキャンカメラ１２によって検出され、画素ライン７４毎に出力されたＭ個の画素７２の検出信号のうちの少なくとも２個の画素７２の検出信号が加算され、加算されたＮ個の検出信号が順次出力されることにより、Ｘ線画像が出力される。加えて、出力されたＸ線画像を、予め画像データを用いた機械学習により構築された学習済みモデル２０７に入力させることにより、そのＸ線画像に対してノイズ除去処理が施される。これにより、Ｘ線画像において信号成分を大きくしつつノイズ成分を除去することができ、Ｘ線画像におけるＳ／Ｎ比を効果的に向上させることができる。具体的には、学習済みモデル２０７を用いたノイズ除去処理を施した場合は、ノイズ除去処理を施さない場合に比較して、ＣＮＲ（Contrast　to　Noise　Ratio）が約６．４倍に改善され、バイラテラルフィルタによるノイズ除去処理によるＣＮＲの約１．９倍の改善効果に比較しても改善効果が大きいことが分かった。

　また、画像取得装置１においては、学習済みモデル２０７は、所定の構造体のＸ線画像に対し正規分布に沿ったノイズ値を付加して得られた画像データを教師データとした機械学習によって構築される。これにより、学習済みモデル２０７の構築に用いられる教師データである画像データを用意することが容易となり、学習済みモデル２０７を効率的に構築することができる。

　また、画像取得装置１によれば、画素値とノイズ値の標準偏差の関係式を用いて、Ｘ線画像の各画像の画素値からノイズ値の標準偏差が導出され、Ｘ線画像の各画素に導出したノイズ値の標準偏差を対応付けたデータであるノイズ標準偏差マップが生成される。そして、Ｘ線画像及びノイズ標準偏差マップが、予め機械学習によって構築された学習済みモデル２０７に入力され、Ｘ線画像からノイズを除去する画像処理が実行される。かかる構成によれば、Ｘ線画像の各画素の画素値から導出されるノイズ値の標準偏差が考慮されて、該Ｘ線画像の各画素におけるノイズが機械学習により除去される。これにより、学習済みモデル２０７を用いて、Ｘ線画像における画素値とノイズ値の標準偏差との関係に対応したノイズ除去が実現できる。その結果、Ｘ線画像におけるノイズを効果的に除去できる。

　特に、Ｘ線画像は、管電圧、フィルタ、シンチレータ、Ｘ線検出カメラの条件（ゲイン設定値、回路ノイズ値、飽和電荷量、変換係数値（e-/count）、カメラのラインレート）、対象物等の違いによってノイズの態様が変化する。そのため、機械学習によってノイズ除去を実現しようとする場合、様々な条件で学習させた学習モデルを用意しておくことが考えられる。つまり、比較例として、Ｘ線画像の測定時の条件に合わせて複数の学習モデルを構築し、条件ごとに学習モデルを選択し、ノイズ除去処理が実行する手法も採りうる。このような比較例の場合、例えば、Ｘ線の平均エネルギー、Ｘ線検出カメラのゲイン、及びＸ線カメラの種類などのノイズ条件ごとに、学習モデルを構築しなければならず、膨大な数の学習モデルを生成する必要があり、構築のための多くの時間を要する場合がある。一例として、Ｘ線の平均エネルギーが１０通り、Ｘ線検出カメラのゲインが８通り、製品の種類が３種類であるとき、２４０個の学習済みモデルが必要になるが、学習済みモデルの構築に１モデルにつき１日を要する場合、機械学習のために、２４０日もの時間がかかってしまう。この点、本実施形態によれば、Ｘ線画像からノイズマップを生成し、当該ノイズマップを機械学習の入力データとすることで、学習済みモデルの生成が必要なノイズ条件を低減することができ、学習済みモデル２０７を構築するための学習時間が大きく低減される。

［第１実施形態の制御装置２０の変形例］

　図１１は、第１実施形態の変形例における制御装置２０Ａの機能構成を示すブロック図である。制御装置２０Ａは、上述した第１実施形態に比較して、算出部２０２ＡにおいてＸ線画像の画素値からＸ線の平均エネルギーを導出する機能を有する点、及びノイズマップ生成部２０４ＡにおいてＸ線画像の画素値及び該Ｘ線画像から導出されたＸ線の平均エネルギーに基づいて、ノイズ標準偏差マップを導出する機能を有する点が異なる。図１２は、図１１の制御装置２０Ａを含む画像取得装置１による観察処理の手順を示すフローチャートである。図１２に示されるように、制御装置２０Ａにおいては、図１０に示す第１実施形態に係る制御装置２０のステップＳ１０３に示す処理が、ステップＳ１００の直後に行われる。そして、制御装置２０Ａにおいては、Ｓ１０２Ａ、Ｓ１０４Ａに示す処理が、制御装置２０のステップＳ１０２、Ｓ１０４の処理に置き換えて実行される。

　算出部２０２Ａは、放射線画像の各画素の画素値から平均エネルギーを算出する（ステップＳ１０２Ａ）。具体的には、算出部２０２Ａは、Ｘ線スペクトルのシミュレーション計算等により、条件情報ごとに画素値と平均エネルギーの関係を予め導出する。算出部２０２Ａは、入力部２０１によって取得された管電圧、及びＸ線検出カメラ１０が備えるシンチレータの情報を少なくとも含む条件情報を取得する。そして、算出部２０２Ａは、該条件情報を基に、予め導出しておいた画素値と平均エネルギーの関係の中から、該条件情報に対応する関係を選択する。さらに、算出部２０２Ａは、選択した関係に基づいて、画像取得部２０３によって取得されたＸ線画像の各画素の画素値から、画素毎の平均エネルギーを導出する。

　以下、算出部２０２Ａによる、該条件情報ごとの画素値と平均エネルギーの関係の導出について図１３～図１７を用いて説明する。

　最初に、算出部２０２Ａは、条件情報を基に、対象物Ｆの厚さとＸ線の透過率との関係を表すグラフＧ１８、及び対象物Ｆの厚さとＸ線の平均エネルギーとの関係を表すグラフＧ１９を導出する。具体的には、図１３の（ａ）部～（ｄ）部に示すように、算出部２０２Ａは、管電圧及びＸ線検出カメラ１０が備えるシンチレータの情報を少なくとも含む条件情報を基に、対象物Ｆの厚さを様々に変更した場合に透過するＸ線のエネルギースペクトルＧ１４～Ｇ１７を、シミュレーション計算により算出する。図１３は、算出部２０２Ａによる対象物Ｆを透過したＸ線のエネルギースペクトルのシミュレーション計算結果の一例を示すグラフである。ここでは、水によって構成される対象物Ｆの厚さを段階的に増加させてシミュレーション計算を行った場合の透過Ｘ線のエネルギースペクトルＧ１４～Ｇ１７が例示されている。さらに、算出部２０２Ａは、算出したエネルギースペクトルＧ１４～Ｇ１７を基に、対象物Ｆの厚さを様々に変更した場合に透過するＸ線の平均エネルギーを算出する。なお、算出部２０２Ａは、シミュレーション計算以外に、厚さが既知の構造物を対象に撮像することにより得られたＸ線画像を基に、対象物Ｆの厚さと平均エネルギーの関係が得られてもよい。

　さらに、算出部２０２Ａは、上記のシミュレーション結果を基に、対象物Ｆの厚さとＸ線の透過率との関係も導出する。図１４は、算出部２０２Ａによって導出された、対象物Ｆの厚さと平均エネルギー及び透過率との関係の一例を示す図表である。図１４に示されるように、対象物Ｆの厚さ毎に算出されたエネルギースペクトルＧ１４～Ｇ１７のそれぞれに対応して、透過Ｘ線の平均エネルギー及びＸ線の透過率が導出される。

　続いて、算出部２０２Ａは、様々な厚さの対象物Ｆに対して導出したＸ線の透過率から、対象物Ｆの厚さとＸ線の透過率との関係を示すグラフＧ１８を導出する。図１５は、算出部２０２Ａによって導出された、対象物Ｆの厚さと対象物Ｆに対するＸ線の透過率との関係を示すグラフである。加えて、算出部２０２Ａは、様々な厚さの対象物Ｆに対して導出したＸ線の平均エネルギーから、対象物Ｆの厚さとＸ線の平均エネルギーとの関係を示すグラフＧ１９を導出する。図１６は、算出部２０２Ａによって導出された、対象物Ｆの厚さと、対象物Ｆを透過するＸ線の平均エネルギーとの関係を示すグラフである。

　そして、算出部２０２Ａは、様々な条件情報ごとに導出した２つのグラフＧ１８，Ｇ１９に基づいて、図１７に示されるようなＸ線画像の画素値と平均エネルギーとの関係を示すグラフＧ２０を、様々な条件情報ごとに導出する。図１７は、算出部２０２Ａによって導出されたＸ線画像の画素値と平均エネルギーとの関係を示すグラフである。具体的には、算出部２０２Ａは、条件情報を基に、対象物Ｆが存在しない場合のＸ線画透過像の画素値Ｉ_０を導出する。そして、算出部２０２Ａは、対象物Ｆが存在する場合のＸ線画像の画素値Ｉを設定し、Ｘ線の透過率であるＩ／Ｉ_０を計算する。さらに、算出部２０２Ａは、対象物Ｆの厚さと対象物Ｆに対するＸ線の透過率とのグラフＧ１８に基づいて、計算したＸ線の透過率であるＩ／Ｉ_０から、対象物Ｆの厚さを導出する。最後に、算出部２０２Ａは、導出した対象物Ｆの厚さと、対象物Ｆの厚さと透過Ｘ線の平均エネルギーとのグラフＧ１９とに基づいて、その厚さに対応する透過Ｘ線の平均エネルギーを導出する。続いて、算出部２０２Ａは、上記の導出を、Ｘ線画像の画素値Ｉを様々に変化させながら、様々な条件情報ごとに行うことにより、Ｘ線画像の画素値と透過Ｘ線の平均エネルギーとの関係を示すグラフＧ２０を、条件情報ごとに導出する。

　ここで、算出部２０２Ａによる画素値を基にした平均エネルギーの導出例について説明する。例えば、算出部２０２Ａが、条件情報を基に対象物Ｆが存在しない場合のＸ線画透過像の画素値をＩ_０＝５０００と導出し、対象物Ｆが存在する場合のＸ線画像の画素値がＩ＝５００であると設定した場合を想定する。この場合、算出部２０２Ａは、Ｘ線の透過率をＩ／Ｉ_０＝０．１であると計算する。続いて、算出部２０２Ａは、対象物Ｆの厚さと対象物Ｆに対するＸ線の透過率との関係を示すグラフＧ１８に基づいて、Ｘ線の透過率０．１に対応する厚さが３０ｍｍであると導出する。さらに、算出部２０２Ａは、対象物Ｆの厚さと透過Ｘ線の平均エネルギーとの関係を示すグラフＧ１９に基づいて、画素値５００に対応する平均エネルギーが２７ｋｅＶであると導出する。最後に、算出部２０２Ａは、各画素値ごとにＸ線の平均エネルギーの導出を繰り返し、Ｘ線画像の画素値と平均エネルギーとの関係を示すグラフＧ２０を導出する。

　さらに、算出部２０２Ａは、以上の手順で予め導出した複数のグラフＧ２０の中からから、入力部２０１によって取得された条件情報に対応するグラフＧ２０を選択する。算出部２０２Ａは、選択したグラフＧ２０に基づいて、画像取得部２０３によって取得されたＸ線画像の各画素の画素値に対応する透過Ｘ線の平均エネルギーを導出する。

　なお、算出部２０２Ａは、予め条件情報ごとに画素値とＸ線の平均エネルギーの関係を導出するのではなく、入力部２０１によって取得された条件情報とＸ線画像の各画素の画素値とから、グラフＧ１８，Ｇ１９を参照してＸ線の平均エネルギーを導出してもよい。具体的には、算出部２０２Ａは、条件情報を基に対象物が存在しない場合のＸ線画像の画素値Ｉ_０を導出する。そして、算出部２０２Ａは、画像取得部２０３によって取得されたＸ線画像の各画素の画素値Ｉごとに画素値Ｉ_０に対する比率を求めることにより、透過率を計算する。さらに、算出部２０２Ａはし、厚さとＸ線の透過率との関係を示すグラフＧ１８と、計算した透過率とに基づいて厚さを導出する。そして、算出部２０２Ａは、厚さと平均エネルギーとの関係を示すグラフＧ１９と、導出した厚さとに基づいて平均エネルギーを導出することで、Ｘ線画像の各画素の画素値ごとに平均エネルギーを導出する。

　ノイズマップ生成部２０４Ａは、画像取得部２０３によって取得されたＸ線画像、及び算出部２０２Ａによって導出された該Ｘ線画像の各画素に対応するＸ線の平均エネルギーから、ノイズ標準偏差マップを生成する（ステップＳ１０４Ａ）。具体的には、ノイズマップ生成部２０４Ａは、画像取得部２０３によって取得されたＸ線画像の各画素の画素値、及び算出部２０２Ａによって各画素ごとに導出された平均エネルギーを、関係式（４）に代入することで、対象物の厚さを考慮した各画素ごとのノイズ値の標準偏差を導出する。ノイズマップ生成部２０４Ａは、Ｘ線画像の各画素に対応したノイズ値の標準偏差を、ノイズ標準偏差マップとして生成する。

　図１８は、画素値とノイズ値の標準偏差との関係の一例を表すグラフである。このグラフは、本変形例に係る算出部２０２Ａ及びノイズマップ生成部２０４Ａによって、Ｘ線画像の画素値から導出されたノイズ値の標準偏差と、Ｘ線画像の画素値との関係を示している。本変形例では、対象物の厚さを考慮してノイズ値の標準偏差が導出されるため、画素値が増加するほど対象物の厚さが小さくなり、画素における平均エネルギーが低下する。したがって、関係式（４）からも推定されるように、第１実施形態と本変形例とは、画素値が増大したときのノイズ値の標準偏差の変化が異なる。図１８に示される例では、本変形例のグラフＧ２２は、第１実施形態のグラフＧ２１より画素値が増大したときのノイズ値の標準偏差の増大の度合いが小さい。

　第１実施形態の変形例の制御装置２０Ａでは、Ｘ線画像の各画素の画素値から平均エネルギーが計算される。ここで、例えば、Ｘ線画像中に厚さや材質の異なる複数の対象物が存在する場合、対象物ごとに平均エネルギーが大きく異なり、Ｘ線画像から十分にノイズを除去できない。かかる構成によれば、対象物Ｆを透過するＸ線の平均エネルギーが、Ｘ線画像の各画素の画素値ごとに計算されるため、例えば、厚さや材質の違い等を考慮し、Ｘ線画像の各画素の画素値とノイズとの関係に対応したノイズ除去を実現できる。その結果、Ｘ線画像におけるノイズを効果的に除去できる。

　なお、本変形例に係る制御装置２０Ａは、様々な条件情報ごとに導出したグラフＧ２０を用いてＸ線画像の画素値から平均エネルギーを導出している。このとき、対象物Ｆの材質の違いは無視して画素値から平均エネルギーを導出してもよい。図１９は、算出部２０２Ａによって導出されたＸ線画像の画素値とノイズ値の標準偏差との関係を示すグラフである。ここでは、対象物Ｆの材質の変化も条件情報として考慮に入れて関係を導出しており、グラフＧ２４は、材質がアルミニウムの場合、グラフＧ２３は材質がＰＥＴ（Polyethylene　terephthalate）の場合、グラフＧ２５は材質が銅の場合の導出例を示している。このように、対象物Ｆの材質が変化した場合でも、Ｘ線照射器５０の管電圧及び対象物Ｆの撮像に用いるＸ線検出カメラ１０が備えるシンチレータの情報が同一であれば、画素値と透過Ｘ線の平均エネルギーとの関係は大きく変化しないため、画素値とノイズ値の標準偏差との関係も大きく変化しない。このような性質を考慮して、制御装置２０Ａは、条件情報としての対象物Ｆの材質の違いは無視して、Ｘ線画像の画素値から平均エネルギーを導出することができる。このような場合でも、本変形例の制御装置２０Ａによれば、画素値とノイズの標準偏差との関係に対応したノイズ除去が実現できる。その結果、Ｘ線画像におけるノイズをさらに効果的に除去できる。

［第１実施形態の制御装置２０の別の変形例］

　図２０は、第１実施形態の別の変形例にかかる制御装置２０Ｂの機能構成を示すブロック図である。制御装置２０Ｂは、上述した第１実施形態に比較して、画像取得部２０３Ｂにおいて、治具のＸ線画像を取得する機能を有する点、及びノイズマップ生成部２０４Ｂにおいて、治具のＸ線画像から画素値とノイズ値の標準偏差との関係を示すグラフを導出する機能を有する点が異なる。図２１は、図２０の制御装置２０Ｂを含む画像取得装置１による観察処理の手順を示すフローチャートである。図２１に示されるように、本変形例に係る制御装置２０Ｂにおいては、ステップＳ２０１、Ｓ２０２に示す処理が、図１０に示す第１実施形態にかかる制御装置２０によるステップＳ１０１、Ｓ１０２及びＳ１０４の処理に置き換えて実行される。

　画像取得部２０３Ｂは、治具に放射線が照射され、治具を透過した放射線が撮像された治具の放射線画像を取得する（ステップＳ２０１）。具体的には、画像取得部２０３Ｂは、画像取得装置１を用いて治具及び対象物Ｆを対象にＸ線を照射して撮像したＸ線画像を取得する。治具としては、厚さ及び材質が既知である平板状部材等が用いられる。すなわち、画像取得部２０３Ｂは、対象物Ｆの観察処理に先立って画像取得装置１を用いて撮像された治具のＸ線画像を取得する。そして、画像取得部２０３Ｂは、画像取得装置１を用いて撮像された対象物ＦのＸ線画像を取得する。ただし、治具及び対象物ＦのＸ線画像の取得タイミングは上記には限定されず、同時であってもよいし逆のタイミングであってもよい（ステップＳ１０３）。また、画像取得部２０３Ｂは、画像取得部２０３と同様に、対象物ＦにＸ線が照射され、対象物Ｆを透過したＸ線が撮像されたＸ線画像を取得する。

　画像取得装置１において治具がセットされて治具が撮像され、ノイズマップ生成部２０４Ｂは、その結果得られる治具の放射線画像から、画素値とノイズ値の広がりを評価した評価値との関係を表す関係データを導出する（ステップＳ２０２）。具体的には、ノイズマップ生成部２０４Ｂは、治具のＸ線画像から、画素値とノイズ値の標準偏差との関係を表すノイズ標準偏差マップを導出する。

　図２２は、ノイズマップ生成部２０４Ｂによるノイズ標準偏差マップの生成例を示す図である。ノイズマップ生成部２０４Ｂは、治具のＸ線画像Ｇ２６から、画素値とノイズ値の標準偏差との対応関係を表す関係グラフＧ２７を導出する。そして、ノイズマップ生成部２０４Ｂは、第１実施形態と同様にして、画像取得部２０３Ｂによって取得されたＸ線画像Ｇ１から、それぞれの画素位置と画素値との対応関係を表す関係データＧ２を導出する。さらに、ノイズマップ生成部２０４は、関係グラフＧ２７の示す対応関係を、関係データＧ２における各画素に適用することによって、Ｘ線画像における各画素位置の画素に対応したノイズ値の標準偏差を導出する。その結果、ノイズマップ生成部２０４は、導出したノイズの標準偏差を各画素位置に対応付け、それぞれの画素位置とノイズの標準偏差との対応関係を示す関係データＧ４を導出する。そして、ノイズマップ生成部２０４は、導出した関係データＧ４を基に、ノイズ標準偏差マップＧ５を生成する。

　ノイズマップ生成部２０４Ｂによる、治具のＸ線画像Ｇ２６からの、画素値とノイズ値の標準偏差との関係を表す関係グラフＧ２７の導出について説明する。図２３には、本変形例における撮像に用いられる治具の構造の一例を示している。治具には、例えば、厚さが一方向にステップ状に変化する部材Ｐ１が用いられうる。図２４は、図２３の治具のＸ線画像の一例を示している。まず、ノイズマップ生成部２０４Ｂは、治具のＸ線画像Ｇ２６において、治具のステップごとにノイズがない場合の画素値（以下、真の画素値と表記する）を導出し、真の画素値に基づいてノイズ値の標準偏差を導出する。具体的には、ノイズマップ生成部２０４Ｂは、治具のあるステップにおける画素値の平均値を導出する。そして、ノイズマップ生成部２０４Ｂは、導出した画素値の平均値を、そのステップにおける真の画素値とする。ノイズマップ生成部２０４Ｂは、そのステップにおいて、各画素値と真の画素値との差をノイズ値として導出する。ノイズマップ生成部２０４Ｂは、導出した画素値ごとのノイズ値から、ノイズ値の標準偏差を導出する。

　そして、ノイズマップ生成部２０４Ｂは、真の画素値とノイズ値の標準偏差との関係を、画素値とノイズ値の標準偏差との関係グラフＧ２７として導出する。具体的には、ノイズマップ生成部２０４Ｂは、治具のステップごとに、真の画素値、及びノイズ値の標準偏差を導出する。ノイズマップ生成部２０４Ｂは、導出した真の画素値とノイズ値の標準偏差との関係をグラフにプロットして、近似曲線を引くことにより、画素値とノイズ値の標準偏差との関係を表す関係グラフＧ２７を導出する。なお、近似曲線については、指数近似、或いは線形近似、対数近似、多項式近似、累乗近似などを使用する。

　本変形例にかかる制御装置２０Ｂでは、実際の治具を撮像して得られる放射線画像を基に関係データが生成される。これにより、対象物Ｆの放射線画像のノイズ除去に最適な関係データが得られる。その結果、放射線画像におけるノイズをより効果的に除去できる。

　なお、ノイズマップ生成部２０４Ｂは、治具を用いずに、対象物がない状態で管電流あるいは露光時間を変更した場合の撮像画像から、画素値とノイズ値の標準偏差との関係を導出してもよい。かかる構成によれば、実際に撮像して得られる放射線画像を基に関係データが生成され、ノイズマップが生成されるため、画素値とノイズの広がりとの関係に対応したノイズ除去が実現できる。その結果、放射線画像におけるノイズをより効果的に除去できる。

　具体的には、画像取得部２０３Ｂは、対象物がない状態で撮像された複数の放射線画像を取得し（ステップＳ２０１）、ノイズマップ生成部２０４Ｂは、画像取得部２０３Ｂによって取得された放射線画像から、画素値とノイズ値の標準偏差との関係を導出してもよい（ステップＳ２０２）。複数の放射線画像は、放射線の発生源の条件あるいは撮像条件の少なくとも一方の条件が互いに異なる複数の画像である。一例としては、画像取得部２０３Ｂは、管電流あるいは露光時間が変更されつつ、対象物Ｆの観察処理に先立って対象物Ｆがない状態で画像取得装置１を用いて撮像された複数のＸ線画像を取得する。そして、ノイズマップ生成部２０４Ｂは、Ｘ線画像ごとに真の画素値を導出し、本変形例と同様にして、真の画素値に基づいてノイズの標準偏差を導出する。さらに、ノイズマップ生成部２０４Ｂは、本変形例と同様にして、真の画素値とノイズの標準偏差との関係をグラフにプロットして近似曲線を引くことにより、画素値とノイズ値の標準偏差との関係を表す関係グラフを導出する。最後に、ノイズマップ生成部２０４Ｂは、第１実施形態と同様にして、導出した関係グラフを基に、画像取得部２０３Ｂによって取得されたＸ線画像からノイズ標準偏差マップを生成する。

［第２実施形態］
　図２５は、第２実施形態に係る制御装置２０Ｃの機能構成を示すブロック図である。制御装置２０Ｃは、入力部２０１Ｃ、算出部２０２Ｃ、絞込部２０３Ｃ、選択部２０４Ｃ、及び処理部２０５Ｃを備える。

　また、制御装置２０Ｃには、Ｘ線透過画像を対象にノイズ除去処理を実行させる学習済みモデル２０６Ｃが予め複数格納されている。複数の学習済みモデル２０６Ｃは、それぞれ、画像データを教師データとして予め構築された機械学習による学習モデルである。機械学習には、教師あり学習、深層学習（ディープラーニング）、或いは強化学習、ニューラルネットワーク学習などがある。本実施形態では、ディープラーニングのアルゴリズムの一例として、Kai　Zhangらの論文“Beyonda Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising”に記載された２次元の畳み込みニューラルネットワークが採用される。複数の学習済みモデル２０６Ｃは、外部のコンピュータ等により生成されて制御装置２０Ｃにダウンロードされてもよいし、制御装置２０Ｃ内で生成されてもよい。

　図２６には、学習済みモデル２０６Ｃの構築に用いられる教師データである画像データの一例を示す。教師データとしては、様々な厚さ、様々な材質、及び様々な解像度のパターンを撮像対象にしたＸ線透過画像が用いられうる。図２６に示す例は、鶏肉を対象に生成されたＸ線透過画像の例である。この画像データは、実際に画像取得装置１を用いて複数種類の対象物を対象に生成されたＸ線透過画像を用いてもよいし、シミュレーション計算によって生成された画像データを用いてもよい。Ｘ線透過画像については、画像取得装置１とは異なる装置を用いて取得したものでもかまわない。また、Ｘ線透過画像とシミュレーション計算によって生成された画像データを組み合わせて用いてもよい。複数の学習済みモデル２０６Ｃは、それぞれ、平均エネルギーが異なる透過Ｘ線を対象に得られた画像データであって、ノイズ分布が既知の画像データを用いて予め構築されている。画像データにおけるＸ線の平均エネルギーは、それぞれ、画像取得装置１のＸ線照射器（放射線発生源）５０の動作条件あるいは画像取得装置１の撮像条件等を設定することにより、あるいはシミュレーション計算時のＸ線照射器５０の動作条件あるいは撮像条件を設定することにより、予め異なる値に設定されている（動作条件あるいは撮像条件による平均エネルギーの設定方法については後述する。）。つまり、複数の学習済みモデル２０６Ｃは、対象物ＦのＸ線透過画像を撮像する際のＸ線照射器（放射線発生源）５０の動作条件、あるいは、Ｘ線検出カメラ１０による撮像条件等を示す条件情報を基に算出された対象物Ｆを透過したＸ線に関する平均エネルギーに対応するＸ線画像である訓練画像を訓練データとして用いて、機械学習によって構築される（構築ステップ）。例えば、本実施形態では、複数の学習済みモデル２０６Ｃは、それぞれ、平均エネルギーが、１０ｋｅＶ、２０ｋｅＶ、３０ｋｅＶ、…と１０ｋｅＶ刻みの値が設定された複数種類の画像データを複数フレーム（例えば、２０，０００フレーム）用いて構築されている。

　学習済みモデル２０６Ｃの構築に用いられる教師データである画像データは、上述した第１実施形態における作成手順と同様な作成手順によって生成される。

　以下、図２５に戻って、制御装置２０Ｃの各機能部の機能の詳細について説明する。

　入力部２０１Ｃは、対象物ＦのＸ線透過画像を撮像する際のＸ線照射器（放射線発生源）５０の動作条件、あるいは、Ｘ線検出カメラ１０による撮像条件等を示す条件情報の入力を、画像取得装置１のユーザから受け付ける。動作条件としては、管電圧、ターゲット角度、ターゲットの材料等のうちの全部又は一部が挙げられる。撮像条件を示す条件情報としては、Ｘ線照射器５０とＸ線検出カメラ１０との間に配置されるフィルタ５１，１９（対象物の撮像に用いるカメラが備えるフィルタ或いは発生源が備えるフィルタ）の材質及び厚さ、Ｘ線照射器５０とＸ線検出カメラ１０との距離（ＦＤＤ）、Ｘ線検出カメラ１０の窓材の種類、及び、Ｘ線検出カメラ１０のシンチレータ１１の材料及び厚さに関する情報、Ｘ線検出カメラ情報（例えば、ゲイン設定値、回路ノイズ値、飽和電荷量、変換係数値（電子数/count）、カメラのラインレート（Hz）もしくはラインスピード（m/min））、対象物の情報等のうちの全部又は一部が挙げられる。入力部２０１Ｃは、条件情報の入力を、数値等の情報の直接入力として受け付けてもよいし、予め内部メモリに設定された数値等の情報に対する選択入力として受け付けてもよい。入力部２０１Ｃは、上記の条件情報の入力をユーザから受け付けるが、一部の条件情報（管電圧等）を、制御装置２０Ｃによる制御状態の検出結果に応じて取得してもよい。

　算出部２０２Ｃは、入力部２０１Ｃによって受け付けられた条件情報を基に、画像取得装置１を用いて対象物Ｆを透過させてＸ線検出カメラ１０によって検出させるＸ線（放射線）の平均エネルギーの値を算出する。例えば、算出部２０２Ｃは、条件情報に含まれる、管電圧、ターゲット角度、ターゲットの材料、フィルタの材質及び厚さ及びその有無、窓材の種類及びその有無、Ｘ線検出カメラ１０のシンチレータ１１の材料及び厚さ、等の情報に基づいて、Ｘ線検出カメラ１０で検出されるＸ線のスペクトルを、例えば公知のＴｕｃｋｅｒ等の近似式を用いて算出する。そして、算出部２０２Ｃは、Ｘ線のスペクトルから、スペクトル強度積分値と光子数積分値とをさらに算出し、スペクトル強度積分値を光子数積分値で除することによりＸ線の平均エネルギーの値を算出する。

　公知のＴｕｃｋｅｒの近似式を用いた算出方法について記載する。例えば、算出部２０２Ｃは、ターゲットをタングステン、ターゲット角度を25°と特定すると、Em：電子ターゲット衝突時の運動エネルギー、T：ターゲット中の電子運動エネルギー、A：ターゲット物質の原子番号で決まる比例定数、ρ：ターゲットの密度、μ(E)：ターゲット物質の線減弱係数、B：緩やかに変化するZとTの関数、C：Thomson-Whiddington定数、θ：ターゲット角度、c：真空中の光速度、を決定することができる。さらに、算出部２０２Ｃは、それらを基に上記の式（１）を計算することにより、照射Ｘ線スペクトルが算出できる。

　次に、算出部２０２Ｃは、フィルタ及び対象物Ｆを透過してシンチレータに吸収されるＸ線エネルギースペクトルを上記の式（２）のＸ線の減弱式を用いて算出できる。Ｘ線光子数スペクトルは、このＸ線エネルギースペクトルを各Ｘ線のエネルギーで除することで求まる。算出部２０２Ｃは、Ｘ線の平均エネルギーを、エネルギー強度の積分値を光子数の積分値で除することにより、上記の式（３）を用いて算出する。上記の計算過程により、算出部２０２Ｃは、Ｘ線の平均エネルギーを算出する。なお、Ｘ線スペクトルの算出に関しては、公知のKramersや、Birchらによる近似式を使用してもよい。

　絞込部２０３Ｃは、算出部２０２Ｃによって算出された平均エネルギーの値を基に、予め構築された複数の学習済みモデル２０６Ｃの中から、学習済みモデルの候補を絞り込む。すなわち、絞込部２０３Ｃは、算出された平均エネルギーの値と、複数の学習済みモデル２０６Ｃの構築に用いられた画像データにおけるＸ線の平均エネルギーの値とを比較し、平均エネルギーの値が近い画像データによって構築された複数の学習済みモデル２０６Ｃを候補として絞り込む。より具体的には、算出部２０２Ｃによって算出された平均エネルギーの値が５３ｋｅＶの場合には、絞込部２０３Ｃは、その値との差が所定の閾値（例えば１５ｋｅＶ）未満である平均エネルギー値４０ｋｅＶ、５０ｋｅＶ、６０ｋｅＶの画像データによって構築された学習済みモデル２０６Ｃを、学習済みモデルの候補とする。

　選択部２０４Ｃは、絞込部２０３Ｃによって絞り込まれた候補の中から、最終的に対象物ＦのＸ線透過画像のノイズ除去処理に用いる学習済みモデル２０６Ｃを選択する。詳細には、選択部２０４Ｃは、画像取得装置１において治具を対象にＸ線を照射して撮像したＸ線透過画像を取得し、そのＸ線透過画像の画像特性に基づいて、最終的に用いる学習済みモデル２０６Ｃを選択する。このとき、選択部２０４Ｃは、Ｘ線透過画像の画像特性として、エネルギー特性、ノイズ特性、あるいは、解像度特性等を解析し、その解析結果を基に学習済みモデル２０６Ｃを選択する。

　より具体的には、選択部２０４Ｃは、治具として、厚さ及び材質が既知であり、Ｘ線の平均エネルギーとＸ線透過率との関係が既知である平板状部材を対象にＸ線透過画像を取得し、治具を透過したＸ線像の輝度と空気を透過したＸ線像の輝度とを比較して、治具における１点（あるいは複数点の平均）のＸ線の透過率を算出する。例えば、治具を透過したＸ線像の輝度が5,550であり、空気を透過したＸ線像の輝度が15,000の場合には、透過率37％と算出する。そして、選択部２０４Ｃは、透過率37％から推定される透過Ｘ線の平均エネルギー（例えば、５０ｋｅＶ）を、治具のＸ線透過画像のエネルギー特性として特定する。選択部２０４Ｃは、特定した平均エネルギーの値に最も近い平均エネルギーの画像データによって構築された学習済みモデル２０６Ｃを一つ選択する。

　また、選択部２０４Ｃは、治具のＸ線透過画像のエネルギー特性として、厚さあるいは材質が変化する治具の複数点における特性を解析してもよい。図２７は、選択部２０４Ｃの解析対象のＸ線透過画像の一例を示す図である。図２７は、厚さがステップ状に変化した形状の治具を対象にしたＸ線透過画像である。選択部２０４Ｃは、このようなＸ線透過画像から厚さの異なる複数の測定領域（ＲＯＩ：Region　Of　Interest）を選択し、複数の測定領域ごとの輝度平均値を解析し、厚さ－輝度の特性グラフをエネルギー特性として取得する。図２８には、選択部２０４Ｃが取得した厚さ－輝度の特性グラフの一例を示している。

　さらに、選択部２０４Ｃは、同様にして、絞込部２０３Ｃによって絞り込まれた学習済みモデル２０６Ｃの構築に用いた画像データを対象に、厚さ－輝度の特性グラフを取得し、治具を対象に取得した特性グラフと最も近い特性を有する画像データによって構築された学習済みモデル２０６Ｃを、最終的な学習済みモデル２０６Ｃとして選択する。ただし、この学習済みモデル２０６Ｃの構築に用いられた画像データの画像特性は予め制御装置２０Ｃの外部で算出されたものを参照してもよい。このように、複数の測定領域を設定することにより、対象物ＦのＸ線透過画像のノイズ除去に最適な学習済みモデルを選択することができる。特に、Ｘ線透過画像の測定時のＸ線スペクトルの違いあるいはフィルタの効果の違いを精度よく推定することが可能となる。

　また、選択部２０４Ｃは、治具のＸ線透過画像のノイズ特性として、複数の測定領域ごとの輝度値とノイズを解析し、輝度－ノイズ比の特性グラフをノイズ特性として取得することもできる。すなわち、選択部２０４Ｃは、Ｘ線透過画像から厚さあるいは材質の異なる複数の測定領域ＲＯＩを選択し、複数の測定領域ＲＯＩの輝度値の標準偏差及び輝度値の平均値を解析し、輝度－ＳＮＲ（ＳＮ比）の特性グラフをノイズ特性として取得する。このとき、選択部２０４Ｃは、測定領域ＲＯＩ毎のＳＮＲを、ＳＮＲ＝（輝度値の平均値）÷（輝度値の標準偏差）によって算出する。図２９には、選択部２０４Ｃが取得した輝度－ＳＮＲの特性グラフの一例を示している。そして、選択部２０４Ｃは、取得した特性グラフと最も近いノイズ特性を有する画像データによって構築された学習済みモデル２０６Ｃを、最終的な学習済みモデル２０６Ｃとして選択する。

　ここで、選択部２０４Ｃは、ノイズ特性として、上記の輝度－ＳＮＲの特性グラフに代えて、縦軸を輝度値の標準偏差から計算されるノイズとした特性グラフを取得してもよい。このような輝度－ノイズの特性グラフを用いることにより、Ｘ線検出カメラ１０によって検出される各信号量に対し、各信号量の領域のグラフの傾きから支配的なノイズ要因（ショットノイズ、読み出しノイズ等）を特定し、その特定の結果を基に学習済みモデル２０６Ｃを選択できる。

　図３０は、選択部２０４Ｃによる画像特性に基づいた学習済みモデルの選択機能を説明するための図である。図３０において、（ａ）部は、複数の学習済みモデル２０６Ｃの構築に用いられたそれぞれの画像データの輝度－ＳＮＲの特性グラフＧ_１，Ｇ_２，Ｇ_３を示し、（ｂ）部には、これらの特性グラフＧ_１，Ｇ_２，Ｇ_３に加えて、治具を撮像したＸ線透過画像の輝度－ＳＮＲの特性グラフＧ_Ｔを示している。このような特性グラフＧ_１，Ｇ_２，Ｇ_３，Ｇ_Ｔを対象にした場合には、選択部２０４Ｃは、特性グラフＧ_Ｔの特性に最も近い特性グラフＧ_２の画像データによって構築された学習済みモデル２０６Ｃを選択するように機能する。選択の際には、選択部２０４Ｃは、各特性グラフＧ_１，Ｇ_２，Ｇ_３と特性グラフＧ_Ｔと間で、一定間隔の輝度値毎のＳＮＲの誤差を計算し、それらの誤差の平均二乗誤差（ＲＭＳＥ：Root　Mean　Squared　Error）を計算し、平均二乗誤差が最も小さい特性グラフＧ_１，Ｇ_２，Ｇ_３に対応した学習済みモデル２０６Ｃを選択する。また、選択部２０４Ｃは、エネルギー特性を用いて選択する場合にも、同様にして学習済みモデル２０６Ｃを選択できる。

　選択部２０４Ｃは、治具のＸ線透過画像を対象に、複数の学習済みモデルを適用してノイズ除去処理を実行した後の画像の特性を基に、学習済みモデル２０６Ｃを選択することもできる。

　例えば、選択部２０４Ｃは、様々な解像度のチャートを有する治具を撮像したＸ線透過画像を用いて、その画像に複数の学習済みモデル２０６Ｃを適用し、その結果生成されたノイズ除去後の画像を評価する。そして、選択部２０４Ｃは、ノイズ除去処理前後における解像度の変化が最も小さい画像に用いられた学習済みモデル２０６Ｃを選択する。図３１には、解像度の評価に用いられるＸ線透過画像の一例を示している。このＸ線透過画像においては、一方向に沿ってステップ状に解像度が変化するチャートが撮像対象とされている。Ｘ線透過画像の解像度は、ＭＴＦ（Modulation　Transfer　Function）又はＣＴＦ（Contrast　Transfer　Function）を用いて測定することができる。

　上記の解像度の変化の評価以外にも、選択部２０４Ｃは、ノイズ除去後の画像の輝度－ノイズ比の特性を評価し、その特性が最も高い画像の生成に用いられた学習済みモデル２０６Ｃを選択してもよい。図３２には、輝度－ノイズ比の評価に用いられる治具の構造の一例を示している。例えば、治具として、厚さが一方向にステップ状に変化する部材Ｐ１中に様々な材質及び様々な大きさを有する異物Ｐ２が点在したものが用いられうる。図３３は、図３２の治具を対象に得られたノイズ除去処理後のＸ線透過画像を示している。選択部２０４Ｃは、Ｘ線透過画像中において異物Ｐ２の像を含む画像領域Ｒ１と、その領域Ｒ１の近傍の異物Ｐ２の像を含まない画像領域Ｒ２とを選択し、画像領域Ｒ１における輝度の最小値Ｌ_ＭＩＮと、画像領域Ｒ２における輝度の平均値Ｌ_ＡＶＥと、画像領域Ｒ２における輝度の標準偏差Ｌ_ＳＤとを計算する。そして、選択部２０４Ｃは、下記式；
ＣＮＲ＝（Ｌ_ＡＶＥ－Ｌ_ＭＩＮ）／Ｌ_ＳＤ
を用いて、輝度－ノイズ比ＣＮＲを算出する。さらに、選択部２０４Ｃは、複数の学習済みモデル２０６Ｃの適用後のＸ線透過画像のそれぞれを対象に輝度－ノイズ比ＣＮＲを算出し、輝度－ノイズ比ＣＮＲが最も高いＸ線透過画像の生成に用いられた学習済みモデル２０６Ｃを選択する。

　または、選択部２０４Ｃは、画像領域Ｒ１における輝度の平均値Ｌ_{ＡＶＥ＿Ｒ１}と、画像領域Ｒ２における輝度の平均値Ｌ_{ＡＶＥ＿Ｒ２}と、画像領域Ｒ２における輝度の標準偏差Ｌ_ＳＤとを基に、下記式により計算してもよい。
ＣＮＲ＝（Ｌ_{ＡＶＥ＿Ｒ１}－Ｌ_{ＭＩＮ＿Ｒ２}）／Ｌ_ＳＤ

　処理部２０５Ｃは、対象物Ｆを対象に取得されたＸ線透過画像に、選択部２０４Ｃによって選択された学習済みモデル２０６Ｃを適用して、ノイズを除去する画像処理を実行することにより出力画像を生成する。そして、処理部２０５Ｃは、生成した出力画像を表示装置３０等に出力する。

　次に、第２実施形態に係る画像取得装置１を用いた対象物ＦのＸ線透過像の観察処理の手順、すなわち、第２実施形態に係る放射線画像取得方法の流れについて説明する。図３４は、画像取得装置１による観察処理の手順を示すフローチャートである。

　まず、制御装置２０Ｃによって、画像取得装置１のオペレータ（ユーザ）から、Ｘ線照射器５０の動作条件、あるいはＸ線検出カメラ１０による撮像条件等を示す条件情報の入力が受け付けられる（ステップＳ１）。次に、制御装置２０Ｃによって、条件情報を基に、Ｘ線検出カメラ１０によって検出されるＸ線の平均エネルギーの値が算出される（ステップＳ２）。

　さらに、制御装置２０Ｃによって、制御装置２０Ｃに格納されている学習済みモデル２０６Ｃの構築に用いられた画像データにおけるＸ線の平均エネルギーの値が特定される（ステップＳ３）。その後、制御装置２０Ｃに格納されている全ての学習済みモデル２０６Ｃに関して、Ｘ線の平均エネルギーの値の特定が繰り返される（ステップＳ４）。

　次に、制御装置２０Ｃによって、算出したＸ線の平均エネルギーの値が比較されることにより、複数の学習済みモデル２０６Ｃの候補が絞り込まれる（ステップＳ５）。さらに、画像取得装置１において治具がセットされてその治具が撮像されることにより、治具のＸ線透過画像が取得される（ステップＳ６）。

　その後、制御装置２０Ｃにより、治具のＸ線透過画像の画像特性（Ｘ線の平均エネルギーの値、厚さ－輝度の特性、輝度－ノイズ比の特性、輝度－ノイズの特性、解像度変化の特性等）が取得される（ステップＳ７）。そして、制御装置２０Ｃにより、取得した画像特性を基に、最終的な学習済みモデル２０６Ｃが選択される（ステップＳ８）。

　さらに、画像取得装置１において対象物Ｆがセットされて対象物Ｆが撮像されることにより、対象物ＦのＸ線透過画像が取得される（ステップＳ９）。次に、制御装置２０Ｃにより、最終的に選択した学習済みモデル２０６Ｃを対象物ＦのＸ線透過画像に適用することによって、Ｘ線透過画像を対象にノイズ除去処理が実行される（ステップＳ１０）。最後に、制御装置２０Ｃにより、ノイズ除去処理が施されたＸ線透過画像である出力画像が、表示装置３０に出力される（ステップＳ１１）。

　以上説明した画像取得装置１によっても、Ｘ線透過画像において信号成分を大きくしつつノイズ成分を除去することができ、Ｘ線透過画像におけるＳ／Ｎ比を効果的に向上させることができる。また、対象物ＦのＸ線透過画像を取得する際のＸ線の発生源の動作条件あるいはＸ線透過画像の撮像条件を基に、対象物Ｆを透過したＸ線の平均エネルギーが算出される。そして、その平均エネルギーを基に、予め構築された学習済みモデル２０６Ｃの中からノイズ除去に用いる学習済みモデル２０６Ｃの候補が絞り込まれる。これにより、撮像対象のＸ線の平均エネルギーに対応した学習済みモデル２０６Ｃがノイズ除去に用いられるので、Ｘ線透過画像における輝度とノイズとの関係に対応したノイズ除去が実現できる。その結果、Ｘ線透過画像におけるノイズを効果的に除去でき、例えば、異物検出性能を向上させることができる。特に、Ｘ線透過画像は、管電圧、フィルタ、シンチレータ、Ｘ線検出カメラの条件（ゲイン設定値、回路ノイズ値、飽和電荷量、変換係数値（e-/count）、カメラのラインレート）、対象物等の違いによってノイズの態様が変化する。そのため、機械学習によってノイズ除去を実現しようとする場合、様々な条件で学習させた複数の学習モデルを用意しておく必要がある。従来は、Ｘ線透過画像の測定時の条件に合わせて複数の学習モデルの中からノイズの態様に合った学習モデルを選択することは実現されていなかった。本実施形態によれば、撮像対象のＸ線の平均エネルギーに対応した学習済みモデル２０６Ｃが選択されることで、常にノイズの態様に合った学習モデルの選択が実現される。

　一般に、Ｘ線透過画像においては、Ｘ線発生由来のノイズが含まれている。Ｘ線透過画像のＳＮ比を向上させるためにＸ線量を増加させることも考えられるが、その場合は、Ｘ線量を増加させるとセンサの被ばく量が増加しセンサの寿命が短くなる、Ｘ線発生源の寿命が短くなる、という問題があり、ＳＮ比の向上と長寿命化との両立が困難である。本実施形態では、Ｘ線量を増加させる必要はないので、ＳＮ比の向上と長寿命化の両立が可能である。

　また、本実施形態の制御装置２０Ｃは、選択した学習済みモデル２０６Ｃを用いて対象物ＦのＸ線透過画像からノイズを除去する画像処理を実行する機能を有する。このような機能により、Ｘ線透過画像における輝度とノイズとの関係に対応したノイズ除去が実現でき、Ｘ線透過画像におけるノイズを効果的に除去できる。

　また、本実施形態の制御装置２０Ｃは、選択情報から算出されたＸ線の平均エネルギーの値と、学習済みモデル２０６Ｃの構築に用いられた画像データから特定される平均エネルギーの値とを比較することにより、学習済みモデルの候補を絞り込む機能を有している。このような機能により、Ｘ線透過画像における輝度とノイズとの関係に対応したノイズ除去が確実に実現できる。

　さらに、本実施形態の制御装置２０Ｃは、治具のＸ線透過画像の画像特性に基づいて候補から学習済みモデル２０６Ｃを選択する機能を有している。このような機能により、対象物ＦのＸ線透過画像のノイズ除去に最適な学習済みモデル２０６Ｃを選択できる。その結果、Ｘ線透過画像における輝度とノイズとの関係に対応したノイズ除去がより確実に実現できる。

［第２実施形態の変形例］
　上記第２実施形態の制御装置２０Ｃは、条件情報から算出したＸ線の平均エネルギーの値を基に学習済みモデル２０６Ｃの候補を選択していたが、Ｘ線検出カメラ１０の性能劣化、Ｘ線照射器５０の出力変動あるいは性能劣化に対応した機能を有していてもよい。

　図３５は、第２実施形態の変形例に係る制御装置２０Ｄの機能構成を示すブロック図である。制御装置２０Ｄは、上記第２実施形態に係る制御装置２０Ｃに比較して、測定部２０７Ｃを有する点と、算出部２０２Ｄ及び絞込部２０３Ｄの機能とが異なっている。

　制御装置２０Ｃにおいては、Ｘ線検出カメラ１０の性能劣化及びＸ線照射器５０の出力変動あるいは性能劣化は無いものとして、Ｘ線の平均エネルギーからＸ線透過画像における輝度とノイズとの関係が推定できるという前提で、学習済みモデル２０６Ｃを絞り込んでいる。これに対して、本変形例に係る制御装置２０Ｄにおいては、Ｘ線検出カメラ１０の性能劣化、Ｘ線照射器５０の出力変動、あるいはその性能劣化を考慮して、Ｘ線変換係数を算出し、Ｘ線変換係数を基に学習済みモデル２０６Ｃを絞り込む機能を有する。Ｘ線変換係数は、Ｘ線がシンチレータで可視光に変換された後にカメラのセンサで電子（電気信号）に変換されるまでの効率を示すパラメータである。

　一般に、Ｘ線変換係数Ｆ_Ｔは、Ｘ線の平均エネルギーをＥ［keV］とし、シンチレータ発光量をＥＭ［photon/keV］、センサにおけるカップリング効率をＣ、センサの量子効率をＱＥとすると、下記式；
Ｆ_Ｔ＝Ｅ×ＥＭ×Ｃ×ＱＥ
により計算できる。また、Ｘ線透過画像におけるＳＮ比（ＳＮＲ）は、Ｘ線変換係数Ｆ_Ｔと、Ｘ線フォトン数Ｎ_Ｐと、カメラの読み出しノイズＮｒとを用いて、下記式；
SNR=F_TN_P/{(F_TN_P+Nr²)^1/2}
より求められることから、Ｘ線変換係数Ｆ_Ｔを基に、カメラの性能劣化を考慮した上でのＸ線透過画像における輝度とノイズとの関係が推定できる。

　制御装置２０Ｄの測定部２０７Ｃは、シンチレータ１１の性能劣化としての発光量ＥＭの低下量、スキャンカメラ１２の性能劣化としてのセンサの量子効率ＱＥの低下量、Ｘ線照射器５０の出力変動及び性能劣化としての平均エネルギーＥの変化量を測定する機能を有する。例えば、測定部２０７Ｃは、シンチレータ１１の性能劣化の無い状態（新品時での状態）と、現在のシンチレータ１１との間の発光量の低下量を測定してその低下量から現在の発光量ＥＭを推定する。また、測定部２０７Ｃは、スキャンカメラ１２の性能劣化の無い状態（新品時での状態）と、現在のスキャンカメラ１２との間の輝度低下量を測定してその低下量から現在の量子効率ＱＥを推定する。また、測定部２０７Ｃは、Ｘ線照射器５０の性能劣化の無い状態（新品時での状態）と、現在のＸ線照射器５０との間の平均エネルギーの変化量から現在の平均エネルギーＥを推定する。平均エネルギーＥは、厚さ及び材質が既知であり、Ｘ線の平均エネルギーとＸ線透過率との関係が既知である平板状部材の撮像データから求めたり、厚さあるいは材質が変化する治具の複数点における撮像データから求めるなどしてもよい。

　制御装置２０Ｄの算出部２０２Ｄは、算出したＸ線の平均エネルギーＥと、測定部２０７Ｃによって推定された発光量ＥＭ及び量子効率ＱＥとを用いてＸ線変換係数Ｆ_Ｔを算出する。制御装置２０Ｄの絞込部２０３Ｄは、算出したＸ線変換係数Ｆ_Ｔと、学習済みモデル２０６Ｃの構築に用いられた画像データにおけるＸ線変換係数Ｆ_Ｔとを比較することにより、学習済みモデル２０６Ｃの候補を絞り込む機能を有する。

　また、上記変形例の制御装置２０Ｄは、学習済みモデルの候補を絞り込んだ後に、治具を撮像して得られた画像特性を基に学習済みモデルを選択していたが、治具の撮像を行うことなく、対象物のＸ線透過画像に対するノイズ除去処理を実行してもよい。図３６は、別の変形例に係る画像取得装置１による観察処理の手順を示すフローチャートである。このように、図３４におけるステップＳ６～Ｓ８の処理を省略して、平均エネルギーを基に絞り込んだ学習済みモデルを用いてノイズ除去処理を実行することもできる。

［第３実施形態］
　図３７は、第３実施形態に係る制御装置２０Ｅの機能構成を示すブロック図である。制御装置２０Ｅは、取得部２０１Ｅ、特定部２０２Ｅ、選択部２０４Ｅ、及び処理部２０５Ｅを備える。

　また、制御装置２０Ｅには、Ｘ線透過画像を対象にノイズ除去処理を実行させる学習済みモデル２０６Ｅが予め複数格納されている。複数の学習済みモデル２０６Ｅは、それぞれ、画像データを教師データとして予め構築された機械学習による学習モデルである。機械学習には、教師あり学習、深層学習（ディープラーニング）、或いは強化学習、ニューラルネットワーク学習などがある。本実施形態では、ディープラーニングのアルゴリズムの一例として、Kai　Zhangらの論文“Beyonda Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising”に記載された２次元の畳み込みニューラルネットワークが採用される。複数の学習済みモデル２０６Ｅは、外部のコンピュータ等により生成されて制御装置２０Ｅにダウンロードされてもよいし、制御装置２０Ｅ内で生成されてもよい。

　図３８には、学習済みモデル２０６Ｅの構築に用いられる教師データである画像データの一例を示す。教師データとしては、様々な厚さ、様々な材質、及び様々な解像度のパターンを撮像対象にしたＸ線透過画像が用いられうる。図３８に示す例は、鶏肉を対象に生成されたＸ線透過画像の例である。この画像データは、実際に画像取得装置１を用いて複数種類の対象物を対象に生成されたＸ線透過画像を用いてもよいし、シミュレーション計算によって生成された画像データを用いてもよい。Ｘ線透過画像については、画像取得装置１とは異なる装置を用いて取得したものでもかまわない。また、Ｘ線透過画像とシミュレーション計算によって生成された画像データを組み合わせて用いてもよい。複数の学習済みモデル２０６Ｅは、それぞれ、平均エネルギーが異なる透過Ｘ線を対象に得られた画像データであって、ノイズ分布が既知の画像データを用いて予め構築されている。画像データにおけるＸ線の平均エネルギーは、それぞれ、画像取得装置１のＸ線照射器（放射線発生源）５０の動作条件あるいは画像取得装置１の撮像条件等を設定することにより、あるいはシミュレーション計算時のＸ線照射器５０の動作条件あるいは撮像条件を設定することにより、予め異なる値に設定されている。つまり、複数の学習済みモデル２０６Ｅは、対象物ＦのＸ線透過画像を撮像する際のＸ線照射器（放射線発生源）５０の動作条件、あるいは、Ｘ線検出カメラ１０による撮像条件等を示す条件情報を基に算出された対象物Ｆを透過したＸ線に関する平均エネルギーに対応するＸ線画像である訓練画像を訓練データとして用いて、機械学習によって構築される（構築ステップ）。例えば、本実施形態では、複数の学習済みモデル２０６Ｅは、それぞれ、平均エネルギーが、１０ｋｅＶ、２０ｋｅＶ、３０ｋｅＶ、…と１０ｋｅＶ刻みの値が設定された複数種類の画像データを複数フレーム（例えば、２０，０００フレーム）用いて構築されている。

　学習済みモデル２０６Ｅの構築に用いられる教師データである画像データは、上述した第１実施形態における作成手順と同様な作成手順によって生成される。

　以下、図３７に戻って、制御装置２０Ｅの各機能部の機能の詳細について説明する。

　取得部２０１Ｅは、画像取得装置１を用いて治具及び対象物Ｆを対象にＸ線を照射して撮像したＸ線透過画像を取得する。治具としては、厚さ及び材質が既知であり、Ｘ線の平均エネルギーとＸ線透過率との関係が既知である平板状部材、あるいは、様々な解像度で撮像されるチャートを有する治具が用いられる。すなわち、取得部２０１Ｅは、対象物Ｆの観察処理に先立って画像取得装置１を用いて撮像された治具のＸ線透過画像を取得する。そして、取得部２０１Ｅは、治具のＸ線透過画像を基に学習済みモデル２０６Ｅが選択された後のタイミングで、画像取得装置１を用いて撮像された対象物ＦのＸ線透過画像を取得する。ただし、治具及び対象物ＦのＸ線透過画像の取得タイミングは上記には限定されず、同時であってもよいし逆のタイミングであってもよい。

　特定部２０２Ｅは、取得部２０１Ｅによって取得された治具のＸ線透過画像の画像特性を特定する。具体的には、選択部２０４Ｅは、Ｘ線透過画像の画像特性として、エネルギー特性、ノイズ特性、解像度特性、あるいは周波数特性等を特定する。

　例えば、特定部２０２Ｅは、治具として、厚さ及び材質が既知である平板状部材が用いられた場合には、治具を透過したＸ線像の輝度と空気を透過したＸ線像の輝度とを比較して、治具における１点（あるいは複数点の平均）のＸ線の透過率を算出する。例えば、治具を透過したＸ線像の輝度が5,550であり、空気を透過したＸ線像の輝度が15,000の場合には、透過率37％と算出する。そして、特定部２０２Ｅは、透過率37％から推定される透過Ｘ線の平均エネルギー（例えば、５０ｋｅＶ）を、治具のＸ線透過画像のエネルギー特性として特定する。

　また、特定部２０２Ｅは、治具のＸ線透過画像のエネルギー特性として、厚さあるいは材質が変化する治具の複数点における特性を解析してもよい。図３９は、特定部２０２Ｅの解析対象のＸ線透過画像の一例を示す図である。図３９は、厚さがステップ状に変化した形状の治具を対象にしたＸ線透過画像である。特定部２０２Ｅは、このようなＸ線透過画像から厚さの異なる複数の測定領域（ＲＯＩ：Region　Of　Interest）を選択し、複数の測定領域ごとの輝度平均値を解析し、厚さ－輝度の特性グラフをエネルギー特性として取得する。図４０には、特定部２０２Ｅが取得した厚さ－輝度の特性グラフの一例を示している。

　また、特定部２０２Ｅは、治具のＸ線透過画像のノイズ特性として、複数の測定領域ごとの輝度値とノイズを解析し、輝度－ノイズ比の特性グラフをノイズ特性として取得することもできる。すなわち、特定部２０２Ｅは、Ｘ線透過画像から厚さあるいは材質の異なる複数の測定領域ＲＯＩを選択し、複数の測定領域ＲＯＩの輝度値の標準偏差及び輝度値の平均値を解析し、輝度－ＳＮＲ（ＳＮ比）の特性グラフをノイズ特性として取得する。このとき、特定部２０２Ｅは、測定領域ＲＯＩ毎のＳＮＲを、ＳＮＲ＝（輝度値の平均値）÷（輝度値の標準偏差）によって算出する。図４１には、特定部２０２Ｅが取得した輝度－ＳＮＲの特性グラフの一例を示している。ここで、特定部２０２Ｅは、ノイズ特性として、上記の輝度－ＳＮＲの特性グラフに代えて、縦軸を輝度値の標準偏差から計算されるノイズとした特性グラフを取得してもよい。

　また、特定部２０２Ｅは、チャートを有する治具が用いられた場合には、治具のＸ線透過画像における解像度の分布を解像度特性として取得することもできる。さらに、特定部２０２Ｅは、治具のＸ線透過画像に対して複数の学習済みモデル２０６Ｅを適用してノイズ除去処理を施した後の画像に関しても、解像度特性を取得する機能を有する。図４２には、解像度の評価に用いられるＸ線透過画像の一例を示している。このＸ線透過画像においては、一方向に沿ってステップ状に解像度が変化するチャートが撮像対象とされている。Ｘ線透過画像の解像度は、ＭＴＦ（Modulation　Transfer　Function）又はＣＴＦ（Contrast　Transfer　Function）を用いて測定することができる。

　再び図３７を参照して、選択部２０４Ｅは、特定部２０２Ｅによって取得された画像特性を基に、制御装置２０Ｅ内に格納された複数の学習済みモデル２０６Ｅの中から、最終的に対象物ＦのＸ線透過画像のノイズ除去処理に用いる学習済みモデル２０６Ｅを選択する。すなわち、選択部２０４Ｅは、特定部２０２Ｅによって特定された画像特性と、複数の学習済みモデル２０６Ｅの構築に用いられた画像データから特定された画像特性とを比較し、両者が類似する学習済みモデル２０６Ｅを選択する。

　例えば、選択部２０４Ｅは、特定部２０２Ｅが特定した透過Ｘ線の平均エネルギーの値に最も近い平均エネルギーの画像データによって構築された学習済みモデル２０６Ｅを一つ選択する。

　また、選択部２０４Ｅは、特定部２０２Ｅによる特定方法と同様にして、複数の学習済みモデル２０６Ｅの構築に用いた画像データを対象に、厚さ－輝度の特性グラフを取得し、治具を対象に取得した厚さ－輝度の特性グラフと最も近い特性を有する画像データによって構築された学習済みモデル２０６Ｅを、最終的な学習済みモデル２０６Ｅとして選択する。ただし、学習済みモデル２０６Ｅの構築に用いられた画像データの画像特性は予め制御装置２０Ｅの外部で算出されたものを参照してもよい。このように、複数の測定領域を設定して得られた画像特性を用いることにより、対象物ＦのＸ線透過画像のノイズ除去に最適な学習済みモデルを選択することができる。特に、Ｘ線透過画像の測定時のＸ線スペクトルの違いあるいはフィルタの効果の違いを精度よく推定することが可能となる。

　また、選択部２０４Ｅは、特定部２０２Ｅによって取得された輝度－ノイズ比の特性と最も近い輝度－ノイズ比の特性を有する画像データによって構築された学習済みモデル２０６Ｅを、最終的な学習済みモデル２０６Ｅとして選択してもよい。ただし、学習済みモデル２０６Ｅの構築に用いられた画像データの画像特性は、選択部２０４Ｅが画像データから取得してもよいし、予め制御装置２０Ｅの外部で算出されたものを参照してもよい。ここで、選択部２０４Ｅは、ノイズ特性として、輝度－ノイズ比の特性に代えて、輝度－ノイズの特性を用いて学習済みモデル２０６Ｅを選択してもよい。このような輝度－ノイズの特性を用いることにより、Ｘ線検出カメラ１０によって検出される各信号量に対し、各信号量の領域のグラフの傾きから支配的なノイズ要因（ショットノイズ、読み出しノイズ等）を特定し、その特定の結果を基に学習済みモデル２０６Ｅを選択できる。

　図４３は、選択部２０４Ｅによる画像特性に基づいた学習済みモデルの選択機能を説明するための図である。図４３において、（ａ）部は、複数の学習済みモデル２０６Ｅの構築に用いられたそれぞれの画像データの輝度－ＳＮＲの特性グラフＧ_１，Ｇ_２，Ｇ_３を示し、（ｂ）部には、これらの特性グラフＧ_１，Ｇ_２，Ｇ_３に加えて、治具を撮像したＸ線透過画像の輝度－ＳＮＲの特性グラフＧ_Ｔを示している。このような特性グラフＧ_１，Ｇ_２，Ｇ_３，Ｇ_Ｔを対象にした場合には、選択部２０４Ｅは、特性グラフＧ_Ｔの特性に最も近い特性グラフＧ_２の画像データによって構築された学習済みモデル２０６Ｅを選択するように機能する。選択の際には、選択部２０４Ｅは、各特性グラフＧ_１，Ｇ_２，Ｇ_３と特性グラフＧ_Ｔと間で、一定間隔の輝度値毎のＳＮＲの誤差を計算し、それらの誤差の平均二乗誤差（ＲＭＳＥ：Root　Mean　Squared　Error）を計算し、平均二乗誤差が最も小さい特性グラフＧ_１，Ｇ_２，Ｇ_３に対応した学習済みモデル２０６Ｅを選択する。また、選択部２０４Ｅは、エネルギー特性を用いて選択する場合にも、同様にして学習済みモデル２０６Ｅを選択できる。

　選択部２０４Ｅは、治具のＸ線透過画像を対象に、複数の学習済みモデルを適用してノイズ除去処理を実行した後の画像の特性を基に、特性が相対的に優れた画像の生成に用いられた学習済みモデル２０６Ｅを選択することもできる。

　例えば、選択部２０４Ｅは、様々な解像度のチャートを有する治具を撮像したＸ線透過画像を用いて、その画像に複数の学習済みモデル２０６Ｅを適用し、その結果生成されたノイズ除去後の画像の解像度特性を評価する。そして、選択部２０４Ｅは、ノイズ除去処理前後における各分布の解像度の変化が最も小さい画像に用いられた学習済みモデル２０６Ｅを選択する。

　上記の解像度の変化の評価以外にも、選択部２０４Ｅは、ノイズ除去後の画像の輝度－ノイズ比の特性を評価し、その特性が最も高い画像の生成に用いられた学習済みモデル２０６Ｅを選択してもよい。図４４には、輝度－ノイズ比の評価に用いられる治具の構造の一例を示している。例えば、治具として、厚さが一方向にステップ状に変化する部材Ｐ１中に様々な材質及び様々な大きさを有する異物Ｐ２が点在したものが用いられうる。図４５は、図４４の治具を対象に得られたノイズ除去処理後のＸ線透過画像を示している。選択部２０４Ｅは、Ｘ線透過画像中において異物Ｐ２の像を含む画像領域Ｒ１と、その領域Ｒ１の近傍の異物Ｐ２の像を含まない画像領域Ｒ２とを選択し、画像領域Ｒ１における輝度の最小値Ｌ_ＭＩＮと、画像領域Ｒ２における輝度の平均値Ｌ_ＡＶＥと、画像領域Ｒ２における輝度の標準偏差Ｌ_ＳＤとを計算する。そして、選択部２０４Ｅは、下記式；
ＣＮＲ＝（Ｌ_ＡＶＥ－Ｌ_ＭＩＮ）／Ｌ_ＳＤ
を用いて、輝度－ノイズ比ＣＮＲを算出する。さらに、選択部２０４Ｅは、複数の学習済みモデル２０６Ｅの適用後のＸ線透過画像のそれぞれを対象に輝度－ノイズ比ＣＮＲを算出し、輝度－ノイズ比ＣＮＲが最も高いＸ線透過画像の生成に用いられた学習済みモデル２０６Ｅを選択する。

　または、選択部２０４Ｅは、画像領域Ｒ１における輝度の平均値Ｌ_{ＡＶＥ＿Ｒ１}と、画像領域Ｒ２における輝度の平均値Ｌ_{ＡＶＥ＿Ｒ２}と、画像領域Ｒ２における輝度の標準偏差Ｌ_ＳＤとを基に、下記式により計算してもよい。
ＣＮＲ＝（Ｌ_{ＡＶＥ＿Ｒ１}－Ｌ_{ＭＩＮ＿Ｒ２}）／Ｌ_ＳＤ

　処理部２０５Ｅは、対象物Ｆを対象に取得されたＸ線透過画像に、選択部２０４Ｅによって選択された学習済みモデル２０６Ｅを適用して、ノイズを除去する画像処理を実行することにより出力画像を生成する。そして、処理部２０５Ｅは、生成した出力画像を表示装置３０等に出力する。

　次に、第３実施形態に係る画像取得装置１を用いた対象物ＦのＸ線透過像の観察処理の手順、すなわち、第３実施形態に係る放射線画像取得方法の流れについて説明する。図４６は、画像取得装置１による観察処理の手順を示すフローチャートである。

　まず、画像取得装置１のオペレータ（ユーザ）によって、Ｘ線照射器５０の管電圧あるいはＸ線検出カメラ１０におけるゲイン等の画像取得装置１における撮像条件が設定される（ステップＳ１Ｅ）。次に、画像取得装置１に治具がセットされて、制御装置２０Ｅによって治具を対象としてＸ線透過画像が取得される（ステップＳ２Ｅ）。このとき、複数種類の治具のＸ線透過画像が順次取得されてもよい。

　それに応じて、制御装置２０Ｅによって、治具のＸ線透過画像の画像特性（エネルギー特性、ノイズ特性、及び解像度特性）が特定される（ステップＳ３Ｅ）。さらに、制御装置２０Ｅによって、治具のＸ線透過画像に対して複数の学習済みモデル２０６Ｅが適用され、複数の学習済みモデル２０６Ｅの適用後のそれぞれのＸ線透過画像の画像特性（解像度特性あるいは輝度－ノイズ比の値、等）が特定される（ステップＳ４Ｅ）。

　次に、制御装置２０Ｅによって、治具のＸ線透過画像のエネルギー特性と学習済みモデル２０６Ｅの構築に用いられた画像データのエネルギー特性との比較結果、及び、治具のＸ線透過画像の解像度特性の学習済みモデルの適用前後における変化度合いを基に、学習済みモデル２０６Ｅが選択される（ステップＳ５Ｅ）。ここでは、治具のＸ線透過画像のノイズ特性と学習済みモデル２０６Ｅの構築に用いられた画像データのノイズ特性との比較結果、及び、治具のＸ線透過画像の解像度特性の学習済みモデルの適用前後における変化状態を基に、学習済みモデル２０６Ｅが選択されてもよい。また、ステップＳ５Ｅでは、上記処理に代えて、治具のＸ線透過画像の学習済みモデルの適用後における輝度－ノイズ比ＣＮＲが最も高い学習済みモデル２０６Ｅが選択されてもよい。

　さらに、画像取得装置１において対象物Ｆがセットされて対象物Ｆが撮像されることにより、対象物ＦのＸ線透過画像が取得される（ステップＳ７Ｅ）。次に、制御装置２０Ｅにより、最終的に選択した学習済みモデル２０６Ｅを対象物ＦのＸ線透過画像に適用することによって、Ｘ線透過画像を対象にノイズ除去処理が実行される（ステップＳ８Ｅ）。最後に、制御装置２０Ｅにより、ノイズ除去処理が施されたＸ線透過画像である出力画像が、表示装置３０に出力される（ステップＳ９Ｅ）。

　以上説明した画像取得装置１によっても、Ｘ線透過画像において信号成分を大きくしつつノイズ成分を除去することができ、Ｘ線透過画像におけるＳ／Ｎ比を効果的に向上させることができる。また、治具のＸ線透過画像の画像特性が特定され、その画像特性を基に、予め構築された学習済みモデルの中からノイズ除去に用いる学習済みモデルが選択される。これにより、画像取得装置１におけるＸ線照射器５０の動作条件等により変化するＸ線透過画像の特性を推定でき、この推定結果に応じて選択された学習済みモデル２０６Ｅがノイズ除去に用いられるので、Ｘ線透過画像における輝度とノイズとの関係に対応したノイズ除去が実現できる。その結果、Ｘ線透過画像におけるノイズを効果的に除去できる。

　本実施形態では、学習済みモデルの選択において、治具のＸ線透過画像の画像特性と、学習済みモデルの構築に用いられた画像データの画像特性とが比較されている。これにより、治具のＸ線透過画像の画像特性に対応した画像データによって構築された学習済みモデル２０６Ｅが選択されるので、対象物ＦのＸ線透過画像におけるノイズを効果的に除去できる。

　また、本実施形態では、治具のＸ線透過画像に対して複数の学習済みモデル２０６Ｅを適用した画像の画像特性を用いて、学習済みモデルが選択されている。この場合、実際に複数の学習済みモデル２０６Ｅを適用した治具のＸ線透過画像の画像特性により、学習済みモデル２０６Ｅが選択されるので、対象物ＦのＸ線透過画像におけるノイズを効果的に除去できる。

　特に、本実施形態では、画像特性としてエネルギー特性又はノイズ特性が用いられている。この場合、画像取得装置１の撮像条件によって変化する治具のＸ線透過画像のエネルギー特性又はノイズ特性と類似した特性の画像によって構築された学習済みモデル２０６Ｅを選択することとなる。その結果、画像取得装置１の条件変化に対応した対象物ＦのＸ線透過画像におけるノイズ除去が可能となる。

　本実施形態では、画像特性として、解像度特性又は輝度－ノイズ比も用いられている。このような構成によれば、選択した学習済みモデル２０６Ｅを適用することにより、解像度特性又は輝度－ノイズ比が良好なＸ線透過画像を得ることができるようになる。その結果、画像取得装置１の条件変化に対応した対象物のＸ線透過画像におけるノイズ除去が可能となる。

　上述した実施形態では、学習済みモデルは、所定の構造体の放射線画像に対し正規分布に沿ったノイズ値を付加して得られた画像データを教師データとした機械学習によって構築される、ことが好適である。これにより、学習済みモデルの構築に用いられる教師データである画像データを用意することが容易となり、学習済みモデルを効率的に構築することができる。

　また、上述した実施形態では、画像処理モジュールは、画素値とノイズ値の広がりを評価した評価値との関係を表す関係データに基づいて、放射線画像の各画素の画素値から評価値を導出し、放射線画像の各画素に導出した評価値を対応付けたデータであるノイズマップを生成するノイズマップ生成部と、放射線画像及びノイズマップを、学習済みモデルに入力し、放射線画像からノイズを除去するノイズ除去処理を実行する処理部と、を有する、ことも好適である。また、実行するステップでは、画素値とノイズ値の広がりを評価した評価値との関係を表す関係データに基づいて、放射線画像の各画素の画素値から評価値を導出し、放射線画像の各画素に導出した評価値を対応付けたデータであるノイズマップを生成し、放射線画像及びノイズマップを、学習済みモデルに入力し、放射線画像からノイズを除去するノイズ除去処理を実行する、ことも好適である。この場合、画素値とノイズ値の広がりを評価した評価値との関係を表す関係データに基づいて、放射線画像の各画像の画素値から評価値が導出され、放射線画像の各画素に導出した評価値を対応付けたデータであるノイズマップが生成される。そして、放射線画像及びノイズマップが、予め機械学習によって構築された学習済みモデルに入力され、放射線画像からノイズを除去するノイズ除去処理が実行される。これにより、放射線画像の各画素の画素値から評価されるノイズ値の広がりが考慮されて、該放射線画像の各画素におけるノイズが機械学習により除去され、学習済みモデルを用いて放射線画像における画素値とノイズの広がりとの関係に対応したノイズ除去が実現できる。その結果、放射線画像におけるノイズを効果的に除去できる。

　さらに、上述した実施形態では、画像処理モジュールは、放射線を照射して対象物を撮像する際の放射線の発生源の条件あるいは撮像条件のいずれかを示す条件情報の入力を受け付ける入力部と、条件情報を基に、対象物を透過した放射線に関する平均エネルギーを算出する算出部と、平均エネルギーを基に、予め画像データを用いて機械学習によってそれぞれ構築された複数の学習済みモデルの中から、ノイズ除去処理に用いる学習済みモデルを絞り込む絞込部と、を有する、ことが好適である。また、実行するステップでは、放射線を照射して対象物を撮像する際の放射線の発生源の条件あるいは撮像条件のいずれかを示す条件情報の入力を受け付け、条件情報を基に、対象物を透過した放射線に関する平均エネルギーを算出し、平均エネルギーを基に、予め画像データを用いて機械学習によってそれぞれ構築された複数の学習済みモデルの中から、ノイズ除去処理に用いる学習済みモデルを絞り込む、ことも好適である。この場合、対象物の放射線画像を取得する際の放射線の発生源の条件あるいは撮像条件を基に、対象物を透過した放射線の平均エネルギーが算出される。そして、その平均エネルギーを基に、予め構築された学習済みモデルの中からノイズ除去に用いる学習済みモデルの候補が絞り込まれる。これにより、撮像対象の放射線の平均エネルギーに対応した学習済みモデルがノイズ除去に用いられるので、放射線画像における輝度とノイズとの関係に対応したノイズ除去が実現できる。その結果、放射線画像におけるノイズを効果的に除去できる。

　またさらに、上述した実施形態では、画像処理モジュールは、治具を対象として撮像装置によって取得された放射線画像の画像特性を特定する特定部と、画像特性を基に、予め画像データを用いて機械学習によってそれぞれ構築された複数の学習済みモデルの中から、学習済みモデルを選択する選択部と、選択された学習済みモデルを用いてノイズ除去処理を実行する処理部と、を有する、ことも好適である。また、実行するステップでは、治具を対象として取得された放射線画像の画像特性を特定し、画像特性を基に、予め画像データを用いて機械学習によってそれぞれ構築された複数の学習済みモデルの中から、学習済みモデルを選択し、選択された学習済みモデルを用いてノイズ除去処理を実行する、ことも好適である。かかる構成によれば、治具の放射線画像の画像特性が特定され、その画像特性を基に、予め構築された学習済みモデルの中からノイズ除去に用いる学習済みモデルが選択される。これにより、システムにおける放射線発生源の条件等により変化する放射線画像の特性を推定でき、この推定結果に応じて選択された学習済みモデルがノイズ除去に用いられるので、放射線画像における輝度とノイズとの関係に対応したノイズ除去が実現できる。その結果、放射線画像におけるノイズを効果的に除去できる。

　実施形態は、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を使用用途とし、放射線画像におけるＳ／Ｎ比を効果的に向上できるものである。

　１…画像取得装置（放射線画像取得装置、放射線画像取得システム）、１０…Ｘ線検出カメラ（撮像装置）、１１…シンチレータ、１２…スキャンカメラ（検出素子）、２０，２０Ａ～２０Ｅ…制御装置（画像処理モジュール）、５０…Ｘ線照射器（放射線発生源）、６０…ベルトコンベア（搬送装置）、７２…画素、７４…画素ライン（画素群）、７３…読み出し回路、２０１，２０１Ｃ…入力部、２０２，２０２Ａ，２０２Ｃ，２０２Ｄ…算出部、２０２Ｅ…特定部、２０３Ｃ，２０３Ｄ…絞込部、２０４，２０４Ａ，２０４Ｂ…ノイズマップ生成部、２０４Ｃ，２０４Ｅ…選択部、２０５，２０５Ｃ，２０５Ｅ…処理部、２０６Ｃ，２０６Ｅ，２０７…学習済みモデル、Ｆ…対象物、ＴＤ…搬送方向（一の方向）。

Claims

　対象物を透過した放射線を一の方向にスキャンして撮像して放射線画像を取得する撮像装置と、
　前記撮像装置上に設けられ、前記放射線を光に変換するシンチレータと、
　前記放射線画像を予め画像データを用いて機械学習によって構築された学習済みモデルに入力させて、前記放射線画像からノイズを除去するノイズ除去処理を実行する画像処理モジュールと、
を備え、
　前記撮像装置は、
　前記一の方向に沿って配列されたＭ個（Ｍは、２以上の整数）の画素を有する画素ラインが、前記一の方向に直交する方向にＮ列（Ｎは２上の整数）配列されて構成され、前記画素毎に前記光に関する検出信号を出力する検出素子と、
　前記検出素子のＮ列の前記画素ライン毎に、Ｍ個の前記画素のうちの少なくとも２個の前記画素から出力される前記検出信号を加算し、加算したＮ個の前記検出信号を順次出力することにより、前記放射線画像を出力する読出回路と、
を含む、
放射線画像取得装置。
　前記学習済みモデルは、所定の構造体の放射線画像に対し正規分布に沿ったノイズ値を付加して得られた画像データを教師データとした機械学習によって構築される、
請求項１に記載の放射線画像取得装置。
　前記画像処理モジュールは、
　画素値とノイズ値の広がりを評価した評価値との関係を表す関係データに基づいて、前記放射線画像の各画素の画素値から前記評価値を導出し、前記放射線画像の各画素に導出した前記評価値を対応付けたデータであるノイズマップを生成するノイズマップ生成部と、
　前記放射線画像及び前記ノイズマップを、前記学習済みモデルに入力し、前記放射線画像からノイズを除去するノイズ除去処理を実行する処理部と、
を有する請求項１又は２に記載の放射線画像取得装置。
　前記画像処理モジュールは、
　放射線を照射して対象物を撮像する際の前記放射線の発生源の条件あるいは撮像条件のいずれかを示す条件情報の入力を受け付ける入力部と、
　前記条件情報を基に、前記対象物を透過した前記放射線に関する平均エネルギーを算出する算出部と、
　前記平均エネルギーを基に、予め画像データを用いて機械学習によってそれぞれ構築された複数の学習済みモデルの中から、前記ノイズ除去処理に用いる学習済みモデルを絞り込む絞込部と、
を有する請求項１又は２に記載の放射線画像取得装置。
　前記画像処理モジュールは、
　治具を対象として前記撮像装置によって取得された放射線画像の画像特性を特定する特定部と、
　前記画像特性を基に、予め画像データを用いて機械学習によってそれぞれ構築された複数の学習済みモデルの中から、学習済みモデルを選択する選択部と、
　選択された前記学習済みモデルを用いて前記ノイズ除去処理を実行する処理部と、
を有する請求項１又は２に記載の放射線画像取得装置。
　請求項１～５のいずれか１項に記載の放射線画像取得装置と、
　前記対象物に放射線を照射する発生源と、
　前記対象物を前記撮像装置に対して前記一の方向に搬送する搬送装置と、
を備える放射線画像取得システム。
　対象物を透過した放射線に応じたシンチレーション光を一の方向にスキャンして撮像して放射線画像を取得するステップと、
　前記放射線画像を予め画像データを用いて機械学習によって構築された学習済みモデルに入力させて、前記放射線画像からノイズを除去するノイズ除去処理を実行するステップと、を備え、
　前記取得するステップでは、
前記一の方向に沿って配列されたＭ個（Ｍは、２以上の整数）の画素を有する画素ラインが、前記一の方向に直交する方向にＮ列（Ｎは２上の整数）配列されて構成され、前記画素毎に前記シンチレーション光に関する検出信号を出力する検出素子を用いて、前記検出素子のＮ列の前記画素ライン毎に、Ｍ個の前記画素のうちの少なくとも２個の前記画素から出力される前記検出信号を加算し、加算したＮ個の前記検出信号を順次出力することにより、前記放射線画像を出力する、
放射線画像取得方法。
　前記学習済みモデルは、所定の構造体の放射線画像に対し正規分布に沿ったノイズ値を付加して得られた画像データを教師データとした機械学習によって構築される、
請求項７に記載の放射線画像取得方法。
　前記実行するステップでは、画素値とノイズ値の広がりを評価した評価値との関係を表す関係データに基づいて、前記放射線画像の各画素の画素値から前記評価値を導出し、前記放射線画像の各画素に導出した前記評価値を対応付けたデータであるノイズマップを生成し、前記放射線画像及び前記ノイズマップを、前記学習済みモデルに入力し、前記放射線画像からノイズを除去するノイズ除去処理を実行する、
請求項７又は８に記載の放射線画像取得方法。
　前記実行するステップでは、放射線を照射して対象物を撮像する際の前記放射線の発生源の条件あるいは撮像条件のいずれかを示す条件情報の入力を受け付け、前記条件情報を基に、前記対象物を透過した前記放射線に関する平均エネルギーを算出し、前記平均エネルギーを基に、予め画像データを用いて機械学習によってそれぞれ構築された複数の学習済みモデルの中から、前記ノイズ除去処理に用いる学習済みモデルを絞り込む、
請求項７又は８に記載の放射線画像取得方法。
　前記実行するステップでは、治具を対象として取得された放射線画像の画像特性を特定し、前記画像特性を基に、予め画像データを用いて機械学習によってそれぞれ構築された複数の学習済みモデルの中から、学習済みモデルを選択し、選択された前記学習済みモデルを用いて前記ノイズ除去処理を実行する、
請求項７又は８に記載の放射線画像取得方法。
　前記対象物に放射線を照射するステップと、
　前記対象物を前記検出素子に対して前記一の方向に搬送するステップと、
をさらに備える請求項７～１１のいずれか１項に記載の放射線画像取得方法。