CN116934888A - 磁共振成像装置、图像处理装置以及图像处理方法 - Google Patents

Abstract

本发明提供磁共振成像装置、图像处理装置以及图像处理方法。提供使用2D的图像来将存在于图像中的小区域与其他组织辨别并进行强调的手段。根据描绘出血管等脏器、微小出血等病变(总称为给定区域)的2D图像，利用该给定区域的形状的特征和其所存在的空间上的特征，来辨别该给定区域和其以外的区域。空间上的特征包含给定区域的空间上的组织分布(每个组织的存在概率)以及给定区域的像素值的空间上的亮度分布中的至少一者。

Description

磁共振成像装置、图像处理装置以及图像处理方法

技术领域

本发明涉及磁共振成像(MRI)装置，特别涉及对检查对象的MR图像中的给定的区域进行强调的技术。

背景技术

MRI是对从检查对象的各组织产生的核磁共振信号进行处理来生成组织的对比度不同的图像的技术，广泛实际应用在图像诊断辅助中。在MRI中，通过调整产生核磁共振信号的条件(摄像条件)，能得到使组织的对比度不同的各种图像，对应于检查的目的、对象，取得T2^*强调图像、T1强调图像、质子密度强调图像、扩散强调图像(磁化率强调图像)等1种或2种以上的图像。

各种对比度图像当中的T2^*图像通过拉长回波时间TE来强调组织的横向弛豫时间T2(表观的横向弛豫时间T2^*)的差，在脑图像的示例中，在磁化率效应高的病变(出血等)的诊断中是有用的。因此，在众多检查协议中，作为标准的摄像种类之一，包含T2^*强调摄像。

另一方面，在MRI中，根据在产生核磁共振信号时施加的倾斜磁场的施加方法，能取得多层面的2D图像、3D图像。在想要从MR图像中判别血管、微小出血的情况下，由于血管在组织内以线状行进，因此在2D图像中，沿着该截面内行进的血管以外成为小的点状的图像，判别很困难。特别是难以判别正常的血管和微小出血，过去，判别正常血管和微小出血的算法以3D图像作为基础。

例如，在专利文献1中公开了如下技术：通过对脑的三维图像数据在从脑表面至给定的深度的范围内进行投影处理，来取得描绘出在脑中产生的MB(微小出血)或钙化的投影图像。此外，作为判别微小出血的技术，在专利文献2中公开了如下技术：利用静脉血和微小出血的信号虽然磁化率的影响相同但流动所引起的相位的影响不同这一点，从在不同的定时下得到的多个图像中判别血管和微小出血。

先行技术文献

专利文献

专利文献1：JP专利第6775944号说明书

专利文献2：JP特开2020-18695号公报

3D图像适于立体的构造的掌握，但与2D图像相比，存在一般摄像时间很长、易于受到体动的影响等课题。此外，在专利文献1记载的技术中，虽然通过进行投影处理，来显示易于辨识钙化、MB的图像，但是否是微小出血的判断需要医师、检查者看着图像来进行，并没有提供判别算法。在专利文献2记载的技术中，由于在重复时间TR内取得用于得到相位不同的多个图像的回波(核磁共振信号)，因此需要进行与一般的常规检查中进行的摄像不同的摄像。

发明内容

本发明的课题在于，提供使用常规检查中广泛使用的多层面图像来简便地强调2D图像上难以辨识的微小血管等组织(给定区域)的技术。

为了解决上述课题，本发明通过利用给定区域的形状的特征和其所存在的空间上的特征，来强调该给定区域。空间上的特征包含将给定区域包含在内的周边组织的分布(每个组织的存在概率)以及给定区域的像素值的空间上的亮度分布中的至少一者。此外，所谓给定区域，包含血管等组织、微小出血等病变，是指根据其特性而确定为一个区域的部分。

即，本发明的MRI装置具备：重构部，其收集检查对象的磁共振信号来重构图像；和图像处理部，其对重构部所重构的图像进行处理，确定图像中包含的给定对比度的区域(以下称作给定区域)。图像处理部具备：强调部，其基于给定区域的形状信息和给定区域的空间信息，来强调所述给定区域。例如，图像处理部包含形状滤波器部和空间信息解析部，形状滤波器部根据给定区域的形状的特征来取得给定形状的图像，作为形状信息。空间信息解析部使用给定形状的图像，来解析给定区域存在于检查对象的各组织的概率、给定形状的亮度信息。

此外，本发明还包含具有上述的MRI装置的图像处理部的功能的一部分或全部的图像处理装置。

进而，本发明的图像处理方法对通过MRI取得的图像进行处理，强调所述图像中包含的给定区域，该图像处理方法包含：取得图像中包含的仅给定形状的候补图像的步骤；和取得给定形状的空间信息的步骤，取得空间信息的步骤包含算出图像中的给定形状的组织分布的步骤以及算出给定形状的图像的亮度分布的步骤中的至少一者。

组织分布是表示给定区域的周边组织如何分布的信息，此外，亮度分布主要是表示高光溢出(blooming)效应下的给定区域的亮度值变化的信息。

发明效果

根据本发明，针对强调的对象即给定区域，除了使用从其形状的特征得到的形状信息以外，还使用其空间上的分布等空间信息，由此，对于2D图像也能自动地对给定区域进行强调、提示。

附图说明

图1是表示本发明的MRI装置的一实施方式的整体结构图。

图2是表示图1的MRI装置的动作的概要的图。

图3是实施方式1的图像处理部的框图。

图4是表示实施方式1的图像处理的流程的图。

图5是说明形状滤波器部的处理的图。

图6是说明空间信息解析部的处理的图。

图7的(A)、(B)分别是表示实施方式1的辨别结果的显示例的图。

图8的(A)、(B)分别是表示实施方式1的辨别结果的其他显示例的图。

图9是说明实施方式1的特征解析部的处理的变形例的图。

图10是实施方式2的图像处理部的框图。

图11是说明实施方式2的辨别部的处理的图。

图12是说明实施方式3的结构的图。

图13是表示实施方式3的显示画面的显示例1的图。

图14是表示实施方式3的显示画面的显示例2的图。

图15是表示实施方式3的显示画面的显示例3的图。

图16是表示实施方式3的显示画面的显示例4的图。

附图标记说明

1：MRI装置、2：图像处理装置、10：摄像部、20：计算机、20A：重构部、20B：图像处理部、20C：控制部、21：强调部、22：显示控制部、23：形状滤波器部、231：形态学滤波器A(粒状滤波器)、232：形态学滤波器B(线状滤波器)、25：空间信息解析部、251：分割部、252：概率算出部、253：特征解析部、27：辨别部、30：存储装置、40：UI部、41：显示装置、42：输入装置。

具体实施方式

以下说明本发明的MRI装置以及图像处理方法的实施方式。

最初参考图1来说明MRI装置的整体概要。如图1所示那样，MRI装置1具备：磁铁11，其在放置被检体的检查空间中产生均匀的静磁场；倾斜磁场线圈12，其对磁铁11所产生的静磁场赋予磁场梯度；探头13，其具备对被检体施加脉冲状的高频磁场来使构成被检体的组织的原子的原子核引起核磁共振的发送线圈、以及接收从检体产生的核磁共振信号的接收线圈；接收器14，其与接收线圈连接；高频磁场产生器15，其连接了发送线圈；倾斜磁场电源16，其连接了倾斜磁场线圈12；序列产生器17，其按照给定的脉冲序列来控制接收器14、高频磁场产生器15以及倾斜磁场电源16；和计算机20。将上述的要素当中除计算机20以外的要素总括地在这里称作摄像部10。

摄像部10的接收器14接收到的核磁共振信号被数字化，作为测量数据移交到计算机20。

构成摄像部10的各部的构造、功能等与公知的MRI装置同样，此外，本发明由于能适用于公知的各种类型的MRI装置、要素中，因此在此省略摄像部10的详细的说明。

计算机20能由具备CPU、GPU和存储器的计算机、工作站构成，具有摄像部10的动作的控制功能(控制部20C)以及对摄像部10所取得的测量数据、根据测量数据重构出的图像实施各种运算的图像处理功能(重构部20A、图像处理部20B)。计算机20的各功能例如通过由CPU等将各功能的程序上传并执行来实现。其中，计算机20的功能的一部分还能用可编程IC(ASIC、FPGA)等硬件来实现。此外，还有时在与MRI装置1无线或有线连接的远程的计算机、云上所构建的计算机中实现图像处理部20B的功能，这样的计算机(图像处理装置)也包含在本发明中。

计算机20具备：保存控制、运算所需的数据、结果(包含中间的结果)的存储装置30；用于对用户显示GUI、运算结果或接受来自用户的指定的UI(用户界面)部40。UI部40包含省略图示的显示装置、输入装置。

本实施方式的MRI装置具备：计算机20的图像处理部20B使用由重构部20A重构出的图像来强调图像中包含的特定的组织、区域(以下称作给定区域)的功能(强调部21)。这时，利用给定区域的形状的特征和空间信息。因此，强调部21例如具备：取得仅给定区域的形状的图像的形状滤波器部23；使用仅形状滤波器部所取得的形状的图像来辨别特定组织的辨别部27。

辨别部27使用一个或多个辨别手法来进行辨别。在一个辨别手法中，辨别部27利用对给定区域的被图像化的组织整体中的分布(组织分布)进行解析的结果，来作为空间信息。此外，在其他手法中，利用对仅形状的图像的像素值的亮度分布进行了解析的结果，来作为空间信息。在又一其他的手法中，辨别部27对包含给定区域和周边区域的图像(包含给定区域的形状信息和空间信息)使用预先进行了学习的CNN(Convolutional NeuralNetwork)来进行辨别。图1所示的空间信息解析部25是包含执行上述几种手法中的任意1种以上手法的算法、CNN的功能部。

图像处理部20B的处理的详细情况之后叙述，参考图2来说明还包含图像处理在内的MRI装置的处理的概要。

首先，摄像部10在控制部20C的控制下，按照检查协议中设定的摄像条件或用户所设定的摄像条件来进行摄像，进行用于得到被检体的图像的核磁共振信号的收集。摄像中所用的脉冲序列并没有特别限定，在此，进行多层面2D摄像，即，将具有给定的厚度的区域分成多个截面(层面)并按每个层面进行摄像。在多层面2D摄像中，在改变所选择的层面位置的同时重复脉冲序列，取得多个层面的2D图像。

重构部20A使用各层面的图像用数据来进行高速傅立叶变换等运算，得到每个层面的图像(S1)。另外，基本上多个截面是平行的截面，但除此以外，也可以取得与其正交的截面的图像。

图像处理部20B(强调部21)对多截面的图像分别进行强调图像中包含的给定区域的强调处理。因此，首先，基于给定区域的形状的特征来运用形状滤波器，作成仅给定形状的图像(S2)。例如在给定区域为微小出血的情况下，形状滤波器部23运用提取小圆形的形状(粒状形状)的形状滤波器，作成仅粒状形状的图像。这时，对于仅一个形状用的滤波器来说，为了除去有可能混入的其他形状，还能组合多个形状滤波器来使用。

接着，空间信息解析部25对作为滤波的结果而得到的图像进行解析，取得各个粒状形状的组织分布的特征等空间信息(S3)。空间信息包含设为对象的部位处的粒状形状所分布的周围的组织的信息(组织分布)、各个粒状形状的像素值的分布(亮度分布)、或者它们的组合。

辨别部27使用空间信息解析部25的解析结果来对作为辨别的目的的给定区域和虽然形状与其类似但与给定区域不同的组织进行辨别，仅取出给定区域(S4)。另外，在辨别部27使用对包含给定区域的形状以及空间的特征这两者在内的图像进行了学习的CNN来进行辨别的情况下，也有时会省略形状滤波器部23、空间信息解析部25。

对多层面图像的全部层面进行以上的处理(S5)，最终能够对作为摄像对象的整个区域确定给定区域的位置、大小。所确定的给定区域的信息例如重叠到整体图像上来显示(S6)。作为整体图像，可以是给定区域的确定中所用的例如T2^*强调图像，也可以是并行取得的其他图像(例如磁化率强调图像、质子密度强调图像等)。

用户通过确认显示于图像上的给定区域的位置，若给定区域是微小出血、钙化，就能确认其产生的部位。

根据本实施方式，关于过去难以从2D图像辨别的组织、病变，也能通过使用其形状信息和空间信息，来在标准的MRI检查中取得的2D图像中辨别给定区域并进行强调。

接下来，以给定区域是微小出血的情况为例，来说明图像处理部的处理的实施方式。

<实施方式1>

在本实施方式1中，形状滤波器部23具备提取粒状形状的滤波器A和提取线状形状的滤波器B，从由滤波器A提取的形状中将由滤波器B提取的形状除去，作为形状滤波器部23的输出。此外，空间信息解析部25利用给定区域分布于多个脏器或区域中的哪一者这样的信息、和对作为给定区域的形状而提取的粒状形状的高光溢出效应(出血的磁化率效应导致的病变轮廓部的模糊、扩大)进行解析而得到的信息，来作为给定区域的空间信息。辨别部27基于空间信息解析部25的解析结果，来辨别给定区域。

以下参考图3以及图4来说明本实施方式的图像处理部20B的处理的详细情况。图3是表示本实施方式的图像处理部20B的功能块的图。在图3中，与图1所示的结构相同的要素以相同附图标记示出，省略说明。

如图3所示那样，形状滤波器部23具有2种形态学滤波器231、232。一种是提取粒状形状的形态学滤波器A，另一种是提取线状形状的形态学滤波器B。形态学滤波器是通过将膨胀和收缩进行组合而得的形态学运算来提取所期望的形状的技术，能使用公知的算法。例如，作为形态学滤波器的一例，可以使用形态学滤波器组。形态学滤波器组是使用开放处理、顶帽变换来从所给的图像中进行特征提取的以形态学运算为基础的处理(详细参考IEICE Technical Report MI2010-101(2011-1))，通过改变形态学运算中所用的构造要素的尺寸并重复进行处理，从而能强调具有特定的大小、粗细的粒状(圆形)分量、线状分量。

其中，只要是能提取给定的形状的滤波器，就并不限于形态学滤波器，例如也可以使用Hough变换等。此外，滤波器除了2种滤波器以外，也可以追加地具备对形状提取以外的特征进行提取的滤波器。

空间信息解析部25为了取得给定区域分布于多个脏器或区域中的哪一者这样的信息而具备：分割部251，其将图像分割成多个脏器或区域来作成每个脏器或组织的图像；和概率算出部252，其算出各分割图像中的组织的概率。此外，为了解析高光溢出效应而具备特征解析部253，其对给定形状和其周围的组织的特征进行解析。

接下来，参考图4～图7来说明上述的结构的图像处理部20B的处理。在此说明作为处理的对象的2D图像是T2^*强调脑图像的情况。在图4中，由点线包围的处理是形状滤波器部23的处理，由一点划线包围的处理是分割部251以及概率算出部252的处理，由两点划线包围的处理是特征解析部253的处理。

首先，形状滤波器部23输入由重构部20A生成的T2^*强调图像(脑图像)，作为前处理，使用掩模(将脑区域设为0且将这以外设为1的掩模)来除去脑以外的区域(背景)，并且进行噪声除去(S21)。噪声除去能使用公知的平均滤波器等。前处理S21并非必须，但通过进行这样的前处理，能提高之后的处理(滤波等)的精度。提取脑区域的掩模的处理有各种公知的方法(例如A hybrid approach to the skull stripping problem in MRI：Neuroimage，2004 Jul；22(3)：1060-75.)，可以使用任一者。

接着，形状滤波器部23对脑区域的图像分别运用形态学滤波器A231、B232(S22、S23)，得到提取出粒状形状(圆形或椭圆形)的图像(粒状图像)503以及提取出线状形状的图像。对粒状图像503与作为处理S23的结果的线状图像(未图示)进行差分，从粒状图像503中除去线状分量(S24)，得到仅粒状形状的图像(粒线差分图像)来作为候补图像505。或者，也可以取代差分，从粒状图像对线状图像按每个像素进行除法运算，得到强调了粒状分量的图像(粒线除法运算图像)来作为候补图像。或者，也可以通过对粒线差分图像、粒线除法运算图像以适当的阈值进行阈值处理，来算出圆形区域成为1且这以外成为0的二值图像，来作为候补图像。如此地，通过组合2种滤波器，能防止不需要的形状的混入，能仅取出希望辨别的形状。

优选在进行该差分前，如图5所示那样，对滤波后的粒状图像501进行仅设为给定的像素值以上的图像的阈值处理，在血管、微小出血以外，将像素值比其小而作为粒状形状来提取的组织除去(S22-2)。作为阈值处理，也可以同像素值的阈值处理一起或取而代之，进行基于粒状形状的大小的阈值处理。设为对象的微小出血由于直径一般为10mm以下，因此，将超过直径10mm的圆形或椭圆形的形状除外。或者，也可以算出通过阈值处理提取出的各群集内的像素数，删除预先确定的像素数(例如10像素)以下的粒状形状。

此外，也可以进行如下处理：在对阈值处理后的粒状图像503进行了与线状形状图像502的差分后，对差分图像504使用原始的图像500的像素信息来除去从脑实质以外混入的粒状形状(S24-2)。该处理是如下那样的处理：将差分后的图像504分成小的区域(小块(patch))，判定将在小块内的像素值的中间值上乘以给定的系数而得到的值是否比原始的图像500的掩模内(即脑区域)的平均值小，在小的情况下，将该块(中包含的粒状形状)除外。通过追加这样的处理，能将脑外的区域的粒状形状确实地除外。与中间值相乘的系数是用于使得不会过度进行除外的调整系数，例如使用0.8等值。或者，也可以对小块内的直方图进行解析，将具有与正常血管、微小出血不同的特征的粒状形状除外。例如，也可以将在小块内的T2^*强调图像的最小值上乘以常数(例如0.8)而得到的值(块内最小值)和掩模内平均值进行比较，将块内最小值大的粒状形状(淡的对比度的粒状形状)除外。

以上是形状滤波器部23中的处理，通过这些一系列处理，得到存在于脑内的仅粒状形状的图像，来作为候补图像505。

接下来，空间信息解析部25对候补图像505中的粒状形状的空间上的特征进行解析。在本实施方式中，基于脑实质中包含一半以上的微小出血这样的见解，对脑图像进行区域分割而分割成脑实质和脑脊液(cerebrospinal fluid，CSF)，作成各自的概率图来作为空间信息。因此，首先，分割部251从被检体的脑图像作成每个区域的分割图像。分割中所用的图像在图4中示出利用了作成候补图像时所用的T2^*强调图像500的示例，但也可以是前处理后的图像500’。此外，只要是作为针对同一被检体取得的图像且是以不同的对比度描绘出白质、灰质、脑脊液(CSF)等的脑图像，就并不限于T2^*强调图像，例如可以使用T1强调图像或T2强调图像。

分割是根据呈现于图像的各组织的特征来生成按每个组织进行了分割的图像(分割图像)的技术，已知k-means法、区域扩展法、最邻近法等各种算法、利用了CNN的方法等，可以采用其任一者。在以脑图像为对象的本实施方式中，分割部251如图6所示那样，通过脑图像的分割，来生成脑实质的图像510以及CSF的图像520。

接着，概率算出部252算出候补图像的粒状形状包含在脑实质中的概率和包含在CSF中的概率(S26)。具体地，如图6所示那样，在候补图像505上乘以脑实质图像(脑实质概率图)510，来算出粒状形状存在于脑实质的概率。同样地，在候补图像505上乘以CSF图像(CSF概率图)520，来算出粒状形状存在于CSF的概率。

通过如此地进行分割来算出概率，能准确地辨别偏重地存在于给定的部分的微小出血的空间信息。

另一方面，特征解析部253若输入候补图像505，就对各个粒状形状解析微小出血的特征。解析手法能采用几种方法，在图4所示的示例中使用CNN(S27)。CNN例如是将利用仿真作成的微小出血的图像以及血管的图像的大量的组合(仿真图像530)用作示教数据进行了学***滑的圆形图像作为微小出血的模擬图像。或者，也可以通过对假设出一定的磁化率值的球模型进行假定来算出局部的磁场变动，从而作成微小出血的模撅图像。另外，CNN的学习中所用的图像并不限于仿真图像，也可以使用实际摄像到的图像。此外，CNN的学习可以在图像处理部20B内进行，也可以在与图像处理部20B不同的处理装置中进行。

特征解析部253对候补图像505运用CNN，对于各个粒状形状算出高光溢出的概率。另外，在上述中，虽然对候补图像505运用CNN，但也可以从原始的图像(T2^*强调图像)500中切出与候补图像505的粒状形状分别对应的小区域，对该块图像运用CNN(图5：点线箭头)。如前述那样，候补图像505是通过滤波仅将粒状形状提取出的图像(粒状形状的图像)，但原始的图像500原样不变地残留有轮廓的信息，因此，通过CNN的学习数据，也能精度更加良好地算出高光溢出概率。

特征解析部253可以除高光溢出的概率的算出以外，还对辨别出的粒状形状来算出其直径、体积等统计值。关于直径，例如设为在2个以上的方向上测量平行地横穿粒状形状的线的长度，将最长的线的长度设为直径。此外，关于体积，在辨别为微小出血的粒状形状仅停留在一个层面的情况下，可以将微小出血与球体或圆柱近似，根据直径和层面厚来近似地算出，在多个层面的大致相同位置存在辨别为微小出血的粒状形状的情况下，可以根据按每个层面求得的粒状形状的直径和由多个层面覆盖的截面的厚度来近似地算出。

辨别部27将上述的概率算出部252算出的结果以及特征解析部253算出的结果进行综合，来进行候补图像的粒状形状(或从原始的图像切出与粒状形状对应的区域而得的块图像)是微小出血还是正常血管的辨别。例如，对概率算出部252所算出的是脑实质的概率进行阈值处理，来辨别成两个种类。例如，在概率为50％以上的情况下，辨别为微小出血，将概率不足50％的情况设为正常血管。同样地，若特征解析部253算出的高光溢出概率为给定阈值以上，就辨别为微小出血。辨别部27将两方的结果综合。关于综合的方式，例如可以取两方的结果(概率算出部252的结果以及特征解析部253的结果)的AND，仅将在两方中判定为微小出血的情况设为微小出血，也可以取2个结果的OR，将在任意一方中判定为微小出血的情况也包含在内。或者，也可以将两者的概率相乘。

最后将辨别出的辨别结果550、即微小出血的信息(数量、位置、大小等)提示给用户。提示方法能采用与原始的T2^*强调图像重叠地以不同的对比度或颜色示出微小出血的部分、将微小出血的数量、大小等信息同图像一起进行提示等各种方法。将其一例在图7以及图8示出。

图7的(A)是在原始图像1500中将滤波的结果(辨别为微小出血的粒状形状1501和辨别为正常血管的粒状形状)用彩色等区分颜色进行显示的示例，(B)是进一步标注对微小出血和正常血管进行识别的标志1531、1532等来进行显示的示例。在特征解析部253算出了粒状形状的直径、体积等统计值的情况下，也可以使该统计值反映在标志1531、1532的大小上。

图8是进一步显示粒状形状的直径、体积等的统计值的示例，(A)是对准光标的部位的统计值在不与图像重复的位置(这里是下部)进行显示的示例，(B)是在辨别出的粒状形状的位置直接显示统计值的示例。通过如此地一并显示统计值，不仅能掌握微小出血的位置，还能掌握大小，此外，能将辨别结果是否适合也包括在内来进行确认。

如以上说明的那样，本实施方式的图像处理部20B将2D-T2^*强调图像作为对象，形状滤波器部23使用对粒状形状进行滤波的滤波器A和对线状形状进行滤波的滤波器B，生成仅粒状形状的图像，来作为候补图像。空间信息解析部25使用从同一被检体的图像生成的分割图像，来算出候补图像的组织分布(脑实质概率、CSF概率)，并且算出各粒状形状的高光溢出概率。辨别部27使用空间信息解析部25的解析结果来对候补图像进行阈值处理，辨别是微小血管的似然度高的粒状形状。

如此地，通过除呈现于2D图像的形状的特征以外，还将所提取的形状的空间的特征使用在辨别中，能确定并强调过去难以从2D图像中辨别的微小出血。此外，通过对多层面图像分别进行辨别，能一并掌握三维的特征。

<实施方式1的变形例>

以下以实施方式1为基本，来说明图像处理部20B的处理的变形例。在以下的变形例中，对与实施方式1同样的要素、处理，省略重复的说明，主要说明不同点。

<2D图像的变形例>

在实施方式1中，作为作成候补图像的原始图像而使用T2^*强调图像，但作为在血液的描绘方面优异的脑图像，已知定量的磁化率映射(QSM)、磁化率强调图像(SWI)，还能使用这些图像来取代T2^*图像。用于取得QSM、SWI的摄像方法以及算出方法由于在本技术领域中已知，因此省略说明，在QSM中，在将脑实质的值设为0时，钙化了的组织相对地成为“负”(反磁性)的值，微小出血成为“正”(顺磁性)的值，因此不仅能进行微小出血的辨别，还能进行钙化组织的辨别。

另外，QSM、SWI的图像还能不是作为候补图像的原始图像，而是作为生成分割图像时的图像来使用，如这样等在辨别时辅助地进行使用。

<特征解析部的变形例1>

在实施方式1中，为了判别高光溢出效应而使用学习完毕CNN，但作为对高光溢出效应进行解析的工具，也可以使用亮度变化的梯度、低秩近似。

亮度变化的梯度如图9所示那样，在血管处，由于流动的效应，内部的信号值(像素值)与周围的像素值被明确地区别，轮廓的边缘陡峭。另一方面，在微小出血处，由于磁化率效应，圆形形状的轮廓的边缘变钝，因此作为梯度的差来呈现，对这一情况加以利用。

在该情况下，特征解析部253求取穿过粒状形状的中心的线L的像素值的分布(亮度分布)，根据该分布来算出上升沿部分以及下降沿部分的梯度。在特征解析部253算出粒状形状的直径来作为统计值的情况下，穿过粒状形状的中心的线可以使用多个线当中求取了直径的线。对于对各粒状形状求得的梯度进行阈值处理，算出微小出血的概率，将其设为特征解析部253的输出。

低秩近似是限制奇异值的数量并通过奇异值分解来压缩数据的维度的技术，通过仅用一定数量的基底图像来表现图像(矩阵)，从而进行低维度化，能针对噪声、错误来稳健地算出2种粒状形状(血管或微小出血等)的概率。

使用通过上述的变形例的手法得到的高光溢出概率来进行辨别这一点与实施方式1同样，但这些手法由于不需要CNN的学习这一点，因而能简便地向图像处理部安装。

<特征解析部的变形例2>

本变形例的特征在于，对应于摄像条件来准备多种算出高光溢出概率的工具。

MR图像中描绘的高光溢出的大小、形状能根据静磁场强度、TE、静磁场的施加方向(相对于层面方向)等摄像条件而变化。因此，在以一个摄像条件为前提而进行了学习的CNN、特征解析手法中，存在不能担保解析结果的确定性的可能性。在本变形中，对应于多个摄像条件来准备多个CNN，选择并使用与取得设为对象的图像时的摄像条件对应的CNN。在特征解析部253不是CNN而是低秩近似的情况下，准备多个基底图像，使对应于摄像条件而使用的基底图像不同，来进行利用了低秩近似的概率算出。

CNN或基底图像的选择可以将设为处理对象的图像中附带的摄像条件的信息读入，根据该信息由图像处理部20B自动判断并进行，也可以经由UI部40对用户提示选项，由用户来选择。

<要运用的给定区域的变形例>

在实施方式1中，以辨别在脑实质中产生的微小出血为目的，形状滤波器部23使用粒状滤波器和线状滤波器这2种，但在辨别脑表面血铁黄素沉积这样的线状区域的情况下，形状滤波器部23将线状滤波器用作主要的滤波器。也可以根据需要，与实施方式1同样地，使用将在线状形状以外混入的形状除去的滤波器、限制线状区域的长度等的滤波器等。

此外，空间信息解析部25在以脑表面血铁黄素沉积为对象的情况下，根据软脑脊膜的分割图像(将脑实质、CSF除外的区域的图像或脑实质与CSF的边界区域)算出软脑脊膜概率图，来作为空间信息。关于高光溢出效应，与实施方式1同样地算出其有无(概率)。之后，将软脑脊膜概率的结果和高光溢出概率的结果进行综合，来进行辨别。

<实施方式2>

在实施方式1中，空间信息解析部25对候补图像算出每个组织的概率、高光溢出概率，辨别部27基于其结果来进行候补图像的辨别，但本实施方式的特征在于，辨别部27使用利用在包含空间信息的给定区域的注释中得到的学习数据而进行了学习的CNN。

因此，本实施方式的图像处理部20B如图10所示那样，省略了图3中的具备分割部251、概率算出部252以及特征解析部253的空间信息解析部25，追加了作为空间信息解析部25发挥功能的上述学习完毕CNN26。其他结构与实施方式1同样。

在CNN26的注释中，例如将包含正常构造(这里是血管)和其周边组织的正常构造图像作为对象。通过将大量这样的块图像用作学习数据，能进行包含周边组织的信息的正常构造图像的学习。CNN26使用该学习数据来进行学习，以使得将输入图像是正常构造的概率或是正常构造以外(例如微小出血等病变)的概率输出。CNN26的学习可以在图像处理部20B中进行，也可以在与图像处理部20B不同的计算机中进行。

辨别部27如图11所示那样，同形状滤波器部23所生成的候补图像505一起来输入原始图像500，根据候补图像505的块图像和原始图像来作成包含粒状形状和其周边组织的块图像507。CNN26将该块图像作为输入，输出是正常构造的概率或是正常构造以外的概率。根据该概率进行阈值处理，进行是否是血管的辨别，并提示其结果。提示手法与实施方式1同样。

根据本实施方式，通过利用学习完毕CNN，能省去空间信息解析部25的二***的处理、即利用了分割的组织分布(概率)计算以及高光溢出概率计算，能简化辨别部27的处理。

<实施方式2的变形例>

在实施方式2中，以2个阶段进行形状提取和辨别，对由形状滤波器部23进行滤波而生成的候补图像进行基于CNN的处理，但还能用CNN进行也包括形状提取在内的处理。

在该情况下，图10中的形状滤波器部23被省略，CNN26作为形状滤波器部以及空间信息解析部发挥功能。在CNN26的学习数据中例如包含“产生高光溢出的圆形区域”、“位于脑实质的圆形区域”的块图像，CNN26针对输入图像进行学习，以使得输出与它们相应的概率。在运用时，在对原始的2D图像500进行了前处理后，将从前处理图像500’切出的块图像作为CNN26的输入，输出在块图像存在“产生高光溢出的圆形区域”、“位于脑实质的圆形区域”的概率。

根据本变形例，能由其他图像处理部进行用于CNN的学习的作业，在图像处理部20B中，能简便地进行辨别处理。

<实施方式3>

在本实施方式中，特征在于，追加能对图像处理部20B的处理结果在用户(医师、检查者)的视点下进行修正的单元。其他结构与实施方式1或2同样，省略重复说明，但根据需要，参考实施方式1、2的说明中所使用的附图。

如图12所示那样，对MRI装置1的计算机20或独立的图像处理装置2与一般的计算机同样地连接具备存储装置30、输入装置42以及显示装置41的UI部40。控制部20C的显示控制部22使图像处理部20B中作成的MR图像、强调部21的处理结果作为图7、图8所例示那样的显示图像而显示于显示装置41。此外，将MR图像、处理结果根据需要存放到存储装置30中。此外，还有时经由通信单元送到医疗用图像管理***(PACS)50等的外部的数据库中。

本实施方式的显示控制部22设定用于能由用户对显示于显示装置41的图像进行编辑的GUI。例如，如图13所示那样，显示表示辨别结果的图像的显示块1510，并显示用于“编辑”的操作块(GUI)1520。在操作块中，例如显示用于接受如下等的编辑功能的GUI：用于从作为正常血管的辨别结果变更为作为病变的辨别结果的按钮“正常”；用于从作为病变的辨别结果变更为作为正常血管的辨别结果的按钮“病变”；用于删除两个辨别结果的按钮“删除”。虽未图示，但也可以显示用于选择区域等的光标、用于将选择确定的按钮“选择”(选择的确定也可以经由鼠标等输入单元)。此外，图示是一例，也可以显示用于再计算统计值的按钮、用于更新或确定记录的按钮等。图像处理部20B经由这些GUI的操作来接受针对辨别结果的变更。

在图13～图16示出辨别结果的变更的示例。在图13所示的示例中，在医师、检查者看着原始的T2*强调图像而将辨别结果中未认定为微小出血、血管的粒状形状1511判断为是微小出血或血管的情况下，例如使光标1540移动到该粒状形状1511的位置，并通过鼠标的点击操作等选择粒状形状，进而操作“病变”按钮1522。由此，将其追加到辨别结果中，并反映到显示中。微小出血的显示若是以与其他组织不同的颜色来显示并进行强调的显示，则对所选择的粒状形状追加颜色来进行强调。此外，若是对标志1531进行标注的显示，则对所选择的粒状形状标注标志1531。在判断为是正常血管的情况下，仅是将“病变”按钮1522设为“正常”按钮1521，其他都同样，且标注正常血管的标志。

反之，在医师、检查者判断为辨别为是“微小出血”或“血管”的区域1512不是“微小出血”、“血管”的情况下，如图14所示那样，与图15的示例同样地，选择该粒状形状(区域1512)，并且若操作“删除”按钮1523，则显示控制部22就删除对该区域1512标注的颜色、标志1531，并且将该信息移交到图像处理部20B。

图15是将辨别部27中辨别为微小出血的结果变更为正常血管的示例，在该情况下，若也接受到将显示为微小出血的区域1513用光标1540进行选择并按下“正常”按钮1521这样的操作，则显示控制部22就将对区域1513标注的表征微小出血的标志1531变更为表征正常血管的标志1532，并将该信息移交到图像处理部20B。从“正常血管”向“微小出血”的变更也同样。

进而，也可以不是辨别结果的变更，而是接受被给出标志的区域的大小、场所等的变更。作为其一例，在图16所示的示例中，选择对显示为微小出血的区域1513标注的标志1531，通过经由鼠标等输入设备的光标1540的操作来变更(扩大)标志1531的大小。除此以外，还能接受区域的涂满、基于橡皮擦功能的部分的消去等，且能进行有效利用了基于医师、检查者的经验的判断的辨别、编辑。

图像处理部20B接受上述的用户编辑的结果，来更新辨别结果。此外，图像处理部20B(特征解析部253)也可以对新追加的区域算出其统计值。此外，也可以是，若变更了删除的结果、统计值(例如微小出血的数量)，就改写其统计值。

在通过用户的编辑而在辨别结果中有变更的情况下，也可以将结果更新，并进行向存储装置30等的登记、向PACS50的转发等。这些处理可以是由图像处理部20B自动进行，也可以是接受用户的指示来进行。

根据本实施方式，通过追加由用户对图像处理部20B的处理进行编辑的功能，能得到可靠性更高的辨别结果。此外，可靠性高的辨别结果除了在类似的症例的诊断中起作用以外，还能通过用在CNN的学习、再学习中，来提升CNN的精度。

Claims (20)

1.一种磁共振成像装置，其特征在于，具备：

重构部，其收集检查对象的磁共振信号来重构图像；和

图像处理部，其对重构部所重构的图像进行处理，确定所述图像中包含的给定对比度的区域即给定区域，

所述图像处理部具备：

强调部，其基于所述给定区域的形状信息和所述给定区域的空间信息，来强调所述给定区域。

2.根据权利要求1所述的磁共振成像装置，其特征在于，

所述给定区域的空间信息包含所述检查对象的组织中的所述给定区域的组织分布以及所述给定区域内的亮度分布中的至少一者。

3.根据权利要求1所述的磁共振成像装置，其特征在于，

所述强调部具备：

形状滤波器部，其基于所述给定区域的形状信息，生成仅给定的形状的图像，来作为候补图像；和

辨别部，其将所述给定区域与其他区域进行辨别，

所述辨别部基于所述形状滤波器部所作成的候补图像的空间信息，来辨别所述给定区域。

4.根据权利要求3所述的磁共振成像装置，其特征在于，

所述形状滤波器部具备：

第1滤波器，其提取所述给定区域的形状的特征；和

第2滤波器，其提取与该形状的特征不同的第2形状的特征，

所述第1滤波器从形状的特征中将所述第2滤波器所提取的第2形状的特征除去，生成所述候补图像。

5.根据权利要求4所述的磁共振成像装置，其特征在于，

所述给定区域是微小出血部位，

所述形状滤波器部具备提取圆形的粒状强调滤波器来作为所述第1滤波器，且具备提取线状形状的线状强调滤波器来作为所述第2滤波器。

6.根据权利要求1所述的磁共振成像装置，其特征在于，

所述强调部具备：

概率算出部，其算出在所述检查对象的特定的脏器或组织中存在所述给定区域的概率，

使用所述概率算出部所算出的概率作为所述给定区域的空间信息，来进行所述给定区域的辨别。

7.根据权利要求6所述的磁共振成像装置，其特征在于，

所述强调部还具备：

分割部，其作成所述检查对象的脏器或组织的分割图像，

所述概率算出部对所述分割部所作成的分割图像算出所述给定区域的概率。

8.根据权利要求7所述的磁共振成像装置，其特征在于，

所述检查对象的图像是脑图像，

所述分割部作成脑实质图像以及脑脊液图像来作为所述分割图像。

9.根据权利要求1所述的磁共振成像装置，其特征在于，

所述强调部具备：

辨别部，其辨别所述给定区域和其以外的组织，

所述辨别部使用学习了包含所述给定区域和其周围区域的图像的特征的CNN，来进行所述给定区域的辨别。

10.根据权利要求1所述的磁共振成像装置，其特征在于，

所述强调部使用所述给定区域的亮度分布来作为所述给定区域的空间信息。

11.根据权利要求10所述的磁共振成像装置，其特征在于，

所述强调部还具备使用在给定的形状中所述亮度分布不同的多种图像而进行了学习的CNN，使用所述CNN来取得所述给定区域的亮度分布信息。

12.根据权利要求11所述的磁共振成像装置，其特征在于，

所述图像处理部具备在多个摄像条件下分别进行了学习的多个CNN来作为所述CNN，

所述强调部对应于取得由所述图像处理部进行处理的图像时的摄像条件来选择所述多个CNN当中的一个CNN并进行运用。

13.根据权利要求10所述的磁共振成像装置，其特征在于，

所述强调部使用所述给定区域的轮廓中的亮度梯度来作为所述亮度分布。

14.根据权利要求1所述的磁共振成像装置，其特征在于，

由所述图像处理部进行处理的图像是二维图像。

15.根据权利要求1所述的磁共振成像装置，其特征在于，

由所述图像处理部进行处理的图像是T2^*强调图像以及磁化率强调图像中的至少一者。

16.根据权利要求1所述的磁共振成像装置，其特征在于，

所述磁共振成像装还具备：

显示控制部，其将所述强调部的处理结果同所述图像一起显示于显示装置。

17.根据权利要求16所述的磁共振成像装置，其特征在于，

所述显示控制部显示接受用户针对显示于所述显示装置的结果的变更的GUI，将经由GUI进行了变更的内容移交到所述图像处理部。

18.一种图像处理装置，对磁共振成像所取得的图像进行处理，所述图像处理装置的特征在于，具备：

形状滤波器部，其取得所述图像中包含的仅给定形状的图像；和

强调部，其使用所述图像中的仅所述给定形状的图像的组织分布以及所述给定形状的亮度分布中的至少一者，来强调具有所述给定形状的给定区域。

19.一种图像处理方法，对通过磁共振成像取得的图像进行处理，强调所述图像中包含的给定区域，所述图像处理方法的特征在于，包含：

取得所述图像中包含的仅给定形状的候补图像的步骤；

取得所述给定形状的空间信息的步骤；和

基于所述空间信息来强调所述给定区域的步骤，

取得所述空间信息的步骤包含算出所述图像中的所述给定形状的组织分布的步骤、以及算出所述给定形状的图像的亮度分布的步骤中的至少一者。

20.根据权利要求19所述的图像处理方法，其特征在于，

通过磁共振成像取得的图像是二维的T2^*强调图像。