JP7483528B2 - 画像処理装置、画像処理方法、プログラム - Google Patents
画像処理装置、画像処理方法、プログラム Download PDFInfo
- Publication number
- JP7483528B2 JP7483528B2 JP2020111225A JP2020111225A JP7483528B2 JP 7483528 B2 JP7483528 B2 JP 7483528B2 JP 2020111225 A JP2020111225 A JP 2020111225A JP 2020111225 A JP2020111225 A JP 2020111225A JP 7483528 B2 JP7483528 B2 JP 7483528B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- tomographic
- tomographic image
- slice
- images
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims description 8
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 description 33
- 238000010586 diagram Methods 0.000 description 8
- 210000004185 liver Anatomy 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Description
被写体を撮影して得られた複数の第一の断層画像と、前記複数の第一の断層画像のそれぞれに対して注目領域を示す正解画像である複数の第二の断層画像とを取得する第一の取得部と、
前記複数の第一の断層画像のうち、所定の厚さの範囲内に含まれる前記第一の断層画像を用いて、前記被写体を表す第三の断層画像を生成する第一の生成部と、
前記複数の第二の断層画像のうち、前記所定の厚さの範囲内に含まれる前記第二の断層画像を用いて、前記第三の断層画像中の注目領域を示す正解画像である第四の断層画像を生成する第二の生成部と、
前記第三の断層画像と前記第四の断層画像を用いて、前記注目領域を抽出するための識別器の学習を行う学習部と、
を備える。
コンピュータが行う画像処理方法であって、
被写体を撮影して得られた複数の第一の断層画像と、前記複数の第一の断層画像のそれぞれに対して注目領域を示す正解画像である複数の第二の断層画像とを取得する第一の取得ステップと、
前記複数の第一の断層画像のうち、所定の厚さの範囲内に含まれる前記第一の断層画像を用いて、前記被写体を表す第三の断層画像を生成する第一の生成ステップと、
前記複数の第二の断層画像のうち、前記所定の厚さの範囲内に含まれる前記第二の断層画像を用いて、前記第三の断層画像中の注目領域を示す正解画像である第四の断層画像を生成する第二の生成ステップと、
前記第三の断層画像と前記第四の断層画像を用いて、前記注目領域を抽出するための識別器の学習を行う学習ステップと、
を含む。
図1を参照して、第一の実施形態に係る画像処理装置100の構成について説明する。画像処理装置100は、CT画像から肝臓領域を抽出する識別器の学習を行う装置である。画像処理装置100は、教示データ生成部101と学習処理実行部102からなる。教示データ生成部101は、操作者等により指定されたスライス厚とスライス間隔からなる所定の厚さに基づいて、事前に作成されている教示データから、新たな教示データを生成する。学習処理実行部102は、教示データ生成部101によって生成された教示データを用いて、識別器103の学習を行う。識別器103は、CT画像を入力として受け付け、CT画像中に描出されている注目領域を抽出する識別器である。学習処理実行部102により学習された識別器103は、操作者等により指定されたスライス厚とスライス間隔を持つCT画像から、注目領域を高い精度で抽出することが可能となる。
タサーバ200はコンピュータ記憶媒体の一例であり、ハードディスクドライブ(HDD)やソリッドステイトドライブ(SSD)に代表される大容量情報記憶装置である。データサーバ200は、画像処理装置100内に保持されていてもよいし、画像処理装置100外に別途設けられネットワークを介して通信可能に構成されていてもよい。
図1を参照して、教示データ生成部101の構成をさらに詳しく説明する。
像中に描出されている肝臓の領域を示す2値画像である。領域351、領域361、領域371、領域381は、それぞれ、注目領域311、注目領域321、注目領域331、注目領域341を示している。尚、断層画像には注目領域が描出されていることは必須ではなく、注目領域が描出されていない断層画像に対して、注目領域が描出されていないことを示す正解画像が組として教示データに含まれていてもよい。
応する正解画像を同時に表示してもよい。また、表示部は、データサーバ200から取得したCT画像および正解画像と、教示データ生成部101が生成したCT画像および正解画像を同時に表示してもよいし、いずれかのみを表示してもよい。
ステップS110において、第一の取得部110は、データサーバ200に格納されている教示データの中から、一組のCT画像と正解画像を取得する。また、第一の取得部110は、データサーバ200から、識別器103が処理の対象とするCT画像のスライス厚やスライス間隔の値を取得して、新たに生成するCT画像と正解画像のスライス厚とスライス間隔に関する情報を設定する。処理の詳細については、第一の取得部110の説明で述べた通りである。そして、第一の取得部110は、取得したCT画像と、新たに生成するCT画像のスライス厚とスライス間隔に関する情報を、第一の生成部120に送信する。また、第一の取得部110は、取得した正解画像と、新たに生成する正解画像のスライス厚とスライス間隔に関する情報を、第二の生成部130に送信する。
ステップS120において、第一の生成部120は、第一の取得部110からCT画像とスライス間隔に関する情報を取得する。そして、第一の生成部120は、第一の取得部110から受け取ったCT画像から、新たなCT画像を生成する。処理の詳細については、第一の生成部120の説明で述べた通りである。最後に、第一の生成部120は、新たに生成された抽出されたCT画像を第一の出力部140に送信する。
ステップS130において、第二の生成部130は、第一の取得部110から正解画像とスライス間隔に関する情報を取得する。そして、第二の生成部130は、第一の取得部110から受け取った正解画像から、新たな正解画像を生成する。処理の詳細については、第二の生成部130の説明で述べた通りである。最後に、第二の生成部130は、新たに生成された抽出された正解画像を第一の出力部140に送信する。
ステップS140において、第一の出力部140は、第一の生成部120から受信したCT画像と、第二の生成部130から受信した正解画像を対応付ける。そして、第一の出力部140は、データサーバ200に格納されている教示データSnewに、対応付けられたCT画像と正解画像を追加する。もしデータサーバにSnewが存在していない場合、第一の出力部140はデータサーバ200にSnewを作成する。そして、作成されたSnewに対応付けられたCT画像と正解画像を追加する。
ステップS150において、画像処理装置100の不図示の制御部は、データサーバ200に格納されている教示データSinputにまだ処理していないCT画像と正解画像が存在しているか否かを判定する。もし、処理していないCT画像と正解画像が存在している場合、不図示の制御部は教示データ生成部101にステップS110の処理を実行させる。逆に、処理していないCT画像と正解画像が存在しない場合、不図示の制御部は教示データ生成部101の処理を終了させる。
続いて、図1を参照して、学習処理実行部102の構成を説明する。第二の取得部150は、データサーバ200から、教示データ生成部101により生成された教示データSnewを取得し、それを学習部160に送信する。教示データSnewは、複数個のCT画像と正解画像からなる。それぞれの正解画像は、対応するCT画像と関連付けられており、一つのCT画像と一つの正解画像で一組のデータをなしている。これらのCT画像と正解画像は、第一の生成部120と第二の生成部130で生成されたCT画像と正解画像である。第二の取得部150は、Snewに加えて、データサーバ200から教示データSinputを取得し、SinputとSnewを学習部160に送信してもよい。
ステップS210において、第二の取得部150は、データサーバ200から教示データを取得する。
ステップS220において、学習部160は、識別器103の種類に応じて決定される学習アルゴリズムを実行する。本ステップで実行される処理の詳細については、学習部160の説明で述べたとおりである。
ステップS230において、第二の出力部170は、ステップS220で得られた識別器103のパラメータをデータサーバ200に格納する。
イス厚に対応する識別器103を、それぞれ、対応するスライス厚の教示データSnewを用いて学習して生成する。このとき、学習した識別器103を用いて未知のCT画像の領域抽出を行う際には、処理を行うCT画像のスライス厚に基づいて当該スライス厚の識別器103を選択し、当該識別器を用いて領域抽出処理を行えばよい。また、スライス厚だけでなく、スライス間隔も複数設定してもよい。例えば、想定されるスライス厚およびスライス間隔の複数の組のそれぞれについて、対応するスライス厚およびスライス間隔の教示データを生成して、識別器103の学習に用いてもよい。
また、本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施形態の機能を実現するソフトウェア(プログラム)を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータ(またはCPUやMPU等)がプログラムを読み出して実行する処理である。
110:第一の取得部
120:第一の生成部
130:第二の生成部
Claims (16)
- 被写体を撮影して得られた複数の第一の断層画像と、前記複数の第一の断層画像のそれぞれに対して注目領域を示す正解画像である複数の第二の断層画像とを取得する第一の取得部と、
前記複数の第一の断層画像のうち、所定の厚さの範囲内に含まれる前記第一の断層画像を用いて、前記被写体を表す第三の断層画像を生成する第一の生成部と、
前記複数の第二の断層画像のうち、前記所定の厚さの範囲内に含まれる前記第二の断層画像を用いて、前記第三の断層画像中の注目領域を示す正解画像である第四の断層画像を生成する第二の生成部と、
前記第三の断層画像と前記第四の断層画像を用いて、前記注目領域を抽出するための識別器の学習を行う学習部と、
を備える、画像処理装置。 - 前記第一の生成部は、前記所定の厚さの範囲に含まれる前記第一の断層画像を平均化して前記第三の断層画像を生成する、
請求項1に記載の画像処理装置。 - 前記第二の生成部は、前記第四の断層画像の各座標の画素値を、前記所定の厚さの範囲に含まれる前記第二の断層画像の当該座標の画素値の代表値として決定する、
請求項1または2に記載の画像処理装置。 - 前記第二の生成部は、前記所定の厚さの範囲に含まれる前記第二の断層画像を平均化することにより、あるいは、平均化した後に閾値処理を施すことにより、前記第四の断層画像を生成する、
請求項3に記載の画像処理装置。 - 前記第二の生成部が行う前記平均化は、前記所定の厚さ範囲の中心に近い前記第二の断層画像の重みを相対的に大きく設定した加重平均である、
請求項4に記載の画像処理装置。 - 前記第二の生成部は、前記第三の断層画像中のそれぞれの画素が、当該画素が前記注目領域に含まれるか含まれないかを示す二つの画素値のいずれかをとる前記第四の断層画像を生成し、
前記学習部は、前記識別器が、前記第三の断層画像中のそれぞれの画素について、当該画素が前記注目領域に含まれるか含まれないかを示す二つの画素値のいずれかを出力するように学習を行う、
請求項1から5のいずれか1項に記載の画像処理装置。 - 前記第二の生成部は、前記第三の断層画像中のそれぞれの画素が、当該画素が前記注目領域に含まれる確からしさを表す値をとる前記第四の断層画像を生成し、
前記学習部は、前記識別器が、前記第三の断層画像中のそれぞれの画素について、当該画素が前記注目領域に含まれる確からしさを表す値を出力するように学習を行う、
請求項1から5のいずれか1項に記載の画像処理装置。 - 前記第一の取得部は、前記第一の断層画像および前記第二の断層画像の第一のスライス間隔および第一のスライス厚と、前記第三の断層画像および前記第四の断層画像の第二のスライス間隔および第二のスライス厚とを取得し、
前記所定の厚さの範囲は、前記第二のスライス間隔および前記第二のスライス厚に基づいて求められ、
前記所定の厚さの範囲内に含まれる前記第一の断層画像および前記第二の断層画像は、前記第一のスライス間隔および前記第一のスライス厚に基づいて求められる、
請求項1から7のいずれか1項に記載の画像処理装置。 - 前記第一の取得部は、前記識別器に入力される画像の種類を取得し、前記識別器に入力される画像の種類に基づいて、前記第二のスライス間隔および前記第二のスライス厚を決定する、
請求項8に記載の画像処理装置。 - 前記第一の取得部は、前記第二のスライス間隔と前記第二のスライス厚の複数の組を取得し、
前記第一の生成部は、前記第二のスライス間隔と前記第二のスライス厚の組ごとに、前記第三の断層画像を生成し、
前記第二の生成部は、前記第二のスライス間隔と前記第二のスライス厚の組ごとに、前記第四の断層画像を生成する、
請求項8または9に記載の画像処理装置。 - 前記学習部は、前記第二のスライス間隔と前記第二のスライス厚の組ごとに、識別器を学習する、
請求項10に記載の画像処理装置。 - 前記第一の生成部は、前記第一の断層画像を用いて、第一のスライス厚に対応する第三の断層画像および第二のスライス厚に対応する第三の断層画像を生成し、
前記第二の生成部は、前記第二の断層画像を用いて、前記第一のスライス厚に対応する第四の断層画像および前記第二のスライス厚に対応する第四の断層画像を生成し、
前記学習部は、
前記第一のスライス厚に対応する前記第三の断層画像および前記第一のスライス厚に対応する前記第四の断層画像を含み構成される第1の教示データと、
前記第二のスライス厚に対応する前記第三の断層画像および前記第二のスライス厚に対
応する前記第四の断層画像を含み構成される第2の教示データと、を用いて、
前記第一のスライス厚を有する処理対象画像と、前記第二のスライス厚を有する処理対象画像と、に対して注目領域を抽出する推論を行う識別器の学習を行う、
ことを特徴とする請求項1に記載の画像処理装置。 - 前記第一の断層画像は、CT画像、MRI断層画像、PET断層画像、超音波断層画像のいずれかを構成する断層画像である、
請求項1から12のいずれか1項に記載の画像処理装置。 - 前記第一の取得部は、データサーバから前記第一の断層画像および前記第二の断層画像を取得し、
前記第一の生成部および前記第二の生成部は、前記第三の断層画像および前記第四の断層画像を前記データサーバに出力する、
請求項1から13のいずれか1項に記載の画像処理装置。 - コンピュータが行う画像処理方法であって、
被写体を撮影して得られた複数の第一の断層画像と、前記複数の第一の断層画像のそれぞれに対して注目領域を示す正解画像である複数の第二の断層画像とを取得する第一の取得ステップと、
前記複数の第一の断層画像のうち、所定の厚さの範囲内に含まれる前記第一の断層画像を用いて、前記被写体を表す第三の断層画像を生成する第一の生成ステップと、
前記複数の第二の断層画像のうち、前記所定の厚さの範囲内に含まれる前記第二の断層画像を用いて、前記第三の断層画像中の注目領域を示す正解画像である第四の断層画像を生成する第二の生成ステップと、
前記第三の断層画像と前記第四の断層画像とを含み構成される教示データを用いて、前記注目領域を抽出するための識別器の学習を行う学習ステップと、
を含む、画像処理方法。 - 請求項15に記載の画像処理方法の各ステップをコンピュータに実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020111225A JP7483528B2 (ja) | 2020-06-29 | 2020-06-29 | 画像処理装置、画像処理方法、プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020111225A JP7483528B2 (ja) | 2020-06-29 | 2020-06-29 | 画像処理装置、画像処理方法、プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022010572A JP2022010572A (ja) | 2022-01-17 |
JP7483528B2 true JP7483528B2 (ja) | 2024-05-15 |
Family
ID=80148515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020111225A Active JP7483528B2 (ja) | 2020-06-29 | 2020-06-29 | 画像処理装置、画像処理方法、プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7483528B2 (ja) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006043431A (ja) | 2004-08-06 | 2006-02-16 | Toshiba Corp | ヘリカルマルチスライスctのための回復ノイズを伴うヘリカルウィンドミルアーチファクトを低減する方法 |
JP2008200373A (ja) | 2007-02-22 | 2008-09-04 | Fujifilm Corp | 類似症例検索装置、方法、およびプログラム、ならびに、類似症例データベース登録装置、方法、およびプログラム |
JP2011092684A (ja) | 2009-09-30 | 2011-05-12 | Fujifilm Corp | 病変領域抽出装置および方法並びにプログラム |
JP2016174656A (ja) | 2015-03-19 | 2016-10-06 | コニカミノルタ株式会社 | 画像処理装置及びプログラム |
WO2019167883A1 (ja) | 2018-02-28 | 2019-09-06 | 富士フイルム株式会社 | 機械学習装置および方法 |
JP2020021228A (ja) | 2018-07-31 | 2020-02-06 | キヤノン株式会社 | 情報処理装置、情報処理方法およびプログラム |
-
2020
- 2020-06-29 JP JP2020111225A patent/JP7483528B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006043431A (ja) | 2004-08-06 | 2006-02-16 | Toshiba Corp | ヘリカルマルチスライスctのための回復ノイズを伴うヘリカルウィンドミルアーチファクトを低減する方法 |
JP2008200373A (ja) | 2007-02-22 | 2008-09-04 | Fujifilm Corp | 類似症例検索装置、方法、およびプログラム、ならびに、類似症例データベース登録装置、方法、およびプログラム |
JP2011092684A (ja) | 2009-09-30 | 2011-05-12 | Fujifilm Corp | 病変領域抽出装置および方法並びにプログラム |
JP2016174656A (ja) | 2015-03-19 | 2016-10-06 | コニカミノルタ株式会社 | 画像処理装置及びプログラム |
WO2019167883A1 (ja) | 2018-02-28 | 2019-09-06 | 富士フイルム株式会社 | 機械学習装置および方法 |
JP2020021228A (ja) | 2018-07-31 | 2020-02-06 | キヤノン株式会社 | 情報処理装置、情報処理方法およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2022010572A (ja) | 2022-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6947759B2 (ja) | 解剖学的対象物を自動的に検出、位置特定、及びセマンティックセグメンテーションするシステム及び方法 | |
US10565707B2 (en) | 3D anisotropic hybrid network: transferring convolutional features from 2D images to 3D anisotropic volumes | |
US20200279411A1 (en) | Image Reconstruction Using Machine Learning Regularizers | |
JP7325954B2 (ja) | 医用画像処理装置、医用画像処理プログラム、学習装置及び学習プログラム | |
JP7463575B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
Ko et al. | Rigid and non-rigid motion artifact reduction in X-ray CT using attention module | |
KR20180004824A (ko) | 영상 생성 방법 및 장치, 및 영상 분석 방법 | |
Chae et al. | Automatic lung segmentation for large-scale medical image management | |
CN107506766B (zh) | 图像分割方法及装置 | |
Van De Leemput et al. | Multiclass brain tissue segmentation in 4D CT using convolutional neural networks | |
CN112419173A (zh) | 一种由pet图像生成ct图像的深度学习框架和方法 | |
CN108038840B (zh) | 一种图像处理方法、装置、图像处理设备及存储介质 | |
Ayub et al. | LSTM‐Based RNN Framework to Remove Motion Artifacts in Dynamic Multicontrast MR Images with Registration Model | |
Mangalagiri et al. | Toward generating synthetic CT volumes using a 3D-conditional generative adversarial network | |
JP7483528B2 (ja) | 画像処理装置、画像処理方法、プログラム | |
CN112233126B (zh) | 医学图像的加窗方法及装置 | |
Paul et al. | Computer-Aided Diagnosis Using Hybrid Technique for Fastened and Accurate Analysis of Tuberculosis Detection with Adaboost and Learning Vector Quantization | |
Ouassit et al. | Liver Segmentation | |
Jeyaraj et al. | MR image restoration and segmentation via denoising deep adversarial network for blood vessels accurate diagnosis | |
CN112766333B (zh) | 医学影像处理模型训练方法、医学影像处理方法及装置 | |
Slabaugh et al. | Probabilistic spatial regression using a deep fully convolutional neural network | |
JP7486349B2 (ja) | ニューラルネットワーク、ニューラルネットワークの学習方法、プログラム、画像処理装置 | |
WO2022209836A1 (ja) | 学習データ生成装置、学習データ生成方法及びプログラム、及び学習装置 | |
EP4386680A1 (en) | Cbct simulation for training ai-based ct-to-cbct registration and cbct segmentation | |
Namura et al. | Effects on Selective Removal of Adversarial Examples for Noisy X-ray Images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230622 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231228 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240116 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240313 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240409 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240501 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7483528 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |