医学图像处理装置、医学图像处理方法和程序制造方法及图纸

医学图像处理设备配设有：获取单元，其获取第一图像，该第一图像是与被检眼的三维运动对比度数据的至少部分深度范围相对应的运动对比度en

【技术实现步骤摘要】
【国外来华专利技术】医学图像处理装置、医学图像处理方法和程序


[0001]本专利技术涉及一种医学图像处理装置、医学图像处理方法和程序。

技术介绍

[0002]在医疗领域中，为了识别被摄体的疾病并观察疾病的程度，通过各种摄像装置获取图像，并且由医学专业人员进行图像诊断。在放射线学领域中，不同种类的摄像装置包括例如X射线摄像装置、X射线计算机断层扫描(CT)装置、磁共振摄像(MRI)装置、正电子发射断层扫描(PET)装置和单光子发射计算机断层扫描(SPECT)装置。此外，例如，在眼科领域，不同种类的摄像装置包括眼底照相机、扫描激光检眼镜(SLO)、光学相干断层扫描(OCT)装置和OCT血管造影(OCTA)装置。
[0003]为了准确地进行图像诊断并在短时间内完成图像诊断，由摄像装置获取的图像的质量水平很重要，即，图像具有低噪声、高分辨率和空间分辨率以及合适的灰度很重要。此外，在某些情况下，增强期望观察的部位或病变的图像也可能是有用的。
[0004]然而，对于许多摄像装置，为了获得适合于图像诊断的图像，例如具有高图像质量的图像，必须付出一定的代价。例如，尽管一种方法是购买高性能摄像装置以获得具有高图像质量的图像，但是在大多数情况下与购买低性能摄像装置相比，需要更大的投资。
[0005]此外，例如，当使用CT时，为了获得噪声较少的图像，有时需要增加被摄体所暴露于的放射线的量。此外，例如，当使用MRI时，在某些情况下，使用存在副作用风险的造影剂，以获得增强了期望观察的部位的图像。另外，例如，当使用OCT时，当需要加宽要摄像的区域或获得高空间分辨率时，在某些情况下，摄像时间变长。此外，例如，对于某些摄像装置，为了获得具有高图像质量的图像，必须多次获取图像，并且进行摄像所需的时间因此增加。
[0006]专利文献1公开了这样一种技术，即，为了响应医疗技术中的快速发展并且还对应于紧急情况下的简单摄像，借助于人工智能引擎将先前获取的图像转换成具有高分辨率的图像。根据该技术，例如，可以将通过简单的摄像以较少的成本获取的图像转换为具有较高分辨率的图像。
[0007][引用列表][0008][专利文献][0009]专利文献1：日本特开第2018
‑
5841号公报

技术实现思路

[0010][技术问题][0011]然而，即使图像具有高分辨率，在某些情况下也不能说该图像是适合图像诊断的图像。例如，即使当图像的分辨率高时，如果图像中存在大量噪声或对比度低等，则在某些情况下也不能适当地确定应被观察的对象。
[0012]在这点上，本专利技术的一个目的是提供一种医学图像处理装置、医学图像处理方法和程序，该医学图像处理装置、医学图像处理方法和程序能够产生比传统技术更适合于图
像诊断的图像。
[0013][解决问题的方案][0014]根据本专利技术的一个实施例的医学图像处理装置包括：获得单元，其被构造为获得第一图像，该第一图像是与被检眼的三维运动对比度数据的至少部分深度范围相对应的运动对比度正面图像；以及图像质量改善单元，其被构造为使用包括机器学习引擎的图像质量改善引擎，由第一图像生成与第一图像相比经过了图像质量改善的第二图像。
[0015]此外，根据本专利技术的另一实施例的医学图像处理方法包括：获得第一图像，该第一图像是与被检眼的三维运动对比度数据的至少部分深度范围相对应的运动对比度正面图像；以及使用包括机器学习引擎的图像质量改善引擎，由第一图像生成与第一图像相比经过了图像改善的第二图像。
[0016][本专利技术的有益效果][0017]根据下面参照附图对示例性实施例的描述，本专利技术的进一步特征将变得显而易见。
附图说明
[0018][图1]图1是示出与图像质量改善处理有关的神经网络的构造的示例的图。
[0019][图2]图2是示出与摄像位置估计处理有关的神经网络的构造的示例的图。
[0020][图3]图3是示出与图像的真实性(authenticity)评估处理有关的神经网络的构造的示例的图。
[0021][图4]图4是示出根据第一实施例的图像处理装置的示意性构造的示例的图。
[0022][图5]图5是示出根据第一实施例的图像处理的流程的示例的流程图。
[0023][图6]图6是示出根据第一实施例的图像处理的流程的不同示例的流程图。
[0024][图7]图7是示出根据第二实施例的图像处理的流程的示例的流程图。
[0025][图8]图8是用于描述根据第四实施例的图像处理的图。
[0026][图9]图9是示出根据第四实施例的图像质量改善处理的流程的示例的流程图。
[0027][图10]图10是用于描述根据第五实施例的图像处理的图。
[0028][图11]图11是示出根据第五实施例的图像质量改善处理的流程的示例的流程图。
[0029][图12]图12是用于描述根据第六实施例的图像处理的图。
[0030][图13]图13是示出根据第六实施例的图像质量改善处理的流程的示例的流程图。
[0031][图14A]图14A是用于描述根据第六实施例的图像处理的图。
[0032][图14B]图14B是用于描述根据第六实施例的图像处理的图。
[0033][图14C]图14C是用于描述根据第六实施例的图像处理的图。
[0034][图14D]图14D是用于描述根据第六实施例的图像处理的图。
[0035][图15]图15是示出根据第七实施例的图像处理装置的示意性构造的示例的图。
[0036][图16]图16是示出根据第七实施例的图像处理的流程的示例的流程图。
[0037][图17]图17是示出根据第七实施例的用户界面的示例的图。
[0038][图18]图18是示出根据第九实施例的图像处理装置的示意性构造的示例的图。
[0039][图19]图19是示出根据第九实施例的图像处理的流程的示例的流程图。
[0040][图20]图20是示出根据第十二实施例的图像处理装置的示意性构造的示例的图。
[0041][图21A]图21A是示出根据第十三实施例的图像质量改善处理的流程的示例的流程图。
[0042][图21B]图21B是示出根据第十三实施例的图像质量改善处理的流程的不同示例的流程图。
[0043][图22]图22是示出根据第十七实施例的图像处理装置的示意性构造的示例的图。
[0044][图23]图23是示出根据第十七实施例的图像处理的流程的示例的流程图。
[0045][图24]图24是示出与图像质量改善处理有关的神经网络的构造的示例的图。
[0046][图25]图25是示出根据第十九实施例的图像处理装置的示意性构造的示例的图。
[0047][图26]图26是示出根据第十九实施例的图像处理的流程的示例的流程图。
[0048][图27]图27是示出根据第二十一实施例的图像处理的流程的示例的流程图。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种医学图像处理装置，包括：获得单元，其被构造为获得第一图像，该第一图像是与被检眼的三维运动对比度数据的至少部分深度范围相对应的运动对比度正面图像；以及图像质量改善单元，其被构造为使用包括机器学习引擎的图像质量改善引擎，由第一图像生成与第一图像相比经过了图像质量改善的第二图像。2.根据权利要求1所述的医学图像处理装置，其中：图像质量改善引擎包括机器学习引擎，该机器学习引擎是通过对训练数据进行学习而获得的，该训练数据使用通过对被检眼的多个运动对比度数据进行平均处理而获得的图像来获得。3.根据权利要求1所述的医学图像处理装置，其中：图像质量改善引擎包括机器学习引擎，该机器学习引擎使用训练数据获得，该训练数据包括通过具有比用于对第一图像进行OCTA摄像的OCT摄像装置高的性能的OCT摄像装置进行OCTA摄像而获得的图像，或通过包括比用于获得第一图像的OCTA摄像步骤多的步骤数目的OCTA摄像步骤而获得的图像。4.根据权利要求1至3中任一项所述的医学图像处理装置，其中：图像质量改善单元通过将第一图像划分为多个二维图像并将该多个二维图像输入到图像质量改善引擎中并整合来自图像质量改善引擎的多个输出图像来生成第二图像。5.根据权利要求4所述的医学图像处理装置，其中：图像质量改善引擎包括使用训练数据获得的机器学习引擎，该训练数据包括彼此具有对应位置关系的图像对，以及图像质量改善单元将第一图像划分为具有与图像对的图像尺寸相对应的图像尺寸的多个二维图像，并且将该多个二维图像输入到图像质量改善引擎。6.根据权利要求4或5所述的医学图像处理装置，其中：图像质量改善引擎包括使用训练数据获得的机器学习引擎，该训练数据针对包括图像和图像的外周的区域包括多个部分区域的图像，该多个部分区域被设置为使得相邻的部分区域的一部分彼此重叠。7.根据权利要求1至6中任一项所述的医学图像处理装置，其中：图像质量改善引擎包括通过对训练数据进行学习而获得的机器学习引擎，该训练数据是使用通过将噪声添加到被检眼的运动对比度正面图像而获得的图像来获得的。8.根据权利要求1至7中任一项所述的医学图像处理装置，其中：图像质量改善引擎包括通过对训练数据进行学习而获得的机器学习引擎，该训练数据使用图像而获得，该图像是通过将噪声添加到通过对被检眼的多个运动对比度数据进行平均处理而获得的图像来获得的。9.根据权利要求1至8中任一项所述的医学图像处理装置，其中：图像质量改善引擎包括通过对训练数据进行学习而获得的机器学习引擎，该训练数据使用图像对而获得，该图像对是通过将图案彼此不同的噪声添加到通过对被检眼的多个运动对比度数据进行平均处理而获得的图像来获得的。10.根据权利要求1至9中任一项所述的医学图像处理装置，所述医学图像处理装置还包括：
广角图像生成单元，其被构造为使用从多个第一图像获得的多个第二图像来生成广角图像，该多个第一图像通过对被检眼的不同位置进行OCTA摄像，使得相邻的运动对比度正面图像的部分区域彼此重叠而获得。11.根据权利要求1至10中任一项所述的医学图像处理装置，其中：图像质量改善引擎包括机器学习引擎，该机器学习引擎通过将与被检眼的多个深度范围相对应的多个运动对比度正面图像作为训练数据进行学习而获得；并且获得单元获得与根据检查者的指令设置的至少部分深度范围相对应的运动对比度正面图像作为第一图像。12.根据权利要求1至11中任一项所述的医学图像处理装置，所述医学图像处理装置还包括：确定单元，其被构造为确定是否能够通过使用图像质量改善引擎针对第一图像生成第二图像，其中，确定单元基于第一图像的摄像部位、摄像系统、摄像视角和图像尺寸中的至少一项来进行确定。13.根据权利要求1至12中任一项所述的医学图像处理装置，其中：图像质量改善单元包括使用彼此不同的学习数据进行学习的多个图像质量改善引擎，并且所述多个图像质量改善引擎中的各图像质量改善引擎针对摄像部位、摄像视角和图像分辨率中的至少一项使用彼此不同的学习数据来进行学习；并且图像质量改善单元使用与第一图像的摄像部位、摄像视角和图像分辨率中的至少一项相对应的图像质量改善引擎来生成第二图像。14.根据权利要求1至12中任一项所述的医学图像处理装置，其中：图像质量改善单元包括多个图像质量改善引擎，该多个图像质量改善引擎使用彼此不同的训练数据进行学习，并且图像质量改善单元使用所述多个图像质量改善引擎中的与检查者的指令相对应的图像质量改善引擎来生成第二图像。15.根据权利要求1至12中任一项所述的医学图像处理装置，其中：图像质量改善单元包括多个图像质量改善引擎，该多个图像质量改善引擎使用彼此不同的训练数据进行学习，并且图像质量改善单元使用所述多个图像质量改善引擎，由第一图像生成多个第二图像；并且所述医学图像处理装置根据检查者的指令，输出所述多个第二图像中的至少一个图像。16.根据权利要求1至12中任一项所述的医学图像处理装...

【专利技术属性】
技术研发人员：岩濑好彦，山添学，沟部秀谦，内田弘树，富田律也，
申请(专利权)人：佳能株式会社，
类型：发明
国别省市：