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

医学图像处理设备包括：获取单元，其获取作为被检体的预定部位的医学图像的第一图像；图像质量改善单元，其通过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的图像质量相比具有改善的图像质量的第二图像；显示控制单元，其在显示单元上显示通过以比率合成第一图像和第二图像而获得的合成图像，该比率是使用关于第一图像和第二图像中的至少一个中的至少部分区域的信息获得的。中的至少一个中的至少部分区域的信息获得的。中的至少一个中的至少部分区域的信息获得的。

【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更高分辨率的图像。
[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配设有：获得单元，其被构造为获得第一图像，该第一图像是被检体的预定部位的医学图像；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图像质量被改善的第二图像；以及显示控制单元，其被构造为使通过根据使用与第一图像和第二图像中的至少一者中的至少部分区域相关的信息获得的比率来组合第一图像和第二图像而获得的合成图像显示在显示单元上。
[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，该第一图像是被检体的预定部位的医学图像；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图像质量被改善的第二图像；以及使通过根据使用与第一图像和第二图像中的至少一者中的至少部分区域相关的信息获得的比率来组合第一图像和第二图像而获得的合成图像显示在显示单元上。
[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，该第一图像是被检体的预定部位的医学图像；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图像质量被改善的第二图像；以及显示控制单元，其被构造为使通过根据使用与第一图像和第二图像中的至少一者中的至少部分区域相关的信息获得的比率来组合第一图像和第二图像而获得的合成图像显示在显示单元上。2.根据权利要求1所述的医学图像处理装置，其中：用于组合第一图像和第二图像的比率是通过使用所述至少部分区域中的像素值作为信息来获得的。3.根据权利要求1或2所述的医学图像处理装置，其中：用于组合第一图像和第二图像的比率是通过使用第一图像和第二图像中的彼此对应的至少部分区域的像素值之间的差值作为信息而获得的。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：用于组合第一图像和第二图像的比率被构造为能根据来自检查者的指令而改变。5.根据权利要求1至4中任一项所述的医学图像处理装置，其中：用于组合第一图像和第二图像的比率是使用通过使用学习数据进行学习而获得的机器学习引擎基于所述信息来确定的，在该学习数据中，采用医学图像作为输入数据，并且采用与用于对医学图像和通过使医学图像经受图像质量改善而获得的医学图像进行组合的比率相关的信息作为正确答案数据。6.根据权利要求1至5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使用学习数据获得的机器学习引擎，在该学习数据中，噪声被添加到医学图像的至少部分区域。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使用学习数据而获得的机器学习引擎，在该学习数据中，与医学图像的至少部分区域的状态相对应的噪声被添加到该至少部分区域。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使用学习数据而获得的机器学习引擎，在该学习数据中，与医学图像的至少部分区域的像素值相对应的大小的噪声被添加到该至少部分区域。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使用学习数据而获得的机器学习引擎，该学习数据包括添加了图案彼此不同的噪声的多个医学图像作为图像对。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，其中：图像质量改善引擎包括使用学习数据而获得的机器学习引擎，该学习数据包括通过将图案彼此不同的噪声添加到通过叠加处理获得的医学图像而获得的多个医学图像作为图像对。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，所述医学图像处理装置还包括：指定单元，其被构造为根据检查者的指令在预定部位的三维医学图像数据中指定预定
部位的深度范围中的部分深度范围，其中：获得单元获得与指定的部分深度范围对应的正面图像作为第一图像；并且图像质量改善引擎包括使用学习数据而获得的机器学习引擎，该学习数据包括与被检体的预定部位的多个深度范围相对应的多个正面图像。12.一种医学图像处理装置，所述医学图像处理装置包括：指定单元，其被构造为根据来自检查者的指令在被检体的预定部位的三维医学图像数据中指定预定部位的深度范围中的部分深度范围，获得单元，其被构造为使用三维医学图像数据，来获得作为与指定的部分深度范围相对应的预定部位的正面图像的第一图像；以及图像质量改善单元，其被构造为使用图像质量改善引擎由第一图像生成与第一图像相比图像质量被改善的第二图像，该图像质量改善引擎包括使用与被检体的预定部位的多个深度范围相对应的多个正面图像的学习数据而获得的机器学习引擎。13.根据权利要求11或12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学习数据而获得的机器学习引擎，该学习数据包括针对多个深度范围当中的至少两个深度范围中的各个添加了不同大小的噪声的多个正面图像。14.根据权利要求11至12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在与预定部位的深度方向相交的方向上对预定部位的不同位置进行摄像，使得与指定的部分深度范围相对应的彼此相邻的多个正面图像的部分区域交叠而获得。15.根据权利要求1至14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学习作为学习数据的、与被检体的预定部位的多个深度范围对应的多个正面图像而获得；获得单元获得对应于多个深度范围的多个正面图像作为第一图像，该多个正面图像是使用被检体的预定部位的三维医学图像数据的至少一部分而获得的；并且图像质量改善单元通过使用图像质量改善引擎由第一图像生成与第一图像相比图像质量被改善的多个图像作为第二图像。16.一种医学图像处理装置，所述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，该第一图像是被检体的预定部位的医学图像；以及图像质量改善单元，其被构造为使用图像质量改善引擎由第一图像生成与第一图像相比图像质量被改善的第二图像，图像质量改善引擎包括使用学习数据而获得的机器学习引擎，在该学习数据中，与医学图像的至少部分区域的状态相对应的噪声被添加到该至少部分区域。17.根据权利要求16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学习数据而获得的机器学习引擎，在该学习数据中，与医学图像的至少部分区域的像素值相对应的大小的噪声被添加到至少部分区域。
18.根据权利要求16或17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学习数据而获得的机器学习引擎，该学习数据包括添加了图案彼此不同的噪声的多个医学图像作为图像对。19.根据权利要求16至18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使用学习数据而获得的机器学习引擎，该学习数据包括通过将图案彼此不同的噪声添加到通过叠加处理获得的医学图像而获得...

【专利技术属性】
技术研发人员：岩濑好彦，山添学，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：