【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及一种降低对象图像的噪声来制作降噪图像的图像处理装置以及图像处理方法。
技术介绍
1、图像有时包含噪声。作为包含噪声的图像的例子，可举出基于由放射线断层摄影装置获取的信息而重构的被检体的断层图像。放射线断层摄影装置是pet(positronemission tomography(正电子发射断层扫描))装置以及spect(single photon emissioncomputed tomography(单光子发射计算机断层扫描))装置等。
2、pet装置具备检测部，该检测部具有在放置被检体的测定空间的周围排列的多个小型的放射线检测器。pet装置通过检测部使用同时计数法来检测伴随在施用正电子发射同位素(ri射线源)的被检体内的电子·正电子的对消所产生的能量511kev的光子对，并收集该同时计数信息。
3、然后，基于该收集到的多个同时计数信息，能够重构表示测定空间中的光子对的产生频率的空间分布(即，ri射线源的空间分布)的断层图像。这样的pet装置在核医学领域等中发挥着重要的作用，能够利用其进行例如生物体功能或脑的高级功能的研究。
4、由于重构的被检体的断层图像包含很多统计噪声，因此要求降低该断层图像的噪声。另外，不限于这样的pet图像(断层图像)，有时要求从包含噪声的对象图像降低噪声来制作降噪图像。
5、作为降噪技术，已知有各种方法。其中，通过使用一种深度神经网络的卷积神经网络的deep image prior技术来降低噪声的技术受到关注。以下，将卷积神经网络(convo
6、在dip技术中，利用cnn的性质，即图像中的有意义的结构比随机噪声学习得更快(即，随机噪声难以被学习)，通过无监督学习，能够制作降低噪声的图像。
7、在非专利文献1中记载了通过dip技术来降低对象图像(pet图像)的噪声的技术。该文献所记载的技术将降噪处理分为两个步骤来进行。在第一步骤中，关于第一输入图像(mri图像)及教师图像(pet图像)的多个组的各个，使第一输入图像输入至cnn并通过cnn制作第一输出图像，基于该第一输出图像与教师图像之间的误差的评价结果使cnn学习(有监督事先学习)。
8、在接下来的第二步骤中，使第二输入图像(mri图像)输入至在第一步骤中事先学习完毕的cnn并通过cnn制作第二输出图像，基于该第二输出图像与对象图像(pet图像)之间的误差的评价结果使cnn进一步学习(无监督学习)。然后，将第二输出图像设为降低对象图像(pet图像)的噪声的降噪图像。
9、总之，非专利文献1所记载的降噪技术，通过在第一步骤中以cnn将第一输入图像转换为教师图像的方式使cnn学习(有监督事先学习)，在第二步骤中使cnn进一步学习(无监督学习)，由此制作降低对象图像的噪声的降噪图像。由此，非专利文献1所记载的降噪技术与仅有dip技术的情况(仅有无监督学习的情况)相比，能够提高降噪性能。
10、现有技术文献
11、非专利文献
12、非专利文献1：j.cui et al.，"populational and individual informationbased pet image denoising using conditional unsupervised learning"，phys.med.biol.66 155001,2021
技术实现思路
1、专利技术所要解决的问题
2、非专利文献1所记载的降噪技术为了进行第一步骤的有监督事先学习，不仅需要准备多个教师图像，还需要准备多个第一输入图像。但是，与多个教师图像的准备另行地准备多个第一输入图像并不容易。
3、本专利技术的目的在于提供一种通过对cnn在有监督事先学习之后进行无监督学习而能够容易地降低对象图像的噪声的图像处理装置以及图像处理方法。
4、解决问题的技术手段
5、本专利技术的实施方式是图像处理装置。图像处理装置是降低对象图像的噪声来制作降噪图像的图像处理装置，具备：(1)第一cnn处理部，其使基于教师图像变更了一部分区域的像素值的第一输入图像输入至卷积神经网络并通过卷积神经网络制作第一输出图像；(2)第一cnn学习部，其评价第一输出图像与教师图像之间的误差并基于该误差评价结果使卷积神经网络学习；(3)第二cnn处理部，其使第二输入图像输入至卷积神经网络并通过卷积神经网络制作第二输出图像；以及(4)第二cnn学习部，其评价第二输出图像与对象图像之间的误差并基于该误差评价结果使卷积神经网络学习，对教师图像和第一输入图像的多个组的各个反复进行多次第一cnn处理部和第一cnn学习部各自的处理后，反复进行多次第二cnn处理部和第二cnn学习部各自的处理，将第二输出图像设为所述降噪图像。
6、本专利技术的实施方式是图像处理方法。图像处理方法是降低对象图像的噪声来制作降噪图像的图像处理方法，具备：(1)第一cnn处理步骤，其使基于教师图像变更了一部分区域的像素值的第一输入图像输入至卷积神经网络并通过卷积神经网络制作第一输出图像；(2)第一cnn学习步骤，其评价第一输出图像与教师图像之间的误差并基于该误差评价结果使卷积神经网络学习；(3)第二cnn处理步骤，其使第二输入图像输入至卷积神经网络并通过卷积神经网络制作第二输出图像；以及(4)第二cnn学习步骤，其评价第二输出图像与对象图像之间的误差并基于该误差评价结果使卷积神经网络学习，对教师图像和第一输入图像的多个组的各个反复进行多次第一cnn处理步骤和第一cnn学习步骤各自的处理后，反复进行多次第二cnn处理步骤和第二cnn学习步骤各自的处理，将第二输出图像设为降噪图像。
7、专利技术的效果
8、根据本专利技术的实施方式，能够基于教师图像容易地制作在对卷积神经网络(cnn)的有监督事先学习时使用的向cnn的输入图像，通过对cnn在有监督事先学习之后进行无监督学习，能够容易地降低对象图像的噪声。
本文档来自技高网...【技术保护点】
1.一种图像处理装置，其中，
2.根据权利要求1所述的图像处理装置，其中，
3.根据权利要求1或2所述的图像处理装置，其中，
4.根据权利要求1～3中任一项所述的图像处理装置，其中，
5.根据权利要求1～4中任一项所述的图像处理装置，其中，
6.根据权利要求1～5中任一项所述的图像处理装置，其中，
7.一种图像处理方法，其中，
8.根据权利要求7所述的图像处理方法，其中，
9.根据权利要求7或8所述的图像处理方法，其中，
10.根据权利要求7～9中任一项所述的图像处理方法，其中，
11.根据权利要求7～10中任一项所述的图像处理方法，其中，
12.根据权利要求7～11中任一项所述的图像处理方法，其中，
【技术特征摘要】
【国外来华专利技术】
1.一种图像处理装置，其中，
2.根据权利要求1所述的图像处理装置，其中，
3.根据权利要求1或2所述的图像处理装置，其中，
4.根据权利要求1～3中任一项所述的图像处理装置，其中，
5.根据权利要求1～4中任一项所述的图像处理装置，其中，
6.根据权利要求1～5中任一项所述的图像处理装置，其中，
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。