[发明专利]医用图像处理装置以及医用图像处理系统

说明书

本发明提供与以往相比能够实现画质改善、高速处理、硬件成本减少的医用图像处理装置以及医用图像处理系统。本实施方式的医用图像处理装置具备存储部、处理部。存储部存储通过对按照每个拍摄对象部位取得的多个数据进行学习处理而生成的、分别对应于多个拍摄对象部位的多个神经网络，上述神经网络具有输入层、输出层以及设于上述输入层与上述输出层之间的中间层。处理部使用分别对应于上述多个拍摄对象部位的多个神经网络中的、与第1数据的拍摄对象部位对应的神经网络，对输入到上述输入层的上述第1数据进行处理，由上述输出层输出第2数据。

技术领域

本实施方式涉及医用图像处理装置以及医用图像处理系统。

背景技术

计算机断层拍摄(CT)系统以及方法特别广泛使用于医用拍摄以及医用诊断。CT系统一般来说制作与被检体的身体相关的一个或者多个截面的切片图像。X射线源等放射源从一个侧面向身体照射X射线。位于身体的相反侧的至少一个检测器接收通过了身体的放射线。通过对从检测器接收的电信号进行处理，来测量通过了身体的放射线的衰减。

CT正弦图作为沿着检测器阵列的位置的函数、而且作为从X射线源至X射线检测器的投影角的函数，示出通过了身体的X射线的衰减。在正弦图中，空间的维与沿着X射线检测器的阵列的位置相关。时间/角度维与在CT扫描中作为时间的函数变化的X射线的投影角相关。从图像化后的被检体的部分(例如，椎骨)产生的衰减与投影角一致地沿纵轴描绘出正弦波。距旋转轴更远的图像化后的被检体的部分与更大的振幅下的正弦波一致，该正弦波的相位与旋转轴周边的角度位置相关。反拉冬变换―以及任意的其他图像重构法―的执行指的是，根据正弦图中表示的投影数据对图像进行重构。

X射线CT应用在癌、心脏、还有头部拍摄中的广泛的临床应用中。随着CT被逐渐使用于例如包含癌筛选、儿科拍摄的各种应用，引发了将临床CT扫描的辐射剂量在实际可能的范围中尽可能降低那样的行动。对于低剂量CT来说，由于高量下的噪声挑战扫描的几何形状(换句话说是较大的锥角、高螺距、缺棱等)、其他不期望的物理现象(换句话说是散射、射束硬化、串扰、金属等)等很多重要因素，有时画质降低。建模出精确的前向模型且解决复杂的逆问题的难度导致难以发展高效的校正法。

为了改善低剂量CT画质，基于模型的逐次图像重构或者正弦图复原等许多最尖端技术在这数十年得以发展，但大多花费时间且需要高额的硬件。特别是，如果是困难的状况下，与高剂量画质相比，画质仍然较差。因而，为了减少计算的时间、硬件成本，进一步改善低剂量CT画质，期望改进方法。

发明内容

本实施方式鉴于上述情况，与以往相比，目的在于提供能够实现画质改善、高速处理、硬件成本减少的医用图像处理装置以及医用图像处理系统。

本实施方式的医用图像处理装置具备存储部、处理部。存储部存储通过对按照每个拍摄对象部位取得的多个数据进行学习处理而生成的、分别对应于多个拍摄对象部位的多个神经网络，上述神经网络具有输入层、输出层以及设于上述输入层与上述输出层之间的中间层。处理部使用分别对应于上述多个拍摄对象部位的多个神经网络中的、与第1数据的拍摄对象部位对应的神经网络，对输入到上述输入层的上述第1数据进行处理，由上述输出层输出第2数据。

附图说明

图1A是一实施方式的、使用用于处理重构图像的深度学习(DL)网络的、用于减少噪声以及/或者伪影的方法的流程概要图的例子。

图1B是一实施方式的、使用用于处理正弦图数据的DL网络的、用于减少噪声以及/或者伪影的方法的流程概要图的例子。

图2A是一实施方式的、作为前馈人工神经网络(feed forward artificialneural network(ANN)的DL网络的例子。

图2B是一实施方式的、作为卷积神经网络(CNN)的DL网络的例子。

图2C是一实施方式的、针对卷积层的一个神经元节点的卷积层的实施方式。