[go: up one dir, main page]

CN112165900A - 图像解析方法、分割方法、骨密度测量方法、学习模型生成方法和图像生成装置 - Google Patents

图像解析方法、分割方法、骨密度测量方法、学习模型生成方法和图像生成装置 Download PDF

Info

Publication number
CN112165900A
CN112165900A CN201980035078.8A CN201980035078A CN112165900A CN 112165900 A CN112165900 A CN 112165900A CN 201980035078 A CN201980035078 A CN 201980035078A CN 112165900 A CN112165900 A CN 112165900A
Authority
CN
China
Prior art keywords
image
organ
ray
drr
bone
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.)
Granted
Application number
CN201980035078.8A
Other languages
English (en)
Other versions
CN112165900B (zh
Inventor
高桥涉
押川翔太
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shimadzu Corp
Original Assignee
Shimadzu Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shimadzu Corp filed Critical Shimadzu Corp
Publication of CN112165900A publication Critical patent/CN112165900A/zh
Application granted granted Critical
Publication of CN112165900B publication Critical patent/CN112165900B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Quality & Reliability (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Pulmonology (AREA)
  • Evolutionary Computation (AREA)
  • Dentistry (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明的控制部(80)具备：X射线图像生成部(81)；X射线图像存储部(82)，存储X射线图像和X射线图像用训练骨部图像；DRR图像生成部(83)，生成包含骨部的区域的DRR图像；DRR图像存储部(84)，存储DRR图像和机器学习用的DRR图像用训练骨部图像；学习部(85)，使用X射线图像和X射线图像用训练骨部图像来执行机器学习，并使用DRR图像和DRR图像用训练骨部图像来执行机器学习，由此生成用于识别骨部的学习模型；骨部图像生成部(86)，利用由学习部(85)生成的学习完毕模型对包含被检者的骨部的区域的X射线图像进行转换，由此生成表示骨部的图像。

Description

图像解析方法、分割方法、骨密度测量方法、学习模型生成方 法和图像生成装置
技术领域
本发明涉及图像解析方法、分割方法、骨密度测量方法、学习模型生成方法和图像生成装置。
背景技术
近年来，使用用于骨质疏松症的诊断而测量被检者的骨密度的骨密度测量装置。在专利文献1中公开了一种骨盐定量分析装置，由以下机构构成：产生放射线的机构；被该放射线照射的1片晶格；仅将由该晶格反射的放射线中规定的2个反射角度的放射线进行照准，对被检体同时照射2种不同能量的放射线的机构；放射线检测机构，这2种能量的放射线透过被检体并入射至该放射线检测机构；波高分析机构，通过进行该放射线检测机构所输出的波高分析来分离与各能量的放射线相关的透过数据；对该分离出的数据进行运算处理来计算骨密度的机构。
现有技术文献
专利文献
专利文献1：日本特许第2638875号公报
发明内容
发明要解决的技术问题
这样的骨密度的测量以临床上需要注意的腰椎、股骨的骨密度为对象。此时，股骨在形状上存在较大的个体差异，从而对于实施稳定的追踪观察，确定被检者的骨部的区域变得重要。为了确定该骨部的区域，操作人员要预先以手动进行区域的确定，从而不仅作业繁杂，而且存在由操作人员确定的区域产生偏差的问题。
为了自动执行用于根据包含被检者的骨部的图像提取骨部的区域的分割，也可以考虑利用根据直方图的阈值处理的算法，但是对于形状的个体差异尤其大的股骨的分割，难以正确地确定骨部的区域。因此，存在最终的骨密度的测量结果的精度变差的问题。
本发明是为了解决上述问题而完成的，其目的在于提供一种可以根据包含被检者的器官的区域的X射线图像生成正确地提取出器官的区域的图像的图像解析方法、分割方法、骨密度测量方法、学习模型生成方法以及图像生成装置。
用于解决上述技术问题的方案
方案1所述的发明是一种图像解析方法，通过解析包含被检者的器官的区域的图像来进行用于确定所述器官的区域的分割，其特征在于，使用机器学习作为所述分割的方法，并包括：校正图像生成工序，生成使包含所述被检者的器官的图像中的所述器官的区域的浓度变化的校正图像；学习模型生成工序，通过使用了包含所述被检者的器官的图像和由所述校正图像生成工序生成的校正图像的学习处理来生成机器学习的学习模型。
方案2所述的发明是在方案1所述的发明中，相对于对所述被检者进行X射线拍摄得到的包含所述被检者的器官的区域的X射线图像，利用由所述学习模型生成工序生成的学习模型进行转换，由此生成表示所述器官的图像。
方案3所述的发明是在方案1所述的发明中，包含所述被检者的器官的区域的图像是根据所述被检者的CT图像数据生成的DRR图像，在所述校正图像生成工序中，使所述CT图像数据的CT值成为规定的值的区域作为所述器官的区域并使其浓度变化。
方案4所述的发明是在方案3所述的发明中，在DRR图像生成时，使包含所述几何学条件的投影坐标以及角度的至少一方的参数变化，或者实施包括图像的旋转、变形以及放大缩小的至少一个的图像处理，生成多个DRR图像。
方案5所述的发明是在方案3所述的发明中，对生成后的DRR图像执行对比度变化、噪声附加以及边缘增强的至少一个。
方案6所述的发明是在方案1所述的发明中，包含所述被检者的器官的区域的图像是通过对所述被检者进行X射线拍摄而生成的X射线图像，在所述校正图像生成工序中，对利用所述X射线图像和双能减影得到的所述器官的图像进行利用来使所述器官的区域的浓度变化。
方案7所述的发明是在方案2所述的发明中，将对所述被检者进行X射线拍摄得到的包含所述被检者的器官的区域的X射线图像、以及利用由所述学习模型生成工序生成的学习模型进行转换从而得到的表示所述器官的图像利用于由所述学习部进行的学习模型的学习。
方案8所述的发明是在方案1所述的发明中，所述器官具有相对于被检者的身体轴左右对称的形状，在所述学习模型生成工序中，通过将右侧的器官的图像和左侧的器官的图像的任一方左右翻转，对左右的器官的图像一并生成机器学习的学习模型。
方案9所述的发明是一种器官的分割方法，所述器官是所述被检者的骨部，利用方案1所述的图像解析方法分割所述骨部的区域。
方案10所述的发明为，对利用方案9所述的分割方法分割后的骨部的区域测量骨密度。
方案11所述的发明是一种学习模型生成方法，通过利用机器学习解析包含被检者的器官的区域的图像，生成在进行用于确定所述器官的区域的分割时使用的学习模型，其特征在于，使用包含所述被检者的器官的图像、和校正图像执行机器学习的学习来生成学习模型，所述校正图像通过使包含所述被检者的器官的图像中的所述器官的区域的浓度变化而生成。
方案12所述的发明是一种图像生成装置，生成从包含被检者的器官的区域的X射线图像中提取出所述器官的区域的图像，其特征在于，具备：X射线图像存储部，存储对包含所述器官的区域进行X射线拍摄而得的多个X射线图像、和机器学习用的多个X射线图像用训练图像；DRR图像生成部，生成包含所述骨部的区域的DRR图像；DRR图像存储部，存储由所述DRR图像生成部生成的多个DRR图像、和基于由所述DRR图像生成部生成的DRR图像而生成的多个机器学习用的DRR图像用训练图像；图像生成部，使用用于识别所述器官的学习模型，对包含所述被检者的器官的区域的X射线图像进行转换，由此生成表示所述器官的图像，所述学习模型是使用所述X射线图像存储部所存储的所述多个X射线图像和所述多个X射线图像用教师图像执行机器学习，并且使用所述DRR图像存储部所存储的所述多个DRR图像和所述多个DRR图像用训练图像执行机器学习而预先生成。
方案13所述的发明是在方案11所述的发明中，所述DRR图像生成部将所述多个DRR图像中的一部分DRR图像生成为使包括所述骨部的区域中的器官区域的浓度变化而得的DRR图像。
方案14所述的发明是在方案11所述的发明中，所述X射线图像存储部所存储的多个X射线图像中的一部分的X射线图像是通过利用双能减影，使包含所述器官的区域中的器官区域的浓度变化而得的X射线图像。
发明效果
根据方案1～方案8所述的发明，由于将使被检者的器官的区域的浓度变化而得的校正图像利用于机器学习，所以可以生成与器官的浓度低的被检者也对应的学习模型。因此，可以提高器官的检测精度。
根据方案4所述的发明，由于使包含几何学透视条件的投影坐标以及角度的参数变化或者实施包括图像的旋转、变形、放大缩小的图像处理，所以即使在被检者的位置、姿势或者X射线拍摄时的拍摄系统的位置略有偏差的情况下，也能够正确地检测骨部的位置。然后，由于能够生成大量的DRR图像，因此能够学习与各患者对应的定制的识别器，进一步地，即使在使用低帧速率的DRR图像的情况下，也可以正确地检测骨部的位置。
根据方案5所述的发明，由于对生成后的DRR图像执行对比度变化、噪声附加，边缘增强，所以即使在DRR图像和X射线图像间产生画质的差异的情况下，也可以正确地检测骨部的位置。
根据方案7所述的发明，通过将多个X射线图像和利用学习过的学习完毕模型进行转换而得到的表示器官的图像再次利用于学习模型的学习中，能够使学习图像扩充从而生成精度更高的学习模型。
根据方案8所述的发明，对具有相对于被检者的身体轴左右对称的形状的器官，能够使其检测精度较为均匀。并且，由于对于左右的器官的图像一并执行机器学习，所以能够使学习图像扩充从而生成精度更高的学习模型。
根据方案9所述的发明，可以高精度地执行骨部的区域的分割。
根据方案10的发明，可以对分割而得的骨部的区域执行骨密度的测量。
根据方案11所述的发明，由于将使被检者的器官的区域的浓度变化而得的校正图像利用于机器学习，所以可以生成与器官的浓度低的被检者也对应的学习模型。
根据方案12～方案14所述的发明，通过由机器学习提取器官的区域，可以提高其提取精度。此时，由于利用X射线图像和DRR图像两者进行机器学习，可以使学习图像扩充，并可以容易地执行学习用临床数据的收集。
附图说明
图1是作为X射线拍摄装置也发挥功能的本发明的实施方式的骨部图像生成装置的主视概要图。
图2是作为X射线拍摄装置也发挥功能的本发明的实施方式的骨部图像生成装置的侧视概要图。
图3是示出本发明的实施方式的骨部图像生成装置的控制系统的框图。
图4是用于说明由本发明的实施方式的骨部图像生成装置利用机器学习生成被检者的骨部图像的工序的示意图。
图5是示出由本发明的实施方式的骨部图像生成装置生成从包含被检者的骨部的区域的X射线图像中提取出骨部的区域而得的骨部图像的动作的流程图。
图6是由X射线图像生成部81生成的X射线图像101的示意图。
图7是由X射线图像生成部81生成的X射线图像用训练骨部图像102的示意图。
图8是示意性地示出利用模拟了图1所示的X射线照射部11与X射线检测部12的几何学条件的假想投影生成DRR图像的状态的说明图。
图9是由DRR图像生成部83生成的DRR图像103的示意图。
图10是将由DRR图像生成部83生成的骨部的区域的浓度变更为较小的值而得的DRR图像104的示意图。
图11是由DRR图像生成部83生成的DRR图像用训练骨部图像105的示意图。
图12是由X射线图像生成部81生成的X射线图像106的示意图。
图13是由DRR图像生成部83生成的DRR图像107的示意图。
具体实施方式
以下，基于附图对本发明的实施方式进行说明。图1是作为X射线拍摄装置也发挥功能的本发明的实施方式的骨部图像生成装置的正视概要图，图2是其侧视概要图。另外，在该实施方式中，对将本发明应用于生成骨部和脏器等器官中的被检者的骨部的图像的骨部图像生成装置的情况进行说明。
所述作为X射线拍摄装置也发挥功能的骨部图像生成装置也称为X射线透视拍摄台，具备：顶板13；X射线管保持部件15；配设在该X射线管保持部件15的前端的X射线照射部11；具有相对于顶板13配设在X射线照射部11的相反侧的平板检测器或者图像增强器(I.I.)等X射线检测器的X射线检测部12。
这些顶板13、X射线管保持部件15、X射线照射部11以及X射线检测部12通过未图示的内置有电机的转动机构16的作用而可以在如图1以及图2所示的顶板13的表面朝向水平方向的卧位位置和顶板13的表面朝向垂直方向的立位位置之间转动。此外，转动机构16本身可以相对于立设在底板(base plate)18上的主支柱17升降。
当顶板13处于卧位位置时，对卧位状态的被检者进行X射线拍摄。此时，被检者被载置在顶板13上。此外，当顶板13处于立位位置时，对处于立位状态的被检者进行X射线拍摄。此时，被检者站立在顶板13的正面。
接下来，对本发明的实施方式的骨部图像测量装置的构成进行说明。图3是示出本发明的实施方式的骨部图像生成装置的控制系统的框图。
该骨部图像生成装置用于生成从包含被检者的骨部的区域的X射线图像中提取出骨部的区域而得的骨部图像，具备：作为执行逻辑运算的处理器的CPU；储存有装置的控制所需的动作程序的ROM；在控制时暂时保存数据的RAM等，并具备控制整个装置的控制部80。
该控制部80具备以下各部作为功能性构成：X射线图像生成部81，用于生成X射线图像；X射线图像存储部82，存储有对包含被检者等的骨部的区域进行X射线拍摄而得的多个X射线图像、和机器学习用的多个X射线图像用训练骨部图像；DRR图像生成部83，对包含骨部的区域的CT图像数据进行模拟了对被检者进行X射线拍摄时的X射线照射部11和X射线检测部12的几何学条件的假想投影，由此生成包含骨部的区域的DRR(DigitallyReconstructed Radiograph：数字重配置模拟图像)图像；DRR图像存储部84，存储由DRR图像生成部83生成的DRR图像、和基于由DRR图像生成部83生成的DRR图像而生成的多个机器学习用的DRR图像用训练骨部图像；学习部85，使用存储在X射线图像存储部82的多个X射线图像和多个X射线图像用训练骨部图像来执行机器学习，并使用存储在DRR图像存储部84的多个DRR图像和多个DRR图像用训练骨部图像来执行机器学习，由此生成用于识别骨部的学习模型；骨部图像生成部86，利用由学习部85学习过的学习完毕模型对包含被检者的骨部的区域的X射线图像进行转换，由此生成表示骨部的图像。该控制部80由安装了软件的计算机构成。该控制部80所包含的各部的功能通过执行安装于计算机的软件来实现。
另外，在上述构成中，在DRR图像用训练骨部图像和X射线图像为标签图像的情况下，两者有时为相同的图像。
此外，在上述构成中，学习部85可以在装置交付前的阶段执行机器学习并预先存储其结果，也可以在向医疗机构等交付装置后以追加方式执行机器学习。此时，学习部85根据使用了FCN(Fully Convolutional Networks：全卷积网络)、神经机器网络(NeuralMachine Network)、支持向量机(SVM：support vector machines)、提升方法(Boosting)等任意的方法的各种学习来生成识别器。
该控制部80与上述X射线照射部11以及X射线检测部12连接。此外，该控制部80与由液晶显示面板等构成且显示包含X射线图像的各种图像的显示部21、和具备键盘、鼠标等各种输入设备的操作部22连接。进而，该控制部80通过在线或者离线地连接到存储对被检者进行CT拍摄而得的图像的CT图像存储部70。该CT图像存储部70可包含在CT拍摄装置中，也可包含在生成被检者的治疗计划的治疗计划装置中。
接下来，通过使用具有以上这样的构成的骨部图像生成装置，对于生成从包含被检者的骨部的区域的X射线图像中提取出骨部的区域而得的骨部图像的动作进行说明。
首先，对于用于生成骨部图像的基本思路进行说明。图4是用于说明通过本发明的实施方式的骨部图像生成装置来利用机器学习生成被检者的骨部图像的工序的示意图。
为了利用机器学习确定骨部的位置，首先要生成学习模型。在该学习模型生成工序中，将包含骨部的区域的X射线图像以及DRR图像作为输入层，将示出骨部的X射线图像用训练骨部图像以及DRR图像用训练骨部图像作为输出层，通过机器学习对作为学习模型使用的卷积层进行学习。接着，生成骨部图像。在该骨部图像生成工序中，将拍摄到的X射线透视图像作为输入层，利用先前学习过的学习模型进行转换，由此生成作为输出层的示出提取出骨部的区域而得的骨部图像的图像。
接下来，对通过这样的工序进行的骨部图像的生成动作进行详细说明。图5是示出利用该发明的实施方式的骨部图像生成装置生成从包含被检者的骨部的区域的X射线图像中提取出骨部的区域而得的骨部图像的动作的流程图。
利用本发明的实施方式的骨部图像生成装置生成骨部图像时，首先，执行X射线图像生成工序(步骤S1)。在该图像生成工序中，由图3所示的X射线图像生成部81使用图1所示的X射线照射部11和X射线检测部12对顶板13上的被检者进行X射线拍摄，由此生成多个X射线图像。另外，X射线图像可以是由其他X射线拍摄装置拍摄而获取的图像，此外，也可以对模体(phantom)进行X射线拍摄来生成而代替被检者。生成的X射线图像存储在图3所示的X射线图像存储部82中(步骤S2)。
接下来，生成机器学习所使用的X射线图像用训练骨部图像(步骤S3)。由X射线图像生成部81通过对先前生成的X射线图像裁剪被检者的骨部的区域来生成该X射线图像用训练骨部图像。此外，在生成该X射线图像用训练骨部图像时，还生成对裁剪后的X射线图像稍微平移、旋转、变形、放大缩小而得的图像。将裁剪而得的X射线图像平移、旋转、变形、放大缩小而得的图像也用于学习，是为了应对下述的在X射线拍摄时被检者移动或者X射线照射部11和X射线检测部12移动的情况。生成的X射线图像用训练骨部图像存储在图3所示的X射线图像存储部82中(步骤S4)。
另外，此时，在相同条件下对X射线图像和X射线图像用训练骨部图像这两者执行平移、旋转、变形、放大缩小。
图6是由X射线图像生成部81生成的X射线图像101的示意图，图7是由X射线图像生成部81生成的X射线图像用训练骨部图像102的示意图。
X射线图像101中显示有股骨51、骨盆52、软组织区域53。此外，在X射线图像用训练骨部图像102中显示有股骨51、骨盆52。
接着，由图3所示的DRR图像生成部83，对从CT图像存储部70获取的CT图像数据进行模拟了图1所示的X射线照射部11和X射线检测部12的几何学条件的假想投影，由此生成示出包含骨部的区域的多个DRR图像(步骤S5)，将该DRR图像存储在DRR图像存储部84中(步骤S6)，并且生成示出包含骨部的区域的多个DRR图像用训练骨部图像(步骤S7)，将该DRR图像用训练骨部图像存储在DRR图像存储部84(步骤S8)。在此，在生成示出骨部的DRR图像用训练骨部图像时，将CT值达到一定值以上的值的区域作为骨部的区域而生成DRR图像用训练骨部图像。例如，将CT值在200HU(Hounsfield Unit：亨斯菲尔德单位)以上的区域认定为骨部的区域从而生成DRR图像用训练骨部图像。
图8是示意性地示出通过模拟了图1所示的X射线照射部11与X射线检测部12的几何学条件而得的假想投影生成DRR图像的状态的说明图。
在该图中，附图标记300表示CT图像数据。该CT图像数据300作为多个二维CT图像数据的集合的三维体素数据。该CT图像数据300例如具有在横切被检者的方向(沿图8所示的线段L1或者L2的方向)上卷积200张左右的512×512像素的二维图像而得的结构。
当由DRR图像生成部83生成DRR图像时，对CT图像数据300进行假想投影。此时，在计算机上配置三维CT图像数据300。然后，在计算机上重现作为X射线拍摄系统的几何学配置的几何结构。在该实施方式中，夹着CT图像数据300而在两侧配置X射线照射部11和X射线检测部12。这些CT图像数据300、X射线照射部11和X射线检测部12的配置与执行X射线拍摄时的被检者、X射线照射部11、X射线检测部12的配置呈相同的几何结构。在此，几何结构表示拍摄对象、X射线照射部11和X射线检测部12的几何学配置关系。
在该状态下，设定有经由CT图像数据300的各像素将X射线照射部11与X射线检测部12的各像素连结的多条线段L。另外，在图8中，为了便于说明，图示出两条线段L1、L2。然后，在该线段L上，分别设定多个计算点，并运算各计算点的CT值。在该CT值的运算时，执行利用了计算点的周围的CT数据体素中的CT值的插值。然后，累积线段L上的各计算点的CT值。将该累积值转换为线衰减系数的线积分，计算X射线的衰减，由此生成DRR图像。
在生成该DRR图像时，使用于生成包含对CT图像数据300的投影坐标以及角度的至少一方的DRR图像的参数变化来生成DRR图像。或者，执行包含稍微平移、旋转、变形和放大缩小的至少一个的图像处理。执行该平移、旋转、变形、放大缩小是为了应对下述的在X射线拍摄时被检者移动或者X射线照射部11和X射线检测部12移动的情况。
此外，对生成的DRR图像执行对比度变化、噪声附加以及边缘增强的至少一个。执行该对比度变化、噪声附加、边缘增强是为了吸收DRR图像和X射线图像的画质的差异，从而能更可靠地识别骨部的区域。
如上所述的投影坐标、角度等用于生成DRR图像的参数的变化或者对比度变化、噪声附加、边缘增强，是以在固定的范围内随机或者以等间隔赋予各种变化的方式实施的。因此，能够根据被检者一人的CT图像数据300生成大量的DRR图像。因此，可以使用如此生成的大量DRR图像来生成与各患者对应的定制的学习模型。此外，还可以利用大量患者的DRR图像进行学习模型的生成。
另外，在生成DRR图像时和生成DRR图像用训练骨部图像时，在相同条件下使包含几何学透视条件的投影坐标以及角度的参数变化，或者，在相同条件下实施包括图像的旋转、变形、放大缩小的图像处理。
此外，在生成DRR图像和DRR图像用训练骨部图像中的DRR图像时，DRR图像生成部83将多个DRR图像中的一部分DRR图像生成为使包含骨部的区域中的骨部区域的浓度发生变化而得的DRR图像。更具体地，将CT值达到一定值以上的值的骨部的区域的CT值设定为比实际的CT值小的值。因此，能够得到模拟了骨密度降低的骨部的DRR图像。因此，能够利用模拟了骨密度降低的骨部的DRR图像进行机器学习，可以对包含骨密度降低以至骨质疏松症的患者在内的患者提高骨部的提取精度。
图9是由DRR图像生成部83生成的DRR图像103的示意图，图10是将由DRR图像生成部83生成的骨部的区域的浓度变更为较小值而得的DRR图像104的示意图，图11是由DRR图像生成部83生成的DRR图像用训练骨部图像105的示意图。
DRR图像103、104中显示有股骨51、骨盆52、软组织区域53。此外，DRR图像用训练骨部图像105中显示有股骨51、骨盆52。
若以上工序结束，则利用学习部85，将图6所示的X射线图像101作为输入层，将图7所示的X射线图像用训练骨部图像102作为输出层执行机器学习，并且将图9所示的DRR图像103以及将图10所示的骨部的区域的浓度变更为较小值而得的DRR图像104作为输入层且将图11所示的DRR图像用训练骨部图像105作为输出层执行机器学习，由此生成用于识别骨部(股骨51以及骨盆52)的学习模型(步骤S9)。在该机器学习时，例如可使用FCN。FCN中使用的卷积神经网络为上述图4那样的构成。即，在生成学习模型的情况下，输入层是X射线图像101以及DRR图像103、104，输出层是X射线图像用训练骨部图像102以及DRR图像用训练骨部图像105。
若由以上的工序生成学习模型，则接下来对被检者执行X射线拍摄(步骤S10)。然后，由骨部图像生成部86利用先前生成的学习模型(卷积层)对拍摄的X射线图像进行转换，执行分割，生成骨部(股骨51以及骨盆52)的图像(步骤S11)。即，对于通过X射线拍摄得到的X射线图像，使用先前生成的学习模型并生成表示骨部的图像作为输出层。然后，利用由分割确定的骨部的区域，通过各种方法执行骨密度的测量。
另外，在本说明书等中，“分割”是指除了该实施方式中的确定骨部等的区域的过程外，还包括确定骨部等的轮廓或者骨部等的外形的过程的概念。
若通过以上的工序完成骨部图像的生成，则操作人员根据需要将生成的骨部图像进行校正。然后，将校正后的骨部图像和其原本的X射线图像利用于由学习部85进行的学习模型的生成或者再学习。由此，可以使包含失败例的学习图像扩充从而生成精度较高的学习模型。
如上所述，根据本发明的实施方式的骨部图像生成装置，可以通过由机器学习提取骨部的区域来提高其提取精度。此时，由于利用X射线图像和DRR图像两者进行机器学习，所以可以使学习图像扩充，并可以容易地执行学习用临床数据的收集。此外，通过利用使骨部区域的浓度变化而得的DRR图像，能够通过模拟了骨密度降低的骨部的DRR图像进行机器学习，可以对包括骨密度降低以至患骨质疏松症的患者在内的患者提高骨部的提取精度。
另外，在上述的实施方式中，也可以将X射线图像以高斯滤波器等模糊后输入到学习模型中。通常，由于DRR图像由低分辨率的CT图像生成，因此与X射线图像相比为低分辨率。因此，通过模糊X射线图像、使X射线图像降低噪声或者设为与学习时的DRR图像同等的分辨率，可以更可靠地识别骨部。此外，在上述实施方式中，可以在对输入到学习模型中的DRR图像以及X射线图像预先进行对比度归一化的基础上进行输入。此外，还可以将局部对比度归一化层或者局部响应归一化层添加到中间层。
接下来，对本发明的另一个实施方式进行说明。
在上述实施方式中，将多个DRR图像中的一部分DRR图像生成为使包含骨部的区域中的骨部区域的浓度变化而得的DRR图像，由此生成模拟了骨密度降低的骨部的DRR图像，并将其利用于机器学习。与此相对，在该实施方式中，通过利用双能减影(dual energysubtraction)将多个X射线图像中的一部分X射线图像设为使包含骨部的区域中的骨部区域的浓度变化而得的X射线图像，所述双能减影是对在向X射线管施加高电压状态下拍摄的X射线图像(高压图像)和在向X射线管施加低电压状态下拍摄的X射线图像(低压图像)进行减影处理。
即，为了诊断骨质疏松症，在测量被检者的骨密度时，采用利用双能减影进行骨密度的测量的构成，所述双能减影是对在向X射线管施加高电压状态下拍摄的X射线图像和在向X射线管施加低电压状态下拍摄的X射线图像进行减影处理。在确定骨部图像时，也利用双能减影对在向X射线管施加高电压状态下拍摄的X射线图像和在向X射线管施加低电压状态下拍摄的X射线图像进行加权后，通过取得它们的差分来生成表示骨部的双能减影图像。然后，通过从X射线图像(高压图像或者低压图像)中减去双能减影图像，得到使包含骨部的区域中降低了骨部的区域的浓度的图像(相当于骨密度降低的状态的骨部的X射线图像的图像)。通过将该骨部的区域的浓度低的X射线图像利用于机器学习，能够通过模拟了骨密度降低的骨部的X射线图像进行机器学习，可以对包括骨质疏松症的患者在内的患者提高骨部的提取精度。
此时，作为机器学习中使用的X射线图像，可以使用高压图像、低压图像或者双能减影图像的任一种，也可以使用将这些图像沿通道方向连结而得的图像。此外，也可以通过对双能减影图像进行参数调整来代替从X射线图像(高压图像或者低压图像)中减去双能减影图像从而得到模拟了骨密度降低的骨部的X射线图像。
接下来，对本发明的另一个实施方式进行说明。图12是由X射线图像生成部81生成的X射线图像106的示意图，图13是由DRR图像生成部83生成的DRR图像107的示意图。
该实施方式在对股骨等具有相对于被检者的身体轴左右对称的形状的骨部生成骨部图像时利用。先前说明的图6是被检者的右腿附近的X射线图像101的示意图，图9是被检者的右腿附近的DRR图像103的示意图。与此相对，图12是被检者的左腿附近的X射线图像106的示意图，图13是被检者的左腿附近的DRR图像107的示意图。
如此，在以具有相对于被检者的身体轴左右对称的形状的骨部(股骨51以及骨盆52)为对象的情况下，学习部85通过将右侧的骨部的图像和左侧的骨部的图像的任一方左右翻转，对左右的骨部的图像一并执行机器学习。例如，通过将图12所示的被检者的左腿附近的X射线图像106左右翻转，与图6所示的被检者的右腿附近的X射线图像101一并利用于机器学习。此外，同样地，通过将图13所示的被检者的左腿附近的DRR图像107左右翻转，与图9所示的被检者的右腿附近的DRR图像103一并利用于机器学习。
通过采用这样的构成，对相对于被检者的身体轴具有左右对称的形状的骨部，能够使其检测精度均匀。并且，由于通过对左右骨部的图像一并执行机器学习，可以使学习图像扩充从而生成精度更高的学习模型。
另外，在上述的实施方式中，利用X射线图像和DRR图像两者进行机器学习。然而，也可以利用X射线图像和DRR图像的任一方进行机器学习。
此外，在上述的实施方式中，作为器官以骨部为对象，但例如也能够以脏器等器官为对象。例如，在被检者的内脏脂肪较多的情况下，在X射线拍摄时，脏器区域的浓度变低。根据本发明，即使在这样的情况下，也能够生成与脏器的浓度变低的被检者也对应的学习模型。因此，可以提高脏器的检测精度。
附图标记说明
11 X射线照射部
12 X射线检测部
13 顶板
14 支柱
15 X射线管保持部件
16 转动机构
17 主支柱
18 底板
21 显示部
22 操作部
70 CT图像存储部
80 控制部
81 X射线图像生成部
82 X射线图像存储部
83 DRR图像生成部
84 DRR图像存储部
85 学习部
86 骨部图像生成部
300 CT图像数据。

Claims (14)

1.一种图像解析方法，通过解析包含被检者的器官的区域的图像来进行用于确定所述器官的区域的分割，其特征在于，
使用机器学习作为所述分割的方法，并且包括：
校正图像生成工序，生成使包含所述被检者的器官的图像中所述器官的区域的浓度变化而得的校正图像；
学习模型生成工序，通过使用了包含所述被检者的器官的图像和由所述校正图像生成工序生成的校正图像的学习处理来生成机器学习的学习模型。
2.如权利要求1所述的图像解析方法，其特征在于，
利用由所述学习模型生成工序生成的学习模型对通过对所述被检者进行X射线拍摄而得的包含所述被检者的器官的区域的X射线图像进行转换，由此生成表示所述器官的图像。
3.如权利要求1所述的图像解析方法，其特征在于，
包含所述被检者的器官的区域的图像是根据所述被检者的CT图像数据生成的DRR图像；
在所述校正图像生成工序中，使所述CT图像数据的CT值成为规定的值的区域作为所述器官的区域并使其浓度变化。
4.如权利要求3所述的图像解析方法，其特征在于，
在生成DRR图像时，使包含几何学条件的投影坐标以及角度的至少一方的参数变化，或者实施包括图像的旋转、变形以及放大缩小的至少一个的图像处理，生成多个DRR图像。
5.如权利要求3所述的图像解析方法，其特征在于，
对生成后的DRR图像执行对比度变化、噪声附加以及边缘增强中的至少一个。
6.如权利要求1所述的图像解析方法，其特征在于，
包含所述被检者的器官的区域的图像是通过对所述被检者进行X射线拍摄而生成的X射线图像，
在所述校正图像生成工序中，利用所述X射线图像和利用双能减影而得的所述器官的图像，使所述器官的区域的浓度变化。
7.如权利要求2所述的图像解析方法，其特征在于，
将对所述被检者进行X射线拍摄而得的包含所述被检者的器官的区域的X射线图像、以及利用由所述学习模型生成工序生成的学习模型进行转换而得的表示所述器官的图像利用于由学习部进行的学习模型的学习。
8.如权利要求1所述的图像解析方法，其特征在于，
所述器官具有相对于所述被检者的身体轴左右对称的形状，在所述学习模型生成工序中，通过将右侧的器官的图像和左侧的器官的图像的任一方左右翻转，对左右的器官的图像一并生成机器学习的学习模型。
9.一种分割方法，其特征在于，
所述器官是所述被检者的骨部，利用权利要求1所述的图像解析方法分割所述骨部的区域。
10.一种骨密度测量方法，其特征在于，
对利用权利要求9所述的分割方法分割而得的骨部的区域测量骨密度。
11.一种学习模型生成方法，利用机器学习解析包含被检者的器官的区域的图像，由此生成在进行用于确定所述器官的区域的分割时使用的学习模型，其特征在于，
使用包含所述被检者的器官的图像、和通过使包含所述被检者的器官的图像中所述器官的区域的浓度变化而生成的校正图像，执行机器学习的学习来生成学习模型。
12.一种图像生成装置，生成从包含被检者的器官的区域的X射线图像中提取出所述器官的区域而得的图像，其特征在于，具备：
X射线图像存储部，存储对包含所述器官的区域进行X射线拍摄而得的多个X射线图像、和机器学习用的多个X射线图像用训练图像；
DRR图像生成部，生成包含所述骨部的区域的DRR图像；
DRR图像存储部，存储由所述DRR图像生成部生成的多个DRR图像、和基于由所述DRR图像生成部生成的DRR图像而生成的多个机器学习用的DRR图像用训练图像；
图像生成部，使用用于识别所述器官的学习模型，对包含所述被检者的器官的区域的X射线图像进行转换，由此生成表示所述器官的图像，所述学习模型是使用所述X射线图像存储部所存储的所述多个X射线图像和所述多个X射线图像用训练图像执行机器学习，并且使用所述DRR图像存储部所存储的所述多个DRR图像和所述多个DRR图像用训练图像执行机器学习而预先生成的。
13.如权利要求11所述的图像生成装置，其特征在于，
所述DRR图像生成部将所述多个DRR图像中的一部分DRR图像生成为使包含所述骨部的区域中的器官区域的浓度变化而得的DRR图像。
14.如权利要求11所述的图像生成装置，其特征在于，
所述X射线图像存储部中存储的多个X射线图像中的一部分X射线图像是通过利用双能减影来使包含所述器官的区域中的器官区域的浓度变化而得的X射线图像。
CN201980035078.8A 2018-04-24 2019-03-20 图像解析方法、分割方法、骨密度测量方法、学习模型生成方法和图像生成装置 Active CN112165900B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018083340 2018-04-24
JP2018-083340 2018-04-24
PCT/JP2019/011773 WO2019208037A1 (ja) 2018-04-24 2019-03-20 画像解析方法、セグメンテーション方法、骨密度測定方法、学習モデル作成方法および画像作成装置

Publications (2)

Publication Number Publication Date
CN112165900A true CN112165900A (zh) 2021-01-01
CN112165900B CN112165900B (zh) 2024-12-27

Family

ID=68293538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980035078.8A Active CN112165900B (zh) 2018-04-24 2019-03-20 图像解析方法、分割方法、骨密度测量方法、学习模型生成方法和图像生成装置

Country Status (4)

Country Link
JP (1) JP7092190B2 (zh)
KR (1) KR102527440B1 (zh)
CN (1) CN112165900B (zh)
WO (1) WO2019208037A1 (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7582884B2 (ja) * 2021-03-11 2024-11-13 富士フイルム株式会社 推定装置、方法およびプログラム
JP7628031B2 (ja) 2021-03-11 2025-02-07 富士フイルム株式会社 推定装置、方法およびプログラム
JP2022140050A (ja) * 2021-03-12 2022-09-26 富士フイルム株式会社 推定装置、方法およびプログラム
JP7583653B2 (ja) * 2021-03-12 2024-11-14 富士フイルム株式会社 推定装置、方法およびプログラム
JP7686430B2 (ja) 2021-04-14 2025-06-02 富士フイルム株式会社 推定装置、方法およびプログラム
JP2022167132A (ja) * 2021-04-22 2022-11-04 日本装置開発株式会社 Ｘ線検査装置
JP2022176882A (ja) * 2021-05-17 2022-11-30 キヤノン株式会社 放射線撮像装置および放射線撮像システム
WO2022244495A1 (ja) * 2021-05-17 2022-11-24 キヤノン株式会社 放射線撮像装置および放射線撮像システム
CN113496494B (zh) * 2021-06-17 2024-08-09 北京理工大学 基于drr模拟数据生成的二维骨骼分割方法及装置
JP7728680B2 (ja) * 2021-09-27 2025-08-25 富士フイルム株式会社 画像処理装置、方法およびプログラム
JP2023065028A (ja) * 2021-10-27 2023-05-12 堺化学工業株式会社 教師データ生成方法、画像解析モデル生成方法、画像解析方法、教師データ生成プログラム、画像解析プログラムおよび教師データ生成装置
WO2023134855A1 (en) * 2022-01-13 2023-07-20 Brainlab Ag Detection of image structures via dimensionality-reducing projections
KR102705884B1 (ko) * 2022-03-22 2024-09-11 사회복지법인 삼성생명공익재단 대퇴골 x-레이 영상을 이용한 학습 모델 기반의 종양 분류 방법 및 분석장치
CN119300762A (zh) * 2022-05-20 2025-01-10 国立大学法人大阪大学 程序、信息处理方法、以及信息处理装置
JP7664438B2 (ja) * 2023-09-13 2025-04-17 京セラ株式会社 情報処理システム、情報処理方法、画像生成装置および画像生成プログラム
WO2025164645A1 (ja) * 2024-01-31 2025-08-07 京セラ株式会社 生成方法、学習方法、推定方法、生成装置、推定装置、制御プログラムおよび記録媒体

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008011901A (ja) * 2006-07-03 2008-01-24 Fujifilm Corp 画像種類判別装置および方法並びにプログラム
US20100246915A1 (en) * 2009-03-27 2010-09-30 Mitsubishi Electric Corporation Patient registration system
JP2016119954A (ja) * 2014-12-24 2016-07-07 好民 村山 放射線撮影装置
JP2016221100A (ja) * 2015-06-02 2016-12-28 株式会社東芝 医用画像処理装置、および治療システム

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2638875B2 (ja) 1988-01-31 1997-08-06 株式会社島津製作所 骨塩定量分析装置
JP2764492B2 (ja) * 1992-01-17 1998-06-11 富士写真フイルム株式会社 放射線画像の撮影方向認識方法
JP2002236910A (ja) 2001-02-09 2002-08-23 Hitachi Medical Corp ３次元画像作成方法
CN1907225B (zh) 2005-08-05 2011-02-02 Ge医疗系统环球技术有限公司 用于脑内出血损伤分割的方法和设备
JP4919408B2 (ja) 2007-01-12 2012-04-18 富士フイルム株式会社 放射線画像処理方法および装置ならびにプログラム
US9538940B2 (en) * 2012-05-03 2017-01-10 University of Pittsburgh—of the Commonwealth System of Higher Education Intelligent algorithms for tracking three-dimensional skeletal movement from radiographic image sequences
JP2014158628A (ja) * 2013-02-20 2014-09-04 Univ Of Tokushima 画像処理装置、画像処理方法、制御プログラム、および記録媒体
JP2017185007A (ja) 2016-04-05 2017-10-12 株式会社島津製作所 放射線撮影装置、放射線画像の対象物検出プログラムおよび放射線画像における対象物検出方法
US9799120B1 (en) 2016-05-09 2017-10-24 Siemens Healthcare Gmbh Method and apparatus for atlas/model-based segmentation of magnetic resonance images with weakly supervised examination-dependent learning
KR101928984B1 (ko) * 2016-09-12 2018-12-13 주식회사 뷰노 골밀도 추정 방법 및 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008011901A (ja) * 2006-07-03 2008-01-24 Fujifilm Corp 画像種類判別装置および方法並びにプログラム
US20100246915A1 (en) * 2009-03-27 2010-09-30 Mitsubishi Electric Corporation Patient registration system
JP2016119954A (ja) * 2014-12-24 2016-07-07 好民 村山 放射線撮影装置
JP2016221100A (ja) * 2015-06-02 2016-12-28 株式会社東芝 医用画像処理装置、および治療システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
C . LINDNER: "Fully Automatic Segmentation of the Proximal Femur Using Random Forest Regression Voting", IEEE TRANSACTIONS ON MEDICAL IMAGING *

Also Published As

Publication number Publication date
KR20200142057A (ko) 2020-12-21
JPWO2019208037A1 (ja) 2021-04-01
WO2019208037A1 (ja) 2019-10-31
KR102527440B1 (ko) 2023-05-02
JP7092190B2 (ja) 2022-06-28
CN112165900B (zh) 2024-12-27

Similar Documents

Publication Publication Date Title
CN112165900B (zh) 图像解析方法、分割方法、骨密度测量方法、学习模型生成方法和图像生成装置
CN111938678B (zh) 一种成像系统和方法
US9142020B2 (en) Osteo-articular structure
CN103442638B (zh) 骨密度测量装置
CN109472835B (zh) 处理医学图像数据的方法和医学图像数据的图像处理系统
JP5345947B2 (ja) 対象物を撮像する撮像システム及び撮像方法
US8660329B2 (en) Method for reconstruction of a three-dimensional model of a body structure
JPWO2019003474A1 (ja) 放射線治療用追跡装置、位置検出装置および動体追跡方法
CN109419526B (zh) 用于数字乳房断层合成中的运动评估和校正的方法和系统
CN111601552A (zh) 图像制作装置
US9351695B2 (en) Hybrid dual energy imaging and bone suppression processing
US20240265667A1 (en) Systems, devices, and methods for segmentation of anatomical image data
US12217430B2 (en) Systems and methods for processing x-ray images
CN106780649A (zh) 图像的伪影去除方法和装置
KR20110115762A (ko) 환자 맞춤형 3차원 인체 뼈 모델 재구성 방법
EP4354395A1 (en) Artificial intelligence-based dual energy x-ray image motion correction training method and system
JP2011056024A (ja) 放射線撮影装置、放射線撮影方法、及びプログラム
JP2009160313A (ja) 画像処理装置、画像処理方法、及びコンピュータプログラム
CN110349151B (zh) 一种目标识别方法及装置
CN117437144A (zh) 用于图像去噪的方法和系统
JP2023154994A (ja) 画像処理装置、画像処理装置の作動方法、およびプログラム
EP4368109A1 (en) Method for training a scatter correction model for use in an x-ray imaging system
JP2024063537A (ja) 情報処理装置及びその制御方法、放射線撮影システム、プログラム
Brehler Intra-operative visualization and assessment of articular surfaces in C-arm computed tomography images
WO2020255290A1 (ja) 器官画像解析方法および学習方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant