训练完毕模型生成程序、图像生成程序、训练完毕模型生成装置、图像生成装置、训练完毕模型生成方法以及图像生成方法

医药医疗技术的改进;医疗器械制造及应用技术1.本发明涉及一种训练完毕模型生成程序、图像生成程序、训练完毕模型生成装置、图像生成装置、训练完毕模型生成方法以及图像生成方法。背景技术：2.为了减少被检体的被照射剂量，例如使用执行稀疏视图ct(computed tomography，计算机断层成像技术)、低剂量ct的x射线ct装置，其中稀疏视图ct通过减少投影方向的数量来扫描被检体，低剂量ct在抑制流过x射线管的电流的状态下扫描被检体。使用压缩感知的重构方法被用作在执行这些扫描时生成高清画质的重构图像的主要重构方法。该重构方法通过使用重构图像的浓度变化是分段相同的模型来生成重构图像。另外，即便在这样的重构方法中，也会在医疗用x射线ct装置中频繁使用被称为总变分(tv：total variation)的重构方法。3.作为这种技术的一个示例，可举出专利文献1中公开的医用摄像装置。该医用摄像装置具备图像重构部和基底选择部，所述图像重构部通过由压缩感知的迭代最优化演算来重构图像，所述基底选择部在每次迭代时选择用于最优化的基底转换。基底选择部按照预先设定的基底的顺序选择基底。或者，基底选择部使用预先设定于基底的权重系数选择基底。4.现有技术文献5.专利文献6.专利文献1：日本特开2018-134199号公报技术实现要素：7.(发明要解决的技术问题)8.然而，就上述的医用摄像装置而言，由于其采用压缩感知，因此，例如在执行稀疏视图ct或者低剂量ct的情况下，重构图像上会出现诸如梯形伪影、平滑的浓度变化消失、纹理消失等问题。可知这种画质退化会因稀疏视图ct或者低剂量ct的测量条件不同而明显表现出来。9.本发明是鉴于上述的问题而完成的，其提供能够缓和出现在重构图像(其通过使用压缩感知的重构方法生成)上的画质退化的训练完毕模型生成程序、图像生成程序、训练完毕模型生成装置、图像生成装置、训练完毕模型生成方法以及图像生成方法。10.(用于解决技术问题的技术手段)11.本发明的一个实施方式为一种训练完毕模型生成程序，其特征在于，使计算机实现如下功能：训练执行功能，其通过将第一输入图像数据以及第二输入图像数据输入至机器训练装置以执行机器训练，并使所述机器训练装置生成训练完毕模型，其中，所述第一输入图像数据示出通过第一重构方法生成的第一输入图像，所述第二输入图像数据示出通过第二重构方法生成的第二输入图像，所述第一重构方法使用压缩感知，所述第二重构方法为与所述第一重构方法不同的重构方法，为解析型重构方法；训练完毕模型获取功能，其获取示出所述训练完毕模型的训练完毕模型数据。12.本发明的一个实施方式为上述训练完毕模型生成程序，可以通过探索尽可能减小由下式(1)所表示的均方误差的所述第一重构方法的平滑化参数、在用作所述训练完毕模型的卷积神经网络中使用的权重系数、以及在所述卷积神经网络中使用的偏差而使所述机器训练装置生成所述训练完毕模型，13.[数学式1][0014][0015]其中：[0016]w：将卷积神经网络中使用的权重系数排列成一列的向量，[0017]b：将卷积神经网络中使用的偏差排列成一列的向量，[0018]β：第一重构方法的平滑化参数，[0019]xi：将示出由输出图像的各像素所表示的浓度的值排列成一列的向量，[0020]yi：将示出由第二输入图像的各像素所表示的浓度的值排列成一列的向量，[0021]zi：将示出由第一输入图像的各像素所表示的浓度的值排列成一列的向量。[0022]本发明的一个实施方式为上述训练完毕模型生成程序，所述训练执行功能可以至少将示出通过使用已设定第一平滑化参数的所述压缩感知的所述第一重构方法而生成的所述第一输入图像的所述第一输入图像数据、示出通过使用已设定与所述第一平滑化参数的值不同的第二平滑化参数的所述压缩感知的所述第一重构方法而生成的所述第一输入图像的所述第一输入图像数据输入至所述机器训练装置以执行机器训练，并使所述机器训练装置生成所述训练完毕模型。[0023]本发明的一个实施方式为上述训练完毕模型生成程序，除了所述第一输入图像数据之外，所述训练执行功能还可以将输出图像数据输入至所述机器训练装置以执行机器训练，并使所述机器训练装置生成所述训练完毕模型，所述输出图像数据示出通过与所述第一重构方法不同的第三重构方法生成的输出图像。[0024]本发明的一个实施方式为一种图像生成程序，其特征在于，使计算机实现图像生成功能，所述图像生成功能通过将示出输入图像的输入图像数据输入至通过根据上述训练完毕模型生成程序中的任一个而生成的所述训练完毕模型以生成重构图像。[0025]本发明的一个实施方式为一种训练完毕模型生成装置，其特征在于，具备：训练执行部，其通过将第一输入图像数据以及第二输入图像数据输入至机器训练装置以执行机器训练，并使所述机器训练装置生成训练完毕模型，其中，所述第一输入图像数据示出通过第一重构方法生成的第一输入图像，所述第二输入图像数据示出通过第二重构方法生成的第二输入图像，所述第一重构方法使用压缩感知，所述第二重构方法为与所述第一重构方法不同的重构方法，为解析型重构方法；训练完毕模型获取部，其获取示出所述训练完毕模型的训练完毕模型数据。[0026]本发明的一个实施方式为一种图像生成装置，其特征在于，具备图像生成部，所述图像生成部通过将示出输入图像的输入图像数据输入至通过根据上述训练完毕模型生成装置而生成的所述训练完毕模型以生成重构图像。[0027]本发明的一个实施方式为一种训练完毕模型生成方法，其特征在于，包括如下步骤：训练执行步骤，其通过将第一输入图像数据以及第二输入图像数据输入至机器训练装置以执行机器训练，并使所述机器训练装置生成训练完毕模型，其中，所述第一输入图像数据示出通过第一重构方法生成的第一输入图像，所述第二输入图像数据示出通过第二重构方法生成的第二输入图像，所述第一重构方法使用压缩感知，所述第二重构方法为与所述第一重构方法不同的重构方法，为解析型重构方法；训练完毕模型获取步骤，其获取示出所述训练完毕模型的训练完毕模型数据。[0028]本发明的一个实施方式为一种图像生成方法，其特征在于，具备图像生成步骤，所述图像生成步骤通过将示出输入图像的输入图像数据输入至通过根据上述训练完毕模型生成方法而生成的所述训练完毕模型以生成重构图像。[0029](发明的效果)[0030]根据本发明，能够缓解通过使用压缩感知的重构方法而生成的重构图像上出现的画质退化。附图说明[0031]图1为示出实施方式所涉及的图像生成系统的一个示例的图。[0032]图2为示出实施方式所涉及的x射线ct装置的一个示例的图。[0033]图3为示出实施方式所涉及的机器训练装置所执行的机器训练的一个示例的图。[0034]图4为示出实施方式所涉及的机器训练装置所执行的机器训练的一个示例的图。[0035]图5为示出实施方式所涉及的机器训练装置所执行的机器训练的一个示例的图。[0036]图6为示出实施方式所涉及的训练完毕模型生成程序所执行的处理的一个示例的流程图。[0037]图7为示出将通过已设定正常的剂量以及投影数据方向数量的扫描获取的投影数据重构而生成的重构图像的一个示例的图。[0038]图8为示出将通过使用总变分的重构方法将通过稀疏视图ct获取的投影数据重构而生成的重构图像的一个示例的图。[0039]图9为示出使用现有的训练完毕模型生成的重构图像的一个示例的图。[0040]图10为示出使用训练完毕模型生成的重构图像的一个示例的图，所述训练完毕模型通过将实施方式所涉及的第一输入图像数据以及第二输入图像数据输入至机器训练装置而生成。[0041]图11为示出使用训练完毕模型生成的重构图像的一个示例的图，所述训练完毕模型通过将实施方式所涉及的第一输入图像数据输入至机器训练装置而生成。[0042]图12为示出通过将投影数据重构而生成的重构图像的一个示例的图，所述投影数据通过已设定正常的剂量以及投影数据方向数量的扫描获取。[0043]图13为示出通过使用总变分的重构方法重构投影数据生成的重构图像的一个示例的图，所述投影数据通过稀疏视图ct获取。[0044]图14为示出使用现有的训练完毕模型生成的重构图像的一个示例的图。[0045]图15为示出使用训练完毕模型生成的重构图像的一个示例的图，所述训练完毕模型通过将实施方式所涉及的第一输入图像数据以及第二输入图像数据输入至机器训练装置而生成。[0046]图16为示出使用训练完毕模型生成的重构图像的一个示例的图，所述训练完毕模型通过将实施方式所涉及的第一输入图像数据输入至机器训练装置而生成。[0047]图17为示出通过将投影数据重构而生成的重构图像的一个示例的图，所述投影数据通过已设定正常的剂量以及投影数据方向数量的扫描获取。[0048]图18为示出通过将投影数据重构而生成的重构图像的一个示例的图，所述投影数据通过使用总变分的重构方法并通过稀疏视图ct获取。[0049]图19为示出使用现有的训练完毕模型生成的重构图像的一个示例的图。[0050]图20为示出使用训练完毕模型生成的重构图像的一个示例的图，所述训练完毕模型通过将实施方式所涉及的第一输入图像数据以及第二输入图像数据输入至机器训练装置而生成。[0051]图21为示出使用训练完毕模型生成的重构图像的一个示例的图，所述训练完毕模型通过将实施方式所涉及的第一输入图像数据多次输入至机器训练装置并将第二输入图像数据输入至机器训练装置而生成。[0052]附图标记说明[0053]1…图像生成系统[0054]10…x射线ct装置[0055]20…存储装置[0056]30…训练完毕模型生成装置[0057]300…训练完毕模型生成程序[0058]310…训练执行功能[0059]320…训练完毕模型获取功能[0060]40…图像生成装置[0061]400…图像生成程序[0062]410…图像生成功能[0063]50…机器训练装置。具体实施方式[0064][实施方式][0065]参照附图对本发明的实施方式进行说明。图1为示出实施方式所涉及的图像生成系统的一个示例的图。如图1所示，图像生成系统1具备x射线ct装置10、存储装置20、训练完毕模型生成装置30、图像生成装置40和机器训练装置50。x射线ct装置10、存储装置20、训练完毕模型生成装置30、图像生成装置40以及机器训练装置50均与网络nw连接。网络nw例如为因特网、内联网、wan(wide area network，广域网)、lan(local area network，局域网)。[0066]图2为示出实施方式所涉及的x射线ct装置的一个示例的图。如图2所示，x射线ct装置10具备顶板111、顶板驱动部112、x射线管121、x射线高压部122、x射线检测器123、扫描执行部124和ct图像生成部130。[0067]顶板111为载置被检体的板状的部件。顶板驱动部112使顶板111相对于x射线管121以及x射线检测器123移动。x射线管121产生照射于被检体的x射线。x射线高压部122向x射线管121施加高压。x射线检测器123具备检测元件，所述检测元件检测由x射线管121照射的x射线。[0068]扫描执行部124通过控制顶部驱动部112、x射线管121、x射线高压部122以及x射线检测器123对被检体进行扫描，并获取多个投影数据。当执行被检体的扫描时，x射线管121以及x射线检测器123在彼此对向的状态下围绕被检体的周围旋转。另外，将获取多个投影数据的每一个时的x射线管121的位置称为视野。ct图像生成部130通过将扫描被检体而生成的多个投影数据进行重构来生成ct图像，并将示出该ct图像的ct图像数据存储在存储装置20中。[0069]此外，x射线ct装置10不仅可以进行正常的ct摄影，还可以进行稀疏视图ct摄影和低剂量ct摄影。在所述稀疏视图ct摄影中，通过减少投影方向的数量来扫描被检体。在所述低剂量ct摄影中，在抑制流过x射线管的电流的状态下扫描被检体。[0070]图1所示的训练完毕模型生成装置30以及图像生成装置40均为例如具备存储介质以及硬件处理器的计算机。[0071]存储介质例如为硬盘驱动器(hdd：hard disk drive)、固态驱动器(ssd：solid state drive)、闪存(flash memory)、rom(read only memory，只读存储器)。训练完毕模型生成装置30所具备的存储介质存储有图1所示的训练完毕模型生成程序300。图像生成装置40所具备的存储介质存储有图1所示的图像生成程序400。[0072]硬件处理器例如为cpu(central processing unit，中央处理单元)。训练完毕模型生成装置30所具备的硬件处理器读取并执行训练完毕模型生成程序300，由此实现图1所示的训练执行功能310和训练完毕模型获取功能320。另外，图像生成装置40所具备的硬件处理器通过读取并执行图像生成程序400而存储图1所示的图像生成功能410。训练完毕模型生成程序300以及图像生成程序400执行接下来说明的第一处理、第二处理或者第三处理。[0073][第一处理][0074]训练执行功能310将第一输入图像数据和输出图像数据的组输入至机器训练装置50以执行机器训练，并使机器训练装置50生成训练完毕模型。第一输入图像数据为示出通过使用压缩感知的第一重构方法生成的第一输入图像的数据。输出图像数据为示出对应于第一输入图像、与第一输入图像相比画质退化少、作为机器训练装置50执行的机器训练的正解的输出图像的数据。具体而言，通过与第一重构方法不同的第三重构方法生成输出图像。另外，生成输出图像的条件为正常的剂量以及投影方向数量的条件。[0075]在这种情况下，多个第一输入图像与多个输出图像可以是全部彼此一对一关联的，也可以是全部彼此多对一关联的，也可以是仅一部分一对一关联的，也可以是仅一部分多对一关联的，还可以是不关联的。另外，第一输入图像的数量与输出图像的数量既可以一致也可以不一致。[0076]在第一重构方法中使用的压缩感知例如为总变分。使用总变分生成第一输入图像的处理为探索尽可能减小由下式(2)(其包含向量p、矩阵a、向量z以及第一重构方法的平滑化参数β)表示的值的向量z的处理。向量p为将示出x射线的强度(由各视野中获取的投影数据的各像素所表示)的值排列成一列的向量。矩阵a为表示x射线通过包含在各元素被扫描的区域中的各微小区域的长度的矩阵。向量z为将示出由第一输入图像的各像素所表示的浓度的值排列成一列的向量。第一重构方法的平滑化参数β为示出将第一输入图像平滑化的强度的参数。||z||tv为向量z的总变分范数(トータルバリエーションノルム)。[0077][数学式2][0078][0079]第一输入图像为通过对x射线ct装置10执行正常的ct摄影、稀疏视图ct摄影或者低剂量ct摄影生成的投影数据进行第一重构而生成的ct图像。或者，第一输入图像为对另一个x射线ct装置生成的投影数据进行第一重构生成的ct图像。[0080]机器训练装置50例如生成使用卷积神经网络(cnn：convolutional neural network)的训练完毕模型。图3为示出实施方式所涉及的机器训练装置所执行的机器训练的一个示例的图。如图3所示，机器训练装置50接收与第一输入图像数据相关的向量zi以及与输出图像数据相关的向量xi的输入，并执行机器训练。执行该机器训练并生成训练完毕模型的处理为探索尽可能减小由下式(3)(其包含机器训练使用的第一输入图像与对应于该第一输入图像的输出图像的组的样本数量n、向量w、向量b、第一重构方法的平滑化参数β、向量xi以及向量zi)表示的均方误差(mse：mean square error)的向量w、向量b、第一重构方法的平滑化参数β的处理。向量w为将上述的卷积神经网络中使用的权重系数排列成一列的向量。向量b为将上述的卷积神经网络中使用的偏差排列成一列的向量。向量xi为将示出由输出图像的各像素所表示的浓度的值排列成一列的向量。向量zi为将示出由第一输入图像的各像素所表示的浓度的值排列成一列的向量。此外，第一重构方法的平滑化参数β均与上述相同。另外，式(3)中包含的“cnn”表示卷积神经网络。[0081][数学式3][0082][0083]训练完毕模型获取功能320获取示出训练完毕模型的训练完毕模型数据。并且，训练完毕模型获取功能320将训练完毕模型数据存储在存储装置20中。[0084]图像生成功能410将输入图像数据输入至由存储装置20存储的训练完毕模型数据所示出的训练完毕模型以生成重构图像。输入图像数据为示出输入图像的数据。输入图像为通过与上述训练中使用的第一输入图像相同的压缩感知生成的图像。[0085]图像生成功能410生成重构图像的处理通过下式(4)(其包含向量x、向量w、向量b、向量z以及第一重构方法的平滑化参数β)表示。此外，向量w、向量b、向量z以及第一重构方法的平滑化参数β均与上述相同。另外，式(4)中包含的“cnn”表示卷积神经网络。在生成训练完毕模型的训练过程中自动确定向量w、向量b以及第一重构方法的平滑化参数β。[0086][数学式4][0087]x＝cnn(w，b)z(β)…(4)[0088][第二处理][0089]训练执行功能310将第一输入图像数据、第二输入图像数据与输出图像数据的组输入至机器训练装置50以执行机器训练，并使机器训练装置50生成训练完毕模型。第一输入图像数据以及输出图像数据与上述第一处理的情况相同。[0090]在这种情况下，多个第一输入图像与多个第二输入图像以及多个输出图像可以是全部彼此一对一关联的，也可以是全部彼此多对一关联的，也可以是仅一部分一对一关联的，也可以是仅一部分多对一关联的，还可以是不关联的。另外，第一输入图像的数量、第二输入图像的数量与输出图像的数量既可以彼此一致也可以彼此不一致。[0091]另外，在这种情况下，多个第一输入图像与多个第二输入图像可以是全部彼此一对一关联的，也可以是全部彼此多对一关联的，也可以是仅一部分一对一关联的，也可以是仅一部分多对一关联的，还可以是不关联的。另外，第一输入图像的数量与第二输入图像的数量既可以彼此一致也可以彼此不一致。进一步，这些适用于第一输入图像与输出图像的关系以及第二输入图像与输出图像的关系。[0092]第二输入图像数据为示出通过作为解析型重构方法的第二重构方法生成的第二输入图像的数据。第二重构方法例如为滤波反投影算法(fbp：filtered back-projection)。第二输入图像为通过将x射线ct装置10执行正常的ct摄影、稀疏视图ct摄影或者低剂量ct摄影所生成的投影数据进行第二重构而生成的ct图像。或者，第二输入图像为通过将另一x射线ct装置生成的投影数据进行第二重构而生成的ct图像。[0093]机器训练装置50例如生成使用卷积神经网络的训练完毕模型。图4为示出实施方式所涉及的机器训练装置执行的机器训练的一个示例的图。如图4所示，机器训练装置50接收与第一输入图像数据相关的向量zi、与第二输入图像数据相关的向量yi以及与输出图像数据相关的向量xi的输入，并执行机器训练。执行该机器训练并生成训练完毕模型的处理为探索尽可能减小由下式(5)(其包含第一输入图像、第二输入图像以及输出图像的组的样本数量n、向量w、向量b、第一重构方法的平滑化参数β、向量xi、向量yi以及向量zi)表示的均方误差的向量w、向量b以及第一重构方法的平滑化参数β的处理。向量yi为将示出由第二输入图像的各像素所表示的浓度的值排列成一列的向量。此外，向量w、向量b、第一重构方法的平滑化参数β、向量xi以及向量zi与第一处理的情况相同。[0094][数学式5][0095][0096]训练完毕模型获取功能320获取示出训练完毕模型的训练完毕模型数据。并且，训练完毕模型获取功能320将训练完毕模型数据存储在存储装置20中。[0097]图像生成功能410将输入图像数据输入至由存储装置20存储的训练完毕模型数据所示出的训练完毕模型以生成重构图像。输入图像数据为示出输入图像的数据。输入图像例如为通过与上述的第一输入图像相同的压缩感知或者与上述的第二输入图像相同的解析型重构方法生成的图像。[0098]图像生成功能410生成重构图像的处理由下式(6)(其包含向量x、向量w、向量b、向量y、向量z以及第一重构方法的平滑化参数β)表示。向量y为将示出由第二输入图像的各像素所表示的浓度的值排列成一列的向量。此外，向量x、向量w、向量b、向量z以及第一重构方法的平滑化参数β均与第一处理的情况相同。另外，式(6)中包含的“cnn”表示卷积神经网络。[0099][数学式6][0100][0101][第三处理][0102]训练执行功能310将通过已设定互不相同的平滑化参数的第一重构方法生成的至少两种第一输入图像数据与输出图像数据的组输入至机器训练装置50以执行机器训练，并使机器训练装置50生成训练完毕模型。第一种类的第一输入图像数据为示出通过使用压缩感知(其已设定第一平滑化参数)的第一重构方法生成的第一输入图像的第一输入图像数据。第二种类的第一输入图像数据为示出通过使用压缩感知(其已设定与第一平滑化参数的值不同的第二平滑化参数)的第一重构方法生成的第一输入图像的第一输入图像数据。[0103]另外，同样地，除了第一种类的第一输入图像数据以及第二种类的第一输入图像数据之外，训练执行功能310也可以将包含第三种类的第一输入图像数据至第m(m：三以上的自然数)种类的第一输入图像数据的组输入至机器训练装置50以执行机器训练，并使机器训练装置50生成训练完毕模型。在这种情况下，训练执行功能310将包含三种以上的第一输入图像数据的组输入至机器训练装置50以执行机器训练，并使机器训练装置50生成训练完毕模型。第m种类的第一输入图像数据为示出通过使用压缩感知(其已设定与其他的平滑化参数的值不同的第m平滑化参数)的第一重构方法生成的第一输入图像的第一输入图像数据。[0104]也就是说，训练执行功能310将通过使用平滑化参数互不相同的压缩感知的第一重构方法生成的多个第一输入图像与输出图像的组输入至机器训练装置50以执行机器训练，并使机器训练装置50生成训练完毕模型。[0105]在这种情况下，多种第一输入图像所包含的第一输入图像组与多个输出图像可以是全部彼此一对一关联的，也可以是全部彼此多对一关联的，也可以是仅一部分一对一关联的，也可以是仅一部分多对一关联的，还可以是不关联的。另外，第一输入图像组的数量与输出图像的数量既可以一致也可以不一致。[0106]机器训练装置50例如生成使用卷积神经网络的训练完毕模型。图5为示出实施方式所涉及的机器训练装置执行的机器训练的一个示例的图。如图5所示，机器训练装置50接收分别与多个第一输入图像数据相关的向量zi(1)、向量zi(2)、……以及向量zi(m)和与输出图像数据相关的向量xi的输入以执行机器训练。执行该机器训练并生成训练完毕模型的处理为探索尽可能减小由下式(7)(其包含与训练时使用的第一输入图像以及对应的输出图像的组的样本数量n、向量w、向量b、向量xi、向量zi(1)、向量zi(2)……以及向量zi(m)(m：2以上的自然数))所表示的均方误差的向量w以及向量b的处理。向量zi(1)、向量zi(2)、……以及向量zi(m)均为将示出由第一输入图像的各像素所表示的浓度的值排列成一列的向量。此外，向量w、向量b以及向量xi与第一处理的情况相同。[0107][数学式7][0108][0109]训练完毕模型获取功能320获取示出训练完毕模型的训练完毕模型数据。并且，训练完毕模型获取功能320将训练完毕模型数据存储在存储装置20中。[0110]图像生成功能410将输入图像数据输入至由存储装置20存储的训练完毕模型数据所示出的训练完毕模型以生成重构图像。输入图像数据为示出m’(m’：2以上的自然数)个输入图像的向量zi(1)、向量zi(2)、……以及向量zi(m’)。输入图像为通过与上述的多种第一输入图像相同的方法即已设定互不相同的平滑化参数的压缩感知生成的图像。此外，m’既可以与上述m相同也可以与上述m不同。[0111]图像生成功能410生成重构图像的处理由下式(8)(其包含向量x、向量w、向量b、向量z(1)、向量z(2)、……以及向量z(m))表示。向量z(1)、向量z(2)、……以及向量z(m)均为将示出由第一输入图像的各像素所表示的浓度的值排列成一列的向量。此外，向量x、向量w以及向量b与第一处理的情况相同。另外，式(8)中包含的“cnn”表示卷积神经网络。[0112][数学式8][0113][0114]接下来，参照图6对实施方式所涉及的训练完毕模型生成程序300所执行的处理的一个示例进行说明。图6为示出实施方式所涉及的训练完毕模型生成程序所执行的处理的一个示例的流程图。[0115]在步骤s10中，训练执行功能310至少将第一输入图像数据输入至机器训练装置50以执行机器训练，并使机器训练装置50生成训练完毕模型。[0116]在步骤s20中，训练完毕模型获取功能320获取示出步骤s10中生成的训练完毕模型的训练完毕模型数据。[0117]以上对实施方式所涉及的训练完毕模型生成程序300以及图像生成程序400进行了说明。[0118]训练完毕模型生成程序300将示出通过使用压缩感知的第一重构方法生成的第一输入图像的第一输入图像数据输入至机器训练装置50以执行机器训练，并使机器训练装置50生成训练完毕模型。并且，训练完毕模型生成程序300获取示出训练完毕模型的训练完毕模型数据。[0119]由此，训练完毕模型生成程序300可以生成训练完毕模型，所述训练完毕模型可以生成由于压缩感知而在第一输入图像上出现的梯形伪影、平滑的浓度变化消失、纹理消失等得到缓解的重构图像。另外，即使在第一重构方法的平滑化参数β的优选值未知的情况下，训练完毕模型生成程序300仅通过将第一输入图像数据输入至机器训练装置50便能够获得这种效果。[0120]除了第一输入图像数据之外，训练完毕模型生成程序300还将示出通过第二重构方法生成的第二输入图像的第二输入图像数据输入至机器训练装置50以执行机器训练，并使机器训练装置50生成训练完毕模型。所述第二重构方法为与第一重构方法不同的重构方法，并且为解析型重构方法。另外，解析型重构方法具有能够生成以比较高的精度再现平滑的浓度变化的重构图像的优点。[0121]由此，训练完毕模型生成程序300可以生成训练完毕模型，所述训练完毕模型能够以该优点弥补由于压缩感知而在第一输入图像上出现的梯形伪影、平滑的浓度变化消失、纹理消失等。另外，即使在第一重构方法的平滑化参数β的优选值未知的情况下，训练完毕模型生成程序300仅通过将第一输入图像数据以及第二输入图像数据输入至机器训练装置50便能够获得这种效果。[0122]训练完毕模型生成程序300通过探索尽可能减小上述的式(5)所表示的均方误差的第一重构方法的平滑化参数β、用作训练完毕模型的卷积神经网络中使用的权重系数w以及卷积神经网络中使用的偏差b，而使机器训练装置50生成训练完毕模型。[0123]由此，由于训练完毕模型生成程序300通过探索训练过程中的第一重构方法的平滑化参数β的优选值而生成训练完毕模型，因此，可以节省欲使图像生成程序400生成重构图像的人员错误试行并确定第一重构方法的平滑化参数β的具体值的工作量。另外，由于较多情况下难以凭借经验确定第一重构方法的平滑化参数β的优选值，因此这种效果特别有效。[0124]训练完毕模型生成程序300将通过已设定互不相同的平滑化参数的第一重构方法生成的至少两种第一输入图像数据输入至机器训练装置50以执行机器训练，并使机器训练装置50生成训练完毕模型。[0125]由此，训练完毕模型生成程序300通过结合平滑化的强度互不相同的多个重构图像的特征可以生成训练完毕模型，所述训练完毕模型生成了由于压缩感知而在第一输入图像上出现的梯形伪影、平滑的浓度变化消失、纹理消失等得到缓解的重构图像。另外，即使在第一重构方法的平滑化参数β的优选值未知的情况下，训练完毕模型生成程序300仅通过将至少两种第一输入图像数据输入至机器训练装置50便能够获得这种效果。[0126]除了第一输入图像数据之外，训练完毕模型生成程序300将示出在正常的剂量以及投影方向数量的条件下生成的输出图像的输出图像数据输入至机器训练装置50以执行机器训练，并使机器训练装置50生成训练完毕模型。[0127]由此，训练完毕模型生成程序300可以使机器训练装置50执行有教师的训练，并使机器学习装置50生成具有更高精度的训练完毕模型。[0128]图像生成程序400将示出输入图像的输入图像数据输入至由训练完毕模型生成程序300生成的训练完毕模型，以生成重构图像。[0129]由此，图像生成程序400能够缓解通过使用压缩感知的重构方法生成的重构图像上出现的画质退化。[0130]接下来，参照图7至图11对上述效果的第一具体示例进行说明。图7为示出将通过已设定正常的剂量以及投影数据方向数量的扫描获取的投影数据重构而生成的重构图像的一个示例的图。重构图像越接近图7所示的重构图像p7，该重构图像上由于压缩感知引起的画质退化越少。[0131]图8为示出通过使用全变分的重构方法将通过稀疏视图ct获取的投影数据重构而生成的重构图像的一个示例的图。图8所示的重构图像p8根据通过稀疏视图ct摄影获取的64方向的投影数据生成。另外，如图8的左下方所示，重构图像p8的均方误差为82.19，图像评价指数(ssim：structural similarity)为0.89。[0132]这里，均方误差通过下式(9)(其包含表示正常的剂量以及投影方向数量的重构图像p7的函数g(i,j)、表示成为目标的重构图像的函数f(i,j)与这两个重构图像各自的像素总数l)算出。指数i以及指数j为示出这两个重构图像各自的像素的位置的指数。[0133][数学式9][0134][0135]另外，图像评价指数通过下式(10)算出，重构图像越接近重构图像p7，其值越大。此外，式(10)的详情记载于投稿论文“z.wang,a.c.bovik,h.r.sheikh and e.p.simoncelli,"image quality assessment:from error visibility to structural similarity,"ieee transactions on image processing,vol.13,no.4,pp.600-612,apr.2004.”中。[0136][数学式10][0137][0138]在图8所示的重构图像p8中，血管等对比度较低的构造物与图7所示的重构图像p7同样地以白色描绘。但是，由于重构图像p8通过总变分而被平滑化，因此重构图像p7中描绘的平滑的浓度变化和细微纹理在整个重构图像p8上消失。[0139]图9为示出使用现有的训练完毕模型生成的重构图像的一个示例的图。这里所说的现有的训练完毕模型是通过仅将滤波反投影方法生成的重构图像以及在正常的剂量以及投影方向数量的条件下生成的输出图像输入至使用卷积神经网络的机器训练装置以使该机器训练装置训练而生成的训练完毕模型。图9所示的重构图像p9根据通过稀疏视图ct摄影获取的64方向的投影数据生成。另外，如图9的左下方所示，重构图像p9的均方误差为79.06，图像评价指数为0.88。[0140]图9所示的重构图像p9整体上再现了一定量以上的图7所示的重构图像p7中描绘的平滑的浓度变化和细微纹理。但是，重构图像p9中无法描绘出重构图像p7中以白色描绘的对比度较低的构造物的一部分。[0141]图10为示出使用训练完毕模型生成的重构图像的一个示例的图，所述训练完毕模型通过将实施方式所涉及的第一输入图像数据以及第二输入图像数据输入至机器训练装置而生成。图10所示的重构图像p10根据通过稀疏视图ct摄影获取的64方向的投影数据生成。另外，如图10的左下方所示，重构图像p10的均方误差为34.96，图像评价指数为0.91。[0142]图10所示的重构图像p10整体上以高精度再现了图7所示的重构图像p7中描绘的平滑的浓度变化和细微纹理。另外，重构图像p10与图7所示的重构图像p7同样地以白色描绘对比度较低的构造物。重构图像p10是图8至图11中所示的重构图像中最接近图7所示的重构图像的重构图像。[0143]图11为示出使用训练完毕模型生成的重构图像的一个示例的图，所述训练完毕模型通过将实施方式所涉及的第一输入图像数据输入至机器训练装置而生成。图11所示的重构图像p11根据通过稀疏视图ct摄影获取的64方向的投影数据生成。另外，如图11的左下方所示，重构图像p11的均方误差为37.15，图像评价指数为0.91。[0144]图11所示的重构图像p11整体上再现了一定量以上的图7所示的重构图像p7中描绘的平滑的浓度变化和细微纹理。另外，重构图像p11与图7所示的重构图像p7同样地以白色描绘对比度较低的构造物。然而，由于重构图像p11没有结合可以生成以高精度再现平滑的浓度变化的重构图像的这一解析型重构方法的优点，因此一部分如图8所示的重构图像p8一样被平滑化，与重构图像p10相比，重构图像p7中描绘的平滑的浓度变化和细微纹理在整个图像上消失。重构图像p11是图8至图11中所示的重构图像中第二接近图7所示的重构图像的重构图像。[0145]接下来，参照图12至图16对上述效果的第二具体示例进行说明。图12为示出通过重构投影数据生成的重构图像的一个示例的图，所述投影数据通过已设定正常的剂量以及投影数据方向数量的扫描获取。重构图像越接近图12所示的重构图像p12，则该重构图像的画质退化越少。[0146]图13为示出通过使用总变分的重构方法重构投影数据生成的重构图像的一个示例的图，所述投影数据通过稀疏视图ct获取。图13所示的重构图像p13根据通过稀疏视图ct摄影获取的64方向的投影数据生成。另外，如图13的左下方所示，重构图像p13的均方误差为98.56，图像评价指数为0.86。[0147]在图13所示的重构图像p13中，血管等对比度较低的构造物与图12所示的重构图像p12同样地以浅灰色描绘。然而，由于重构图像p13通过总变分而被平滑化，因此重构图像p12中描绘的平滑的浓度变化和细微纹理在整个重构图像p13上消失。[0148]图14为示出使用现有的训练完毕模型生成的重构图像的一个示例的图。图14所示的重构图像p14根据通过稀疏视图ct摄影获取的64方向的投影数据生成。另外，如图14的左下方所示，重构图像p14的均方误差为76.25，图像评价指数为0.84。[0149]图14所示的重构图像p14整体上再现了一定量以上的图12所示的重构图像p12中描绘的平滑的浓度变化和细微纹理。但是，重构图像p14无法描绘出重构图像p12中以浅灰色描绘的对比度较低的构造物的一部分。[0150]图15为示出使用训练完毕模型生成的重构图像的一个示例的图，所述训练完毕模型通过将实施方式所涉及的第一输入图像数据以及第二输入图像数据输入至机器训练装置而生成。图15所示的重构图像p15根据通过稀疏视图ct摄影获取的64方向的投影数据生成。另外，如图15的左下方所示，重构图像p15的均方误差为43.55，图像评价指数为0.88。[0151]图15所示的重构图像p15整体上以高精度再现了图12所示的重构图像p12中描绘的平滑的浓度变化和细微纹理。另外，在重构图像p15中，与图12所示的重构图像p12同样地以浅灰色描绘出对比度较低的构造物。重构图像p15是图13至图16所示的重构图像中最接近图12所示的重构图像的重构图像。[0152]图16为示出使用训练完毕模型生成的重构图像的一个示例的图，所述训练完毕模型通过将实施方式所涉及的第一输入图像数据输入至机器训练装置而生成。图16所示的重构图像p16根据通过稀疏视图ct摄影获取的64方向的投影数据生成。另外，如图16的左下方所示，重构图像p16的均方误差为59.01，图像评价指数为0.87。[0153]图16所示的重构图像p16整体上再现了一定量以上的图12所示的重构图像p12中描绘的平滑的浓度变化和细微纹理。另外，在重构图像p16中，与图12所示的重构图像p12同样地以浅灰色描绘出对比度较低的构造物。然而，由于重构图像p16没有结合可以生成以高精度再现平滑的浓度变化的重构图像的这一解析型重构方法的优点，因此一部分如图13所示的重构图像p13一样被平滑化，与重构图像p15相比，重构图像p12中描绘的平滑的浓度变化和细微纹理在整个重构图像p16上消失。重构图像p16是图13至图16中所示的重构图像中第二接近图12所示的重构图像的重构图像。[0154]接下来，参照图17至图21对上述效果的第三具体示例进行说明。图17为示出通过重构投影数据生成的重构图像的一个示例的图，所述投影数据通过已设定正常的剂量以及投影数据方向数量的扫描获取。重构图像越接近图17所示的重构图像p17，则该重构图像的画质退化越少。[0155]图18为示出通过使用总变分的重构方法重构投影数据生成的重构图像的一个示例的图，其中，所述投影数据通过稀疏视图ct获取。图18所示的重构图像p18根据通过稀疏视图ct摄影获取的64方向的投影数据生成。另外，如图18的左下方所示，重构图像p18的图像评价指数为0.586。此外，该图像评价指数是使用机器训练装置50生成的训练完毕模型针对100个病例生成的，主要是描绘肝脏的重构图像的图像评价指数的平均值。另外，图19至图21的左下方所示的图像评价指数也一样。[0156]在图18所示的重构图像p18中，血管等对比度较低的构造物与图17所示的重构图像p12同样地以浅灰色描绘。但是，由于重构图像p18通过总变分而被平滑化，因此重构图像p17中描绘的平滑的浓度变化和细微纹理在整个重构图像p18上消失。[0157]图19为示出使用现有的训练完毕模型生成的重构图像的一个示例的图。图19所示的重构图像p19根据通过稀疏视图ct摄影获取的64方向的投影数据生成。另外，如图19的左下方所示，重构图像p19的图像评价指数为0.823。[0158]图19所示的重构图像p19整体上再现了一定量以上的图17所示的重构图像p17中描绘的平滑的浓度变化和细微纹理。但是，重构图像p19无法描绘出重构图像p17中以浅灰色描绘的对比度较低的构造物的一部分。[0159]图20为示出使用训练完毕模型生成的重构图像的一个示例的图，所述训练完毕模型通过将实施方式所涉及的第一输入图像数据以及第二输入图像数据输入至机器训练装置而生成。图20所示的重构图像p20根据通过稀疏视图ct摄影获取的64方向的投影数据生成。另外，如图20的左下方所示，重构图像p20的图像评价指数为0.902。[0160]图20所示的重构图像p20整体上以高精度再现了图17所示的重构图像p17中描绘的平滑的浓度变化和细微纹理。另外，重构图像p20与图17所示的重构图像p17同样地以浅灰色描绘对比度较低的构造物。重构图像p20是图18至图21中所示的重构图像中第二接近图17所示的重构图像p17的重构图像。[0161]图21为示出使用训练完毕模型生成的重构图像的一个示例的图，所述训练完毕模型通过将实施方式所涉及的第一输入图像数据多次输入至机器训练装置并将第二输入图像数据输入至机器训练装置而生成。图21所示的重构图像p21根据通过稀疏视图ct摄影获取的64方向的投影数据生成。另外，如图21的左下方所示，重构图像p21的图像评价指数为0.910。[0162]图21所示的重构图像p21整体上以高精度再现了图17所示的重构图像p17中描绘的平滑的浓度变化和细微纹理。另外，重构图像p21与图17所示的重构图像p17同样地以浅灰色描绘对比度较低的构造物。重构图像p21是图18至图21中所示的重构图像中最接近图17所示的重构图像p17的重构图像。[0163]另外，重构图像p21是比重构图像p20更接近图17所示的重构图像p17的重构图像。其原因在于，平滑化参数β的优选值因重构图像的位置不同而不同，并且针对训练完毕模型所生成的重构图像的每个位置选择具有优选的平滑化参数β的第一输入图像数据，并组合这些平滑化参数β而生成重构图像。即，与重构图像p20不同，重构图像p21使用训练完毕模型(其通过输入已设定互不相同的平滑化参数β的多个第一输入图像数据而生成)而生成，因此，重构图像p21成为比重构图像p20更接近于图17所示的重构图像p17的重构图像。[0164]此外，在上述的实施方式中，以训练完毕模型生成装置30和图像生成装置40分离的情况为例进行了说明，但本发明不限于此。也就是说，训练完毕模型生成装置30和图像生成装置40可以形成为一体的装置。[0165]此外，在上述的实施方式中，以机器训练装置50生成使用卷积神经网络的训练完毕模型的情况为例进行了说明，但本发明不限于此。机器训练装置50也可以生成例如使用循环神经网络(rnn：recurrent neural network)的训练完毕模型。[0166]另外，在上述的实施方式中，以训练完毕模型生成程序300在第三处理中未将第二输入图像数据输入至机器训练装置50的情况为例进行了说明，但本发明不限于此。训练完毕模型生成程序300可以在第三处理中将第二输入图像数据与至少两种类型的第一输入图像数据以及输出图像数据一起输入至机器训练装置50。[0167]此外，在上述的实施例中，以在训练完毕模型生成程序300执行第一处理、第二处理以及第三处理的任一个的情况下，将输出图像数据输入至机器训练装置50而使机器训练装置50执行教师在场的训练的情况为例进行了说明，但本发明不限于此。也就是说，在训练完毕模型生成程序300执行第一处理、第二处理或者第三处理的情况下，也可以不将输出图像数据输入至机器训练装置50而使机器训练装置50执行无教师的训练。[0168]另外，在上述的实施方式中，以通过读取并执行训练完毕模型生成程序300的硬件处理器实现图1所示的各功能的情况为例进行了说明，但本发明不限于此。图1所示的功能的至少一部分可以通过包括lsi(大规模集成)、asic(专用集成电路)、fpga(现场可编程门阵列)和gpu(图形处理单元)等电路部(电路)的硬件处理器实现。或者，图1所示的功能的至少一部分可以通过软件与硬件的协作实现。另外，这些硬件可以集成为一个，也可以分成多个。[0169]另外，在上述的实施方式中，以将训练完毕模型生成程序300以及图像生成程序400应用于通过x射线ct装置生成的重构图像的情况为例进行了说明，但本发明不限于此。训练完毕模型生成程序300以及图像生成程序400也可以应用于例如通过正电子发射计算机断层扫描(pet：positron emission tomography)装置、单光子发射计算机断层显像(spect：single photon emission computed tomography)装置或者磁共振成像(mri：magnetic resonance imaging)装置生成的重构图像。[0170]以上，参照附图对本发明的实施方式进行了详细描述。但是，本发明的实施方式的具体构成不限于上述的实施方式，在未脱离本发明主旨的范围内可以将各种组合、变形、置换以及设计变更的至少一个加入上述的实施方式中。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!