放射线图像处理方法、学习完毕模型、放射线图像处理模块、放射线图像处理程序及放射线图像处理系统与流程 专利技术说明

测量装置的制造及其应用技术1.实施方式的一个方面涉及一种放射线图像处理方法、学习完毕模型、放射线图像处理模块、放射线图像处理程序及放射线图像处理系统。背景技术：2.目前已知以图像数据为对象进行使用了通过深度学习等机器学习而构建的学习完毕的模型噪声去除的方法(例如，参照下述专利文献1)。根据该方法，由于自动地去除来自图像数据的噪声，因此可高精度地观察对象物。3.现有技术文献4.专利文献5.专利文献1：日本特开2019-91393号公报技术实现要素：6.发明要解决的技术问题7.在如上述的现有的方法中，在将通过使x射线等放射线透过对象物而产生的放射线图像作为对象的情况下，有时噪声的去除不充分。例如，存在如下倾向：根据x射线源等放射线产生源的条件、所使用的滤波器(filter)的种类等条件，图像的亮度与噪声的关系容易变动，无法有效地去除噪声。8.因此，实施方式的一个方面是鉴于上述问题而完成的，其问题在于，提供一种可有效地去除放射线图像的噪声的放射线图像处理方法、学习完毕模型、放射线图像处理模块、放射线图像处理程序及放射线图像处理系统。9.解决课题的技术手段10.实施方式的一个方面的放射线图像处理方法具备：使用向对象物照射放射线，并拍摄透过对象物的放射线而取得放射线图像的系统，取得治具的放射线图像的步骤；确定治具的放射线图像的图像特性的步骤；基于图像特性，从预先使用图像数据通过机器学习分别构建的多个学习完毕模型中，选择学习完毕模型的步骤；使用系统，取得对象物的放射线图像的步骤；及使用所选择的学习完毕模型，执行从对象物的放射线图像去除噪声的图像处理的步骤。11.或者，实施方式的其他方面的学习完毕模型，是用于上述的放射线图像处理方法的学习完毕模型，该学习完毕模型使用图像数据通过机器学习而构建，使处理器执行从对象物的放射线图像去除噪声的图像处理。12.或者，实施方式的其他方面的放射线图像处理模块具备：取得部，其使用向对象物照射放射线，并拍摄透过对象物的放射线而取得放射线图像的系统，取得治具及对象物的放射线图像；确定部，其确定治具的放射线图像的图像特性；选择部，其基于图像特性，从预先使用图像数据通过机器学习分别构建的多个学习完毕模型中，选择学习完毕模型；及处理部，其使用所选择的学习完毕模型，执行从对象物的放射线图像去除噪声的图像处理。13.或者，实施方式的其他方面的放射线图像处理程序使处理器作为取得部、确定部、选择部及处理部发挥功能，该取得部使用向对象物照射放射线，并拍摄透过对象物的放射线而取得放射线图像的系统，取得治具及对象物的放射线图像；该确定部确定治具的放射线图像的图像特性；该选择部基于图像特性，从预先使用图像数据通过机器学习分别构建的多个学习完毕模型中，选择学习完毕模型；该处理部使用所选择的学习完毕模型，执行从对象物的放射线图像去除噪声的图像处理。14.或者，实施方式的其他方面的放射线图像处理系统具备：上述的放射线图像处理模块；产生源，其向对象物照射放射线；及拍摄装置，其拍摄透过对象物的放射线并取得放射线图像。15.根据上述一个方面或者其他方面的任一方面，确定治具的放射线图像的图像特性，基于该图像特性，从预先构建的学习完毕模型中选择用于噪声去除的学习完毕模型。由此，可推定因系统的放射线产生源的条件等而变化的放射线图像的特性，将根据该推定结果而选择的学习完毕模型用于噪声去除，因此，可实现与放射线图像的亮度与噪声的关系对应的噪声去除。其结果为，可有效地去除放射线图像的噪声。16.发明的效果17.根据实施方式，可有效地去除对象物的放射线图像的噪声。附图说明18.图1是实施方式的图像取得装置1的概略结构图。19.图2是示出图1的控制装置20的硬件结构的一例的框图。20.图3是示出图1的控制装置20的功能结构的框图。21.图4是示出用于图3的学习完毕模型206的构建的示教数据即图像数据的一例的图。22.图5是示出用于图3的学习完毕模型206的构建的示教数据即图像数据的制作顺序的流程图。23.图6是示出图3的确定部202的解析对象的x射线透过图像的一例的图。24.图7是示出图3的确定部202所取得的厚度-亮度的特性曲线图的一例的图。25.图8是示出图3的确定部202所取得的亮度-snr的特性曲线图的一例的图。26.图9是示出用于由图3的确定部202执行的分辨率的评估的x射线透过图像的一例的图。27.图10是用于说明由图3的选择部204执行的基于图像特性的学习完毕模型的选择功能的图。28.图11是示出用于由图3的选择部204执行的亮度-噪声比的评估的的治具的结构的一例的立体图。29.图12是示出以图11的治具为对象而获得的噪声去除处理后的x射线透过图像的图。30.图13是示出使用图像取得装置1的观察处理的顺序的流程图。31.图14是示出由图像取得装置1取得的噪声去除处理的前后的x射线透过图像的例的图。32.图15是示出由图像取得装置1取得的噪声去除处理的前后的x射线透过图像的例的图。33.图16是示出用于图像取得装置1的治具的方式的俯视图。34.图17是示出用于图像取得装置1的治具的方式的俯视图。35.图18是示出用于图像取得装置1的治具的方式的俯视图。具体实施方式36.以下，参照附图，详细地说明本发明的实施方式。此外，在说明中，对相同要素或具有相同功能的要素使用相同符号，并且省略重复的说明。37.图1是本实施方式的放射线图像处理系统即图像取得装置1的结构图。如图1所示，图像取得装置1，对沿搬送方向td搬送的对象物f照射x射线(放射线)，并取得基于透过对象物f的x射线而拍摄了对象物f的x射线透过图像(放射线图像)的装置。图像取得装置1使用x射线透过图像，进行以对象物f为对象的异物检查、重量检查、检验品检查等，作为用途，可列举食品检查、随身行李检查、基板检查、电池检查、材料检查等。图像取得装置1构成为具备：带式输送机(搬送机构)60、x射线照射器(放射线产生源)50、x射线检测相机(拍摄装置)10、控制装置(放射线图像处理模块)20、显示装置30、及用于进行各种输入的输入装置40。此外，本发明的实施方式的放射线图像并不限于x射线图像，也包含通过γ线等x射线以外的电磁放射线而产生的图像。38.带式输送机60具有载置有对象物f的带部，通过使该带部沿搬送方向td移动，而将对象物f以规定的搬送速度沿搬送方向td搬送。对象物f的搬送速度例如为48m/分钟。带式输送机60可根据需要，将搬送速度变更为例如24m/分钟、或96m/分钟等搬送速度。另外，带式输送机60可适当变更带部的高度位置，变更x射线照射器50与对象物f的距离。此外，作为由带式输送机60搬送的对象物f，例如可列举食用肉、海鲜、农作物、点心等食品、轮胎等橡胶产品、树脂产品、金属产品、矿物等资源材料、废弃物、及电子部件或电子基板等各种物品。x射线照射器50是作为x射线源将x射线向对象物f照射(输出)的装置。x射线照射器50是点光源，沿一定的照射方向在规定的角度范围使x射线扩散地照射。x射线照射器50，以x射线的照射方向朝向带式输送机60，并且扩散的x射线达到对象物f的宽度方向(与搬送方向td交叉的方向)整体的方式，从带式输送机60分开规定的距离地配置在带式输送机60的上方。另外，x射线照射器50，在对象物f的长度方向(与搬送方向td平行的方向)上，将长度方向上的规定的分割范围设为照射范围，并且对象物f被带式输送机60向搬送方向td搬送，从而，对对象物f的长度方向整体照射x射线。x射线照射器50通过控制装置20设定管电压及管电流，将与所设定的管电压及管电流相对应的规定的能量、放射线量的x射线朝向带式输送机60照射。另外，在x射线照射器50的带式输送机60侧的附近，设置有使x射线的规定波长频带透过的滤波器51。滤波器51不一定为必须，有时也可没有。39.x射线检测相机10检测由x射线照射器50向对象物f照射的x射线中的、透过对象物f的x射线，并输出基于该x射线的信号。x射线检测相机10是配置有2组检测x射线的结构的双线路x射线相机。在本实施方式的图像取得装置1中，基于由双线路x射线相机各自的线路(第1线路及第2线路)检测的x射线，分别生成x射线透过图像。并且，通过对生成的2个x射线透过图像进行平均处理或加法处理等，从而与基于由1条线路检测的x射线而生成x射线透过图像的情况相比，可以以较少的x射线量取得鲜明的(亮度大的)图像。40.x射线检测相机10具有：滤波器19；闪烁器11a、11b；线扫描相机12a、12b；传感器控制部13；放大器14a、14b；ad转换器15a、15b；修正电路16a、16b；输出接口17a、17b；及放大器控制部18。闪烁器11a、线扫描相机12a、放大器14a、ad转换器15a、修正电路16a、及输出接口17a分别电连接，是第1线路的结构。另外，闪烁器11b、线扫描相机12b、放大器14b、ad转换器15b、修正电路16b、及输出接口17b分别电连接，是第2线路的结构。第1线路的线扫描相机12a与第2线路的线扫描相机12b沿着搬送方向td排列地配置。此外，在以下中，对于在第1线路与第2线路中共通的结构，以第1线路的结构为代表进行说明。41.闪烁器11a通过粘接等固定在线扫描相机12a上，将透过对象物f的x射线转换成闪烁光。闪烁器11a将闪烁光输出至线扫描相机12a。滤波器19使x射线的规定波长频带朝向闪烁器11a地透过。滤波器19不一定为必须，有时也可没有。42.线扫描相机12a检测来自闪烁器11a的闪烁光，并转换成电荷，作为检测信号(电信号)输出至放大器14a。线扫描相机12a具有沿与搬送方向td交叉的方向排列的多个线传感器(line sensor)。线传感器例如是ccd(charge coupled device)图像传感器或cmos(complementary metal-oxide semiconductor)图像传感器等，包含多个光电二极管。43.传感器控制部13以线扫描相机12a、12b可拍摄透过对象物f的相同区域的x射线的方式，控制线扫描相机12a、12b以规定的检测周期重复拍摄。规定的检测周期例如也可基于线扫描相机12a、12b间的距离、带式输送机60的速度、x射线照射器50与带式输送机60上的对象物f的距离(fod(focus object distance：线源物体间距离))、以及x射线照射器50与线扫描相机12a、12b的距离(fdd(focus detector distance：线源传感器间距离))，设定线扫描相机12a、12b共通的周期。另外，规定的周期也可基于线扫描相机12a、12b各自的与线传感器的像素排列方向正交的方向的光电二极管的像素宽度，分别个别地设定。在该情况下，也可根据线扫描相机12a、12b间的距离、带式输送机60的速度、x射线照射器50与带式输送机60上的对象物f的距离(fod)、以及x射线照射器50与线扫描相机12a、12b的距离(fdd)，确定线扫描相机12a、12b间的检测周期的偏移(延迟时间)，并分别设定个别的周期。放大器14a以规定的设定放大率将检测信号放大并产生放大信号，并将该放大信号输出至ad转换器15a。设定放大率是通过放大器控制部18设定的放大率。放大器控制部18基于规定的拍摄条件，设定放大器14a、14b的设定放大率。44.ad转换器15a将由放大器14a输出的放大信号(电压信号)转换成数字信号，并输出至修正电路16a。修正电路16a对数字信号进行信号放大等规定的修正，并将修正后的数字信号输出至输出接口17a。输出接口17a将数字信号输出至x射线检测相机10外部。在图1中，ad转换器、修正电路、或输出接口分别个别地存在，但也可集成一个。45.控制装置20例如是pc(personal computer)等计算机。控制装置20基于从x射线检测相机10(更详细而言，输出接口17a、17b)输出的数字信号(放大信号)产生x射线透过图像。控制装置20通过将从输出接口17a、17b输出的2个数字信号进行平均处理或加法处理，而产生1个x射线透过图像。产生的x射线透过图像在实施后述的噪声去除处理之后被输出至显示装置30，并由显示装置30显示。另外，控制装置20控制x射线照射器50、放大器控制部18、及传感器控制部13。此外，本实施方式的控制装置20是独立地设置在x射线检测相机10的外部的装置，但也可在x射线检测相机10的内部一体化。46.图2示出控制装置20的硬件结构。如图2所示，控制装置20是在物理上包含作为处理器的cpu(central processing unit)101、作为记录介质的ram(random access memory)102或rom(read only memory)103、通信模块104、及输入输出模块106等的计算机等，各个电连接。此外，控制装置20也可包含显示器、键盘、鼠标、触控面板显示器(touch panel display)等作为输入装置40及显示装置30，也可包含硬盘驱动器、半导体内存等数据记录装置。另外，控制装置20也可由多个计算机构成。47.图3是示出控制装置20的功能结构的框图。控制装置20具备：取得部201、确定部202、选择部204、及处理部205。图3所示的控制装置20的各功能部通过以下而实现，即，通过在cpu 101及ram 102等硬件上读入程序(本实施方式的放射线图像处理程序)，来在cpu 101的控制下，使通信模块104、及输入输出模块106等动作，并且进行ram 102的数据的读出及写入。控制装置20的cpu 101通过执行该计算机程序而使控制装置20作为图3的各功能部发挥功能，依次执行与后述的放射线图像处理方法对应的处理。此外，cpu也可为单体的硬件，也可如软件处理器那样地安装在如fpga的可程序化逻辑器之中。关于ram或rom，也可为单体的硬件，也可内置在如fpga的可程序化逻辑器之中。执行该计算机程序所需的各种数据、及通过执行该计算机程序而产生的各种数据全部储存在rom 103、ram 102等内置内存、或硬盘驱动器等记忆介质。48.另外，在控制装置20，预先储存有：多个学习完毕模型206，其通过被cpu 101读入，而使cpu 101以x射线透过图像为对象执行噪声去除处理。多个学习完毕模型206分别是以图像数据作为示教数据预先构建的由机器学习产生的学习模型。关于机器学习，有示教学习、深层学习(deep learning)、或者强化学习、神经网络学习等。在本实施方式中，作为深度学习的算法的一例，采用张凯(kai zhang)等的论文“beyond a gaussian denoiser:residual learning of deep cnn for image denoising”中记载的二维的卷积神经网络。多个学习完毕模型206也可由外部的计算机等产生并下载至控制装置20，也可在控制装置20内产生。49.在图4中，示出用于学习完毕模型206的构建的示教数据即图像数据的一例。作为示教数据，可使用以各种厚度、各种材质、及各种分辨率的图案为拍摄对象的x射线透过图像。图4所示的例子是以鸡肉为对象而产生的x射线透过图像的例子。该图像数据也可使用实际地使用图像取得装置1以多种对象物为对象而产生的x射线透过图像，也可使用通过仿真计算而产生的图像数据。关于x射线透过图像，也可为使用与图像取得装置1不同的装置而取得的图像。另外，也可将x射线透过图像与通过仿真计算而产生的图像数据组合使用。多个学习完毕模型206分别使用以平均能量不同的透过x射线为对象而获得的图像数据且噪声分布为已知的图像数据来预先构建。图像数据的x射线的平均能量，分别通过设定图像取得装置1的x射线照射器(放射线产生源)50的动作条件、或图像取得装置1的拍摄条件等，或者通过设定仿真计算时的x射线照射器50的动作条件或拍摄条件，来预先设定成不同的值。即，多个学习完毕模型206，将训练图像用作训练数据，通过机器学习而进行构建(构建步骤)，其中，训练图像为与基于表示拍摄对象物f的x射线透过图像时的x射线照射器(放射线产生源)50的动作条件、或x射线检测相机10的拍摄条件等的条件信息而算出的、与透过对象物f的x射线相关的平均能量对应的x射线图像。例如，在本实施方式中，多个学习完毕模型206分别使用多个帧(frame)(例如，20000帧)平均能量设定为10kev、20kev、30kev、…及10kev刻度的值的多种图像数据而构建。50.图5示出用于学习完毕模型206的构建的示教数据即图像数据的制作顺序的流程图。51.示教数据即图像数据(也称为示教图像数据。)由计算机按照以下的顺序而制作。首先，制作具有规定的结构的结构体的图像(结构体图像)(步骤s101)。例如，也可通过仿真计算制作具有规定的结构的结构体的图像。另外，也可取得具有规定的结构的图表(chart)等的结构体的x射线图像而制作结构体图像。接着，针对从构成该结构体图像的多个像素中选择的一个像素，算出像素值的标准偏差即σ(sigma)值(步骤s102)。然后，基于在步骤s102中求得的σ值设定表示噪声分布的正态分布(泊松分布)(步骤s103)。如此，可通过基于σ值设定正态分布，来产生各种噪声条件的示教数据。接着，依照在步骤s103中基于σ值设定的正态分布，算出随机设定的噪声值(步骤s104)。进而，通过对一个像素的像素值附加在步骤s104中求得的噪声值，产生构成示教数据即图像数据的像素值(步骤s105)。分别对构成结构体图像的多个像素进行步骤s102至步骤s105的处理(步骤s106)，产生成为示教数据的示教图像数据(步骤s107)。另外，在还需要示教图像数据的情况下，判断对其他的结构体图像进行步骤s101至步骤s107的处理(步骤s108)，产生成为示教数据的其他的示教图像数据。此外，其他的构造体图像也可为具有相同结构的结构体的图像，也可为具有其他的结构的结构体的图像。52.此外，用于学习完毕模型206的构建的示教数据即图像数据需要准备多个。另外，结构体图像中，噪声少的图像较佳，理想地，无噪声的图像较佳。因此，若通过仿真计算而产生结构体图像，则可产生多个无噪声的图像，因此，通过仿真计算，产生结构体图像是有效的。53.以下，返回图3，对控制装置20的各功能部的功能的详情进行说明。54.取得部201取得使用图像取得装置1以治具及对象物f为对象照射x射线并拍摄的x射线透过图像。作为治具，使用厚度及材质已知、且x射线的平均能量与x射线透过率的关系已知的平板状构件，或者使用具有以各种分辨率拍摄的图表的治具。即，取得部201在对象物f的观察处理之前先取得使用图像取得装置1拍摄的治具的x射线透过图像。并且，取得部201在基于治具的x射线透过图像而选择了学习完毕模型206之后的时刻(timing)，取得使用图像取得装置1拍摄的对象物f的x射线透过图像。然而，治具及对象物f的x射线透过图像的取得时刻并不限定于上述，也可为同时，也可为相反的时刻。55.确定部202确定通过取得部201取得的治具的x射线透过图像的图像特性。具体而言，选择部204将能量特性、噪声特性、分辨率特性、或者频率特性等确定为x射线透过图像的图像特性。56.例如，确定部202，在使用厚度及材质已知的平板状构件作为治具的情况下，将透过治具的x射线像的亮度与透过空气的x射线像的亮度进行比较，算出治具的1点(或者多点的平均)的x射线的透过率。例如，在透过治具的x射线像的亮度为5550，透过空气的x射线像的亮度为15000的情况下，算出透过率37％。并且，确定部202将根据透过率37％而推定的透过x射线的平均能量(例如，50kev)确定为治具的x射线透过图像的能量特性。57.另外，确定部202也可解析厚度或者材质变化的治具的多点的特性，作为治具的x射线透过图像的能量特性。图6是示出确定部202的解析对象的x射线透过图像的一例的图。图6是以厚度阶梯状地变化的形状的治具为对象的x射线透过图像。确定部202根据这样的x射线透过图像选择厚度不同的多个测定区域(roi:region of interest)，解析多个测定区域的每一个的亮度平均值，取得厚度-亮度的特性曲线图作为能量特性。在图7中，示出确定部202所取得的厚度-亮度的特性曲线图的一例。58.另外，确定部202可解析多个测定区域的每一个的亮度值与噪声作为治具的x射线透过图像的噪声特性，并且将亮度-噪声比的特性曲线图作为噪声特性而取得。即，确定部202根据x射线透过图像选择厚度或者材质不同的多个测定区域roi，解析多个测定区域roi的亮度值的标准偏差及亮度值的平均值，并取得亮度-snr(sn比)的特性曲线图作为噪声特性。此时，确定部202通过snr＝(亮度值的平均值)÷(亮度值的标准偏差)算出每个测定区域roi的snr。在图8中，示出确定部202所取得的亮度-snr的特性曲线图的一例。此处，确定部202也可取得将纵轴设为根据亮度值的标准偏差计算的噪声的特性曲线图，来替代上述的亮度-snr的特性曲线图，作为噪声特性。59.另外，确定部202在使用具有图表的治具的情况下，也可取得治具的x射线透过图像的分辨率的分布作为分辨率特性。进而，确定部202具有如下功能：针对对治具的x射线透过图像应用多个学习完毕模型206并施加噪声去除处理之后的图像，也取得分辨率特性。在图9中，示出用于分辨率的评估的x射线透过图像的一例。在该x射线透过图像，将分辨率沿着一个方向阶梯状地变化的图表设为拍摄对象。x射线透过图像的分辨率可使用mtf(modulation transfer function)或ctf(contrast transfer function)测定。60.再次参照图3，选择部204基于由确定部202取得的图像特性，从储存在控制装置20内的多个学习完毕模型206中，选择最终用于对象物f的x射线透过图像的噪声去除处理的学习完毕模型206。即，选择部204，将由确定部202确定的图像特性与根据用于多个学习完毕模型206的构建的图像数据而确定的图像特性进行比较，选择两者类似的学习完毕模型206。61.例如，选择部204选择一个学习完毕模型206，该学习完毕模型通过平均能量最接近确定部202所确定的透过x射线的平均能量的值的图像数据而构建。62.另外，选择部204与由确定部202执行的确定方法同样地，以用于多个学习完毕模型206的构建的图像数据为对象，取得厚度-亮度的特性曲线图，将通过具有与以治具为对象而取得的厚度-亮度的特性曲线图最接近的特性的图像数据而构建的学习完毕模型206选作最终的学习完毕模型206。然而，用于学习完毕模型206的构建的图像数据的图像特性也可参照预先在控制装置20的外部算出的图像特性。如此，通过使用设定多个测定区域而获得的图像特性，可选择对于对象物f的x射线透过图像的噪声去除最合适的学习完毕模型。特别是，可高精度地推定x射线透过图像的测定时的x射线频谱(spectrum)的不同或者滤波器的效果的不同。63.另外，选择部204也可将通过具有与由确定部202取得的亮度-噪声比的特性最接近的亮度-噪声比的特性的图像数据而构建的学习完毕模型206选作最终的学习完毕模型206。然而，用于学习完毕模型206的构建的图像数据的图像特性也可由选择部204根据图像数据取得，也可参照预先在控制装置20的外部算出的图像特性。此处，选择部204也可使用亮度-噪声的特性来替代亮度-噪声比的特性作为噪声特性来选择学习完毕模型206。通过使用这样的亮度-噪声的特性，可对由x射线检测相机10检测的各信号量，根据各信号量的区域的曲线图的斜率确定支配性的噪声因素(散粒噪声(shot noise)、读出噪声等)，并且基于该确定的结果选择学习完毕模型206。64.图10是用于说明由选择部204执行的基于图像特性的学习完毕模型的选择功能的图。在图10中，(a)部分示出用于多个学习完毕模型206的构建的各个图像数据的亮度-snr的特性曲线图g1、g2、g3，在(b)部分中，除了这些特性曲线图g1、g2、g3以外，还示出拍摄了治具的x射线透过图像的亮度-snr的特性曲线图gt。在以这样的特性曲线图g1、g2、g3、gt为对象的情况下，选择部204以选择通过最接近特性曲线图gt的特性的特性曲线图g2的图像数据而构建的学习完毕模型206的方式，发挥功能。在选择时，选择部204，在各特性曲线图g1、g2、g3与特性曲线图gt间，计算每一定间隔的亮度值的snr的误差，并且计算这些误差的均方误差(rmse：root mean squared error)，选择与均方误差为最小的特性曲线图g1、g2、g3对应的学习完毕模型206。另外，选择部204在使用能量特性进行选择的情况下，也可同样地选择学习完毕模型206。65.选择部204也可以治具的x射线透过图像为对象，基于应用多个学习完毕模型执行噪声去除处理之后的图像的特性，选择用于产生特性相对优异的图像的学习完毕模型206。66.例如，选择部204，使用拍摄具有各种分辨率的图表的治具的x射线透过图像，对该图像应用多个学习完毕模型206，评估其结果产生的噪声去除后的图像的分辨率特性。并且，选择部204选择用于噪声去除处理前后的各分布的分辨率的变化最小的图像的学习完毕模型206。67.除了上述的分辨率的变化的评估以外，选择部204也可评估噪声去除后的图像的亮度-噪声比的特性，并且选择用于产生该特性为最高的图像的学习完毕模型206。在图11中，示出用于亮度-噪声比的评估的治具的结构的一例。例如，作为治具，可使用在厚度沿一个方向阶梯状地变化的构件p1中散布有具有各种材质及各种大小的异物p2的治具。图12示出以图11的治具为对象获得的噪声去除处理后的x射线透过图像。选择部204，在x射线透过图像中选择包含异物p2的像的图像区域r1、与该区域r1的附近的不含异物p2的像的图像区域r2，计算图像区域r1的亮度的最小值lmin、图像区域r2的亮度的平均值lave、及图像区域r2的亮度的标准偏差lsd。并且，选择部204使用下述式：68.cnr＝(lave-lmin)/lsd69.，来算出亮度-噪声比cnr。进而，选择部204以应用多个学习完毕模型206后的x射线透过图像中的各个为对象算出亮度-噪声比cnr，选择用于产生亮度-噪声比cnr为最高的x射线透过图像的学习完毕模型206。70.或者，选择部204，也可基于图像区域r1的亮度的平均值lave_r1、图像区域r2的亮度的平均值lave_r2、及图像区域r2的亮度的标准偏差lsd，通过下述式进行计算。71.cnr＝(lave_r1-lmin_r2)/lsd72.处理部205，通过将由选择部204选择的学习完毕模型206应用于以对象物f为对象而取得的x射线透过图像，并执行去除噪声的图像处理，从而产生输出图像。并且，处理部205将产生的输出图像输出至显示装置30等。73.接着，对使用本实施方式的图像取得装置1的对象物f的x射线透过像的观察处理的顺序，即，本实施方式的放射线图像处理方法的流程进行说明。图13是示出由图像取得装置1执行的观察处理的顺序的流程图。74.首先，由图像取得装置1的操作者(用户)，设定x射线照射器50的管电压或者x射线检测相机10的增益等图像取得装置1的拍摄条件(步骤s1)。接着，在图像取得装置1设置治具，通过控制装置20以治具为对象取得x射线透过图像(步骤s2)。此时，也可依次取得多种治具的x射线透过图像。75.与之相应地，通过控制装置20，确定治具的x射线透过图像的图像特性(能量特性、噪声特性、及分辨率特性)(步骤s3)。进而，通过控制装置20，对治具的x射线透过图像应用多个学习完毕模型206，确定应用多个学习完毕模型206后的各个x射线透过图像的图像特性(分辨率特性或者亮度-噪声比的值等)(步骤s4)。76.接着，通过控制装置20，基于治具的x射线透过图像的能量特性与用于学习完毕模型206的构建的图像数据的能量特性的比较结果、及治具的x射线透过图像的分辨率特性的学习完毕模型的应用前后的变化程度，选择学习完毕模型206(步骤s5)。此处，也可基于治具的x射线透过图像的噪声特性与用于学习完毕模型206的构建的图像数据的噪声特性的比较结果、及治具的x射线透过图像的分辨率特性的学习完毕模型的应用前后的变化状态，选择学习完毕模型206。另外，在步骤s5中，也可取代上述处理，选择治具的x射线透过图像在应用学习完毕模型后亮度-噪声比cnr为最高的学习完毕模型206。77.进而，通过在图像取得装置1设置对象物f并拍摄对象物f，来取得对象物f的x射线透过图像(步骤s7)。接着，通过由控制装置20将最终选择的学习完毕模型206应用于对象物f的x射线透过图像，来以x射线透过图像为对象执行噪声去除处理(步骤s8)。最后，通过控制装置20将实施了噪声去除处理的x射线透过图像即输出图像输出至显示装置30(步骤s9)。78.根据以上所说明的图像取得装置1，确定治具的x放射线图像的图像特性，并且基于该图像特性，从预先构建的学习完毕模型之中选择用于噪声去除的学习完毕模型。由此，可推定因图像取得装置1的x射线照射器50的动作条件等而变化的x射线透过图像的特性，将根据该推定结果而选择的学习完毕模型206用于噪声去除，因此，可实现与x射线透过图像的亮度与噪声的关系对应的噪声去除。其结果为，可有效地去除x射线透过图像的噪声。79.一般而言，在x射线透过图像中，含有因x射线产生的噪声。也考虑为了提高x射线透过图像的sn比而增加x射线量，但在该情况下，若增加x射线量，则存在传感器的被照射量增加而传感器的寿命变短、x射线产生源的寿命变短的问题，难以兼顾sn比的提高与长寿命化。在本实施方式中，由于无需增加x射线量，因此，可兼顾sn比的提高与长寿命化。80.在本实施方式中，在学习完毕模型的选择中，将治具的x射线透过图像的图像特性与用于学习完毕模型的构建的图像数据的图像特性进行比较。由此，选择通过与治具的x射线透过图像的图像特性对应的图像数据而构建的学习完毕模型206，因此，可有效地去除对象物f的x射线透过图像的噪声。81.另外，在本实施方式中，使用对治具的x射线透过图像应用了多个学习完毕模型206的图像的图像特性，而选择学习完毕模型。该情况下，通过实际应用了多个学习完毕模型206的、治具的x射线透过图像的图像特性，来选择学习完毕模型206，因此，可有效地去除对象物f的x射线透过图像的噪声。82.特别是，在本实施方式中，使用能量特性或噪声特性作为图像特性。在该情况下，选择通过特性与因图像取得装置1的拍摄条件而变化的治具的x射线透过图像的能量特性或噪声特性类似的图像而构建的学习完毕模型206。其结果为，与图像取得装置1的条件变化对应的、对象物f的x射线透过图像的噪声去除成为可能。83.在本实施方式中，也将分辨率特性或亮度-噪声比用作图像特性。根据如此的结构，通过应用所选择的学习完毕模型206，可获得分辨率特性或亮度-噪声比良好的x射线透过图像。其结果为，与图像取得装置1的条件变化对应的、对象物的x射线透过图像的噪声去除成为可能。84.在图14及图15中，示出由图像取得装置1取得的噪声去除处理的前后的x射线透过图像的例子。图14及图15分别示出以被赋予金属、玻璃等异物的奶酪为对象的图像、以残存有各种大小的骨头的鸡肉为对象的图像，分别在左侧示出噪声处理前的图像，在右侧示出噪声处理后的图像。由此，可知根据本实施方式，对各种对象物有效地进行噪声去除。85.以上，对本发明的各种实施方式进行了说明，但本发明并不限定在上述实施方式，可在不变更记载于各权利要求的要旨的范围内进行变形，或也可为应用于其他实施方式。86.例如，x射线检测相机10，以其为双线路(dual line)x射线相机进行了说明，但并不限定在此，也可为单线路(single line)x射线相机、双能量(dual energy)x射线相机、tdi(time delay integration，时间延迟积分)扫描x射线相机、具有2条线路以上的多条线路的多线路(multi-line)x射线相机、二维x射线相机、x射线平板(flat panel)传感器、x射线i.i、不使用闪烁器的直接转换型x射线相机(a-se、si、cdte、cdznte、tlbr、pbi2等)、使用通过将闪烁器透镜耦合(lens coupling)的光学透镜的观察方式的相机。另外，x射线检测相机10也可为对放射线具有感度的摄像管、或对放射线具有感度的点传感器。87.另外，对于图像取得装置1，也不限定于上述实施方式，也可为ct(computed tomography，计算机断层摄影)装置等在使对象物f静止的状态下进行拍摄的放射线图像处理系统。进而，也可为一边使对象物f旋转一边进行拍摄的放射线图像处理系统。88.另外，在上述实施方式的图像取得装置1中，可使用各种方式的治具。例如，也可如图16所示，为二维地配置有不同的材料的平板状构件p11、p12、p13、p14的治具。另外，也可如图17所示，为厚度为一维地阶梯状地变化的形状的构件，并且为排列地配置有材料互不相同的平板状构件p21、p22、p23的方式。也可为治具的一部分为开口或缺口形状，而可在拍摄治具时拍摄对象物f或与对象物f类似者。可配合治具拍摄时拍摄对象物f，将对象物的透过图像与治具透过图像配合而选择学习完毕模型。另外，如图18的(a)部～(c)部所示，也可使用具有边界线以相对于带式输送机60的搬送方向td朝向平行方向、斜向、或垂直方向的方式配置的图表的治具。89.在上述的实施方式中，在选择的步骤中，优选为，通过将图像特性与根据图像数据而确定的图像特性进行比较，来选择学习完毕模型。在上述实施方式中，优选为，选择部通过将图像特性与根据图像数据而确定的图像特性进行比较，来选择学习完毕模型。由此，选择通过与治具的放射线图像的图像特性对应的图像数据而构建的学习完毕模型，因此，可有效地去除对象物的放射线图像的噪声。90.另外，在确定步骤中，优选为，确定作为对治具的放射线图像应用了多个学习完毕模型的结果而获得的多个图像的图像特性，在选择步骤中，基于多个图像的图像特性，选择学习完毕模型。另外，优选为，确定部确定作为对治具的放射线图像应用了多个学习完毕模型的结果而获得的多个图像的图像特性，选择部基于多个图像的图像特性，选择学习完毕模型。在该情况下，通过实际应用了多个学习完毕模型的治具的放射线图像的图像特性，选择学习完毕模型，因此，可有效地去除对象物的放射线图像的噪声。91.进而，优选为，图像特性是能量特性、噪声特性、及频率特性中的至少1个，在选择步骤中，选择通过图像特性类似的图像数据而构建的学习完毕模型。进而，优选为，图像特性是能量特性、噪声特性、及频率特性中的至少1个，选择部选择通过图像特性类似的图像数据而构建的学习完毕模型。在该情况下，选择通过特性与因系统而变化的治具的放射线图像的能量特性、噪声特性、及频率特性中的至少1个类似的图像而构建的学习完毕模型。其结果为，与系统的条件变化对应的对象物的放射线图像的噪声去除成为可能。92.另外，进而，优选为，图像特性是分辨率特性或亮度-噪声比，在选择步骤中，还具备：选择用于产生分辨率特性或亮度-噪声比相对优异的图像的学习完毕模型。另外，优选为，图像特性是分辨率特性或亮度-噪声比，选择部选择用于产生分辨率特性或亮度-噪声比相对优异的图像的学习完毕模型。根据这样的结构，通过应用所选择的学习完毕模型，可获得分辨率特性或亮度-噪声比良好的放射线图像。其结果为，与系统的条件变化对应的对象物的放射线图像的噪声去除成为可能。93.[产业上的可利用性][0094]实施方式，以放射线图像处理方法、学习完毕模型、放射线图像处理模块、放射线图像处理程序及放射线图像处理系统为使用用途，可有效地去除放射线图像的噪声。[0095]符号说明[0096]10…x射线检测相机(拍摄装置)、20…控制装置(放射线图像处理模块)、201…取得部、202…确定部、204…选择部、205…处理部、206…学习完毕模型、f…对象物、td…搬送方向。









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!