特開 2022-171561 ノイズ除去装置、ノイズ除去方法、機械学習装置、機械学習方法及びプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022171561

(43)【公開日】2022-11-11

(54)【発明の名称】ノイズ除去装置、ノイズ除去方法、機械学習装置、機械学習方法及びプログラム

(51)【国際特許分類】

   A61B 5/055 20060101AFI20221104BHJP

【ＦＩ】

A61B5/055 380

【審査請求】未請求

【請求項の数】20

【出願形態】ＯＬ

(21)【出願番号】P 2022040564

(22)【出願日】2022-03-15

(31)【優先権主張番号】P 2021078060

(32)【優先日】2021-04-30

(33)【優先権主張国・地域又は機関】JP

(71)【出願人】

【識別番号】301032942

【氏名又は名称】国立研究開発法人量子科学技術研究開発機構

(71)【出願人】

【識別番号】502285457

【氏名又は名称】学校法人順天堂

(74)【代理人】

【識別番号】110000338

【氏名又は名称】特許業務法人ＨＡＲＡＫＥＮＺＯ ＷＯＲＬＤ ＰＡＴＥＮＴ ＆ ＴＲＡＤＥＭＡＲＫ

(72)【発明者】

【氏名】立花 泰彦

(72)【発明者】

【氏名】大塚 裕次朗

(72)【発明者】

【氏名】鎌形 康司

【テーマコード（参考）】

4C096

【Ｆターム（参考）】

4C096AA17

4C096AB07

4C096AD14

4C096DC21

(57)【要約】

【課題】生体のＭＲＩ画像の特徴を考慮してノイズを除去したＭＲＩ画像を生成する技術を実現する。
【解決手段】ノイズ除去装置（１）は、ＭＲＩ画像のノイズを除去するノイズ除去処理を実行する少なく１つのプロセッサ（１２）と、ノイズ除去処理に利用するモデルを記憶する少なくとも１つのメモリ（１３）と、を備え、モデルは、ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルであって、出力画像の各画素の画素値が、該画素に対応する入力画像の画素の近傍にある画素の画素値の最小値以上最大値以下の範囲に含まれるように構成されている。
【選択図】図１

【特許請求の範囲】

【請求項1】

ＭＲＩ画像のノイズを除去するノイズ除去処理を実行する少なくとも１つのプロセッサと、前記ノイズ除去処理に利用するモデルを記憶する少なくとも１つのメモリと、を備え、
前記モデルは、前記ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルであって、前記出力画像の各画素の画素値が、該画素に対応する前記入力画像の画素の近傍にある画素の画素値の最小値以上最大値以下の範囲に含まれるように構成されている、
ことを特徴とするノイズ除去装置。

【請求項2】

前記モデルは、前記入力画像に大域的に作用するネットワークと、前記入力画像に局所的に作用するｎ個（ｎは２以上の自然数）のフィルタと、を含み、
前記ノイズ除去処理は、
前記ネットワークを用いて前記入力画像からｎ個の重みを導出する第１の処理と、
前記ｎ個のフィルタの各々を用いて前記入力画像からｎ枚の中間画像を生成する第２の処理と、
前記ｎ個の重みを用いて前記ｎ枚の中間画像を加重平均することによって、前記出力画像を生成する第３の処理と、を含んでいる、
ことを特徴とする請求項１に記載のノイズ除去装置。

【請求項3】

前記ネットワークを規定する係数、及び、前記ｎ個のフィルタの各々を規定する係数は、機械学習によって決定されている、
ことを特徴とする請求項２に記載のノイズ除去装置。

【請求項4】

ＭＲＩ画像のノイズを除去するノイズ除去処理を実行する少なくとも１つのプロセッサと、前記ノイズ除去処理に利用するモデルを記憶する少なくとも１つのメモリと、を備え、
前記モデルは、前記ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルであって、前記入力画像に大域的に作用するネットワークと、前記入力画像に局所的に作用するｎ個（ｎは２以上の自然数）のフィルタと、を含み、
前記ノイズ除去処理は、
前記ネットワークを用いて前記入力画像からｎ個の重みを導出する第１の処理と、
前記ｎ個のフィルタの各々を用いて前記入力画像からｎ枚の中間画像を生成する第２の処理と、
前記ｎ個の重みを用いて前記ｎ枚の中間画像を加重平均することによって、前記出力画像を生成する第３の処理と、を含んでいる、
ことを特徴とするノイズ除去装置。

【請求項5】

少なくとも１つのメモリに記憶されたモデルを利用して少なくとも１つのプロセッサがＭＲＩ画像のノイズを除去するノイズ除去処理を含み、
前記モデルは、前記ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルであって、前記出力画像の各画素の画素値が、該画素に対応する前記入力画像の画素の近傍にある画素の画素値の最小値以上最大値以下の範囲に含まれるように構成されている、
ことを特徴とするノイズ除去方法。

【請求項6】

少なくとも１つのメモリに記憶されたモデルを利用して少なくとも１つのプロセッサがＭＲＩ画像のノイズを除去するノイズ除去処理を含み、
前記モデルは、前記ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルであって、前記入力画像に大域的に作用するネットワークと、前記入力画像に局所的に作用するｎ個（ｎは２以上の自然数）のフィルタと、を含み、
前記ノイズ除去処理は、
前記ネットワークを用いて前記入力画像からｎ個の重みを導出する第１の処理と、
前記ｎ個のフィルタの各々を用いて前記入力画像からｎ枚の中間画像を生成する第２の処理と、
前記ｎ個の重みを用いて前記ｎ枚の中間画像を加重平均することによって、前記出力画像を生成する第３の処理と、を含んでいる、
ことを特徴とするノイズ除去方法。

【請求項7】

請求項１から４の何れか一項に記載のノイズ除去装置としてコンピュータを機能させるためのプログラムであって、前記ノイズ除去処理を前記コンピュータに実行させるためのプログラム。

【請求項8】

請求項７に記載のプログラムを記録した、コンピュータ読み取り可能な非一時的記録媒体。

【請求項9】

ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルを、教師ありの機械学習により構築するモデル構築処理を実行する少なくとも１つのプロセッサと、前記モデルを記憶する少なくとも１つのメモリと、を備え、
前記モデルは、前記ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルであって、前記出力画像の各画素の画素値が、該画素に対応する前記入力画像の画素の近傍にある画素の画素値の最小値以上最大値以下の範囲に含まれるように構成されている、
ことを特徴とする機械学習装置。

【請求項10】

前記機械学習における教師データは、第１のＭＲＩ画像とノイズが除去された第２のＭＲＩ画像との組であり、
前記モデル構築処理は、第１のＭＲＩ画像を入力したときに前記モデルから出力されるＭＲＩ画像の２次的指標、及び、前記第２のＭＲＩ画像の２次的指標を導出する導出処理と、
前記２つの２次的指標の差が小さくなるように、前記モデルを規定する係数を更新する更新処理と、を含んでいる、
ことを特徴とする請求項９に記載の機械学習装置。

【請求項11】

前記ＭＲＩ画像は、拡散強調画像であり、
前記２次的指標は拡散テンソルである、
ことを特徴とする請求項１０に記載の機械学習装置。

【請求項12】

前記機械学習における教師データは、共通する条件で撮像された複数のＭＲＩ画像であり、
前記モデル構築処理は、前記複数のＭＲＩ画像の各々を入力したときに前記モデルから出力されるＭＲＩ画像同士の差が小さくなるように、前記モデルを規定する係数を更新する処理を含んでいる、
ことを特徴とする請求項９から１１のいずれか１項に記載の機械学習装置。

【請求項13】

前記モデルは、前記入力画像に大域的に作用するネットワークと、前記入力画像に局所的に作用するｎ個（ｎは２以上の自然数）のフィルタと、を含み、
前記ノイズを除去する処理は、
前記ネットワークを用いて前記入力画像からｎ個の重みを導出する第１の処理と、
前記ｎ個のフィルタの各々を用いて前記入力画像からｎ枚の中間画像を生成する第２の処理と、
前記ｎ個の重みを用いて前記ｎ枚の中間画像を加重平均することによって、前記出力画像を生成する第３の処理と、を含んでいる、
ことを特徴とする請求項９から１２のいずれか１項に記載の機械学習装置。

【請求項14】

ＭＲＩ画像を入力画像とし、ノイズ除去処理されたＭＲＩ画像を出力画像とするモデルを、教師ありの機械学習により構築するモデル構築処理を実行する少なくとも１つのプロセッサと、前記モデルを記憶する少なくとも１つのメモリと、を備え、
前記モデルは、前記入力画像に大域的に作用するネットワークと、前記入力画像に局所的に作用するｎ個（ｎは２以上の自然数）のフィルタと、を含み、
前記ノイズ除去処理は、
前記ネットワークを用いて前記入力画像からｎ個の重みを導出する第１の処理と、
前記ｎ個のフィルタの各々を用いて前記入力画像からｎ枚の中間画像を生成する第２の処理と、
前記ｎ個の重みを用いて前記ｎ枚の中間画像を加重平均することによって、前記出力画像を生成する第３の処理と、を含んでいる、
ことを特徴とする機械学習装置。

【請求項15】

少なくとも１つのメモリに記憶されたモデルを利用して少なくとも１つのプロセッサがＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルを、教師あり学習により構築するモデル構築処理を含み、
前記モデルは、前記ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルであって、前記出力画像の各画素の画素値が、該画素に対応する前記入力画像の画素の近傍にある画素の画素値の最小値以上最大値以下の範囲に含まれるように構成されている、
ことを特徴とする機械学習方法。

【請求項16】

少なくとも１つのメモリに記憶されたモデルを利用して少なくとも１つのプロセッサがＭＲＩ画像を入力画像とし、ノイズ除去処理されたＭＲＩ画像を出力画像とするモデルを、教師あり学習により構築するモデル構築処理を含み、
前記モデルは、前記ＭＲＩ画像を入力画像とし、ノイズ除去処理されたＭＲＩ画像を出力画像とするモデルであって、前記入力画像に大域的に作用するネットワークと、前記入力画像に局所的に作用するｎ個（ｎは２以上の自然数）のフィルタと、を含み、
前記ノイズ除去処理は、
前記ネットワークを用いて前記入力画像からｎ個の重みを導出する第１の処理と、
前記ｎ個のフィルタの各々を用いて前記入力画像からｎ枚の中間画像を生成する第２の処理と、
前記ｎ個の重みを用いて前記ｎ枚の中間画像を加重平均することによって、前記出力画像を生成する第３の処理と、を含んでいる、
ことを特徴とする機械学習方法。

【請求項17】

請求項９から１４のいずれか１項に記載の機械学習装置としてコンピュータを機能させるためのプログラムであって、前記モデル構築処理をコンピュータに実行させるためのプログラム。

【請求項18】

請求項１７に記載のプログラムを記録した、コンピュータ読み取り可能な非一時的記録媒体。

【請求項19】

前記モデルは、前記入力画像に大域的に作用するネットワークと、前記入力画像に局所的に作用するｎ個（ｎは２以上の自然数）のフィルタと、を含み、
前記ノイズ除去処理は、
前記ネットワークを用いて、撮像位置をずらして撮像された３枚１組の前記入力画像を２組用いてｎ個の重みを導出する第１の処理と、
前記ｎ個のフィルタの各々を用いて前記入力画像からｎ枚の中間画像を生成する第２の処理と、
前記ｎ個の重みを用いて前記ｎ枚の中間画像を加重平均することによって、前記出力画像を生成する第３の処理と、を含んでいる、請求項１に記載のノイズ除去装置。

【請求項20】

前記機械学習における教師データは、連続的に撮像された５枚のＭＲＩ画像を加算した画像であり、
前記モデル構築処理は、撮像位置をずらして撮像された３枚１組の前記入力画像を２組入力したときに前記モデルから出力されるＭＲＩ画像と前記教師データとの差分を導出する導出処理と、
前記差分が小さくなるように、前記モデルを規定する係数を更新する更新処理と、を含んでいる、
ことを特徴とする請求項９に記載の機械学習装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、ノイズ除去装置、ノイズ除去方法、機械学習装置、機械学習方法及びプログラムに関する。

【背景技術】

【0002】

現在の医療現場において、診断手法のひとつとしてＭＲＩ画像を用いることが広く行われている。ＭＲＩ画像を取得する場合、特に一度の撮像で十分な信号雑音比（ＳＮＲ：Signal to Noise Ratio）が確保できないような場合には、複数回の撮像を行ってそれらを加算平均することでＳＮＲを向上させる方法が知られている。

【0003】

例えば、ＭＲＩ画像の拡散強調画像を取得する場合は、３回程度の撮像を行って加算平均をすることが多い。しかしその場合、撮像回数の分だけ撮像時間が延びることとなる。撮像時間を短縮するための技術として、例えば非特許文献１には、深層学習を用いた数理学的な手法により、加算平均しない画像などのＳＮＲの低い画像からノイズを除去し、ＳＮＲの高い画像へ変換する方法が開示されている。

【先行技術文献】

【非特許文献】

【0004】

【非特許文献1】Sagawa H. et al., Deep Learning-based Noise Reduction for Fast Volume Diffusion Tensor Imaging: Assessing the Noise Reduction Effect and Reliability of Diffusion Metrics, Magnetic Resonance in Medical Sciences; published online (2020).

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、深層学習等のＡＩ（人工知能、Artificial Intelligence）を用いた従来技術は、ある画素の画素値が、生体のＭＲＩ画像としては異常な高い値又は低い値をとる場合があり、それにより、偶然に誤った情報（本来存在しない異常所見など）が作り出されてしまう可能性がある。また、逆に、例えば二次的指標に反映されるはずの複数の画像にまたがる情報が失われる可能性もある。

【0006】

本発明の一態様は、生体のＭＲＩ画像の特徴を考慮してノイズを除去したＭＲＩ画像を生成する技術を実現することを目的とする。

【課題を解決するための手段】

【0007】

上記の課題を解決するために、本発明の一態様に係るノイズ除去装置は、ＭＲＩ画像のノイズを除去するノイズ除去処理を実行する少なくとも１つのプロセッサと、前記ノイズ除去処理に利用するモデルを記憶する少なくとも１つのメモリと、を備え、前記モデルは、前記ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルであって、前記出力画像の各画素の画素値が、該画素に対応する前記入力画像の画素の近傍にある画素の画素値の最小値以上最大値以下の範囲に含まれるように構成されている、ことを特徴とする。

【0008】

上記の課題を解決するために、本発明の一態様に係るノイズ除去装置は、ＭＲＩ画像のノイズを除去するノイズ除去処理を実行する少なくとも１つのプロセッサと、前記ノイズ除去処理に利用するモデルを記憶する少なくとも１つのメモリと、を備え、前記モデルは、前記ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルであって、前記入力画像に大域的に作用するネットワークと、前記入力画像に局所的に作用するｎ個（ｎは２以上の自然数）のフィルタと、を含み、前記ノイズ除去処理は、前記ネットワークを用いて前記入力画像からｎ個の重みを導出する第１の処理と、前記ｎ個のフィルタの各々を用いて前記入力画像からｎ枚の中間画像を生成する第２の処理と、前記ｎ個の重みを用いて前記ｎ枚の中間画像を加重平均することによって、前記出力画像を生成する第３の処理と、を含んでいる、ことを特徴とする。

【0009】

また、本発明の一態様に係るノイズ除去方法は、少なくとも１つのメモリに記憶されたモデルを利用して少なくとも１つのプロセッサがＭＲＩ画像のノイズを除去するノイズ除去処理を含み、前記モデルは、前記ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルであって、前記出力画像の各画素の画素値が、該画素に対応する前記入力画像の画素の近傍にある画素の画素値の最小値以上最大値以下の範囲に含まれるように構成されている、ことを特徴とする。

【0010】

また、本発明の一態様に係るノイズ除去方法は、少なくとも１つのメモリに記憶されたモデルを利用して少なくとも１つのプロセッサがＭＲＩ画像のノイズを除去するノイズ除去処理を含み、前記モデルは、前記ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルであって、前記入力画像に大域的に作用するネットワークと、前記入力画像に局所的に作用するｎ個（ｎは２以上の自然数）のフィルタと、を含み、前記ノイズ除去処理は、前記ネットワークを用いて前記入力画像からｎ個の重みを導出する第１の処理と、前記ｎ個のフィルタの各々を用いて前記入力画像からｎ枚の中間画像を生成する第２の処理と、前記ｎ個の重みを用いて前記ｎ枚の中間画像を加重平均することによって、前記出力画像を生成する第３の処理と、を含んでいる、ことを特徴とする。

【0011】

また、本発明の一態様に係る機械学習装置は、ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルを、教師ありの機械学習により構築するモデル構築処理を実行する少なくとも１つのプロセッサと、前記モデルを記憶する少なくとも１つのメモリと、を備え、前記モデルは、前記ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルであって、前記出力画像の各画素の画素値が、該画素に対応する前記入力画像の画素の近傍にある画素の画素値の最小値以上最大値以下の範囲に含まれるように構成されている、ことを特徴とする。

【0012】

また、本発明の一態様に係る機械学習装置は、ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルを、教師ありの機械学習により構築するモデル構築処理を実行する少なくとも１つのプロセッサと、前記モデルを記憶する少なくとも１つのメモリと、を備え、前記モデルは、前記ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルであって、前記入力画像に大域的に作用するネットワークと、前記入力画像に局所的に作用するｎ個（ｎは２以上の自然数）のフィルタと、を含み、前記ノイズ除去処理は、前記ネットワークを用いて前記入力画像からｎ個の重みを導出する第１の処理前記ｎ個のフィルタの各々を用いて前記入力画像からｎ枚の中間画像を生成する第２の処理と、前記ｎ個の重みを用いて前記ｎ枚の中間画像を加重平均することによって、前記出力画像を生成する第３の処理と、を含んでいる、ことを特徴とする。

【0013】

また、本発明の一態様に係る機械学習方法は、少なくとも１つのメモリに記憶されたモデルを利用して少なくとも１つのプロセッサがＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルを、教師あり学習により構築するモデル構築処理を含み、前記モデルは、前記ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルであって、前記出力画像の各画素の画素値が、該画素に対応する前記入力画像の画素の近傍にある画素の画素値の最小値以上最大値以下の範囲に含まれるように構成されている、ことを特徴とする。

【0014】

また、本発明の一態様に係る機械学習方法は、少なくとも１つのメモリに記憶されたモデルを利用して少なくとも１つのプロセッサがＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルを、教師あり学習により構築するモデル構築処理を含み、前記モデルは、前記ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルであって、前記入力画像に大域的に作用するネットワークと、前記入力画像に局所的に作用するｎ個（ｎは２以上の自然数）のフィルタと、を含み、前記ノイズ除去処理は、前記ネットワークを用いて前記入力画像からｎ個の重みを導出する第１の処理と、前記ｎ個のフィルタの各々を用いて前記入力画像からｎ枚の中間画像を生成する第２の処理と、前記ｎ個の重みを用いて前記ｎ枚の中間画像を加重平均することによって、前記出力画像を生成する第３の処理と、を含んでいる、ことを特徴とする。

【0015】

本発明の各態様に係るノイズ除去装置及び機械学習装置は、コンピュータによって実現してもよく、この場合には、コンピュータを前記各装置が備える各部（ソフトウェア要素）として動作させることにより前記各装置をコンピュータにて実現させる、各装置の制御プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。

【発明の効果】

【0016】

本発明の一態様によれば、生体のＭＲＩ画像の特徴を考慮してノイズを除去したＭＲＩ画像を生成する技術を実現することができる。

【図面の簡単な説明】

【0017】

【図1】本発明の実施形態１に係るノイズ除去装置の構成を示すブロック図である。

【図2】実施形態１に係るノイズ除去装置が行うノイズ除去処理の流れを示す模式図である。

【図3】実施形態１に係るモデルで用いるフィルタの一例を示す図である。

【図4】実施形態１に係るノイズ除去処理Ｓ１の流れを示すフローチャートである。

【図5】本発明の実施形態４に係る機械学習装置の構成を示すブロック図である。

【図6】実施形態４に係るモデルの構築処理Ｓ２の流れを示すフローチャートである。

【図7】本発明の実施形態５に係る機械学習装置が学習する拡散テンソルを示す模式図である。

【図8】実施形態５に係るモデルの構築処理Ｓ３の流れを示すフローチャートである。

【図9】実施形態６に係るモデルの構築処理の流れを示す模式図である。

【図10】実施形態６に係るモデルの構築処理Ｓ４の流れを示すフローチャートである。

【図11】本発明の実施例１に係る頭部ＭＲＩ画像の入力画像、出力画像、及び教師画像である。

【図12】本発明の実施例２に係る頭部拡散強調画像の２次的指標であるＦＡパラメータマップである。

【図13】本発明の実施例３に係る拡散強調画像の２次的指標であるパラメータの、ノイズ除去前後の変化を示した図である。

【図14】実施例４－１に係るノイズ除去装置のモデルＭが行うノイズ除去処理の流れを示す模式図である。

【図15】実施例４－２に係るノイズ除去装置のモデルＭが行うノイズ除去処理の流れを示す模式図である。

【図16】実施例４－３に係るノイズ除去装置のモデルＭが行うノイズ除去処理の流れを示す模式図である。

【図17】ターゲット画像と出力された画像Ｙ１、Ｙ２、Ｙ３との画素の差分を示すグラフである。

【図18】構造的な類似度を示す指標であるＳＳＩＭによる評価結果を示すグラフである。

【図19】見かけの拡散係数ＡＤＣの、ターゲット画像との差分を示すグラフである。

【発明を実施するための形態】

【0018】

〔実施形態１〕
以下、本発明の一実施形態について、図面を参照して詳細に説明する。本実施形態１は、以下に説明する実施形態２及び３の基本となる実施形態である。図１は、実施形態１に係るノイズ除去装置１の構成を示すブロック図である。ノイズ除去装置１は、撮像されたＭＲＩ（Magnetic Resonance Imaging）画像のノイズを除去することにより、高いＳＮＲ（Signal to Noise Ratio）を有するＭＲＩ画像を生成する。なお、本実施形態において「ノイズを除去する」とは、ノイズを完全に除去することに限らず、ノイズを減少させることを含む。

【0019】

（ノイズ除去装置の構成）
図１に示すように、ノイズ除去装置１は、入出力インターフェース１１と少なくとも１つのプロセッサ１２とメモリ１３とを備えている。プロセッサ１２は、入出力インターフェース１１を介して撮像したＭＲＩ画像を取得する。また、プロセッサ１２は、ＭＲＩ画像のノイズを除去するノイズ除去処理を実行する。メモリ１３には、ノイズ除去処理に利用するモデルＭ１が記憶されている。モデルＭ１は、教師あり学習により学習された学習済のモデルである。モデルＭ１を学習させる方法については後述する。

【0020】

図１においては、プロセッサ１２とメモリ１３（モデルＭ１）が１つのノイズ除去装置１に組み込まれているように記載しているが、必ずしも１つの装置内に組み込まれている必要はない。例えば、これらが異なる装置又は場所に配置され、互いに情報通信可能に接続されていてもよい。また、これらの一部又は全部が、クラウド上に配置されていてもよい。

【0021】

本実施形態において、ノイズを除去するＭＲＩ画像は、主に医療現場で撮像される、デジタルのＭＲＩ画像である。つまり、ＭＲＩ画像は、マトリックス状に配列された多数の画素（ピクセル）によって構成されており、各々の画素は画素値を有している。画素値は、モノクロのＭＲＩ画像であれば、例えば明るさの程度を示す２５６階調（０から２５５までのいずれかの整数）の輝度値である。また、カラーのＭＲＩ画像であれば、画素値は例えばＲ、Ｇ、Ｂの各輝度値である。本実施形態において、ＭＲＩ画像のノイズとは、例えば、アーチファクトといわれるノイズである。

【0022】

図２は、ノイズ除去装置１が行うノイズ除去処理の流れを示す模式図である。図２に示すように、モデルＭ（本実施形態では「モデルＭ１」とも称する。）は、ネットワークとフィルタを含んでおり、処理経路（Ｉ）、（ＩＩ）、（ＩＩＩ）及び（ＩＶ）に示す処理を実行する。具体的には、モデルＭ１は、入力画像Ｘに大域的に作用するネットワークＮと、入力画像Ｘに局所的に作用するｎ個（ｎは２以上の自然数）のフィルタＦと、を含んでいる。

【0023】

より具体的に説明すると、処理経路（Ｉ）では、プロセッサ１２は、入力画像Ｘに局所的に作用するｎ個のフィルタＦ_１、Ｆ_２、…、Ｆ_ｎ（フィルタＦと称する）の各々を用いて、入力画像Ｘからｎ枚の中間画像Ｘ_１、Ｘ_２…Ｘ_ｎを生成する（第２の処理）。ｎ個のフィルタＦは、後述するように、フィルタ係数Ｆ（Ａ）の数値がそれぞれ異なっている。

【0024】

一方、図２の処理経路（ＩＩ）は、入力画像Ｘに大域的に作用するネットワーク（例えばＣＮＮネットワーク）Ｎによって処理される経路である。処理経路（ＩＩ）では、プロセッサ１２は、このネットワークＮを用いて、入力画像Ｘからｎ個の重みである加重係数Ｖ（ｎ）を導出する（第１の処理）。加重係数Ｖ（ｎ）は、ｎ個の中間画像Ｘ_１、Ｘ_２…Ｘ_ｎの加重平均を取るための重みである。プロセッサ１２は、ｎ個の重み（加重係数Ｖ（ｎ））を用いてｎ枚の中間画像Ｘ_１、Ｘ_２…Ｘ_ｎを加重平均することによって、画素値ｙを有する中間出力画像を生成する（第３の処理）。ネットワークを規定する係数、及び、ｎ個のフィルタの各々を規定する係数は、機械学習によって決定されている。つまり、モデルＭ１は、後述する機械学習により構築されている。

【0025】

また、プロセッサ１２は、中間出力画像に対して、図２の処理経路（ＩＩＩ）に示すマックスプーリング値Ｍと処理経路（ＩＶ）に示すミニマムプーリング値ｍを用いた制限処理を行う。具体的には、着目する画素を含む領域ごとにマックスプーリング処理した最大値Ｍと中間出力画像の画素値ｙとの最小値を取った画素値ｙ’を生成する。次いで、着目する画素を含む領域ごとにミニマムプーリング処理した最小値ｍと画素値ｙ’との最大値を取った画素値ｙ’’を生成する。このようにして、画素値ｙ’’を有する出力画像Ｙが生成される。つまり、プロセッサ１２は、中間出力画像の出力画素値ｙに最小値、最大値を制限する処理を加えて最終的な出力画像Ｙを生成する。

【0026】

以上のように、モデルＭ１は、プロセッサ１２が取得したＭＲＩ画像を入力画像とし、当該ＭＲＩ画像のノイズが除去されたＭＲＩ画像を出力画像とするモデルである。モデルＭ１は、出力画像の各画素の画素値が、該画素に対応する入力画像の画素の近傍にある画素の画素値の最小値以上最大値以下の範囲に含まれるように構成されている。

【0027】

図３は、実施形態１に係るモデルＭ１の処理経路（Ｉ）で用いるフィルタＦの一例を示す図である。具体的には、ノイズ除去装置１に入力されたＭＲＩ画像の着目する画素の近傍の領域（隣接する領域）ＤＩＮの画素の画素値の一例と、フィルタＦを用いて処理された中間画像の、対応する領域ＤＯＵＴの着目する画素の画素値を示す図である。入力画像の画素の画素値（以下、「入力画素値」とも称する。）と出力画素値は、例えばモノクロ画像の輝度値である。図３に示す例では、「画素の近傍」とは、その画素（着目する画素）のＸ方向及びＹ方向の±１画素の領域、つまり、着目する画素を中心とする３×３の画素領域である。

【0028】

図３に示すように、図の左右方向（Ｘ方向）及び上下方向（Ｙ方向）に配列された画素の座標をｐ（ｘ、ｙ）と表す。ｘは、画素の左右方向の座標であり、ｙは上下方向の座標である。座標（ｘ、ｙ）の画素の入力画素値をｐ（ｘ、ｙ）、その座標の出力画素値をｐ’（ｘ、ｙ）、フィルタＦのフィルタ係数Ｆ（Ａ）＝（ａ１、ａ２、…ａ９）としたとき、ｐ’（ｘ、ｙ）は下記式で計算される。
ｐ’（ｘ、ｙ）＝Ｆ（Ａ）・ｐ（ｘ、ｙ）＝ａ１×ｐ（ｘ－１、ｙ－１）＋ａ２×ｐ（ｘ、ｙ－１）＋…ａ８×ｐ（ｘ、ｙ＋１）＋ａ９×ｐ（ｘ＋１、ｙ＋１）
なお、出力画素値ｐ’（ｘ、ｙ）は、近傍の画素値の加重加算をして得られる。フィルタ係数Ｆ（Ａ）の合計は必ずしも１である必要はない。ｎ個のフィルタＦのフィルタ係数Ｆ（Ａ）は、機械学習によって決定されたものである。

【0029】

例えば、図３に示す例では、フィルタ係数Ｆ（Ａ）が、ａ１＝ａ２＝ａ３＝ａ４＝ａ６＝ａ７＝ａ８＝ａ９＝０．１、ａ５＝０．２であった場合を仮定しており、着目する画素の出力値はｐ’（ｘ、ｙ）＝２１．２となる。なお、他の画素の出力値は、近傍の３×３の画素の入力値が不定なため記載していないが、同様にこのフィルタＦを用いて計算される。

【0030】

なお、図３に示す例では、近傍の領域は、着目する画素のＸ方向及びＹ方向の±１画素の領域としているが、これに限られない。例えば、近傍の領域は、Ｘ方向には（ｘ－ｎ１）から（ｘ＋ｎ２）までの領域であり、Ｙ方向には（ｙ－ｎ３）から（ｙ＋ｎ４）までの領域である。ここで、ｎ１、ｎ２、ｎ３、ｎ４は０以上の整数である。ただし、あまり広い領域を設定すると、条件を限定し過ぎるため、ｎ１、ｎ２、ｎ３、ｎ４はそれぞれ１から３程度であることが好ましい。

【0031】

処理経路（Ｉ）でこのような処理を行う理由は、予測しにくい画像の大域的な範囲のエラーに影響を受けないよう、局所（近傍）の値のみを入力とした比較的シンプルな計算処理により具体的な出力の値を決定するためである。

【0032】

一方、処理経路（ＩＩ）は、処理経路（Ｉ）で生成した比較的シンプルな中間画像群Ｘ_１、Ｘ_２…Ｘ_ｎを適切に加重平均して、画像の大域的な範囲でノイズを除去できるような加重係数Ｖ（ｎ）を導出する役割を有する。処理経路（Ｉ）のフィルタＦを用いて生成される画像群は、局所的な部分にのみ注目し、ノイズ除去処理を行おうとする画像群であるため、これらだけでは大域的な範囲で見た場合にも適切となるノイズ除去を実現できるとは限らない。このため、局所的にも大域的にも適切なノイズ除去を実現するためには、さらに処理経路（ＩＩ）のような処理を設けて処理経路（Ｉ）と並行して最適化し、処理経路（Ｉ）で生成される中間画像群Ｘを大域的な情報に基づいて最適に組み合わせられるようにすることが好ましい。

【0033】

さらに、処理経路（ＩＩＩ）及び（ＩＶ）は、上記の処理経路（Ｉ）と（ＩＩ）によって生成された画像の画素値に異常と考えられる画素値が含まれていた場合に、そのような画素値を近傍の画素の画素値の範囲内に強制的に制限する役割を有する。

【0034】

例えば、フィルタ係数Ｆ（Ａ）の合計値に何の条件を加えない場合は、画像全体においてノイズを除去する学習の結果によっては、学習済のフィルタ係数Ｆ（Ａ）の合計が１を超える場合がある。すると、着目する画素の出力画素値がその近傍の画素の入力画素値の最大値を超える場合がある。そのような場合でも、最終段階である処理経路（ＩＩＩ）及び（ＩＶ）において、生成された画像の出力画素値を近傍の画素の入力画素値の範囲内に強制的に制限することで、異常と考えられる画素値が生成されることを防ぐことができる。

【0035】

なお、学習により決定されたフィルタ係数Ｆ（Ａ）の合計値が１を超えない場合もある。その場合は、フィルタＦで処理された画像の出力画素値は、近傍の画素の入力画素値の最大値と最小値の範囲内に収まり、処理経路（ＩＩ）で処理した画像の出力画素値も、近傍の画素の入力画素値の最大値と最小値の範囲内に収まる。また、フィルタ係数Ｆ（Ａ）の合計値が１を多少超えた場合でも、結果として出力画素値は近傍の画素の入力画素値の最大値と最小値の範囲から大きくはずれない範囲内に収まることが期待される。このような場合は、処理経路（ＩＩＩ）及び（ＩＶ）を実行しなくとも、本発明の効果が得られる。

【0036】

さらに、例えば処理経路（Ｉ）のフィルタＦのフィルタ係数Ｆ（Ａ）の合計を１以下とする条件を与えてモデルを学習させた場合は、フィルタＦで処理された画像の出力画素値は、近傍の画素の入力画素値の加重平均値以下となる。つまり、フィルタＦで処理された画像の出力画素値は、近傍の画素の入力画素値の最大値と最小値の範囲内に収まり、処理経路（ＩＩ）で処理した画像の出力画素値も、近傍の画素の入力画素値の最大値と最小値の範囲内に収まる。従って、このような条件を与えてモデルを学習させた場合は、処理経路（ＩＩＩ）及び（ＩＶ）を実行する必要はない。

【0037】

以上のように、モデルＭ１は、出力画像の画素の画素値を、入力画像の画素の近傍にある画素の画素値の最小値以上最大値以下の範囲に含まれるように構成されている。

【0038】

生体の構造は周囲との連続性を持つため、着目する画素を中心とする近傍の領域内の画素の中で一つだけが突出して高い画素値、又は突出して低い画素値を持つことは考えにくい。そのため、生体のＭＲＩ画像の特徴を考慮して、出力画素値の取りうる範囲に上述のような制限を設けることで、明らかに異常と判断される画素値が出力されることを防ぐことができる。

【0039】

以上のように、本実施形態１に係るノイズ除去装置１によれば、生体のＭＲＩ画像の特徴を考慮してノイズを除去したＭＲＩ画像を生成する技術を実現することができる。

【0040】

また、従来技術ではノイズを低減した画像を取得するために複数枚のＭＲＩ画像が必要であったが、本実施形態に係るノイズ除去装置１を用いることにより、１枚のＭＲＩ画像から従来技術と同程度にノイズが除去されたＭＲＩ画像を取得することができる。そのため、撮像時間と画像の合成時間の短縮が可能となる。さらに、複数回の撮像の間に撮像条件が変わるリスクをなくすことができるとともに、患者に与える負担を軽減することができるという効果も得られる。

【0041】

（ノイズ除去方法）
次に、ノイズ除去装置１が実行するノイズ除去方法について、図面を参照して説明する。ノイズ除去方法は、少なくとも１つのメモリに記憶されたモデルＭ１を利用して少なくとも１つのプロセッサ１２がＭＲＩ画像のノイズを除去するノイズ除去処理を含む。図４は、ＭＲＩ画像のノイズを除去するノイズ除去処理Ｓ１の流れを示すフローチャートである。図４に示すように、ステップＳ１１において、プロセッサ１２は、入出力インターフェース１１を介して、撮像したＭＲＩ画像を取得する。次に、ステップＳ１２において、プロセッサ１２は、モデルＭ１を利用して当該ＭＲＩ画像のノイズを除去したＭＲＩ画像を生成する。

【0042】

モデルＭ１は、ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルである。前述のように、このモデルＭ１は、出力画像の各画素の画素値が、該画素に対応する入力画像の画素の近傍にある画素の画素値の最小値以上最大値以下の範囲に含まれるように構成されている。

【0043】

本実施形態に係るノイズ除去方法によれば、上述のノイズ除去装置１により得られる効果と同様の効果を得ることができる。

【0044】

〔実施形態２〕
次に、本発明の実施形態２に係るノイズ除去装置１について説明する。なお、実施形態２に係るノイズ除去装置１の構成は、実施形態１に係るノイズ除去装置１の構成と同様であるので、ここでの説明は省略する。

【0045】

（実施形態２のノイズ除去装置の機能）
実施形態２に係るノイズ除去装置１が実施形態１に係るノイズ除去装置１と異なる点は、メモリ１３に、モデルＭ２が記憶されているという点である。モデルＭ２は、モデルＭ１を構築した際の学習に加えて、出力画像から導出される２次的指標と、対応するノイズを除去した教師データのＭＲＩ画像から導出される２次的指標と、の誤差（単に「差」とも称する。）を小さくするように構築（学習）されている。本実施形態２においては、２次的指標は拡散テンソルである。なお、本実施形態においては、入力画像は拡散強調画像である。

【0046】

実施形態２に係るノイズ除去装置１によれば、実施形態１に係るノイズ除去装置１により得られる効果と同様の効果を得ることができる。さらに、本実施形態によれば、出力画像の２次的指標（例えば拡散テンソル）と、教師画像の２次的指標（例えば拡散テンソル）との誤差を小さくするように構築されたモデルＭ２を用いている。従って、より精度良い出力画像を生成するノイズ除去装置を実現することができる。なお、本実施形態でいう精度とは、生成した画像がどの程度教師データに近いかの尺度である。

【0047】

（ノイズ除去方法）
次に、実施形態２に係るノイズ除去装置１が実行するノイズ除去方法について説明する。実施形態２に係るノイズ除去方法は、基本的に実施形態１で説明したノイズ除去処理Ｓ１と同様である。ただし、実施形態２に係るノイズ除去方法は、入力画像は拡散強調画像であり、モデルＭ２は、出力画像から導出される２次的指標と、対応するノイズを除去した教師データのＭＲＩ画像から導出される２次的指標との誤差を小さくするように構築されている。上述のように、２次的指標は拡散テンソルである。

【0048】

実施形態２に係るノイズ除去方法によれば、実施形態１に係るノイズ除去方法により得られる効果と同様の効果を得ることができる。さらに、本実施形態によれば、出力画像の２次的指標（例えば拡散テンソル）と、教師画像の２次的指標（例えば拡散テンソル）との誤差を小さくするように構築されたモデルＭ２を用いている。従って、より精度良い出力画像を生成するノイズ除去方法を実現することができる。

【0049】

〔実施形態３〕
次に、本発明の実施形態３に係るノイズ除去装置１について説明する。なお、実施形態３に係るノイズ除去装置１の構成は、実施形態１に係るノイズ除去装置１の構成と同様であるので、ここでの説明は省略する。

【0050】

（実施形態３のノイズ除去装置の機能）
実施形態３に係るノイズ除去装置１が実施形態１に係るノイズ除去装置１と異なる点は、メモリ１３にモデルＭ３を記憶しているという点である。モデルＭ３は、撮像したＭＲＩ画像と、所定の条件で撮像された当該ＭＲＩ画像を含む複数のＭＲＩ画像を用いてノイズを除去したＭＲＩ画像と、を教師データとして学習されたモデルである。モデルＭ３は、所定の条件で撮像された複数のＭＲＩ画像の出力画像同士の誤差を小さくするように構築（学習）されている。なお、モデルＭ３は、モデルＭ１又はモデルＭ２を構築した際の学習を併せて行って構築されていてもよい。

【0051】

実施形態３に係るノイズ除去装置１によれば、実施形態１に係るノイズ除去装置１により得られる効果と同様の効果を得ることができる。また、本実施形態によれば、複数の出力画像同士の誤差を小さくするように構築されたモデルＭ３を用いている。さらに、出力画像の各々と教師画像と誤差を小さくするように構築されたモデルＭ３を用いてもよい。従って、より精度良い出力画像を生成するノイズ除去装置を実現することができる。

【0052】

（ノイズ除去方法）
次に、実施形態３に係るノイズ除去装置１が実行するノイズ除去方法について説明する。実施形態３に係るノイズ除去方法は、基本的に実施形態１で説明したノイズ除去処理Ｓ１と同様である。ただし、実施形態３に係るノイズ除去方法においては、モデルＭ３は、撮像したＭＲＩ画像と、所定の条件で撮像された当該ＭＲＩ画像を含む複数のＭＲＩ画像を用いてノイズを除去したＭＲＩ画像と、を教師データとして学習されたモデルであり、所定の条件で撮像された複数のＭＲＩ画像の出力画像同士の誤差を小さくするように構築されている。

【0053】

実施形態３に係るノイズ除去方法によれば、実施形態１に係るノイズ除去方法により得られる効果と同様の効果を得ることができる。さらに、本実施形態によれば、所定の条件で撮像された複数のＭＲＩ画像の出力画像同士の誤差を小さくするように構築されたモデルＭ３を用いている。モデルＭ３は、さらに、出力画像の各々と教師画像と小さくするように構築されていてもよい。従って、より精度良い出力画像を生成するノイズ除去方法を実現することができる。

【0054】

〔実施形態４〕
（機械学習装置）
次に、本発明の実施形態４に係る機械学習装置について、図面を参照して詳細に説明する。本実施形態は、後述の実施形態５、６で説明する機械学習装置の基本となる実施形態である。

【0055】

（機械学習装置の構成）
図５は、本実施形態に係る機械学習装置２の構成を示すブロック図である。図５に示すように、機械学習装置２は、入出力インターフェース２１、少なくとも１つのプロセッサ２２、及び少なくとも１つのメモリ２３を備えている。メモリ２３には、ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルが記憶されている。モデルは、ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするノイズ除去処理を実行するモデルである。モデルは、出力画像の各画素の画素値が、該画素に対応する入力画像の画素の近傍にある画素の画素値の最小値以上最大値以下の範囲に含まれるように構成されている。本実施形態に係る機械学習装置２は、実施形態１で説明したモデルＭ１を構築するための装置である。以下の説明では、学習前のモデルも含めて、本実施形態のモデルを便宜的に「モデルＭ１」と称する。

【0056】

プロセッサ２２は、撮像したＭＲＩ画像と、当該ＭＲＩ画像を含む複数のＭＲＩ画像を用いてノイズを除去したＭＲＩ画像とを、入出力インターフェース２１を介して、教師データとして取得する。プロセッサ２２は、この教師データを用いた教師ありの機械学習により学習済のモデルＭ１を構築する、モデル構築処理を実行する。つまり、プロセッサ２２は、出力画像とノイズを除去した教師画像との誤差が小さくなるようにモデルＭ１を規定する係数を修正する。

【0057】

１つの教師データは、撮像したＭＲＩ画像と、当該ＭＲＩ画像を含む複数のＭＲＩ画像を用いてノイズを除去したＭＲＩ画像（教師画像）である。この教師データを複数集めたデータセットを学習用データセットと称する。プロセッサ２２は、この学習用データセットを用いてモデルＭ１を学習させ、学習済のモデルＭ１を構築する。学習済のモデルＭ１は、実施形態１で説明したように、撮像したＭＲＩ画像が入力されると、当該ＭＲＩ画像からノイズを除去したＭＲＩ画像を出力する（ノイズを除去する処理）を実行する。なお、モデルＭ１を学習させるとは、モデルＭ１に含まれる係数及びパラメータ（以下、「係数」と称する）を、所定の条件を満たすまで更新することである。

【0058】

医療現場において、ＭＲＩ画像を取得する場合は、共通する条件で複数のＭＲＩ画像を撮像し、これらの複数のＭＲＩ画像を加算してノイズを除去した１枚のＭＲＩ画像を得る方法が一般に採用されている。「共通する条件」とは、予め定められた撮像装置の条件であり、複数のＭＲＩ画像はすべて同じ撮像装置条件で撮像されたものである。ただし、患者の体位や体調が撮像時間ごとに異なるため、撮像される複数のＭＲＩ画像は必ずしも同一とは限らない。

【0059】

プロセッサ２２は、一例として、このような手法で撮像された複数のＭＲＩ画像のうちの１枚と、当該ＭＲＩ画像を含む複数のＭＲＩ画像を用いてノイズが除去されたＭＲＩ画像と、のセットを教師データとして取得してもよい。この場合、教師データは、既に撮像されたＭＲＩ画像を用いることができるため、新たに作成しなくともよいという利点がある。

【0060】

このようなモデルＭ１の具体的な構成は限定されない。一例として、モデルＭ１は、入力画像に大域的に作用するネットワークと、入力画像に局所的に作用するｎ個（ｎは２以上の自然数）のフィルタと、を含んでいる。ネットワークとフィルタは、実施形態１において図２を用いて説明したネットワークＮとフィルタＦである。

【0061】

また、プロセッサ２２が実行するノイズを除去する処理は、実施形態１で説明したように、ネットワークを用いて入力画像からｎ個の重みを導出する第１の処理と、ｎ個のフィルタの各々を用いて入力画像からｎ枚の中間画像を生成する第２の処理と、ｎ個の重みを用いてｎ枚の中間画像を加重平均することによって、出力画像を生成する第３の処理と、を含んでいる。

【0062】

図２に示すように、第１の処理は、プロセッサ２２が、ネットワークＮを用いて、入力画像Ｘからｎ個の重みである加重係数Ｖ（ｎ）を導出する処理である。第２の処理は、プロセッサ２２が、入力画像Ｘに局所的に作用するｎ個のフィルタＦの各々を用いて、入力画像Ｘからｎ枚の中間画像Ｘ_１、Ｘ_２…Ｘ_ｎを生成する処理である。ｎ個のフィルタＦは、フィルタＦ（Ａ）の数値を変えたものである。第３の処理は、プロセッサ２２が、ｎ個の重み（加重係数Ｖ（ｎ））を用いてｎ枚の中間画像Ｘ_１、Ｘ_２…Ｘ_ｎを加重平均することによって中間出力画像を生成する処理である。出力画像Ｙは、さらに中間出力画像の画素値ｙに最小値、最大値を制限する処理を加えて生成されてもよい。

【0063】

プロセッサ２２は、出力画像Ｙとノイズが除去された教師画像との画素値の誤差が小さくなるように、モデルＭ１を規定する係数を更新する。そして、次の教師データの入力画像を用いて、出力画像を生成し、その出力画像とノイズが除去された教師画像との誤差が小さくなるように、モデルＭ１を規定する係数を更新する。機械学習装置２は、このような処理を繰り返して、モデルＭ１を学習させる。

【0064】

以上の構成を有する機械学習装置２によれば、出力画像の各画素の画素値が、該画素に対応する入力画像の画素の近傍にある画素の画素値の最小値以上最大値以下の範囲に含まれるという制限を設けている。そのため、明らかに異常と判断される画素値が出力されることを防ぐことができる。従って、生体のＭＲＩ画像の特徴を考慮してノイズを除去したＭＲＩ画像を生成するモデルを構築することができる。

【0065】

（機械学習方法）
次に、本実施形態４に係る機械学習方法について、図面を参照して説明する。機械学習方法は、モデルＭ１を教師あり学習により構築する、モデル構築処理を含む。モデル構築処理は、上述の機械学習装置２を用いて行われる。モデルは、少なくとも１つのメモリに記憶されたモデルを利用して少なくとも１つのプロセッサがＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルである。

【0066】

図６は、モデルＭ１の構築処理Ｓ２の流れを示すフローチャートである。図６に示すように、ステップＳ２１において、プロセッサ２２は、撮像したＭＲＩ画像と、当該ＭＲＩ画像を含む複数のＭＲＩ画像を用いてノイズを除去した教師画像と、を教師データとして取得する。次に、ステップＳ２２において、プロセッサ２２は、教師あり学習により、ノイズを除去するモデルＭ１を更新する。つまり、教師データを入力し、出力画像を得て、出力画像と教師画像との誤差が小さくなるように、モデルＭ１を規定する係数を更新する。次に、ステップＳ２３において、プロセッサ２２は、終了条件を満たすか否かを判定する。終了条件は、例えば、誤差が所定の範囲内に収まっていること、あるいは、所定の学習回数を終了したこと、等である。ステップＳ２３において、終了条件を満たしていると判定された場合（ステップＳ２３：ＹＥＳ）は、構築処理Ｓ２を終了する。ステップＳ２３において、終了条件を満たしていないと判定された場合（ステップＳ２３：ＮＯ）は、ステップＳ２１に戻る。

【0067】

モデルＭ１は、ＭＲＩ画像を入力画像とし、ノイズが除去されたＭＲＩ画像を出力画像とするモデルである。モデルＭ１は、出力画像の各画素の画素値が、該画素に対応する入力画像の画素の近傍にある画素の画素値の最小値以上最大値以下の範囲に含まれるように構成されている。この構成は実施形態１で説明したものと同じであるので、ここでの説明は省略する。

【0068】

以上のように、本実施形態４に係る機械学習方法によれば、出力画素値の取りうる範囲に上述の制限を設けることで、生体のＭＲＩ画像の特徴を考慮してノイズを除去したＭＲＩ画像を生成するモデルを構築することができる。

【0069】

〔実施形態５〕
次に、本発明の実施形態５に係る機械学習装置２について、図面を参照して以下に説明する。なお、実施形態５に係る機械学習装置２の構成は、実施形態４で説明した機械学習装置２の構成と同様であるため、その説明は省略する。

【0070】

（実施形態５の機械学習装置の機能）
本実施形態に係る機械学習装置２が実施形態４の機械学習装置２と異なる点は、プロセッサ２２が、実施形態４で説明した学習に加えて、出力画像から導出される２次的指標と、対応する教師データのノイズを除去したＭＲＩ画像から導出される２次的指標と、の誤差を小さくするようにモデルを学習させるという点である。本実施形態５に係る機械学習装置２は、実施形態２で説明したモデルＭ２を構築するための装置である。以下、本実施形態のモデルを、未学習のモデルを含めて便宜的に「モデルＭ２」と称する。

【0071】

ＭＲＩ画像が拡散強調画像である場合、その拡散強調画像から、２次的指標として拡散テンソルを導出することができる。拡散強調画像は、撮像対象中の水分の拡散の方向と速さをパラメータとして画像化したものである。拡散テンソルは、水分の流れを数値で表したものであり、元画像が有している重要な生体情報の１つである。

【0072】

本実施形態では、機械学習における教師データは、第１のＭＲＩ画像とノイズが除去された第２のＭＲＩ画像との組である。例えば、第１のＭＲＩ画像は、共通する条件で撮像された複数の画像のうちの１枚の画像である。第２のＭＲＩ画像は、共通する条件で撮像された複数の画像から得られた、ノイズを除去した画像である。本実施形態では、モデル構築処理は、第１のＭＲＩ画像を入力したときにモデルＭ２から出力されるＭＲＩ画像の２次的指標、及び、第２のＭＲＩ画像の２次的指標を導出する導出処理と、２つの２次的指標の差が小さくなるように、モデルを規定する係数を更新する更新処理と、を含んでいる。

【0073】

実施形態４で説明した出力画像Ｙが拡散強調画像である場合を考える。図７は、実施形態５に係る機械学習装置が学習する拡散テンソルを示す模式図である。図７に示すように、出力画像Ｙから拡散テンソルＴｙが導出される。一方、教師データＺ（これも拡散強調画像である）から拡散テンソルＴｚが導出される。拡散テンソルは、画素ごとに導出することができる。

【0074】

図７に示すように、拡散テンソルは、３次元の拡散ベクトルをλ、λ_２κ、λ_３κで表し、これらを３軸とする楕円体Ｔｙ、楕円体Ｔｚとして表してもよい。拡散テンソルは、異方性拡散の場合は楕円体となり、等方性拡散の場合は球体となる。出力画像Ｙと教師データＺの画素値を比較して、その誤差を小さくするだけでなく、楕円体Ｔｙと楕円体Ｔｚとのベクトル値を比較し、その誤差が小さくなるようにすることで、教師データにより近い出力画像を生成することができる。

【0075】

（モデル構築方法）
次に、本実施形態に係るモデルＭ２の構築処理Ｓ３について、図面を参照して説明する。構築処理Ｓ３は、実施形態４で説明したモデルの構築処理Ｓ２に加えて行ってもよい。図８は、実施形態５に係るモデルの構築処理Ｓ３の流れを示すフローチャートである。

【0076】

図８に示すように、ステップＳ３１において、プロセッサ２２は、出力画像と教師データの２次的指標を導出する。つまり、プロセッサ２２は、第１のＭＲＩ画像を入力したときにモデルＭ２から出力されるＭＲＩ画像の２次的指標、及び、第２のＭＲＩ画像の２次的指標を導出する（導出処理）。次に、ステップＳ３２において、プロセッサ２２は、出力画像の２次的指標と教師データの２次的指標との誤差を小さくするようにモデルを学習させる。つまり、プロセッサ２２は、２つの２次的指標の誤差が小さくなるように、モデルＭ２を規定する係数を更新する（更新処理）。一例として、ＭＲＩ画像は拡散強調画像であり、２次的指標は拡散テンソルである。

【0077】

以上の実施形態５に係る機械学習装置２によれば、実施形態４に係る機械学習装置２と同様の効果を得ることができる。さらに、本実施形態によれば、出力画像Ｙの２次的指標（例えば拡散テンソル）と、教師画像Ｚの２次的指標（例えば拡散テンソル）との誤差を小さくするモデルＭ２を構築することができる。従って、より精度良い出力画像を生成するモデルＭ２を構築する機械学習装置２を実現することができる。

【0078】

〔実施形態６〕
次に、本発明の実施形態６に係る機械学習装置２について、図面を参照して以下に説明する。なお、実施形態６に係る機械学習装置２の構成は、実施形態４で説明した機械学習装置２の構成と同様であるため、その説明は省略する。

【0079】

（実施形態６の機械学習装置の機能）
本実施形態の機械学習装置２が実施形態４の機械学習装置２と異なる点は、教師データである複数のＭＲＩ画像は、共通する条件で撮像されたＭＲＩ画像であり、プロセッサ２２が、共通する条件で撮像された複数のＭＲＩ画像の出力画像同士の誤差を小さくするように、モデルを構築するという点である。本実施形態６に係る機械学習装置２は、実施形態３で説明したモデルＭ３を構築するための装置である。以下、未学習のモデルも含めて、本実施形態のモデルを便宜的に「モデルＭ３」と称する。

【0080】

図９は、実施形態６に係る機械学習装置２が行うモデル構築処理の流れを示す模式図である。前述のように、従来技術の場合、ＭＲＩ画像を撮像する場合は、共通する条件でｎ枚のＭＲＩ画像Ｘ１、Ｘ２、…ＸＮを撮像する。本実施形態における機械学習における教師データは、この共通する条件で撮像された複数のＭＲＩ画像Ｘ１、Ｘ２、…ＸＮである。さらに、モデル構築処理は、複数のＭＲＩ画像の各々を入力したときにモデルＭ３から出力されるＭＲＩ画像Ｙ１、Ｙ２、…ＹＮ同士の差が小さくなるように、モデルＭ３を規定する係数を更新する処理を含んでいる。つまり、プロセッサ２２は、ｎ枚のＭＲＩ画像Ｘ１、Ｘ２、…ＸＮのそれぞれからモデルＭ３によってｎ枚の出力画像Ｙ１、Ｙ２、…ＹＮを生成させる。そして、プロセッサ２２は、得られた出力画像Ｙ１、Ｙ２、…ＹＮ同士を比較し、誤差を小さくするようにモデルＭ３を構築する。

【0081】

ここで、出力画像同士を比較するとは、図９に示すように、Ｙ１とＹ２とを比較、Ｙ１とＹ３とを比較、…のように、任意（又はすべて）の組み合わせで比較するということである。なお、出力画像Ｙ１、Ｙ２、…ＹＮの各々と教師画像Ｚとを比較した結果を加えてもよい。

【0082】

共通する条件で撮像されたｎ枚のＭＲＩ画像Ｘ１、Ｘ２、…ＸＮは、同等の情報を持つ画像である。従って、出力画像Ｙ１、Ｙ２、…ＹＮもまた同等の情報を持つ画像となるべきである。そこで、ｎ枚の出力画像Ｙ１、Ｙ２、…ＹＮ同士の誤差が小さくなるようにモデルＭ３を構築することで、モデルの能力をより向上させることができる。また、上述のように、出力画像Ｙ１、Ｙ２、…ＹＮの各々と教師画像Ｚとの一致度を高めるようにモデルＭ３を学習させてもよい。

【0083】

以上の実施形態６に係る機械学習装置２によれば、実施形態４に係る機械学習装置２と同様の効果を得ることができる。さらに、本実施形態によれば、複数の出力画像Ｙ１、Ｙ２、…ＹＮ同士の一致度を高めたモデルＭ３を構築することができる。さらに、出力画像Ｙ１、Ｙ２、…ＹＮの各々と教師画像Ｚとの誤差を小さくするモデルＭ３を構築することができる。従って、より精度良い出力画像を生成するモデルＭ３を構築する機械学習装置を実現することができる。

【0084】

（モデル構築方法）
次に、実施形態６に係るモデルＭ３の生成方法について、図面を参照して説明する。図１０は、実施形態６に係るモデルＭ３の構築処理Ｓ４の流れを示すフローチャートである。図１０に示すように、ステップＳ４１において、プロセッサ２２は、共通する条件で撮像された複数のＭＲＩ画像を取得する。この複数のＭＲＩ画像は、ノイズを除去した教師データのＭＲＩ画像の元となった、共通する条件で撮像されたＭＲＩ画像である。次に、ステップＳ４２において、プロセッサ２２は、複数のＭＲＩ画像から出力画像を生成する。次に、ステップＳ４３において、プロセッサ２２は、共通する条件で撮像された複数のＭＲＩ画像の出力画像同士の誤差を小さくするように、モデルＭ３を学習させる。

【0085】

以上の実施形態６に係るモデルの構築方法によれば、実施形態４に係るモデルの構築方法と同様の効果を得ることができる。さらに、本実施形態によれば、共通する条件で撮像された複数のＭＲＩ画像の出力画像同士の誤差を小さくするモデルＭ３を構築することができる。従って、より精度良い出力画像を生成するモデルＭ３を構築することができる。

【0086】

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

【実施例0087】

本発明の一実施例について以下に説明する。図１１は、実施例１に係る頭部ＭＲＩ画像のインプット画像１２１、アウトプット画像１２２、及び教師画像１２３である。インプット画像１２１は、撮像されたＭＲＩ画像である。アウトプット画像１２２は、実施例１に係るノイズ除去装置にインプット画像１２１を入力することによって生成されたＭＲＩ画像である。教師画像１２３は、インプット画像１２１と共通する条件で撮像された複数のＭＲＩ画像を合成してノイズを除去したＭＲＩ画像である。

【0088】

アウトプット画像１２２は、教師画像１２３と比べて遜色がないほどにＳＮＲが改善している。つまり、本実施例に係るノイズ除去装置を用いることにより、１枚のＭＲＩ画像から、従来技術と同程度にノイズが除去されたＭＲＩ画像が得られることがわかった。

【実施例0089】

本発明の他の実施例について以下に説明する。図１２は、本発明の実施例２に係る頭部拡散強調画像の２次的指標であるＦＡパラメータマップである。図１２では、左からインプット画像１３１、アウトプット画像１３２、及び教師画像１３３を、それぞれの拡大図とともに示している。インプット画像１３１は、撮像された拡散強調画像のＦＡパラメータマップである。アウトプット画像１３２は、実施例２に係るノイズ除去装置にインプット画像１３１を入力することによって生成された拡散強調画像のＦＡパラメータマップである。教師画像１３３は、インプット画像１３１と共通する条件で撮像された複数の拡散強調画像を合成してノイズを除去した拡散強調画像のＦＡパラメータマップである。

【0090】

アウトプット画像１３２は、教師画像１３３と比べて遜色がないほどにＳＮＲが低下している。つまり、本実施例に係るノイズ除去装置を用いることにより、１枚の拡散強調画像から、従来技術と同程度にノイズが除去された拡散強調画像のＦＡパラメータマップが得られることがわかった。