特許 7546047 放射線画像処理方法、学習済みモデル、放射線画像処理モジュール、放射線画像処理プログラム、放射線画像処理システム、及び機械学習方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-08-28

(45)【発行日】2024-09-05

(54)【発明の名称】放射線画像処理方法、学習済みモデル、放射線画像処理モジュール、放射線画像処理プログラム、放射線画像処理システム、及び機械学習方法

(51)【国際特許分類】

   G01N 23/04 20180101AFI20240829BHJP

【ＦＩ】

G01N23/04

【請求項の数】 11

(21)【出願番号】P 2022515418

(86)(22)【出願日】2021-04-14

(86)【国際出願番号】 JP2021015488

(87)【国際公開番号】W WO2021210617

(87)【国際公開日】2021-10-21

【審査請求日】2023-11-13

(31)【優先権主張番号】P 2020073576

(32)【優先日】2020-04-16

(33)【優先権主張国・地域又は機関】JP

(73)【特許権者】

【識別番号】000236436

【氏名又は名称】浜松ホトニクス株式会社

(74)【代理人】

【識別番号】100088155

【弁理士】

【氏名又は名称】長谷川 芳樹

(74)【代理人】

【識別番号】100113435

【弁理士】

【氏名又は名称】黒木 義樹

(74)【代理人】

【識別番号】100140442

【弁理士】

【氏名又は名称】柴山 健一

(74)【代理人】

【識別番号】100124800

【弁理士】

【氏名又は名称】諏澤 勇司

(72)【発明者】

【氏名】大西 達也

(72)【発明者】

【氏名】須山 敏康

【審査官】井上 徹

(56)【参考文献】

【文献】米国特許出願公開第２０１９／０１０８４４１（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０１９／０１０２６２１（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０１９／０３２５６２１（ＵＳ，Ａ１）

【文献】特開２００８－２２９１６１（ＪＰ，Ａ）

【文献】特開２０１９－１１１３２２（ＪＰ，Ａ）

【文献】特表２０１３－５１２０２４（ＪＰ，Ａ）

【文献】特開２００６－３１８１０３（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０１Ｎ ２３／００－２３／２２７６

Ｇ０１Ｎ ２１／００－２１／０１

Ｇ０１Ｎ ２１／１７－２１／６１

Ｇ０１Ｎ ２１／８４－２１／９５８

Ｇ０１Ｂ １１／００－１１／３０

Ａ６１Ｂ ６／００－ ６／５８

Ｇ０６Ｔ １／００－ ７／９０

ＪＳＴＰｌｕｓ／ＪＭＥＤＰｌｕｓ／ＪＳＴ７５８０（ＪＤｒｅａｍＩＩＩ）

(57)【特許請求の範囲】

【請求項1】

放射線を照射して対象物を撮像する際の前記放射線の発生源の条件あるいは撮像条件のいずれかを示す条件情報を入力するステップと、
前記条件情報を基に、前記対象物を透過した前記放射線に関する平均エネルギーを算出するステップと、
前記平均エネルギーを基に、予め画像データを用いて機械学習によってそれぞれ構築された複数の学習済みモデルの中から、学習済みモデルの候補を絞り込むステップと、
前記候補を用いて前記対象物の放射線画像からノイズを除去する画像処理を実行するステップと、
を備え、
前記絞り込むステップでは、前記平均エネルギーと、前記画像データから特定される平均エネルギーとを比較することにより、前記候補を絞り込む、
放射線画像処理方法。

【請求項2】

前記条件情報には、前記発生源の管電圧、前記対象物の撮像に用いるカメラが備えるフィルタの情報、前記発生源が備えるフィルタの情報、前記カメラが備えるシンチレータの情報、前記発生源と撮像装置との間の距離、前記対象物の撮像に用いるＸ線検出カメラに関する情報、及び前記対象物に関する情報、のいずれか１つが少なくとも含まれる、
請求項１に記載の放射線画像処理方法。

【請求項3】

放射線を照射して治具を撮像して放射線画像を取得し、当該放射線画像の画像特性に基づいて前記候補から学習済みモデルを選択するステップ、
をさらに備える請求項１又は２に記載の放射線画像処理方法。

【請求項4】

前記機械学習はディープラーニングである、
請求項１～３のいずれか１項に記載の放射線画像処理方法。

【請求項5】

請求項１～４のいずれか１項に記載の放射線画像処理方法をコンピュータに実行させるプログラムである学習済みモデルであって、
画像データを用いて機械学習によって構築され、前記コンピュータのプロセッサに、前記対象物の放射線画像からノイズを除去する画像処理を実行させる学習済みモデル。

【請求項6】

放射線を照射して対象物を撮像する際の前記放射線の発生源の条件あるいは撮像条件のいずれかを示す条件情報の入力を受け付ける入力部と、
前記条件情報を基に、前記対象物を透過した前記放射線に関する平均エネルギーを算出する算出部と、
前記平均エネルギーを基に、予め画像データを用いて機械学習によってそれぞれ構築された複数の学習済みモデルの中から、学習済みモデルの候補を絞り込む絞込部と、
前記候補を用いて前記対象物の放射線画像からノイズを除去する画像処理を実行する処理部と、
を備え、
前記絞込部は、前記平均エネルギーと、前記画像データから特定される平均エネルギーとを比較することにより、前記候補を絞り込む、
放射線画像処理モジュール。

【請求項7】

前記条件情報には、前記発生源の管電圧、前記対象物の撮像に用いるカメラが備えるフィルタの情報、前記発生源が備えるフィルタの情報、前記カメラが備えるシンチレータの情報、前記発生源と撮像装置との間の距離、前記対象物の撮像に用いるＸ線検出カメラに関する情報、及び前記対象物に関する情報、のいずれか１つが少なくとも含まれる、
請求項６に記載の放射線画像処理モジュール。

【請求項8】

放射線を照射して治具を撮像して放射線画像を取得し、当該放射線画像の画像特性に基づいて前記候補から学習済みモデルを選択する選択部、
をさらに備える請求項６又は７に記載の放射線画像処理モジュール。

【請求項9】

前記機械学習はディープラーニングである、
請求項６～８のいずれか１項に記載の放射線画像処理モジュール。

【請求項10】

プロセッサを、
放射線を照射して対象物を撮像する際の前記放射線の発生源の条件あるいは撮像条件のいずれかを示す条件情報の入力を受け付ける入力部、
前記条件情報を基に、前記対象物を透過した前記放射線に関する平均エネルギーを算出する算出部、
前記平均エネルギーを基に、予め画像データを用いて機械学習によってそれぞれ構築された複数の学習済みモデルの中から、学習済みモデルの候補を絞り込む絞込部、及び
前記候補を用いて前記対象物の放射線画像からノイズを除去する画像処理を実行する処理部、
として機能させ、
前記絞込部は、前記平均エネルギーと、前記画像データから特定される平均エネルギーとを比較することにより、前記候補を絞り込む、
放射線画像処理プログラム。

【請求項11】

請求項６～８のいずれか１項に記載の放射線画像処理モジュールと、
前記対象物に放射線を照射する前記発生源と、
前記対象物を透過した放射線を撮像して前記放射線画像を取得する撮像装置と、
を備える放射線画像処理システム。

【発明の詳細な説明】

【技術分野】

【0001】

実施形態の一側面は、放射線画像処理方法、学習済みモデル、放射線画像処理モジュール、放射線画像処理プログラム、放射線画像処理システム、及び機械学習方法に関する。

【背景技術】

【0002】

従来から、画像データを対象にディープラーニング等の機械学習による学習済みモデルを用いたノイズ除去を行う手法が知られている（例えば、下記特許文献１参照）。この手法によれば、画像データからのノイズが自動的に除去されるので対象物を精度よく観察することができる。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１９－９１３９３号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

上述したような従来の手法においては、Ｘ線等の放射線を対象物に透過させることによって生成された放射線画像を対象とした場合にノイズの除去が十分でない場合があった。例えば、Ｘ線源等の放射線発生源の条件、用いるフィルタの種類等の条件によって、画像における輝度とノイズとの関係が変動しやすく、ノイズが効果的に除去できない傾向にあった。

【0005】

そこで、実施形態の一側面は、かかる課題に鑑みてなされたものであり、放射線画像におけるノイズを効果的に除去できる放射線画像処理方法、学習済みモデル、放射線画像処理モジュール、放射線画像処理プログラム、放射線画像処理システム、及び機械学習方法を提供することを課題とする。

【課題を解決するための手段】

【0006】

実施形態の一側面に係る放射線画像処理方法は、放射線を照射して対象物を撮像する際の放射線の発生源の条件あるいは撮像条件のいずれかを示す条件情報を入力するステップと、条件情報を基に、対象物を透過した放射線に関する平均エネルギーを算出するステップと、平均エネルギーを基に、予め画像データを用いて機械学習によってそれぞれ構築された複数の学習済みモデルの中から、学習済みモデルの候補を絞り込むステップと、を備える。

【0007】

あるいは、実施形態の他の側面に係る学習済みモデルは、上記の放射線画像処理方法に用いる学習済みモデルであって、画像データを用いて機械学習によって構築され、プロセッサに、対象物の放射線画像からノイズを除去する画像処理を実行させる。

【0008】

あるいは、実施形態の他の側面に係る放射線画像処理モジュールは、放射線を照射して対象物を撮像する際の放射線の発生源の条件あるいは撮像条件のいずれかを示す条件情報の入力を受け付ける入力部と、条件情報を基に、対象物を透過した放射線に関する平均エネルギーを算出する算出部と、平均エネルギーを基に、予め画像データを用いて機械学習によってそれぞれ構築された複数の学習済みモデルの中から、学習済みモデルの候補を絞り込む絞込部と、を備える。

【0009】

あるいは、実施形態の他の側面に係る放射線画像処理プログラムは、プロセッサを、放射線を照射して対象物を撮像する際の放射線の発生源の条件あるいは撮像条件のいずれかを示す条件情報の入力を受け付ける入力部、条件情報を基に、対象物を透過した放射線に関する平均エネルギーを算出する算出部、及び平均エネルギーを基に、予め画像データを用いて機械学習によってそれぞれ構築された複数の学習済みモデルの中から、学習済みモデルの候補を絞り込む絞込部、として機能させる。

【0010】

あるいは、実施形態の他の側面に係る放射線画像処理システムは、上記の放射線画像処理モジュールと、対象物に放射線を照射する発生源と、対象物を透過した放射線を撮像して放射線画像を取得する撮像装置と、を備える。

【0011】

あるいは、実施形態の他の側面に係る機械学習方法は、放射線を照射して対象物を撮像する際の放射線の発生源の条件あるいは撮像条件のいずれかを示す条件情報を基に算出された平均エネルギーであって、対象物を透過した放射線に関する平均エネルギーに対応する対象物の放射線画像である訓練画像を訓練データとして用いて、訓練画像を基にノイズが除去された画像データを出力する学習済みモデルを、機械学習によって構築する構築ステップ、を備える。

【0012】

上記一側面あるいは他の側面のいずれかによれば、対象物の放射線画像を取得する際の放射線の発生源の条件あるいは撮像条件を基に、対象物を透過した放射線の平均エネルギーが算出される。そして、その平均エネルギーを基に、予め構築された学習済みモデルの中からノイズ除去に用いる学習済みモデルの候補が絞り込まれる。これにより、撮像対象の放射線の平均エネルギーに対応した学習済みモデルがノイズ除去に用いられるので、放射線画像における輝度とノイズとの関係に対応したノイズ除去が実現できる。その結果、放射線画像におけるノイズを効果的に除去できる。

【発明の効果】

【0013】

実施形態によれば、対象物の放射線画像におけるノイズを効果的に除去できる。

【図面の簡単な説明】

【0014】

【図1】実施形態にかかる画像取得装置１の概略構成図である。

【図2】図１の制御装置２０のハードウェア構成の一例を示すブロック図である。

【図3】図１の制御装置２０の機能構成を示すブロック図である。

【図4】図３の学習済みモデル２０６の構築に用いられる教師データである画像データの一例を示す図である。

【図5】図３の学習済みモデル２０６の構築に用いられる教師データである画像データの作成手順を示すフローチャートである。

【図6】図３の選択部２０４の解析対象のＸ線透過画像の一例を示す図である。

【図7】図３の選択部２０４が取得した厚さ－輝度の特性グラフの一例を示す図である。

【図8】図３の選択部２０４が取得した輝度－ＳＮＲの特性グラフの一例を示す図である。

【図9】図３の選択部２０４による画像特性に基づいた学習済みモデルの選択機能を説明するための図である。

【図10】図３の選択部２０４による解像度の評価に用いられるＸ線透過画像の一例を示す図である。

【図11】図３の選択部２０４による輝度－ノイズ比の評価に用いられる治具の構造の一例を示す斜視図である。

【図12】図１１の治具を対象に得られたノイズ除去処理後のＸ線透過画像を示す図である。

【図13】画像取得装置１を用いた観察処理の手順を示すフローチャートである。

【図14】画像取得装置１によって取得されたノイズ除去処理の前後のＸ線透過画像の例を示す図である。

【図15】画像取得装置１によって取得されたノイズ除去処理の前後のＸ線透過画像の例を示す図である。

【図16】本開示の変形例に係る制御装置２０Ａの機能構成を示すブロック図である。

【図17】変形例に係る画像取得装置１を用いた観察処理の手順を示すフローチャートである。

【発明を実施するための形態】

【0015】

以下、添付図面を参照して、本発明の実施形態について詳細に説明する。なお、説明において、同一要素又は同一機能を有する要素には、同一符号を用いることとし、重複する説明は省略する。

【0016】

図１は、本実施形態に係る放射線画像処理システムである画像取得装置１の構成図である。図１に示されるように、画像取得装置１は、搬送方向ＴＤに搬送される対象物Ｆに対してＸ線（放射線）を照射し、対象物Ｆを透過したＸ線に基づき対象物Ｆを撮像したＸ線透過画像（放射線画像）を取得する装置である。画像取得装置１は、Ｘ線透過画像を用いて、対象物Ｆを対象にした異物検査、重量検査、検品検査などを行い、用途としては、食品検査、手荷物検査、基板検査、電池検査、材料検査等が挙げられる。画像取得装置１は、ベルトコンベア（搬送手段）６０と、Ｘ線照射器（放射線発生源）５０と、Ｘ線検出カメラ（撮像装置）１０と、制御装置（放射線画像処理モジュール）２０と、表示装置３０と、各種入力を行うための入力装置４０と、を備えて構成されている。なお、本発明の実施形態における放射線画像とは、Ｘ線画像に限らず、γ線などのＸ線以外の電磁放射線による画像も含む。

【0017】

ベルトコンベア６０は、対象物Ｆが載置されるベルト部を有しており、該ベルト部を搬送方向ＴＤに移動させることにより、対象物Ｆを所定の搬送速度で搬送方向ＴＤに搬送する。対象物Ｆの搬送速度は、例えば４８ｍ／分である。ベルトコンベア６０は、必要に応じて、搬送速度を、例えば２４ｍ／分や、９６ｍ／分等の搬送速度に変更することができる。また、ベルトコンベア６０は、ベルト部の高さ位置を適宜変更し、Ｘ線照射器５０と対象物Ｆとの距離を変更することができる。なお、ベルトコンベア６０で搬送される対象物Ｆとしては、例えば、食肉、魚介類、農作物、菓子等の食品、タイヤ等のゴム製品、樹脂製品、金属製品、鉱物等の資源材料、廃棄物、及び電子部品や電子基板等、様々な物品を挙げることができる。Ｘ線照射器５０は、Ｘ線源としてＸ線を対象物Ｆに照射（出力）する装置である。Ｘ線照射器５０は、点光源であり、一定の照射方向に所定の角度範囲でＸ線を拡散させて照射する。Ｘ線照射器５０は、Ｘ線の照射方向がベルトコンベア６０に向けられると共に、拡散するＸ線が対象物Ｆの幅方向（搬送方向ＴＤと交差する方向）全体に及ぶように、ベルトコンベア６０から所定の距離を離れてベルトコンベア６０の上方に配置されている。また、Ｘ線照射器５０は、対象物Ｆの長さ方向（搬送方向ＴＤと平行な方向）においては、長さ方向における所定の分割範囲が照射範囲とされ、対象物Ｆがベルトコンベア６０にて搬送方向ＴＤへ搬送されることにより、対象物Ｆの長さ方向全体に対してＸ線が照射されるようになっている。Ｘ線照射器５０は、制御装置２０により管電圧及び管電流が設定され、設定された管電圧及び管電流に応じた所定のエネルギー、放射線量のＸ線を、ベルトコンベア６０に向けて照射する。また、Ｘ線照射器５０のベルトコンベア６０側の近傍には、Ｘ線の所定波長域を透過させるフィルタ５１が設けられている。

【0018】

Ｘ線検出カメラ１０は、Ｘ線照射器５０により対象物Ｆに照射されたＸ線のうち、対象物Ｆを透過したＸ線を検出し、該Ｘ線に基づく信号を出力する。Ｘ線検出カメラ１０は、Ｘ線を検出する構成が２組配置されたデュアルラインＸ線カメラである。本実施形態に係る画像取得装置１では、デュアルラインＸ線カメラのそれぞれのライン（第１のライン及び第２のライン）で検出されたＸ線に基づき、それぞれＸ線透過画像が生成される。そして、生成された２つのＸ線透過画像について、平均処理又は加算処理等を行うことによって、１つのラインで検出されたＸ線に基づきＸ線透過画像を生成する場合と比べて、少ないＸ線量で鮮明な（輝度の大きい）画像を取得することができる。

【0019】

Ｘ線検出カメラ１０は、フィルタ１９、シンチレータ１１ａ，１１ｂと、ラインスキャンカメラ１２ａ，１２ｂと、センサ制御部１３と、アンプ１４ａ，１４ｂと、ＡＤ変換器１５ａ，１５ｂと、補正回路１６ａ，１６ｂと、出力インターフェース１７ａ，１７ｂと、アンプ制御部１８と、を有している。シンチレータ１１ａ、ラインスキャンカメラ１２ａ、アンプ１４ａ、ＡＤ変換器１５ａ、補正回路１６ａ、及び出力インターフェース１７ａはそれぞれ電気的に接続されており、第１のラインに係る構成である。また、シンチレータ１１ｂ、ラインスキャンカメラ１２ｂ、アンプ１４ｂ、ＡＤ変換器１５ｂ、補正回路１６ｂ、及び出力インターフェース１７ｂはそれぞれ電気的に接続されており、第２のラインに係る構成である。第１のラインのラインスキャンカメラ１２ａと、第２のラインのラインスキャンカメラ１２ｂとは、搬送方向ＴＤに沿って並んで配置されている。なお、以下では、第１のラインと第２のラインとで共通する構成については、第１のラインの構成を代表して説明する。

【0020】

シンチレータ１１ａは、ラインスキャンカメラ１２ａ上に接着等により固定されており 、対象物Ｆを透過したＸ線をシンチレーション光に変換する。シンチレータ１１ａは、シンチレーション光をラインスキャンカメラ１２ａに出力する。フィルタ１９は、Ｘ線の所定波長域をシンチレータ１１ａに向けて透過させる。

【0021】

ラインスキャンカメラ１２ａは、シンチレータ１１ａからのシンチレーション光を検出し、電荷に変換して、検出信号（電気信号）としてアンプ１４ａに出力する。ラインスキャンカメラ１２ａは、搬送方向ＴＤと交差する方向に並列した複数のラインセンサを有している。ラインセンサは、例えばＣＣＤ（Charge Coupled Device）イメージセンサやＣＭＯＳ（Complementary Metal-Oxide Semiconductor）イメージセンサ等であり、複数のフォトダイオードを含んでいる。

【0022】

センサ制御部１３は、ラインスキャンカメラ１２ａ，１２ｂが、対象物Ｆの同じ領域を透過したＸ線を撮像できるように、ラインスキャンカメラ１２ａ，１２ｂを、所定の検出周期で繰り返し撮像するよう制御する。所定の検出周期は、例えば、ラインスキャンカメラ１２ａ，１２ｂ間の距離、ベルトコンベア６０の速度、Ｘ線照射器５０とベルトコンベア６０上の対象物Ｆとの距離（ＦＯＤ（Focus Object Distance：線源物体間距離））、並びに、Ｘ線照射器５０とラインスキャンカメラ１２ａ，１２ｂとの距離（ＦＤＤ（Focus Detector Distance：線源センサ間距離））に基づいて、ラインスキャンカメラ１２ａ，１２ｂ共通の周期が設定されてもよい。また、所定の周期は、ラインスキャンカメラ１２ａ，１２ｂそれぞれのラインセンサの画素配列方向と直交する方向のフォトダイオードの画素幅に基づいて、それぞれ個別に設定されてもよい。この場合には、ラインスキャンカメラ１２ａ，１２ｂ間の距離、ベルトコンベア６０の速度、Ｘ線照射器５０とベルトコンベア６０上の対象物Ｆとの距離（ＦＯＤ）、並びに、Ｘ線照射器５０とラインスキャンカメラ１２ａ，１２ｂとの距離（ＦＤＤ）に応じて、ラインスキャンカメラ１２ａ，１２ｂ間の検出周期のズレ（遅延時間）を特定し、それぞれ個別の周期が設定されてもよい。 アンプ１４ａは、所定の設定増幅率にて検出信号を増幅して増幅信号を生成し、該増幅信号をＡＤ変換器１５ａに出力する。設定増幅率は、アンプ制御部１８によって設定される増幅率である。アンプ制御部１８は、所定の撮像条件に基づいて、アンプ１４ａ，１４ｂの設定増幅率を設定する。

【0023】

ＡＤ変換器１５ａは、アンプ１４ａにより出力された増幅信号（電圧信号）をデジタル信号に変換し、補正回路１６ａに出力する。補正回路１６ａは、デジタル信号に対して、信号増幅等の所定の補正を行い、補正後のデジタル信号を出力インターフェース１７ａに出力する。出力インターフェース１７ａは、デジタル信号をＸ線検出カメラ１０外部に出力する。図１では、ＡＤ変換器や補正回路、出力インターフェースは、それぞれ個別に存在しているが、一つにまとまっていてもよい。

【0024】

制御装置２０は、例えばＰＣ（Personal Computer）等のコンピュータである。制御装置２０は、Ｘ線検出カメラ１０（より詳細には、出力インターフェース１７ａ，１７ｂ）から出力されたデジタル信号（増幅信号）に基づいてＸ線透過画像を生成する。制御装置２０は、出力インターフェース１７ａ，１７ｂから出力された２つのデジタル信号を平均処理又は加算処理することにより、１つのＸ線透過画像を生成する。生成されたＸ線透過画像は、後述するノイズ除去処理が施された後に表示装置３０に出力され、表示装置３０によって表示される。また、制御装置２０は、Ｘ線照射器５０、アンプ制御部１８、及びセンサ制御部１３を制御する。なお、本実施形態の制御装置２０は、Ｘ線検出カメラ１０の外部に独立に設けられた装置であるが、Ｘ線検出カメラ１０の内部に一体化されていてもよい。

【0025】

図２は、制御装置２０のハードウェア構成を示している。図２に示すように、制御装置２０は、物理的には、プロセッサであるＣＰＵ（Central Processing Unit）１０１、記録媒体であるＲＡＭ（Random Access Memory）１０２又はＲＯＭ（Read Only Memory）１０３、通信モジュール１０４、及び入出力モジュール１０６等を含んだコンピュータ等であり、各々は電気的に接続されている。なお、制御装置２０は、入力装置４０及び表示装置３０として、ディスプレイ、キーボード、マウス、タッチパネルディスプレイ等を含んでいてもよいし、ハードディスクドライブ、半導体メモリ等のデータ記録装置を含んでいてもよい。また、制御装置２０は、複数のコンピュータによって構成されていてもよい。

【0026】

図３は、制御装置２０の機能構成を示すブロック図である。制御装置２０は、入力部２０１、算出部２０２、絞込部２０３、選択部２０４、及び処理部２０５を備える。図３に示す制御装置２０の各機能部は、ＣＰＵ１０１及びＲＡＭ１０２等のハードウェア上にプログラム（本実施形態の放射線画像処理プログラム）を読み込ませることにより、ＣＰＵ１０１の制御のもとで、通信モジュール１０４、及び入出力モジュール１０６等を動作させるとともに、ＲＡＭ１０２におけるデータの読み出し及び書き込みを行うことで実現される。制御装置２０のＣＰＵ１０１は、このコンピュータプログラムを実行することによって制御装置２０を図３の各機能部として機能させ、後述する放射線画像処理方法に対応する処理を順次実行する。なお、ＣＰＵは、単体のハードウェアでもよく、ソフトプロセッサのようにＦＰＧＡのようなプログラマブルロジックの中に実装されたものでもよい。ＲＡＭやＲＯＭについても単体のハードウェアでもよく、ＦＰＧＡのようなプログラマブルロジックの中に内蔵されたものでもよい。このコンピュータプログラムの実行に必要な各種データ、及び、このコンピュータプログラムの実行によって生成された各種データは、全て、ＲＯＭ１０３、ＲＡＭ１０２等の内蔵メモリ、又は、ハードディスクドライブなどの記憶媒体に格納される。

【0027】

また、制御装置２０には、ＣＰＵ１０１によって読み込まれることによって、ＣＰＵ１０１にＸ線透過画像を対象にノイズ除去処理を実行させる学習済みモデル２０６が予め複数格納されている。複数の学習済みモデル２０６は、それぞれ、画像データを教師データとして予め構築された機械学習による学習モデルである。機械学習には、教師あり学習、深層学習（ディープラーニング）、或いは強化学習、ニューラルネットワーク学習などがある。本実施形態では、ディープラーニングのアルゴリズムの一例として、Kai Zhangらの論文“Beyonda Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising”に記載された２次元の畳み込みニューラルネットワークが採用される。複数の学習済みモデル２０６は、外部のコンピュータ等により生成されて制御装置２０にダウンロードされてもよいし、制御装置２０内で生成されてもよい。

【0028】

図４には、学習済みモデル２０６の構築に用いられる教師データである画像データの一例を示す。教師データとしては、様々な厚さ、様々な材質、及び様々な解像度のパターンを撮像対象にしたＸ線透過画像が用いられうる。図４に示す例は、鶏肉を対象に生成されたＸ線透過画像の例である。この画像データは、実際に画像取得装置１を用いて複数種類の対象物を対象に生成されたＸ線透過画像を用いてもよいし、シミュレーション計算によって生成された画像データを用いてもよい。Ｘ線透過画像については、画像取得装置１とは異なる装置を用いて取得したものでもかまわない。また、Ｘ線透過画像とシミュレーション計算によって生成された画像データを組み合わせて用いてもよい。複数の学習済みモデル２０６は、それぞれ、平均エネルギーが異なる透過Ｘ線を対象に得られた画像データであって、ノイズ分布が既知の画像データを用いて予め構築されている。画像データにおけるＸ線の平均エネルギーは、それぞれ、画像取得装置１のＸ線照射器（放射線発生源）５０の動作条件あるいは画像取得装置１の撮像条件等を設定することにより、あるいはシミュレーション計算時のＸ線照射器５０の動作条件あるいは撮像条件を設定することにより、予め異なる値に設定されている（動作条件あるいは撮像条件による平均エネルギーの設定方法については後述する。）。つまり、複数の学習済みモデル２０６は、対象物ＦのＸ線透過画像を撮像する際のＸ線照射器（放射線発生源）５０の動作条件、あるいは、Ｘ線検出カメラ１０による撮像条件等を示す条件情報を基に算出された対象物Ｆを透過したＸ線に関する平均エネルギーに対応するＸ線画像である訓練画像を訓練データとして用いて、機械学習によって構築される（構築ステップ）。例えば、本実施形態では、複数の学習済みモデル２０６は、それぞれ、平均エネルギーが、１０ｋｅＶ、２０ｋｅＶ、３０ｋｅＶ、…と１０ｋｅＶ刻みの値が設定された複数種類の画像データを複数フレーム（例えば、２０，０００フレーム）用いて構築されている。

【0029】

図５は、学習済みモデル２０６の構築に用いられる教師データである画像データの作成手順を示すフローチャートである。

【0030】

教師データである画像データ（教師画像データともいう。）はコンピュータによって次の手順で作成される。まず、所定の構造をもつ構造体の画像（構造体画像）を作成する（ステップＳ１０１）。例えば、シミュレーション計算により、所定の構造を持つ構造体の画像を作成してもよい。また、所定の構造をもつチャートなどの構造体のＸ線画像を取得して構造体画像を作成してもよい。次に、この構造体画像を構成する複数の画素のうちから選択した一の画素について、画素値の標準偏差であるシグマ値を算出する（ステップＳ１０２）。そして、ステップＳ１０２で求めたシグマ値に基づいてノイズ分布を示す正規分布（ポアソン分布）を設定する（ステップＳ１０３）。このように、シグマ値に基づいて正規分布を設定することで様々なノイズ条件の教師データを生成することができる。続いて、ステップＳ１０３でシグマ値に基づいて設定された正規分布に沿って、ランダムに設定されたノイズ値を算出する（ステップＳ１０４）。さらに、一の画素の画素値にステップＳ１０４で求めたノイズ値を付加することで、教師データである画像データを構成する画素値を生成する（ステップＳ１０５）。ステップＳ１０２～ステップＳ１０５までの処理を、構造体画像を構成する複数の画素それぞれに対して行い（ステップＳ１０６）、教師データとなる教師画像データを生成する（ステップＳ１０７）。また、教師画像データがさらに必要な場合は、ステップＳ１０１～ステップＳ１０７までの処理を、別の構造体画像に対して行うことを判断し（ステップＳ１０８）、教師データとなる別の教師画像データを生成する。なお、別の構造体画像は、同じ構造を持つ構造体の画像であってもよいし、別の構造を持つ構造体の画像であってもよい。

【0031】

なお、学習済みモデル２０６の構築に用いられる教師データである画像データは多数用意する必要がある。また、構造体画像は、ノイズが少ない画像がよく、理想的には、ノイズがない画像がよい。そのため、シミュレーション計算によって構造体画像を生成すると、ノイズがない画像を数多く生成することができるので、シミュレーション計算によって、構造体画像を生成することは効果的である。

【0032】

以下、図３に戻って、制御装置２０の各機能部の機能の詳細について説明する。

【0033】

入力部２０１は、対象物ＦのＸ線透過画像を撮像する際のＸ線照射器（放射線発生源）５０の動作条件、あるいは、Ｘ線検出カメラ１０による撮像条件等を示す条件情報の入力を、画像取得装置１のユーザから受け付ける。動作条件としては、管電圧、ターゲット角度、ターゲットの材料等のうちの全部又は一部が挙げられる。撮像条件を示す条件情報としては、Ｘ線照射器５０とＸ線検出カメラ１０との間に配置されるフィルタ５１，１９（対象物の撮像に用いるカメラが備えるフィルタ或いは発生源が備えるフィルタ）の材質及び厚さ、Ｘ線照射器５０とＸ線検出カメラ１０との距離（ＦＤＤ）、Ｘ線検出カメラ１０の窓材の種類、及び、Ｘ線検出カメラ１０のシンチレータ１１ａ，１１ｂの材料及び厚さに関する情報、Ｘ線検出カメラ情報（例えば、ゲイン設定値、回路ノイズ値、飽和電荷量、変換係数値（電子数/count）、カメラのラインレート（Hz）もしくはラインスピード（m/min））、対象物の情報等のうちの全部又は一部が挙げられる。入力部２０１は、条件情報の入力を、数値等の情報の直接入力として受け付けてもよいし、予め内部メモリに設定された数値等の情報に対する選択入力として受け付けてもよい。入力部２０１は、上記の条件情報の入力をユーザから受け付けるが、一部の条件情報（管電圧等）を、制御装置２０による制御状態の検出結果に応じて取得してもよい。

【0034】

算出部２０２は、入力部２０１によって受け付けられた条件情報を基に、画像取得装置１を用いて対象物Ｆを透過させてＸ線検出カメラ１０によって検出させるＸ線（放射線）の平均エネルギーの値を算出する。例えば、算出部２０２は、条件情報に含まれる、管電圧、ターゲット角度、ターゲットの材料、フィルタの材質及び厚さ及びその有無、窓材の種類及びその有無、Ｘ線検出カメラ１０のシンチレータ１１ａ，１１ｂの材料及び厚さ、等の情報に基づいて、Ｘ線検出カメラ１０で検出されるＸ線のスペクトルを、例えば公知のＴｕｃｋｅｒ等の近似式を用いて算出する。そして、算出部２０２は、Ｘ線のスペクトルから、スペクトル強度積分値と光子数積分値とをさらに算出し、スペクトル強度積分値を光子数積分値で除することによりＸ線の平均エネルギーの値を算出する。

【0035】

公知のＴｕｃｋｅｒの近似式を用いた算出方法について記載する。例えば、算出部２０２は、ターゲットをタングステン、ターゲット角度を25°と特定すると、Em：電子ターゲット衝突時の運動エネルギー、T：ターゲット中の電子運動エネルギー、A：ターゲット物質の原子番号で決まる比例定数、ρ：ターゲットの密度、μ(E)：ターゲット物質の線減弱係数、B：緩やかに変化するZとTの関数、C：Thomson-Whiddington定数、θ：ターゲット角度、c：真空中の光速度、を決定することができる。さらに、算出部２０２は、それらを基に下記式（１）を計算することにより、照射Ｘ線スペクトルが算出できる。

【0036】

【数1】

なお、Emは管電圧の情報から決定でき、A、ρ、μ(E)は、ターゲットの材料の情報から決定でき、θはターゲット角度の情報から決定できる。

【0037】

次に、算出部２０２は、フィルタ及び対象物Ｆを透過してシンチレータに吸収されるＸ線エネルギースペクトルを下記式（２）のＸ線の減弱式を用いて算出できる。

【0038】

【数2】

ここで、μは対象物質、フィルタ、シンチレータ等の減弱係数、xは対象物質、フィルタ、シンチレータ等の厚さである。μは対象物、フィルタ、及びシンチレータの材質の情報から決定でき、xは対象物、フィルタ、及びシンチレータの厚さの情報から決定できる。Ｘ線光子数スペクトルは、このＸ線エネルギースペクトルを各Ｘ線のエネルギーで除することで求まる。算出部２０２は、Ｘ線の平均エネルギーを、エネルギー強度の積分値を光子数の積分値で除することにより、下記式（３）を用いて算出する。
平均エネルギーE＝スペクトル強度積分値／光子数積分値 …（３）
上記の計算過程により、算出部２０２は、Ｘ線の平均エネルギーを算出する。なお、Ｘ線スペクトルの算出に関しては、公知のKramersや、Birchらによる近似式を使用してもよい。

【0039】

絞込部２０３は、算出部２０２によって算出された平均エネルギーの値を基に、予め構築された複数の学習済みモデル２０６の中から、学習済みモデルの候補を絞り込む。すなわち、絞込部２０３は、算出された平均エネルギーの値と、複数の学習済みモデル２０６の構築に用いられた画像データにおけるＸ線の平均エネルギーの値とを比較し、平均エネルギーの値が近い画像データによって構築された複数の学習済みモデル２０６を候補として絞り込む。より具体的には、算出部２０２によって算出された平均エネルギーの値が５３ｋｅＶの場合には、絞込部２０３は、その値との差が所定の閾値（例えば１５ｋｅＶ）未満である平均エネルギー値４０ｋｅＶ、５０ｋｅＶ、６０ｋｅＶの画像データによって構築された学習済みモデル２０６を、学習済みモデルの候補とする。

【0040】

選択部２０４は、絞込部２０３によって絞り込まれた候補の中から、最終的に対象物ＦのＸ線透過画像のノイズ除去処理に用いる学習済みモデル２０６を選択する。詳細には、選択部２０４は、画像取得装置１において治具を対象にＸ線を照射して撮像したＸ線透過画像を取得し、そのＸ線透過画像の画像特性に基づいて、最終的に用いる学習済みモデル２０６を選択する。このとき、選択部２０４は、Ｘ線透過画像の画像特性として、エネルギー特性、ノイズ特性、あるいは、解像度特性等を解析し、その解析結果を基に学習済みモデル２０６を選択する。

【0041】

より具体的には、選択部２０４は、治具として、厚さ及び材質が既知であり、Ｘ線の平均エネルギーとＸ線透過率との関係が既知である平板状部材を対象にＸ線透過画像を取得し、治具を透過したＸ線像の輝度と空気を透過したＸ線像の輝度とを比較して、治具における１点（あるいは複数点の平均）のＸ線の透過率を算出する。例えば、治具を透過したＸ線像の輝度が5,550であり、空気を透過したＸ線像の輝度が15,000の場合には、透過率37％と算出する。そして、選択部２０４は、透過率37％から推定される透過Ｘ線の平均エネルギー（例えば、５０ｋｅＶ）を、治具のＸ線透過画像のエネルギー特性として特定する。選択部２０４は、特定した平均エネルギーの値に最も近い平均エネルギーの画像データによって構築された学習済みモデル２０６を一つ選択する。

【0042】

また、選択部２０４は、治具のＸ線透過画像のエネルギー特性として、厚さあるいは材質が変化する治具の複数点における特性を解析してもよい。図６は、選択部２０４の解析対象のＸ線透過画像の一例を示す図である。図６は、厚さがステップ状に変化した形状の治具を対象にしたＸ線透過画像である。選択部２０４は、このようなＸ線透過画像から厚さの異なる複数の測定領域（ＲＯＩ：Region Of Interest）を選択し、複数の測定領域ごとの輝度平均値を解析し、厚さ－輝度の特性グラフをエネルギー特性として取得する。図７には、選択部２０４が取得した厚さ－輝度の特性グラフの一例を示している。

【0043】

さらに、選択部２０４は、同様にして、絞込部２０３によって絞り込まれた学習済みモデル２０６の構築に用いた画像データを対象に、厚さ－輝度の特性グラフを取得し、治具を対象に取得した特性グラフと最も近い特性を有する画像データによって構築された学習済みモデル２０６を、最終的な学習済みモデル２０６として選択する。ただし、この学習済みモデル２０６の構築に用いられた画像データの画像特性は予め制御装置２０の外部で算出されたものを参照してもよい。このように、複数の測定領域を設定することにより、対象物ＦのＸ線透過画像のノイズ除去に最適な学習済みモデルの選択することができる。特に、Ｘ線透過画像の測定時のＸ線スペクトルの違いあるいはフィルタの効果の違いを精度よく推定することが可能となる。

【0044】

また、選択部２０４は、治具のＸ線透過画像のノイズ特性として、複数の測定領域ごとの輝度値とノイズを解析し、輝度－ノイズ比の特性グラフをノイズ特性として取得することもできる。すなわち、選択部２０４は、Ｘ線透過画像から厚さあるいは材質の異なる複数の測定領域ＲＯＩを選択し、複数の測定領域ＲＯＩの輝度値の標準偏差及び輝度値の平均値を解析し、輝度－ＳＮＲ（ＳＮ比）の特性グラフをノイズ特性として取得する。このとき、選択部２０４は、測定領域ＲＯＩ毎のＳＮＲを、ＳＮＲ＝（輝度値の平均値）÷（輝度値の標準偏差）によって算出する。図８には、選択部２０４が取得した輝度－ＳＮＲの特性グラフの一例を示している。そして、選択部２０４は、取得した特性グラフと最も近いノイズ特性を有する画像データによって構築された学習済みモデル２０６を、最終的な学習済みモデル２０６として選択する。

【0045】

ここで、選択部２０４は、ノイズ特性として、上記の輝度－ＳＮＲの特性グラフに代えて、縦軸を輝度値の標準偏差から計算されるノイズとした特性グラフを取得してもよい。このような輝度－ノイズの特性グラフを用いることにより、Ｘ線検出カメラ１０によって検出される各信号量に対し、各信号量の領域のグラフの傾きから支配的なノイズ要因（ショットノイズ、読み出しノイズ等）を特定し、その特定の結果を基に学習済みモデル２０６を選択できる。

【0046】

図９は、選択部２０４による画像特性に基づいた学習済みモデルの選択機能を説明するための図である。図９において、（ａ）部は、複数の学習済みモデル２０６の構築に用いられたそれぞれの画像データの輝度－ＳＮＲの特性グラフＧ_１，Ｇ_２，Ｇ_３を示し、（ｂ）部には、これらの特性グラフＧ_１，Ｇ_２，Ｇ_３に加えて、治具を撮像したＸ線透過画像の輝度－ＳＮＲの特性グラフＧ_Ｔを示している。このような特性グラフＧ_１，Ｇ_２，Ｇ_３，Ｇ_Ｔを対象にした場合には、選択部２０４は、特性グラフＧ_Ｔの特性に最も近い特性グラフＧ_２の画像データによって構築された学習済みモデル２０６を選択するように機能する。選択の際には、選択部２０４は、各特性グラフＧ_１，Ｇ_２，Ｇ_３と特性グラフＧ_Ｔと間で、一定間隔の輝度値毎のＳＮＲの誤差を計算し、それらの誤差の平均二乗誤差（ＲＭＳＥ：Root Mean Squared Error）を計算し、平均二乗誤差が最も小さい特性グラフＧ_１，Ｇ_２，Ｇ_３に対応した学習済みモデル２０６を選択する。また、選択部２０４は、エネルギー特性を用いて選択する場合にも、同様にして学習済みモデル２０６を選択できる。

【0047】

選択部２０４は、治具のＸ線透過画像を対象に、複数の学習済みモデルを適用してノイズ除去処理を実行した後の画像の特性を基に、学習済みモデル２０６を選択することもできる。

【0048】

例えば、選択部２０４は、様々な解像度のチャートを有する治具を撮像したＸ線透過画像を用いて、その画像に複数の学習済みモデル２０６を適用し、その結果生成されたノイズ除去後の画像を評価する。そして、選択部２０４は、ノイズ除去処理前後における解像度の変化が最も小さい画像に用いられた学習済みモデル２０６を選択する。図１０には、解像度の評価に用いられるＸ線透過画像の一例を示している。このＸ線透過画像においては、一方向に沿ってステップ状に解像度が変化するチャートが撮像対象とされている。Ｘ線透過画像の解像度は、ＭＴＦ（Modulation Transfer Function）又はＣＴＦ（Contrast Transfer Function）を用いて測定することができる。

【0049】

上記の解像度の変化の評価以外にも、選択部２０４は、ノイズ除去後の画像の輝度－ノイズ比の特性を評価し、その特性が最も高い画像の生成に用いられた学習済みモデル２０６を選択してもよい。図１１には、輝度－ノイズ比の評価に用いられる治具の構造の一例を示している。例えば、治具として、厚さが一方向にステップ状に変化する部材Ｐ１中に様々な材質及び様々な大きさを有する異物Ｐ２が点在したものが用いられうる。図１２は、図１１の治具を対象に得られたノイズ除去処理後のＸ線透過画像を示している。選択部２０４は、Ｘ線透過画像中において異物Ｐ２の像を含む画像領域Ｒ１と、その領域Ｒ１の近傍の異物Ｐ２の像を含まない画像領域Ｒ２とを選択し、画像領域Ｒ１における輝度の最小値Ｌ_ＭＩＮと、画像領域Ｒ２における輝度の平均値Ｌ_ＡＶＥと、画像領域Ｒ２における輝度の標準偏差Ｌ_ＳＤとを計算する。そして、選択部２０４は、下記式；
ＣＮＲ＝（Ｌ_ＡＶＥ－Ｌ_ＭＩＮ）／Ｌ_ＳＤ
を用いて、輝度－ノイズ比ＣＮＲを算出する。さらに、選択部２０４は、複数の学習済みモデル２０６の適用後のＸ線透過画像のそれぞれを対象に輝度－ノイズ比ＣＮＲを算出し、輝度－ノイズ比ＣＮＲが最も高いＸ線透過画像の生成に用いられた学習済みモデル２０６を選択する。

【0050】

または、選択部２０４は、画像領域Ｒ１における輝度の平均値Ｌ_{ＡＶＥ＿Ｒ１}と、画像領域Ｒ２における輝度の平均値Ｌ_{ＡＶＥ＿Ｒ２}と、画像領域Ｒ２における輝度の標準偏差Ｌ_ＳＤとを基に、下記式により計算してもよい。
ＣＮＲ＝（Ｌ_{ＡＶＥ＿Ｒ１}－Ｌ_{ＭＩＮ＿Ｒ２}）／Ｌ_ＳＤ

【0051】

処理部２０５は、対象物Ｆを対象に取得されたＸ線透過画像に、選択部２０４によって選択された学習済みモデル２０６を適用して、ノイズを除去する画像処理を実行することにより出力画像を生成する。そして、処理部２０５は、生成した出力画像を表示装置３０等に出力する。

【0052】

次に、本実施形態に係る画像取得装置１を用いた対象物ＦのＸ線透過像の観察処理の手順、すなわち、本実施形態に係る放射線画像処理方法の流れについて説明する。図１３は、画像取得装置１による観察処理の手順を示すフローチャートである。

【0053】

まず、制御装置２０によって、画像取得装置１のオペレータ（ユーザ）から、Ｘ線照射器５０の動作条件、あるいはＸ線検出カメラ１０による撮像条件等を示す条件情報の入力が受け付けられる（ステップＳ１）。次に、制御装置２０によって、条件情報を基に、Ｘ線検出カメラ１０によって検出されるＸ線の平均エネルギーの値が算出される（ステップＳ２）。

【0054】

さらに、制御装置２０によって、制御装置２０に格納されている学習済みモデル２０６の構築に用いられた画像データにおけるＸ線の平均エネルギーの値が特定される（ステップＳ３）。その後、制御装置２０に格納されている全ての学習済みモデル２０６に関して、Ｘ線の平均エネルギーの値の特定が繰り返される（ステップＳ４）。

【0055】

次に、制御装置２０によって、算出したＸ線の平均エネルギーの値が比較されることにより、複数の学習済みモデル２０６の候補が絞り込まれる（ステップＳ５）。さらに、画像取得装置１において治具がセットされてその治具が撮像されることにより、治具のＸ線透過画像が取得される（ステップＳ６）。

【0056】

その後、制御装置２０により、治具のＸ線透過画像の画像特性（Ｘ線の平均エネルギーの値、厚さ－輝度の特性、輝度－ノイズ比の特性、輝度－ノイズの特性、解像度変化の特性等）が取得される（ステップＳ７）。そして、制御装置２０により、取得した画像特性を基に、最終的な学習済みモデル２０６が選択される（ステップＳ８）。

【0057】

さらに、画像取得装置１において対象物Ｆがセットされて対象物Ｆが撮像されることにより、対象物ＦのＸ線透過画像が取得される（ステップＳ９）。次に、制御装置２０により、最終的に選択した学習済みモデル２０６を対象物ＦのＸ線透過画像に適用することによって、Ｘ線透過画像を対象にノイズ除去処理が実行される（ステップＳ１０）。最後に、制御装置２０により、ノイズ除去処理が施されたＸ線透過画像である出力画像が、表示装置３０に出力される（ステップＳ１１）。

【0058】

以上説明した画像取得装置１によれば、対象物ＦのＸ線透過画像を取得する際のＸ線の発生源の動作条件あるいはＸ線透過画像の撮像条件を基に、対象物Ｆを透過したＸ線の平均エネルギーが算出される。そして、その平均エネルギーを基に、予め構築された学習済みモデル２０６の中からノイズ除去に用いる学習済みモデル２０６の候補が絞り込まれる。これにより、撮像対象のＸ線の平均エネルギーに対応した学習済みモデル２０６がノイズ除去に用いられるので、Ｘ線透過画像における輝度とノイズとの関係に対応したノイズ除去が実現できる。その結果、Ｘ線透過画像におけるノイズを効果的に除去でき、例えば、異物検出性能を向上させることができる。特に、Ｘ線透過画像は、管電圧、フィルタ、シンチレータ、Ｘ線検出カメラの条件（ゲイン設定値、回路ノイズ値、飽和電荷量、変換係数値（e-/count）、カメラのラインレート）、対象物等の違いによってノイズの態様が変化する。そのため、機械学習によってノイズ除去を実現しようとする場合、様々な条件で学習させた複数の学習モデルを用意しておく必要がある。従来は、Ｘ線透過画像の測定時の条件に合わせて複数の学習モデルの中からノイズの態様に合った学習モデルを選択することは実現されていなかった。本実施形態によれば、撮像対象のＸ線の平均エネルギーに対応した学習済みモデル２０６が選択されることで、常にノイズの態様に合った学習モデルの選択が実現される。

【0059】

一般に、Ｘ線透過画像においては、Ｘ線発生由来のノイズが含まれている。Ｘ線透過画像のＳＮ比を向上させるためにＸ線量を増加させることも考えられるが、その場合は、Ｘ線量を増加させるとセンサの被ばく量が増加しセンサの寿命が短くなる、Ｘ線発生源の寿命が短くなる、という問題があり、ＳＮ比の向上と長寿命化との両立が困難である。本実施形態では、Ｘ線量を増加させる必要はないので、ＳＮ比の向上と長寿命化の両立が可能である。

【0060】

また、本実施形態の制御装置２０は、選択した学習済みモデル２０６を用いて対象物ＦのＸ線透過画像からノイズを除去する画像処理を実行する機能を有する。このような機能により、Ｘ線透過画像における輝度とノイズとの関係に対応したノイズ除去が実現でき、Ｘ線透過画像におけるノイズを効果的に除去できる。

【0061】

また、本実施形態の制御装置２０は、選択情報から算出されたＸ線の平均エネルギーの値と、学習済みモデル２０６の構築に用いられた画像データから特定される平均エネルギーの値とを比較することにより、学習済みモデルの候補を絞り込む機能を有している。このような機能により、Ｘ線透過画像における輝度とノイズとの関係に対応したノイズ除去が確実に実現できる。

【0062】

さらに、本実施形態の制御装置２０は、治具のＸ線透過画像の画像特性に基づいて候補から学習済みモデル２０６を選択する機能を有している。このような機能により、対象物ＦのＸ線透過画像のノイズ除去に最適な学習済みモデル２０６を選択できる。その結果、Ｘ線透過画像における輝度とノイズとの関係に対応したノイズ除去がより確実に実現できる。

【0063】

図１４及び図１５には、画像取得装置１によって取得されたノイズ除去処理の前後のＸ線透過画像の例を示している。図１４及び図１５には、それぞれ、金属、ガラス等の異物が付与されたチーズを対象にした画像、様々な大きさの骨が残存している鶏肉を対象にした画像を示しており、左側にノイズ処理前の画像、右側にノイズ処理後の画像をそれぞれ示している。このように、本実施形態によれば、様々な対象物に対してノイズ除去が効果的に行われていることが分かる。

【0064】

以上、本発明の種々の実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、各請求項に記載した要旨を変更しない範囲で変形し、又は他のものに適用したものであってもよい。

【0065】

例えば、Ｘ線検出カメラ１０は、デュアルラインＸ線カメラであるとして説明したがこれに限定されず、シングルラインＸ線カメラや、デュアルエナジＸ線カメラ、ＴＤＩ（Time Delay Integration）スキャンＸ線カメラ、２ライン以上の複数のラインを持つマルチラインＸ線カメラ、２次元Ｘ線カメラ、Ｘ線フラットパネルセンサ、Ｘ線Ｉ．Ｉ、シンチレータを用いない直接変換型Ｘ線カメラ（a-Se、Si、CdTe、CdZnTe、TlBr、PbI2等）、シンチレータをレンズカップリングによる光学レンズを用いた観察方式のカメラであってもよい。また、Ｘ線検出カメラ１０は、放射線に感度のある撮像管或いは放射線に感度のあるポイントセンサであってもよい。

【0066】

また、上記実施形態の制御装置２０は、条件情報から算出したＸ線の平均エネルギーの値を基に学習済みモデル２０６の候補を選択していたが、以下に示す変形例に係る制御装置２０ＡのようにＸ線検出カメラ１０の性能劣化、Ｘ線照射器５０の出力変動あるいは性能劣化に対応した機能を有していてもよい。

【0067】

また、画像取得装置１についても、上記実施形態に限定されるものではなく、ＣＴ（Computed Tomography）装置など、対象物Ｆを静止させた状態で撮像する放射線画像処理システムであってもよい。さらに、対象物Ｆを回転させながら撮像する放射線画像処理システムであってもよい。

【0068】

図１６は、変形例に係る制御装置２０Ａの機能構成を示すブロック図である。制御装置２０Ａは、上記実施形態に係る制御装置２０に比較して、測定部２０７を有する点と、算出部２０２Ａ及び絞込部２０３Ａの機能とが異なっている。

【0069】

制御装置２０においては、Ｘ線検出カメラ１０の性能劣化及びＸ線照射器５０の出力変動あるいは性能劣化は無いものとして、Ｘ線の平均エネルギーからＸ線透過画像における輝度とノイズとの関係が推定できるという前提で、学習済みモデル２０６を絞り込んでいる。これに対して、本変形例に係る制御装置２０Ａにおいては、Ｘ線検出カメラ１０の性能劣化、Ｘ線照射器５０の出力変動、あるいはその性能劣化を考慮して、Ｘ線変換係数を算出し、Ｘ線変換係数を基に学習済みモデル２０６を絞り込む機能を有する。Ｘ線変換係数は、Ｘ線がシンチレータで可視光に変換された後にカメラのセンサで電子（電気信号）に変換されるまでの効率を示すパラメータである。

【0070】

一般に、Ｘ線変換係数Ｆ_Ｔは、Ｘ線の平均エネルギーをＥ［keV］とし、シンチレータ発光量をＥＭ［photon/keV］、センサにおけるカップリング効率をＣ、センサの量子効率をＱＥとすると、下記式；
Ｆ_Ｔ＝Ｅ×ＥＭ×Ｃ×ＱＥ
により計算できる。また、Ｘ線透過画像におけるＳＮ比（ＳＮＲ）は、Ｘ線変換係数Ｆ_Ｔと、Ｘ線フォトン数Ｎ_Ｐと、カメラの読み出しノイズＮｒとを用いて、下記式；
SNR=F_TN_P/{(F_TN_P+Nr²)^1/2}
より求められることから、Ｘ線変換係数Ｆ_Ｔを基に、カメラの性能劣化を考慮した上でのＸ線透過画像における輝度とノイズとの関係が推定できる。

【0071】

制御装置２０Ａの測定部２０７は、シンチレータ１１ａ，１１ｂの性能劣化としての発光量ＥＭの低下量、ラインスキャンカメラ１２ａ，１２ｂの性能劣化としてのセンサの量子効率ＱＥの低下量、Ｘ線照射器５０の出力変動及び性能劣化としての平均エネルギーＥの変化量を測定する機能を有する。例えば、測定部２０７は、シンチレータ１１ａ，１１ｂの性能劣化の無い状態（新品時での状態）と、現在のシンチレータ１１ａ，１１ｂとの間の発光量の低下量を測定してその低下量から現在の発光量ＥＭを推定する。また、測定部２０７は、ラインスキャンカメラ１２ａ，１２ｂの性能劣化の無い状態（新品時での状態）と、現在のラインスキャンカメラ１２ａ，１２ｂとの間の輝度低下量を測定してその低下量から現在の量子効率ＱＥを推定する。また、測定部２０７は、Ｘ線照射器５０の性能劣化の無い状態（新品時での状態）と、現在のＸ線照射器５０との間の平均エネルギーの変化量から現在の平均エネルギーＥを推定する。平均エネルギーＥは、厚さ及び材質が既知であり、Ｘ線の平均エネルギーとＸ線透過率との関係が既知である平板状部材の撮像データから求めたり、厚さあるいは材質が変化する治具の複数点における撮像データから求めるなどしてもよい。

【0072】

制御装置２０Ａの算出部２０２Ａは、算出したＸ線の平均エネルギーＥと、測定部２０７によって推定された発光量ＥＭ及び量子効率ＱＥとを用いてＸ線変換係数Ｆ_Ｔを算出する。制御装置２０Ａの絞込部２０３は、算出したＸ線変換係数Ｆ_Ｔと、学習済みモデル２０６の構築に用いられた画像データにおけるＸ線変換係数Ｆ_Ｔとを比較することにより、学習済みモデル２０６の候補を絞り込む機能を有する。

【0073】

また、上記実施形態の制御装置２０は、学習済みモデルの候補を絞り込んだ後に、治具を撮像して得られた画像特性を基に学習済みモデルを選択していたが、治具の撮像を行うことなく、対象物のＸ線透過画像に対するノイズ除去処理を実行してもよい。図１７は、変形例に係る画像取得装置１による観察処理の手順を示すフローチャートである。このように、図１３におけるステップＳ６～Ｓ８の処理を省略して、平均エネルギーを基に絞り込んだ学習済みモデルを用いてノイズ除去処理を実行することもできる。

【0074】

上述した実施形態では、候補を用いて対象物の放射線画像からノイズを除去する画像処理を実行するステップをさらに備える、ことが好適である。上記実施形態においては、候補を用いて対象物の放射線画像からノイズを除去する画像処理を実行する処理部をさらに備える、ことが好適である。これにより、放射線画像における輝度とノイズとの関係に対応したノイズ除去が実現でき、放射線画像におけるノイズを効果的に除去できる。

【0075】

また、絞り込むステップでは、平均エネルギーと、画像データから特定される平均エネルギーとを比較することにより、候補を絞り込む、ことも好適である。また、絞込部は、平均エネルギーと、画像データから特定される平均エネルギーとを比較することにより、候補を絞り込む、ことも好適である。この場合、学習済みモデルの構築に用いられた画像データから特定される平均エネルギーとの比較により、学習済みモデルが絞り込まれるので、放射線画像における輝度とノイズとの関係に対応したノイズ除去が確実に実現できる。

【0076】

さらに、条件情報には、発生源の管電圧、対象物の撮像に用いるカメラが備えるフィルタの情報、発生源が備えるフィルタの情報、カメラが備えるシンチレータの情報、発生源と撮像装置との間の距離、対象物の撮像に用いるＸ線検出カメラに関する情報、及び対象物に関する情報、のいずれか１つが少なくとも含まれる、ことが好適である。この場合、対象物を透過する放射線の平均エネルギーが精度よく計算できるので、放射線画像における輝度とノイズとの関係に対応したノイズ除去が可能となる。

【0077】

またさらに、放射線を照射して治具を撮像して放射線画像を取得し、当該放射線画像の画像特性に基づいて候補から学習済みモデルを選択するステップ、をさらに備える、ことも好適である。またさらに、放射線を照射して治具を撮像して放射線画像を取得し、当該放射線画像の画像特性に基づいて候補から学習済みモデルを選択する選択部、をさらに備える、ことも好適である。かかる構成によれば、実際の治具を撮像して得られる放射線画像の画像特性を基に学習済みモデルが選択されるので、対象物の放射線画像のノイズ除去に最適な学習済みモデルを選択できる。その結果、放射線画像における輝度とノイズとの関係に対応したノイズ除去がより確実に実現できる。

【産業上の利用可能性】

【0078】

実施形態は、放射線画像処理方法、学習済みモデル、放射線画像処理モジュール、放射線画像処理プログラム、及び放射線画像処理システムを使用用途とし、放射線画像におけるノイズを効果的に除去できるものである。

【符号の説明】

【0079】

１０…Ｘ線検出カメラ（撮像装置）、２０…制御装置（放射線画像処理モジュール）、２０１…入力部、２０２，２０２Ａ…算出部、２０３，２０３Ａ…絞込部、２０４…選択部、２０５…処理部、２０６…学習済みモデル、Ｆ…対象物。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】