JP2015129987A

JP2015129987A - 医用高解像画像形成システムおよび方法。

Info

Publication number: JP2015129987A
Application number: JP2014000148A
Authority: JP
Inventors: 良平中山; Ryohei Nakayama; 肇佐久間; Hajime Sakuma
Original assignee: Mie University NUC
Current assignee: Mie University NUC
Priority date: 2014-01-06
Filing date: 2014-01-06
Publication date: 2015-07-16

Abstract

【課題】
画質や解像度の向上が望まれるＣＴ画像、ＭＲ画像、超音波画像をはじめとするあらゆる医用画像に対し、後処理としてソフトウェア的に高解像化することを可能とする学習型高解像技術に基づいた医用高解像画像形成システムを提供するが、高画質化処理も可能としている。
【解決手段】
高解像技術の基礎となる学習のための学習用画像には、入力される低解像画像と同一の患者画像が用いられる。そして、低解像画像と高解像画像のペアで構成される学習用画像をパッチと呼ばれる小領域に分割し、その対応関係を用いて、入力された低解像パッチに対する高解像パッチを推定することにより高解像画像を生成する。なお、低画質画像を高画質画像に変換する場合も本方式と類似の手法が適用できる。
【選択図】図１

Description

本手法は、コンピュータ断層撮影（CT: Computer Tomography）画像や磁気共鳴(MR:
Magnetic Resonance)画像などの医用画像を高解像化、高画質化するための医用高解像画像形成システムである。

近年、CT撮影装置やMR撮影装置などの医用画像撮影装置が著しく進歩し、病変の早期発見に大きく貢献している。しかし、それらの装置で得られた医用画像の画質、解像度がしばしば十分でない場合があり、その高画質化、高解像化が望まれている。これを解決する手法の一つとして、観測された低画質画像または低解像画像（低画質／低解像画像）から高画質画像または高解像画像（高画質／高解像画像）を推定する超解像技術に関する研究が行われている。

超解像技術は「再構成型」と「学習型」の大きく２つに分けられる。観測された低画質／低解像画像ｙは、高画質／高解像画像ｘに歪み関数、広がり関数、縮小関数を乗算し、更にノイズを加算したものとして定義される。再構成型の超解像技術では、まず、適当な初期高画質／高解像画像ｘ０を与え、それに対する低画質／低解像画像ｙ０を計算する。そして、ｙｉと観測された低画質／低解像画像ｙの誤差が小さくなるようにｘｉを繰り返し更新することにより、高画質／高解像画像を推定する。

再構成型は汎用性が高く、さまざまな画像に適用できる一方、画質の大幅な改善、解像度の大幅な向上は望めないことが知られている。学習型の超解像技術は、低画質／低解像画像と高画質／高解像画像のペアで構成される学習用画像を用いて、その対応関係を学習し、入力された低画質／低解像画像に対する高画質／高解像画像を推定する。学習型は適用分野を限定し、適切な学習用画像を用いることにより、画質の大幅な改善、解像度の大幅な向上が期待できる。超解像技術の医療分野の応用として、再構成型、学習型ともに脳MRへ適用した研究が数多く報告されている。

特開２０１１−１８０７９８特開２０１２−１８２６７４

Hardie RC, Barnard KJ, Armstrong EE.Joint MAP registration and high-resolution image estimation using a sequence ofundersampled images. IEEE Trans Image Process. 1997;6(12):1621-33. Patti AJ, Sezan MI, Murat Tekalp A.Superresolution video reconstruction with arbitrary sampling lattices andnonzero aperture time. IEEE Trans Image Process. 1997;6(8):1064-76. Freeman WT, Jones TR, Pasztor EC.Example-based Super-Resolution. IEEE Comp Graph Appl. 2002;22(2):56-65. Chang H, Yeung DY, Xiong Y.Super-resolution through neighbor embedding. CVPR’2004. 2004;1:275-282. Qiao J, Liu J, Chen YW. Joint BlindSuper-Resolution and Shadow Removing. IEICE Trans Information & Systems.2007;E90-D(12):2060-69. Rousseau F, Gounot D, Studholme C.On high-resolution image estimation using low-resolution brain MRI. Conf ProcIEEE Eng Med Biol Soc. 2013;2013:1081-4 Rueda A, Malpica N, Romero E.Single-image super-resolution of brain MR images using overcompletedictionaries. Med Image Anal. 2013 Jan;17(1):113-32. Rousseau F, Kim K, Studholme C, KoobM, Dietemann JL. On super-resolution for fetal brain MRI. Med Image ComputComput Assist Interv. 2010;13(Pt 2):355-62.

一般に、医用画像撮影装置から得られた医用画像の画質、解像度が高いほど、医師の診断能が向上することが知られている。多くの医療機器メーカーが撮影装置を改良し、定期的に新製品を発表しているが、買い替え費用が大きな問題となり、短期間に普及しないのが現状である。そこで、観測された医用画像を後処理としてソフトウェア的に高画質化、高解像化する画像処理手法が望まれている。本発明が解決しようとする課題は、学習型の超解像技術を用いて、医用画像の高解像化、高画質化のための医用高解像画像形成システムを提供することである。

請求項１に記載の発明は、コンピュータ断層撮影（ＣＴ）システム及び、磁気共鳴イメージング（ＭＲＩ）システムで作成される低解像の医用画像を入力画像とし、入力画像を高解像出力画像にして出力する医用高解像画像形成システムである。
本発明の医用高解像画像形成システムは、少なくとも学習用高解像画像入力部と、辞書作成部と、辞書記憶部と画像入力部と、高解像出力画像作成部を有する。
学習用高解像画像入力部は、１以上の複数の学習用高解像画像が辞書作成のため入力される。入力された各学習用高解像画像は、辞書作成部で画素数がＭ分の１の縮小画像に変換されて学習用低解像画像が作成される。

また、この学習用低解像画像はＮ×Ｎサイズの学習用低解像画像パッチに分割され、この学習用低解像画像パッチに対応させて学習用高解像画像もＭＮ×ＭＮサイズの学習用高解像画像パッチに分割される。
また、学習用低解像画像パッチと学習用高解像画像パッチは対応付けされて辞書記憶部格納される。

一方、画像入力部には低解像画像である入力画像が入力され、高解像出力画像作成部において入力画像がＮ×Ｎサイズの入力画像パッチに分割され、分割された各入力画像パッチは辞書記憶部に格納された学習用低解像画像パッチの全てと個別に対比され類似性評価が行われる。この類似性評価において、類似性評価値の高い順にＫ個の学習用低解像画像パッチが抽出される。次いで、抽出されたＫ個の前記学習用低解像パッチに対応づけされた前記学習用高解像パッチが抽出され、これら抽出されたＫ個の学習用高解像パッチを結合して高解像出力画像を作成し、高解像出力画像として出力する。

請求項２に記載の発明は、請求項１に記載の医用高解像画像形成システムであって、前記類似性評価を入力画像パッチ内の画素データ値と、辞書記憶部に記憶された学習用低解像パッチの画素データ値との特徴量空間におけるユークリッドの距離に基づいて類似性評価値を定める。これによって、入力画像パッチに類似する学習用低解像パッチを一義的に抽出することができる。

請求項３に記載の発明は、請求項１または請求項２に記載の医用高解像画像形成システムであって、ＣＴまたは、ＭＲＩで撮像される複数の撮像画像が全て入力画像とされて高解像出力画像が作成される。これら複数の撮像画像は断層写真であり、高解像出力画像は３次元画像として出力でき、３次元医用高解像画像形成システムの機能も備える。

請求項４に記載の医用高解像画像形成方法は、コンピュータ断層撮影（ＣＴ）システム及び、磁気共鳴イメージング（ＭＲＩ）システムで作成される低解像の医用画像を入力画像とし、高解像出力画像に変換して出力する医用高解像画像形成方法である。
本発明の医用高解像画像形成方法は、少なくとも１つの学習用高解像画像の画素数をＭ分の１に縮小した学習用低解像画像を作成する。
次いで、学習用低解像画像をＮ×Ｎサイズの学習用低解像画像パッチに分割し、これら学習用低解像画像パッチに対応させて学習用高解像画像をＭＮ×ＭＮサイズの学習用高解像画像パッチに分割する。

また学習用低解像画像パッチと前記学習用高解像画像パッチは、対応付けされた辞書として、辞書記憶部に格納される。
一方、画像入力部から入力される低解像の入力画像は、Ｎ×Ｎサイズの入力画像パッチに分割され、分割された各入力画像パッチは、辞書記憶部に格納された学習用低解像画像パッチの全てと個別に対比させられ類似性が評価される。また、類似性評価値の高い順にＫ個の学習用低解像画像パッチが抽出され、抽出されたＫ個の学習用低解像パッチに対応づけされた学習用高解像パッチが抽出される。次いで、抽出されたＫ個の学習用高解像パッチを合成して高解像出力画像を作成する。全ての入力画像パッチについてこの作業を実施し、最終的に高解像出力画像を得る医用高解像画像形成方法の発明である。

上記医用高解像画像形成システムをＣＴ画像やＭＲ画像などに適用することにより、撮影装置の撮像センサーの解像度に起因する低解像画像で失われている画素間の細かな高周波成分を推定した高解像画像を生成することが可能である。また、撮像方法自体に起因する画質劣化や、心拍動など身体の動きに起因する画質劣化に伴う低画質画像をぼけやノイズを抑制した高画質画像へ改善することが可能である。

医用高解像画像形成装置のシステム構成図医用高解像画像形成システムの機能説明図学習用低解像パッチとそれに対応する学習用高解像パッチを９０度、１８０度、２７０度回転し４ペアを生成することによる辞書の構築を示した図である。入力パッチに類似した学習用低解像パッチを特徴量空間のユークリッドの距離に基づいて複数個選択し、それらの線形和で入力パッチを復元した図である。図４の類似学習用低解像パッチに対応する学習用高解像パッチの線形和で、入力パッチに対する高解像パッチを生成した図である。冠動脈ＭＲＡ画像の縮小画像から双三次内挿法と本発明に係る２次元高解像技術により元の画像サイズへ復元したときの出力画像を比較した図である。双三次内挿法と２次元高解像技術により高解像化された冠動脈ＭＲＡ画像における観察者３名のＲＯＣ曲線の平均を比較した図である。双三次内挿法と３次元高解像技術により高解像化された冠動脈ＭＲＡ画像における観察者３名のＲＯＣ曲線の平均を比較した図である。本発明に関わる医用画像を高画質化、高解像化する学習型高解像技術の概略構成を示した図である。高画質化処理と高解像画像形成とを組合せた医用画像処理システム。

本発明による医用高解像画像形成システムの構成を図１に、医用高解像画像形成システムの機能説明を図２に示す。医用高解像画像形成システム１０は、学習用高解像画像入力部１１と、辞書作成部１２と、辞書記憶部１３と、画像入力部１４と、高解像出力画像作成部１５で構成される。
ＣＴ画像やＭＲ画像などはボリュームデータであり、多くのスライス画像で構成される。したがって、入力画像からＭ倍の解像度を有する高解像画像を推定する場合には、入力画像を含めた同じ患者のスライス画像を学習用高解像画像１６として用い、それらを１／Ｍのサイズにダウンサンプリングすることにより学習用低解像画像２１を生成する。

そして、それらの学習用高解像画像１６、学習用低解像画像２１のそれぞれから切り出したMN×MN(×MN)サイズの学習用高解像パッチ２４とN×N(×N)サイズの学習用低解像パッチ２３のペアで辞書２２を構築する。次に、入力画像１７を各画素でN×N(×N)サイズのパッチに切り出し、各入力パッチに対して辞書２２から特徴量空間のユークリッドの距離が最小となる学習用低解像パッチを類似パッチとしてＫ個選択する。そして、類似パッチの線形和で入力パッチを復元するための重み係数を最小二乗法で計算し、その重み係数と類似パッチに対応する学習用高解像パッチ２４の線形和で、入力パッチ２５に対する高解像パッチ１８を生成する。

この処理をすべての入力パッチ２５に適用し、高解像パッチが重複する領域はその平均値を求めることにより、Ｍ倍の高解像画像１８を生成する。ただし、骨組織などは高解像化により、医師が異質と違和感を覚える可能性があるため、必要に応じ、ＣＴ値、信号強度、テクスチャ情報や位置情報に基づいて、高解像化の対象から除外する。

次に本発明について更に詳細に説明を行う。
ＣＴ画像やＭＲ画像はボリュームデータであり、多くのスライス画像で構成される。したがって、入力画像からＭ倍の解像度を有する高解像画像を推定する場合には、入力画像を含めた同じ患者のスライス画像を学習用高解像画像として用い、それらを標準偏差Ｍ／２画素のガウシアン平滑化フィルタを適用した後、１／Ｍのサイズにダウンサンプリングすることにより学習用低解像画像を生成する。ただし、対象とする医用画像がボリュームデータでない場合など同じ患者のスライス画像を使用できない場合には、２０名程度の別患者の画像を学習用画像として使用する。そして、学習用低解像画像から切り出したN×N(×N)サイズの学習用低解像パッチと、それに対応する位置にある学習用高解像画像のMN×MN(×MN)サイズの学習用高解像パッチをペアにし、それを辞書に格納する。

辞書の構築において、様々な入力パッチに対応できるよう各学習用パッチを９０度、１８０度、２７０度回転し４ペアを生成する。図３学習用低解像パッチ２４と、これとペアになる学習用高解像パッチ２５の例を示す。ただし、すべてのパッチペアを辞書に格納するとその数が数百万〜数千万となり、演算時間が膨大となることから、類似した学習用パッチは削除する。また、N×N(×N)のパッチサイズは、入力画像のサイズ、ピクセルサイズ、診断対象（例えば、臓器、血管、腫瘍など）の大きさに応じて、適切に与える。

次に、高解像化アルゴリズムにおいて、入力画像を各画素でN×N(×N)サイズのパッチに切り出し、各入力パッチｙ_Ｌに対して辞書から特徴量空間のユークリッドの距離が最小となる学習用低画質／低解像パッチを類似パッチｘ_Ｌ ^ｉとしてＫ個選択する。
図４にＫ＝７の類似パッチの選択例を示す。この特徴量空間は、N×N(×N)サイズの各パッチの１次差分値、２次差分値、平均値などのベクトルで構成され、診断対象に応じて、その特徴量を適切に選択する。例えば、ＭＲ画像のボリュームデータに含まれる血管が診断対象で、その境界を明瞭にしたい場合には、パッチサイズを５×５×５で与え、移動平均値とｘ方向、ｙ方向、ｚ方向の各１次差分値により５×５×５×４次元の特徴量空間で構成される。そして、類似パッチＫ個の線形和（式１）で入力パッチを復元するための重み係数を最小二乗法（式２）で計算する。

その重み係数と類似パッチに対応する学習用高解像パッチｘ_Ｈ ^ｉの線形和（式３）で、入力パッチに対する高解像パッチｙ_Ｈを生成する。図５に線形和で生成された高解像パッチ例を示す。

ここで、入力パッチの平均値に合わせ、明るさを補正する。この処理をすべての入力パッチに適用し、高解像パッチが重複する領域はその平均値を求めることにより、高解像画像を生成する。

高画質に拡大できることで知られ、医用画像の拡大にも使用される双三次内挿法と2次元高解像技術を比較することにより、高解像化における高解像技術の有用性を評価した。実験試料は、三重大学医学部附属病院の心臓用３２チャンネルコイルを備えたＭＲ撮影装置で、自由呼吸下、ナビゲーターエコー法による呼吸同期、心電図同期、Ｔ２prep法による静脈血や心筋信号抑制、ＳＰＩＲ法による脂肪信号の抑制の条件の下、撮影された３５患者（１．５Ｔ：１６患者、３．０Ｔ：１９患者）の冠動脈ＭＲＡ(Magnetic
Resonance Angiography)である。各冠動脈ＭＲＡは、５１２×５１２のスライス画像サイズで、１５０枚のスライス画像で構成される。

まず、２次元高解像技術による高解像化の正確さを評価するため、５１２×５１２サイズのＭＲＡ画像をダウンサンプリングすることにより、２５６×２５６サイズの縮小画像を生成した。次に、この縮小画像を２次元高解像技術と双三次内挿法を用いて５１２×５１２の画像サイズに復元し、元画像と各復元画像のＲＭＳＥ(Root
Mean Squared Error)、ＰＳＮＲ(Peak
Signal-to-Noise Ratio)、ＳＳＩＭ(Structural
Similarity Index)により、その忠実性を比較した。２次元高解像技術では、各スライス画像を入力画像（２５６×２５６）とし、入力画像を中心とした上下２スライスの計５スライス画像を学習用高解像画像（２５６×２５６×５）として用い、それらをaxial面で１／２のサイズにダウンサンプリングすることにより学習用低解像画像（１２８×１２８×５）を生成した。

そして、学習用低解像画像から切り出した５×５サイズの学習用低解像パッチと、それに対応する位置にある学習用高解像画像の１０×１０サイズの学習用高解像パッチをペアにし、それを辞書に格納した。次に、入力画像を各画素で５×５サイズのパッチに切り出し、各入力パッチに対して辞書から特徴量空間のユークリッドの距離が最小となる学習用低解像パッチを類似パッチとして７個選択した。ここで、特徴量空間は５×５のパッチサイズにおける移動平均値とｘ方向、ｙ方向の各１次差分値および各２次差分値により５×５×５次元の特徴量空間で構成された。そして、類似パッチの線形和で入力パッチを復元するための重み係数を最小二乗法で計算し、その重み係数と類似パッチに対応する学習用高解像パッチの線形和で、入力パッチに対する高解像パッチを生成した。

この処理をすべての入力パッチに適用し、高解像パッチが重複する領域はその平均値を求めることにより、２倍の高解像画像を生成した。その結果、２次元高解像技術のＲＭＳＥ、ＰＳＮＲ、ＳＳＩＭの平均は２．５２、２２．２２ｄＢ、０．９８９、双三次内挿法は３．０８、２０．２ｄＢ、０．９８４であり、各指標において２次元高解像技術が双三次内挿法より復元の忠実性が有意に向上した（Ｐ < ０．００１）。また、図６のように高解像技術による画像は、境界のボケを抑制しながらノイズを減少した高画質な画像であった。

次に、２次元高解像技術と双三次内挿法により冠動脈ＭＲＡ（５１２×５１２）をそれぞれ１０２４×１０２４の画像サイズへ高解像化（拡大）し、冠動脈狭窄検出における診断能を観察者実験により比較した。ここで、入力パッチと学習用低解像パッチのサイズを7×7、学習用高解像パッチのサイズを１４×１４で与えた以外は、上記２次元高解像技術と同様である。観察者実験は高解像技術による画像と双三次内挿法による画像を用いた２セッションからなる。実験試料は上記３５患者の冠動脈ＭＲＡを用い、各冠動脈ＭＲＡは観察者実験用のグラフィカルユーザインタフェースにおいてaxial画像として表示され、自由なページングを可能とした。

各症例において、３人の読影者が独立して、５０％以上狭窄の有無に対する確信度を０．０（絶対にない）〜１．０（絶対にある）の連続スケールで評価した。ＲＯＣ(Receiver
Operating Characteristic) 解析の結果を図７に示す。ＲＯＣ曲線下の面積の平均は、高解像技術で０．８６１、双三次内挿法で０．７９７が得られ、高解像技術における診断能が有意に優れていた（Ｐ=０．０２４)。また、高解像技術の使用により観察者間変動は０．１７０から０．１６４に、級内相関係数は０．８１２から０．８５５へ改善された。

双三次内挿法と３次元高解像技術を比較することにより、高解像化における高解像技術の有用性を評価した。実験試料は、三重大学医学部附属病院の心臓用３２チャンネルコイルを備えた１．５ＴＭＲ撮影装置で、自由呼吸下、ナビゲーターエコー法による呼吸同期、心電図同期、Ｔ２ prep法による静脈血や心筋信号抑制、ＳＰＩＲ法による脂肪信号の抑制の条件の下、撮影された４６患者の冠動脈ＭＲＡである。各冠動脈ＭＲＡは、５１２×５１２のスライス画像サイズで、１５０枚のスライス画像で構成される。

まず、３次元高解像技術による高解像化の正確さを評価するため、５１２×５１２×１５０サイズのＭＲＡ画像をダウンサンプリングすることにより、２５６×２５６×７５サイズの縮小画像を生成した。次に、この縮小画像を３次元高解像技術と双三次内挿法を用いて５１２×５１２×１５０の画像サイズに復元し、元画像と各復元画像のＲＭＳＥ、ＰＳＮＲ、ＳＳＩＭにより、その忠実性を比較した。３次元高解像技術では、各スライス画像を中心としたボリューム画像（２５６×２５６×５）を入力ボリューム画像とし、入力ボリューム画像を中心に１４スライス画像を学習用高解像画像（２５６×２５６×１４）として用い、それらを１／２のサイズにダウンサンプリングすることにより学習用低解像画像（１２８×１２８×７）を生成した。

そして、学習用低解像画像から切り出した５×５×５サイズの学習用低解像パッチと、それに対応する位置にある学習用高解像画像の１０×１０×１０サイズの学習用高解像パッチをペアにし、それを辞書に格納した。次に、入力ボリューム画像を各画素で５×５×５サイズのパッチに切り出し、各入力パッチに対して辞書から特徴量空間のユークリッドの距離が最小となる学習用低解像パッチを類似パッチとして７個選択した。ここで、特徴量空間は５×５×５のパッチサイズにおける移動平均値とｘ方向、ｙ方向、ｚ方向の各２次差分値により５×５×５×４次元の特徴量空間で構成された。そして、類似パッチの線形和で入力パッチを復元するための重み係数を最小二乗法で計算し、その重み係数と類似パッチに対応する学習用高解像パッチの線形和で、入力パッチに対する高解像パッチを生成した。

この処理をすべての入力パッチに適用し、高解像パッチが重複する領域はその平均値を求めることにより、２倍の高解像画像を生成した。その結果、３次元高解像技術のＲＭＳＥ、ＰＳＮＲ、ＳＳＩＭの平均は２．７５、２３．６ｄＢ、０．９８７、双三次内挿法は３．５７、２０．８ｄＢ、０．９８１であり、各指標において３次元高解像技術が双三次内挿法より復元の忠実性が有意に向上した（Ｐ＜０．００１）。また、実施例１の２次元高解像技術を実験試料に適用した場合のＲＭＳＥ、ＰＳＮＲ、ＳＳＩＭの平均は３．２８、２１．４ｄＢ、０．９８２（Ｐ＜０．０００１）であり、２次元高解像技術に比べ、３次元高解像技術が冠動脈ＭＲＡの高解像化に、より有用となる可能性が示唆された。

次に、３次元高解像技術と双三次内挿法により冠動脈ＭＲＡ（５１２×５１２×１５０）をそれぞれ１０２４×１０２４×３００の画像サイズへ高解像化（拡大）し、冠動脈狭窄検出における診断能を観察者実験により比較した。ここで、入力パッチと学習用低解像パッチのサイズを７×７×７、学習用高解像パッチのサイズを１４×１４×１４で与えた以外は、上記３次元高解像技術と同様である。

観察者実験は３次元高解像技術による画像と双三次内挿法による画像を用いた２セッションからなる。実験試料は上記４６患者の冠動脈ＭＲＡを用い、各冠動脈ＭＲＡは商用ＤＩＣＯＭ(Digital-Imaging-and-Communication-in-Medicine)Viewer上で、sliding ＳＬＡＢＭＩＰ法により読影された。各症例において、３人の読影者が独立して、５０％以上狭窄の有無に対する確信度を０．０（絶対にない）〜１．０（絶対にある）の連続スケールで評価した。ＲＯＣ解析の結果を図８に示す。ＲＯＣ曲線下の面積の平均は、高解像技術で０．８４０、双三次内挿法で０．７９２が得られ、高解像技術における診断能が有意に優れていた（Ｐ=０．０２０)。また、高解像技術の使用により級内相関係数は０．５７９から０．６７０へ改善された。
＜変形例＞

医用画像では高解像化と同様高画質化が強く求められる。
医用画像の高画質化処理方法には、参照する低画質画像と、高画質画像から切り出した学習用パッチのペアで辞書を構築する辞書作成アルゴリズムと、辞書から入力低画質パッチに適した学習用パッチを選択し、それらを合成することにより入力パッチに対する高画質パッチを推定する高解像画像形成方法がある。
図９に高画質化と、高解像化を併記したフローチャートを示す。
また、図１０に辞書作成のための医用高画質・高解像画像形成複合システム５０を示す。医用高画質・高解像画像形成複合システム５０では、次の手順で高画質処理と高解像処理が進められる。

（１）高画質画像５１として、画質が良い２０名程度の別患者画像を学習用画像の高画質画像として用い、それをぼかしたり、ノイズを加えたりして、各学習用高画質画像に対し複数種類の学習用低画質画像５２を生成する。ぼかしの強さは、入力画像の撮影条件、撮影時の身体の動きなどによって異なるため、ガウシアン平滑化フィルタの標準偏差を０画素、３画素、５画素、７画素の４種類としている。また、ノイズの強さは、ガウシアンノイズの標準偏差を０画素、１０画素、２０画素の３種類としている。したがって、１枚の学習用高画質画像から１２枚の学習用低画質画像が生成される。ただし、ガウシアン平滑化フィルタ、ガウシアンノイズの標準偏差がともに０画素の場合は、高画質画像が維持される。高画質画像５１に、ぼかし処理、ノイズ処理を施して低画質画像５２を作成する。

（２）低画質画像５２をN×N(×N)サイズの低画質画像パッチ５４に分割する。
（３）低画質画像パッチ５４の位置に対応させてN×N(×N)サイズの高画質画像パッチ５５を作成する。
（４）低画質画像パッチ５４と高画質画像パッチ５５とを対応付けさせた辞書５３を作成し、記憶部に記憶させる。
（５）入力画像５６をパッチに分割して入力画像パッチ５７を作成する。各入力パッチと辞書中の低画質画像パッチ５４のすべてと個別に対比させて類似性評価を行い、類似性評価値の高いパッチ順に所定個数の低画質パッチを抽出する。

（６）抽出した低画質画像パッチ５４に対応する高画質画像パッチ５５を抽出する。
（７）抽出した高画質画像パッチ５５に重みづけした線形和により画像を合成し、合成した画像を入力画像パッチに置き換える。
（８）この置き換え処理を全ての入力画像パッチについて実施して、入力画像５６に対応する高画質画像５８を得る。
（９）高画質画像５８を図１、２に示す医用高解像画像形成システムに入力して、高画質化処理を施す。

なお、図１０では、高画質化処理の後に高解像化処理を実施しているが、順序を逆にして高解像化処理の後に高画質化処理してもよい。

本発明に関わる医用高解像画像形成システムを用いることにより、画質や解像度の向上が望まれるＣＴ画像、ＭＲ画像、超音波画像をはじめとするあらゆる医用画像に対し、後処理としてソフトウェア的に高画質化、高解像化することが可能である。したがって、独立した医用画像処理ソフトとしてだけではなく、撮影機器装置、医療用画像管理システム（ＰＡＣＳ:Picture
Archiving and Communication System）、ＤＩＣＯＭ Viewer、医療用高精細モニタに、高画質化、高解像化機能として導入することができる。

１０医用高解像画像形成システム
１１学習用高解像画像入力部
１２辞書作成部
１３辞書記憶部
１４画像入力部
１５高解像出力画像作成部
１６学習用高解像画像
１７入力画像
１８高解像出力画像
２０高解像画像形成システム
２１学習用低解像画像
２２辞書
２３学習用低解像パッチ
２４学習用高解像パッチ
２５入力画像パッチ
５０医用高画質・高解像画像形成複合システム

Claims

コンピュータ断層撮影（ＣＴ）システム及び、磁気共鳴イメージング（ＭＲＩ）システムで作成される低解像の医用画像を入力画像とし、該入力画像を高解像出力画像にして出力する医用高解像画像形成システムであって、
１つ以上の学習用高解像画像の画素数をＭ分の１に縮小した学習用低解像画像を作成し、
該学習用低解像画像をＮ×Ｎサイズの学習用低解像画像パッチに分割し、該学習用低解像画像パッチに対応させて前記学習用高解像画像をＭＮ×ＭＮサイズの学習用高解像画像パッチに分割し、
前記学習用低解像画像パッチと前記学習用高解像画像パッチとを対応付けさせて作成される辞書を作成する辞書作成部と、
該辞書作成部により作成される辞書を記憶する辞書記憶部と、
低解像の入力画像を入力する画像入力部と、
入力画像をＮ×Ｎサイズの入力画像パッチに分割し、分割された各入力画像パッチと、前記辞書の前記学習用低解像画像パッチの全てとを個別に対比させて類似性評価を行い、類似性評価値の高い順にＫ個の学習用低解像パッチを抽出し、該抽出されたＫ個の前記学習用低解像パッチに対応づけされた前記学習用高解像パッチを抽出し、該抽出されたＫ個の前記学習用高解像パッチを結合して高解像出力画像を作成し出力する高解像出力画像作成部と、
を有することを特徴とする医用高解像画像形成システム。
前記類似性評価を前記入力画像パッチ内の画素データ値と、前記辞書記憶部に記憶された前記学習用低解像パッチの画素データ値との特徴量空間におけるユークリッドの距離に基づいて類似性評価値を定めることを特徴とする請求項1に記載の医用高解像画像形成システム。
前記ＣＴまたは、前記ＭＲＩで撮像される複数の撮像画像が全て入力画像とされて高解像出力画像が作成され、前記複数の高解像出力画像が３次元画像として出力される機能を合わせ有することを特徴とする請求項１または２の何れか１項に記載の医用高解像画像形成システム。
コンピュータ断層撮影（ＣＴ）システム及び、磁気共鳴イメージング（ＭＲＩ）システムで作成される低解像の医用画像を入力画像とし、該入力画像を高解像出力画像にして出力する医用高解像画像形成方法であって、
１つ以上の学習用高解像画像の画素数をＭ分の１に縮小した学習用低解像画像を作成し、
該学習用低解像画像をＮ×Ｎサイズの学習用低解像画像パッチに分割し、該学習用低解像画像パッチに対応させて前記学習用高解像画像をＭＮ×ＭＮサイズの学習用高解像画像パッチに分割し、
前記学習用低解像画像パッチと前記学習用高解像画像パッチとを対応付けさせて作成される辞書を作成して、該辞書を辞書記憶部に記憶し、
低解像の入力画像を入力して、該入力画像をＮ×Ｎサイズの入力画像パッチに分割し、分割された各入力画像パッチと、前記辞書の前記学習用低解像画像パッチの全てとを個別に対比させて類似性評価を行い、類似性評価値の高い順にＫ個の学習用低解像画像パッチを抽出し、
該抽出されたＫ個の前記学習用低解像パッチに対応づけされた前記学習用高解像パッチを抽出し、該抽出されたＫ個の前記学習用高解像パッチを結合して高解像出力画像を作成し出力することを特徴とする医用高解像画像形成方法。