阅读说明：本技术 图像处理装置、图像处理方法和存储介质 (Image processing apparatus, image processing method, and storage medium ) 是由 小林刚 于 2019-08-06 设计创作，主要内容包括：本申请公开了图像处理装置、图像处理方法和存储介质。图像处理装置被配置为从通过放射线成像获得的图像提取照射野,包括：推理单元,被配置为基于推理处理获得在图像中的照射野候选；轮廓提取单元,被配置为基于对照射野候选执行的轮廓提取处理来提取照射野的轮廓；以及领域提取单元,被配置为基于轮廓来提取照射野。(The application discloses an image processing apparatus, an image processing method and a storage medium. The image processing apparatus configured to extract an irradiation field from an image obtained by radiation imaging includes: an inference unit configured to obtain an irradiation field candidate in the image based on inference processing; a contour extraction unit configured to extract a contour of the irradiation field based on contour extraction processing performed on the irradiation field candidates; and a domain extraction unit configured to extract the irradiation field based on the contour.)

图像处理装置、图像处理方法和存储介质

技术领域

本发明涉及用于提取放射线照片的照射野的图像处理装置、图像处理方法以及存储介质。

背景技术

近年来，放射线成像装置已广泛用在医疗场所中，并且放射线照片作为数字信号被获得、经受图像处理并且然后由显示装置显示并用于进行诊断。

在放射线成像中，对诊断所需的感兴趣领域(下文中称为“照射野”)以外的区域的照射通常通过使用准直器缩小照射野来防止，以便抑制放射线对照射野以外的区域的影响、防止来自照射野外部的散射并防止对比度降低。

关于通过缩小照射野而获得的图像，为了对作为诊断中的感兴趣领域的照射野执行图像处理，已经提出了各种类型的技术来提取照射野。

例如，日本专利公开No.2015-123157提出了用于通过基于图像中的边缘强度获得多个轮廓并执行正确性确定来提取照射野的技术。而且，日本专利公开No.04-261649提出了用于将图像数据输入到神经网络并作为结果输出照射野的技术。

但是，作为被检体的人体可以包括诸如骨骼、植入物等之类的具有强边缘成分并且难以与用于缩小照射野的轮廓区分开的结构，并且可能存在使用日本专利公开No.2015-123157中公开的技术无法识别照射野的情况。

日本专利公开No.04-261649中公开的技术使得能够使用神经网络基于大量图像的综合特征来确定照射野，但是可能存在难以仅使用神经网络将区域分类为照射野的情况。

本发明是鉴于上述问题而进行的，并且提供了使得能够提取照射野的图像处理技术。

发明内容

根据本发明的一个方面，提供了一种图像处理装置，被配置为从通过放射线成像获得的图像提取照射野，包括：推理单元，被配置为基于推理处理获得在图像中的照射野候选；轮廓提取单元，被配置为基于对照射野候选执行的轮廓提取处理来提取照射野的轮廓；以及领域提取单元，被配置为基于轮廓来提取照射野。

根据本发明的另一方面，提供了一种用于从通过放射线成像获得的图像提取照射野的图像处理方法，包括：基于推理处理在图像中获得照射野候选；基于对照射野候选执行的轮廓提取处理来提取照射野的轮廓；以及基于轮廓来提取照射野。

根据本发明，可以提供使得能够提取照射野的图像处理技术。

从以下(参考附图)对示例性实施例的描述，本发明的其它特征将变得清楚。

附图说明

图1A是示出包括根据实施例的图像处理装置的放射线成像系统的示例性基本配置的框图。

图1B是例示照射野识别单元的示例性基本配置的框图。

图2A是例示由照射野识别单元执行的处理的流程的流程图。

图2B是示出在由照射野识别单元执行的处理中被处理的图像的示意图。

图3A是示出神经网络的学习的概念的例示图。

图3B是示出神经网络的推理的概念的例示图。

图4A是例示轮廓提取处理的流程的流程图。

图4B是示出在轮廓提取处理中被处理的图像的示意图。

图4C是示出将图像变换到极坐标空间的示例的图。

图5A是例示轮廓提取处理的流程的流程图。

图5B是示出在轮廓提取处理中被处理的图像的示意图。

图6是示出包括根据实施例的图像处理装置的放射线成像系统的示例性基本配置的框图。

具体实施方式

以下参考附图详细描述本发明的示例性实施例。应当注意的是，本发明中的放射线不仅包括常用的X射线，而且还包括作为由通过放射性衰变而发射的粒子(包括光子)构成的射束的α射线、β射线，γ射线等，以及具有基本等同或更高能级的射束(例如，粒子射束和宇宙射线)。以下描述X射线用作放射线的示例性情况。

第一实施例：矩形准直器

首先，将参考图1A和图1B描述根据本发明第一实施例的图像处理装置的示例性配置。图1A是示出包括第一实施例的图像处理装置的放射线成像系统的示例性基本配置的框图。

放射线成像系统100包括生成放射线的放射线生成装置101、上面布置有被检体102的床103、检测放射线并输出与已经通过被检体102的放射线对应的图像数据的检测装置104(FPD)、控制放射线生成装置101的放射线生成定时和放射线生成条件的控制装置105、收集各种类型的数字数据的数据收集装置106以及根据用户的指令执行图像处理并控制整个装置的信息处理装置107。应当注意的是，放射线成像系统100的配置也可以被称为放射线成像装置。

信息处理装置107包括具有照射野识别单元109和诊断图像处理单元110的图像处理装置108、CPU 112、存储器113、操作面板114、存储装置115和显示装置116，并且这些经由CPU总线111彼此电连接。

在CPU 112中执行的处理所必需的各种类型的数据等存储在存储器113中，并且存储器113包括由CPU 112使用的工作存储器(working memory)。CPU 112被配置为根据由用户通过操作面板114输入的指令使用存储器113控制整个装置的操作。

图1B是示出第一实施例的图像处理装置中的照射野识别单元109的基本功能配置的示例的框图。照射野识别单元109包括预处理单元120、推理单元121、轮廓提取单元122和领域提取单元123作为功能单元。

放射线成像系统100根据由用户通过操作面板114给出的指令开始被检体102的成像序列。由放射线生成装置101生成与预定条件对应的放射线，并且用已经通过被检体102的放射线照射检测装置104。在这里，控制装置105基于诸如电压、电流、照射周期等之类的放射线生成条件来控制放射线生成装置101，并使放射线生成装置101在预定条件下生成放射线。

检测装置104检测已经通过被检体102的放射线、将检测到的放射线转换成电信号并输出该信号作为与放射线对应的图像数据。从检测装置104输出的图像数据被数据收集装置106收集作为数字图像数据。数据收集装置106将从检测装置104收集的图像数据传送到信息处理装置107。在信息处理装置107中，图像数据在由CPU 112执行的控制下经由CPU总线111传送到存储器113。

图像处理装置108对存储在存储器113中的图像数据应用各种类型的图像处理，以从通过放射线成像获得的图像中提取照射野。在由照射野识别单元109提取出被检体区域之后，图像处理装置108的诊断图像处理单元110应用诸如灰度处理(gradationprocessing)、增强处理或降噪处理之类的诊断图像处理，以创建适于诊断的图像。图像处理装置108将由诊断图像处理单元110执行的处理的结果存储在存储设备115中，并将结果显示在显示装置116上。

接下来，将参考图2A和图2B描述由照射野识别单元109执行的处理。图2A是示出由照射野识别单元109执行的处理的流程的流程图，图2B是示出在由照射野识别单元109执行的处理中被处理的图像的示例的示意图。以下描述了使用矩形准直器对被检体102的手进行成像的示例。但是，本发明不限于第一实施例中描述的准直器的形状和被成像的部位，而是还可以应用于被检体102的诸如胸部或腹部之类的其它部位，或者用于缩小照射野的任何形状，诸如例如使用圆形准直器的情况。

在步骤S201中，预处理单元120执行输入图像的预处理。通过该预处理，输入图像被转换成如下的格式，利用该格式能够有效地执行使用神经网络执行的后续推理处理。在这里，预处理单元120能够将输入图像转换成与用于由推理单元121学习(例如，通过神经网络学习)的图像相同类型的图像。作为由预处理单元120执行的预处理的一个示例，预处理单元120能够执行栅格去除处理、散射射线减少处理、降噪处理、对数转换处理以及归一化处理，并且其后执行用于向上或向下缩放到适于在由推理单元121执行的推理处理中使用的神经网络的图像尺寸的处理。

虽然可以采用任何图像尺寸，但是如果输入到预处理单元120的图像在长度和宽度上具有1：1的纵横比，诸如例如112×112像素或224×224像素，那么能够增强旋转的泛化性能。而且，作为归一化处理的一个示例，预处理单元120能够对信号电平进行归一化，使得输入图像的信号从0到1变化。预处理单元120通过执行上述处理来获得经预处理图像211。如图2B中所示，经预处理图像211包括处于给定比率的照射野212和准直器区域213。

在步骤S202中，推理单元121基于推理处理获得通过放射线成像获得的图像中的照射野候选。推理单元121对已经被预处理的经预处理图像211执行推理处理(例如，使用神经网络的推理处理)，以从通过放射线成像获得的图像获得照射野候选。推理单元121基于使用包括作为输入的通过放射线成像获得的图像和作为输出的照射野的数据集而执行的学习来执行推理处理。推理单元121基于学习的结果来执行推理处理，该学习包括通过神经网络的学习。例如，推理单元121能够使用已经预先执行了学习的神经网络，作为在推理处理中使用的神经网络。稍后将描述通过神经网络的学习和使用神经网络的推理处理的细节。应当注意的是，推理处理不限于使用神经网络执行的处理，并且推理单元121还可以使用例如通过使用支持向量机(support vector machine)或增强(boosting)执行的机器学习而创建的处理单元。

推理单元121获得指示输入图像的每个像素“是照射野”或“不是照射野(即，是准直器区域)”的概率的概率图214，作为照射野候选。在这里，使用神经网络执行的推理处理使用无法由人获得的大量特征，并且使得能够使用图像的不限于边缘特征的综合特征来确定照射野，但是有时难以仅通过这个处理将区域分类为照射野。例如，在图2B中示出的概率图214中，获得了很可能是照射野的区域215和很可能是准直器的区域216，但是可能存在概率图包括实际上不是准直器区域但被确定为准直器区域的误检测区域217的情况。

在步骤S203中，轮廓提取单元122基于照射野候选提取照射野的轮廓。轮廓提取单元122基于对照射野候选执行的轮廓提取处理来提取照射野的轮廓。轮廓提取单元122通过基于准直器的形状提取轮廓218来对在步骤S202中获得的概率图214(照射野候选)执行轮廓提取处理。

轮廓提取单元122通过基于准直器的形状提取轮廓来对照射野候选执行轮廓提取处理。轮廓提取单元122根据准直器的形状改变轮廓提取处理。例如，轮廓提取单元122能够在准直器的形状是矩形时执行矩形轮廓提取处理，并且当准直器的形状是圆形时执行圆形轮廓提取处理。轮廓提取单元122能够选择用于准直器的矩形形状的轮廓提取处理和用于准直器的圆形形状的轮廓提取处理。

在第一实施例中，假设准直器(矩形准直器)具有矩形轮廓，并且轮廓提取单元122通过执行矩形轮廓提取处理来提取直线作为轮廓候选。即，轮廓提取单元122基于准直器的矩形形状执行轮廓提取处理，用于从概率图214获得至多四条直线作为构成准直器的轮廓的轮廓线。然后，基于对提取的轮廓候选执行的有效性确认处理，设定最终轮廓。稍后将描述这种轮廓提取处理的细节。

在步骤S204中，领域提取单元123基于轮廓218提取照射野。具体而言，领域提取单元123执行照射野提取处理，以获得划分的区域图像219，该划分的区域图像219是通过将输入图像划分为照射野221和准直器区域220而获得的图像。在这里，领域提取单元123提取轮廓218内的区域作为照射野221。轮廓218内的区域是由轮廓218包围的区域。即，领域提取单元123基于在步骤S203中提取的关于轮廓218的信息来提取由轮廓218包围的区域作为照射野221，并提取除这个区域之外的区域(即，未被轮廓218包围的区域)作为准直器区域220。通过由领域提取单元123执行的照射野提取处理，可以提取照射野221，其中在使用神经网络执行的推理处理的结果中包括的误检测区域217被消除。

应当注意的是，领域提取单元123可以通过基于其中从轮廓218推测的照射野与从概率图214推测的照射野重叠的区域提取照射野来执行照射野提取处理。即，领域提取单元123可以提取其中从轮廓218推测的照射野与从概率图214推测的照射野之间的重叠比率至少是设定值的区域作为照射野。例如，领域提取单元123可以通过提取其中可以由轮廓218形成的区域与概率图214中很可能是照射野的区域215之间的重叠比率是至少预定参考值(例如，75％)的区域作为照射野221，基于关于轮廓218的信息(S203)和关于概率图214的信息(S202)来执行照射野提取处理。

通过在上述步骤S201至S204中执行的处理，照射野识别单元109可以高准确度地提取照射野。

接下来，将参考图3A和图3B描述由推理单元121执行的处理的细节。图3A是示出神经网络的学习的概念的例示图，并且图3B是示出神经网络的推理的概念的例示图。

使用输入数据集合301和对应的训练数据集合305来执行神经网络的学习。

首先，使用处于学***方误差函数或交叉熵误差函数之类的任何函数都可以用作损失函数。进一步，执行从损失函数开始的反向传播，以更新处于学习过程中的神经网络302的参数组。通过在改变输入数据集合301和训练数据集合305的同时重复上述处理，可以推进处于学习过程中的神经网络302的学习。

神经网络的推理是用于将使用学习过的神经网络307执行的推理处理应用于输入数据306并输出推理结果308的处理。

在第一实施例中，设定训练数据集合305，使得：在输入数据集合301中，照射野由1表示，而准直器区域由0表示。训练数据集合305可以通过手动输入适当地创建，或者可以由照射野识别单元109从外部源获得。可替代地，照射野识别单元109可以根据成像部位自动创建标准训练数据。

在这里，神经网络302具有其中大量处理单元303彼此随机连接的结构。处理单元303的示例执行包括以下项的处理：卷积计算、诸如批归一化之类的归一化处理以及使用诸如ReLU或Sigmoid之类的激活函数执行的处理，并且处理单元具有用于描述处理的内容的参数组。例如，以例如卷积计算、归一化和激活函数的次序执行处理的这些处理单元的集合被布置在三到大约几百个层中并且彼此连接，并且可以形成称为卷积神经网络或递归神经网络的结构。

应当注意的是，神经网络302的输入和输出采取已经由预处理单元120处理的图像的形式。可以采用输出图像具有与输入图像相同的分辨率并且指示每个像素是照射野的概率的配置。在另一个示例中，可以将输出图像的分辨率设定为低于输入图像的分辨率。在这种情况下，能够减少学习和推理的处理时段，但是作为折衷，可能会降低包括后续处理在内的整个处理的准确性。

接下来，将参考图4A、图4B和图4C描述由轮廓提取单元122执行的轮廓提取处理的细节。图4A是示出轮廓提取处理的流程的流程图，图4B是示出在轮廓提取处理中被处理的图像的示意图，并且图4C是示出将图像变换到极坐标空间的示例的图。轮廓提取单元122从根据概率图214获得的并且包括指示照射野和准直器区域之间的边界的边缘的图像中提取照射野的轮廓。

在步骤S401中，轮廓提取单元122从概率图214中提取边缘，该边缘指示很可能是照射野的区域215与很可能是准直器的区域216之间的边界。虽然用于提取边缘的方法不受限制，但是，可以例如通过将诸如索贝尔滤波器之类的差分滤波器应用于概率图214来提取边缘。虽然为概率图214的每个像素设定从0到1的概率，但是也可以基于预设阈值(例如，0.5)执行二进制编码处理并且执行用于提取具有至少阈值的像素的处理，以便简化边缘提取处理。通过上述处理，可以获得包括边缘412的图像411，边缘412包括照射野和准直器区域之间的边界。

在步骤S402中，轮廓提取单元122将Hough变换应用于图像411。在这里，使用公式1将在直角坐标系中表示为(x,y)的图像411上的点变换为角度θ和距离ρ的极坐标空间。在这里，θ是x轴与从原点垂直于通过(x,y)的直线绘制的线之间的角度，并且ρ是从原点垂直于通过(x,y)的直线绘制的线的长度。例如，当在-90°<θ≤90°的范围内执行变换时，获得极坐标空间中的分布，如图4C中所示。在这里，在极坐标空间中取局部最大值的对(θ,ρ)指示在直角坐标系中的图像中存在直线的高概率。使用这个特征，通过应用Hough变换能够容易地提取具有线性结构的矩形准直器的轮廓。

公式1

ρ＝xcosθ+ysinθ

在步骤S403中，轮廓提取单元122从图像411中提取最长直线413作为轮廓候选。在这个步骤中，轮廓提取单元122搜索整个极坐标空间，并提取由在极坐标空间中取最大值的对(θ，ρ)417形成的直线。

在步骤S404中，轮廓提取单元122提取与直线413相对且平行的直线414作为轮廓候选。假设准直器具有矩形形状，那么认为存在沿着与一边平行的方向延伸的另一边。基于这个假设，轮廓提取单元122搜索极坐标空间中在区域421中的局部最大值，其中θ相对于与直线413对应的对(θ，ρ)417处于预定范围内。相对于θ＝-90°，θ的范围可以被设定为大约5°至15°，或者相对于θ＝90°，θ的范围可以被设定为大约-(5°至15°)。因此，轮廓提取单元122可以提取对(θ，ρ)418作为除了对(θ，ρ)417之外的局部最大值以及与对418对应的直线414。

在步骤S405中，轮廓提取单元122提取与直线413交叉且垂直的直线415作为轮廓候选。假设准直器具有矩形形状，那么认为存在沿着垂直于一边的方向延伸的另一边。基于这个假设，轮廓提取单元122搜索极坐标空间中在区域422中的对(θ，ρ)，其中θ相对于与直线413对应的对(θ，ρ)417在极坐标空间中的预定范围内。搜索范围可以设定为相对于θ＝0°大约±15°的任意范围，其与参考对417的θ(＝-90°)具有+90°的相位差。因此，轮廓提取单元122可以提取对(θ，ρ)419作为穿过对(θ，ρ)417的波形431与穿过对(θ，ρ)418的波形432彼此交叉处的点，以及与对419对应的直线415。

在步骤S406中，轮廓提取单元122提取与直线415相对且平行的直线416作为轮廓候选。与步骤S404类似，轮廓提取单元122从极坐标空间中的区域423搜索对(θ，ρ)，以搜索沿与直线415平行的方向上延伸的边。用作搜索范围的区域423可以设定得比已经从中提取出对(θ，ρ)419的区域422窄。轮廓提取单元122在穿过对(θ，ρ)417的波形433与穿过对(θ，ρ)418的波形434彼此交叉处提取对(θ，ρ)420，以及与来自区域423的对420对应的直线416。应当注意的是，如果在步骤S403至S406的任意一个中未找到直线，那么可以跳过那个步骤中的处理，假设不存在直线。

在步骤S407中，轮廓提取单元122确认作为在步骤S403至S406中提取的轮廓候选的直线413至416作为照射野和准直器区域的轮廓是否有效。例如，轮廓提取单元122可以确定所提取的直线是否长于预定长度。基于这个确定，轮廓提取单元122从作为轮廓候选提取的直线中提取长于预定长度的直线作为轮廓。

可替代地，轮廓提取单元122可以确定由提取的直线形成的区域是否与概率图214中很可能是照射野的区域215重叠并且匹配良好，例如，是否指示这些区域之间的重叠比率的重叠率至少是阈值。如果指示基于轮廓候选的区域(基于提取出的直线413至416的区域)与从概率图214推测的照射野之间的重叠比率的重叠率至少是阈值，那么轮廓提取单元122提取该轮廓候选(直线413至416)作为轮廓。

关于轮廓的有效性的确认，轮廓提取单元122可以执行对通过放射线成像获得的图像的特征(诸如被检体的成像部位)进行匹配的确定处理。如果在这个步骤中未确认直线的有效性，那么轮廓提取单元122消除该直线，根据需要执行另一次搜索，并输出一组剩余的直线作为最终轮廓。通过在上述步骤S401至S407中执行的处理，轮廓提取单元122能够高准确度地提取轮廓。

根据第一实施例，可以提供一种图像处理技术，利用该图像处理技术，即使照射野包括具有强边缘成分并且难以与用于缩小照射野所使用的轮廓区分的结构，也能够准确地提取照射野。

第二实施例：圆形照射野

接下来，将描述本发明的第二实施例。在第二实施例中，将描述使用圆形准直器来缩小照射野的情况的示例性配置。放射线成像系统100和图像处理装置的配置示例与第一实施例中的配置示例类似。第二实施例与第一实施例的不同之处在于，假设使用圆形准直器，轮廓提取单元122执行圆形轮廓提取处理。在第二实施例中，轮廓提取单元122通过执行圆形轮廓提取处理来提取圆或椭圆作为轮廓候选。

将参考图5A和图5B描述由轮廓提取单元122执行的轮廓提取处理的细节。图5A是示出第二实施例中的轮廓提取处理的流程的流程图，并且图5B是示出在第二实施例中的轮廓提取处理中被处理的图像的示意图。

假设通过使用圆形准直器缩小照射野而获得的图像511被输入到照射野识别单元109，并且由推理单元121输出概率图512。在概率图512中，获得很可能是照射野的区域515和很可能是准直器的区域516，但是可能存在概率图包括实际上不是准直器区域但被确定为准直器区域的误检测区域517的情况。

在步骤S501中，轮廓提取单元122从概率图512获得图像513，该图像513包括指示很可能是照射野的区域515与很可能是准直器的区域516之间的边界的边缘。这个处理等同于图4A中的步骤S401。

在步骤S502中，轮廓提取单元122将Hough变换应用于图像513。在这里，使用公式2将在直角坐标系中表示为(x，y)的图像513上的点变换到具有圆的中心点(中心X，中心Y)和半径r的三维Hough空间。

公式2

r²＝(x-centerX)²+(y-centerY)²

可替代地，假设准直器具有椭圆形轮廓，那么轮廓提取单元122可以使用公式3将在直角坐标系中表示为(x，y)的图像513上的点变换到具有椭圆的中心点(中心X，中心Y)以及椭圆的长轴a和短轴b的四维Hough空间。

公式3

在步骤S503中，轮廓提取单元122通过从Hough变换的结果中选择与圆形轮廓514对应的Hough空间中的坐标来提取圆形轮廓514。

在步骤S504中，轮廓提取单元122确认在步骤S503中提取的圆形轮廓514作为照射野和准直器区域的轮廓是否有效。例如，轮廓提取单元122可以确定所提取的圆(或椭圆)的中心坐标位置及其半径(或长轴和短轴)是否包括在预定范围内。例如，轮廓提取单元122提取被提取为轮廓候选并且中心坐标位置和半径包括在预定范围内的圆作为轮廓。可替代地，轮廓提取单元122提取被提取为轮廓候选并且中心坐标位置以及长轴和短轴包括在预定范围内的椭圆作为轮廓。

可替代地，轮廓提取单元122可以确定由提取出的圆(或椭圆)形成的区域是否与在概率图512中很可能是照射野的区域515重叠并匹配良好，例如，指示这些区域之间的重叠比率的重叠率是否至少是参考值。如果指示基于轮廓候选的区域(基于提取的圆形轮廓514的区域)与从概率图512推测的照射野之间的重叠比率的重叠率至少是阈值，那么轮廓提取单元122提取该轮廓候选(圆形轮廓514)作为轮廓。

关于轮廓的有效性的确认，轮廓提取单元122可以执行对通过放射线成像获得的图像的特征(诸如被检体的成像部位)进行匹配的确定处理。

通过在上述步骤S501至S504中执行的处理，即使当使用圆形准直器来缩小照射野时，轮廓提取单元122也能够高准确度地提取轮廓。

应当注意的是，如果矩形准直器的示例和圆形准直器(包括椭圆形准直器)的示例都包括在推理单元121的学习中使用的训练数据中，那么无论准直器具有矩形形状还是圆形形状，推理单元121都能够获得概率图512。使用这些特性，可以采用这样的配置，其中，根据所获得的概率图的形状，能够从在第一实施例中描述的用于矩形轮廓的轮廓提取单元122和在第二实施例中描述的用于圆形轮廓的轮廓提取单元122中选择最合适的轮廓提取单元122。

例如，可以采用其中用户通过操作面板114执行选择的配置，或者可以采用其中轮廓提取单元122执行用于矩形轮廓的处理和用于圆形轮廓的处理两者并且领域提取单元123自动提取其中由提取的轮廓形成的区域与概率图中很可能是照射野的区域之间的重叠比率至少是预定参考值的区域作为照射野221的配置。

第三实施例：用户站点处的学习机制

接下来，将描述第三实施例。图6是示出包括第三实施例的图像处理装置的放射线成像系统的示例性基本配置的框图。第三实施例的配置与第一实施例的配置的不同之处在于，除了与第一实施例中的元件相同的元件之外，学习装置601也包括在信息处理装置107中。

在第一实施例和第二实施例中，放射线成像系统100被配置为使得推理单元121仅执行使用神经网络的推理处理，并且神经网络的学习被预先执行。

在第三实施例中，放射线成像系统100被配置为使得在用户的使用环境中获得的图像和照射野的数据集的集合被累积在存储装置115中。作为学习装置601电连接到信息处理装置107中的CPU总线111的结果，学习处理也可以在放射线成像系统100的信息处理装置107中执行。推理单元121基于新添加了在用户的使用环境中获得的图像和照射野的数据集的集合的学习的结果和预先执行的学习的结果来执行推理处理。因此，使用学习装置601的附加学习处理可以使用存储装置115中存储的数据集的集合作为新的训练数据来执行，以更新推理单元121中的参数组。应当注意的是，诸如GPU之类的具有高并行操作性能的计算单元可以用作学习装置601。

可以选择任何定时作为用于执行附加学习的定时，诸如当至少预定数量的用作新训练数据的数据集被累积在存储装置115中或者至少预定数量的通过由用户修改照射野识别结果所获得的数据集被累积时。而且，当由推理单元121执行附加学习时，可以通过将学习之前使用的参数组设定为神经网络的参数组的默认值来执行转移学习。

存储装置115和学习装置601不一定必须直接安装在信息处理装置107中，而是可以在经由网络连接到信息处理装置107的云服务器上提供。在这种情况下，由多个放射线成像系统100获得的数据集可以被收集并存储在云服务器上，并且还可以使用这些数据集来执行附加学习。

如上所述，根据第三实施例，可以提供一种图像处理技术，其不仅实现第一实施例和第二实施例的效果，而且通过优化照射野识别处理以匹配用户的使用环境而使得能够更准确地提取照射野。

虽然已经描述了本发明的一些实施例，但是不言而喻，本发明不限于这些实施例，并且可以在本发明的主旨的范围内以各种改变和修改来实现。

其它实施例

本发明的(一个或多个)实施例还可以通过读出并执行记录在存储介质(其也可以被更完整地称为“非瞬态计算机可读存储介质”)上的计算机可执行指令(例如，一个或多个程序)以执行上述(一个或多个)实施例中的一个或多个实施例的功能和/或包括用于执行上述(一个或多个)实施例中的一个或多个实施例的功能的一个或多个电路(例如，专用集成电路(ASIC))的系统或装置的计算机来实现，以及通过例如从存储介质读出并执行计算机可执行指令以执行上述(一个或多个)实施例中的一个或多个实施例的功能和/或控制一个或多个电路执行上述(一个或多个)实施例中的一个或多个实施例的功能而通过由系统或装置的计算机执行的方法来实现。计算机可以包括一个或多个处理器(例如，中央处理单元(CPU)、微处理单元(MPU))，并且可以包括单独计算机或单独处理器的网络，以读出并执行计算机可执行指令。计算机可执行指令可以例如从网络或存储介质提供给计算机。存储介质可以包括例如硬盘、随机存取存储器(RAM)、只读存储器(ROM)、分布式计算系统的存储装置、光盘(诸如紧凑盘(CD)、数字多功能盘(DVD)或蓝光盘(BD)^TM)、闪存设备、存储卡等。

本发明的实施例还可以通过如下的方法来实现，即，通过网络或者各种存储介质将执行上述实施例的功能的软件(程序)提供给系统或装置，该系统或装置的计算机或是中央处理单元(CPU)、微处理单元(MPU)读出并执行程序的方法。

虽然已经参考示例性实施例描述了本发明，但是应当理解的是，本发明不限于所公开的示例性实施例。所附权利要求的范围将被赋予最广泛的解释，以便涵盖所有此类修改以及等同的结构和功能。