Medical Image Processing

医用画像処理

MRI・CTは現代医療に欠かせない撮像技術です.
患者の負担を低減する観測系の設計と
その観測系における画像再構成手法の開発に取り組んでいます.

MRIは強磁場を,CTはX線を用いて
体内を非侵襲に撮影する技術です.

本研究室では,
MRIの高速化やCTの低被曝化といった
課題に取り組んでいます.

LiGMEモデルを用いたマルチコントラストMRI

 MRIは検査に時間がかかるため,取得データ数を減らして撮像時間を短縮した上で,画像をできる限り高精度に再構成する研究が盛んに行われています.臨床現場では一度の検査で複数種類のMR画像を撮像しますが,この事実に着目した「マルチコントラスト圧縮センシングMRI」と呼ばれる高速高精度撮像が複数の研究グループから提案されています.
 本研究室では,最先端の数理最適化モデルである「LiGMEモデル」を用いたマルチコントラスト圧縮センシングMRIを開発しました.実際の頭部画像を用いた実験で,我々の手法がエッジを従来より正確に再構成することが示されました.

日本語論文 (ダウンロード)
北原 大地, 加藤 里佳子, 黒田 大貴, 平林 晃,
"エッジ情報とLiGMEモデルを用いたマルチコントラスト圧縮センシングMRI,"
第35回信号処理シンポジウム, 高知, Nov. 2020, pp. 95–100.

英語論文 (ダウンロード)
D. Kitahara, R. Kato, H. Kuroda, and A. Hirabayashi,
"Multi-contrast CSMRI using common edge structures with LiGME model,"
European Signal Processing Conference (EUSIPCO), Dublin, Ireland, Aug. 2021, 5 pages, to appear.

マルチクラス辞書学習を用いた低線量CT

 CT検査ではX線を用いますが,X線被曝による疾患誘発が懸念されており,低線量CTが望まれています.雑音の多い低線量投影から高品質な画像を得るために,パッチベースの「辞書学習」を用いる手法が提案されています.
 本研究室では,各パッチをクラスタリングして,クラスごとに別々の辞書を学習する「マルチクラス辞書学習」を用いた手法を開発しました.実験では,我々の手法が頭部の細部を鮮明に再構成できることが示されました.

日本語論文 (ダウンロード)
鴨下 飛竜, 北原 大地, 平林 晃,
"マルチクラス辞書学習を用いた低線量CT画像再構成,"
電子情報通信学会信号処理研究会, 岐阜, May 2018, vol. 118, no. 33, pp. 63–68.

英語論文 (ダウンロード)
H. Kamoshita, D. Kitahara, K. Fujimoto, L. Condat, and A. Hirabayashi,
"Multiclass dictionary-based statistical iterative reconstruction for low-dose CT,"
IEICE Transactions on Fundamentals of Electronics, Communications and Computer Sciences, vol. E104-A, no. 4, pp. 702–713, Apr. 2021.