JP4184842B2 - 画像判別装置、方法およびプログラム - Google Patents
画像判別装置、方法およびプログラム Download PDFInfo
- Publication number
- JP4184842B2 JP4184842B2 JP2003075647A JP2003075647A JP4184842B2 JP 4184842 B2 JP4184842 B2 JP 4184842B2 JP 2003075647 A JP2003075647 A JP 2003075647A JP 2003075647 A JP2003075647 A JP 2003075647A JP 4184842 B2 JP4184842 B2 JP 4184842B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- contour
- shadow
- outside
- unit pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 32
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 239000000284 extract Substances 0.000 claims description 16
- 230000003211 malignant effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 206010028980 Neoplasm Diseases 0.000 description 40
- 241000270295 Serpentes Species 0.000 description 26
- 238000000605 extraction Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 201000011510 cancer Diseases 0.000 description 5
- 238000004195 computer-aided diagnosis Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- ZAKOWWREFLAJOT-CEFNRUSXSA-N D-alpha-tocopherylacetate Chemical compound CC(=O)OC1=C(C)C(C)=C2O[C@@](CCC[C@H](C)CCC[C@H](C)CCCC(C)C)(C)CCC2=C1C ZAKOWWREFLAJOT-CEFNRUSXSA-N 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000004438 eyesight Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、被写体を撮影して得た医用画像データに基づいて画像中の異常陰影を検出し、その異常陰影を表示して診断に供するコンピュータ支援画像診断装置に関するものである。
【０００２】
【従来の技術】
従来、種々の画像取得方法により得られた画像に対して、階調処理や周波数処理等の画像処理を施し、画像の観察読影性能を向上させることが行われている。特に人体を被写体とした放射線画像のような医用画像の分野においては、医師等の専門家が、得られた画像に基づいて患者の疾病や傷害の有無を的確に診断する必要があり、その画像の読影性能を向上させる画像処理は不可欠なものとなっている。そのため、このような画像処理を用いることで、観察者の経験や画像読影能力の高低によって左右されず客観的に腫瘤陰影を判断できるように様々な方法が提案されている。
【０００３】
放射線画像等に撮影された癌化した部分の腫瘤陰影は、おおむね丸味をおびた輪郭を持ち、かつ、画像上では周囲に比べて画素値が大きな領域として観測される。このような腫瘤陰影は、半球状で同じ濃度が同心円状に広がる形状の領域（以降、円形凸領域と呼ぶ）で、濃度値の分布が周縁部から中心部に向かうにしたがって濃度値が低くなるという濃度値の勾配が認められる。その勾配線は腫瘤の中心方向に向かって集中するもので、濃度値の勾配を勾配ベクトルとして算出し、その勾配ベクトルの集中度から腫瘤陰影を検出することができることが知られている（例えば、非特許文献１、非特許文献２参照）。
【０００４】
また、このような集中度を評価するものの中には、腫瘤の大きさや形状に左右されない検出力を達成するために、フィルタの大きさと形状とを工夫したものがあり、代表的なものとして、アイリスフィルタや適応リングフィルタが挙げられる。
【０００５】
このアリスフィルタの出力値は、円形凸領域の輪郭で最大値を与え異常陰影の候補領域を抽出する可能であり（例えば、特許文献１参照）、一方、適応リングフィルタの出力は、円形凸領域の中心付近で極大値をとるものである（例えば、非特許文献２参照）。
【０００６】
そこで、アイリスフィルタ等で異常陰影の候補領域を検出し、検出された異常陰影の候補領域に基づいて候補領域内部の濃度ヒストグラムを求め、このヒストグラムに基づく複数の特徴量、すなわち分散値、コントラスト、角モーメント等を算出し、さらに各特徴量を所定の重み付け関数で定義して新たな評価関数値を算出し、算出された評価関数値に基づいて候補領域が悪性陰影であるか否かを判定し、悪性陰影のみを異常陰影候補として検出する方法が提案されている（例えば、特許文献２）。
【０００７】
また、予め実験的に得られている候補領域内部の濃度ヒストグラムに基づく複数の特徴量から正常陰影と異常陰影のクラスターに分類し、医用画像データに現われた候補領域に対して、正常陰影を示すパターンクラスからのマハラノビス距離Ｄm1と異常陰影を示すパターンクラスからのマハラノビス距離Ｄm2を算出して異常陰影に該当するものか否かを検出するものがある（例えば、特許文献２、特許文献３参照）。
【０００８】
さらに、以上の手法を組み合わせて、読影者の負担の軽減と、質の向上を図ったコンピュータ診断支援（ＣＡＤ：Computer aided diagnosis）システムがある。このＣＡＤシステムの流れは以下のようになる。
▲１▼ まず、原画像に適応リングフィルタを利用して円形凸領域を強調する。
▲２▼ 次に、フィルタ出力値の極大点を抽出し、大きいものからいくつか（例えば、７個）を腫瘤候補点として抽出する。
▲３▼ 腫瘤候補点から、腫瘤候補領域を抽出するために、アイリスフィルタとＳｎａｋｅｓ法を適用する。Ｓｎａｋｅｓ法は、エネルギー最小化原理に基づいた最適解としての輪郭を抽出する方法であり、Ｓｎａｋｅｓエネルギーとしてアイリスフィルタの出力を用いる。Ｓｎａｋｅｓのアルゴリズムによる候補領域決定の詳細は、非特許文献３に述べられている。
▲４▼ さらに、決定された各候補領域から特徴量を算出して、マハラノビス距離に基づいて、候補領域を悪性腫瘤影と良性腫瘤影の２つのクラスターに判別する。
このように、形状抽出結果に基づいて腫瘤が悪性腫瘤であるか良性腫瘤であるかを判別するものがある（例えば、非特許文献４参照）。
【０００９】
また、近年、読影する医用画像の視覚的な特徴が類似する類似画像を過去症例のデータベースから検索するＣＡＤが提案されている（例えば、非特許文献５参照）。
【００１０】
【特許文献１】
特開平８−２９４４７９号公報
【００１１】
【特許文献２】
特開平９−１６７２３８号公報
【００１２】
【特許文献３】
特開２００２−７４３２５号公報
【００１３】
【非特許文献１】
魏 軍、荻原 義裕、清水 明伸、小畑 秀文、“こう配ベクトルの点集中性フィルタの特性解析”、電子情報通信学会論文誌（D-II） Vol.J84-D-II No.7，pp.1289-1298，2001．
【００１４】
【非特許文献２】
魏 軍、荻原 義裕、小畑 秀文、“がん陰影候補抽出のための勾配ベクトル集中フィルタ”、電子情報通信学会論文誌（D-II） Vol.J83-D-II No.1，pp.118-125，Jan．2000．
【００１５】
【非特許文献３】
H.Kobata,M.Murakami,et al,”Computerized detection of malignant tumors on digital mammograms,”IEEE Trans on Med，Imag，Vol．18，No.５，pp.369-378，1999．
【００１６】
【非特許文献４】
古屋早知子、魏 軍、荻原 義裕、清水 明伸、小畑 秀文、縄野 繁、“準最適特徴量組み合わせによる乳房Ｘ線像上の腫瘤影判別性能向上”、電子情報通信学会 Vol.100 No.434，pp.93-100，2001．
【００１７】
【非特許文献５】
“M.Ginger,Z.Huo,C.Vybomy,L.Lan,I.Bonta,K.Horsch,R.Nishikawa,I.Rosenborough,Intelligent CAD workstation for breast imaging using similarity to known lesions and multiple visual prompt aids, PROCEEDINGS OF SPIE, Medical Imaging 2002,February 2002,San Diego”
【００１８】
【発明が解決しようとする課題】
上記のような診断支援技術は、候補領域の形状、大きさ、濃度のコントラスト等の抽象化された特徴量を用いて判断するため、必ずしも人間の視覚で捉えた感覚とは一致せずズレが生じる。そのため、類似すると判定された腫瘤であっても実際の画像を視覚的に比較した場合には類似しない場合があった。例えば、類似画像を過去症例のデータベースから検索するような場合に、質問腫瘤画像とは類似しない腫瘤画像が検索される場合があった。
【００１９】
本発明は、この課題に鑑みて、画像の濃淡値から得られる医用画像に固有のイメージパターンに基づいて、腫瘤を人の視覚で捉えた感覚に近い感覚で分析する手法を用いた画像判別装置を提供することを目的とするものである。
【００２０】
【課題を解決するための手段】
本発明の画像判別装置は、医用画像データから所定の陰影の候補領域を抽出する候補領域抽出手段を備えた画像判別装置であって、
前記候補領域抽出手段で抽出した前記候補領域の輪郭周辺の輪郭内外画像を抽出する輪郭内外画像抽出手段と、
該輪郭内外画像抽出手段で抽出した輪郭内外画像の特徴量を用いて、前記候補領域の陰影の種類を判定する陰影判定手段とを備えたことを特徴とするものである。
【００２１】
また、本発明の画像判別方法は、医用画像データから所定の陰影の候補領域を抽出し、
該候補領域の輪郭周辺の輪郭内外画像を抽出し、
該輪郭内外画像の特徴量を用いて、前記候補領域の陰影の種類を判定することを特徴とするものである。
【００２２】
また、本発明のプログラムは、コンピュータに、
医用画像データから所定の陰影の候補領域を抽出する手順と、
該候補領域の輪郭周辺の輪郭内外画像を抽出する手順と、
該輪郭内外画像の特徴量を用いて、前記候補領域の陰影の種類を判定する手順として実行させるものである。
【００２３】
ここで「陰影」とは、例えば医療用のＸ線画像やマンモグラム等における、血管等の正常陰影や、腫瘍、腫瘤、癌等種々の症状を示す異常陰影をいい、乳房や胸部等の様々な部位で観察されるものである。
【００２４】
「陰影の候補領域の抽出」は、陰影は背景の画像とは異なる濃度を示すことに注目して陰影の候補領域の抽出を行う。
【００２５】
具体的には、画像中から腫瘤候補となる領域をアイリスフィルタ等を用いて抽出したり、アイリスフィルタ等により抽出した腫瘤候補となる領域の中心位置（候補点）に基づいてＳｎａｋｅｓ法等を用いてより正確に候補領域を抽出することができる。
【００２６】
アイリスフィルタは濃度の勾配値に注目して候補領域を抽出するもので、画像中から濃度勾配集中度の値が高い領域を抽出するものである。また、アイリスフィルタ以外の手法を用いてもよく、例えば、丸くて濃度の低い（白い）領域を抽出してもよい。
【００２７】
また、Ｓｎａｋｅｓ法は、アイリスフィルタで抽出された候補領域（点）に基づいて、より正確な腫瘤形状を抽出するもので、例えば、候補点を中心に一定半径上の点を初期値として抽出することができる。Ｓｎａｋｅｓ法は陰影の輪郭周辺（エッジ）で画像エネルギーが極小になるように定義し、陰影の輪郭の近傍に初期値として設定された曲線上のエネルギーが最小となるように曲線を徐々に移動させて、収束したところで候補領域を抽出するものである。
【００２８】
また、「輪郭内外画像」とは、候補領域の輪郭周辺の画像で、輪郭から所定の範囲にある画像であり、「輪郭内外画像の特徴量」には、例えば、輪郭内外画像に発生する濃淡パターンに基づく特徴量や、輪郭内外画像の濃度ヒストグラムに基づく複数の特徴量（分散値、コントラスト、角モーメント等）等を用いることが可能である。
【００２９】
また、陰影には、正常なもの、腫瘤のように異常なもの、さらに異常なもののうち良性なものと悪性なものがあり、前記陰影の種類を、正常陰影、異常陰影、異常陰影のうちの良性陰影、異常陰影のうちの悪性陰影のいずれかに分けるようにしてもよい。
【００３０】
さらに、悪性腫瘤を悪性腫瘤１、悪性腫瘤２というように詳細に分けてもよい。
【００３１】
あるいは、陰影がどの症例に類似するものかを判定してもよく、前記陰影の種類は、前記陰影に類似する症例の種類であってもよい。
【００３２】
また、前記輪郭内外画像抽出手段は、前記輪郭内外画像を輪郭辺縁、輪郭内側および輪郭外側のいずれか２以上の領域に分けるものとしてもよく、前記陰影判定手段では、各該領域のうち少なくとも１つの領域の特徴量に基づいて前記陰影の種類を判定するものであってもよい。
【００３３】
「輪郭辺縁、輪郭内側および輪郭外側のいずれか２以上の領域に分ける」とは、候補領域の輪郭を基準にして領域を分けるもので、輪郭辺縁と輪郭内側と輪郭外側の３つの領域や輪郭内側と輪郭外側の２つの領域等に分け、異なる特徴が現れる領域に分ける方が望ましい。また、領域の一部が重なり合うように分けてもよい。
【００３４】
また、前記輪郭内外画像抽出手段により抽出した前記輪郭内外画像を構成する単位画素群に基づいて、該単位画素群の画素に出現する濃淡のパターンを抽出する濃淡パターン抽出手段と、
前記輪郭内外画像の単位画素群がいずれの前記濃淡パターンに類似するかを判定し、前記濃淡パターンが前記輪郭内外画像に出現する出現頻度を前記類似する濃淡パターンにカウントして算出する出現頻度算出手段と、
前記濃淡パターンの出現頻度に基づいて、前記輪郭内外画像を陰影の種類に応じて分類する分類手段とを有し、
前記陰影判定手段は、前記輪郭内外画像に前記濃淡パターンが出現する出現頻度を前記出現頻度算出手段で求め、該出現頻度を特徴量として該候補領域が前記分類手段で分類したいずれの前記陰影の種類に属するものであるかを判定するものであってもよい。
【００３５】
「単位画素群」は、画像上の小領域の画素で、画像を分析する単位となる画素群である。例えば、２０×２０画素程度が好ましい。
【００３６】
「単位画素群の画素に出現する濃淡のパターンを抽出する」とは、輪郭内外画像を構成する単位画素群に多く発生する濃淡パターンを抽出することで、コホーネンの自己組織化（以下、ＳＯＭという）等のパターン分析の手法を用いて濃淡パターンを抽出することが可能である。
【００３７】
また、「前記濃淡パターンの出現頻度に基づいて、前記輪郭内外画像を腫瘤タイプに応じて分類する」とは、各濃度パターン（濃淡パターン）が出現する頻度（ヒストグラム）に基づいて、輪郭内外画像がどの腫瘤タイプに属するものであるかを分類することで、具体的には、ＳＯＭ等のクラスター分析の手法を用いて分類することができる。ＳＯＭ以外にマハラノビス距離等の距離関数（距離の概念を表す関数）や類似度等の他のクラスター分析の手法を用いて分類してもよい。
【００３８】
【発明の効果】
本発明の画像判別装置によれば、候補領域の輪郭周辺の輪郭内外画像の特徴量を用いて判定することにより、陰影の形状によらず陰影の種類を判定することができる。
【００３９】
また、輪郭内外画像を輪郭辺縁、輪郭内側、輪郭外側等の特徴のある領域に分けることにより、より正確な判定をすることができる。
【００４０】
さらに、輪郭内外画像を構成する単位画素群の濃淡パターンの出現頻度に基づいて陰影の種類を判定することにより、候補領域の属する陰影の種類を人間の視覚で捉えた感覚に近い判定結果を得ることができる。
【００４１】
【発明の実施の形態】
以下、本発明の画像判別装置について、図面を参照して詳細に説明する。図１は、本発明の画像判別装置１の概要を示す図である。
【００４２】
画像判別装置１は、医用画像データＳから陰影の候補領域を抽出する候補領域抽出手段２と、陰影の輪郭周辺の輪郭内外画像を抽出する輪郭内外画像抽出手段３と、輪郭内外画像を構成する単位画素群に現れる濃淡パターンを代表するものを抽出する濃淡パターン抽出手段４と、濃淡パターンが輪郭内外画像に出現する出現頻度を算出する出現頻度算出手段５と、輪郭内外画像に濃淡パターンが出現する頻度に基づいて陰影の種類を分類する分類手段６と、注目する陰影の輪郭内外画像の濃淡パターンの出現頻度から、注目する陰影がいずれの陰影の種類に類似するものであるかを判定する陰影判定手段７とから構成される。
【００４３】
候補領域抽出手段２は、医用画像データＳから陰影の候補領域を抽出するもので、具体的には、画像中から腫瘤候補となる領域をアイリスフィルタ等を用いて抽出したり、アイリスフィルタ等により抽出した中心位置（候補点）に基づいてＳｎａｋｅｓ法等を用いてより正確に候補領域を抽出することもできる。
【００４４】
アイリスフィルタは濃度値の勾配に注目して候補領域を抽出するもので、例えば、画像中から濃度勾配の集中度の値が上位７番目までの領域を抽出するものである。また、アイリスフィルタ以外の手法を用いてもよく、例えば、丸くて濃度の低い（白い）領域を上位から抽出してもよい。
【００４５】
Ｓｎａｋｅｓ法は、アイリスフィルタで抽出された候補領域（点）に基づいて、より正確な腫瘤形状を抽出するもので、例えば、候補点を中心に一定半径上の点を初期値として抽出することができる。Ｓｎａｋｅｓ法は陰影の輪郭周辺（エッジ）で画像エネルギーが極小になるように定義し、陰影の輪郭の近傍に初期値として設定された曲線上のエネルギーが最小となるように曲線を徐々に移動させて、収束したところで候補領域を抽出するものである。エネルギーには内部エネルギー、画像エネルギー、外部エネルギーがあり、画像エネルギーとしては、アイリスフィルタで抽出した候補点から、辺縁に向けて引いた半直線上の勾配値の総和が辺縁上で最大となることを利用した出力値を用いるのがよい。
【００４６】
本実施の形態では、Ｓｎａｋｅｓ法を用いて陰影の候補領域を抽出する場合について説明する。まず、Ｓｎａｋｅｓの動作原理を図２を用いて説明する。Ｓｎａｋｅｓとは、画像内に仮想的に置かれた輪ゴムのような物理的な性質が与えられた曲線で、対象とする医用画像データＳの濃度から得られる画像エネルギーにおいて、Ｓｎａｋｅｓ上の画像エネルギーの総和が極小状態で安定するように動かしていき形状を抽出する。
【００４７】
そこで、まず対象となる医用画像データＳから抽出する形状の輪郭上で極小値をとるように画像エネルギーを定義し、目的とする形状の輪郭の近傍にＳｎａｋｅｓの初期位置を設定して、Ｓｎａｋｅｓ上の画像エネルギーの総和が最小になるようにＳｎａｋｅｓを動かして目的とする形状を抽出する。図２は、Ｓｎａｋｅｓを閉曲線ｖ（ｓ）として与え、閉曲線ｖ（ｓ）を徐々に収縮させて抽出する領域（斜線部）の輪郭に閉曲線ｖ（ｓ）が近づいていく様子を表したものである。
【００４８】
Ｓｎａｋｅｓの動作決定するＳｎａｋｅｓ上の画像エネルギーの総和Ｅは一般に式（１）で与えられる。
【００４９】
【数１】
ｓは閉曲線上のパラメータで、ｓ＝０の位置が始点でｓ＝１の位置は終点を表す（閉曲線の場合には、ｓ＝０の位置とｓ＝１の位置は一致する）。
【００５０】
また、ＥintはＳｎａｋｅｓの内部エネルギーで、Ｅimageが画像の特徴量である濃淡に依存する画像濃淡エネルギーで、Ｅconは外部拘束力による外部エネルギーである。
【００５１】
（１）内部エネルギーＥint
内部エネルギーＥintは、Ｓｎａｋｅｓ自身の長さｖｓと、曲率ｖｓｓの自乗の重みつき線形和で定義され式（３）で与えられる。
【００５２】
【数２】
この内部エネルギーＥintは、ｖ（ｓ）の伸縮を調整する項である。
【００５３】
（２）画像濃淡エネルギーＥimage
画像エネルギーＥimageは、医用画像データＳの濃淡に基づいて目的とする形状の近傍で極小となるように定義されるエネルギーで、例えば、濃度や濃度勾配等の画像の特徴量から陰影のエッジで最小となるように定義する。例えば、アイリスフィルタの出力値（円形凸領域の輪郭で最大値を与えるもの）を用いて陰影のエッジで最小となるように定義してもよい。
【００５４】
（３）外拘エネルギーＥcon
外拘エネルギーＥconは意図的にＳｎａｋｅｓの振る舞いや質を変えるために与えるもので、適切な外部拘束力Ｅconを与えることでＳｎａｋｅｓの初期位置をエッジの近傍に設定した場合のみでなく、やや離れたところにＳｎａｋｅｓの初期位置を設定した場合にも輪郭に収束するように調整することができる。
【００５５】
以上のように定義したエネルギーの総和Ｅ（式（１））が最小値になるように閉曲線ｖ（ｓ）を変化させ、エネルギーの総和Ｅが最小値に収束した位置で、閉曲線ｖ（ｓ）が略輪郭に一致したものとして候補領域を抽出する。
【００５６】
輪郭内外画像抽出手段３では、図３に示すように、候補領域抽出手段２で抽出した形状の輪郭ｖ（ｓ）の周辺の画像を輪郭内外画像Ｄとして抽出する。輪郭内外画像Ｄは輪郭からの所定の範囲内にある画像である。輪郭内外画像Ｄは輪郭内側、輪郭外側、輪郭辺縁上等の領域に分けて、各領域に現れる特徴量を観測することにより腫瘤のタイプを詳細に分類することが可能である。
【００５７】
また、輪郭内外画像Ｄは輪郭の形状に依存しないで特徴を観測できる方が好ましく、輪郭ｖ（ｓ）を基準に統一した形状に変換する方が望ましい。例えば、図４に示すように、抽出した輪郭ｖ（ｓ）が直線になるように輪郭内外画像Ｄを変換して、抽出した輪郭ｖ（ｓ）をｘ方向に一致させ、輪郭ｖ（ｓ）に垂直な方向ｔ（ｔ１、ｔ２、ｔ３、ｔ４、ｔ５、ｔ６）をｙ方向と一致するような矩形形状に変換する。
【００５８】
これにより、図５に示すように、（ａ）と（ｂ）の陰影の輪郭の形状は相違するが、変換後の輪郭内外画像Ｄは（ｃ）に示すように同じ形状に変換され、画像の比較が容易になる。
【００５９】
あるいは、図６に示すように、輪郭上に特徴のある形状Ａが出現するような陰影（ａ）、（ｂ）を統一した形状（ｃ）に変換して、ｘ軸上の位置をシフトして比較することにより類似する画像の判定が容易になる。
【００６０】
また、図７に示すように、陰影の辺縁部に現れるスピキュラＳＰ等が出現するような陰影（ａ）、（ｂ）を統一した形状（ｃ）に変換することにより、スピキュラＳＰ等の輪郭に対して垂直な方向に特徴がある濃淡パターンの検出が容易になる。
【００６１】
濃淡パターン抽出手段４では、輪郭内外画像Ｄを構成する小領域の画素群（以下、単位画素群とする）に発生する濃度パターンを代表するものを抽出して濃度パターン抽出結果記憶手段４０に記憶する。具体的には、様々な症例の輪郭内外画像Ｄ（例えば、１８０×８０画素）からランダムに切り出した単位画素群（ＲＯＩ：例えば、２０×２０画素、図４（ｂ）参照）を、ＳＯＭに提示して輪郭内外画像Ｄに含まれる単位画素群を代表する濃度パターンを抽出する（ＳＯＭに提示する方法の詳細は、特開平６−３０９４５７を参照）。図８は、ＳＯＭを用いて６４個の濃度パターンを抽出した結果の一例である。単位画素群の濃度パターンの抽出はＳＯＭを用いた場合に限らず、他のパターン分析の手法を用いて濃淡パターンを抽出することが可能である。
【００６２】
出現頻度算出手段５は、濃度パターン抽出結果記憶手段４０に記憶している濃淡パターンが輪郭内外画像に出現する出現頻度を濃淡パターン毎にカウントする。例えば、輪郭内外画像Ｄ内の単位画素群を１つずつ上下左右に動かし、濃度パターン毎に出現する出現頻度を求める。また、輪郭内外画像Ｄ上の単位画素群がどの濃度パターンに属するかは、例えば、最小二乗距離や相関をみて判定し、最も近似する濃度パターンにカウントして輪郭内外画像Ｄの濃度パターンのヒストグラムを求める。
【００６３】
あるいは、単位画素との類似度が高い濃淡パターンにのみカウントするようにし、いずれの濃淡パターンにも類似しない場合にはカウントしないようにしてヒストグラムを求めるようにしてもよい。例えば、最小二乗距離や相関の値が所定値以下の場合にその濃淡パターンにカウントし、最小二乗距離や相関の値が所定値以下の濃淡パターンがない場合にはカウントしないようにする。
【００６４】
さらに、輪郭内外画像Ｄを、図９に示すように、輪郭辺縁、輪郭内側、輪郭外側の各領域に分けて濃度パターンのヒストグラムを求めて、陰影の種類を詳細に分類してもよい。図１０は、各領域に応じて濃度パターンの出現頻度をカウントした結果の一例を表すもので、ａは輪郭内側のヒストグラム、ｂは輪郭辺縁のヒストグラム、ｃは輪郭外側のヒストグラムである。また、輪郭内外画像Ｄは、輪郭辺縁、輪郭内側、輪郭外側の３つの領域に限らず、輪郭内側と輪郭外側の２つの領域に分けるようにしてもよい。また、輪郭辺縁と輪郭内側、輪郭辺縁と輪郭外側とは重なり合わないような領域を設定してもよい。
【００６５】
分類手段６では、輪郭内外画像Ｄがどの陰影の種類に対応するかを濃淡パターンの出現頻度に基づいて分類する。まず、出現頻度算出手段５を用いて求めた出現頻度を、異常陰影のうち悪性腫瘤や良性腫瘤や腫瘤でないもの等の陰影の種類に応じて、例えば、ＳＯＭに入力し、図１１に示すような類似した画像同士が近い位置となるような陰影マップを求め、この陰影マップ上に陰影の種類のラベル付けを行う。この分類した結果は分類結果記憶手段６０に記憶する。また、陰影マップには異常陰影のみならず正常陰影を入力することで、候補領域の画像が正常陰影か異常陰影かの判定も行うことが可能となる。さらに、様々な症例に対応するものを入力して様々な症例に分類することも可能である。
【００６６】
次に、陰影判定手段７は、医用画像データＳから注目する候補領域を抽出して陰影の種類を判定する。まず、候補領域抽出手段２で医用画像データＳから注目する候補領域の輪郭を抽出し、抽出した輪郭を基準に輪郭内外画像抽出手段３で輪郭内外画像Ｄを抽出する。そこで、輪郭内外画像Ｄに濃淡パターンの出現頻度を出現頻度算出手段５で求め、求めた出現頻度をＳＯＭに入力し、分類手段６で分類結果記憶手段６０に記憶している結果からいずれの陰影の種類に類似するものであるかを判定する。これにより、陰影が異常陰影であるか、正常陰影であるか、さらに異常陰影のうち良性であるか、悪性であるかを判定することが可能である。
【００６７】
あるいは、分類手段６で症例について分類した場合には、どの症例に類似するかを判定することも可能である。さらに、類似症例画像をデータベース等に蓄積しておき類似する症例の画像を検出することができるように構成してもよい。このとき類似症例画像の各々に、その診断・治療情報（確定診断結果、検査方針、治療方針等）を対応付けて記憶しておき、検出された類似症例画像とともに対応する診断・治療方針を表示することが可能なようにしておいてもよい。
【００６８】
以上、分類手段６や陰影判定手段７で輪郭内外画像Ｄの陰影の種類を分類や判定にＳＯＭを用いた場合について述べたが、マハラノビス距離等の他のクラスター分析の手法を用いて腫瘤タイプを分類し、注目する候補領域がいずれの各腫瘤タイプに属するかを分類することも可能である。
【００６９】
次に、画像判別装置１の動作について図１２、図１３のフローチャートを用いて説明する。ここでは、陰影の種類を腫瘤タイプに分類した場合について説明する。
【００７０】
まず、図１２のフローチャートに基づいて、濃度パターンの抽出と腫瘤タイプの分類について説明する。候補領域抽出手段２で多くの症例の医用画像データＳから候補領域を抽出し（Ｓ１００）、抽出した各候補領域の輪郭ｖ（ｓ）の周辺から輪郭内外画像Ｄを抽出する（Ｓ１０１）。濃淡パターン抽出手段４では、多くの医用画像データＳから抽出した輪郭内外画像Ｄからランダムに切り出した単位画素群（ＲＯＩ）をＳＯＭに繰り返し入力して単位画素群の濃度パターンを代表する濃度パターンを抽出し濃度パターン抽出結果記憶手段４０に記憶する（Ｓ１０２）。
【００７１】
ここで、抽出した輪郭内外画像Ｄの各々について、抽出した濃度パターンが出現する出現頻度を出現頻度算出手段５で算出する（Ｓ１０３）。分類手段６で、求めた輪郭内外画像Ｄの濃度パターンの出現頻度を、ＳＯＭに繰り返し提示して輪郭内外画像Ｄを各腫瘤タイプに分類し、分類した腫瘤タイプの分類結果を分類結果記憶手段６０に記憶する（Ｓ１０４）。このとき、なるべく多くの症例の医用画像を用いて、単位画素群の濃度パターンの抽出や腫瘤タイプの分類をすることが望ましい。
【００７２】
次に、図１３のフローチャートに基づいて、注目する候補領域の腫瘤タイプの判定について説明する。まず、陰影判定手段７で、医用画像データＳから注目する候補領域を候補領域抽出手段２で抽出し（Ｓ１１０）、輪郭内外画像抽出手段３で抽出した候補領域の輪郭から輪郭内外画像Ｄを抽出する（Ｓ１１１）。そこで、濃度パターン抽出結果記憶手段４０に記憶している濃度パターンが輪郭内外画像Ｄに出現する出現頻度を濃度パターン毎にカウントし（Ｓ１１２）、得られたヒストグラムをＳＯＭに入力すると分類結果記憶手段６０に記憶している腫瘤マップに基づいて、注目する候補領域の属する腫瘤タイプを判定する（Ｓ１１３）。
【００７３】
図１４は、画像判別装置１を用いて実際に判定を行なった結果を示すもので、左側の質問画像に対し、それに対応して得られたイメージ画像を右側に示す。質問画像の輪郭を得て輪郭内外画像Ｄを作成し、輪郭内外画像Ｄに対応するイメージ画像を得ることにより、視覚的に類似した画像が得られることが観察できる。
【００７４】
以上の本実施の形態では、候補領域の輪郭周辺に現れる濃度パターンの出現頻度を特徴量として判定する場合について説明したが、輪郭内外画像Ｄに濃度ヒストグラムに基づく複数の特徴量（分散値、コントラスト、角モーメント等）等他のものを適応してもよい（濃度ヒストグラムに関する特徴量の詳細は、例えば、特許文献２を参照）。
【００７５】
以上、詳細に説明したように、候補領域の輪郭周辺に現れる特徴量を調べることにより輪郭の形状や大きさに左右されること無く陰影の候補領域が正常陰影であるか異常陰影であるかの判定や、類似する症例の検出を行うことが可能である。
【００７６】
さらに、濃度パターンを調べることにより、人間の視覚で捉えた感覚に近い判定結果を得ることができる。
【００７７】
また、上述の画像判別装置の機能を備えたプログラムをＣＤ−ＲＯＭ等の記録媒体に記録し、コンピュータにインストールして機能させるようにしてもよい。あるいは、ネットワークを介してこのプログラムをダウンロードするようにすることも可能である。
【図面の簡単な説明】
【図１】画像判別装置の概要を示す図
【図２】Ｓｎａｋｅｓの動作原理を示す図
【図３】輪郭と輪郭内外画像Ｄとの関係を表す図
【図４】輪郭内外画像の変換を説明するための図（その１）
【図５】輪郭内外画像の変換を説明するための図（その２）
【図６】輪郭内外画像の変換を説明するための図（その３）
【図７】輪郭内外画像の変換を説明するための図（その４）
【図８】濃度パターンの抽出結果の一例を表す図
【図９】輪郭内外画像を輪郭辺縁、輪郭内側、輪郭外側の各領域に分けた図
【図１０】濃度パターンのヒストグラムの一例を表す図
【図１１】腫瘤マップにラベル付けを行なった一例を表す図
【図１２】濃度パターンの抽出や腫瘤タイプの分類を説明するためのフローチャート
【図１３】注目する腫瘤の腫瘤タイプの判定を説明するためのフローチャート）
【図１４】画像判別装置の判定結果を示す図
【符号の説明】
１ 画像判別装置
２ 候補領域抽出手段
３ 輪郭内外画像抽出手段
４ 濃淡パターン抽出手段
５ 出現頻度算出手段
６ 分類手段
７ 陰影判定手段
４０ 濃度パターン抽出結果記憶手段
６０ 分類結果記憶手段
Ｄ 輪郭内外画像
Ｓ 医用画像データ
【発明の属する技術分野】
本発明は、被写体を撮影して得た医用画像データに基づいて画像中の異常陰影を検出し、その異常陰影を表示して診断に供するコンピュータ支援画像診断装置に関するものである。
【０００２】
【従来の技術】
従来、種々の画像取得方法により得られた画像に対して、階調処理や周波数処理等の画像処理を施し、画像の観察読影性能を向上させることが行われている。特に人体を被写体とした放射線画像のような医用画像の分野においては、医師等の専門家が、得られた画像に基づいて患者の疾病や傷害の有無を的確に診断する必要があり、その画像の読影性能を向上させる画像処理は不可欠なものとなっている。そのため、このような画像処理を用いることで、観察者の経験や画像読影能力の高低によって左右されず客観的に腫瘤陰影を判断できるように様々な方法が提案されている。
【０００３】
放射線画像等に撮影された癌化した部分の腫瘤陰影は、おおむね丸味をおびた輪郭を持ち、かつ、画像上では周囲に比べて画素値が大きな領域として観測される。このような腫瘤陰影は、半球状で同じ濃度が同心円状に広がる形状の領域（以降、円形凸領域と呼ぶ）で、濃度値の分布が周縁部から中心部に向かうにしたがって濃度値が低くなるという濃度値の勾配が認められる。その勾配線は腫瘤の中心方向に向かって集中するもので、濃度値の勾配を勾配ベクトルとして算出し、その勾配ベクトルの集中度から腫瘤陰影を検出することができることが知られている（例えば、非特許文献１、非特許文献２参照）。
【０００４】
また、このような集中度を評価するものの中には、腫瘤の大きさや形状に左右されない検出力を達成するために、フィルタの大きさと形状とを工夫したものがあり、代表的なものとして、アイリスフィルタや適応リングフィルタが挙げられる。
【０００５】
このアリスフィルタの出力値は、円形凸領域の輪郭で最大値を与え異常陰影の候補領域を抽出する可能であり（例えば、特許文献１参照）、一方、適応リングフィルタの出力は、円形凸領域の中心付近で極大値をとるものである（例えば、非特許文献２参照）。
【０００６】
そこで、アイリスフィルタ等で異常陰影の候補領域を検出し、検出された異常陰影の候補領域に基づいて候補領域内部の濃度ヒストグラムを求め、このヒストグラムに基づく複数の特徴量、すなわち分散値、コントラスト、角モーメント等を算出し、さらに各特徴量を所定の重み付け関数で定義して新たな評価関数値を算出し、算出された評価関数値に基づいて候補領域が悪性陰影であるか否かを判定し、悪性陰影のみを異常陰影候補として検出する方法が提案されている（例えば、特許文献２）。
【０００７】
また、予め実験的に得られている候補領域内部の濃度ヒストグラムに基づく複数の特徴量から正常陰影と異常陰影のクラスターに分類し、医用画像データに現われた候補領域に対して、正常陰影を示すパターンクラスからのマハラノビス距離Ｄm1と異常陰影を示すパターンクラスからのマハラノビス距離Ｄm2を算出して異常陰影に該当するものか否かを検出するものがある（例えば、特許文献２、特許文献３参照）。
【０００８】
さらに、以上の手法を組み合わせて、読影者の負担の軽減と、質の向上を図ったコンピュータ診断支援（ＣＡＤ：Computer aided diagnosis）システムがある。このＣＡＤシステムの流れは以下のようになる。
▲１▼ まず、原画像に適応リングフィルタを利用して円形凸領域を強調する。
▲２▼ 次に、フィルタ出力値の極大点を抽出し、大きいものからいくつか（例えば、７個）を腫瘤候補点として抽出する。
▲３▼ 腫瘤候補点から、腫瘤候補領域を抽出するために、アイリスフィルタとＳｎａｋｅｓ法を適用する。Ｓｎａｋｅｓ法は、エネルギー最小化原理に基づいた最適解としての輪郭を抽出する方法であり、Ｓｎａｋｅｓエネルギーとしてアイリスフィルタの出力を用いる。Ｓｎａｋｅｓのアルゴリズムによる候補領域決定の詳細は、非特許文献３に述べられている。
▲４▼ さらに、決定された各候補領域から特徴量を算出して、マハラノビス距離に基づいて、候補領域を悪性腫瘤影と良性腫瘤影の２つのクラスターに判別する。
このように、形状抽出結果に基づいて腫瘤が悪性腫瘤であるか良性腫瘤であるかを判別するものがある（例えば、非特許文献４参照）。
【０００９】
また、近年、読影する医用画像の視覚的な特徴が類似する類似画像を過去症例のデータベースから検索するＣＡＤが提案されている（例えば、非特許文献５参照）。
【００１０】
【特許文献１】
特開平８−２９４４７９号公報
【００１１】
【特許文献２】
特開平９−１６７２３８号公報
【００１２】
【特許文献３】
特開２００２−７４３２５号公報
【００１３】
【非特許文献１】
魏 軍、荻原 義裕、清水 明伸、小畑 秀文、“こう配ベクトルの点集中性フィルタの特性解析”、電子情報通信学会論文誌（D-II） Vol.J84-D-II No.7，pp.1289-1298，2001．
【００１４】
【非特許文献２】
魏 軍、荻原 義裕、小畑 秀文、“がん陰影候補抽出のための勾配ベクトル集中フィルタ”、電子情報通信学会論文誌（D-II） Vol.J83-D-II No.1，pp.118-125，Jan．2000．
【００１５】
【非特許文献３】
H.Kobata,M.Murakami,et al,”Computerized detection of malignant tumors on digital mammograms,”IEEE Trans on Med，Imag，Vol．18，No.５，pp.369-378，1999．
【００１６】
【非特許文献４】
古屋早知子、魏 軍、荻原 義裕、清水 明伸、小畑 秀文、縄野 繁、“準最適特徴量組み合わせによる乳房Ｘ線像上の腫瘤影判別性能向上”、電子情報通信学会 Vol.100 No.434，pp.93-100，2001．
【００１７】
【非特許文献５】
“M.Ginger,Z.Huo,C.Vybomy,L.Lan,I.Bonta,K.Horsch,R.Nishikawa,I.Rosenborough,Intelligent CAD workstation for breast imaging using similarity to known lesions and multiple visual prompt aids, PROCEEDINGS OF SPIE, Medical Imaging 2002,February 2002,San Diego”
【００１８】
【発明が解決しようとする課題】
上記のような診断支援技術は、候補領域の形状、大きさ、濃度のコントラスト等の抽象化された特徴量を用いて判断するため、必ずしも人間の視覚で捉えた感覚とは一致せずズレが生じる。そのため、類似すると判定された腫瘤であっても実際の画像を視覚的に比較した場合には類似しない場合があった。例えば、類似画像を過去症例のデータベースから検索するような場合に、質問腫瘤画像とは類似しない腫瘤画像が検索される場合があった。
【００１９】
本発明は、この課題に鑑みて、画像の濃淡値から得られる医用画像に固有のイメージパターンに基づいて、腫瘤を人の視覚で捉えた感覚に近い感覚で分析する手法を用いた画像判別装置を提供することを目的とするものである。
【００２０】
【課題を解決するための手段】
本発明の画像判別装置は、医用画像データから所定の陰影の候補領域を抽出する候補領域抽出手段を備えた画像判別装置であって、
前記候補領域抽出手段で抽出した前記候補領域の輪郭周辺の輪郭内外画像を抽出する輪郭内外画像抽出手段と、
該輪郭内外画像抽出手段で抽出した輪郭内外画像の特徴量を用いて、前記候補領域の陰影の種類を判定する陰影判定手段とを備えたことを特徴とするものである。
【００２１】
また、本発明の画像判別方法は、医用画像データから所定の陰影の候補領域を抽出し、
該候補領域の輪郭周辺の輪郭内外画像を抽出し、
該輪郭内外画像の特徴量を用いて、前記候補領域の陰影の種類を判定することを特徴とするものである。
【００２２】
また、本発明のプログラムは、コンピュータに、
医用画像データから所定の陰影の候補領域を抽出する手順と、
該候補領域の輪郭周辺の輪郭内外画像を抽出する手順と、
該輪郭内外画像の特徴量を用いて、前記候補領域の陰影の種類を判定する手順として実行させるものである。
【００２３】
ここで「陰影」とは、例えば医療用のＸ線画像やマンモグラム等における、血管等の正常陰影や、腫瘍、腫瘤、癌等種々の症状を示す異常陰影をいい、乳房や胸部等の様々な部位で観察されるものである。
【００２４】
「陰影の候補領域の抽出」は、陰影は背景の画像とは異なる濃度を示すことに注目して陰影の候補領域の抽出を行う。
【００２５】
具体的には、画像中から腫瘤候補となる領域をアイリスフィルタ等を用いて抽出したり、アイリスフィルタ等により抽出した腫瘤候補となる領域の中心位置（候補点）に基づいてＳｎａｋｅｓ法等を用いてより正確に候補領域を抽出することができる。
【００２６】
アイリスフィルタは濃度の勾配値に注目して候補領域を抽出するもので、画像中から濃度勾配集中度の値が高い領域を抽出するものである。また、アイリスフィルタ以外の手法を用いてもよく、例えば、丸くて濃度の低い（白い）領域を抽出してもよい。
【００２７】
また、Ｓｎａｋｅｓ法は、アイリスフィルタで抽出された候補領域（点）に基づいて、より正確な腫瘤形状を抽出するもので、例えば、候補点を中心に一定半径上の点を初期値として抽出することができる。Ｓｎａｋｅｓ法は陰影の輪郭周辺（エッジ）で画像エネルギーが極小になるように定義し、陰影の輪郭の近傍に初期値として設定された曲線上のエネルギーが最小となるように曲線を徐々に移動させて、収束したところで候補領域を抽出するものである。
【００２８】
また、「輪郭内外画像」とは、候補領域の輪郭周辺の画像で、輪郭から所定の範囲にある画像であり、「輪郭内外画像の特徴量」には、例えば、輪郭内外画像に発生する濃淡パターンに基づく特徴量や、輪郭内外画像の濃度ヒストグラムに基づく複数の特徴量（分散値、コントラスト、角モーメント等）等を用いることが可能である。
【００２９】
また、陰影には、正常なもの、腫瘤のように異常なもの、さらに異常なもののうち良性なものと悪性なものがあり、前記陰影の種類を、正常陰影、異常陰影、異常陰影のうちの良性陰影、異常陰影のうちの悪性陰影のいずれかに分けるようにしてもよい。
【００３０】
さらに、悪性腫瘤を悪性腫瘤１、悪性腫瘤２というように詳細に分けてもよい。
【００３１】
あるいは、陰影がどの症例に類似するものかを判定してもよく、前記陰影の種類は、前記陰影に類似する症例の種類であってもよい。
【００３２】
また、前記輪郭内外画像抽出手段は、前記輪郭内外画像を輪郭辺縁、輪郭内側および輪郭外側のいずれか２以上の領域に分けるものとしてもよく、前記陰影判定手段では、各該領域のうち少なくとも１つの領域の特徴量に基づいて前記陰影の種類を判定するものであってもよい。
【００３３】
「輪郭辺縁、輪郭内側および輪郭外側のいずれか２以上の領域に分ける」とは、候補領域の輪郭を基準にして領域を分けるもので、輪郭辺縁と輪郭内側と輪郭外側の３つの領域や輪郭内側と輪郭外側の２つの領域等に分け、異なる特徴が現れる領域に分ける方が望ましい。また、領域の一部が重なり合うように分けてもよい。
【００３４】
また、前記輪郭内外画像抽出手段により抽出した前記輪郭内外画像を構成する単位画素群に基づいて、該単位画素群の画素に出現する濃淡のパターンを抽出する濃淡パターン抽出手段と、
前記輪郭内外画像の単位画素群がいずれの前記濃淡パターンに類似するかを判定し、前記濃淡パターンが前記輪郭内外画像に出現する出現頻度を前記類似する濃淡パターンにカウントして算出する出現頻度算出手段と、
前記濃淡パターンの出現頻度に基づいて、前記輪郭内外画像を陰影の種類に応じて分類する分類手段とを有し、
前記陰影判定手段は、前記輪郭内外画像に前記濃淡パターンが出現する出現頻度を前記出現頻度算出手段で求め、該出現頻度を特徴量として該候補領域が前記分類手段で分類したいずれの前記陰影の種類に属するものであるかを判定するものであってもよい。
【００３５】
「単位画素群」は、画像上の小領域の画素で、画像を分析する単位となる画素群である。例えば、２０×２０画素程度が好ましい。
【００３６】
「単位画素群の画素に出現する濃淡のパターンを抽出する」とは、輪郭内外画像を構成する単位画素群に多く発生する濃淡パターンを抽出することで、コホーネンの自己組織化（以下、ＳＯＭという）等のパターン分析の手法を用いて濃淡パターンを抽出することが可能である。
【００３７】
また、「前記濃淡パターンの出現頻度に基づいて、前記輪郭内外画像を腫瘤タイプに応じて分類する」とは、各濃度パターン（濃淡パターン）が出現する頻度（ヒストグラム）に基づいて、輪郭内外画像がどの腫瘤タイプに属するものであるかを分類することで、具体的には、ＳＯＭ等のクラスター分析の手法を用いて分類することができる。ＳＯＭ以外にマハラノビス距離等の距離関数（距離の概念を表す関数）や類似度等の他のクラスター分析の手法を用いて分類してもよい。
【００３８】
【発明の効果】
本発明の画像判別装置によれば、候補領域の輪郭周辺の輪郭内外画像の特徴量を用いて判定することにより、陰影の形状によらず陰影の種類を判定することができる。
【００３９】
また、輪郭内外画像を輪郭辺縁、輪郭内側、輪郭外側等の特徴のある領域に分けることにより、より正確な判定をすることができる。
【００４０】
さらに、輪郭内外画像を構成する単位画素群の濃淡パターンの出現頻度に基づいて陰影の種類を判定することにより、候補領域の属する陰影の種類を人間の視覚で捉えた感覚に近い判定結果を得ることができる。
【００４１】
【発明の実施の形態】
以下、本発明の画像判別装置について、図面を参照して詳細に説明する。図１は、本発明の画像判別装置１の概要を示す図である。
【００４２】
画像判別装置１は、医用画像データＳから陰影の候補領域を抽出する候補領域抽出手段２と、陰影の輪郭周辺の輪郭内外画像を抽出する輪郭内外画像抽出手段３と、輪郭内外画像を構成する単位画素群に現れる濃淡パターンを代表するものを抽出する濃淡パターン抽出手段４と、濃淡パターンが輪郭内外画像に出現する出現頻度を算出する出現頻度算出手段５と、輪郭内外画像に濃淡パターンが出現する頻度に基づいて陰影の種類を分類する分類手段６と、注目する陰影の輪郭内外画像の濃淡パターンの出現頻度から、注目する陰影がいずれの陰影の種類に類似するものであるかを判定する陰影判定手段７とから構成される。
【００４３】
候補領域抽出手段２は、医用画像データＳから陰影の候補領域を抽出するもので、具体的には、画像中から腫瘤候補となる領域をアイリスフィルタ等を用いて抽出したり、アイリスフィルタ等により抽出した中心位置（候補点）に基づいてＳｎａｋｅｓ法等を用いてより正確に候補領域を抽出することもできる。
【００４４】
アイリスフィルタは濃度値の勾配に注目して候補領域を抽出するもので、例えば、画像中から濃度勾配の集中度の値が上位７番目までの領域を抽出するものである。また、アイリスフィルタ以外の手法を用いてもよく、例えば、丸くて濃度の低い（白い）領域を上位から抽出してもよい。
【００４５】
Ｓｎａｋｅｓ法は、アイリスフィルタで抽出された候補領域（点）に基づいて、より正確な腫瘤形状を抽出するもので、例えば、候補点を中心に一定半径上の点を初期値として抽出することができる。Ｓｎａｋｅｓ法は陰影の輪郭周辺（エッジ）で画像エネルギーが極小になるように定義し、陰影の輪郭の近傍に初期値として設定された曲線上のエネルギーが最小となるように曲線を徐々に移動させて、収束したところで候補領域を抽出するものである。エネルギーには内部エネルギー、画像エネルギー、外部エネルギーがあり、画像エネルギーとしては、アイリスフィルタで抽出した候補点から、辺縁に向けて引いた半直線上の勾配値の総和が辺縁上で最大となることを利用した出力値を用いるのがよい。
【００４６】
本実施の形態では、Ｓｎａｋｅｓ法を用いて陰影の候補領域を抽出する場合について説明する。まず、Ｓｎａｋｅｓの動作原理を図２を用いて説明する。Ｓｎａｋｅｓとは、画像内に仮想的に置かれた輪ゴムのような物理的な性質が与えられた曲線で、対象とする医用画像データＳの濃度から得られる画像エネルギーにおいて、Ｓｎａｋｅｓ上の画像エネルギーの総和が極小状態で安定するように動かしていき形状を抽出する。
【００４７】
そこで、まず対象となる医用画像データＳから抽出する形状の輪郭上で極小値をとるように画像エネルギーを定義し、目的とする形状の輪郭の近傍にＳｎａｋｅｓの初期位置を設定して、Ｓｎａｋｅｓ上の画像エネルギーの総和が最小になるようにＳｎａｋｅｓを動かして目的とする形状を抽出する。図２は、Ｓｎａｋｅｓを閉曲線ｖ（ｓ）として与え、閉曲線ｖ（ｓ）を徐々に収縮させて抽出する領域（斜線部）の輪郭に閉曲線ｖ（ｓ）が近づいていく様子を表したものである。
【００４８】
Ｓｎａｋｅｓの動作決定するＳｎａｋｅｓ上の画像エネルギーの総和Ｅは一般に式（１）で与えられる。
【００４９】
【数１】
【００５０】
また、ＥintはＳｎａｋｅｓの内部エネルギーで、Ｅimageが画像の特徴量である濃淡に依存する画像濃淡エネルギーで、Ｅconは外部拘束力による外部エネルギーである。
【００５１】
（１）内部エネルギーＥint
内部エネルギーＥintは、Ｓｎａｋｅｓ自身の長さｖｓと、曲率ｖｓｓの自乗の重みつき線形和で定義され式（３）で与えられる。
【００５２】
【数２】
【００５３】
（２）画像濃淡エネルギーＥimage
画像エネルギーＥimageは、医用画像データＳの濃淡に基づいて目的とする形状の近傍で極小となるように定義されるエネルギーで、例えば、濃度や濃度勾配等の画像の特徴量から陰影のエッジで最小となるように定義する。例えば、アイリスフィルタの出力値（円形凸領域の輪郭で最大値を与えるもの）を用いて陰影のエッジで最小となるように定義してもよい。
【００５４】
（３）外拘エネルギーＥcon
外拘エネルギーＥconは意図的にＳｎａｋｅｓの振る舞いや質を変えるために与えるもので、適切な外部拘束力Ｅconを与えることでＳｎａｋｅｓの初期位置をエッジの近傍に設定した場合のみでなく、やや離れたところにＳｎａｋｅｓの初期位置を設定した場合にも輪郭に収束するように調整することができる。
【００５５】
以上のように定義したエネルギーの総和Ｅ（式（１））が最小値になるように閉曲線ｖ（ｓ）を変化させ、エネルギーの総和Ｅが最小値に収束した位置で、閉曲線ｖ（ｓ）が略輪郭に一致したものとして候補領域を抽出する。
【００５６】
輪郭内外画像抽出手段３では、図３に示すように、候補領域抽出手段２で抽出した形状の輪郭ｖ（ｓ）の周辺の画像を輪郭内外画像Ｄとして抽出する。輪郭内外画像Ｄは輪郭からの所定の範囲内にある画像である。輪郭内外画像Ｄは輪郭内側、輪郭外側、輪郭辺縁上等の領域に分けて、各領域に現れる特徴量を観測することにより腫瘤のタイプを詳細に分類することが可能である。
【００５７】
また、輪郭内外画像Ｄは輪郭の形状に依存しないで特徴を観測できる方が好ましく、輪郭ｖ（ｓ）を基準に統一した形状に変換する方が望ましい。例えば、図４に示すように、抽出した輪郭ｖ（ｓ）が直線になるように輪郭内外画像Ｄを変換して、抽出した輪郭ｖ（ｓ）をｘ方向に一致させ、輪郭ｖ（ｓ）に垂直な方向ｔ（ｔ１、ｔ２、ｔ３、ｔ４、ｔ５、ｔ６）をｙ方向と一致するような矩形形状に変換する。
【００５８】
これにより、図５に示すように、（ａ）と（ｂ）の陰影の輪郭の形状は相違するが、変換後の輪郭内外画像Ｄは（ｃ）に示すように同じ形状に変換され、画像の比較が容易になる。
【００５９】
あるいは、図６に示すように、輪郭上に特徴のある形状Ａが出現するような陰影（ａ）、（ｂ）を統一した形状（ｃ）に変換して、ｘ軸上の位置をシフトして比較することにより類似する画像の判定が容易になる。
【００６０】
また、図７に示すように、陰影の辺縁部に現れるスピキュラＳＰ等が出現するような陰影（ａ）、（ｂ）を統一した形状（ｃ）に変換することにより、スピキュラＳＰ等の輪郭に対して垂直な方向に特徴がある濃淡パターンの検出が容易になる。
【００６１】
濃淡パターン抽出手段４では、輪郭内外画像Ｄを構成する小領域の画素群（以下、単位画素群とする）に発生する濃度パターンを代表するものを抽出して濃度パターン抽出結果記憶手段４０に記憶する。具体的には、様々な症例の輪郭内外画像Ｄ（例えば、１８０×８０画素）からランダムに切り出した単位画素群（ＲＯＩ：例えば、２０×２０画素、図４（ｂ）参照）を、ＳＯＭに提示して輪郭内外画像Ｄに含まれる単位画素群を代表する濃度パターンを抽出する（ＳＯＭに提示する方法の詳細は、特開平６−３０９４５７を参照）。図８は、ＳＯＭを用いて６４個の濃度パターンを抽出した結果の一例である。単位画素群の濃度パターンの抽出はＳＯＭを用いた場合に限らず、他のパターン分析の手法を用いて濃淡パターンを抽出することが可能である。
【００６２】
出現頻度算出手段５は、濃度パターン抽出結果記憶手段４０に記憶している濃淡パターンが輪郭内外画像に出現する出現頻度を濃淡パターン毎にカウントする。例えば、輪郭内外画像Ｄ内の単位画素群を１つずつ上下左右に動かし、濃度パターン毎に出現する出現頻度を求める。また、輪郭内外画像Ｄ上の単位画素群がどの濃度パターンに属するかは、例えば、最小二乗距離や相関をみて判定し、最も近似する濃度パターンにカウントして輪郭内外画像Ｄの濃度パターンのヒストグラムを求める。
【００６３】
あるいは、単位画素との類似度が高い濃淡パターンにのみカウントするようにし、いずれの濃淡パターンにも類似しない場合にはカウントしないようにしてヒストグラムを求めるようにしてもよい。例えば、最小二乗距離や相関の値が所定値以下の場合にその濃淡パターンにカウントし、最小二乗距離や相関の値が所定値以下の濃淡パターンがない場合にはカウントしないようにする。
【００６４】
さらに、輪郭内外画像Ｄを、図９に示すように、輪郭辺縁、輪郭内側、輪郭外側の各領域に分けて濃度パターンのヒストグラムを求めて、陰影の種類を詳細に分類してもよい。図１０は、各領域に応じて濃度パターンの出現頻度をカウントした結果の一例を表すもので、ａは輪郭内側のヒストグラム、ｂは輪郭辺縁のヒストグラム、ｃは輪郭外側のヒストグラムである。また、輪郭内外画像Ｄは、輪郭辺縁、輪郭内側、輪郭外側の３つの領域に限らず、輪郭内側と輪郭外側の２つの領域に分けるようにしてもよい。また、輪郭辺縁と輪郭内側、輪郭辺縁と輪郭外側とは重なり合わないような領域を設定してもよい。
【００６５】
分類手段６では、輪郭内外画像Ｄがどの陰影の種類に対応するかを濃淡パターンの出現頻度に基づいて分類する。まず、出現頻度算出手段５を用いて求めた出現頻度を、異常陰影のうち悪性腫瘤や良性腫瘤や腫瘤でないもの等の陰影の種類に応じて、例えば、ＳＯＭに入力し、図１１に示すような類似した画像同士が近い位置となるような陰影マップを求め、この陰影マップ上に陰影の種類のラベル付けを行う。この分類した結果は分類結果記憶手段６０に記憶する。また、陰影マップには異常陰影のみならず正常陰影を入力することで、候補領域の画像が正常陰影か異常陰影かの判定も行うことが可能となる。さらに、様々な症例に対応するものを入力して様々な症例に分類することも可能である。
【００６６】
次に、陰影判定手段７は、医用画像データＳから注目する候補領域を抽出して陰影の種類を判定する。まず、候補領域抽出手段２で医用画像データＳから注目する候補領域の輪郭を抽出し、抽出した輪郭を基準に輪郭内外画像抽出手段３で輪郭内外画像Ｄを抽出する。そこで、輪郭内外画像Ｄに濃淡パターンの出現頻度を出現頻度算出手段５で求め、求めた出現頻度をＳＯＭに入力し、分類手段６で分類結果記憶手段６０に記憶している結果からいずれの陰影の種類に類似するものであるかを判定する。これにより、陰影が異常陰影であるか、正常陰影であるか、さらに異常陰影のうち良性であるか、悪性であるかを判定することが可能である。
【００６７】
あるいは、分類手段６で症例について分類した場合には、どの症例に類似するかを判定することも可能である。さらに、類似症例画像をデータベース等に蓄積しておき類似する症例の画像を検出することができるように構成してもよい。このとき類似症例画像の各々に、その診断・治療情報（確定診断結果、検査方針、治療方針等）を対応付けて記憶しておき、検出された類似症例画像とともに対応する診断・治療方針を表示することが可能なようにしておいてもよい。
【００６８】
以上、分類手段６や陰影判定手段７で輪郭内外画像Ｄの陰影の種類を分類や判定にＳＯＭを用いた場合について述べたが、マハラノビス距離等の他のクラスター分析の手法を用いて腫瘤タイプを分類し、注目する候補領域がいずれの各腫瘤タイプに属するかを分類することも可能である。
【００６９】
次に、画像判別装置１の動作について図１２、図１３のフローチャートを用いて説明する。ここでは、陰影の種類を腫瘤タイプに分類した場合について説明する。
【００７０】
まず、図１２のフローチャートに基づいて、濃度パターンの抽出と腫瘤タイプの分類について説明する。候補領域抽出手段２で多くの症例の医用画像データＳから候補領域を抽出し（Ｓ１００）、抽出した各候補領域の輪郭ｖ（ｓ）の周辺から輪郭内外画像Ｄを抽出する（Ｓ１０１）。濃淡パターン抽出手段４では、多くの医用画像データＳから抽出した輪郭内外画像Ｄからランダムに切り出した単位画素群（ＲＯＩ）をＳＯＭに繰り返し入力して単位画素群の濃度パターンを代表する濃度パターンを抽出し濃度パターン抽出結果記憶手段４０に記憶する（Ｓ１０２）。
【００７１】
ここで、抽出した輪郭内外画像Ｄの各々について、抽出した濃度パターンが出現する出現頻度を出現頻度算出手段５で算出する（Ｓ１０３）。分類手段６で、求めた輪郭内外画像Ｄの濃度パターンの出現頻度を、ＳＯＭに繰り返し提示して輪郭内外画像Ｄを各腫瘤タイプに分類し、分類した腫瘤タイプの分類結果を分類結果記憶手段６０に記憶する（Ｓ１０４）。このとき、なるべく多くの症例の医用画像を用いて、単位画素群の濃度パターンの抽出や腫瘤タイプの分類をすることが望ましい。
【００７２】
次に、図１３のフローチャートに基づいて、注目する候補領域の腫瘤タイプの判定について説明する。まず、陰影判定手段７で、医用画像データＳから注目する候補領域を候補領域抽出手段２で抽出し（Ｓ１１０）、輪郭内外画像抽出手段３で抽出した候補領域の輪郭から輪郭内外画像Ｄを抽出する（Ｓ１１１）。そこで、濃度パターン抽出結果記憶手段４０に記憶している濃度パターンが輪郭内外画像Ｄに出現する出現頻度を濃度パターン毎にカウントし（Ｓ１１２）、得られたヒストグラムをＳＯＭに入力すると分類結果記憶手段６０に記憶している腫瘤マップに基づいて、注目する候補領域の属する腫瘤タイプを判定する（Ｓ１１３）。
【００７３】
図１４は、画像判別装置１を用いて実際に判定を行なった結果を示すもので、左側の質問画像に対し、それに対応して得られたイメージ画像を右側に示す。質問画像の輪郭を得て輪郭内外画像Ｄを作成し、輪郭内外画像Ｄに対応するイメージ画像を得ることにより、視覚的に類似した画像が得られることが観察できる。
【００７４】
以上の本実施の形態では、候補領域の輪郭周辺に現れる濃度パターンの出現頻度を特徴量として判定する場合について説明したが、輪郭内外画像Ｄに濃度ヒストグラムに基づく複数の特徴量（分散値、コントラスト、角モーメント等）等他のものを適応してもよい（濃度ヒストグラムに関する特徴量の詳細は、例えば、特許文献２を参照）。
【００７５】
以上、詳細に説明したように、候補領域の輪郭周辺に現れる特徴量を調べることにより輪郭の形状や大きさに左右されること無く陰影の候補領域が正常陰影であるか異常陰影であるかの判定や、類似する症例の検出を行うことが可能である。
【００７６】
さらに、濃度パターンを調べることにより、人間の視覚で捉えた感覚に近い判定結果を得ることができる。
【００７７】
また、上述の画像判別装置の機能を備えたプログラムをＣＤ−ＲＯＭ等の記録媒体に記録し、コンピュータにインストールして機能させるようにしてもよい。あるいは、ネットワークを介してこのプログラムをダウンロードするようにすることも可能である。
【図面の簡単な説明】
【図１】画像判別装置の概要を示す図
【図２】Ｓｎａｋｅｓの動作原理を示す図
【図３】輪郭と輪郭内外画像Ｄとの関係を表す図
【図４】輪郭内外画像の変換を説明するための図（その１）
【図５】輪郭内外画像の変換を説明するための図（その２）
【図６】輪郭内外画像の変換を説明するための図（その３）
【図７】輪郭内外画像の変換を説明するための図（その４）
【図８】濃度パターンの抽出結果の一例を表す図
【図９】輪郭内外画像を輪郭辺縁、輪郭内側、輪郭外側の各領域に分けた図
【図１０】濃度パターンのヒストグラムの一例を表す図
【図１１】腫瘤マップにラベル付けを行なった一例を表す図
【図１２】濃度パターンの抽出や腫瘤タイプの分類を説明するためのフローチャート
【図１３】注目する腫瘤の腫瘤タイプの判定を説明するためのフローチャート）
【図１４】画像判別装置の判定結果を示す図
【符号の説明】
１ 画像判別装置
２ 候補領域抽出手段
３ 輪郭内外画像抽出手段
４ 濃淡パターン抽出手段
５ 出現頻度算出手段
６ 分類手段
７ 陰影判定手段
４０ 濃度パターン抽出結果記憶手段
６０ 分類結果記憶手段
Ｄ 輪郭内外画像
Ｓ 医用画像データ
Claims (7)
- 所定の医用画像データから注目する陰影の候補領域を抽出する候補領域抽出手段を備えた画像判別装置であって、
前記候補領域抽出手段で抽出した前記候補領域の輪郭の内側および外側に該輪郭から所定の範囲内にある輪郭内外画像を抽出する輪郭内外画像抽出手段と、
該輪郭内外画像抽出手段で抽出した輪郭内外画像上の画像を分析する単位となる小領域を単位画素群として、該輪郭内外画像を構成する全ての前記単位画素群のそれぞれについて該単位画素群に表れる濃淡パターンを１つ決定し、該輪郭内外画像を構成する全ての前記単位画素群に対して決定した濃淡パターンの輪郭内外画像における１つの出現頻度を求め、該出現頻度を用いて前記候補領域の陰影の種類を判定する陰影判定手段とを備えたことを特徴とする画像判別装置。 - 前記陰影の種類が、正常陰影、異常陰影、異常陰影のうちの良性陰影、異常陰影のうちの悪性陰影のいずれかであることを特徴とする請求項１記載の画像判別装置。
- 前記陰影の種類が、前記陰影に類似する症例の種類であることを特徴とする請求項１記載の画像判別装置。
- 前記輪郭内外画像抽出手段が、前記輪郭内外画像を輪郭辺縁、輪郭内側および輪郭外側のいずれか２以上の領域に分けるものであり、
前記陰影判定手段が、各該領域のうち少なくとも１つの領域の特徴量に基づいて前記陰影の種類を判定するものであることを特徴とする請求項１から３いずれか記載の画像判別装置。 - 複数の医用画像データに現れた陰影の前記輪郭内外画像を構成する単位画素群に現れる濃淡を代表する複数の濃淡パターンを記憶する濃淡パターン記憶手段と、
前記輪郭内外画像を構成する前記単位画素群のそれぞれについて該単位画素群の濃淡がいずれの前記濃淡パターンに類似するかを判定して前記単位画素群それぞれに表れる濃淡パターンを１つ決定し、各輪郭内外画像ごとに前記濃淡パターンに類似する単位画素群を該濃淡パターンにカウントして該輪郭内外画像における１つの前記濃淡パターンの出現頻度を算出する出現頻度算出手段と、
複数の医用画像データに現れた複数の種類の陰影の各々について、該陰影の前記輪郭内外画像に出現する濃淡パターンの出現頻度を前記出現頻度算出手段を用いて求め、該求めた各陰影の前記出現頻度に基づいて、前記輪郭内外画像を陰影の前記複数の種類のいずれかに分類する分類手段とを有し、
前記陰影判定手段が、前記注目する陰影の候補領域の前記輪郭内外画像に出現する1 つの前記濃淡パターンの出現頻度を前記出現頻度算出手段で求め、該出現頻度を用いて該候補領域が前記分類手段で分類したいずれの前記陰影の種類に属するものであるかを判定するものであることを特徴とする請求項１から４いずれか記載の画像判別装置。 - 所定の医用画像データから注目する陰影の候補領域を抽出し、
該候補領域の輪郭の内側および外側に該輪郭から所定の範囲内にある輪郭内外画像を抽出し、
該輪郭内外画像上の画像を分析する単位となる小領域を単位画素群として、該輪郭内外画像を構成する全ての前記単位画素群のそれぞれについて該単位画素群に現れる濃淡パターンを１つ決定し、該輪郭内外画像を構成する全ての前記単位画素群に対して決定した濃淡パターンの輪郭内外画像における１つの出現頻度を求め、該出現頻度を用いて前記候補領域の陰影の種類を判定することを特徴とする画像判別方法。 - コンピュータに、
所定の医用画像データから注目する陰影の候補領域を抽出する手順と、
該候補領域の輪郭の内側および外側に該輪郭から所定の範囲内にある輪郭内外画像を抽出する手順と、
該輪郭内外画像上の画像を分析する単位となる小領域を単位画素群として、該輪郭内外画像を構成する全ての前記単位画素群のそれぞれについて該単位画素群に現れる濃淡パターンを１つ決定し、該輪郭内外画像を構成する全ての前記単位画素群に対して決定した濃淡パターンの輪郭内外画像における１つの出現頻度を求め、該出現頻度を用いて前記候補領域の陰影の種類を判定する手順として実行させるためのプログラム。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003075647A JP4184842B2 (ja) | 2003-03-19 | 2003-03-19 | 画像判別装置、方法およびプログラム |
| US10/803,895 US7620222B2 (en) | 2003-03-19 | 2004-03-19 | Method, apparatus, and program for judging images |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003075647A JP4184842B2 (ja) | 2003-03-19 | 2003-03-19 | 画像判別装置、方法およびプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2004283211A JP2004283211A (ja) | 2004-10-14 |
| JP4184842B2 true JP4184842B2 (ja) | 2008-11-19 |
Family
ID=32984788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2003075647A Expired - Fee Related JP4184842B2 (ja) | 2003-03-19 | 2003-03-19 | 画像判別装置、方法およびプログラム |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US7620222B2 (ja) |
| JP (1) | JP4184842B2 (ja) |
Families Citing this family (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005334298A (ja) * | 2004-05-27 | 2005-12-08 | Fuji Photo Film Co Ltd | 異常陰影検出方法および装置並びにプログラム |
| DE102005036998B4 (de) * | 2005-08-05 | 2014-11-20 | Siemens Aktiengesellschaft | Vorrichtung zur automatischen Detektion von Auffälligkeiten in medizinischen Bilddaten |
| WO2007134447A1 (en) * | 2006-05-18 | 2007-11-29 | Resonant Medical Inc. | Methods and systems for segmentation using boundary reparameterization |
| TW200817956A (en) * | 2006-06-16 | 2008-04-16 | Koninkl Philips Electronics Nv | Clinician-driven example-based computer-aided diagnosis |
| US9451928B2 (en) | 2006-09-13 | 2016-09-27 | Elekta Ltd. | Incorporating internal anatomy in clinical radiotherapy setups |
| US8244036B2 (en) * | 2007-01-24 | 2012-08-14 | Bluebeam Software, Inc. | Method for emphasizing differences in graphical appearance between an original document and a modified document with annotations |
| JP5646128B2 (ja) * | 2007-02-28 | 2014-12-24 | 株式会社東芝 | 医用画像検索システム |
| US8249317B2 (en) | 2007-07-20 | 2012-08-21 | Eleckta Ltd. | Methods and systems for compensating for changes in anatomy of radiotherapy patients |
| US10531858B2 (en) | 2007-07-20 | 2020-01-14 | Elekta, LTD | Methods and systems for guiding the acquisition of ultrasound images |
| US8135198B2 (en) | 2007-08-08 | 2012-03-13 | Resonant Medical, Inc. | Systems and methods for constructing images |
| US8189738B2 (en) | 2008-06-02 | 2012-05-29 | Elekta Ltd. | Methods and systems for guiding clinical radiotherapy setups |
| US8401260B2 (en) * | 2008-09-22 | 2013-03-19 | General Electric Company | Systems and methods for analyzing growth of computer detected patterns on digital medical images |
| US8726324B2 (en) * | 2009-03-27 | 2014-05-13 | Motorola Mobility Llc | Method for identifying image capture opportunities using a selected expert photo agent |
| US10542962B2 (en) | 2009-07-10 | 2020-01-28 | Elekta, LTD | Adaptive radiotherapy treatment using ultrasound |
| US9248316B2 (en) | 2010-01-12 | 2016-02-02 | Elekta Ltd. | Feature tracking using ultrasound |
| US20110172526A1 (en) | 2010-01-12 | 2011-07-14 | Martin Lachaine | Feature Tracking Using Ultrasound |
| CN101794384B (zh) * | 2010-03-12 | 2012-04-18 | 浙江大学 | 基于人体轮廓图提取与分组运动图查询的投篮动作识别 |
| JP5505164B2 (ja) * | 2010-07-23 | 2014-05-28 | ソニー株式会社 | 画像処理装置および方法、並びにプログラム |
| JP5526044B2 (ja) * | 2011-01-11 | 2014-06-18 | オリンパス株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
| JP5830295B2 (ja) * | 2011-07-29 | 2015-12-09 | オリンパス株式会社 | 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム |
| JP5825070B2 (ja) * | 2011-11-21 | 2015-12-02 | セイコーエプソン株式会社 | 印刷装置、および印刷方法 |
| JP5879291B2 (ja) * | 2013-03-27 | 2016-03-08 | 富士フイルム株式会社 | 画像処理装置、画像処理プログラムおよび画像処理装置の作動方法 |
| JP6346445B2 (ja) | 2014-01-10 | 2018-06-20 | キヤノン株式会社 | 処理装置、処理装置の制御方法、およびプログラム |
| JP5946153B2 (ja) * | 2014-03-12 | 2016-07-05 | 富士フイルム株式会社 | 画像処理装置、その作動方法およびプログラム |
| JP5612790B1 (ja) * | 2014-03-28 | 2014-10-22 | ユニチカスパークライト株式会社 | 再帰性反射性材料 |
| WO2015157246A2 (en) | 2014-04-07 | 2015-10-15 | Massachusetts Institute Of Technology | Use of microparticle additives to simultaneously enable artifact-free image registration, auto-focusing, and chromatic aberration correction in microscopy |
| JP6415878B2 (ja) * | 2014-07-10 | 2018-10-31 | キヤノンメディカルシステムズ株式会社 | 画像処理装置、画像処理方法及び医用画像診断装置 |
| WO2016179286A1 (en) | 2015-05-05 | 2016-11-10 | Massachusetts Institute Of Technology | Substrate pre-scanning for high throughput microscopy |
| US20170164924A1 (en) * | 2015-12-15 | 2017-06-15 | Konica Minolta, Inc. | Ultrasound image diagnostic apparatus |
| CN111210441A (zh) * | 2020-01-02 | 2020-05-29 | 苏州瑞派宁科技有限公司 | 肿瘤预测方法、装置、云平台及计算机可读存储介质 |
| CN112784923A (zh) * | 2021-02-07 | 2021-05-11 | 重庆渝抗医药科技有限公司 | 大数据环境下医疗异常影像的分类方法 |
| KR102320431B1 (ko) * | 2021-04-16 | 2021-11-08 | 주식회사 휴런 | 의료 영상 기반 종양 검출 및 진단 장치 |
| US11468546B1 (en) * | 2021-11-29 | 2022-10-11 | Unity Technologies Sf | Increasing dynamic range of a virtual production display |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE69629732T2 (de) * | 1995-01-23 | 2004-07-15 | Fuji Photo Film Co., Ltd., Minami-Ashigara | Vorrichtung zur rechnerunterstützten Diagnose |
| JP3808123B2 (ja) * | 1995-10-11 | 2006-08-09 | 富士写真フイルム株式会社 | 異常陰影の検出方法 |
| US6112112A (en) * | 1998-09-18 | 2000-08-29 | Arch Development Corporation | Method and system for the assessment of tumor extent in magnetic resonance images |
| JP2002074327A (ja) | 2000-08-31 | 2002-03-15 | Fuji Photo Film Co Ltd | 異常陰影候補検出システム |
| US7187789B2 (en) | 2000-08-31 | 2007-03-06 | Fuji Photo Film Co., Ltd. | Prospective abnormal shadow detecting system, and method of and apparatus for judging whether prospective abnormal shadow is malignant or benignant |
| JP2002074325A (ja) | 2000-08-31 | 2002-03-15 | Fuji Photo Film Co Ltd | 異常陰影候補検出方法および装置 |
| US6694046B2 (en) * | 2001-03-28 | 2004-02-17 | Arch Development Corporation | Automated computerized scheme for distinction between benign and malignant solitary pulmonary nodules on chest images |
| US7079674B2 (en) * | 2001-05-17 | 2006-07-18 | Siemens Corporate Research, Inc. | Variational approach for the segmentation of the left ventricle in MR cardiac images |
-
2003
- 2003-03-19 JP JP2003075647A patent/JP4184842B2/ja not_active Expired - Fee Related
-
2004
- 2004-03-19 US US10/803,895 patent/US7620222B2/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| US20040184646A1 (en) | 2004-09-23 |
| JP2004283211A (ja) | 2004-10-14 |
| US7620222B2 (en) | 2009-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4184842B2 (ja) | 画像判別装置、方法およびプログラム | |
| Wang et al. | Localizing microaneurysms in fundus images through singular spectrum analysis | |
| CN109635846B (zh) | 一种多类医学图像判断方法和系统 | |
| CN106682435B (zh) | 一种多模型融合自动检测医学图像中病变的系统及方法 | |
| Kallergi | Computer‐aided diagnosis of mammographic microcalcification clusters | |
| US6246782B1 (en) | System for automated detection of cancerous masses in mammograms | |
| EP0757544B1 (en) | Computerized detection of masses and parenchymal distortions | |
| CN102934126A (zh) | 放射摄影图像中的微钙化检测和分级 | |
| CN101373479A (zh) | 一种乳腺x线摄片计算机图像检索方法及系统 | |
| Zhao et al. | Down syndrome detection from facial photographs using machine learning techniques | |
| Golston et al. | Boundary detection in skin tumor images: an overall approach and a radial search algorithm | |
| CN101103924A (zh) | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统 | |
| JP2006034585A (ja) | 画像表示装置、画像表示方法およびそのプログラム | |
| WO2005083635A1 (en) | Method and system for detection of bone fractures | |
| Al-Shamlan et al. | Feature extraction values for breast cancer mammography images | |
| KR20180082817A (ko) | 다중 파라메터 자기공명영상에서 전립선 주변부 영역의 전립선암 자동 검출 및 국소화 방법 | |
| Zhang et al. | Comparison of multiple feature extractors on Faster RCNN for breast tumor detection | |
| CN113643279A (zh) | 基于ct影像的肺结节检测设备、装置及存储介质 | |
| JP5106047B2 (ja) | 画像処理方法及び装置 | |
| JP2005034211A (ja) | 画像判別装置、方法およびプログラム | |
| KR20210050790A (ko) | 딥러닝 기반의 아밀로이드 양성 반응을 나타내는 퇴행성 뇌질환 이미지 분류 장치 및 방법 | |
| JP2004195080A (ja) | 異常陰影検出装置 | |
| US7430308B1 (en) | Computer aided diagnosis of mammographic microcalcification clusters | |
| Cao et al. | Deep learning based lesion detection for mammograms | |
| JP2004187998A (ja) | 異常陰影形状抽出装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050209 |
|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20061205 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20071115 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080304 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080501 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080603 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080729 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20080902 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080904 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110912 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 4184842 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120912 Year of fee payment: 4 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130912 Year of fee payment: 5 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |