JP2004254742A - 医用画像処理装置及び悪性度の判定方法 - Google Patents

Abstract

【課題】異常陰影候補の悪性度の判定に陰影の特徴を反映することにより、判定精度の向上を図る。
【解決手段】医用画像処理装置１０は、検出した異常陰影候補の悪性度を判定する際に、特徴量をその種類毎に分類し、分類された特徴量毎に複数段階で多変量解析を行う。例えば、多変量解析に入力する特徴量データを医学分類上の種類毎又は画像特性上の種類毎に分類する。そして、分類された特徴量データをそれぞれ別の多変量解析に入力し、第１段階の多変量解析を行ってその特徴をどれだけ有するかを示す指標値を出力する。さらに、この指標値を入力値として第２段階の多変量解析を行い、総合的な悪性度を出力する。
【選択図】 図１

Description

【０００１】
【発明の属する技術分野】
本発明は、医用画像から異常陰影候補を検出する医用画像処理装置及び検出された異常陰影候補に対する悪性度の判定方法に関する。
【０００２】
【従来の技術】
医療分野では、患者を撮影した医用画像のデジタル化が実現されている。診断時には、表示ディスプレイに表示されたデジタル医用画像データにより、医師が読影を行って病変部と思われる異常陰影を検出している。近年では、読影医の負担軽減や異常陰影の見落とし減少を目的として、医用画像を画像処理することにより異常陰影候補を自動的に検出するコンピュータ診断支援装置（Ｃｏｍｐｕｔｅｄ−Ａｉｄｅｄ Ｄｉａｇｎｏｓｉｓ；以下、ＣＡＤという。）と呼ばれる医用画像処理装置が開発されている（例えば、特許文献１参照）。
【０００３】
上記ＣＡＤでは、正常組織や良性の病変部である偽陽性陰影を除外して、悪性の病変部である真陽性陰影のみを異常陰影候補として検出するために、検出した異常陰影の候補領域の内部や辺縁の特徴を示す特徴量を用いてその候補の悪性度を判定し、悪性度の低い候補を偽陽性候補として検出結果から削除することが行われている。
【０００４】
その悪性度の判定には、各種特徴量の相関を考慮して総合的な判定結果を出力する多変量解析が利用されている。例えば、多変量解析手法として人工ニューラルネットワーク（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ；以下、ＡＮＮという。）を適用した場合、予め悪性と良性の異常陰影の候補領域におけるコントラストや濃度勾配の強度成分、方向成分、円形度等の各種特徴量を多変量データとしてＡＮＮに入力して、入力値が悪性陰影のものであるのか良性陰影のものであるかにより出力値を設定して良悪性を学習させておき、悪性度の判定時には判定対象の陰影の特徴量をＡＮＮに入力して出力値として悪性度を０〜１に正規化して出力している。
【０００５】
【特許文献１】
特開２００２−１１２９８６号公報
【０００６】
【発明が解決しようとする課題】
しかしながら、病変種や陰影の分布状態などにより陰影の特徴は様々であるにも関わらず、従来の多変量解析では、候補領域から得られた全ての特徴量を多変量データとして１つの多変量解析に入力して総合的な悪性度を判定するため、悪性度の判定に陰影の特徴が反映されにくかった。
【０００７】
本発明の課題は、異常陰影候補の悪性度の判定に陰影の特徴を反映することにより、判定精度の向上を図ることである。
【０００８】
【課題を解決するための手段】
請求項１に記載の発明は、
患者を撮影した医用画像から異常陰影候補を検出し、候補領域における各種特徴量を算出する異常陰影候補検出手段を備えた医用画像処理装置において、
検出された異常陰影候補の各種特徴量を分類し、分類された特徴量毎の多変量解析を複数段階で行って異常陰影候補の悪性度を判定する判定手段を備えることを特徴としている。
【０００９】
請求項１４に記載の発明は、
医用画像処理装置の異常陰影候補検出手段により、患者が撮影された医用画像から異常陰影候補を検出するとともに候補領域内における各種特徴量を算出して、異常陰影候補の悪性度を自動的に判定する判定方法であって、
検出された異常陰影候補の各種特徴量を分類する分類工程と、
前記分類された特徴量毎の多変量解析を複数段階で行って異常陰影候補の悪性度を判定する判定工程と、
を含むことを特徴としている。
【００１０】
請求項１、１４に記載の発明によれば、分類された特徴量毎の多変量解析を複数段階行って悪性度を判定するので、陰影の特徴を反映した悪性度の判定を行うことができ、判定精度を向上させることができる。従って、陰影の偽陽性と真陽性の判別精度が向上し、異常陰影候補の検出精度を向上させることができる。
【００１１】
請求項２に記載の発明は、
患者を撮影した医用画像から異常陰影候補を検出し、候補領域における各種特徴量を算出する異常陰影候補検出手段を備えた医用画像処理装置において、
検出された異常陰影候補の各種特徴量を分類し、分類された特徴量毎に多変量解析を行い、前記分類された特徴量毎の多変量解析から得られた複数の指標値に基づいて異常陰影候補の悪性度を判定する判定手段を備えることを特徴している。
【００１２】
請求項１５に記載の発明は、
医用画像処理装置の異常陰影候補検出手段により、患者が撮影された医用画像から異常陰影候補を検出するとともに候補領域内における各種特徴量を算出して、異常陰影候補の悪性度を自動的に判定する判定方法であって、
検出された異常陰影候補の各種特徴量を分類する分類工程と、
前記分類された特徴量毎に多変量解析を行い、前記分類された特徴量毎の多変量解析から得られた複数の指標値に基づいて異常陰影候補の悪性度を判定する判定工程と、
を含むことを特徴としている。
【００１３】
請求項２、１５に記載の発明によれば、分類された特徴量毎の多変量解析から得られた複数の指標値に基づいて悪性度を判定するので、陰影の特徴を反映した悪性度の判定を行うことができ、判定精度を向上させることができる。従って、陰影の偽陽性と真陽性の判別精度が向上し、異常陰影候補の検出精度を向上させることができる。
【００１４】
請求項３に記載の発明は、請求項１又は２に記載の医用画像処理装置において、
前記判定手段は、多変量解析に入力する特徴量を、異常陰影の種類に応じて分類することを特徴としている。
【００１５】
請求項１６に記載の発明は、請求項１４又は１５に記載の悪性度の判定方法において、
前記分類工程では、多変量解析に入力する特徴量を、異常陰影の種類に応じて分類することを特徴としている。
【００１６】
請求項３、１６に記載の発明によれば、異常陰影の種類毎に特徴量を分類するので、病変種毎の特徴を特に反映した悪性度の判定を行うことが可能となる。
【００１７】
請求項４に記載の発明は、請求項１又は２に記載の医用画像処理装置において、
前記判定手段は、多変量解析に入力する特徴量を、異常陰影の特徴の種類に応じて分類することを特徴としている。
【００１８】
請求項１７に記載の発明は、請求項１４又は１５に記載の悪性度の判定方法において、
前記分類工程では、多変量解析に入力する特徴量を、異常陰影の特徴の種類に応じて分類することを特徴としている。
【００１９】
請求項４、１７に記載の発明によれば、異常陰影の特徴の種類毎に特徴量を分類するので、異常陰影の形状や辺縁、分布状態等の特徴を特に反映した悪性度の判定が可能となる。
【００２０】
請求項５に記載の発明は、請求項１又は２に記載の医用画像処理装置において、
前記判定手段は、多変量解析に入力する特徴量を、特徴量の種類に応じて分類することを特徴としている。
【００２１】
請求項１８に記載の発明は、請求項１４又は１５に記載の悪性度の判定方法において、
前記分類工程では、多変量解析に入力する特徴量を、特徴量の種類に応じて分類することを特徴としている。
【００２２】
請求項５、１８に記載の発明によれば、特徴量の種類毎に特徴量を分類するので、画像特性等の各特徴量が有する特徴を特に反映した悪性度の判定が可能となる。
【００２３】
請求項６に記載の発明は、請求項５に記載の医用画像処理装置において、
前記判定手段は、コントラストに関する特徴量と、陰影の形状に関する特徴量とを別々に分類することを特徴としている。
【００２４】
請求項１９に記載の発明は、請求項１８に記載の悪性度の判定方法において、
前記分類工程では、コントラストに関する特徴量と、陰影の形状に関する特徴量とを別々に分類することを特徴としている。
【００２５】
請求項６、１９に記載の発明によれば、コントラストに関する特徴量と形状に関する特徴量とを別の多変量解析に入力するので、異常陰影候補の検出に重要な各特徴量の特徴を別々に考慮することにより、判定精度を向上させることができる。
【００２６】
請求項７に記載の発明は、
前記多変量解析は、人工ニューラルネットワークであることを特徴とする請求項１〜６の何れか一項に記載の医用画像処理装置。
【００２７】
請求項２０に記載の発明は、請求項１４〜１９の何れか一項に記載の悪性度の判定方法において、
前記多変量解析は、人工ニューラルネットワークであることを特徴としている。
【００２８】
請求項７、２０に記載の発明によれば、多変量解析の手法として人工ニューラルネットワークを適用することができる。
【００２９】
請求項８に記載の発明は、請求項１〜６の何れか一項に記載の医用画像処理装置において、
前記多変量解析は、判別分析であることを特徴としている。
【００３０】
請求項２１に記載の発明は、請求項１４〜１９の何れか一項に記載の悪性度の判定方法において、
前記多変量解析は、判別分析であることを特徴としている。
【００３１】
請求項８、２１に記載の発明によれば、多変量解析の手法として判別分析を適用することができる。
【００３２】
請求項９に記載の発明は、請求項１〜６の何れか一項であることを特徴とする医用画像処理装置において、
前記多変量解析は、主成分分析であることを特徴としている。
【００３３】
請求項２２に記載の発明は、請求項１４〜１９の何れか一項であることを特徴とする悪性度の判定方法において、
前記多変量解析は、主成分分析であることを特徴としている。
【００３４】
請求項９、２２に記載の発明によれば、多変量解析の手法として主成分分析を適用することができる。
【００３５】
請求項１０に記載の発明は、請求項１に記載の医用画像処理装置において、
前記判定手段は、各段階で同一の多変量解析手法を適用することを特徴としている。
【００３６】
請求項２３に記載の発明は、請求項１４に記載の悪性度の判定方法において、
前記判定工程では、各段階で同一の多変量解析手法を適用することを特徴としている。
【００３７】
請求項１０、２３に記載の発明によれば、各段階で同一の多変量解析手法を適用することができる。
【００３８】
請求項１１に記載の発明は、請求項１に記載の医用画像処理装置において、
前記判定手段は、段階毎に異なる多変量解析手法を適用することを特徴としている。
【００３９】
請求項２４に記載の発明は、請求項１４に記載の悪性度の判定方法において、
前記判定工程では、段階毎に異なる多変量解析手法を適用することを特徴としている。
【００４０】
請求項１１、２４に記載の発明によれば、段階毎に異なる多変量解析手法を適用することができる。
【００４１】
請求項１２に記載の発明は、請求項１〜１１の何れか一項に記載の医用画像処理装置において、
前記判定手段は、前記分類された特徴量毎に行われる多変量解析毎に、異なる多変量解析手法を適用することを特徴とする。
【００４２】
請求項２５に記載の発明は、請求項１２〜２４の何れか一項に記載の悪性度の判定方法において、
前記判定工程では、前記分類された特徴量毎に行われる多変量解析毎に、異なる多変量解析手法を適用することを特徴としている。
【００４３】
請求項１２、２５に記載の発明によれば、分類された特徴量毎の多変量解析のそれぞれにおいて、異なる多変量解析手法を適用可能である。
【００４４】
請求項１３に記載の発明は、請求項１〜１２の何れか一項に記載の医用画像処理装置において、
前記多変量解析から得られた指標値を出力する出力手段を備えることを特徴としている。
【００４５】
請求項２６に記載の発明は、請求項１４〜２５の何れか一項に記載の悪性度の判定方法において、
前記多変量解析から得られた指標値を出力する出力工程を含むことを特徴としている。
【００４６】
請求項１３、２６に記載の発明によれば、多変量解析で得られた指標値を出力するので、分類された特徴量毎の多変量解析で得られる指標値や悪性度を確認することができる。
【００４７】
【発明の実施の形態】
以下、図を参照して本発明の実施の形態を詳細に説明する。
本実施の形態では、検出した異常陰影候補の悪性度を判定する際に、特徴量の種類毎に複数段階で多変量解析を行う例を説明する。また、本実施の形態では、患者の***を撮影したマンモグラフィから異常陰影候補を検出する例を説明するが、検出対象はこれに限らず、胸部や腹部等の他の部位を撮影し、その画像から各部位に応じた異常陰影候補を検出することとしてもよい。
【００４８】
まず、構成を説明する。
図１に、本実施の形態における医用画像処理装置１０の機能的構成を示す。
図１に示すように、医用画像処理装置１０は、画像データ入力手段１１、画像データ記憶手段１２、画像処理手段１３、異常陰影候補検出手段１４、判定手段１５、制御手段１６、出力手段１７を備えて構成される。
【００４９】
画像データ入力手段１１は、例えばレーザデジタイザ等であり、患者を撮影した医用画像が記録されたフィルム上をレーザビームで走査し、透過した光量を測定してその測定値をアナログデジタル変換することにより、医用画像をデジタル画像データとして医用画像処理装置１０へ入力する。
【００５０】
なお、画像データ入力手段１１は、上記レーザデジタイザに限らず、例えばＣＣＤ（Ｃｈａｒｇｅ Ｃｏｕｐｌｅｄ Ｄｅｖｉｃｅ）等の光検出素子を適用して、医用画像が記録されたフィルム上を光走査し、その反射光をＣＣＤにより光電変換してデジタル画像データを入力することとしてもよい。
【００５１】
また、フィルムに記録された医用画像を読み取るのではなく、蓄積性蛍光体を用いて撮影された医用画像をデジタル変換して医用画像データを生成する撮影装置と接続可能な構成とし、この撮影装置からデジタル画像データを医用画像処理装置１０に入力することとしてもよい。この場合には、フィルムが不要であり、コストダウンを図ることが可能となる。
【００５２】
また、画像データ入力手段１１は、放射線画像を撮像して電気信号として出力するフラットパネルディテクタ（Ｆｌａｔ Ｐａｎｅｌ Ｄｅｔｅｃｔｏｒ；以下、ＦＰＤという。）を接続可能な構成とし、このＦＰＤからデジタル画像データを入力することとしてもよい。ＦＰＤは、特開平６−３４２０９８号公報に記載されているように、照射された放射線の強度に応じた電荷を生成する放射線検出素子と、この放射線検出素子により生成された電荷を蓄積するコンデンサとが２次元的に配列されたものである。
【００５３】
また、画像データ入力手段１１は、特開平９−９００４８号公報に記載されているように、蛍光強度を検出するフォトダイオード、ＣＣＤ、ＣＭＯＳ（Ｃｏｍｐｌｅｍｅｎｔａｒｙ Ｍｅｔａｌ−Ｏｘｉｄｅ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ）センサ等の光検出素子を画素毎に設けた光検出器を備えた構成とし、放射線を増感紙等の蛍光体層に吸収させて蛍光を発光させ、その蛍光強度を光検出器で検出し、光電変換を行ってデジタル医用画像データを入力することとしてもよい。また、放射線の照射により可視光を発する放射線シンチレータと、レンズアイ及び各々のレンズに対応するエリアセンサと組み合わせた構成であってもよい。
【００５４】
また、画像データ入力手段１１は、撮影された医用画像データを記録したＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ−Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）やフロッピー（登録商標）等の各種記憶媒体から医用画像データを読み取り可能な構成であってもよいし、ネットワークを介して外部装置から医用画像データを受信可能な構成であってもよい。
【００５５】
なお、上述した種々の構成によりデジタル医用画像データを得る際には、撮影部位にもよるが、例えばマンモグラフィに対しては、画像の実行画素サイズが２００μｍ以下であることが好ましく、さらには１００μｍ以下であることが好ましい。医用画像処理装置１０の性能を最大限に発揮させるためには、例えば実行画素サイズ５０μｍ程度の医用画像データを入力することが好ましい。
【００５６】
なお、画像データ入力手段１１により入力された医用画像データにはヘッダ領域が設けられており、このヘッダ領域に、その医用画像に関する情報、例えば撮影された患者の氏名、患者ＩＤ（患者を個別に識別するためのＩＤ）、性別等の患者情報、撮影部位、撮影日等の撮影情報、画像がどの検査に属するかを示す検査ＩＤ（検査を個別に識別するためのＩＤ）等の検査情報等が記録されていることとする。
【００５７】
画像データ記憶手段１２は、磁気的、光学的記録媒体又は半導体メモリ等により構成され、画像データ入力手段１１により入力された医用画像データを記憶する。このとき、必要に応じてデータ圧縮を施すこととする。データ圧縮方法としては、公知のＪＰＥＧ、ＤＰＣＭ、ウェーブレット圧縮等の手法により、可逆圧縮又は不可逆圧縮を行うことが可能であるが、データ圧縮に伴う画像データの劣化が無い可逆圧縮が好ましい。
【００５８】
画像処理手段１３は、画像データ入力手段１１又は画像データ記憶手段１２から読み出した医用画像データに各種画像処理を施して画像出力手段１８に出力する。各種画像処理には、コントラストを調整する階調処理、コントラストが小さくなりやすい乳腺や腫瘤の低濃度領域の濃度階調を拡大し、逆に微小石灰化クラスタの画像が存在する可能性が少ない脂肪領域の濃度階調を圧縮するように補正を行うコントラスト補正処理、画像の鮮鋭度を調整するアンシャープネスマスク処理、ダイナミックレンジの広い画像を被写体の細部のコントラストを低下させることなく見やすい濃度範囲に収めるためのダイナミックレンジ圧縮処理等が含まれる。
【００５９】
異常陰影候補検出手段１４は、画像データ記憶手段１２から画像データを読み出して画像解析を行うことにより、異常陰影と思われる候補領域を検出し、検出した候補領域における各種特徴量を判定手段１５に出力する。また、検出した各候補に対する悪性度の判定結果を判定手段１５から入力されると、当該判定結果に基づいて悪性度の低い候補を偽陽性候補と判断し、異常陰影候補の検出結果から削除する。このようにして偽陽性候補が削除された異常陰影候補の検出結果は、制御手段１６に出力される。
【００６０】
マンモグラフィでは、乳癌の特徴である腫瘤や微小石灰化クラスタと思われる陰影を検出する。腫瘤陰影は、ある程度の大きさを有する塊であり、マンモグラフィ上では、ガウス分布に近い、白っぽく丸い陰影として現れる。微小石灰化クラスタは、微小石灰化した部分が集まって（クラスタ化して）存在するとそこが初期癌である可能性が高い。マングラフィ上では、略円錐構造を持った白っぽく丸い陰影として現れる。
【００６１】
上記腫瘤及び微小石灰化クラスタの陰影は、その形状や形態、辺縁などの特徴により医学的に分類されており、その陰影の特徴から良悪性が鑑別されるため、陰影の特徴は診断を行う読影医にとって非常に重要な情報である。
【００６２】
腫瘤陰影の場合、その形状については、円形、楕円形、多角形、分葉形、不整形等に分類され、陰影の境界については、境界が明瞭な境界明瞭平滑、境界が不明瞭な境界不明瞭に分類される。また、陰影の辺縁については、陰影の境界から白い微細なスジがのびる微細分葉状、スピキュラと呼ばれる白いスジが陰影の中心部から放射状にのびるスピキュラ状等に分類される。
【００６３】
微小石灰化クラスタの場合、石灰化の形態については、微細な円を描く微細円形石灰化、点を描く点状石灰化、薄く不明瞭な石灰化、多形性或いは不均一な石灰化、微細線状又は微細分枝状石灰化等に分類される。また、その分布形態として、瀰漫性又は散在性、分布の領域性、区域性、集簇性等に分類される。
【００６４】
以下、上述した腫瘤陰影及び微小石灰化クラスタ陰影を検出する手法について説明する。
異常陰影候補検出手段１４では、腫瘤陰影の検出に適した手法として、以下の論文に記載された公知の検出方法を適用することが可能である。
【００６５】
・左右***を比較することによって検出する方法
（Ｍｅｄ．Ｐｈｙｓ．，Ｖｏｌ．２１．Ｎｏ．３，ｐｐ．４４５−４５２）
・アイリスフィルタを用いて検出する方法
（信学論（Ｄ−１１），Ｖｏｌ．Ｊ７５−Ｄ−１１，ｎｏ．３，ｐｐ．６６３−６７０，１９９２）
・Ｑｕｏｉｔフィルタを用いて検出する方法
（信学論（Ｄ−１１），Ｖｏｌ．Ｊ７６−Ｄ−１１，ｎｏ．３，ｐｐ．２７９−２８７，１９９３）
・分割した***領域の画素値のヒストグラムに基づく２値化により検出する方法
（ＪＡＭＩＴ Ｆｒｏｎｔｉｅｒ 講演論文集，ｐｐ．８４−８５，１９９５）
・方向性のある多数のラプラシアンフィルタの最小出力をとる最小方向差分フィルタ）
（信学論（Ｄ−１１），Ｖｏｌ．Ｊ７６−Ｄ−１１，ｎｏ．２，ｐｐ．２４１−２４９，１９９３）
・フラクタル次元を利用して腫瘤陰影の良悪性を鑑別する方法
（Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ１７（５），ｐｐ．５７７−５８４，１９９９）
【００６６】
また、微小石灰化クラスタ陰影の検出に適した方法として、以下の論文に記載された公知の検出方法を適用することができる。
【００６７】
・***領域から石灰化の疑いがある領域を局部化し、陰影像の光学濃度差や境界濃度差の標準偏差値等から偽陽性候補を削除する方法
（ＩＥＥＥ Ｔｒａｎｓ Ｂｉｏｍｅｄ Ｅｎｇ ＢＭＥ−２６（４）：２１３−２１９，１９７９）
・ラプラシアンフィルタ処理を行った画像を用いて検出する方法
（信学論（Ｄ−１１），Ｖｏｌ．Ｊ７１−Ｄ−１１，ｎｏ．１０，ｐｐ．１９９４−２００１，１９８８）
・乳腺等の背景パターンの影響を抑えるためにモルフォロジー解析した画像を使用する検出方法
（信学論（Ｄ−１１），Ｖｏｌ．Ｊ７１−Ｄ−１１，ｎｏ．７，ｐｐ．１１７０−１１７６，１９９２）
【００６８】
異常陰影候補検出手段１４は、上述したような手法を用いて異常陰影候補の検出を行い、検出時にはその候補領域について、候補領域の大きさ（面積）、縦横比、円形度、候補領域内のコントラスト、標準偏差、陰影の周辺部から中心部にかけての濃度勾配の強度成分、方向成分等の多種の特徴量を算出する。算出された各種特徴量は、候補領域の検出結果として判定手段１５に出力される。
【００６９】
判定手段１５は、異常陰影候補検出手段１４により検出された異常陰影候補について算出された各種特徴量を用いて複数段階の多変量解析を行い、検出された各候補の悪性度を判定する。判定結果は、異常陰影候補検出手段１４に出力される。
【００７０】
多変量解析手法としては、例えばＡＮＮ、主成分分析、判別分析等が適用可能である。
【００７１】
まず、ＡＮＮについて図２を参照して説明する。
本実施の形態では、ＡＮＮとして、階層型ニューラルネットワークと呼ばれる手法を適用した例を説明する。図２に示すように、階層型ニューラルネットワークでは、入力信号を受け取り他のニューロンへ分配する入力用のニューロンからなる入力層と、外部へ出力信号を出力する出力用のニューロンからなる出力層と、入力用と出力用のニューロンの中間に存在するニューロンからなる中間層とから構成されている。中間層のニューロンは入力層のニューロンの全てと結合していて、出力層のニューロンは中間層のニューロンの全てと結合している。
【００７２】
入力層のニューロンは、中間層のニューロンとのみ結合し、中間層のニューロンは出力層のニューロンとのみ結合しているため、信号は入力層から中間層、出力層へと流れていくこととなる。入力層では、ニューロンによる信号の処理は行われず、受け取った入力信号はそのまま中間層のニューロンに出力される。中間層、出力層では、各ニューロンに設定されたバイアス関数により前層から入力された信号に重み付けを行う等の信号処理が施され、処理が施された信号が後層にニューロンに出力される。
【００７３】
なお、図２には、中間層が１つの３層ニューラルネットワークを示したが、中間層の層数は２つ以上存在することとしてもよい。また、中間層のニューロン数についても特に限定せず、変更可能である。
【００７４】
例えば、陰影候補がスピキュラ状の特徴をどの程度有しているかを判別するために、円形度、候補領域内の標準偏差、候補辺縁付近のフラクタル次元、濃度勾配の方向成分の集中度、候補中心部から放射状に伸びる線上成分の本数等の各種特徴量を多変量データとして入力層の各ニューロンに入力すると、中間層を経て出力層から、スピキュラ状の特徴をどの程度有しているかを０〜１の値に正規化して出力する。なお、出力された正規化値は１に近いほどその特徴の程度が大きいことを示す。
【００７５】
次に、主成分分析について説明する。
主成分分析は、相関関係にある複数の要因をいくつかの主要成分に合成（圧縮）して、その総合的な特性を求める手法である。
【００７６】
主成分分析では、複数の特徴量を１つの成分に合成した主成分得点が求められ、この主成分得点が出力値として出力される。一般的には、複数の標本データの重心Ｇを通り、各標本データからの距離が最小となる直線、つまり判別式を求めておき、判別対象データからこの直線へ垂直に降ろした垂線と直線との交点を求め、この交点と重心との距離を主成分得点とする。ｎ個の特徴量がある場合は第ｎ主成分まで求めることが可能である。ここでは、第１主成分だけを使用して主成分得点を求めることとしてもよいし、各主成分の寄与率を求め、累積寄与率が６０％以上に達するまでの主成分だけを使用して主成分得点を求めることとしてもよい。
【００７７】
図３を参照して、判別対象データＸがスピキュラ状の特徴をどの程度有するかを、円形度Ａ、標準偏差Ｂの特徴量から判別する場合を例に具体的に説明する。図３に示すように、予めスピキュラ状の特徴を有する複数の標本データ（図示せず）から重心Ｇを通る判別式ｍを求めておく。そして、判別対象データＸ（ａ、ｂ）から判別式ｍに垂直に降ろした垂線と判別式ｍとの交点Ｑを求め、この交点Ｑと重心Ｇとの距離を判別対象データＸの主成分得点Ｐとして出力する。なお、本実施の形態では、主成分得点Ｐは０〜１の値に正規化されて出力されることとする。この例では、主成分得点Ｐが１に近いほどスピキュラ状の特徴を有している可能性が高いと判別することができる。
【００７８】
次に、判別分析について説明する。
判別分析は、予め２群以上の母集団を構成する標本データを準備しておき、この標本データに基づいて、判別対象データがどちらの母集団に属するのかを判別する手法である。判別分析の前提として、準備した標本データがどの母集団に属しているかを予め分類しておく必要があるが、この分類方法として線形判別式を用いる手法とマハラノビスの距離を用いる手法が適用できる。
【００７９】
本実施の形態では、マハラノビスの距離の手法を用いた例を、図４を参照して説明する。
マハラノビスの距離は、標本データの分散を考慮した判別を行う。例えば、図４に示すように、予めスピキュラ状の特徴を有する標本データａ１〜ａ４からなるＡ群、非スピキュラ状の特徴を有する標本データｂ１〜ｂ４からなるＢ群の２群を準備しておき、判別対象データＸ（ｘ１、ｘ２）についてＡ群の重心Ｇａからの距離Ｄａ、Ｂ群の重心Ｇｂからの距離Ｄｂをそれぞれ求める。
【００８０】
距離Ｄａは、Ａ群の標本データの母平均μａと、Ａ群の分散Ｓａとから、下記の式（１）によって求められる。距離Ｄｂも同様にＢ群の標本データの母平均μｂと、Ｂ群の分散Ｓｂとから求められる。
Ｄａ^２＝（ｘ−μａ）^２／Ｓａ^２ ・・・（１）
なお、ｘは判別対象データＸの特徴量である。
【００８１】
そして、その距離比Ｄａ／Ｄｂを出力値として出力する。判別対象データＸがどちらの群に属するかは、この距離比Ｄａ／Ｄｂに基づいて判別される。例えば、距離比Ｄａ／Ｄｂが十分に大きい値を示す場合、判別対象データＸはＢ群に近くスピキュラ状の特徴を有していないと判別され、逆に距離比Ｄａ／Ｄｂが十分に小さい値を示す場合、判別対象データＸはＡ群に近くスピキュラ状の特徴を有していると判別される。なお、本実施の形態では、この距離比Ｄａ／Ｄｂを用いて、判別対象データＸがその特徴をどの程度有しているかを０〜１までの値に正規化して出力することとする。
【００８２】
制御手段１６は、医用画像データとその異常陰影候補の検出結果との出力制御を行う。制御手段１６は、画像処理手段１３から入力された処理画像データを出力手段１７に出力する際に、異常陰影候補検出手段１４による異常陰影の検出結果に基づいて、処理画像データにおける異常陰影候補の画像領域を矢印でマークする、色を変える等して、異常陰影候補の画像領域を識別可能に出力させる。
【００８３】
出力手段１７は、例えばＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）やＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）、プラズマディスプレイ等からなる表示手段が適用可能であり、制御手段１６から入力された医用画像データを表示出力する。表示手段としては、医用画像専用の精細高輝度のものが好ましい。また、他の出力手段としては、紙などの記録媒体へ印刷出力を行うプリンタや、フィルムへの出力を行う露光装置等が適用可能である。
【００８４】
次に、本実施の形態における動作を説明する。
本実施の形態では、まず第１段階の多変量解析で陰影の特徴毎にどれだけその特徴を有しているかを示す指標値を求め、この指標値を第２段階の多変量解析に入力値として異常陰影候補の悪性度を出力する例を説明する。
【００８５】
図５は、医用画像処理装置１０により実行される異常陰影候補検出処理を説明するフローチャートである。
図５に示す異常陰影候補検出処理では、まずステップＳ１において、異常陰影候補の検出対象である医用画像データが画像データ入力手段１１により入力される。入力された医用画像データは、画像データ記憶手段１２に記憶される。
【００８６】
次いで、ステップＳ２では、画像データ記憶手段１２から医用画像データが読み出され、画像処理手段１３により画像処理が施されるとともに、異常陰影候補検出手段１４による異常陰影候補の検出が行われる。そして、異常陰影候補検出手段１４により検出された候補領域の特徴量のデータが判定手段１５に出力される。
【００８７】
ステップＳ３では、判定手段１５により、検出された各候補の悪性度の判定が行われる。図６を参照して、その判定方法について詳細に説明する。図６は、判定手段１５により実行される悪性度の判定処理を示すフローチャートである。この悪性度の判定処理では、特徴量を多変量データとして複数段階で多変量解析が行われ、検出された各候補の悪性度が判定される。
【００８８】
本実施の形態では、多変量解析において、多変量データとして多変量解析に入力する特徴量を、医学分類上の異常陰影の特徴の種類毎に分類する場合と、特徴量の画像特性上の種類毎に分類する場合とを説明する。
【００８９】
〈異常陰影の特徴の種類毎に分類〉
まず、図７を参照して、特徴量を異常陰影の種類毎に、そして異常陰影の特徴の種類毎に分類して多変量解析を行う例を説明する。図７は、腫瘤陰影の候補に対して悪性度を判定する多変量解析の概念図である。図７に示すように、多変量解析は第１段階、第２段階の複数段階で行われる。
【００９０】
図６に示す悪性度の判定処理では、ステップＳ３１において、検出された候補領域における特徴量のデータが、腫瘤陰影に応じた特徴量と微小石灰化クラスタ陰影に応じた特徴量とに分類される。以下、腫瘤陰影に応じた特徴量を用いて腫瘤陰影の候補に対する悪性度を判定する例について説明する。
【００９１】
次いで、腫瘤陰影に応じた特徴量は、腫瘤陰影のスピキュラ状、境界明瞭、分葉状、不整形等、腫瘤陰影の医学分類上の特徴の種類毎に分類される。例えば、円形度、候補領域内の標準偏差、濃度勾配の方向成分の集中度、候補辺縁付近のフラクタル次元、候補中心部から放射状に伸びる線上成分の本数等が、スピキュラ状の特徴を判定するための特徴量データとして第１類に分類される。
【００９２】
また、境界明瞭の特徴を判定するための特徴量データとして、候補領域辺縁付近の平均エッジ強度、候補領域のコントラスト、候補領域の乳腺含有量等が第２類に分類され、分葉状の特徴を判定するための特徴量データとして、円形度、濃度勾配の方向成分の集中度等が第３類に分類される。また、不整形の特徴を判定するための特徴量データとして、円形度、候補辺縁付近のフラクタル次元等が第４類に分類される。
【００９３】
次いで、ステップＳ３２では、分類された各特徴量データが多変量データとしてそれぞれ別の多変量解析に入力されて第１段階の多変量解析が行われ、腫瘤陰影の種類毎にその特徴をどれだけ有しているかを示す指標値が出力される。例えば、第１類の多変量解析では、円形度、候補領域内の画素値の標準偏差、濃度勾配の方向成分の集中度等の各特徴量データから、スピキュラ状の特徴をどの程度有しているかを示す指標値が０〜１の値で正規化されて出力される。同様に、各種特徴量データを入力値として、境界明瞭、微細分葉状、不整形等について指標値が出力される。
【００９４】
次いで、ステップＳ３３では、第１段階の多変量解析で得られた複数の指標値を入力値として第２段階の多変量解析が行われ、総合的な悪性度が出力される。悪性度は、０〜１の値に正規化されて出力され、この正規化値は、１に近いほど悪性度が高いことを示す。
【００９５】
ステップＳ３４では、第２段階の多変量解析で得られた悪性度の判定結果が異常陰影候補検出手段１４に出力される。
【００９６】
なお、腫瘤陰影の場合を例に説明したが、微小石灰化クラスタ陰影の場合も同様に、微小石灰化クラスタ陰影に応じた特徴量を、微細円形石灰化、点状石灰化、薄く不明瞭な石灰化、多形性或いは不均一な石灰化、微細線状又は微細分枝状石灰化、瀰漫性又は散在性、分布の領域性、区域性、集簇性等の医学分類上の異常陰影の特徴毎に分類し、分類された特徴量を入力値として第１段階の多変量解析を行って、異常陰影の特徴をどの程度有しているかを示す指標値を０〜１の正規化値で出力する。そして、その指標値を入力値として第２段階の多変量解析を行い、総合的な悪性度を出力する。
【００９７】
〈特徴量の画像特性上の種類毎に分類〉
次に、図８を参照して、特徴量の画像特性上の種類毎に、入力する特徴量データを分類して多変量解析を行う例を説明する。図８はその多変量解析の概念図である。図８に示すように、多変量解析は第１段階、第２段階の複数段階で行われる。
【００９８】
図６に示す悪性度の判定処理では、ステップＳ３１において、検出された候補領域における各特徴量データが、画素値、形状、領域内の不整度、コントラスト、方向性等の画像特性の種類毎に分類される。例えば、領域内の画素値の平均値、最大値、最小値、ヒストグラムのモーメント値、領域付近の濃度平均値、領域付近の標準偏差等が画素値の特徴を判定するための特徴量データとして第１類に分類される。
【００９９】
また、陰影の形状の特徴を判定するための特徴量データとして、円形度、候補領域の縦横比、面積等が第２類に分類され、候補領域内の不整度の特徴を判定するための特徴量データとして、局所的な高周波成分を抽出するトップハット変換の出力値の平均画素値、ある画素の周辺画素に対する凹凸の程度を示す曲率の平均、領域内の標準偏差、候補領域の中心から辺縁までの距離の標準偏差、ある画素の周辺画素に対する画素値の不整さを示す高次局所相関値等が第３類に分類される。
【０１００】
また、陰影のコントラストの特徴を判定するための特徴量データとして、候補領域内の濃度勾配の強度成分の平均、候補領域の内部と外部における平均画素値の差、アンシャープネスマスク処理後の領域内の最大画素値等が第４類に分類され、陰影の方向性の特徴を判定するための特徴量データとして、エッジ検出のためのＳｏｂｌフィルタ又はＰｒｅｗｉｔｔフィルタから求められる候補領域内の濃度勾配の方向成分の平均、ウェーブレット変換から求められるＸ、Ｙ方向成分の含有比等が第５類に分類される。
【０１０１】
次いで、ステップＳ３２では、分類された各特徴量データが多変量データとしてそれぞれ別の多変量解析に入力されて第１段階の多変量解析が行われ、画像特性の種類毎にその画像特性の特徴を示す指標値が出力される。例えば、第１類の多変量解析では、候補領域内の画素値の平均値、最大値、最小値等の各特徴量データから、画素値の特徴を示す指標値が０〜１の値に正規化されて出力される。同様に各種特徴量データを入力値として、陰影の形状、領域内の不整度、コントラスト、方向性等について指標値が出力される。
【０１０２】
次いで、ステップＳ３３では、第１段階の多変量解析で得られた指標値を入力値として第２段階の多変量解析が行われ、総合的な悪性度が出力される。悪性度は、０〜１の値に正規化されて出力され、この正規化値は、１に近いほど悪性度が高いことを示す。
【０１０３】
ステップＳ３４では、第２段階の多変量解析で得られた悪性度の判定結果が異常陰影候補検出手段１４に出力される。
【０１０４】
以上、特徴量データを分類して、その分類した特徴量毎の多変量解析を２段階で行って総合的な悪性度を判定する例を説明したが、これに限らず、３段階以上の多変量解析を行って悪性度を判定することとしてもよい。例えば図９に示すように、第１段階の多変量解析で得られた指標値のうち、画素値及びコントラストと、形状、領域内の不整度及び方向性とに指標値を分類し、その分類した指標値毎に第２段階の多変量解析を行って得られた指標値でもって第３段階の多変量解析を行い、悪性度を得る。このようにさらに特徴の種類を絞って多変量解析に入力することにより、よりその特徴を反映した判定を行うことができる。
【０１０５】
また、上述した多変量解析に入力する特徴量データは、その一例を示したに過ぎず、その他の特徴量データも適用可能である。また、医学分類上の異常陰影の種類や画像特性の種類についても上述した説明で例示したものに限らず、辺縁の特徴等のその他の異常陰影の種類や、鮮鋭度等のその他の種類の画像特性も適用することができる。
【０１０６】
また、多変量解析の手法としては、例えば図１０（ａ）に示すように、第１段階、第２段階ともにＡＮＮの手法で多変量解析を行う等、各段階で同一の手法を適用することとしてもよいし、図１０（ｂ）に示すように、第１段階ではＡＮＮの手法を、第２段階では判別分析の手法で多変量解析を行う等、各段階で異なる手法を適用することとしてもよい。また、図１０（ｃ）に示すように、第１段階の第１群ではＡＮＮの手法で、第１段階の第２群では判別分析の手法で多変量解析を行う等、同一段階でも分類された特徴量毎に行われる多変量解析毎に異なる手法を適用することとしてもよく、各段階の各分類において適用する多変量解析の手法の組み合わせは、特に限定しない。
【０１０７】
このようにして、判定手段１５により各候補の悪性度が判定されると、その判定結果は異常陰影候補検出手段１４に出力される。
【０１０８】
次いで、ステップＳ４では、検出された各候補の悪性度の判定結果に基づいて、異常陰影候補検出手段１４により、異常陰影候補の検出結果から偽陽性候補の削除が行われる。例えば、悪性度が０〜０．３と判定された候補は、良性である可能性が高いとして偽陽性候補と判断され、異常陰影候補の検出結果から削除される。最終的には、悪性度が高いと判定された候補のみが異常陰影候補の検出結果として異常陰影候補検出手段１４から制御手段１６に出力される。
【０１０９】
ステップＳ５では、制御手段１６により異常陰影候補の検出結果の出力制御が行われ、画像処理手段１３により画像処理された医用画像データと、異常陰影候補の検出結果とが出力手段１７に出力される。
【０１１０】
以上のように、検出された異常陰影の各候補について、第１段階の多変量解析によりその陰影候補の特徴毎にその特徴をどれだけ有するのかを判定し、第２段階の多変量解析により各特徴の程度に基づいた悪性度を判定するので、陰影の特徴を反映した判定を行うことができ、悪性度の判定精度を向上させることができる。従って、偽陽性と真陽性との判別精度が向上し、異常陰影候補の検出精度を向上させることができる。
【０１１１】
また、多変量解析に入力する特徴量データを医学分類上の異常陰影の特徴の種類毎に分類するので、病変種毎に、その異常陰影の形状や辺縁、分布状態等の特徴を特に反映した悪性度の判定が可能となる。
【０１１２】
また、多変量解析に入力する特徴量データを特徴量の画像特性上の種類毎に分類するので、画像特性を特に反映した悪性度の判定が可能となる。
【０１１３】
さらに、多変量解析手法は、各段階で同一の手法を適用してもよいし、段階毎に又は同一段階でも分類された多変量解析毎に、異なる手法を適用してもよいので、病変種や特徴量の種類に応じて適切な手法を適用することができ、悪性度の判定処理における自由度が向上する。
【０１１４】
なお、本実施の形態における記述内容は、本発明を適用した医用画像処理装置１０の好適な一例であり、これに限定されるものではない。
【０１１５】
上述の説明では、第１段階で特徴の程度の指標値を判定し、その指標値から第２段階で悪性度を判定する例を説明したが、複数段階で多変量解析を行わず、第１段階の多変量解析で判定された各特徴の指標値に基づいて、悪性度を判定することとしてもよい。図７を参照して具体的に説明すると、例えば第１段階の多変量解析で出力された各指標値のうち、スピキュラ状の指標値が十分に大きい場合、判定手段１５は、そのスピキュラ状の指標値を悪性度として判定結果を異常陰影候補検出手段１４に出力することとしてもよい。
【０１１６】
また、異常陰影候補に対して判定された悪性度を、例えば「悪性度０．８」と出力手段１７に出力することとしてもよいし、異常陰影の特徴毎に指標値が得られている場合は、例えば「スピキュラ状０．７」とその指標値を出力することとしてもよい。
【０１１７】
その他、本実施の形態における医用画像処理装置１０の細部構成及び細部動作に関しても、本発明の趣旨を逸脱することのない範囲で適宜変更可能である。
【０１１８】
【発明の効果】
請求項１、１４に記載の発明によれば、分類された特徴量毎の多変量解析を複数段階行って悪性度を判定するので、陰影の特徴を反映した悪性度の判定を行うことができ、判定精度を向上させることができる。従って、陰影の偽陽性と真陽性の判別精度が向上し、異常陰影候補の検出精度を向上させることができる。
【０１１９】
請求項２、１５に記載の発明によれば、分類された特徴量毎の多変量解析から得られた複数の指標値に基づいて悪性度を判定するので、陰影の特徴を反映した悪性度の判定を行うことができ、判定精度を向上させることができる。従って、陰影の偽陽性と真陽性の判別精度が向上し、異常陰影候補の検出精度を向上させることができる。
【０１２０】
請求項３、１６に記載の発明によれば、異常陰影の種類毎に特徴量を分類するので、病変種毎の特徴を特に反映した悪性度の判定を行うことが可能となる。
【０１２１】
請求項４、１７に記載の発明によれば、異常陰影の特徴の種類毎に特徴量を分類するので、異常陰影の形状や辺縁、分布状態等の特徴を特に反映した悪性度の判定が可能となる。
【０１２２】
請求項５、１８に記載の発明によれば、特徴量の種類毎に特徴量を分類するので、画像特性等の各特徴量が有する特徴を特に反映した悪性度の判定が可能となる。
【０１２３】
請求項６、１９に記載の発明によれば、コントラストに関する特徴量と形状に関する特徴量とを別の多変量解析に入力するので、異常陰影候補の検出に重要な各特徴量の特徴を別々に考慮することにより、判定精度を向上させることができる。
【０１２４】
請求項７、２０に記載の発明によれば、多変量解析の手法として人工ニューラルネットワークを適用することができる。
前記多変量解析は、判別分析であることを特徴としている。
【０１２５】
請求項８、２１に記載の発明によれば、多変量解析の手法として判別分析を適用することができる。
【０１２６】
請求項９、２２に記載の発明によれば、多変量解析の手法として主成分分析を適用することができる。
【０１２７】
請求項１０、２３に記載の発明によれば、各段階で同一の多変量解析手法を適用することができる。
【０１２８】
請求項１１、２４に記載の発明によれば、段階毎に異なる多変量解析手法を適用することができる。
【０１２９】
請求項１２、２５に記載の発明によれば、分類された特徴量毎の多変量解析のそれぞれにおいて、異なる多変量解析手法を適用可能である。
【０１３０】
請求項１３、２６に記載の発明によれば、多変量解析で得られた指標値を出力するので、分類された特徴量毎の多変量解析で得られる指標値や悪性度を確認することができる。
【図面の簡単な説明】
【図１】本発明を適用した実施の形態の医用画像処理装置１０の機能的構成を示す図である。
【図２】ＡＮＮの概念図である。
【図３】主成分分析の概念図である。
【図４】判別分析におけるマハラノビスの距離の概念図である。
【図５】医用画像処理装置１０により実行される異常陰影候補検出処理を説明するフローチャートである。
【図６】判定手段１５により実行される悪性度の判定処理を説明するフローチャートである。
【図７】医学分類上の異常陰影の種類毎に多変量解析に入力する特徴量データを分類した場合の多変量解析の概念図である。
【図８】特徴量の画像特性上の種類毎に多変量解析に入力する特徴量データを分類した場合の多変量解析の概念図である。
【図９】複数段階で行われる多変量解析の概念図である。
【図１０】（ａ）は各段階で同一の多変量解析手法を適用した例を示す図であり、（ｂ）は各段階で異なる多変量解析手法を適用した例を示す図であり、（ｃ）は同一段階で分類された多変量解析毎に異なる多変量解析手法を適用した例を示す図である。
【符号の説明】
１０ 医用画像処理装置
１１ 画像データ入力手段
１２ 画像データ記憶手段
１３ 画像処理手段
１４ 異常陰影候補検出手段
１５ 判定手段
１６ 制御手段
１７ 出力手段

Claims (26)

1. 患者を撮影した医用画像から異常陰影候補を検出し、候補領域における各種特徴量を算出する異常陰影候補検出手段を備えた医用画像処理装置において、
   検出された異常陰影候補の各種特徴量を分類し、分類された特徴量毎の多変量解析を複数段階で行って異常陰影候補の悪性度を判定する判定手段を備えることを特徴とする医用画像処理装置。
2. 患者を撮影した医用画像から異常陰影候補を検出し、候補領域における各種特徴量を算出する異常陰影候補検出手段を備えた医用画像処理装置において、
   検出された異常陰影候補の各種特徴量を分類し、分類された特徴量毎に多変量解析を行い、前記分類された特徴量毎の多変量解析から得られた複数の指標値に基づいて異常陰影候補の悪性度を判定する判定手段を備えることを特徴とする医用画像処理装置。
3. 前記判定手段は、多変量解析に入力する特徴量を、異常陰影の種類に応じて分類することを特徴とする請求項１又は２に記載の医用画像処理装置。
4. 前記判定手段は、多変量解析に入力する特徴量を、異常陰影の特徴の種類に応じて分類することを特徴とする請求項１又は２に記載の医用画像処理装置。
5. 前記判定手段は、多変量解析に入力する特徴量を、特徴量の種類に応じて分類することを特徴とする請求項１又は２に記載の医用画像処理装置。
6. 前記判定手段は、コントラストに関する特徴量と、陰影の形状に関する特徴量とを別々に分類することを特徴とする請求項５に記載の医用画像処理装置。
7. 前記多変量解析は、人工ニューラルネットワークであることを特徴とする請求項１〜６の何れか一項に記載の医用画像処理装置。
8. 前記多変量解析は、判別分析であることを特徴とする請求項１〜６の何れか一項に記載の医用画像処理装置。
9. 前記多変量解析は、主成分分析であることを特徴とする請求項１〜６の何れか一項であることを特徴とする医用画像処理装置。
10. 前記判定手段は、各段階で同一の多変量解析手法を適用することを特徴とする請求項１に記載の医用画像処理装置。
11. 前記判定手段は、段階毎に異なる多変量解析手法を適用することを特徴とする請求項１に記載の医用画像処理装置。
12. 前記判定手段は、前記分類された特徴量毎に行われる多変量解析毎に、異なる多変量解析手法を適用することを特徴とする請求項１〜１１の何れか一項に記載の医用画像処理装置。
13. 前記多変量解析から得られた指標値を出力する出力手段を備えることを特徴とする請求項１〜１２の何れか一項に記載の医用画像処理装置。
14. 医用画像処理装置の異常陰影候補検出手段により、患者が撮影された医用画像から異常陰影候補を検出するとともに候補領域内における各種特徴量を算出して、異常陰影候補の悪性度を自動的に判定する判定方法であって、
    検出された異常陰影候補の各種特徴量を分類する分類工程と、
    前記分類された特徴量毎の多変量解析を複数段階で行って異常陰影候補の悪性度を判定する判定工程と、
    を含むことを特徴とする悪性度の判定方法。
15. 医用画像処理装置の異常陰影候補検出手段により、患者が撮影された医用画像から異常陰影候補を検出するとともに候補領域内における各種特徴量を算出して、異常陰影候補の悪性度を自動的に判定する判定方法であって、
    検出された異常陰影候補の各種特徴量を分類する分類工程と、
    前記分類された特徴量毎に多変量解析を行い、前記分類された特徴量毎の多変量解析から得られた複数の指標値に基づいて異常陰影候補の悪性度を判定する判定工程と、
    を含むことを特徴とする悪性度の判定方法。
16. 前記分類工程では、多変量解析に入力する特徴量を、異常陰影の種類に応じて分類することを特徴とする請求項１４又は１５に記載の悪性度の判定方法。
17. 前記分類工程では、多変量解析に入力する特徴量を、異常陰影の特徴の種類に応じて分類することを特徴とする請求項１４又は１５に記載の悪性度の判定方法。
18. 前記分類工程では、多変量解析に入力する特徴量を、特徴量の種類に応じて分類することを特徴とする請求項１４又は１５に記載の悪性度の判定方法。
19. 前記分類工程では、コントラストに関する特徴量と、陰影の形状に関する特徴量とを別々に分類することを特徴とする請求項１８に記載の悪性度の判定方法。
20. 前記多変量解析は、人工ニューラルネットワークであることを特徴とする請求項１４〜１９の何れか一項に記載の悪性度の判定方法。
21. 前記多変量解析は、判別分析であることを特徴とする請求項１４〜１９の何れか一項に記載の悪性度の判定方法。
22. 前記多変量解析は、主成分分析であることを特徴とする請求項１４〜１９の何れか一項であることを特徴とする悪性度の判定方法。
23. 前記判定工程では、各段階で同一の多変量解析手法を適用することを特徴とする請求項１４に記載の悪性度の判定方法。
24. 前記判定工程では、段階毎に異なる多変量解析手法を適用することを特徴とする請求項１４に記載の悪性度の判定方法。
25. 前記判定工程では、前記分類された特徴量毎に行われる多変量解析毎に、異なる多変量解析手法を適用することを特徴とする請求項１４〜２４の何れか一項に記載の悪性度の判定方法。
26. 前記多変量解析から得られた指標値を出力する出力工程を含むことを特徴とする請求項１４〜２５の何れか一項に記載の悪性度の判定方法。

Images