JP2005198798A - 放射線画像処理装置及び処理方法 - Google Patents

Abstract

【課題】画像診断支援処理の結果を基に、更なる撮影に対する撮影方法を決定し診断精度を向上する。
【解決手段】撮影処理は撮影開始信号により開始し（Ｓ２０１）、患者情報の入力と撮影部位の入力を行うと、撮影画像サイズ、撮影場所、撮影距離、Ｘ線絞り開口、Ｘ線管電圧、管電流、Ｘ線照射時間などの撮影条件を設定する（Ｓ２０２）。この撮影条件により撮影が開始され（Ｓ２０３）、撮影された画像は予め設定された処理が行われて表示される。この画像を第１の画像とし、診断支援のための解析処理が行われる（Ｓ２０４）。
診断支援の結果として、病気と疑わしい関心領域が出力されれば（Ｓ２０５）、関心領域の詳細撮影のための撮影条件が決定され（Ｓ２０６）、絞り手段、臥位テーブルの状態が変更される。この変更された条件で撮影が行われ（Ｓ２０７）、第２の画像が生成され撮影が終了する（Ｓ２０８）。関心領域が出力されない場合には（Ｓ２０５）、そこで撮影が終了する（Ｓ２０９）。
【選択図】図２

Description

本発明は、医療画像撮影において撮影された画像を解析する画像診断支援手段を有する放射線画像処理装置及び処理方法に関するものである。

或る種の蛍光体にＸ線、α線、β線、γ線、電子線、紫外線等の放射線を照射すると、この放射線エネルギの一部が蛍光体中に蓄積され、蛍光体に可視光等の励起光を照射すると、蓄積されたエネルギに応じて蛍光体が輝尽発光を示すことが知られており、このような性質を示す蛍光体は蓄積性蛍光体（輝尽性蛍光体）と呼ばれている。

この蓄積性蛍光体を利用して、人体等の被写体の放射線画像情報を一旦蓄積性蛍光体のシートに記録し、この蓄積性蛍光体シートをレーザー光等の励起光で走査して輝尽発光光を生じさせ、得られた輝尽発光光を光電的に読み取って画像信号を得て、この画像信号に基づいて写真感光材料等の記録材料、ＣＲＴ等の表示装置に、被写体の放射線画像を可視像として出力させる放射線画像情報記録再生システムが本出願人により既に提案されている。

また近年においては、半導体センサを使用して同様にＸ線画像を撮影する装置が開発されている。これらのシステムは、従来の銀塩写真を用いる放射線写真システムと比較して、極めて広い放射線露出域に渡って画像を記録し得るという実用的な利点を有している。即ち、例えば特許文献１に記載されているように、極めて広いダイナミックレンジのＸ線を光電変換手段により読み取って電気信号に変換し、この電気信号を用いて写真感光材料等の記録材料、ＣＲＴ等の表示装置に放射線画像を可視像として出力し、放射線露光量の変動に影響されない放射線画像を得ることができる。

ところで近年では、このような半導体センサで取得した画像に対して、コンピュータによるＣＡＤ（診断支援技術）の開発が進められている。従来の関連技術には、例えば特許文献２のように再構成した断層画像からＣＡＤにより異常陰影を抽出し、対応するスライス範囲を詳細なスライスピッチで再構成するシステムが知られている。

また、例えば特許文献３のように、再構成した断層画像からＣＡＤにより読影注意個所を抽出し、スライス位置像にスライス位置マーカを表示する読影支援手段がある。加えて、現在画像と過去画像とのスライス位置とを整合させる診断支援システムが知られている。更に、関連する先行技術文献としては、更に特許文献４がある。

特開平９−３２１２６７号公報 特開平８−１６６９９５号公報 特開２００１−８７２２８号公報 特開２００１−１３７２３０号公報

臨床での医療画像の撮影においては、最初から精細な画像が撮影されることはない。マンモグラムの例をあげると、日本のマンモグラム検診などでは両方の***に対してそれぞれ１枚のライフサイズＭＬＯビューの撮影が行われる。

しかし、検診を受診する女性の０．１％程度にしか乳癌の兆候が発見されないので、最初から両方の***に対してＣＣビューとＭＬＯビューの２枚を撮影することはない。撮影されたＭＬＯビューの画像に対して、医師の診断で乳癌の疑いのある患者に対してリコールが行われて再撮影が行われる。この時点での撮影は、ＣＣビューとＭＬＯビューの両方の撮影であったり、関心領域の拡大撮影であったりする。

このプロセスの問題は、（１）リコールまでに日数を要し、進行の早い癌に対しては治療が遅れる、（２）患者が再度医療機関に足を運ぶ必要があり患者の時間的負担が大きい、などがある。

同様の問題は、一般のＸ線撮影、ＣＴ撮影、ＭＲＩ撮影に対しても同様に発生する。つまり、最初は被曝線量が少なくて済むように、撮影時間が短いように撮影条件が設定されており、これら相対的に粗い精度の画像に対して初期診断が行われ、疑わしい領域つまり関心領域が存在すれば、高精度の画像が撮影される。

粗い画像を最初に撮影して、関心領域を高精度に撮影することは、理にかなったことであるが、粗い画像の診断が撮影後に直ちに行われず、患者が撮影室を離れて帰宅してしまうので、高精度の再撮影が必要と診断がされた場合に、前述したように再撮影までの時間がかかる、患者の再来が面倒となる、などの問題点がある。

本発明の目的は、上述の問題点を解消し、撮影された画像に対して診断支援が直ちに行われ再撮影を可能とする放射線画像処理装置及び処理方法を提供することにある。

上記目的を達成するための本発明に係る放射線画像処理装置は、放射線画像から関心領域の位置と範囲に関する情報を解析する解析手段と、該解析手段で解析された情報に基づいて撮影条件を決定する条件決定手段とを有することを特徴とする。

また本発明に係る放射線画像処理方法は、放射線画像から関心領域の位置と範囲に関する情報を解析する解析工程と、該解析工程で解析された情報に基づいて撮影条件を決定する条件決定工程とを有することを特徴とする。

本発明に係る放射線画像処理装置及び処理方法によれば、精密な追加撮影の必要があるか否かを即座に判断して、しかも必要な撮影条件の設定が自動的に行うことが可能にある。

例えば、胸部画像や***画像の集団検診において、医師の診断により疑わしいと判断されても、詳細の撮影が撮影されるまでは、患者が再度病院に行く必要があるが、即座に詳細撮影が可能になる。また、従来のＣＴ装置などにおいては、詳細な撮影が必要であるか否かは、技師が判断する場合もあるが、見落とし或いは病気でないものを誤診する心配があるが、再撮影の必要性を決めることが可能であり、しかも撮影条件が自動的に決定される。

以下に、本発明を図示の実施例に基づいて詳細に説明する。
図１は実施例によるＸ線撮影装置を示し、Ｘ線撮影装置１はＣＡＤの機能を有するＸ線の撮影装置であり、臥位テーブル２上の被写体Ｐの上方にはＸ線発生手段３が配置され、Ｘ線ビームが絞り手段４を介して被写体Ｐに向けて照射するようにされている。また、臥位テーブル２の下方に、二次元検出器５が配置されている。

Ｘ線発生手段３、二次元検出器５には、ＣＰＵバス６を介して各種手段が接続されている。即ち、ＣＰＵバス６には、ＣＰＵから成る制御手段７、画像処理手段８、画像表示手段９、メインメモリ１０、コンピュータメモリ等から成る撮影された画像を保存する画像保存手段１１、撮影された画像を形態病理学的に解析する解析診断手段１２、Ｘ線条件などの撮影パラメータを変更保存する撮影方法変更手段１３、操作者入力手段１４が接続されている。なお、制御手段７、画像処理手段８、画像表示手段９、画像保存手段１１、解析診断手段１２、撮影方法変更手段１３はコンピュータにより構成されている。更に、ＣＰＵバス６を介して絞り変更モータ１５、テーブル位置変更モータ１６が接続され、それぞれ絞り手段４、臥位テーブル２を駆動するようにされている。

制御手段７は操作者入力手段１４からの操作に従って装置全体の動作制御等を行う。先ず制御手段７の制御によって、Ｘ線発生手段３は被写体Ｐに対してＸ線ビームを放射し、Ｘ線ビームは被写体Ｐ中を減衰しながら透過して二次元検出器５に到達し、二次元検出器５により画像として出力される。このとき、絞り手段４はＸ線発生手段３から放射されるＸ線ビームの形状を変更することができ、臥位テーブル２はＸ線ビームと被写体Ｐの位置関係を相対的に変更する。

具体的には、撮影方法変更手段１３からの制御を基に、絞り変更モータ１５の駆動により絞り手段４が変更され、テーブル位置変更モータ１６の駆動により臥位テーブル２が変更される。二次元検出器５を介して画像処理手段８により収集された画像は、所定の補正処理や階調変換処理等の画像処理がなされて画像表示手段９に表示される。

図２はＸ線撮影装置１の動作を示すフローチャート図である。上述のようなＸ線撮影装置１において、先ずメインメモリ１０には制御手段７での処理に必要な各種のデータなどが記憶されていると共に、制御手段７の作業用としてのワークメモリを含んでいる。なお、このフローチャート図に従ったプログラムコードは、メインメモリ１０又は図示しないＲＯＭに格納されＣＰＵバス６により読み出され実行される。

撮影対象として、例えば被写体ＰのＸ線胸部正面画像を例にすると、撮影処理は操作者入力手段１４から入力された撮影開始信号により開始する（Ｓ２０１）。操作者入力手段１４から患者名、性別、年齢など患者情報の入力と撮影部位の入力を行うと、撮影方法変更手段１３では図示しないテーブルを参照して、撮影画像サイズ、撮影場所、撮影距離、Ｘ線絞り開口、Ｘ線管電圧、管電流、Ｘ線照射時間などの撮影条件を決定し保存する（Ｓ２０２）。

次に、撮影方法変更手段１３で決定され保存された撮影条件は制御手段７に呼び込まれ、制御手段７は呼び込んだ撮影条件に従い、操作者入力手段１４からのＸ線照射開始信号により撮影が開始される（Ｓ２０３）。二次元検出器５で撮影された画像は画像処理手段８に入力され、予め設定された処理が行われて画像表示手段９に表示される。この最初の撮影によって得られた画像を第１の画像とし、この第１の画像は同時に解析診断手段１２に入力され、診断支援のための解析処理が行われる（Ｓ２０４）。

患者が撮影室を離れる前に再撮影が必要か否か決定され、再撮影が必要と判定された場合には、再撮影の撮影条件が装置に設定されると共に、撮影技師（オペレータ）に再撮影必要の通知が行われる。

再撮影に関しては、自動撮影も勿論可能であるが、Ｘ線を使用する機器に関しては、Ｘ線照射のスタートは撮影技師に限られる場合があるので、再撮影の通知のみ行う。

解析診断手段１２による診断支援の結果として、病気と疑わしい部分である関心領域が出力されれば（Ｓ２０５）、その関心領域が撮影方法変更手段１３に転送されて、詳細撮影のための撮影条件が決定され、撮影条件が撮影方法変更手段１３に書き込まれる（Ｓ２０６）。書き込まれた撮影条件により絞り手段４及び臥位テーブル２の状態が変更される。操作者入力手段１４からのＸ線照射開始操作により、この変更された条件で撮影が行われ（Ｓ２０７）、第２の画像が生成され撮影が終了する（Ｓ２０８）。関心領域が出力されない場合には（Ｓ２０５）、そこで撮影が終了される（Ｓ２０９）。

解析診断手段１２は診断支援の目的、撮影対象に応じて異なる手段を有し、各手段での処理を使い分けるものである。例えば、撮影対象が胸部画像の場合には、図３に示す陰影抽出手段２１と、後述するテクスチャ疾患抽出手段との処理とを使い分ける。陰影抽出手段２１は胸部画像中の石灰化、腫溜状の癌、或いはマンモグラム画像中の腫溜（ＭＡＳＳ）の検出に使用され、テクスチャ疾患抽出手段は胸部画像中に発見される間質性肺炎などの領域抽出の処理に使用される。

図３は陰影抽出処理を実行するためのブロック回路構成図であり、特定周波数帯の画像を算出し円形の陰影候補を抽出する陰影抽出手段２１は、入力画像に対するハイパスフィルタ手段２１ａとローパスフィルタ手段２１ｂを有し、これらの出力は特徴量を計算する病理特徴量抽出手段２２、抽出された陰影の陽性、陰性を判定する判定手段２３を介して、陽性の陰影候補を囲む一定領域の矩形を定める陽性領域決定手段２４に接続されている。

図４はこの陰影抽出処理のフローチャート図である。先ず、第１の画像は陰影抽出手段２１に入力される（Ｓ４０１）、この入力画像からハイパスフィルタ手段２１ａとローパスフィルタ手段２１ｂにより、それぞれ高周波画像と低周波画像が作成される（Ｓ４０２）。ここで、この２画像の差分画像により陰影候補画像が作成される。

図５（ａ）、（ｂ）はそれぞれハイパスフィルタ手段２１ａとローパスフィルタ手段２１ｂの特性図を示している。また、図５（ｃ）はハイパスフィルタ手段２１ａとローパスフィルタ手段２１ｂにより得られた高周波画像と低周波画像の差分であり、或る大きさの円形パターンを検出するマッチドフィルタの特性図を示している。円形パターンは特定の周波数帯を有するものであり、ハイパスフィルタ手段２１ａとローパスフィルタ手段２１ｂの特性を調整することにより、抽出する円形パターンのサイズを調整することが可能である。

一般的に考えて、胸部正面画像の場合であれば、画像中から直径５ｍｍ以下の腫瘤を選別して抽出することは極めて困難である。その理由は画像中には同等サイズの信号が数多く含まれて、その多くは病気の信号ではないからである。そこで、本実施例では直径１０ｍｍの円形パターンに対応するマッチドフィルタを用いる。

しかし、マッチドフィルタで抽出を試みる円形パターンの直径を１種類に限定するものではなく、８ｍｍ、１２ｍｍ、１６ｍｍなど複数種類のフィルタを順次に適用して、それぞれのフィルタが抽出した陰影候補を以後のプロセスに流すことが可能である。

陰影抽出手段２１で抽出された単数又は複数の陰影候補に対して、病理特徴量抽出手段２２で特徴量が計算される（Ｓ４０３）。ここで計算される特徴量は、面積、円形度、閾値感度である。ただし、本実施例において３種類の特徴量が用いられているが、３種類に限定されるものではない。

なお、面積Ｓと円形度Ｃを計算する際には、陰影候補の領域とそれ以外の領域を２値化して区別する。２値化の閾値は、例えばマッチドフィルタ出力画像のヒストグラムの上位１０％の値とする。
面積Ｓ＝陰影候補に含まれる画素数・１画素の面積

円形度Ｃ＝Ａ／Ｓ、ここで、Ａは実効直径Ｄの円を陰影候補の重心に配置したときに、その円と陰影候補がオーバーラップする、つまり重なる面積を表す。

閾値感度＝｜２・Ｓ（１０）−Ｓ（５）−Ｓ（１５）｜は、閾値を変化させた場合の陰影面積変化であり、ここで、Ｓ（５）、Ｓ（１０）、Ｓ（１５）は、閾値を５％、１０％、１５％と変化させたときの面積、｜｜は絶対値を表している。

次に、病理特徴量抽出手段２２で計算された特徴量に基づいて、各陰影候補に対して陽性か疑陽性であるかの判定を判定手段２３で判定するためにニューラルネットに入力する（Ｓ４０４）。疑陽性とは病理的には正常であるが、円形パターンを有するため抽出された陰影のことである。判定手段２３はニューラルネットワークにより構成されており、ニューラルネットワークは学習フェーズと利用フェーズを有するので、両フェーズに分けて説明する。ただし、判定手段２３は一定の規則に従い病理判定を行えれば、どのような手段を用いてもよく、例えば支援の目的によっては線形で分離が可能な場合には、線形分離を使用してもよい。

学習フェーズは陽性か疑陽性かの結果が分かっている陰影に対して、ニューラルネットワークに結果を提示しながら、病理特徴量抽出手段２２で計算された特徴量を入力して、ニューラルネットワークの内部係数を学習させるものである。ニューラルネットワークは様々なものが開発されており、例を挙げると非特許文献１のランメルハートが開発したフィードフォワード型の誤差逆伝播ニューラルネットワーク、非特許文献２のRadial Basis Functionニューラルネットワーク（簡単にＲＢＦ−ＮＮ）が挙げられる。

D.E. Rumelhart and J.L.McCelland, Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Vol. 1: Foundation. Cambridge: The MIT Press, 1986． C. Bishop, "Improving the Generalization Properties of Radial Basis Function Neural Networks," Neural Comp., vol. 3, pp. 579-588, 1991.

本実施例においては、図６に示すような３入力のＲＢＦ−ＮＮを使用する。構造的にはフィードフォワード型を採用して、入力層、中間層１層、出力層の３層構造である。入力層には、病理特徴量抽出手段２２で抽出した特徴量の数に相当する入力Ｎｏｄｅを配置する。ただし、便宜的に入力ＮＯＤＥ数は３、中間ニューロンは４、出力ＮＯＤＥ数は１としている。中間層に配置するＲＢＦニューロンは、非線型要素としてガウス分布を持つような出力特性を備えている。ＲＢＦニューロンの数は学習のケース数と問題の複雑さに依存するが、計算時間を妥当に設定するためには１００程度が適当である。ニューラルネットワークの出力数は１であり、陽性であれば１、陰性であればゼロが出力される。

本実施例において、ニューラルネットワークは診断支援の目的毎に用意されるが、ソフトウェアで構成されるので、実際は診断支援毎の係数を保存しておいて、使用の際には診断支援毎の係数をセットする。

利用フェーズは学習フェーズで学習した内部係数をニューラルネットワークに設定した後に、二次元検出器５で撮影された画像から病理特徴量抽出手段２２で計算した特徴量を、このニューラルネットワークに入力して、ニューラルネットワークの出力を得る。例えば、陽性出力が１、陰性出力が０として学習されている場合に、ニューラルネットワークの出力が０．５以上の場合は陽性、０．５以下であれば陰性の判定とする（Ｓ４０５）。

陽性と判定された複数の円形パターン（陰影）が近接する場合には１つの陽性領域とし、この陽性領域を矩形化する（Ｓ４０６）。ただし、陽性領域の指定を矩形状に限定する必要はないが、一般的にＸ線照射の絞りには矩形が使用されることが多いため、本実施例では矩形とした。仮に、Ｘ線照射の絞りが円形であれば、円形としたほうが望ましい。

第１の画像から抽出された陰影候補が複数ある場合には、矩形領域を１個所に限定できない場合がある。この場合には、後述の詳細画像の撮影枚数が複数枚になることもある（Ｓ４０７）。

図７は入力された胸部正面画像であり、図８はこの画像に対して陰影抽出手段を適用した結果を示している。図９は図８の４個の陰影候補それぞれに対して病理特徴量を抽出して、特徴量を基にニューラルネットワークによる判定手段２３で判定した結果である。ここでは、右肺の矩形の陰影パターンが陰性として排除されている。この陽性陰影パターンに対して、図１０は陽性領域決定手段２４により陽性領域が決定された結果である。全ての陽性陰影を含むように陽性領域が設定され、しかも左肺の陰影に関しては１つに統合されて陽性領域が設定されている。

図１１は前述したテクスチャ疾患診断支援処理を実行するためのブロック回路構成図である。テクスチャ疾患抽出手段３１はセグメンテーション手段３２と領域分割手段３３とから成り、更にセグメンテーション手段３２はセグメント特徴量抽出手段３２ａと判別手段（ニューラルネットワーク手段）３２ｂから成っている。テクスチャ疾患抽出手段３１の出力は、図３と同様に病理特徴量抽出手段２２、判定手段２３を経て陽性領域決定手段２４に接続されている。

ここで、胸部正面画像に対する間質性肺疾患を例にとって説明すると、第１の画像に対してテクスチャ疾患抽出手段３１は、テクスチャ疾患を有する領域の候補を関心領域（ＲＯＩ）として抽出する。先ず、第１の画像はセグメンテーション手段３２に入力されて肺野領域がセグメンテーションされる。間質性肺疾患は局所的な領域で判断される疾患であるので、肺野の局所領域を定義するために肺野領域が抽出される。

セグメンテーション手段３２はニューラルネットワークにより構成されており、上述のように学習フェーズと利用フェーズを有する。なお、以下のフェーズでは画素単位のセグメンテーションを行っているが、例えば非特許文献３に示される画像中から輪郭を追跡する手法によりセグメンテーションを行うことも可能である。

O.Tsujii, M. T. Freedman, and S. K. Mun, "Lung contour detection in chest radiographs using 1-D convolution neural networks," Electronic Imaging, 8(1), pp. 46-53, January 1999

第１の画像の各画素に対して、セグメント特徴量抽出手段３２ａは特徴量を計算する。計算される特徴量は、例えば非特許文献４に開示される画素値をベースに計算されるもの、テクスチャをベースに計算されるもの、解剖学的構造からの相対アドレスで計算するものなどがある。これらの特徴量は画像のテクスチャの特性を示すものである。なお、特徴量はこれらに限られるものではなく、画像のテクスチャの特徴を示すものであればよい。ここでは図１２に示すように、第１の画像を、碁盤目状の矩形ＲＯＩに分割し、各ＲＯＩ毎に特徴量が計算される。

O. Tsujii, M. T. Freedman, and S. K. Mun, "Automated Segmentation of Anatomic Regions in Chest Radiographs using Adaptive-Sized Hybrid Neural Network, " Med. Phys., 25(6), pp. 998-1007, June 1998.M. F. McNitt-Gray, H. K. Huang and J. W. Sayre, "Feature Selection in the Pattern Classification Problem of Digital Chest Radiograph Segmentation, " IEEE Trans. Med. Imag. 14, 537-547 (1995)

ニューラルネットワークは前述したように様々なものが開発されている。本実施例においては、ＲＢＦ−ＮＮを使用する。構造的にはフィードフォワード型を採用し、図６に示すように入力層、中間層１層、出力層の３層構造である。

入力層には、セグメント特徴量抽出手段３２ａで抽出した特徴量の数に相当する入力Ｎｏｄｅを配置する。中間層に配置するＲＢＦニューロンは、非線型要素としてガウス分布を持つような出力特性を具備する。ＲＢＦニューロンの数は学習のケース数と問題の複雑さに依存するが、計算時間を妥当に設定するためには５０００程度が適当である。ニューラルネットワークの出力数は、各部位に対するセグメント数に相当する。

例えば、図７に示すような胸部正面の画像であれば、図１３に示すように２つの解剖学的セグメントＳ１、Ｓ２があるので、２つの出力ＮＯＤＥが用意される。本実施例において、ニューラルネットワークは撮影部位毎つまり対象画像毎に用意されるが、ニューラルネットワークはソフトウェアで構成されるので、実際は部位毎の係数を保存しておいて、使用の際には部位毎の係数をセットする。

学習フェーズにおいては、各画素に対する特徴量と共に、セグメンテーション結果である回答例が判別手段３２ｂに提示される。図１３は入力画像に対する教師出力画像の例を示し、胸部正面画像に対応するセグメント分類に対応するように、教師画像では出力値１と２を持つように教師画像が作られる。ただし、セグメントの対象とならない領域は、それ以外の数、例えばゼロがセットされる。教師画像の手段は、画像中の領域を指定できるグラフィックソフトで行うことができるが、市販の画像処理ソフトなどを使用することも可能である。ニューラルネットワークの学習は、ＲＢＦ−ＮＮの場合は出力エラーを最小にする最小２乗法で行えば解析的に求めることができ、内部係数の計算は短時間で行える。

利用フェーズに関する画像中の各画素に対する特徴量の抽出は、学習フェーズと同様に行われる。ニューラルネットワークに対する内部係数は、対象の撮影部位に対する係数が利用前にロードされる。各画素に対する特徴量がニューラルネットワークに提示されて、ネットワークは出力ＮＯＤＥに出力値を出力する。胸部正面画像の場合では、出力ＮＯＤＥは２つであり、それらの出力ＮＯＤＥで最もＹＥＳに近い出力をしたＮＯＤＥに対応するセグメントに入力画素は分類される。図１４はこのようにして画像中の全ての画素に対する分類が完了したセグメント画像Ｓ３、Ｓ４を示している。

一般的に、判別手段３２ｂが出力したセグメント画像にはノイズが含まれており、例えば肺野の領域から分離して小さい面積の肺野領域が発生する場合がある。このようなノイズ的な小領域は、後処理過程で除去されるが、この技術に関しては前述の非特許文献３に記載されている。

図１５は判別手段３２ｂのセグメンテーション出力画像例を示す。このセグメンテーション出力画像に対して領域分割手段３３が適用される。領域分割とは、テクスチャ疾患パラメータを計算するための局所的な領域を定義することである。具体的には、図１２に示すように対象となるセグメンテーション出力画像のこの場合の肺野である対象領域は、一定値以下の面積になるように矩形状に分割することである。このようにして定義された概略矩形の関心領域を、テクスチャ疾患候補ＲＯＩと呼ぶ。

テクスチャ疾患抽出手段３１により出力された複数のテクスチャ疾患候補ＲＯＩに対して、それぞれ病理特徴量抽出手段２２により病理特徴量が計算されて、その特徴量を基に陽性か陰性かの判断が行われる。特徴量計算以降の過程は、図３に示した陰影診断支援処理と同様であるので省略する。ただし、特徴量計算は診断支援処理の目的に応じて計算される。テクスチャ疾患診断支援に使用される特徴量に関しては、次の非特許文献５、６を参照できる。

桂川茂彦他：間質性疾患のコンピュータ診断支援の可能性、日本医学放射線学会誌、５０：７５３−７６６、１９９０． 佐々木康夫他：じん肺標準写真のテクスチャ解析による定量評価、日本医学放射線学会、５２：１３８５−１３９３、１９９２．

解析診断手段１２により関心領域が出力され、この出力は撮影方法変更手段１３に入力され、第２の画像の撮影条件決定に使用される。撮影方法変更手段１３は操作者入力手段１４に表示する。Ｘ線装置の場合には、撮影のスタートは撮影者に限定されるが、ＣＴやＭＲＩの場合には、自動的に条件設定や臥位テーブル２の移動が行われて、自動に撮影が開始されることも可能である。

図１６（ａ）、（ｂ）は被写体Ｐの一般的な臥位胸部撮影の撮影位置を示している。（ａ）は頭の方向から見た状態、（ｂ）は側方から見た状態を示している。Ｘ線発生手段３によるＸ線撮影の条件としては、管電圧１２０ＫＶ、管電流２００ｍＡ、撮影時間は１０ｍ秒程度、撮影距離はＸ線焦点から患者まで約１．８ｍ、撮影サイズは４３ｃｍ・４３ｃｍである。照射時間に関しては、図示しないＸ線露光用モニタを使用すると自動的に決定される。

この状態で被写体Ｐの第１の胸部画像が撮影されて、画像が解析診断手段１２によって診断支援されて図１６（ｃ）に示すような関心領域Ｑが出力された場合に、被写体Ｐは第１の胸部画像が撮影された状態で臥位テーブル２の上に横になっているので、（ｃ）に矩形で示した関心領域Ｑが拡大撮影されるように、臥位テーブル２のＸ、Ｙ方向の移動と、臥位テーブル２の昇降が行われて適当な拡大率が設定される。

第２の画像を撮影するために、臥位テーブル２の移動が完了した状態を図１６（ｄ）、（ｅ）に示している。（ｄ）、（ｅ）はそれぞれ（ａ）、（ｂ）の状態に相当し、左肺の下部が拡大されるように臥位テーブル２の位置は移動している。

ここで注意することは、図１６（ｃ）で検出された関心領域Ｑを厳密に拡大する必要はないが、Ｘ線ビームの絞り手段４、撮影サイズが変更されて必要な部分だけにＸ線ビームが照射されていることである。この場合に、二次元検出器５までの撮影距離は変更されていないので、Ｘ線発生手段５の管電圧、管電流はそのまま維持されている。また、Ｘ線露光用モニタの内部構造を厳密に図示してはいないが、撮影領域に対応して複数のセグメントから構成されるＸ線受光部のどれを使用してＸ線を遮断するかも、自動的に適当なものが使用される。

また、第１の画像を撮影する際に、Ｘ線ビームが遮断するまでの撮影時間がＸ線制御装置より取得可能であるので、その照射時間を撮影制御部に設定することで、Ｘ線露光用モニタを使用せずに照射時間指定で撮影することも可能である。

図１７は撮影方法変更手段１３の内部で計算される臥位テーブル２の移動量の計算プロセスの説明図である。Ｘ線ビームの焦点と二次元検出器５の関係は固定とすれば、第１の画像の中心から関心領域Ｑの中心までの距離が、被写体Ｐの体軸方向のＹ量、横軸方法のＸ量で計算される。具体的には、距離を画素数で計算して画素サイズを乗算することによって求めることが可能である。

臥位テーブル２の昇降は拡大撮影の場合は通常２倍に拡大されるので、２倍の幾何学距離が得られるように、Ｘ線ビームの焦点と二次元検出器５の間で臥位テーブル２の位置が決定される。そして、画像の拡大を考慮して絞り手段４のサイズが計算される。勿論、拡大サイズは２倍に限定されるものではなく、その他の倍数が病気の種類によってテーブルを参照して決定されてもよい。例えば、癌では拡大率を２倍にし、間質性肺炎では症状を更に詳細に観察するために３倍に設定することが考えられる。

撮影方法変更手段１３による撮影画像サイズ、撮影場所、撮影距離、Ｘ線絞り開口の変更例を説明したが、Ｘ線発生手段３のＸ線管電圧、管電流、Ｘ線照射時間などの撮影条件を変更してもよい。一般に、例えば１１０ＫＶに管電圧を低くすると、軟部組織を観察するのに好適であり、軟部組織としての病例としては間質性肺炎などが考えられる。石灰化が疑われる場合においては、例えば管電圧を１４０ＫＶに高めて撮影することで、他の臓器のコントラストを低下させることが可能になる。

管電流の変更要因としては、一般に間質性肺炎などの軟部組織を観察する場合には、ＳＮ比を良くする必要があるので、管電流を増加させて撮影することが考えられる。Ｘ線照射時間は撮影中の体動や心臓などの臓器の動きに関連して決定され、例えば陽性が疑われる領域が心臓に近い場合においては、精細に観察するためには、心臓の動き効果を低減するために、通常２．５ｍ秒に対して半分の１．２５ｍ秒の高速の撮影時間が好適である。ただし、撮影時間を半分にして、同一の線量を得ようとすると倍の管電流で撮影することが必要になる。

上述の説明ではＸ線胸部撮影装置を例にしたが、Ｘ線***画像に関しても同様に診断支援結果を使用した拡大撮影を行うことが可能である。また、以上の例では第１の画像、第２の画像共に静止画像であったが、第１の静止画像での診断支援結果を基に、関心領域の動画像を第２の画像として撮影することも可能であるし、その逆に第１の動画像を診断支援した結果を基に、関心領域の詳細画像を第２の画像として撮影することも可能である。

図１８はＣＴの場合を例とした説明図である。（ａ）は第１の画像が撮影される場所と撮影条件を表している。撮影は肺から腹部にかけての広い領域に対して行われる。そのために、スライス厚は１０ｍｍと厚く、撮影間隔も１０ｍｍと粗い撮影が行われる。これら複数の第１の画像に対して診断支援手段が適用されて、その結果、（ｂ）に示すようにスライス番号３と４のところに腫瘍らしきものが検出されている。

この状態では、悪性、良性の判断、進行度が判断し難いので、スライス厚を５ｍｍ、スライスピッチを５ｍｍに設定して第２の画像が撮影される。この場合の撮影条件の変更内容としては、図１８（ｃ）に示すように第１の画像の３と４の位置を中心に撮影するように、臥位テーブル２の移動が行われて、更にスライス厚の変更、スライスピッチの変更が行われ、スライス厚の変更に伴って管電流の増加などの変更が行われる。スライス厚の変更は、Ｘ線管球の前面に設置されたスリットの間隔を変更することによって実現される。この例ではＣＴの場合であるが、この技術はＭＲＩにも同様に適用することが可能である。

上述の実施例では、第１の画像と第２の画像の撮影装置が同じであるが、同じである必要はなく、Ｘ線画像の診断支援結果を使用して、ＣＴスキャナで精細に撮影する際の臥位テーブルの場所やスライス厚、Ｘ線条件などの撮影条件を決定して、その撮影条件をＣＴに設定することも可能である。

また、このようなことは解析手段と撮影方法、撮影条件の変更は、医療の分野以外においても応用が可能である。つまり、自然画像或いは解析画像の撮影において、自動的に撮影された画像を解析して、重要な関心領域をより詳細に撮影することが必要な場合がある。

更に、本発明は上述の実施例を実現するための装置及び方法のみに限定されるものではなく、装置内のＣＰＵやＭＰＵのコンピュータに、実施例を実現するためのソフトウェアのプログラムコードを供給し、このプログラムコードに従って上記システム或いは装置のコンピュータが各種デバイスを動作させることにより、上述の実施例を実現する場合も本発明の範疇に含まれる。

また、この場合にソフトウェアのプログラムコード自体が実施例の機能を実現することになり、そのプログラムコード自体、及びそのプログラムコードをコンピュータに供給するための手段、具体的にはプログラムコードを格納した記憶媒体は本発明の範疇に含まれる。

このようなプログラムコードを格納する記憶媒体としては、例えばフロッピディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、磁気テープ、不揮発性のメモリカード、ＲＯＭ等を用いることができる。

またコンピュータが、供給されたプログラムコードのみに従って各種デバイスを制御することにより、実施例の機能が実現される場合だけではなく、プログラムコードがコンピュータ上で稼働しているＯＳ（オペレーティングシステム）、或いは他のアプリケーションソフト等と共働して実施例を実行する場合にも、このようなプログラムコードは本発明の範疇に含まれる。

更に、この供給されたプログラムコードが、コンピュータの機能拡張ボードやコンピュータに接続された機能拡張ユニットに備わるメモリに格納された後に、そのプログラムコードの指示に基づいてその機能拡張ボードや機能格納ユニットに備わるＣＰＵ等が実際の処理の一部又は全部を行い、その処理によって実施例が実現される場合も本発明の範疇に含まれる。

実施例のＸ線撮影装置の構成図である。 動作のフローチャート図である。 陰影抽出処理のブロック回路構成図である。 陰影抽出のフローチャート図である。 ローパス、ハイパスフィルタ及び両フィルタの差分の特性図である。 判別手段の説明図である。 胸部正面画像の説明図である。 陰影候補画像の説明図である。 判定手段出力の説明図である。 陽性領域の説明図である。 テクスチャ疾患診断支援処理のブロック回路構成図である。 テクスチャ特徴量抽出において画像と矩形ＲＯＩに分割する説明図である。 肺野のセグメンテーション結果の説明図である。 肺野のセグメンテーション結果の説明図である。 セグメンテーション出力の説明図である。 撮影方法変更の説明図である。 撮影方法変更の計算プロセスの説明図である。 第１の画像を基に第２の画像を撮影する場合の説明図である。

符号の説明

１ Ｘ線撮影装置
２ 臥位テーブル
３ Ｘ線発生手段
４ 絞り手段
５ 二次元検出器
７ 制御手段
８ 画像処理手段
９ 画像表示手段
１０ メインメモリ
１２ 解析診断手段
１３ 撮影方法変更手段
１４ 操作者入力手段
２１ 陰影抽出手段
２１ａ ハイパスフィルタ手段
２１ｂ ローパスフィルタ手段
２２ 病理特徴量抽出手段
２３ 判定手段
２４ 陽性領域決定手段
３１ テクスチャ疾患抽出手段
３２ セグメンテーション手段
３２ａ セグメント特徴量抽出手段
３２ｂ 判別手段
３３ 領域分割手段
Ｑ 関心領域

Claims (9)

1. 放射線画像から関心領域の位置と範囲に関する情報を解析する解析手段と、該解析手段で解析された情報に基づいて撮影条件を決定する条件決定手段とを有することを特徴とする放射線画像処理装置。
2. 前記条件決定手段は、放射線発生手段の位置、被写体を積載するためのテーブルの位置、照射絞りの範囲、センサの位置の少なくとも１つを決定することを特徴とする請求項１に記載の放射線画像処理装置。
3. 前記条件決定手段は、前記解析手段で算出された関心領域のみにＸ線が照射されるように放射線発生手段の位置、被写体を積載するためのテーブルの位置、照射絞りの範囲、センサの位置の少なくとも１つを決定することを特徴とする請求項１に記載の放射線画像処理装置。
4. 前記条件決定手段は、前記解析手段で算出された関心領域が拡大撮影されるように、放射線発生手段の位置、被写体を積載するためのテーブルの位置、照射絞りの範囲、センサの位置の少なくとも１つを算出することを特徴とする請求項１に記載の放射線画像処理装置。
5. 前記条件決定手段は、前記解析手段で算出された関心領域が動画撮影されるように、放射線発生手段の位置、被写体を積載するためのテーブルの位置、照射絞りの範囲、センサの位置、センサの駆動方法の少なくとも１つを決定することを特徴とする請求項１に記載の放射線画像処理装置。
6. 前記放射線画像はＣＴ又はＭＲの再構成画像であり、前記条件決定手段は前記解析手段で算出された関心領域の位置と範囲に基づいて、撮影範囲及び／又は撮影ピッチを決定することを特徴とする請求項１に記載の放射線画像処理装置。
7. 放射線画像から関心領域の位置と範囲に関する情報を解析する解析工程と、該解析工程で解析された情報に基づいて撮影条件を決定する条件決定工程とを有することを特徴とする放射線画像処理方法。
8. 請求項７の放射線画像処理方法をコンピュータで実行するためのプログラム。
9. 請求項７の放射線画像処理方法をコンピュータで実行するためのプログラムを記録した記憶媒体。