JP2008011901A - 画像種類判別装置および方法並びにプログラム - Google Patents

Abstract

【課題】放射線画像が、撮影部位、撮影方向、撮影方法等で定義される多数の画像種類のうちいずれに属する画像であるかを判別する。
【解決手段】判別すべき画像が、撮影部位、撮影方向および撮影方法のうち１以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、当該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、上記画像種類毎に用意された当該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段を用意し、放射線画像上の照射野と照射野絞り用マスクとの境界を検出し、その放射線画像における境界を挟む領域間の画像濃度を互いに近づける濃度補正を行い、その濃度補正済画像に上記判別手段を適用して、その放射線画像が属する画像種類を判別する。
【選択図】図１

Description

本発明は、対象となる放射線画像が、撮影部位、撮影方向、撮影方法等で定義される複数の画像種類のうちのいずれに属する画像であるかを判別する画像種類判別装置および方法並びにそのためのプログラムに関するものである。

従来、ＣＲシステム等で読み取られた放射線画像を読影に最適な画像にすべく、その放射線画像に対して適正な画像処理を施す手法が用いられている。

例えば、放射線画像を表す画像データと、その放射線画像の種類を表す撮影メニュー情報とに基づいて、その放射線画像に適した画像認識処理を実行し、この画像認識処理の結果に基づいて、その放射線画像に適した画像処理を実行し、読影に最適な放射線画像を得るという手法が用いられている。

ここで、撮影メニューとは、撮影部位、撮影方向、撮影方法等によって細かく定義されたコードであり、通常、ユーザ（放射線技師等）が放射線撮影を行うのと同時に入力する。対象となる放射線画像に施される画像認識処理や画像処理はこの撮影メニューによって異なり、撮影メニュー毎に放射線画像に施すべき最適な画像認識処理の種類や画像処理のパラメータ等が用意されている。画像認識処理としては、分割撮影認識、照射野認識、ヒストグラム解析等があり、また、画像処理としては、主に濃度・階調処理、周波数処理、ノイズ抑制処理等がある。

なお、上記の撮影メニュー情報を入力したり画像認識処理を実行したりする理由は、次のような背景による。放射線画像を用いた画像診断では、その放射線画像における撮影部位や撮影方向によってユーザ（読影者等）が被写体上で関心を持つ関心領域が異なり、その関心領域の画像濃度が変わる場合がある。例えば、骨部組織に相当する画像は比較的低濃度であるのに対して、軟部組織に相当する画像は比較的高濃度であるため、観察したい関心領域が骨部と軟部のどちらであるかによって画像処理によって強調すべき濃度域が異なる。強調すべき濃度域を知るためには撮影メニュー情報が必要であり、また、高濃度域や低濃度域を知るためにはヒストグラム解析等が必要となる。また、例えば、放射線の照射野が照射野絞り用のマスクによって絞られている場合には、そのままでは照射野外の比較的広い領域が低濃度であるため正しいヒストグラム情報が得られないが、照射野認識を行って照射野領域を認識した後にその照射野内の画像の情報のみからヒストグラム解析を行うと、より好ましい濃度域を強調した画像を提供することができる（特許文献２参照）。

ところで、放射線画像における撮影部位、撮影方向、撮影方法等で定義される上記の撮影メニュー（コード）は多種に渡り、これをユーザが手動で入力することは実に煩雑な作業となる。そこで、このような撮影メニューの設定を自動で行うことを目的として、放射線画像における被写体の撮影方向を判別する方法が研究されており、これまでに、例えば、被写体である撮影部位が人体の胸部である場合に、その胸部が正面であるか側面であるかを認識する方法が提案されている（特許文献１参照）。また、画像処理条件を決定する方法についても提案されている（特許文献３参照）。
特開平０５−１８４５６２号公報 特開平１０−１６２１５６号公報 特開２００２−００８００９号公報

しかしながら、特許文献１の、被写体である人体の胸部が正面であるか側面であるかを認識する方法は、人体の胸部の正面／側面の認識に特化した方法であり、実際の多種に渡る撮影メニュー、例えば、頚椎，胸部−単純Ｘ線，胸部−側面，胸部−幼児・小児，***，腹部−幼児，腰椎−正面，腰椎−側面，股関節等に対応した画像の判別は行うことができない。また、従来のいずれの認識方法を用いても、このような多種に渡る撮影メニューに対応した画像の判別は難しい。

本発明は、上記事情に鑑みなされたものであり、放射線画像が、撮影部位、撮影方向、撮影方法等で定義される多数の画像種類のうちいずれに属する画像であるかを判別することができる画像種類判別装置および方法並びにそのためのプログラムを提供することを目的とするものである。

本発明の第１の画像種類判別装置は、判別すべき画像が、撮影部位、撮影方向および撮影方法のうち１以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段と、画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するマスク境界検出手段と、前記放射線画像における、前記検出された境界を挟んで該境界に沿って近接する２つの領域の画像の濃度を互いに近づける濃度補正を行う画像濃度補正手段と、前記濃度補正済みの放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別する判別処理手段とを備えたことを特徴とするものである。

本発明の第２の画像種類判別装置は、判別すべき画像が、撮影部位、撮影方向および撮影方法のうち１以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段と、画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するマスク境界検出手段と、前記放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別する判別処理手段と、前記放射線画像における前記検出された境界を跨ぐ領域に基づく前記特徴量の前記判別への寄与を抑制すべく、該特徴量の値を調整する特徴量調整手段とを備えたことを特徴とするものである。

本発明の第１および第２の画像種類判別装置において、前記判別手段は、それぞれが、判別対象となる１つの画像種類に属する複数のサンプル画像と該判別対象とは異なる画像種類に属する複数のサンプル画像とを用いた機械学習により生成された、判別対象が互いに異なる複数種類の判別器であり、前記判別処理手段は、前記放射線画像に対し前記複数種類の判別器のうち少なくとも１つを適用して判別するものであってもよい。

本発明の第１および第２の画像種類判別装置において、前記機械学習の手法としては、例えば、ブースティングと呼ばれる手法を考えることができ、特にその変形であるアダブースト（Ａｄａｂｏｏｓｔ）と呼ばれる手法が好ましいが、サポートベクターマシーンやニューラルネットワークを生成する手法であってもよい。

ブースティングおよびその変形であるアダブーストについては、特開２００５−１００２１２号公報等に記載されているが、概略は以下の通りである。

例えば、２つの特徴量ｘ_１およびｘ_２に対応する軸を有する特徴量平面上に分布するデータ点を、ある特定内容のデータを示すデータ点とそうでないデータ点との２つに分類するための学習について説明すると、ブースティングは、上記の特定内容のデータを示すことが分かっている複数のデータ点とそうでないことが分かっている複数のデータ点からなるサンプルデータ点群の中から、データ点の第１の組を選択し、それら第１の組のデータ点を最も良好に分類する特徴量平面上の第１の直線または比較的単純な曲線を特定し、次にその第１の直線または曲線では良好に分類できないデータ点の第２の組を選択し、それら第２の組のデータ点を最も良好に分類する第２の直線または曲線を特定し、・・・という処理を繰り返して学習を行なうものである。最後に、一連の処理で特定された複数の直線または曲線を総合して、多数決の手法等により、特徴量平面を分割する最適な線が決定される。一方、アダブーストは、上記と同様のサンプルデータ点群をなす各データ点に重みを割り当て、すべてのデータ点を用いてそれらを最も良好に分類する特徴量平面上の第１の直線または曲線を特定し、その第１の直線または曲線では正しく分類できなかったデータ点の重みを高くし、次に各データ点の重みを加味してデータ点を最も良好に分類する第２の直線または曲線を特定し、・・・という処理を繰り返して学習を行うものである。

なお、本発明における判別手段は、上記学習により生成された、判別すべき画像が所定の画像種類に属する画像であるか否かを判別する判別器であって、判別可能な画像種類が互いに異なる複数種類の判別器で構成されるものであってもよいし、上記学習により生成された、判別すべき画像が複数の画像種類のうちいずれに属する画像であるかを一度で判別可能な判別器であってもよい。

本発明の第１および第２の画像種類判別装置において、前記複数種類の特徴量は、前記放射線画像における濃度ヒストグラムを表す特徴量および前記放射線画像におけるエッジ成分を表す特徴量のうち少なくとも１つを含むものであることが好ましい。

本発明の第１の画像種類判別方法は、判別すべき画像が、撮影部位、撮影方向および撮影方法のうち１以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段を、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成するステップと、画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するステップと、前記放射線画像における、前記検出された境界を挟んで該境界に沿って近接する２つの領域の画像の濃度を互いに近づける濃度補正を行うステップと、前記濃度補正済みの放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別するステップとを有することを特徴とするものである。

本発明の第２の画像種類判別方法は、判別すべき画像が、撮影部位、撮影方向および撮影方法のうち１以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段を、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成するステップと、画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するステップと、前記放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別するステップと、
前記放射線画像における前記検出された境界を跨ぐ領域に基づく前記特徴量の前記判別への寄与を抑制すべく、該特徴量を調整するステップとを有することを特徴とするものである。

本発明の第１のプログラムは、コンピュータを、判別すべき画像が、撮影部位、撮影方向および撮影方法のうち１以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段と、画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するマスク境界検出手段と、前記放射線画像における、前記検出された境界を挟んで該境界に沿って近接する２つの領域の画像の濃度を互いに近づける濃度補正を行う画像濃度補正手段と、前記濃度補正済みの放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別する判別処理手段として機能させることを特徴とするものである。

本発明の第２のプログラムは、コンピュータを、判別すべき画像が、撮影部位、撮影方向および撮影方法のうち１以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段と、画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するマスク境界検出手段と、前記放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別する判別処理手段と、前記放射線画像における前記検出された境界を跨ぐ領域に基づく前記特徴量の前記判別への寄与を抑制すべく、該特徴量の値を調整する特徴量調整手段として機能させることを特徴とするものである。

「撮影部位」としては、例えば、胸部、腹部、腰椎、股関節、上腕骨等を考えることができる。また、「撮影方向」としては、例えば、正面、側面、上面等を考えることができる。また、「撮影方法」としては、例えば、造影剤入り撮影、造影剤なし撮影、単純撮影、断層撮影等を考えることができる。

「照射野」とは、放射線が通常の線量で照射される領域を意味するものであり、また、「照射野絞り用マスク」とは、被写体のうち読影に必要のない部分に対する放射線の被爆を抑えるため、その読影不要部分を覆って照射野を絞るための遮蔽板のことを意味するものである。

「複数種類の特徴量」は、画像対応領域サイズを含むものであってもよい。ここで、「画像対応領域サイズ」は、例えば、放射線画像を取得する際の放射線撮影に用いられたイメージングプレートやフラットパネルディテクタ等の実物大の大きさを表すものであり、放射線画像における１画素当たりの実物大の大きさが特定されている場合には、放射線画像の長辺および短辺の画素数から導き出すことができる。

なお、「画像対応領域サイズ」は、放射線画像を読み込む際にハードウェアから直接取得するようにしてもよい。

また、このような画像対応領域サイズの代わりに、放射線画像における１画素当たりの実物大の大きさを示す尺度となるものを用い、少なくとも被写体の実物大の大きさが分かるような情報を用いるようにしてもよい。

「エッジ成分」とは、画像の濃度差によって現れる輪郭のことを意味するものである。例えば、近傍画素間の一次微分や二次微分、ウェーブレット係数、任意の二つの矩形領域の差分値を出力するＨａａｒ−ｌｉｋｅフィルタの出力値等であってもよい。

「濃度」は、信号の空間としての意味ではなく、検出した放射線の大小を表す一般的な信号レベルを指し、どのような空間で信号の補正処理を行ってもよい。

本発明の第１の画像種類判別装置および方法並びにそのためのプログラムによれば、判別すべき画像が、撮影部位、撮影方向および撮影方法のうち１以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、当該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、上記画像種類毎に用意された当該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段を用意し、画像中に放射線画像を含む入力画像に基づいて、上記放射線画像における照射野と照射野絞り用マスクとの境界を検出し、上記放射線画像における、上記検出された境界を挟んで当該境界に沿って近接する２つの領域の画像の濃度を互いに近づける濃度補正を行い、濃度補正済みの放射線画像に対し上記判別手段を適用して、当該放射線画像が属する画像種類を判別するので、画像の濃淡パターンが複雑でこれまで判別が難しかった画像種類についても、サンプル画像を用いた機械学習により生成された判別手段の特徴、すなわち、高い判別精度と高いロバスト性を持って判別することができ、当該放射線画像が、撮影部位、撮影方向、撮影方法等で定義される多数の画像種類のうちいずれに属する画像であるかを判別することができる。さらには、当該放射線画像における照射野絞り用マスクに関する情報とその他の情報とを互いに分離して特徴量に反映させることができ、画像種類の判別性能を向上させることができる。

本発明の第２の画像種類判別装置および方法並びにそのためのプログラムによれば、判別すべき画像が、撮影部位、撮影方向および撮影方法のうち１以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、当該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、上記画像種類毎に用意された当該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段を用意し、画像中に放射線画像を含む入力画像に基づいて、上記放射線画像における照射野と照射野絞り用マスクとの境界を検出し、上記放射線画像における上記検出された境界を跨ぐ領域に基づく特徴量の上記判別への寄与を抑制すべく、当該特徴量の値を調整し、上記放射線画像に対し上記判別手段を適用して、当該放射線画像が属する画像種類を判別するので、画像の濃淡パターンが複雑でこれまで判別が難しかった画像種類についても、サンプル画像を用いた機械学習により生成された判別手段の特徴、すなわち、高い判別精度と高いロバスト性を持って判別することができ、当該放射線画像が、撮影部位、撮影方向、撮影方法等で定義される多数の画像種類のうちいずれに属する画像であるかを判別することができる。さらには、当該放射線画像における照射野絞り用マスクに関する情報とその他の情報とを互いに分離して特徴量に反映させることができ、画像種類の判別性能を向上させることができる。

以下、本発明の実施形態について説明する。これより説明する本発明の実施形態である画像種類判別装置は、被写体を透過した放射線を照射され被写体の放射線像を蓄積記憶しているイメージングプレート（Imaging Plate；ＩＰ）に励起光を走査して照射し、そこから発せられる蛍光を検出して放射線画像を読み取る読取装置において、画像を高解像度で読み取る本読みと呼ばれる処理の前に、画像の最適な読み取り条件を求めるために予備的に行われる、画像を低解像度で読み取る先読みと呼ばれる処理により取得された放射線像の縮小画像を入力画像とし、画像中に放射線画像を含むその入力画像が、予め定義された撮影メニュー、すなわち、撮影部位、撮影方向、撮影方法等で定義される多数の画像種類のうちいずれに属する画像であるかを判別するものであり、マシンラーニングの学習（機械学習）により生成された、判別すべき画像種類がそれぞれ異なる複数の判別器を用いて上記判別を行うものである。なお、以下の説明において、画像とその画像を表す画像データとは特に区別しない。

（第１の実施形態）
図１は本発明の実施形態である画像種類判別装置の構成を示す概略ブロック図である。図１に示すように、この画像種類判別装置は、放射線画像抽出部１０と、画像規格化部２０と、マスク境界検出部３０と、画像濃度補正部４０と、ヒストグラム特徴量算出部５０と、エッジ特徴量算出部６０と、判別器群（判別手段）７０を有する判別処理部（判別処理手段）８０とを備えている。

放射線画像抽出部１０は、画像中に放射線画像を含む入力画像Ｓ０に基づいて、入力画像Ｓ０中の放射線画像を抽出するものであり、具体的には、入力画像Ｓ０における各画素の画素値を水平方向および垂直方向にそれぞれ射影し、射影された値のほとんどが０（ゼロ；画像を形成しない画素が有する画素値に相当する値）となる水平方向と垂直方向の範囲を検出し、検出された水平方向と垂直方向の範囲で定まる矩形領域の画像を、放射線画像Ｓ１として抽出するものである。

この入力画像Ｓ０は、画像サイズが２５６×２５６画素で統一されており、この画像における１画素は実世界での特定の大きさに対応している。したがって、大きさの異なるイメージングプレートの先読み画像が読み込まれた場合、その先読み画像がその実物大の大きさを反映した画素数で２５６×２５６画素の中に埋め込まれ、残った部分の画素には画素値０（ゼロ）が設定される。

図２は、入力画像Ｓ０の一例を示す図であり、人体の頸部の側面の放射線画像が含まれた入力画像Ｓ０を表している。

また、この放射線画像抽出部１０は、この抽出された放射線画像Ｓ１の長辺と短辺の長さの組合せで規定されるサイズを、放射線撮影に用いられたイメージングプレートのサイズとみなし、このＩＰサイズ情報（画像対応領域サイズ）ＳＺを取得する。この放射線画像Ｓ１における１画素当たりの実物大の大きさは予め特定されていることが多い。したがって、放射線画像Ｓ１の長辺と短辺の画素数を求めることで、実際のＩＰサイズを知ることができる。例えば、ＩＰサイズを表１に示すように６通り（写真の半切、大角、四切、六切、・・・にそれぞれ対応する）に分類し、上記抽出された放射線画像Ｓ１の長辺と短辺の長さの組合せがこの６種類の分類のうちいずれに属するかを表す情報をＩＰサイズ情報ＳＺとする。

このＩＰのサイズは、撮影部位の種類や被写体の姿勢、撮影方法に応じて特定のサイズとなる可能性が高いため、放射線画像Ｓ１が属する画像種類とこのＩＰのサイズとの間には相関がある。したがって、このＩＰサイズ情報ＳＺは、放射線画像Ｓ１が属する画像種類を判別する際の有力な手がかりとなる。

画像規格化部２０は、放射線画像抽出部１０により抽出された放射線画像Ｓ１を入力画像Ｓ０から切り出し、この放射線画像Ｓ１に解像度変換処理を施して規格化し、所定の解像度で表された規格化済みの放射線画像Ｓ１′を生成するものである。

この規格化は、後述のマスク境界を検出する処理や、ヒストグラム特徴量およびエッジ特徴量を算出する処理に適した画像をそれぞれ生成するために行われるものであり、具体的には、放射線画像Ｓ１に対してアスペクト比の変更が可能なアフィン変換等を行うことにより、１２８×１２８画素（pixel）サイズに変換された規格化済み画像Ｓ１′ａをマスク境界の検出処理用として、また、３２×３２画素サイズに変換された規格化済み画像Ｓ１′ｂをヒストグラム特徴量およびエッジ特徴量の算出処理用として生成する。

マスク境界検出部３０は、規格化済み画像Ｓ１′ａを照射野に対応する部分と照射野絞り用マスク（以下、単にマスクという）に対応する部分とに分ける境界（以下、マスク境界という）Ｂを検出し、このマスク境界Ｂの位置を表す位置情報ＢＰを取得するものであり、この処理は、放射線画像Ｓ１を照射野に対応する部分とマスクに対応する部分とに分けるマスク境界を検出することに相当する。

マスクは、被写体への被爆を極力低減する目的で用いられるものであり、撮影領域のうち撮影部位の非関心部分を含む領域を所定の部材で覆ってその部分への放射線の照射線量を低減するものである。この非関心部分の位置は、撮影部位や撮影目的等に応じて異なる場合が多く、放射線画像Ｓ１が属する画像種類とマスクの形状やマスクが設置される位置との間には相関がある。したがって、マスク境界Ｂの位置情報ＢＰは、放射線画像Ｓ１が属する画像種類を判別する際の有力な手がかりとなる。

ここで、マスク境界検出部３０によるマスク境界Ｂの検出の方法について説明する。放射線の撮影領域のうち照射野部分とマスク部分とでは、上述の通り、放射線の照射線量が異なるため、放射線画像Ｓ１においては、照射野に対応する部分とマスクに対応する部分とで画像の濃度が異なるという特徴がある。マスク境界Ｂはこの特徴を利用して検出することができる。まず、規格化済み放射線画像Ｓ１′ａの各画素に対して、図３に示すような、水平方向のエッジ成分を検出するための第１のsobelフィルタＦ１と、垂直方向のエッジ成分を検出するための第２のsobelフィルタＦ２とを適用し、各画素毎に第１のsobelフィルタの出力値Ｔ１と第２のsobelフィルタの出力値Ｔ２を算出し、さらにこれらのフィルタ出力値Ｔ１とＴ２の自乗平均平方根（ＲＭＳ；Root Mean Square）を算出し、この自乗平均平方根の値が所定閾値以上である画素を、任意の方向に延びるエッジを構成する画素としてそれぞれ抽出し、エッジ成分を構成する画素のみで表されたエッジ抽出画像Ｓ１ｅを得る。次に、このエッジ抽出画像Ｓ１ｅにおけるエッジ成分を構成する各画素について、その画素を通る直線群をハフ変換空間、すなわち、エッジ抽出画像Ｓ１ｅをｘｙ座標系に置いた場合における、原点からその直線までの垂線の長さρと、その垂線とｘ軸とのなす角θとを２軸とする空間に射影し、各画素に対応した曲線が描かれた極座標形式のグラフを生成する。そして、この極座標形式のグラフにおいて曲線が所定回数以上重なる点（極小領域）を検出することにより、規格化済み放射線画像Ｓ１′ａにおける直線を検出し、この直線を放射線画像Ｓ１におけるマスク境界Ｂと決定する。

図４は、図２に示す頸部の放射線画像に基づいて得られたエッジ抽出画像Ｓ１ｅを示す図、図５は、そのエッジ抽出画像Ｓ１ｅに対してハフ変換を行う様子と、そのハフ変換によって得られた極座標系式のグラフを示す図、図６は、マスク境界Ｂが検出された放射線画像Ｓ１を示す図である。

なお、本実施形態では、マスクの形状が矩形である場合について説明しているが、マスクの形状が楕円形状である場合についても同様にハフ変換を用いてマスク境界Ｂを検出することが可能である。

画像濃度補正部４０は、規格化済み放射線画像Ｓ１′ｂにおける、マスク境界Ｂを挟む領域間の画像の濃度を互いに近づける濃度補正を行って、規格化・濃度補正済み放射線画像Ｓ１″ｂを取得するものであり、この処理は、放射線画像Ｓ１における、マスク境界Ｂを挟む領域間の画像の濃度を互いに近づける濃度補正を行うことに相当する。

この規格化済み放射線画像Ｓ１′ｂの濃度補正は、規格化済み放射線画像Ｓ１′ｂが照射野に対応する部分とマスクに対応する部分とで画像の濃度が異なるという、いわゆる放射線画像の濃度むらが、後述のヒストグラム特徴量の算出やエッジ特徴量の算出に悪影響を与えないようにするためのものである。

ここで、画像濃度補正部４０による濃度補正の方法について説明する。まず、規格化済み放射線画像Ｓ１′ｂを、マスク境界Ｂを境界線とする複数の画像領域に区分する。その後、マスク境界Ｂからの距離が所定範囲内である濃度比較対象領域を、そのマスク境界Ｂを挟んで隣接する２つの画像領域の各々において設定し、一方の濃度比較対象領域の画素値の平均値と他方の濃度比較対象領域の画素値の平均値とが略一致するように、少なくとも一方の画像領域全体に階調変換処理を施すという濃度補正処理を、各マスク境界Ｂを挟んで隣接する２つの画像領域の組合せ毎に行う。ただし、画像領域が３つ以上存在する場合には、一旦濃度補正された画像領域が別の濃度補正処理により更新されてしまわないように、階調変換処理はマスク境界Ｂを挟んで隣接する２つの画像領域のうちいずれか一方の画像領域に対してのみ行うようにし、初回を除く濃度補正処理においては、補正済みの画像領域と未補正の画像領域との組合せ毎に順次、濃度補正処理を行うようにする。

図７は、規格化済み放射線画像Ｓ１′ｂがマスク境界Ｂ１，Ｂ２で３つの画像領域Ｒ１，Ｒ２，Ｒ３に区分され、マスク境界Ｂ２を挟んで隣接する２つの画像領域Ｒ２，Ｒ３の各々において、濃度比較対象領域Ｃ２２，Ｃ２３が設定された様子と、規格化済み放射線画像Ｓ１′ｂに濃度補正を行って得られた規格化・濃度補正済み放射線画像Ｓ１″ｂを示す図である。この場合における濃度補正処理の一例としては、例えば、次式(1)に従って画像領域Ｒ３に階調変換処理を施すことが考えられる。

Ｒ３′＝Ｒ３＋（Ｃ２２の平均画素値−Ｃ２３の平均画素値） ・・・(1)
なお、より簡易的な濃度補正処理の方法として、濃度比較対象領域を設定せず、マスク境界Ｂを挟んで隣接する２つの画像領域同士の領域全体の画素値の平均値が略一致するように、少なくとも一方の画像領域に対して階調変換処理を施すようにしてもよい。

ヒストグラム特徴量算出部５０は、規格化・濃度補正済み放射線画像Ｓ１″ｂの濃度分布を解析してその濃度分布に関する指標を表す特徴量を算出するものであり、この処理は、放射線画像Ｓ１の濃度分布を解析してその濃度分布に関する指標を表す特徴量を算出することに相当する。より具体的には、図８に示すような、規格化・濃度補正済み放射線画像Ｓ１″ｂにおける画素値（輝度レベル）の累積ヒストグラムを作成し、累積頻度がＡ％（５≦Ａ≦９９）のときの画素値と累積頻度がＢ％（１≦Ｂ≦９５）のときの画素値との差分値を、これらＡとＢがそれぞれ異なる所定の値となる１種類以上の組合せについて算出し、算出された値をさらに６値化してそれをヒストグラム特徴量（濃度分布特徴量）Ｈとする。

この累積ヒストグラムは、撮影領域に対して撮影部位が占める割合や撮影部位の組織構造に起因する濃淡の情報等が反映されるため、放射線画像Ｓ１が属する画像種類と累積ヒストグラムとの間には相関がある。したがって、このヒストグラム特徴量Ｈも、放射線画像Ｓ１が属する画像種類を判別する際の有力な手がかりとなる。

エッジ特徴量算出部６０は、規格化・濃度補正済み放射線画像Ｓ１″ｂにおけるエッジ成分の向き／およびまたは位置を表す特徴量を算出するものであり、この処理は、放射線画像Ｓ１におけるエッジ成分の向きおよび／または位置を表す特徴量を算出することに相当する。より具体的には、図９に示すように、一辺が３２画素の規格化・濃度補正済み放射線画像Ｓ１″ｂを多重解像度化して、一辺がそれぞれ１６画素、８画素、４画素となる３種類の解像度画像を生成することにより、自身を含めて４種類の解像度平面を用意し、これら解像度平面上のある２つの画素間の画素値の差分値を、これら２つの画素の位置の組合せがそれぞれ異なる所定の複数種類の組合せについて算出し、算出された値をさらに８値化してそれをエッジ特徴量Ｅとする。なお、１つの組合せを構成する２つの画素の位置関係は、水平方向に並ぶ位置関係と垂直方向に並ぶ位置関係の２種類がある。

この解像度平面上のある２つの画素間の画素値の差分値は、撮影部位の形状を示す輪郭や撮影部位を構成する組織の輪郭の情報等が反映されるため、放射線画像Ｓ１が属する画像種類とこの画素値の差分値との間には相関がある。したがって、このエッジ特徴量Ｅも、放射線画像Ｓ１が属する画像種類を判別する際の有力な手がかりとなる。

判別器群７０は、それぞれが、撮影部位、被写体の姿勢、撮影方向および撮影方法のうち撮影部位を含む１以上の項目で定義される画像種類が所定の１つの種類に属する複数のサンプル画像と画像種類が他の種類に属する複数のサンプル画像とを用いたマシンラーニングの学習により生成され、判別すべき画像がその所定の種類に属する画像であるか否かをその判別すべき画像における複数種類の特徴量に基づいて判別する判別器であって、判別対象となる画像種類がそれぞれ異なる複数種類の判別器からなるものである。

ここで、撮影部位としては、例えば、顔面骨、聴器シュラー、頚椎、胸部、***、腹部、腰椎、股関節、上腕骨、前腕骨、手関節、膝関節、足関節、足等を考えることができる。撮影方向としては、例えば、正面、側面等を考えることができる。被写体の姿勢としては、例えば、立位、臥位、軸位等を考えることができる。また、撮影方法としては、例えば、単純（撮影）、断層（撮影）等を考えることができる。そして、画像種類は、このような撮影部位、撮影方向、被写体の姿勢、撮影方法等の組合せで予め定義された複数の種類に分類されている。

サンプル画像を用いたマシンラーニングの学習により生成された判別器としては、例えば、サポートベクターマシーン、ニューラルネットワーク、ブースティングにより生成された判別器等を考えることができる。

複数種類の特徴量には、上記のＩＰサイズに相当する画像サイズ、上記のマスク境界の位置情報ＢＰ、ヒストグラム特徴量およびエッジ特徴量等が含まれる。

なお、本実施例では、ブースティングの１種であるアダブースト学習アルゴリズムを利用して判別器を生成する。すなわち、図１０に示すように、判別したいクラスに属する正解画像データである、所定の画像種類に属する複数のサンプル画像と、判別したいクラスに属さない非正解画像データである、それ以外の画像種類に属する複数のサンプル画像とを用意し、各サンプル画像について、サンプル画像を表す画像データを所定の特徴量空間に射影して予め定義した複数種類の特徴量を算出し、算出された特徴量を用いてそのサンプル画像が正解を示す画像であるか否かを判別し、その判別結果から判別に有効な特徴量の種類とその重みを学習して、判別対象となる画像がその画像種類に属する画像であるか否かを判別する判別器を生成する。

学習に用いる正解画像データは、その画像における被写体の軸方向に対応する画像平面上の回転方向を予め特定の方向に揃えた数百パターンの正解画像データについて、左右反転、平行移動のバリエーションの処理を施して得られた数千パターンの正解画像データとし、学習に用いる非正解画像データは、約１５００パターンの非正解画像データについてランダムに０°，９０°，１８０°，２７０°の回転処理を施して得られたものとする。

このような学習を判別したい画像種類毎に行って、それぞれが、判別すべき画像種類を予め定義された複数の画像種類の各々とする複数種類の判別器を生成する。なお、特徴量の種類は全部で約２０００種類あり、各判別器で使用する特徴量の種類は５０〜２００程度である。

図１１は、上記の学習に用いるサンプル画像の一例を示した図であり、それぞれ、頭部、頚椎、胸部−側面、腹部−幼児、上腕骨のサンプル画像を示している。

判別処理部８０は、放射線画像Ｓ１について既に取得された特徴量、すなわち、ＩＰサイズ情報ＳＺ、マスク境界位置情報ＢＰ、ヒストグラム特徴量Ｈおよびエッジ特徴量Ｅを含む複数種類の特徴量に基づいて、判別器群７０を構成する複数種類の判別器のうち少なくとも１つを用いて、放射線画像Ｓ１が属する画像種類を判別するものであり、この処理は、放射線画像Ｓ１に対して判別器群７０を構成する複数種類の判別器のうち少なくとも１つを適用して、放射線画像Ｓ１が属する画像種類を判別することに相当する。

例えば、放射線画像抽出部１０により抽出された放射線画像Ｓ１に対して判別器群７０を構成する複数種類の判別器の各々を順次適用して、放射線画像Ｓ１が所定の画像種類に属する画像であるか否かを判別してゆき、肯定する判別結果が得られたら放射線画像Ｓ１をそのときの画像種類に属する画像であると判別する。なお、判別器は一般的に放射線画像Ｓ１が判別すべき画像種類に属する画像である蓋然性を示すスコアを算出するので、放射線画像Ｓ１に対してすべての種類の判別器を適用し、最も大きいスコアを算出した判別器に対応する画像種類を、放射線画像Ｓ１が属する画像種類として決定するようにしてもよい。

次に、本発明の第１の実施形態である画像種類判別装置における処理の流れについて説明する。図１２は、本発明の第１の実施形態である画像種類判別装置における処理の流れを示したフローチャートである。

画像種類判別装置に放射線画像を含む画像Ｓ０が入力されると（ステップＳＴ１）、放射線画像抽出部１０は、その入力画像Ｓ０の中で画素値が０（ゼロ）でない矩形領域の画像部分を放射線画像Ｓ１として抽出し、その放射線画像Ｓ１のサイズ情報をＩＰサイズ情報ＳＺとして取得する（ステップＳＴ２）。

次に、画像規格化部２０は、抽出された放射線画像Ｓ１を入力画像Ｓ０から切り出し、切り出された放射線画像Ｓ１に対してアフィン変換等を行うことにより、１２８×１２８画素（pixel）サイズに変換された規格化済み画像Ｓ１′ａをマスク境界検出処理用として、また、３２×３２画素サイズに変換された規格化済み画像Ｓ１′ｂをヒストグラム特徴量算出処理およびエッジ特徴量算出処理用として生成する（ステップＳＴ３）。

そして、マスク境界検出部３０が、規格化済み放射線画像Ｓ１′ａに対してハフ変換を適用してマスク境界Ｂを検出し、放射線画像Ｓ１におけるマスク境界Ｂの位置情報ＢＰを取得する（ステップＳＴ４）。

ここで、画像濃度補正部４０は、規格化済み放射線画像Ｓ１′ｂを、マスク境界Ｂを境界線とする複数の画像領域に区分した後、マスク境界Ｂからの距離が所定範囲内である濃度比較対象領域を、そのマスク境界Ｂを挟んで隣接する２つの画像領域の各々において設定し、一方の濃度比較対象領域の画素値の平均値と他方の濃度比較対象領域の画素値の平均値とが略一致するように、少なくとも一方の画像領域全体に階調変換処理を施すという濃度補正処理を、各マスク境界Ｂを挟んで隣接する２つの画像領域の組合せ毎に行い、規格化済み放射線画像Ｓ１′ｂ全体の濃度補正を行い、規格化・濃度補正済み放射線画像Ｓ１″ｂを取得する（ステップＳＴ５）。

規格化・濃度補正済み放射線画像Ｓ１″ｂが取得されると、ヒストグラム特徴量算出部５０が、規格化・濃度補正済み放射線画像Ｓ１″ｂにおける画素値の累積ヒストグラムを作成し、累積頻度がＡ％（５≦Ａ≦９９）のときの画素値と累積頻度がＢ％（１≦Ｂ≦９５）のときの画素値との差分値を、これらＡとＢがそれぞれ異なる所定の値となる１種類以上の組合せについて算出し、算出された値をさらに６値化してそれをヒストグラム特徴量とする（ステップＳＴ６）。

また、エッジ特徴量算出部６０が、一辺が３２画素の規格化・濃度補正済み放射線画像Ｓ１″ｂを多重解像度化して、一辺がそれぞれ１６画素、８画素、４画素となる３種類の解像度画像を生成することにより、自身を含めて４種類の解像度平面を用意し、これら解像度平面上のある２つの画素間の画素値の差分値を、これら２つの画素の位置の組合せがそれぞれ異なる所定の複数種類の組合せについて算出し、算出された値をさらに８値化してそれをエッジ特徴量とする（ステップＳＴ７）。

ここで、判別処理部８０が、既に算出されたＩＰサイズ情報ＳＺ、マスク境界位置情報ＢＰ、ヒストグラム特徴量Ｈ、エッジ特徴量Ｅを含む複数種類の特徴量に基づいて、判別器群７０を構成する複数種類の判別器の各々を順次用いて、放射線画像Ｓ１が所定の画像種類に属する画像であるか否かを判別してゆき、肯定する判別結果が得られたら放射線画像Ｓ１をそのときの画像種類に属する画像であると判別する（ステップＳＴ８）。

（第２の実施形態）
図１３は本発明の第２の実施形態である画像種類判別装置の構成を示す概略ブロック図である。図１３に示すように、この画像種類判別装置は、放射線画像抽出部１０と、画像規格化部２０と、マスク境界検出部３０と、ヒストグラム特徴量算出部５０と、エッジ特徴量算出部６０と、特徴量調整部４５と、判別器群７０を有する判別処理部８０とを備えている。

放射線画像抽出部１０は、第１の実施形態と同様の方法により、画像中に放射線画像Ｓ１を含む入力画像Ｓ０に基づいて、入力画像Ｓ０中で画素値が０でない画素をほとんどとする矩形領域の画像を放射線画像Ｓ１として抽出し、この抽出された放射線画像Ｓ１の長辺と短辺の長さの組合せで規定されるサイズをＩＰサイズ情報ＳＺとして取得するものである。

画像規格化部２０は、第１の実施形態と同様の方法により、放射線画像抽出部１０により抽出された放射線画像Ｓ１を入力画像Ｓ０から切り出し、この放射線画像Ｓ１に解像度変換処理を施して規格化し、１２８×１２８画素（pixel）サイズに変換された規格化済み画像Ｓ１′ａをマスク境界の検出処理用として、また、３２×３２画素サイズに変換された規格化済み画像Ｓ１′ｂをヒストグラム特徴量およびエッジ特徴量の算出処理用として生成するものである。

マスク境界検出部３０は、第１の実施形態と同様の方法により、規格化済み放射線画像Ｓ１′ａを照射野に対応する部分とマスクに対応する部分とに分けるマスク境界Ｂを検出し、このマスク境界Ｂの位置を表す位置情報ＢＰを取得するものである。

ヒストグラム特徴量算出部５０は、第１の実施形態と同様の方法により、規格化済み放射線画像Ｓ１′ｂにおけるヒストグラム特徴量Ｈを算出するものである。

エッジ特徴量算出部６０は、第１の実施形態と同様の方法により、規格化済み放射線画像Ｓ１′ｂにおけるエッジ特徴量Ｈを算出するものである。

判別器群７０は、第１の実施形態と同様の学習により生成され、判別すべき画像が属する画像種類が所定の種類であるか否かを、その判別すべき画像における複数種類の特徴量、すなわち、ＩＰサイズ情報ＳＺ、マスク境界位置情報ＢＰ、ヒストグラム特徴量Ｈおよびエッジ特徴量Ｅを含む特徴量に基づいて判別する判別器であって、判別すべき画像種類がそれぞれ異なる複数種類の判別器からなるものである。

判別処理部８０は、第１の実施形態と同様の方法により、放射線画像Ｓ１が属する画像種類を判別するものであり、放射線画像Ｓ１について既に取得された特徴量、すなわち、ＩＰサイズ情報ＳＺ、マスク境界位置情報ＢＰ、ヒストグラム特徴量Ｈおよびエッジ特徴量Ｅを含む複数種類の特徴量に基づいて、判別器群７０を構成する複数種類の判別器のうち少なくとも１つを用いて、放射線画像Ｓ１が属する画像種類を判別するものである。

特徴量調整部４５は、規格化済み放射線画像Ｓ１′ｂにおけるマスク境界Ｂを跨ぐ領域に基づくエッジ特徴量Ｅａの画像種類判別への寄与を抑制すべく、そのエッジ特徴量Ｅａの値を調整するものであり、例えばその特徴量Ｅａの値を０（ゼロ）に置換するものである。これにより、そのエッジ特徴量Ｅａの画像種類判別への寄与率を低下させ、マスク境界Ｂを境にして変化する画像の濃度むらによるエッジ特徴量への悪影響を抑制することができる。なお、別の方法として、マスク境界Ｂがなかった場合と同等の結果が得られるように、そのエッジ特徴量Ｅの調整を行う方法を用いてもよい。

次に、本発明の第２の実施形態である画像種類判別装置における処理の流れについて説明する。図１３は、本発明の第２の実施形態である画像種類判別装置における処理の流れを示したフローチャートである。

画像種類判別装置に放射線画像を含む画像Ｓ０が入力されると（ステップＳＴ１１）、放射線画像抽出部１０は、その入力画像Ｓ０の中で画素値が０（ゼロ）でない矩形領域の画像部分を放射線画像Ｓ１として抽出し、その放射線画像Ｓ１のサイズ情報をＩＰサイズ情報ＳＺとして取得する（ステップＳＴ１２）。

次に、画像規格化部２０は、抽出された放射線画像Ｓ１を入力画像Ｓ０から切り出し、切り出された放射線画像Ｓ１に対してアフィン変換等を行うことにより、１２８×１２８画素（pixel）サイズに変換された規格化済み画像Ｓ１′ａをマスク境界検出処理用として、また、３２×３２画素サイズに変換された規格化済み画像Ｓ１′ｂをヒストグラム特徴量算出処理およびエッジ特徴量算出処理用として生成する（ステップＳＴ１３）。

そして、マスク境界検出部３０が、規格化済み放射線画像Ｓ１′ａに対してハフ変換を適用してマスク境界Ｂを検出し、放射線画像Ｓ１におけるマスク境界Ｂの位置情報ＢＰを取得する（ステップＳＴ１４）。

マスク境界位置情報ＢＰが取得されると、ヒストグラム特徴量算出部５０が、規格化済み放射線画像Ｓ１′ｂにおける画素値の累積ヒストグラムを作成し、累積頻度がＡ％（５≦Ａ≦９９）のときの画素値と累積頻度がＢ％（１≦Ｂ≦９５）のときの画素値との差分値を、これらＡとＢがそれぞれ異なる所定の値となる１種類以上の組合せについて算出し、算出された値をさらに６値化してそれをヒストグラム特徴量とする（ステップＳＴ１６）。

また、エッジ特徴量算出部６０が、一辺が３２画素の規格化済み放射線画像Ｓ１′ｂを多重解像度化して、一辺がそれぞれ１６画素、８画素、４画素となる３種類の解像度画像を生成することにより、自身を含めて４種類の解像度平面を用意し、これら解像度平面上のある２つの画素間の画素値の差分値を、これら２つの画素の位置の組合せがそれぞれ異なる所定の複数種類の組合せについて算出し、算出された値をさらに８値化してそれをエッジ特徴量とする（ステップＳＴ１７）。

エッジ特徴量Ｅが算出されると、特徴量調整部４５は、規格化済み放射線画像Ｓ１′ｂにおけるマスク境界Ｂを跨ぐ領域に基づくエッジ特徴量Ｅａの画像種類判別への寄与を抑制すべく、そのエッジ特徴量Ｅａの値を０（ゼロ）に置換する。

そして、判別処理部８０が、放射線画像Ｓ１に対して既に算出された、ＩＰサイズ情報ＳＺ、マスク境界位置情報ＢＰ、ヒストグラム特徴量Ｈおよびエッジ特徴量Ｅを含む複数種類の特徴量に基づいて、判別器群７０を構成する複数種類の判別器の各々を順次用いて、放射線画像Ｓ１が所定の画像種類に属する画像であるか否かを判別してゆき、肯定する判別結果が得られたら放射線画像Ｓ１をそのときの画像種類に属する画像であると判別する（ステップＳＴ１８）。

このように、本発明の第１の実施形態である画像種類判別装置によれば、判別すべき画像が、撮影部位、撮影方向および撮影方法のうち１以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、当該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、上記画像種類毎に用意された当該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別器群７０を用意し、画像中に放射線画像Ｓ１を含む入力画像Ｓ０に基づいて、放射線画像Ｓ１に対応した規格化済み放射線画像Ｓ１′ａにおける照射野と照射野絞り用マスクとの境界であるマスク境界Ｂを検出し、放射線画像Ｓ１に対応した規格化済み放射線画像Ｓ１′ｂにおけるマスク境界Ｂを挟んで当該境界に沿って近接する２つの領域の画像の濃度を互いに近づける濃度補正を行い、規格化・濃度補正済みの放射線画像Ｓ１″ｂに対し上記判別器群７０を適用して、放射線画像Ｓ１が属する画像種類を判別するので、画像の濃淡パターンが複雑でこれまで判別が難しかった画像種類についても、サンプル画像を用いたマシンラーニングの学習により生成された判別器の特徴、すなわち、高い判別精度と高いロバスト性を持って判別することができ、当該放射線画像が、撮影部位、撮影方向、撮影方法等で定義される多数の画像種類のうちいずれに属する画像であるかを判別することができる。さらには、放射線画像Ｓ１における照射野絞り用マスクに関する情報とその他の情報とを互いに分離して特徴量に反映させることができ、画像種類の判別性能を向上させることができる。

本発明の第２の実施形態である画像種類判別装置によれば、判別すべき画像が、撮影部位、撮影方向および撮影方法のうち１以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、当該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、上記画像種類毎に用意された当該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別器群７０を用意し、画像中に放射線画像Ｓ１を含む入力画像Ｓ０に基づいて、放射線画像Ｓ１における照射野と照射野絞り用マスクとの境界であるマスク境界Ｂを検出し、放射線画像Ｓ１におけるマスク境界Ｂを跨ぐ領域に基づく特徴量の上記判別への寄与を抑制すべく、当該特徴量の値を調整し、放射線画像Ｓ１に対し上記判別器群７０を適用して、放射線画像Ｓ１が属する画像種類を判別するので、画像の濃淡パターンが複雑でこれまで判別が難しかった画像種類についても、サンプル画像を用いたマシンラーニングの学習により生成された判別器の特徴、すなわち、高い判別精度と高いロバスト性を持って判別することができ、当該放射線画像が、撮影部位、撮影方向、撮影方法等で定義される多数の画像種類のうちいずれに属する画像であるかを判別することができる。さらには、放射線画像Ｓ１における照射野絞り用マスクに関する情報とその他の情報とを互いに分離して特徴量に反映させることができ、画像種類の判別性能を向上させることができる。

また、本発明の第１および第２の実施形態である画像種類判別装置によれば、上記複数種類の特徴量が、放射線画像Ｓ１における濃度ヒストグラムを表す特徴量であるヒストグラム特徴量Ｈ、および放射線画像Ｓ１におけるエッジ成分を表す特徴量であるエッジ特徴量Ｅを含むものであるので、照射野絞り用マスクに関する情報を含みやすいものの画像種類との相関は高いという性質を持つ上記の特徴量を、その利点を抽出して判別に用いることができ、より確実に画像種類の判別性能を向上させることができる。

また、本発明の第１および第２の実施形態である画像種類判別装置によれば、エッジ特徴量Ｅが、放射線画像Ｓ１における照射野と照射野絞り用マスクとの境界位置を表す特徴量であるマスク境界位置情報ＢＰを含むものであるので、画像種類と相関の高い特徴量をさらに加えて用い判別することができ、判別性能をさらに向上させることができる。なお、エッジ特徴量Ｅは、マスクの境界位置だけでなく、分割撮影領域の境界位置を表す特徴量を含むようにしてもよい。

ここで、本出願人により実施された、本画像種類判別装置の判別実験について説明する。本出願人により実施された実験は、判別に使用する特徴量の種類の違いによって、判別性能にどの程度の差が生じるかを調べることを目的とするものであり、実験条件、実験結果は以下の通りである。

・実験条件
判別対象：頸部
サンプル画像：
頸部の画像の数＝４９２
頸部以外の部位の画像の数＝６９５７
・実験結果

※正判別率＝頸部のサンプル画像を頸部の画像と正しく判別した割合
誤判別率＝頸部以外のサンプル画像を頸部と誤って判別した割合

このように、ヒストグラム特徴量Ｈのみを用いた場合に判別性能が最も悪く、また、同程度の誤判別率で比較したときには、ヒストグラム特徴量Ｈおよびエッジ特徴量Ｅを用いたときに正判別率が最も高いという結果が得られた。

以上、本発明の実施形態である画像種類判別装置について説明したが、上記画像種類判別装置における各処理をコンピュータに実行させるためのプログラムも、本発明の実施形態の１つである。また、そのようなプログラムを記録したコンピュータ読取可能な記録媒体も、本発明の実施形態の１つである。

本発明の第１の実施形態である画像種類判別装置の構成を示すブロック図 画像中に放射線画像を含む入力画像を示す図 エッジ成分を検出するためのsobelフィルタを示す図 エッジ成分を構成する画素のみで表されたエッジ抽出画像を示す図 ハフ変換空間である極座標系式のグラフを示す図 マスク境界が決定された放射線画像を示す図 規格化済み放射線画像に対して行う濃度補正を説明するための図 規格化・濃度補正済み放射線画像における濃度の累積ヒストグラムを示す図 規格化・濃度補正済み放射線画像を多重解像度化する様子を示す図 アダブースト学習アルゴリズムにより判別器を生成する様子を示す図 アダブースと学習アルゴリズムに用いるサンプル画像の一例を示す図 本発明の第１の実施形態である画像種類判別装置における処理の流れを示す図 本発明の第２の実施形態である画像種類判別装置の構成を示すブロック図 本発明の第２の実施形態である画像種類判別装置における処理の流れを示す図

符号の説明

１０ 放射線画像抽出部
２０ 規格化部
３０ マスク境界検出部
４０ 画像濃度補正部
４５ 特徴量調整部
５０ ヒストグラム特徴量算出部
６０ エッジ特徴量算出部
７０ 判別器群
８０ 判別処理部

Claims (9)

1. 判別すべき画像が、撮影部位、撮影方向および撮影方法のうち１以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段と、
   画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するマスク境界検出手段と、
   前記放射線画像における、前記検出された境界を挟んで該境界に沿って近接する２つの領域の画像の濃度を互いに近づける濃度補正を行う画像濃度補正手段と、
   前記濃度補正済みの放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別する判別処理手段とを備えたことを特徴とする画像種類判別装置。
2. 判別すべき画像が、撮影部位、撮影方向および撮影方法のうち１以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段と、
   画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するマスク境界検出手段と、
   前記放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別する判別処理手段と、
   前記放射線画像における前記検出された境界を跨ぐ領域に基づく前記特徴量の前記判別への寄与を抑制すべく、該特徴量の値を調整する特徴量調整手段とを備えたことを特徴とする画像種類判別装置。
3. 前記判別手段が、それぞれが、判別対象となる１つの画像種類に属する複数のサンプル画像と該判別対象とは異なる画像種類に属する複数のサンプル画像とを用いた機械学習により生成された、判別対象が互いに異なる複数種類の判別器であり、
   前記判別処理手段が、前記放射線画像に対し前記複数種類の判別器のうち少なくとも１つを適用して判別するものであることを特徴とする請求項１または２記載の画像種類判別装置。
4. 前記機械学習が、アダブーストによる学習であることを特徴とする請求項１、２または３記載の画像種類判別装置。
5. 前記複数種類の特徴量が、前記放射線画像における濃度ヒストグラムを表す特徴量および前記放射線画像におけるエッジ成分を表す特徴量のうち少なくとも１つを含む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種類判別装置。
6. 判別すべき画像が、撮影部位、撮影方向および撮影方法のうち１以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段を、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成するステップと、
   画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するステップと、
   前記放射線画像における、前記検出された境界を挟んで該境界に沿って近接する２つの領域の画像の濃度を互いに近づける濃度補正を行うステップと、
   前記濃度補正済みの放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別するステップとを有することを特徴とする画像種類判別方法。
7. 判別すべき画像が、撮影部位、撮影方向および撮影方法のうち１以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段を、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成するステップと、
   画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するステップと、
   前記放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別するステップと、
   前記放射線画像における前記検出された境界を跨ぐ領域に基づく前記特徴量の前記判別への寄与を抑制すべく、該特徴量を調整するステップとを有することを特徴とする画像種類判別方法。
8. コンピュータを、
   判別すべき画像が、撮影部位、撮影方向および撮影方法のうち１以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段と、
   画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するマスク境界検出手段と、
   前記放射線画像における、前記検出された境界を挟んで該境界に沿って近接する２つの領域の画像の濃度を互いに近づける濃度補正を行う画像濃度補正手段と、
   前記濃度補正済みの放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別する判別処理手段として機能させるためのプログラム。
9. コンピュータを、
   判別すべき画像が、撮影部位、撮影方向および撮影方法のうち１以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段と、
   画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するマスク境界検出手段と、
   前記放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別する判別処理手段と、
   前記放射線画像における前記検出された境界を跨ぐ領域に基づく前記特徴量の前記判別への寄与を抑制すべく、該特徴量の値を調整する特徴量調整手段として機能させるためのプログラム。

Images