JP2011250811A - Medical image processing apparatus and program - Google Patents

Medical image processing apparatus and program Download PDF

Info

Publication number
JP2011250811A
JP2011250811A JP2008245554A JP2008245554A JP2011250811A JP 2011250811 A JP2011250811 A JP 2011250811A JP 2008245554 A JP2008245554 A JP 2008245554A JP 2008245554 A JP2008245554 A JP 2008245554A JP 2011250811 A JP2011250811 A JP 2011250811A
Authority
JP
Japan
Prior art keywords
similarity
region
candidate
feature amount
lesion
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.)
Pending
Application number
JP2008245554A
Other languages
Japanese (ja)
Inventor
Satoshi Kasai
聡 笠井
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Konica Minolta Medical and Graphic Inc
Original Assignee
Konica Minolta Medical and Graphic Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Konica Minolta Medical and Graphic Inc filed Critical Konica Minolta Medical and Graphic Inc
Priority to JP2008245554A priority Critical patent/JP2011250811A/en
Priority to PCT/JP2009/053854 priority patent/WO2010035518A1/en
Publication of JP2011250811A publication Critical patent/JP2011250811A/en
Pending legal-status Critical Current

Links

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

PROBLEM TO BE SOLVED: To detect a lesion candidate using the feature amount of the shape of an image.SOLUTION: A medical image processing apparatus includes: a candidate determining means for creating a similarity map showing the similarity between a region of interest and a specific shape for every region of interest set in the medical image for one or more different shapes by using data relating to the medical image (step S4) and detecting the region of interest as the region of a lesion candidate when the lesion candidate is determined to be included in the region of interest on the basis of the result of analysis of the feature amount of each similarity map created for the one or more different shapes (step S8); a display means; and a control means for displaying the detection result of the lesion candidate on the display means (step S10).

Description

本発明は、医用画像処理装置及びプログラムに関する。   The present invention relates to a medical image processing apparatus and a program.

従来、医用画像を画像解析することで、病変の可能性が高い画像領域を病変候補として検出する医用画像処理装置が開発されている。このような医用画像処理装置はＣＡＤ（Computer-Aided Diagnosis）と呼ばれている。ＣＡＤによれば、病変候補の検出結果を客観的な判断材料として医師に提供し、医師の読影作業の負担を軽減することができる。   2. Description of the Related Art Conventionally, a medical image processing apparatus that detects an image region having a high possibility of a lesion as a lesion candidate by analyzing a medical image has been developed. Such a medical image processing apparatus is called CAD (Computer-Aided Diagnosis). According to CAD, the detection result of a lesion candidate can be provided to a doctor as objective judgment material, and the burden of interpretation work of the doctor can be reduced.

胸部を撮影した医用画像については、間質性疾患と呼ばれる肺疾患について検出を行う方法が多々開示されている（例えば、特許文献１、２、３参照）。間質性疾患が生じた画像領域は、一般にＸ線画像上ではすりガラス様の陰影、具体的には一様に白くぼやっとした陰影であることが特徴的である。ＣＡＤでは、このような特徴を有する画像領域を画像解析によって検出するのである。例えば、フーリエスペクトルによる特徴量や、濃度共起行列等のテクスチャ特徴量を用いて病変候補を検出する方法の他、上記特許文献２にも記載されているように人工ニューラルネットワークにより特徴量解析を行って間質性疾患の病変候補を検出するという方法がある。
特開平６−２３７９２５号公報 特開平１０−１７１９１０号公報 米国特許第５３１９５４９号 For medical images obtained by imaging the chest, many methods for detecting lung diseases called interstitial diseases have been disclosed (see, for example, Patent Documents 1, 2, and 3). An image region where an interstitial disease has occurred is generally characterized by a ground glass-like shadow on an X-ray image, specifically, a shadow that is uniformly white. In CAD, an image region having such characteristics is detected by image analysis. For example, in addition to a method of detecting a lesion candidate using a feature amount by a Fourier spectrum or a texture feature amount such as a density co-occurrence matrix, a feature amount analysis is performed by an artificial neural network as described in Patent Document 2 above. There is a method of detecting a lesion candidate of an interstitial disease.
JP-A-6-237925 JP-A-10-171910 US Pat. No. 5,319,549

しかしながら、病変部分の陰影、つまり画像の形状（モルフォロジ）に注目して検出を行うことは、従来行われていなかった。画像の形状も真の疾患かどうかを判断する特徴の一つであり、病変候補の検出に有用であると考えられる。   However, detection by focusing on the shadow of the lesion, that is, the shape (morphology) of the image has not been conventionally performed. The shape of the image is one of the characteristics for determining whether or not the disease is a true disease, and is considered useful for detecting a lesion candidate.

本発明の課題は、画像の形状の特徴量を用いて病変候補を検出することである。   The subject of this invention is detecting a lesion candidate using the feature-value of the shape of an image.

請求項１に記載の発明によれば、
医用画像のデータを用いて、前記医用画像に設定された関心領域毎に当該関心領域と特定の形状との類似度を示す類似度マップを、一又は複数の異なる形状について作成し、前記一又は複数の異なる形状について作成した各類似度マップの特徴量を特徴量解析した結果に基づいて、前記関心領域内に病変候補が含まれると判断した場合に、当該関心領域を病変候補の領域として検出する候補検出手段と、
表示手段と、
前記病変候補の検出結果を前記表示手段に表示する制御手段と、
を備える医用画像処理装置が提供される。 According to the invention of claim 1,
Using the medical image data, for each region of interest set in the medical image, create a similarity map indicating the similarity between the region of interest and a specific shape for one or a plurality of different shapes, When it is determined that a candidate lesion is included in the region of interest based on the result of analyzing the feature amount of each similarity map created for a plurality of different shapes, the region of interest is detected as a candidate lesion region. Candidate detection means to
Display means;
Control means for displaying the detection results of the lesion candidates on the display means;
A medical image processing apparatus is provided.

請求項２に記載の発明によれば、
前記候補検出手段は、前記関心領域のうち、前記一又は複数の異なる形状について作成された各類似度マップにおいて類似度が一定値以上となる画像領域のみを対象として、類似度マップの特徴量を算出する請求項１に記載の医用画像処理装置が提供される。 According to invention of Claim 2,
The candidate detecting means calculates a feature amount of the similarity map only for an image area in which the similarity is a certain value or more in each similarity map created for the one or a plurality of different shapes in the region of interest. The medical image processing apparatus according to claim 1 to be calculated is provided.

請求項３に記載の発明によれば、
前記候補検出手段は、前記一又は複数の異なる形状について作成された類似度マップのそれぞれにおいて、一定範囲の類似度を有する画素が隣接してなる孤立領域を求め、当該孤立領域の特徴量を算出し、前記特徴量解析に前記類似度マップの特徴量と前記孤立領域の特徴量とを用いる請求項２に記載の医用画像処理装置が提供される。 According to invention of Claim 3,
The candidate detection means obtains an isolated region in which pixels having a certain range of similarities are adjacent to each other in each of the similarity maps created for the one or a plurality of different shapes, and calculates a feature amount of the isolated region The medical image processing apparatus according to claim 2, wherein the feature amount analysis uses a feature amount of the similarity map and a feature amount of the isolated region.

請求項４に記載の発明によれば、
前記候補検出手段は、正常組織構造に対応する形状との類似度を示す類似度マップと、病変に対応する形状との類似度を示す類似度マップとをそれぞれ作成し、前記正常組織構造に対応する形状、病変に対応する形状について作成された各類似度マップの特徴量を算出し、前記特徴量解析に用いる請求項１〜３の何れか一項に記載の医用画像処理装置が提供される。 According to invention of Claim 4,
The candidate detecting means creates a similarity map indicating the similarity to the shape corresponding to the normal tissue structure and a similarity map indicating the similarity to the shape corresponding to the lesion, respectively, and corresponds to the normal tissue structure The medical image processing apparatus according to any one of claims 1 to 3, wherein a feature amount of each similarity map created for a shape to be processed and a shape corresponding to a lesion is calculated and used for the feature amount analysis. .

請求項５に記載の発明によれば、
コンピュータを、
医用画像のデータを用いて、前記医用画像に設定された関心領域毎に当該関心領域と特定の形状との類似度を示す類似度マップを、一又は複数の異なる形状について作成し、前記一又は複数の異なる形状について作成した各類似度マップの特徴量を特徴量解析した結果に基づいて、前記関心領域内に病変候補が含まれると判断した場合に、当該関心領域を病変候補の領域として検出する候補検出手段、
前記病変候補の検出結果を表示手段に表示する制御手段、
として機能させるためのプログラムが提供される。 According to the invention of claim 5,
Computer
Using the medical image data, for each region of interest set in the medical image, create a similarity map indicating the similarity between the region of interest and a specific shape for one or a plurality of different shapes, When it is determined that a candidate lesion is included in the region of interest based on the result of analyzing the feature amount of each similarity map created for a plurality of different shapes, the region of interest is detected as a candidate lesion region. Candidate detection means to
Control means for displaying the detection result of the lesion candidate on a display means;
A program for functioning as a server is provided.

本発明によれば、画像の形状の特徴量を用いて医用画像から病変候補を検出することができる。   According to the present invention, it is possible to detect a lesion candidate from a medical image using the feature amount of the shape of the image.

以下、図面を参照して本発明の実施の形態について説明する。
図１に、本実施形態に係る医用画像処理装置１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１は、制御部１１、操作部１２、表示部１３、通信部１４、記憶部１５、候補検出部１６を備えて構成されている。 Embodiments of the present invention will be described below with reference to the drawings.
FIG. 1 shows a functional configuration of a medical image processing apparatus 1 according to the present embodiment.
As shown in FIG. 1, the medical image processing apparatus 1 includes a control unit 11, an operation unit 12, a display unit 13, a communication unit 14, a storage unit 15, and a candidate detection unit 16.

制御部１１は、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）等を備えて構成される制御手段である。制御部１１は、記憶部１５に記憶されているプログラムとの協働により各種処理を実行する。処理において制御部１１は各種演算を行うとともに各部の動作を集中制御する。
例えば、医用画像から検出された病変候補の検出結果が候補検出部１６から入力されると、制御部１１は当該検出結果を示す表示画面を表示部１３に表示させる。 The control unit 11 is a control unit configured to include a CPU (Central Processing Unit), a RAM (Random Access Memory), and the like. The control unit 11 executes various processes in cooperation with a program stored in the storage unit 15. In the processing, the control unit 11 performs various calculations and centrally controls the operation of each unit.
For example, when a detection result of a lesion candidate detected from a medical image is input from the candidate detection unit 16, the control unit 11 causes the display unit 13 to display a display screen indicating the detection result.

操作部１２はキーボードやマウス、表示部１３と一体に構成されたタッチパネル等を備え、これらの操作に応じた操作信号を生成して制御部１１に出力する。
表示部１３はディスプレイ等を備える表示手段であり、制御部１１の表示制御に従って医用画像や病変候補の検出結果等を表示する。 The operation unit 12 includes a keyboard, a mouse, a touch panel configured integrally with the display unit 13, etc., and generates operation signals corresponding to these operations and outputs them to the control unit 11.
The display unit 13 is a display unit having a display or the like, and displays medical images, detection results of lesion candidates, and the like according to display control of the control unit 11.

通信部１４は通信用のインターフェイスを備え、ネットワークに接続された外部機器と通信を行う。例えば、通信部１４は医用画像を撮影する撮影装置から病変候補の検出対象である医用画像を受信する。また、通信部１４は医用画像を管理するサーバに、医用画像とともに当該医用画像についての病変候補の検出結果の情報を送信する。   The communication unit 14 includes a communication interface and communicates with an external device connected to the network. For example, the communication unit 14 receives a medical image that is a detection target of a lesion candidate from an imaging device that captures a medical image. In addition, the communication unit 14 transmits information on detection results of lesion candidates for the medical image together with the medical image to a server that manages the medical image.

記憶部１５はハードディスク等のメモリから構成され、プログラムやパラメータ等を記憶する。また、記憶部１５は病変候補の検出対象の医用画像を記憶する。   The storage unit 15 includes a memory such as a hard disk and stores programs, parameters, and the like. In addition, the storage unit 15 stores medical images to be detected as lesion candidates.

候補検出部１６は、医用画像のデータを用いて、当該医用画像に含まれる病変候補の領域を検出する候補検出手段である。検出結果の情報は制御部１１に出力される。病変候補の検出処理は、検出処理用のプログラムを記憶部１５に記憶しておき、当該記憶されたプログラムとＣＰＵとの協働によるソフトウェア処理によって実現することができる。或いは、検出処理用のハードウェア回路を構築し、当該ハードウェア回路によって実現することとしてもよい。   The candidate detection unit 16 is candidate detection means for detecting a lesion candidate region included in the medical image using the medical image data. Information of the detection result is output to the control unit 11. The lesion candidate detection process can be realized by storing a detection processing program in the storage unit 15 and performing software processing in cooperation with the stored program and the CPU. Alternatively, a hardware circuit for detection processing may be constructed and realized by the hardware circuit.

次に、上記医用画像処理装置１の動作について説明する。
図２は、医用画像処理装置１により実行される処理を示すフローチャートである。この処理では、胸部をＸ線撮影した医用画像を対象として、肺疾患である間質性疾患の病変候補の検出が行われる。
医用画像処理装置１ではまず、候補検出部１６により病変候補の検出処理が行われる。図２に示すように、候補検出部１６は医用画像の画像解析を行い、医用画像に含まれる肺野領域を抽出する（ステップＳ１）。 Next, the operation of the medical image processing apparatus 1 will be described.
FIG. 2 is a flowchart showing processing executed by the medical image processing apparatus 1. In this process, lesion candidates for interstitial diseases that are lung diseases are detected for medical images obtained by X-ray imaging of the chest.
In the medical image processing apparatus 1, first, the candidate detection unit 16 performs lesion candidate detection processing. As shown in FIG. 2, the candidate detection unit 16 performs image analysis of the medical image and extracts a lung field region included in the medical image (step S1).

肺野領域の抽出方法としては特に限定せず、公知の方法を適用することができる。例えば、特許第２９８７６３３号に開示されているように、Ｘ線画像において肺野領域は左右の肺部分の画像濃度が周辺より高濃度となる。よって、候補検出部１６において濃度ヒストグラムを作成し、その濃度ヒストグラムの形状や面積から肺野領域に該当する高濃度領域の画像部分を判断し、当該画像部分を肺野領域として抽出すればよい。或いは、特開２００３−６６６１号公報に開示されているように、候補検出部１６において標準的な肺野領域の輪郭を定めたテンプレートを用いてテンプレートマッチングを行うことにより肺野領域の輪郭を検出し、その輪郭内の肺野領域を抽出することもできる。   The method for extracting the lung field region is not particularly limited, and a known method can be applied. For example, as disclosed in Japanese Patent No. 2998733, in the X-ray image, in the lung field region, the image density of the left and right lung portions is higher than the surrounding density. Therefore, the candidate detection unit 16 may create a density histogram, determine the image portion of the high density region corresponding to the lung field region from the shape and area of the density histogram, and extract the image portion as the lung field region. Alternatively, as disclosed in Japanese Patent Laid-Open No. 2003-6661, the candidate detection unit 16 detects the contour of the lung field region by performing template matching using a template that defines the contour of the standard lung field region. It is also possible to extract a lung field region within the contour.

肺野領域を抽出すると、候補検出部１６は医用画像の画像解析を行って、医用画像に含まれる肋骨領域を抽出する（ステップＳ２）。
肋骨領域の抽出方法としては特に限定せず、公知の方法を適用することができる。例えば、特開平５−１７６９１９号公報に開示されているように、候補検出部１６においてＸ線画像の肺野領域において縦方向（頭−足の方向）にいくつもの輪郭線を定め、この輪郭線に対して予め定められたモデル関数をあてはめることで肋骨領域の輪郭部分を推定する。そして、候補検出部１６においてこの推定された輪郭部分に処理対象とする画像領域を複数定め、Ｓｏｂｅｌオペレータによって画像領域内の各画素の勾配とその勾配に対応する方位とを求め、求めた勾配のうちの最大値をその画像領域の勾配とする。各画像領域の勾配と方位を座標として座標空間にプロットすると、座標空間では肋骨の上縁、下縁、肋骨の辺縁内部、肋骨以外といったように同じ勾配の特徴を持つ画像領域毎に集合が形成される。よって、候補検出部１６は座標空間において肋骨の上縁、下縁等の辺縁に分類される画像領域を肋骨領域の輪郭とし、この輪郭により囲まれる領域を肋骨領域として抽出する。 When the lung field region is extracted, the candidate detection unit 16 performs image analysis of the medical image and extracts a rib region included in the medical image (step S2).
The method for extracting the rib region is not particularly limited, and a known method can be applied. For example, as disclosed in Japanese Patent Laid-Open No. 5-176919, the candidate detection unit 16 defines a number of contour lines in the vertical direction (head-to-foot direction) in the lung field region of the X-ray image. By applying a model function determined in advance, the contour portion of the rib region is estimated. Then, the candidate detection unit 16 determines a plurality of image regions to be processed in the estimated contour portion, obtains the gradient of each pixel in the image region and the direction corresponding to the gradient by the Sobel operator, The maximum value is set as the gradient of the image area. When the gradient and orientation of each image area are plotted as coordinates in the coordinate space, a set is created for each image area having the same gradient characteristics in the coordinate space, such as the upper and lower edges of the rib, the inside edge of the rib, and other than the rib It is formed. Therefore, the candidate detection unit 16 extracts an image region classified into the upper edge and the lower edge of the rib in the coordinate space as a rib area outline, and extracts an area surrounded by the outline as a rib area.

次に、候補検出部１６は医用画像のうち肺野領域であって肋骨領域を除く領域を対象として、一又は複数のＲＯＩ（Region Of Interest；関心領域）を設定する（ステップＳ３）。ＲＯＩは後述する類似度マップの作成対象となる画像領域である。例えば、図３に示すように肋骨間の肺野領域にｍ×ｍ画素のＲＯＩがいくつも設定される。ＲＯＩのサイズは適宜設定すればよい。   Next, the candidate detection unit 16 sets one or a plurality of ROIs (Region Of Interest) for a region in the medical image that is a lung field region excluding the rib region (step S3). The ROI is an image area for which a similarity map, which will be described later, is to be created. For example, as shown in FIG. 3, several m × m pixel ROIs are set in the lung field region between the ribs. What is necessary is just to set the size of ROI suitably.

次に、候補検出部１６は設定した一又は複数のＲＯＩのうち任意の１つについて、以下の処理を行う。
候補検出部１６は、処理対象のＲＯＩについて類似度マップを作成する（ステップＳ４）。類似度マップはＲＯＩと特定の形状との類似度を示すマップであり、ＲＯＩ内の各画素について各画素と特定の形状との類似度が設定されたものである。
類似度マップを作成する処理については、図４を参照して説明する。 Next, the candidate detection unit 16 performs the following processing for any one of the set one or more ROIs.
The candidate detection unit 16 creates a similarity map for the ROI to be processed (step S4). The similarity map is a map showing the similarity between the ROI and a specific shape, and the similarity between each pixel and the specific shape is set for each pixel in the ROI.
The process for creating the similarity map will be described with reference to FIG.

図４に示すように、候補検出部１６は特定の形状Ｊを設定する（ステップＳ４１）。１つの形状についてのみ類似度マップを作成する場合、形状Ｊは検出対象とする病変が呈しやすい形状を選択すればよい。間質性疾患の場合、例えば円形や線状等の形状が挙げられるが、状況によっては星形や楕円形等の形状を選択してもよい。   As shown in FIG. 4, the candidate detection unit 16 sets a specific shape J (step S41). When a similarity map is created for only one shape, the shape J may be selected as a shape that easily causes a lesion to be detected. In the case of an interstitial disease, for example, a shape such as a circle or a line may be mentioned, but a shape such as a star or an ellipse may be selected depending on the situation.

次いで、候補検出部１６は、設定した形状ＪとＲＯＩ内のある画素（これを注目画素という）との類似度を算出する（ステップＳ４２）。類似度としては、例えば相互相関値、ユークリッド距離を用いることができるが、形状Ｊとの類似性を示す指標となるのであれば、何れの指標を用いてもよい。   Next, the candidate detecting unit 16 calculates the similarity between the set shape J and a certain pixel in the ROI (this is referred to as a target pixel) (step S42). As the degree of similarity, for example, a cross-correlation value or Euclidean distance can be used, but any index may be used as long as it is an index indicating similarity to the shape J.

ここでは、類似度として相互相関値を下記式により求める。

Figure 2011250811
上記式において、ｆ（ｎ）は特定の形状Ｊからなる画像を示す関数、ｇ（ｍ）は処理するＲＯＩの画像を示す関数である。ｎは特定の形状Ｊを示す画像の画素、ｍは処理対象とするＲＯＩ内の注目画素を示している。
上記式により求められる相互相関値は−１〜＋１の値域を有し、類似性が低いほど−１に近づき、類似性が高いほど＋１の値に近づく。 Here, the cross-correlation value is obtained by the following equation as the similarity.
Figure 2011250811
 In the above equation, f (n) is a function indicating an image having a specific shape J, and g (m) is a function indicating an ROI image to be processed. n is a pixel of an image showing a specific shape J, and m is a pixel of interest in the ROI to be processed.
The cross-correlation value obtained by the above formula has a range of −1 to +1, and approaches −1 as the similarity is lower and approaches +1 as the similarity is higher.

注目画素について類似度が算出されると、候補検出部１６はＲＯＩ内の全ての画素について類似度を算出する処理を終えたか否かを判断する（ステップＳ４３）。未処理の画素が有る場合（ステップＳ４３；Ｎ）、候補検出部１６は未処理の画素を注目画素として設定し（ステップＳ４４）、ステップＳ４２に戻って、新たに設定した注目画素について類似度を算出する処理を繰り返す。   When the similarity is calculated for the target pixel, the candidate detection unit 16 determines whether or not the processing for calculating the similarity is completed for all the pixels in the ROI (step S43). If there is an unprocessed pixel (step S43; N), the candidate detection unit 16 sets the unprocessed pixel as a target pixel (step S44), returns to step S42, and sets the similarity for the newly set target pixel. Repeat the calculation process.

そして、ＲＯＩ内の全画素について類似度が算出されると（ステップＳ４３；Ｙ）、候補検出部１６はＲＯＩ内の各画素に対し、各画素についてそれぞれ算出した類似度を設定することにより、類似度マップを作成する（ステップＳ４５）。
本実施形態では、１つの形状についての類似度マップを作成する場合を説明したが、１つの形状についてのみならず、複数の異なる形状について類似度マップを作成する場合、形状を変更して上述の処理を繰り返せばよい。これにより、複数の異なる形状についてそれぞれ類似度マップを作成することができる。 Then, when the similarity is calculated for all the pixels in the ROI (step S43; Y), the candidate detection unit 16 sets the similarity calculated for each pixel for each pixel in the ROI. A degree map is created (step S45).
In the present embodiment, the case of creating a similarity map for one shape has been described. However, when creating a similarity map for a plurality of different shapes as well as for one shape, the shape is changed to the above-described one. What is necessary is just to repeat a process. Thereby, a similarity map can be created for each of a plurality of different shapes.

類似度マップが作成されると、図２に示すステップＳ５の処理に移行する。
候補検出部１６は、処理対象のＲＯＩについて作成した類似度マップを用いて、類似度のヒストグラムを作成する。そして、候補検出部１６は処理対象のＲＯＩから、作成したヒストグラムにおいて上位ａ％の画像領域、すなわち類似度が一定値以上となる画像領域を抽出する（ステップＳ５）。例えば、あるＲＯＩに対し図５に示すような類似度のヒストグラムが得られている場合、ａ＝１０であれば、図５に示すヒストグラムの上位から１０％に該当するのは類似度０．９である。よって、ＲＯＩにおいて類似度が０．９以上となる画素が上位１０％以上の画像領域として抽出される。 When the similarity map is created, the process proceeds to step S5 shown in FIG.
The candidate detection unit 16 creates a histogram of similarity using the similarity map created for the ROI to be processed. Then, the candidate detection unit 16 extracts, from the processing target ROI, an upper a% image area in the created histogram, that is, an image area whose similarity is equal to or greater than a certain value (step S5). For example, when a histogram of similarity as shown in FIG. 5 is obtained for a certain ROI, if a = 10, the similarity corresponding to 10% from the top of the histogram shown in FIG. It is. Therefore, pixels with a similarity of 0.9 or higher in the ROI are extracted as the top 10% or higher image areas.

次いで、候補検出部１６は抽出した画像領域のみを対象として、類似度マップの特徴量を算出する（ステップＳ６）。ここで、類似度マップの特徴量としては、下記式で示される平均値、コントラスト、分散、標準偏差、スキュー等が挙げられる。なお、コントラストの特徴量は、抽出された画像領域についての類似度マップにおける類似度の分布が平坦に広がっているのか、或いは偏っているのかを示す。また、スキューは抽出された画像領域についての類似度マップにおける類似度の分布形状が平均からみて左右に対称な形からどれだけずれているかを示す特徴量である。

Figure 2011250811
上記式において、ｉは類似度マップの各画素を示し、ｉmaxは類似度マップの最後に処理する画素、ｉminは最初に処理する画素を示している。また、Ｐ（ｉ）は類似度マップの各画素に対応する類似度を示している。
算出された特徴量は、後段の特徴量解析に用いられる。 Next, the candidate detection unit 16 calculates the feature amount of the similarity map for only the extracted image region (step S6). Here, examples of the feature amount of the similarity map include an average value, contrast, variance, standard deviation, skew, and the like represented by the following formula. Note that the feature amount of contrast indicates whether the distribution of the similarity in the similarity map for the extracted image region is spread flat or biased. Further, the skew is a feature amount indicating how much the distribution shape of the similarity in the similarity map for the extracted image region is deviated from a symmetrical shape as viewed from the average.
Figure 2011250811
 In the above equation, i represents each pixel of the similarity map, i max represents a pixel to be processed at the end of the similarity map, and i min represents a pixel to be processed first. P (i) indicates the similarity corresponding to each pixel of the similarity map.
The calculated feature value is used for the subsequent feature value analysis.

次いで、候補検出部１６は、処理対象のＲＯＩについて作成された類似度マップにおいて一定範囲の類似度を有する画素が隣接してなる画像領域（以下、孤立領域という）を求め、当該孤立領域の特徴量を算出する（ステップＳ７）。ＲＯＩ内に円形の画像や線状の画像等、ある形状を構成する画像が含まれている場合、その画像の各画素については同程度の類似度が算出されると考えられる。例えば、円形の形状との類似度が算出された類似度マップでは、円形の画像の各画素については類似度が０．８や０．９等、比較的高い類似度が算出される。一方、線状の画像の各画素については類似度が０．３や０．４等、低い類似度が算出される。すなわち、同程度の類似度が算出された画素が隣接してなる孤立領域は、なんらかの形状を呈する画像領域であると推定できる。   Next, the candidate detection unit 16 obtains an image region (hereinafter referred to as an isolated region) in which pixels having a certain range of similarities are adjacent to each other in the similarity map created for the ROI to be processed, and features of the isolated region The amount is calculated (step S7). When an image forming a certain shape such as a circular image or a linear image is included in the ROI, it is considered that a similar degree of similarity is calculated for each pixel of the image. For example, in the similarity map in which the similarity with the circular shape is calculated, a relatively high similarity such as 0.8 or 0.9 is calculated for each pixel of the circular image. On the other hand, for each pixel of the linear image, a low similarity such as 0.3 or 0.4 is calculated. That is, it can be estimated that an isolated region where pixels having similar degrees of similarity calculated are adjacent is an image region having some shape.

また、間質性疾患が生じている場合、医用画像上には間質性疾患によく見られる円形の画像が多く含まれるとともに、それら円形の画像は全て同程度の面積となるはずである。よって、候補検出部１６はこのような円形の画像、つまり円形の形状について作成した類似度マップにおいて類似度が大きい画素が隣接してなる画像領域の個数や面積等を、孤立領域の特徴量として算出する。   In addition, when an interstitial disease has occurred, the medical image includes many circular images often found in the interstitial disease, and all these circular images should have the same area. Therefore, the candidate detection unit 16 uses the number and area of image regions in which pixels with high similarity are adjacent in such a circular image, that is, the similarity map created for the circular shape, as the feature amount of the isolated region. calculate.

孤立領域と判断する類似度の一定範囲としては、例えば類似度のヒストグラムにおいて上位５％内と規定してもよいし、類似度が０．９〜１の範囲内と数値で規定してもよい。
上位５％の範囲とする場合、候補検出部１６は類似度マップを用いて類似度のヒストグラムを作成し、ＲＯＩの各画素のうち、ヒストグラムにおいて上位５％に該当する画素を抽出する。次いで、候補検出部１６は抽出した各画素のうち、ある画素について隣接する画素を参照し、隣接する画素も抽出された画素であれば、同じ孤立領域を構成する画素であるとして各画素に同じ識別番号を付与する。この識別番号は孤立領域を識別するための番号であり、同じ孤立領域の画素には同じ識別番号が付与される。 As a certain range of similarity that is determined as an isolated region, for example, it may be defined within the upper 5% in the similarity histogram, or may be defined by a numerical value within a range of similarity of 0.9 to 1. .
In the case of the upper 5% range, the candidate detection unit 16 creates a similarity histogram using the similarity map, and extracts pixels corresponding to the upper 5% in the histogram from the ROI pixels. Next, the candidate detection unit 16 refers to an adjacent pixel with respect to a certain pixel among the extracted pixels, and if the adjacent pixel is also an extracted pixel, it is the same as each pixel as a pixel constituting the same isolated region. An identification number is assigned. This identification number is a number for identifying an isolated region, and the same identification number is assigned to pixels in the same isolated region.

候補検出部１６は、隣接する画素に抽出された画素があれば、その画素についてさらに隣接する画素を対象として、上記の処理を繰り返し行う。そして、隣接する画素に抽出された画素が無くなると、抽出された全画素のうち、既に識別番号が付与された画素を除く他の画素を対象として上記の処理を新たに開始する。この新たに開始された処理では、既に付した識別番号とは異なる識別番号が付与される。このようにして抽出された全ての画素について識別番号が付されると、図６に示すように類似度が上位５％の一定範囲内にある画素が隣接してなる孤立領域毎に、異なる識別番号が付されることとなる。   If there is an extracted pixel in the adjacent pixel, the candidate detection unit 16 repeatedly performs the above processing for the adjacent pixel. Then, when there is no extracted pixel in the adjacent pixels, the above process is newly started for all the extracted pixels except for the pixels already assigned with the identification number. In this newly started process, an identification number different from the identification number already assigned is assigned. When identification numbers are assigned to all the pixels extracted in this way, as shown in FIG. 6, different identification is made for each isolated region in which pixels within a certain range having a similarity of the top 5% are adjacent. A number will be assigned.

次いで、候補検出部１６は、孤立領域の特徴量として、孤立領域の個数や、各孤立領域の面積、当該面積の平均値や標準偏差等を算出する。算出されたこれらの特徴量は後段の特徴量解析に用いられる。   Next, the candidate detection unit 16 calculates the number of isolated regions, the area of each isolated region, the average value of the area, the standard deviation, and the like as the feature amount of the isolated region. These calculated feature values are used for subsequent feature amount analysis.

次に、候補検出部１６は、ステップＳ６、Ｓ７で算出された特徴量を特徴量解析し、その解析結果に基づいて、ＲＯＩの病変らしさ、つまりＲＯＩが間質性疾患の画像を含む可能性を判断する。
特徴量解析の手法としては、例えばＬＤＡ（Liner Discriminat Analysis；線形判別分析）、ＱＤＡ（Quantitative DA；定量判別分析）、ＡＮＮ（人工ニューラルネットワーク）、ＳＶＭ（サポートベクトルマシン）、ＡｄａＢｏｏｓｔ等、何れの手法を適用してもよい。 Next, the candidate detection unit 16 performs feature amount analysis on the feature amount calculated in steps S6 and S7, and based on the analysis result, the likelihood of ROI lesion, that is, the possibility that the ROI includes an image of an interstitial disease Judging.
As a technique of feature quantity analysis, for example, any technique such as LDA (Liner Discriminat Analysis), QDA (Quantitative DA), ANN (Artificial Neural Network), SVM (Support Vector Machine), AdaBoost, etc. May be applied.

ＬＤＡであれば、候補検出部１６は予め正常（病変無し）又は異常（病変有り）が判明している医用画像について求めた特徴量を学習データとして用いて、正常に係る特徴量群と、異常に係る特徴量群とを判別する線形判別式を算出しておく。候補検出部１６はこの線形判別式により、処理対象のＲＯＩについて求めた特徴量が正常に係る特徴量群と異常に係る特徴量群の何れに属するかを判別する。そして、処理対象のＲＯＩについて求めた特徴量が異常に係る特徴量群に属する場合、候補検出部１６はそのＲＯＩは間質性疾患の画像を含む可能性が高いと判断し、当該ＲＯＩを間質性疾患の病変候補の領域として検出する（ステップＳ８）。   If it is LDA, the candidate detection unit 16 uses, as learning data, a feature amount obtained in advance for a medical image that is known to be normal (no lesion) or abnormal (with a lesion) as a learning data, A linear discriminant for discriminating the feature amount group related to is calculated. The candidate detection unit 16 determines, based on this linear discriminant, whether the feature quantity obtained for the ROI to be processed belongs to a normal feature quantity group or an abnormal feature quantity group. If the feature amount obtained for the ROI to be processed belongs to the feature amount group related to the abnormality, the candidate detection unit 16 determines that the ROI is likely to include an image of an interstitial disease, It is detected as a candidate region for a qualitative disease (step S8).

このようにして、処理対象とした１つのＲＯＩについての処理を終えると、候補検出部１６は設定した全てのＲＯＩについて処理を終えたかどうかを判断する（ステップＳ９）。終えていない場合には（ステップＳ９；Ｎ）、ステップＳ４の処理に戻って、未処理のＲＯＩを処理対象とし、候補検出部１６はステップＳ４〜Ｓ８の処理を繰り返し行う。そして、全てのＲＯＩについて処理が終了すると（ステップＳ９；Ｙ）、候補検出部１６から制御部１１に各ＲＯＩについての病変候補の検出結果の情報が出力される。制御部１１は、当該病変候補の検出結果を表示部１３に表示させる（ステップＳ１０）。   Thus, when the process for one ROI to be processed is completed, the candidate detection unit 16 determines whether the process has been completed for all the set ROIs (step S9). If not completed (step S9; N), the process returns to the process of step S4, the unprocessed ROI is set as the processing target, and the candidate detection unit 16 repeats the processes of steps S4 to S8. When the processing is completed for all the ROIs (step S9; Y), the candidate detection unit 16 outputs information on detection results of lesion candidates for each ROI to the control unit 11. The control unit 11 displays the detection result of the lesion candidate on the display unit 13 (step S10).

図７に、表示例を示す。
制御部１１は間質性疾患の病変候補の検出結果として、図７に示すような医用画像を表示部１３上に表示し、この医用画像において病変候補の領域として検出されたＲＯＩの位置を指し示す矢印のマーカを表示する。隣接する複数のＲＯＩが候補として検出された場合には、それらＲＯＩの中心位置を指し示すようにマーカを表示してもよい。
なお、検出結果の表示方法としては、マーカによって候補の位置を指し示す方法だけでなく、病変候補として検出されたＲＯＩに赤色を付す等の他の方法であってもよい。 FIG. 7 shows a display example.
The control unit 11 displays a medical image as shown in FIG. 7 on the display unit 13 as the detection result of the interstitial disease lesion candidate, and indicates the position of the ROI detected as the lesion candidate region in this medical image. Displays an arrow marker. When a plurality of adjacent ROIs are detected as candidates, a marker may be displayed so as to indicate the center position of these ROIs.
Note that the detection result display method is not limited to the method of indicating the position of a candidate by a marker, but may be other methods such as adding red to an ROI detected as a lesion candidate.

以上のように、本実施形態によれば、候補検出部１６が医用画像のデータを用いて、当該医用画像に設定したＲＯＩ毎に、当該ＲＯＩとある特定の形状との類似度マップを、１つの形状について作成する。また、候補検出部１６は１つの形状について作成した各ＲＯＩの類似度マップの特徴量を算出する。そして、候補検出部１６は、算出した特徴量を特徴量解析した解析結果によって病変候補が含まれると判断されたＲＯＩを病変候補の領域として検出する。   As described above, according to the present embodiment, for each ROI set for the medical image, the candidate detection unit 16 uses the medical image data to calculate a similarity map between the ROI and a specific shape. Create for one shape. Further, the candidate detection unit 16 calculates the feature amount of the similarity map of each ROI created for one shape. Then, the candidate detection unit 16 detects, as a lesion candidate area, an ROI that is determined to include a lesion candidate based on an analysis result obtained by analyzing the calculated feature value.

これにより、医用画像に含まれる画像の形状の特徴量を用いて病変候補を検出することができる。検出結果は、制御部１１の表示制御によって表示部１３に表示されるので、医師に対し情報提供することができ、医師の読影作業を支援することができる。   Thereby, a lesion candidate can be detected using the feature amount of the shape of the image included in the medical image. Since the detection result is displayed on the display unit 13 by the display control of the control unit 11, information can be provided to the doctor and the doctor's interpretation work can be supported.

また、候補検出部１６は特徴量解析に用いる特徴量の一つとして、類似度マップにおいて類似度が一定値以上となる画像領域のみを対象として、類似度マップの特徴量を算出する。これにより、類似度が一定値以上と、特定の形状との類似性が高い画像領域のみを対象として特徴量を算出することができ、特徴量解析による病変か否かの判断を精度良く行うことができる。   In addition, the candidate detection unit 16 calculates the feature amount of the similarity map as only one feature amount used for the feature amount analysis for only an image region in which the similarity degree is a certain value or more in the similarity map. As a result, feature quantities can be calculated only for image areas whose similarity is a certain value or higher and the similarity to a specific shape is high, and it is possible to accurately determine whether or not the lesion is a feature quantity analysis. Can do.

また、候補検出部１６は特徴量解析に用いる特徴量の一つとして、類似度マップにおいて一定範囲の類似度を有する画素が隣接して成る孤立領域を求め、当該孤立領域の特徴量を算出する。類似度が同程度の孤立領域は何らかの形状を呈しおり、病変の有無によって孤立領域の数や大きさが変わってくると考えられる。よって、孤立領域の特徴量を病変候補の検出に用いることにより、多面的な検出を行うことができ、検出精度の向上が期待される。   In addition, the candidate detection unit 16 obtains an isolated region in which pixels having a certain degree of similarity are adjacent in the similarity map as one of the feature amounts used for feature amount analysis, and calculates the feature amount of the isolated region. . An isolated region having the same degree of similarity has some shape, and it is considered that the number and size of the isolated regions vary depending on the presence or absence of a lesion. Therefore, by using the feature amount of the isolated region for detection of the lesion candidate, multifaceted detection can be performed, and improvement in detection accuracy is expected.

また、候補検出部１６は、ＲＯＩを肺野領域であって肋骨領域を除く領域に設定するので、類似度マップを作成する画像領域を絞ることができ、処理の効率化を図ることができる。   Further, since the candidate detection unit 16 sets the ROI in the lung field region and excludes the rib region, the image region for creating the similarity map can be narrowed down, and the processing efficiency can be improved.

なお、上記実施形態は本発明の好適な一例であり、これに限定されない。
例えば、上記実施形態では、１つの形状について作成した類似度マップを用いて特徴量解析を行う例を説明したが、複数の異なる形状について類似度マップを作成することとしてもよい。複数の異なる形状は、何れも病変によく見られる形状とすることができる。例えば、間質性疾患であれば、候補検出部１６は円形、楕円形について類似度マップを作成し、それぞれの類似度マップを用いて上述したような特徴量を算出することができる。 In addition, the said embodiment is a suitable example of this invention, and is not limited to this.
For example, in the above-described embodiment, the example in which the feature amount analysis is performed using the similarity map created for one shape has been described. However, the similarity map may be created for a plurality of different shapes. The plurality of different shapes can all be shapes commonly found in lesions. For example, in the case of an interstitial disease, the candidate detection unit 16 can create a similarity map for a circle and an ellipse, and calculate the above-described feature amount using each similarity map.

また、複数の異なる形状は、病変によく見られる形状の他、正常組織構造によく見られる形状としてもよい。正常組織構造とは肺や心臓、血管等の病変が無い解剖学的構造物をいう。正常組織構造によく見られる形状とする場合の処理について、図８を参照して説明する。
図８において、医用画像から肺野領域、肋骨領域を抽出し、肺野領域であって肋骨領域を除く領域にＲＯＩを設定するまでの処理工程は、図２に示す処理と同じである。よって、図８では図２と同じ処理工程には同じステップ番号を付している。 The plurality of different shapes may be shapes often found in normal tissue structures in addition to shapes often found in lesions. Normal tissue structure refers to an anatomical structure free from lesions such as lungs, heart and blood vessels. Processing in the case of a shape often found in a normal tissue structure will be described with reference to FIG.
In FIG. 8, the processing steps from extracting the lung field region and rib region from the medical image and setting the ROI in the lung field region excluding the rib region are the same as the processing shown in FIG. 2. Therefore, in FIG. 8, the same step numbers are assigned to the same processing steps as in FIG.

ＲＯＩを設定後、図８に示すように候補検出部１６は病変対応の類似度マップを作成する（ステップＴ１１）。病変対応の類似度マップとは、病変によく見られる形状との類似度を算出して作成された類似度マップをいう。類似度マップの作成方法自体は図４を参照して説明した方法と同様である。そして、候補検出部１６は作成した類似度マップを用いて特徴量を算出する（ステップＴ２１）。特徴量を算出する処理は、図２に示すステップＳ５〜Ｓ７の処理と同じであり、類似度マップの特徴量と、孤立領域の特徴量とが算出される。   After setting the ROI, the candidate detection unit 16 creates a similarity map corresponding to the lesion as shown in FIG. 8 (step T11). The similarity map corresponding to a lesion refers to a similarity map created by calculating a similarity with a shape often seen in a lesion. The method of creating the similarity map itself is the same as the method described with reference to FIG. Then, the candidate detection unit 16 calculates a feature amount using the created similarity map (step T21). The processing for calculating the feature amount is the same as the processing in steps S5 to S7 shown in FIG. 2, and the feature amount of the similarity map and the feature amount of the isolated region are calculated.

一方で、候補検出部１６は、正常組織構造対応の類似度マップを作成し（ステップＴ１２）、作成した類似度マップを用いて特徴量を算出する（ステップＴ２２）。正常組織構造対応の類似度マップとは、正常組織構造によく見られる形状との類似度を算出して作成された類似度マップをいう。類似度マップの作成方法自体は図４を参照して説明した方法と同様であり、類似度を算出する際の特定の形状を、正常組織構造によく見られる形状に設定すればよい。また、特徴量を算出する処理は、図２に示すステップＳ５〜Ｓ７の処理と同じであり、類似度マップの特徴量と、孤立領域の特徴量とが算出される。   On the other hand, the candidate detection unit 16 creates a similarity map corresponding to a normal tissue structure (step T12), and calculates a feature amount using the created similarity map (step T22). The similarity map corresponding to a normal tissue structure is a similarity map created by calculating a similarity with a shape often found in a normal tissue structure. The method of creating the similarity map itself is the same as the method described with reference to FIG. 4, and the specific shape for calculating the similarity may be set to a shape often found in normal tissue structures. The processing for calculating the feature amount is the same as the processing in steps S5 to S7 shown in FIG. 2, and the feature amount of the similarity map and the feature amount of the isolated region are calculated.

候補検出部１６は、病変対応の類似度マップ、正常組織構造対応の類似度マップのそれぞれを用いて算出された特徴量を特徴量解析し、病変候補の検出を行う（ステップＳ８）。検出結果は制御部１１により表示部１３に表示される（ステップＳ９）。ＲＯＩに病変の画像が含まれている場合、病変によく見られる形状との類似度が大きくなるため、病変対応の類似度マップは全体的に類似度が大きい傾向となる。これに対し、正常組織構造によく見られる形状との類似度は小さくなるため、正常組織構造対応の類似度マップは全体的に類似度が小さい傾向となる。つまり、病変対応の類似度マップ、正常組織構造の類似度マップのそれぞれから算出される特徴量は、ＲＯＩに病変が含まれているか否かで一定の傾向を示すものと考えられる。   The candidate detection unit 16 performs feature amount analysis on the feature amount calculated using each of the similarity map corresponding to a lesion and the similarity map corresponding to a normal tissue structure, and detects a lesion candidate (step S8). The detection result is displayed on the display unit 13 by the control unit 11 (step S9). When an image of a lesion is included in the ROI, the similarity with the shape often seen in the lesion increases, and therefore the similarity map corresponding to the lesion tends to have a large similarity as a whole. On the other hand, since the similarity with the shape often found in the normal tissue structure is small, the similarity map corresponding to the normal tissue structure tends to have a small similarity as a whole. That is, the feature amount calculated from each of the similarity map corresponding to a lesion and the similarity map of a normal tissue structure is considered to show a certain tendency depending on whether or not a lesion is included in the ROI.

よって、病変によく見られる形状だけでなく、正常組織構造によく見られる形状も含めて、類似度マップを作成し、その類似度マップを用いて算出された特徴量を病変候補の検出に用いることにより、より多面的な検出を行うことができる。結果として、検出精度の向上が望める。   Therefore, a similarity map is created that includes not only the shape often found in lesions but also the shape often seen in normal tissue structures, and the feature amount calculated using the similarity map is used to detect lesion candidates. As a result, multifaceted detection can be performed. As a result, improvement in detection accuracy can be expected.

また、病変候補検出の一例として胸部を撮影したＸ線画像から間質性疾患を検出する例を挙げたが、***を撮影したＸ線画像から腫瘤や微小石灰化クラスタ等の病変の候補を検出する場合にも本発明を適用できる。また、Ｘ線画像だけでなく頭部を撮影したＭＲＡ（Magnetic Resonance Angiography）画像から動脈瘤等の病変の候補を検出する場合にも本発明を適用できる。   In addition, as an example of lesion candidate detection, an example of detecting an interstitial disease from an X-ray image obtained by imaging the chest was used. In this case, the present invention can be applied. The present invention can also be applied to the detection of lesion candidates such as aneurysms from not only X-ray images but also MRA (Magnetic Resonance Angiography) images obtained by imaging the head.

また、本発明に係るプログラムのコンピュータ読み取り可能な媒体としては、ＲＯＭ、フラッシュメモリ等の不揮発性メモリ、ＣＤ-ＲＯＭ等の可搬型記録媒体を適用することが可能である。また、本発明に係るプログラムのデータを通信回線を介して提供する媒体として、キャリアウエーブ(搬送波)も本発明に適用される。   In addition, as a computer-readable medium for the program according to the present invention, a non-volatile memory such as a ROM and a flash memory, and a portable recording medium such as a CD-ROM can be applied. Further, a carrier wave (carrier wave) is also applied to the present invention as a medium for providing program data according to the present invention via a communication line.

本実施の形態における医用画像処理装置の機能的構成を示す図である。It is a figure which shows the functional structure of the medical image processing apparatus in this Embodiment. 医用画像処理装置により実行される処理を示すフローチャートである。It is a flowchart which shows the process performed by the medical image processing apparatus. ＲＯＩの設定例である。It is a setting example of ROI. 類似度マップを作成する処理を示すフローチャートである。It is a flowchart which shows the process which produces a similarity map. 類似度のヒストグラムの一例である。It is an example of a histogram of similarity. 識別番号が付された孤立領域の一例である。It is an example of the isolated area | region to which the identification number was attached | subjected. 間質性疾患の病変候補の検出結果の表示例である。It is an example of a display of the detection result of the lesion candidate of interstitial disease. 病変候補を検出する他の処理例を示すフローチャートである。It is a flowchart which shows the other process example which detects a lesion candidate.

符号の説明Explanation of symbols

１ 医用画像処理装置
１１ 制御部
１２ 操作部
１３ 表示部
１４ 通信部
１５ 記憶部
１６ 候補検出部 DESCRIPTION OF SYMBOLS 1 Medical image processing apparatus 11 Control part 12 Operation part 13 Display part 14 Communication part 15 Storage part 16 Candidate detection part

Claims (5)

医用画像のデータを用いて、前記医用画像に設定された関心領域毎に当該関心領域と特定の形状との類似度を示す類似度マップを、一又は複数の異なる形状について作成し、前記一又は複数の異なる形状について作成した各類似度マップの特徴量を特徴量解析した結果に基づいて、前記関心領域内に病変候補が含まれると判断した場合に、当該関心領域を病変候補の領域として検出する候補検出手段と、
表示手段と、
前記病変候補の検出結果を前記表示手段に表示する制御手段と、
を備える医用画像処理装置。 Using the medical image data, for each region of interest set in the medical image, create a similarity map indicating the similarity between the region of interest and a specific shape for one or a plurality of different shapes, When it is determined that a candidate lesion is included in the region of interest based on the result of analyzing the feature amount of each similarity map created for a plurality of different shapes, the region of interest is detected as a candidate lesion region. Candidate detection means to
Display means;
Control means for displaying the detection results of the lesion candidates on the display means;
A medical image processing apparatus comprising: 前記候補検出手段は、前記関心領域のうち、前記一又は複数の異なる形状について作成された各類似度マップにおいて類似度が一定値以上となる画像領域のみを対象として、類似度マップの特徴量を算出する請求項１に記載の医用画像処理装置。   The candidate detecting means calculates a feature amount of the similarity map only for an image area in which the similarity is a certain value or more in each similarity map created for the one or a plurality of different shapes in the region of interest. The medical image processing apparatus according to claim 1 to calculate. 前記候補検出手段は、前記一又は複数の異なる形状について作成された類似度マップのそれぞれにおいて、一定範囲の類似度を有する画素が隣接してなる孤立領域を求め、当該孤立領域の特徴量を算出し、前記特徴量解析に前記類似度マップの特徴量と前記孤立領域の特徴量とを用いる請求項２に記載の医用画像処理装置。   The candidate detection means obtains an isolated region in which pixels having a certain range of similarities are adjacent to each other in each of the similarity maps created for the one or a plurality of different shapes, and calculates a feature amount of the isolated region The medical image processing apparatus according to claim 2, wherein the feature amount analysis uses a feature amount of the similarity map and a feature amount of the isolated region. 前記候補検出手段は、正常組織構造に対応する形状との類似度を示す類似度マップと、病変に対応する形状との類似度を示す類似度マップとをそれぞれ作成し、前記正常組織構造に対応する形状、病変に対応する形状について作成された各類似度マップの特徴量を算出し、前記特徴量解析に用いる請求項１〜３の何れか一項に記載の医用画像処理装置。   The candidate detecting means creates a similarity map indicating the similarity to the shape corresponding to the normal tissue structure and a similarity map indicating the similarity to the shape corresponding to the lesion, respectively, and corresponds to the normal tissue structure The medical image processing apparatus according to any one of claims 1 to 3, wherein a feature amount of each similarity map created for a shape to be processed and a shape corresponding to a lesion is calculated and used for the feature amount analysis. コンピュータを、
医用画像のデータを用いて、前記医用画像に設定された関心領域毎に当該関心領域と特定の形状との類似度を示す類似度マップを、一又は複数の異なる形状について作成し、前記一又は複数の異なる形状について作成した各類似度マップの特徴量を特徴量解析した結果に基づいて、前記関心領域内に病変候補が含まれると判断した場合に、当該関心領域を病変候補の領域として検出する候補検出手段、
前記病変候補の検出結果を表示手段に表示する制御手段、
として機能させるためのプログラム。 Computer
Using the medical image data, for each region of interest set in the medical image, create a similarity map indicating the similarity between the region of interest and a specific shape for one or a plurality of different shapes, When it is determined that a candidate lesion is included in the region of interest based on the result of analyzing the feature amount of each similarity map created for a plurality of different shapes, the region of interest is detected as a candidate lesion region. Candidate detection means to
Control means for displaying the detection result of the lesion candidate on a display means;
Program to function as.
JP2008245554A 2008-09-25 2008-09-25 Medical image processing apparatus and program Pending JP2011250811A (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2008245554A JP2011250811A (en) 2008-09-25 2008-09-25 Medical image processing apparatus and program
PCT/JP2009/053854 WO2010035518A1 (en) 2008-09-25 2009-03-02 Medical image processing apparatus and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2008245554A JP2011250811A (en) 2008-09-25 2008-09-25 Medical image processing apparatus and program

Publications (1)

Publication Number Publication Date
JP2011250811A true JP2011250811A (en) 2011-12-15

Family

ID=42059528

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2008245554A Pending JP2011250811A (en) 2008-09-25 2008-09-25 Medical image processing apparatus and program

Country Status (2)

Country Link
JP (1) JP2011250811A (en)
WO (1) WO2010035518A1 (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018011958A (en) * 2016-07-21 2018-01-25 東芝メディカルシステムズ株式会社 Medical image processing apparatus and medical image processing program
JP2018075069A (en) * 2016-11-07 2018-05-17 富士通株式会社 Similar case image retrieval program, similar case image retrieval device, and similar case image retrieval method
KR20200102034A (en) * 2019-02-20 2020-08-31 한양대학교 에리카산학협력단 Apparatus and method for cell counting
JP2020171541A (en) * 2019-04-11 2020-10-22 富士通株式会社 Abnormal shadow identification program, abnormal shadow identification device, and abnormal shadow identification method

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102005057B (en) * 2010-11-17 2012-07-25 中国科学院声学研究所 Method for detecting region of interest of color image
JP6112859B2 (en) * 2012-12-26 2017-04-12 オリンパス株式会社 Medical image processing device
JP7382240B2 (en) * 2020-01-30 2023-11-16 富士フイルムヘルスケア株式会社 Medical image processing device and medical image processing method

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08287258A (en) * 1995-04-19 1996-11-01 Fuji Xerox Co Ltd Color image recognition device
JP4891577B2 (en) * 2004-08-30 2012-03-07 株式会社東芝 Medical image display device

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018011958A (en) * 2016-07-21 2018-01-25 東芝メディカルシステムズ株式会社 Medical image processing apparatus and medical image processing program
JP7118606B2 (en) 2016-07-21 2022-08-16 キヤノンメディカルシステムズ株式会社 MEDICAL IMAGE PROCESSING APPARATUS AND MEDICAL IMAGE PROCESSING PROGRAM
JP2018075069A (en) * 2016-11-07 2018-05-17 富士通株式会社 Similar case image retrieval program, similar case image retrieval device, and similar case image retrieval method
KR20200102034A (en) * 2019-02-20 2020-08-31 한양대학교 에리카산학협력단 Apparatus and method for cell counting
KR102257998B1 (en) * 2019-02-20 2021-05-31 한양대학교 에리카산학협력단 Apparatus and method for cell counting
JP2020171541A (en) * 2019-04-11 2020-10-22 富士通株式会社 Abnormal shadow identification program, abnormal shadow identification device, and abnormal shadow identification method
JP7348469B2 (en) 2019-04-11 2023-09-21 富士通株式会社 Abnormal shadow identification program, abnormal shadow identification device, and abnormal shadow identification method

Also Published As

Publication number Publication date
WO2010035518A1 (en) 2010-04-01

Similar Documents

Publication Publication Date Title
JP5868231B2 (en) Medical image diagnosis support apparatus, medical image diagnosis support method, and computer program
US10846853B2 (en) Medical image processing apparatus, medical image processing method, and medical image processing program
EP1815431B1 (en) False positive reduction in computer-assisted detection (cad) with new 3d features
US8989471B2 (en) Method and system for automatic rib centerline extraction using learning based deformable template matching
JP3928978B1 (en) Medical image processing apparatus, medical image processing method, and program
JP2015154918A (en) Apparatus and method for lesion detection
US10635924B2 (en) System and method for surgical guidance and intra-operative pathology through endo-microscopic tissue differentiation
US8285013B2 (en) Method and apparatus for detecting abnormal patterns within diagnosis target image utilizing the past positions of abnormal patterns
WO2010035518A1 (en) Medical image processing apparatus and program
JP2013022463A (en) Moving object contour extraction apparatus, left ventricle image separation apparatus, moving object contour extraction method and left ventricle image separation method
JP2013039344A (en) Apparatus and method for medical image processing and program for detecting abnormality
JP2006034585A (en) Picture display device and picture display method, and program thereof
JP6458166B2 (en) MEDICAL IMAGE PROCESSING METHOD, DEVICE, SYSTEM, AND PROGRAM
JP6041781B2 (en) MEDICAL IMAGE PROCESSING DEVICE, ITS OPERATION METHOD, AND MEDICAL IMAGE PROCESSING PROGRAM
US10307124B2 (en) Image display device, method, and program for determining common regions in images
US20230032941A1 (en) Image processing apparatus, image processing method, and non-transitory storage medium
US10249050B2 (en) Image processing apparatus and image processing method
JP2017189394A (en) Information processing apparatus and information processing system
JP5573674B2 (en) Medical image processing apparatus and program
JP5343973B2 (en) Medical image processing apparatus and program
JP2010075330A (en) Medical image processor and program
EP2889001A1 (en) Shape data-generating program, shape data-generating method and shape data-generating device
JP2005269214A (en) Image diagnosis support apparatus, image diagnosis support method, image diagnosis support program, and computer-readable recording medium with image diagnosis support program recorded thereon
Ye et al. Morphological classification: Application to cardiac MRI of tetralogy of fallot
JP2010075334A (en) Medical image processor and program