JP2012512730A - 医療用途のデジタルｘ線画像の対象領域における明るさレベルを計算する方法 - Google Patents

Abstract

本発明は、ニューラルネットワークを用いた画像ヒストグラムによる、医療用途のデジタルＸ線画像の対象領域における明るさのレベルを評価する方法に関する。計算は、画像取得と、画像ヒストグラム計算と、ヒストグラム値の、ニューラルネットワークの入力引数への変換と、取得するニューラルネットワークの出力値とを備える。ニューラルネットワークの入力引数として、所与の階級幅により計算され、単位に正規化されたヒストグラム値が用いられる。明るさのレベルは、ニューラルネットワークの出力値の線形関数として計算される。ニューラルネットワーク学習が、所与の画像データベースに基づき計算された学習セットを用いて行われる。対象領域全体の各画像について計算され、ニューラルネットワークの出力層におけるニューロンの活性化関数の範囲に対してスケーリングされた、明るさのレベルが、目標値のセットとして用いられる。

Description

本発明は、医療用途のデジタルＸ線画像の処理方法、すなわち医療用途のデジタルＸ線画像の対象領域における明るさレベル計算に関する。

患者臓器の投射の画像の近傍のＸ線画像は、一般に、装置の部品の画像（例えばコリメータ）と、空気の投射を含んでいる。対象領域は、通常、患者臓器の投射の画像のみがある画像の部分を意味している。明るさレベルを正しく決定する必要性は、例えば、以下の場合に生じる。
１）モニタの表示でのデジタル画像の視覚化
２）一連のＸ線画像を得る間の露光制御

正しい明るさおよびコントラストレベルでの、Ｘ線画像の視覚化は、Ｘ線画像のより良い理解および正しい診断のそれぞれに寄与する。一連の連続画像を得る間、前の画像における対象領域での明るさのレベルが分かっていると、デジタル検出器露光時間を、正しく設定して、次の画像を得ることができる。正しく選択された露光は、暗い、および／または露光オーバーの領域なしに、対象領域において最適な雑音対信号の関係を有する、極めて高い品質のＸ線画像を得ることを可能にする。Ｘ線画像の連続の標準的な露光回数は、毎秒３０フレームであり、よって露光時間および／またはＸ線管特性の調整を可能にするために十分に速く、明るさレベルを決めることが、非常に重要である。また、明るさレベル計算方法が、一連の連続画像に行われる計算の間は安定していることも必要である。

画像明るさレベル決定の方法［Ｒ．ゴンザレス（Gonzalez）、 Ｒ．ウッズ（Woods）、Ｓ．エディンズ（Eddins）、ＭＡＴＬＡＢ（ＤＩＰＵＭ）を用いたデジタル画像処理（Digital Image Processing Using MATLAB (DIPUM)、Technosphera、2006、P.32］が知られている。この方法によれば、明るさのレベルは、最小および最大の明るさ値の間の平均値として計算される。
Ｌｅｖｅｌ＝（Ｖａｌｕｅ_α＋Ｖａｌｕｅ_１−α）／２

Ｖａｌｕｅ_αは、画像全体の各画素の明るさについての分位数レベルαである。パラメータαは、十分に小さく、０．０１以下で選択される。この方法は、画像内の空気および／またはコリメータ領域が存在する場合には、明るさのレベルの必要な計算精度を提供しない。

プロトタイプとして選択された、最も近い技術的解決策は、［欧州特許第０４０９２０６Ｂ１号、第６頁、１９９７年１月１０日公開］で述べられている、明るさレベルを決定する方法である。プロトタイプによると、その方法は、デジタル画像データの、装置の主メモリへの読み出し、およびその後に以下の計算を行うことを含む。
１）１に等しい階級幅（class interval）を有する画像ヒストグラムが、計算される。
２）明るさのより低い画素を、バックグラウンドと一旦みなして、明るさのレベルＡが計算される。
３）画素の明るさがＡよりも高い間隔内のヒストグラムが、分析される。前記間隔内の最大ヒストグラム値に関する明るさＭＶＰが、計算される。
４）画像視覚化のための初期値、ウィンドウレベルＷＬ_０＝ＭＶＰおよびウィンドウ幅ＷＷ_０＝２×（ＭＶＰ−Ａ）が選択される。
５）パラメータΔＷＷ＝ＷＷ_０／２が、計算される。

７）ヒルクライミング法を用いて、品質インデックスＱ_ｃがその最大値を有するような値のペア（ＷＬ_ｃ，ＷＷ_ｃ）が、計算される。反復手順の間に、パラメータΔＷＷが補正される。

品質インデックスは、１つの隠れ層と、ニューロンのシグモイド活性化関数を持つ、出力層内の１つのニューロンとを有する、人工フィードフォワードニューラルネットワーク（以下、ニューラルネットワーク）によって評価される。品質インデックスＱ_ｃの最大値に関する、ウィンドウレベルおよびウィンドウ幅（ＷＬ_ｃ，ＷＷ_ｃ）が、画像視覚化のための最適パラメータとみなされる。

熟練した操作者が、ウィンドウレベルおよびウィンドウ幅の所望の値（ＷＬＧ，ＷＷＧ）を設定する、１つまたはいくつかの画像が、トレーニングに用いられる。そして、２５個の値からなるテーブルが、作成される。

ニューラルネットワーク入力引数（５つ以上）が、各ペア（ＷＬ_ｉ，ＷＷ_ｉ）について計算される。適切なペア（ＷＬ_ｉ，ＷＷ_ｉ）に関する品質インデックスＱ_ｉが、目標値として用いられる。よって、所与の画像セットでの、ウィンドウレベルおよびウィンドウ幅の所望のパラメータを表すことにより、操作者は、ニューラルネットワークトレーニングのためのデータを取得し、その後に、ニューラルネットワークをトレーニングする。

プロトタイプに係る方法の不利な点は、次の通りである。
１）明るさレベルのみが決定される場合に露光制御タスクに適用されると、この方法は、冗長な情報を提供する。
２）この方法では、一連の画像の計算中のアルゴリズム安定性が、制御されない。これは、一連の画像を取得している間の、露光制御のために重要である。

技術的結果は、医療用途のＸ線画像の対象領域における、平均明るさ値と関連する明るさレベルを決定するのに役立つ。

本出願の発明の技術的結果は、医療用途のＸ線画像の対象領域における明るさのレベルの決定からなる。さらに、方法は、一連の画像の計算の間、安定している。補助的な技術的結果は、ハードウェアの簡潔さと、高性能アルゴリズムとを含む。

画像の取得と、画像ヒストグラムの計算と、ヒストグラム値の、ニューラルネットワークの入力引数への変換と、人工ニューラルネットワークによる明るさのレベルの計算と、からなる、本発明の技術的結果が達成され、これは、ヒストグラムの値が、所与の階級幅により計算され、単位に正規化されて、ニューラルネットワークの入力引数として用いられ、明るさのレベルが、ニューラルネットワークの出力値の線形関数として計算され、ニューラルネットワークトレーニングが、所与の画像に基づき決定された学習セットを用いて行われ、対象領域全体の各画像について計算され、ニューラルネットワークの出力レベルのニューロンのシグモイド活性化関数の範囲に対してスケーリングされた、明るさのレベルが、目標値のセットとして用いられる、ということによる。

ニューラルネットワークとして、１つの隠れ層と、ニューロンのシグモイド活性化関数を有する出力層内の１つのニューロンと、を有する人工フィードフォワードニューラルネットワークが用いられる。

ヒストグラム値を計算するための階級幅は、画像全体の画素明るさ分布の分位数と、ニューラルネットワークの入力引数の数との関係に、等しいとみなされる。

対象領域における明るさのレベルは、対象領域内の画素明るさの平均値として計算される。

ヒストグラムの値は、全ての画像画素にわたって計算される。

ヒストグラムの値は、円内の画素について計算され、円の中心は、画像の中心と一致し、その直径は、画像の最も短い辺に等しい。

アルゴリズムは、画像ヒストグラムと、対象領域の明るさのレベルとの間に、統計的な関係があるという、実験的に確立された事実に基づく。

本出願の発明の態様は、以下のとおりである。

ニューラルネットワークの入力引数として、所与の階級幅内で計算された単位画像ヒストグラム値に対して正規化されたものが用いられる。
１）明るさのレベルは、ニューラルネットワークの出力値の線形関数として計算される。
２）所与の画像に基づき指定された学習セットを用いて、ニューラルネットワークトレーニングが行われ、対象領域における各画像について計算され、ニューラルネットワークの出力レベルのニューロンのシグモイド活性化関数の範囲に対してスケーリングされた明るさのレベルが、目標値のセットとして用いられる。

ヒストグラムと、明るさのレベルとの間の統計的関係を、識別するために、人工的なフィードフォワードニューラルネットワークが用いられる［サイモン・ハイキン（Simon Haykin）、ニューラルネットワーク包括的基礎（Neural networks Comprehensive Foundation）、2006、p.55］。ここで、いくつかの一般的な方法実現のステージを識別する。
１）医療Ｘ線画像からの、データベース生成および分類。
２）学習セットの例の設計―ニューラルネットワークの入力引数のセットおよび目標値のセット。
３）誤差関数およびニューラルネットワークトレーニングアルゴリズムの選択。
４）異なるアーキテクチャ、異なる入力数、層およびニューロンの、ニューラルネットワークのセットのトレーニング。
５）問題の解決に最も適したやり方での、最小のパラメータ数を有するニューラルネットワークの選択

方法の本質が、以下に示される図面を用いて説明される。

図１は、Ｘ線装置の１つから得られた医療用途のデジタルＸ線画像の例である。 図２は、図１の画像に関連する対象領域である。 図３は、１６ビット画像のヒストグラムの例である。グレースケールが、水平方向にあり、所与の明るさの画素数が、縦方向にある。縦線は、［０，Ｂｒｉｇｈｔ］を３２の部分に下位分割する間隔を示す。値Ｂｒｉｇｈｔは、レベルα＝０．９９９を有する画像明るさの分位数として定義される。 図４は、次の学習サンプルについての相対誤差の一般的なヒストグラムである。Ｅｒｒｏｒ＝１００×（Ｌｅｖｅｌ’／Ｌｅｖｅｌ−１）、ただし、Ｌｅｖｅｌ’は、本出願の方法を用いて得られた明るさのレベルであり、Ｌｅｖｅｌは、対象領域全体で計算された明るさのレベルである。 図５は、テストサンプルについての相対誤差の一般的なヒストグラムである。

ステージ１．画像データベース生成は、臓器種類についての画像分類と、画像毎の対象領域を有するバイナリ画像の生成と、を含む。対象領域を有するバイナリ画像の生成は、専用のソフトウェアを用いて、または任意の標準的なワードプロセッサにより、画像内の対象領域を手動で作成することによって、行うことができる。第１のステージで、ペアのセット｛Ｉｍａｇｅ，Ｒｏｉ｝からなるデータベースが生成され、ここでＩｍａｇｅは、初期画像であり、Ｒｏｉは、適切な対象領域の画像である。我々の場合、約１万枚の画像が集められ、処理された。

ステージ２は、学習セットの例の設計を含む。各ペア｛Ｉｍａｇｅ，Ｒｏｉ｝について、画像のヒストグラムＨｉｓｔが計算され、階級幅が、単位に等しく、対象領域の明るさのレベルは、Ｌｅｖｅｌである。明るさのレベルとして、対象領域内の全ての画素上の平均画素明るさ値は、

となり、Ｌｅｖｅｌは、対象領域での明るさのレベルであり、
ｐ_ｋはｋ画素の明るさ値であり、
Ｍは、対象領域の画素の数である。
各ペア｛Ｉｍａｇｅ，Ｒｏｉ｝についての結果として、ヒストグラムと明るさのレベルからなるペア｛Ｈｉｓｔ，Ｌｅｖｅｌ｝が得られる。

ヒストグラムは、画像全体に対して、および予め選択された領域に対して、評価することができる。通常、露光されている患者は、露光されている臓器の画像投射が、デジタルマトリックスの中心になるように配置される。よって、ヒストグラム評価の第２の変形では、中心が、画像の中心と揃っており、例えば直径が、画像の最も短い辺と等しいような領域の円を、考慮することができる。

ここで、各ペア｛Ｈｉｓｔ，Ｌｅｖｅｌ｝について、いくつかの入力引数Ｉｎｐｕｔおよび目標値Ｔａｒｇｅｔが評価される。入力引数Ｉｎｐｕｔおよび目標値Ｔａｒｇｅｔは、学習パラメータのセットを示しており、以下の条件を満たす必要がある。
１）ペア｛Ｉｎｐｕｔ，Ｔａｒｇｅｔ｝は、一定値での画像の乗算に対して相対的に不変とし、画像サイズに依存しないようにすべきである（画素明るさの個別性を考慮に入れる）。
２）目標値Ｔａｒｇｅｔは、出力層のニューロンのシグモイド活性化関数の範囲に属しなければならない。

次いで、一定値での画像の乗算に対する、ペア｛Ｉｎｐｕｔ，Ｔａｒｇｅｔ｝の相対的な不変性を提供する必要がある。ヒストグラムＨｉｓｔについて、上限Ｂｒｉｇｈｔが画像画素明るさの分位数レベルαとなるように、明るさ間隔［０，Ｂｒｉｇｈｔ］が計算される。次いで、間隔［０，Ｂｒｉｇｈｔ］を、Ｓ個の等間隔で除算し、Ｉｎｐｕｔ_ｉ値が、間隔Ｉ内のヒストグラムＨｉｓｔ_ｋ値の合計として、推定される。

Ｉｎｐｕｔ_ｉは、インデックスｉを有する入力引数であり、
Ｈｉｓｔ_ｋは、インデックスｋを有するヒストグラムＨｉｓｔの値である。
その結果、Ｉｎｐｕｔ_ｉの値が、次の単位に正規化される。

Ｓは、ニューラルネットワークの入力の数であり、数値実験によって、パラメータαと共に選択される。入力引数Ｉｎｐｕｔは、次いで、階級幅Ｂｒｉｇｈｔ／Ｓで計算された単位ヒストグラム値に正規化される。さらに、Ｔａｒｇｅｔ’＝Ｌｅｖｅｌ／Ｂｒｉｇｈｔが、各Ｌｅｖｅｌに対して計算される。このようにして、得られたペア｛Ｉｎｐｕｔ，Ｔａｒｇｅｔ’｝は、一定値での画像の乗算に対して相対的に不変であり、画像サイズに依存しない。

シグモイド関数を用いて、ニューロンの関数を活性化するために用いられる目標値のセットが生成される。

目標値の範囲は、間隔［０，１］であり、すなわち、目標値Ｔａｒｇｅｔ’のセットが、この間隔に正規化されるべきである。このために、次の線形変換が用いられる。

以下に、ニューラルネットワークの出力値Ｏｕｔｐｕｔに基づいてレベルＬｅｖｅｌを計算する式を示す。
Ｌｅｖｅｌ＝Ｂｒｉｇｈｔ×（Ｃ_１×Ｏｕｔｐｕｔ＋Ｃ_２）
ただし、Ｃ_１＝ｍａｘ｛Ｔａｒｇｅｔ’｝−ｍｉｎ｛Ｔａｒｇｅｔ’｝、
Ｃ_２＝ｍｉｎ｛Ｔａｒｇｅｔ’｝である。
明るさのレベルは、ニューラルネットワークの出力値の線形関数として計算される。

ニューラルネットワークの誤差関数として、２つの変形が対応する。第１の変形は、

の規則性を有する二乗平均平方根誤差である。
第２の変形は、

の規則性を有する二乗平均平方根誤差である。

両方の式における、第１の被加数は、ニューラルネット学習の正確さを定義し、第２の被加数、規則化乗数は、ニューラルネットの安定性を提供する。重みＷ_ｉは、次式を用いて計算される。

例えば、大きな値Ｔａｒｇｅｔ_ｉ’を有するペアは、より小さな重みＷ_ｉに対応する。

ニューラルネット学習について、標準的アルゴリズム、逆伝播による共役勾配法が用いられる［モラー（Moller）、ニューラルネットワーク（Neural Networks）、vol. 6、1993、p.525］。規則化乗数Ｒａｔｉｏは、画像回転でのレベルＬｅｖｅｌの多重計算の間、０．５パーセントより多くのマーベリック（maverick）を除去するように選択される。我々の場合、このパラメータは、Ｒａｔｉｏ＝０．９９９９と等しくなった。

露光オーバーを避けるために、標準的な手法が用いられ、この手法の過程で、学習例｛Ｉｎｐｕｔ，Ｔａｒｇｅｔ｝の範囲が、２つの部分に分割される。それらの１つは、ニューラルネット学習に用いられ、それらの２つ目は、テストに用いられる。画像データベースの生成後に、これらは、臓器の種類に基づき、医療Ｘ線画像の分類を行う。次いで、学習例の範囲が、各グループの画像の８０パーセントを、学習サンプルに置き、残りの２０パーセントを、テスト用のサンプルに置くようにして、８０および２０パーセントの関係で、２つのサンプルに分割される。

多くの実験で、所与のタスクの解決策が、示されており、１つの隠れ層と、３０〜６０個の入力と、隠れ層内の５〜１０個のニューロンと、を有する、フィードフォワードのニューラルネットワークの使用が可能とされている。パラメータαは、間隔０．９８〜０．９９９９から選択することができる。特定の装置での適用のもとで、方法を実現するために、最小数のパラメータを有するニューラルネットワークが選択され、他の条件は同等である。

最良の実施形態
好適な実施形態は、医療用途のデジタルＸ線画像の対象領域における明るさレベルを評価する方法であり、方法は、画像の取得と、画像ヒストグラム計算と、ヒストグラム値の、ニューラルネットワークの入力引数への変換と、人工ニューラルネットワークを用いた明るさレベルの計算と、を含む。

ヒストグラム値は、所与の階級幅により計算され、次いで、単位に正規化されて、ニューラルネットワークの入力引数として用いられる。明るさのレベルは、ニューラルネットワークの出力値の線形関数として計算される。

ニューラルネットワーク学習が、所与の画像データベースに基づき計算された学習セットを用いて行われる。対象領域全体の各画像について計算され、且つ、ニューラルネットワークの出力層内のニューロンの活性化関数の範囲に対してスケーリングされた、明るさのレベルが、目標値のセットとして用いられる。

ニューラルネットワークとして、１つの隠れ層と、ニューロンのシグモイド活性化関数を有する出力層内の１つのニューロンと、を有する人工フィードフォワードニューラルネットワークが用いられる。

ヒストグラム値を計算するための階級幅は、単位に近いレベルを有する画素明るさ分布の分位数と、ニューラルネットワークの入力引数の数との間の関係に、等しいとみなされる。

対象領域における明るさのレベルは、対象領域内の画素明るさの平均値として計算される。

ヒストグラムの値は、円内の画素について計算され、円の中心は、画像の中心と一致し、その直径は、画像の最も短い辺に等しい。

データ処理および分析の既知の数値的方法が、本出願の方法で用いられる。また、既知のハードウェアおよび装置を用いて、前記データが得られる。

Claims (6)

1. 医療用途のデジタルＸ線画像の対象領域における明るさレベルを計算する方法であって、
   前記画像を得るステップと、
   画像ヒストグラムを計算するステップと、
   ヒストグラム値を、ニューラルネットワークの入力引数に変換するステップと、
   人工ニューラルネットワークを用いて、明るさレベルを計算するステップと、
   を備え、
   前記ヒストグラム値は、所定の階級幅により計算され、次いで、１つの単位に正規化されて、前記ニューラルネットワークの入力引数として用いられ、
   明るさのレベルは、ニューラルネットワークの出力値の線形関数として計算され、ニューラルネットワーク学習が、所与の画像データベースに基づき計算された学習セットを用いて行われ、
   対象領域全体の各画像について計算され、且つ、ニューラルネットワークの出力層内のニューロンの活性化関数の範囲に対してスケーリングされた、明るさのレベルが、目標値のセットとして用いられる、こと特徴とする方法。
2. 前記ニューラルネットワークとして、１つの隠れ層と、ニューロンのシグモイド活性化関数を有する出力層内の１つのニューロンと、を有する人工フィードフォワードニューラルネットワークが用いられる、ことを特徴とする請求項１に記載の方法。
3. ヒストグラム値を計算するための前記階級幅は、単位に近いレベルを有する画素明るさ分布の分位数と、前記ニューラルネットワークの入力引数の数との間の関係に、等しいとみなされる、ことを特徴とする請求項２に記載の方法。
4. 対象領域における明るさのレベルは、対象領域内の画素明るさの平均値として計算される、ことを特徴とする請求項１に記載の方法。
5. ヒストグラムの値は、画像の全ての画素について計算される、ことを特徴とする請求項１に記載の方法。
6. ヒストグラムの値は、円内の画素について計算され、円の中心は、画像の中心と一致し、その直径は、画像の最も短い辺に等しい、ことを特徴とする請求項１に記載の方法。

Images