JP6256954B2 - ***画像病変検出システム、***画像病変検出方法、***画像病変検出プログラムおよび***画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体 - Google Patents
***画像病変検出システム、***画像病変検出方法、***画像病変検出プログラムおよび***画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体 Download PDFInfo
- Publication number
- JP6256954B2 JP6256954B2 JP2015519606A JP2015519606A JP6256954B2 JP 6256954 B2 JP6256954 B2 JP 6256954B2 JP 2015519606 A JP2015519606 A JP 2015519606A JP 2015519606 A JP2015519606 A JP 2015519606A JP 6256954 B2 JP6256954 B2 JP 6256954B2
- Authority
- JP
- Japan
- Prior art keywords
- breast
- mammary gland
- lesion detection
- construction
- image
- 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.)
- Active
Links
- 210000000481 breast Anatomy 0.000 title claims description 148
- 230000003902 lesion Effects 0.000 title claims description 128
- 238000001514 detection method Methods 0.000 title claims description 71
- 238000010276 construction Methods 0.000 claims description 113
- 210000005075 mammary gland Anatomy 0.000 claims description 95
- 238000007781 pre-processing Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 24
- 238000012821 model calculation Methods 0.000 claims description 24
- 210000002976 pectoralis muscle Anatomy 0.000 claims description 22
- 210000002445 nipple Anatomy 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 8
- 238000005094 computer simulation Methods 0.000 claims 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 40
- 208000035475 disorder Diseases 0.000 description 40
- 230000006870 function Effects 0.000 description 15
- 238000000034 method Methods 0.000 description 15
- 238000001914 filtration Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 13
- 238000009607 mammography Methods 0.000 description 12
- 206010006187 Breast cancer Diseases 0.000 description 3
- 208000026310 Breast neoplasm Diseases 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 208000004434 Calcinosis Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000062 pectoralis major Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 229910052704 radon Inorganic materials 0.000 description 2
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 241000519995 Stachys sylvatica Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- A61B6/502—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 for diagnosis of breast, i.e. mammography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Quality & Reliability (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Description
本発明は、***画像病変検出システム、***画像病変検出方法、***画像病変検出プログラムおよび***画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体に関する。
一般に、がんは早期発見・早期治療により生存率の飛躍的な向上が期待できる。乳がんの早期発見に有効な手段として、近年、***Ｘ線画像撮影（マンモグラフィ）が多く利用されている。マンモグラフィは、***全体の状態を把握できるなどの特徴をもち，視触診や超音波画像では検出しにくい微細な病変などの検出に有効である。
しかし、マンモグラフィの受診者数が増加すれば医師の負担増大を招き、疲労などに起因する誤診や病変の見落としが発生する危険性がある。そこで、診断医の負担軽減および診断精度の向上のために、コンピュータ支援診断（ｃｏｍｐｕｔｅｒ ａｉｄｅｄ ｄｅｔｅｃｔｉｏｎ もしくは ｄｉａｇｎｏｓｉｓ：ＣＡＤ）システムが開発されている。ＣＡＤとは、コンピュータによる画像解析情報を読影医に第２の意見として提示することにより、診断精度の向上や診断に要する時間の短縮といった診断の質と生産性の改善とを目的とした技術である。
乳がんの主な画像所見として、微小石灰化、腫瘤および構築の乱れなどがある。微小石灰化は、***内の血管や軟部組織の細胞が壊死し沈着したものであり、画像上では白い斑点群として視認される。腫瘤は、形状、境界および濃度に特徴を有する占拠性病変であり、画像上ではある程度の面積をもった陰影として表れる。構築の乱れは、明確な腫瘤陰影ではないが、正常の乳腺構築が歪みを伴った病変であり、１点から放射状に広がるスピキュラや乳腺実質の局所的引き込みあるいは歪み等が特徴とされる。この構築の乱れは、他の所見よりも読影が難しく見落としが発生しやすい病変であるとされている。
このような乳がんの各所見はそれぞれ特有の画像的特徴を有しているため、従来、各所見を特異的に検出するＣＡＤシステムが開発されている（例えば、特許文献１参照）。そのうち、特に読影が難しい構築の乱れに対しては、様々なアプローチによるＣＡＤシステムが提案されている。例えば、画像中の線構造の線集中度と方向分布指数とを求め、これらの積に基づいて構築の乱れの候補を求める方法（例えば、特許文献２参照）や、ラドン変換により原画像上の線構造を強調し、構築の乱れの陰影が有する放射状の線構造に着目して独自に設計した放射状フィルタを用いてその線構造を強調し、構築の乱れの候補を検出する方法（例えば、非特許文献１参照）、ガボールフィルタにより得られる方向マップを線形力学系のベクトル場の力線図と見立ててモデル化し、それに基づいて病変部が有する放射状線構造の度合いを定量化して、構築の乱れの候補を検出する方法（例えば、非特許文献２参照）などがある。
これらの従来の構築の乱れを検出するためのＣＡＤシステムでは、線構造の広がり（スピキュラ）という構築の乱れに特有な特徴に着目し、その特徴を定量化するというアプローチをとっている。しかし、***Ｘ線画像は、空間解像度および濃度分解能の点で極めて高精細である反面、ノイズを含みやすく、病変に伴う線構造が淡く極めて低コントラストな陰影として現れることが多い。このため、病変かどうかを判別するのに十分な精度で線構造の抽出が行えず、真陽性率があまり高くならないという問題があった。また、乳腺の線構造を抽出しても、病変の特徴を正確に定量化することが難しく、偽陽性率が悪化してしまうという問題もあった。
そこで、本発明者等は、抽出精度が悪い微細な線構造を抽出するのではなく、対象領域と周辺との平均的な輝度差に着目して構築の乱れの候補を検出する方法を提案している（例えば、非特許文献３参照）。この方法は、病変の中心部とその周辺部分にコントラストが存在するという新たな特徴に着目し、ＤｏＧ（Ｄｉｆｆｅｒｅｎｃｅ ｏｆ Ｇａｕｓｓｉａｎｓ）フィルタリングにより、その特徴を有する病変候補を検出するものである。この方法は、従来のＣＡＤシステムと比べて、高い真陽性率で構築の乱れ候補を検出可能で、同じ真陽性率のときの偽陽性率も低いことが確認されている。
なお、病変に伴う画像中の線構造が極めて低コントラストであることから、画像のコントラストを改善する方法が提案されているが（例えば、特許文献３参照）、医師の読影を容易にするためのものであり、ＣＡＤシステムに利用されるものではない。また、マンモグラフィ以外にも、超音波画像やＭＲＩ画像を利用したＣＡＤシステムが開発されているが（例えば、特許文献４参照）、マンモグラフィよりも画像の解像度が低いため、ほとんど利用されていない。また、本発明者等により、肺がん等の診断のために、Ｘ線ＣＴなどの医療用断層画像中の陰影に対してガボールフィルタを用いて傾き線分情報を抽出し、その情報から陰影の特徴量を求めて異常陰影か否かを判断するＣＡＤシステムが開発されている（例えば、特許文献５参照）。
M. P. Sampat, G. J. Whitman, M. K. Markey, and A. C.Bovik, "Evidence based detection of spiculated masses and architecturaldistortions", Proc of SPIE, 2005, Vol.5747, p.26-37
R. M. Rangayyan and F. J. Ayres, "Gabor filters and phase portraits forthe detection of architectural distortion in mammograms", Medical andBiological Engineering and Computing, 2006, 44(10), p.883-894
T. Handa, X. Zhang, N.Homma, T. Ishibashi, Y. Kawasumi, M. Abe, N. Sugita and M. Yoshizawa, "DoG-BasedDatection of Architectural Distortion in Mammographic Images for Computer-AidedDetection", Proc of SICE Annual Conference, 2012, p.762-767
非特許文献３に記載の構築の乱れを検出するためのＣＡＤシステムでは、特許文献２、非特許文献１および非特許文献２に記載の従来のＣＡＤシステムよりも高い真陽性率で乳腺の構築の乱れ候補を検出することができるが、正常な乳腺構築の詳細な特徴を考慮していないため、病変の特徴を正確に定量化しておらず、偽陽性率の悪化という課題が残されたままになっている。
本発明は、このような課題に着目してなされたもので、偽陽性率を低減することができる***画像病変検出システム、***画像病変検出方法、***画像病変検出プログラムおよび***画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体を提供することを目的とする。
上記目的を達成するために、本発明に係る***画像病変検出システムは、***Ｘ線画像に含まれる乳腺の構築の乱れを検出するための***画像病変検出システムであって、前記***Ｘ線画像について、乳頭から大胸筋に向かって扇状に拡散する乳腺の正常構築モデルを求めるモデル計算手段と、前記***Ｘ線画像について、その画像中の陰影の形状を構成する線構造の方向を抽出する方向抽出手段と、前処理により検出された乳腺の構築の乱れ候補を含む前記***Ｘ線画像内の関心領域について、前記モデル計算手段で求められた正常構築モデルの乳腺の方向と、前記方向抽出手段で抽出された方向とを比較して、それらの差異に基づく特徴量を求め、その特徴量に基づいて前記候補が乳腺の構築の乱れであるか否かを判定する病変判定手段とを、有することを特徴とする。
本発明に係る***画像病変検出方法は、***Ｘ線画像に含まれる乳腺の構築の乱れを検出するための***画像病変検出方法であって、コンピュータが、前記***Ｘ線画像について、乳頭から大胸筋に向かって扇状に拡散する乳腺の正常構築モデルを求めるモデル計算工程と、コンピュータが、前記***Ｘ線画像について、その画像中の陰影の形状を構成する線構造の方向を抽出する方向抽出工程と、コンピュータが、前処理により検出された乳腺の構築の乱れ候補を含む前記***Ｘ線画像内の関心領域について、前記モデル計算工程で求められた正常構築モデルの乳腺の方向と、前記方向抽出工程で抽出された方向とを比較して、それらの差異に基づく特徴量を求め、その特徴量に基づいて前記候補が乳腺の構築の乱れであるか否かを判定する病変判定工程とを、有することを特徴とする。
本発明に係る***画像病変検出プログラムは、***Ｘ線画像に含まれる乳腺の構築の乱れを検出するための***画像病変検出プログラムであって、コンピュータを、前記***Ｘ線画像について、乳頭から大胸筋に向かって扇状に拡散する乳腺の正常構築モデルを求めるモデル計算手段、前記***Ｘ線画像について、その画像中の陰影の形状を構成する線構造の方向を抽出する方向抽出手段、前処理により検出された乳腺の構築の乱れ候補を含む前記***Ｘ線画像内の関心領域について、前記モデル計算手段で求められた正常構築モデルの乳腺の方向と、前記方向抽出手段で抽出された方向とを比較して、それらの差異に基づく特徴量を求め、その特徴量に基づいて前記候補が乳腺の構築の乱れであるか否かを判定する病変判定手段、として機能させることを特徴とする。
本発明に係る***画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体は、***Ｘ線画像に含まれる乳腺の構築の乱れを検出するための***画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体であって、コンピュータを、前記***Ｘ線画像について、乳頭から大胸筋に向かって扇状に拡散する乳腺の正常構築モデルを求めるモデル計算手段、前記***Ｘ線画像について、その画像中の陰影の形状を構成する線構造の方向を抽出する方向抽出手段、前処理により検出された乳腺の構築の乱れ候補を含む前記***Ｘ線画像内の関心領域について、前記モデル計算手段で求められた正常構築モデルの乳腺の方向と、前記方向抽出手段で抽出された方向とを比較して、それら差異に基づく特徴量を求め、その特徴量に基づいて前記候補が乳腺の構築の乱れであるか否かを判定する病変判定手段、として機能させるための***画像病変検出プログラムを記録していることを特徴とする。
本発明に係る***画像病変検出システムは、乳腺の正常構築モデルを求め、その正常構築モデルに基づいて***Ｘ線画像中の構築の乱れ候補の特徴量を求め、その特徴量に基づいて構築の乱れであるか否かを判定することにより、***領域上での構築の乱れ候補の位置を考慮して病変の特徴を正確に定量化し、判定を行うことができる。特徴量が、正常構築モデルの乳腺の方向と、***Ｘ線画像中の陰影の形状を構成する線構造の方向との差異に基づいているため、１点から放射状に広がるスピキュラ等の構築の乱れの特徴を高精度で定量化することができる。このように、本発明に係る***画像病変検出システムは、正常な乳腺構築を考慮しないものと比べ、偽陽性率を低減することができ、乳腺の構築の乱れを正確に検出することができる。
本発明に係る***画像病変検出システムで、乳腺の構築の乱れ候補を検出する前処理は、非特許文献３に記載のＣＡＤシステムなど、高い真陽性率で多くの病変候補を検出できる処理システムから成ることが好ましい。また、特許文献２、非特許文献１または非特許文献２などの従来のＣＡＤシステムから成っていてもよい。なお、本発明に係る***画像病変検出システムは、前処理を行わず、***Ｘ線画像全体を複数の関心領域に分割し、各関心領域に対して構築の乱れの検出を行うこともできる。
本発明に係る***画像病変検出システム、***画像病変検出プログラムおよび***画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体で、前記病変判定手段は、前記関心領域内の複数の座標（ｘ，ｙ）について、前記モデル計算手段で求められた正常構築モデルの乳腺の方向をΦ（ｘ，ｙ）、前記方向抽出手段で抽出された方向をΘ（ｘ，ｙ）とし、方向が一致する許容範囲を決めるパラメータをＮｍ、前記座標の数をＮＲＯＩとしたとき、前記特徴量Ｒを、
により求めることもできる。
また、本発明に係る***画像病変検出方法で、前記病変判定工程は、前記関心領域内の複数の座標（ｘ，ｙ）について、前記モデル計算工程で求められた正常構築モデルの乳腺の方向をΦ（ｘ，ｙ）、前記方向抽出工程で抽出された方向をΘ（ｘ，ｙ）とし、方向が一致する許容範囲を決めるパラメータをＮｍ、前記座標の数をＮＲＯＩとしたとき、前記特徴量Ｒを、（１）式により求めることもできる。
この（１）式を使用する場合、関心領域内での正常構築モデルの乳腺の方向Φ（ｘ，ｙ）と画像中の線構造の方向Θ（ｘ，ｙ）とのずれの和が大きくなると、特徴量Ｒも大きくなり、構築の乱れの特徴を正確に識別することができる。***Ｘ線画像のノイズの大きさやコントラストに応じて、パラメータＮｍの値を調整することにより、最適な検出精度を確保することができる。構造の乱れを判定するときの特徴量Ｒの閾値の値により、真陽性率および偽陽性率を調整することができる。座標（ｘ，ｙ）は、客観的な判定を行うために、関心領域内の全画素から成ることが好ましい。
本発明に係る***画像病変検出システム、***画像病変検出方法、***画像病変検出プログラムおよび***画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体は、***Ｘ線画像中の陰影の形状を構成する線構造の方向を抽出するために、ガボールフィルタを用いることが好ましい。この場合、陰影の形状を構成する線構造の方向（傾き線分情報）を、効率的かつ効果的に抽出することができる。線構造の方向を抽出する手段は、上記ガボールフィルタを用いる方法の他に、その他の公知のフィルタ、例えば曲率検出フィルタやエッジフィルタを用いてもよい。また、フィルタ処理以外の方法として、例えばラドン変換や細線化処理を行ってもよい。
また、本発明に係る***画像病変検出システム、***画像病変検出方法、***画像病変検出プログラムおよび***画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体で、求める乳腺の正常構築モデルは、乳頭から大胸筋に向かって扇状に拡散するモデルであれば、いかなるものであってもよい。ただし、数学的扱いやすさや計算量などの観点から、単純なモデルが好ましい。例えば、指数関数曲線や対数関数曲線、２次関数などの放物曲線を用いて、乳頭から大胸筋に向かって扇状に拡散する乳腺の正常構築モデルを求めることができる。
また、本発明に係る***画像病変検出システム、***画像病変検出方法、***画像病変検出プログラムおよび***画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体で、特徴量として用いる定量値は、特徴量Ｒのように、正常構築モデルの乳腺の方向と、***Ｘ線画像中の陰影の形状を構成する線構造の方向との差異を表現するものであることが好ましい。定量値の別の態様としては、例えば、特徴量Ｒにおける関数ｈについて、３以上の多値の関数に換えて用いてもよく、またＮＲＯＩについて３以上の多値のヒストグラム情報を用いてもよい。
本発明によれば、偽陽性率を低減することができる***画像病変検出システム、***画像病変検出方法、***画像病変検出プログラムおよび***画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体を提供することができる。
以下、図面に基づき、本発明の実施の形態について説明する。
図１乃至図６は、本発明の実施の形態の***画像病変検出システム、***画像病変検出方法、***画像病変検出プログラムおよび***画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体を示している。なお、本発明の実施の形態の***画像病変検出方法は、本発明の実施の形態の***画像病変検出システムにより好適に実施される方法であり、***画像病変検出プログラムを記録したハードディスク、ＤＶＤ−ＲＯＭ、ＣＤ−ＲＯＭ、フレキシブルディスクなどのコンピュータ読み取り可能な記録媒体によりコンピュータに実行させることができる。
図１乃至図６は、本発明の実施の形態の***画像病変検出システム、***画像病変検出方法、***画像病変検出プログラムおよび***画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体を示している。なお、本発明の実施の形態の***画像病変検出方法は、本発明の実施の形態の***画像病変検出システムにより好適に実施される方法であり、***画像病変検出プログラムを記録したハードディスク、ＤＶＤ−ＲＯＭ、ＣＤ−ＲＯＭ、フレキシブルディスクなどのコンピュータ読み取り可能な記録媒体によりコンピュータに実行させることができる。
図１に示すように、本発明の実施の形態の***画像病変検出システムは、***Ｘ線画像に含まれる乳腺の構築の乱れを検出するための***画像病変検出システムであって、コンピュータから成り、受信手段１１と、各種データを記憶する記憶手段１２と、演算機能および制御機能を有する主制御部１３と、出力手段１４とを有している。
受信手段１１は、***Ｘ線撮影装置（マンモグラフィ）に接続され、***Ｘ線撮影装置で撮影された***Ｘ線画像を受信可能になっている。なお、受信手段１１は、***Ｘ線撮影装置ではなく、医療用Ｘ線画像の画像サーバに接続されて、***Ｘ線画像を受信可能になっていてもよい。また、ＣＤ−ＲやＤＶＤ−Ｒなどの記憶媒体に記憶された***Ｘ線画像を、それらの読取手段から受信可能になっていてもよい。記憶手段１２は、メモリから成り、受信手段１１で受信した***Ｘ線画像を記憶するようになっている。
主制御部１３は、ＣＰＵから成り、受信手段１１、記憶手段１２および出力手段１４に接続されて、それぞれを制御可能に構成されている。主制御部１３は、前処理手段２１とモデル計算手段２２と方向抽出手段２３と病変判定手段２４とを有している。
［前処理手段］
前処理手段２１は、高い真陽性率でできる限り多くの病変候補を検出可能な、非特許文献３に記載のＣＡＤシステムから成っている。前処理手段２１は、***領域抽出手段２５とＤｏＧフィルタリング手段２６と閾値処理手段２７とを有している。***領域抽出手段２５は、エッジ強度の高い点を追跡する画像処理方法を用いて、胸筋領域と***領域の境界を決定し、乳腺が存在しない胸筋領域を***Ｘ線画像から削除するようになっている。さらに、***領域抽出手段２５は、計算時間削減のために、胸筋を除いた画像を、バイキュービック法を用いて原画像の１／４スケールに縮小するようになっている。
前処理手段２１は、高い真陽性率でできる限り多くの病変候補を検出可能な、非特許文献３に記載のＣＡＤシステムから成っている。前処理手段２１は、***領域抽出手段２５とＤｏＧフィルタリング手段２６と閾値処理手段２７とを有している。***領域抽出手段２５は、エッジ強度の高い点を追跡する画像処理方法を用いて、胸筋領域と***領域の境界を決定し、乳腺が存在しない胸筋領域を***Ｘ線画像から削除するようになっている。さらに、***領域抽出手段２５は、計算時間削減のために、胸筋を除いた画像を、バイキュービック法を用いて原画像の１／４スケールに縮小するようになっている。
構築の乱れの陰影の中心部は、周辺部と比較して輝度値が全体的に高いあるいは低いといった、ある程度のコントラストが存在する傾向にある。ＤｏＧフィルタリング手段２６は、このような構築の乱れによる明暗情報を抽出するために、***Ｘ線画像に対してＤｏＧ（Ｄｉｆｆｅｒｅｎｃｅ ｏｆ Ｇａｕｓｓｉａｎｓ）フィルタリングを行い、局所的なコントラストを検出するようになっている。
ＤｏＧフィルタリング手段２６は、以下のようにして、局所的コントラストを検出している。すなわち、まず、標準偏差σをもつ２次元ガウシアンカーネルＧ（ｘＧ，ｙＧ，σ）と入力画像Ｉ（ｘ，ｙ）とを畳み込み、次式により、平滑化画像Ｌ（ｘ，ｙ，σ）を得る。
Ｌ（ｘ，ｙ，σ）＝Ｇ（ｘＧ，ｙＧ，σ）＊Ｉ（ｘ，ｙ） （２）
ここで、ｘＧ，ｙＧはそれぞれ目標位置（ｘ，ｙ）までのカーネルの距離を表している。また、ガウシアンカーネルは次式で定義される。
Ｌ（ｘ，ｙ，σ）＝Ｇ（ｘＧ，ｙＧ，σ）＊Ｉ（ｘ，ｙ） （２）
ここで、ｘＧ，ｙＧはそれぞれ目標位置（ｘ，ｙ）までのカーネルの距離を表している。また、ガウシアンカーネルは次式で定義される。
次に、（４）式により、平滑化度合いの異なる２枚の画像の差分を計算し、ＤｏＧ画像Ｄｋ（ｘ，ｙ，σ）を得る。
Ｄｋ（ｘ，ｙ，σ）＝Ｌ（ｘ，ｙ，ｋσ）−Ｌ（ｘ，ｙ，σ） （４）
ｋは２次元ガウシアンカーネルの標準偏差、すなわち平滑化度合いの比を決定するパラメータである。なお、ＤｏＧフィルタリング手段２６では、パラメータσにより検出対象病変の大きさ（面積）を制御することができるため、検出対象病変の大きさに相応しいパラメータσを設定することが好ましい。
Ｄｋ（ｘ，ｙ，σ）＝Ｌ（ｘ，ｙ，ｋσ）−Ｌ（ｘ，ｙ，σ） （４）
ｋは２次元ガウシアンカーネルの標準偏差、すなわち平滑化度合いの比を決定するパラメータである。なお、ＤｏＧフィルタリング手段２６では、パラメータσにより検出対象病変の大きさ（面積）を制御することができるため、検出対象病変の大きさに相応しいパラメータσを設定することが好ましい。
***Ｘ線画像中で局所的に高いコントラストを有する領域は、ＤｏＧフィルタリング後の画像Ｄｋ上で高い値を有している。このため、閾値処理手段２７は、ＤｏＧフィルタリング後の画像での極値の検出するために、閾値処理を行うようになっている。このとき、各領域の面積を抑えたまま、より多くの極値を検出するよう閾値を設定する。また、極めて大きなあるいは小さな領域面積を持つ領域を除去するために、閾値処理後の二値化画像において、残った領域面積に関する閾値処理を行うようになっている。こうして、前処理手段２１は、乳腺の構築の乱れ候補を抽出するようになっている。
［モデル計算手段］
正常な乳腺構築の場合、***領域上に存在する線構造は乳頭から大胸筋に向かって概ね扇状に拡散している。モデル計算手段２２は、この正常な乳腺構築をモデル化するために、対象とする***Ｘ線画像について、乳頭から大胸筋に向かって扇状に拡散する乳腺の正常構築モデルを求めるようになっている。モデル計算手段２２は、まず、乳頭検出を行う。頭尾方向撮影（ｃｒａｎｉｏｃａｕｄａｌ：ＣＣ）画像では、大胸筋を垂直と仮定し、画像端から最も遠い点を乳頭位置とする。内外斜位方向（ｍｅｄｉｏｌａｔｅｒａｌ ｏｂｌｉｑｕｅ：ＭＬＯ）画像においては、大胸筋の端点同士を通る直線から最も遠い点を乳頭位置とする。
正常な乳腺構築の場合、***領域上に存在する線構造は乳頭から大胸筋に向かって概ね扇状に拡散している。モデル計算手段２２は、この正常な乳腺構築をモデル化するために、対象とする***Ｘ線画像について、乳頭から大胸筋に向かって扇状に拡散する乳腺の正常構築モデルを求めるようになっている。モデル計算手段２２は、まず、乳頭検出を行う。頭尾方向撮影（ｃｒａｎｉｏｃａｕｄａｌ：ＣＣ）画像では、大胸筋を垂直と仮定し、画像端から最も遠い点を乳頭位置とする。内外斜位方向（ｍｅｄｉｏｌａｔｅｒａｌ ｏｂｌｉｑｕｅ：ＭＬＯ）画像においては、大胸筋の端点同士を通る直線から最も遠い点を乳頭位置とする。
次に、乳頭（ｎｉｐｐｌｅ）を下、胸筋を上に配置したときの図２に示す座標（ｘ，ｙ）において、正常乳腺の線構造を、乳頭位置を基に次式のような指数関数曲線で近似する。
ｙ＝ｆ（ｘ）＝Ａｅｘｐ（Ｂｘ） （５）
ここで、ＡおよびＢは指数関数のパラメータであり、基準となる乳頭の座標は（０，Ａ）となる。一方、乳頭を通る（５）式の指数関数のうち、図２に示す胸筋側のある点（ｘｉ，ｙｂ）を通る曲線のパラメータＢｉは、
Ｂｉ＝Ｂ＝（１／ｘｉ）ｌｏｇ（ｙｂ／Ａ） （６）
となる。ここで、ｙｂは胸筋を直線近似したときのｙ座標である。
ｙ＝ｆ（ｘ）＝Ａｅｘｐ（Ｂｘ） （５）
ここで、ＡおよびＢは指数関数のパラメータであり、基準となる乳頭の座標は（０，Ａ）となる。一方、乳頭を通る（５）式の指数関数のうち、図２に示す胸筋側のある点（ｘｉ，ｙｂ）を通る曲線のパラメータＢｉは、
Ｂｉ＝Ｂ＝（１／ｘｉ）ｌｏｇ（ｙｂ／Ａ） （６）
となる。ここで、ｙｂは胸筋を直線近似したときのｙ座標である。
胸筋の長さ、すなわち図２中の点Ｐ１と点Ｐ２との間に存在する画素数をＮｆとすると、点（ｘｉ，ｙｂ）〔ｉ＝１，２，・・・，Ｎｆ〕を通る指数関数曲線は、
ｙ＝ｆｉ（ｘ）＝Ａｅｘｐ（Ｂｉｘ） （７）
で表される。モデル計算手段２２は、点（ｘｉ，ｙｂ）を点Ｐ１から点Ｐ２まで１画素ずつ動かし、（６）式でＢｉを求め、（７）式で指数関数ｆｉを求めることにより、乳腺の正常構築モデルを求めるようになっている。
ｙ＝ｆｉ（ｘ）＝Ａｅｘｐ（Ｂｉｘ） （７）
で表される。モデル計算手段２２は、点（ｘｉ，ｙｂ）を点Ｐ１から点Ｐ２まで１画素ずつ動かし、（６）式でＢｉを求め、（７）式で指数関数ｆｉを求めることにより、乳腺の正常構築モデルを求めるようになっている。
また、モデル計算手段２２は、正常構築モデルの乳腺の方向として、（７）式で求めた指数関数の接線とｘ軸の正の向きとがなす角度Φを求めるようになっている。Φは、次式で与えられる。
Φ（ｘ，ｉｙ）＝ａｒｃｔａｎ（ｆ’ｉ（ｘ））
＝ａｒｃｔａｎ（ＡＢｉｅｘｐ（Ｂｉｘ）） （８）
ここで、ｉｙは、ｙ＝ｆｉ（ｘ）を満たすｙ座標である。なお、指数関数曲線が通過しない画素に関しては、（８）式を適用することができないため、角度値をもつ画素の中で、指数関数曲線が通過しない画素に最も近い画素の角度値をもつものとして処理する。
Φ（ｘ，ｉｙ）＝ａｒｃｔａｎ（ｆ’ｉ（ｘ））
＝ａｒｃｔａｎ（ＡＢｉｅｘｐ（Ｂｉｘ）） （８）
ここで、ｉｙは、ｙ＝ｆｉ（ｘ）を満たすｙ座標である。なお、指数関数曲線が通過しない画素に関しては、（８）式を適用することができないため、角度値をもつ画素の中で、指数関数曲線が通過しない画素に最も近い画素の角度値をもつものとして処理する。
［方向抽出手段］
方向抽出手段２３は、***Ｘ線画像について、ガボールフィルタを用いて、その画像中の陰影の形状を構成する線構造の方向を抽出するようになっている。ガボールフィルタは、指紋認証や虹彩認識といった多くの画像認識システムにおいて、方向成分特徴抽出フィルタとして利用されており、***Ｘ線画像やコンピュータ断層撮影画像といった医用画像処理においても幅広く用いられている。
方向抽出手段２３は、***Ｘ線画像について、ガボールフィルタを用いて、その画像中の陰影の形状を構成する線構造の方向を抽出するようになっている。ガボールフィルタは、指紋認証や虹彩認識といった多くの画像認識システムにおいて、方向成分特徴抽出フィルタとして利用されており、***Ｘ線画像やコンピュータ断層撮影画像といった医用画像処理においても幅広く用いられている。
ガボールフィルタの出力ｇは、（９）式で表される。
ここで、ｘ，ｙは座標、θは角度、σは分散、γは縦横比、λは波長である。
ｍを自然数として、１８０度をｍ個に離散化したうちのｉ番目（ｉ＝１，２，・・・，ｍ）の角度θｉ＝πｉ／１８０の傾きをもつガボールフィルタカーネルをｇｉとする。このとき、ｇｉと原画像Ｉとの畳み込み積分をＩｉ（ｘ，ｙ）＝（Ｉ＊ｇｉ）（ｘ，ｙ）で表し、原画像Ｉ（ｘ，ｙ）の方向マップΘ（ｘ，ｙ）を次式で定義する。
すなわち、方向抽出手段２３は、ｍ個の畳み込み積分結果｜Ｉｉ（ｘ，ｙ）｜において、最大の値を与えるｉに対応する角度πｉｍａｘ／１８０を、位置（ｘ，ｙ）における画素が有する方向成分とみなし、方向マップΘ（ｘ，ｙ）を求めるようになっている。
［病変判定手段］
病変判定手段２４は、前処理手段２１により検出された乳腺の構築の乱れ候補を含む***Ｘ線画像内の関心領域について、モデル計算手段２２で求められた正常構築モデルの乳腺の方向Φ（ｘ，ｙ）と、方向抽出手段２３で抽出された方向Θ（ｘ，ｙ）とを比較して、それらの差異に基づく特徴量Ｒを（１）式で求め、その特徴量Ｒに基づいて構築の乱れ候補が、乳腺の構築の乱れであるか否かを判定するようになっている。特徴量Ｒの計算では、関心領域内の全ての座標（ｘ，ｙ）についてｈ（ｘ，ｙ）を求める。このとき、ＮＲＯＩは全画素数となる。
病変判定手段２４は、前処理手段２１により検出された乳腺の構築の乱れ候補を含む***Ｘ線画像内の関心領域について、モデル計算手段２２で求められた正常構築モデルの乳腺の方向Φ（ｘ，ｙ）と、方向抽出手段２３で抽出された方向Θ（ｘ，ｙ）とを比較して、それらの差異に基づく特徴量Ｒを（１）式で求め、その特徴量Ｒに基づいて構築の乱れ候補が、乳腺の構築の乱れであるか否かを判定するようになっている。特徴量Ｒの計算では、関心領域内の全ての座標（ｘ，ｙ）についてｈ（ｘ，ｙ）を求める。このとき、ＮＲＯＩは全画素数となる。
特徴量Ｒは、方向が一致する許容範囲を決めるパラメータＮｍが大きいほど厳密な一致のみ許容し、逆にＮｍが小さいほどおおまかな一致でも許容することを意味している。方向マップΘ（ｘ，ｙ）が正常構築モデルの乳腺の方向Φ（ｘ，ｙ）と一致するような場合には、特徴量Ｒは小さくなり、構築の乱れ陰影を含む場合には、正常乳腺の方向とは一致しない割合が多くなるため、特徴量Ｒは大きくなる。病変判定手段２４は、この特徴量Ｒに閾値を設定することにより、その閾値より特徴量Ｒが大きいものを乳腺の構築の乱れであると判定するようになっている。
主制御部１３は、前処理手段２１により抽出された構築の乱れ候補を含む関心領域の画像、ガボールフィルタの計算結果、特徴量Ｒの計算結果、病変判定手段２４により構築の乱れであると判定された関心領域の画像などを、記憶手段１２に送って記憶させるようになっている。
出力手段１４は、モニタやプリンタなどから成っている。出力手段１４は、記憶手段１２に記憶された***Ｘ線画像や、前処理手段２１により抽出された構築の乱れ候補を含む関心領域の画像、ガボールフィルタの計算結果、特徴量Ｒの計算結果、病変判定手段２４により構築の乱れであると判定された関心領域の画像などを、モニタやプリンタで出力可能になっている。
次に、本発明の実施の形態の***画像病変検出システムの処理手順について、図３乃至図５を参照しながら説明する。図３に示すように、まず、***Ｘ線撮影装置で撮影された***Ｘ線画像を受信手段１１で受信し（ステップ３１）、主制御部１３の前処理手段２１で乳腺の構築の乱れ候補の抽出を行う。***Ｘ線画像の一例を、図４（ａ）に示す。前処理手段２１では、まず、***領域抽出手段２５により、***Ｘ線画像から胸筋領域を削除して***領域を抽出し（ステップ３２）、ＤｏＧフィルタリング手段２６によりＤｏＧフィルタリングを行い、局所的コントラストを検出する（ステップ３３）。次に、ＤｏＧフィルタリング後の画像に対し、閾値処理手段２７により、閾値処理を行い、乳腺の構築の乱れ候補を抽出する（ステップ３４）。
前処理手段２１の後、受信した***Ｘ線画像について、モデル計算手段２２により、乳頭から大胸筋に向かって扇状に拡散する乳腺の正常構築モデルを求め、乳腺の方向Φ（ｘ，ｙ）を求める（ステップ３５）。また、受信した***Ｘ線画像について、方向抽出手段２３により、ガボールフィルタを用いて、陰影の形状を構成する線構造の方向Θ（ｘ，ｙ）を抽出する（ステップ３６）。図４（ａ）の***Ｘ線画像について求められた正常構築モデルの乳腺の方向Φ（ｘ，ｙ）、および抽出された線構造の方向Θ（ｘ，ｙ）を示す画像を、それぞれ図４（ｂ）および（ｃ）に示す。なお、図４（ｃ）では、（１０）式中のｍを１２としている。
次に、病変判定手段２４により、前処理手段２１で検出された乳腺の構築の乱れ候補を含む***Ｘ線画像内の関心領域について、モデル計算手段２２で求められた正常構築モデルの乳腺の方向Φ（ｘ，ｙ）と、方向抽出手段２３で抽出された方向Θ（ｘ，ｙ）とから、（１）式を利用して特徴量Ｒを求める（ステップ３７）。さらに、病変判定手段２４により、その特徴量Ｒに基づいて構築の乱れ候補が、乳腺の構築の乱れであるか否かを判定する（ステップ３８）。
図５に、図４（ａ）の***Ｘ線画像について、構築の乱れを含む領域（図５（ａ）中のＡ領域）と、正常な乳腺構築の領域（図５（ａ）中のＢ領域）とについて、特徴量Ｒを計算した一例を示す。構築の乱れを含むＡ領域について、図５（ｂ）に示す方向Θ（ｘ，ｙ）と、図５（ｄ）に示す正常構築モデルの乳腺の方向Φ（ｘ，ｙ）とから求めた、（１）式のｈ（ｘ，ｙ）を図５（ｆ）に示す。このｈ（ｘ，ｙ）から特徴量Ｒを求めると、０．９９であった。また、正常な乳腺構築のＢ領域について、図５（ｃ）に示す方向Θ（ｘ，ｙ）と、図５（ｅ）に示す正常構築モデルの乳腺の方向Φ（ｘ，ｙ）とから求めた、（１）式のｈ（ｘ，ｙ）を図５（ｇ）に示す。このｈ（ｘ，ｙ）から特徴量Ｒを求めると、０．５９であった。特徴量Ｒの閾値として、例えば０．８等の値を設定すると、図５に示す乳腺の構築の乱れを正確に判定することができる。
本発明の実施の形態の***画像病変検出システムは、乳腺の正常構築モデルを求め、その正常構築モデルに基づいて***Ｘ線画像中の構築の乱れ候補の特徴量を求め、その特徴量に基づいて構築の乱れであるか否かを判定することにより、***領域上での構築の乱れ候補の位置を考慮して病変の特徴を正確に定量化し、判定を行うことができる。特徴量が、正常構築モデルの乳腺の方向と、***Ｘ線画像中の陰影の形状を構成する線構造の方向との差異であれば、差分演算により簡単に計算できるため、１点から放射状に広がるスピキュラ等の構築の乱れの特徴を高精度で定量化することができる。このように、本発明の実施の形態の***画像病変検出システムは、正常な乳腺構築を考慮しないものと比べ、偽陽性率を低減することができ、乳腺の構築の乱れを正確に検出することができる。
特徴量として（１）式のＲを使用することにより、構築の乱れの特徴を正確に識別することができる。***Ｘ線画像のノイズの大きさやコントラストに応じて、（１）式のパラメータＮｍの値を調整することにより、最適な検出性能を確保することができる。また、構造の乱れを判定するときの特徴量Ｒの閾値の値により、真陽性率および偽陽性率を調整することができる。
なお、本発明の実施の形態の***画像病変検出システムでは、前処理手段２１として、非特許文献３に記載のＣＡＤシステムを用いたが、他にも、特許文献２、非特許文献１または非特許文献２などの従来のＣＡＤシステムを用いてもよい。また、本発明の実施の形態の***画像病変検出システムで、乳腺の正常構築モデルは、指数関数曲線を用いたものに限らず、乳頭から大胸筋に向かって扇状に拡散するモデルであれば、いかなるものであってもよい。
なお、本発明の実施の形態の***画像病変検出プログラムは、例えば、ＣＤ（ＣＤ−ＲＯＭ、ＣＤ−Ｒ、ＣＤ−ＲＷなど）、ＤＶＤ（ＤＶＤ−ＲＯＭ、ＤＶＤ−ＲＡＭ、ＤＶＤ−Ｒ、ＤＶＤ−ＲＷ、ＤＶＤ＋Ｒ、ＤＶＤ＋ＲＷなど）等のコンピュータ読み取り可能な記録媒体に記録された形態で提供されうる。この場合、コンピュータは、その記録媒体から***画像病変検出プログラムを読み取ってコンピュータの内部記憶装置または外部記憶装置に転送し格納して用いることができる。また、本発明の実施の形態の***画像病変検出プログラムを、例えば、磁気ディスク、光ディスク、光磁気ディスク等の記憶装置（記録媒体）に記録しておき、その記憶装置から通信回線を介してコンピュータに提供するようになっていてもよい。
ここで、コンピュータとは、ハードウェアとＯＳ（オペレーティングシステム）とを含む概念であり、ＯＳの制御の下で動作するハードウェアを意味している。また、ＯＳが不要で、アプリケーションプログラム単独でハードウェアを動作させるような場合には、そのハードウェア自体がコンピュータに相当する。ハードウェアは、少なくとも、ＣＰＵ等のマイクロプロセッサと、記録媒体に記録されたコンピュータプログラムを読み取るための手段とを備えている。
本発明の実施の形態の***画像病変検出プログラムとしてのアプリケーションプログラムは、上述のようなコンピュータに実現させるプログラムコードを含んでいる。また、その機能の一部は、アプリケーションプログラムではなくＯＳによって実現されてもよい。なお、本発明の実施の形態のコンピュータ読み取り可能な記録媒体としては、上述したフレキシブルディスク、ＣＤ、ＤＶＤ、磁気ディスク、光ディスク、光磁気ディスクのほか、コンピュータの内部記憶装置（ＲＡＭやＲＯＭなどのメモリ）、外部記憶装置等や、バーコードなどの符号が印刷された印刷物等の、コンピュータ読み取り可能な種々の媒体を利用することもできる。
本発明の実施の形態の***画像病変検出システムを臨床データに適用し、構築の乱れの検出性能について検討を行った。使用する性能評価用データとして、世界的な標準データベースのＤｉｇｉｔａｌ Ｄａｔａｂａｓｅ ｆｏｒ Ｓｃｒｅｅｎｉｎｇ Ｍａｍｍｏｇｒａｐｈｙ（ＤＤＳＭ）を用い、そのＤＤＳＭから構築の乱れを含む５０症例および正常例５０症例を含む１００枚の***Ｘ線画像を選択して用いた。これらの画像の空間分解能は０．０５ｍｍ／ｐｉｘｅｌ、濃度分解能は１２ビットである。
検出性能の評価には、ＦＲＯＣ（ｆｒｅｅ−ｒｅｓｐｏｎｓｅ ｒｅｃｅｉｖｅｒ ｏｐｅｒａｔｉｎｇ ｃｈａｒａｃｔｅｒｉｓｔｉｃ）曲線を用いた。ＦＲＯＣ曲線は、横軸に画像１枚あたり偽陽性数（ｆａｌｓｅ ｐｏｓｉｔｉｖｅｓ ｐｅｒ ｉｍａｇｅ：ＦＰＩ）をとり、縦軸に真陽性率ＴＰＦをとったグラフである。ＦＲＯＣ曲線は、マンモグラフィＣＡＤのような複数の偽陽性が生じる場合における性能評価を目的として、頻繁に用いられている。ＦＲＯＣ曲線では、曲線が左上にあるほど検出性能が高いと判断される。
ＤｏＧフィルタリングのパラメータとして、ｋ＝１．６、σ＝３７．５，５０，６２．５，７５，８７．５とした。ガボールフィルタのパラメータとして、λ＝４、γ＝１／２５６、σ＝λ／｛２（２ｌｎ２）１／２｝、ｍ＝１２、線幅を０．８ｍｍ、長さを１２．８ｍｍとした。
求められたＦＲＯＣ曲線を図６に示す。また、比較のため、非特許文献１〜３のＣＡＤシステムにより求めたＦＲＯＣ曲線も、図６に示す。なお、非特許文献３による結果は、本発明の実施の形態の***画像病変検出システムの前処理手段２１までの結果であり、ＤｏＧフィルタリングのパラメータは、本発明の実施の形態の***画像病変検出システムと同じものを使用している。
図６に示すように、本発明の実施の形態の***画像病変検出システムのＦＲＯＣ曲線は、他手法の曲線と比べて左上に位置しており、従来のものを上回る性能を有していることが確認された。また、非特許文献３のＣＡＤシステムでは、真陽性率８０％において偽陽性率７．２／枚であったが、本発明の実施の形態の***画像病変検出システムで、乳腺の正常構築モデルを導入し、特徴量Ｒを用いることにより、真陽性率８０％において偽陽性率３．１／枚まで大幅に改善されていることが確認された。これにより、本発明の実施の形態の***画像病変検出システムは、真陽性率を維持したまま偽陽性率を大きく低減することができ、全体の性能を向上することができるといえる。
１１ 受信手段
１２ 記憶手段
１３ 主制御部
２１ 前処理手段
２５ ***領域抽出手段
２６ ＤｏＧフィルタリング手段
２７ 閾値処理手段
２２ モデル計算手段
２３ 方向抽出手段
２４ 病変判定手段
１４ 出力手段
１２ 記憶手段
１３ 主制御部
２１ 前処理手段
２５ ***領域抽出手段
２６ ＤｏＧフィルタリング手段
２７ 閾値処理手段
２２ モデル計算手段
２３ 方向抽出手段
２４ 病変判定手段
１４ 出力手段
Claims (10)
- ***Ｘ線画像に含まれる乳腺の構築の乱れを検出するための***画像病変検出システムであって、
前記***Ｘ線画像について、乳頭から大胸筋に向かって扇状に拡散する乳腺の正常構築モデルを求めるモデル計算手段と、
前記***Ｘ線画像について、その画像中の陰影の形状を構成する線構造の方向を抽出する方向抽出手段と、
前処理により検出された乳腺の構築の乱れ候補を含む前記***Ｘ線画像内の関心領域について、前記モデル計算手段で求められた正常構築モデルの乳腺の方向と、前記方向抽出手段で抽出された方向とを比較して、それらの差異に基づく特徴量を求め、その特徴量に基づいて前記候補が乳腺の構築の乱れであるか否かを判定する病変判定手段とを、
有することを特徴とする***画像病変検出システム。 - 前記病変判定手段は、前記関心領域内の複数の座標（ｘ，ｙ）について、前記モデル計算手段で求められた正常構築モデルの乳腺の方向をΦ（ｘ，ｙ）、前記方向抽出手段で抽出された方向をΘ（ｘ，ｙ）とし、方向が一致する許容範囲を決めるパラメータをＮｍ、前記座標の数をＮＲＯＩとしたとき、前記特徴量Ｒを、
- 前記方向抽出手段は、ガボールフィルタを用いて、前記***Ｘ線画像中の線構造の方向を抽出することを特徴とする請求項１または２記載の***画像病変検出システム。
- 前記モデル計算手段は、指数関数曲線を用いて前記乳腺の正常構築モデルを求めることを特徴とする請求項１乃至３のいずれか１項に記載の***画像病変検出システム。
- ***Ｘ線画像に含まれる乳腺の構築の乱れを検出するための***画像病変検出方法であって、
コンピュータが、前記***Ｘ線画像について、乳頭から大胸筋に向かって扇状に拡散する乳腺の正常構築モデルを求めるモデル計算工程と、
コンピュータが、前記***Ｘ線画像について、その画像中の陰影の形状を構成する線構造の方向を抽出する方向抽出工程と、
コンピュータが、前処理により検出された乳腺の構築の乱れ候補を含む前記***Ｘ線画像内の関心領域について、前記モデル計算工程で求められた正常構築モデルの乳腺の方向と、前記方向抽出工程で抽出された方向とを比較して、それらの差異に基づく特徴量を求め、その特徴量に基づいて前記候補が乳腺の構築の乱れであるか否かを判定する病変判定工程とを、
有することを特徴とする***画像病変検出方法。 - 前記病変判定工程は、前記関心領域内の複数の座標（ｘ，ｙ）について、前記モデル計算工程で求められた正常構築モデルの乳腺の方向をΦ（ｘ，ｙ）、前記方向抽出工程で抽出された方向をΘ（ｘ，ｙ）とし、方向が一致する許容範囲を決めるパラメータをＮｍ、前記座標の数をＮＲＯＩとしたとき、前記特徴量Ｒを、
- 前記方向抽出工程は、ガボールフィルタを用いて、前記***Ｘ線画像中の線構造の方向を抽出することを特徴とする請求項５または６記載の***画像病変検出方法。
- 前記モデル計算工程は、指数関数曲線を用いて前記乳腺の正常構築モデルを求めることを特徴とする請求項５乃至７のいずれか１項に記載の***画像病変検出方法。
- ***Ｘ線画像に含まれる乳腺の構築の乱れを検出するための***画像病変検出プログラムであって、
コンピュータを、
前記***Ｘ線画像について、乳頭から大胸筋に向かって扇状に拡散する乳腺の正常構築モデルを求めるモデル計算手段、
前記***Ｘ線画像について、その画像中の陰影の形状を構成する線構造の方向を抽出する方向抽出手段、
前処理により検出された乳腺の構築の乱れ候補を含む前記***Ｘ線画像内の関心領域について、前記モデル計算手段で求められた正常構築モデルの乳腺の方向と、前記方向抽出手段で抽出された方向とを比較して、それらの差異に基づく特徴量を求め、その特徴量に基づいて前記候補が乳腺の構築の乱れであるか否かを判定する病変判定手段、
として機能させるための***画像病変検出プログラム。 - ***Ｘ線画像に含まれる乳腺の構築の乱れを検出するための***画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体であって、
コンピュータを、
前記***Ｘ線画像について、乳頭から大胸筋に向かって扇状に拡散する乳腺の正常構築モデルを求めるモデル計算手段、
前記***Ｘ線画像について、その画像中の陰影の形状を構成する線構造の方向を抽出する方向抽出手段、
前処理により検出された乳腺の構築の乱れ候補を含む前記***Ｘ線画像内の関心領域について、前記モデル計算手段で求められた正常構築モデルの乳腺の方向と、前記方向抽出手段で抽出された方向とを比較して、それらの差異に基づく特徴量を求め、その特徴量に基づいて前記候補が乳腺の構築の乱れであるか否かを判定する病変判定手段、
として機能させるための***画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2013115007 | 2013-05-31 | ||
| JP2013115007 | 2013-05-31 | ||
| PCT/JP2013/082126 WO2014192187A1 (ja) | 2013-05-31 | 2013-11-29 | ***画像病変検出システム、***画像病変検出方法、***画像病変検出プログラムおよび***画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2014192187A1 JPWO2014192187A1 (ja) | 2017-02-23 |
| JP6256954B2 true JP6256954B2 (ja) | 2018-01-10 |
Family
ID=51988247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015519606A Active JP6256954B2 (ja) | 2013-05-31 | 2013-11-29 | ***画像病変検出システム、***画像病変検出方法、***画像病変検出プログラムおよび***画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US9808217B2 (ja) |
| JP (1) | JP6256954B2 (ja) |
| WO (1) | WO2014192187A1 (ja) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10037601B1 (en) | 2017-02-02 | 2018-07-31 | International Business Machines Corporation | Systems and methods for automatic detection of architectural distortion in two dimensional mammographic images |
| CN107358625B (zh) * | 2017-06-12 | 2021-07-06 | 西安电子科技大学 | 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法 |
| CN112580436B (zh) * | 2020-11-25 | 2022-05-03 | 重庆邮电大学 | 一种基于黎曼流形坐标对齐的脑电信号域适应方法 |
| WO2023032954A1 (ja) * | 2021-09-01 | 2023-03-09 | 株式会社Lily MedTech | 情報処理方法、プログラム及び画像診断装置 |
| CN113662573B (zh) * | 2021-09-10 | 2023-06-30 | 上海联影医疗科技股份有限公司 | 乳腺病灶定位方法、装置、计算机设备和存储介质 |
| JP2023051399A (ja) | 2021-09-30 | 2023-04-11 | 富士フイルム株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
| CN115578285B (zh) * | 2022-10-26 | 2023-06-23 | 郑州大学 | 一种乳腺钼靶图像细节增强方法及*** |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004209059A (ja) | 2003-01-07 | 2004-07-29 | Fuji Photo Film Co Ltd | 異常陰影候補検出装置 |
| JP3874113B2 (ja) | 2003-04-16 | 2007-01-31 | 株式会社三重ティーエルオー | 医用画像処理方法 |
| US8139828B2 (en) | 2005-10-21 | 2012-03-20 | Carestream Health, Inc. | Method for enhanced visualization of medical images |
| JP2008086400A (ja) | 2006-09-29 | 2008-04-17 | Gifu Univ | ***画像診断システム |
| JP2008284285A (ja) | 2007-05-21 | 2008-11-27 | Image One Co Ltd | 画像診断支援システム、画像診断支援方法および画像診断支援プログラム |
-
2013
- 2013-11-29 WO PCT/JP2013/082126 patent/WO2014192187A1/ja active Application Filing
- 2013-11-29 JP JP2015519606A patent/JP6256954B2/ja active Active
- 2013-11-29 US US14/892,134 patent/US9808217B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| WO2014192187A1 (ja) | 2014-12-04 |
| US9808217B2 (en) | 2017-11-07 |
| US20160106388A1 (en) | 2016-04-21 |
| JPWO2014192187A1 (ja) | 2017-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6256954B2 (ja) | ***画像病変検出システム、***画像病変検出方法、***画像病変検出プログラムおよび***画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
| Chang et al. | Computer‐aided diagnosis for classifying benign versus malignant thyroid nodules based on ultrasound images: a comparison with radiologist‐based assessments | |
| Chan et al. | Effective pneumothorax detection for chest X‐ray images using local binary pattern and support vector machine | |
| Chao et al. | Deep learning predicts cardiovascular disease risks from lung cancer screening low dose computed tomography | |
| Huang et al. | Computer‐aided diagnosis using morphological features for classifying breast lesions on ultrasound | |
| Abdolali et al. | Automatic segmentation of maxillofacial cysts in cone beam CT images | |
| Kalyan et al. | Artificial neural network application in the diagnosis of disease conditions with liver ultrasound images | |
| Chan et al. | Computer‐aided detection of masses in digital tomosynthesis mammography: Comparison of three approaches | |
| Ge et al. | Computer‐aided detection of lung nodules: false positive reduction using a 3D gradient field method and 3D ellipsoid fitting | |
| Zhou et al. | Automated lung segmentation and smoothing techniques for inclusion of juxtapleural nodules and pulmonary vessels on chest CT images | |
| US6694046B2 (en) | Automated computerized scheme for distinction between benign and malignant solitary pulmonary nodules on chest images | |
| Yip et al. | Application of the 3D slicer chest imaging platform segmentation algorithm for large lung nodule delineation | |
| US20110026791A1 (en) | Systems, computer-readable media, and methods for classifying and displaying breast density | |
| JP2015528372A (ja) | 医用画像中の肺結節を自動検出するためのシステム及び方法 | |
| Wardhana et al. | Toward reliable automatic liver and tumor segmentation using convolutional neural network based on 2.5 D models | |
| JP2010504129A (ja) | 肺結節の高度コンピュータ支援診断 | |
| JP2004032684A (ja) | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 | |
| EP3973539A1 (en) | System and method for interpretation of multiple medical images using deep learning | |
| Gonçalves et al. | Learning lung nodule malignancy likelihood from radiologist annotations or diagnosis data | |
| Xu et al. | Automated cavity detection of infectious pulmonary tuberculosis in chest radiographs | |
| US20150065868A1 (en) | System, method, and computer accessible medium for volumetric texture analysis for computer aided detection and diagnosis of polyps | |
| Wei et al. | Fully automatic quantification of fibroglandular tissue and background parenchymal enhancement with accurate implementation for axial and sagittal breast MRI protocols | |
| JP3852125B2 (ja) | ２次元多階調画像におけるパタン検出方法及び装置 | |
| Lee et al. | Hybrid airway segmentation using multi-scale tubular structure filters and texture analysis on 3D chest CT scans | |
| Lee et al. | Potential of computer-aided diagnosis to improve CT lung cancer screening |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20161116 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20161117 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20171114 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20171129 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6256954 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |