JPH04125779A - 画像処理方法 - Google Patents
画像処理方法Info
- Publication number
- JPH04125779A JPH04125779A JP2246244A JP24624490A JPH04125779A JP H04125779 A JPH04125779 A JP H04125779A JP 2246244 A JP2246244 A JP 2246244A JP 24624490 A JP24624490 A JP 24624490A JP H04125779 A JPH04125779 A JP H04125779A
- Authority
- JP
- Japan
- Prior art keywords
- picture
- roi
- pixel
- image
- learning
- 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
Links
- 238000003672 processing method Methods 0.000 title claims description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000005484 gravity Effects 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 52
- 238000012986 modification Methods 0.000 description 13
- 230000004048 modification Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 210000000988 bone and bone Anatomy 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 229930091051 Arenine Natural products 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 206010030113 Oedema Diseases 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
[発明の目的]
(産業上の利用分野)
本発明は、例えばMHI、X線−C7画像等の医用画像
から、特定領域(ROI)を抽出する画像処理方法に関
するものである。
から、特定領域(ROI)を抽出する画像処理方法に関
するものである。
(従来の技術)
この種の画像処理方法として、従来、次の2つの方法が
主として知られている。
主として知られている。
1)画像に2次元フィルタ(2次微分等)を掛けてエツ
ジを検出する方法。
ジを検出する方法。
2)閾値によりエツジを検出する方法。
上記1)の方法の場合、使用フィルタ条件がROI特性
と正しくマツチしている時には、エツジが正確に検出さ
れるが、そのような最適フィルタを選択することが大変
困難である。もし1.正しいフィルタが選択されていな
ければ、エツジの検出能力は著しく低下する。この内容
については、文献rMedical Im@ging
Technology 1989Vol、7No
、IJの第55頁に、rMRIからの頭部浮腫画像のV
フィルタによる鮮尖鋭化」なる表題のもとに記述されて
いる。
と正しくマツチしている時には、エツジが正確に検出さ
れるが、そのような最適フィルタを選択することが大変
困難である。もし1.正しいフィルタが選択されていな
ければ、エツジの検出能力は著しく低下する。この内容
については、文献rMedical Im@ging
Technology 1989Vol、7No
、IJの第55頁に、rMRIからの頭部浮腫画像のV
フィルタによる鮮尖鋭化」なる表題のもとに記述されて
いる。
一方、上記2)の方法の場合は、手法そのものが極めて
簡単であるため多用されている。しかしながら、人間は
、閾値よりも急激な明るさの変化でエツジを検出してい
ることはよく知られている事実である。したがって、上
記2)の方法によると、抽出結果が操作者が意図したも
のと一致しない場合が起る。
簡単であるため多用されている。しかしながら、人間は
、閾値よりも急激な明るさの変化でエツジを検出してい
ることはよく知られている事実である。したがって、上
記2)の方法によると、抽出結果が操作者が意図したも
のと一致しない場合が起る。
(発明が解決しようとする課題)
第13図は患者頭部のX線−C7画像を模式的に示した
もので、図中、外側の楕円形状のものAは骨、内側の楕
円形状のものBは腫瘍をそれぞれ示している。このX線
−C7画像のI−X線に沿った画像値のプロフィールは
、第14図に示すようになる。すなわち、骨部Aに対応
するピーク部aにおいて最も高い画素値を示し、腫瘍部
Bに対応する高原部すにおいて相応の画素値を示す。
もので、図中、外側の楕円形状のものAは骨、内側の楕
円形状のものBは腫瘍をそれぞれ示している。このX線
−C7画像のI−X線に沿った画像値のプロフィールは
、第14図に示すようになる。すなわち、骨部Aに対応
するピーク部aにおいて最も高い画素値を示し、腫瘍部
Bに対応する高原部すにおいて相応の画素値を示す。
上記したような画像値プロフィールをもったX線−C7
画像においてROI抽出を実施する場合、骨部のように
その周囲組織部との画素値差が充分に大きいときには、
前記従来の方法でも検出可能である。しかし、腫瘍が関
係する部位の場合、この画素値プロフィールの境界が明
瞭でないため、従来方法による腫瘍部ROIの検出は極
めて困難である。従って、現在では、操作者が例えばマ
ウス等を用いて、該当ROIの作画を手動にて実施する
場合が多い。しかしながらこのような手動作画では、例
えばROIの3次元表示を実施する場合には、その作業
量は多くなる。
画像においてROI抽出を実施する場合、骨部のように
その周囲組織部との画素値差が充分に大きいときには、
前記従来の方法でも検出可能である。しかし、腫瘍が関
係する部位の場合、この画素値プロフィールの境界が明
瞭でないため、従来方法による腫瘍部ROIの検出は極
めて困難である。従って、現在では、操作者が例えばマ
ウス等を用いて、該当ROIの作画を手動にて実施する
場合が多い。しかしながらこのような手動作画では、例
えばROIの3次元表示を実施する場合には、その作業
量は多くなる。
またRO1部位の特徴が、医用画像の種類(X線−CT
、MHI等)、ROIの種類(患者体内の部位、臓器等
)等によって異なっていることが、各種ROIの自動抽
出をますます困難なものにしている。
、MHI等)、ROIの種類(患者体内の部位、臓器等
)等によって異なっていることが、各種ROIの自動抽
出をますます困難なものにしている。
本発明は上記課題を解決するためになされたもので、そ
の目的とするところは、任意の画像上で操作者の意図し
た任意のROIを半自動で抽出可能な方法を提供するこ
とである。
の目的とするところは、任意の画像上で操作者の意図し
た任意のROIを半自動で抽出可能な方法を提供するこ
とである。
[発明の構成]
(課題を解決するための手段)
本発明は画像において、それらの画素を少なくとも2種
類の複数の群に区分する際、あらかじめ区分された複数
の群の一部あるいは全部の画素の情報を学習し、この学
習結果を利用して、各画像毎に、画像の一部あるいは全
部の画素を少くとも2種類の複数の群に区分することを
特徴とする画像処理方法である。
類の複数の群に区分する際、あらかじめ区分された複数
の群の一部あるいは全部の画素の情報を学習し、この学
習結果を利用して、各画像毎に、画像の一部あるいは全
部の画素を少くとも2種類の複数の群に区分することを
特徴とする画像処理方法である。
(作用)
複数枚の関連した画像において、それらの画素を領域の
内外に区分をする際に、上記関連画像の1枚について、
領域の内外の区分を実施し、その区分結果を学習する。
内外に区分をする際に、上記関連画像の1枚について、
領域の内外の区分を実施し、その区分結果を学習する。
そして他の関連画像において、上記学習結果を利用して
領域を自動抽出する。
領域を自動抽出する。
上記学習内容は
1)領域の内側エツジの全画素
2)領域内であって、上記エツジ以外の画素の内のサン
プル画素 3)領域外であって、上記エツジ以外の画素の内のサン
プル画素 等である。このようにして、画像における領域の抽出が
半自動で実施可能である。
プル画素 3)領域外であって、上記エツジ以外の画素の内のサン
プル画素 等である。このようにして、画像における領域の抽出が
半自動で実施可能である。
(実施例)
本発明の一実施例を図面を参照して説明する。
ここでは説明を簡単にするためにROIは閉ループ領域
であり、そのなかに他の領域を含まないとする。またノ
イズは少いとする。
であり、そのなかに他の領域を含まないとする。またノ
イズは少いとする。
ここで、本発明の説明に使用する言葉を説明する。第5
図はある画素mの近辺の画素の名称を説明したものであ
る。ある画素mの隣接画素mn(n=1〜24)を第5
図に示すように定義する。
図はある画素mの近辺の画素の名称を説明したものであ
る。ある画素mの隣接画素mn(n=1〜24)を第5
図に示すように定義する。
また
4−隣接画素:n=1〜4
8−隣接画素:n=1〜8
24−隣接画素:n=1〜24
と称する。
ここで第1図および第2図を参照して、本実施例方法の
手順について説明する。
手順について説明する。
1000)計算機1は画像記憶装置2に記憶された画像
のうち、指定された1枚の画像データを読み出して、画
像表示装置3に画像1として表示する。
のうち、指定された1枚の画像データを読み出して、画
像表示装置3に画像1として表示する。
次に操作者は画像1上で、例えばマウス等の位置指定装
置4を用いて、特定領域(ROI)を作画する。尚、こ
のROI作画は、全てを操作者自身が作画するようにし
たものであってもよく、またはまず従来の方法で自動的
にROIを求めておいて、後にそれを修正するものであ
ってもよい。更にまた、第2番目以後の画像を処理する
場合には、本発明によって自動的に既に求められている
ROIに操作者が必要に応じて修正を加えて使用するよ
うにしてもよい。
置4を用いて、特定領域(ROI)を作画する。尚、こ
のROI作画は、全てを操作者自身が作画するようにし
たものであってもよく、またはまず従来の方法で自動的
にROIを求めておいて、後にそれを修正するものであ
ってもよい。更にまた、第2番目以後の画像を処理する
場合には、本発明によって自動的に既に求められている
ROIに操作者が必要に応じて修正を加えて使用するよ
うにしてもよい。
2000)上記のようにして求められたROIについて
、ニューラルネットワーク(以下NNと称する)5によ
って学習する。尚、NNの構成および学習の方法ついて
は、後に詳述する。
、ニューラルネットワーク(以下NNと称する)5によ
って学習する。尚、NNの構成および学習の方法ついて
は、後に詳述する。
300G) ROIの重心を求め、これをROI中心A
C(ACX、ACY)とする。
C(ACX、ACY)とする。
40QQ)次に新しくROIを求めるための画像を指定
し、画像表示装置3に画像2として表示する。
し、画像表示装置3に画像2として表示する。
尚、この画像2は必ずしも画像1に連続している必要は
ない。また、同一画像を使用することも可能である。
ない。また、同一画像を使用することも可能である。
5000)画像2上に画素ACを重ねて表示する。
この際、操作者はそのACの位置を確認し、必要に応じ
てその位置を修正することができる。
てその位置を修正することができる。
この実施例では、以下に示すように、中心画素ACを中
心にしてROIの探索範囲を順次拡大していく方法を採
用している。さらに、後に詳述するように、第2の実施
例の方法でも可能である。
心にしてROIの探索範囲を順次拡大していく方法を採
用している。さらに、後に詳述するように、第2の実施
例の方法でも可能である。
6000)中心画素AC以外の全画素の画素値を“0”
、中心画素ACの画素値を“1”とおいて、2値画像1
を作成する。
、中心画素ACの画素値を“1”とおいて、2値画像1
を作成する。
7000) 2値画像1においてまず、画素値が“1”
で且つ中心画素ACを含む閉領域を求める。(この方法
は公知である。)次に、この閉領域(領域2と称する)
のエツジを求める。初期状態では、画素ACのみがエツ
ジになる。ここでのエツジの画素数をMMとする。
で且つ中心画素ACを含む閉領域を求める。(この方法
は公知である。)次に、この閉領域(領域2と称する)
のエツジを求める。初期状態では、画素ACのみがエツ
ジになる。ここでのエツジの画素数をMMとする。
8000)領域2のエツジの全画素に対する8−隣接画
素について、領域の内外を判定し、領域内と判断された
画素を領域2に組み込む。この手順については後述する
。
素について、領域の内外を判定し、領域内と判断された
画素を領域2に組み込む。この手順については後述する
。
9000)領域2が1画素でも拡大された場合には、上
記7000)〜9000)の手順を繰り返す。
記7000)〜9000)の手順を繰り返す。
10000)領域2が拡大されない場合には、領域2を
求めるべきROIとする。この場合、必要に応じて得ら
れたROIに対して、例えば次のような整形処理を実施
することができる。
求めるべきROIとする。この場合、必要に応じて得ら
れたROIに対して、例えば次のような整形処理を実施
することができる。
a)求めた領域2のエツジを求め、エツジをスムージン
グによって滑らかにする。
グによって滑らかにする。
b)本発明の方式にあって、領域2のエツジに囲まれた
領域中に“島”のような領域外の部分が残る場合がある
。しかし、通常においてはエツジに囲まれた領域全てが
求めるべきROI内であることが多いことから、その囲
まれた全領域をROIとしてもよい。
領域中に“島”のような領域外の部分が残る場合がある
。しかし、通常においてはエツジに囲まれた領域全てが
求めるべきROI内であることが多いことから、その囲
まれた全領域をROIとしてもよい。
11000)更に、必要に応じて操作者が手動でROI
を修正することが可能である。
を修正することが可能である。
次に、第3図を参照して、上記した手順8000)につ
いて詳述する。
いて詳述する。
8100)m=1とする。
8200)エツジのm番目の画素を取り出す。これを画
素mとする。
素mとする。
83(10)画素mに関する8−隣接画素(画素m n
)のすべての画素(n=1〜8)について、領域の内
外を判定し、領域内と判断された画素を領域2に組み込
む。尚、この手順については後に詳述する。
)のすべての画素(n=1〜8)について、領域の内
外を判定し、領域内と判断された画素を領域2に組み込
む。尚、この手順については後に詳述する。
8400) m=m+1として、エツジの全画素すなわ
ちm=1〜MMについて8200) 〜8400)を繰
り返す。
ちm=1〜MMについて8200) 〜8400)を繰
り返す。
次に、第4図を参照して、上記した手順8300)につ
いて詳述する。
いて詳述する。
8310) n=1とする。
8320)隣接画素mnを取り出す。この画素が領域2
に含まれていれば、次の隣接画素を探索するために下記
の8350)に進む。領域2に含まれていなければ、す
ぐ次の手順に移る。
に含まれていれば、次の隣接画素を探索するために下記
の8350)に進む。領域2に含まれていなければ、す
ぐ次の手順に移る。
8330)画素mnおよびその8−隣接画素の合計9個
の画素の画素値をNNに入力する。この入力はNNを学
習する場合と同様に実施することができる。尚、NNの
入力項目は本実施例では9個の画素値であるが、これに
限定されない。
の画素の画素値をNNに入力する。この入力はNNを学
習する場合と同様に実施することができる。尚、NNの
入力項目は本実施例では9個の画素値であるが、これに
限定されない。
8340) NNの出力Hpを得る。この際、Hp≧r
sならば、画素mnを領域2に含める。すなわち、2値
画像1の画素mnを1にする。Hp<rsならば領域2
に含めない。ここでrsは定数であり、本実施例ではr
s=Q、5としているが、これに限定されない。
sならば、画素mnを領域2に含める。すなわち、2値
画像1の画素mnを1にする。Hp<rsならば領域2
に含めない。ここでrsは定数であり、本実施例ではr
s=Q、5としているが、これに限定されない。
8350) n=n+1とし、n=1〜8ならば、83
20)〜8340)を繰り返す。
20)〜8340)を繰り返す。
次にNNについて、第6図を参照して詳細に説明する。
同図にはその構成の一例が示されているが、本例に限定
されない。
されない。
NNは入力層6、中間層7、出力層8の3層からなるも
ので、各層を構成するそれぞれの素子がもつ変換関数と
してはシグモイド関数が使用されている。入力層6は9
個の素子で構成され、各素子はそれぞれ対象画素とその
8−隣接画素とに対応していて、それらの対応画素の画
素値が入力される。この場合、画素値をそのまま入力値
としてもよいが、0〜1に正規化して入力するようにし
てもよい。正規化の方法は任意であるが、1つは変形例
2に説明した方法である。ここでは説明を簡単にするた
めに、画素値がそのまま入力されるものとする。
ので、各層を構成するそれぞれの素子がもつ変換関数と
してはシグモイド関数が使用されている。入力層6は9
個の素子で構成され、各素子はそれぞれ対象画素とその
8−隣接画素とに対応していて、それらの対応画素の画
素値が入力される。この場合、画素値をそのまま入力値
としてもよいが、0〜1に正規化して入力するようにし
てもよい。正規化の方法は任意であるが、1つは変形例
2に説明した方法である。ここでは説明を簡単にするた
めに、画素値がそのまま入力されるものとする。
中間層7を構成する素子数は経験的に決定されるが、本
例では50個である。出力層8を構成する素子数は分割
するROIの数によって決まる。
例では50個である。出力層8を構成する素子数は分割
するROIの数によって決まる。
素子数をROI数+数色1る方式と、ROIの数と同じ
にする方式がある。本例では後者を採用しているので、
例えば第13図に示された腫瘍Bを学習する場合には、
素子数は1個である。従って、第6図においては出力素
子1のみが使用され、出力素子2は使用されない。出力
層8の素子の出力値が1に近い場合には対象画素が領域
内、また0に近い場合には領域内の画素でないことを示
している。
にする方式がある。本例では後者を採用しているので、
例えば第13図に示された腫瘍Bを学習する場合には、
素子数は1個である。従って、第6図においては出力素
子1のみが使用され、出力素子2は使用されない。出力
層8の素子の出力値が1に近い場合には対象画素が領域
内、また0に近い場合には領域内の画素でないことを示
している。
次に、第15図を参照して前記した手順2000)にお
けるROIの学習について詳述する。
けるROIの学習について詳述する。
2200) l = 1とする。
2300) ROIの内側のエツジを求める。この際、
同一画素を含まないようにする。これをエツジ11とす
る。
同一画素を含まないようにする。これをエツジ11とす
る。
2400) ROI内の画素の内、エツジ11を除く領
域を領域12とする。次に、領域12の画素を画素値の
大きい順に並べる。これらの画素から最大値、中央値、
最小値、更にその間の中央値の画素値を有する合計5個
の画素を選択する。これらの5個の画素とエツジ11の
画素とを合せて、領域内データ13とする。ここで、領
域内データ13の画素数をFFとする。
域を領域12とする。次に、領域12の画素を画素値の
大きい順に並べる。これらの画素から最大値、中央値、
最小値、更にその間の中央値の画素値を有する合計5個
の画素を選択する。これらの5個の画素とエツジ11の
画素とを合せて、領域内データ13とする。ここで、領
域内データ13の画素数をFFとする。
2500) ROIの外側のエツジを求める。この際、
同一画素は含まないようにする。これを領域外データ1
4とし、この画素数をEEとする。
同一画素は含まないようにする。これを領域外データ1
4とし、この画素数をEEとする。
2600)領域内データ13と領域外データ14とから
学習データを作成する。尚、これについては後に詳述す
る。作成された学習データの数をLLとする。
学習データを作成する。尚、これについては後に詳述す
る。作成された学習データの数をLLとする。
2700)第1番目の学習データの入力値(画素値)を
入力層6の9個の素子に、教師データ(出力値)を出力
層8の出力素子に与えて学習を行う。この場合の学習方
式は例えばパックプロパゲーション法を用いることがで
きるが、この方法に限定されない。これを1回の学習と
いう。
入力層6の9個の素子に、教師データ(出力値)を出力
層8の出力素子に与えて学習を行う。この場合の学習方
式は例えばパックプロパゲーション法を用いることがで
きるが、この方法に限定されない。これを1回の学習と
いう。
2800) l =1 + 1として、全学習データす
なわちA’=1〜LLについて2300)〜2800)
を繰り返す。これを1サイクルの学習という。
なわちA’=1〜LLについて2300)〜2800)
を繰り返す。これを1サイクルの学習という。
2900)さらに全学習データにより、1サイクルの学
習を行う。以下、学習誤差LMが一定値U以下になるま
で学習を繰り返す。すなわち2200)〜2900)を
繰り返す。この場合、全学習データを一律に学習するの
でなく、エラーの多いデータを優先的に学習するなど、
学習順序については任意とすることができる。
習を行う。以下、学習誤差LMが一定値U以下になるま
で学習を繰り返す。すなわち2200)〜2900)を
繰り返す。この場合、全学習データを一律に学習するの
でなく、エラーの多いデータを優先的に学習するなど、
学習順序については任意とすることができる。
次に第7図を参照して、上記した手順2400)につい
て詳述する。第7図には学習データの例が一覧表として
示しである。
て詳述する。第7図には学習データの例が一覧表として
示しである。
2410)領域内データ13と領域外データ14との個
数を揃える。この個数をPPとする。ここについては後
に詳述する。
数を揃える。この個数をPPとする。ここについては後
に詳述する。
2460) q q = 1とする。
2465)領域内データ13の第qq番目の画素の画素
値を、学習データの第(2Xqq−1)番目の素子1の
入力データとして設定する。
値を、学習データの第(2Xqq−1)番目の素子1の
入力データとして設定する。
2470)この画素についての8=隣接画素の画素値8
個を、学習データの第(2Xqq−1)番目の素子2〜
9の入力データとして設定する。
個を、学習データの第(2Xqq−1)番目の素子2〜
9の入力データとして設定する。
2475)学習データの第(2xqq−1)番目の教師
データとして1(領域内)を設定する。
データとして1(領域内)を設定する。
2480)領域外データ14の第qq番目の画素の画素
値を、学習データの第(2X q q)番目の素子1の
入力データとして設定する。
値を、学習データの第(2X q q)番目の素子1の
入力データとして設定する。
2485)この画素の8−隣接画素の画素値8個を、学
習データの第(2X q q)番目の素子2〜9の入力
データとして設定する。
習データの第(2X q q)番目の素子2〜9の入力
データとして設定する。
2490)学習データの第(2X q q)番目の教師
データとして0(領域外)を設定する。
データとして0(領域外)を設定する。
2495)qq=qq+1とする。
2498) q q≦ppであれば、2465)に行く
。
。
qq>ppであれば、終了する。
次に、上記した手順241Oについて、第8図を参照し
て詳述する。
て詳述する。
2411) HH=min (EE、 FF)pp
=n+++x (EE、FF) GG=pp−HH を求める。ここでminは最小値を、maIは最大値を
示す。
=n+++x (EE、FF) GG=pp−HH を求める。ここでminは最小値を、maIは最大値を
示す。
2412) GG=0ならば終了する。GG≠0ならば
次に進む。
次に進む。
2413)KK=MOD (HH/GG) +1を求め
る。ここで、MODは整数を示す。
る。ここで、MODは整数を示す。
2414) r r = 1
2415) EE≧FFならば、2440に進む。EE
<FFならば2420)に進む。
<FFならば2420)に進む。
2420) qq=EE+1
2421)領域内データ13のrr番目の画素を取り出
し、これを領域内データ13のqq番目に画素として加
える。
し、これを領域内データ13のqq番目に画素として加
える。
2422) r r = r r +KK2423)
r r≦EEならば、2424)に進む。rr>E
Eならば、rr=rr−EEとする。
r r≦EEならば、2424)に進む。rr>E
Eならば、rr=rr−EEとする。
2424) qq=qq+1
2425) GG=GG−1
2426) GG≠0ならば、242+)に戻る。GG
=0ならば終了する。
=0ならば終了する。
2440) qq=FF+1
2441)領域外データ14のrr番目の画素を取り出
し、これを領域外データ14のqq番目に画素として加
える。
し、これを領域外データ14のqq番目に画素として加
える。
2442) r r = r r +KK2443)
r r≦FFならば、2444)に進む。rr>F
Fならば、rr=rr−FFとする。
r r≦FFならば、2444)に進む。rr>F
Fならば、rr=rr−FFとする。
2444) qq=qq+1
2445) GG=GG−1
2446) GG≠0ならば、2441)に戻る。GG
=0ならば終了する。
=0ならば終了する。
次に、本発明の第2の実施例について、第16図および
第17図を参照して説明する。
第17図を参照して説明する。
手順1000)〜5000)については、第17図に示
すように、第1の実施例における手順1000)〜50
00)と同じである。
すように、第1の実施例における手順1000)〜50
00)と同じである。
200001次に、操作者は画像2上で、例えばマウス
等の位置指定装置4を用いて、目的とする特定領域(R
OI)を完全に含む矩形ROIを設定する。この矩形R
OIの内部を探索領域とし、探索領域内の画素数をv■
とする。
等の位置指定装置4を用いて、目的とする特定領域(R
OI)を完全に含む矩形ROIを設定する。この矩形R
OIの内部を探索領域とし、探索領域内の画素数をv■
とする。
21000)全画素の画素値を“0”とおいて、2値画
像1を初期化する。
像1を初期化する。
22000) m = 1とする。
23000)探索領域内の第m番目の画素を取り出す。
これを画素mとする。
24000)画素mおよびその8−隣接画素の合計9個
の画素の画素値をNNに入力する。この入力は第1の実
施例の場合と同様に実施することができる。尚、NNの
入力項目は本実施例では9個の画素値であるが、これに
限定されない。
の画素の画素値をNNに入力する。この入力は第1の実
施例の場合と同様に実施することができる。尚、NNの
入力項目は本実施例では9個の画素値であるが、これに
限定されない。
25000) N Nの出力Hpを得る。この際、Hp
≧rsならば、画素mを領域に含める。すなわち、2値
画像1の画素mを1にする。Hp<r sならば領域に
含めない。ここでrsは定数であり、本実施例ではrs
=0.5としているが、これに限定されない。
≧rsならば、画素mを領域に含める。すなわち、2値
画像1の画素mを1にする。Hp<r sならば領域に
含めない。ここでrsは定数であり、本実施例ではrs
=0.5としているが、これに限定されない。
26000) m = m + 1とし、m=1〜VV
ならば、23000)〜25000)を繰り返す。
ならば、23000)〜25000)を繰り返す。
27000) 2値画像1において、画素値が“1”で
、且つ中心画素ACを含む閉領域を求める。(この方法
は公知である。)この領域を求めるべきRotとする。
、且つ中心画素ACを含む閉領域を求める。(この方法
は公知である。)この領域を求めるべきRotとする。
この場合、必要に応じて得られたROIに対して、第1
の実施例の場合と同様な整形処理を実施することができ
る。
の実施例の場合と同様な整形処理を実施することができ
る。
28000)更に、必要に応じて操作者が手動でROI
を修正することが可能である。
を修正することが可能である。
以上、本発明の実施例について説明したが、以下に本発
明の他の実施例について変形例1〜14として説明する
。
明の他の実施例について変形例1〜14として説明する
。
〈変形例1:学習方式〉
実施例では学習方式をNNとしているが、これをマシー
ンラーニング等の方式に置きかえることもできる。
ンラーニング等の方式に置きかえることもできる。
く変形例2:NNへの入力値の正規化〉実施例ではNN
への入力値を画素値そのものとしているが、これをディ
ジタル画像の表示ウィンドウ(ウィンドウレベルおよび
ウィンドウワイズ)で正規化してもよい。すなわち、画
素値をX1ウインドウレベルをWL、ウィンドウワイズ
をWW。
への入力値を画素値そのものとしているが、これをディ
ジタル画像の表示ウィンドウ(ウィンドウレベルおよび
ウィンドウワイズ)で正規化してもよい。すなわち、画
素値をX1ウインドウレベルをWL、ウィンドウワイズ
をWW。
NNへの入力値をYとすると、
Y=1 [WL+WW/2≦Yの場合]Y= (X−W
L)/WW+1/2 [WL−WW/2≦Y≦WL+WW/2の場合]Y=O
[Y≦WL−WWの場合] となる。
L)/WW+1/2 [WL−WW/2≦Y≦WL+WW/2の場合]Y=O
[Y≦WL−WWの場合] となる。
このようにして、画素値が表示の明るさに変換されるこ
とになる。一般に、ROIは操作者自身が見ている画像
において作成したものであるから、画素値そのものを学
習するよりROIの明るさを学習する方がより適切であ
ると言える。
とになる。一般に、ROIは操作者自身が見ている画像
において作成したものであるから、画素値そのものを学
習するよりROIの明るさを学習する方がより適切であ
ると言える。
〈変形例3:NNの入力項目〉
実施例では、NNへの入力項目を該当画素とその8−隣
接画素の画素値と、しているが、該当画素とその4−隣
接画素、あるいは24−隣接画素の画素値としてもよい
。なおまた、該当画素とその周辺の任意の画素の画素値
としてもよい。
接画素の画素値と、しているが、該当画素とその4−隣
接画素、あるいは24−隣接画素の画素値としてもよい
。なおまた、該当画素とその周辺の任意の画素の画素値
としてもよい。
く変形例4:探索方法〉
第1の実施例では、領域2のエツジから8−隣接画素を
探索するようにしているが、その探索範囲は4−隣接画
素、あるいは24−隣接画素等であってもよい。
探索するようにしているが、その探索範囲は4−隣接画
素、あるいは24−隣接画素等であってもよい。
〈変形例5:画像フィルタ〉
画像のノイズの影響を避けるために、その画像に2次元
フィルタを掛けて後に、学習を行ったり、ROIを求め
るようにしてもよい。
フィルタを掛けて後に、学習を行ったり、ROIを求め
るようにしてもよい。
〈変形例6:第9図のROIの場合〉
第9図の例に示すように、領域の一部が表示画像からは
み出ている場合には、画像の端をROIのエツジとして
扱い、その画像の端の部分を学習データには含めないよ
うにすることによって、実施例の適用が可能になる。
み出ている場合には、画像の端をROIのエツジとして
扱い、その画像の端の部分を学習データには含めないよ
うにすることによって、実施例の適用が可能になる。
く変形例7:第10図のROIの場合〉表示対象である
血管の上下、左右等の両側において画像の性質が同一で
ある場合には、上下、左右の端を除いて第14図示の場
合と同様に実施できる。また、両側が異なる性質を有す
る場合には、後述する第11図の場合と同様の方法で実
施できる。なおまた、上下端部については勿論第9図示
の場合による方法が適用可能である。
血管の上下、左右等の両側において画像の性質が同一で
ある場合には、上下、左右の端を除いて第14図示の場
合と同様に実施できる。また、両側が異なる性質を有す
る場合には、後述する第11図の場合と同様の方法で実
施できる。なおまた、上下端部については勿論第9図示
の場合による方法が適用可能である。
く変形例8:第11図および第12図のROIの場合〉
左斜線の部分のROIをROI−A、右斜線の部分のR
OIをROI−B、それ以外の部分を領域外とする。こ
の場合には、NNの出力素子を2個用いることとし、以
下のように実施する。
OIをROI−B、それ以外の部分を領域外とする。こ
の場合には、NNの出力素子を2個用いることとし、以
下のように実施する。
1)ROI−Aに関する学習データを作成する。
この場合、教師データについては素子1を“1”素子2
を“0″とする。
を“0″とする。
2)ROI−Bに関する学習データを作成する。
この場合、教師データについては素子1を“0”素子2
を“1”とする。
を“1”とする。
3)領域外に関する学習データを作成する。この場合、
教師データについては素子1、素子2とも0” とする
。
教師データについては素子1、素子2とも0” とする
。
4)学習データ数については3種類の内、最多数に揃え
る。
る。
5)学習データについては上記の1〜3の順に1個づつ
設定する。
設定する。
6)第1の実施例と同様に学習を行う。
7)学習後のNNにより領域を決定する。この場合の判
定基準は以下の通りである。素子1、素子2の出力値を
HPI、HF2とすると、a)HPI<rs、かつHF
2<rsならば、領域外 b)a)でなく、HP1≧HP2ならば、ROI −A c)a)でなく、HPI<HF2ならば、0I−B 〈変形例9:学習画像〉 新しい画像のROIを求める場合には、探索の中心とな
る画素位置ACは、可能な限り近い位置にある画像の重
心とするのがよい。一方では、ROIは3次元の塊であ
るので、それの学習は必ずしも近い位置にある画像であ
る必要はない。従って、少くとも次に示す3つの方法を
採用することができる。
定基準は以下の通りである。素子1、素子2の出力値を
HPI、HF2とすると、a)HPI<rs、かつHF
2<rsならば、領域外 b)a)でなく、HP1≧HP2ならば、ROI −A c)a)でなく、HPI<HF2ならば、0I−B 〈変形例9:学習画像〉 新しい画像のROIを求める場合には、探索の中心とな
る画素位置ACは、可能な限り近い位置にある画像の重
心とするのがよい。一方では、ROIは3次元の塊であ
るので、それの学習は必ずしも近い位置にある画像であ
る必要はない。従って、少くとも次に示す3つの方法を
採用することができる。
第1の方法二面像Sを学習し、画像S+1のROIを求
める。
める。
第2の方法二辺下の手順で行う。
1)画像1を学習し、画像2のROIを求める。
2)必要により操作者が画像2のROIを修正する。
3)修正された画像2のROIの学習データを画像1の
学習データに追加し、再学習を行う。
学習データに追加し、再学習を行う。
4)画像3のROIを求める。
5)以下、画像1〜Sの(修正後の)ROIを学習し、
画像S+1のROIを作成する。
画像S+1のROIを作成する。
第3の方法:中心の画像を学習し、そのNNによりその
他の全画像のROIを求める。
他の全画像のROIを求める。
く変形例10:輪郭抽出〉
これまでは、領域内に含まれる全画素を抽出する場合に
ついて説明したが、領域の輪郭だけを抽出する場合にも
応用可能である。
ついて説明したが、領域の輪郭だけを抽出する場合にも
応用可能である。
1)ACから一定方向に領域の境界を探す。この場合の
境界の判定に本発明の方法が適用できる。
境界の判定に本発明の方法が適用できる。
2)公知の技術により領域の境界に沿って輪郭を抽出す
る。この場合の境界の判定に本発明の方法が適用できる
。
る。この場合の境界の判定に本発明の方法が適用できる
。
〈変形例11:3次元画像〉
探索範囲を3次元とすれば、本発明の方法をボクセル構
成の3次元画像の場合にも適用可能である。
成の3次元画像の場合にも適用可能である。
〈変形例12:NNの構成〉
実施例においてはNNは3層構成のものであったが、勿
論4層以上の構成とすることも可能である。
論4層以上の構成とすることも可能である。
〈変形例13:NNへの入力項目〉
実施例ではNNへの入力は9個の画素値としているが、
この場合の隣接画素の画素値の代りに、隣接画素と中心
の画素との画素値の差を入力するようにしてもよい。ま
た、入力層の素子数を入力画素数よりも多くし、各画素
値と共に各隣接画素間の差分値をも入力としてもよい。
この場合の隣接画素の画素値の代りに、隣接画素と中心
の画素との画素値の差を入力するようにしてもよい。ま
た、入力層の素子数を入力画素数よりも多くし、各画素
値と共に各隣接画素間の差分値をも入力としてもよい。
なおまた、差分値の代りに2次差分値を用いるようにし
てもよい。また、それらのすべてを入力することも可能
である。
てもよい。また、それらのすべてを入力することも可能
である。
〈変形例14:動画〉
実施例においては、スライス方向に異なる位置の画像の
ROIを求める場合について適用されるものであった。
ROIを求める場合について適用されるものであった。
しかし、心臓等のように動く部位を含むCT、MRl等
の画像を動画として表示する場合には、同一スライス位
置において複数の時間の異なる画像を取り込むことによ
り、本発明の方法が適用可能である。
の画像を動画として表示する場合には、同一スライス位
置において複数の時間の異なる画像を取り込むことによ
り、本発明の方法が適用可能である。
[発明の効果]
以上記載したように、本発明の画像処理方法によれば、
複数の関連画像の1枚についてまず領域内外の区分を実
施し、次にその区分結果を学習し、この学習結果をもと
にして他の関連画像についての領域内外区分を実施する
ようにしたので、関連画像における領域の自動抽出が簡
単且つ確実に実施できる。
複数の関連画像の1枚についてまず領域内外の区分を実
施し、次にその区分結果を学習し、この学習結果をもと
にして他の関連画像についての領域内外区分を実施する
ようにしたので、関連画像における領域の自動抽出が簡
単且つ確実に実施できる。
第1図は本発明の一実施例を説明するための機能ブロッ
ク図、第2図は同実施例の動作を説明するためのフロー
チャート、第3図は第2図のフローチャート中の一手順
の詳細を示すフローチャート、第4図は第3図のフロー
チャート中の一手順の詳細を示すフローチャート、第5
図は領域判定時に用いられる隣接画素を説明するための
図、第6図は第1図中のNNの概略構成説明図、第7図
は同NNの学習データ内容を示す図、第8図は学習デー
タを作成する手順の詳細を示すフローチャート、第9図
乃至第12図はそれぞれ異なるROI例を示す図、第1
3図および第14図はそれぞれX線−CTの頭部画像に
おけるROI例を示す図、第15図は第2図のフローチ
ャート中の一手順の詳細を示すフローチャート、第16
図は本発明の第2の実施例における主要部を示すフロー
チャート、第17図は同実施例の他の部分を示すフロー
チャートである。 1・・・計算機 2・・・画像記憶装置3・・
・画像表示装置 4・・・マウス5・・・ニューラ
ルネットワーク(N N)代理人 弁理士 則 近 憲
佑 代理人 弁理士 近 藤 猛 第 図 第 図 第 図 (a) 第 図 (b) 菓 図 鯖 図 (a) 第 図 (b) 入力層 中間層 出力層 第 図 学習データ 第 図 第 図 (a) 第 図 第 図 第 図 第 図 第 図 第 図 位置 第1 5図 (a) 第15図 (b) 第16図 (a) 第1 6図 (b) □−−−−−」 正する 第1 7図
ク図、第2図は同実施例の動作を説明するためのフロー
チャート、第3図は第2図のフローチャート中の一手順
の詳細を示すフローチャート、第4図は第3図のフロー
チャート中の一手順の詳細を示すフローチャート、第5
図は領域判定時に用いられる隣接画素を説明するための
図、第6図は第1図中のNNの概略構成説明図、第7図
は同NNの学習データ内容を示す図、第8図は学習デー
タを作成する手順の詳細を示すフローチャート、第9図
乃至第12図はそれぞれ異なるROI例を示す図、第1
3図および第14図はそれぞれX線−CTの頭部画像に
おけるROI例を示す図、第15図は第2図のフローチ
ャート中の一手順の詳細を示すフローチャート、第16
図は本発明の第2の実施例における主要部を示すフロー
チャート、第17図は同実施例の他の部分を示すフロー
チャートである。 1・・・計算機 2・・・画像記憶装置3・・
・画像表示装置 4・・・マウス5・・・ニューラ
ルネットワーク(N N)代理人 弁理士 則 近 憲
佑 代理人 弁理士 近 藤 猛 第 図 第 図 第 図 (a) 第 図 (b) 菓 図 鯖 図 (a) 第 図 (b) 入力層 中間層 出力層 第 図 学習データ 第 図 第 図 (a) 第 図 第 図 第 図 第 図 第 図 第 図 位置 第1 5図 (a) 第15図 (b) 第16図 (a) 第1 6図 (b) □−−−−−」 正する 第1 7図
Claims (1)
- (1)画像において、それらの画素を少くとも2種類の
複数の群に区分する際、あらかじめ区分された複数の群
の一部あるいは全部の画素の情報を学習し、この学習結
果を利用して、各画像毎に、画像の一部あるいは全部の
画素を少くとも2種類の複数の群に区分することを特徴
とする画像処理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2246244A JPH04125779A (ja) | 1990-09-18 | 1990-09-18 | 画像処理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2246244A JPH04125779A (ja) | 1990-09-18 | 1990-09-18 | 画像処理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH04125779A true JPH04125779A (ja) | 1992-04-27 |
Family
ID=17145652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2246244A Pending JPH04125779A (ja) | 1990-09-18 | 1990-09-18 | 画像処理方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH04125779A (ja) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004174219A (ja) * | 2002-10-01 | 2004-06-24 | Japan Science & Technology Agency | 画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 |
JP2004174220A (ja) * | 2002-10-01 | 2004-06-24 | Japan Science & Technology Agency | 画像処理装置、画像処理方法、及び当該画像処理方法をコンピュータに実行させるプログラムを格納する記録媒体 |
JP2004174217A (ja) * | 2002-10-01 | 2004-06-24 | Japan Science & Technology Corp | 画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 |
WO2013183432A1 (ja) * | 2012-06-07 | 2013-12-12 | 日立アロカメディカル株式会社 | 関心領域設定方法及び超音波診断装置 |
WO2014132829A1 (ja) * | 2013-02-28 | 2014-09-04 | 株式会社 日立メディコ | 画像処理装置、及び領域抽出方法 |
WO2019188009A1 (ja) * | 2018-03-27 | 2019-10-03 | 株式会社Ngr | パターンエッジ検出方法 |
JP2021010970A (ja) * | 2019-07-05 | 2021-02-04 | 京セラドキュメントソリューションズ株式会社 | ロボットシステム及びロボット制御方法 |
US11244458B2 (en) | 2018-01-29 | 2022-02-08 | Fujifilm Corporation | Image processing apparatus, image processing method, and program |
US11574189B2 (en) | 2017-10-06 | 2023-02-07 | Fujifilm Corporation | Image processing apparatus and learned model |
-
1990
- 1990-09-18 JP JP2246244A patent/JPH04125779A/ja active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004174219A (ja) * | 2002-10-01 | 2004-06-24 | Japan Science & Technology Agency | 画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 |
JP2004174220A (ja) * | 2002-10-01 | 2004-06-24 | Japan Science & Technology Agency | 画像処理装置、画像処理方法、及び当該画像処理方法をコンピュータに実行させるプログラムを格納する記録媒体 |
JP2004174217A (ja) * | 2002-10-01 | 2004-06-24 | Japan Science & Technology Corp | 画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 |
JPWO2013183432A1 (ja) * | 2012-06-07 | 2016-01-28 | 日立アロカメディカル株式会社 | 関心領域設定方法及び超音波診断装置 |
CN104334086A (zh) * | 2012-06-07 | 2015-02-04 | 日立阿洛卡医疗株式会社 | 关心区域设定方法及超声波诊断装置 |
WO2013183432A1 (ja) * | 2012-06-07 | 2013-12-12 | 日立アロカメディカル株式会社 | 関心領域設定方法及び超音波診断装置 |
WO2014132829A1 (ja) * | 2013-02-28 | 2014-09-04 | 株式会社 日立メディコ | 画像処理装置、及び領域抽出方法 |
US9886781B2 (en) | 2013-02-28 | 2018-02-06 | Hitachi, Ltd. | Image processing device and region extraction method |
US11574189B2 (en) | 2017-10-06 | 2023-02-07 | Fujifilm Corporation | Image processing apparatus and learned model |
US11244458B2 (en) | 2018-01-29 | 2022-02-08 | Fujifilm Corporation | Image processing apparatus, image processing method, and program |
WO2019188009A1 (ja) * | 2018-03-27 | 2019-10-03 | 株式会社Ngr | パターンエッジ検出方法 |
JP2019174940A (ja) * | 2018-03-27 | 2019-10-10 | 株式会社 Ngr | パターンエッジ検出方法 |
CN111902844A (zh) * | 2018-03-27 | 2020-11-06 | 塔斯米特株式会社 | 图案边缘检测方法 |
US11436736B2 (en) | 2018-03-27 | 2022-09-06 | Tasmit, Inc. | Pattern edge detection method |
JP2021010970A (ja) * | 2019-07-05 | 2021-02-04 | 京セラドキュメントソリューションズ株式会社 | ロボットシステム及びロボット制御方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111223106B (zh) | 全自动人像蒙版抠图方法及*** | |
RU2739713C1 (ru) | Обучение аннотированию объектов в изображении | |
US8144980B2 (en) | Method and apparatus for selecting an object in an image | |
US8411986B2 (en) | Systems and methods for segmenation by removal of monochromatic background with limitied intensity variations | |
EP1810245B1 (en) | Detecting irises and pupils in human images | |
DE102018006247A1 (de) | Digitalbildvervollständigung unter Verwendung des Deep Learning | |
US7970212B2 (en) | Method for automatic detection and classification of objects and patterns in low resolution environments | |
US8503826B2 (en) | System and method for computer-aided image processing for generation of a 360 degree view model | |
US8977109B2 (en) | Human interaction trajectory-based system | |
Sinthanayothin | Image analysis for automatic diagnosis of diabetic retinopathy | |
DE102007018077A1 (de) | Dreidimensionales (3D) Modellieren von Koronararterien | |
DE112015000964T5 (de) | Bildverarbeitungsvorrichtung, Bildverarbeitungsverfahren und Bildverarbeitungsprogramm | |
CN110582783B (zh) | 训练装置、图像识别装置、训练方法和计算机可读信息存储介质 | |
US9684957B2 (en) | Systems methods, and media for detecting an anatomical object in a medical device image using a multi-stage classifier | |
CN109816666B (zh) | 对称全卷积神经网络模型构建方法、眼底图像血管分割方法、装置、计算机设备及存储介质 | |
CN111062331B (zh) | 图像的马赛克检测方法、装置、电子设备及存储介质 | |
CN107644411A (zh) | 超声宽景成像方法及装置 | |
JPH04125779A (ja) | 画像処理方法 | |
CN108108669A (zh) | 一种基于显著子区域的面部特征解析方法 | |
CN111222432A (zh) | 人脸活体检测方法、***、设备及可读存储介质 | |
CN112836653A (zh) | 人脸隐私化方法、设备、装置及计算机存储介质 | |
US20220358411A1 (en) | Apparatus and method for developing object analysis model based on data augmentation | |
CN1700254A (zh) | 动脉-静脉分离及脉管建模 | |
CN110874824B (zh) | 图像修复方法及装置 | |
CN106469432A (zh) | 对象提取方法和对象提取设备 |