JPH0561973A

JPH0561973A - 医療用画像表示装置

Info

Publication number: JPH0561973A
Application number: JP3246672A
Authority: JP
Inventors: Takeshi Kawasaki; 健史川崎
Original assignee: Shimadzu Corp
Current assignee: Shimadzu Corp
Priority date: 1991-08-30
Filing date: 1991-08-30
Publication date: 1993-03-12
Anticipated expiration: 2012-06-04
Also published as: JP2616520B2

Abstract

(57)【要約】【目的】あらゆる種類の医用画像のコントラストを適
宜に設定する。【構成】医用画像の濃度ヒストグラムを作成する手段
２と、濃度ヒストグラムのデータを荷重和計算してコン
トラスト調整時のパラメータであるウィンドウ・ウィド
ゥス（ＷＷ）とウィンドウ・レベル（ＷＬ）とを求める
ニューラルネットワーク３と、多種多様の濃度ヒストグ
ラムを学習してそれぞれに適宜なＷＷ，ＷＬとを得るた
めの前記荷重を決定する学習手段５とを備える。この学
習手段５で決定した荷重を用いてニューラルネットワー
ク３の計算を行えば、あらゆる種類の画像に対応したコ
ントラストの設定が可能になる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、Ｘ線ＣＴ装置や核磁
気共鳴断層撮像装置（以下、ＭＲＩ装置という）などの
画像診断機器を用いて撮像された被検体の画像を表示す
る医療用画像表示装置に係り、特には、表示される画像
のコントラストを調整するための技術に関する。

【０００２】

【従来の技術】ＣＲＴディスプレイなどのモニタに表示
された画像のコントラスト調整は、画像の濃度ヒストグ
ラムにおけるウィンドレベル（以下、ＷＬと略す）とウ
ィンドウ・ウィドゥス（以下、ＷＷと略す）との設定に
より行われている。実際には、モニタが設置された画像
表示装置にＷＬとＷＷとを調整するためのトラックボー
ルが設けられており、画像の読影を行う医者や技師など
がトラックボールを操作してモニタに表示されている画
像のコントラスト調整を行っている。この場合におい
て、濃度ヒストグラムが表示されることはなく、トラッ
クボールの操作によるＷＬとＷＷとの設定は装置の内部
で処理されて表示画像に反映されるようになっている。
以下に図面を参照しながらＷＷとＷＬとについて説明す
る。

【０００３】図10は画像診断機器で撮像された被検体の
画像の濃度ヒストグラムを例示している。周知のとお
り、濃度ヒストグラムは画像の各画素の濃度値を取り出
し、その濃度値をカウントして作成される。このような
濃度ヒストグラムで表される画像を表示する装置として
ＣＲＴディスプレイを例に挙げる。ＣＲＴディスプレイ
の表示階調値は一般に 256階調であるから、濃度ヒスト
グラムの横軸である濃度値の幅は最小値から最大値にか
けて 256分割される。上記のＷＷはこの濃度値の幅を任
意に設定するパラメータで、ＷＬはＷＷの中心値のこと
を示している。

【０００４】コントラスト調整は、読影したい部位（例
えば、病巣部位）と、その周囲の部位との明暗差を明確
にする方向で行われる。いま、図10に示した濃度ヒスト
グラムのＡの領域の明暗差を明確にしたいとする。上述
のように、濃度ヒストグラムの濃度値は全体で 256分割
されているが、この領域Ａの部分の濃度値を 256分割す
れば領域Ａ内の濃度差は顕著になり明暗差は明確にな
る。すなわち、ＷＷをその領域Ａに設定し、ＷＬをその
中心値に設定すればよい。従来では、このＷＷ，ＷＬの
設定を、前述のトラックボールを任意に操作して表示画
像のコントラスト変化を見ながら設定していた。

【０００５】この方法では、表示画像の１枚１枚に対
し、トラックボールの操作によるコントラスト調整が必
要となる。特に、ＭＲＩ装置を使って撮像された画像
は、撮像方法や撮像時のパラメータ（パルスシーケンス
等）や撮像部位によって濃度値が大きく異なるため、表
示画像の１枚１枚に対するコントラスト調整は不可欠で
ある。しかし、検査のスループットの向上や患者の負担
軽減から検査時間の短縮化を図りたいという要望は増加
する傾向にあり、ある程度のコントラスト調整ができれ
ばそれでよいという場合も多い。そこで、コントラスト
の自動設定を行うための手法が開発されている。

【０００６】ＭＲＩ装置で撮像された画像のコントラス
ト自動設定では、まず、撮像方法や撮像パラメータ，撮
像部位に応じて、平均的に適切であると判断されるＷ
Ｗ，ＷＬの値を得るための濃度変換を行う関数式（以
下、評価式という）を求める。そして、撮像された画像
の濃度ヒストグラムを作成し、これを前記求めた評価式
に与えてＷＷ，ＷＬを得る。医者や術者は、その評価式
を撮像方法や撮像パラメータ，撮像部位に応じて選択す
ればよく、これである程度の適切なコントラスト調整が
自動的に行われる。もちろん、細かにコントラストの調
整を行いたい場合に対しては上述したような手動による
微調整が行われるが、そうでない場合では、わずらわし
い手動によるコントラスト調整を省くことができ、しば
しば用いられている自動設定手法である。

【０００７】

【発明が解決しようとする課題】しかしながら、ＭＲＩ
装置における撮像方法や撮像パラメータは、実に多種多
様であり、これらの全てに対して評価式を導くのは大変
な作業である。これに加え、撮像方法や撮像パラメータ
は撮像時間の短縮化という目的に向かって日々刻々と新
たなものが開発されており、新たな撮像方法や撮像パラ
メータで撮像された画像に対して即座に対応することが
できないという欠点がある。ＭＲＩ装置だけに限ること
ではなく、Ｘ線ＣＴ装置に対しても同様で被検体に曝射
するＸ線強度やスキャン位置の種類に応じてそれぞれの
評価式を導くのは大変な作業となっている。

【０００８】この発明は、このような事情に鑑みてなさ
れたものであって、上記の欠点を解消したコントラスト
の自動設定を行うことができる医療用画像表示装置を提
供することを目的としている。

【０００９】

【課題を解決するための手段】この発明は、上記目的を
達成するために次のような構成をとる。すなわち、この
発明は、画像診断機器で撮像された画像のコントラスト
調整のパラメータであるウィンドウ・ウィドゥスとウィ
ンドウ・レベルとを、表示画像に対して設定する医療用
画像表示装置であって、前記画像診断機器で撮像された
画像の濃度ヒストグラムを作成する手段と、前記作成さ
れた濃度ヒストグラムのデータを荷重和計算して前記ウ
ィンドウ・ウィドゥスとウィンドウ・レベルとを出力す
るニューラルネットワークと、前記ニューラルネットワ
ークの荷重を多種多様の画像の濃度ヒストグラムに基い
て学習し決定する学習手段とを備えたことを特徴とす
る。

【００１０】

【作用】この発明によれば、学習手段が多種多様の画像
の濃度ヒストグラムに基づいてニューラルネットワーク
の荷重を学習して決定する。ニューラルネットワークは
学習の結果決定された荷重を用いて、画像の濃度ヒスト
グラムデータを荷重和計算し、ウィンドウ・ウィドゥス
とウィンドウ・レベルとを出力する。ここで、出力され
るウィンドウ・ウィドゥスとウィンドウ・レベルは、多
種多様の画像の濃度ヒストグラムを学習した結果の荷重
を用いて計算された値であるため、異なる濃度ヒストグ
ラムで表されるそれぞれの画像に対応した適切な値とな
る。

【００１１】

【実施例】以下、この発明の一実施例を図面に基づいて
説明する。図１は本実施例における医療用画像表示装置
の概略構成を示したブロック図である。Ｘ線ＣＴ装置や
ＭＲＩ装置などの画像診断機器１で撮像された被検体の
画像の濃度ヒストグラムを求めるヒストグラム作成手段
２と、作成された濃度ヒストグラムのデータを荷重和計
算してＷＷ，ＷＬの値を求めるニューラルコンピュータ
３（以下では、これをニューラルネットワーク３と称す
る）と、乱数発生器４と、ニューラルネットワーク３の
荷重を学習により決定する学習手段５と、ニューラルネ
ットワーク３で求められたＷＷ，ＷＬの値を用いて画像
のコントラスト調整を行うコントラスト設定部６と、画
像を表示するＣＲＴディスプレイ７とが備えられてい
る。

【００１２】ニューラルネットワーク３は、図２の概念
的なモデルに示すように、複数個のニューロンＮ（神経
細胞と同じような荷重和処理を行う電子部品）を層状に
備え、各ニューロンＮをシナプス結合Ｃと呼ばれる結合
手でネットワーク結合して構成される。この例では、入
力層Ａ，中間層Ｂ，出力層Ｃの３層モデルとし、入力層
Ａには30個のニューロンＮＡ１〜ＮＡｎを備え、中間層
Ｂには20個のニューロンＮＢ１〜ＮＢｍを備え、出力層
Ｃには２個のニューロンＮＣ１，ＮＣ２を備えて構成し
ている。この層数およびニューロンの数は特定されず、
任意の数を設定すればよい。出力層Ｃのニューロンの数
を２個としているのは、これらのニューロンＮＣ１，Ｎ
Ｃ２の出力値がＷＷ，ＷＬに相当するからである。な
お、このニューラルネットワーク３はハードウエアで構
成してもよいし、ソフトウエアで実現してもよい。

【００１３】本実施例における医療画像表示装置の動作
は大まかに２つの流れに分けられる。まずは、（Ａ）学
習手段５を用いてニューラルネットワーク３のシナプス
結合Ｃの重みを決定し、次には、（Ｂ）その学習された
シナプス結合Ｃの重みをニューラルネットワーク３に設
定して実際の画像のコントラスト調整を行う。（Ａ）の
ニューラルネットワークの学習について以下に説明す
る。

【００１４】〔Ａ−１〕学習に用いる画像をヒストグラ
ム作成手段１に入力する。この学習用画像としては、で
きる限り多種類のものを多数にわたって入力するのが望
ましい。例えば、医療診断機器としてＭＲＩ装置を用い
るならば、撮像方法や撮像パラメータを夫々変えて撮像
した各種の画像である。ヒストグラム作成手段１は、入
力した画像から所定の数（例えば、4096点) の画素値を
取り出して、同じ値の画素数をカウントし、例えば、図
10に示したような濃度ヒストグラムを得る。ここで、所
定の数だけの画素値を取り出すのは、画像のサイズにか
かわらず、濃度ヒストグラムの作成のためのサンプリン
グ数を一定にするためである。

【００１５】そして、通常 256分割されている濃度ヒス
トグラムの濃度値の最小値から最大値までの幅を30分割
する。これはニューラルネットワーク３の入力層Ａのニ
ューロンＮＡｎの個数に対応させるためで、濃度ヒスト
グラムの隣接する濃度値の平均を数回とって、濃度値を
30分割する。

【００１６】次に、ヒストグラム作成手段１は、作成し
た濃度ヒストグラムをニューラルネットワーク３で学習
しやすいように規格化する。学習の目的は、あらゆるパ
ターンの濃度ヒストグラムに対しても一律に最適なＷ
Ｗ，ＷＬとを設定することができるニューラルネットワ
ークを作ることにある。あらゆるパターンの濃度ヒスト
グラムを学習させることから、濃度ヒストグラムの濃度
値の最大値や最小値、カウント数の最大値や最小値を規
定してパターンのみの学習をさせる。濃度ヒストグラム
の規格化はそのための処理である。例えば、次のように
する。

【００１７】図３(a) に示したような、濃度ヒストグラ
ムの縦軸の最大カウント数Ｙ１が「１」となるように各
カウント数を変換する。同様に、30分割された横軸の最
大濃度値Ｘ２を「１」に規定し、最小濃度値Ｘ１を
「０」に規定する。こうして規格化されたのが同図(b)
に示すような濃度ヒストグラムである。図４(a) に示し
た濃度ヒストグラムに対して上記のような規格化を行う
と、同図(b) に示したようになる。

【００１８】〔Ａ−２〕学習手段５によるニューラルネ
ットワーク３の学習処理以下、図５および図６のフローチャートを参照しながら
説明する。これらのフローチャートには１回の学習処理
の流れを示している。

【００１９】まず、図５のステップＳ１で、図１に示し
た乱数発生器４からニューラルネットワーク３に向けて
乱数を発生させ、その乱数値を各ニューロンＮを結合し
ているシナプス結合Ｃの重みとする。ここで設定した重
みを初期値として、以下の学習処理を実行し最終的な重
みを決定していく。なお、説明の簡単化のため図７に示
すように、各層ともにｉ番目のニューロンに注目する。
ただし、Ａ層のニューロンＮＡｉのｉは１〜ｎまで変化
し、Ｂ層のニューロンＮＢｉのｉは１〜ｍまで変化し、
Ｃ層のニューロンＮＣｉのｉは１，２と変化する。

【００２０】乱数発生器４で設定された入力層Ａのニュ
ーロンＮＡｉと中間層ＢのニューロンＮＢｉとを結合す
るシナプス結合の重みをＷｉｉで表し、中間層Ｂのニュ
ーロンＮＢｉと出力層ＣのニューロンＮＣｉとを結合す
るシナプス結合の重みをＷｊｉで表す。

【００２１】図１のヒストグラム生成手段２で規格化さ
れた、ある画像の濃度ヒストグラムを各ヒストグラムデ
ータ（濃度値×カウント数）を入力層ＡのニューロンＮ
Ａｉに入力する。このヒストグラムデータの値をＸＡｉ
とし、これをニューロンＮＡｉのニューロン値とする
（ステップＳ２）。

【００２２】ステップＳ３で、中間層Ｂの各ニューロン
ＮＢｉのニューロン値ＸＢｉを次の計算式(1),(2) で算
出する。ＸＢｉ’＝Σ（ＸＡｉ×Ｗｉｉ）・・・・(1) この(1) 式の右辺のΣはｉを１〜ｎまで変化させたとき
の総和を求めるもので、入力層ＡのニューロンＮＡｉと
シナプス結合の重みＷｉとの荷重和をまず算出する。ＸＢｉ＝ｆ(XBi')＝１／（１＋Exp(ＸＢｉ’）) ・・・・(2) 次に、この(2) 式を用いて、(1) 式で算出された荷重和
をシグモイド関数ｆ(X) に代入してニューロンＮＢｉの
ニューロン値ＸＢｉを算出する。シグモイド関数はｆ
(X)=１／（１＋Exp(X)）で表される。

【００２３】ステップＳ４では、ステップＳ３と同様に
して、出力層Ｃの各ニューロンＮＣｉのニューロン値Ｘ
Ｃｉを算出する。すなわち、(1),(2) 式と同様な(3),
(4) 式を用いてニューロン値ＮＣｉを算出する。ＸＣｉ’＝Σ（ＸＢｉ×Ｗｊｉ）・・・・(3) ＸＣｉ＝ｆ(XCi')＝１／（１＋Exp(ＸＣｉ’）) ・・・・(4)

【００２４】算出されたこれらの各ニューロン値、ＸＡ
ｉ，ＸＢｉ，ＸＣｉを図示しないメモリにストアする
（ステップＳ５）。

【００２５】ニューラルネットワーク３では、以上のよ
うにして、入力層Ａから伝搬され出力層Ｃに現れたニュ
ーロン値ＮＣｉ（ｉ＝１，２）をそれぞれＷＷ，ＷＬと
するが、いま、伝搬されるときのシナプス結合の重みＷ
ｉｉ，Ｗｊｉは乱数で設定した値であるため、ここで出
力されたニューロン値ＮＣｉが最適なＷＷ，ＷＬを与え
るものではない。以下の処理では専門家の判断によるＷ
Ｗ，ＷＬに基づく学習を行ってシナプス結合の重みを決
定する。この学習方法は一般的に用いられているバック
プロバケーション法（逆伝搬法）による。

【００２６】ステップＳ６では、ステップＳ２で入力し
た濃度ヒストグラムで表される画像を幾人かの専門家
（医者や術者など）にコントラスト調整してもらい、そ
のときの各人が設定したＷＷ，ＷＬの平均値ｗｗ，ｗｌ
を求める。そして、これを出力層ＣのニューロンＮＣｉ
に入力する。

【００２７】ステップＳ７で、出力層ＣのニューロンＮ
Ｃｉの値ＸＣｉとｗｗ，ｗｌとの差を算出して、ニュー
ロンＮＣｉの誤差Ｅciを求めて学習信号ＤＣｉを算出す
る。Ｅci＝ＮＣｉ−ｗｗ（ｗｌ）。出力層Ｃのニューロ
ンＮＣｉの場合は、ここで算出された誤差Ｅciがそのま
ま学習信号ＤＣｉになる（ＤＣｉ＝Ｅci)

【００２８】ステップＳ８で、中間層Ｂの各ニューロン
ＮＢｉが負うべき誤差Ｅbiを求めて学習信号ＤＢｉを算
出する。誤差Ｅbiは次の(5) 式を用いて算出する。Ｅbi＝Σ（Ｗｊｉ×ＤＣｉ）・・・・(5) この(5) 式は、図８に示すように、中間層Ｂのニューロ
ンＮＢｉと、出力層ＣのニューロンＮＣｉ（ｉ＝１，
２）とをつなぐシナプス結合の重みＷｊ１，Ｗｊ２と、
出力層ＣのニューロンＮＣｉの学習信号ＤＣｉとの荷重
和を求める式である。これがニューロンＮＢｉの負うべ
き誤差Ｅbiになる。

【００２９】次に、以下の(6) 式を用いてニューロンＮ
Ｂｉの学習信号ＤＢｉを算出する。ＤＢｉ＝Ｅbi×ｆ'(XBi') ・・・・(6) この(6) 式のｆ'(XBi') は、前記のシグモイド関数の微
分式ｆ'(X') に、前記ステップＳ３で求めたニューロン
ＮＢｉの荷重和ＸＢｉ’＝Σ（ＸＡｉ×Ｗｉｉ）を代入
し、これにステップＳ８で求めた誤差Ｅbiを乗算する式
である。これで中間層Ｂの各ニューロンＮＢｉの学習信
号ＤＢｉが算出される。

【００３０】ステップＳ９では、同様にして入力層Ａの
各ニューロンＮＡｉが負うべき誤差Ｅaiを求めて学習信
号ＤＡｉを算出する。すなわち、(5),(6) 式と同様な次
の(7),(8) 式を用いる。Ｅai＝Σ（Ｗｊｉ×ＤＢｉ）・・・・(7) ＤＡｉ＝Ｅai×ｆ'(XAi)・・・・(8)

【００３１】図９を参照する。入力層ＡのニューロンＮ
Ａｉが負うべき誤差Ｅaiは、ニューロンＮＡｉと中間層
ＢのニューロンＮＢｉ（ｉ＝１〜ｍ）とをつなぐシナプ
ス都合の重みＷｉｉ（２文字目のｉ＝１〜ｍ）と、ステ
ップＳ８で算出したニューロンＮＢｉの学習信号ＤＢｉ
（ｉ＝１〜ｍ）との荷重和で得られる。そして、学習信
号ＤＡｉは得られた誤差Ｅaiに、シグモイド関数の微分
ｆ'(XAi)、ただし、XAi は、ニューロンＸＡｉに入力さ
れたヒストグラムデータ（濃度値×カウント数）の値を
乗算して得られる。

【００３２】ステップＳ10では、上記算出した学習信号
とニューロン値とを用いてシナプス結合Ｃの重みＷｉ
ｉ，Ｗｊｉを変更する。重みの変更には次の(9),(10)式
を用いる。 ΔＷｉｉ(n＋1)＝α（ＤＢｉ×ＸＡｉ）＋β（ΔＷｉｉ(n))・・・・(9) この(9) 式において、符号ｎは変更回数を示し、αは任
意に設定される学習定数，βは任意に設定される安定化
定数を示す。ΔＷｉｉ(n＋1)は今回変更する重みの値を
示し、ΔＷｉｉ(n) は前回変更された重みの値を示して
いる。いま、１回目の学習であるから前回変更した重み
の値はなく、ΔＷｉｉ(n) は零である。すなわち、入力
層ＡのニューロンＮＡｉと中間層ＢのニューロンＮＢｉ
とをつなぐ重みＷｉｉは、α（ＤＢｉ×ＸＡｉ）で算出
される値に変更される。

【００３３】 ΔＷｊｉ(n＋1)＝α（ＤＣｉ×ＸＢｉ）＋β（ΔＷｊｉ(n))・・・・(10) この(10)式も同様で、中間層ＢのニューロンＮＢｉと出
力層ＣのニューロンＮＣｉとをつなぐシナプス結合の重
みＷｊｉは、α（ＤＣｉ×ＸＢｉ）で算出される値に変
更される。

【００３４】以上のようにして、各層のニューロン同士
を結合するシナプス結合の重みを１回変更することで１
回の学習が終了する。２回目の学習では、上記の処理に
よって得られた重みの値が(9),(10)式のΔＷｉｉ(n),Δ
Ｗｊｉ(n) に代入されて計算される。これを多数回繰り
返す過程で、誤差Ｅai, Ｅbi, Ｅciの値を監視し、誤差
の値が少なくなるように、(9),(10)式のα，βを設定す
る。

【００３５】前述したように、この学習の目的は、あら
ゆるパターンの濃度ヒストグラムに対しても一律に最適
なＷＷ，ＷＬを設定することにある。したがって、複数
枚の異なった濃度ヒストグラムで表される画像を用意
し、これらの画像を多数回にわたって学習させ、最終的
なシナプス結合の重みＷｉｉ，Ｗｊｉを決定する。この
とき、異なる画像の入力順序を夫々変えて学習させるの
が望ましい。例えば、10枚の画像を次々に入力してそれ
ぞれ１回の学習を終えると、２回目の学習の際には10枚
の画像の並びを変えて入力する。これは、ニューラルネ
ットワーク３が画像の並びを学習し、それに合わせてシ
ナプス結合の重みを決定してしまうからである。

【００３６】実際に、学習されたニューラルネットワー
ク３を用いて画像のコントラスト調整を行う場合には、
濃度値が異なる画像がランダムに入力される場合も想定
しなけらればならない。そのためにも、画像の並びを変
えて学習させるのが好ましい。本発明者は、この学習に
ついて、異なる撮像方法, 異なる撮像パラメータで撮像
されたＭＲＩ画像を 206枚用意し、それぞれの画像の並
びを変えながら３万回の学習を行った。その結果、設定
されたシナプス結合の重みＷｉｉ，Ｗｊｉを用いること
で、濃度値が異なる画像をランダムに入力しても、それ
ぞれが平均的に適切なコントラストが得られた。

【００３７】さて、学習処理が終り、ニューラルネット
ワーク３のシナプス結合の重みＷｉｉ，Ｗｊｉが決定さ
れると、そのニューラルネットワーク３を用いて実際の
画像のコントラスト調整を行う（前述の符号（Ｂ）で記
述した処理）。〔Ｂ−１〕まず、表示画像のデータを図
１に示したヒストグラム作成手段２に入力して規格化さ
れた濃度ヒストグラムを作成し、これをニューラルネッ
トワーク３に入力する。

【００３８】〔Ｂ−２〕ニューラルネットワーク３は、
図５に示したフローチャートのステップＳ２からステッ
プＳ４までの処理を実行し、出力層ＣのニューロンＮＣ
１，２の値、ＸＣ１，ＸＣ２を求める。このニューロン
値ＸＣ１，ＸＣ２がＷＷ，ＷＬの値となる。図５に示し
たフローチャートのステップＳ６で、専門家によるｗ
ｗ，ｗｌの値を出力層ＣのニューロンＮＣ１，ＮＣ２に
入力したが、このとき、ニューロンＮＣ１にｗｗを入力
して学習すれば、ニューロンＮＣ１の値ＸＣ１が求める
ＷＷになり、ニューロンＮＣ２の値ＸＣ２が求めるＷＬ
の値になる。

【００３９】しかし、ここで求められたＷＷ，ＷＬは規
格された濃度ヒストグラムに対するＷＷ，ＷＬである。
実際にＣＲＴディスプレイ６に表示される画像はこのよ
うな濃度ヒストグラムの規格化が行われていないので、
前記求めたＷＷ，ＷＬをそれに対応できるように変換す
る。次の(11),(12) 式を用いて行う。ＷＷ’＝ＷＷ（Ｘ２−Ｘ１）・・・・(11) ＷＬ’＝ＷＬ（Ｘ２−Ｘ１）＋Ｘ１・・・・(12)

【００４０】上式の符号Ｘ１，Ｘ２は図３の(a) に示し
た濃度値の最小値と、最大値のことである。ヒストグラ
ム作成手段１では、規格化するために濃度ヒストグラム
の最小値と最大値の幅「Ｘ２−Ｘ１」を「１−０＝１」
に設定したので、これを元に戻すため、得られたＷＷに
（Ｘ２−Ｘ１）を乗算する。その値ＷＷ’が実際の画像
に対するウィンドウ・ウィドゥスとなる。ＷＬに対して
も同様に（Ｘ２−Ｘ１）を乗算し、さらにＸ１を加算す
る。これは図３（b)に示すようにＸ１を「０」に規定し
ており、これを補正するためにＸ１を加算する。得られ
た値ＷＬ’が実際の画像に対するウィンドウ・レベルで
ある。

【００４１】先程、本発明者はＭＲＩ画像を 206枚用意
し、それぞれの画像の並びを変えながら３万回の学習を
行った旨記載したが、さらに、このニューラルネットワ
ーク３を用いて実際の画像のＷＷ’，ＷＬ’とを求めた
ときの処理時間を参考までに以下に記載しておく。画素
数 128×128 のサイズの画像では約0.29秒, 256×256
のサイズの画像も同じく0.29秒, 512×512 のサイズの
画像では約0.43秒である。このような短い時間で、平均
的に適切なＷＷ’とＷＬ’が得られた。

【００４２】得られたＷＷ’，ＷＬ’は、図１に示した
コントラスト設定部６に送られる。コントラスト設定部
５は入力画像に対してそのＷＷ’，ＷＬ’を設定してＣ
ＲＴディスプレイ７に出力表示する。

【００４３】表示された画像を医者や術者が見て、さら
にコントラスト調整が必要と判断されれば、従来例に記
載したように手動による微調整が行われるが、微調整の
必要が特になければ、全くの手動操作なしのコントラス
ト自動設定となる。また、微調整するにしても、平均的
に適切なコントラスト調整が予め行われた状態なので、
その操作は容易になる。

【００４４】

【発明の効果】以上の説明から明らかなように、この発
明の医療用画像表示装置は、多種多様の画像の濃度ヒス
トグラムに基づく学習によってニューラルネットワーク
の荷重を決定し、決定した荷重を用いて画像の濃度ヒス
トグラムデータを荷重和計算して、コントラスト設定の
パラメータであるウィンドウ・ウィドゥスとウィンドウ
・レベルとを得るようにした。したがって、異なる濃度
ヒストグラムで表される画像に対してもそれぞれに適切
なウィンドウ・ウィドゥスとウィンドウ・レベルが得ら
れる。従来のように、画像の種類に応じた評価式を導く
必要もなく、また、多種多様の画像の濃度ヒストグラム
に基づく学習を行っているので、新たな種類の画像にも
即座に対応して適切なコントラストを自動設定すること
ができる。

【図面の簡単な説明】

【図１】この発明の一実施例に係る医療用画像表示装置
の概略的な構成を示したブロック図である。

【図２】ニューラルネットワークの構成を概念的にモデ
ル化した図である。

【図３】濃度ヒストグラムの規格化処理を説明する図で
ある。

【図４】同じく濃度ヒストグラムの規格化処理を説明す
る図である。

【図５】１回の学習処理の流れを示したフローチャート
である。

【図６】図５に続くフローチャートである。

【図７】ニューラルネットワークの構成の一部を概念的
にモデル化した図である。

【図８】バックプロバケーション法による学習の様子を
示したニューラルネットワークのモデル図である。

【図９】同じく、バックプロバケーション法による学習
の様子を示したニューラルネットワークのモデル図であ
る。

【図１０】従来技術において、画像のコントラスト調整
のパラメータであるウィンドウ・ウィドゥスとウィンド
ウ・レベルとを説明する濃度ヒストグラムである。

【符号の説明】

１・・・画像診断機器２・・・ヒストグラム作成手段３・・・ニューラルネットワーク５・・・学習手段

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁵ 識別記号庁内整理番号ＦＩ技術表示箇所Ｇ０６Ｆ 15/62 ３９０Ｂ 9287−5Ｌ

Claims

【特許請求の範囲】

【請求項１】画像診断機器で撮像された画像のコント
ラスト調整のパラメータであるウィンドウ・ウィドゥス
とウィンドウ・レベルとを、表示画像に対して設定する
医療用画像表示装置であって、前記画像診断機器で撮像された画像の濃度ヒストグラム
を作成する手段と、前記作成された濃度ヒストグラムの
データを荷重和計算して前記ウィンドウ・ウィドゥスと
ウィンドウ・レベルとを出力するニューラルネットワー
クと、前記ニューラルネットワークの荷重を多種多様の
画像の濃度ヒストグラムに基いて学習し決定する学習手
段とを備えたことを特徴とする医療用画像表示装置。