JPH06237925A - ディジタル胸部レントゲン写真において関心領域の選択と中隔線の検出を行なう自動化方法およびそのシステム - Google Patents
ディジタル胸部レントゲン写真において関心領域の選択と中隔線の検出を行なう自動化方法およびそのシステムInfo
- Publication number
- JPH06237925A JPH06237925A JP5064763A JP6476393A JPH06237925A JP H06237925 A JPH06237925 A JP H06237925A JP 5064763 A JP5064763 A JP 5064763A JP 6476393 A JP6476393 A JP 6476393A JP H06237925 A JPH06237925 A JP H06237925A
- Authority
- JP
- Japan
- Prior art keywords
- interest
- region
- regions
- lung
- roi
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 77
- 210000000115 thoracic cavity Anatomy 0.000 title description 2
- 210000004072 lung Anatomy 0.000 claims abstract description 153
- 238000004458 analytical method Methods 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 210000000038 chest Anatomy 0.000 claims description 89
- 230000002159 abnormal effect Effects 0.000 claims description 84
- 238000001514 detection method Methods 0.000 claims description 39
- 230000002093 peripheral effect Effects 0.000 claims description 29
- 201000010099 disease Diseases 0.000 claims description 22
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 22
- 230000001186 cumulative effect Effects 0.000 claims description 18
- 238000001228 spectrum Methods 0.000 claims description 18
- 230000003601 intercostal effect Effects 0.000 claims description 13
- 230000000873 masking effect Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 6
- 238000000491 multivariate analysis Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 230000001747 exhibiting effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000000779 thoracic wall Anatomy 0.000 description 3
- 238000012307 MRI technique Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000003705 background correction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 206010037423 Pulmonary oedema Diseases 0.000 description 1
- 235000010724 Wisteria floribunda Nutrition 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 210000003109 clavicle Anatomy 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000009607 mammography Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 201000003144 pneumothorax Diseases 0.000 description 1
- 210000001147 pulmonary artery Anatomy 0.000 description 1
- 208000005333 pulmonary edema Diseases 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S378/00—X-ray or gamma ray systems or devices
- Y10S378/901—Computer tomography program or processor
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
(57)【要約】
【目的】 本発明は間質性疾患の無い正常な肺を疾患の
ある異常な肺から区別する新しい方法とシステムを提供
することを目的とする。 【構成】 大きな肺の領域でROIを完全に自動的に選
択するために、胸郭と横隔膜のエッジを自動的に見つけ
ることによって大きな肺の周辺領域が最初に特定され
る。次に、所定のマトリクスサイズの数多くのROI
が、特定された領域の境界内を満たす格子の形で選択さ
れる。背景の不均一さが個々のROIから除去された
後、重み付けエッジ勾配ヒストグラム分析によってシャ
ープなエッジを持つROIが取り除かれる。
ある異常な肺から区別する新しい方法とシステムを提供
することを目的とする。 【構成】 大きな肺の領域でROIを完全に自動的に選
択するために、胸郭と横隔膜のエッジを自動的に見つけ
ることによって大きな肺の周辺領域が最初に特定され
る。次に、所定のマトリクスサイズの数多くのROI
が、特定された領域の境界内を満たす格子の形で選択さ
れる。背景の不均一さが個々のROIから除去された
後、重み付けエッジ勾配ヒストグラム分析によってシャ
ープなエッジを持つROIが取り除かれる。
Description
【0001】
【産業上の利用分野】本発明は、肺の大きな周辺領域を
カバーする多数の関心領域(ROI:RegionOf Interse
t)が完全に自動的に選択される方法とシステムの設備
を用いて肺の間質性疾患の定量的診断を行うのに用いら
れるコンピュータ処理された画像を作成するための方
法、およびその装置に関する。非常に多くのテクスチャ
分析が正常な肺と間質性疾患を持つ異常な肺を区別する
ために行われる。
カバーする多数の関心領域(ROI:RegionOf Interse
t)が完全に自動的に選択される方法とシステムの設備
を用いて肺の間質性疾患の定量的診断を行うのに用いら
れるコンピュータ処理された画像を作成するための方
法、およびその装置に関する。非常に多くのテクスチャ
分析が正常な肺と間質性疾患を持つ異常な肺を区別する
ために行われる。
【0002】
【従来の技術】レントゲン写真の読影者にとって胸部レ
ントゲン写真から間質性疾患を評価することは最も難し
いことのひとつである。この困難さは、X線画像の数多
くのパターンや複雑な変化、レントゲン写真と病理学の
知見との関係が確立されていないことや、様々なパター
ンを主観的な言葉で表現してしまうことなどに関係して
いる。近年、肺の間質性疾患を正確に発見することが示
されてきたコンピュータ処理された画像の作成にディジ
タル化された胸部レントゲン写真が用いられてきた。コ
ンピュータ化された方法は、異常の激しさの定量的測定
に基づいて異常の可能性がある肺のテクスチャのパター
ンを発見し、レントゲン写真の解釈の確度が増すことに
よって、評価結果に含まれる主観が低減される。
ントゲン写真から間質性疾患を評価することは最も難し
いことのひとつである。この困難さは、X線画像の数多
くのパターンや複雑な変化、レントゲン写真と病理学の
知見との関係が確立されていないことや、様々なパター
ンを主観的な言葉で表現してしまうことなどに関係して
いる。近年、肺の間質性疾患を正確に発見することが示
されてきたコンピュータ処理された画像の作成にディジ
タル化された胸部レントゲン写真が用いられてきた。コ
ンピュータ化された方法は、異常の激しさの定量的測定
に基づいて異常の可能性がある肺のテクスチャのパター
ンを発見し、レントゲン写真の解釈の確度が増すことに
よって、評価結果に含まれる主観が低減される。
【0003】間質性疾患を発見し特徴を抽出するため
に、近年、フーリエ解析に基づき、ディジタル化された
胸部レントゲン写真における肺テクスチャの定量化のた
めのコンピュータ処理機構が開発されてきた。そのよう
な方法は土井邦雄等による米国特許第4,839,80
7号で公開されており、以下はこれを参照している。こ
の方法では、従来の背面前面(PA)胸部レントゲン写
真を画素サイズが0.1mmで10ビットの階調を持つ
富士(Fuji)ドラムスキャナーでディジタル化する。6
4×64画素のおよそ20の矩形の関心領域(ROI)
が肋間から選択される。肋骨を除いてこのROIを選択
するには手作業が必要となる。肺と胸壁全体を解剖学的
に観察することによって生じてしまう背景の不均一さ
は、2次元表面をROIの原画像にフィッティングさ
せ、原画像からフィッティングさせた表面を減算するこ
とによって補正される。そのような2次元フィッテング
技術によって、次に続くコンピュータによる解析と処理
のための基になる肺のテクスチャの変化を決定すること
が容易になる。
に、近年、フーリエ解析に基づき、ディジタル化された
胸部レントゲン写真における肺テクスチャの定量化のた
めのコンピュータ処理機構が開発されてきた。そのよう
な方法は土井邦雄等による米国特許第4,839,80
7号で公開されており、以下はこれを参照している。こ
の方法では、従来の背面前面(PA)胸部レントゲン写
真を画素サイズが0.1mmで10ビットの階調を持つ
富士(Fuji)ドラムスキャナーでディジタル化する。6
4×64画素のおよそ20の矩形の関心領域(ROI)
が肋間から選択される。肋骨を除いてこのROIを選択
するには手作業が必要となる。肺と胸壁全体を解剖学的
に観察することによって生じてしまう背景の不均一さ
は、2次元表面をROIの原画像にフィッティングさ
せ、原画像からフィッティングさせた表面を減算するこ
とによって補正される。そのような2次元フィッテング
技術によって、次に続くコンピュータによる解析と処理
のための基になる肺のテクスチャの変化を決定すること
が容易になる。
【0004】「R」と呼ばれる自乗平均(RMS:Root
Mean Square)の変動と一般に「M」と呼ばれるパワー
スペクトラムの1次モーメントが2次元フーリエ変換に
よってそれぞれ肺テクスチャの大きさと粗さ(または細
かさ)の定量的な指標として決定される。2次元フーリ
エ変換されたデータは関数T(u,v)で定義され、こ
こでuとvはカーテシアン座標系における空間周波数で
ある。正常な肺と異常な肺の違いを強調するために、こ
の関数T(u,v)は、この技術分野では視覚応答関数
V(u,v)として知られている低周波成分と高周波成
分を抑圧する別の関数によってバンドパスフィルタリン
グが行われる。フィルタリングされたデータ(T(u,
v),V(u,v))からテクスチャに対する2つの指
標RとMが各々のROIについて得られる。これらのテ
クスチャに対する指標と臨床例から得られたデータベー
スの比較に基づいて、各ROIは正常または異常に分類
される。このデータベースは事前に正常か異常かがわか
っている肺のRとMの平均値を求めることによって得ら
れる。正常な肺のRの平均値は異常な肺のそれより低い
値を示し、Mの平均値は高い値を示す。結果はCRTモ
ニタ上に表示され、読影者がレントゲン写真を解釈する
際に助けとなる補助的な意見(第2の意見)を提供す
る。
Mean Square)の変動と一般に「M」と呼ばれるパワー
スペクトラムの1次モーメントが2次元フーリエ変換に
よってそれぞれ肺テクスチャの大きさと粗さ(または細
かさ)の定量的な指標として決定される。2次元フーリ
エ変換されたデータは関数T(u,v)で定義され、こ
こでuとvはカーテシアン座標系における空間周波数で
ある。正常な肺と異常な肺の違いを強調するために、こ
の関数T(u,v)は、この技術分野では視覚応答関数
V(u,v)として知られている低周波成分と高周波成
分を抑圧する別の関数によってバンドパスフィルタリン
グが行われる。フィルタリングされたデータ(T(u,
v),V(u,v))からテクスチャに対する2つの指
標RとMが各々のROIについて得られる。これらのテ
クスチャに対する指標と臨床例から得られたデータベー
スの比較に基づいて、各ROIは正常または異常に分類
される。このデータベースは事前に正常か異常かがわか
っている肺のRとMの平均値を求めることによって得ら
れる。正常な肺のRの平均値は異常な肺のそれより低い
値を示し、Mの平均値は高い値を示す。結果はCRTモ
ニタ上に表示され、読影者がレントゲン写真を解釈する
際に助けとなる補助的な意見(第2の意見)を提供す
る。
【0005】モニタ上でレントゲン写真の原画像をディ
ジタル化した画像の上に、肺の間質性疾患の程度とタイ
プを示す記号が重ねて表示される。もし検査している肺
がそのテクスチャのRとMの値が閾値より高いか低いた
めに異常であると判断されると、そのような異常なRと
Mを持つ各ROIはモニタ画面上にそれぞれ円形(これ
は結節性のパターンを表わす)、矩形(これは網状のパ
ターンを表わす)、または六角形(これは蜂の巣、また
は網状−結節性のパターンを表わす)で示される。異常
なROIの疾患の大きさや程度は画面上のこれらの形の
大きさに比例している。検査している胸部像の肺が正常
(または異常)である確率の推測値も、これらのROI
の分類結果と肺の中での幾何学的位置に基づいて提供さ
れる。この確率の推測値は、異常な肺の正診率(true-p
ositive fraction)、すなわち異常な肺を異常と診断す
る率と、正常な肺の誤診率(false-positive fraction
)、すなわち正常な肺を異常と診断する率との関係で
決まる曲線であるレシーバ・オペレーティング・特性
(ROC:Receiver Operating Characteristic )曲線
から得られる。レントゲン写真の読影者から得られたR
OC曲線とこのコンピュータ処理された画像から得られ
たROC曲線との比較によると、正常な肺から軽度な間
質性疾患がある肺を区別することにおいてはこのコンピ
ュータによる方法は人間による診断と同程度の能力を持
っていることを示している。すなわち、このコンピュー
タ処理された画像は、初期の診断のチェックとして読影
者によって使用され得る。このようにして、コンピュー
タ支援画像の使用によって異常な肺を正常と判断してし
まうことが減り、診断の確度が向上する。
ジタル化した画像の上に、肺の間質性疾患の程度とタイ
プを示す記号が重ねて表示される。もし検査している肺
がそのテクスチャのRとMの値が閾値より高いか低いた
めに異常であると判断されると、そのような異常なRと
Mを持つ各ROIはモニタ画面上にそれぞれ円形(これ
は結節性のパターンを表わす)、矩形(これは網状のパ
ターンを表わす)、または六角形(これは蜂の巣、また
は網状−結節性のパターンを表わす)で示される。異常
なROIの疾患の大きさや程度は画面上のこれらの形の
大きさに比例している。検査している胸部像の肺が正常
(または異常)である確率の推測値も、これらのROI
の分類結果と肺の中での幾何学的位置に基づいて提供さ
れる。この確率の推測値は、異常な肺の正診率(true-p
ositive fraction)、すなわち異常な肺を異常と診断す
る率と、正常な肺の誤診率(false-positive fraction
)、すなわち正常な肺を異常と診断する率との関係で
決まる曲線であるレシーバ・オペレーティング・特性
(ROC:Receiver Operating Characteristic )曲線
から得られる。レントゲン写真の読影者から得られたR
OC曲線とこのコンピュータ処理された画像から得られ
たROC曲線との比較によると、正常な肺から軽度な間
質性疾患がある肺を区別することにおいてはこのコンピ
ュータによる方法は人間による診断と同程度の能力を持
っていることを示している。すなわち、このコンピュー
タ処理された画像は、初期の診断のチェックとして読影
者によって使用され得る。このようにして、コンピュー
タ支援画像の使用によって異常な肺を正常と判断してし
まうことが減り、診断の確度が向上する。
【0006】しかしながら、上述の方法では、肺の中で
非常に小さく独立した領域にあるかも知れない異常なR
OIをうまく発見できるようにするためには、肺のほと
んどの周辺部をカバーする数多くのROIを選択できな
ければならない。すなわち、実際の臨床現場でこのコン
ピュータ処理された画像を使用するには、ディジタル化
された胸部画像の多くの隣接したROIを選択し、また
自動的に選択するプロセスが必要とされる。
非常に小さく独立した領域にあるかも知れない異常なR
OIをうまく発見できるようにするためには、肺のほと
んどの周辺部をカバーする数多くのROIを選択できな
ければならない。すなわち、実際の臨床現場でこのコン
ピュータ処理された画像を使用するには、ディジタル化
された胸部画像の多くの隣接したROIを選択し、また
自動的に選択するプロセスが必要とされる。
【0007】
【発明が解決しようとする課題】従って、本発明のひと
つの目的は間質性疾患の無い正常な肺を疾患のある異常
な肺から区別する新しい方法とシステムを提供すること
である。
つの目的は間質性疾患の無い正常な肺を疾患のある異常
な肺から区別する新しい方法とシステムを提供すること
である。
【0008】本発明の別の目的は、肺の大きな周辺領域
をカバーする数多くのROIを自動的に選択し、各RO
Iのテクスチャ指標M、Rを決定するために各ROIに
コンピュータ化されたテクスチャ分析を行うための方法
とシステムを提供することである。
をカバーする数多くのROIを自動的に選択し、各RO
Iのテクスチャ指標M、Rを決定するために各ROIに
コンピュータ化されたテクスチャ分析を行うための方法
とシステムを提供することである。
【0009】本発明の別の目的は、肋骨やその他の内部
構造の上に位置しているROIに対するROIテクスチ
ャ測定の結果と肺以外からのアーチファクトを取り除く
ことである。
構造の上に位置しているROIに対するROIテクスチ
ャ測定の結果と肺以外からのアーチファクトを取り除く
ことである。
【0010】本発明の更に別の目的は、所定の閾値より
大きなエッジ勾配標準偏差を示すROI、または初期に
設定された全てのROIについて計算して求めた標準偏
差のうちの上部の所定の割合(パーセント)に入るRO
Iを発見するために、各ROIに対するエッジ勾配分析
技術を提供することである。
大きなエッジ勾配標準偏差を示すROI、または初期に
設定された全てのROIについて計算して求めた標準偏
差のうちの上部の所定の割合(パーセント)に入るRO
Iを発見するために、各ROIに対するエッジ勾配分析
技術を提供することである。
【0011】別の目的は、数多くの自動的に選択された
隣接する矩形のROIへエッジ勾配分析技術を用いるこ
とによって、ディジタル化された胸部レントゲン写真で
中隔線を発見する自動化された方法を提供することであ
る。
隣接する矩形のROIへエッジ勾配分析技術を用いるこ
とによって、ディジタル化された胸部レントゲン写真で
中隔線を発見する自動化された方法を提供することであ
る。
【0012】
【課題を解決するための手段】上記の目的は、ディジタ
ル化された胸部レントゲン写真の肺画像の大きな周辺領
域をカバーする数多くの隣接したROIを選択するため
の新規な自動化された方法とシステムを用いることによ
って達成される。先ず、肺尖と胸郭と横隔膜のエッジを
自動的に検出することによって肺の周辺領域を特定す
る。次に、特定された周辺領域を埋めていくことによっ
て数多くのROIが連続的に選択される。ROIの数は
各特定された領域をほぼ完全に埋めつくすように、すな
わち患者の肺の大部分をカバーするように選択される。
次に、シャープなエッジを持ったROI、すなわち所定
の閾値より大きな標準偏差を持つエッジ勾配を示すRO
I、または全てについて求めた標準偏差のうちの所定の
上部の割合に入るROIを検出するために、エッジ勾配
分析技術が用いられる。この目的のために、重み付けエ
ッジ勾配角度のヒストグラムが用いられる。
ル化された胸部レントゲン写真の肺画像の大きな周辺領
域をカバーする数多くの隣接したROIを選択するため
の新規な自動化された方法とシステムを用いることによ
って達成される。先ず、肺尖と胸郭と横隔膜のエッジを
自動的に検出することによって肺の周辺領域を特定す
る。次に、特定された周辺領域を埋めていくことによっ
て数多くのROIが連続的に選択される。ROIの数は
各特定された領域をほぼ完全に埋めつくすように、すな
わち患者の肺の大部分をカバーするように選択される。
次に、シャープなエッジを持ったROI、すなわち所定
の閾値より大きな標準偏差を持つエッジ勾配を示すRO
I、または全てについて求めた標準偏差のうちの所定の
上部の割合に入るROIを検出するために、エッジ勾配
分析技術が用いられる。この目的のために、重み付けエ
ッジ勾配角度のヒストグラムが用いられる。
【0013】
【作用】この方法を使って自動的に選択されたおよそ2
00〜400のROIが肺テクスチャ分析に使用される
ことになる。この自動化されたROI選択方法とシステ
ムを使って得られた異常な肺に対するテクスチャ指標は
正常な肺に対するそれに比べて非常に大きな違いを示し
た。
00〜400のROIが肺テクスチャ分析に使用される
ことになる。この自動化されたROI選択方法とシステ
ムを使って得られた異常な肺に対するテクスチャ指標は
正常な肺に対するそれに比べて非常に大きな違いを示し
た。
【0014】本発明のその他の重要な点は、上述したこ
とと同じような考え方による自動化された方法を使うこ
とによって、すなわち勾配角度ヒストグラム分析の技術
を使うことによって胸部レントゲン像で中隔線を見つけ
ることができることである。胸部レントゲン写真では中
隔線は一般に小葉間の隔壁の拡大のため、短いはっきり
としない線で示される。これらの線は、肺水腫やその他
の肺の疾患の重要な印である。しかしながら、中隔線は
大きさが小さくコントラストも低いため見つけることは
困難である。本発明の方法とシステムはレントゲン写真
画像に存在する中隔線の検知と分析を非常に改良するも
のである。
とと同じような考え方による自動化された方法を使うこ
とによって、すなわち勾配角度ヒストグラム分析の技術
を使うことによって胸部レントゲン像で中隔線を見つけ
ることができることである。胸部レントゲン写真では中
隔線は一般に小葉間の隔壁の拡大のため、短いはっきり
としない線で示される。これらの線は、肺水腫やその他
の肺の疾患の重要な印である。しかしながら、中隔線は
大きさが小さくコントラストも低いため見つけることは
困難である。本発明の方法とシステムはレントゲン写真
画像に存在する中隔線の検知と分析を非常に改良するも
のである。
【0015】
【実施例】以下、図面を参照して本発明による装置の第
1実施例を説明する。
1実施例を説明する。
【0016】ここで図について説明していくが、参照の
ためにいくつかの図を通して同一か、または対応する部
分に同一の数字がつけられている。特に、図1では肺の
大きな領域をカバーするROIを自動的に選択し、シャ
ープなエッジを持つROIを自動的に取り除く本発明の
全体像がフローチャートで示されている。大きな肺の領
域でROIを完全に自動的に選択するために、胸郭と横
隔膜のエッジを自動的に見つけることによって大きな肺
の周辺領域が最初に特定され、次に32×32画素の行
列の大きさで数多くのROIが、特定された領域の境界
内を満たす格子の形で選択される。最後に重み付けエッ
ジ勾配ヒストグラム分析によってシャープなエッジを持
つROIが取り除かれる。この全体像は(1)肺の周辺
領域の特定、(2)ROIの予備選択、(3)背景の不
均一さ除去、(4)重み付けエッジ勾配ヒストグラムに
基づくエッジ勾配分析、(5)シャープなエッジを持つ
ROIの除去から成っている。
ためにいくつかの図を通して同一か、または対応する部
分に同一の数字がつけられている。特に、図1では肺の
大きな領域をカバーするROIを自動的に選択し、シャ
ープなエッジを持つROIを自動的に取り除く本発明の
全体像がフローチャートで示されている。大きな肺の領
域でROIを完全に自動的に選択するために、胸郭と横
隔膜のエッジを自動的に見つけることによって大きな肺
の周辺領域が最初に特定され、次に32×32画素の行
列の大きさで数多くのROIが、特定された領域の境界
内を満たす格子の形で選択される。最後に重み付けエッ
ジ勾配ヒストグラム分析によってシャープなエッジを持
つROIが取り除かれる。この全体像は(1)肺の周辺
領域の特定、(2)ROIの予備選択、(3)背景の不
均一さ除去、(4)重み付けエッジ勾配ヒストグラムに
基づくエッジ勾配分析、(5)シャープなエッジを持つ
ROIの除去から成っている。
【0017】間質性疾患は肺の周辺領域では、肺門周囲
よりはっきりと見える傾向にある。というのは、周辺領
域には大きな肺血管が無いからである。従って、これら
の領域での肺テクスチャのコンピュータによる分析はよ
り正確であることが期待できる。肺の周辺領域のおおよ
その形状と場所は、肺尖と胸郭と後で詳しく述べる横隔
膜のエッジを見つけることで特定することができる。肋
骨や鎖骨がある場所でテクスチャ分析のためのROIを
選択することは困難であるので肺尖領域も除かれる。本
発明が主に注目しているのは、大きな肺の領域をカバー
している数多くのROIの肺テクスチャが分析されると
きに、肋骨がテクスチャの指標にいかに影響を与える
か、またそのような影響は取り除くことができるのかと
いうことである。
よりはっきりと見える傾向にある。というのは、周辺領
域には大きな肺血管が無いからである。従って、これら
の領域での肺テクスチャのコンピュータによる分析はよ
り正確であることが期待できる。肺の周辺領域のおおよ
その形状と場所は、肺尖と胸郭と後で詳しく述べる横隔
膜のエッジを見つけることで特定することができる。肋
骨や鎖骨がある場所でテクスチャ分析のためのROIを
選択することは困難であるので肺尖領域も除かれる。本
発明が主に注目しているのは、大きな肺の領域をカバー
している数多くのROIの肺テクスチャが分析されると
きに、肋骨がテクスチャの指標にいかに影響を与える
か、またそのような影響は取り除くことができるのかと
いうことである。
【0018】この効果を調べるために、存在している位
置によって3つのグループ分けされたROIを代表する
正常な胸部像からえられた様々なROIを手作業で選択
することが行われた。ROIは図4に示したように、肋
骨エッジ、肋骨上部、肋間部から選択された。テクスチ
ャ分析のために高速フーリエ変換(FFT)アルゴリズ
ムを使用したため、ROIの画素の行列の大きさは16
や32や64のように2のべき乗になっているのが効果
的である。この実施例では32×32の行列サイズ
(5.6×5.6mm)を使用しており、これは隣接す
る2つの肋骨の間の空間よりも通常小さい。
置によって3つのグループ分けされたROIを代表する
正常な胸部像からえられた様々なROIを手作業で選択
することが行われた。ROIは図4に示したように、肋
骨エッジ、肋骨上部、肋間部から選択された。テクスチ
ャ分析のために高速フーリエ変換(FFT)アルゴリズ
ムを使用したため、ROIの画素の行列の大きさは16
や32や64のように2のべき乗になっているのが効果
的である。この実施例では32×32の行列サイズ
(5.6×5.6mm)を使用しており、これは隣接す
る2つの肋骨の間の空間よりも通常小さい。
【0019】手作業で選択されたROIのRMSの変動
とパワースペクトルの1次モーメントを計算した結果が
図5にプロットしてある。肋骨のエッジがあるROIは
小さな1次モーメントと大きなRMSの変動を示し、こ
れは異常な肺テクスチャが示す傾向である。この結果は
高いコントラストを持つ肋骨のエッジが大きな低周波成
分を持つことから生じている。しかしながら、肋骨上部
から選択されたROIは肋間部分から得られた場合と同
様なテクスチャ指標を示す。従って、間質性疾患を正し
く発見し、特徴抽出するためには肋骨のエッジを含むR
OIは取り除かなければならず、一方肋骨の上部からの
ROIは肺テクスチャ分析に含めることができる。
とパワースペクトルの1次モーメントを計算した結果が
図5にプロットしてある。肋骨のエッジがあるROIは
小さな1次モーメントと大きなRMSの変動を示し、こ
れは異常な肺テクスチャが示す傾向である。この結果は
高いコントラストを持つ肋骨のエッジが大きな低周波成
分を持つことから生じている。しかしながら、肋骨上部
から選択されたROIは肋間部分から得られた場合と同
様なテクスチャ指標を示す。従って、間質性疾患を正し
く発見し、特徴抽出するためには肋骨のエッジを含むR
OIは取り除かなければならず、一方肋骨の上部からの
ROIは肺テクスチャ分析に含めることができる。
【0020】図5では、RMSの変動が縦軸に沿ってプ
ロットしてあり、パワースペクトラムの1次モーメント
が横軸に沿ってプロットしてある。このグラフは3つの
異なった領域に位置しているROIと指標R,Mの間の
関係を示している。特に胸郭領域は高いRMSの変動と
低いパワースペクトラムの1次モーメントを持ってい
る。ROIの他の2つのタイプ、肋骨の上部のROIと
肋間のROIは反対のテクスチャ指標を持っている。す
なわち、低いRMSの変動と高いパワースペクトラムの
1次モーメントを持っている。
ロットしてあり、パワースペクトラムの1次モーメント
が横軸に沿ってプロットしてある。このグラフは3つの
異なった領域に位置しているROIと指標R,Mの間の
関係を示している。特に胸郭領域は高いRMSの変動と
低いパワースペクトラムの1次モーメントを持ってい
る。ROIの他の2つのタイプ、肋骨の上部のROIと
肋間のROIは反対のテクスチャ指標を持っている。す
なわち、低いRMSの変動と高いパワースペクトラムの
1次モーメントを持っている。
【0021】肋間領域のROIは分析対象として本発明
が最も関心を寄せている領域である。しかしながら、肋
骨の上部の領域は肋間ROIと非常に近いテクスチャ指
標を示すので、それらの肋骨上部のROIは判断の正確
さを大きく損なうこと無く、採取したデータに含めるこ
とができる。一方、肋骨のエッジのROIは正常な肺か
ら異常な肺を正しく区別するためには取り除かなければ
ならない。これは、肋骨のエッジにあるROIが示すテ
クスチャ指標R,Mが異常な肺が示す指標R,M、すな
わち高いRMSの変動と低いパワースペクトラムの1次
モーメントに近いからである。言いかえると、肋骨のエ
ッジにあるROIは正常例の誤診を示す可能性がある。
つまり、肋骨のエッジにあるROIが持っている高いエ
ッジ勾配のため、正常な肺を異常と判断してしまうこと
がある。
が最も関心を寄せている領域である。しかしながら、肋
骨の上部の領域は肋間ROIと非常に近いテクスチャ指
標を示すので、それらの肋骨上部のROIは判断の正確
さを大きく損なうこと無く、採取したデータに含めるこ
とができる。一方、肋骨のエッジのROIは正常な肺か
ら異常な肺を正しく区別するためには取り除かなければ
ならない。これは、肋骨のエッジにあるROIが示すテ
クスチャ指標R,Mが異常な肺が示す指標R,M、すな
わち高いRMSの変動と低いパワースペクトラムの1次
モーメントに近いからである。言いかえると、肋骨のエ
ッジにあるROIは正常例の誤診を示す可能性がある。
つまり、肋骨のエッジにあるROIが持っている高いエ
ッジ勾配のため、正常な肺を異常と判断してしまうこと
がある。
【0022】図6に示したように、肋骨の上部と肋間領
域ではROIの勾配の累積値は勾配角度の1周期、すな
わち0゜〜360°にわたって低い値を示している。こ
れとは反対に、肋骨のエッジ部分は1周期の中でおおよ
そ30゜と210゜の2箇所で高い累積勾配値を示して
いる。これらの3つの異なった領域にあるROIの勾配
の累積値の全体の標準偏差は図7に示してある。肋骨の
上部と肋間のROIについての標準偏差は低く、相対値
で0.25から0.5である。一方、肋骨のエッジのR
OIはもっと高い標準偏差を示している。それらは相対
値で0.75からおおよそ2.25の範囲である。これ
らの標準偏差が重なり合わないということは、この評価
基準に基づいて肋骨のエッジのROIを特定することが
でき、最終のテクスチャ分析を行う前に取り除くことが
できることを意味している。
域ではROIの勾配の累積値は勾配角度の1周期、すな
わち0゜〜360°にわたって低い値を示している。こ
れとは反対に、肋骨のエッジ部分は1周期の中でおおよ
そ30゜と210゜の2箇所で高い累積勾配値を示して
いる。これらの3つの異なった領域にあるROIの勾配
の累積値の全体の標準偏差は図7に示してある。肋骨の
上部と肋間のROIについての標準偏差は低く、相対値
で0.25から0.5である。一方、肋骨のエッジのR
OIはもっと高い標準偏差を示している。それらは相対
値で0.75からおおよそ2.25の範囲である。これ
らの標準偏差が重なり合わないということは、この評価
基準に基づいて肋骨のエッジのROIを特定することが
でき、最終のテクスチャ分析を行う前に取り除くことが
できることを意味している。
【0023】図4にみられるように、白い境界エッジは
肺の周辺領域と横隔膜のエッジ境界の上側を示してい
る。これら3つの領域から選択されたROIは、そのエ
ッジ勾配の値とRMSの変動Rとパワースペクトラムの
1次モーメントMを決定するために分析される。これら
の値は、疾患の無い全て正常な肋骨のエッジ、肋骨上部
の領域と肋間領域のエッジ勾配とテクスチャ指標の既知
の値のデータベースを提供するために求められるのであ
る。図6は肋骨のエッジ部分と肋骨上部の部分と肋間の
部分からの3つのROIの重み付けエッジ勾配角度ヒス
トグラムを示している。肋骨のエッジを含んでいるRO
Iでの大きなエッジ勾配角度に起因するヒストグラムの
変動が、その他の2つのROIでの変動よりもずっと大
きいことが明らかである。
肺の周辺領域と横隔膜のエッジ境界の上側を示してい
る。これら3つの領域から選択されたROIは、そのエ
ッジ勾配の値とRMSの変動Rとパワースペクトラムの
1次モーメントMを決定するために分析される。これら
の値は、疾患の無い全て正常な肋骨のエッジ、肋骨上部
の領域と肋間領域のエッジ勾配とテクスチャ指標の既知
の値のデータベースを提供するために求められるのであ
る。図6は肋骨のエッジ部分と肋骨上部の部分と肋間の
部分からの3つのROIの重み付けエッジ勾配角度ヒス
トグラムを示している。肋骨のエッジを含んでいるRO
Iでの大きなエッジ勾配角度に起因するヒストグラムの
変動が、その他の2つのROIでの変動よりもずっと大
きいことが明らかである。
【0024】図7は手作業で選択したROIについての
ヒストグラムの平均と標準偏差を示している。ヒストグ
ラムの標準偏差はヒストグラムの変化の大きさを示して
おり、従って、シャープなエッジを持ったROIを特定
するための指標として用いることができる。肋骨のエッ
ジを含んでいるROIは他のROIよりもずっと大きな
標準偏差を示すことに注意が必要である。図6に示した
ように、このステップはまた個々のROIの標準偏差を
得て、その値を勾配角度ヒストグラムに対してプロット
することも含んでいる。さらにまた、その他の内部構造
や心臓ペースメーカ、カテーテルなどのように患者の胸
腔内にあるかも知れない人工物などの上にあるROIも
シャープなエッジを持つために、高い標準偏差を示す。
したがって、これらのアーチファクトに起因する正常例
の誤診の可能性を除くために、そのようなシャープなエ
ッジを含むROIもまた取り除かれなければならない。
ヒストグラムの平均と標準偏差を示している。ヒストグ
ラムの標準偏差はヒストグラムの変化の大きさを示して
おり、従って、シャープなエッジを持ったROIを特定
するための指標として用いることができる。肋骨のエッ
ジを含んでいるROIは他のROIよりもずっと大きな
標準偏差を示すことに注意が必要である。図6に示した
ように、このステップはまた個々のROIの標準偏差を
得て、その値を勾配角度ヒストグラムに対してプロット
することも含んでいる。さらにまた、その他の内部構造
や心臓ペースメーカ、カテーテルなどのように患者の胸
腔内にあるかも知れない人工物などの上にあるROIも
シャープなエッジを持つために、高い標準偏差を示す。
したがって、これらのアーチファクトに起因する正常例
の誤診の可能性を除くために、そのようなシャープなエ
ッジを含むROIもまた取り除かれなければならない。
【0025】間質性疾患があるかどうかを調べるための
患者の肺の分析について以下に述べる。図1に示したよ
うに、最初のステップ#10では、肺画像のあらかじめ
選択された領域をカバーするために2k×2kの画素行
列の大きさで胸部レントゲン写真がディジタル化され
る。これまでの研究で画素の大きさが0.1mmと0.
2mmである場合の違いは、ディジタル胸部画像での間
質性疾患の発見と特徴抽出の際には、重大なものではな
いことがわかっている。従って、胸部レントゲン写真の
ディジタル化には画素サイズが0.175mmであり、
10ビット階調であるコニカ社のレーザスキャナが使用
された。このレーザスキャナは高速であるので画像のデ
ィジタル化には便利である。画素行列の大きさが小さい
と計算時間は短くなり、これは臨床応用の際は重要なこ
ととなるであろう。
患者の肺の分析について以下に述べる。図1に示したよ
うに、最初のステップ#10では、肺画像のあらかじめ
選択された領域をカバーするために2k×2kの画素行
列の大きさで胸部レントゲン写真がディジタル化され
る。これまでの研究で画素の大きさが0.1mmと0.
2mmである場合の違いは、ディジタル胸部画像での間
質性疾患の発見と特徴抽出の際には、重大なものではな
いことがわかっている。従って、胸部レントゲン写真の
ディジタル化には画素サイズが0.175mmであり、
10ビット階調であるコニカ社のレーザスキャナが使用
された。このレーザスキャナは高速であるので画像のデ
ィジタル化には便利である。画素行列の大きさが小さい
と計算時間は短くなり、これは臨床応用の際は重要なこ
ととなるであろう。
【0026】次のステップ#20では、肋骨のエッジ
(胸郭)と横隔膜の上側の境界を見つけるための検知プ
ロセスを実行する。そのような検知方法は米国特許第
4,851,984号に公開されており、以下ではこれ
を参照する。
(胸郭)と横隔膜の上側の境界を見つけるための検知プ
ロセスを実行する。そのような検知方法は米国特許第
4,851,984号に公開されており、以下ではこれ
を参照する。
【0027】肋骨のエッジと横隔膜による外側の境界が
決められると、次のステップ#30で、肺の周辺領域が
以下のようにして特定される。図8と図9に示したよう
に、右と左の両肺の周辺領域の上側の境界は、肺尖から
肺の高さの20%下側と決める。領域の下側の境界は横
隔膜の上までとする。外側の境界は肺画像の中心線から
胸郭のエッジ迄の距離の96%と決定する。内側の境界
を決定するために上側境界での50%から下側境界での
80%迄直線的に割合を変えていく。このようにして、
一般に肺の下側にある比較的大きな肺血管のオーバーラ
ップを避けるために、選択された領域の幅を下側境界に
向かって減らして行く。これらの割合は異なった大きさ
の肺についての実験的データにもとづいて決定されたも
のである。
決められると、次のステップ#30で、肺の周辺領域が
以下のようにして特定される。図8と図9に示したよう
に、右と左の両肺の周辺領域の上側の境界は、肺尖から
肺の高さの20%下側と決める。領域の下側の境界は横
隔膜の上までとする。外側の境界は肺画像の中心線から
胸郭のエッジ迄の距離の96%と決定する。内側の境界
を決定するために上側境界での50%から下側境界での
80%迄直線的に割合を変えていく。このようにして、
一般に肺の下側にある比較的大きな肺血管のオーバーラ
ップを避けるために、選択された領域の幅を下側境界に
向かって減らして行く。これらの割合は異なった大きさ
の肺についての実験的データにもとづいて決定されたも
のである。
【0028】次のステップ#40では、図8と図9に示
したように、特定された肺領域を完全に切れ目なく満た
すように、数多くの矩形のROI(32×32マトリク
ス)が選択される。重み付けエッジ勾配角度ヒストグラ
ムの計算によって各ROIについてエッジ勾配分析が行
われる。次に、このヒストグラムの標準偏差を、シャー
プなエッジを持つROIを取り除くための指標として求
める。次に、標準偏差の値があらかじめ決められた閾値
以上であるか、全体の標準偏差の上側の決められた割合
に入っているROIが取り除かれる。
したように、特定された肺領域を完全に切れ目なく満た
すように、数多くの矩形のROI(32×32マトリク
ス)が選択される。重み付けエッジ勾配角度ヒストグラ
ムの計算によって各ROIについてエッジ勾配分析が行
われる。次に、このヒストグラムの標準偏差を、シャー
プなエッジを持つROIを取り除くための指標として求
める。次に、標準偏差の値があらかじめ決められた閾値
以上であるか、全体の標準偏差の上側の決められた割合
に入っているROIが取り除かれる。
【0029】ROIをこのようにして予備選択したあ
と、背景の不均一さを補正するステップ#50を行う。
肋骨のエッジがないROIであっても、肺や胸壁の肉眼
的解剖による背景の不均一さは、重み付けエッジ勾配角
度ヒストグラムでのステップエッジのような大きなピー
クを作り出すので、背景の不均一さを補正することが必
要である。この不均一さ補正技術は米国特許第4,85
1,984号で取り上げられている。このステップで
は、下にある肺テクスチャの変異を調べるために2次元
表面フィッティング技術によってROIの不均一な背景
が補正される。
と、背景の不均一さを補正するステップ#50を行う。
肋骨のエッジがないROIであっても、肺や胸壁の肉眼
的解剖による背景の不均一さは、重み付けエッジ勾配角
度ヒストグラムでのステップエッジのような大きなピー
クを作り出すので、背景の不均一さを補正することが必
要である。この不均一さ補正技術は米国特許第4,85
1,984号で取り上げられている。このステップで
は、下にある肺テクスチャの変異を調べるために2次元
表面フィッティング技術によってROIの不均一な背景
が補正される。
【0030】次に、標準偏差の値が所定の閾値以上であ
るか、ROIの最初のサンプルの全体の標準偏差の上側
の所定の割合に入っているROIを決定するために、エ
ッジ勾配分析が個々のROIに対して行われる(ステッ
プ#60)。シャープなエッジがROIにあれば、この
エッジに垂直な方向のエッジ勾配は非常に大きくなり、
従って後述する重み付けエッジ勾配角度計算を用いるこ
とによって検出することができる。通常、ひとつかふた
つのピークが(およそ180゜の間隔で)ヒストグラム
中に見られ、それらはROIのステップエッジとライン
エッジにそれぞれ対応している。ステップエッジROI
では、ただひとつの濃度変化、すなわち、ひとつのシャ
ープなエッジがあるだけであるが、ラインエッジROI
では、ROIを通る線の小さな「幅」に起因する2つの
濃度変化があるので2つのシャープなエッジと2つのピ
ークがヒストグラムに現れる。
るか、ROIの最初のサンプルの全体の標準偏差の上側
の所定の割合に入っているROIを決定するために、エ
ッジ勾配分析が個々のROIに対して行われる(ステッ
プ#60)。シャープなエッジがROIにあれば、この
エッジに垂直な方向のエッジ勾配は非常に大きくなり、
従って後述する重み付けエッジ勾配角度計算を用いるこ
とによって検出することができる。通常、ひとつかふた
つのピークが(およそ180゜の間隔で)ヒストグラム
中に見られ、それらはROIのステップエッジとライン
エッジにそれぞれ対応している。ステップエッジROI
では、ただひとつの濃度変化、すなわち、ひとつのシャ
ープなエッジがあるだけであるが、ラインエッジROI
では、ROIを通る線の小さな「幅」に起因する2つの
濃度変化があるので2つのシャープなエッジと2つのピ
ークがヒストグラムに現れる。
【0031】このエッジ勾配分析に基づき、シャープな
エッジを持ったROIが決定され、そのようなシャープ
なエッジを持ったROIは高い標準偏差値に基づき、試
料データから取り除かれ(ステップ#70)、パワース
ペクトラムの1次モーメントMとRMSの変動Rによる
テクスチャ指標分析は行われない(ステップ#80)。
このようなシャープなエッジを持つROIを取り除くこ
とによって、肋骨のエッジに位置しているROIは減少
する。このような肋骨のエッジにあるROIは、間質性
疾患があるROIと同じように高いR値と低いM値を持
つので、正常例の誤診の判断を生じ易い。シャープなエ
ッジを持つROIが取り除かれたので、個々のROIの
テクスチャの指標値で、異常な肺を異常、正常な肺を正
常とより正確に判断できるようになる。
エッジを持ったROIが決定され、そのようなシャープ
なエッジを持ったROIは高い標準偏差値に基づき、試
料データから取り除かれ(ステップ#70)、パワース
ペクトラムの1次モーメントMとRMSの変動Rによる
テクスチャ指標分析は行われない(ステップ#80)。
このようなシャープなエッジを持つROIを取り除くこ
とによって、肋骨のエッジに位置しているROIは減少
する。このような肋骨のエッジにあるROIは、間質性
疾患があるROIと同じように高いR値と低いM値を持
つので、正常例の誤診の判断を生じ易い。シャープなエ
ッジを持つROIが取り除かれたので、個々のROIの
テクスチャの指標値で、異常な肺を異常、正常な肺を正
常とより正確に判断できるようになる。
【0032】図2、図3について述べると、これらの図
は数多くの隣接したROIの選択とそのうちシャープな
エッジを持ったROIの除去を自動的に行うためのシス
テムの全体像が示してある。最初に対象物がディジタル
画像入力装置101に入力され、2k×2kの画素行列
にディジタル化されたあと、画像メモリ102に保存さ
れる。保存された画像は胸郭検出器103と横隔膜エッ
ジ検出器104に出力され、そこで肺領域の境界の決定
がなされる。ディジタル化された対象画像は、また分析
されたROIについての情報を示す様々な記号が、ディ
ジタル化された原画像に重ねて表示される表示部114
にも出力される。胸郭と横隔膜のエッジが特定された
後、肺の周辺領域が肺の周辺領域選択器105によって
決定される。ディジタル化された画像上で特定された肺
領域を満たすように、選択器105と格子パターン発生
器106の出力はROI選択器107に入力される。
は数多くの隣接したROIの選択とそのうちシャープな
エッジを持ったROIの除去を自動的に行うためのシス
テムの全体像が示してある。最初に対象物がディジタル
画像入力装置101に入力され、2k×2kの画素行列
にディジタル化されたあと、画像メモリ102に保存さ
れる。保存された画像は胸郭検出器103と横隔膜エッ
ジ検出器104に出力され、そこで肺領域の境界の決定
がなされる。ディジタル化された対象画像は、また分析
されたROIについての情報を示す様々な記号が、ディ
ジタル化された原画像に重ねて表示される表示部114
にも出力される。胸郭と横隔膜のエッジが特定された
後、肺の周辺領域が肺の周辺領域選択器105によって
決定される。ディジタル化された画像上で特定された肺
領域を満たすように、選択器105と格子パターン発生
器106の出力はROI選択器107に入力される。
【0033】次に、ROIは2次元表面パターン発生器
108からの入力を受ける背景補正器109を通ってフ
ィルタリングが行われる。背景補正の後、エッジ勾配計
算器110が各々のROIについてのエッジ勾配を求
め、各ROIについての標準偏差値が計算される。次
に、標準偏差の値が所定の閾値以上であるか、データベ
ースメモリ112に蓄えられた計算された全ての標準偏
差の上側の決められた割合に入っているROIは異常R
OI除去器111で取り除かれる。これらの取り除かれ
たROIにはテクスチャ分析は行われないが、最初のサ
ンプルから残ったROIはテクスチャ指標計算器113
で計算されたそのようなテクスチャ指標を持つようにな
る。追加されたシャープなエッジを持つROIを取り除
くための後述する「微調整法」として孤立異常ROI分
析器116が使用される。シンボル発生器115はテク
スチャ分析されたROIの大きさや形状、程度などを示
す様々な記号を発生し、これらの記号は表示部114に
表示されているディジタル化されたX線の原画像に重ね
て表示される。
108からの入力を受ける背景補正器109を通ってフ
ィルタリングが行われる。背景補正の後、エッジ勾配計
算器110が各々のROIについてのエッジ勾配を求
め、各ROIについての標準偏差値が計算される。次
に、標準偏差の値が所定の閾値以上であるか、データベ
ースメモリ112に蓄えられた計算された全ての標準偏
差の上側の決められた割合に入っているROIは異常R
OI除去器111で取り除かれる。これらの取り除かれ
たROIにはテクスチャ分析は行われないが、最初のサ
ンプルから残ったROIはテクスチャ指標計算器113
で計算されたそのようなテクスチャ指標を持つようにな
る。追加されたシャープなエッジを持つROIを取り除
くための後述する「微調整法」として孤立異常ROI分
析器116が使用される。シンボル発生器115はテク
スチャ分析されたROIの大きさや形状、程度などを示
す様々な記号を発生し、これらの記号は表示部114に
表示されているディジタル化されたX線の原画像に重ね
て表示される。
【0034】RMSの変動Rとパワースペクトラムの1
次モーメントMは残っているROIのテクスチャの指標
として、対応する肺テクスチャの大きさと粗さを定量化
するためにそれぞれ使用される。それらは次のように定
義される。
次モーメントMは残っているROIのテクスチャの指標
として、対応する肺テクスチャの大きさと粗さを定量化
するためにそれぞれ使用される。それらは次のように定
義される。
【0035】
【数1】 ここで、F(u,v)は背景補正をした後のROIのテ
クスチャパターンのフーリエ変換であり、V(u,v)
は、カーテシアン座標系におけるu,vが空間周波数を
表している視覚系応答である。後者は、正常肺テクスチ
ャと異常肺テクスチャの間の違いを強調するために、補
正しきれず残留している背景の不均一さに起因する低周
波成分と、例えばレントゲン写真の班点に起因する高周
波成分を抑圧するバンドパスフィルターとして使用され
る。これまでの研究で、正常な肺テクスチャは大きなM
と小さなRを示す一方、異常な肺テクスチャは小さい1
次モーメントと場合によって大きなRMS値を示す傾向
があることがわかっている。骨格構造のため、胸部画像
では肋骨は異なったテクスチャ指標を示す。
クスチャパターンのフーリエ変換であり、V(u,v)
は、カーテシアン座標系におけるu,vが空間周波数を
表している視覚系応答である。後者は、正常肺テクスチ
ャと異常肺テクスチャの間の違いを強調するために、補
正しきれず残留している背景の不均一さに起因する低周
波成分と、例えばレントゲン写真の班点に起因する高周
波成分を抑圧するバンドパスフィルターとして使用され
る。これまでの研究で、正常な肺テクスチャは大きなM
と小さなRを示す一方、異常な肺テクスチャは小さい1
次モーメントと場合によって大きなRMS値を示す傾向
があることがわかっている。骨格構造のため、胸部画像
では肋骨は異なったテクスチャ指標を示す。
【0036】画素位置(m,n)での水平方向のエッジ
勾配Gx(m,n)と垂直方向のエッジ勾配Gy(m,
n)はゾベル(Sobel )演算子を使って次のように求め
られる。
勾配Gx(m,n)と垂直方向のエッジ勾配Gy(m,
n)はゾベル(Sobel )演算子を使って次のように求め
られる。
【0037】Gx(m,n) = {f(m+1,n-1)+2f(m+1,n)+f(m+1,n+1)} -{f(m-1,n-1)+2f(m-1,n)+f(m-1,n+1)} (3) Gy(m,n) = {f(m-1,n+1)+2f(m,n+1)+f(m+1,n+1)} -{f(m-1,n-1)+2f(m,n-1)+f(m+1,n-1)} (4) ここで、f(m,n)は場所(m,n)の画像の画素値
である。エッジ勾配の角度θ(m,n)、エッジ勾配の
大きさG(m,n)は次のように求められる。
である。エッジ勾配の角度θ(m,n)、エッジ勾配の
大きさG(m,n)は次のように求められる。
【0038】
【数2】 所定のROIの中について累積したエッジ勾配の角度分
布を示す勾配角度ヒストグラムは360゜を12の部分
に分けることによって決定される。ここで、角度θk が
次式のように定義され、 θk =30(k−1) (7) ここで、k=1,2,…12 角度θk における累積エッジ勾配G(θk )は次式で与
えられる。
布を示す勾配角度ヒストグラムは360゜を12の部分
に分けることによって決定される。ここで、角度θk が
次式のように定義され、 θk =30(k−1) (7) ここで、k=1,2,…12 角度θk における累積エッジ勾配G(θk )は次式で与
えられる。
【0039】
【数3】 ここで、M,NはROIのマトリクスサイズを示してい
る。
る。
【0040】胸部画像の上に計算されたテクスチャ指標
を重ねて表示するために、網状や結節状や蜂の巣状のよ
うな肺テクスチャの状態と程度を意味する様々な大きさ
や形状のマーカを使用する米国特許第4,839,80
7号で述べられている方法が使用される。このテクスチ
ャ指標はデータベースにある非常に多くの正常例から得
られた対応するテクスチャ指標の平均と標準偏差を用い
て規格化される。
を重ねて表示するために、網状や結節状や蜂の巣状のよ
うな肺テクスチャの状態と程度を意味する様々な大きさ
や形状のマーカを使用する米国特許第4,839,80
7号で述べられている方法が使用される。このテクスチ
ャ指標はデータベースにある非常に多くの正常例から得
られた対応するテクスチャ指標の平均と標準偏差を用い
て規格化される。
【0041】この方法では、規格化されたテクスチャ指
標が2.0以下である、すなわちテクスチャ指標が正常
例の標準偏差の2倍より小さいテクスチャパターンは正
常とみなされる。テクスチャ指標が異常な範囲にあると
網状、結節状、蜂の巣状のパターンに対してそれぞれ矩
形、円、六角形であるマーカが、そのROIが胸部画像
上で位置している場所に重ねて表示される。この方法は
胸部画像の多くの場所で実際のテクスチャパターンと計
算したテクスチャ指標を比較して見ることができ、非常
に有用である。
標が2.0以下である、すなわちテクスチャ指標が正常
例の標準偏差の2倍より小さいテクスチャパターンは正
常とみなされる。テクスチャ指標が異常な範囲にあると
網状、結節状、蜂の巣状のパターンに対してそれぞれ矩
形、円、六角形であるマーカが、そのROIが胸部画像
上で位置している場所に重ねて表示される。この方法は
胸部画像の多くの場所で実際のテクスチャパターンと計
算したテクスチャ指標を比較して見ることができ、非常
に有用である。
【0042】この表示方法を用いることによると、孤立
した「異常」とされるROIはシャープなエッジを含む
ことが多いことがわかった。それゆえ、すべての隣接し
ているROIが異常なテクスチャ指標を持っていない場
合、これらの孤立した「異常」ROIは取り除かれる。
肋骨のエッジにあるROIまたは内部構造の上にあるR
OIやアーチファクトに起因すると思われる更にシャー
プなエッジを持っているROIを取り除くこの「微調整
法」による除去は正常な肺と異常な肺の間の区別を非常
に改善する。
した「異常」とされるROIはシャープなエッジを含む
ことが多いことがわかった。それゆえ、すべての隣接し
ているROIが異常なテクスチャ指標を持っていない場
合、これらの孤立した「異常」ROIは取り除かれる。
肋骨のエッジにあるROIまたは内部構造の上にあるR
OIやアーチファクトに起因すると思われる更にシャー
プなエッジを持っているROIを取り除くこの「微調整
法」による除去は正常な肺と異常な肺の間の区別を非常
に改善する。
【0043】50の正常なケースと様々な間質性疾患を
持つ50の異常な症例が調べられた。それぞれの胸部画
像の肺周辺領域からおよそ300から600の32画素
×32画素の行列の大きさのROIが最初に選択され
た。図8と図9は特定された肺の周辺領域と最初に選択
されたROIをそれぞれ正常と異常な画像について示し
てある。いくつかのROIは明らかにシャープなエッジ
を含んでいる。重み付けエッジ勾配角度ヒストグラムの
標準偏差が全ての最初に選択されたROIについて計算
された。
持つ50の異常な症例が調べられた。それぞれの胸部画
像の肺周辺領域からおよそ300から600の32画素
×32画素の行列の大きさのROIが最初に選択され
た。図8と図9は特定された肺の周辺領域と最初に選択
されたROIをそれぞれ正常と異常な画像について示し
てある。いくつかのROIは明らかにシャープなエッジ
を含んでいる。重み付けエッジ勾配角度ヒストグラムの
標準偏差が全ての最初に選択されたROIについて計算
された。
【0044】図8と図9にそれぞれ示したように、一組
の正常な肺と一組の異常な肺はそれぞれの肺の大部分を
カバーするように選択されたROIのあらかじめ選択さ
れた格子で示されている。これらのROIは肋間領域、
肋骨上の領域と肋骨のエッジ領域をカバーしているよう
に見える。肋骨のエッジのROIは最初のROIサンプ
ルから本発明の技術によって取り除かれる。
の正常な肺と一組の異常な肺はそれぞれの肺の大部分を
カバーするように選択されたROIのあらかじめ選択さ
れた格子で示されている。これらのROIは肋間領域、
肋骨上の領域と肋骨のエッジ領域をカバーしているよう
に見える。肋骨のエッジのROIは最初のROIサンプ
ルから本発明の技術によって取り除かれる。
【0045】図12は勾配角度ヒストグラムの標準偏差
にもとづいて取り除かれたROIの割合とシャープなエ
ッジを持つ残されたROIの関係を示している。この実
施例ではシャープなエッジを持つROIの30%が後に
述べる理由で取り除かれている。シャープなエッジを持
つROIの割合と取り除かれたROIの割合の関係が正
常な場合と異常な場合について示されている。正常と異
常な場合についての結果はどちらも取り除かれる割合が
小さい理想的な線に非常に近く、それらはおよそ15%
で徐々に離れている。この理想的な線は大きな標準偏差
はシャープなエッジがあると必ず生じるという単純な仮
説の場合を示したものである。この理想的な線から離れ
ることは、取り除かれたROIの割合が増えるにつれ
て、シャープなエッジを持っていないが、比較的大きな
テクスチャ構造を持つROIが取り除かれてしまうこと
を示している。この要因によるいくつかのROIの損失
は、残っているROIの数が非常に多いのでテクスチャ
分析の正確さには影響しない。異常な画像にあるシャー
プなエッジを持つ残されたROIの割合は正常なものの
それよりやや大きく、このことは肋骨のエッジにあるR
OIを取り除くこのプロセスで異常な肺テクスチャにあ
るROIが除かれていることを意味している。
にもとづいて取り除かれたROIの割合とシャープなエ
ッジを持つ残されたROIの関係を示している。この実
施例ではシャープなエッジを持つROIの30%が後に
述べる理由で取り除かれている。シャープなエッジを持
つROIの割合と取り除かれたROIの割合の関係が正
常な場合と異常な場合について示されている。正常と異
常な場合についての結果はどちらも取り除かれる割合が
小さい理想的な線に非常に近く、それらはおよそ15%
で徐々に離れている。この理想的な線は大きな標準偏差
はシャープなエッジがあると必ず生じるという単純な仮
説の場合を示したものである。この理想的な線から離れ
ることは、取り除かれたROIの割合が増えるにつれ
て、シャープなエッジを持っていないが、比較的大きな
テクスチャ構造を持つROIが取り除かれてしまうこと
を示している。この要因によるいくつかのROIの損失
は、残っているROIの数が非常に多いのでテクスチャ
分析の正確さには影響しない。異常な画像にあるシャー
プなエッジを持つ残されたROIの割合は正常なものの
それよりやや大きく、このことは肋骨のエッジにあるR
OIを取り除くこのプロセスで異常な肺テクスチャにあ
るROIが除かれていることを意味している。
【0046】図13と図14はシャープなエッジを持つ
取り除かれたROIの割合のパワースペクトラムの1次
モーメントMとRMSの変動Rに対する関係をそれぞれ
図示している。これらの図から、取り除かれたROIが
増えると、RとMの間の違いが大きくなることがわか
る。図13と図14は残されたROIについて、取り除
かれたROIの割合に対するパワースペクトラムの1次
モーメントとRMSの変動の依存性を示している。取り
除かれたROIが増えると正常な画像と異常な画像のテ
クスチャ指標はより分離されたものとなっていく。
取り除かれたROIの割合のパワースペクトラムの1次
モーメントMとRMSの変動Rに対する関係をそれぞれ
図示している。これらの図から、取り除かれたROIが
増えると、RとMの間の違いが大きくなることがわか
る。図13と図14は残されたROIについて、取り除
かれたROIの割合に対するパワースペクトラムの1次
モーメントとRMSの変動の依存性を示している。取り
除かれたROIが増えると正常な画像と異常な画像のテ
クスチャ指標はより分離されたものとなっていく。
【0047】図10と図11は最初に(それぞれ図8と
図9から)選択されたROIの30%が取り除かれた後
の胸部画像に重ねて表示されているROIを示してい
る。白い点を持つROIはエッジ勾配分析で取り除かれ
たものである。シャープな肋骨のエッジを持つROIだ
けてなく胸のエッジを持つROIもまた取り除かれてい
ることに気をつけなければならない。これらの図からわ
かるように、取り除かれたROIは主に肋骨のエッジの
上にあったROIである。これらの肋骨のエッジにある
ROIはその高いエッジ勾配と対応する高い標準偏差の
値によって決定された。図15は図8の正常な胸部画像
でのエッジ勾配分析の結果を示している。標準偏差と平
均勾配が広い範囲に広がっているのは明らかである。最
初に選択されたROIに対する重み付けエッジ勾配角度
ヒストグラムの平均と標準偏差についてのエッジ勾配分
析の結果が図示されている。明らかに、データの値の大
部分は標準偏差が0画素〜500画素である左下隅に固
まっている。
図9から)選択されたROIの30%が取り除かれた後
の胸部画像に重ねて表示されているROIを示してい
る。白い点を持つROIはエッジ勾配分析で取り除かれ
たものである。シャープな肋骨のエッジを持つROIだ
けてなく胸のエッジを持つROIもまた取り除かれてい
ることに気をつけなければならない。これらの図からわ
かるように、取り除かれたROIは主に肋骨のエッジの
上にあったROIである。これらの肋骨のエッジにある
ROIはその高いエッジ勾配と対応する高い標準偏差の
値によって決定された。図15は図8の正常な胸部画像
でのエッジ勾配分析の結果を示している。標準偏差と平
均勾配が広い範囲に広がっているのは明らかである。最
初に選択されたROIに対する重み付けエッジ勾配角度
ヒストグラムの平均と標準偏差についてのエッジ勾配分
析の結果が図示されている。明らかに、データの値の大
部分は標準偏差が0画素〜500画素である左下隅に固
まっている。
【0048】図16と図17はそれぞれ肺周辺領域から
最初に選択されたROIのテクスチャ指標と最初に選択
されたシャープなエッジを持つROIの30%を除くこ
とによって自動的に選択されたROIのテクスチャ指標
を示している。図17は図16の中央のデータ点からの
30%のサンプルでとりのぞかれたシャープなエッジを
持つROIの数を示している。言い替えると、これらの
データ点は高いシャープなエッジを持つROIから期待
される高いR値と低いM値を持っている。この方法によ
って「異常」に見えるテクスチャ指標が取り除かれるこ
とは重要な点である。
最初に選択されたROIのテクスチャ指標と最初に選択
されたシャープなエッジを持つROIの30%を除くこ
とによって自動的に選択されたROIのテクスチャ指標
を示している。図17は図16の中央のデータ点からの
30%のサンプルでとりのぞかれたシャープなエッジを
持つROIの数を示している。言い替えると、これらの
データ点は高いシャープなエッジを持つROIから期待
される高いR値と低いM値を持っている。この方法によ
って「異常」に見えるテクスチャ指標が取り除かれるこ
とは重要な点である。
【0049】図18は最初に選択されたROIの30%
が取り除かれた後の正常と異常な画像に対するテクスチ
ャ指標を示している。RMSの変動Rは縦軸に沿ってプ
ロットされ、パワースペクトラムの1次モーメントMの
値は横軸に沿ってプロットされている。正常な肺を意味
する大部分のROIは異常な場合のデータ点の右側で低
い領域に位置しており、+の記号で示されている。
が取り除かれた後の正常と異常な画像に対するテクスチ
ャ指標を示している。RMSの変動Rは縦軸に沿ってプ
ロットされ、パワースペクトラムの1次モーメントMの
値は横軸に沿ってプロットされている。正常な肺を意味
する大部分のROIは異常な場合のデータ点の右側で低
い領域に位置しており、+の記号で示されている。
【0050】これらの結果は全て、重み付けエッジ勾配
角度ヒストグラムの標準偏差はシャープなエッジを持っ
たROIの除去に有用な指標であることを示している。
シャープなエッジを持つROIの30%の除去が使用さ
れた。この割合は、意味のある正常な(または異常な)
肺テクスチャを持ったROIの維持とシャープなエッジ
を持った不要なROIの除去との間のトレードオフを考
慮して決定された。最初に選択されたROIの30%が
取り除かれた後であっても、およそ200〜400のR
OIが各胸部画像でのテクスチャ分析のために残った。
これは米国特許第4,839,807号で公開されてい
る従来技術で使われているROIの20倍以上の数であ
る。
角度ヒストグラムの標準偏差はシャープなエッジを持っ
たROIの除去に有用な指標であることを示している。
シャープなエッジを持つROIの30%の除去が使用さ
れた。この割合は、意味のある正常な(または異常な)
肺テクスチャを持ったROIの維持とシャープなエッジ
を持った不要なROIの除去との間のトレードオフを考
慮して決定された。最初に選択されたROIの30%が
取り除かれた後であっても、およそ200〜400のR
OIが各胸部画像でのテクスチャ分析のために残った。
これは米国特許第4,839,807号で公開されてい
る従来技術で使われているROIの20倍以上の数であ
る。
【0051】中隔線を発見するための全体像を図19、
図20に示す。先ず、画素サイズが0.175mmで1
024階調(10ビット)のレーザスキャナで従来の胸
部レントゲン写真がディジタル化される(ステップ#2
00)。次のステップ#210では、後に詳しく述べる
ように分析されるべき下側の肺領域が特定される。
図20に示す。先ず、画素サイズが0.175mmで1
024階調(10ビット)のレーザスキャナで従来の胸
部レントゲン写真がディジタル化される(ステップ#2
00)。次のステップ#210では、後に詳しく述べる
ように分析されるべき下側の肺領域が特定される。
【0052】中隔線は通常肺の下側の外側の部分で認め
られるので、コンピュータによって分析される領域は両
肺の下側の領域の胸郭のエッジに沿った狭い領域で自動
的に選択される(ステップ#220)。従って、それら
の下側の肺領域で31画素×9画素(5.425mm×
1.575mm)を持った数多くの矩形の関心領域(R
OI)が連続的に決定される。与えられた胸部画像から
およそ300のROIが得られる。微かな水平線として
表わされる中隔線の局部的なコントラストを高めるため
に、胸部画像は従来からある矩形のマスクを持つアンシ
ャープマスキングフィルタで処理される(ステップ#2
30)。このアンシャープマスキング技術の詳細な説明
のために、次のものを参照とする。
られるので、コンピュータによって分析される領域は両
肺の下側の領域の胸郭のエッジに沿った狭い領域で自動
的に選択される(ステップ#220)。従って、それら
の下側の肺領域で31画素×9画素(5.425mm×
1.575mm)を持った数多くの矩形の関心領域(R
OI)が連続的に決定される。与えられた胸部画像から
およそ300のROIが得られる。微かな水平線として
表わされる中隔線の局部的なコントラストを高めるため
に、胸部画像は従来からある矩形のマスクを持つアンシ
ャープマスキングフィルタで処理される(ステップ#2
30)。このアンシャープマスキング技術の詳細な説明
のために、次のものを参照とする。
【0053】プラット(Pratt) 著「ディジタル画像処理
(Digital Image Processing)」ジョン&サンズ(John &
Sons) 社,ニューヨーク(1978);マクマホン(Mcmahon)
他著「間質浸潤と気胸の検知能力に対するディジタルア
ンシャープマスキングの効果(The effect of Digital U
nsharp Masking on theDetectability of Inerstitial
Infiltrates and Pneumothoraces)」SPIE論文集, v
ol.555, pp.249-252(1985) ;石田(Ishida)他著「高画
質ディジタルレントゲン画像:低コントラスト物体の検
知と予備診断の改善(High Quality Digital Radiograph
ic Images : Improveddetection of Low Contrast Obje
cts and Preliminary Clinical Studies)」放射線医学
(Radiographics), vol.13, pp325-328(1983).次に各R
OIの不均一な背景が表面フィッティング技術で補正さ
れる(ステップ#240)。次に、中隔線に関係する独
特の角度成分を特定するために、各ROIに含まれる全
ての画素に対してゾベル演算子が使われた後(ステップ
#250)で、重みづけエッジ勾配角度ヒストグラムが
計算される(ステップ#260)。
(Digital Image Processing)」ジョン&サンズ(John &
Sons) 社,ニューヨーク(1978);マクマホン(Mcmahon)
他著「間質浸潤と気胸の検知能力に対するディジタルア
ンシャープマスキングの効果(The effect of Digital U
nsharp Masking on theDetectability of Inerstitial
Infiltrates and Pneumothoraces)」SPIE論文集, v
ol.555, pp.249-252(1985) ;石田(Ishida)他著「高画
質ディジタルレントゲン画像:低コントラスト物体の検
知と予備診断の改善(High Quality Digital Radiograph
ic Images : Improveddetection of Low Contrast Obje
cts and Preliminary Clinical Studies)」放射線医学
(Radiographics), vol.13, pp325-328(1983).次に各R
OIの不均一な背景が表面フィッティング技術で補正さ
れる(ステップ#240)。次に、中隔線に関係する独
特の角度成分を特定するために、各ROIに含まれる全
ての画素に対してゾベル演算子が使われた後(ステップ
#250)で、重みづけエッジ勾配角度ヒストグラムが
計算される(ステップ#260)。
【0054】各ROIでの中隔線の検知は数学的線形弁
別関数を用いてなされる。そのような関数は統計の分野
で広く使用されており、一般にこれは、測定したパラメ
ータ値を他の既知の所定のパラメータと比較し、次に、
データを特定(あるいは分類)するためにそれらの値を
分析することからなっている。本発明では、この線形弁
別関数を用いた多変数解析技術は、勾配角度ヒストグラ
ム中での2つの角度(90゜と270゜)での累積エッ
ジ勾配に基づいている(ステップ#270)。この線形
弁別関数はあらかじめ得られているデータベースへの多
変数解析によって決定されたものであり(ステップ#3
20)、このデータベース(ステップ#310)はいく
つかは正常な肺であり、いくつかは異常な肺である36
の胸部画像を含んでいる。次に、各ROIは90゜と2
70゜での累積エッジ勾配を求め既知のデータベースと
比較することによって正常であるか異常であるかに分類
される(ステップ#280)。最後に、中隔線が見つか
った全てのROIは胸部画像に重ねてマークされる形で
CRTモニタ上に表示される(ステップ#290)。
別関数を用いてなされる。そのような関数は統計の分野
で広く使用されており、一般にこれは、測定したパラメ
ータ値を他の既知の所定のパラメータと比較し、次に、
データを特定(あるいは分類)するためにそれらの値を
分析することからなっている。本発明では、この線形弁
別関数を用いた多変数解析技術は、勾配角度ヒストグラ
ム中での2つの角度(90゜と270゜)での累積エッ
ジ勾配に基づいている(ステップ#270)。この線形
弁別関数はあらかじめ得られているデータベースへの多
変数解析によって決定されたものであり(ステップ#3
20)、このデータベース(ステップ#310)はいく
つかは正常な肺であり、いくつかは異常な肺である36
の胸部画像を含んでいる。次に、各ROIは90゜と2
70゜での累積エッジ勾配を求め既知のデータベースと
比較することによって正常であるか異常であるかに分類
される(ステップ#280)。最後に、中隔線が見つか
った全てのROIは胸部画像に重ねてマークされる形で
CRTモニタ上に表示される(ステップ#290)。
【0055】胸郭のエッジに沿った肺の下側の領域を特
定するために米国特許第4,851,984号に述べら
れている技術を用いる。この技術では胸郭の境界と横隔
膜の境界が両方とも見つけられる。肺の下側にある胸郭
のエッジが画素値(signature) の水平方向の2次導関数
の最小値からまず見つけられる。見つけられたエッジ点
は各データ点をなめらかに結ぶため、多項式曲線により
カーブフィッティングされる。横隔膜のエッジは画素値
(signature) の垂直方向の1次導関数の最大値によって
求められ、つづいて多項式曲線のカーブフィッティング
技術でスムージングされる。従って、肋骨横隔膜の小溝
は胸郭境界と横隔膜の境界を示す2つのスムージングさ
れた曲線の交点であると決定される。
定するために米国特許第4,851,984号に述べら
れている技術を用いる。この技術では胸郭の境界と横隔
膜の境界が両方とも見つけられる。肺の下側にある胸郭
のエッジが画素値(signature) の水平方向の2次導関数
の最小値からまず見つけられる。見つけられたエッジ点
は各データ点をなめらかに結ぶため、多項式曲線により
カーブフィッティングされる。横隔膜のエッジは画素値
(signature) の垂直方向の1次導関数の最大値によって
求められ、つづいて多項式曲線のカーブフィッティング
技術でスムージングされる。従って、肋骨横隔膜の小溝
は胸郭境界と横隔膜の境界を示す2つのスムージングさ
れた曲線の交点であると決定される。
【0056】図21、図22は自動中隔線抽出を実行す
るシステムの全体像を図示している。X線画像はディジ
タル化され、ディジタル画像入力装置120へ入力さ
れ、画像メモリ121へ蓄積される。この画像は同時に
胸郭検出器122と横隔膜エッジ検出器123にも出力
され、さらに表示部134にも出力される。下部肺周辺
領域選択器124で肺周辺領域の下側が特定され、この
境界の情報は格子パターン発生器125からの入力を受
け取るROI選択器126へ出力される。アンシャープ
マスキングフィルタ127が感度を高めることによって
ディジタル画像を強調するために使用され、次に、RO
Iに現れる正常な背景構造を更に補正するために背景補
正器129が使用される。不均一が補正された画像を作
るためによく知られた2次元表面発生器が用いられる。
るシステムの全体像を図示している。X線画像はディジ
タル化され、ディジタル画像入力装置120へ入力さ
れ、画像メモリ121へ蓄積される。この画像は同時に
胸郭検出器122と横隔膜エッジ検出器123にも出力
され、さらに表示部134にも出力される。下部肺周辺
領域選択器124で肺周辺領域の下側が特定され、この
境界の情報は格子パターン発生器125からの入力を受
け取るROI選択器126へ出力される。アンシャープ
マスキングフィルタ127が感度を高めることによって
ディジタル画像を強調するために使用され、次に、RO
Iに現れる正常な背景構造を更に補正するために背景補
正器129が使用される。不均一が補正された画像を作
るためによく知られた2次元表面発生器が用いられる。
【0057】次に、エッジ勾配の標準偏差の値をデータ
ベースメモリ132に蓄積されている所定の閾値と比較
する累積エッジ勾配比較器133へ出力される図形分析
を行うためにヒストグラム生成器131によって使用さ
れるエッジ勾配の値をエッジ勾配計算器130が発生す
る。次に、中隔線を含むROIは中隔線分類器136に
よって正常であるか異常であるかに区別される。シンボ
ル発生器135は中隔線の大きさや程度を表す様々な記
号を出力する。これらの記号は次に、表示部134の原
ディジタル化された画像に重ねて表示される。
ベースメモリ132に蓄積されている所定の閾値と比較
する累積エッジ勾配比較器133へ出力される図形分析
を行うためにヒストグラム生成器131によって使用さ
れるエッジ勾配の値をエッジ勾配計算器130が発生す
る。次に、中隔線を含むROIは中隔線分類器136に
よって正常であるか異常であるかに区別される。シンボ
ル発生器135は中隔線の大きさや程度を表す様々な記
号を出力する。これらの記号は次に、表示部134の原
ディジタル化された画像に重ねて表示される。
【0058】図23に示したように、それぞれの肺で次
の境界で囲まれた領域が中隔線について検査される領域
と決められる。
の境界で囲まれた領域が中隔線について検査される領域
と決められる。
【0059】(1)スムージングされた胸郭境界に等し
い外側の境界 (2)外側の境界を肺領域側へおよそ14mm平行移動
させた内側の境界 (3)スムージングされた横隔膜の曲線に等しい下側の
境界 (4)肋骨横隔膜の小溝の上およそ162mmの距離に
ある水平線である上側の境界 これらの境界は実験的に決定された。
い外側の境界 (2)外側の境界を肺領域側へおよそ14mm平行移動
させた内側の境界 (3)スムージングされた横隔膜の曲線に等しい下側の
境界 (4)肋骨横隔膜の小溝の上およそ162mmの距離に
ある水平線である上側の境界 これらの境界は実験的に決定された。
【0060】胸部画像では中隔線は水平方向に薄く長い
ぼんやりした線で見えるので勾配角度ヒストグラム分析
に基づく中隔線の抽出はROIの大きさや形の影響を受
ける。従って、ROIの横の長さの効果が次のようにし
て調べられた。ROIの縦の長さを0.875mmから
3.675mmまでまたROIの横の長さも1.925
mmから8.925mmまで変化させROC曲線を使っ
て中隔線の検出能力を調べた。その結果は水平方向に長
い辺を持つROIは中隔線の検出能力が効果的に改善さ
れることを示した。従って、5.425mm(水平方
向)×1.575mm(垂直方向)が分析用に選ばれ
た。
ぼんやりした線で見えるので勾配角度ヒストグラム分析
に基づく中隔線の抽出はROIの大きさや形の影響を受
ける。従って、ROIの横の長さの効果が次のようにし
て調べられた。ROIの縦の長さを0.875mmから
3.675mmまでまたROIの横の長さも1.925
mmから8.925mmまで変化させROC曲線を使っ
て中隔線の検出能力を調べた。その結果は水平方向に長
い辺を持つROIは中隔線の検出能力が効果的に改善さ
れることを示した。従って、5.425mm(水平方
向)×1.575mm(垂直方向)が分析用に選ばれ
た。
【0061】垂直方向に微妙な濃度変化があるパターン
の画像コントラストを強調するために、また水平方向に
走っている中隔線のコントラストを高めるために、矩形
のマスクを使ったアンシャープマスキングフィルタリン
グ(UMF)技術を用いて胸部画像の処理が行われた。
このマスクの大きさは0.875mm×2.275mm
で、重み係数は3.0であった。
の画像コントラストを強調するために、また水平方向に
走っている中隔線のコントラストを高めるために、矩形
のマスクを使ったアンシャープマスキングフィルタリン
グ(UMF)技術を用いて胸部画像の処理が行われた。
このマスクの大きさは0.875mm×2.275mm
で、重み係数は3.0であった。
【0062】胸部レントゲン写真の肺の領域の濃度分布
は、中隔線に関係するテクスチャパターンの細かい変動
と肺や胸部壁の肉眼的解剖による緩やかな変化の両方を
含んでいる。従って、高い感度で中隔線を検知するため
には、不均一な背景は取り除かれねばならない。各RO
Iの背景の不均一さを評価するために4次の多項式を用
いた表面フィッティング技術が用いられた。このように
して見積もられた不均一な背景は原画像から差し引か
れ、後に行われるコンピュータ分析が受け易い背景が補
正された画像が作られる。ここでの実施例で使用してい
る背景不均一補正技術は米国特許第4,851,984
号で述べられているものである。
は、中隔線に関係するテクスチャパターンの細かい変動
と肺や胸部壁の肉眼的解剖による緩やかな変化の両方を
含んでいる。従って、高い感度で中隔線を検知するため
には、不均一な背景は取り除かれねばならない。各RO
Iの背景の不均一さを評価するために4次の多項式を用
いた表面フィッティング技術が用いられた。このように
して見積もられた不均一な背景は原画像から差し引か
れ、後に行われるコンピュータ分析が受け易い背景が補
正された画像が作られる。ここでの実施例で使用してい
る背景不均一補正技術は米国特許第4,851,984
号で述べられているものである。
【0063】中隔線は非常に低いコントラストの非常に
細いパターンを持っているので、目視でこれを見つける
のは、胸部画像で水平方向のパターンが強調されていて
も、一般に困難である。従って、エッジ勾配分布が比較
的小さいROIは注意深く検査しなければならない。こ
の方法は勾配角度ヒストグラム分析に基づいている。
細いパターンを持っているので、目視でこれを見つける
のは、胸部画像で水平方向のパターンが強調されていて
も、一般に困難である。従って、エッジ勾配分布が比較
的小さいROIは注意深く検査しなければならない。こ
の方法は勾配角度ヒストグラム分析に基づいている。
【0064】ひとつは中隔線を含まずひとつは含んでい
る2つのROIから得られた勾配角度ヒストグラムが図
24と図25に図示してある。中隔線を含まないROI
では、累積エッジ勾配の分布は比較的均一で、平均値は
比較的小さい。しかしながら、中隔線を含んでいるRO
Iでは、累積エッジ勾配は、90゜と270゜近くの2
つの角度で非常に大きくなっている。これは中隔線を含
むROIの他にはない特徴であることがわかった。すな
わち、勾配角度ヒストグラムは2つの大きなピークをG
(90)とG(270)に持っているということであ
る。
る2つのROIから得られた勾配角度ヒストグラムが図
24と図25に図示してある。中隔線を含まないROI
では、累積エッジ勾配の分布は比較的均一で、平均値は
比較的小さい。しかしながら、中隔線を含んでいるRO
Iでは、累積エッジ勾配は、90゜と270゜近くの2
つの角度で非常に大きくなっている。これは中隔線を含
むROIの他にはない特徴であることがわかった。すな
わち、勾配角度ヒストグラムは2つの大きなピークをG
(90)とG(270)に持っているということであ
る。
【0065】図26は白丸で示された中隔線を持たない
100例のROIと黒丸で示された中隔線を持っている
63例の異常なROIを含んでいる胸部画像のデータベ
ースから得られた90゜と270゜における累積エッジ
勾配の分布を示している。異常なROIの90゜と27
0゜における累積エッジ勾配は一般に正常なROIのそ
れより大きいことが明らかである。しかしながら、90
゜での累積エッジ勾配と270゜でのそれとの間にはい
くらかの相関があるので90゜と270゜での2つの累
積エッジ勾配を用いた多変数解析から導かれる線形弁別
関数は正常と異常なROIを90゜か270゜かのどち
らだけの累積エッジ勾配で区別するよりもよりよく区別
できることが期待される。図27は全部で121の中隔
線を含んでいる18例の正常な胸部画像と18例の異常
な胸部画像から得られた3つのROC曲線の比較を示し
ており、これは3つの異なった評価基準、すなわちG
(90)単独とG(270)単独と弁別関数を使ったG
(90)とG(270)の組み合わせに基づく正常と異
常なROIの分類に使われる。このROC曲線は閾値レ
ベルに対する異常例の正診率(異常なROI中の中隔線
を正しく発見すること)の割合と正常例の誤診率(正常
なROIで中隔線を誤って検知してしまうこと)の割合
の間の関係を示している。正常と異常なROIを見分け
るために、累積エッジ勾配が所定の閾値レベルより大き
なROIは陽性なROIと分類される。
100例のROIと黒丸で示された中隔線を持っている
63例の異常なROIを含んでいる胸部画像のデータベ
ースから得られた90゜と270゜における累積エッジ
勾配の分布を示している。異常なROIの90゜と27
0゜における累積エッジ勾配は一般に正常なROIのそ
れより大きいことが明らかである。しかしながら、90
゜での累積エッジ勾配と270゜でのそれとの間にはい
くらかの相関があるので90゜と270゜での2つの累
積エッジ勾配を用いた多変数解析から導かれる線形弁別
関数は正常と異常なROIを90゜か270゜かのどち
らだけの累積エッジ勾配で区別するよりもよりよく区別
できることが期待される。図27は全部で121の中隔
線を含んでいる18例の正常な胸部画像と18例の異常
な胸部画像から得られた3つのROC曲線の比較を示し
ており、これは3つの異なった評価基準、すなわちG
(90)単独とG(270)単独と弁別関数を使ったG
(90)とG(270)の組み合わせに基づく正常と異
常なROIの分類に使われる。このROC曲線は閾値レ
ベルに対する異常例の正診率(異常なROI中の中隔線
を正しく発見すること)の割合と正常例の誤診率(正常
なROIで中隔線を誤って検知してしまうこと)の割合
の間の関係を示している。正常と異常なROIを見分け
るために、累積エッジ勾配が所定の閾値レベルより大き
なROIは陽性なROIと分類される。
【0066】次に、正しく分類された陽性なROIの数
を実際に陽性であるROIの全数で割ることによって異
常例の正診率が決定される。図27から90゜または2
70゜における累積エッジ勾配は正常なROIと中隔線
を持っている異常なROIをうまく区別できることが明
らかである。しかしながら、胸部画像で中隔線を正確に
検知することは、弁別関数を使った多変数解析を使用す
ることによって90゜と270゜における累積エッジ勾
配を単独に使用した場合よりもかなりよく行われること
に気をつけなければならない。図28は胸部画像に対し
て様々なタイプの画像処理を行った場合のROC曲線を
比較したもので、正常な肺と異常な肺の分類に及ぼす画
像処理の影響を調べようとしたものである。勾配角度ヒ
ストグラム分析で異常なROIが8個以上であったもの
を異常な肺と定義した。この判断基準は実験的に求めら
れた。図28に示された結果は背景の不均一補正とアン
シャープマスキングによるフィルタリング処理を使用す
ると正常な肺と中隔線を持っている肺を区別するための
コンピュータ化された画像の水準が改善できることを示
している。
を実際に陽性であるROIの全数で割ることによって異
常例の正診率が決定される。図27から90゜または2
70゜における累積エッジ勾配は正常なROIと中隔線
を持っている異常なROIをうまく区別できることが明
らかである。しかしながら、胸部画像で中隔線を正確に
検知することは、弁別関数を使った多変数解析を使用す
ることによって90゜と270゜における累積エッジ勾
配を単独に使用した場合よりもかなりよく行われること
に気をつけなければならない。図28は胸部画像に対し
て様々なタイプの画像処理を行った場合のROC曲線を
比較したもので、正常な肺と異常な肺の分類に及ぼす画
像処理の影響を調べようとしたものである。勾配角度ヒ
ストグラム分析で異常なROIが8個以上であったもの
を異常な肺と定義した。この判断基準は実験的に求めら
れた。図28に示された結果は背景の不均一補正とアン
シャープマスキングによるフィルタリング処理を使用す
ると正常な肺と中隔線を持っている肺を区別するための
コンピュータ化された画像の水準が改善できることを示
している。
【0067】肺のテクスチャ分析と中隔線の検知のため
のROI選択の完全な自動化方法が開発された。勾配重
み付けエッジ配向ヒストグラムに基づいたエッジ勾配分
析はシャープなエッジを持ったROIの特定と除去に非
常に効果的である。従来の技術に比較しておよそ20倍
もの数のROIが肺のテクスチャ分析のために選択され
る。様々な間質性疾患を持つ異常な肺のRMS値とパワ
ースペクトラムの1次モーメントは正常な肺のそれとは
著しい違いを示す。ROIの自動選択を用いた肺のテク
スチャ分析と中隔線の検知のためのコンピュータ化され
た画像は、近い将来、読影者が臨床分野での胸部画像の
より客感的で正確な解釈を行う際の助けとなるであろ
う。
のROI選択の完全な自動化方法が開発された。勾配重
み付けエッジ配向ヒストグラムに基づいたエッジ勾配分
析はシャープなエッジを持ったROIの特定と除去に非
常に効果的である。従来の技術に比較しておよそ20倍
もの数のROIが肺のテクスチャ分析のために選択され
る。様々な間質性疾患を持つ異常な肺のRMS値とパワ
ースペクトラムの1次モーメントは正常な肺のそれとは
著しい違いを示す。ROIの自動選択を用いた肺のテク
スチャ分析と中隔線の検知のためのコンピュータ化され
た画像は、近い将来、読影者が臨床分野での胸部画像の
より客感的で正確な解釈を行う際の助けとなるであろ
う。
【0068】本発明の方法とシステムは、肺のテクスチ
ャ分析のために限られるものと解釈されるものではな
く、ここで公開されたコンピュータ化された画像は磁気
共鳴画像技術(MRI)、CTスキャン、超音波画像、
骨格レントゲン写真、***造影などの他の医療分野を含
む正常パターンと異常パターンの分析にも使用されるも
のである。
ャ分析のために限られるものと解釈されるものではな
く、ここで公開されたコンピュータ化された画像は磁気
共鳴画像技術(MRI)、CTスキャン、超音波画像、
骨格レントゲン写真、***造影などの他の医療分野を含
む正常パターンと異常パターンの分析にも使用されるも
のである。
【0069】本発明は上述した思想の範囲で数多くの修
飾や変更が可能であることは明かである。従って、ここ
に添付した請求項の範囲内で本発明はここで特に取り上
げて述べたものとは違った形で実施され得るものである
ことは理解されなければならない。
飾や変更が可能であることは明かである。従って、ここ
に添付した請求項の範囲内で本発明はここで特に取り上
げて述べたものとは違った形で実施され得るものである
ことは理解されなければならない。
【0070】
【発明の効果】以上説明したように本発明によれば、間
質性疾患の無い正常な肺を疾患のある異常な肺から区別
する新しい方法とシステムが提供される。
質性疾患の無い正常な肺を疾患のある異常な肺から区別
する新しい方法とシステムが提供される。
【0071】また、本発明によれば、肺の大きな周辺領
域をカバーする数多くのROIを自動的に選択し、各R
OIのテクスチャ指標M、Rを決定するために各ROI
にコンピュータ化されたテクスチャ分析を行うための方
法とシステムが提供される。
域をカバーする数多くのROIを自動的に選択し、各R
OIのテクスチャ指標M、Rを決定するために各ROI
にコンピュータ化されたテクスチャ分析を行うための方
法とシステムが提供される。
【0072】さらに、本発明によれば、肋骨やその他の
内部構造の上に位置しているROIに対するROIテク
スチャ測定の結果と肺以外からのアーチファクトを取り
除くこともできる。
内部構造の上に位置しているROIに対するROIテク
スチャ測定の結果と肺以外からのアーチファクトを取り
除くこともできる。
【0073】本発明は、所定の閾値より大きなエッジ勾
配標準偏差を示すROI、または初期に設定された全て
のROIについて計算して求めた標準偏差のうちの上部
の所定の割合(パーセント)に入るROIを発見するた
めに各ROIに施されるエッジ勾配分析技術を提供でき
る。
配標準偏差を示すROI、または初期に設定された全て
のROIについて計算して求めた標準偏差のうちの上部
の所定の割合(パーセント)に入るROIを発見するた
めに各ROIに施されるエッジ勾配分析技術を提供でき
る。
【0074】また、本発明は、数多くの自動的に選択さ
れた隣接する矩形のROIへエッジ勾配分析技術を用い
ることによって、ディジタル化された胸部レントゲン写
真で中隔線を発見する自動化された方法を提供すること
ができる。
れた隣接する矩形のROIへエッジ勾配分析技術を用い
ることによって、ディジタル化された胸部レントゲン写
真で中隔線を発見する自動化された方法を提供すること
ができる。
【図1】数多くのROIを選択し、シャープなエッジを
持つROIをその他のROIのテクスチャ測定を行う前
に取り除くための自動化された選択方法の全体像を示す
フローチャート。
持つROIをその他のROIのテクスチャ測定を行う前
に取り除くための自動化された選択方法の全体像を示す
フローチャート。
【図2】自動的に数多くのROIを選択し、シャープな
エッジを持つROIをその他のROIのテクスチャ測定
を行う前に取り除くための方法を実施するために用いら
れるシステムの一部のブロック図。
エッジを持つROIをその他のROIのテクスチャ測定
を行う前に取り除くための方法を実施するために用いら
れるシステムの一部のブロック図。
【図3】自動的に数多くのROIを選択し、シャープな
エッジを持つROIをその他のROIのテクスチャ測定
を行う前に取り除くための方法を実施するために用いら
れるシステムの残りの一部のブロック図。
エッジを持つROIをその他のROIのテクスチャ測定
を行う前に取り除くための方法を実施するために用いら
れるシステムの残りの一部のブロック図。
【図4】異なった領域に対するRMSの変動とパワース
ペクトラム1次モーメントの平均的な値を実験的に求め
るために、正常な胸部レントゲン写真画像の胸郭、肋骨
上部、肋間部分に手動で付されたROI(小さな白い矩
形)を示す図。
ペクトラム1次モーメントの平均的な値を実験的に求め
るために、正常な胸部レントゲン写真画像の胸郭、肋骨
上部、肋間部分に手動で付されたROI(小さな白い矩
形)を示す図。
【図5】ROIの場所が、肺テクスチャを定量するとき
に用いられるRMSの変動とパワースペクトラムの1次
モーメントに及ぼす影響を示した図。
に用いられるRMSの変動とパワースペクトラムの1次
モーメントに及ぼす影響を示した図。
【図6】ROIの場所が、重み付けエッジ勾配角度ヒス
トグラムに及ぼす影響を、胸郭と肋骨上部と肋間の3つ
の領域について示した図。
トグラムに及ぼす影響を、胸郭と肋骨上部と肋間の3つ
の領域について示した図。
【図7】エッジ勾配分析の結果を図4に示した重み付け
エッジ勾配角度ヒストグラムの平均と標準偏差で示した
図。
エッジ勾配角度ヒストグラムの平均と標準偏差で示した
図。
【図8】異常な場合の肺の周辺領域を白い等高線で示す
図であり、最初に選択されたROIが小さな白い矩形で
印をつけられている。
図であり、最初に選択されたROIが小さな白い矩形で
印をつけられている。
【図9】正常な場合の肺の周辺領域を白い等高線で示す
図であり、最初に選択されたROIが小さな白い矩形で
印をつけられている。
図であり、最初に選択されたROIが小さな白い矩形で
印をつけられている。
【図10】白い点で印をつけられたシャープなエッジを
持つROIを取り除くことによって自動的にROIが選
択された胸部レントゲン写真を示す図。
持つROIを取り除くことによって自動的にROIが選
択された胸部レントゲン写真を示す図。
【図11】白い点で印をつけられたシャープなエッジを
持つROIを取り除くことによって自動的にROIが選
択された胸部レントゲン写真を示す図。
持つROIを取り除くことによって自動的にROIが選
択された胸部レントゲン写真を示す図。
【図12】異常な肺と正常な肺の両方の場合についてシ
ャープなエッジを持つROIを取り除いた効果を示す図
であり、また、シャープなエッジを持つ全てのROIが
取り除かれた理想的な場合についても示す。
ャープなエッジを持つROIを取り除いた効果を示す図
であり、また、シャープなエッジを持つ全てのROIが
取り除かれた理想的な場合についても示す。
【図13】残ったROIについてのパワースペクトラム
の1次モーメントの変動を取り除かれたROIの割合に
対して示す図。
の1次モーメントの変動を取り除かれたROIの割合に
対して示す図。
【図14】残ったROIについてのRMSの変動を取り
除かれたROIの割合に対して示す図。
除かれたROIの割合に対して示す図。
【図15】最初に選択されたROIに対する重み付けエ
ッジ勾配角度ヒストグラムの平均と標準偏差でエッジ勾
配分析の結果を示す図。
ッジ勾配角度ヒストグラムの平均と標準偏差でエッジ勾
配分析の結果を示す図。
【図16】肺周辺領域から予備選択されたROIのテク
スチャ指標を示す図。
スチャ指標を示す図。
【図17】シャープなエッジを持つ予備選択されたRO
Iの30%を取り除いた後に自動的に選択されたROI
のテクスチャ指標を示す図。
Iの30%を取り除いた後に自動的に選択されたROI
のテクスチャ指標を示す図。
【図18】異常な胸部像と正常な胸部像の両方について
自動的に選択されたROIのテクスチャ指標を示す図。
自動的に選択されたROIのテクスチャ指標を示す図。
【図19】ディジタル化された胸部レントゲン写真から
中隔線を自動的に見つけ出し、また正常なROIと中隔
線を持つ異常なROIを自動的に分類するときのフロー
チャートの前半部を示す図。
中隔線を自動的に見つけ出し、また正常なROIと中隔
線を持つ異常なROIを自動的に分類するときのフロー
チャートの前半部を示す図。
【図20】ディジタル化された胸部レントゲン写真から
中隔線を自動的に見つけ出し、また正常なROIと中隔
線を持つ異常なROIを自動的に分類するときのフロー
チャートの後半部を示す図。
中隔線を自動的に見つけ出し、また正常なROIと中隔
線を持つ異常なROIを自動的に分類するときのフロー
チャートの後半部を示す図。
【図21】ディジタル化された胸部レントゲン写真から
自動的に中隔線を見つけ出す方法を実施するために使用
される全体のシステムの一部分を示すブロック図。
自動的に中隔線を見つけ出す方法を実施するために使用
される全体のシステムの一部分を示すブロック図。
【図22】ディジタル化された胸部レントゲン写真から
自動的に中隔線を見つけ出す方法を実施するために使用
される全体のシステムの残りの部分を示すブロック図。
自動的に中隔線を見つけ出す方法を実施するために使用
される全体のシステムの残りの部分を示すブロック図。
【図23】中隔線の存在が調べられる肺の下側部分の外
側の境界を選択する方法を示す図。
側の境界を選択する方法を示す図。
【図24】中隔線を持たない正常なROIについて得ら
れたパターンを示す勾配角度ヒストグラムを示す図。
れたパターンを示す勾配角度ヒストグラムを示す図。
【図25】中隔線を持つ異常なROIについて得られた
パターンを示す勾配角度ヒストグラムを示す図。
パターンを示す勾配角度ヒストグラムを示す図。
【図26】100例の中隔線を持たない正常なROIと
63例の中隔線を持つ異常なROIからなる胸部画像デ
ータベースから得られた90゜と270゜でのエッジ勾
配の分布を示す図。
63例の中隔線を持つ異常なROIからなる胸部画像デ
ータベースから得られた90゜と270゜でのエッジ勾
配の分布を示す図。
【図27】正常なROIと異常なROIを分類するため
の、正常な18例と全部で121の中隔線を持っている
異常な18例の胸部画像から得られた3つのROC曲線
を比較する図。
の、正常な18例と全部で121の中隔線を持っている
異常な18例の胸部画像から得られた3つのROC曲線
を比較する図。
【図28】正常な肺と異常な肺の分類に画像処理が影響
するかどうかを調べるため、様々な画像処理を胸部画像
に対して行ったときのROC曲線を比較する図。
するかどうかを調べるため、様々な画像処理を胸部画像
に対して行ったときのROC曲線を比較する図。
101…ディジタル画像入力装置、102…画像メモ
リ、103…胸郭検出器、104…横隔膜エッジ検出
器、105…肺周辺領域選択器、106…格子パターン
発生器、107…ROI選択器、108…2次元表面パ
ターン発生器、109…背景補正器、110…エッジ勾
配計算器、111…異常ROI除去器、112…データ
ベースメモリ、113…テクスチャ指標計算器、114
…表示部、115…シンボル発生器、116…孤立異常
ROI分析器。
リ、103…胸郭検出器、104…横隔膜エッジ検出
器、105…肺周辺領域選択器、106…格子パターン
発生器、107…ROI選択器、108…2次元表面パ
ターン発生器、109…背景補正器、110…エッジ勾
配計算器、111…異常ROI除去器、112…データ
ベースメモリ、113…テクスチャ指標計算器、114
…表示部、115…シンボル発生器、116…孤立異常
ROI分析器。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 桂川 茂彦 アメリカ合衆国、イリノイ州 60615、シ カゴ、エス・ハイド・パーク 5242
Claims (42)
- 【請求項1】 分析対象のディジタル化された胸部レン
トゲン写真の肺周辺領域を特定するステップと、 前記肺周辺領域に含まれる多数の隣接した関心領域のサ
ンプルを予備選択するステップと、 補正された画像が得られるように前記予備選択された各
関心領域での背景の不均一さの補正を行うステップと、 シャープなエッジを持たない関心領域からシャープなエ
ッジを持つ関心領域を区別するために前記予備選択され
たサンプルの関心領域の各々についてエッジ勾配分析を
行うステップと、 前記予備選択されたサンプルから前記シャープなエッジ
を持つ関心領域の領域を取り除くステップと、 前記予備選択されたサンプルで前記残された関心領域に
テクスチャ測定を行うステップを具備するディジタル胸
部レントゲン写真における関心領域の選択と中隔線の検
出を行なう自動化方法。 - 【請求項2】 前記多数の隣接した関心領域のサンプル
を予備選択するステップは肺周辺領域のほぼ全体をカバ
ーする隣接する矩形の関心領域の格子を作るように肺周
辺領域内に位置するように選択され、隣接する一組の肋
骨の間に十分入るほど小さいマトリクスサイズの多数の
関心領域を選択するステップを具備することを特徴とす
る請求項1に記載の自動化方法。 - 【請求項3】 前記多数の隣接した関心領域のサンプル
を予備選択するステップは肺周辺領域のほぼ全体をカバ
ーする隣接する矩形の関心領域の格子を作るようにおよ
そ400個から600個の関心領域を初期選択するステ
ップを具備することを特徴とする請求項1に記載の自動
化方法。 - 【請求項4】 前記肺周辺領域を特定するステップは肺
周辺領域の上側の境界を肺尖から肺の高さの約20%に
等しい距離だけ下側に選択するステップと、 前記肺周辺領域の下側の境界を横隔膜の上に選択するス
テップと、 前記胸部レントゲン写真の中心線の位置から胸郭のエッ
ジにいたる距離のおよそ96%を前記肺周辺領域の外側
境界に選択するステップと、 下側の境界で前記胸部レントゲン写真の中心線から胸郭
にいたる距離の50%から80%に直線的に変化する部
分を内側境界に選択するステップを具備することを特徴
とする請求項1に記載の自動化方法。 - 【請求項5】 前記エッジ勾配分析ステップは前記予備
選択されたサンプルの関心領域の各々で階段状のエッ
ジ、または線状のエッジを検知するために重み付けエッ
ジ勾配角度ヒストグラムを用いたエッジ勾配検出を行な
うステップを具備することを特徴とする請求項1に記載
の自動化方法。 - 【請求項6】 除去されるべきシャープなエッジを持っ
た関心領域を決定する際の指標として使用される前記重
み付けエッジ勾配角度ヒストグラムの標準偏差を計算す
るステップを具備することを特徴とする請求項5に記載
の自動化方法。 - 【請求項7】 前記除去ステップは前記予備選択された
サンプルから各関心領域のエッジ勾配のために計算され
た標準偏差の所定の上部の割合にある標準偏差を持つ高
いエッジ勾配を示す関心領域を除去するステップを具備
することを特徴とする請求項6に記載の自動化方法。 - 【請求項8】 前記除去ステップは所定の閾値より高い
エッジ勾配の標準偏差を持つ前記シャープなエッジを持
つ関心領域を除去するステップを具備することを特徴と
する請求項6に記載の自動化方法。 - 【請求項9】 前記テクスチャ測定ステップは関心領域
のテクスチャの大きさを示す自乗平均値の変動Rとテク
スチャの粗さまたは細かさを示すパワースペクトルの1
次モーメントMを決定するステップを具備することを特
徴とする請求項1に記載の自動化方法。 - 【請求項10】 所定のテクスチャ指標と既知の場所に
ある関心領域についての情報を提供するための肋骨のエ
ッジを含む領域と肋骨上部と肋間領域の3つの領域から
の関心領域のエッジ勾配分析を得るために、正常な疾患
の無い胸部レントゲン写真から前記3つの領域の個々の
関心領域を手作業で選択するステップを具備することを
特徴とする請求項1に記載の自動化方法。 - 【請求項11】 前記関心領域の肺テクスチャのタイプ
や程度を示す様々な大きさや形状のマークを用いて胸部
画像に重ねて前記テクスチャ指標を表示するステップを
具備することを特徴とする請求項1に記載の自動化方
法。 - 【請求項12】 分析対象のディジタル化された胸部レ
ントゲン写真の肺周辺領域を特定する手段と、 前記肺周辺領域に含まれる多数の隣接した関心領域のサ
ンプルを予備選択する手段と、 補正された画像が得られるように前記予備選択された各
関心領域での背景の不均一さの補正を行う手段と、 シャープなエッジを持たない関心領域からシャープなエ
ッジを持つ関心領域を区別するために前記予備選択され
たサンプルの関心領域の各々についてエッジ勾配分析を
行う手段と、 前記予備選択されたサンプルから前記シャープなエッジ
を持つ関心領域の領域を取り除く手段と、 前記予備選択されたサンプルで前記残された関心領域に
テクスチャ測定を行う手段を具備するディジタル胸部レ
ントゲン写真における異常を自動的に検出するシステ
ム。 - 【請求項13】 前記多数の隣接した関心領域のサンプ
ルを予備選択する手段は肺周辺領域のほぼ全体をカバー
する隣接する矩形の関心領域の格子を作るように肺周辺
領域内に位置するように選択され、隣接する一組の肋骨
の間に十分入るほど小さいマトリクスサイズの多数の関
心領域を選択する手段を具備することを特徴とする請求
項12に記載の自動検出システム。 - 【請求項14】 前記多数の隣接した関心領域のサンプ
ルを予備選択する手段は肺周辺領域のほぼ全体をカバー
する隣接する矩形の関心領域の格子を作るようにおよそ
400個から600個の関心領域を初期選択する手段を
具備することを特徴とする請求項12に記載の自動検出
システム。 - 【請求項15】 前記肺周辺領域を特定する手段は肺周
辺領域の上側の境界を肺尖から肺の高さの約20%に等
しい距離だけ下側に選択する手段と、 前記肺周辺領域の下側の境界を横隔膜の上に選択する手
段と、 前記胸部レントゲン写真の中心線の位置から胸郭のエッ
ジにいたる距離のおよそ96%を前記肺周辺領域の外側
境界に選択する手段と、 下側の境界で前記胸部レントゲン写真の中心線から胸郭
にいたる距離の50%から80%に直線的に変化する部
分を内側境界に選択する手段を具備することを特徴とす
る請求項12に記載の自動検出システム。 - 【請求項16】 前記エッジ勾配分析手段は前記予備選
択されたサンプルの関心領域の各々で階段状のエッジま
たは線状のエッジを検知するために重み付けエッジ勾配
角度ヒストグラムを用いたエッジ勾配検出を行なう手段
をさらに具備することを特徴とする請求項12に記載の
自動検出システム。 - 【請求項17】 除去されるべきシャープなエッジを持
った関心領域を決定する際の指標として使用される前記
重み付けエッジ勾配角度ヒストグラムの標準偏差を計算
する手段をさらに具備することを特徴とする請求項16
に記載の自動検出システム。 - 【請求項18】 前記除去手段は前記予備選択されたサ
ンプルから各関心領域のエッジ勾配のために計算された
標準偏差の所定の上部の割合にある標準偏差を持つ高い
エッジ勾配を示す関心領域を除去する手段を具備するこ
とを特徴とする請求項17に記載の自動検出システム。 - 【請求項19】 前記除去手段は所定の閾値より高いエ
ッジ勾配の標準偏差を持つ前記シャープなエッジを持つ
関心領域を除去する手段を具備することを特徴とする請
求項17に記載の自動検出システム。 - 【請求項20】 前記テクスチャ測定手段は関心領域の
テクスチャの大きさを示す自乗平均値の変動Rとテクス
チャの粗さまたは細かさを示すパワースペクトルの1次
モーメントMを決定する手段を具備することを特徴とす
る請求項12に記載の自動検出システム。 - 【請求項21】 所定のテクスチャ指標と既知の場所に
ある関心領域についての情報を提供するための肋骨のエ
ッジを含む領域と肋骨上部と肋間領域の3つの領域から
の関心領域のエッジ勾配分析を得るために、正常な疾患
の無い胸部レントゲン写真から前記3つの領域の個々の
関心領域を手作業で選択する手段を具備することを特徴
とする請求項12に記載の自動検出システム。 - 【請求項22】 前記関心領域の肺テクスチャのタイプ
や程度を示す様々な大きさや形状のマークを用いて胸部
画像に重ねて前記テクスチャ指標を表示する手段を具備
することを特徴とする請求項12に記載の自動検出シス
テム。 - 【請求項23】 胸郭に沿った肺の下側領域を特定する
ステップと、 前記肺の下側領域にある多数の隣接した関心領域を予備
選択するステップと、 矩形のマスクを用いたアンシャープマスキング技術を用
いてコントラスト強調を行うステップと、 個々の関心領域から背景の不均一さを取り除くステップ
と、 前記個々の関心領域にエッジ勾配分析を行うステップ
と、 エッジ勾配角度ヒストグラムでの累積エッジ勾配に基づ
き個々の関心領域内の中隔線の存在を検知するステップ
と、 前記個々の関心領域を正常なものと中隔線を持つ異常な
ものに分類するステップを具備するディジタル化された
胸部レントゲン写真における中隔線を自動的に検出する
方法。 - 【請求項24】 前記異常な関心領域をCRTモニタ画
面上に表示するステップをさらに具備することを特徴と
する請求項23に記載の自動検出方法。 - 【請求項25】 前記エッジ勾配分析を行うステップは
ゾベル演算子を用いて求められた90度と270度にお
ける累積エッジ勾配を決定するステップを具備すること
を特徴とする請求項23に記載の自動検出方法。 - 【請求項26】 前記肺の下側の領域を特定するステッ
プは胸郭と横隔膜の境界を決定するステップを具備する
ことを特徴とする請求項23に記載の自動検出方法。 - 【請求項27】 前記胸郭エッジの境界が画素値の水平
方向の2次導関数の最小値から決定されることを特徴と
する請求項26に記載の自動検出方法。 - 【請求項28】 前記横隔膜の境界が多項式関数を用い
たカーブフィッティング技術によってスムージングされ
た画素値の垂直方向の1次の導関数の最大値から決定さ
れることを特徴とする請求項26に記載の自動検出方
法。 - 【請求項29】 前記関心領域のサンプルは肺の下側領
域のほとんど全体をカバーする隣接する矩形の関心領域
の格子を形成するように前記肺の下側領域で連続的に決
定される31画素×9画素を具備する複数の矩形の関心
領域を含んでいることを特徴とする請求項23に記載の
自動検出方法。 - 【請求項30】 前記線形弁別関数が正常と異常な関心
領域を含んでいる既知のサンプルのデータベースの多変
数解析によって決定されることを特徴とする請求項23
に記載の自動検出方法。 - 【請求項31】 前記背景の不均一を除去するステップ
は4次多項式関数を用いた表面フィッティング技術を用
いるステップを具備することを特徴とする請求項23に
記載の自動検出方法。 - 【請求項32】 異常な関心領域中に中隔線を正しく検
出する率である異常例の正診率と正常な関心領域中に中
隔線を誤って検出する率である正常例の誤診率との間の
関係を閾値に対する関数として示すROC曲線をプロッ
トするステップをさらに具備することを特徴とする請求
項23に記載の自動検出方法。 - 【請求項33】 胸郭に沿った肺の下側領域を特定する
手段と、 前記肺の下側領域にある多数の隣接した関心領域を予備
選択する手段と、 矩形のマスクを用いたアンシャープマスキング技術を用
いてコントラスト強調を行う手段と、 個々の関心領域から背景の不均一さを取り除く手段と、 前記個々の関心領域にエッジ勾配分析を行う手段と、 エッジ勾配角度ヒストグラムでの累積エッジ勾配に基づ
き個々の関心領域内の中隔線の存在を検知する手段と、 前記個々の関心領域を正常なものと中隔線を持つ異常な
ものに分類する手段を具備するディジタル胸部レントゲ
ン写真における中隔線を自動的に検出するシステム。 - 【請求項34】 前記異常な関心領域をCRTモニタ画
面上に表示する手段をさらに具備することを特徴とする
請求項33に記載の自動検出システム。 - 【請求項35】 前記エッジ勾配分析を行う手段はゾベ
ル演算子を用いて求められた90度と270度における
累積エッジ勾配を決定する手段を具備することを特徴と
する請求項33に記載の自動検出システム。 - 【請求項36】 前記肺の下側の領域を特定する手段は
胸郭と横隔膜の境界を決定する手段を具備することを特
徴とする請求項33に記載の自動検出システム。 - 【請求項37】 前記胸郭エッジの境界の位置を画素値
の水平方向の2次導関数の最小値から決定する手段をさ
らに具備することを特徴とする請求項36に記載の自動
検出システム。 - 【請求項38】 前記横隔膜の境界が多項式関数を用い
たカーブフィッティング技術によってスムージングされ
た画素値の垂直方向の1次の導関数の最大値から決定さ
れることを特徴とする請求項36に記載の自動検出シス
テム。 - 【請求項39】 前記関心領域のサンプルは肺の下側領
域のほとんど全体をカバーする隣接する矩形の関心領域
の格子を形成するように前記肺の下側領域で連続的に決
定される31画素×9画素からなる複数の矩形の関心領
域を含んでいることを特徴とする請求項33に記載の自
動検出システム。 - 【請求項40】 前記線形弁別関数が正常と異常な関心
領域を含んでいる既知のサンプルのデータベースの多変
数解析によって決定されることを特徴とする請求項33
に記載の自動検出システム。 - 【請求項41】 前記背景の不均一を除去する手段は4
次多項式関数を用いた表面フィッティング技術を用いる
手段を具備することを特徴とする請求項33に記載の自
動検出システム。 - 【請求項42】 異常な関心領域中に中隔線を正しく検
出する率である異常例の正診率と正常な関心領域中に中
隔線を誤って検出する率である正常例の誤診率との間の
関係を閾値に対する関数として示すROC曲線をプロッ
トする手段をさらに具備することを特徴とする請求項3
3に記載の自動検出システム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US843721 | 1992-02-28 | ||
US07/843,721 US5343390A (en) | 1992-02-28 | 1992-02-28 | Method and system for automated selection of regions of interest and detection of septal lines in digital chest radiographs |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH06237925A true JPH06237925A (ja) | 1994-08-30 |
JP3400008B2 JP3400008B2 (ja) | 2003-04-28 |
Family
ID=25290835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP06476393A Expired - Fee Related JP3400008B2 (ja) | 1992-02-28 | 1993-03-01 | ディジタル胸部レントゲン写真において関心領域の選択と中隔線の検出を行なう自動化方法およびそのシステム |
Country Status (2)
Country | Link |
---|---|
US (1) | US5343390A (ja) |
JP (1) | JP3400008B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015144929A (ja) * | 2015-05-19 | 2015-08-13 | キヤノン株式会社 | 画像処理方法および装置 |
Families Citing this family (131)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5633948A (en) * | 1992-11-30 | 1997-05-27 | Kegelmeyer, Jr.; W. Philip | Method and apparatus for detecting a desired behavior in digital image data |
US5513273A (en) * | 1993-03-18 | 1996-04-30 | Fuji Photo Film Co., Ltd. | Method for obtaining information about interstitial patterns of the lungs |
JP3353955B2 (ja) * | 1993-08-13 | 2002-12-09 | フクダ電子株式会社 | 関心領域の形状変更方法 |
CA2132138C (en) * | 1993-09-29 | 2004-01-06 | Shih-Ping Wang | Computer-aided diagnosis system and method |
US5729620A (en) * | 1993-09-29 | 1998-03-17 | Wang; Shih-Ping | Computer-aided diagnosis system and method |
US5931780A (en) * | 1993-11-29 | 1999-08-03 | Arch Development Corporation | Method and system for the computerized radiographic analysis of bone |
US5638458A (en) * | 1993-11-30 | 1997-06-10 | Arch Development Corporation | Automated method and system for the detection of gross abnormalities and asymmetries in chest images |
EP0687373A1 (en) * | 1993-12-30 | 1995-12-20 | Koninklijke Philips Electronics N.V. | Automatic segmentation and skinline detection in digital mammograms |
JP3974946B2 (ja) * | 1994-04-08 | 2007-09-12 | オリンパス株式会社 | 画像分類装置 |
JPH07299053A (ja) * | 1994-04-29 | 1995-11-14 | Arch Dev Corp | コンピュータ診断支援方法 |
US5588071A (en) * | 1994-10-26 | 1996-12-24 | Minnesota Mining And Manufacturing Company | Identifying an area of interest using histogram data arranged in predetermined sequence |
US5627907A (en) * | 1994-12-01 | 1997-05-06 | University Of Pittsburgh | Computerized detection of masses and microcalcifications in digital mammograms |
US5790690A (en) * | 1995-04-25 | 1998-08-04 | Arch Development Corporation | Computer-aided method for automated image feature analysis and diagnosis of medical images |
JP3380660B2 (ja) * | 1995-10-25 | 2003-02-24 | 大日本スクリーン製造株式会社 | 画像処理装置 |
US5872859A (en) | 1995-11-02 | 1999-02-16 | University Of Pittsburgh | Training/optimization of computer aided detection schemes based on measures of overall image quality |
US6141437A (en) * | 1995-11-22 | 2000-10-31 | Arch Development Corporation | CAD method, computer and storage medium for automated detection of lung nodules in digital chest images |
US5633511A (en) * | 1995-12-22 | 1997-05-27 | Eastman Kodak Company | Automatic tone scale adjustment using image activity measures |
US6067372A (en) * | 1996-02-22 | 2000-05-23 | University Of Pittsburgh | Method and system to enhance robust identification of abnormal regions in radiographs |
WO1997042602A1 (en) * | 1996-05-06 | 1997-11-13 | Torsana A/S | A method of estimating skeletal status |
US5815591A (en) * | 1996-07-10 | 1998-09-29 | R2 Technology, Inc. | Method and apparatus for fast detection of spiculated lesions in digital mammograms |
US6263092B1 (en) * | 1996-07-10 | 2001-07-17 | R2 Technology, Inc. | Method and apparatus for fast detection of spiculated lesions in digital mammograms |
US5917929A (en) * | 1996-07-23 | 1999-06-29 | R2 Technology, Inc. | User interface for computer aided diagnosis system |
IL119283A0 (en) * | 1996-09-19 | 1996-12-05 | Elscint Ltd | Adaptive filtering |
US5982916A (en) * | 1996-09-30 | 1999-11-09 | Siemens Corporate Research, Inc. | Method and apparatus for automatically locating a region of interest in a radiograph |
US5987345A (en) * | 1996-11-29 | 1999-11-16 | Arch Development Corporation | Method and system for displaying medical images |
US5757880A (en) * | 1997-01-08 | 1998-05-26 | Colomb; Denis | Apparatus, article of manufacture, and method for creation of an uncompressed image of compressed matter |
US5963676A (en) * | 1997-02-07 | 1999-10-05 | Siemens Corporate Research, Inc. | Multiscale adaptive system for enhancement of an image in X-ray angiography |
US6059724A (en) * | 1997-02-14 | 2000-05-09 | Biosignal, Inc. | System for predicting future health |
US6246782B1 (en) | 1997-06-06 | 2001-06-12 | Lockheed Martin Corporation | System for automated detection of cancerous masses in mammograms |
US5994713A (en) * | 1997-06-25 | 1999-11-30 | Quantum Imaging Corp. | Filmless photon imaging apparatus |
US6058322A (en) * | 1997-07-25 | 2000-05-02 | Arch Development Corporation | Methods for improving the accuracy in differential diagnosis on radiologic examinations |
US6137898A (en) * | 1997-08-28 | 2000-10-24 | Qualia Computing, Inc. | Gabor filtering for improved microcalcification detection in digital mammograms |
US5999639A (en) | 1997-09-04 | 1999-12-07 | Qualia Computing, Inc. | Method and system for automated detection of clustered microcalcifications from digital mammograms |
US6901158B2 (en) * | 1997-09-22 | 2005-05-31 | Canon Kabushiki Kaisha | Image discrimination apparatus and image discrimination method |
US6975764B1 (en) | 1997-11-26 | 2005-12-13 | Cognex Technology And Investment Corporation | Fast high-accuracy multi-dimensional pattern inspection |
US6658145B1 (en) | 1997-12-31 | 2003-12-02 | Cognex Corporation | Fast high-accuracy multi-dimensional pattern inspection |
US6856698B1 (en) | 1997-11-26 | 2005-02-15 | Cognex Corporation | Fast high-accuracy multi-dimensional pattern localization |
US6850646B1 (en) | 1997-12-31 | 2005-02-01 | Cognex Corporation | Fast high-accuracy multi-dimensional pattern inspection |
US6088473A (en) * | 1998-02-23 | 2000-07-11 | Arch Development Corporation | Method and computer readable medium for automated analysis of chest radiograph images using histograms of edge gradients for false positive reduction in lung nodule detection |
DE19909581A1 (de) * | 1998-03-04 | 1999-09-09 | Fuji Photo Film Co Ltd | Bildverarbeitungsvorrichtung |
US6996549B2 (en) | 1998-05-01 | 2006-02-07 | Health Discovery Corporation | Computer-aided image analysis |
US7016539B1 (en) | 1998-07-13 | 2006-03-21 | Cognex Corporation | Method for fast, robust, multi-dimensional pattern recognition |
DE19849764B4 (de) * | 1998-10-28 | 2004-10-21 | Siemens Ag | Bildgebende Diagnostikeinrichtung |
US6538649B2 (en) | 1998-12-01 | 2003-03-25 | Intel Corporation | Computer vision control variable transformation |
US6396476B1 (en) | 1998-12-01 | 2002-05-28 | Intel Corporation | Synthesizing computer input events |
US6697497B1 (en) * | 1998-12-22 | 2004-02-24 | Novell, Inc. | Boundary identification and characterization through density differencing |
US6363160B1 (en) * | 1999-01-22 | 2002-03-26 | Intel Corporation | Interface using pattern recognition and tracking |
US6110109A (en) * | 1999-03-26 | 2000-08-29 | Biosignia, Inc. | System and method for predicting disease onset |
US6535623B1 (en) * | 1999-04-15 | 2003-03-18 | Allen Robert Tannenbaum | Curvature based system for the segmentation and analysis of cardiac magnetic resonance images |
US6738531B1 (en) * | 1999-05-10 | 2004-05-18 | Fuji Photo Film Co., Ltd. | Image processing method and apparatus |
US6801645B1 (en) | 1999-06-23 | 2004-10-05 | Icad, Inc. | Computer aided detection of masses and clustered microcalcifications with single and multiple input image context classification strategies |
US7123759B1 (en) * | 1999-06-30 | 2006-10-17 | Fuji Photo Film Co., Ltd. | Image transfer and output method and system using the same |
US6647131B1 (en) | 1999-08-27 | 2003-11-11 | Intel Corporation | Motion detection using normal optical flow |
US6654483B1 (en) | 1999-12-22 | 2003-11-25 | Intel Corporation | Motion detection using normal optical flow |
JP3631095B2 (ja) * | 2000-04-17 | 2005-03-23 | キヤノン株式会社 | 照射野領域抽出装置、放射線撮影装置、放射線画像用システム、照射野領域抽出方法、及びコンピュータ可読記憶媒体 |
US7440635B2 (en) * | 2000-05-30 | 2008-10-21 | Sharp Laboratories Of America, Inc. | Method for removing ringing artifacts from locations near dominant edges of an image reconstructed after compression |
US6757442B1 (en) * | 2000-11-22 | 2004-06-29 | Ge Medical Systems Global Technology Company, Llc | Image enhancement method with simultaneous noise reduction, non-uniformity equalization, and contrast enhancement |
JP3433928B2 (ja) * | 2000-12-13 | 2003-08-04 | 三菱スペース・ソフトウエア株式会社 | ディジタル胸部画像のリブケイジ境界検出方法及びディジタル胸部画像診断装置 |
JP3619158B2 (ja) * | 2001-02-13 | 2005-02-09 | キヤノン株式会社 | 画像処理装置、画像処理システム、画像処理方法、画像処理方法プログラム及び記録媒体 |
JP4112368B2 (ja) * | 2001-02-13 | 2008-07-02 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 連続したデータセットの分析 |
US6804384B2 (en) | 2001-06-12 | 2004-10-12 | Mclean Hospital Corporation | Color magnetic resonance imaging |
EP1306805A1 (en) * | 2001-10-25 | 2003-05-02 | Mitsubishi Electric Information Technology Centre Europe B.V. | Image Analysis |
US7054473B1 (en) | 2001-11-21 | 2006-05-30 | R2 Technology, Inc. | Method and apparatus for an improved computer aided diagnosis system |
US7072498B1 (en) | 2001-11-21 | 2006-07-04 | R2 Technology, Inc. | Method and apparatus for expanding the use of existing computer-aided detection code |
AU2002351078A1 (en) * | 2001-12-07 | 2003-06-17 | Koninklijke Philips Electronics N.V. | Medical viewing system and method for spatially enhancing structures in noisy images |
DE10213284B4 (de) * | 2002-03-25 | 2007-11-08 | Siemens Ag | Verfahren zur Bilddarstellung in der medizinischen Bildgebung |
JP3697233B2 (ja) * | 2002-04-03 | 2005-09-21 | キヤノン株式会社 | 放射線画像処理方法及び放射線画像処理装置 |
US20030229278A1 (en) * | 2002-06-06 | 2003-12-11 | Usha Sinha | Method and system for knowledge extraction from image data |
US20050033139A1 (en) * | 2002-07-09 | 2005-02-10 | Deus Technologies, Llc | Adaptive segmentation of anatomic regions in medical images with fuzzy clustering |
US7236619B2 (en) * | 2002-10-31 | 2007-06-26 | University Of Chicago | System and method for computer-aided detection and characterization of diffuse lung disease |
US8571289B2 (en) | 2002-11-27 | 2013-10-29 | Hologic, Inc. | System and method for generating a 2D image from a tomosynthesis data set |
US7174049B2 (en) * | 2002-12-11 | 2007-02-06 | Seiko Epson Corporation | Image upscaling by joint optimization of low and mid-level image variables |
US7502525B2 (en) * | 2003-01-27 | 2009-03-10 | Boston Scientific Scimed, Inc. | System and method for edge detection of an image |
US7796839B2 (en) * | 2003-02-19 | 2010-09-14 | Agfa Healthcare, N.V. | Method of detecting the orientation of an object in an image |
US7190834B2 (en) | 2003-07-22 | 2007-03-13 | Cognex Technology And Investment Corporation | Methods for finding and characterizing a deformed pattern in an image |
US8081820B2 (en) | 2003-07-22 | 2011-12-20 | Cognex Technology And Investment Corporation | Method for partitioning a pattern into optimized sub-patterns |
US7248736B2 (en) * | 2004-04-19 | 2007-07-24 | The Trustees Of Columbia University In The City Of New York | Enhancing images superimposed on uneven or partially obscured background |
JP2005334298A (ja) * | 2004-05-27 | 2005-12-08 | Fuji Photo Film Co Ltd | 異常陰影検出方法および装置並びにプログラム |
GB2415563B (en) * | 2004-06-23 | 2009-11-25 | Medicsight Plc | Lesion boundary detection |
US20060018524A1 (en) * | 2004-07-15 | 2006-01-26 | Uc Tech | Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT |
US8437502B1 (en) | 2004-09-25 | 2013-05-07 | Cognex Technology And Investment Corporation | General pose refinement and tracking tool |
WO2013078476A1 (en) | 2011-11-27 | 2013-05-30 | Hologic, Inc. | System and method for generating a 2d image using mammography and/or tomosynthesis image data |
US10008184B2 (en) | 2005-11-10 | 2018-06-26 | Hologic, Inc. | System and method for generating a 2D image using mammography and/or tomosynthesis image data |
EP1986548B1 (en) | 2006-02-15 | 2013-01-02 | Hologic, Inc. | Breast biopsy and needle localization using tomosynthesis systems |
US7860283B2 (en) | 2006-10-25 | 2010-12-28 | Rcadia Medical Imaging Ltd. | Method and system for the presentation of blood vessel structures and identified pathologies |
US7873194B2 (en) | 2006-10-25 | 2011-01-18 | Rcadia Medical Imaging Ltd. | Method and system for automatic analysis of blood vessel structures and pathologies in support of a triple rule-out procedure |
US7940977B2 (en) | 2006-10-25 | 2011-05-10 | Rcadia Medical Imaging Ltd. | Method and system for automatic analysis of blood vessel structures to identify calcium or soft plaque pathologies |
US7983459B2 (en) | 2006-10-25 | 2011-07-19 | Rcadia Medical Imaging Ltd. | Creating a blood vessel tree from imaging data |
US7940970B2 (en) | 2006-10-25 | 2011-05-10 | Rcadia Medical Imaging, Ltd | Method and system for automatic quality control used in computerized analysis of CT angiography |
US20080107317A1 (en) * | 2006-11-07 | 2008-05-08 | Electronics And Telecommunications Research Institute | Method and apparatus for calculating coarseness level in target organ from ultrasonic image |
US8184874B2 (en) * | 2006-12-22 | 2012-05-22 | Carestream Health, Inc. | Enhanced display of medical images |
US8126267B2 (en) * | 2007-02-05 | 2012-02-28 | Albany Medical College | Methods and apparatuses for analyzing digital images to automatically select regions of interest thereof |
JP5519122B2 (ja) | 2007-08-15 | 2014-06-11 | 富士フイルム株式会社 | 画像成分分離装置、方法、およびプログラム |
US8103085B1 (en) | 2007-09-25 | 2012-01-24 | Cognex Corporation | System and method for detecting flaws in objects using machine vision |
CN101458814B (zh) * | 2007-12-13 | 2012-02-01 | 东软集团股份有限公司 | 一种用于从图像中分割对象感兴趣区域的方法和装置 |
JP5374135B2 (ja) * | 2008-12-16 | 2013-12-25 | オリンパス株式会社 | 画像処理装置、画像処理装置の作動方法および画像処理プログラム |
US20100278423A1 (en) * | 2009-04-30 | 2010-11-04 | Yuji Itoh | Methods and systems for contrast enhancement |
JP5586203B2 (ja) * | 2009-10-08 | 2014-09-10 | 株式会社東芝 | 超音波診断装置、超音波画像処理装置及び超音波画像処理プログラム |
WO2011043838A1 (en) | 2009-10-08 | 2011-04-14 | Hologic, Inc . | Needle breast biopsy system and method of use |
US8687860B2 (en) * | 2009-11-24 | 2014-04-01 | Penrad Technologies, Inc. | Mammography statistical diagnostic profiler and prediction system |
US8799013B2 (en) * | 2009-11-24 | 2014-08-05 | Penrad Technologies, Inc. | Mammography information system |
US8577104B2 (en) * | 2010-06-25 | 2013-11-05 | Carestream Health, Inc. | Liver lesion segmentation |
EP2420972A1 (en) * | 2010-08-19 | 2012-02-22 | BAE SYSTEMS plc | Sensor data processing |
WO2012022958A1 (en) * | 2010-08-19 | 2012-02-23 | Bae Systems Plc | Sensor data processing |
US9075903B2 (en) | 2010-11-26 | 2015-07-07 | Hologic, Inc. | User interface for medical image review workstation |
CA2819257C (en) | 2010-12-14 | 2019-09-24 | Hologic, Inc. | System and method for fusing three dimensional image data from a plurality of different imaging systems for use in diagnostic imaging |
JP6057922B2 (ja) | 2011-03-08 | 2017-01-11 | ホロジック, インコーポレイテッドHologic, Inc. | スクリーニング、診断及び生検のための二重エネルギー及び/又は造影強化***撮像のためのシステム及び方法 |
WO2013076927A1 (ja) * | 2011-11-24 | 2013-05-30 | パナソニック株式会社 | 診断支援装置および診断支援方法 |
WO2013123091A1 (en) | 2012-02-13 | 2013-08-22 | Hologic, Inc. | System and method for navigating a tomosynthesis stack using synthesized image data |
JP6112291B2 (ja) * | 2012-12-11 | 2017-04-12 | パナソニックIpマネジメント株式会社 | 診断支援装置および診断支援方法 |
US9940738B2 (en) | 2013-01-10 | 2018-04-10 | Hologic, Inc. | System and method for reducing data transmission volume in tomosynthesis |
JP6388347B2 (ja) | 2013-03-15 | 2018-09-12 | ホロジック, インコーポレイテッドHologic, Inc. | 腹臥位におけるトモシンセシス誘導生検 |
US9679224B2 (en) | 2013-06-28 | 2017-06-13 | Cognex Corporation | Semi-supervised method for training multiple pattern recognition and registration tool models |
US11364005B2 (en) | 2013-10-24 | 2022-06-21 | Hologic, Inc. | System and method for navigating x-ray guided breast biopsy |
CN106061389B (zh) | 2014-02-28 | 2019-11-12 | 霍罗吉克公司 | 用于生成和显示断层合成图像板块的***和方法 |
KR20160032586A (ko) * | 2014-09-16 | 2016-03-24 | 삼성전자주식회사 | 관심영역 크기 전이 모델 기반의 컴퓨터 보조 진단 장치 및 방법 |
US10956701B2 (en) | 2016-05-27 | 2021-03-23 | Hologic, Inc. | Synchronized surface and internal tumor detection |
EP3600052A1 (en) | 2017-03-30 | 2020-02-05 | Hologic, Inc. | System and method for targeted object enhancement to generate synthetic breast tissue images |
WO2018183549A1 (en) | 2017-03-30 | 2018-10-04 | Hologic, Inc. | System and method for synthesizing low-dimensional image data from high-dimensional image data using an object grid enhancement |
JP7277053B2 (ja) | 2017-03-30 | 2023-05-18 | ホロジック, インコーポレイテッド | 階層式マルチレベル特徴画像合成および提示のためのシステムおよび方法 |
EP3641635A4 (en) | 2017-06-20 | 2021-04-07 | Hologic, Inc. | DYNAMIC SELF-LEARNING MEDICAL IMAGING PROCESS AND SYSTEM |
US11538257B2 (en) | 2017-12-08 | 2022-12-27 | Gatekeeper Inc. | Detection, counting and identification of occupants in vehicles |
US11049606B2 (en) | 2018-04-25 | 2021-06-29 | Sota Precision Optics, Inc. | Dental imaging system utilizing artificial intelligence |
WO2019213532A1 (en) | 2018-05-04 | 2019-11-07 | Hologic, Inc. | Biopsy needle visualization |
US11087119B2 (en) * | 2018-05-16 | 2021-08-10 | Gatekeeper Security, Inc. | Facial detection and recognition for pedestrian traffic |
FR3087309B1 (fr) * | 2018-10-12 | 2021-08-06 | Ateme | Optimisation d'un sous-echantillonnage intervenant avant le codage d'images en compression |
US10867193B1 (en) | 2019-07-10 | 2020-12-15 | Gatekeeper Security, Inc. | Imaging systems for facial detection, license plate reading, vehicle overview and vehicle make, model, and color detection |
US11883206B2 (en) | 2019-07-29 | 2024-01-30 | Hologic, Inc. | Personalized breast imaging system |
CN114746953A (zh) | 2019-09-27 | 2022-07-12 | 豪洛捷公司 | 用于预测审查2d/3d***图像的阅读时间和阅读复杂度的ai*** |
US11196965B2 (en) | 2019-10-25 | 2021-12-07 | Gatekeeper Security, Inc. | Image artifact mitigation in scanners for entry control systems |
US11481038B2 (en) | 2020-03-27 | 2022-10-25 | Hologic, Inc. | Gesture recognition in controlling medical hardware or software |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS58201169A (ja) * | 1982-05-19 | 1983-11-22 | Fuji Photo Film Co Ltd | 画像デ−タ処理装置 |
JPS6239842A (ja) * | 1985-08-15 | 1987-02-20 | Fuji Photo Film Co Ltd | 放射線画像情報読取方法 |
US4907156A (en) * | 1987-06-30 | 1990-03-06 | University Of Chicago | Method and system for enhancement and detection of abnormal anatomic regions in a digital image |
US4839807A (en) * | 1987-08-03 | 1989-06-13 | University Of Chicago | Method and system for automated classification of distinction between normal lungs and abnormal lungs with interstitial disease in digital chest radiographs |
US4851984A (en) * | 1987-08-03 | 1989-07-25 | University Of Chicago | Method and system for localization of inter-rib spaces and automated lung texture analysis in digital chest radiographs |
US4875165A (en) * | 1987-11-27 | 1989-10-17 | University Of Chicago | Method for determination of 3-D structure in biplane angiography |
US4918534A (en) * | 1988-04-22 | 1990-04-17 | The University Of Chicago | Optical image processing method and system to perform unsharp masking on images detected by an I.I./TV system |
US5072384A (en) * | 1988-11-23 | 1991-12-10 | Arch Development Corp. | Method and system for automated computerized analysis of sizes of hearts and lungs in digital chest radiographs |
-
1992
- 1992-02-28 US US07/843,721 patent/US5343390A/en not_active Expired - Lifetime
-
1993
- 1993-03-01 JP JP06476393A patent/JP3400008B2/ja not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015144929A (ja) * | 2015-05-19 | 2015-08-13 | キヤノン株式会社 | 画像処理方法および装置 |
Also Published As
Publication number | Publication date |
---|---|
JP3400008B2 (ja) | 2003-04-28 |
US5343390A (en) | 1994-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3400008B2 (ja) | ディジタル胸部レントゲン写真において関心領域の選択と中隔線の検出を行なう自動化方法およびそのシステム | |
EP0502027B1 (en) | Computer-based method for assisting an investigation of a human breast for a malignancy | |
US4851984A (en) | Method and system for localization of inter-rib spaces and automated lung texture analysis in digital chest radiographs | |
US5668888A (en) | Method and system for automatic detection of ribs and pneumothorax in digital chest radiographs | |
JP3417595B2 (ja) | ディジタル胸部レントゲン写真の肺小結節自動検出における正常例の誤診を分析する方法およびそのシステム | |
US4907156A (en) | Method and system for enhancement and detection of abnormal anatomic regions in a digital image | |
US5657362A (en) | Automated method and system for computerized detection of masses and parenchymal distortions in medical images | |
US7885438B2 (en) | Methods and apparatuses for analyzing images | |
US8605979B2 (en) | Automatic detection and quantification of plaque in the coronary arteries of subjects from CT scans | |
US8050734B2 (en) | Method and system for performing patient specific analysis of disease relevant changes of a disease in an anatomical structure | |
JPH06339476A (ja) | 胸部x線画像における間質性浸潤の幾何学的パターンの特徴を決定するための方法及びシステム | |
US20030086596A1 (en) | Method, computer software, and system for tracking, stabilizing, and reporting motion between vertebrae | |
CN103249358B (zh) | 医用图像处理装置 | |
EP1884193A1 (en) | Abnormal shadow candidate display method, and medical image processing system | |
JPH08335271A (ja) | 画像診断支援装置の画像処理方法 | |
US20080212864A1 (en) | Method and Arrangement Relating to X-Ray Imaging | |
JP2005526583A (ja) | 車輪状投影分析を用いた肺結節検出 | |
US8160330B2 (en) | Texture quantification of medical images based on a complex-valued local spatial frequency distribution of a stockwell transform | |
US7027631B2 (en) | Method and system for detecting suspected anomalous shadows | |
Chen et al. | Automated selection of regions of interest for quantitative analysis of lung textures in digital chest radiographs | |
KR101162599B1 (ko) | 흉부 방사선 이미지 분석을 통한 심비대 자동탐지 방법 및 그 기록매체 | |
Mesanovic et al. | Application of lung segmentation algorithm to disease quantification from CT images | |
JP2006239270A (ja) | 異常陰影検出装置、異常陰影検出方法およびそのプログラム | |
JP2851057B2 (ja) | ディジタルx線画像における自動化分析のための方法および装置 | |
JPH0426854B2 (ja) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
LAPS | Cancellation because of no payment of annual fees |