JPH0896125A

JPH0896125A - 医療用画像表示装置

Info

Publication number: JPH0896125A
Application number: JP25953994A
Authority: JP
Inventors: Shinsuke Inoue; 信介井上; Hiroshi Shimoda; 宏下田; Koji Kawasaki; 浩嗣川▲崎▼
Original assignee: Shimadzu Corp
Current assignee: Shimadzu Corp
Priority date: 1994-09-29
Filing date: 1994-09-29
Publication date: 1996-04-12

Abstract

(57)【要約】【目的】バックグランド部の影響を軽減したウィンド
ウ・ウィドゥスとウィンドウ・レベルを求め、医師の診
断対象部位のコントラスト調整を適正に行う。【構成】画素取り出し部２は画像診断機器１で撮像さ
れた画像から任意に抽出した複数個の画素の各濃度値を
所定のしきい値と比較してしきい値以上または以下の濃
度値を持つ画素を取り出し、濃度ヒストグラム作成部３
は取り出された画素について濃度ヒストグラムを作成す
る。学習部６は多種多様の画像について上述のように作
成された濃度ヒストグラムに基づきニューラルネットワ
ーク４の荷重を学習して決定し、ニューラルネットワー
ク４は学習の結果決定された荷重を用い、撮像された画
像について上述のように作成された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。

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装置や磁気
共鳴断層撮像装置（ＭＲＩ装置）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】従来のこの種の医療用画像表示装置とし
て、例えば、本願出願人が特開平5-61973 号公報におい
て提案したもの等がある。この従来装置は、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、作成された濃度ヒストグラムのデータを荷重和計算
してウィンドウ・ウィドゥス（以下、ＷＷと略す）とウ
ィンドウ・レベル（以下、ＷＬと略す）とを出力するニ
ューラルネットワークと、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ている。

【０００３】ここで、ＷＷとＷＬとを図１７を参照して
説明する。図１７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ディスプレイを用いた場合、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
意に設定するためのパラメータで、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、診断したい部位（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１７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。

【０００５】上述した従来装置では、まず、学習手段
が、多種多様な画像の濃度ヒストグラムに基づき学習し
てニューラルネットワークの荷重を予め決定しておく。
そして、本番処理では、決定された荷重を用い、ニュー
ラルネットワークが、作成された画像の濃度ヒストグラ
ムデータを荷重和計算してＷＷとＷＬとを求めて出力し
ている。これにより、多種多様な画像に対してそれぞれ
適切なＷＷとＷＬとを得るように構成している。

【０００６】

【発明が解決しようとする課題】しかしながら、このよ
うな構成を有する従来例の場合には、次のような問題が
ある。すなわち、従来装置のヒストグラム作成手段は、
多種多様な画像から複数個（例えば、４０９６個）の画
素（以下、サンプリング画素という）を任意に抽出し、
それらサンプリング画素の濃度値について濃度ヒストグ
ラムを作成し、学習手段による荷重の決定や、ニューラ
ルネットワークでのＷＷ、ＷＬの算出を行っている。し
かしながら、従来装置では、撮像条件や撮像部位を違え
て撮像された画像の濃度ヒストグラムを作成するので、
このサンプリング画素には、医師が診断する際に観察す
る部位（例えば、病巣部位）と無関係なバックグランド
部（何も写っていない領域）を構成する画素が含まれる
ことが避けられない。このようなサンプリング画素につ
いて作成された濃度ヒストグラムに基づき、ニューラル
ネットワークの荷重を決定し、その荷重によってニュー
ラルネットワークでＷＷ、ＷＬを求めると、ＷＷ、ＷＬ
にバックグランド部を構成する画素の濃度値が加味され
る。その結果、従来装置による画像のコントラスト調整
では、医師が診断する部位のコントラストが適正に調整
されない。

【０００７】従来装置では、上記サンプリング画素は、
例えば、画像に複数の縦線と横線とを碁盤目状に仮想的
に引いたときの各縦線と各横線との交点に当たる画素を
選択する等、画像の全体からまんべんなく選択するよう
に抽出している。このような抽出方法では、各画像から
抽出するサンプリング画素に含まれるバックグランド部
を構成する画素の割合をある程度低くできる可能性はあ
るが、各画像から抽出するサンプリング画素にバックグ
ランド部を構成する画素がまんべんまく含まれ易くな
る。

【０００８】そこで、例えば、脳の断層画像等では、診
断対象部位を含む組織部が画像の真ん中付近に写し出さ
れるので、サンプリング画素を画像の真ん中付近から抽
出すると、脳などの画像から抽出するサンプリング画素
に含まれるバックグランド部を構成する画素の割合をき
わめて低くできるが、例えば、両膝の画像などでは、逆
に画像の真ん中付近にバックグランド部が写し出される
ので、このような画像から抽出するサンプリング画素に
含まれるバックグランド部を構成する画素の割合は高く
なる。

【０００９】また、従来装置で扱う画像は、撮像条件や
撮像部位を違えた多種多様な画像であるので、これら撮
像条件や撮像部位によって、各画像のどこがバックグラ
ンド部であるかを自動的に認識し、各画像からバックグ
ランド部を構成する画素を外した画素の抽出を自動的に
行うことは困難である。

【００１０】従って、従来装置の構成では、求められる
ＷＷ、ＷＬからバックグランド部の影響を排除するのは
困難であり、医師の診断対象部位のコントラスト調整を
適正に行うことは難しい。

【００１１】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、バックグランド部の影響を軽減した
ウィンドウ・ウィドゥスとウィンドウ・レベルを求め、
医師の診断対象部位のコントラスト調整を適正に行うこ
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
する。

【００１２】

【課題を解決するための手段】この発明は、このような
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
トラスト調整用の２つのパラメータ、すなわち、前記画
像を表示する際の濃度値の幅を任意に設定するためのウ
ィンドウ・ウィドゥスと、前記ウィンドウ・ウィドゥス
の中心値を設定するためのウィンドウ・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、
（ａ）前記画像診断機器で撮像された画像から任意に抽
出した複数個の画素の各濃度値、または、前記画像を区
分した各区分の濃度値を、所定のしきい値と比較して、
前記しきい値以上または以下の濃度値を持つ画素、また
は、区分を取り出す画素／区分取り出し手段と、（ｂ）
前記画素／区分取り出し手段で取り出した画素、また
は、区分について、前記画像の濃度ヒストグラムを作成
する濃度ヒストグラム作成手段と、（ｃ）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、（ｄ）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
基づいて学習し決定する学習手段とを備えたものであ
る。

【００１３】

【作用】この発明の作用は次のとおりである。画素／区
分取り出し手段は、画像診断機器で撮像された画像から
任意に抽出した複数個の画素の各濃度値、または、画像
を区分した各区分の濃度値を、所定のしきい値と比較し
て、しきい値以上または以下の濃度値を持つ画素、また
は、区分を取り出す。この取り出された画素、または、
区分について、濃度ヒストグラム作成手段は、画像の濃
度ヒストグラムを作成する。そして、学習手段は、多種
多様の画像について、上述したように作成された濃度ヒ
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
学習して決定し、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、撮像された画像について、上
述したように作成された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。

【００１４】ここで、しきい値を適切に決めてやること
により、画素／区分取り出し手段では、診断に無関係な
バックグランド部を構成する画素、または、区分を排除
でき、濃度ヒストグラム作成手段では、診断対象部位を
含む組織部を構成する画素、または、区分について濃度
ヒストグラムを作成することができる。

【００１５】

【実施例】以下、図面を参照してこの発明の一実施例を
説明する。図１は、この発明の第１実施例に係る医療用
画像表示装置の概略構成を示すブロック図である。

【００１６】この実施例装置は、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か
ら任意に抽出した複数個の画素の各濃度値を、所定のし
きい値と比較して、しきい値以上または以下の濃度値を
持つ画素を取り出す画素取り出し部２と、画素取り出し
部２で取り出された画素について濃度ヒストグラムを求
める濃度ヒストグラム作成部３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４（以下では、これをニュ
ーラルネットワーク４と称する）と、乱数発生器５と、
ニューラルネットワーク４の荷重を学習により決定する
学習部６と、規格化処理部９と、ニューラルネットワー
ク５からの出力を逆規格化する逆規格化処理部１０と、
ニューラルネットワーク４で求められ、逆規格化処理部
１０で逆規格化された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７と、画像を
表示するＣＲＴディスプレイ８などで構成されている。

【００１７】この発明の要部である、画素／区分取り出
し手段に相当する画素取り出し部２は、まず、画像診断
機器１で撮像された被検体の画像から複数個（例えば、
４０９６個）の画素を任意に抽出する。抽出方法に特に
制限はないが、ここでは、例えば、画像に複数の縦線と
横線とを碁盤目状に仮想的に引いたときの各縦線と各横
線との交点に当たる画素を選択し、画像の全体からまん
べんなく画素を選択するように抽出する。

【００１８】次に、抽出した各画素につき、それぞれの
濃度値を、所定のしきい値と比較して、しきい値以上ま
たは以下の濃度値を持つ画素を取り出す。ここで、通常
の画像では、診断対象になる部位（病巣部位等）を構成
する画素の濃度値は、診断に無関係なバックグランド部
を構成する画素の濃度値よりも大きいので、このバック
グランド部を構成する画素の濃度値を排除し得る下限値
を決め、この下限値をしきい値として、しきい値以上の
濃度値を持つ画素のみを取り出す。

【００１９】この場合、例えば、図２に示すように、抽
出した４０９６個の画素の最大濃度値と最小濃度値を探
し、この最大濃度値ＭＡＸと最小濃度値ＭＩＮとの濃度
幅を１００％とし、それに対して最小濃度値ＭＩＮから
ｎ％（例えば、ｎ＝１０程度）に相当する濃度値ＳＬ
を、しきい値として決める。そして、抽出した４０９６
個の画素のうち、このしきい値（ＳＬ）未満の濃度値を
持つ画素を排除し、それ以外の画素のみを取り出す。な
お、上記ｎは、バックグランド部を構成する画素を有効
に排除することができる値を、例えば、実験的に求めて
おけばよいが、上記したように、ｎ＝１０程度とするこ
とで、バックグランド部を構成する画素はおおよそ排除
することができ、後述するように、ニューラルネットワ
ーク４で求めるＷＷ、ＷＬに対するバックグランド部の
影響を軽減することができる。

【００２０】ところで、撮像条件によっては、診断対象
になる部位を構成する画素の濃度値とバックグランド部
を構成する画素の濃度値との大小が、逆になる場合があ
る。この場合には、このバックグランド部を構成する画
素の濃度値を排除し得る上限値を決め、この上限値をし
きい値として、しきい値以下の濃度値を持つ画素のみを
取り出す。

【００２１】この場合、上述の場合と逆に、抽出した４
０９６個の画素の最大濃度値と最小濃度値との濃度幅を
１００％とし、それに対して最大濃度値ＭＡＸからｍ％
（例えば、ｍ＝１０程度）に相当する濃度値を、しきい
値として決め、抽出した４０９６個の画素のうち、この
しきい値を越える濃度値を持つ画素を排除し、それ以外
の画素のみを取り出す。なお、上記ｍも、バックグラン
ド部を構成する画素を有効に排除することができる値
を、例えば、実験的に求めておけばよい。

【００２２】なお、例えば、Ｘ線ＣＴ装置で得られる画
像では、濃度値に相当するＣＴ値に基づき、バックグラ
ンド部を排除することになるが、この場合、バックグラ
ンド部のＣＴ値は予め判っているので、バックグランド
部のＣＴ値を排除できるＣＴ値を上記しきい値として決
めればよい。

【００２３】次に、濃度ヒストグラム作成手段に相当す
る濃度ヒストグラム作成部３では、画素取り出し部２で
取り出された画素、すなわち、バックグランド部を構成
する画素を含まない、診断対象の部位を含む組織部等を
構成する画素を受け取り、これら画素について、同じ濃
度値を持つ画素をカウントし、例えば図１７に示したよ
うな濃度ヒストグラムを作成する。

【００２４】そして、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、例えば30分割する。これは後
述するニューラルネットワーク４の入力層Ａのニューロ
ンＮＡｎ（図５参照）の個数に対応させるためで、各分
割領域毎にカウント数の平均を計算したものを分割領域
のカウント数とする。

【００２５】次に、濃度ヒストグラム作成部３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４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。

【００２６】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。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。

【００２７】そして、まず、多種多様な画像について上
述のようにして作成された濃度ヒストグラム（濃度値幅
を30分割し、規格化した結果）に基づき、学習部６を用
いて、後述するニューラルネットワーク４のシナプス結
合の重みを決定し、次に、実際の画像について上述のよ
うにして作成された濃度ヒストグラム（濃度値幅を30分
割し、規格化した結果）に基づき、先に学習されたシナ
プス結合の重みをニューラルネットワーク４に設定して
実際の画像のコントスト調整を行う。

【００２８】ニューラルネットワーク４は、図５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４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。

【００２９】次に、学習部６を用いてニューラルネット
ワーク４のシナプス結合Ｃの重みを決定する処理を図
６、図７のフローチャートを参照しながら説明する。こ
れら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。

【００３０】まず、図６のステップＳ１で、図１に示し
た乱数発生器５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８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。

【００３１】乱数発生器５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。

【００３２】図１の濃度ヒストグラム生成部３で規格化
された、ある画像の濃度ヒストグラムの各ヒストグラム
データ（カウント数）を入力層ＡのニューロンＮＡｉ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）。

【００３３】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。

【００３４】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)

【００３５】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）。

【００３６】ニューラルネットワーク４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）はそれぞれＷＷ，ＷＬに
相当するが、いま、伝搬されるときのシナプス結合の重
みＷｉｉ，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ＸＣｉが最適なＷＷ，ＷＬに
相当するものではない。以下の処理では専門家の判断に
よるＷＷ，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。

【００３７】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。これを、規格化処理部９が次式に基づきＸ
１，Ｘ２で規格化する。なぜなら、ニューロン値のとり
得る値は、０〜１であるからである。ＮＷＷ＝ｗｗ／（２（Ｘ２−Ｘ１））ＮＷＬ＝（ｗｌ−Ｘ１）／（Ｘ２−Ｘ１）上記の記号Ｘ１，Ｘ２は図３（ａ）に示した濃度値の最
小値と最大値のことである。ＮＷＷを求める式の右辺で
Ｘ２−Ｘ１に２を掛けている理由はｗｗがＸ２−Ｘ１よ
りも大きい場合にも、ＮＷＷが０〜１の値になるように
するためである。得られたＮＷＷとＮＷＬを出力層Ｃの
ニューロンＮＣｉに入力する。

【００３８】ステップＳ７で、出力層ＣのニューロンＮ
Ｃｉの値ＸＣｉとＮＷＷ，ＮＷＬ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−ＮＷＷ（ＮＷＬ）。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)

【００３９】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９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。

【００４０】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。

【００４１】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)

【００４２】図１０を参照する。入力層Ａのニューロン
ＮＡｉ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
プス結合の重み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ＤＢ
ｉ（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ＮＡｉに入力
されたヒストグラムデータ（カウント数）の値を乗算し
て得られる。

【００４３】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)は今回の重み修正量を示
し、ΔＷｉｉ(n) は前回の重み修正量を示している。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
により変更される。

【００４４】 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）で算出される値によ
り変更される。

【００４５】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修正量が(9),(10)式のΔＷｉｉ(n),
ΔＷｊｉ(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Ｅciの値を監視し、すべての学習画
像について誤差が十分小さくなれば学習が終了する。

【００４６】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４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。

【００４７】実際に、学習されたニューラルネットワー
ク４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。

【００４８】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。まず、表示画像のデー
タを図１に示した濃度ヒストグラム作成部３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４に入力する。

【００４９】ニューラルネットワーク４は、図６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ＮＣ１，２の
値、ＸＣ１，ＸＣ２を求める。このニューロン値ＸＣ
１，ＸＣ２がＮＷＷ，ＮＷＬの値となる。

【００５０】しかし、ここで求められたＮＷＷ，ＮＷＬ
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８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ＮＷＷ，ＮＷＬをそれに対応できるよう
に、逆規格化処理部１０が、次の(11),(12) 式を用いて
変換する。ＷＷ’＝２ＮＷＷ（Ｘ２−Ｘ１）・・・・(11) ＷＬ’＝ＮＷＬ（Ｘ２−Ｘ１）＋Ｘ１・・・・(12)

【００５１】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。得られた値
ＷＷ’，ＷＬ’が実際の画像に対するウィンドウ・ウィ
ドゥスとウィンドウ・レベルである。

【００５２】得られたＷＷ’，ＷＬ’は、図１に示した
コントラスト設定部７に送られる。コントラスト設定部
７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８に出力表示する。

【００５３】なお、この実施例の場合、抽出した４０９
６個の画素からバックグランド部を構成する画素を排除
するので、各画像ごとに、濃度ヒストグラムを作成する
際の画素数が異なることになるが、濃度ヒストグラム作
成部３で濃度ヒストグラムを規格化するので、特に問題
はない。

【００５４】上述のような構成の装置によれば、バック
グランド部を構成する画素を排除した、診断対象部位を
含む組織部を構成する画素のみについて濃度ヒストグラ
ムを作成し、多種多様な画像について上述したように作
成された濃度ヒストグラムに基づき、ニューラルネット
ワーク４の荷重を学習して決定するので、決定された荷
重にはバックグランド部が加味されない。そして、本番
処理では、上記したようにバックグランド部が加味され
ていない荷重を用いて、撮像された画像から上述したよ
うに作成した濃度ヒストグラムに基づき、ウィンドウ・
ウィドゥスとウィンドウ・レベル（ＷＷ’とＷＬ’）と
を出力するので、得られたウィンドウ・ウィドゥスとウ
ィンドウ・レベルは、バックグランド部の影響が軽減さ
たものであり、このウィンドウ・ウィドゥスとウィンド
ウ・レベルでコントラスト調整し、ＣＲＴディスプレイ
８に表示された画像は、診断対象部位のコントラストが
適正に調整されたものとなる。

【００５５】次に、この発明の第２実施例装置の構成を
図１１を参照して説明する。図１１は、第２実施例装置
の概略構成を示すブロック図である。この第２実施例装
置では、上記第１実施例装置の画素取り出し部２に代え
て、区分取り出し部１１を設け、濃度ヒストグラム作成
部３では、後述するように区分取り出し部１１で取り出
された画像の区分について濃度ヒストグラムを作成する
などの処理を行う。

【００５６】この実施例では、区分取り出し部１１がこ
の発明の画素／区分取り出し手段に相当し、この区分取
り出し部１１では、次のような処理を行う。

【００５７】まず、図１２に示すように、診断撮像機器
１で撮像された画像Ｇを、複数個（図では、６４×６４
＝４０９６個）の区分ＰＡに区分する。例えば、画像Ｇ
が、５１２画素×５１２画素で構成されていれば、各区
分ＰＡは６４画素（（５１２÷６４）×（５１２÷６
４））で構成される。

【００５８】次に、各区分ＰＡごとに、区分ＰＡを構成
する画素の濃度値の平均値を求め、この平均値を、各区
分ＰＡの濃度値とする。ここで、各区分ＰＡは、上記第
１実施例装置において抽出された複数個（４０９６個）
の画素に対応し、各区分ＰＡの濃度値（区分ＰＡを構成
する画素の濃度値の平均値）は、上記第１実施例装置に
おいて抽出された複数個（４０９６個）の画素の濃度値
に対応する。

【００５９】そして、これら各区分ＰＡについて、それ
ぞれの濃度値を、所定のしきい値と比較して、そのしき
い値以上または以下の区分ＰＡ取り出す。これにより、
バックグランド部を構成する区分ＰＡを排除する。な
お、上記しきい値は、上記第１実施例と同様の方法で決
めればよい。

【００６０】次に、濃度ヒストグラム作成部３は、上述
のようにして取り出された区分ＰＡについて、１区分Ｐ
Ａを１画素として濃度ヒストグラムを作成し、濃度幅を
例えば３０分割し、規格化して出力する。

【００６１】以後は、上述した第１実施例装置と同様で
あるので、重複する説明は省略する。このように構成し
ても、上記第１実施例と同様に、バックグランド部の影
響が軽減されたＷＷとＷＬが求められ、診断対象部位の
コントラストが適正に調整された画像をＣＲＴディスプ
レイ８に表示することができ、また、この第２実施例に
よれば、それに加えて、以下のような効果を得ることも
できる。すなわち、この第２実施例では、画像を区分し
て、区分ＰＡ単位で画素の濃度値の平均値をとって、区
分ＰＡの濃度値とするので、画像にノイズがあっても、
そのノイズが除去される。従って、この第２実施例で
は、ノイズの影響をも排除した濃度ヒストグラムを作成
することができ、その結果、ノイズの影響が排除された
より適正なＷＷとＷＬを求めることができる。

【００６２】なお、上述した第２実施例では、各区分Ｐ
Ａの濃度値を、区分ＰＡを構成する画素の濃度値の平均
値としたが、例えば、区分ＰＡを構成する画素の濃度値
を大きい順にソートしたときの、中間になる画素の濃度
値を、その区分ＰＡの濃度値としてもよい。

【００６３】次に、この発明の第３実施例について説明
する。この第３実施例装置の基本的な構成は、上記第２
実施例装置（図１１参照）と同様であるが、この第３実
施例の区分取り出し部１１では、各区分ＰＡの濃度値を
それぞれ所定のしきい値と比較した後、次に説明する８
点近傍膨張処理と、４点近傍縮小処理を施した結果残っ
た区分ＰＡを濃度ヒストグラム作成部３に与えるように
構成している。

【００６４】具体的には、まず、図１３に示すように、
各区分ＰＡ（ＰＡ₁〜ＰＡ₄₀₉₆）を画像Ｇ上での配列と
同じにして、第１のメモリＭ１に展開し、各区分ＰＡ₁
〜ＰＡ₄₀₉₆の濃度値をそれぞれ所定のしきい値と比較し
た結果、排除されるべき区分ＰＡとなった区分ＰＡの第
１のメモリ上の濃度値を例えば「０」として記憶し、そ
れ以外の区分ＰＡ（しきい値との比較の結果取り出され
た区分ＰＡ）の第１のメモリ上の濃度値をそのままにし
て記憶する。

【００６５】次に、第１のメモリから、１区分ＰＡ_iを
順次注目区分とし、注目区分ＰＡ_iとその周りの８区分
ＰＡ_i-65、ＰＡ_i-64、ＰＡ_i-63、ＰＡ_i-1、ＰＡ_i+1、
ＰＡ_i+63、ＰＡ_i+64、ＰＡ_i+65とを取り出し、周りの８
区分の内、１区分でも濃度値が「０」以外の区分が存在
すれば、その注目区分ＰＡ_iの濃度値を、しきい値と比
較する前の、その注目区分ＰＡ_iを構成する核が祖の濃
度値の平均値に置き換えて、「０」以外の区分が存在し
なければ、その注目画素ＰＡ_iの濃度値をそのまま、第
１のメモリＭ１の注目画素ＰＡ_iと同じ第２のメモリＭ
２上の場所に記憶する。この処理を、ｉを１〜４０９６
について行う。これにより、第２のメモリＭ２には、８
点近傍膨張処理後の区分ＰＡが、画像Ｇ上での配列と同
じにして記憶される。なお、図１４（ａ）に示すよう
に、画像Ｇのコーナーの区分を注目区分ＰＡ_iとしたと
きは、その近傍の斜線で示す３区分について上述と同様
の処理をし、図１４（ｂ）に示すように、画像Ｇの辺の
区分を注目区分ＰＡ_iとしたときは、その近傍の斜線で
示す５区分について上述と同様の処理をする。

【００６６】次に、図１５に示すように、第２のメモリ
Ｍ２に記憶された８点近傍膨張処理後の各区分ＰＡ₁〜
ＰＡ₄₀₉₆から、１区分ＰＡ_iを順次注目区分とし、注目
区分ＰＡ_iとその周りの４区分ＰＡ_i-64、ＰＡ_i-1、Ｐ
Ａ_i+1、ＰＡ_i+64とを取り出し、周りの４区分の内、１
区分でも濃度値が「０」の区分が存在すれば、その注目
区分ＰＡ_iの濃度値を「０」に置き換え、「０」の区分
が存在しなければ、その注目区分ＰＡ_iの濃度値をその
まま、第２のメモリＭ１の注目画素ＰＡ_iと同じ第３の
メモリＭ３上の場所に記憶する。この処理を、ｉを１〜
４０９６について行う。これにより、第３のメモリＭ２
には、４点近傍縮小処理後の区分ＰＡが、画像Ｇ上での
配列と同じにして記憶される。なお、図１６（ａ）に示
すように、画像Ｇのコーナーの区分を注目区分ＰＡ_iと
したときは、その近傍の斜線で示す２区分について上述
と同様の処理をし、図１６（ｂ）に示すように、画像Ｇ
の辺の区分を注目区分ＰＡ_iとしたときは、その近傍の
斜線で示す３区分について上述と同様の処理をする。

【００６７】そして、第３のメモリＭ３に記憶された区
分ＰＡ₁〜ＰＡ₄₀₉₆のうち、「０」以外の区分を取り出
し、濃度ヒストグラム作成部３に与える。以後の処理
は、上記第２実施例装置と同様である。

【００６８】このように、８点近傍膨張処理と４点近傍
縮小処理とを行うことにより、診断対象部位を含む組織
部の輪郭を滑らかに画像処理でき、また、組織部内に島
のように形成される、本来組織部と認識されるべきバッ
クグランド部を組織部として認識することができ、画像
に忠実な濃度ヒストグラムを作成することができる。

【００６９】

【発明の効果】以上の説明から明らかなように、この発
明によれば、学習手段やニューラルネットワークで用い
られる濃度ヒストグラムは、診断対象部位を含む組織部
を構成する画素、または、区分について作成されたもの
であるので、学習手段で決定されるニューラルネットワ
ークの荷重は、バックグランド部の影響が排除さたもの
であり、従って、ニューラルネットワークでは、診断対
象部位のコントラスト調整を適正に行うことができるウ
ィンドウ・ウィドゥスとウィンドウ・レベルとを求める
ことができる。

【００７０】また、この発明によれば、画像から任意に
抽出した画素や、区分から不要な画素や、区分を排除し
てから、濃度ヒストグラムを作成するので、実質的に、
従来装置よりも広範囲にわたった撮像部位で撮像された
画像や、撮像条件をおおきく違えて撮像された画像をも
対象とすることができる。

【図面の簡単な説明】

【図１】この発明の第１実施例に係る医療用画像表示装
置の概略構成を示すブロック図である。

【図２】しきい値を説明するための図である。

【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】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６】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７】図６に続くフローチャートである。

【図８】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９】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】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１１】第２、第３実施例装置の概略構成を示すブロ
ック図である。

【図１２】画像を区分した状態を示す図である。

【図１３】８点近傍膨張処理を説明するための図であ
る。

【図１４】８点近傍膨張処理を説明するための図であ
る。

【図１５】４点近傍縮小処理を説明するための図であ
る。

【図１６】４点近傍縮小処理を説明するための図であ
る。

【図１７】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 … 画素取り出し部３ … 濃度ヒストグラム作成部４ … ニューラルネットワーク５ … 乱数発生器６ … 学習部１１ … 区分取り出し部ＰＡ … 区分

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号庁内整理番号ＦＩ技術表示箇所Ｇ０６Ｆ 19/00 Ｇ０６Ｔ 1/00 Ｇ０９Ｇ 5/10 Ｂ 9377−5ＨＧ０６Ｆ 15/64 ４００Ｌ

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
ラスト調整用の２つのパラメータ、すなわち、前記画像
を表示する際の濃度値の幅を任意に設定するためのウィ
ンドウ・ウィドゥスと、前記ウィンドウ・ウィドゥスの
中心値を設定するためのウィンドウ・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、
（ａ）前記画像診断機器で撮像された画像から任意に抽
出した複数個の画素の各濃度値、または、前記画像を区
分した各区分の濃度値を、所定のしきい値と比較して、
前記しきい値以上または以下の濃度値を持つ画素、また
は、区分を取り出す画素／区分取り出し手段と、（ｂ）
前記画素／区分取り出し手段で取り出した画素、また
は、区分について、前記画像の濃度ヒストグラムを作成
する濃度ヒストグラム作成手段と、（ｃ）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、（ｄ）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
基づ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。