JPH09134434A - 明暗度画像内の所定のタイプの癌領域を自動検出する画像処理方法及び装置 - Google Patents
明暗度画像内の所定のタイプの癌領域を自動検出する画像処理方法及び装置Info
- Publication number
- JPH09134434A JPH09134434A JP8255166A JP25516696A JPH09134434A JP H09134434 A JPH09134434 A JP H09134434A JP 8255166 A JP8255166 A JP 8255166A JP 25516696 A JP25516696 A JP 25516696A JP H09134434 A JPH09134434 A JP H09134434A
- Authority
- JP
- Japan
- Prior art keywords
- image
- intensity
- point
- cancer
- class
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 74
- 201000011510 cancer Diseases 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims description 52
- 238000012545 processing Methods 0.000 title claims description 32
- 238000001514 detection method Methods 0.000 title abstract description 8
- 239000013598 vector Substances 0.000 claims abstract description 33
- 241001465754 Metazoa Species 0.000 claims abstract description 6
- 210000000481 breast Anatomy 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 3
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims 2
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 238000003325 tomography Methods 0.000 claims 1
- 230000002093 peripheral effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 49
- 238000004364 calculation method Methods 0.000 description 15
- 210000000038 chest Anatomy 0.000 description 14
- 102220554179 APC membrane recruitment protein 1_F11A_mutation Human genes 0.000 description 13
- 230000004044 response Effects 0.000 description 13
- 102220562239 Disintegrin and metalloproteinase domain-containing protein 11_F16P_mutation Human genes 0.000 description 12
- 230000014509 gene expression Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- APTGJECXMIKIET-WOSSHHRXSA-N Norethindrone enanthate Chemical compound C1CC2=CC(=O)CC[C@@H]2[C@@H]2[C@@H]1[C@@H]1CC[C@](C#C)(OC(=O)CCCCCC)[C@@]1(C)CC2 APTGJECXMIKIET-WOSSHHRXSA-N 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 238000002601 radiography Methods 0.000 description 3
- 102220571522 ATP-dependent DNA helicase Q1_F41A_mutation Human genes 0.000 description 2
- 102220571521 ATP-dependent DNA helicase Q1_F46A_mutation Human genes 0.000 description 2
- 101100321320 Bacillus subtilis (strain 168) yxeR gene Proteins 0.000 description 2
- 102220574690 MICOS complex subunit MIC10_S26A_mutation Human genes 0.000 description 2
- 102220492134 Protein Flattop_F36A_mutation Human genes 0.000 description 2
- 102220608639 Secreted phosphoprotein 24_F31A_mutation Human genes 0.000 description 2
- 102220636130 Zinc finger and BTB domain-containing protein 34_F10A_mutation Human genes 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 102220247850 rs1421233354 Human genes 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 101100377162 Bacillus subtilis (strain 168) yxxB gene Proteins 0.000 description 1
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 208000004434 Calcinosis Diseases 0.000 description 1
- 102100029057 Coagulation factor XIII A chain Human genes 0.000 description 1
- 102100029058 Coagulation factor XIII B chain Human genes 0.000 description 1
- 102220520885 DCN1-like protein 1_F15A_mutation Human genes 0.000 description 1
- 102220556551 Delta and Notch-like epidermal growth factor-related receptor_Q26C_mutation Human genes 0.000 description 1
- 102220483252 Diphosphoinositol polyphosphate phosphohydrolase 2_F40A_mutation Human genes 0.000 description 1
- 101100484378 Fowlpox virus (strain NVSL) FPV055 gene Proteins 0.000 description 1
- 101000918352 Homo sapiens Coagulation factor XIII A chain Proteins 0.000 description 1
- 101000918350 Homo sapiens Coagulation factor XIII B chain Proteins 0.000 description 1
- 102220492138 Protein Flattop_L26A_mutation Human genes 0.000 description 1
- 102220608636 Secreted phosphoprotein 24_F30A_mutation Human genes 0.000 description 1
- 102220561788 Transcriptional repressor NF-X1_F20A_mutation Human genes 0.000 description 1
- 102220636132 Zinc finger and BTB domain-containing protein 34_F14A_mutation Human genes 0.000 description 1
- 102220636134 Zinc finger and BTB domain-containing protein 34_L21A_mutation Human genes 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000009607 mammography Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000000779 thoracic wall Anatomy 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
しい領域を自動検出する画像処理方法及び装置の提供で
ある。 【解決手段】 ヒト又は動物の体の一部の明暗度画像内
の所定のタイプの癌の領域を自動的に検出する本発明の
画像処理方法は、画像の一部分の中の多数の点に対し、
画像の一部分の各点の周辺の明暗度の分布から得られた
特徴値により形成された成分の組(ベクトル)を定める
段階と、所定のタイプの癌に対応した画像の一部分の領
域又は別の領域に属するベクトルと関係した点の確率を
定める分類システムを用いる段階とからなる。
Description
の一部の明暗度画像内の所定のタイプの癌の領域を自動
的に検出する画像処理方法に係る。本発明は、更に、上
記方法を実行する画像処理装置と、その画像処理装置を
含む放射線医学用装置とに関する。
と呼ばれる特定の癌を自動的に検出する放射線医学で使
用される。
像処理方法は、セイジ ヤバシ他による論文“***X線
写真画像の腫瘍の認識用画像処理”、レーダーと画像セ
ンサにおけるノイズ及びクラッターの排除に関する19
89年国際シンポジウム予稿集、IEICE、1989
年刊行によって周知である。この方法は、胸部の癌に対
応する可能性のある疑わしい不透明部を検出するための
超音波画像処理に関係している。上記引用文献に従っ
て、超音波画像のディジタル化後に、明暗度プロファイ
ルfがディジタル画像のラインに沿って追跡される。プ
ロファイルfは、胸壁に向かって増加する正常組織の厚
さに対応する正の勾配(グラディエント)を伴う第1の
線形関数f1と、線形関数f1を変調し、第2の関数f
2によって表現された不透明部に対応する変動と、背景
に対応し、定数Gで表現された連続的な水平成分とを表
わしている。正常組織に関係する第1の関数f1は、最
初にメジアンフィルタによって平滑化され、次に、不透
明部に関係する第2の関数は、元のプロファイルfから
平滑化された第1の関数f1と背景Gとを減算すること
により得られる。第2の関数f2は、続いて、ソーベル
(Sovel) 演算、ラプラシアン演算を含む種々の処理を受
け、画像内の対象のコントラストを高め、或いは、等し
い明暗度レベルの線を追跡することによって、診断の目
的のため放射線医師により検査された画像内で不透明部
がより明瞭化される。
現された明暗度変化の原因は、癌に対応した疑わしい不
透明部の明暗度変化の原因とは異なるので、第2の関数
によって表現された明暗度変化の原因は、専門家によっ
て“陽性の誤差”と呼ばれている。従来の方法は、実際
に癌に起因した不透明部を 他の胸部の疑わしくない構
造に起因した不透明部から識別するための解決法を提案
しない。更に、従来の提案された方法は、放射線医師が
依然として、処理によって得られた画像を検査し、特定
の領域が疑わしい領域として分類される必要があるかど
うかを自分で決めなければならないという意味におい
て、自動的な方法ではない。
わしい領域の自動検出を提供する診断ツールの形として
一方法を提供することである。
一部分の中の多数の点に対し、上記画像の上記一部分の
各点の周辺の上記明暗度の分布から得られた特徴的な値
により形成された成分のベクトルと呼ばれる組を定める
段階と、上記所定のタイプの癌に対応した上記画像の上
記一部分の領域又は別の領域に属する上記ベクトルと関
係した上記点の確率を定める分類システムを用いる段階
とからなる。
は、陽性の真の警報レートが100%のように高く、陽
性の誤警報レートが2%未満である高精度の癌の自動検
出が得られることである。明暗度画像内の所定のタイプ
の癌の領域を自動的に検出する画像処理装置は、画像の
一部分中の各点の周辺の明暗度の分布から得られた特徴
の値によって形成された成分のベクトルと呼ばれる組を
決めるため、上記画像の一部分中の多数の点を処理する
手段と、所定のタイプの癌に対応した上記画像の上記一
部分の領域又は別の領域に関係した上記ベクトルと関係
した上記点の確率を定める分類システムとからなる。
され、再生された画像を放射線医師に自動的に提供する
点である。上記の自動化によって得られる別の利点は、
癌が非常に小さく、従って、従来の手段により検出する
ことが非常に困難な段階で、癌の診断の重要な要素を放
射線医師に直ちに提供する重要な診断ツールが得られる
医用画像処理が、人間が介入することなく、場合によっ
ては実時間で、即座に行われる点である。
の詳細な説明を行う。本発明は、放射線医師のための診
断ツールを形成するためヒト又は動物の体の一部の明暗
度画像内の所定のタイプの癌を自動的に検出する方法に
関する。以下、本発明の説明は、***X線写真におい
て、星形の外傷又は微小の石灰化のような通常の形状の
他の特定の外傷とは対照的にモデル化できない不鮮明な
エッジを有する“不透明部”と呼ばれる所定のタイプの
癌を検出する応用に関して行う。本発明は、上記単一の
画像に存在する要素に基づいて、例外なく画像内に存在
する所定のタイプの全ての不透明部の検出を含む。更
に、本発明は、はっきりとした形がなく、超音波に対し
不可視性の初期癌に対応する3乃至4mmの径を有する
不透明部の検出に関する。
により取得可能であるが、本発明は画像の取得の方法を
考慮しない。例えば、図7の(A)には、ディジタル化
された明暗度の画素の2次元マトリックスに配置された
明暗度画像の形式で元の***X線写真画像J0が表わさ
れている。図7の(C)を参照するに、胸部1は、背景
9上に二つの主要な区域を表わし、一方の深い胸部区域
2は、実質的に一定の厚さからなり、他方の周辺の胸部
区域3は、深い胸部区域2から皮膚4まで厚さが急速に
減少する。
の間に、例えば、以下に列挙する問題点を考慮しなけれ
ばならない。 (一)胸部器官1は、プロファイル状にX線撮影され、
一定の厚さを持たない。 (二)検出されるべき対象は、不鮮明なエッジを伴う不
透明部であり、X線撮影された胸部1の他の対象によっ
て形成された地の部分に白っぽい領域として現れる。 (三)3乃至4mmの非常に小さい寸法の対象を検出で
きなければならない。 (四)上記不透明部が検出されるべき地の部分には、胸
部1の正常な組織のテクスチャーから生じる他の不透明
部が含まれ、癌と混同される可能性がある。 (五)検出されるべき不透明部の位置は、本質的に胸部
1の範囲内で可変である。 (六)検出されるべき不透明部の形状及び寸法は、実質
的にある画像と別の画像の間で変化する。 (七)X線写真画像は重ね合わされた組織内に含まれた
情報を統合するので、正常組織のテクスチャーに対応す
る不透明部によって、癌に対応する不透明部が容易にわ
かりにくくなる。 (八)存在する可能性のある癌を、***X線写真画像の
処理中に削除又は無視してはならない。本発明は上記問
題点を考慮する。
の方法は、二つの主要な段階、即ち、上記画像の一部分
中の多数の点に対し、上記画像の上記一部分内の各点の
周辺の明暗度分布から得られた特徴値により形成された
成分の組(ベクトルと呼ばれる)を決める第1の段階
と、所定のタイプの癌に対応する上記画像の一部分の領
域、或いは、他の領域に関連付けられた上記ベクトルと
関係した点の確率を決める分類システムを使用し、最終
的な画像に癌を分割し、再生する第2の段階とからな
る。
真画像を処理する際に会う重要な技術的問題は、X線撮
影された器官が元の画像内で任意の向きを有し、更に、
腫瘍が上記の如く可変性の形状を有することである。従
って、本発明による画像の分析は、向きとは無関係な態
様で特徴を決定する点に基づいている。上記問題は、上
記方法の第1の段階の間に、回転不変性の結果を与える
1次及び2次の微分演算を用いて第1及び第2のフィル
タリングフェーズを行うことにより解決される。以下、
上記演算を“不変性”のように略称する。
クトルの決定 1.1 第1のフィルタリングフェーズ(図1)予備的な平滑化FP0 図1に示されているように、予備的なフィルタリング演
算は、検出されるべき腫瘍と、上記画像の局部的な構造
の解像度を用いて平滑化することにより、元の画像J0
を画像IC0(図7の(B)を参照のこと)に変換す
る。
ン関数のガウシアン形コアを有するフィルタを用いて行
われる。このフィルタのコアの幅σは、検出されるべき
対象の大きさのオーダー、従って、好ましくは、5画素
になるよう選択される。フィルタのコアの幅σは、フィ
ルタリングの結果を得るため画像の明暗度が畳み込まれ
る演算において、明暗度のパルス応答の半分の高さにお
ける幅を意味することを理解する必要がある。このよう
なガウシアンフィルタG5のパルス応答は、例えば、明
暗度が任意の単位でZ軸上に描写された図11の(A)
に実線で表わされている。
際に、2次元マトリックスのX軸及びY軸の座標によっ
て示された現在の画素P0で、以下の関係式(1)に従
って明暗度I0と、ガウシアン関数G5の畳み込み積の
形成を構成する。関係式(1)は: F0=I0*G5 のように表わされ、式中、記号*は畳み込み積を表して
いる。ガウシアン関数は、再帰的なフィルタリングによ
って与えられる。
の解像度で平滑化された画像内で明暗度の変化を増大さ
せ、かつ、構造的な特徴を強調するため、回転不変性の
有向フィルタの系列によるフィルタリングをうける。上
記フィルタの応答は、所望の特徴ベクトルの成分を生成
する。かかるフィルタは、例えば、本発明に従って明暗
度勾配率FP1から選択された次数1及び2の微分演算
により形成される。
に示されているように対象のエッジが再生された結果と
して得られる画像IC1に変換するため、処理されるべ
き各画素P0の明暗度勾配率を計算する不変性フィルタ
FP1が、平滑化された画像IC0に適用される。以
下、明暗度勾配をGR1で表わし、明暗度勾配率を
いて処理されるべき各画素で平滑化された明暗度関数F
0のX軸及びY軸方向の1次微係数の計算により得られ
る。明暗度勾配は、当業者に周知のあらゆる方法により
得ることが可能である。好ましいバージョンにおいて、
明暗度勾配GR1は、“ソーベル”フィルタとして周知
の有向フィルタをX軸及びY軸に平行な方向に適用する
ことにより得ることができる。以下、ソーベルフィルタ
は、X軸によるSovelx とY軸によるSovely
のように表わす。
バラード(Dana H. Ballard) とクリストファー エム
ブラウン(Christopher M. Brown)著の一般的な研究書
“コンピュータビジョン”、米国ニュージャージー州ク
リッフス市エングルウッドのPRENTICE-HALL 社刊行、7
7ページ、第6乃至17行に、図3.10Cに関して説
明されている。
ルタの適用により、現在の各画素P0で明暗度勾配GR
1x とGR1y が生成される。明暗度勾配GR1x とG
R1 y は、以下の式:
することにより、平滑化画像IC0内の処理された画素
P0に対し明暗度
画像IC1を形成するため2次元マトリックスに適用さ
れる。FP2は正側の調整、又は、整流された有向2次
微係数の最大値である。正側の整流された最大2次微係
数を計算する不変性フィルタFP2は、暗い細長い対象
が明るい背景上に再生された図8の(B)に示されてい
るように、平滑化画像IC0を結果画像IC2に変換す
るため、平滑化画像IC0に適用される。
が最初に計算される。x、y及びxyに関する2次微係
数は以下のように記述される。
む軸方向の“有向2次微係数”は、
て以下の式(4)
微係数は当業者に周知のあらゆる方法により得ることが
できる。好ましいバージョンにおいて、2次微係数は、
X軸とY軸に平行な方向で、Sovelx 及びSove
ly のような有向ソーベルフィルタを、不変性のフィル
タFP1の適用中に先に計算された明暗度勾配GR1x
及びGR1y に適用することにより得られる。
ely の適用によって、以下の式 (L1)xx=Sovelx (GR1)x (5a) (L1)yy=Sovely (GR1)y (5b) (L1)xy=Sovelxy(GR1)xy (5c) に従って2次微係数が得られ、式(4)により与えられ
た2次有向微係数
で、最大明暗度値を供給する有向2次微係数の最大値
大明暗度値が上記現在の画素に割り当てられ、その値が
負の場合には、値0が計算された値を置換する明暗度値
として上記現在の画素に割り当てられる。2次有向微係
数の最大値の正側の整流演算により、新しい画像IC2
を形成するため、マトリックスの対応する画素に割り当
てられる明暗度値
向2次微係数の最大値である。負側の整流された最大2
次微係数を計算する不変性フィルタFP3は、暗い細長
い対象が明るい背景上に再生された図8の(C)に示さ
れているように、平滑化画像IC0を結果画像IC3に
変換するため、平滑化画像IC0に適用される。
て最初に計算される。現在の画素で、最大明暗度値を供
給する2次有向微係数の最大値
大明暗度値が上記現在の画素に割り当てられ、その値が
正の場合には、値0(ゼロ)が計算された値を置換する
明暗度値として上記現在の画素に割り当てられる。2次
有向微係数の最大値の負側の整流演算により、新しい画
像IC3を形成するため、2次元マトリックスの対応す
る画素に割り当てられる明暗度値
向2次微係数の最小値である。正側の整流された最小2
次有向微係数を計算する不変性フィルタFP4は、明る
い細長い対象が暗い背景上に再生された図8の(D)に
示されているように、平滑化画像IC0を結果画像IC
4に変換するため、平滑化画像IC0に適用される。
2次微係数に対し既に計算された値が得られる。次い
で、上記現在の画素で、最小明暗度値を供給する有向2
次微係数の最小値
小明暗度値が上記現在の画素に割り当てられ、その値が
負の場合には、値0(ゼロ)が計算された値を置換する
明暗度値として上記現在の画素に割り当てられる。2次
有向微係数の最小値の正側の整流演算により、新しい画
像IC4を形成するため、2次元マトリックスの対応す
る画素に割り当てられる明暗度値
向2次微係数の最小値である。負側の整流された最小2
次有向微係数を計算する不変性フィルタFP5は、明る
い細長い対象が暗い背景上に再生された図8の(E)に
示されているように、平滑化画像IC0を結果画像IC
5に変換するため、平滑化画像IC0に適用される。
2次微係数に対し既に計算された値が得られる。次い
で、上記現在の画素で、最小明暗度値を供給する有向2
次微係数の最小値
小明暗度値が上記現在の画素に割り当てられ、その値が
正の場合には、値0(ゼロ)が計算された値を置換する
明暗度値として上記現在の画素に割り当てられる。2次
有向微係数の最小値の負側の整流演算により、新しい画
像IC5を形成するため、2次元マトリックスの対応す
る画素に割り当てられる明暗度値
P2、FP3、FP4、FP5において採用された整流
方法は、線形フィルタに非線形性を生じさせる。この演
算は、“半波長”整流である。この方法によって、フィ
ルタの正側の応答を同じフィルタの負側の応答からの分
離と、処理されるべき画像がすじ状の対象からなる場合
に平坦な応答の除去が可能になり、従って、正側の応答
の画像及び負側の応答の画像の夫々において、対象の微
細なディテールの再生が行われる。
の曲率と明暗度勾配の積である。現在の画素の近傍の曲
率Kと、明暗度勾配率
変性フィルタFP6は、コーナーのような急峻な曲線の
変化が再生された図8の(F)に示されているように、
平滑化画像IC0を結果画像IC6に変換するため平滑
化画像IC0に適用される。最初に、現在の画素P0 の
明暗度勾配率
の近傍のKで表わされた曲率は、以下の式(7)
(7)に式(2a)及び(2b)を適用することにより
容易に計算され、その後、曲率Kと勾配の率(2)との
積が式(8)を用いて計算され、明暗度値F6
の第1の系列の適用の最後で、所定のアドレスの当該各
画素P0 に対し、6個の明暗度特徴量からなる第1の組
が得られる。6個の明暗度特徴量は、画像の本当に局部
的な微細な構造を再生し、かつ、上記局部的な微細な構
造の特徴的な測定量を構成する不変性フィルタの第1の
系列によって上記第1のフェーズの間に形成された画像
IC1乃至IC6内の上記アドレスで得られた明暗度F
1乃至F6により形成される。
(図2、図3) 以下に説明される第2のフェーズの間に、本発明の方法
は、全体的な構造を表わす測定量を得るため、先に計算
された局部的な測定量に関し総和演算を行うことによ
り、画像内に全体的な構造を再生する。上記第1の段階
の第2のフェーズは、その例に限定されることなく、好
ましくは、2個のサブステップの系A及びBを並列に実
行する。
画像IC0乃至IC6は、第1及び第2の解像度で平滑
化演算が並列に適用される。このため、系A及びB内の
ガウシアンコア有向フィルタG5A及びG10Bが、夫
々、6個の各画像IC0乃至IC6内でX軸及びY軸に
平行に適用される。
のコアは、腫瘍のスケール、例えば、σ=5画素であ
る。対応するガウシアンフィルタはG5Aと呼ばれる。
第2の系Bにおいて、ガウシアンフィルタのコアは、腫
瘍の周囲にある組織のスケール、例えば、σ=10画素
である。対応するガウシアン関数はG10Bと呼ばれ
る。
のアドレスの現在の各画素P0 に対し、6個の明暗度特
徴量からなる第2の組と6個の明暗度特徴量からなる第
3の組が得られる。この第2の組の明暗度特徴量は、第
1のガウシアン関数G5Aと、上記各画像IC1乃至I
C6の上記所定のアドレスで夫々得られた明暗度関数F
1乃至F6の畳み込み積から得られ、以下の6個の関係
式 画像IC11Aを形成するための F11A=G5A*F1 画像IC12Aを形成するための F12A=G5A*F2 画像IC13Aを形成するための F13A=G5A*F3 画像IC14Aを形成するための F14A=G5A*F4 画像IC15Aを形成するための F15A=G5A*F5 画像IC16Aを形成するための F16A=G5A*F6 で表わされた明暗度関数F11A乃至F16Aにより形
成される。第3の組の明暗度特徴量は、第2のガウシア
ン関数G10Bと、上記各画像IC1乃至IC6の上記
所定のアドレスで夫々得られた明暗度関数F1乃至F6
の畳み込み積から得られ、以下の6個の関係式 画像IC11Bを形成するための F11B=G10B*F1 画像IC12Bを形成するための F12B=G10B*F2 画像IC13Bを形成するための F13B=G10B*F3 画像IC14Bを形成するための F14B=G10B*F4 画像IC15Bを形成するための F15B=G10B*F5 画像IC16Bを形成するための F16B=G10B*F6 で表わされた明暗度関数F11B乃至F16Bにより形
成される。
れるべき各画素には、かくして、3×6=18個の明暗
度特徴量が与えられ、この処理によって、上記第1のフ
ェーズにより生成された6個の各画像IC1乃至IC6
に基づいて、IC11AとIC11BからIC16Aと
IC16Bまでのような2個の新しい対応する平滑化画
像(図示しない)の形成が可能になる。
後に、IC11A乃至IC16A及びIC11B乃至I
C16Bとして定められた12個の平滑化された各画像
は、特に、微分形の回転不変式から選択された相補的な
フィルタの系列が適用される。
発明の方法は、FP20AからFP40Aと、FP20
BからFP40Bの第2のフィルタの系列を適用するこ
とにより、第1のフェーズ中に予め再生された局部的な
構造の空間分布を評価し得るようになり、空間分布の特
徴的な測定量を提供し、処理される画像の全体的な構造
の特徴的な測定量が得られる。フィルタF30AとF4
0A、及びF30BとF40Bの適用により、ガウシア
ンフィルタリングF10A、F10Bにより発生させら
れた2個のスケールの画像に極端な明暗度値が再生され
る。
率フィルタである。フィルタF20A、F20Bの適用
は、先のガウシアンフィルタリングF10A、F10B
により発生させられた2個のスケールの画像の明暗度変
化を再生する。以下、系A及びBに対する明暗度勾配を
夫々GR2A及びGR2Bで表わし、明暗度勾配率を
添字に従って添字1乃至6が付けられる。かくして、6
個の新しい明暗度関数が、式
に適用された勾配の率を計算することにより定義され
る。同様に、6個の相補的な明暗度関数が、式
に適用された勾配の率を計算することにより定義され
る。上記微分形の不変性フィルタFP20A、FP20
Bを上記の如く定められた2×6個の明暗度関数に適用
することにより、2次元マトリックス内のアドレスによ
り指定された1画素当たり6個の回転不変性特徴量の第
4の組
明暗度関数F11A乃至F16A及びF11B乃至F1
6Bに適用することにより得られた6個の特徴量の第5
の組
は等方性ラプラシアンフィルタである。系A及びBに対
し、夫々LPA及びLPBで表わされる等方性ラプラシ
アンは、一般的な関係式
一般的な式LPをその関数として有するフィルタの明暗
度応答曲線IRの一般的な形状は、図11の(A)の明
暗度応答曲線と同等の表現形式で図11の(B)に示さ
れている。x方向の2次微係数(L2)xx及びy方向の
2次微係数(L2)yyが、予備的なサブステップFP1
0A及びFP10Bにおいて夫々定められた12個の明
暗度関数F11A乃至F16A及びF11B乃至F16
Bに適用される。
1A乃至LP6Aに従って明暗度F31A=LP1A乃
至F36A=LP6Aを提供するため、明暗度関数F1
1A乃至F16Aに適用される6個の等方性ラプラシア
ンが計算される。ここで、添字1乃至6は、等方性ラプ
ラシアンにより処理される画像の添字に対応する。明暗
度関数F11B乃至F16Bに対し、等方性ラプラシア
ンが同様の方法で計算され、明暗度関数F31B=LP
1B乃至F36B=LP6Bが生成される。
式(5a)乃至(5c)と類似した関係によって与えら
れる。上記微分形の不変性フィルタFP30A、FP3
0Bを12個の明暗度関数F11A乃至F16AとF1
1B乃至F16Bに適用することにより、6個の明暗度
特徴量の第6及び第7の組が得られる。上記6個の明暗
度特徴量は、夫々、F31A乃至F36Aと呼ばれ、回
転に不変であり、X軸とY軸を有する画素の2次元マト
リックス内のアドレスにより画素毎に指定され、上記等
方性ラプラシアン計算演算を12個の明暗度関数に適用
することにより得られる。
の結合である。上記フィルタは、予備的なサブステップ
FP10Aと、FP10Bで計算された12個の各明暗
度F11A乃至F16A及びF11B乃至F16Bに適
用される。2次微係数の結合は、一般的な関係式 D2=〔(Q2)2 +(S2)2 〕1/2 (40) に従って計算される。
フィルタの明暗度応答曲線IRの一般的な形式が、図1
1の(A)の明暗度応答曲線と同等の表現形式で図11
の(C)に与えられている。上記関係式(40)におい
て、Q2及びS2は、一般的な関係式
して、明暗度関数F11A乃至F16Aに適用されるQ
21A乃至Q26Aにより表わされた6個の2次微係数
た別の6個の2次微係数 S21A=(L21A)xy 乃至 S26A=(L26A)xy とが計算される。明暗度関数F11A乃至F16Aの2
次微係数は、上記の式(5a)乃至(5c)を用いて得
られる。勾配(GR21A)x 乃至(GR26A)x 及
び勾配(GR21A)y 乃至(GR26A)y を得る方
法は、不変性FP20A、FP20Bに関して既に説明
した。これらの関係を用いることにより、6個の明暗度
関数F11A乃至F16Aに適用される微分形の不変性
FP40Aが直接計算され、式(40)の適用により明
暗度関数F41A乃至F46Aが生成される。
れた6個の2次微係数と、S21B乃至S26Bで表わ
された別の6個の2次微係数が計算され、式(40)を
用いて明暗度関数F11B乃至F16Bに適用される。
明暗度関数F11B乃至F16Bの2次微係数(L21
B)xx乃至(L26B)xx、(L21B)yy乃至(L2
6B)yy及び(L21B)xy乃至(L26B) xyは、好
ましくは、関係式(5a)乃至(5c)を用いて得られ
る。勾配(GR21B)x 乃至(GR26B)x 及び勾
配(GR21B)y 乃至(GR26B) y を得る方法
は、不変式FP20A、FP20Bに関して既に説明を
行った。これらの関係を用いることにより、6個の明暗
度関数F11B乃至F16Bに適用される微分形の不変
性FP40Bが直接計算され、式(40)の適用により
明暗度関数F41B乃至F46Bが生成される。
FP40Bを12個の明暗度関数F11A乃至F16A
及びF11B乃至F16Bに適用することにより、6個
の明暗度特徴量の第8及び第9の組が得られる。各明暗
度特徴量は、夫々F41A乃至F46A及びF41B乃
至F46Bにより示され、回転不変性であり、各画素に
対しX、Y軸を有する画素の2次元マトリックス内のア
ドレスにより指定され、特定の2次微係数の結合を有す
る計算演算を上記12個の明暗度関数に適用することに
より得られる。
第3のフェーズ(図4) 第1及び第2のフェーズの最後に、2次元マトリックス
内にアドレスを有する当該画素に対し、6個の特徴量か
らなる9個の組が定義されているので、全部で54個の
明暗度特徴量が、例えば、細長い形状又は広がった形状
のような形状、例えば、明るい又は暗いというような明
暗度と、例えば、著しい又は僅かな湾曲、或いは、コー
ナー形状のような輪郭とに関してディテールを再生し、
好ましくは、上記の全特徴量が腫瘍の解像度(系A)と
周囲の組織の解像度(系B)に関係する。
量の数と、それらを生成するため使用されたフィルタ
は、一例として与えられたものに過ぎないということに
注意が必要である。図4において、計算手段CP1は、
添字1を有する9個の画像から9個の明暗度特徴量を分
類し、添字2を有する9個の画像から9個の明暗度特徴
量を分類し、以下同様に、添字6を有する9個の画像か
ら9個の明暗度特徴量を分類する。即ち、計算手段は、
6個の画像IC1乃至IC6から、上記6個の画像と上
記6個の画像の特徴量とに基づいて、サブステップの処
理の異なる結果に起因して異なる9種類のタイプの特徴
量を分類する。
区域を認識し、既に検査された画像において医学的な観
点から興味ある各画素に対し、最初に測定された54個
の明暗度特徴量ベクトルを形成するため、計算手段CP
1は1画素当たり上記54個の明暗度特徴量を集める。
上記ベクトルは、ニューラルネットワークの学習のため
利用され、次いで、かかるニューラルネットワークの分
類の正当性をテストするため利用される。
が行われた場合について説明を行っているが、元の画像
内で関心のある画素を予め選定してもよく、或いは、元
の画像がより大きい画像から取り出された関心のある区
域でも構わないということを理解する必要がある。予め
医学的な診断を受けていない画像内の癌区域を自動的に
検出するため、1画素当たり54個の特徴量を決定する
同じ方法を、そのような動作が学習させられた同じニュ
ーラルネットワークを用いて最終的に実行することがで
きる。
微分演算を形成する再帰的なフィルタリングの最後に、
計算手段CP1は、関心のある1画素当たりm=54個
の特徴量のベクトルを発生する。換言すれば、上記m個
の特徴量により構成された54個の画像が形成される。 II.第2の段階 癌の区域の検出及び再生 2.1 第1のフェーズ ニューラルネットワークによ
る分類 計算手段CP1は、かくして、例えば、ニューラルネッ
トワークのような分類システムの入力に相当するように
画像を符号化する。かかる符号化により、画像の種々の
領域、特に、その中で放射線医師に特別の関心のある特
定の領域内においてx軸及びy軸の関数として所定の画
像の周辺で、所定の解像度で明暗度が変化する様子をニ
ューラルネットワークに通知する情報の採用が可能にな
る。符号化は、関心のある画素を効率的に4個のクラス
K1乃至K4に分類するような態様でニューラルネット
ワークに適合させられる。分類とは、ニューラルネット
ワークNNが、クラスK1に属する第1の確率と、クラ
スK2に属する第2の確率と、クラスK3に属する第3
の確率と、クラスK4に属する第4の確率を各画素に割
り当てることを意味する。上記の情報は、関心のある各
画素に対し、以下に定義された4個のクラス K1:癌区域のクラス K2:疑いのない均一な不透明部 K3:周辺の胸部領域 K4:それ以外の領域 に属するような確率の画像を形成するのに十分である。
のある各画素に対し定義されたとき、ベクトルがニュー
ラルネットワークNNの入力に適用される(図5を参照
のこと)。ニューラルネットワークNNは、対応するm
個の入力E1 乃至Em と、40個のニューロンからなる
単一の隠れ層と、診断のクラスの数と等しい多数のk個
の出力、この例では、K1乃至K4の4個の出力とから
なる。
されたニューロンNと呼ばれる数個の演算素子により構
成されたニューラルネットワークが示されている。各素
子又はニューロンは、出力信号Os を供給し、少なくと
も1個の入力信号O1 、O2等を受けることができる。
出力は、荷重W1、W2等によって重み付けられた入力
信号の総和Σが活動関数と呼ばれる所定の閾値関数Th
を超えたとき活動(興奮)する。
を必要とする学習フェーズを実行する。提案された方法
によれば、データは、放射線医師により既に検査され、
癌領域又は健康な領域であることが既に分かっている上
記画像の領域に属している点に関係した複数の特徴ベク
トルにより構成された所定の数の病的な***X線写真画
像から得られる。この学習フェーズ中に、特徴ベクトル
がニューラルネットワークの入力に供給される。ネット
ワークが各点を、特定の癌区域に属する点、又は、癌の
ない***X線写真の多様な他の領域に属する点に正確に
分類することを保証するため、ニューラルネットワーク
の荷重が固定される。
最後に、学習のため入力された区域と同じ所定のタイプ
の区域に画素を自動的に分類するため、上記方法の同じ
ステップが、未だ検査されていない新しい画像に適用さ
れる。かくして、関心のある各画素に、診断の各クラス
K1乃至K4に属する画素の確率を表わす4個の確率の
値が与えられる。
フェーズCP2 図4を参照するに、ニューラルネットワークNNの出力
で、選択された関心のある画素により形成された元の画
像の代わりに、4個の所謂活動画像IK1乃至IK4の
形成を可能にさせる確率の値PK1乃至PK4が得られ
る。各活動画像は、ニューラルネットワークの対応する
出力K1乃至K4の活動関数の結果を表わしている。
ワークの出力の画素は、ラベル付けされ、クラスK1乃
至K4の中の一つに対応する各領域に分類される。かく
して、所定の閾値よりも大きい確率の値を有するクラス
の全画素は、そのクラスに属するようにラベル付けさ
れ、近傍の規準に従って分類される。図9の(A)は、
例えば、第1の病的な場合に関係するディジタル化され
た明暗度画像J0を表わしている。図9の(B)は、図
の簡単化のため、図5の4個の活動画像IK1乃至IK
4の要素が、ニューラルネットワークの4個の出力クラ
スK1乃至K4において高い確率の値を有する画素によ
り形成された領域を再生するため分類された活動画像I
Kを表わしている。このため、ニューラルネットワーク
の出力の画像J0の全画素に対し、4個の各クラスに属
するある確率が割り当てられる。図9の(B)の活動画
像を形成するため、画像があるクラスに属する確率が4
0%以上であるならば、その画素はそのクラスに属する
ということがアプリオリに判定される。この選定は、多
少厳密にしてもよい。図10の(A)は、第2の例とし
て、別の病的な場合に関係した別の明暗度画像J0を表
わしている。図10の(B)は、上記の如く、図5の4
個の活動画像IK1乃至IK4の要素が、ニューラルネ
ットワークの4個の出力クラスK1乃至K4において高
い確率の値を有する画素により形成された領域を再生す
るため分類された活動画像IKを表わしているので、図
10の(A)の画像に対応している。これは、ニューラ
ルネットワークによりクラスK1乃至K4に対応した特
定の関心のある種々の領域が検出される様子を例示して
いる。
個以上のクラスに対し40%以上の高い確率値を有する
ことが起こり得る。しかし、関心のある画素は、最終的
に、一つの診断クラス、例えば、活動画像の中だけにあ
る。それに含まれる他の高い確率の値は、実際上、誤警
報である。誤警報は除去しなければならない。このた
め、本発明による方法は、第3のフェーズを更に有す
る。
フェーズCP3 本発明の目的は、最終的に癌の区域K1だけを判定し、
この区域を、TTで示された全ての他の画素から分離す
ることである。この演算は計算手段CP3において行わ
れる。その目的は、癌の区域に属する画素を効率的な方
法で選択すること、即ち、特に、癌の区域を少しも漏ら
すことなく100%の真の陽性を得るため、上記癌の区
域に属する全画素を選択することである。
の区域は、クラスK1にラベル付けられ、クラスK1に
属する確率が所定の閾値、例えば、40%を超えた画素
の分類により形成された領域である。上記領域から、閾
値、例えば、3mm又は4mmを上回る径を有する区域
が選択される。この方法によれば、孤立しているか、又
は、確率が低過ぎるため、上記二つの条件を満たさない
画素は、健康であると考えられる他の全ての領域用のT
Tと呼ばれるクラスに分類される。
又は、所謂“疑わしい区域”が、放射線医師の手動で、
或いは、画素数Nが計数され、癌の単一のクラスK1に
属する画素の確率PK1の合計が総和され、上記合計が
画素数Nにより除算され、かくして、癌のクラスK1に
属する各“危険区域”内の画素の平均確率が生成される
計算手段(説明しない)を用いて自動的に画像J0内で
選択される。平均確率が所定の閾値、例えば、40%よ
りも高いならば、“疑わしい区域”は“癌の区域”であ
ると考えられる。
し、例えば、同数の陽性の誤警報(誤って癌として検出
された区域)に対し、第1の方法よりも多数の陽性の真
の警報を発生する。図9の(C)及び図10の(C)
は、夫々、図9の(A)及び図10の(A)に対応した
最終的な画像を表わし、検出された癌の区域が診断の補
助としてその病変性を明らかにすべく画定されている。
線)は、本発明の方法の好ましいバージョンにより得ら
れた結果を示している。この曲線を形成するため、癌の
区域と健康な区域に関し本発明によって生成された結論
は、実験の分析、例えば、生検により確認される。50
個の分析された画像に基づく図12の曲線に沿って、癌
の区域が3mm以上に保たれている場合に、100%陽
性の真の警報TAが、2個の陽性の誤警報に対し検出さ
れた。
行う。図13にはディジタルX線写真システムが示され
ている。ディジタルX線写真システムは、X線源又は他
の放射線源20と、X線撮影される患者の胸部1を押さ
えるプレート21、22と、画像をディジタル化する機
能を行い、マイクロプロセッサに接続された処理システ
ム25にデータを供給する撮像管24に接続された画像
増倍器23とからなる。処理システム25は、複数の出
力を有し、その出力の中には、処理のあらゆる段階でX
線写真画像又は明暗度画像を表示するモニター表示器に
接続された出力26が含まれている。
チャートを参照するに、システム25によって供給され
たディジタル画像は、マイクロプロセッサ(図示しな
い)によるアクセスが可能なデータの形式で記憶手段M
EM1に記憶される。マイクロプロセッサは、所定のタ
イプの癌の領域を自動的に検出し、かつ、最終的な明暗
度画像に可視性の印、例えば、上記癌の領域を画定する
線を与えるため、好ましくは、上記の処理に従って、コ
ンピュータステーション(図示しない)と共に、記憶手
段MEM1に記憶されたデータを処理する。上記癌の領
域を画定する線は、例えば、コンピュータの制御の下
で、スクリーン表示器に表示、或いは、印刷することが
できる図9の(C)及び図10の(C)の画像に表わさ
れている。
に検出する画像処理装置は、ヒト又は動物の体の領域の
画像用の取得システム(23,24,25)と、例え
ば、ディジタル化された明暗度値を有する画素の2次元
マトリックスの形式で明暗度画像J0を記憶するメモリ
MEM1と、上記メモリへのアクセスを有する画像を自
動的に処理する手段と、画像内の検出された所定のタイ
プの癌の領域を指定する可視性の標示を含む画像を表示
する表示手段とからなる。
段は、各画素に対し複数の明暗度特徴量からベクトルを
発生する第1の処理手段と、第2の処理手段とからな
り、上記第1の処理手段は、 a)1個又は数個のスケールで少なくとも1個の平滑化
された画像IC0又はIC11A乃至IC16A、IC
11B乃至IC16Bを生成するべく夫々のガウシアン
演算子G5、G5A、G10Bを適用する少なくとも一
つの第1の有向フィルタリング手段FP0、FP10
A、FP10Bと、 b)1個又は数個の回転不変性、有向性、1次又は2次
の微分演算を平滑化された各画像に適用する少なくとも
一つの第2の有向フィルタリング手段FP1乃至FP
6、又は、FP10、FP20、FP30、FP40
と、 c)2次元マトリックス内のアドレスを有する関心のあ
る各画素に関係した求められたベクトルの特徴量を供給
する上記演算の結果の分類を行なう計算手段CP1とを
含み、上記第2の処理手段は、 d)関心のある各画素に対し、mが好ましくは54であ
る場合に、入力E1 乃至Em に上記画素に関係した特徴
量のベクトルを受け、上記特徴量のベクトルに基づい
て、一方が癌の領域の画素のクラスK1であり、他方は
別の領域のクラスTTである画像の異なる領域に属する
確率のK1、K2、K3、K4のような種々のクラスに
上記画素を分類するニューラルネットワークと、 e)所定のタイプの癌の領域と、他の領域に分割された
最終的な画像IFを構成する計算手段CP2、CP3と
を含む。
“不透明”タイプの癌の領域を自動的に検出するために
使用されるのが好ましい。上記装置の他の実施例は、断
層写真画像内又は磁気共鳴画像化により得られた画像内
の不透明部を自動的に検出するため使用することができ
る。
検出する方法の第1の段階の第1のフェーズのフローチ
ャートである。
ーチャートである。
ーチャートである。
である。
ある。
素子を示す図である。
と、元の画像が第1の処理段階の第1のフェーズ中に平
滑化された画像と、プロファイルの形式で示された胸部
器官の種々の領域の簡単化されたグラフである。
列を通過させることにより得られた明暗度画像を示す図
である。
房X線写真画像と、4個のクラスに分割された画像と、
癌の自動的な指定のため生成された対応する最終的な画
像を示す図である。
スに分割された画像と、対応する最終的な画像を示す図
である。
対応するパルス応答を示すグラフである。
り、曲線(ROC)は、誤警報レートFAの関数とし
て、真の警報レートTAを示す。
の領域を自動的に検出、再生する方法を用いて***X線
写真を処理する画像処理装置を含むX線画像の形成装置
を示す図である。
B,...,F40B 明暗度関数 FP0,FP1,FP2,FP3,FP4,FP5,F
P6,FP10A,..,FP40A,FP10
B,...,FP40B フィルタ FP1 明暗度勾配率 G5A,G10B ガウシアンコア有向フィルタ GR2A,GR2B 明暗度勾配 I0 明暗度 IC0 平滑化画像 IC1,IC2,IC3,IC4,IC5,IC6
画像 IF 最終的な画像 IK1,...,IK4 活動画像 J0 元の***X線写真画像 K1 癌区域のクラス K2 疑いのない均一な不透明部 K3 周辺の胸部領域 K4 他の領域 MEM1,MEM2 記憶手段 N ニューロン NN ニューラルネットワーク O1 ,O2 入力信号 Os 出力信号 TA 真の警報 TT 健康な領域のクラス W1,...,Wn 荷重
Claims (14)
- 【請求項1】 ヒト又は動物の体の一部の明暗度画像内
の所定のタイプの癌の領域を自動的に検出する画像処理
方法であって、 該画像の一部分の中の多数の点に対し、上記画像の上記
一部分の各点の周辺の上記明暗度の分布から得られた特
徴的な値により形成された成分のベクトルと呼ばれる組
を定める段階と、 上記所定のタイプの癌に対応した上記画像の該一部分の
領域又は別の領域に属する上記ベクトルと関係した上記
点の確率を定める分類システムを用いる段階とからなる
方法。 - 【請求項2】 上記明暗度画像の一部分において上記所
定のタイプの癌を構成する可能性のある領域を再生する
段階を更に有し、上記所定のタイプの癌を構成する可能
性のある領域を上記明暗度画像の一部分に再生する段階
は、 上記所定のタイプの癌の領域のクラスに属する点として
所定の閾値を超える確率のレートを有する点を選択し、
上記点を上記癌の領域に分類するため上記点にラベル付
けを行い、上記明暗度の部分を上記所定のタイプの癌の
領域の中の点のクラスと他の領域の中の点のクラスとか
らなる二つの点のクラスに分割する請求項1記載の方
法。 - 【請求項3】 特徴的な明暗度の値の該ベクトルを発生
させるため、 上記明暗度画像の上記一部分を、夫々に1個又は数個の
解像度で少なくとも1個の平滑化された画像に変換する
よう1個又は数個のフィルタを適用し、 明暗度変化を高め、かつ、各解像度に関して構造的な特
徴を強調するため、1個又は数個の回転不変性の有向フ
ィルタを平滑化された各画像に適用し、 求められたベクトルの上記成分を提供するため、上記フ
ィルタの結果を分類する段階を含む請求項1又は2記載
の方法。 - 【請求項4】 上記平滑化のフィルタはガウシアン演算
であり、上記回転不変性の有向フィルタは1次又は2次
の微分演算或いはそれらの演算の結合である請求項3記
載の方法。 - 【請求項5】 上記明暗度画像に基づいて、上記求めら
れた癌の領域の解像度で平滑化された画像を生成するた
め、ガウシアン演算を用いて行われる第1のサブステッ
プと、構造的な特徴の画像を生成するため、該平滑化さ
れた画像に適用される回転不変性の1次又は2次の各微
分演算を用いて行われる第2のサブステップとを備えた
第1のフェーズを含む第1の段階からなり、該演算は、 1次の有向微係数を計算し、上記平滑化された画像の現
在の点の周辺で上記明暗度の勾配の率を得る演算と、 2次の明暗度の有向微係数を計算し、同じ点で上記2次
の有向微係数から最大の正の値を選択し、この値を選択
できないならば、明暗度の値ゼロを上記関係した点に割
当て、上記同じ点で上記2次の有向微係数から最大の負
の値を選択し、その値を選択できないならば、明暗度の
値ゼロを上記関係した点に割当てる演算と、 2次の明暗度の有向微係数を計算し、同じ点で上記2次
の有向微係数から最小の正の値を選択し、この値を選択
できないならば、明暗度の値ゼロを上記関係した点に割
当て、上記同じ点で上記2次の有向微係数から最小の負
の値を選択し、その値を選択できないならば、明暗度の
値ゼロを上記関係した点に割当てる演算と、 上記現在の点の近傍の曲率と、上記明暗度の勾配の率と
の積を計算する演算とを含む請求項4記載の方法。 - 【請求項6】 上記第1の段階に第2のフェーズを更に
有し、上記第2のフェーズは、 上記第1のフェーズの上記微分演算により生成された画
像に基づいて、上記求められた癌の解像度及び/又は上
記求められた癌の周囲の組織の解像度で新しい平滑化さ
れた画像を供給するためガウシアン演算を用いて行われ
る第1のサブステップと、構造的な特徴の画像を生成す
るため該新しい平滑化された画像に適用される回転不変
性の微分演算を用いて行われる第2のサブステップとを
備えた第1及び/又は第2の処理系を含み、該演算は、 1次の明暗度の有向微係数を計算し、該新しい平滑化さ
れた画像の中の上記現在の点で上記明暗度の勾配の率を
生成する演算と、 2次の明暗度の有向微係数を計算し、同一点で等方性の
ラプラシアンを生成する演算と、 2次の明暗度の有向微係数を計算し、上記同一点で2次
の有向微係数の回転不変性の結合を生成する演算とを含
む請求項5記載の方法。 - 【請求項7】 上記第1の段階の上記第2のフェーズ
が、上記第1の系及び上記第2の系で並列に行われる請
求項6記載の方法。 - 【請求項8】 上記明暗度画像はヒトの体の***X線写
真である請求項1乃至7のうちいずれか1項記載の方
法。 - 【請求項9】 上記分類システムは、上記点を、上記所
定のタイプの癌の領域中の点のクラスと、胸部の内側の
不透明な領域中の点のクラスと、胸部周辺の領域中の点
のクラスと、他の領域の点のクラスとからなる4個の確
率のクラスに分類するニューラルネットワークであり、 最終的な画像の合成は、上記癌の領域のクラスに属する
点の確率のレートに閾値演算を適用し、上記所定のタイ
プの癌の領域のクラスとして該閾値を超える確率のレー
トを有する点を選択し、上記点を上記癌の領域に分類す
るため該点のラベル付けを行い、その範囲が表面の閾値
を超える領域を選択し、上記明暗度画像を、上記選択さ
れた所定のタイプの癌の領域中の点のクラスと他の領域
中の点のクラスとを含む2個のクラスに分割する段階か
らなる請求項8記載の方法。 - 【請求項10】 画像の一部分中の各点の周辺の明暗度
の分布から得られた特徴の値によって形成された成分の
ベクトルと呼ばれる組を決めるため、上記画像の一部分
中の多数の点を処理する手段と、 所定のタイプの癌に対応した上記画像の該一部分の領域
又は別の領域に属する該ベクトルと関係した上記点の確
率を定める分類システムとからなる請求項1乃至9のう
ちいずれか1項記載の方法を実行する画像処理装置。 - 【請求項11】 上記所定のタイプの癌の領域のクラス
に属する点として、所定の閾値を超える確率のレートを
有する点を選択し、上記点を上記癌の領域に分類するた
め上記点にラベル付けを行い、上記元の画像を、上記所
定のタイプの癌の領域の中の点のクラス及び他の領域の
中の点のクラスからなる2個の点のクラスに分割する手
段とを含む上記所定のタイプの癌である可能性のある領
域を元の画像内に再生する手段を更に有する請求項10
記載の装置。 - 【請求項12】 上記明暗度の特徴ベクトルを発生する
手段は、 a)1個又は数個のスケールで少なくとも1個の平滑化
された画像を生成するべく夫々のガウシアン演算を適用
するため有向フィルタリングを行う少なくとも一つの第
1の手段と、 b)1個又は数個の回転不変性の1次又は2次の微分演
算を平滑化された各画像に最終的に適用する少なくとも
一つの第2の手段と、 c)各点に対し求められる上記明暗度の特徴ベクトルの
特徴を生成するため上記演算の結果を分類する計算手段
とからなり、 上記分類システムは、関係した各点に対し、該点に関係
した上記特徴ベクトルをその入力に受け、上記特徴ベク
トルに基づいて該点を、一方が癌の領域中の点であるク
ラスであり、他方が別の領域に関係したクラスである上
記画像の異なる領域に属する確率の異なるクラスに分類
するため配置されたニューラルネットワークである請求
項11記載の装置。 - 【請求項13】 ヒト又は動物の体の領域の画像を得る
システムと、 ディジタル化された明暗度の値を有する画素の2次元マ
トリックスの形で上記画像を記憶するメモリと、 該メモリへのアクセスを有し、該画像を自動的に処理す
る装置と、 該画像内で検出された上記所定のタイプの癌の領域を指
定するため、可視性の標示で該画像を表示する手段とか
らなり、 上記画像を処理する装置が請求項10乃至12のうちい
ずれか1項に記載された装置であり、所定のタイプの癌
を自動的に検出する医用画像システム。 - 【請求項14】 X線断層撮影又は磁気共鳴画像システ
ムである請求項13記載のシステム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR9511499 | 1995-09-29 | ||
FR9511499 | 1995-09-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH09134434A true JPH09134434A (ja) | 1997-05-20 |
Family
ID=9483089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP8255166A Pending JPH09134434A (ja) | 1995-09-29 | 1996-09-26 | 明暗度画像内の所定のタイプの癌領域を自動検出する画像処理方法及び装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US5830141A (ja) |
EP (1) | EP0766205B1 (ja) |
JP (1) | JPH09134434A (ja) |
DE (1) | DE69630935T2 (ja) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000126182A (ja) * | 1998-10-27 | 2000-05-09 | Mitani Sangyo Co Ltd | 腫瘍診断方法 |
JP2001186340A (ja) * | 1999-10-28 | 2001-07-06 | Hewlett Packard Co <Hp> | 偽造検出方法 |
JP2004254742A (ja) * | 2003-02-24 | 2004-09-16 | Konica Minolta Holdings Inc | 医用画像処理装置及び悪性度の判定方法 |
JP2005185560A (ja) * | 2003-12-25 | 2005-07-14 | Konica Minolta Medical & Graphic Inc | 医用画像処理装置及び医用画像処理システム |
JP2007502173A (ja) * | 2003-08-13 | 2007-02-08 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | 分類プロセスへの空間的知見の組込み |
JP2008080121A (ja) * | 2006-09-28 | 2008-04-10 | General Electric Co <Ge> | 画像内の領域を識別する方法及びシステム |
CN103720482A (zh) * | 2012-10-11 | 2014-04-16 | 财团法人工业技术研究院 | 影像重建方法与***及影像建构方法与*** |
JP2017162456A (ja) * | 2016-03-11 | 2017-09-14 | 株式会社東芝 | 道路シーンのセマンティックセグメンテーションのための制約付きデコンボリューションネットワークのトレーニング |
JP2020509455A (ja) * | 2017-02-28 | 2020-03-26 | ヴェリリー ライフ サイエンシズ エルエルシー | プログラム可能光源を使用する画像のマルチクラス分類のシステムおよび方法 |
WO2020110774A1 (ja) * | 2018-11-30 | 2020-06-04 | 富士フイルム株式会社 | 画像処理装置、画像処理方法、及びプログラム |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19616997A1 (de) * | 1996-04-27 | 1997-10-30 | Boehringer Mannheim Gmbh | Verfahren zur automatisierten mikroskopunterstützten Untersuchung von Gewebeproben oder Körperflüssigkeitsproben |
FR2766044B1 (fr) * | 1997-07-11 | 1999-10-08 | Ge Medical Syst Sa | Procede de traitement d'une sequence d'images radiologiques d'un objet |
US6757412B1 (en) | 1998-10-21 | 2004-06-29 | Computerzied Thermal Imaging, Inc. | System and method for helping to determine the condition of tissue |
ES2147533B1 (es) * | 1998-11-30 | 2001-04-01 | Univ Sevilla | Metodo de analisis de coincidencias de imagenes medicas y/o de microscopia mediante combinacion de filtrado de histogramas e identificacion holografica. |
JP2003500776A (ja) * | 1999-05-26 | 2003-01-07 | シーメンス アクチエンゲゼルシヤフト | パターン認識 |
DE10016406A1 (de) * | 2000-04-01 | 2001-10-25 | Wella Ag | Mittel und Verfahren zur dauerhaften Haarverformung auf Basis von 2-Mercaptopropionsäureamiden sowie Verfahren zu deren Herstellung |
US20020177779A1 (en) * | 2001-03-14 | 2002-11-28 | Doron Adler | Method and system for detecting colorimetric abnormalities in vivo |
US9113846B2 (en) | 2001-07-26 | 2015-08-25 | Given Imaging Ltd. | In-vivo imaging device providing data compression |
US7962187B2 (en) * | 2002-03-13 | 2011-06-14 | Tufts University | Optical imaging and oximetry of tissue |
US7806827B2 (en) * | 2003-03-11 | 2010-10-05 | General Electric Company | Ultrasound breast screening device |
ATE389218T1 (de) * | 2004-09-22 | 2008-03-15 | Koninkl Philips Electronics Nv | Konforme segmentierung von organen auf medizinischen bildern |
US8275449B2 (en) * | 2005-11-11 | 2012-09-25 | Visualsonics Inc. | Overlay image contrast enhancement |
US8882674B2 (en) * | 2006-09-28 | 2014-11-11 | Research Foundation Of The City University Of New York | System and method for in vivo imaging of blood vessel walls to detect microcalcifications |
US8086002B2 (en) * | 2007-04-27 | 2011-12-27 | Three Palm Software | Algorithms for selecting mass density candidates from digital mammograms |
US20100158332A1 (en) * | 2008-12-22 | 2010-06-24 | Dan Rico | Method and system of automated detection of lesions in medical images |
US9406146B2 (en) | 2009-06-30 | 2016-08-02 | Koninklijke Philips N.V. | Quantitative perfusion analysis |
WO2012106580A2 (en) | 2011-02-04 | 2012-08-09 | The Regents Of The University Of California | Methods and apparatus for computer-aided radiological detection and imaging |
US8873816B1 (en) | 2011-04-06 | 2014-10-28 | Given Imaging Ltd. | Method and system for identification of red colored pathologies in vivo |
WO2013104937A2 (en) | 2012-01-11 | 2013-07-18 | 77 Elektronika Mũszeripari Kft. | Image processing method and apparatus |
US9020221B2 (en) * | 2012-07-13 | 2015-04-28 | Sony Corporation | Method and apparatus for automatic cancer diagnosis scoring of tissue samples |
US9892510B2 (en) | 2012-10-24 | 2018-02-13 | Sony Corporation | Method and apparatus for automatic cancer diagnosis using percentage scoring |
US9324145B1 (en) | 2013-08-08 | 2016-04-26 | Given Imaging Ltd. | System and method for detection of transitions in an image stream of the gastrointestinal tract |
US10783610B2 (en) * | 2015-12-14 | 2020-09-22 | Motion Metrics International Corp. | Method and apparatus for identifying fragmented material portions within an image |
US9704257B1 (en) * | 2016-03-25 | 2017-07-11 | Mitsubishi Electric Research Laboratories, Inc. | System and method for semantic segmentation using Gaussian random field network |
JP2019195304A (ja) | 2018-05-10 | 2019-11-14 | 学校法人順天堂 | 画像解析方法、装置、コンピュータプログラム、及び深層学習アルゴリズムの生成方法 |
JP7381003B2 (ja) * | 2019-04-26 | 2023-11-15 | 学校法人順天堂 | 疾患解析を支援する方法、装置、及びコンピュータプログラム、並びにコンピュータアルゴリズムを訓練する方法、装置、及びプログラム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5260871A (en) * | 1991-07-31 | 1993-11-09 | Mayo Foundation For Medical Education And Research | Method and apparatus for diagnosis of breast tumors |
US5365429A (en) * | 1993-01-11 | 1994-11-15 | North American Philips Corporation | Computer detection of microcalcifications in mammograms |
-
1996
- 1996-09-20 EP EP96202640A patent/EP0766205B1/fr not_active Expired - Lifetime
- 1996-09-20 DE DE69630935T patent/DE69630935T2/de not_active Expired - Fee Related
- 1996-09-26 JP JP8255166A patent/JPH09134434A/ja active Pending
- 1996-09-27 US US08/721,914 patent/US5830141A/en not_active Expired - Fee Related
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000126182A (ja) * | 1998-10-27 | 2000-05-09 | Mitani Sangyo Co Ltd | 腫瘍診断方法 |
JP2001186340A (ja) * | 1999-10-28 | 2001-07-06 | Hewlett Packard Co <Hp> | 偽造検出方法 |
JP2004254742A (ja) * | 2003-02-24 | 2004-09-16 | Konica Minolta Holdings Inc | 医用画像処理装置及び悪性度の判定方法 |
JP2007502173A (ja) * | 2003-08-13 | 2007-02-08 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | 分類プロセスへの空間的知見の組込み |
JP2005185560A (ja) * | 2003-12-25 | 2005-07-14 | Konica Minolta Medical & Graphic Inc | 医用画像処理装置及び医用画像処理システム |
JP2008080121A (ja) * | 2006-09-28 | 2008-04-10 | General Electric Co <Ge> | 画像内の領域を識別する方法及びシステム |
CN103720482A (zh) * | 2012-10-11 | 2014-04-16 | 财团法人工业技术研究院 | 影像重建方法与***及影像建构方法与*** |
US9101326B2 (en) | 2012-10-11 | 2015-08-11 | Industrial Technology Research Institute | Method and system of image reconstruction and method and system of image construction |
JP2017162456A (ja) * | 2016-03-11 | 2017-09-14 | 株式会社東芝 | 道路シーンのセマンティックセグメンテーションのための制約付きデコンボリューションネットワークのトレーニング |
JP2020509455A (ja) * | 2017-02-28 | 2020-03-26 | ヴェリリー ライフ サイエンシズ エルエルシー | プログラム可能光源を使用する画像のマルチクラス分類のシステムおよび方法 |
US11229353B2 (en) | 2017-02-28 | 2022-01-25 | Verily Life Sciences Llc | System and method for multiclass classification of images using a programmable light source |
US11699102B2 (en) | 2017-02-28 | 2023-07-11 | Verily Life Sciences Llc | System and method for multiclass classification of images using a programmable light source |
WO2020110774A1 (ja) * | 2018-11-30 | 2020-06-04 | 富士フイルム株式会社 | 画像処理装置、画像処理方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
DE69630935T2 (de) | 2004-11-04 |
DE69630935D1 (de) | 2004-01-15 |
US5830141A (en) | 1998-11-03 |
EP0766205A1 (fr) | 1997-04-02 |
EP0766205B1 (fr) | 2003-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JPH09134434A (ja) | 明暗度画像内の所定のタイプの癌領域を自動検出する画像処理方法及び装置 | |
Schilham et al. | A computer-aided diagnosis system for detection of lung nodules in chest radiographs with an evaluation on a public database | |
Rangayyan et al. | Measures of acutance and shape for classification of breast tumors | |
AU706993B2 (en) | Computerized detection of masses and parenchymal distortions | |
US5825909A (en) | Automated method and system for image segmentation in digital radiographic images | |
JP5138910B2 (ja) | 投影画像を用いた3dcadのシステム及び方法 | |
US6760468B1 (en) | Method and system for the detection of lung nodule in radiological images using digital image processing and artificial neural network | |
US6738500B2 (en) | Method and system for detecting small structures in images | |
Ball et al. | Digital mammographic computer aided diagnosis (cad) using adaptive level set segmentation | |
Costaridou | Medical image analysis methods | |
Hogeweg et al. | Suppression of translucent elongated structures: applications in chest radiography | |
JP4651370B2 (ja) | 放射線画像処理の方法 | |
Schilham et al. | Multi-scale nodule detection in chest radiographs | |
US6393157B1 (en) | Method for automatically detecting objects of predefined size within an image | |
WO1997046971A9 (en) | A method for automatically detecting objects of predefined size within an image, e.g. a mamographic image | |
Qian et al. | Knowledge-based automatic detection of multitype lung nodules from multidetector CT studies | |
Mustapha et al. | Toward under-specified queries enhancement using retrieval and classification platforms | |
Chan et al. | Computer-aided diagnosis of breast cancer | |
Tsujii et al. | Anatomic region-based dynamic range compression for chest radiographs using warping transformation of correlated distribution | |
Morrow | Region-based image processing with application to mammography | |
Huwer et al. | Mammalyzer: An approach for automatic detection of breast cancer by analyzing contrast-enhanced MRi mammographs | |
Giger | Computerized scheme for the detection of pulmonary nodules | |
Mohamed et al. | Mass candidate detection and segmentation in digitized mammograms | |
Nanavati et al. | Implementation and Comparative Study of Pyramid-based Image Fusion Techniques for Lumbar Spine Images | |
Jiang et al. | Automatic recognition of spicules in mammograms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060516 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20060815 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20060818 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20061116 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20070109 |