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
Application number
JP8255166A
Other languages
English (en)
Inventor
Sherif Makram-Ebeid
マクランーエベイド シェリフ
Jean-Pierre Roux
ルー ジャン−ピエール
Eric Cohen-Solal
コエン−ソラル エリック
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Philips Electronics NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Philips Electronics NV filed Critical Philips Electronics NV
Publication of JPH09134434A publication Critical patent/JPH09134434A/ja
Pending legal-status Critical Current

Links

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

(57)【要約】 【課題】 本発明の目的は、***Ｘ線写真画像内の疑わ
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

【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明は、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。
【０００２】本発明は、***Ｘ線写真内の“不透明部”
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。
【０００３】
【従来の技術】***Ｘ線写真画像中の腫瘍を認識する画
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。
【０００４】
【発明が解決しようとする課題】第２の関数によって表
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。
【０００５】本発明の目的は、***Ｘ線写真画像内の疑
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。
【０００６】
【課題を解決するための手段】本発明の方法は、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。
【０００７】本発明により提案された上記方法の利点
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。
【０００８】上記装置の利点は、非常に小さい癌が検出
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。
【０００９】
【発明の実施の形態】以下、添付図面を参照して本発明
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。
【００１０】***Ｘ線写真画像は、ディジタルＸ線写真
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。
【００１１】癌の検出のための***Ｘ線写真画像の処理
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。
【００１２】図１乃至５に示されているように、本発明
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。
【００１３】Ｘ線画像を処理する際、特に、***Ｘ線写
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。
【００１４】
【実施例】以下に本発明の方法を詳細に説明する。 Ｉ．第１の段階 画像の画素に関係した明暗度特徴のベ
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。
【００１５】かかる平滑化は、Ｇ５と呼ばれるガウシア
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。
【００１６】ガウシアンコアフィルタＧ５の通過は、実
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。
【００１７】第１の構造的な特徴の決定 平滑化された画像ＩＣ０は、次に、検出されるべき対象
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。
【００１８】平滑化された画像ＩＣ０を、図８の（Ａ）
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
【００１９】
【数１】
【００２０】で表わす。明暗度勾配は、画像ＩＣ０にお
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。
【００２１】ソーベルフィルタの使用は、ダナ エイチ
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。
【００２２】Ｓｏｖｅｌx フィルタとＳｏｖｅｌy フィ
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：
【００２３】
【数２】
【００２４】により与えられる。勾配率は：
【００２５】
【数３】
【００２６】により与えられる。フィルタＦＰ１を適用
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
【００２７】
【数４】
【００２８】が計算され、図８の（Ａ）の新しい明暗度
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。
【００２９】平滑化された明暗度関数Ｆ０の２次微係数
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。
【００３０】
【数５】
【００３１】処理された画像のＸ軸に関して角度θを囲
む軸方向の“有向２次微係数”は、
【００３２】
【数６】
【００３３】のように表わされ、前の２次微係数を用い
て以下の式（４）
【００３４】
【数７】
【００３５】により計算される。明暗度関数Ｆ０の２次
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。
【００３６】上記有向フィルタＳｏｖｅｌx 及びＳｏｖ
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
【００３７】
【数８】
【００３８】の計算が可能になる。次に、現在の画素
で、最大明暗度値を供給する有向２次微係数の最大値
【００３９】
【数９】
【００４０】が評価され、その値が正の場合に限り、最
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
【００４１】
【数１０】
【００４２】が得られる。ＦＰ３は負側の整流された有
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。
【００４３】２次有向微係数の値が上記式（４）を用い
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
【００４４】
【数１１】
【００４５】が評価され、その値が負の場合に限り、最
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
【００４６】
【数１２】
【００４７】が得られる。ＦＰ４は正側の整流された有
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。
【００４８】現在の画素で、上記式（４）を用いて有向
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
【００４９】
【数１３】
【００５０】が評価され、その値が正の場合に限り、最
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
【００５１】
【数１４】
【００５２】が得られる。ＦＰ５は負側の整流された有
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。
【００５３】各画素に対し、上記式（４）を用いて有向
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
【００５４】
【数１５】
【００５５】が評価され、その値が負の場合に限り、最
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
【００５６】
【数１６】
【００５７】が得られる。不変性フィルタリング演算Ｆ
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。
【００５８】ＦＰ６は、平滑化された画像ＩＣ０の対象
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
【００５９】
【数１７】
【００６０】との積に一致する明暗度Ｆ６を計算する不
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
【００６１】
【数１８】
【００６２】が上記の如く計算される。現在の画素Ｐ0
の近傍のＫで表わされた曲率は、以下の式（７）
【００６３】
【数１９】
【００６４】により与えられる。かくして、曲率Ｋは式
（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
【００６５】
【数２０】
【００６６】が生成される。フィルタＦＰ１乃至ＦＰ６
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。
【００６７】１．２ 第２のフィルタリングフェーズ
（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。
【００６８】予備的な平滑化ＦＰ１０Ａ、ＦＰ１０Ｂ 予備的なサブステップの間に、先に形成された６個の各
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。
【００６９】第１の系Ａにおいて、ガウシアンフィルタ
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。
【００７０】上記予備的なサブステップの最後に、所定
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。
【００７１】上記第１のサブステップの最後に、処理さ
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。
【００７２】第２の構造的な特徴量の決定 上記予備的なサブステップＦＰ１０Ａ、ＦＰ１０Ｂの最
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。
【００７３】かくして、上記第２フェーズにおいて、本
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。
【００７４】ＦＰ２０Ａ及びＦＰ２０Ｂは、明暗度勾配
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
【００７５】
【数２１】
【００７６】で表わす。上記の表記は処理される画像の
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
【００７７】
【数２２】
【００７８】に従って明暗度関数Ｆ１１Ａ乃至Ｆ１６Ａ
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
【００７９】
【数２３】
【００８０】に従って明暗度関数Ｆ１１Ａ乃至Ｆ１６Ｂ
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
【００８１】
【数２４】
【００８２】と、勾配率に対する計算演算子を１２個の
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
【００８３】
【数２５】
【００８４】とが生成される。ＦＰ３０ＡとＦＰ３０Ｂ
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
【００８５】
【数２６】
【００８６】に従う２次微係数の結合により得られる。
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。
【００８７】かくして、式（３０）を使用する関係ＬＰ
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。
【００８８】上記表現において、２次微係数は、上記の
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。
【００８９】ＦＰ４０Ａ及びＦＰ４０Ｂは、２次微係数
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。
【００９０】その関数として、一般的な式Ｄ２を有する
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
【００９１】
【数２７】
【００９２】により定められた２次微係数である。かく
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
【００９３】
【数２８】
【００９４】と、Ｓ２１Ａ乃至Ｓ２６Ａにより表わされ
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。
【００９５】次に、Ｑ２１Ｂ乃至Ｑ２６Ｂにより表わさ
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。
【００９６】２次微分形の不変性フィルタＦＰ４０Ａ、
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。
【００９７】１．３ ベクトルの特徴量の分類のための
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。
【００９８】上記の方法により決定された５４個の特徴
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。
【００９９】放射線医師自身が悪性腫瘍の区域と健康な
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。
【０１００】ここまでは、元の画像の各画素に対し計算
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。
【０１０１】本発明の方法のフェーズ１及び２において
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。
【０１０２】ｍ個の特徴量のベクトルが元の画像の関心
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。
【０１０３】図６の（Ａ）及び（Ｂ）には、層状に配置
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。
【０１０４】ニューラルネットワークは、データベース
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。
【０１０５】ニューラルネットワークの学習フェーズの
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。
【０１０６】２．２ ４個のクラスへの分割用の第２の
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。
【０１０７】第２のフェーズの間に、ニューラルネット
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。
【０１０８】かくして、関心のある画素が、例えば、２
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。
【０１０９】２．３ ２個のクラスへの分割用の第３の
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。
【０１１０】第１の簡単な方法によれば、確保された癌
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。
【０１１１】第２の好ましい方法によれば、危険区域、
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。
【０１１２】上記第２の方法はより良好な結果を提供
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。
【０１１３】図１２の曲線“ＲＯＣ”（受信器動作曲
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。
【０１１４】以下、本発明の装置及びシステムの説明を
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。
【０１１５】図１、図２、図３、図４及び図５のフロー
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。
【０１１６】従って、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、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。
【０１１７】図１乃至図５によれば、上記装置の処理手
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。
【０１１８】上記装置は、ヒトの体の***Ｘ線写真内の
“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。
【図面の簡単な説明】
【図１】***Ｘ線写真内の所定のタイプの癌を自動的に
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。
【図２】系列Ａ内の第１の段階の第２のフェーズのフロ
ーチャートである。
【図３】系列Ｂ内の第１の段階の第２のフェーズのフロ
ーチャートである。
【図４】第１の段階の第３のフェーズのフローチャート
である。
【図５】自動的な方法の第２の段階のフローチャートで
ある。
【図６】（Ａ）及び（Ｂ）はニューラルネットワークの
素子を示す図である。
【図７】（Ａ）、（Ｂ）及び（Ｃ）は、夫々、元の画像
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。
【図８】（Ａ）乃至（Ｆ）は、図１の第１のフィルタ系
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。
【図９】（Ａ）、（Ｂ）及び（Ｃ）は、夫々、最初の乳
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。
【図１０】別の最初の***Ｘ線写真画像と、４個のクラ
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。
【図１１】（Ａ）乃至（Ｃ）は、使用されたフィルタに
対応するパルス応答を示すグラフである。
【図１２】装置上で行われたテストの結果を示す図であ
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。
【図１３】画像ピックアップ装置と、所定のタイプの癌
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。
【符号の説明】
１ 胸部 ２ 深い胸部区域 ３ 周辺の胸部区域 ４ 皮膚 ９ 背景 ２０ Ｘ線源 ２１，２２ プレート ２３ 画像増倍器 ２４ 撮像管 ２５ 処理システム ２６ 出力 ＣＰ１，ＣＰ２，ＣＰ３ 計算手段 Ｅ１，．．．，Ｅ５４ 入力 ＦＡ 誤警報 Ｆ０，Ｆ１１Ａ，．．．，Ｆ４０Ａ，Ｆ１１
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
───────────────────────────────────────────────────── フロントページの続き (72)発明者 ジャン−ピエール ルー フランス国 94370 シュシ−アン−ブリ リュ・デ・ヴァレン ５ (72)発明者 エリック コエン−ソラル アメリカ合衆国 ニューヨーク 10510 ブライアークリフ・マナー スクロウバー ロウ・ロード 345

Claims (14)

    【特許請求の範囲】
  1. 【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。
  2. 【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。
  3. 【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。
  4. 【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。
  5. 【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。
  6. 【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。
  7. 【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。
  8. 【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。
  9. 【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。
  10. 【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。
  11. 【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。
  12. 【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。
  13. 【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。
  14. 【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。
JP8255166A 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 Pending JPH09134434A (ja)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Cited By (13)

* Cited by examiner, † Cited by third party
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