JPH11213127A

JPH11213127A - 画像処理方法および装置

Info

Publication number: JPH11213127A
Application number: JP10010899A
Authority: JP
Inventors: Yukio Kosugi; 幸夫小杉; Kazuhiro Matsui; 和宏松井; Yusuke Suganami; 雄介菅波
Original assignee: Tokyo Institute of Technology NUC
Current assignee: Tokyo Institute of Technology NUC
Priority date: 1998-01-23
Filing date: 1998-01-23
Publication date: 1999-08-06
Anticipated expiration: 2018-01-23
Also published as: JP2873955B1

Abstract

(57)【要約】【課題】より多くの特徴量の中から選択される膨大な
特徴量の組合せの中から、より効果的な特徴量の組合せ
を、短時間で自動的に見出し、これにより画像処理の精
度を向上する。【解決手段】入力画像の中から複数の特徴量を抽出す
る特徴抽出演算部１と、複数の特徴量の組合せを記憶す
るビット列記憶部２と、各ビット列で指定される特徴量
の組合せが、画像処理に寄与する効果を表すＶＱＣＣＥ
を演算する評価演算部３と、ビット列選別部４、ビット
列交叉交換部５、ビット列要素反転部６および乱数発生
部７を有し、特徴量の組合せに対して遺伝的操作を行な
う遺伝操作部と、特徴量の最適組合せに基づいて構築さ
れ、画像を処理する多層ネットワークを有するパターン
識別部８とを具えている。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、防災画像処理、環
境工学、医用工学、画像認識、パターン認識などに係わ
る情報処理分野で巾広く必要とされる画像の特徴量に基
づく分類技術に関するものであり、特に多数の特徴量候
補の中から有効な組合せを見出す技術に関するものであ
る。

【０００２】

【従来の技術】ＭＲ (Magnetic Resonance) 画像やＣＴ
(Computed Tomography) 画像等の生体断層画像の組織分
類は、疾病領域の抽出のみならず、他の画像との融合や
３次元可視化を目的とした臓器抽出の際に基本となる作
業である。ＭＲやＣＴ画像に代表される断層像は、それ
自身疾病の診断に大きな役割を果たすものであるが、こ
れらの画像から各器官の疾病部位の部分画像を抽出する
ことにより、新たな応用分野を広げることができる。例
えば、脳の疾病診断や機能解明に重要な役割を果たすＰ
ＥＴ（Positron Emission Tomography) 画像には、部分
容積効果として知られる現象のために高い位置分解能が
得られない欠点があるが、詳しい構造情報を与えるＭＲ
画像を併用して、ＰＥＴから得られる脳内の陽電子分布
をより正確に復元することで、精度の高いＰＥＴ画像を
得ることができることが知られており、例えば管波雄
介、亀山啓輔、小杉幸夫、佐瀬幹哉、百瀬敏光、西川潤
一、「ＭＲ援用ＰＥＴ画像処理における組織分類ニュー
ラルネット」、信学技報、MBE95-95, Oct. 1995 （参考
文献１）に記載されている。

【０００３】これは、ＰＥＴ／ＭＲＩ融合ネットワーク
とＭＲＩ組織分類ネットワークと呼ばれる２種類の層状
ニューラルネットによって実現されるものである。この
ような応用では、まずＭＲＩ組織分類ネットによってＭ
Ｒ画像から脳の白質・灰白質の分類情報を得た後、ＰＥ
Ｔ／ＭＲI 融合ネットによって、ＭＲ画像から得られた
脳組織分布と実測したＰＥＴ画像から本来の陽電子分布
を復元している。

【０００４】

【発明が解決しようとする課題】上述したようにして復
元した画像の精度は、ＭＲ画像からの組織特徴量抽出の
精度、すなわちＭＲＩ組織分類ネットの精度に大きく依
存している。従来、ＭＲＩ組織分類ネットは、バックプ
ロパゲーション学習則を用いた層状ニューラルネットで
構成されている。入力されるのは、ＭＲ画像中の１点の
画素に関する各種特徴量であり、出力されるのは、その
画素の属するクラス、例えば白質、灰白質、その他であ
る。このネットワークの精度を高めるためには、入力す
る特徴量が組織分類のために効率的な情報を持っている
必要がある。

【０００５】しかしながら、考えられ得る特徴量の全て
の組合せのそれぞれについてネットワークの学習、分類
精度評価を行なうことはかなりの計算時間が必要とな
り、事実上不可能である。そのため、実際にネットワー
クを構成することなく最適な特徴量の組合せを探索する
手法が必要とされている。また、ＭＲＩ組織分類に限ら
ず、パターン分類全般においても、良好な分類を行なう
ためには、有効な特徴量の選択が重要な課題となってい
る。

【０００６】上述したように、きわめて多数の特徴量候
補の中から有効な組合せを探索する作業は、所要の認識
結果との因果関係を掘り出すデータマイニングの一種と
も位置づけられるものであるが、選択された特徴量の有
効性を評価する簡便な手法がないため、統一的な探索手
法が適用できなかった。その結果、対象とする画像の目
視処理に精通した作業者の勘を頼りに、試行錯誤的に構
成する必要があった。この部分の設計指針が問題依存性
であるために、開発時間や開発コストが膨大となり、製
造ラインモニタや防災画像等の画像認識処理の自動化が
阻害されていた。

【０００７】本発明の目的は、上述した従来の問題点を
解消し、画像の分類、領域分割などの画像処理のために
必要な、画像特徴量の最適な組合せを短時間でかつ効率
良く自動的に抽出することができる画像処理方法および
装置を提供しようとするものである。本発明の他の目的
は、このようにして抽出した特徴量の最適な組合せに基
づいて画像の分類、領域分割などの画像処理をきわめて
高い精度で行なうことができる画像処理方法および装置
を提供しようとするものである。

【０００８】

【課題を解決するための手段】本発明による画像処理方
法は、画像処理のための特徴量の最適な組合せを自動的
に抽出するに当たり、処理すべき入力画像から複数の特
徴量を抽出する工程と、これら複数の特徴量の組合せを
複数生成する工程と、これら複数の特徴量組合せの各々
が、画像処理に寄与する効果を演算する工程と、この演
算結果に基づいて適応度を演算しながら遺伝的操作を実
行して、特徴量の最適の組合せを探索する工程と、を具
えることを特徴とするものである。本発明の画像処理方
法は、さらに（ａ）処理すべき画像を入力する工程と、
（ｂ）処理すべき入力画像から複数の特徴量を抽出する
工程と、（ｃ）これら複数の特徴量の種々の組合せをビ
ット列で表す工程と、（ｄ）これらのビット列で表され
た特徴量の組合せが、画像処理に寄与する効果を演算す
る工程と、（ｅ）この演算結果に基づいて、優れた特徴
量の組合せを表すビット列群を選別する工程と、（ｆ）
これらの選別されたビット列群の各々の内容の一部を、
乱数を用いて置き換える工程と、（ｇ）選別されたビッ
ト列群の中から選択された２つのビット列の内容の一部
を相互に交換する工程と、（ｈ）前記工程（ｄ）〜
（ｇ）の工程を一定世代数に亘って繰り返し行って、画
像処理に対してより効果の高い特徴量の最適組合せを自
動的に見出す工程と、を具えることを特徴とするもので
ある。

【０００９】本発明はさらに、画像の特徴量の組合せに
基づいて、入力画像の領域分割、分割された領域の分割
などの画像処理を行なうに当たり、処理すべき画像およ
び教師画像を入力する工程と、処理すべき入力画像から
複数の特徴量を抽出する工程と、これら複数の特徴量の
組合せを複数生成して記憶する工程と、これら複数の特
徴量組合せの各々が、画像処理に寄与する効果を演算す
る工程と、この演算結果に基づいて適応度を演算しなが
ら遺伝的操作を実行して、特徴量の最適の組合せを探索
する工程と、この特徴量の最適の組合せに基づいて多層
ネットワークを構築する工程と、この多層ネットワーク
によって前記教師画像を処理する学習を行い、その結果
を評価し、所望の結果が得られない場合には、新たな特
徴量の最適組合せを探索し、それに基づいて多層ネット
ワークを構築する工程と、このようにして構築した多層
ネットワークによって画像を処理する工程と、を具える
ことを特徴とするものである。

【００１０】本発明はさらに、画像特徴量の最適な組合
せを抽出する画像処理装置において、処理すべき入力画
像から複数の特徴量を抽出する手段と、これら複数の特
徴量の種々の組合せを記憶する手段と、これら複数の特
徴量組合せの各々が、画像処理に寄与する効果を演算す
る手段と、この演算結果に基づいて遺伝的操作を実行し
て、特徴量の最適の組合せを探索する手段と、を具える
ことを特徴量とするものである。さらに本発明による画
像処理装置は、処理すべき入力画像から複数の特徴量を
抽出する特徴量抽出手段と、これら複数の特徴量の種々
の組合せを表すビット列を記憶する手段と、これらのビ
ット列で表された特徴量の組合せが、画像の分類に寄与
する効果を演算する演算手段と、この演算結果に基づい
て、優れた特徴量の組合せを表すビット列群を選別する
手段と、これらの選別されたビット列群の各々の内容の
一部を、乱数を用いて置き換える手段と、選別されたビ
ット列群の中から選択された２つのビット列の内容の一
部を相互に交換する手段と、を具えることを特徴とする
ものである。

【００１１】本発明はさらに、特徴量の最適な組合せを
探索し、それに基づいて画像処理を行なう画像処理装置
において、処理すべき画像および教師画像を入力する手
段と、処理すべき入力画像から複数の特徴量を抽出する
特徴量抽出手段と、これら複数の特徴量の種々の組合せ
を表すビット列を記憶する手段と、これらのビット列で
表された特徴量の組合せが、画像の分類に寄与する効果
を演算する演算手段と、この演算結果に基づいて、優れ
た特徴量の組合せを表すビット列群を選別する手段と、
これらの選別されたビット列群の各々の内容の一部を、
乱数を用いて置き換える手段と、選別されたビット列群
の中から選択された２つのビット列の内容の一部を相互
に交換する手段と、前記選別手段で得られる特徴量の最
適組合せに基づいて構築される多層ネットワークを含
み、前記教師画像を処理する学習結果の評価に基づいて
多層ネットワークを再構築するパターン識別手段と、を
具えることを特徴とするものである。

【００１２】このような本発明による画像処理方法およ
び装置においては、遺伝的なアルゴリズム(Genetic Alg
orithm: 以下ＧＡと略記する）を用いて、実際のネット
ワークを構成することなく有効な特徴量を選択するもの
である。このGA自体は既知であり、例えばD. E. Goldbe
rg, "Genetic Algorithms in Searching, Optimizatiza
tiopn, and Machine Learning", Addition-Wesley, Rea
ding, 1989（参考文献２）に記載されている。ＧＡは、
膨大な数の組合せの中から有効な組合せを探索するのに
きわめて有効な手段である。

【００１３】上述した本発明による画像処理方法および
装置においては、特徴量の組合せが画像の分類に寄与す
る効果を演算するに当たって、指定された特徴量によっ
て構成される特徴量空間をベクトル量子化することで、
特徴量の組合せが持つ画像の分類に有効な情報量を、条
件付きエントロピーの形で評価するのが好適である。

【００１４】また、本発明による画像処理方法および装
置によって画像の領域分割を行なうに当たっては、画像
の各画素に対して周辺の小領域を定義し、この定義域内
の複数の画素値についてのモーメント、すなわち平均
値、分散、歪み度のいずれかを特徴量候補に含ませ、さ
らに特徴量抽出手段の出力を分類する多層ネットワーク
機構を構成し、画像を画素毎に分類して全体の画像を複
数の領域に分割するのが好適である。

【００１５】さらに、本発明による画像処理方法および
装置によって画像の領域分割を行ない、分割された領域
を分類するに当たっては、画像の各画素に対して周辺の
小領域を定義し、この定義域内における画素値の最大
値、最小値、最大値との差分、最小値との差分のいずれ
かを特徴量候補に含ませるのが好適であることを実験に
より確かめた。

【００１６】

【発明の実施の形態】以下図面を参照して本発明を詳細
に説明する。図１は、本発明による画像処理装置の全体
の構成を示すブロック図である。本発明による画像処理
装置は、処理すべき入力画像から特徴量を抽出する特徴
量抽出演算部１、特徴量の組合せを表す複数のビット列
をそれぞれ記憶するビット列記憶装置Ｍ₁〜Ｍ_Kを有す
るビット列記憶部２、これら複数のビット列の各々によ
って特定される特徴量の組合せについて、その有効性を
評価する評価演算部３と、この演算結果に基づいて優れ
たビット列を選別するビット列選別部４と、この選別さ
れたビット列対について交叉交換を行なうビット列交叉
交換部５と、ビット列の要素を部分的に反転するビット
列部分反転部６と、これらの交換および反転を行なうビ
ット位置をランダムに決定する乱数発生部７と、上述し
たビット列識別部４で識別された特徴量の最適組合せに
基づいて入力画像のパターン認識を行なうパターン認識
部８とを具えている。ビット列記憶部２内には、通常３
０〜５０個のビット列記憶装置を設け、各ビット列は、
例えば脳の実質抽出を行なう場合には、２１個の特徴量
の各々を指定できるように２１ビットで構成されてい
る。また、脳の白質・灰白質を分類する場合には、３９
個の特徴量の各々を指定できるように３９ビットで構成
されている。

【００１７】入力画像を分類するために用いる特徴量に
は多くのものが考えられる。ＭＲ画像上のある点に注目
したときに考えられる特徴量の候補を以下に列挙する
が、本発明はこれらの特徴量にのみ限定されるものでは
ないことは勿論である。（１）画素値注目している点の画素値（２）平滑化した画素値画像のノイズを削減するため
に、着目点に平滑フィルタをかけて得られる画素値（３）エッジ情報ラプラシアンフィルタの出力である
エッジ情報は、特に白質・灰白質の分類において有効で
ある。以上の特徴量は画像上の点について定義される情報であ
るが、これ以外に、着目点を中心としたある大きさの小
領域を定義し、定義域内の特徴量を、着目点の特徴量候
補とすることができる。（４）平均値小領域中の画素値の平均値（５）分散小領域中の画素値の分散（６）歪み度小領域中の画素値の歪み度（７）エネルギー小領域中の画素値ｘをとる確率がｐ
（ｘ）であるとするとき、Σ_x｛ｐ（ｘ）｝²で表され
る特徴量（８）最大値小領域中の画素値の最大値（９）最小値小領域中の画素値の最小値（１０）最大値との差分小領域中の画素値の最大値
と、注目点の画素値との差（１１）最小値との差分小領域中の画素値の最小値
と、注目点の画素値との差（１２）レンジ小領域における画素値の最大値と最小
値との差

【００１８】上述したように、ビット列記憶部２のビッ
ト列記憶装置Ｍ₁〜Ｍ_Kのそれぞれに格納されている各
ビット列によって指定された特徴量の組合せが、画像分
類にどのように寄与しているのかを評価して、最適の組
合せを抽出するが、例えば脳の白質・灰白質の分類作業
を行なうための３９個の特徴量候補の中からの選択可能
な組合せは、５．５×１０¹¹通りあり、上述したように
２１個の特徴量候補を使用する脳の実質中作業の場合で
も、２²¹＝2,097,152 通りあり、特徴量候補が少ない場
合に行われているように総当たり探査では探索不可能と
なる。したがって、従来は、この特徴量の選択は直感や
経験に頼っていたものが多く、そのために効率の悪い組
合せが用いれることが少なくなかった。

【００１９】本発明では、図１のビット列記憶部２内に
示すように、その特徴量を選択する場合には対応するビ
ットを１とし、採用しない場合には０としたビット列で
これらの特徴量候補の取捨選択を表現し、各々のビット
列について、指定された組合せが分類作業に必要なまた
は有用な情報をどの程度保持しているのかを、評価演算
部３で評価する。本例では、評価演算部３の特徴量評価
は、指定される特徴量の組合せから構成される特徴量空
間をベクトル量子化することで、特徴量の組合せが持つ
分類に有効な情報量を、条件付きエントロピーの形で評
価するものである。

【００２０】上述した条件付きエントロピー(Condition
al Class Entropy: 以下ＣＣＥと略記する) そのものは
既知であり、あるパターンＸ_Kが与えられたときに、そ
れが属するクラスを推定するときの不確定性を表すもの
である。本発明では、このようなＣＣＥを、特徴量選択
の評価基準とすることによって、各特徴量とその組合せ
を定量的、客観的に評価することができる。しかし、こ
のＣＣＥは、本来離散的な値について定義された量であ
るのに対し、本発明で扱う特徴量、例えば画素値の平均
値、分散といった値は連続値である。したがって、従来
のＣＣＥをそのまま適用することはできない。そこで、
特徴量の値域を何らかの方法でいくつかのパターンに分
割する必要がある。特徴量空間の分割として先ず考えれ
るのは、単純な等分割である。これは、特徴量空間を超
立方体によって等しい大きさに分割していく方法であ
る。しかし、この方法では、データの存在しない分割領
域が現れる可能性があり、特徴量ベクトルのアプリオリ
な分布を無視した分割しか行えない。

【００２１】そこで、本発明では、特徴量ベクトルをベ
クトル量子化することで特徴量空間を分割する方法を採
用する。これによって特徴量ベクトルのアプリオリな分
布を反映したＣＣＥ値の計算を行なうことができる。本
明細書においては、これをＶＱＣＣＥ(Vector-Quantize
d CCE)と呼ぶことにする。ベクトル量子化は、複数の値
の組（ベクトル）をまとめて一つの符号で表現する量子
化の手法である。データ数Ｍのベクトル集合｛ｘ₁，ｘ
₂‥‥ｘ_M｝が与えれられたとき、各ベクトルｘ_iは、
予め求められている代表ベクトルの集合｛ｙ₁，ｙ₂‥
‥ｙ_N｝の中の一つの要素であるｙ_cに置き換えられ
る。このｙ_cはコードベクトルと呼ばれ、ｙ_c＝ｍｉｎ｛ｄ（ｘ_i，ｙ_j）｜ｊ＝１，２‥‥Ｎ｝（１）を満たすベクトルである。なお、ｄ（）はベクトル間
の距離を表す関数とする。量子化数をＮ＝２^kとする
と、各ベクトルｘ_iはｋビットで表現できる。これによ
って連続した値を持ったベクトルを離散的な代表値によ
って表すことが可能となり、ＣＣＥ値を計算することが
できる。

【００２２】上述したように、ＶＱＣＣＥは特徴量ベク
トルをベクトル量子化してＣＣＥを求めたものである。
Ｍ個の特徴量ベクトルの集合｛ｘ₁，ｘ₂‥‥ｘ_M｝を
Ｎ個のコードベクトル｛ｙ₁，ｙ₂‥‥ｙ_N｝にベクト
ル量子化する。各特徴量ベクトルは、Ｎ_C個のクラスの
どれか一つに属している。ここで、コードベクトルｙ _k
が提示されたときにクラスがｉである条件付き確率ｐ_ik
は、ｐ_ik＝ｎ_ik／ｎ_k （２）である。ここで、ｎ_kはコードベクトルｙ_kで代表され
る部分集合に属するベクトルの数、ｎ_ikはその中でクラ
スｉに属するベクトルの数である。上述した式（２）で
示される条件付き確率ｐ_ikを用いて、下式（３）によっ
てＶＱＣＣＥを演算することができる。

【数１】

【００２３】図２は、特徴量として画素値および小領域
での画素値の平均値とを用い、脳ＭＲ画像を脳実質とそ
れ以外の領域に分類する簡単なモデルにおける特徴量ベ
クトルの分布と、それをベクトル量子化した結果を示す
ものである。図中の実線はベクトル量子化による特徴量
ベクトルの判別境界を示すものである。図３は、分割さ
れた各領域での、次式（４）で表されるエントロピーの
分布を示すものである。

【数２】図３において、グレイレベルの濃い領域はエントロピー
が高く、クラス判別の不確定性が高いことを示すもので
あり、薄い領域ではエントロピーが低く、判別が容易で
あることを示している。この図全体についてのエントロ
ピーの総和が上述したＶＱＣＣＥを示すものであり、図
３に示す例では、ＶＱＣＣＥ＝０．１１７である。この
ＶＱＣＣＥ値が０に近いほど、パターンの認識を行なう
のに必要な曖昧さが少ないことを意味している。

【００２４】本発明においては、上述したようにして評
価演算部３で演算されたＶＱＣＣＥ値に基づいて、遺伝
的アルゴリズムＧＡによる手法によって特徴量のより有
効な組合せを探索するものである。この遺伝的操作は、
ＶＱＣＣＥ値の小さい順にビット列の選択を行なうビッ
ト列選別部４、２つの特徴量の組合せのランダムに選択
される一部を相互に交換するビット列交叉交換部５およ
びビット列の要素のランダムに選択された一部を置き換
えるビット列要素部分反転部６とで行われるものであ
る。次に、このＧＡについて説明する。ＧＡは、生物集
団の進化の過程をモデルにした最適化・探索の手法であ
る。このＧＡには、その詳細な操作に関して非常に多く
のバリエーションが存在するが、本例では標準的な操作
を行なうものを採用する。

【００２５】この標準的なＧＡにおいては、先ず、解く
べき問題に対する解の候補を染色体（遺伝子）として表
現するコーディングを行なう。解候補は適応度と呼ばれ
る評価関数によって問題に対する適応の度合いが評価さ
れる。次に、その解候補を複数生成して個体群を初期化
する。この個体群に対して、適応度に応じた選択、遺伝
子の組み換え操作に相当する交叉、突然変異などの操作
を何世代にも亘って繰り返し適用し、これによって解候
補を最適化していく。

【００２６】本例におけるＧＡによる特徴量の組合せの
選択と、ＭＲ画像組織分類の全体のアルゴリズムを以下
に示す。（１）画像入力：分類すべき入力画像と、教師データと
なる画像とを与える。（２）初期化：ＧＡ個体群、すなわち一群の特徴量の組
合せを生成する（染色体をランダムに多数生成する）。
本例では特徴量の組合せを３０個生成する。（３）各ＧＡ個体の評価：（３ａ）個体の染色体から使用する特徴量を決める。（３ｂ）特徴量ベクトル集合を画像から生成する。（３Ｃ）ベクトル量子化する（本例では量子化数は１６
とする）。（３ｄ）ＶＱＣＣＥ値を計算し、個体の適応度を求め
る。（４）遺伝的操作（選択、交叉、突然変異など）を行な
う。（５）上記ステップ（３）および（４）を一定世代数だ
け繰り返す。（６）適応度が最大の個体を、最終的に使用する特徴量
の組合せとする。（７）ＭＲ画像組織分類ニューラルネットを構成し、教
師画像を用いて学習させる。バックプロパゲーション学
習則を使用する。（８）画像全体に対して組織分類を行い、その性能を評
価する。上述したステップ（４）および（５）の遺伝的操作で
は、ＶＱＣＣＥ値の低いものから対を構成し、ランダム
に指定された点で２つのビット列の相互を入れ換え、さ
らに一定の確率でビット列の要素をランダムに反転させ
た後、新たなビット列としてビット列記憶部２に加える
操作を予め決められた世代数、例えば５０世代に亘って
繰り返し行なう。

【００２７】図４は、遺伝子コーディング法を示すもの
である。染色体はバイナリの文字列で、その長さＮは全
特徴量の個数と等しい。各遺伝子座は各特徴量と１対１
に対応し、その遺伝子が１であれば、その遺伝子座に対
応する特徴量を使用し、０であれば使用しないことを表
す。

【００２８】次に、上述したようにして生成された個
体、すなわち特徴量の組合せを上述したようにして求め
たＶＱＣＣＥ値によって評価する方法について説明す
る。通常のＧＡでは、高い適応度が良い個体を表すが、
ＶＱＣＣＥ値は低い方が良い特徴量の組合せを表してい
る。そこで、適応度関数を次式（５）のように定義す
る。

【数３】この（５）式において、右辺の分母に定数Ｃ_fを加える
のは、分母が０となるのを防ぐためであり、幾つかの予
備的な実験の結果、Ｃ_f＝０．１とするのが好適である
ことを確かめた。

【００２９】本例では、一般的なＧＡ操作であるルーレ
ット選択、エリート保存、一様交叉および点突然変異を
採用する。ただし、ルーレット選択においては、選択率
として適応度をそのまま使用するのではなく、スケーリ
ング操作を適用した適応度に基づいて選択率を決めるこ
とにする。ここでは、個体ｉの適応度をｆ_i、スケーリ
ング後の適応度をｆ_i′として次式（６）によってスケ
ーリングを行なう。

【数４】この（６）式において、ｆ_maxはその世代における個体
群の中での適応度の最大値であり、定数Ｃ_sは淘汰圧の
調整のために挿入されるものである。幾つかの予備的実
験により、Ｃ_s＝０．４とするのが好適であることを確
かめた。

【００３０】上述した（５）式による適応度をそのまま
用いて選択率を決定し、ルーレット選択を適用した場合
には、個体間の適応度の差がそれほど広がらなくなり、
適応度の高い個体が生き残り易くなるというルーレット
選択の性質が生かされなくなってしまう。そこで、本例
においては、適応度の差を選択・淘汰の操作のなかによ
り大きく反映させるために、式（６）を用いるのであ
る。この式（６）では、個体群中での適応度最大値との
直接の差をとっているので、適応度の差をより拡大する
形でスケーリングすることができる。式（６）によって
全ての個体の適応度をスケーリングした後、スケーリン
グ後の適応度に基づいてルーレット選択のための選択率
を決定する。すなわち、各個体ｉの選択率はスケリング
後の適応度ｆ_i′に比例する値をとる。

【００３１】次に、上述した本発明による画像処理手法
によって、実際にＭＲＩ組織分類のための特徴量を選択
肢、ニューラルネットで分類した実験例について説明す
る。この実験例では、分類操作を、脳実質抽出と、灰白
質・白質分類との２段階に分けて処理を行った。これ
は、それぞれの処理に応じて必要とされる特徴量が異な
るはずであるという予想に基づくものである。なお、脳
実質抽出とは、ＭＲ画像から脳髄液の領域や頭皮・筋肉
層の除去を行なう処置であり、灰白質・白質分類とは、
抽出された脳実質をＰＥＴ／ＭＲＩ融合ネットで利用で
きるように灰白質と白質とに分類する処理である。

【００３２】先ず、脳実質抽出のための特徴量を選択す
る。特徴量の候補としては、上述した１２種類の特徴量
を用いた。また、平均、分散などの領域で定義される特
徴量については、領域サイズｒを５および１０の２種類
を用いた。したがって、特徴量は全部で２１個用いた。
幾つかの試行を行ってＶＱＣＣＥ値の低かった（良かっ
た）結果を表１に示す。この表には、管波雄介、亀山啓
輔、小杉幸夫、「組織画像分類におけるＣＣＥを用いた
入力情報の選択」、信学全、分冊６、no. D-112, p112,
March 1996 （参考文献３）に記載されている従来の処
理手法による結果をも比較例として示した。この従来の
手法では、画素値と平均との２つの特徴量の組合せの全
てについてＣＥＥを評価することで得られた結果であ
る。

【００３３】

【表１】

【００３４】上述した表１からわかるように、ＧＡによ
る探索結果は従来の手法による探索結果をかなり上回っ
ており（値は下回っている）、本発明による組織分類の
ためにより有効な特徴量の組合せを見出すことができる
ことがわかる。最もＣＥＥの小さい結果（ＣＥＥ＝０．
０８５０）と、２番目に小さい結果（ＣＥＥ＝０．０８
７８）とを比較してみると、最もＣＥＥ値が小さくなる
特徴量の組合せは、２番目に良い特徴量の組合せの部分
集合となっていることがわかる。このことから、２番目
の組合せでは冗長な特徴量が含まれていることがわか
る。すなわち、分散（ｒ＝５）、最大値（ｒ＝５）およ
び最大値との差分（ｒ＝１０）の３つの特徴量について
は、脳実質抽出に貢献していないために、かえってＣＣ
Ｅ値を悪化させていることがわかる。このように、本発
明によるＶＱＣＣＥ値は、単独な特徴量の分類性能の和
では測りきれないような特徴量同士の相関・直交性まど
を考慮した評価基準であることが確認された。

【００３５】また、ＣＣＥ値が良好な組合せには、すべ
て最大値との差分がｒ＝５およびｒ＝１０の両方の場合
とも含まれていることがわかる。そこで、もしこの特徴
量がどちらか片方だけしかない場合に、ＶＱＣＣＥ値は
どうなるのかを調べてみた。その結果を表２に示す。

【００３６】

【表２】この表２から、これら２つの特徴量は、どちらもＶＱＣ
ＣＥ値の向上に貢献しており、その両方を使用すること
が有効であることがわかった。

【００３７】以上の結果から、脳実質抽出のための特徴
量としては、画素値、エッジ情報（ラプラシアン）、歪
み度（ｒ＝１０）、最大値との差分（ｒ＝５，ｒ＝１
０）の５つを採用することにした。これらの特徴量を用
いてＭＲＩ脳実質抽出ネットワークを構成した。このネ
ットワークは３層のフィードフォワード型であり、バッ
クプロパゲーション学習則を使用した。入力画素数は５
個であり、上述した５つの特徴量を入力した。出力素子
数は２個であり、分類すべき各組織（脳実質とその他の
組織）に対応している。中間素子数は、初期的な実験の
結果、７個とした。

【００３８】ニューラルネットによる分類実験の流れを
以下に示す。（１）手作業で分類した教師画像より、ランダムに選ん
だ画像を使って学習セットを作成した。（２）学習セットを使用して定められた回数だけ学習を
行った。（３）学習後、学習セットのデータについて平均２乗誤
差、正解率を評価した。（４）学習したネットワークを、ＭＲ画像全体について
適用し、正解率を評価した。また、その結果として出力
される画像を観察して評価した。

【００３９】図５は、本実験において使用された入力画
像を示し、図６は、手作業によって分類した教師画像を
示すものである。学習セットのデータは、図５に示した
入力画像からランダムに選択した４００点のデータを使
用した。４００点の内訳は、脳実質２００点と、それ以
外の２００点である。上述したようにして得られえた特
徴量の組合せと、比較のために上述した参考文献３に記
載された従来の手法による組合せを使用して学習した結
果を表３に示す。平均２乗誤差、学習セットの正解率、
画像全体での正解率のすべてにおいて、本発明の方が性
能が改善されていることがわかった。

【００４０】

【表３】

【００４１】図７は本発明によって処理した出力画像を
示し、図８は従来の手法による出力画像を示すものであ
る。図８では筋肉層に属する点が多く残っているのに対
して、図７では脳実質以外の組織の除去が良好に行われ
ていることがわかる。

【００４２】次に、白質・灰白質分類のための特徴量を
選択した。特徴量候補としては、脳実質抽出と同じく１
２種類の特徴量を用いたが、脳実質抽出に比べて課題が
難しくなっていると考えられるため、領域サイズｒを、
１，３，５，１０の４種類を用いた。したがって、特徴
量は全部で３９個あることになる。実験の結果、ＶＱＣ
ＣＥ値の低かった有効な特徴量の組合せを表４に示す。
これらの結果は５０世代の遺伝子操作を行ったものであ
る。脳実質抽出に比べて世代数を増やしたのは、ＣＣＥ
値が全体に高めで課題がより難しくなっていると考えら
れたためである。この表４においても、比較例による結
果をも示した。

【００４３】

【表４】

【００４４】この表４に示すように、本発明によるＶＱ
ＣＣＥ値は、従来の結果をかなり上回っており、この課
題においても組織分類のために有効な特徴量の組合せを
見出すことができた。

【００４５】以上の結果から、白質・灰白質分類のため
の特徴量として、画素値、エッジ情報、最大値との差分
（ｒ＝１，３，５，１０）、最小値との差分（ｒ＝
１）、エネルギー（ｒ＝３，５，１０）の１０個を採用
し、これらの特徴量を入力としてＭＲＩ脳組織分類ネッ
トワークを構成した。このネットワークの構成は、脳実
質抽出と同様であるが、中間層の素子数は９個とした。
また、学習セットは４００点のデータとし、白質２００
点と、灰白質２００点をランダムに選択して構成した。
この学習結果を表５に示す。ここでも従来の手法による
結果を比較例として示した。

【００４６】

【表５】

【００４７】この表５から明らかなように、本発明によ
る結果は、学習セットの平均２乗誤差、学習セットでの
正解率、画像全体での正解率のすべてで比較例での特徴
量の組合せによる結果を上回っていた。この結果からも
本発明の有効性が確認できた。図９および１０は、本発
明によって処理された出力画像と従来例によって処理さ
れた出力画像とを示すものである。特に、矢印で示す部
位において、顕著な違いが見られ、本発明によるものの
方がより適切な分類をしていることがわかる。

【００４８】上述した実験結果からわかるように、本発
明による画像処理によれば、脳実質抽出および白質・灰
白質分類のどちらの処理についても、従来の画像処理の
手法に比べてＶＱＣＣＥ値を改善する（小さい値とす
る）ことができた。これは、本発明による画像処理の有
効性を示しており、ＧＡによって分類の本質となる情報
を抽出、選択することができたことを示すものである。
従来の画像処理の手法においては、総当たりで特徴量の
組合せを調べて、その中から最適な組合せを決めていた
が、この方法では、特徴量の総数はかなり制限されてし
まう。例えば、上述した第１の参考文献に記載されてい
る方法では、７種類の特徴量を用いているが、全ての組
合せ（２⁷＝１２８通り）について調べることはでき
ず、７種類の中から４種類を選ぶ組合せ（₇Ｃ₄＝３５
通り）を調べただけである。これに対し、上述した本発
明の実験例によれば、脳実質抽出では２²¹＝2,097,152
通り、白質・灰白質分類では、２³⁹＝５．５×１０¹¹通
りという膨大な数の組合せの中から最適の組合せを効率
良く探索することができる。このように、特徴量の組合
せ候補数を大きく増やすことによって、抽出精度および
分類精度を向上することができる。

【００４９】また、本発明によれば、計算時間の点でも
非常に有利である。すなわち、上述した実験はすべて高
速コンピュータJCC JS20/M76(Sun SparcStation 20互
換, SuperSPARC275MHz）を用いて行ったが、白質・灰白
質分類のためのニューラルネットの500,000 回の学習に
約１０時間かかった。これに対し、本発明のＧＡによる
特徴量の選択は５０世代の探索で約２時間で済んだ。従
来のように総当たりで特徴量のすべての組合せを調べる
とすると、上述した約１０時間の学習を何回も繰り返す
必要があった。しかし、ＧＡを用いることによってその
必要がなくなり、ＧＡによる探索を数回行なうだけで有
効な特徴量の組合せを見出すことができた。このように
本発明による画像処理方法では、計算時間を大幅に短縮
することができた。

【００５０】本発明は上述した実施例にのみ限定される
ものではなく、多くの変更や変形が可能である。例え
ば、図１に示した実施例においては、ＧＡ操作を行なう
ためのビット列交叉交換部５と、ビット列要素部分反転
部６とを直列に配置したが、これらを並列に配置するこ
ともできる。また、上述した実施例ではＭＲ画像を処理
するものとしたが、他の医用画像は勿論、防災画像処
理、環境工学、各種の画像認識やパターン認識における
多種多様の画像を処理することもできる。この場合に
は、上述した実施例における特徴量候補の個数や内容に
ついては、処理すべき画像の特徴量や処理の内容などに
応じて種々に変更できることは勿論である。

【００５１】

【発明の効果】上述したように、本発明によれば、画像
処理を行なうための特徴量の最適な組合せを見出すの
に、遺伝的操作を行なうことにより、従来よりも多くの
特徴量候補の中から有効な特徴量の組合せを短時間で効
率良く探索することができる。また、このようにして見
出された特徴量の組合せに基づいて多層ネットワークを
構築し、その効果を確認するための学習に伴う時間も大
幅に短縮できる。したがって、最終的に選択された特徴
量の組合せに基づいて構築された多層ネットワークによ
って画像を処理することにより一層精度の高い画像処理
を短時間で行なうことができる。

【図面の簡単な説明】

【図１】本発明による画像処理装置の全体の構成を示す
ブロック図である。

【図２】本発明による画像処理方法を説明するための特
徴量ベクトル分布を示す線図である。

【図３】同じくベクトル量子化を示す線図である。

【図４】本発明における特徴量の組合せを指定するビッ
ト列の構成を示す線図である。

【図５】処理すべき入力画像を示す線図である。

【図６】手作業によって作成した教師画像を示す線図で
ある。

【図７】本発明の方法によって抽出した脳実質画像を示
す線図である。

【図８】従来の方法によって抽出した脳実質画像を示す
線図である。

【図９】本発明の方法によって分類した脳の白質・灰白
質画像を示す線図である。

【図１０】従来の方法によって分類した脳の白質・灰白
質画像を示す線図である。

【符号の説明】

１特徴量抽出演算部２ビット列記憶部Ｍ₁,Ｍ₂‥‥Ｍ_K ビット列記憶装置３評価演算部４ビット列選別部５ビット列交叉交換部６ビット列要素部分反転部７乱数発生部８パターン識別部

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号ＦＩＧ０６Ｆ 17/30 Ｇ０６Ｆ 15/401 ３１０Ｄ

Claims

【特許請求の範囲】

【請求項１】処理すべき入力画像から複数の特徴量を
抽出する工程と、これら複数の特徴量の組合せを複数生成する工程と、これら複数の特徴量組合せの各々が、画像処理に寄与す
る効果を演算する工程と、この演算結果に基づいて適応度を演算しながら遺伝的操
作を実行して、特徴量の最適の組合せを探索する工程
と、を具えることを特徴とする画像処理方法。
【請求項２】前記特徴量の組合せが、画像処理に寄与
する効果を演算する工程が、複数の特徴量を組合せたものをベクトルと見做し、それ
をベクトル量子化して、連続的な特徴量を離散的な値で
あるコードベクトルで表現する工程と、このコードベクトルに基づいて、それがあるクラスであ
ることを表す条件付き確率を求める工程と、このようにして求めた条件付き確率に基づいて、コード
ベクトルが属するクラスを推定するときの不確定性を表
す条件付きエントロピー（ＶＱＣＣＥ）を求める工程
と、このようにして求めた条件付きエントロピー（ＶＱＣＣ
Ｅ）に基づいて適応度関数の値を演算する工程と、この適応度関数の値が最も高い特徴量の組合せを最適な
組合せとして選択する工程と、を含むことを特徴とする
請求項１に記載の画像処理方法。
【請求項３】前記遺伝的操作を行って特徴量の最適の
組合せを探索する工程が、複数の特徴量組合せを、画像処理に寄与する効果の高い
順に選別するルーレット選択工程と、画像処理に寄与する効果の高い特徴量の組合せを、画像
処理に寄与する効果の低い特徴量の組合せと入れ換える
エリート保存工程と、選別された複数の特徴量組合せの各々の内容の一部を、
ランダムに置き換える突然変異工程と、選別された複数の特徴量組合せの中から選択された２つ
の特徴量組合せの内容の一部を相互に交換する交叉工程
と、上記の工程を一定世代数に亘って繰り返し行って特徴量
の最適の組合せを抽出する工程と、を含むことを特徴と
する請求項１または２に記載の画像処理方法。
【請求項４】（ａ）処理すべき画像を入力する工程
と、（ｂ）処理すべき入力画像から複数の特徴量を抽出
する工程と、（ｃ）これら複数の特徴量の種々の組合せ
をビット列で表す工程と、（ｄ）これらのビット列で表
された特徴量の組合せが、画像処理に寄与する効果を演
算する工程と、（ｅ）この演算結果に基づいて、優れた
特徴量の組合せを表すビット列群を選別する工程と、
（ｆ）これらの選別されたビット列群の各々の内容の一
部を、乱数を用いて置き換える工程と、（ｇ）選別され
たビット列群の中から選択された２つのビット列の内容
の一部を相互に交換する工程と、（ｈ）前記工程（ｄ）
〜（ｇ）の工程を一定世代数に亘って繰り返し行って、
画像処理に対してより効果の高い特徴量の最適組合せを
自動的に見出す工程と、を具えることを特徴とする画像
処理方法。
【請求項５】前記特徴量の組合せが画像処理に寄与す
る効果を演算する工程が、指定した特徴量から構成され
る特徴量空間をベクトル量子化することで、特徴量の組
合せが持つ画像処理に有効な情報を、条件付きエントロ
ピーの形で評価するものとしたことを特徴とする請求項
４に記載の画像処理方法。
【請求項６】処理すべき画像および教師画像を入力す
る工程と、処理すべき入力画像から複数の特徴量を抽出する工程
と、これら複数の特徴量の組合せを複数生成して記憶する工
程と、これら複数の特徴量組合せの各々が、画像処理に寄与す
る効果を演算する工程と、この演算結果に基づいて適応度を演算しながら遺伝的操
作を実行して、特徴量の最適の組合せを探索する工程
と、この特徴量の最適の組合せに基づいて多層ネットワーク
を構築する工程と、この多層ネットワークによって前記教師画像を処理し、
その結果を評価しながら学習を行い、所望の結果が得ら
れない場合には、新たな特徴量の最適組合せを探索し、
それに基づいて多層ネットワークを構築する工程と、このようにして構築した多層ネットワークによって画像
を処理する工程と、を具えることを特徴とする画像処理
方法。
【請求項７】前記画像処理として画像全体を複数の領
域に分割する処理を行なうものとし、前記入力画像に対
して周辺の小領域を定義し、この定義域内の複数の画素
値についての平均値、分散、歪み度のいずれかを特徴量
候補に含む特徴量の組合せに基づいて多層ネットワーク
を構築することを特徴とする請求項６に記載の画像処理
方法。
【請求項８】ＭＲ画像を領域分割して分類するものと
し、前記小領域内における画素値の最大値、最小値、最
大値との差分、最小値との差分のいずれかを特徴量候補
に含む特徴量の組合せに基づいて多層ネットワークを構
築することを特徴とする請求項７に記載の画像処理方
法。
【請求項９】処理すべき入力画像から複数の特徴量を
抽出する手段と、これら複数の特徴量の種々の組合せを記憶する手段と、これら複数の特徴量組合せの各々が、画像処理に寄与す
る効果を演算する手段と、この演算結果に基づいて遺伝的操作を実行して、特徴量
の最適の組合せを探索する手段と、を具えることを特徴
とする画像処理装置。
【請求項１０】処理すべき入力画像から複数の特徴量
を抽出する特徴量抽出手段と、これら複数の特徴量の種々の組合せを表すビット列を記
憶する手段と、これらのビット列で表された特徴量の組合せが、画像の
分類に寄与する効果を演算する演算手段と、この演算結果に基づいて、優れた特徴量の組合せを表す
ビット列群を選別する手段と、これらの選別されたビット列群の各々の内容の一部を、
乱数を用いて置き換える手段と、選別されたビット列群の中から選択された２つのビット
列の内容の一部を相互に交換する手段と、を具えること
を特徴とする画像処理装置。