WO2021112205A1 - 画像解析方法、画像解析装置、画像解析システム、制御プログラム、記録媒体 - Google Patents

画像解析方法、画像解析装置、画像解析システム、制御プログラム、記録媒体 Download PDF

Info

Publication number
WO2021112205A1
WO2021112205A1 PCT/JP2020/045155 JP2020045155W WO2021112205A1 WO 2021112205 A1 WO2021112205 A1 WO 2021112205A1 JP 2020045155 W JP2020045155 W JP 2020045155W WO 2021112205 A1 WO2021112205 A1 WO 2021112205A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
reference value
maximum
binarized
features
Prior art date
Application number
PCT/JP2020/045155
Other languages
English (en)
French (fr)
Inventor
穂高 沼崎
将一 友久
雅彦 小泉
浩文 山本
和昭 中根
憲幸 富山
雅弘 梁川
修 本多
Original Assignee
国立大学法人大阪大学
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 国立大学法人大阪大学 filed Critical 国立大学法人大阪大学
Priority to US17/782,080 priority Critical patent/US20230005148A1/en
Priority to JP2021562735A priority patent/JP7265805B2/ja
Publication of WO2021112205A1 publication Critical patent/WO2021112205A1/ja

Links

Images

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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Definitions

  • the present invention relates to an image analysis method, an image analysis device, and the like that analyze an image of an image of a tissue and determine changes that have occurred in the tissue.
  • Patent Documents 1 and 2 disclose image analysis techniques for medical images.
  • the doctor understands the structural characteristics of the lesion site that has occurred in the tissue, and also understands what kind of image each lesion site can be imaged. The doctor then determines the changes that have occurred in the tissue based on the image of the tissue.
  • a doctor can infer and determine the type of lung nodule based on the nature of the nodule shadow found in the CT image of the patient's lung.
  • an image analysis technique that can determine the type of lung nodule from the nodule shadow in the same way as a doctor determines the type of lung nodule.
  • Such an image analysis technique can be utilized not only for interpretation of CT images of lungs but also for detection and determination of lesions in various organs and tissues.
  • One aspect of the present invention has been made to solve the above problems, the purpose of which is to analyze an image of a tissue based on the structural properties of the changes that have occurred in the tissue. It is an object of the present invention to realize an image analysis method, an image analysis device, and the like that accurately determine changes in a tissue like a doctor.
  • the image analysis method is a method of analyzing a tissue image obtained by imaging a tissue, and extracts a target region image to be analyzed from the tissue image.
  • the binarization step of generating a plurality of binarized images having different binarization reference values for the target region image, and the first pixel value and the second pixel value for each of the plurality of the binarized images.
  • the feature number calculation step for calculating the number, the first reference value indicating the binarization reference value in the identified binarized image by specifying the binarized image having the maximum number of the first features, and the said Based on the reference value specifying step for specifying the maximum number of first features indicating the number of first features in the binarized image, the first reference value, and the maximum number of first features, the change occurring in the structure is determined. Including the determination step to be performed.
  • the image analysis device is an image analysis device that analyzes a tissue image obtained by imaging a tissue, and extracts a target region image to be analyzed from the tissue image. Then, for the target area image, the binarization unit that generates a plurality of binarized images having different binarization reference values, and the first pixel value and the second pixel for each of the plurality of the binarized images.
  • the number of first features indicating the number of hole-shaped regions composed of the pixels of the second pixel value after being binarized to the value, surrounded by the pixels of the first pixel value after being binarized to the value.
  • the feature number calculation unit to be calculated, the first reference value indicating the binarization reference value in the identified binarized image by specifying the binarized image having the maximum number of features, and the binar value.
  • a determination to determine a change that has occurred in the structure based on a reference value specifying unit that specifies the maximum number of first features indicating the number of first features in the image, the first reference value, and the maximum number of first features. It has a part and.
  • the image analysis device may be realized by a computer.
  • the image analysis device is made into a computer by operating the computer as each part (software element) included in the image analysis device.
  • the control program of the image analysis device to be realized and the computer-readable recording medium on which the control program is recorded also fall within the scope of the present invention.
  • the changes that have occurred in the tissue can be accurately determined.
  • FIG. 1 It is a figure which shows typically the outline of the processing flow when the image analysis apparatus which concerns on one aspect of this invention is applied to the analysis of the CT image of a lung. It is a flowchart which shows an example of the flow of processing performed by an image analysis apparatus. It is a graph which plotted the change of the one-dimensional Betti number which accompanies changing the reference value of binarization in the binarized image generated about the lung field without a nodule and the region of a pulmonary blood vessel. It is a graph which plotted the change of the one-dimensional Betti number by changing the reference value of binarization in the binarized image generated about the region of a solid nodule and the region of a frosted glass type nodule.
  • the change in the ratio between the 1D Betti number and the 0D Betti number due to the change in the binarization reference value is shown. It is a plotted graph. In the binarized images generated for the solid nodule region and the frosted glass nodule region, plot the change in the ratio between the 1D Betti number and the 0D Betti number due to the change in the binarization reference value. It is a graph. It is a graph which plotted the change of the one-dimensional Betti number which accompanies changing the reference value of binarization in the binarized image generated about the lung field without a nodule and the region of a pulmonary blood vessel.
  • the inventors of the present invention analyzed the region where the lung (tissue) was imaged in the CT (computed tomography) image which imaged the chest of the subject as an example of the tissue image. Specifically, the inventors of the present invention have compared and examined in detail the region in which no lung nodule has occurred and the region in which the lung nodule has occurred in the CT image (tissue image) of the lung.
  • the inventors of the present invention extract a nodule shadow to be analyzed from a CT image of the lung, and create a plurality of binarized images having different reference values for binarization with respect to the nodule shadow. Generated. Then, the inventors of the present invention calculated the one-dimensional Betti number b1 (first feature number) and the zero-dimensional Betti number when the binarization reference value was changed for each of the binarized images. We investigated how b0 (the number of second features) changes.
  • the inventors of the present invention have a nodule shadow of any kind of lung nodule based on the reference value of binarization when the one-dimensional Betti number b1 is maximized and the maximum value of the one-dimensional Betti number b1. We found that it is possible to accurately determine whether it is derived.
  • the inventors of the present invention can further improve the accuracy of determination of lung nodules and improve the efficiency of determination processing by further utilizing the following (1) to (3). I also found it.
  • the image analysis method applies the concept of homology, particularly persistent homology, to the binarized image.
  • Homology is a field of mathematics that algebraically replaces the morphological properties of figures to facilitate analysis such as the combination of figures.
  • the concept of homology is a mathematical concept that represents the connection and contact of components.
  • an appropriate reference value for binarization also called a binarization parameter
  • the 0-dimensional Betti number and the 1-dimensional Betti number b1 are calculated from the binarized image.
  • the calculated 0-dimensional Betti number b0 and 1-dimensional Betti number b1 it is possible to evaluate the degree of connection between the components of the organization and the degree of contact between the components.
  • the Betti number is a topological suggestion number that is irrelevant to the shape of a figure (for example, a component of an organization) and is related only to contact and separation between figures.
  • this q-dimensional singular homology group is finitely generated, this q-th order singular homology group is divided into a direct sum of a free abelian group and a finite abelian group.
  • the class of this free abelian group is called the Betti number.
  • the zero-dimensional Betti number b0 is mathematically defined as follows. Generally, the number of connected components of a figure (also called a one-dimensional complex) K formed by connecting a finite number of line segments is called a 0-dimensional Betti number. "A figure connecting a finite number of points with a finite number of line segments is a concatenation" means that it is possible to reach any other vertex of this figure by tracing the sides of this figure. To do.
  • the pixels of one pixel value after binarization (for example, the pixel value is 0 as a result of binarization) are concatenated.
  • the number of connected regions is 0-dimensional Vetch number b0.
  • the one-dimensional Betti number b1 is mathematically defined as follows.
  • the one-dimensional Betti number b1 of the figure K is r.
  • an appropriate r number of open (not including both ends) one-dimensional simplex Does not increase the number of connected components of the figure K even if is removed from the figure K.
  • K is no longer connected (that is, the number of connected components of K is increased by one).
  • Each of the plurality of binarized images generated using different binarization reference values is surrounded by pixels of one pixel value after binarization (for example, the pixel value is 0 as a result of binarization).
  • the number of hole-shaped regions (for example, the pixel value is 255 as a result of binarization) is the one-dimensional vetch number b1.
  • FIG. 2 is a schematic diagram for explaining the Betti number in the concept of homology.
  • the number of black regions is one. Therefore, the 0-dimensional Betti number b0 of the figure M1 is 1.
  • the number of white areas surrounded by the black areas is one. Therefore, the one-dimensional Betti number b1 of the figure M1 is 1.
  • the number of black areas is two. Therefore, the 0-dimensional Betti number b0 of the figure M2 is 2. Further, in the case of the figure M2, the number of white areas surrounded by the black areas is three. Therefore, the one-dimensional Betti number b1 of the figure M2 is 3.
  • the 0-dimensional Betti number b0 is the number of groups of components connected to each other, and the one-dimensional Betti number b1 is the space surrounded by the connected components as the outer edge (hereinafter, "hole-shaped area"). It may be written as).
  • the number of hole-shaped regions is the total number of "holes" present in the connected component.
  • tissue image to be analyzed and analysis target tissue image to be analyzed and analysis target
  • an image analysis device 1 that analyzes a nodule shadow on a CT image of the lung and determines changes occurring in the lung (for example, the presence or absence of a lung nodule and the type of the lung nodule) will be described as an example.
  • the tissue image to which the image analysis method according to one aspect of the present invention can be applied is not limited to the CT image of the lung.
  • the image analysis method can be applied to various medical images (tissue images) such as the following (1) to (5).
  • images of the brain and pancreas imaged by MRI (magnetic resonance imaging) examination (2) Images of liver and breast imaged by X-ray (including mammography) examination (3) PET (Positron emission tomography) (4) PET-CT (positron emission tomography / CT) (5) SPECT-CT (single-photon emission coupled tomography / CT).
  • the image of the region to be analyzed by the image analysis method according to one aspect of the present invention is not limited to the nodule shadow.
  • an image of an arbitrary lesion site found in the images (1) to (5) above can be the analysis target of the image analysis method according to one aspect of the present invention.
  • FIG. 3 is a diagram showing an example of a CT image of a region of the lung field where nodules have not formed.
  • FIG. 4 is a diagram showing an example of a CT image of a region of a pulmonary blood vessel.
  • FIG. 5 is a diagram showing an example of a CT image of a region of the lung where a solid nodule is generated.
  • FIG. 6 is a diagram showing an example of a CT image of a region of the lung where ground glass type nodules are formed.
  • the region where the X-ray absorption rate is lower is displayed with a higher degree of blackness than the region where the X-ray absorption rate is higher.
  • the normal lung is displayed as a dark area with a pale milky white haze, as shown in FIG.
  • Pulmonary vessels can be displayed as a circular or oval image whose interior is whiter than its surroundings, as shown in FIG.
  • the nodule shadow is displayed as a “circular shadow” whose inside is whiter than the surroundings.
  • Pulmonary nodules are detected on CT images of the lung as circular or spindle-shaped with a maximum diameter of 3 cm or less, or as nodule shadows that are visually recognized as regions with irregular absorption value increases. Lung nodules are classified into solid nodules, ground-glass nodules, and mixed nodules based on the nature of the nodule shadow.
  • a solid nodule is a nodule whose inside is filled with a region of soft tissue absorption value (white region).
  • Frosted glass nodules are nodules that have a lower degree of internal whiteness than solid nodules and have visible pulmonary blood vessels and bronchial margins inside.
  • Mixed nodules (not shown) are also referred to as part-solid nodules.
  • a mixed nodule is a nodule that has both a ground glass nodule area and a solid nodule area inside.
  • FIG. 7 is a diagram schematically showing an outline of a processing flow when the image analysis device 1 according to one aspect of the present invention is applied to the analysis of CT images of lungs.
  • the image analysis device 1 extracts an image of the region to be analyzed (hereinafter referred to as "target region image") from the chest CT image. Next, the image analysis device 1 generates a plurality of binarized images having different binarization reference values for the extracted target region image.
  • the image analysis device 1 applies the concept of homology to each of the generated binarized images, calculates the Betti number, and analyzes the target area image.
  • the image analysis device 1 determines the change that has occurred in the lung (tissue) as a result of analyzing the target area image.
  • FIG. 1 is a block diagram showing an example of the configuration of the image analysis device 1 according to one aspect of the present invention. Note that FIG. 1 also shows an external device 8 that transmits an image to the image analysis device 1.
  • the image analysis device 1 includes an image acquisition unit 2, a storage unit 3, and a control unit 4. At least the tissue image 31 and the determination criterion 32 are stored in the storage unit 3.
  • the image acquisition unit 2 acquires a tissue image of the tissue from the external device 8.
  • the image acquisition unit 2 acquires a chest CT image (see FIG. 7) obtained by imaging the chest of the subject with an appropriate contrast from the external device 8.
  • the contrast of the chest CT image may be appropriately set according to the X-ray absorption rate of the tissue to be analyzed.
  • the image acquisition unit 2 stores the acquired chest CT image in the storage unit 3.
  • the image acquisition unit 2 is characterized as a nodular shadow from a CT image obtained by extracting a lung region from a chest CT image from an external device 8 (hereinafter referred to as “lung CT image”) or a lung CT image.
  • An image obtained by cutting out a region having the above along the contour may be acquired.
  • the image acquisition unit 2 may be configured to store the acquired image in a storage unit 3 described later. Alternatively, the image acquisition unit 2 may directly output the acquired image to the control unit 4 described later.
  • the external device 8 may be, for example, a CT device or a personal computer connected to the CT device, or a server device that stores and manages image data.
  • FIG. 1 illustrates an example in which the image analysis device 1 acquires a tissue image from an external device 8 separate from the image analysis device 1, but the present invention is not limited to this.
  • the image analysis device 1 may be configured to be built in the external device 8, or the image analysis device 1 may be configured to have the function of the external device 8.
  • the storage unit 3 stores a control program, an OS program, an application program, and the like of each unit executed by the control unit 4. Further, the storage unit 3 stores various data to be read when the control unit 4 executes these programs.
  • the storage unit 3 is composed of a non-volatile storage device such as a hard disk or a flash memory. In addition to the storage unit 3, it is a storage device used as a work area for temporarily holding data in the process of executing the above-mentioned various programs, and is a volatile storage device such as a RAM (Random Access Memory). It may be equipped with a device.
  • the display device 5 is a display device that displays information and the like output from the control unit 4, and is, for example, a liquid crystal display.
  • the display device 5 may be a dedicated display included in the image analysis device 1.
  • the display device 5 may have a configuration in which a touch sensor is superimposed on the display screen and can detect a touch operation on the display surface by the user.
  • FIG. 1 illustrates an example in which the image analysis device 1 is connected to a display device 5 (presentation unit) provided as a separate body, but the present invention is not limited to this.
  • the image analysis device 1 may have a built-in display device 5 (presentation unit).
  • the image analysis device 1 and the external device 8 and the image analysis device 1 and the display device 5 may be connected by wireless communication or by wired communication.
  • the control unit 4 determines the type of lung nodule by analyzing an image of a region to be analyzed (hereinafter referred to as a target region image) such as a region having a characteristic as a nodule shadow, and outputs a determination result. ..
  • the control unit 4 includes a binarization unit 41, a Betti number calculation unit 42 (feature number calculation unit), a reference value identification unit 43, a determination unit 44, and a display control unit 45.
  • the binarization unit 41 extracts a target region image to be analyzed from the CT image of the lung, performs binarization processing on the target region image, and binarizes a plurality of binarizations having different reference values for binarization. Generate an image (see FIG. 7).
  • the binarization unit 41 may have a known image recognition function. As a result, when the chest CT image is acquired from the external device 8, the binarization unit 41 can cut out the lung CT image from the chest CT image by the known image recognition function. Since the lung has a lower X-ray absorption rate than the surrounding tissue, it is possible to cut out a CT image of the lung from the chest CT image by using a known image processing method.
  • the binarization unit 41 may further have a function of extracting a target area image from the CT image of the lung.
  • the image acquisition unit 2 may store the extracted target area image in the storage unit 3 or output it to the binarization unit 41.
  • the binarization unit 41 capable of extracting the target region image from the CT image of the lung can be realized by applying a known method such as deep learning.
  • the binarization unit 41 has a correspondence relationship between the chest CT image and the target region image (for example, an image having a feature as a nodule shadow) to be detected (or cut out) from the chest CT image.
  • the deep learning used as the training data may be performed.
  • the chest CT image used as the training data may be, for example, a chest CT image including an image of a region in which a feature as a nodule shadow is recognized in advance by interpretation by a doctor.
  • the binarization unit 41 can extract the target region image from the CT image of the lung extracted from the chest CT image.
  • the binarization unit 41 converts a pixel having a pixel value (or CT value) larger than the binarization reference value into a white pixel, and a pixel equal to or less than the binarization reference value. Pixels with values are converted to black pixels.
  • the binarization unit 41 performs a binarization process on one CT image obtained by imaging the lung each time the reference value for binarization is changed, and generates a plurality of binarized images. That is, the binarization unit 41 generates a plurality of binarized images having different reference values for binarization from the CT image of the lung.
  • the binarization unit 41 describes a case where the binarization reference value is set based on the pixel value of each pixel of the target area image displayed as a grayscale image as an example. .. That is, the binarization unit 41 sets the binarization reference value in the range of 0 to 255. For example, when the reference value for binarization is set to the pixel value 100, the pixel value of a pixel having a pixel value of 100 or less becomes 0 as a result of the binarization process, and the pixel value of a pixel having a pixel value higher than 100 is two. The result of the binarization process is 255.
  • the reference value for binarization may be set in the range of CT value ⁇ 1000 to ⁇ 700 HU, which is generally set in a chest CT image in which the lung is to be imaged.
  • the binarization reference value is set to -900HU
  • the pixel value of the pixel whose CT value is -900HU or less becomes 0 as a result of the binarization process, and the pixel value of the pixel whose CT value is higher than -900HU is binarized.
  • the result of the processing is 255.
  • the binarization unit 41 may limit the range of CT values in the target area image before the binarization process.
  • the region where the CT value is in the range of 0HU to 1000HU is ignored. Therefore, for example, the target of the binarization process may be limited to the range where the CT value is ⁇ 1000HU to 0HU.
  • the CT value in the range of ⁇ 1000HU to 0HU is associated with the pixel value in the range of 0 to 255. For example, a value obtained by rounding off the decimal point of the value of 255 ⁇ (CT value) / (range of CT value in the target area image) may be determined as the pixel value corresponding to the CT value.
  • the Betch number calculation unit 42 is surrounded by pixels of one pixel value (first pixel value) after being binarized to the first pixel value and the second pixel value for each of the plurality of binarized images.
  • the one-dimensional vetch number b1 indicating the number of hole-shaped regions composed of pixels of the other pixel value (second pixel value) after the binarization is calculated.
  • the Betti number calculation unit 42 for each of the plurality of the binarized images, one pixel value (first pixel value) after being binarized into the first pixel value and the second pixel value is concatenated.
  • the 0-dimensional Betti number b0 indicating the number of connected regions including the above may be further calculated.
  • connection area is, for example, an area in which pixels having a pixel value of 0 after binarization processing are adjacent to each other.
  • Each connected region is surrounded by pixels having a pixel value of 255 after the binarization process, and is an region independent of each other.
  • the hole is an opening having at least a part of the outer edge of one or more components (in the case of one component, the entire outer edge of the component) as the outer edge.
  • the hole surrounded by the outer edge of the component includes a hole contained therein by one component and a hole surrounded by an outer edge each of a plurality of components connected to each other.
  • the values of the one-dimensional Betti number b1 and the zero-dimensional Betti number b0 calculated by the Betti number calculation unit 42 depend on the area of the region captured in the target region image. Therefore, it is desirable that the Betti number calculation unit 42 calculates the one-dimensional Betti number b1 and the zero-dimensional Betti number b0 of the target area images having the same area of the captured area.
  • the Betti number calculation unit 42 may further calculate the ratio of the one-dimensional Betti number b1 and the zero-dimensional Betti number b0 for each of the plurality of the binarized images.
  • the value (b1 / b0) obtained by dividing the one-dimensional Betti number b1 by the 0-dimensional Betti number b0 is calculated will be described as an example, but the one-dimensional Betti number b1 and the 0-dimensional Betti number will be described.
  • the ratio to b0 may be either b1 / b0 or b0 / b1.
  • CHomP can be mentioned as an example of such a program.
  • CHomP is GNU (General Public License) compliant freeware and can be downloaded from the homepage (http://chomp.rutgers.edu/).
  • the program is not limited to this, and any program other than ChomP may be used as long as it is a program capable of calculating the 0-dimensional Betti number b0 and the 1-dimensional Betti number b1 related to the image.
  • the reference value specifying unit 43 identifies the binarized image having the maximum one-dimensional Betti number b1 among the plurality of binarized images generated by the binarized unit 41. Further, the reference value specifying unit 43 specifies the first reference value Ta and the maximum one-dimensional Betti number Va (maximum number of first features).
  • the first reference value Ta is a reference value for binarization in the specified binarized image.
  • the maximum one-dimensional Betti number Va is the one-dimensional Betti number b1 in the specified binarized image.
  • the reference value specifying unit 43 may specify a binarized image in which b1 / b0 is the maximum value.
  • the reference value specifying unit 43 has a third reference value Tc indicating a reference value for binarization in the specified binarized image, and a value R of b1 / b0 in the specified binarized image (hereinafter, "b1 / b0". (Maximum value R) (maximum number of third features) may be further specified.
  • the reference value specifying unit 43 may generate a graph plotting the number of 0-dimensional Betti numbers, the number of 1-dimensional Betti numbers, and the changes accompanying changes in the reference value for binarization of b1 / b0. From the generated graph, the reference value specifying unit 43 is the maximum value of the first reference value Ta, the maximum one-dimensional Betti number Va, the second reference value Tb, the maximum 0-dimensional Betti number Vb, the third reference value Tc, and b1 / b0. R and the like can be read.
  • the determination unit 44 determines the changes that have occurred in the lungs based on the following (1) and (2).
  • the determination unit 44 may be configured to refer to the determination criterion 32 for determining the change that has occurred in the lungs.
  • the determination criterion 32 will be described later with a specific example.
  • the accuracy of the determination of the target region image by the determination unit 44 can be improved by applying a known method such as deep learning.
  • a known method such as deep learning.
  • the following (teacher data) and the like can be used.
  • (Teacher data) Includes a combination of the above parameters (for example, (1) to (6) above) used by the determination unit 44 to determine the target area image and the result determined by the doctor for the target area image. data.
  • the display control unit 45 causes the display device 5 to display information indicating the determination result output from the determination unit 44.
  • the display control unit 45 may display the chest CT image (or lung CT image) used for extracting the target area image on the display device 5 together with the information indicating the determination result.
  • the display control unit 45 causes the display device 5 to display information indicating the position of the target area image in the chest CT image (or lung CT image) together with the determination result and the chest CT image (or lung CT image). May be good.
  • the image analysis device 1 can present the determination result while allowing the user to visually recognize the target area image in the chest CT image (or lung CT image).
  • the user may include a doctor, a laboratory engineer, a researcher, and the like.
  • the method of presenting the determination result to the user may be in a desired mode.
  • the determination result may be displayed on the display device 5, or may be output from a printer (not shown), a speaker (not shown), or the like. Good.
  • FIG. 8 is a flowchart showing an example of the flow of processing performed by the image analysis apparatus 1.
  • the image acquisition unit 2 acquires a tissue image obtained by capturing the tissue from the external device 8 (step S1).
  • the binarization unit 41 extracts the target area image from the tissue image, and generates a plurality of binarized images having different reference values for binarization for the target area image (step S2: binarization step). ).
  • the Betti number calculation unit 42 calculates the one-dimensional Betti number b1 for each of the plurality of binarized images (step S3: feature number calculation step).
  • FIG. 9 is a graph plotting the change in the one-dimensional Betti number b1 due to the change in the binarization reference value in the binarized image generated for the lung field without nodules and the region of the pulmonary blood vessel. Is. In FIG. 9, the one-dimensional Betti number b1 for the target area image of the lung field without nodules is shown by a solid line, and the one-dimensional Betti number b1 for the target area image of the pulmonary blood vessel is shown by a broken line. ..
  • FIG. 10 shows the change in the one-dimensional Betti number b1 due to the change in the binarization reference value in the binarized image generated for the solid nodule region and the target region image of the frosted glass nodule. It is a plotted graph.
  • the one-dimensional Betti number b1 for the target area image of the solid nodule is shown by a solid line
  • the one-dimensional Betti number b1 for the target area image of the frosted glass type nodule is shown by a broken line.
  • the reference value specifying unit 43 specifies the binarized image having the maximum one-dimensional Betti number b1, and specifies the first reference value Ta and the maximum one-dimensional Betti number Va (step S4: reference). Value identification step).
  • the determination unit 44 determines the change occurring in the lung based on the first reference value Ta and the maximum one-dimensional Betti number Va (step S5: determination step).
  • FIG. 11 is a graph in which the first reference value Ta and the maximum one-dimensional Betti number Va are plotted for each target area image.
  • the combination of the first reference value Ta specified by the reference value specifying unit 43 and the maximum one-dimensional Betti number Va is clearly divided into four groups A to D.
  • the group A is a point obtained by plotting the first reference value Ta and the maximum one-dimensional Betti number Va in the target region image of the solid nodule.
  • Group B is a point obtained by plotting the first reference value Ta and the maximum one-dimensional Betti number Va in the target area image of the pulmonary blood vessel.
  • Group C is a plot of the first reference value Ta and the maximum one-dimensional Betti number Va in the target area image of the lung field where no nodules are formed.
  • Group D is a plot of the first reference value Ta and the maximum one-dimensional Betti number Va in the target area image of the ground glass type nodule. In this way, based on the first reference value Ta and the maximum one-dimensional Betti number Va, it is determined whether the target area image is a nodule-free lung field, a pulmonary blood vessel, a solid nodule, or a frosted glass nodule. can do.
  • FIG. 12 is a diagram showing an example of the determination criterion 32.
  • the determination unit 44 compares the first reference value Ta and the maximum one-dimensional Betti number Va specified for the target area image with the first reference value Ta and the maximum one-dimensional Betti number Va defined in the determination reference 32. Then, the changes occurring in the lungs are determined as described below.
  • the determination unit 44 determines that the target area image is a lung without nodules. Judged as a field image.
  • the target area image is an image of a frosted glass type nodule.
  • the target area image is an image of a pulmonary blood vessel. Is determined.
  • the target area image is an image of a solid nodule. Judge that there is.
  • the display control unit 45 outputs the determination result to the display device 5 (step S6).
  • the binarization unit 41 has two CT values in the range of ⁇ 1000HU to 0HU with respect to the target area image in which the CT values in the range of ⁇ 1000HU to 0HU are associated with the pixel values in the range of 0 to 255. It is drawn using a binarized image that has been binarized.
  • the value of the first reference value Ta in the determination standard 32 changes depending on how the binarization unit 41 limits the range of the CT value in the target area image before the binarization process. Therefore, when limiting the range of CT values in the target area image before the binarization unit 41 performs the binarization process, it is important to align the range of CT values in the target area image.
  • the image analysis device 1 generates a plurality of binarized images having different binarization reference values for the target area image such as a nodule shadow, and one-dimensional vetch for each of the binarized images. Calculate the number. Then, the image analysis device 1 specifies the binarized image having the maximum one-dimensional Betti number, and specifies the first reference value Ta and the maximum one-dimensional Betti number Va from the specified binarized image. The image analysis apparatus 1 determines whether or not the lung nodule is a lung nodule and what kind of lung nodule it is, based on the specified first reference value Ta and the maximum one-dimensional Betti number Va. With this configuration, the presence or absence of changes in the target region image in the lungs and the types of changes can be accurately determined based on the structural characteristics of the changes in the lungs.
  • the lesion site in the lung can be visually recognized as an image different from the surrounding image.
  • the image analysis device 1 mathematically analyzes the properties of the image of the region to be analyzed using the concept of homology, and determines the changes that have occurred in the lungs based on the analysis results. That is, the determination result by the image analysis device 1 is based on the properties of the target area image, similar to the diagnosis result by the doctor in the image diagnosis. Therefore, the image analysis device 1 can output a determination result that can be easily understood by the user. It is well known that many lesions that occur in tissues other than the lung can be visually recognized as images different from those around them.
  • the image analysis apparatus 1 can determine with high accuracy the presence or absence and type of any lesion site that can be detected by image diagnosis.
  • the reference value specifying unit 43 may further specify the binarized image having the maximum 0-dimensional Betti number b0 among the plurality of binarized images generated by the binarized unit 41. Then, the reference value specifying unit 43 specifies the second reference value Tb and the maximum 0-dimensional Betti number Vb (maximum number of second features).
  • the second reference value Tb is the reference value for binarization in the specified binarized image.
  • the maximum 0-dimensional Betti number Vb is the 0-dimensional Betti number b0 in the specified binarized image.
  • the reference value specifying unit 43 may generate a graph plotting the changes in the number of 0-dimensional Betti numbers and the number of 1-dimensional Betti numbers accompanying the change in the reference value for binarization.
  • the reference value specifying unit 43 can read the first reference value Ta, the maximum one-dimensional Betti number Va, the second reference value Tb, the maximum 0-dimensional Betti number Vb, and the like from the generated graph.
  • the determination unit 44 determines the changes that have occurred in the lungs based on the following (1) to (4).
  • FIG. 13 is a flowchart showing an example of a processing flow in the image analysis apparatus according to another aspect of the present invention.
  • the image acquisition unit 2 acquires a tissue image obtained by capturing the tissue from the external device 8 (step S11).
  • the binarization unit 41 extracts the target area image from the tissue image, and generates a plurality of binarized images having different reference values for binarization for the target area image (step S12: binarization step). ).
  • the binarization unit 41 has two CT values in the range of ⁇ 1000HU to 0HU with respect to the target area image in which the CT values in the range of ⁇ 1000HU to 0HU are associated with the pixel values in the range of 0 to 255. It is drawn using a binarized image that has been binarized.
  • the Betti number calculation unit 42 calculates the one-dimensional Betti number b1 and the zero-dimensional Betti number b0 for each of the plurality of binarized images (step S13: feature number calculation step).
  • FIG. 14 is a graph plotting the change in the 0-dimensional Betti number b0 due to the change in the binarization reference value in the binarized image generated for the lung field without nodules and the region of the pulmonary blood vessel. Is. In FIG. 14, the 0-dimensional Betti number b0 for the target area image of the lung field without nodules is shown by a solid line, and the 0-dimensional Betti number b0 for the target area image of the pulmonary blood vessel is shown by a broken line. ..
  • FIG. 15 shows the change in the 0-dimensional Betti number b0 due to the change of the binarization reference value in the binarized image generated for the solid nodule region and the target region image of the frosted glass nodule. It is a plotted graph.
  • the 0-dimensional Betti number b0 for the target area image of the solid nodule is shown by a solid line
  • the 0-dimensional Betti number b0 for the target area image of the frosted glass type nodule is shown by a broken line.
  • the reference value specifying unit 43 identifies the binarized image in which the one-dimensional Betti number b1 is the maximum and the binarized image in which the zero-dimensional Betti number b0 is the maximum. Then, the reference value specifying unit 43 specifies the first reference value Ta, the maximum one-dimensional Betti number Va, the second reference value Tb, and the maximum 0-dimensional Betti number Vb for the specified binarized image (step S14: Reference value identification step).
  • the determination unit 44 determines the change occurring in the lung based on the first reference value Ta, the maximum one-dimensional Betti number Va, the second reference value Tb, and the maximum 0-dimensional Betti number Vb (step S15: Judgment step).
  • FIG. 16 is a graph in which the second reference value Tb and the maximum 0-dimensional Betti number Vb are plotted for each target area image.
  • the combination of the second reference value Tb specified by the reference value specifying unit 43 and the maximum 0-dimensional Betti number Vb is clearly divided into four groups of groups E to H.
  • the group E is a point obtained by plotting the second reference value Tb and the maximum 0-dimensional Betti number Vb in the target region image of the solid nodule.
  • Group F is a plot of the second reference value Tb and the maximum 0-dimensional Betti number Vb in the target region image of the pulmonary blood vessel.
  • Group G is a plot of the second reference value Tb and the maximum 0-dimensional Betti number Vb in the target area image of the lung field where no nodules have formed.
  • Group H is a point obtained by plotting the second reference value Tb and the maximum 0-dimensional Betti number Vb in the target region image of the ground glass type nodule. In this way, based on the second reference value Tb and the maximum 0-dimensional Vetch number Vb, the target region image imaged any region of the lung field without nodules, pulmonary blood vessels, solid nodules, and frosted glass nodules. It is also possible to determine whether it is an image.
  • the groups E to H are closer to each other than the graph shown in FIG.
  • the determination unit 44 utilize the second reference value Tb and the maximum 0-dimensional Betti number Vb in addition to the first reference value Ta and the maximum one-dimensional Betti number Va specified for the target region image. With this configuration, the image analysis device 1 can further improve the accuracy of determining the change that has occurred in the lungs.
  • FIG. 17 is a diagram showing another example of the determination criterion 32.
  • the determination unit 44 refers to the first reference value Ta, the maximum one-dimensional Betti number Va, the second reference value Tb, and the maximum 0-dimensional Betti number Vb defined in the determination standard 32, and determines the change that has occurred in the lungs. Judgment is made for each target area image.
  • the ratio of the one-dimensional Betti number b1 calculated by the Betti number calculation unit 42 to the zero-dimensional Betti number b0 may also be used to determine the change that has occurred in the lungs.
  • the ratio of the one-dimensional Betti number b1 and the zero-dimensional Betti number b0 is a value (b1 / b0) obtained by dividing the one-dimensional Betti number b1 by the 0-dimensional Betti number b0 will be described as an example.
  • the Betti number calculation unit 42 calculates b1 / b0 using the one-dimensional Betti number b1 and the zero-dimensional Betti number b0 calculated for each of the plurality of binarized images.
  • the reference value specifying unit 43 identifies the binarized image having the maximum b1 / b0 among the plurality of binarized images generated by the binarized unit 41. Then, the reference value specifying unit 43 specifies the maximum value R of the third reference value Tc and b1 / b0.
  • the third reference value is the reference value for binarization in the specified binarized image.
  • the reference value specifying unit 43 may generate a graph plotting the change in the value of b1 / b0 accompanying the change in the reference value for binarization.
  • the reference value specifying unit 43 can read the third reference value Tc, the maximum value R of b1 / b0, and the like from the generated graph.
  • the determination unit 44 determines the changes that have occurred in the lungs based on at least two of the following (1) to (6).
  • the maximum values R of the third reference values Tc and b1 / b0 in the target area images of the lung field and pulmonary blood vessels without nodules are the maximum values of the third reference values Tc and b1 / b0 in the target area images of various lung nodules. It is very different from R. Therefore, the determination unit 44 may use the maximum values R of the third reference value Tc and b1 / b0 in the target region image to determine the presence or absence of changes occurring in the lungs. Specifically, the determination unit 44 corresponds to the lung field and pulmonary blood vessels in which nodules have not occurred from the target region image based on the third reference value Tc and the maximum value R of b1 / b0 in the target region image. It is possible to remove the image to be used.
  • the values of the one-dimensional Betti number b1 and the zero-dimensional Betti number b0 calculated for each target area image depend on the area of the area captured in each target area image. When the area of the captured area is different for each target area image, it is desirable that the one-dimensional Betti number b1 and the zero-dimensional Betti number b0 are calculated as values per unit area.
  • the area of the region captured in the target region image may be referred to as W.
  • the number of one-dimensional vetches per unit area may be described as b1 / W
  • the number of zero-dimensional vetches per unit area may be described as b0 / W.
  • FIG. 18 is a block diagram showing an example of the configuration of the image analysis device 1a according to one aspect of the present invention. Note that FIG. 18 also shows an external device 8 that transmits an image to the image analysis device 1a, as in FIG.
  • the image analysis device 1a includes an image acquisition unit 2, a storage unit 3a, and a control unit 4a. At least the tissue image 31 and the determination criterion 32a are stored in the storage unit 3a.
  • the image analysis device 1a is different from the image analysis device 1 of FIG. 1 in that it has a function of calculating the area of the area captured in the target area image.
  • the binarization unit 41a extracts a target region image to be analyzed from the CT image of the lung, performs binarization processing on the target region image, and binarizes a plurality of binarizations having different reference values for binarization. Generate an image (see FIG. 7).
  • the area calculation unit 46 acquires the target area image from the binarization unit 41a and calculates the area W of the area captured in the target area image.
  • the area calculation unit 46 compares each target with the one-dimensional Betti number b1 and the zero-dimensional Betti number b0 calculated for the target area images having different widths of the captured area as values per unit area.
  • the area W of the area image is calculated.
  • the value calculated by the area calculation unit 46 is for calculating a value representing the one-dimensional vetch number b1 / W per unit area in each target area image and a value representing the zero-dimensional vetch number b0 / W per unit area. It is not limited to the area W as long as it is a value that can be used for. For example, if the area captured in the target area image is a square or a rectangle, the area calculation unit 46 may calculate, for example, the length of the diagonal line of the area instead of the area W. For example, if the area captured in the target area image is circular, the area calculation unit 46 may calculate the radius or the length of the diameter of the area instead of the area W.
  • the area calculation unit 46 constitutes the target area image instead of the area of the target area image.
  • the number of pixels may be calculated.
  • the Betti number calculation unit 42a per unit area based on the one-dimensional Betti number b1 and the zero-dimensional Betti number b0 calculated for each target area image and the area W of the target area image acquired from the area calculation unit 46.
  • the one-dimensional Betti number b1 / W and the zero-dimensional Betti number b0 / W are calculated.
  • the Betti number calculation unit 42a has a one-dimensional Betti number b1 / W per unit area and a zero-dimensional Betti number b0 / W per unit area in a target area image obtained by capturing an area of an arbitrary size. Can be calculated.
  • the determination unit 44a determines the change that has occurred in the lungs based on at least two of the following (1) to (6).
  • first reference value Ta the reference value for binarization in the binarized image in which the number of one-dimensional Betti numbers b1 / W per unit area is maximized.
  • second reference value Tb the reference value for binarization in the binarized image in which the number of 0-dimensional Betti numbers b0 / W per unit area is maximized.
  • the determination unit 44a may determine the presence or absence of changes occurring in the lungs based only on the third reference value Tc calculated by the Betti number calculation unit 42a and the maximum value R of b1 / b0.
  • FIG. 19 is a flowchart showing an example of the flow of processing performed by the image analysis apparatus 1a.
  • the image acquisition unit 2 acquires a tissue image obtained by imaging the tissue from the external device 8 (step S21).
  • the binarization unit 41a extracts the target area image from the tissue image (step S22).
  • the area calculation unit 46 calculates the area W of the imaging range of the target area image extracted by the binarization unit 41a (step S23: area calculation step).
  • the binarization unit 41a generates a plurality of binarized images having different reference values for binarization with respect to the target area image extracted in step S22 (step S24: binarization step).
  • the binarization unit 41 has two CT values in the range of ⁇ 1000HU to 1000HU with respect to the target area image in which the CT values in the range of ⁇ 1000HU to 1000HU are associated with the pixel values in the range of 0 to 255. It is drawn using a binarized image that has been binarized. Therefore, the values of the first reference value and the second reference value are different between the graphs shown in FIGS. 20 to 25 and FIGS. 9 to 11 and 14 to 16.
  • the Betti number calculation unit 42a calculates the one-dimensional Betti number b1 / W per unit area, b0 / W per unit area, and b1 / b0 for each of the plurality of binarized images (step S25). : Feature number calculation step).
  • the determination unit 44a determines whether or not there is a change in the lungs based on the third reference value Tc and the maximum value R of b1 / b0 (step S26: determination step).
  • the determination unit 44a does not use the first reference value Ta, the second reference value Tb, or the like. Therefore, as shown in FIG. 19, the determination unit 44a may be configured to first determine the presence or absence of changes occurring in the lungs. If such a configuration is adopted, the reference value specifying unit 43 uses the first reference value Ta and the second reference value Tb only for the target region image determined to have a change in the lung in the next step S27. And so on. As a result, the image analysis device 1a can more efficiently execute the determination process of the change occurring in the lungs.
  • FIG. 20 is a graph plotting changes in b1 / b0 associated with changing the reference value for binarization in binarized images generated for the lung field without nodules and the region of pulmonary blood vessels. ..
  • b1 / b0 for the target area image of the lung field without nodules is shown by a solid line
  • b1 / b0 for the target area image of the pulmonary blood vessel is shown by a broken line.
  • the maximum value R1 of the third reference value Tc1 and b1 / b0 of the target area image of the lung field where nodule is not generated and the third reference value Tc2 and b1 / of the target area image of the pulmonary blood vessel.
  • the maximum value R2 of b0 is shown.
  • FIG. 21 is a graph plotting the change in b1 / b0 accompanying the change in the reference value for binarization in the binarized image generated for the target region image in which the lung nodule is generated.
  • b1 / b0 for the target region image of the solid nodule is indicated by a dash-dotted line
  • b1 / b0 for the target region image of the ground glass type nodule is indicated by a broken line.
  • b1 / b0 for the target region image of the mixed nodule is shown by a solid line.
  • the maximum values R3 of the third reference values Tc3 and b1 / b0 of the target area image of the mixed type nodule, the maximum values R4 of the third reference values Tc4 and b1 / b0 of the target area image of the frosted glass type nodule, and The maximum values R5 of the third reference value Tc5 and b1 / b0 of the target area image of the solid nodule are shown.
  • the third reference value Tc1 of the target region image of the lung field without nodules is smaller than the third reference values Tc2 to Tc5 of the other target region images. Further, the maximum value R2 of b1 / b0 of the target area image of the lung blood vessel is smaller than the maximum value R3 to R5 of b1 / b0 of the target area image of the lung nodule shown in FIG. Therefore, the determination unit 44a can determine the target area image of the lung field where no nodule is formed, the target area image of the pulmonary blood vessel, and the target area image of the lung nodule.
  • the reference value specifying unit 43 has a first reference value Ta, a maximum one-dimensional Betti number Va, a second reference value Tb, a maximum 0-dimensional Betti number Vb, and a third reference value Tc for each target area image. And the maximum value R of b1 / b0 are specified (step S27: reference value specifying step).
  • FIG. 22 shows the one-dimensional Betti number b1 / W per unit area due to the change of the binarization reference value in the binarized image generated for the lung field without nodules and the region of the pulmonary blood vessel. It is a graph plotting the change of.
  • the one-dimensional Betti number b1 / W per unit area for the target area image of the lung field without nodules is shown by a solid line, and one-dimensional per unit area for the target area image of the lung blood vessel.
  • the Betti number b1 / W is indicated by a broken line.
  • FIG. 22 shows the one-dimensional Betti number b1 / W per unit area due to the change of the binarization reference value in the binarized image generated for the lung field without nodules and the region of the pulmonary blood vessel. It is a graph plotting the change of.
  • the one-dimensional Betti number b1 / W per unit area for the target area image of the lung field without nodules is shown by a solid line, and one
  • FIG 22 shows the first reference value Ta1 and the maximum one-dimensional Betti number Va1 of the target area image of the lung field without nodules, and the first reference value Ta2 and the maximum one-dimensional Betti number of the target area image of the lung blood vessel. The number Va2 is shown.
  • FIG. 23 shows a change in the one-dimensional Betti number b1 / W per unit area due to a change in the binarization reference value in the binarized image generated for the target region image in which the lung nodule is generated. It is a graph plotting.
  • the one-dimensional Betti number b1 / W per unit area for the target area image of the solid knot is indicated by a alternate long and short dash line
  • b1 / W is indicated by a broken line.
  • the one-dimensional Betti number b1 / W per unit area for the target area image of the mixed type nodule is shown by a solid line.
  • the first reference value Ta5 and the maximum one-dimensional Betti number Va5 of the target area image of the nodule are shown.
  • FIG. 24 shows the number of 0-dimensional Betti numbers b0 / W per unit area due to the change of the binarization reference value in the binarized images generated for the lung field without nodules and the region of the pulmonary blood vessels. It is a graph plotting the change of.
  • the 0-dimensional Betti number b0 / W per unit area for the target area image of the lung field without nodules is shown by a solid line
  • the 0-dimensional Betti number per unit area for the target area image of the lung blood vessel is shown by a solid line.
  • the Betti number b0 / W is indicated by a broken line.
  • the second reference value Tb1 and the maximum 0-dimensional Betti number Vb1 of the target area image of the lung field without nodules, and the second reference value Tb2 and the maximum 0-dimensional Betti number of the target area image of the lung blood vessel are shown.
  • Vb2 is shown.
  • FIG. 25 plots the change in the 0-dimensional Betti number b0 / W per unit area due to the change in the binarization reference value in the binarized image generated for the target area image in which the lung nodule is generated. It is a graph.
  • the number of 0-dimensional Betti numbers b0 / W per unit area for the target area image of the solid knot is indicated by a dash-dotted line
  • b0 / W is indicated by a broken line.
  • the 0-dimensional Betti number b0 / W per unit area for the target area image of the mixed type nodule is shown by a solid line.
  • the second reference value Tb5 and the maximum 0-dimensional Betti number Vb5 of the target area image of the nodule are shown.
  • the determination unit 44 determines the change occurring in the lungs based on at least two of the following (1) to (6) (step S28: determination step).
  • FIG. 26 is a diagram showing an example of the determination criterion 32a.
  • the determination unit 44 compares at least two of the above (1) to (6) specified for the target area image with the values specified in the determination criterion 32a, and determines the change that has occurred in the lungs. ..
  • the determination unit 44 can determine in more detail the changes that have occurred in the lungs. For example, the determination unit 44 can discriminate between a solid nodule and a mixed nodule based on the maximum value R of b1 / b0 and the maximum one-dimensional Betti number Va / W per unit area. Further, for example, based on the maximum value R of b1 / b0 and the first reference value Ta, the determination unit 44 can discriminate between the glass type nodule and the mixed type nodule.
  • the display control unit 45 outputs the determination result to the display device 5 (step S29).
  • FIG. 27 is a block diagram showing an example of the configuration of the image analysis device 1b according to the fourth embodiment of the present invention.
  • the image analysis device 1b is different from the image analysis device 1 shown in FIG. 1 in that the image analysis device 1b includes a communication unit 6.
  • the communication unit 6 acquires display data from the display control unit 45 and displays the display data for displaying the determination result determined based on the analysis result of the tissue image indicated by the image data received from the external device 8 on the display device 5. It is transmitted to the device 5.
  • the number of the external device 8 and the presentation device 5 is not limited to one, and may be a plurality.
  • the image analysis device 1b is not limited to the configuration shown in FIG. 27.
  • the image analysis device 1a shown in FIG. 18 may be configured by adding the communication unit 6.
  • FIG. 28 is a schematic view showing a configuration example of an image analysis system 100 including an image analysis device 1b according to the present invention.
  • FIG. 28 shows an example in which the external device 8 and the presenting device 7 are installed at separate locations.
  • FIG. 29 is a schematic view showing a configuration example of another image analysis system 100a including the image analysis device 1b according to the present invention.
  • FIG. 29 shows an example in which the presentation device 7 is connected to the external device 8a.
  • the image analysis system 100 includes an external device 8, an image analysis device 1b, and a presentation device 7.
  • the external device 8, the image analysis device 1b, and the presentation device 7 are connected to an information communication network 50 such as the Internet, and can transmit and receive data to and from each other.
  • the external device 8 may be, for example, a personal computer connected to a CT device, or a server (electronic medical record server, CT image data server, etc.) that aggregates and manages images of tissues. ..
  • the presenting device 7 may be any device having a function of presenting the result of image analysis to the user.
  • the presenting device 7 is a display device including a display.
  • the presentation device 7 may be a communication terminal device such as a tablet terminal carried by a medical person or the like.
  • the image data of the tissue image obtained by capturing the tissue is transmitted from the external device 8 to the image analysis device 1b.
  • the image analysis device 1b that has received the image data analyzes the image and transmits the determination result by the determination unit 44 to the presentation device 7 via the communication unit 6.
  • the image analysis system 100a includes an external device 8a, an image analysis device 1b, and a presentation device 7.
  • the external device 8a and the image analysis device 1b are connected to an information communication network 50 such as the Internet, and can transmit and receive data to and from each other.
  • the presentation device 7 is connected to the external device 8a.
  • the image analysis device 1b can receive the image captured at a remote location from the external device 8 or 8a, perform image analysis, and transmit the determination result by the determination unit 44 to the presentation device 7.
  • the determination result may be transmitted to the presentation device 7 in association with the tissue image used for analysis.
  • the presentation device 7 may be a device connected to the external device 8a, or may be a device independent of the image analysis device 1b and the external device 8.
  • the image analysis systems 100 and 100a can receive the tissue image from the external devices 8 and 8a at a remote location and analyze the image, and the tissue image and the determined information can be analyzed. Can be presented to users in remote areas. Therefore, it is possible to provide highly accurate diagnostic imaging results even to users in remote areas where doctors are absent or in short supply.
  • control blocks (particularly the control units 4 and 4a) of the image analysis devices 1, 1a and 1b may be realized by a logic circuit (hardware) formed in an integrated circuit (IC chip) or the like, or by software. You may.
  • the image analysis devices 1, 1a, and 1b include a computer that executes a program instruction, which is software that realizes each function.
  • the computer includes, for example, one or more processors and a computer-readable recording medium that stores the program. Then, in the computer, the processor reads the program from the recording medium and executes it, thereby achieving the object of the present invention.
  • the processor for example, a CPU (Central Processing Unit) can be used.
  • the recording medium in addition to a “non-temporary tangible medium” such as a ROM (Read Only Memory), a tape, a disk, a card, a semiconductor memory, a programmable logic circuit, or the like can be used.
  • a RAM RandomAccessMemory
  • the program may be supplied to the computer via an arbitrary transmission medium (communication network, broadcast wave, etc.) capable of transmitting the program.
  • a transmission medium communication network, broadcast wave, etc.
  • one aspect of the present invention can also be realized in the form of a data signal embedded in a carrier wave, in which the above program is embodied by electronic transmission.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

組織に生じた変化を精度良く判定する。解析対象の画像から、二値化の基準値が異なる複数の二値化画像を生成する二値化部（４１）と、複数の二値化画像のそれぞれについて、第１画素値と第２画素値とに二値化された後における第１画素値の画素に囲まれた、第２画素値の画素からなる穴形状の領域の数を示す１次元ベッチ数を算出するベッチ数算出部（４２）と、１次元ベッチ数が最大となる二値化画像における二値化の基準値と該二値化画像における１次元ベッチ数とに基づいて、組織に生じた変化を判定する判定部（４４）と、を備える。

Description

画像解析方法、画像解析装置、画像解析システム、制御プログラム、記録媒体
　本発明は組織を撮像した画像を解析して、組織に生じた変化を判定する画像解析方法および画像解析装置等に関する。
　胸部検診の受診者は年々増加しており、胸部ＣＴ画像などの医用画像を読影する医師の負担も年々増加している。医師の負担を軽減するためには、計算機による画像解析技術が必要不可欠である。
　近年では、深層学習（deep learning）などの人工知能による画像解析（画像認識）技術が多く試みられており、中には医師と同様の判定結果を出力することが可能なものも報告されている。例えば、特許文献１および２には、医用画像についての画像解析技術が開示されている。
日本国特開２０１８－１７５２２６号公報 日本国特開２０１５－１５６８９４号公報
　医師は、組織に生じた病変部位における構造上の特性を把握しており、各病変部位がどのような画像として撮像され得るのかについても理解している。その上で、医師は、組織を撮像した画像に基づいて組織に生じた変化を判定する。
　例えば、患者の肺のＣＴ画像から発見された結節影の性状に基づいて、医師は、肺結節の種類を類推し、判定することができる。結節影から肺結節の種類を、医師による肺結節の種類の判定と同じように行うことが可能な画像解析技術が求められている。このような画像解析技術は、肺のＣＴ画像の読影に限らず、さまざまな臓器および組織における病変の発見および判定に活用され得る。
　近年、コンピュータ（人工知能）が自ら膨大な画像データを学習して自律的に推論結果を出力するさまざまな技術が考案されている。例えば、医師による判定済の組織画像と判定結果との対応関係を学習させた人工知能を作成し、該人工知能に解析対象となる組織画像を入力することによって推論結果を出力させることも可能である。しかし、人工知能を用いて得た推論は、出力された推論結果を医師などのユーザが理解できないという問題点がある。なぜなら、人工知能がその推論結果を出力するに至った根拠は、解析対象の画像を見ても分からない場合が多いからである。推論結果を出力するに至った根拠が不明である場合、その推論結果をそのまま現在の医療に活用することは困難である。
　本発明の一態様は、上記の問題点を解決するためになされたものであり、その目的は、組織の画像を、該組織に生じた変化の構造上の特性に基づいて解析することにより、組織に生じた変化について、医師のように精度良く判定する画像解析方法および画像解析装置等を実現することを目的とする。
　上記の課題を解決するために、本発明の一態様に係る画像解析方法は、組織を撮像した組織画像を解析する方法であって、前記組織画像から解析対象となる対象領域画像を抽出し、該対象領域画像について、二値化の基準値が異なる複数の二値化画像を生成する二値化ステップと、複数の前記二値化画像のそれぞれについて、第１画素値と第２画素値とに二値化された後における前記第１画素値の画素に囲まれた、該二値化後における前記第２画素値の画素からなる穴形状の領域の数を示す第１特徴数を含む特徴数を算出する特徴数算出ステップと、前記第１特徴数が最大となる二値化画像を特定し、特定した該二値化画像における二値化の基準値を示す第１基準値、および該二値化画像における前記第１特徴数を示す最大第１特徴数を特定する基準値特定ステップと、前記第１基準値および前記最大第１特徴数に基づいて、前記組織に生じた変化を判定する判定ステップと、を含む。
　上記の課題を解決するために、本発明の一態様に係る画像解析装置は、組織を撮像した組織画像を解析する画像解析装置であって、前記組織画像から解析対象となる対象領域画像を抽出し、該対象領域画像について、二値化の基準値が異なる複数の二値化画像を生成する二値化部と、複数の前記二値化画像のそれぞれについて、第１画素値と第２画素値とに二値化された後における前記第１画素値の画素に囲まれた、該二値化後における前記第２画素値の画素からなる穴形状の領域の数を示す第１特徴数を算出する特徴数算出部と、前記第１特徴数が最大となる二値化画像を特定し、特定した該二値化画像における二値化の基準値を示す第１基準値、および該二値化画像における前記第１特徴数を示す最大第１特徴数を特定する基準値特定部と、前記第１基準値および前記最大第１特徴数に基づいて、前記組織に生じた変化を判定する判定部と、を備える。
　本発明の各態様に係る画像解析装置は、コンピュータによって実現してもよく、この場合には、コンピュータを前記画像解析装置が備える各部（ソフトウェア要素）として動作させることにより前記画像解析装置をコンピュータにて実現させる画像解析装置の制御プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。
　本発明の一態様によれば、組織の画像を、該組織に生じた変化の構造上の特性に基づいて解析することにより、組織に生じた変化を精度良く判定することができる。
本発明の一態様に係る画像解析装置の構成例を示す機能ブロック図である。 ホモロジーの概念におけるベッチ数を説明するための模式図である。 結節が生じていない肺野の領域のＣＴ画像の例を示す図である。 肺血管の領域のＣＴ画像の例を示す図である。 充実型結節が生じている肺の領域のＣＴ画像の例を示す図である。 すりガラス型結節が生じている肺の領域のＣＴ画像の例を示す図である。 本発明の一態様に係る画像解析装置を肺のＣＴ画像の解析に適用した場合の処理の流れの概要を模式的に示す図である。 画像解析装置が行う処理の流れの一例を示すフローチャートである。 結節が生じていない肺野、および肺血管の領域について生成した二値化画像において、二値化の基準値を変化させたことに伴う１次元ベッチ数の変化をプロットしたグラフである。 充実型結節の領域、およびすりガラス型結節の領域について生成した二値化画像において、二値化の基準値を変化させたことに伴う１次元ベッチ数の変化をプロットしたグラフである。 対象領域画像毎の、第１基準値と、最大１次元ベッチ数とをプロットしたグラフである。 判定基準の一例を示す図である。 本発明の別の態様に係る画像解析装置における処理の流れの一例を示すフローチャートである。 結節が生じていない肺野、および肺血管の領域について生成した二値化画像において、二値化の基準値を変化させたことに伴う０次元ベッチ数の変化をプロットしたグラフである。 充実型結節の領域、およびすりガラス型結節の領域について生成した二値化画像において、二値化の基準値を変化させたことに伴う０次元ベッチ数の変化をプロットしたグラフである。 対象領域画像毎の、第２基準値と、最大０次元ベッチ数とをプロットしたグラフである。 判定基準の別の一例を示す図である。 本発明の別の態様に係る画像解析装置の構成例を示す機能ブロック図である。 本発明の他の態様に係る画像解析装置における処理の流れの一例を示すフローチャートである。 結節が生じていない肺野、および肺血管の領域について生成した二値化画像において、二値化の基準値を変化させたことに伴う１次元ベッチ数と０次元ベッチ数との比の変化をプロットしたグラフである。 充実型結節の領域、およびすりガラス型結節の領域について生成した二値化画像において、二値化の基準値を変化させたことに伴う１次元ベッチ数と０次元ベッチ数との比の変化をプロットしたグラフである。 結節が生じていない肺野、および肺血管の領域について生成した二値化画像において、二値化の基準値を変化させたことに伴う１次元ベッチ数の変化をプロットしたグラフである。 充実型結節の領域、およびすりガラス型結節の領域について生成した二値化画像において、二値化の基準値を変化させたことに伴う１次元ベッチ数の変化をプロットしたグラフである。 結節が生じていない肺野、および肺血管の領域について生成した二値化画像において、二値化の基準値を変化させたことに伴う０次元ベッチ数の変化をプロットしたグラフである。 充実型結節の領域、およびすりガラス型結節の領域について生成した二値化画像において、二値化の基準値を変化させたことに伴う０次元ベッチ数の変化をプロットしたグラフである。 判定基準の一例を示す図である。 画像解析装置の構成例を示す機能ブロック図である。 本発明に係る画像解析装置を含む画像解析システムの概略構成の例を示す図である。 本発明に係る画像解析装置を含む画像解析システムの概略構成の別の例を示す図である。
　〔実施形態１〕
　以下、本発明の一実施形態について、詳細に説明する。
　（本発明の技術思想）
　まず、本発明の技術思想について以下に説明する。
　本発明の発明者らは、組織画像の一例として、被検体の胸部を撮像したＣＴ（computed tomography）画像における肺（組織）を撮像した領域を解析した。具体的には、本発明の発明者らは、肺のＣＴ画像（組織画像）における肺結節が生じていない領域と、肺結節が生じている領域とを詳細に比較・検討した。
　具体的には、本発明の発明者らは、肺のＣＴ画像から、解析対象となる結節影を抽出し、該結節影に対して二値化の基準値が異なる複数の二値化画像を生成した。そして、本発明の発明者らは、二値化画像のそれぞれについて、二値化の基準値を変化させたときに、算出された１次元ベッチ数ｂ１（第１特徴数）および０次元ベッチ数ｂ０（第２特徴数）がどのように変化するかを調べた。
　その結果、本発明の発明者らは、１次元ベッチ数ｂ１が最大となるときの二値化の基準値および１次元ベッチ数ｂ１の最大値に基づいて、結節影が如何なる種類の肺結節に由来しているかを精度良く判定できることを見いだした。
　さらに、本発明の発明者らは、下記の（１）～（３）をさらに利用することによって、肺結節の判定の精度を向上させたり、判定処理を効率化したりすることが可能であることも見いだした。
　（１）０次元ベッチ数ｂ０が最大となるときの二値化の基準値および０次元ベッチ数ｂ０の最大値。
　（２）１次元ベッチ数ｂ１と０次元ベッチ数ｂ０との比。
　（３）結節影の単位面積当たりの１次元ベッチ数ｂ１および０次元ベッチ数ｂ０。
　（組織画像を解析するための数学的表現）
　次に、本発明の一態様に係る画像解析方法において、組織画像を解析するために適用される数学的表現について説明する。
　組織に生じた変化を定量化して解析するために、本発明の一態様に係る画像解析方法では、二値化画像に対して、ホモロジーの概念、特にパーシステントホモロジーを適用する。ホモロジーとは、図形の形態上の性質を代数的に置き換えて、図形の結合などの解析を容易にする数学の一分野である。
　ホモロジーの概念は、構成要素の連結および接触を表す数学的な概念である。組織画像において、適切な二値化の基準値（二値化パラメータともいう）を設定して二値化する。そして、二値化された画像から０次元ベッチ数および１次元ベッチ数ｂ１を算出する。算出された０次元ベッチ数ｂ０および１次元ベッチ数ｂ１を用いて、その組織の構成要素同士の連結の程度、および構成要素同士の接触の程度の評価が可能である。
　ベッチ数とは、図形（例えば、組織の構成要素に該当）の形状には無関係であり、図形同士の接触と分離とにのみ関係するトポロジカルな示唆数である。ｑ次元特異ホモロジー群が有限生成のとき、このｑ次特異ホモロジー群は、自由アーベル群と有限アーベル群との直和に分けられる。この自由アーベル群の階級をベッチ数という。
　＜０次元ベッチ数ｂ０＞
　０次元ベッチ数ｂ０は、数学的には以下のように定義される。一般に有限個の線分を繋ぎ合わせて成る図形（１次元複体とも呼称される）Ｋの連結成分の個数を０次元ベッチ数という。「有限個の点を有限個の線分で結んだ図形が連結である」とは、この図形の任意の頂点から他の任意の頂点に、この図形の辺を辿って到達し得ることを意図する。
　異なる二値化の基準値を用いて生成した複数の二値化画像のそれぞれにおいて、二値化後の一方の画素値（例えば、二値化の結果、画素値が０）の画素が連結して成る連結領域の数が、０次元ベッチ数ｂ０である。
　＜１次元ベッチ数ｂ１＞
　１次元ベッチ数ｂ１は、数学的には以下のように定義される。以下の（１）および（２）の条件が満たされる場合、図形Ｋの１次元ベッチ数ｂ１はｒである。
（１）有限個の線分を繋ぎ合わせて成る図形（連結な１次元複体）Ｋに対して、適当なｒ個の、開いた（両端を含まない）１次元単体（例えば、線分）を図形Ｋから取り去っても図形Ｋの連結成分の個数は増加しない。
（２）任意の（ｒ＋１）個の、開いた１次元単体をＫから取り去った場合にはＫは連結でなくなる（すなわち、Ｋの連結成分の個数が１つ増加する）。
　異なる二値化の基準値を用いて生成した複数の二値化画像のそれぞれにおいて、二値化後の一方の画素値（例えば、二値化の結果、画素値が０）の画素に囲まれた穴形状の領域（例えば、二値化の結果、画素値が２５５）の数が、１次元ベッチ数ｂ１である。
　＜例示的な図形の０次元ベッチ数ｂ０および１次元ベッチ数ｂ１＞
　ここで、図２に示す例示的な図形を用いて、二値化画像における０次元ベッチ数ｂ０および１次元ベッチ数ｂ１について説明する。図２は、ホモロジーの概念におけるベッチ数を説明するための模式図である。図２に示す図形Ｍ１の場合、黒い領域の数は１つである。したがって、図形Ｍ１の０次元ベッチ数ｂ０は１である。また、図形Ｍ１の場合、黒い領域によって囲まれた白い領域の数は１つである。したがって、図形Ｍ１の１次元ベッチ数ｂ１は１である。
　図２に示す図形Ｍ２の場合、黒い領域の数は２つである。したがって、図形Ｍ２の０次元ベッチ数ｂ０は２である。また、図形Ｍ２の場合、黒い領域によって囲まれた白い領域の数は３つである。したがって、図形Ｍ２の１次元ベッチ数ｂ１は３である。
　２次元画像の場合、０次元ベッチ数ｂ０は互いに連結した成分の纏まりの数であり、１次元ベッチ数ｂ１は当該連結した成分が外縁となって囲んだ空間（以下、「穴形状の領域」と記す場合がある）の数である。穴形状の領域の数は、連結成分中に存在する「穴」の総数である。
　（解析対象となる組織画像および解析対象）
　以下では、肺のＣＴ画像の結節影を解析して、肺に生じた変化（例えば、肺結節の有無および肺結節の種類）を判定する画像解析装置１を例に挙げて説明する。しかし、本発明の一態様に係る画像解析方法を適用可能な組織画像は、肺のＣＴ画像に限定されない。
　本発明の一態様に係る画像解析方法は、下記の（１）～（５）などのような、さまざまな医用画像（組織画像）に対して適用可能である。
　（１）ＭＲＩ（磁気共鳴像、magnetic resonance imaging）検査にて撮像される脳および膵臓などの画像
　（２）レントゲン（マンモグラフィーを含む）検査にて撮像される肝臓および***などの画像
　（３）ＰＥＴ（陽電子放射断層撮影、positron emission tomography）
　（４）ＰＥＴ－ＣＴ（positron emission tomography/CT）
　（５）ＳＰＥＣＴ－ＣＴ（single-photon emission coupled tomography/CT）。
　また、本発明の一態様にかかる画像解析方法の解析対象となる領域の画像は、結節影に限定されない。例えば、上記（１）～（５）の画像中に見出される任意の病変部位の画像が本発明の一態様にかかる画像解析方法の解析対象となり得る。
　（肺のＣＴ画像における結節影の特徴と肺結節の種類）
　まず、肺のＣＴ画像に基づいて判断される肺結節の種類について、図３～図６を用いて説明する。図３は、結節が生じていない肺野の領域のＣＴ画像の例を示す図である。図４は、肺血管の領域のＣＴ画像の例を示す図である。図５は、充実型結節が生じている肺の領域のＣＴ画像の例を示す図である。図６は、すりガラス型結節が生じている肺の領域のＣＴ画像の例を示す図である。
　肺のＣＴ画像において、Ｘ線の吸収率がより低い領域は、Ｘ線の吸収率がより高い領域に比べて黒さの度合いが高く表示される。肺のＣＴ画像において正常な肺は、図３に示すように、淡い乳白色の靄がかかった黒っぽい領域として表示される。肺血管は、図４に示すように、内部が周囲よりも白い円形または楕円形の像として表示され得る。結節影は、図５および図６に示すように、内部が周囲よりも白い「類円形の影」として表示される。
　肺結節は、肺のＣＴ画像において、最大径３ｃｍ以下の円形または紡錘形、あるいは、辺縁が不整な吸収値上昇領域として視認される結節影として検出される。肺結節は、結節影の性状に基づいて、充実型結節（solid nodule）、すりガラス型結節（ground-glass nodule）、および混合型結節などに分類される。
　充実型結節（図５参照）は、内部が軟部組織吸収値の領域（白い領域）で満たされている結節である。すりガラス型結節（図６参照）は、充実型結節に比べて内部の白さの程度が低く、内部に肺血管や気管支の辺縁が視認可能な結節である。混合型結節（図示せず）は、一部部分充実型（part-solid nodule）とも呼称される。混合型結節は、内部にすりガラス型結節の領域と充実型結節の領域との両方を有する結節である。
　（画像解析方法の概要）
　続いて、本発明の一態様に係る画像解析の流れの概要について、図７を用いて説明する。図７は、本発明の一態様に係る画像解析装置１を肺のＣＴ画像の解析に適用した場合の処理の流れの概要を模式的に示す図である。
　まず、画像解析装置１は、胸部ＣＴ画像から、解析対象となる領域の画像（以後、「対象領域画像」と記す）を抽出する。次に、画像解析装置１は、抽出した対象領域画像について、二値化の基準値が異なる複数の二値化画像を生成する。
　次に、画像解析装置１は、生成した二値化画像のそれぞれについて、ホモロジーの概念を適用してベッチ数を算出し、対象領域画像を解析する。
　画像解析装置１は、対象領域画像を解析した結果として、肺（組織）に生じた変化を判定する。
　（画像解析装置１の構成）
　次に、本発明の一態様に係る画像解析方法の各処理を実行する画像解析装置１の構成について、図１を用いて説明する。図１は、本発明の一態様に係る画像解析装置１の構成の一例を示すブロック図である。なお、図１では、画像解析装置１に画像を送信する外部機器８も示している。
　図１に示すように、画像解析装置１は、画像取得部２、記憶部３、および制御部４を備えている。記憶部３には少なくとも、組織画像３１および判定基準３２が記憶されている。
　画像取得部２は、外部機器８から、組織を撮像した組織画像を取得する。解析対象の組織が肺である場合、画像取得部２は、被検体の胸部を適当なコントラストで撮像して得られた胸部ＣＴ画像（図７参照）を外部機器８から取得する。なお、胸部ＣＴ画像のコントラストなどは、解析の対象となる組織のＸ線吸収率に応じて適宜設定されればよい。
　画像取得部２は、取得した胸部ＣＴ画像を記憶部３に格納する。なお、画像取得部２は、外部機器８から、胸部ＣＴ画像から肺の領域を抽出したＣＴ画像（以下、「肺のＣＴ画像」と記す）、または、肺のＣＴ画像から結節影としての特徴を有する領域を輪郭に沿って切り出した画像を取得してもよい。画像取得部２は、取得した画像を後述する記憶部３に格納する構成であってもよい。あるいは画像取得部２は、取得した画像を後述する制御部４に直接出力してもよい。
　外部機器８は、例えば、ＣＴ装置、またはＣＴ装置に接続されたパーソナルコンピュータであってもよいし、画像データを保存・管理しているサーバ装置であってもよい。図１では、画像解析装置１が、画像解析装置１とは別体の外部機器８から組織画像を取得する例を図示しているが、これに限定されない。例えば、画像解析装置１が外部機器８に内蔵された構成であってもよいし、画像解析装置１が外部機器８の機能を備える構成であってもよい。
　記憶部３には、組織画像３１および判定基準３２に加え、制御部４が実行する各部の制御プログラム、ＯＳプログラム、アプリケーションプログラムなどが格納されている。また、記憶部３には、これらプログラムを制御部４が実行するときに読み出す各種データが格納されている。記憶部３は、ハードディスク、フラッシュメモリなどの不揮発性の記憶装置によって構成される。なお、記憶部３の他に、上述の各種プログラムを実行する過程でデータを一時的に保持するための作業領域として使用される記憶装置であり、ＲＡＭ（Random Access Memory）などの揮発性の記憶装置を備えていてもよい。
　表示装置５は、制御部４から出力される情報などを表示する表示装置であり、例えば液晶ディスプレイである。表示装置５は、画像解析装置１が備える専用のディスプレイであってもよい。なお、表示装置５は、表示画面にタッチセンサが重畳されており、ユーザによる表示面へのタッチ操作を検出できる構成であってもよい。
　なお、図１では、画像解析装置１が別体として設けられた表示装置５（提示部）と接続されている例を図示しているが、これに限定されない。例えば、画像解析装置１が表示装置５（提示部）を内蔵する構成であってもよい。
　ここで、画像解析装置１と外部機器８、および、画像解析装置１と表示装置５は無線通信で接続されていてもよいし、有線通信で接続されていてもよい。
　＜制御部４の構成＞
　制御部４は、結節影としての特徴を有する領域など、解析対象となる領域の画像（以後、対象領域画像と記す）を解析することにより、肺結節の種類を判定し、判定結果を出力する。この制御部４は、二値化部４１、ベッチ数算出部４２（特徴数算出部）、基準値特定部４３、判定部４４、および表示制御部４５を備えている。
　［二値化部４１］
　二値化部４１は、肺のＣＴ画像から解析対象となる対象領域画像を抽出し、該対象領域画像に対して二値化処理を行い、二値化の基準値が異なる複数の二値化画像を生成する（図７参照）。
　二値化部４１は、公知の画像認識機能を備えていてもよい。これにより、外部機器８から胸部ＣＴ画像を取得した場合、二値化部４１は、公知の画像認識機能によって、胸部ＣＴ画像から肺のＣＴ画像を切り出すことが可能である。肺は周囲の組織に比べてＸ線吸収率が低いため、公知の画像処理の手法を用いれば、胸部ＣＴ画像から肺のＣＴ画像を切り出すことが可能である。
　また、二値化部４１は、肺のＣＴ画像から、対象領域画像を抽出する機能をさらに備えていてもよい。画像取得部２は、抽出した対象領域画像を記憶部３に格納してもよいし、二値化部４１に出力してもよい。
　肺のＣＴ画像から対象領域画像を抽出することが可能な二値化部４１は、公知の深層学習（ディープラーニング）などの手法を適用することによって実現され得る。例えば、二値化部４１は、胸部ＣＴ画像と、当該胸部ＣＴ画像から検出されるべき（または、切り出されるべき）対象領域画像（例えば、結節影としての特徴を有する画像）との対応関係を学習データとして用いた深層学習を施されていてもよい。ここで、学習データとして用いる胸部ＣＴ画像は、例えば、予め医師による読影によって結節影としての特徴が認められた領域の画像が含まれる胸部ＣＴ画像であればよい。このような深層学習を二値化部４１に適用することによって、二値化部４１は、胸部ＣＴ画像から抽出された肺のＣＴ画像から対象領域画像を抽出することが可能となる。
　二値化部４１は、二値化処理において、二値化の基準値よりも大きい画素値（あるいは、ＣＴ値）を有する画素を白色の画素に変換し、二値化の基準値以下の画素値を有する画素を黒色の画素に変換する。このとき二値化部４１は、肺を撮像した１つのＣＴ画像に対して、二値化の基準値を変更する度に二値化処理を行い、複数の二値化画像を生成する。すなわち、二値化部４１は、肺のＣＴ画像について、二値化の基準値が異なる複数の二値化画像を複数生成する。
　なお、本明細書では、二値化部４１は、二値化の基準値を、グレースケール画像として表示した対象領域画像の各画素の画素値に基づいて設定する場合を例に挙げて説明する。すなわち、二値化部４１は、二値化の基準値を０～２５５の範囲において設定する。例えば、二値化の基準値が画素値１００に設定された場合、画素値が１００以下の画素の画素値は二値化処理の結果０となり、画素値が１００より高い画素の画素値は二値化処理の結果２５５となる。
　二値化の基準値の設定方法は、これに限定されない。例えば、二値化の基準値は、肺を撮像対象とする胸部ＣＴ画像において一般的に設定されるＣＴ値－１０００～－７００ＨＵの範囲において設定されてもよい。二値化の基準値を－９００ＨＵに設定した場合、ＣＴ値が－９００ＨＵ以下の画素の画素値は二値化処理の結果０となり、ＣＴ値が－９００ＨＵより高い画素の画素値は二値化処理の結果２５５となる。
　二値化部４１は、二値化処理の前に、対象領域画像におけるＣＴ値の範囲を限定してもよい。肺のＣＴ画像では、ＣＴ値が０ＨＵ～１０００ＨＵの範囲である領域は無視されるため、例えば、二値化処理の対象を、ＣＴ値が－１０００ＨＵ～０ＨＵの範囲に限定してもよい。この場合、－１０００ＨＵ～０ＨＵの範囲のＣＴ値が、０～２５５の範囲の画素値に対応付けられる。例えば、２５５×（ＣＴ値）／（対象領域画像におけるＣＴ値の範囲）の値の小数点以下を四捨五入して得られる値を、ＣＴ値に対応する画素値として決定すればよい。
　［ベッチ数算出部４２］
　ベッチ数算出部４２は、複数の二値化画像のそれぞれについて、第１画素値と第２画素値とに二値化された後における一方の画素値（第１画素値）の画素に囲まれた、該二値化後における他方の画素値（第２画素値）の画素からなる穴形状の領域の数を示す１次元ベッチ数ｂ１を算出する。
　ベッチ数算出部４２は、複数の前記二値化画像のそれぞれについて、第１画素値と第２画素値とに二値化された後における一方の画素値（第１画素値）が連結して成る連結領域の数を示す０次元ベッチ数ｂ０をさらに算出してもよい。
　上記連結領域は、例えば、二値化処理後の画素値が０である画素が隣接しつつ集まった領域である。それぞれの連結領域は、二値化処理後の画素値が２５５である画素によって囲まれており、互いに独立している領域である。
　上記穴は、１つ以上の構成成分の外縁の少なくとも一部（構成成分が１つの場合には、その構成成分の外縁の全部）をその外縁として有している開口部である。換言すれば、構成成分の外縁によって囲まれた穴には、１つの構成成分がその内部に有する穴と、互いに連結した複数の構成成分がそれぞれ有する外縁によって囲まれた穴とが含まれる。
　なお、ベッチ数算出部４２によって算出される１次元ベッチ数ｂ１および０次元ベッチ数ｂ０の値は、対象領域画像に撮像されている領域の面積に依存する。それゆえ、ベッチ数算出部４２は、撮像されている領域の面積が等しい対象領域画像の１次元ベッチ数ｂ１および０次元ベッチ数ｂ０を算出することが望ましい。
　また、ベッチ数算出部４２は、複数の前記二値化画像のそれぞれについての、１次元ベッチ数ｂ１と０次元ベッチ数ｂ０との比をさらに算出してもよい。なお、本明細書では、１次元ベッチ数ｂ１を０次元ベッチ数ｂ０で除した値（ｂ１／ｂ０）を算出した場合を例に挙げて説明するが、１次元ベッチ数ｂ１と０次元ベッチ数ｂ０との比は、ｂ１／ｂ０およびｂ０／ｂ１のいずれであってもよい。
　ベッチ数算出部４２として、既存のプログラムを用いてもよい。このようなプログラムの一例としてＣＨｏｍＰを挙げることができる。ＣＨｏｍＰは、ＧＮＵ（General PublicLicense）に準拠したフリーウェアであり、ホームページ（http://chomp.rutgers.edu/）からダウンロードできる。なお、これに限定されるものではなく、画像に関する０次元ベッチ数ｂ０および１次元ベッチ数ｂ１を算出できるプログラムであれば、ＣＨｏｍＰ以外のプログラムを用いてもよい。
　［基準値特定部４３］
　基準値特定部４３は、二値化部４１によって生成された複数の二値化画像のうち、１次元ベッチ数ｂ１が最大となる二値化画像を特定する。さらに、基準値特定部４３は、第１基準値Ｔａおよび最大１次元ベッチ数Ｖａ（最大第１特徴数）を特定する。ここで、第１基準値Ｔａは、特定した二値化画像における二値化の基準値である。また、最大１次元ベッチ数Ｖａは、特定した二値化画像における１次元ベッチ数ｂ１である。
　また、基準値特定部４３は、ｂ１／ｂ０が最大値となる二値化画像を特定してもよい。基準値特定部４３は、特定した二値化画像における二値化の基準値を示す第３基準値Ｔｃ、および特定した二値化画像におけるｂ１／ｂ０の値Ｒ（以後、「ｂ１／ｂ０の最大値Ｒ」と記す）（最大第３特徴数）をさらに特定してもよい。
　なお、基準値特定部４３は、０次元ベッチ数、１次元ベッチ数、およびｂ１／ｂ０の二値化の基準値の変化に伴う変化をプロットしたグラフを生成してもよい。基準値特定部４３は、生成したグラフから、第１基準値Ｔａ、最大１次元ベッチ数Ｖａ、第２基準値Ｔｂ、最大０次元ベッチ数Ｖｂ、第３基準値Ｔｃ、ｂ１／ｂ０の最大値Ｒなどを読取ることができる。
　［判定部４４］
　判定部４４は、下記（１）および（２）に基づいて、肺に生じた変化を判定する。
　（１）第１基準値Ｔａ
　（２）最大１次元ベッチ数Ｖａ
　なお、判定部４４は、肺に生じた変化を判定するための判定基準３２を参照する構成であってもよい。判定基準３２については後に具体例を挙げて説明する。
　判定部４４による、対象領域画像に対する判定の精度は、公知の深層学習（ディープラーニング）などの手法を適用することによって向上させることが可能である。例えば、深層学習において、下記の（教師データ）などが使用され得る。
（教師データ）判定部４４が対象領域画像についての判定に用いた上記パラメータ（例えば、上記（１）～（６）など）と、該対象領域画像について医師によって判断された結果との組み合わせを含むデータ。
　［表示制御部４５］
　表示制御部４５は、判定部４４から出力される判定結果を示す情報を、表示装置５に表示させる。なお、表示制御部４５は、判定結果を示す情報と共に、対象領域画像を抽出するために用いた胸部ＣＴ画像（または、肺のＣＴ画像）を表示装置５に表示させてもよい。
　また、表示制御部４５は、対象領域画像の胸部ＣＴ画像（または肺のＣＴ画像）における位置を示す情報を、判定結果および胸部ＣＴ画像（または肺のＣＴ画像）と共に表示装置５に表示させてもよい。
　このように構成すれば、画像解析装置１は、胸部ＣＴ画像（または肺のＣＴ画像）における対象領域画像をユーザに視認させつつ、判定結果を提示することができる。ここで、ユーザには、医師、検査技師、研究者などが含まれ得る。
　なお、判定結果をユーザに提示する方法は所望の態様であってもよい。例えば、図１に示すように、表示装置５に判定結果が表示される構成であってもよいし、プリンター（図示せず）およびスピーカー（図示せず）などから出力される構成であってもよい。
　（画像解析装置１が行う処理の流れ）
　画像解析装置１が行う処理の流れについて、適宜、図９～図１２を参照しながら、図８を用いて説明する。図８は、画像解析装置１が行う処理の流れの一例を示すフローチャートである。
　まず、画像取得部２は、外部機器８から組織を撮像した組織画像を取得する（ステップＳ１）。
　次に、二値化部４１は、組織画像から対象領域画像を抽出し、対象領域画像について、二値化の基準値が異なる複数の二値化画像を生成する（ステップＳ２：二値化ステップ）。
　次に、ベッチ数算出部４２は、複数の二値化画像のそれぞれについて、１次元ベッチ数ｂ１を算出する（ステップＳ３：特徴数算出ステップ）。
　図９は、結節が生じていない肺野、および肺血管の領域について生成した二値化画像において、二値化の基準値を変化させたことに伴う１次元ベッチ数ｂ１の変化をプロットしたグラフである。図９において、結節が生じていない肺野の対象領域画像についての１次元ベッチ数ｂ１は実線で示されており、肺血管の対象領域画像についての１次元ベッチ数ｂ１は破線で示されている。
　一方、図１０は、充実型結節の領域、およびすりガラス型結節の対象領域画像について生成した二値化画像において、二値化の基準値を変化させたことに伴う１次元ベッチ数ｂ１の変化をプロットしたグラフである。図１０において、充実型結節の対象領域画像についての１次元ベッチ数ｂ１は実線で示されており、すりガラス型結節の対象領域画像についての１次元ベッチ数ｂ１は破線で示されている。
　図８に戻り、基準値特定部４３は、１次元ベッチ数ｂ１が最大となる二値化画像を特定し、第１基準値Ｔａ、および最大１次元ベッチ数Ｖａを特定する（ステップＳ４：基準値特定ステップ）。
　続いて、判定部４４は、第１基準値Ｔａおよび最大１次元ベッチ数Ｖａに基づいて、肺に生じた変化を判定する（ステップＳ５：判定ステップ）。
　図１１は、対象領域画像毎の、第１基準値Ｔａと、最大１次元ベッチ数Ｖａとをプロットしたグラフである。図１１に示すように、基準値特定部４３によって特定された第１基準値Ｔａと、最大１次元ベッチ数Ｖａとの組み合わせは、群Ａ～群Ｄの４つの群に明確に分かれる。具体的には、群Ａは、充実型結節の対象領域画像における第１基準値Ｔａと最大１次元ベッチ数Ｖａとをプロットした点である。群Ｂは、肺血管の対象領域画像における第１基準値Ｔａと最大１次元ベッチ数Ｖａとをプロットした点である。群Ｃは、結節が生じていない肺野の対象領域画像における第１基準値Ｔａと最大１次元ベッチ数Ｖａとをプロットした点である。群Ｄは、すりガラス型結節の対象領域画像における第１基準値Ｔａと最大１次元ベッチ数Ｖａとをプロットした点である。このように、第１基準値Ｔａおよび最大１次元ベッチ数Ｖａに基づいて、対象領域画像が、結節が生じていない肺野、肺血管、充実型結節、すりガラス型結節のいずれであるかを判定することができる。
　図１２は、判定基準３２の一例を示す図である。判定部４４は、対象領域画像について特定された第１基準値Ｔａおよび最大１次元ベッチ数Ｖａと、判定基準３２に規定されている第１基準値Ｔａおよび最大１次元ベッチ数Ｖａとを比較して、下記に記すように肺に生じた変化を判定する。
・判定部４４は、対象領域画像について特定された第１基準値Ｔａが７０～１００であり、最大１次元ベッチ数Ｖａが１０～２５である場合、該対象領域画像は結節が生じていない肺野の画像であると判定する。
・判定部４４は、対象領域画像について特定された第１基準値Ｔａが１２０～１８０であり、最大１次元ベッチ数Ｖａが２～１０である場合、該対象領域画像はすりガラス型結節の画像であると判定する。
・判定部４４は、対象領域画像について特定された第１基準値Ｔａが１８０～２５５であり、最大１次元ベッチ数Ｖａが２～１０である場合、該対象領域画像は肺血管の画像であると判定する。
・判定部４４は、対象領域画像について特定された第１基準値Ｔａが１８０～２５５であり、最大１次元ベッチ数Ｖａが１０～５０である場合、該対象領域画像は充実型結節の画像であると判定する。
　表示制御部４５は、判定結果を表示装置５に出力する（ステップＳ６）。
　なお、図９～図１１に示すグラフは、－１０００ＨＵ～０ＨＵの範囲のＣＴ値を、０～２５５の範囲の画素値に対応付けられた対象領域画像に対して、二値化部４１が二値化処理を行った二値化画像を用いて描画されている。判定基準３２における第１基準値Ｔａの値は、二値化部４１が二値化処理の前に、対象領域画像におけるＣＴ値の範囲をどのように限定したかに応じて変化する。それゆえ、二値化部４１が二値化処理を行う前に、対象領域画像におけるＣＴ値の範囲を限定する場合、対象領域画像のＣＴ値の範囲を揃えておくことが重要である。
　上記の構成によれば、画像解析装置１は、結節影などの対象領域画像について二値化の基準値が異なる複数の二値化画像を生成し、二値化画像のそれぞれについて、１次元ベッチ数を算出する。そして、画像解析装置１は、１次元ベッチ数が最大となる二値化画像を特定し、特定した二値化画像から第１基準値Ｔａと最大１次元ベッチ数Ｖａを特定する。画像解析装置１は、特定した第１基準値Ｔａと最大１次元ベッチ数Ｖａに基づいて、肺結節か否か、および如何なる種類の肺結節であるかを判定する。このように構成すれば、対象領域画像が肺に生じている変化の有無および変化の種類を、肺に生じた変化の構造上の特性に基づいて精度良く判定することができる。
　肺に生じた病変部位は、周囲とは異なる画像として視認され得る。画像解析装置１は、解析対象となる領域の画像が有する性状をホモロジーの概念を用いて数学的に解析し、該解析結果に基づいて肺に生じた変化を判定する。すなわち、画像解析装置１による判定結果は、画像診断における医師による診断結果と同様、対象領域画像の性状に根拠がある。それゆえ、画像解析装置１は、ユーザが容易に理解可能な判定結果を出力することが可能である。肺以外の組織に生じた病変部位にも、周囲とは異なる画像として視認され得るものが多く知られている。画像解析装置１は、画像診断によって発見され得る任意の病変部位の有無および種類を高精度で判定することが可能である。
　〔実施形態２〕
　本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。本実施形態では、ベッチ数算出部４２が算出した０次元ベッチ数ｂ０も利用して、肺に生じた変化を判定する構成である。
　［基準値特定部４３］
　基準値特定部４３は、二値化部４１によって生成された複数の二値化画像のうち、０次元ベッチ数ｂ０が最大となる二値化画像をさらに特定してもよい。そして、基準値特定部４３は、第２基準値Ｔｂおよび最大０次元ベッチ数Ｖｂ（最大第２特徴数）を特定する。ここで、第２基準値Ｔｂは、特定した二値化画像における二値化の基準値である。また、最大０次元ベッチ数Ｖｂは、特定した二値化画像における０次元ベッチ数ｂ０である。
　なお、基準値特定部４３は、二値化の基準値の変化に伴う０次元ベッチ数および１次元ベッチ数の変化をプロットしたグラフを生成してもよい。基準値特定部４３は、生成したグラフから、第１基準値Ｔａ、最大１次元ベッチ数Ｖａ、第２基準値Ｔｂ、および最大０次元ベッチ数Ｖｂなどを読取ることができる。
　［判定部４４］
　判定部４４は、下記の（１）～（４）に基づいて、肺に生じた変化を判定する。
　（１）第１基準値Ｔａ
　（２）最大１次元ベッチ数Ｖａ
　（３）第２基準値Ｔｂ
　（４）最大０次元ベッチ数Ｖｂ。
　（画像解析装置１が行う処理の流れ）
　本実施形態に係る画像解析装置１が行う処理の流れについて、適宜、図１４～図１７を参照しながら、図１３を用いて説明する。図１３は、本発明の別の態様に係る画像解析装置における処理の流れの一例を示すフローチャートである。
　まず、画像取得部２は、外部機器８から組織を撮像した組織画像を取得する（ステップＳ１１）。
　次に、二値化部４１は、組織画像から対象領域画像を抽出し、対象領域画像について、二値化の基準値が異なる複数の二値化画像を生成する（ステップＳ１２：二値化ステップ）。なお、図１４～図１６に示すグラフは、－１０００ＨＵ～０ＨＵの範囲のＣＴ値を、０～２５５の範囲の画素値に対応付けられた対象領域画像に対して、二値化部４１が二値化処理を行った二値化画像を用いて描画されている。
　次に、ベッチ数算出部４２は、複数の二値化画像のそれぞれについて、１次元ベッチ数ｂ１および０次元ベッチ数ｂ０を算出する（ステップＳ１３：特徴数算出ステップ）。
　図１４は、結節が生じていない肺野、および肺血管の領域について生成した二値化画像において、二値化の基準値を変化させたことに伴う０次元ベッチ数ｂ０の変化をプロットしたグラフである。図１４において、結節が生じていない肺野の対象領域画像についての０次元ベッチ数ｂ０は実線で示されており、肺血管の対象領域画像についての０次元ベッチ数ｂ０は破線で示されている。
　一方、図１５は、充実型結節の領域、およびすりガラス型結節の対象領域画像について生成した二値化画像において、二値化の基準値を変化させたことに伴う０次元ベッチ数ｂ０の変化をプロットしたグラフである。図１０において、充実型結節の対象領域画像についての０次元ベッチ数ｂ０は実線で示されており、すりガラス型結節の対象領域画像についての０次元ベッチ数ｂ０は破線で示されている。
　図１３に戻り、基準値特定部４３は、１次元ベッチ数ｂ１が最大となる二値化画像、および、０次元ベッチ数ｂ０が最大となる二値化画像をそれぞれ特定する。そして、基準値特定部４３は、特定した二値化画像について、第１基準値Ｔａ、最大１次元ベッチ数Ｖａ、第２基準値Ｔｂ、および最大０次元ベッチ数Ｖｂを特定する（ステップＳ１４：基準値特定ステップ）。
　続いて、判定部４４は、第１基準値Ｔａ、最大１次元ベッチ数Ｖａ、第２基準値Ｔｂ、および最大０次元ベッチ数Ｖｂに基づいて、肺に生じた変化を判定する（ステップＳ１５：判定ステップ）。
　図１６は、対象領域画像毎の、第２基準値Ｔｂと、最大０次元ベッチ数Ｖｂとをプロットしたグラフである。図１６に示すように、基準値特定部４３によって特定された第２基準値Ｔｂと、最大０次元ベッチ数Ｖｂとの組み合わせは、群Ｅ～群Ｈの４つの群に明確に分かれる。具体的には、群Ｅは、充実型結節の対象領域画像における第２基準値Ｔｂと最大０次元ベッチ数Ｖｂとをプロットした点である。群Ｆは、肺血管の対象領域画像における第２基準値Ｔｂと最大０次元ベッチ数Ｖｂとをプロットした点である。群Ｇは、結節が生じていない肺野の対象領域画像における第２基準値Ｔｂと最大０次元ベッチ数Ｖｂとをプロットした点である。群Ｈは、すりガラス型結節の対象領域画像における第２基準値Ｔｂと最大０次元ベッチ数Ｖｂとをプロットした点である。このように、第２基準値Ｔｂおよび最大０次元ベッチ数Ｖｂに基づいて、対象領域画像が、結節が生じていない肺野、肺血管、充実型結節、すりガラス型結節のいずれの領域を撮像した画像であるかを判定することも可能である。なお、図１１に示す、対象領域画像毎の、第１基準値Ｔａと、最大１次元ベッチ数Ｖａとをプロットしたグラフに比して、群Ｅ～群Ｈは互いに近接している。それゆえ、判定部４４は、対象領域画像について特定された第１基準値Ｔａおよび最大１次元ベッチ数Ｖａに加えて、第２基準値Ｔｂおよび最大０次元ベッチ数Ｖｂを利用することが望ましい。このように構成すれば、画像解析装置１は、肺に生じた変化を判定する精度をより向上させることができる。
　図１７は、判定基準３２の別の一例を示す図である。判定部４４は、判定基準３２に規定されている第１基準値Ｔａ、最大１次元ベッチ数Ｖａ、第２基準値Ｔｂ、および最大０次元ベッチ数Ｖｂを参照して、肺に生じた変化を対象領域画像毎に判定する。
　（変形例）
　ベッチ数算出部４２が算出した１次元ベッチ数ｂ１と０次元ベッチ数ｂ０との比も利用して、肺に生じた変化を判定してもよい。以下では、１次元ベッチ数ｂ１と０次元ベッチ数ｂ０との比が、１次元ベッチ数ｂ１を０次元ベッチ数ｂ０で除した値（ｂ１／ｂ０）である場合を例にあげて説明する。
　［ベッチ数算出部４２］
　ベッチ数算出部４２は、複数の二値化画像のそれぞれについて算出した、１次元ベッチ数ｂ１と０次元ベッチ数ｂ０とを用いて、ｂ１／ｂ０を算出する。
　［基準値特定部４３］
　基準値特定部４３は、二値化部４１によって生成された複数の二値化画像のうち、ｂ１／ｂ０が最大となる二値化画像を特定する。そして、基準値特定部４３は、第３基準値Ｔｃおよびｂ１／ｂ０の最大値Ｒを特定する。ここで、第３基準値は、特定した二値化画像における二値化の基準値である。
　なお、基準値特定部４３は、二値化の基準値の変化に伴うｂ１／ｂ０の値の変化をプロットしたグラフを生成してもよい。基準値特定部４３は、生成したグラフから、第３基準値Ｔｃ、ｂ１／ｂ０の最大値Ｒなどを読取ることができる。
　［判定部４４］
　判定部４４は、下記の（１）～（６）のうちの少なくとも２つに基づいて、肺に生じた変化を判定する。
　（１）第１基準値Ｔａ
　（２）最大１次元ベッチ数Ｖａ
　（３）第２基準値Ｔｂ
　（４）最大０次元ベッチ数Ｖｂ
　（５）第３基準値Ｔｃ
　（６）ｂ１／ｂ０の最大値Ｒ。
　結節が生じていない肺野および肺血管の対象領域画像における第３基準値Ｔｃおよびｂ１／ｂ０の最大値Ｒは、各種肺結節の対象領域画像における第３基準値Ｔｃおよびｂ１／ｂ０の最大値Ｒと大きく異なる。そこで、判定部４４は、対象領域画像における第３基準値Ｔｃおよびｂ１／ｂ０の最大値Ｒを、肺に生じた変化の有無の判定に利用してもよい。具体的には、判定部４４は、対象領域画像における第３基準値Ｔｃおよびｂ１／ｂ０の最大値Ｒに基づいて、対象領域画像の中から、結節が生じていない肺野および肺血管に該当する画像を除去することが可能である。
　〔実施形態３〕
　本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。
　対象領域画像毎に算出される１次元ベッチ数ｂ１および０次元ベッチ数ｂ０の値は、各対象領域画像に撮像されている領域の面積に依存する。対象領域画像毎に撮像されている領域の面積が異なっている場合には、１次元ベッチ数ｂ１および０次元ベッチ数ｂ０などは、単位面積当たりの値として算出されることが望ましい。以下、対象領域画像に撮像されている領域の面積をＷと記す場合がある。また、単位面積当たりの１次元ベッチ数をｂ１／Ｗ、単位面積当たりの０次元ベッチ数をｂ０／Ｗ、と記す場合がある。
　（画像解析装置１ａの構成）
　本発明の一態様に係る画像解析装置１ａの構成について、図１８を用いて説明する。図１８は、本発明の一態様に係る画像解析装置１ａの構成の一例を示すブロック図である。なお、図１８では、図１と同様に、画像解析装置１ａに画像を送信する外部機器８も示している。
　図１８に示すように、画像解析装置１ａは、画像取得部２、記憶部３ａ、および制御部４ａを備えている。記憶部３ａには少なくとも、組織画像３１および判定基準３２ａが記憶されている。
　画像解析装置１ａは、対象領域画像に撮像されている領域の面積を算出する機能を備えている点で、図１の画像解析装置１と異なっている。
　［二値化部４１ａ］
　二値化部４１ａは、肺のＣＴ画像から解析対象となる対象領域画像を抽出し、該対象領域画像に対して二値化処理を行い、二値化の基準値が異なる複数の二値化画像を生成する（図７参照）。
　［面積算出部４６］
　面積算出部４６は、対象領域画像を二値化部４１ａから取得し、対象領域画像に撮像されている領域の面積Ｗを算出する。面積算出部４６は、撮像されている領域の広さが異なる対象領域画像について算出された１次元ベッチ数ｂ１および０次元ベッチ数ｂ０などを、単位面積当たりの値として比較するために、各対象領域画像の面積Ｗを算出する。
　面積算出部４６が算出する値は、各対象領域画像における単位面積当たりの１次元ベッチ数ｂ１／Ｗを表す値、および、単位面積当たりの０次元ベッチ数ｂ０／Ｗを表す値を算出するために利用可能な値であればよく、面積Ｗに限定されない。例えば、面積算出部４６は、対象領域画像に撮像されている領域が正方形または長方形であれば、面積Ｗの代わりに、例えば該領域の対角線の長さを算出してもよい。例えば、面積算出部４６は、対象領域画像に撮像されている領域が円形であれば、面積Ｗの代わりに該領域の半径または直径の長さを算出してもよい。
　なお、肺のＣＴ画像から対象領域画像が抽出されたときに画像として拡大・縮小処理がなされていない場合には、面積算出部４６は、対象領域画像の面積の代わりに対象領域画像を構成する画素数を算出してもよい。
　［ベッチ数算出部４２ａ］
　ベッチ数算出部４２ａは、対象領域画像毎に算出した１次元ベッチ数ｂ１および０次元ベッチ数ｂ０と、面積算出部４６から取得した該対象領域画像の面積Ｗとに基づいて、単位面積当たりの１次元ベッチ数ｂ１／Ｗおよび０次元ベッチ数ｂ０／Ｗを算出する。
　このように構成すれば、ベッチ数算出部４２ａは、任意の広さの領域を撮像した対象領域画像における単位面積当たりの１次元ベッチ数ｂ１／Ｗおよび単位面積当たりの０次元ベッチ数ｂ０／Ｗを算出することができる。
　［判定部４４ａ］
　判定部４４ａは、下記の（１）～（６）のうちの少なくとも２つに基づいて、肺に生じた変化を判定する。なお、以下では、単位面積当たりの１次元ベッチ数ｂ１／Ｗが最大となる二値化画像における、二値化の基準値のことを「第１基準値Ｔａ」と呼称する。同様に、単位面積当たりの０次元ベッチ数ｂ０／Ｗが最大となる二値化画像における、二値化の基準値のことを「第２基準値Ｔｂ」と呼称する。
　（１）第１基準値Ｔａ
　（２）単位面積当たりの１次元ベッチ数ｂ１／Ｗの最大値（最大１次元ベッチ数Ｖａ）
　（３）第２基準値Ｔｂ
　（４）単位面積当たりの０次元ベッチ数ｂ０／Ｗの最大値（最大０次元ベッチ数Ｖｂ）
　（５）第３基準値Ｔｃ
　（６）ｂ１／ｂ０の最大値Ｒ。
　また、判定部４４ａは、ベッチ数算出部４２ａによって算出された第３基準値Ｔｃおよびｂ１／ｂ０の最大値Ｒのみに基づいて、肺に生じた変化の有無を判定してもよい。
　（画像解析装置１が行う処理の流れ）
　画像解析装置１ａが行う処理の流れについて、適宜、図２０～図２６を参照しながら、図１９を用いて説明する。図１９は、画像解析装置１ａが行う処理の流れの一例を示すフローチャートである。
　まず、画像取得部２は、外部機器８から組織を撮像した組織画像を取得する（ステップＳ２１）。
　次に、二値化部４１ａは、組織画像から対象領域画像を抽出する（ステップＳ２２）。
　次に、面積算出部４６は、二値化部４１ａによって抽出された対象領域画像の撮像範囲の面積Ｗを算出する（ステップＳ２３：面積算出ステップ）。
　一方、二値化部４１ａは、ステップＳ２２において抽出した対象領域画像について、二値化の基準値が異なる複数の二値化画像を生成する（ステップＳ２４：二値化ステップ）。なお、図２０～図２５に示すグラフは、－１０００ＨＵ～１０００ＨＵの範囲のＣＴ値を、０～２５５の範囲の画素値に対応付けられた対象領域画像に対して、二値化部４１が二値化処理を行った二値化画像を用いて描画されている。したがって、図２０～図２５に示すグラフと、図９～図１１および図１４～図１６とでは、第１基準値および第２基準値の値が異なっている。
　次に、ベッチ数算出部４２ａは、複数の二値化画像のそれぞれについて、単位面積当たりの１次元ベッチ数ｂ１／Ｗ、単位面積当たりのｂ０／Ｗ、およびｂ１／ｂ０を算出する（ステップＳ２５：特徴数算出ステップ）。
　判定部４４ａは、第３基準値Ｔｃおよびｂ１／ｂ０の最大値Ｒに基づいて、肺に生じた変化の有無を判定する（ステップＳ２６：判定ステップ）。肺に生じた変化の有無を判定する場合、判定部４４ａは第１基準値Ｔａ、第２基準値Ｔｂなどは使用しない。そこで、図１９に示すように、判定部４４ａは、肺に生じた変化の有無の判定を先にする構成であってもよい。このような構成を採用すれば、基準値特定部４３は、次のステップＳ２７において、肺に生じた変化が有ると判定された対象領域画像のみについて、第１基準値Ｔａ、第２基準値Ｔｂなどを特定すればよい。これにより、画像解析装置１ａは、肺に生じた変化の判定処理をより効率的に実行することができる。
　図２０は、結節が生じていない肺野、および肺血管の領域について生成した二値化画像において、二値化の基準値を変化させたことに伴うｂ１／ｂ０の変化をプロットしたグラフである。図２０において、結節が生じていない肺野の対象領域画像についてのｂ１／ｂ０は実線で示されており、肺血管の対象領域画像についてのｂ１／ｂ０は破線で示されている。なお、図２０には、結節が生じていない肺野の対象領域画像の第３基準値Ｔｃ１とｂ１／ｂ０の最大値Ｒ１、および、肺血管の対象領域画像の第３基準値Ｔｃ２とｂ１／ｂ０の最大値Ｒ２が示されている。
　図２１は、肺結節が生じている対象領域画像について生成した二値化画像において、二値化の基準値を変化させたことに伴うｂ１／ｂ０の変化をプロットしたグラフである。図２１において、充実型結節の対象領域画像についてのｂ１／ｂ０は一点鎖線で示されており、すりガラス型結節の対象領域画像についてのｂ１／ｂ０は破線で示されている。また、混合型結節の対象領域画像についてのｂ１／ｂ０は実線で示されている。図２１には、混合型結節の対象領域画像の第３基準値Ｔｃ３とｂ１／ｂ０の最大値Ｒ３、すりガラス型結節の対象領域画像の第３基準値Ｔｃ４とｂ１／ｂ０の最大値Ｒ４、および充実型結節の対象領域画像の第３基準値Ｔｃ５とｂ１／ｂ０の最大値Ｒ５が示されている。
　結節が生じていない肺野の対象領域画像の第３基準値Ｔｃ１は、他の対象領域画像の第３基準値Ｔｃ２～Ｔｃ５に比べて小さい。また、肺血管の対象領域画像のｂ１／ｂ０の最大値Ｒ２は、図２１に示された肺結節の対象領域画像のｂ１／ｂ０の最大値Ｒ３～Ｒ５に比べて小さい。それゆえ、判定部４４ａは、結節が生じていない肺野の対象領域画像および肺血管の対象領域画像と、肺結節の対象領域画像とを判定することができる。
　図１９に戻り、基準値特定部４３は、対象領域画像毎に、第１基準値Ｔａ、最大１次元ベッチ数Ｖａ、第２基準値Ｔｂ、最大０次元ベッチ数Ｖｂ、第３基準値Ｔｃ、およびｂ１／ｂ０の最大値Ｒ、を特定する（ステップＳ２７：基準値特定ステップ）。
　図２２は、結節が生じていない肺野、および肺血管の領域について生成した二値化画像において、二値化の基準値を変化させたことに伴う単位面積当たりの１次元ベッチ数ｂ１／Ｗの変化をプロットしたグラフである。図２２において、結節が生じていない肺野の対象領域画像についての単位面積当たりの１次元ベッチ数ｂ１／Ｗは実線で示されており、肺血管の対象領域画像についての単位面積当たりの１次元ベッチ数ｂ１／Ｗは破線で示されている。なお、図２２は、結節が生じていない肺野の対象領域画像の第１基準値Ｔａ１と最大１次元ベッチ数Ｖａ１、および、肺血管の対象領域画像の第１基準値Ｔａ２と最大１次元ベッチ数Ｖａ２が示されている。
　一方、図２３は、肺結節が生じている対象領域画像について生成した二値化画像において、二値化の基準値を変化させたことに伴う単位面積当たりの１次元ベッチ数ｂ１／Ｗの変化をプロットしたグラフである。図２３において、充実型結節の対象領域画像についての単位面積当たりの１次元ベッチ数ｂ１／Ｗは一点鎖線で示されており、すりガラス型結節の対象領域画像についての単位面積当たりの１次元ベッチ数ｂ１／Ｗは破線で示されている。また、混合型結節の対象領域画像についての単位面積当たりの１次元ベッチ数ｂ１／Ｗは実線で示されている。図２３には、混合型結節の対象領域画像の第１基準値Ｔａ３と最大１次元ベッチ数Ｖａ３、すりガラス型結節の対象領域画像の第１基準値Ｔａ４と最大１次元ベッチ数Ｖａ４、および充実型結節の対象領域画像の第１基準値Ｔａ５と最大１次元ベッチ数Ｖａ５が示されている。
　図２４は、結節が生じていない肺野、および肺血管の領域について生成した二値化画像において、二値化の基準値を変化させたことに伴う単位面積当たりの０次元ベッチ数ｂ０／Ｗの変化をプロットしたグラフである。図２４において、結節が生じていない肺野の対象領域画像についての単位面積当たりの０次元ベッチ数ｂ０／Ｗは実線で示されており、肺血管の対象領域画像についての単位面積当たりの０次元ベッチ数ｂ０／Ｗは破線で示されている。図２４には、結節が生じていない肺野の対象領域画像の第２基準値Ｔｂ１と最大０次元ベッチ数Ｖｂ１、および、肺血管の対象領域画像の第２基準値Ｔｂ２と最大０次元ベッチ数Ｖｂ２が示されている。
　図２５は、肺結節が生じている対象領域画像について生成した二値化画像において、二値化の基準値を変化させたことに伴う単位面積当たりの０次元ベッチ数ｂ０／Ｗの変化をプロットしたグラフである。図２５において、充実型結節の対象領域画像についての単位面積当たりの０次元ベッチ数ｂ０／Ｗは一点鎖線で示されており、すりガラス型結節の対象領域画像についての単位面積当たりの０次元ベッチ数ｂ０／Ｗは破線で示されている。また、混合型結節の対象領域画像についての単位面積当たりの０次元ベッチ数ｂ０／Ｗは実線で示されている。図２５には、混合型結節の対象領域画像の第２基準値Ｔｂ３と最大０次元ベッチ数Ｖｂ３、すりガラス型結節の対象領域画像の第２基準値Ｔｂ４と最大０次元ベッチ数Ｖｂ４、および充実型結節の対象領域画像の第２基準値Ｔｂ５と最大０次元ベッチ数Ｖｂ５が示されている。
　図１９に戻り、判定部４４は、下記の（１）～（６）のうちの少なくとも２つに基づいて、肺に生じた変化を判定する（ステップＳ２８：判定ステップ）。
　（１）第１基準値Ｔａ
　（２）最大１次元ベッチ数Ｖａ
　（３）第２基準値Ｔｂ
　（４）最大０次元ベッチ数Ｖｂ
　（５）第３基準値Ｔｃ
　（６）ｂ１／ｂ０の最大値Ｒ。
　図２６は、判定基準３２ａの一例を示す図である。判定部４４は、対象領域画像について特定された上記（１）～（６）のうちの少なくとも２つを、判定基準３２ａに規定されている値と比較して、肺に生じた変化を判定する。
　上記の構成によれば、判定部４４は、肺に生じた変化をより詳細に判定することができる。例えば、ｂ１／ｂ０の最大値Ｒ、および単位面積当たりの最大１次元ベッチ数Ｖａ／Ｗに基づいて、判定部４４は、充実型結節と混合型結節とを判別することが可能である。また、例えば、ｂ１／ｂ０の最大値Ｒおよび第１基準値Ｔａに基づいて、判定部４４は、するガラス型結節と混合型結節とを判別することが可能である。
　表示制御部４５は、判定結果を表示装置５に出力する（ステップＳ２９）。
　〔実施形態４〕
　本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。
　（画像解析装置１ｂの構成）
　次に、図２７を用いて、画像解析装置１ｂの構成について説明する。図２７は、本発明の実施例４に係る画像解析装置１ｂの構成の一例を示すブロック図である。画像解析装置１ｂは通信部６を備えている点で、図１に示す画像解析装置１と異なっている。通信部６は、外部機器８から受信した画像データが示す組織画像を解析した結果に基づいて判定した判定結果を表示装置５にて表示させるための表示データを表示制御部４５から取得し、表示装置５へ送信する。
　なお、外部機器８および提示装置５の数は１つに限定されるものではなく、複数であってもよい。
　画像解析装置１ｂは、図２７に示す構成に限定されない。例えば、図１８に示す画像解析装置１ａに通信部６を加えた構成であってもよい。
　（画像解析システム）
　ここでは、画像解析装置１ｂを含む画像解析システム１００および１００ａの構成例について、図２８および図２９を用いて説明する。図２８は、本発明に係る画像解析装置１ｂを含む画像解析システム１００の構成例を示す概略図である。図２８は、外部機器８と提示装置７とが離れた場所に設置されている例を示している。一方、図２９は、本発明に係る画像解析装置１ｂを含む別の画像解析システム１００ａの構成例を示す概略図である。図２９は、提示装置７が外部機器８ａに接続されている例を示している。
　図２９に示すように、画像解析システム１００は、外部機器８、画像解析装置１ｂ、および提示装置７を有している。外部機器８、画像解析装置１ｂ、および提示装置７は、インターネットなどの情報通信ネットワーク５０に接続されており、相互にデータの送受信が可能である。
　外部機器８は、例えば、ＣＴ装置に接続されたパーソナルコンピュータであってもよいし、組織を撮像した画像を集約して管理するサーバ（電子カルテサーバ、ＣＴ画像データサーバなど）であってもよい。
　提示装置７は、ユーザに画像解析の結果を提示する機能を有する装置であればよく、例えば、提示装置７はディスプレイを備える表示装置である。あるいは、提示装置７は、医療関係者などが携帯するタブレット端末などの通信端末機器であってもよい。
　組織を撮像した組織画像の画像データは、外部機器８から画像解析装置１ｂへと送信される。画像データを受信した画像解析装置１ｂは該画像を解析し、判定部４４による判定結果を、通信部６を介して提示装置７に送信する。
　画像解析システム１００ａは、外部機器８ａ、画像解析装置１ｂ、および提示装置７を有している。外部機器８ａおよび画像解析装置１ｂは、インターネットなどの情報通信ネットワーク５０に接続されており、相互にデータの送受信が可能である。提示装置７は、外部機器８ａに接続されている。
　すなわち、画像解析装置１ｂは、遠隔地で撮像された画像を外部機器８または８ａから受信して、画像解析を行い、判定部４４による判定結果を、提示装置７に送信することができる。なお、判定結果を、解析に供した組織画像と対応付けて提示装置７に送信してもよい。提示装置７は、外部機器８ａに接続された装置であってもよいし、画像解析装置１ｂおよび外部機器８と独立している装置であってもよい。
　この構成を採用することにより、画像解析システム１００および１００ａは、遠隔地の外部機器８および８ａからの組織画像を受信して、当該画像を解析することができ、かつ組織画像および決定された情報を遠隔地のユーザに提示することができる。よって、医師が不在であったり、不足していたりする遠隔地のユーザに対しても、高い精度の画像診断の結果を提供することができる。
　〔ソフトウェアによる実現例〕
　画像解析装置１、１ａ、１ｂの制御ブロック（特に制御部４、４ａ）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。
　後者の場合、画像解析装置１、１ａ、１ｂは、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。
　〔付記事項〕
　本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。
１、１ａ、１ｂ　画像解析装置
２　画像取得部
３、３ａ　記憶部
７　提示装置
８、８ａ　外部機器
４１、４１ａ　二値化部
４２、４２ａ　ベッチ数算出部（特徴数算出部）
４３　基準値特定部
４４、４４ａ　判定部
４６　面積算出部
１００、１００ａ　画像解析システム
Ｓ２、Ｓ１２、Ｓ２４　二値化ステップ
Ｓ３、Ｓ１３、Ｓ２５　特徴数算出ステップ
Ｓ４、Ｓ１４、Ｓ２７　基準値特定ステップ
Ｓ５、Ｓ１５、Ｓ２６、Ｓ２８　判定ステップ
Ｓ２３　面積算出ステップ

Claims (13)

  1. 　組織を撮像した組織画像を解析する方法であって、
    　前記組織画像から解析対象となる対象領域画像を抽出し、該対象領域画像について、二値化の基準値が異なる複数の二値化画像を生成する二値化ステップと、
    　複数の前記二値化画像のそれぞれについて、第１画素値と第２画素値とに二値化された後における前記第１画素値の画素に囲まれた、該二値化後における前記第２画素値の画素からなる穴形状の領域の数を示す第１特徴数を含む特徴数を算出する特徴数算出ステップと、
    　前記第１特徴数が最大となる二値化画像を特定し、特定した該二値化画像における二値化の基準値を示す第１基準値、および該二値化画像における前記第１特徴数を示す最大第１特徴数を特定する基準値特定ステップと、
    　前記第１基準値および前記最大第１特徴数に基づいて、前記組織に生じた変化を判定する判定ステップと、を含む、
    画像解析方法。
  2. 　前記特徴数算出ステップにおいて、
    　　複数の前記二値化画像のそれぞれについて、前記第１画素値の画素が連結して成る連結領域の数を示す第２特徴数をさらに含み、
    　前記基準値特定ステップにおいて、
    　　前記第２特徴数が最大値となる二値化画像を特定し、特定した該二値化画像における二値化の基準値を示す第２基準値、および該二値化画像における前記第２特徴数を示す最大第２特徴数をさらに特定し、
    　前記判定ステップにおいて、
    　　前記第１基準値、前記最大第１特徴数、前記第２基準値、および前記最大第２特徴数に基づいて、前記組織に生じた変化を判定する、
    請求項１に記載の画像解析方法。
  3. 　前記対象領域画像に撮像されている領域の面積を算出する面積算出ステップをさらに含み、
    　前記特徴数算出ステップにおいて、
    　　複数の前記二値化画像のそれぞれについて、単位面積当たりの前記第１特徴数、および単位面積当たりの前記第２特徴数を算出し、
    　前記基準値特定ステップにおいて、
    　　単位面積当たりの前記第１特徴数の最大値、および単位面積当たりの前記第２特徴数の最大値をそれぞれ、前記第１基準値および前記第２基準値として特定する、
    請求項２に記載の画像解析方法。
  4. 　前記特徴数算出ステップにおいて、
    　　複数の前記二値化画像のそれぞれについての、前記第１特徴数と前記第２特徴数との比をさらに算出し、
    　前記基準値特定ステップにおいて、
    　　前記比が最大値となる二値化画像を特定し、特定した該二値化画像における二値化の基準値を示す第３基準値、および該二値化画像における前記第１特徴数と前記第２特徴数との比を示す最大第３特徴数をさらに特定し、
    　前記判定ステップにおいて、
    　　前記第１基準値、前記最大第１特徴数、前記第２基準値、前記最大第２特徴数、前記第３基準値、および前記最大第３特徴数のうちの少なくとも２つに基づいて、前記組織に生じた変化を判定する、
    請求項２または３に記載の画像解析方法。
  5. 　前記判定ステップにおいて、
    　　前記第３基準値および前記最大第３特徴数に基づいて、前記組織に生じた変化の有無を判定する、
    請求項４に記載の画像解析方法。
  6. 　組織を撮像した組織画像を解析する画像解析装置であって、
    　前記組織画像から解析対象となる対象領域画像を抽出し、該対象領域画像について、二値化の基準値が異なる複数の二値化画像を生成する二値化部と、
    　複数の前記二値化画像のそれぞれについて、第１画素値と第２画素値とに二値化された後における前記第１画素値の画素に囲まれた、該二値化後における前記第２画素値の画素からなる穴形状の領域の数を示す第１特徴数を算出する特徴数算出部と、
    　前記第１特徴数が最大となる二値化画像を特定し、特定した該二値化画像における二値化の基準値を示す第１基準値、および該二値化画像における前記第１特徴数を示す最大第１特徴数を特定する基準値特定部と、
    　前記第１基準値および前記最大第１特徴数に基づいて、前記組織に生じた変化を判定する判定部と、を備える、
    画像解析装置。
  7. 　前記特徴数算出部は、
    　　複数の前記二値化画像のそれぞれについて、前記第１画素値の画素が連結して成る連結領域の数を示す第２特徴数をさらに算出し、
    　前記基準値特定部は、
    　　前記第２特徴数が最大値となる二値化画像を特定し、特定した該二値化画像における二値化の基準値を示す第２基準値、および該二値化画像における前記第２特徴数を示す最大第２特徴数をさらに特定し、
    　前記判定部は、
    　　前記第１基準値、前記最大第１特徴数、前記第２基準値、および前記最大第２特徴数に基づいて、前記組織に生じた変化を判定する、
    請求項６に記載の画像解析装置。
  8. 　前記対象領域画像に撮像された撮像範囲の面積を算出する面積算出部をさらに備え、
    　前記特徴数算出部は、
    　　複数の前記二値化画像のそれぞれについて、単位面積当たりの前記第１特徴数、および単位面積当たりの前記第２特徴数を算出し、
    　前記基準値特定部は、
    　　単位面積当たりの前記第１特徴数の最大値および単位面積当たりの前記第２特徴数の最大値をそれぞれ、前記第１基準値および前記第２基準値として特定する、
    請求項７に記載の画像解析装置。
  9. 　前記特徴数算出部は、
    　　複数の前記二値化画像のそれぞれについての、前記第１特徴数と前記第２特徴数との比をさらに算出し、
    　前記基準値特定部は、
    　　前記比が最大値となる二値化画像を特定し、特定した該二値化画像における二値化の基準値を示す第３基準値、および該二値化画像における前記第１特徴数と前記第２特徴数との比の最大値を示す最大第３特徴数をさらに特定し、
    　前記判定部は、
    　前記第１基準値、前記最大第１特徴数、前記第２基準値、前記最大第２特徴数、前記第３基準値、および前記最大第３特徴数のうちの少なくとも２つに基づいて、前記組織に生じた変化を判定する、
    請求項７または８に記載の画像解析装置。
  10. 　前記判定部は、
    　　前記第３基準値および前記最大第３特徴数に基づいて、前記組織に生じた変化の有無を判定する、
    請求項９に記載の画像解析装置。
  11. 　請求項６から１０のいずれか１項に記載の画像解析装置と、
    　前記組織画像および前記対象領域画像のうちの少なくとも一方の画像データを前記画像解析装置へ送信する外部機器と、
    　前記画像解析装置において決定された情報を取得して該情報を提示する提示装置と、を含む、
    画像解析システム。
  12. 　請求項６から１０のいずれか１項に記載の画像解析装置としてコンピュータを機能させるための画像解析プログラムであって、前記二値化部、前記特徴数算出部、前記基準値特定部、および前記判定部としてコンピュータを機能させるための画像解析プログラム。
  13. 　請求項１２に記載の画像解析プログラムを記録したコンピュータ読み取り可能な記録媒体。
PCT/JP2020/045155 2019-12-05 2020-12-04 画像解析方法、画像解析装置、画像解析システム、制御プログラム、記録媒体 WO2021112205A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/782,080 US20230005148A1 (en) 2019-12-05 2020-12-04 Image analysis method, image analysis device, image analysis system, control program, and recording medium
JP2021562735A JP7265805B2 (ja) 2019-12-05 2020-12-04 画像解析方法、画像解析装置、画像解析システム、制御プログラム、記録媒体

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-220455 2019-12-05
JP2019220455 2019-12-05

Publications (1)

Publication Number Publication Date
WO2021112205A1 true WO2021112205A1 (ja) 2021-06-10

Family

ID=76221990

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/045155 WO2021112205A1 (ja) 2019-12-05 2020-12-04 画像解析方法、画像解析装置、画像解析システム、制御プログラム、記録媒体

Country Status (3)

Country Link
US (1) US20230005148A1 (ja)
JP (1) JP7265805B2 (ja)
WO (1) WO2021112205A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664413B (zh) * 2023-03-27 2024-02-02 北京拙河科技有限公司 一种基于阿贝尔收敛算子的图像体积雾消除方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004041617A (ja) * 2001-08-06 2004-02-12 Aloka Co Ltd 超音波診断装置
WO2010087112A1 (ja) * 2009-01-27 2010-08-05 国立大学法人大阪大学 画像解析装置、画像解析方法、画像解析プログラムおよび記録媒体
WO2017010397A1 (ja) * 2015-07-15 2017-01-19 国立大学法人大阪大学 画像解析装置、画像解析方法、画像解析システム、画像解析プログラム、および記録媒体
WO2019102829A1 (ja) * 2017-11-24 2019-05-31 国立大学法人大阪大学 画像解析方法、画像解析装置、画像解析システム、画像解析プログラム、記録媒体
WO2020067481A1 (ja) * 2018-09-28 2020-04-02 国立大学法人東北大学 画像解析装置、画像解析システム、画像解析方法、コンピュータプログラム及び非一時的記録媒体
WO2020195258A1 (ja) * 2019-03-26 2020-10-01 国立大学法人大阪大学 画像解析方法、画像解析プログラム、記録媒体、画像解析装置、画像解析システム
WO2020241178A1 (ja) * 2019-05-29 2020-12-03 国立大学法人九州大学 肺がん評価装置及び肺がん評価方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004041617A (ja) * 2001-08-06 2004-02-12 Aloka Co Ltd 超音波診断装置
WO2010087112A1 (ja) * 2009-01-27 2010-08-05 国立大学法人大阪大学 画像解析装置、画像解析方法、画像解析プログラムおよび記録媒体
WO2017010397A1 (ja) * 2015-07-15 2017-01-19 国立大学法人大阪大学 画像解析装置、画像解析方法、画像解析システム、画像解析プログラム、および記録媒体
WO2019102829A1 (ja) * 2017-11-24 2019-05-31 国立大学法人大阪大学 画像解析方法、画像解析装置、画像解析システム、画像解析プログラム、記録媒体
WO2020067481A1 (ja) * 2018-09-28 2020-04-02 国立大学法人東北大学 画像解析装置、画像解析システム、画像解析方法、コンピュータプログラム及び非一時的記録媒体
WO2020195258A1 (ja) * 2019-03-26 2020-10-01 国立大学法人大阪大学 画像解析方法、画像解析プログラム、記録媒体、画像解析装置、画像解析システム
WO2020241178A1 (ja) * 2019-05-29 2020-12-03 国立大学法人九州大学 肺がん評価装置及び肺がん評価方法

Also Published As

Publication number Publication date
JP7265805B2 (ja) 2023-04-27
JPWO2021112205A1 (ja) 2021-06-10
US20230005148A1 (en) 2023-01-05

Similar Documents

Publication Publication Date Title
Elyan et al. Computer vision and machine learning for medical image analysis: recent advances, challenges, and way forward.
US9532762B2 (en) Apparatus and method for lesion detection
CN105701331B (zh) 计算机辅助诊断设备和计算机辅助诊断方法
US10198668B2 (en) Apparatus and method for supporting computer aided diagnosis (CAD) based on probe speed
US8270688B2 (en) Method for intelligent qualitative and quantitative analysis assisting digital or digitized radiography softcopy reading
KR101968144B1 (ko) 척추 및 경추의 경사각 자동 진단 장치 및 방법
US11321841B2 (en) Image analysis method, image analysis device, image analysis system, and storage medium
US10872408B2 (en) Method and system for imaging and analysis of anatomical features
RU2667879C1 (ru) Обработка и анализ данных на изображениях компьютерной томографии
TWI810498B (zh) 肝腫瘤智慧分析裝置
WO2012073769A1 (ja) 画像処理装置及び画像処理方法
CN111080583B (zh) 医学图像检测方法、计算机设备和可读存储介质
EP3477655A1 (en) Method of transmitting a medical image, and a medical imaging apparatus performing the method
KR20200120311A (ko) 의료 영상을 이용한 암의 병기 결정 방법 및 의료 영상 분석 장치
CN109460717A (zh) 消化道共聚焦激光显微内镜病变图像识别方法及装置
WO2019146358A1 (ja) 学習システム、方法及びプログラム
KR20150141831A (ko) 의료 영상 분석 장치 및 이의 폐결절과 폐혈관 구분 방법
WO2021112205A1 (ja) 画像解析方法、画像解析装置、画像解析システム、制御プログラム、記録媒体
JP2006325640A (ja) 異常陰影候補の表示方法及び医用画像処理システム
CN112862752A (zh) 一种图像处理显示方法、***电子设备及存储介质
US20240081728A1 (en) Image-based approach to evaluate connective tissue structure, remodeling, and risk of injury
KR20160115269A (ko) 건강검진 정보 제공 애플리케이션 및 시스템
Rehman et al. Dermoscopy cancer detection and classification using geometric feature based on resource constraints device (Jetson Nano)
WO2016125349A1 (ja) 核医学画像解析技術
KR20150141832A (ko) 의료 영상의 분산 이미지 노이즈를 활용한 골밀도 진단 장치 및 이의 골밀도 진단 정보 제공 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20897574

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021562735

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20897574

Country of ref document: EP

Kind code of ref document: A1