CN101208042B - 异常阴影候选检测方法、异常阴影候选检测装置 - Google Patents
异常阴影候选检测方法、异常阴影候选检测装置 Download PDFInfo
- Publication number
- CN101208042B CN101208042B CN2006800229372A CN200680022937A CN101208042B CN 101208042 B CN101208042 B CN 101208042B CN 2006800229372 A CN2006800229372 A CN 2006800229372A CN 200680022937 A CN200680022937 A CN 200680022937A CN 101208042 B CN101208042 B CN 101208042B
- Authority
- CN
- China
- Prior art keywords
- mentioned
- smoothing
- medical imaging
- abnormal shade
- detected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title description 18
- 238000009499 grossing Methods 0.000 claims abstract description 218
- 238000001514 detection method Methods 0.000 claims abstract description 99
- 238000012545 processing Methods 0.000 claims abstract description 78
- 239000000284 extract Substances 0.000 claims abstract description 37
- 238000002059 diagnostic imaging Methods 0.000 claims description 98
- 238000000605 extraction Methods 0.000 claims description 38
- 206010028980 Neoplasm Diseases 0.000 claims description 31
- 230000008676 import Effects 0.000 claims description 7
- 238000011946 reduction process Methods 0.000 claims description 4
- 210000000481 breast Anatomy 0.000 description 29
- 238000004891 communication Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000002308 calcification Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 239000012528 membrane Substances 0.000 description 3
- 231100000915 pathological change Toxicity 0.000 description 3
- 230000036285 pathological change Effects 0.000 description 3
- 238000002601 radiography Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000013327 media filtration Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003319 supportive effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明的异常阴影候选检测方法在抑制异常阴影候选检测时的伪阳性数而提高检测精度的同时,缩短异常阴影候选检测时的处理时间。根据本发明的图像处理装置,缩小原图像的图像数据(D)而生成图像数据(D1),对图像数据(D1)实施第一平滑化过滤而生成对微小的低浓度区域进行了平滑化后的图像数据(D2),对图像数据(D2)实施第二平滑化过滤而生成具有与应该检测出的异常阴影候选区域同等程度的大小的对低浓度区域进行了平滑化后的图像数据(D3),通过取得图像数据(D3)与图像数据(D2)的同一像素位置的像素值的差分而生成差分图像数据(D4),通过对该图像数据(D4)进行阈值处理而抽出具有检测对象的大小的低浓度区域的图像数据(D5)。然后,对用图像数据(D5)抽出的区域进行异常阴影候选的检测。
Description
技术领域
本发明涉及从医用图像中检测出异常阴影候选的异常阴影候选检测方法和异常阴影候选检测装置。
背景技术
在医疗领域中,实现医用图像的数字化,在监视器上显示由CR(Computed Radio graphy)装置等生成的医用图像数据,由医生对显示在该监视器上的医用图像进行读图,观察病变部位的状态和经时变化进行诊断。
以前,以减轻这样的医生读图的负担为目的,开发出了通过对上述医用图像数据进行图像处理,自动地检测出出现在图像上的病变部位的阴影作为异常阴影候选的被称为计算机诊断支持装置(ComputerAided Diagnosis,以下称为CAD)的异常阴影候选检测装置。
病变部位的阴影大多具有特征性的浓度分布,CAD根据这样的浓度特性,检测出被推测为病变部位的图像区域作为异常阴影候选区域。
在上述CAD中,开发出了以检测为目的的与病变的种类对应的各种检测算法,提出了使用膜片(iris)过滤作为最适于肿瘤阴影检测的最优算法的方法等。另外,提出了使用形态学过滤作为最适于微小石灰化团(cluster)阴影检测的算法的方法等。
但是,异常阴影候选的检测由于对图像全体的每个像素进行计算处理,所以有非常花费时间的问题。另外,还有将不是病变部位的噪声和正常组织的区域检测为异常阴影的问题。
因此,例如在专利文献1中,记载有以下的技术:具备:在同一摄影部位存在多种异常阴影检测目标的情况下,与检测目的对应地选择一个或多个异常阴影候选检测算法的算法选择单元,使得可以只选择医生所需要的算法,由此缩短处理时间。另外,在专利文献2中,记载了以下的技术,即在医生对异常阴影候选的存在区域有某种程度的预测的情况、在过去在取得的图像等以及其他图像中检测出了异常阴影候选的情况等下,只指定该区域而实施异常阴影候选检测算法。
专利文献1:特开2002-112986号公报
专利文献2:特开2001-346787号公报
但是,在专利文献1中,由于使用选择出的异常阴影候选检测算法对图像全体的每个像素进行计算处理,所以与使用多个不必要的异常阴影候选检测算法的情况相比,能够缩短处理时间,但依然要探索图像全体,因此要花费时间,有将不是病变部位的噪声和正常组织的区域检测为异常阴影的问题。另外,在专利文献2中,有即使在除了医生预测的区域以外、或过去检测出的区域以外的区域中有异常阴影,也无法检测出来的问题。另外,在指定的区域内,对每个像素进行计算处理,因此即使限定探索区域,也有可能将不是病变部位的噪声和正常组织的区域检测为异常阴影。进而,无法按照大小分类地对异常阴影候选进行检测。
发明内容
本发明就是鉴于这样的状况,谋求抑制异常阴影候选检测时的伪阳性数而提高检测精度,同时缩短异常阴影候选检测时的处理时间。
为了解决上述问题,技术方案1记载的发明的异常阴影候选检测方法的特征在于包括:
使用第一平滑化过滤器对输入的医用图像实施第一平滑化处理的第一平滑化处理步骤;
使用第二平滑化过滤器对在上述第一平滑化处理步骤中实施了处理的医用图像实施第二平滑化处理的第二平滑化处理步骤;
根据实施了上述第一平滑化处理的医用图像和实施了上述第二平滑化处理的医用图像,抽出具有应该检测出的病变部位的大小的异常阴影候选的检测对象区域的抽出步骤;
针对上述输入的医用图像中的上述抽出的检测对象区域,进行上述异常阴影候选的检测的异常阴影候选检测步骤。
技术方案2记载的发明是在技术方案1记载的发明中,其特征在于:
包括:缩小上述输入的医用图像的缩小步骤,
在上述第一平滑化处理步骤中,对上述缩小了的医用图像实施上述第一平滑化处理。
技术方案3记载的发明是在技术方案1或2记载的发明中,其特征在于:
上述输入的医用图像包括表示浓度的像素值,
上述第一平滑化处理步骤使用上述第一平滑化过滤器,在上述输入的医用图像中,对比应该由上述异常阴影候选检测步骤检测出的异常阴影候选区域小并且浓度比周围低的区域进行平滑化,
上述第二平滑化处理步骤使用上述第二平滑化过滤器,在实施了上述第一平滑化处理的医用图像中,对具有上述应该检测出的异常阴影候选区域的大小并且浓度比周围低的区域进行平滑化,
上述抽出步骤通过取得实施了上述第二平滑化处理的医用图像和实施了上述第一平滑化处理的医用图像的对应的像素的像素值的差分,而抽出上述异常阴影候选的检测对象区域。
技术方案4记载的发明是在技术方案1~3的任意一个记载的发明中,其特征在于:
上述应该检测出的异常阴影是肿瘤阴影。
技术方案5记载的发明的异常阴影候选检测装置的特征在于包括:
使用第一平滑化过滤器对输入的医用图像实施第一平滑化处理的第一平滑化处理单元;
使用第二平滑化过滤器,对在上述第一平滑化处理单元中实施了处理的医用图像实施第二平滑化处理的第二平滑化处理单元;
根据实施了上述第一平滑化处理的医用图像和实施了上述第二平滑化处理的医用图像,抽出具有应该检测出的病变部位的大小的异常阴影候选的检测对象区域的抽出单元;
针对上述输入的医用图像中的上述抽出的检测对象区域,进行上述异常阴影候选的检测的异常阴影候选检测单元。
技术方案6记载的发明是在技术方案5记载的发明中,其特征在于:
具备:缩小上述输入的医用图像的缩小单元,
在上述第一平滑化处理单元中,对上述缩小了的医用图像实施上述第一平滑化处理。
技术方案7记载的发明是在技术方案5或6记载的发明中,其特征在于:
上述输入的医用图像包括表示浓度的像素值,
上述第一平滑化处理单元使用上述第一平滑化过滤器,在上述输入了的医用图像中,对比应该由上述异常阴影候选检测单元检测出的异常阴影候选区域小并且浓度比周围低的区域进行平滑化,
上述第二平滑化处理单元使用上述第二平滑化过滤器,在实施了上述第一平滑化处理的医用图像中,对具有上述应该检测出的异常阴影候选区域的大小并且浓度比周围低的区域进行平滑化,
上述抽出单元通过取得实施了上述第二平滑化处理的医用图像和实施了上述第一平滑化处理的医用图像的对应的像素的像素值的差分,而抽出上述异常阴影候选的检测对象区域。
技术方案8记载的发明是在技术方案5~7的任意一个记载的发明中,其特征在于:
上述应该检测出的异常阴影是肿瘤阴影。
技术方案9记载的发明的异常阴影候选检测方法的特征在于包括:
设置与应该从输入的医用图像中检测出的病变部位的大小对应的第一平滑化过滤器和第二平滑化过滤器的过滤器设置步骤;
使用上述设置的第一平滑化过滤器和第二平滑化过滤器,从上述输入的医用图像中抽出具有应该检测出的病变部位的大小的异常阴影候选的检测对象区域的抽出步骤;
针对上述输入的医用图像中的上述抽出的检测对象区域,进行上述异常阴影候选的检测的异常阴影候选检测步骤。
技术方案10记载的发明是在技术方案9记载的发明中,其特征在于:
包括:输入上述应该检测出的病变部位的大小的范围的上限值和下限值的输入步骤,
上述过滤器设置步骤设置与该输入了的病变部位的大小对应的上述第一平滑化过滤器和上述第二平滑化过滤器。
技术方案11记载的发明是在技术方案9或10记载的发明中,其特征在于:
包括:缩小上述输入的医用图像的缩小步骤,
上述抽出步骤使用上述缩小了的医用图像,抽出上述应该检测出的病变部位的大小的异常阴影候选的检测对象区域。
技术方案12记载的发明是在技术方案9~11的任意一个记载的发明中,其特征在于:
上述输入的医用图像包括表示浓度的像素值,
上述第一平滑化过滤器的掩模大小与上述应该检测出的病变部位的大小的下限值对应,
上述第二平滑化过滤器的掩模大小与上述应该检测出的病变部位的大小的上限值对应,
上述抽出步骤使用上述第一平滑化过滤器,在上述输入了的医用图像中对比上述应该检测出的病变部位小并且浓度比周围低的区域进行平滑化,由此生成第一平滑化图像,使用上述第二平滑化过滤器,在上述第一平滑化图像中对具有上述应该检测出的病变部位的大小并且浓度比周围低的区域进行平滑化,生成第二平滑化图像,取得上述第一平滑化图像和上述第二平滑化图像的对应的像素的像素值的差分,由此抽出上述异常阴影候选的检测对象区域。
技术方案13记载的发明是在技术方案9~12的任意一个记载的发明中,其特征在于:
上述应该检测出的异常阴影是肿瘤阴影。
技术方案14记载的发明的异常阴影候选检测装置的特征在于包括:
设置与应该从输入的医用图像中检测出的病变部位的大小对应的第一平滑化过滤器和第二平滑化过滤器的过滤器设置单元;
使用上述设置的第一平滑化过滤器和第二平滑化过滤器,从上述输入的医用图像中抽出具有应该检测出的病变部位的大小的异常阴影候选的检测对象区域的抽出单元;
针对上述输入的医用图像中的上述抽出的检测对象区域,进行上述异常阴影候选的检测的异常阴影候选检测单元。
技术方案15记载的发明是在技术方案14记载的发明中,其特征在于:
包括:输入上述应该检测出的病变部位的大小的范围的上限值和下限值的输入单元,
上述过滤器设置单元设置与该输入了的病变部位的大小对应的上述第一平滑化过滤器和上述第二平滑化过滤器。
技术方案16记载的发明是在技术方案14或15记载的发明中,其特征在于:
包括:缩小上述输入的医用图像的缩小单元,
上述抽出单元使用上述缩小了的医用图像,抽出上述应该检测出的病变部位的大小的异常阴影候选的检测对象区域。
技术方案17记载的发明是在技术方案14~16的任意一个记载的发明中,其特征在于:
上述输入的医用图像包括表示浓度的像素值,
上述第一平滑化过滤器的掩模大小与上述应该检测出的病变部位的大小的下限值对应,
上述第二平滑化过滤器的掩模大小与上述应该检测出的病变部位的大小的上限值对应,
上述抽出单元使用上述第一平滑化过滤器,在上述输入了的医用图像中对比上述应该检测出的病变部位小并且浓度比周围低的区域进行平滑化,由此生成第一平滑化图像,使用上述第二平滑化过滤器,在上述第一平滑化图像中对具有上述应该检测出的病变部位的大小并且浓度比周围低的区域进行平滑化,生成第二平滑化图像,取得上述第一平滑化图像和上述第二平滑化图像的对应的像素的像素值的差分,由此抽出上述异常阴影候选的检测对象区域。
技术方案18记载的发明是在技术方案14~17的任意一个记载的发明中,其特征在于:
上述应该检测出的异常阴影是肿瘤阴影。
根据技术方案1、3、5和7记载的发明,能够限定医用图像中的具有应该检测出的病变部位的大小的异常阴影候选的检测对象区域,因此能够抑制异常阴影候选检测时的伪阳性数(FP(Fault PositiVe)数),能够提高检测精度,同时能够谋求缩小异常阴影候选检测时的处理时间。
根据技术方案2和6记载的发明,使用缩小了的医用图像抽出具有应该检测出的病变部位的大小的异常阴影候选的检测对象区域,由此能够谋求缩短处理时间。
根据技术方案4和8记载的发明,能够抑制检测肿瘤阴影时的伪阳性数,能够提高检测精度,同时能够谋求缩短检测肿瘤阴影时的处理时间。
根据技术方案9、12、14和17记载的发明,能够与应该检测出的病变部位的大小对应地限定医用图像中的异常阴影候选的检测对象区域,因此能够抑制检测异常阴影候选时的伪阳性数,能够提高检测精度,同时能够谋求缩短检测异常阴影候选时的处理时间。
根据技术方案10和15记载的发明,能够由操作者指定应该从医用图像中检测出的病变部位的大小。
根据技术方案11和16记载的发明,使用缩小了的医用图像抽出异常阴影候选的检测对象区域,因此能够谋求缩短处理时间。
根据技术方案13和18记载的发明,能够抑制检测肿瘤阴影时的伪阳性数,能够提高检测精度,同时能够谋求缩短检测肿瘤阴影时的处理时间。
附图说明
图1是表示本发明的医用图像系统100的整体结构的图。
图2是表示图1的图像处理装置2的功能结构的框图。
图3是表示由图2的CPU21执行的实施例1的异常阴影候选检测处理的流程图。
图4是表示图3的区域抽出处理的流程图。
图5是模式地表示图4的区域抽出处理的各步骤所生成的图像数据的图。
图6是用于说明第一平滑化过滤器的图。
图7是用于说明第二平滑化过滤器的图。
图8是表示变更第一平滑化过滤器的掩模大小和第二平滑化过滤器的掩模大小进行多次处理,由此按照大小进行分类而抽出检测对象区域的情况下的处理步骤的图。
图9是表示由图2的CPU21执行的实施例2的异常阴影候选检测处理的流程图。
100:乳房图像生成系统;1:图像生成装置;2:图像处理装置;21:CPU;22:操作部件;23:显示部件;24:RAM;25:存储部件;26:通信控制部件;27:总线
具体实施方式
在以下的说明中,将技术方案1~8的实施例作为实施例1,将技术方案9~18的实施例作为实施例2。另外,在实施例1和实施例2中共通的情况下,称为本实施例。
首先,参考图1和图2,说明本实施例的结构。
图1表示本实施例的医用图像系统100的全体结构。如图1所示那样,医用图像系统100经由网络N与图像生成装置1、图像处理装置2等连接,使得能够相互进行数据发送接收。
另外,在本实施例中,说明图像生成装置1与图像处理装置2进行网络连接的例子,但并不只限于此,也可以是直接进行有线连接的系统结构。另外,各装置的台数和设置位置并没有特别限制。进而,其结构也可以是将医用图像系统100与以下的装置连接起来:对由图像生成装置1生成的医用图像的图像数据进行保存、管理的服务器;对在图像处理装置2中具有应该检测出的病变部位的大小的异常阴影候选的检测结果和处理后的图像进行显示输出的监视器;对在图像处理装置2中具有应该检测出的病变部位的大小的异常阴影候选的检测结果和处理后的图像进行电影(film)输出的电影输出装置等。
网络N可以适用LAN(局域网)、WAN(广域网)、因特网等各种线路形式。另外,如果在医院等医疗机构内允许,则也可以是无线通信、红外线通信,但由于包含重要的患者信息,所以理想的是对发送接收的信息进行加密。
图像生成装置1例如包括CR(Computed Radiography)、FPD(Flat Panel Detector)、CT(Computed Tomography)、MRI(MagneticResonance Imaging)等类型,是对人体进行摄影,对摄影的图像进行数字变换,生成医用图像的图像数据的装置。在本实施例中,说明图像生成装置1进行乳房的放射线摄影,生成乳房图像的图像数据。另外,图像生成装置1可以针对乳房图像,输入图像附带信息(以下称为附带信息),或者自动生成。图像生成装置1将该附带信息与所生成的乳房图像的图像数据一起作为图像数据的头信息,经由网络N输出到图像处理装置2。
作为乳房图像的附带信息,例如包含摄影了的患者的患者姓名、患者ID、年龄、乳腺量等与患者有关的患者信息、摄影日、检查ID、摄影部位、摄影条件(左右的乳房的区别、摄影方向、压迫压力等)、图像生成装置的(型号种类)信息等摄影信息。
图像处理装置2是对从图像生成装置1提供的图像数据实施异常阴影候选检测处理的异常阴影候选检测装置。
以下,说明图像处理装置2的内部结构。
图2表示图像处理装置2的功能结构。如图2所示,图像处理装置2具备CPU21、操作部件22、显示部件23、RAM24、存储部件25、通信控制部件26等而构成,各部件通过总线27连接。
CPU21读出存储在存储部件25中的系统程序,并展开到在RAM24内形成的工作区域中,依照该系统程序控制各部件。另外,CPU21读出存储在存储部件25中的以异常阴影候选检测处理程序为代表的各种处理程序并展开到工作区域中,执行后述的异常阴影候选检测处理(参考图3)为代表的各种处理。
操作部件22具备具有光标键、数字输入键以及各种功能键等的键盘、鼠标等指示设备而构成,将通过对键盘的键操作和鼠标操作输入的指示信号输出到CPU21。另外,操作部件22也可以在显示部件23的显示画面上具备触摸屏,在该情况下,将经由触摸屏输入的指示信号输出到CPU21。
显示部件23包括LCD(Liquid Crystal Display)、CRT等监视器,依照从CPU21输入的显示信号的指示,进行图像的显示。
RAM24形成有在由CPU21执行控制的各种处理中暂时存储从存储部件25读出的可以由CPU21执行的各种程序、输入或输出数据、以及参数等的工作区域。
存储部件25包括HDD(硬盘驱动器)、非易失性半导体存储器等,存储由CPU21执行的系统程序、与该系统程序对应的以异常阴影候选检测处理程序为代表的各种程序、各种数据等。以可读取的程序代码的形式存储这些各种程序,CPU21依照该程序代码逐次执行动作。
另外,存储部件25还对应地存储摄影了的医用图像的数据、对该医用图像的异常阴影候选检出数据(该医用图像的附带信息(包括患者信息)、在该医用图像中与作为检测对象的病变部位的大小有关的信息(例如作为检测对象的病变部位的大小的范围、抽出检测对象区域时所使用的第一平滑化过滤器和第二平滑化过滤器的掩模大小等)、以及该医用图像中的异常阴影候选的检出结果(检出个数等)等)。
通信控制部件26具备LAN适配器、路由器、TA(TerminalAdapter)等,控制和与网络N连接的各装置之间的通信。
接着,说明本实施例的动作。
图3是表示由图像处理装置2的CPU21执行的实施例1的异常阴影候选检测处理的流程图。CPU21通过与存储在存储部件25中的异常阴影候选检测处理程序的协作而进行的软件处理,执行该处理。
在此,作为在乳房图像中诊断的主要病变,例如可以列举肿瘤阴影、微小石灰化团等。肿瘤阴影被显示为具有某种程度大小的块,在乳房图像上为接近高斯分布的发白圆阴影。微小石灰化团在乳房图像上被显示为具有大致圆锥构造的小白的阴影。即,在乳房图像上,在病变部位可以看到浓度值的下降。在以下的异常阴影候选检测处理中,在根据该乳房图像上的病变部位图像的特性,抽出异常阴影候选的检测对象区域后,对检测对象区域进行异常阴影候选的检测。在本实施例中,以检测肿瘤阴影的情况为例子进行说明。
首先,经由通信控制部件26输入在图像生成装置1中摄影乳房而生成的乳房图像的图像数据D,并存储到RAM24的工作区域中(步骤S1)。
接着,对输入的图像数据D实施区域抽出处理(步骤S2)。区域抽出处理是从图像数据D的全体区域中抽出与应该检测出的病变部位的大小对应的检测对象区域的处理。
以下,参考图4、5详细说明区域抽出处理。
图4是用于说明实施例1的动作的流程图是表示在图3的步骤S2中由CPU21执行的区域抽出处理的流程图。另外,也是用于说明以后说明的实施例2的动作的流程图,是表示在图9的步骤S24中由CPU21执行的区域抽出处理的流程图。
图5是模式地表示图4的区域抽出处理前的图像和该图像的区域抽出处理的各步骤中的处理结果的图。在图5(a)~(d)中,将图像数据(图像数据D1~D4)的1列(图5(a)~(d)全部表示相同的列)中的像素位置表示为横轴,将像素值(浓度值)表示为纵轴。
在图4的区域抽出处理中,首先对图像数据D实施缩小处理,生成采样间距1.6mm左右的图像数据D1(步骤S11)。例如,如果图像数据D的采样间距为100μm,则将纵、横分别缩小为1/16。缩小处理算法可以是取近旁的像素值的平均、以一定像素间隔进行间隔抽取等任意的方法。在此,通过缩小图像数据D,能够缩短以后处理中的处理时间。
在乳房图像中,如图5(a)所示那样,包含具有与应该检测出的病变部位相同程度的大小并且浓度比周围低的区域(检测对象区域)、比应该检测出的病变部位小并且浓度比周围低的区域(微小区域)、比应该检测出的病变部位大并且浓度比周围低的区域(比对象大的区域)。在区域抽出处理以后的处理步骤中,从缩小了的图像数据D1上抽出具有与应该检测出的病变部位相同程度大小的低浓度区域作为检测对象区域。另外,在以后的处理中,以检测5mm~15mm左右大小的肿瘤阴影候选的情况为例子进行说明。
如果缩小图像数据D而生成了图像数据D1,则对缩小了的图像数据D1实施第一平滑化处理,生成图像数据D2(步骤S12)。
第一平滑化处理对图像数据D1实施掩模大小3×3的第一平滑化过滤(参考图6)而生成图像数据D2。第一平滑化过滤是以图像数据D1的关注的像素为中心设置正方形区域(掩模:mask),按照从大到小的顺序排列掩模内的像素值,将中央值作为关注像素的像素值的介质过滤(media filter)。在掩模大小3×3的介质过滤的情况下,按照从大到小的顺序排列图6所示的区域1~9的像素值,将其中央值作为区域5的像素值。一边逐一像素地错开掩模位置,一边循环进行,并且针对图像数据D1的全部像素进行。由此,如图5(b)所示那样,对纵宽度、横宽度分别为到4.8mm左右(1.6mm×3)为止的微小区域进行平滑化。
接着,对图像数据D2实施第二平滑化处理,生成图像数据D3(步骤S13)。
在第二平滑化处理中,对图像数据D2实施掩模大小为7×7的第二平滑化过滤,生成图像数据D3。
该第二平滑化过滤具有在掩模大小内的像素值中将最大值作为中央的关注像素的值的最大值过滤、在掩模大小内的像素值中将最小值作为中央的关注像素的值的最小值过滤,在对图像数据D2适用了最大值过滤后,再适用最小值过滤,由此填补具有掩模大小程度大小的像素值的下降(下陷)。一般,肿瘤阴影具有X射线透射浓度朝向其中心下降的特征,通过第二平滑化处理,对图像数据D2实施与同应该检测出的肿瘤阴影相同程度的大小对应的掩模大小的第二平滑化过滤,由此能够填补与应该检测出的肿瘤阴影相同程度的低浓度区域。
在此,参考图7,以1维的数据列为例子说明第二平滑化过滤的原理。在图7中,横轴表示1维的数据列中的像素位置,纵轴表示1维的数据列中的像素值(浓度值)。
图7的L1是原始图像的数据列。从位于该原始图像的数据列的左边的像素开始顺序地作为关注像素,以关注像素为中央设置掩模大小为纵1×横7的最大值过滤器,将掩模的范围内的最大值作为关注像素的像素值。通过逐一像素地使其向右偏移,能够得到图7的L2所示的数据列。输入该L2所示的数据列,从位于左边的像素开始顺序地作为关注像素,以关注像素为中央设置掩模大小为纵1×横7的最小值过滤器,将掩模的范围内的最小值作为关注像素的像素值。由此,如图7的L3所示,能够得到对原始的数据列L1的浓度值下降进行了平滑化的数据列。
这样,通过第二平滑化过滤器能够对具有与应该检测出的异常阴影候选区域同等程度的大小的低浓度区域进行平滑化。
如果第二平滑化处理结束,则执行差分图像生成处理,通过取得图5(c)所示的图像数据D3与图5(b)所示的图像数据D2的同一像素位置的像素值的差分,生成图5(d)所示的差分图像(图像数据D4)(步骤S14)。然后,根据预先设置的阈值对图像数据D4进行阈值处理,只抽出具有超过阈值的像素值的数据(步骤S15),生成具有与应该检测出的异常阴影候选区域同等程度的大小的低浓度区域的图像数据D5。
另外,在上述区域抽出处理中,根据第一平滑化过滤器的掩模大小和采样间距,决定抽出的检测对象区域的最小大小,根据第二平滑化过滤器的掩模大小和采样间距,决定抽出的检测对象区域的最大大小。即,通过变更在图4的步骤S12中的第一平滑化处理中使用的第一平滑化过滤器的掩模大小和在图4的步骤S13中的第二平滑化处理中使用的第二平滑化过滤器的掩模大小,能够变更作为异常阴影候选的检测对象的区域的大小。
另外,如图8所示,通过变更在图4的步骤S12中的第一平滑化处理中使用的第一平滑化过滤器的掩模大小和在图4的步骤S13中的第二平滑化处理中使用的第二平滑化过滤器的掩模大小而进行多次处理,能够按照大小分类地抽出检测对象区域。例如,首先在图4的步骤S12中使用掩模大小3×3的第一平滑化过滤器生成图像数据D2,对该图像数据D2实施掩模大小7×7的第二平滑化过滤器生成图像数据D3,通过取得图像数据D3与图像数据D2的差分而进行阈值处理,抽出5mm~15mm左右的检测对象区域。接着,针对图像数据D2进一步实施掩模大小7×7的第一平滑化过滤而生成图像数据D2`,对该图像数据D2`实施掩模大小为11×11的第二平滑化过滤而生成图像数据D3`,取得图像数据D3`与图像数据D2`的差分而进行阈值处理,由此可以抽出15mm~30mm左右的检测对象区域。这样,能够分别抽出5mm~15mm左右的检测对象区域和15mm~30mm左右的检测对象区域。
由于肿瘤阴影大致是圆形,所以图像数据的纵横方向可以是同样的处理,另外由于容易使抽出的区域与肿瘤阴影对应,所以特别理想的是实施上述区域抽出处理。
在图3中,如果区域抽出处理结束,则对图像数据D中的抽出的图像数据D5的区域进行异常阴影候选的检测(步骤S3)。
作为异常阴影候选检测的算法,与作为检测目标的病变种类对应地开发出了各种算法,作为最适于肿瘤阴影检测的算法,提出了使用膜片过滤器的方法等。另外,作为最适于微小石灰化团阴影检测的算法,提出了使用形态学过滤器的方法等(参考特开2001-346787号公报)。另外,作为最适于肿瘤阴影和微小石灰化团阴影的双方的检测的算法,还提出了使用了曲率的方法。在本实施例中,说明使用膜片过滤器作为异常阴影候选检测算法检测肿瘤阴影候选的方法的情况。
已知在乳房的放射线图像中,肿瘤阴影一般与周围的图像部分相比浓度值低,其浓度值的分布具有从大致圆形的周缘部分向中心部分浓度值变低那样的浓度值斜率。因此,在肿瘤阴影中,识别出局部的浓度值的斜率,该斜率线向肿瘤的中心方向集中。膜片过滤器计算该浓度值所代表的图像信号的斜率作为斜率向量,输出该斜率向量的集中度,根据该集中度和其他特征量检测出肿瘤阴影的候选区域。
首先,在图像数据D中的异常阴影候选的检测对象区域(作为图像数据D5而抽出的图像区域)中,设置任意的关注像素。接着,在设置了的关注像素中,计算出图像的特征量。首先,求出关注像素周围(例如规定的掩模大小内的区域)的浓度斜率的方向成分和强度成分的集中度等特征量。另外,作为其他特征量,求出关注像素周围的对比度、标准偏差、fractale维等特征量。如果计算出各种特征量,则与预先对各特征量设置的用于检测异常阴影候选的阈值进行比较,根据其比较结果,判断关注像素周围区域是异常阴影的可能性是否高。在判断出是异常阴影的可能性高的情况下,将该关注像素周围区域检测为异常阴影的候选区域。在全部的检测对象区域中设置关注像素,循环进行异常阴影候选的检测。
这样,在异常阴影候选的检测中,作为关注像素一个一个地探索检测对象区域内的像素,判断该周围区域是异常阴影的可能性是否高。
在检测出异常阴影候选后,处理转移到图3的步骤S4,在显示部件23上显示异常阴影候选检测结果(步骤S4)。例如,在显示部件23上显示基于图像数据D的乳房图像,在该乳房图像上用箭头(注释)指出显示被检测为异常阴影候选的候选区域,或者进行彩色显示等,而进行识别显示。另外,也可以输出异常阴影候选的特征量。然后,将摄影了的医用图像的数据与该异常阴影候选检出数据(该医用图像的附带信息、与在该医用图像中作为检测对象的肿瘤阴影的大小有关的信息、该医用图像中的异常阴影候选的检测结果的信息等)对应地存储在存储部件25中(步骤S5),结束本处理。
如以上说明的那样,根据实施例1的图像处理装置2,缩小原图像的图像数据D而生成图像数据D1,对图像数据D1实施第一平滑化过滤而生成对微小的低浓度区域进行了平滑化后的图像数据D2,对图像数据D2实施第二平滑化过滤而生成具有与应该检测出的异常阴影候选区域同等程度的大小的对低浓度区域进行了平滑化后的图像数据D3,通过取得图像数据D3与图像数据D2的同一像素位置的像素值的差分而生成差分图像数据D4,通过对该图像数据D4进行阈值处理而抽出具有检测对象的大小的低浓度区域的图像数据D5。然后,对用图像数据D5抽出的区域进行异常阴影候选的检测。
因此,由于与应该检测出的异常阴影候选的大小对应地限定由图像生成装置1生成的乳房图像中的用于检测出异常阴影候选的探索区域,所以能够预先将与应该检测出的异常阴影候选对应的大小以外的低浓度区域,例如噪声等的微小区域或更大的正常组织的区域从探索对象排除,与现有技术那样对乳房图像全体进行异常阴影候选的检测处理的情况相比,能够抑制伪阳性数,同时能够极大地缩短处理时间。另外,通过改变第一平滑化处理和第二平滑化处理中的过滤器的掩模大小,能够变更与应该检测出的异常阴影候选区域的大小对应地抽出的检测对象区域。进而,通过改变掩模大小而循环执行图4的步骤S12~S15的处理,能够按照应该检测出的异常阴影候选区域的大小分类地抽出检测对象区域,因此能够检测出多个检测模型的异常阴影候选。
接着,说明实施例2的动作。图9是表示由图像处理装置2的CPU21执行的实施例2的异常阴影候选检测处理的流程图。
首先,经由通信控制部件26输入在图像生成装置1中对乳房进行摄影而生成的乳房图像的图像数据D,并存储到RAM24的工作区域中(步骤S21)。接着,在显示部件23上显示用于输入应该从图像数据D中检测出的病变部位的大小的范围的输入画面,从该输入画面经由操作部件22输入应该检测出的病变部位的大小的范围(步骤S22:输入单元)。
肿瘤阴影一般随着病状的加深而阴影变大。在步骤S2中,在输入画面中显示出与病状发展的阶段对应的大小的范围,可以由操作者选择输入与摄影了的患者的病状发展的阶段对应的大小,也可以由操作者输入应该检测出的病变部位的大小的范围的上限值和下限值。在本实施例中,说明在输入画面中显示出与病状发展的阶段对应的大小的范围(5~15mm、15mm~30mm),由操作者选择与摄影了的患者的病状发展的阶段对应的大小的范围。
另外,在初诊的情况下,首先需要检测出是否有初始阶段的大小的病变,因此例如检索存储部件25,判断是否存储有与同一患者对应的异常阴影候选检测数据,在没有存储的情况下,即到现在为止没有接受过乳房图像异常阴影候选检测的诊断的情况下(初诊),不进行上述输入画面的显示,可以在图像处理装置2中自动地选择与初始阶段对应的大小的范围。
如果输入了应该检测出的病变部位的大小的范围,则设置与输入的大小的范围对应的第一平滑化过滤器和第二平滑化过滤器(步骤S23:过滤器设置单元)。
第一平滑化过滤器和第二平滑化过滤器在后述的区域抽出处理中使用,根据第一平滑化过滤器的掩模大小和图像数据的采样间距,决定抽出的检测对象区域的最小大小,根据第二平滑化过滤器的掩模大小和图像数据的采样间距,决定抽出的检测对象区域的最大大小。因此,第一平滑化过滤器的掩模大小被设置得与应该检测出的病变部位的最小的大小(下限)对应,第二平滑化过滤器的掩模大小被设置得与应该检测出的病变部位的最大的大小(上限)对应。
在实施例2中,作为第一平滑化过滤器,预先准备掩模大小3(像素)×3(像素)和7×7,在选择输入了5~15mm作为应该检测出的病变部位的大小范围的情况下,设置掩模大小3×3的第一平滑化过滤器,在选择输入了15mm~30mm的情况下,设置掩模大小7×7的第一平滑化过滤器,实施第一平滑化处理。另外,作为第二平滑化过滤器,预先准备掩模大小7×7和11×11,在选择输入了5~15mm作为应该检测出的病变部位的大小范围的情况下,设置掩模大小7×7的第一平滑化过滤器,在选择输入了15mm~30mm的情况下,设置掩模大小11×11的第一平滑化过滤器,实施第二平滑化处理。
接着,使用在步骤S23中设置了的第一平滑化过滤器和第二平滑化过滤器,对图像数据D实施区域抽出处理(步骤S24:抽出单元)。区域抽出处理是从图像数据D的全体区域中抽出与应该检测出的病变部位的大小对应的检测对象区域的处理。
对于区域抽出处理,与实施例1的说明一样。
在图9中,如果区域抽出处理结束,则对图像数据D中的抽出的图像数据D5的检测对象区域进行异常阴影候选的检测(步骤S25:异常阴影候选检测单元)。
作为异常阴影候选检测的算法,与实施例1一样。
在异常阴影候选的检测后,处理转移到图9的步骤S26,在显示部件23上显示异常阴影候选检测结果(步骤S26)。例如在显示部件23上显示出基于图像数据D的乳房图像,在该乳房图像上用箭头(注释)指出显示被检测为异常阴影候选的候选区域,或者进行彩色显示等,而进行识别显示。另外,也可以输出异常阴影候选的特征量。然后,将摄影了的医用图像的数据与该异常阴影候选检出数据(该医用图像的附带信息、与在该医用图像中作为检测对象的肿瘤阴影的大小有关的信息、该医用图像中的异常阴影候选的检测结果的信息等)对应地存储在存储部件25中(步骤S27),结束本处理。
如以上说明的那样,根据实施例2的图像处理装置2,设置与应该检测出的病变部位的大小对应的第一平滑化过滤器和第二平滑化过滤器,缩小原图像的图像数据D而生成图像数据D1,使用与应该检测出的病变部位的大小对应的第一平滑化过滤器对图像数据D1实施第一平滑化处理,而生成对微小的低浓度区域进行了平滑化后的图像数据D2,使用与应该检测出的病变部位的大小对应的第二平滑化过滤器对图像数据D2实施第二平滑化处理,而生成具有与应该检测出的病变部位的上限同等程度的大小的对低浓度区域进行了平滑化后的图像数据D3,通过取得图像数据D3与图像数据D2的同一像素位置的像素值的差分而生成差分图像数据D4,通过对该图像数据D4进行阈值处理而抽出具有检测对象的大小的低浓度区域的图像数据D5。然后,对用图像数据D5抽出的区域进行异常阴影候选的检测。
因此,由于与应该检测出的病变部位的大小对应地限定由图像生成装置1生成的乳房图像中的用于检测出异常阴影候选的探索区域,所以能够预先将与应该检测出的异常阴影候选对应的大小以外的低浓度区域,例如噪声等的微小区域或更大的正常组织的区域从探索对象中排除,与现有技术那样对乳房图像全体进行异常阴影候选的检测处理的情况相比,能够抑制伪阳性数,同时能够极大地缩短处理时间。另外,通过改变掩模大小而循环执行图4的步骤S12~S15的处理,能够按照应该检测出的异常阴影候选区域的大小分类地抽出检测对象区域,因此能够检测出多个检测模型的异常阴影候选。
另外,上述实施例的记述内容是本发明的医用图像系统100的适合的一个例子,并不只限于此。
例如,在上述实施例中,说明了从乳房图像中检测出肿瘤阴影的例子,但也可以适用于检测微小石灰化团阴影的情况,还可以适用于从摄影了其他部位的医用图像中检测出该部位的异常阴影的情况。进而,不只是乳房的放射线图像,也可以将本发明适用于CT图像、超声波图像、MRI图像。
其他,对于构成医用图像系统100的各装置的细节部分结构和细节部分动作,在不脱离本发明的宗旨的范围内可以适当地进行变更。
Claims (16)
1.一种异常阴影候选检测方法,其特征在于包括:
使用第一平滑化过滤器对输入的医用图像实施第一平滑化处理的第一平滑化处理步骤;
使用第二平滑化过滤器对在上述第一平滑化处理步骤中实施了处理的医用图像实施第二平滑化处理的第二平滑化处理步骤;
根据实施了上述第一平滑化处理的医用图像和实施了上述第二平滑化处理的医用图像,抽出具有应该检测出的病变部位的大小的异常阴影候选的检测对象区域的抽出步骤;
针对上述输入的医用图像中的上述抽出的检测对象区域,进行上述异常阴影候选的检测的异常阴影候选检测步骤。
2.根据权利要求1所述的异常阴影候选检测方法,其特征在于:
包括:缩小上述输入的医用图像的缩小步骤,
在上述第一平滑化处理步骤中,对上述缩小了的医用图像实施上述第一平滑化处理。
3.根据权利要求1或2所述的异常阴影候选检测方法,其特征在于:
上述输入的医用图像包括表示浓度的像素值,
上述第一平滑化处理步骤使用上述第一平滑化过滤器,在上述输入的医用图像中,对比由上述异常阴影候选检测步骤应该检测出的异常阴影候选区域小并且浓度比周围低的区域进行平滑化,
上述第二平滑化处理步骤使用上述第二平滑化过滤器,在实施了上述第一平滑化处理的医用图像中,对具有上述应该检测出的异常阴影候选区域的大小并且浓度比周围低的区域进行平滑化,
上述抽出步骤通过取得实施了上述第二平滑化处理的医用图像和实施了上述第一平滑化处理的医用图像的对应的像素的像素值的差分,而抽出上述异常阴影候选的检测对象区域。
4.一种异常阴影候选检测装置,其特征在于包括:
使用第一平滑化过滤器对输入的医用图像实施第一平滑化处理的第一平滑化处理单元;
使用第二平滑化过滤器,对在上述第一平滑化处理单元中实施了处理的医用图像实施第二平滑化处理的第二平滑化处理单元;
根据实施了上述第一平滑化处理的医用图像和实施了上述第二平滑化处理的医用图像,抽出具有应该检测出的病变部位的大小的异常阴影候选的检测对象区域的抽出单元;
针对上述输入的医用图像中的上述抽出的检测对象区域,进行上述异常阴影候选的检测的异常阴影候选检测单元。
5.根据权利要求4所述的异常阴影候选检测装置,其特征在于:
具备:缩小上述输入的医用图像的缩小单元,
在上述第一平滑化处理单元中,对上述缩小了的医用图像实施上述第一平滑化处理。
6.根据权利要求4或5所述的异常阴影候选检测装置,其特征在于:
上述输入的医用图像包括表示浓度的像素值,
上述第一平滑化处理单元使用上述第一平滑化过滤器,在上述输入了的医用图像中,对比由上述异常阴影候选检测单元应该检测出的异常阴影候选区域小并且浓度比周围低的区域进行平滑化,
上述第二平滑化处理单元使用上述第二平滑化过滤器,在实施了上述第一平滑化处理的医用图像中,对具有上述应该检测出的异常阴影候选区域的大小并且浓度比周围低的区域进行平滑化,
上述抽出单元通过取得实施了上述第二平滑化处理的医用图像和实施了上述第一平滑化处理的医用图像的对应的像素的像素值的差分,而抽出上述异常阴影候选的检测对象区域。
7.根据权利要求4或5所述的异常阴影候选检测装置,其特征在于:
上述应该检测出的异常阴影是肿瘤阴影。
8.一种异常阴影候选检测方法,其特征在于包括:
设置与从输入的医用图像中应该检测出的病变部位的大小对应的第一平滑化过滤器和第二平滑化过滤器的过滤器设置步骤;
使用上述设置的第一平滑化过滤器和第二平滑化过滤器,从上述输入的医用图像中抽出具有上述应该检测出的病变部位的大小的异常阴影候选的检测对象区域的抽出步骤;
针对上述输入的医用图像中的上述抽出的检测对象区域,进行上述异常阴影候选的检测的异常阴影候选检测步骤。
9.根据权利要求8所述的异常阴影候选检测方法,其特征在于:
包括:输入上述应该检测出的病变部位的大小的范围的上限值和下限值的输入步骤,
上述过滤器设置步骤设置与该输入了的病变部位的大小对应的上述第一平滑化过滤器和上述第二平滑化过滤器。
10.根据权利要求8或9所述的异常阴影候选检测方法,其特征在于:
包括:缩小上述输入的医用图像的缩小步骤,
上述抽出步骤使用上述缩小了的医用图像,抽出上述应该检测出的病变部位的大小的异常阴影候选的检测对象区域。
11.根据权利要求9所述的异常阴影候选检测方法,其特征在于:
上述输入的医用图像包括表示浓度的像素值,
上述第一平滑化过滤器的掩模大小与上述应该检测出的病变部位的大小的下限值对应,
上述第二平滑化过滤器的掩模大小与上述应该检测出的病变部位的大小的上限值对应,
上述抽出步骤使用上述第一平滑化过滤器,在上述输入了的医用图像中对比上述应该检测出的病变部位小并且浓度比周围低的区域进行平滑化,由此生成第一平滑化图像,使用上述第二平滑化过滤器,在上述第一平滑化图像中对具有上述应该检测出的病变部位的大小并且浓度比周围低的区域进行平滑化,生成第二平滑化图像,取得上述第一平滑化图像和上述第二平滑化图像的对应的像素的像素值的差分,由此抽出上述异常阴影候选的检测对象区域。
12.一种异常阴影候选检测装置,其特征在于包括:
设置与从输入的医用图像中应该检测出的病变部位的大小对应的第一平滑化过滤器和第二平滑化过滤器的过滤器设置单元;
使用上述设置的第一平滑化过滤器和第二平滑化过滤器,从上述输入的医用图像中抽出具有上述应该检测出的病变部位的大小的异常阴影候选的检测对象区域的抽出单元;
针对上述输入的医用图像中的上述抽出的检测对象区域,进行异常阴影候选的检测的异常阴影候选检测单元。
13.根据权利要求12所述的异常阴影候选检测装置,其特征在于:
包括:输入上述应该检测出的病变部位的大小的范围的上限值和下限值的输入单元,
上述过滤器设置单元设置与该输入了的病变部位的大小对应的上述第一平滑化过滤器和上述第二平滑化过滤器。
14.根据权利要求12或13所述的异常阴影候选检测装置,其特征在于:
包括:缩小上述输入的医用图像的缩小单元,
上述抽出单元使用上述缩小了的医用图像,抽出上述应该检测出的病变部位的大小的异常阴影候选的检测对象区域。
15.根据权利要求13所述的异常阴影候选检测装置,其特征在于:
上述输入的医用图像包括表示浓度的像素值,
上述第一平滑化过滤器的掩模大小与上述应该检测出的病变部位的大小的下限值对应,
上述第二平滑化过滤器的掩模大小与上述应该检测出的病变部位的大小的上限值对应,
上述抽出单元使用上述第一平滑化过滤器,在上述输入了的医用图像中对比上述应该检测出的病变部位小并且浓度比周围低的区域进行平滑化,由此生成第一平滑化图像,使用上述第二平滑化过滤器,在上述第一平滑化图像中对具有上述应该检测出的病变部位的大小并且浓度比周围低的区域进行平滑化,生成第二平滑化图像,取得上述第一平滑化图像和上述第二平滑化图像的对应的像素的像素值的差分,由此抽出上述异常阴影候选的检测对象区域。
16.根据权利要求12或13所述的异常阴影候选检测装置,其特征在于:
上述应该检测出的异常阴影是肿瘤阴影。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP188091/2005 | 2005-06-28 | ||
JP2005188091 | 2005-06-28 | ||
JP2005227902 | 2005-08-05 | ||
JP227902/2005 | 2005-08-05 | ||
PCT/JP2006/312577 WO2007000940A1 (ja) | 2005-06-28 | 2006-06-23 | 異常陰影候補検出方法、異常陰影候補検出装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101208042A CN101208042A (zh) | 2008-06-25 |
CN101208042B true CN101208042B (zh) | 2010-11-17 |
Family
ID=37595192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2006800229372A Expired - Fee Related CN101208042B (zh) | 2005-06-28 | 2006-06-23 | 异常阴影候选检测方法、异常阴影候选检测装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20100150413A1 (zh) |
EP (1) | EP1897495A4 (zh) |
JP (1) | JP4911029B2 (zh) |
CN (1) | CN101208042B (zh) |
WO (1) | WO2007000940A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007037906A (ja) * | 2005-08-05 | 2007-02-15 | Konica Minolta Medical & Graphic Inc | 異常陰影候補検出システム |
GB0725094D0 (en) * | 2007-12-21 | 2008-01-30 | Univ Liverpool | Image processing |
RU2530302C2 (ru) * | 2008-10-29 | 2014-10-10 | Конинклейке Филипс Электроникс Н.В. | Анализ, по меньшей мере, трехмерного медицинского изображения |
US10249037B2 (en) | 2010-01-25 | 2019-04-02 | Amcad Biomed Corporation | Echogenicity quantification method and calibration method for ultrasonic device using echogenicity index |
US8948474B2 (en) * | 2010-01-25 | 2015-02-03 | Amcad Biomed Corporation | Quantification method of the feature of a tumor and an imaging method of the same |
US9773307B2 (en) | 2010-01-25 | 2017-09-26 | Amcad Biomed Corporation | Quantification and imaging methods and system of the echo texture feature |
JP5622461B2 (ja) * | 2010-07-07 | 2014-11-12 | オリンパス株式会社 | 画像処理装置、画像処理方法、および画像処理プログラム |
AU2011281313B2 (en) | 2010-07-21 | 2015-01-22 | Mbda Uk Limited | Image processing method |
US9368795B2 (en) | 2012-06-13 | 2016-06-14 | Sango Co., Ltd. | Lithium secondary battery negative electrode and method for manufacturing the same |
US9131182B2 (en) * | 2013-05-08 | 2015-09-08 | Canon Kabushiki Kaisha | Image processing apparatus, method and storage medium |
FI128403B (en) * | 2013-07-05 | 2020-04-30 | Procemex Oy Ltd | Synchronizing image capture |
TWI577342B (zh) * | 2016-01-28 | 2017-04-11 | 太豪生醫股份有限公司 | 旋轉式乳房影像之病變偵測方法及病變偵測裝置 |
KR101994338B1 (ko) * | 2017-10-25 | 2019-06-28 | 엘지이노텍 주식회사 | 사육장 관리 장치 및 방법 |
JP7159025B2 (ja) * | 2018-11-30 | 2022-10-24 | 富士フイルムヘルスケア株式会社 | 診断装置及び診断方法 |
JP2022180993A (ja) * | 2021-05-25 | 2022-12-07 | 富士フイルムヘルスケア株式会社 | 超音波診断装置及び診断支援方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5984870A (en) * | 1997-07-25 | 1999-11-16 | Arch Development Corporation | Method and system for the automated analysis of lesions in ultrasound images |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4907156A (en) * | 1987-06-30 | 1990-03-06 | University Of Chicago | Method and system for enhancement and detection of abnormal anatomic regions in a digital image |
US5079698A (en) * | 1989-05-03 | 1992-01-07 | Advanced Light Imaging Technologies Ltd. | Transillumination method apparatus for the diagnosis of breast tumors and other breast lesions by normalization of an electronic image of the breast |
US5365429A (en) * | 1993-01-11 | 1994-11-15 | North American Philips Corporation | Computer detection of microcalcifications in mammograms |
EP0719435A1 (en) * | 1994-07-14 | 1996-07-03 | Koninklijke Philips Electronics N.V. | Mass detection in digital x-ray images using multiple threshold levels to discriminate spots |
JP2001346787A (ja) * | 2000-06-08 | 2001-12-18 | Fuji Photo Film Co Ltd | 異常陰影候補検出方法および検出システム |
JP2002112986A (ja) | 2000-10-06 | 2002-04-16 | Konica Corp | 画像診断支援装置 |
EP1400924B1 (en) * | 2002-09-20 | 2008-12-31 | Nippon Telegraph and Telephone Corporation | Pseudo three dimensional image generating apparatus |
JP2005160916A (ja) * | 2003-12-05 | 2005-06-23 | Fuji Photo Film Co Ltd | 石灰化陰影判定方法、石灰化陰影判定装置及びプログラム |
-
2006
- 2006-06-23 EP EP06767227A patent/EP1897495A4/en not_active Withdrawn
- 2006-06-23 JP JP2007523427A patent/JP4911029B2/ja not_active Expired - Fee Related
- 2006-06-23 WO PCT/JP2006/312577 patent/WO2007000940A1/ja active Application Filing
- 2006-06-23 CN CN2006800229372A patent/CN101208042B/zh not_active Expired - Fee Related
- 2006-06-23 US US11/993,234 patent/US20100150413A1/en not_active Abandoned
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5984870A (en) * | 1997-07-25 | 1999-11-16 | Arch Development Corporation | Method and system for the automated analysis of lesions in ultrasound images |
Non-Patent Citations (2)
Title |
---|
JP特开2001-346787A 2001.12.18 |
JP特开2005-160916A 2005.06.23 |
Also Published As
Publication number | Publication date |
---|---|
US20100150413A1 (en) | 2010-06-17 |
JPWO2007000940A1 (ja) | 2009-01-22 |
JP4911029B2 (ja) | 2012-04-04 |
WO2007000940A1 (ja) | 2007-01-04 |
EP1897495A4 (en) | 2011-01-05 |
EP1897495A1 (en) | 2008-03-12 |
CN101208042A (zh) | 2008-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101208042B (zh) | 异常阴影候选检测方法、异常阴影候选检测装置 | |
KR101887194B1 (ko) | 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치 | |
KR101874348B1 (ko) | 피검체의 흉부 pa 영상의 판독을 지원하는 방법 및 이를 이용한 장치 | |
Decenciere et al. | TeleOphta: Machine learning and image processing methods for teleophthalmology | |
JP6772873B2 (ja) | 動態解析装置及び動態解析システム | |
KR101919866B1 (ko) | 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치 | |
US20120166211A1 (en) | Method and apparatus for aiding imaging diagnosis using medical image, and image diagnosis aiding system for performing the method | |
JP2005296605A (ja) | 放射線写真画像を診断関連領域と診断非関連領域とにセグメント化する方法 | |
Derwin et al. | A novel automated system of discriminating Microaneurysms in fundus images | |
US20070076937A1 (en) | Image processing method for windowing and/or dose control for medical diagnostic devices | |
US20060222222A1 (en) | Medical image processing apparatus and program | |
US10748286B2 (en) | Dynamic image processing apparatus | |
JP2011103095A (ja) | 医用画像表示システム及びプログラム | |
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 | |
JP2005253685A (ja) | 画像診断支援装置及び画像診断支援プログラム | |
JP2006340835A (ja) | 異常陰影候補の表示方法及び医用画像処理システム | |
US20060177115A1 (en) | Medical image processing apparatus and program | |
Jiang et al. | DCAMIL: Eye-tracking guided dual-cross-attention multi-instance learning for refining fundus disease detection | |
JP4631260B2 (ja) | 画像診断支援装置、画像診断支援方法及びプログラム | |
JP2006334140A (ja) | 異常陰影候補の表示方法及び医用画像処理システム | |
JP2009061175A (ja) | 医用画像処理装置及びプログラム | |
JP4595594B2 (ja) | 画像処理装置及びプログラム | |
JP4591142B2 (ja) | 医用画像システム | |
CN114067154B (zh) | 基于多序列mri的克罗恩病纤维化分级方法及相关设备 | |
JP7265805B2 (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 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20101117 Termination date: 20160623 |
|
CF01 | Termination of patent right due to non-payment of annual fee |