CN103228214A - 图像处理装置及图像处理方法 - Google Patents

图像处理装置及图像处理方法 Download PDF

Info

Publication number
CN103228214A
CN103228214A CN2011800573421A CN201180057342A CN103228214A CN 103228214 A CN103228214 A CN 103228214A CN 2011800573421 A CN2011800573421 A CN 2011800573421A CN 201180057342 A CN201180057342 A CN 201180057342A CN 103228214 A CN103228214 A CN 103228214A
Authority
CN
China
Prior art keywords
image
characteristic curve
curve data
pixel value
algorithm
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.)
Granted
Application number
CN2011800573421A
Other languages
English (en)
Other versions
CN103228214B (zh
Inventor
后藤良洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Medical Corp
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 Hitachi Medical Corp filed Critical Hitachi Medical Corp
Publication of CN103228214A publication Critical patent/CN103228214A/zh
Application granted granted Critical
Publication of CN103228214B publication Critical patent/CN103228214B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种图像处理装置，可从多个处理算法中，根据作为处理对象的图像的部位及处理目的来选择并应用最佳的处理算法，为此，针对作为基准的图像，计算以关注区域的重心为中心而对像素值进行累计所得的基准特性曲线数据，将该基准特性曲线数据与和处理目的相应的处理算法至少按不同部位建立对应并预先存储在算法表(2)中。另外，CPU(101)，针对作为处理对象的图像，计算上述的特性曲线数据(对象特性曲线数据)，基于与在算法表(2)中存储的基准特性曲线数据的比较结果，从算法表(2)中选择与相关最高的基准特性曲线数据建立对应的处理算法，进行图像处理。

Description

图像处理装置及图像处理方法
技术领域
本发明涉及对CT图像、MR图像、US图像等医用图像的图像处理。
背景技术
近年来，正在进行利用了CT(Computed Tomography，计算机化断层x射线照相法)图像、MR(Magnetic Resonance，磁共振)图像、US(Ultrasound，超声波)图像等医用图像的诊断。另外，提出了用于从这些医用图像中提取成为观察对象的部位，或者删除无用区域，从而制作方便诊断的图像的各种图像处理方法。另外，也开发了从医用图像中检测异常阴影的被称为CAD(Computer Aided Diagnosis，计算机辅助诊断)的计算机支援诊断装置。这样，开发出了多种针对医用图像的对应于各种处理目的的处理算法。
然而，医用图像根据拍摄部位、检查的种类而表现不同的特征。因此，即使是相同的处理目的，也是根据部位而按不同的流程进行处理的情况下效率高。例如，在根据医用图像检测异常阴影时，根据拍摄部位、诊断内容的不同而应用不同的异常阴影检测算法。例如，在头部和腹部应用不同的异常阴影检测算法。作为选择适合医用图像的异常阴影检测算法的装置，例如提出了专利文献1所示的异常阴影检测装置等。
专利文献1中记载了一种异常阴影检测装置，该异常阴影检测装置预先按被检测体的每个部位存储异常阴影检测算法，在根据医用图像检测异常阴影时，制作以不同的日期时间拍摄的解剖学上同一部位的断层像的组合，在各组合的断层像彼此之间取差分，另外，识别该断层像的被检测体部位，选择并应用与被识别出的部位对应的异常阴影检测算法。
在先技术文献
专利文献
专利文献1：JP特许第4401121号公报
发明内容
发明要解决的课题
然而，上述专利文献1中，在根据医用图像识别拍摄部位时，是根据作为对象的图像(断层像)与前后断层像之间的连续性、和特定像素值范围的像素的分布形状等来进行判断的。例如是否为头部，是根据图像中是否存在与头盖骨对应的CT值高的椭圆状的区域来判断的。另外，是否为颈部是根据是否为从头部切片(slice)连续的区域来判断。另外，是否为胸部是通过在CT值负900以下是否存在中空的封闭区域来判断的(专利文献1的说明书第[0031]～[0036]段)。
另外，即使拍摄部位相同且处理目的相同，在图像的种类(检查的种类、拍摄方法的种类、造影剂的有无等)不同的情况下，也存在应用不同的处理算法能够缩短处理时间的情况。例如，由于不使用造影剂拍摄的图像与使用造影剂拍摄的图像之间表现出不同的特征，因此采用不同的处理算法能够高速地进行处理。
本发明是鉴于上述问题而开发的，其目的在于提供一种能够从多个处理算法中，根据作为处理对象的图像的部位及处理目的来选择并应用最佳的处理算法的图像处理装置等。
用于解决课题的手段
为了实现上述目的，第1发明是一种图像处理装置，对医用图像应用规定的处理算法来进行图像处理，该图像处理装置具备：存储部，其针对作为基准的图像，计算以关注区域的任意点为中心来运算像素值所得的基准特性曲线数据，将该基准特性曲线数据与部位建立对应并预先进行存储；计算部，其针对作为处理对象的图像，计算以关注区域的任意点为中心来运算像素值所得的对象特性曲线数据；比较部，其将由所述计算部计算出的对象特性曲线数据与所述存储部中存储的基准特性曲线数据进行比较；选择部，其基于所述比较部的比较结果，从所述存储部中选择与和所述对象特性曲线数据相关高的基准特性曲线数据建立对应地进行存储的处理算法；以及图像处理部，其进行应用了与由所述选择部选择出的部位相应的处理算法的图像处理。
第2发明是一种图像处理方法，对医用图像应用规定的处理算法来进行图像处理，该图像处理方法包括：存储步骤，针对作为基准的图像，计算以关注区域的任意点为中心来运算像素值所得的基准特性曲线数据，将该基准特性曲线数据与部位建立对应并预先进行存储；计算步骤，针对作为处理对象的图像，计算以关注区域的任意点为中心来运算像素值所得的对象特性曲线数据；比较步骤，对通过所述计算步骤计算出的对象特性曲线数据与在所述存储步骤中存储的基准特性曲线数据进行比较；选择步骤，根据所述比较步骤中比较的结果，从所述存储步骤中选择与和所述对象特性曲线数据相关高的基准特性曲线数据建立对应地进行存储的处理算法；和图像处理步骤，进行应用了与通过所述选择步骤选择出的部位相应的处理算法的图像处理。
发明效果
根据本发明，能够提供一种图像处理装置等，能够从多个处理算法中，根据作为处理对象的图像的部位及处理目的选择并应用最佳的处理算法。
附图说明
图1是表示图像处理装置100的整体构成的图。
图2是表示本发明涉及的图像处理装置100中存储的算法表2的一例的图。
图3是说明算法选择处理的流程的流程图。
图4的(a)是说明从CT图像获取向量径上的像素值数据的图，(b)是从二值图像获取向量径上的像素值数据的图，(c)是说明从二值图像获取圆周上的像素值数据的图。
图5的(a)是胸部断层像(无造影剂)30的一例，(b)是从胸部断层像(无造影剂)30的二值图像中提取出的向量径上的像素值数据3A的一例，(c)是从胸部断层像(无造影剂)30的二值图像中提取出的圆周上的像素值数据3B的一例。
图6的(a)是胸部断层像(有造影剂)40的一例，(b)是从胸部断层像(有造影剂)40的二值图像中提取出的向量径上的像素值数据4A的一例，(c)是从胸部断层像(无造影剂)40的二值图像中提取出的圆周上的像素值数据4B的一例。
图7的(a)是胸部上部端的断层像(无造影剂)50的一例，(b)是从胸部上部端的断层像(无造影剂)50的二值图像中提取出的向量径上的像素值数据5A的一例，(c)是从胸部上部端的断层像(无造影剂)50的二值图像中提取出的圆周上的像素值数据5B的一例。
图8的(a)是腹部断层像(有造影剂)60的一例，(b)是从腹部断层像(有造影剂)60的二值图像中提取出的向量径上的像素值数据6A的一例，(c)是从腹部断层像(有造影剂)60的二值图像中提取出的圆周上的像素值数据6B的一例。
图9是针对表示断层像的部位的部位提示图像82进行说明的图。
图10是表示对有造影剂胸部图像应用的肋骨提取算法的一例。
图11是对有造影剂胸部图像的肋骨提取算法进行说明的图。
图12的(a)是肋骨去除处理前的胸部MIP图像91，(b)是肋骨去除处理后的胸部MIP图像92。
图13是对无造影剂胸部图像应用的肋骨提取算法的一例。
图14是从无造影剂胸部图像中去除肋骨而构成的MIP图像93。
图15是说明噪声去除处理的流程图。
图16是特性曲线数据提取的另外一例(螺旋状)。
图17是特性曲线数据提取的其他例(将向量径的中心设定在被检测体外的例子)。
图18是表示第2实施方式的算法表200的一例的图。
图19是根据图像211计算出的基准特性曲线数据(向量径上的像素值数据311)的一例。
图20是根据图像211计算出的基准特性曲线数据(圆周上的像素值数据312)的一例。
图21是根据图像211计算出的基准特性曲线数据(x方向相加数据313、y方向相加数据314)的一例。
图22是头部头顶部的剖面图213的示意图。
图23是头部眼球附近的剖面图214的示意图。
图24是胸部剖面图215的示意图。
图25是腿部剖面图216的示意图。
图26是说明第2实施方式的算法选择处理的流程的流程图。
具体实施方式
以下，基于附图对本发明的实施方式详细进行说明。
第1实施方式
首先，参照图1，对应用本发明的图像处理装置100的图像处理系统1的构成进行说明。
如图1所示，图像处理系统1具备：具有显示装置107、输入装置109的图像处理装置100；与图像处理装置100经由网络110而连接的图像数据库111；以及医用图像拍摄装置112。
图像处理装置100，是进行图像生成、图像解析等处理的计算机。
如图1所示，图像处理装置100具备：CPU(Central Processing Unit，中央处理器)101、主存储器102、存储装置103、通信接口(通信I/F)104、显示存储器105、与鼠标108等外部设备之间的接口(I/F)106，各部件通过总线113而相连接。
CPU101，将主存储器102或者存储装置103等中存储的程序读出至主存储器102的RAM上的工作存储区并执行，对通过总线113而连接的各部进行驱动控制，实现图像处理装置100进行的各种处理。
另外，在第1实施方式中，CPU101在对作为处理对象的图像进行目的处理时，执行后述的算法选择处理(图3)，选择并应用最佳的处理算法。关于算法选择处理将在后述。
主存储器102由ROM(Read Only Memory，只读存储器)、RAM(Random Access Memory，随机存取存储器)等构成。ROM对计算机的启动程序、BIOS等的程序、数据等进行恒久保持。另外，RAM对从ROM、存储装置103等加载的程序、数据等进行暂时保持，并且具备用于CPU101进行各种处理而使用的工作区。
存储装置103是向HDD(硬盘驱动器)、其它记录介质进行数据读写的存储装置，存储CPU101执行的程序、程序执行所需要的数据、OS(操作系统)等。关于程序，存储与OS相当的控制程序、应用程序。这些各程序编码，通过CPU101根据需要被读出并移动至主存储器102的RAM，作为各种单元而被执行。
另外，在存储装置103中存储图2所示的算法表2。
如图2所示，在算法表2中，将根据作为基准的图像计算出的基准特性曲线数据D1、D2、……与处理算法A1、A2、……建立对应地进行登记。至少按不同部位(位置编号P1、P2、……)计算基准特性曲线数据D1、D2、……。优选，除了部位之外，还按图像的不同种类(检查的种类、拍摄方法的种类)来进行计算。作为图像的种类，可列举例如有无造影剂。这样的算法表2按不同处理目的而被准备多个。
基准特性曲线数据D1、D2、……是成为在后述的算法选择处理中与对象特性曲线数据之间比较的基准的数据。
另外，基准特性曲线数据D1、D2、……是以关注区域的重心为中心来运算断层像的像素值分布的特性曲线。
具体而言，将如下的(1)～(5)的数据等作为上述基准特性曲线数据来算出：
(1)将以关注区域的重心为中心而旋转的向量径(動径)A上的各点的像素值按每个旋转角度θ进行累计得到的向量径上的像素值数据(参照图4(a)、(b))；
(2)将以关注区域的重心为中心的圆周B上的各点的像素值按每个半径Ri进行累计得到的圆周上的像素值数据(参照图4(c))；
(3)将以关注区域的重心为中心的椭圆圆周上的各点的像素值按每个椭圆轴径(短轴或者长轴中的任一者)Re进行累计得到的椭圆上的像素值数据(未图示)；
(4)对以关注区域的重心为中心而旋转的向量径A上的各点的像素值乘以例如与离重心的距离相应的加权系数，并按每个旋转角度θ进行加权相加得到的向量径上的像素值数据；
(5)对以关注区域的重心为中心的圆周B上的各点的像素值乘以例如与向量径A的旋转角相应的加权系数，将按每个半径Ri进行加权相加所得的圆周上的像素值数据。
另外，基准特性曲线数据，即可以是从头部、颈部、胸部、腹部、腰部、腿部等各部位中针对代表性的一个剖面计算出的数据，也可以是针对各部位计算出多个剖面的数据。如果对各部位的多个剖面的基准特性曲线数据进行计算，并预先登记在算法表2中，则在与对象特性曲线数据进行比较时，不仅可与对象剖面进行比较，还可与前后剖面进行比较，能够更准确地得到比较结果。
图2中，A1、A2、A3、A4、……是算法的识别编号，N1、N2、N3、N4、……是基准特性曲线数据D1、D2、D3、D4、……的采样点数，P1、P2、P3、P4、……是表示作为基准特性曲线数据D1、D2、D3、D4、……的根源的图像在解剖学上的位置的编号，D1、D2、D3、D4、……是基准特性曲线数据。
基准特性曲线数据D1、D2、D3、D4、……的采样点数被用于标准化。即，若进行标准化使得基准特性曲线数据与被比较的对象特性曲线数据的采样点数成为相同的数目，则不管被检测体的体格差如何，都能够准确地进行比较。
在算法表2中登记的各处理算法被存储在存储装置103中。
通信I/F104具有通信控制装置、通信端口等，对图像处理装置100与网络110之间的通信进行中转。另外，通信I/F104经由网络110进行与图像数据库111、其它计算机、或者X射线CT装置、MRI装置等医用图像拍摄装置112之间的通信控制。
I/F106是用于连接外围设备的端口，进行与外围设备之间的数据的收发。例如，也可以使鼠标108或指示笔(stylus pen)等指向设备(pointingdevice)经由I/F106而连接。
显示存储器105临时存储从CPU101输入的显示数据的缓冲器。被存储的显示数据在规定的定时被输出给显示装置107。
显示装置107，由液晶面板、CRT监视器等显示器装置、和用于与显示器装置合作以执行显示处理的逻辑电路构成，经由显示存储器105而与CPU101连接。显示装置107，通过CPU101的控制而显示在显示存储器105中存储的显示数据。
输入装置109是例如键盘等的输入装置，将通过操作者输入的各种指示或信息输出给CPU101。操作者，使用显示装置107、输入装置109、及鼠标108等外部设备交互式地操作图像处理装置100。
另外，显示装置107及输入装置109也可以是例如触摸板显示器这样的一体式装置。这种情况下，输入装置109的键盘排列被显示在触摸板显示器。
网络110包含：LAN(Local Area Network，局域网)、WAN(WideArea Network，广域网)、内部网、互联网等各种通信网络，对图像数据库111、服务器、其它信息设备等与图像处理装置100之间的通信连接进行中转。
图像数据库111，对通过医用图像拍摄装置112拍摄的图像数据进行积蓄并存储。在图1所示的图像处理系统1中，图像数据库111构成为经由网络110与图像处理装置100连接，但也可以在图像处理装置100内的例如存储装置103中设置图像数据库111。
接着，参照图3～图17对第1实施方式涉及的图像处理装置100的动作进行说明。
图像处理装置100的CPU101，从主存储器102中读出与图2所示的算法选择处理相关的程序及数据，基于该程序及数据执行处理。
另外，在开始执行以下处理时，计算关于作为基准的图像的基准特性曲线数据D1、D2、D3、D4、……，并如图2所示登记在存储装置103的算法表2中。另外，按不同部位以及不同图像种类(例如有无造影剂等)，将要应用的处理算法A1、A2、A3、A4、……与基准特性曲线数据D1、D2、D3、D4、……建立对应地进行登记。
另外，作为运算对象的图像(断层像)的数据从图像数据库111等经由网络110及通信I/F104而被取入，并被存储在图像处理装置100的存储装置103中。
图像是通过X射线CT装置、MRI装置、超音波装置等而拍摄的图像。假设在以下示例中采用二维轴向CT图像，但也可以利用冠状图像、矢形图像。
图像处理装置100的CPU101，首先取入作为处理对象的图像(CT图像)，针对所取入的图像求出特性曲线数据(步骤S1)。以下，将针对作为处理对象的图像计算出的特性曲线数据称作对象特性曲线数据。
在此，针对特性曲线数据的计算进行说明。
第1实施方式中，特性曲线(基准特性曲线数据、对象特性曲线数据)，是以关注区域的重心为中心而对图像的像素值分布进行累计而得到的。
另外以下说明中，针对使关注区域为被检测体区域，使向量径A、圆周B的中心为被检测体区域的重心的示例进行说明，但也可以使关注区域为脊骨区域等，将特定的脏器作为关注区域。
在获取向量径上的像素值数据作为特性曲线的情况下，如图4(a)所示，CPU101在图像30上设定以关注区域的重心为中心而旋转的向量径A，按每个旋转角度θ对向量径A上的各点的像素值(图4(a)中CT值)进行累计。于是，得到如图5(b)、图6(b)、图7(b)、图8(b)等所示那样的与旋转角度θ对应的像素值的累计值(向量径上的像素值数据)。图5(b)、图6(b)、图7(b)、图8(b)是横轴表示θ、纵轴表示累计值的向量径上的像素值数据3A，4A、5A、6A的示例。旋转角度θ的幅度是任意的，例如设为每π/180[rad]。
另外，如图4(b)所示，根据规定的阈值对作为对象的图像进行二值化，针对二值化所形成的断层像(二值图像31)通过对向量径上的各像素值(「1」或者「0」)进行累计，从而计算出向量径上的像素值数据。根据二值图像31计算向量径上的像素值数据的情况下由于容易进行相加处理，因此能够高速进行处理。
另外，在获取圆周上的像素值数据作为特性曲线数据的情况下，如图4(c)所示，CPU101，在图像30或者二值图像31上设定以关注区域的重心为中心的圆周B，按每个半径Ri对圆周B上的各点的像素值进行累计。于是，得到如图5(c)、图6(c)、图7(c)、图8(c)等所示那样的与半径Ri对应的像素值的累计值(圆周上的像素值数据)。图5(c)、图6(c)、图7(c)、图8(c)，是以Ri表示横轴，以累计值表示纵轴的圆周上的像素值数据3B，4B、5B、6B的示例。半径Ri的单位幅度是任意的，例如设为每一个像素。图4(c)是对二值图像31的各像素值(「1」或者「0」)进行累计的示例，但也可以根据CT图像获取圆周上的像素值数据(未图示)。
另外，也可以将上述的圆周上的像素值数据的圆B作为椭圆，获取椭圆上像素值数据作为特性曲线数据。这种情况下，CPU101，按每个椭圆轴径(短轴或者长轴中的任一者)Re对椭圆圆周上的各点的像素值进行累计。生成横轴表示Re，纵轴表示累计值的椭圆上像素值数据。关于椭圆上像素值数据，也可以与向量径上的像素值数据、圆周上的像素值数据同样地，将CT值或者二值中的任一者作为运算对象来获取特性曲线数据(未图示)。
另外，在对CT值进行累计的情况下，CPU101可以乘以取决于CT值的加权系数后进行相加。例如，如果对所有像素将最大CT值的倒数作为加权系数并与各像素值相乘，则由于能够使相加值变小，因此能够防止溢出。
另外，为了与被检测体的体格对应，因而优选将从被检测体重心(向量径A的中心)至体表的长度标准化，即将到体表为止的采样点数标准化。另外，在采样点数不同的情况下，在后述的步骤S2(比较处理)中，在计算与基准特性曲线的相关时，进行插值运算，使之成为相同的采样点数。
这样通过对特性曲线数据进行标准化，从而即使被检测体图像与作为基准特性曲线数据的根源的基准断层像之间存在体格差，也能够准确地进行比较。
图5～图8是表示针对不同部位的断层像计算出的特性曲线数据的示例的图。
图5(a)是无造影剂胸部断层像30，图5(b)是从图5(a)的无造影剂胸部断层像30的二值图像中提取出的向量径上的像素值数据3A，图5(c)是从图5(a)的无造影剂胸部断层像30的二值图像中提取出的圆周上的像素值数据3B。
另外，图6(a)是有造影剂胸部断层像40，图6(b)是从图6(a)的有造影剂胸部断层像40的二值图像中提取出的向量径上的像素值数据4A，图6(c)是从图6(a)的有造影剂胸部断层像40的二值图像中提取出的圆周上的像素值数据4B。
另外，图7(a)是无造影剂胸部上部端的断层像50，图7(b)是从图7(a)的无造影剂胸部上部端的断层像50的二值图像中提取出的向量径上的像素值数据5A，图7(c)是从图7(a)的无造影剂胸部上部端的断层像50的二值图像中提取出的圆周上的像素值数据5B。
另外，图8(a)是有造影剂腹部断层像60，图8(b)是从图8(a)的有造影剂腹部断层像60的二值图像中提取出的向量径上的像素值数据6A，图8(c)是从图8(a)的有造影剂腹部断层像60的二值图像中提取出的圆周上的像素值数据6B。
如图5～图8所示，向量径上的像素值数据3A～6A、圆周上的像素值数据3B～6B分别成为根据部位及造影剂的有无而不同的曲线。虽然未图示，但关于椭圆上像素值数据也表示为分别根据部位及造影剂的有无而不同的曲线。
即，例如即使是相同的胸部，根据是胸部的上部(肺尖部)还是中央部而特性曲线也不同，胸部和腹部之间则会产生更加大的差异。
头部、颈部、腰部、腿部、脚部等其他部位的特性曲线数据也同样能够计算。
在步骤S1中，若计算对象特性曲线数据(向量径上的像素值数据、圆周上的像素值数据、或者椭圆上的像素值数据中的至少任一者)，则接着，CPU101，对在存储装置103中存储的各基准特性曲线数据与在步骤S1中计算出的对象特性曲线数据进行比较(步骤S2)。
步骤S2的比较处理，例如通过计算对象特性曲线数据与基准特性曲线数据的相关的大小而进行。
相关的大小，采用例如以下的式(1)示出的皮尔森积矩相关系数便能够计算出。
【式1】
Figure BDA00003266143600111
Figure BDA00003266143600112
另外，为了更简单地进行比较，例如也可以采用以下的式(2)、式(3)中的任一者计算各特性曲线数据之间的曲线间距离，将距离最小的一组作为相关最大的数据。
【式2】
曲线间距离＝∑(Xi－Yi)2…(2)
【式3】
曲线间距离＝∑abs（Xi-Yi)…(3)
另外，基准特性曲线数据与对象特性曲线数据之间的比较，也可以按照比较向量径上的像素值数据(以下也表示为A(θ))彼此、比较圆周上的像素值数据(以下也表示为B(R))彼此、或者比较椭圆上的像素值数据(以下也表示为C(Re))彼此那样，对同种特性曲线数据彼此进行比较，也可以将种类不同的多个特性曲线数据结合成一条曲线(例如，A(θ)+B(R)+C(Re))，来相互进行比较。
另外，关于胸部图像和腹部图像，由于均拍出脊骨而未形成特征，因此也可以不使用关于这些区域的向量径上的像素值数据。另外，也可以对这些区域的向量径上的像素值数据乘以小的加权系数WA，比较将向量径上的像素值数据A(θ)、圆周上的像素值数据B(R)、及椭圆上像素值数据C(Re)结合得到的曲线(WA×A(θ)+WB×B(R)+WC×C(Re))。
接着，CPU101，基于步骤S2中的比较结果，从算法表2中选择与和对象特性曲线数据相关大的基准特性曲线数据建立了对应的处理算法(步骤S3)。即，选择与上述式(1)的积矩相关系数最大的基准特性曲线数据、或者上述式(2)、(3)的曲线间距离最小的基准特性曲线数据建立了对应的处理算法。
另外，CPU101，基于步骤S2中的比较结果，获取与和对象特性曲线数据相关大的基准特性曲线数据建立了对应的位置编号(图2的算法表2的P1、P2、……)，并显示表示其位置编号的部位的部位提示图像82(步骤S4)。
图9表示部位提示图像82的一例。
如图9所示，在显示装置107的显示画面显示图9的左图所示的图像处理操作画面。在图像处理操作画面，显示作为处理对象的图像81、指示运算开始的「运算」按钮83、指示处理结束的「结束」按钮84、上述的部位提示图像82等。另外，虽然未图示，但也可以在图像处理操作画面中设置接收作为处理对象的图像的选择、处理目的的选择等操作的操作按钮、输入栏。例如，在进行从全身的断层像中提取骨的图像处理的情况下，若用户选择「全身」为处理对象，则CPU101从图像数据库111中获取全身的一系列的断层像81。另外，若选择「骨提取」作为处理目的(未图示)，则当「运算」按钮被押下操作时，开始图3的算法选择处理，进行步骤S1的特性曲线算出处理、步骤S2的特性曲线的比较处理、步骤S3的算法选择处理。即，从第一张断层像开始依次计算对象特性曲线数据，与处理目的「骨提取」的算法表2中存储的所有基准特性曲线数据D1、D2、……进行比较，选择与相关最高的基准特性曲线数据建立对应的处理算法。另外，CPU101，基于步骤S2的比较处理的结果，求出处理过程中的断层像的部位(例如，位置编号「P4」)，制作在人体图像等上明确显示对应位置85的部位提示图像82并进行显示。
另外，步骤S4的部位提示图像82的显示处理也可以省略。
之后，CPU101，将步骤S3中选择出的处理算法应用于作为处理对象的处理过程中的断层像81，进行图像处理(步骤S5)。
在上述的步骤S2的比较处理中，在判断为断层像81的对象特性曲线数据与「有造影剂」并且「胸部」的基准特性曲线数据的相关高的情况下，在步骤S3中选择图10的处理算法。另外，在步骤S2的比较处理中判断为与「无造影剂」并且「胸部」的基准特性曲线数据的相关高的情况下，在步骤S3中选择并应用图13的处理算法。
在图10的「有造影剂」肋骨提取算法中，首先，对作为对象的图像进行阈值处理(步骤S21)，如图11(a)的阈值处理后的图像71所示那样，提取肋骨、钙化区域、脊骨、有造影剂的高浓度区域。
接着，CPU101，预先将被提取出的区域中、面积最大的区域删除(步骤S22)。处理结果是变成图11(b)的图像72。通过预先将面积最大的区域删除，从而事先去除与在下一步骤中设定的椭圆状容易接触的区域。
进而，为了仅提取肋骨和脊骨，因而CPU101设定最适合于肋骨区域的辅助图形74。在图11的示例中，根据左右端的骨位置信息及上下端的骨位置信息，设定如图11(c)所示那样的椭圆状作为辅助图形74(步骤S23)。CPU101，提取与辅助图形(椭圆状)74接触的区域作为骨区域(步骤S24)。
如果参照该肋骨提取处理的处理结果，则在进行其他软部组织等的处理时能够进行去除了骨区域的处理。例如，如果使用被提取出的骨区域信息而在原CT图像的骨区域上写上负100等的特定值，则能够生成骨区域被去除后的图像。例如，图12(a)是胸部的MIP(maximum intensityprojection，最大强度投影)图像91，采用通过图10的肋骨提取处理而提取出的骨区域信息，在原CT图像(有造影剂)的骨区域写上特定的像素值(例如，负100等)，针对各剖面的断层像反复进行该处理，生成骨被去除后的一系列的断层像(体图像)。然后，若采用骨被去除后的一系列的断层像(体图像)构成MIP图像92，则生成图12(b)所示那样的、肋骨被去除后的MIP图像92。
不限于MIP图像，还能够应用于三维图像的生成、以及其他处理中。
另外，例如，在图13的「无造影剂」肋骨提取算法中，首先，对作为对象的断层像进行阈值处理(步骤S31)，如图14(a)的阈值处理后的图像93那样，提取骨区域和钙化区域。
接着，CPU101，设定最适合于肋骨区域的辅助图形74。辅助图形，与图7的示例同样地被设定(步骤S32)。CPU101，提取与辅助图形(椭圆状)74接触的区域作为骨区域(步骤S33)。
参照该「无造影剂」肋骨提取处理的处理结果，若使用被提取出的骨区域信息在原CT图像的骨区域上写上负100等的特定值，则在进行其他软部组织等的图像处理时，能够生成骨区域被去除后的图像。例如，采用通过图13的肋骨提取处理提取出的骨区域信息，在原CT图像(无造影剂)的骨区域写上特定的像素值(例如，负100等)，针对各剖面的断层像反复进行该处理，生成骨被去除后的一系列的断层像(体图像)。然后，若采用骨被去除后的一系列的断层像构成MIP图像93，则生成图14所示那样的肋骨被去除、描绘成钙化区域的MIP图像93。
处理算法，除了图10、图13所示那样的脏器提取算法之外，根据处理目的，还可以设为脏器去除算法、异常阴影检测算法、异常阴影形状解析算法、异常阴影的浓度解析算法、噪声去除算法等。
这些处理算法，均与基准特性曲线数据建立对应地被登记在相应的处理目的的算法表2中。
另外，这些处理算法，优选进一步按造影剂的有无等图像种类的不同而准备。
例如，在选择了「噪声去除」作为处理目的的情况下，参照按部位不同而登记了多个噪声去除算法的算法表2，进行图15的算法选择处理。
如图15所示，首先，CPU101，针对作为处理对象的图像提取特性曲线数据(向量径上的像素值数据、圆周上的像素值数据、及椭圆上的像素值数据中的任一个以上)(步骤S41)，并与在「噪声去除」用的算法表2中登记的各基准特性曲线数据进行比较，来选择最近的(相关高的)算法(步骤S42)。然后，将选择出的算法应用于作为处理对象的图像中(步骤S43)。比较的结果，在判定为胸部图像的情况下，只要采用中值滤波器(median filter)作为噪声滤波器即可，或者在判定为腿部图像的情况下，只要进行平滑化处理即可。
进而，将各处理算法中利用的参数，按部位不同、图像的种类不同、或者处理目的不同，与基准特性曲线数据建立对应并预先登记在算法表2中。
例如，在图10、图13所示的肋骨提取算法中，也可以根据部位、造影剂的有无而分别预先登记阈值处理(步骤S21、步骤S31)的阈值。
另外，虽然有些情况下处理算法相同，所使用的参数不同，但这种情况下，只要在算法表2中预先登记与基准特性曲线数据建立对应地使用的参数即可。
如以上所说明的那样，第1实施方式的图像处理装置100，针对作为基准的图像，计算以关注区域的重心为中心来对像素值进行累计所得的基准特性曲线数据，将该基准特性曲线数据和与处理目的相应的处理算法至少按不同部位建立对应地预先存储在算法表2中。另外，CPU101，针对作为处理对象的图像，计算以关注区域的重心为中心来对像素值进行累计所得的对象特性曲线数据，对计算出的对象特性曲线数据与存储在算法表2中的基准特性曲线数据进行比较，基于比较结果，从算法表2中选择与和对象特性曲线数据相关最高的基准特性曲线数据建立对应的处理算法，进行应用了所选择出的处理算法的图像处理。
另外，基准特性曲线数据及对象特性曲线数据，设为将以断层像的关注区域的重心为中心的向量径A上的像素值按每个向量径A的旋转角度θ相加所得的向量径上的像素值数据。
另外，基准特性曲线数据及对象特性曲线数据，也可以设为将以断层像的关注区域的重心为中心的圆周B上的像素值按每个半径R相加而得的圆周上的像素值数据。
另外，基准特性曲线数据及对象特性曲线数据，也可以设为将以断层像的关注区域的重心为中心的椭圆圆周上的像素值按每个该椭圆轴径进行相加而得的椭圆上的像素值数据。
这样，便可根据断层像中根据向量径上的像素值数据、圆周上的像素值数据、或者椭圆上的像素值数据之类的表示图像的像素值分布的特征的特性曲线数据，至少对被检测体的部位进行确定后选择适当的处理算法来进行图像处理。由于能够应用适于图像部位的处理算法，因此可高效地进行处理，能够将处理速度高速化。另外，即使在作为处理对象的图像遍及全身的情况下，由于能够根据部位应用适当的处理算法，因此能高效地进行图像处理。
另外，除了部位之外，如果还按例如造影剂的有无等图像的种类的不同，预先将处理算法与基准特性曲线数据建立对应地进行存储，则即使是同一部位，也能够根据图像种类来应用最佳的处理算法。因此，能够进一步将处理速度高速化。
进而，关于处理算法中利用的参数，如果预先与基准特性曲线数据建立对应地登记在算法表2中，则由于能采用最适合图像的参数及处理算法进行处理，因此能够准确进行处理。
另外，如果基于基准特性曲线数据与对象特性曲线数据之间的比较结果，获取作为处理对象的断层像的位置信息，生成表示该位置信息的部位提示图像82，并进行显示，则用户能够容易确认断层像的位置，能够提供一种便利性高的操作环境。
另外，既可以对断层像的像素值(CT值)进行累计而求出上述的特性曲线数据，也可以对将断层像二值化后的二值图像的像素值(「1」或者「0」)进行累计而求出上述的特性曲线数据。
在对二值图像的像素值进行累计的情况下，由于容易进行相加处理，因此处理速度成为高速。
另外，在对像素值(CT值)进行累计的情况下，为了防止溢出，因此也可以乘以依赖于CT值的加权系数并进行相加。
另外，关于计算出的特性曲线数据，优选将采样点数标准化。或者，优选在计算相关度时，通过插值将采样点数作为相同点数来进行运算。这样，通过使采样点数一致，从而可不依赖于被检测体的体格差等而准确地求出相关度。
接着，针对第1实施方式中根据医用图像提取(计算)出的特性曲线数据的其他示例进行说明。
如图16所示，也可以将特性曲线数据设为以关注区域的重心为中心、对螺旋状曲线D上的像素值进行采样而得的排列数据。既可以如图16(a)所示，根据CT图像来对CT值进行采样，也可以如图16(b)所示，对二值化后的二值图像的像素值(「1」或者「0」)进行采样。由图16(a)得到的特性曲线数据的一例，是将横轴设为螺旋状曲线的曲线长、将纵轴设为将根据CT图像进行采样得到的CT值与取决于CT值的加权系数相乘得到的值而描绘的曲线。另外，由图16(b)得到的特性曲线数据的一例，是将横轴设为螺旋状曲线的曲线长，纵轴设为1或者0的像素值而描绘的曲线。
如该例所示，由于对像素值进行螺旋状采样所得的特性曲线数据，是不对像素值进行累计而计算出的，因此能够高速地提取特性曲线数据。另外，如果按照所要求的处理速度使采样点数变稀疏，则能够进一步高速地提取特性曲线数据。
另外，也可以将计算特性曲线数据时使用的向量径、圆周、椭圆的原点设定在体外。
图17(a)的示例，示出设定将与被检测体下侧连接的直线和与左侧连接的直线之间的交点作为原点的向量径E，根据CT图像30按每个旋转角度θ对向量径E上的CT值进行累计的例子。
另外，图17(b)的示例，示出设定将与被检测体下侧连接的直线和与左侧连接的直线之间的交点作为原点的向量径E，根据二值图像31按每个旋转角度θ对向量径E上的二值进行累计的例子。
另外，图17(c)的示例，示出设定将与被检测体下侧连接的直线和与左侧连接的直线之间的交点作为原点的圆周F，根据二值图像31按每个半径Ri对圆周F上的二值进行累计的例子。
这样，用于提取特性曲线数据的向量径、圆周、椭圆的原点位置是任意的。
另外，在计算特性曲线数据时使用的向量径的形状不必限定于直线。例如，如果设定沿着脏器形状弯曲的曲线向量径，则还可求出更加有特征的特性曲线数据。
[第2实施方式]
接着，针对第2实施方式涉及的图像处理装置100(图像处理系统1)进行说明。
第2实施方式的图像处理装置100的硬件构成，与图1所示的第1实施方式的图像处理装置100相同。关于与第1实施方式的图像处理装置100相同的构成要素，附加相同的符号，省略重复说明。
第2实施方式的图像处理装置100的CPU101，在对作为处理对象的图像(以下称作处理图像)进行目的处理时，执行后述的算法选择处理(参照图26)，选择并应用最佳的处理算法。
另外，在第2实施方式的图像处理装置100的存储装置103中，存储图18所示的算法表200。
图18所示的算法表200，将表示基准图像的特征的基准特性曲线数据、与和处理目的相应的处理算法按每个部位建立对应地进行存储。进而，将基准图像的解剖学特征与处理算法建立对应地进行存储。
所谓基准图像，是各部位、各图像类别的图像中、成为特征提取或者比较基准的图像。在后述的算法选择处理中，将根据基准图像而预先求出的解剖学特征、特性曲线(基准特性曲线数据)等与处理图像的解剖学特征、特性曲线进行比较，其结果是，判定出处理图像的被检测体部位、图像类别。
作为基准特性曲线数据，只要采用第1实施方式中已说明的基准特性曲线数据即可。即，只要采用如下两种数据即可：(1)将以基准图像211的关注区域的重心为中心而旋转的向量径上的各点的像素值按每个旋转角度θ进行累计而得的向量径上的像素值数据311(参照图19)、(2)将以基准图像211的关注区域的重心为中心的圆周上的各点的像素值按每个半径Ri进行累计而得的圆周上的像素值数据312(图20参照)。
另外，如第1实施方式所示，也可以利用如下(3)～(5)的数据等作为上述的基准特性曲线数据：(3)将以关注区域的重心为中心的椭圆圆周上的各点的像素值按每个椭圆轴径(短轴或者长轴中的任一者)Re进行累计而得的椭圆上的像素值数据、(4)将以关注区域的重心为中心而旋转的向量径上的各点的像素值乘以与例如和重心之间的距离相应的加权系数后，按每个旋转角度θ进行加权相加而得的向量径上的像素值数据、(5)将以关注区域的重心为中心的圆周上的各点的像素值，乘以例如与向量径的旋转角相应的加权系数，并按每个半径Ri进行加权相加所得的圆周上的像素值数据。
进而，如图21所示，基准特性曲线数据，也可以采用将基准图像211位于x方向同列的像素的像素值相加而得的曲线(x方向相加数据313)、将基准图像211位于y方向同列的像素的像素值进行相加而得的曲线(y方向相加数据314)等。
在此，针对解剖学特征进行说明。
所谓解剖学特征，是按被检测体的体轴方向的每个部位分别表示的图像的特征。所谓部位，是指例如腿部、腹部、胸部、肩部、颈部、头部等。
根据图像的浓度分布，能够识别骨的配置、骨相对于被检测体的比例、或者是否存在空气区域。例如，图22、图23所示的图像213、214是脑的图像，符号213b、214b是骨区域，但脑的中心附近213a具有不存在骨这样的解剖学特征(但是，有些情况下存在钙化的若干区域)。即，一般而言，能够根据被检测体中心附近存在的高浓度区域的比例来判断是否为脑的图像。
但是，关于头部，有些情况下，在图22的图像213所示的头顶部、和图23的图像214所示那样的眼球附近，最好改变应用于图像处理的算法。
因此，即使是表示头部的解剖学特征的图像，也应进一步对部位进行细化，在各部应用不同的处理算法。
另外，图24是表示肺野的图像215。
如图24所示，肺野具有在被检测体内部存在CT值(像素值)小，在面积上极其大的空气区域215a，215b这样的解剖学特征。
另外，图25是表示腿部的图像216。
如图25所示，腿部具有如下这样的解剖学特征：即，存在具有左右大致相等面积的两个骨区域216a、216b；和在左右骨区域之间完全没有骨的区域216c。
这样一来，有些情况下直接根据解剖学特征便能够判断出部位，能够一对一地决定要应用的处理算法。
另外，有些情况下根据部位，进而根据被细化的部位或者图像类别，在图像处理时应该应用的处理算法会不同。
另外，也有些情况下根据图像找不出解剖学特征。
第2实施方式中，在基于特性曲线的处理算法选择之前，首先，针对根据被细化的部位、图像类别等可以不变更处理算法的特定部位的图像，根据其解剖学特征一对一地决定应该应用的处理算法。另外，针对根据被细化的部位、图像类别等应该变更处理算法的图像，计算特性曲线，进行计算出的特性曲线与根据解剖学特征而决定的特定的多个基准特性曲线数据之间的相关判定，根据其结果决定应该应用的处理算法。进而，针对将解剖学特征与处理算法关联对应的图像，进行根据该图像计算出的特性曲线与基准特性曲线数据之间的相关判定，根据其结果决定应该应用的处理算法。
关于第2实施方式的算法表200，参照图18进行说明。
在算法表200中，存储将算法与解剖学特征之间一对一地建立对应的算法A21、A22、A23……、一对多(组)地建立对应的算法An_01、An_02、An_03、……、以及其它(与解剖学特征之间没有建立对应)的算法Am、Am+1、……。
例如，算法A21、A22、A23……分别与解剖学特征C21、C22、C23之间一对一地建立对应。在后述的算法选择处理(参照图26)中，在从处理图像中提取出的解剖学特征是与算法之间一对一地建立了对应的特征情况下，直接选择建立了对应的处理算法，并应用于图像处理。
另外，算法An_01、An_02、An_03、An_04、An+1_01、An+1_02、……，与解剖学特征之间以一对多的关系建立对应。表示解剖学特征Cn的部位(在图18的示例中为胸部)，在体轴方向上部和下部分别应该应用的算法不同，进而即使根据有无造影剂，而分别应该应用的算法也会不同。因此，为了根据图像特征判定更准确的部位、造影剂的有无，而采用图19～图21等所示的特性曲线。基准特性曲线数据与算法之间以一对一的关系建立对应。在后述的算法选择处理中，从处理图像中提取出的解剖学特征Cn与算法之间以一对多的关系建立了对应的情况下，进行与解剖学特征Cn建立了对应的多个基准特性曲线数据D21～D24与根据处理图像计算出的特性曲线之间的相关判定，决定相关度高的基准特性曲线数据，选择并应用与该基准特性曲线数据建立对应的算法。
另外，算法Am、Am+1、……与任一解剖学特征都未建立对应。但是，算法Am、Am+1与基准特性曲线数据Dm、Dm+1、……之间一对一地建立对应。
在后述的算法选择处理中，在无法从处理图像中提取出特定的解剖学特征的情况下，进行根据处理图像计算出的特性曲线、与未与任一解剖学特征建立对应的基准特性曲线数据Dm、Dm+1、……之间的相关判定，决定相关度高的基准特性曲线数据，选择并应用与该基准特性曲线数据建立对应的算法。
接着，参照图26，针对第2实施方式的图像处理装置100的动作进行说明。
图像处理装置100的CPU101，从主存储器102中读出与图26所示的算法选择处理有关的程序及数据，基于该程序及数据执行处理。
图像处理装置100的CPU101，首先取入作为处理对象的图像(CT图像)，针对所取入的图像求出解剖学特征(步骤S51)。
接着，CPU101，判定步骤S51中求出的解剖学特征是否为与算法之间一对一地建立了对应的特定的解剖学特征。即，如果步骤S51中求出的解剖学特征是特征C21(步骤S52：是)，则从算法表200中选择与该解剖学特征C21之间一对一地建立了对应的算法A21(步骤S53)。另外，如果步骤S51中求出的解剖学特征是特征C22(步骤S54：是)，则从算法表200中选择与该解剖学特征C22之间一对一地建立了对应的算法A22(步骤S55)，如果步骤S51中求出的解剖学特征是特征C23(步骤S56)，则从算法表200中选择与该解剖学特征C23之间一对一地建立了对应的算法A23(步骤S57)。
这样一来，首先，如果是与算法之间一对一地建立了对应的解剖学特征，则直接基于该解剖学特征而选择算法。
在步骤S51中求出的解剖学特征和与算法之间一对一地建立了对应的特定的解剖学特征不一致的情况下(步骤S52，S53，S54的否)，接着，CPU101针对处理图像计算规定的特性曲线(步骤S58)。以下，将针对作为处理对象的图像计算出的特性曲线称作对象特性曲线数据。在此将所计算出的对象特性曲线数据，作为与在算法表200中存储的基准特性曲线数据相同种类的特性曲线数据。例如，在算法表200中存储的基准特性曲线数据是图19(b)所示那样的、向量径上的像素值数据311的情况下，只要在步骤S58中也求出同样的向量径上的像素值数据311即可。
CPU101，针对在步骤S51中计算出的解剖学特征与算法之间以一对多(组)的关系建立了对应(即，根据被细化的部位或者图像类别应该应用不同的算法)的特征，首先，判定表示哪个解剖学特征，进而进行在步骤S58中计算出的对象特性曲线数据、与和该相应的解剖学特征之间建立了对应的组内的基准特性曲线数据之间的相关判定，并选择算法。
即，如果步骤S51中计算出的处理图像的解剖学特征是特征Cn(步骤S59：是)，则进行与该解剖学特征Cn建立了对应的多个基准特性曲线数据D21～D24、与在步骤S58中计算出的对象特性曲线数据之间的相关判定(步骤S60)。然后，从算法表200中选择与相关度高的基准特性曲线数据建立了对应的算法(步骤S61)。
同样，如果步骤S51中计算出的处理图像的解剖学特征是特征Cn+1(步骤S62：是)，则进行与该解剖学特征Cn+1建立了对应的多个基准特性曲线数据D25～D26、与在步骤S58中计算出的对象特性曲线数据之间的相关判定(步骤S63)。然后，从算法表200中选择与相关度高的基准特性曲线数据之间建立了对应的算法(步骤S61)。
在步骤S51中求出的解剖学特征与任一算法都未建立对应的情况下(步骤S62：否)，CPU101参照算法表200，进行剩下的基准特性曲线数据Dm、Dm+1、……(与任一解剖学特征均未建立对应)、与在步骤S58中计算出的对象特性曲线数据之间的相关判定，并从算法表200中选择与相关度高的基准特性曲线数据建立了对应的算法(步骤S64)。
按照以上这样，选择应该应用于图像的处理算法。
另外，在上述的处理步骤中，不一定要设置步骤S59～步骤S62的处理，也可以在基于解剖学特征的一对一的算法选择(步骤S51～S57)之后、计算处理图像的特性曲线，进行该对象特性曲线数据、与算法表200内的基准特性曲线数据之间的相关判定来决定算法。
如以上所说明的那样，第2实施方式的图像处理装置100，具有将基准图像的解剖学特征或者基准特性曲线数据与处理算法之间建立对应地进行了存储的算法表200。然后，在算法选择处理中，首先，CPU101，从处理图像中提取解剖学特征，从算法表200中选择与被提取出的解剖学特征一对一地建立了对应的处理算法。在处理算法相对于被提取出的解剖学特征未一对一地建立对应的情况下，根据处理图像计算表示图像特征的特性曲线，决定与被计算出的特性曲线之间的相关高的基准特性曲线数据，从算法表200中选择与所决定的基准特性曲线数据之间建立了对应的处理算法。
因此，在根据解剖学特征能够直接决定应该应用的处理算法的情况下，由于能够省略处理图像的特性曲线的计算、对象特性曲线数据与基准特性曲线数据之间的相关判定等处理，因此能够高速地进行运算。
进而，在根据解剖学特征而确定的部位被进一步细化为多个部位、或者被细化为多个图像类别的情况下，算法表200，按每个被细化的部位或者每个图像类别将基准特性曲线数据分组，并预先与相应的解剖学特征建立对应地进行存储，在算法选择处理中，在处理算法相对于从处理图像中提取出的解剖学特征未一对一地建立对应的情况下，首先，从算法表200中读出与该解剖学特征相符的组中所含的多个基准特性曲线数据，并决定被读出的多个基准特性曲线数据中、与特性曲线之间的相关高的基准特性曲线数据，从算法表200中选择与被决定的基准特性曲线数据建立了对应的处理算法。
由于在算法表200中预先定义了与解剖学特征相符的组中所含的多个基准特性曲线数据，因此能够限定进行相关判定的基准特性曲线，能够省略无用的相关判定处理，可进一步实现运算的高速化。
以上，参照附图针对本发明涉及的图像处理装置的最佳实施方式进行了说明，但本发明并不限定于相关示例。很显然，本领域技术人员在本申请所公开的技术思想范围内，能够想到各种变更例或者修正例，应了解这些变更例或者修正例当然都属于本发明的技术范围内。
符号说明：
1图像处理系统；100图像处理装置；101CPU；102主存储器；103存储装置；104通信I/F；105显示存储器；106I/F；107显示装置；108鼠标；109输入装置；2算法表；30胸部断层像(无造影剂)；40胸部断层像(有造影剂)；50胸部上部端的断层像(无造影剂)；60腹部断层像(有造影剂)；3A、4A、5A、6A向量径上的像素值数据；3B、4B、5B、6B圆周上的像素值数据；82部位提示图像；91由有造影剂胸部图像构成的肋骨去除处理前的MIP图像；92由有造影剂胸部图像构成的肋骨去除处理后的MIP图像；93由无造影剂胸部图像构成的肋骨去除处理后的MIP图像；A特性曲线数据提取用的向量径；B特性曲线数据提取用的圆周；C特性曲线数据提取用的曲线(螺旋状)；E特性曲线数据提取用的向量径(原点在体外)；F特性曲线数据提取用的圆周(原点在体外)；200算法表；211～215图像；311向量径上的像素值数据；312圆周上的像素值数据；313x方向相加数据；314y方向相加数据。

Claims (14)

1.一种图像处理装置，对医用图像应用规定的处理算法来进行图像处理，该图像处理装置具备：
存储部，其针对作为基准的图像，计算以关注区域的任意点为中心来运算像素值所得的基准特性曲线数据，将该基准特性曲线数据与部位建立对应并预先进行存储；
计算部，其针对作为处理对象的图像，计算以关注区域的任意点为中心来运算像素值所得的对象特性曲线数据；
比较部，其将由所述计算部计算出的对象特性曲线数据与所述存储部中存储的基准特性曲线数据进行比较；
选择部，其基于所述比较部的比较结果，从所述存储部中选择与和所述对象特性曲线数据相关高的基准特性曲线数据建立对应地进行存储的部位；以及
图像处理部，其进行应用了与由所述选择部选择出的部位相应的处理算法的图像处理。
2.根据权利要求1所述的图像处理装置，其中，
所述基准特性曲线数据以及所述对象特性曲线数据，是将以所述图像的关注区域的重心为中心的向量径上的像素值按每个向量径的旋转角度进行相加而得的向量径上的像素值数据。
3.根据权利要求1所述的图像处理装置，其中，
所述基准特性曲线数据以及所述对象特性曲线数据，是将以所述图像的关注区域的重心为中心的圆周上的像素值按每个半径进行相加而得的圆周上的像素值数据。
4.根据权利要求1所述的图像处理装置，其中，
所述基准特性曲线数据以及所述对象特性曲线数据，是将以所述图像的关注区域的重心为中心的椭圆圆周上的像素值按每个该椭圆的轴径进行相加而得的椭圆上的像素值数据。
5.根据权利要求1所述的图像处理装置，其中，
所述基准特性曲线数据，按有无造影剂而分别获取，且按不同所述部位及不同图像类别与处理算法建立对应地存储在所述存储部中。
6.根据权利要求1所述的图像处理装置，其中，
所述存储部，还将所述处理算法中利用的参数与所述基准特性曲线数据建立对应地进行存储。
7.根据权利要求1所述的图像处理装置，其中，
所述图像处理装置还具备显示部，该显示部基于所述比较部的比较结果，获取作为所述处理对象的图像的位置信息，并显示表示该位置信息的部位提示图像。
8.根据权利要求1所述的图像处理装置，其中，
所述比较部，针对包含作为对象的图像在内的一系列的剖面位置的图像，分别比较对象特性曲线数据与基准特性曲线数据。
9.根据权利要求1所述的图像处理装置，其中，
所述比较部，基于所述基准特性曲线数据与所述对象特性曲线数据之间的曲线间距离，求出所述相关。
10.根据权利要求1所述的图像处理装置，其中，
对作为所述对象的图像的像素值进行加权相加，或者对将该图像进行二值化得到的二值图像的像素值进行累计，从而计算出所述基准特性曲线数据及所述对象特性曲线数据。
11.根据权利要求1所述的图像处理装置，其中，
所述存储部，还将所述基准图像的解剖学特征和所述处理算法建立对应地进行存储，
所述选择部，在基于所述比较结果进行的选择之前，从作为所述处理对象的图像中提取所述解剖学特征，从所述存储部中选择与被提取出的所述解剖学特征一对一地建立了对应的所述处理算法。
12.根据权利要求11所述的图像处理装置，其中，
在根据所述解剖学特征而确定的部位被进一步细化为多个部位、或者被细化为多个图像类别的情况下，所述存储部，按每个被细化的不同部位或者不同图像类别，对所述基准特性曲线数据进行分组，并与相应的所述解剖学特征建立对应地进行存储，
所述选择部，在所述处理算法相对于从作为所述处理对象的图像中提取出的所述解剖学特征未一对一地建立对应的情况下，首先，从所述存储部中读出与该解剖学特征相符的组中所含的多个所述基准特性曲线数据，决定被读出的多个所述基准特性曲线数据中与所述对象特性曲线数据相关高的所述基准特性曲线数据，并从所述存储部中选择与被决定的所述基准特性曲线数据建立了对应的所述处理算法。
13.根据权利要求11所述的图像处理装置，其中，
所述解剖学特征是如下中的任一者：
在被检测体中央附近存在的骨区域的比例；
肺野区域相对于被检测体的面积的比例；或者
存在两个骨区域，且在该两个骨区域之间存在没有骨的区域。
14.一种图像处理方法，对医用图像应用规定的处理算法来进行图像处理，该图像处理方法包括：
存储步骤，针对作为基准的图像，计算以关注区域的任意点为中心来运算像素值所得的基准特性曲线数据，将该基准特性曲线数据与部位建立对应并预先进行存储；
计算步骤，针对作为处理对象的图像，计算以关注区域的任意点为中心来运算像素值所得的对象特性曲线数据；
比较步骤，对通过所述计算步骤计算出的对象特性曲线数据与在所述存储步骤中存储的基准特性曲线数据进行比较；
选择步骤，根据所述比较步骤中比较的结果，从所述存储步骤中选择与和所述对象特性曲线数据相关高的基准特性曲线数据建立对应地进行存储的处理算法；和
图像处理步骤，进行应用了与通过所述选择步骤选择出的部位相应的处理算法的图像处理。
CN201180057342.1A 2010-11-29 2011-11-24 图像处理装置及图像处理方法 Expired - Fee Related CN103228214B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
JP2010-264518 2010-11-29
JP2010264518 2010-11-29
JP2011-192501 2011-09-05
JP2011192501 2011-09-05
PCT/JP2011/076975 WO2012073769A1 (ja) 2010-11-29 2011-11-24 画像処理装置及び画像処理方法

Publications (2)

Publication Number Publication Date
CN103228214A true CN103228214A (zh) 2013-07-31
CN103228214B CN103228214B (zh) 2015-04-22

Family

ID=46171711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201180057342.1A Expired - Fee Related CN103228214B (zh) 2010-11-29 2011-11-24 图像处理装置及图像处理方法

Country Status (4)

Country Link
US (1) US8958616B2 (zh)
JP (1) JP5943353B2 (zh)
CN (1) CN103228214B (zh)
WO (1) WO2012073769A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107865657A (zh) * 2016-09-22 2018-04-03 西门子保健有限责任公司 自动选择用磁共振装置进行磁共振检查的测量程序的方法
CN110019891A (zh) * 2017-12-29 2019-07-16 浙江宇视科技有限公司 图像存储方法、图像检索方法及装置
CN110418607A (zh) * 2017-02-28 2019-11-05 株式会社岛津制作所 图像处理方法
CN113705330A (zh) * 2021-07-08 2021-11-26 厦门科路德科技有限公司 一种印章真伪识别方法、系统

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9330441B2 (en) * 2014-03-04 2016-05-03 Sap Se Automated selection of filter parameters for seismic analysis
JP6276102B2 (ja) * 2014-04-21 2018-02-07 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 画像処理装置、放射線断層撮影装置及びプログラム
JP7180123B2 (ja) * 2018-05-30 2022-11-30 大日本印刷株式会社 医用画像処理装置、医用画像処理方法、プログラム、及びデータ作成方法
US11328416B2 (en) * 2019-01-18 2022-05-10 The Regents Of The University Of California Method for identification and quantification of tissue calcification
JP7275669B2 (ja) * 2019-03-08 2023-05-18 大日本印刷株式会社 マスク生成装置、３次元再構成像生成装置、マスク生成方法、及びプログラム
JP7138869B2 (ja) * 2019-06-19 2022-09-20 国立大学法人信州大学 特徴量抽出装置、特徴量抽出方法、識別装置、識別方法及びプログラム
CN111553072B (zh) * 2020-04-27 2023-11-03 新奥数能科技有限公司 设备特性曲线的确定方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09299349A (ja) * 1996-05-16 1997-11-25 Ge Yokogawa Medical Syst Ltd 画像の対応付け方法、画像処理方法および医用画像診断装置
JP2001076141A (ja) * 1999-08-31 2001-03-23 Konica Corp 画像認識方法および画像処理装置
US20070269089A1 (en) * 2006-05-19 2007-11-22 Fujifilm Corporation Medical image part recognition apparatus and medical image part recognition program
CN101283362A (zh) * 2005-10-25 2008-10-08 布拉科成像S.P.A.公司 用于自动处理和评估图像、特别是诊断图像的方法和系统
WO2010013379A1 (ja) * 2008-07-28 2010-02-04 株式会社日立メディコ 画像処理装置および方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2473972B1 (en) * 2009-09-01 2019-11-06 Bracco Suisse SA Method for producing medical parametric images

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09299349A (ja) * 1996-05-16 1997-11-25 Ge Yokogawa Medical Syst Ltd 画像の対応付け方法、画像処理方法および医用画像診断装置
JP2001076141A (ja) * 1999-08-31 2001-03-23 Konica Corp 画像認識方法および画像処理装置
CN101283362A (zh) * 2005-10-25 2008-10-08 布拉科成像S.P.A.公司 用于自动处理和评估图像、特别是诊断图像的方法和系统
US20070269089A1 (en) * 2006-05-19 2007-11-22 Fujifilm Corporation Medical image part recognition apparatus and medical image part recognition program
WO2010013379A1 (ja) * 2008-07-28 2010-02-04 株式会社日立メディコ 画像処理装置および方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107865657A (zh) * 2016-09-22 2018-04-03 西门子保健有限责任公司 自动选择用磁共振装置进行磁共振检查的测量程序的方法
CN110418607A (zh) * 2017-02-28 2019-11-05 株式会社岛津制作所 图像处理方法
CN110418607B (zh) * 2017-02-28 2023-02-24 株式会社岛津制作所 图像处理方法
CN110019891A (zh) * 2017-12-29 2019-07-16 浙江宇视科技有限公司 图像存储方法、图像检索方法及装置
CN110019891B (zh) * 2017-12-29 2021-06-01 浙江宇视科技有限公司 图像存储方法、图像检索方法及装置
CN113705330A (zh) * 2021-07-08 2021-11-26 厦门科路德科技有限公司 一种印章真伪识别方法、系统
CN113705330B (zh) * 2021-07-08 2023-12-01 厦门科路德科技有限公司 一种印章真伪识别方法、系统

Also Published As

Publication number Publication date
US8958616B2 (en) 2015-02-17
US20130243288A1 (en) 2013-09-19
JPWO2012073769A1 (ja) 2014-05-19
JP5943353B2 (ja) 2016-07-05
CN103228214B (zh) 2015-04-22
WO2012073769A1 (ja) 2012-06-07

Similar Documents

Publication Publication Date Title
CN103228214A (zh) 图像处理装置及图像处理方法
US9792703B2 (en) Generating a synthetic two-dimensional mammogram
US8150132B2 (en) Image analysis apparatus, image analysis method, and computer-readable recording medium storing image analysis program
JP5868231B2 (ja) 医用画像診断支援装置、医用画像診断支援方法ならびにコンピュータプログラム
JP5954769B2 (ja) 医用画像処理装置、医用画像処理方法および異常検出プログラム
WO2018070285A1 (ja) 画像処理装置、及び画像処理方法
US8958614B2 (en) Image-based detection using hierarchical learning
JP5486197B2 (ja) 椎骨中心検出装置および方法並びにプログラム
JP5812841B2 (ja) 画像診断支援装置、画像診断支援方法、画像診断支援プログラム
US20130243285A1 (en) Medical image alignment apparatus, method, and program
WO2022088581A1 (zh) 图像检测模型的训练方法及相关装置、设备、存储介质
CN108830835A (zh) 识别脊柱矢状位图像异常的方法及计算设备
JP6643827B2 (ja) 画像処理装置、画像処理方法、及びプログラム
US9886755B2 (en) Image processing device, imaging system, and image processing program
Fick et al. Fully automatic brain tumor segmentation for 3D evaluation in augmented reality
JP6995535B2 (ja) 画像処理装置、画像処理方法およびプログラム
US7724930B2 (en) Systems and methods for automatic change quantification for medical decision support
US20190392552A1 (en) Spine image registration method
JP5599683B2 (ja) 医用画像処理装置、医用画像処理方法
US8644608B2 (en) Bone imagery segmentation method and apparatus
Dourthe et al. Automated segmentation of spinal muscles from upright open MRI using a multiscale pyramid 2D convolutional neural network
US9286688B2 (en) Automatic segmentation of articulated structures
Plankis et al. Computer-aided detection of interstitial lung diseases: A texture approach
JP6827707B2 (ja) 情報処理装置および情報処理システム
Liu et al. Kinect-based gesture recognition for touchless visualization of medical images

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20170316

Address after: Tokyo, Japan, Japan

Patentee after: Hitachi Ltd.

Address before: Japan Tokyo Chiyoda District Kanda four chome 14 No. 1 101-0021

Patentee before: Hitachi Medical Corporation

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20150422

Termination date: 20171124