DE69031523T2

DE69031523T2 - Digitales Bildanzeigegerät

Info

Publication number: DE69031523T2
Application number: DE69031523T
Authority: DE
Inventors: Akinami Ohhashi
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 1989-07-19
Filing date: 1990-07-18
Publication date: 1998-05-14
Anticipated expiration: 2010-07-19
Also published as: EP0409206A2; EP0409206A3; EP0409206B1; US5305204A; DE69031523D1

Description

Die vorliegende Erfindung bezieht sich auf ein digitales Bildarzeigegerät zum Anzeigen eines Bilds unter Umwandlung eines Bildelementwerts von digitalen Bilddaten in eine Helligkeit mit Hilfe eines Anzeigefensters, bei dem ein Fensterpegel und eine Fensterbreite in geeigneter Weise als Parameter, die die Umwandlung des Bildelementwerts in die Helligkeit betreffen, das heißt das Anzeigefenster betreffen, in Abhängigkeit von charakteristischen Merkmalen der digitalen Buddaten eingestellt werden können.
Ein Beispiel für ein Bildanzeigegerät einer solchen Ausfüiirungsform ist ein Gerät, das zum Anzeigen eines medizinischen Bilds wie etwa eines Computertomogramms oder eines Magnetresonanz-Bilds (MR-Bild) dient. Wenn die medizinischen Bilddaten derart anzuzeigen sind, daß sie betrachtet oder auf einem Film als ein Bild aufgenommen werden können, muß jeder Bildelementwert der Bilddaten mit einer vorbestimmten nicht linearen Umwandlungsfunktion in eine Helligkeit umgewandelt werden. Die Umwandlungsfunktion ist nicht linear, da der dynamische Bereich des medizinischen Bilds breiter ist als derjenige eines Anzeigebildschirms. Falls alle Bildelementwerte, die in dem Bildelementbereich der digitalen Bilddaten enthalten sind, in eine Helligkeit unter Einsatz einer linearen Umwandlungsfunktion umgewandelt werden, kann kein klares Bild angezeigt werden. Diese Umwandlungsfunktion wird als das Anzeigefenster bezeichnet, das den Fensterpegel und die Fensterbreite als Parameter aufweist.
In einem herkömmlichen System stellt ein Benutzer den Fensterpegel und die Fensterbreite manuell ein, während er das auf dem Bildschirm angezeigte Bild betrachtet, und stellt dasjenige Anzeigefenster (Umwandlungsfunktion) ein, das die Anzeige eines notwendigen Abschnitts in dem Bild mit einem optimalen Kontrast und optimaler Helligkeit ermöglicht. Dieser Vorgang wird zu einer Belastung für den Benutzer, wenn der Benutzer den Fensterpegel und die Breite jeweils für eine Anzahl von Bildern einstellt.
In einem mit Magnetresonanz arbeitenden Gerät oder einem computertomographischen Gerät wird daher versucht, Standardwerte für den Fensterpegel und für die Fensterbreite für jede Abtastbedingung vorab festzulegen und die entsprechenden, vorab eingestellten Standardwerte in Abhängigkeit von dem Abtastzustand bei jeder Abtastung auszulesen, um hierdurch den Fensterpegel und die Fensterbreite automatisch einzustellen.
Es ist weiterhin vorgeschlagen worden, das Anzeigefenster in Abhängigkeit von den charakteristischen Merkmalen der Bilddaten einzustellen. Ein Beispiel für ein solches Gerät ist das Bildanzeigegerät, das in der japanischen Patentoffenbarung Nr.63-84526 offenbart ist. Dieses Gerät bildet ein Histogramm, wie dies in Fig. 1A gezeigt ist, bezüglich eines Bildelementwerts anhand der Bilddaten und berechnet einen Schwellenwert Th anhand der maximalen Frequenz Hmax zum Beispiel 0,05 x Hmax, wodurch ein Bereich (Wl bis Wh) festgelegt wird, der eine Frequenz mit dem Pegel Th oder mehr aufweist. Das Gerät legt die Fensterbreite WW (Wl bis Wh) und den Fensterpegel WL (= (Wh + Wl)/2) für die Anzeige des Bilds aufgrund der unteren Bildelementwertgrenze we und der oberen Bildelementwertgrenze Wh fest, wie es in Fig. 1B gezeigt ist, wodurch die Umwandlungsfunktion oder das Anzeigefenster für die Umwandlung der Bildelementwerte in die Helligkeit erzeugt wird.
Bei dieser herkömmlichen Ausgestaltung tritt jedoch das nachstehend angegebene Problem auf. Da nämlich das Anzeigefenster auf der Grundlage lediglich des Schwellwerts eingestellt wird, der anhand der maximalen Frequenz bzw. Häufigkeit in dem Histogramm erhalten wird, fällt es oftmals nicht mit einem Anzeigefenster zusammen, das durch einen Benutzer eingestellt wird. Falls das automatisch eingestellte Fenster für die Beobachtung nicht geeignet ist, muß der Benutzer das automatisch eingestellte Fenster justieren, was zu einem mühseligen Vorgang flihrt.
In der EP-0 312 596 A ist ein digitales Bildanzeigegerät offenbart, bei dem auf der Grundlage von Histogrammdaten lediglich eine Bildqualität berechnet wird. Im einzelnen wird der Fensterpegel eines Anzeigefensters auf der Grundlage des ungefähren Mittelwerts der Bildelementdaten gebildet. Auf der Grundlage des erhaltenen Fensterpegels wird die Fensterbreite berechnet.
Es ist eine Aufgabe der vorliegenden Erfindung, ein digitales Bildanzeigegerät zu schaffen, das einen Bildelementwert von digitalen Buddaten in eine Helligkeit unter Verwendung einer geeigneten Umwandlungsfunktion umwandeln kann, um hierdurch ein klares Bild anzuzeigen.
Ein in Übereinstimmung mit der vorliegenden Erfindung stehendes digitales Bildanzeigegerat weist die im Patentanspruch 1 oder 11 definierten Merkmale auf. Weitere Merkmale sind in den Unteransprüchen definiert.
In Übereinstimmung mit der vorliegenden Erfindung wird die Bildqualität, die die Klarheit des Anzeigebilds indexförmig angibt, definiert, und es wird das Anzeigefenster unter Heranziehung dieser Bildqualität festgelegt. Daher kann ein Anzeigefenster, das zu einem klaren Bild führt, in einfacher Weise eingestellt werden.
Zusätzliche Aufgaben und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung und sind auch teilweise aus der Beschreibung ersichtlich, oder lassen sich durch praktische Anwendung der Erfindung in Erfahrung bringen. Die Aufgaben und Vorteile der Erfmdung können mit Hilfe der Merkmale und Kombinationen, die insbesondere in den beigefügten Ansprüchen dargelegt sind, realisiert und erhalten werden.
Diese Erfindung läßt sich anhand der nachfolgenden detaillierten Beschreibung in Verbindung mit den beigefügten Zeichnungen noch besser verstehen:
Fig. 1A und iB zeigen graphische Darstellungen, in denen ein Prinzip der herkömmlichen, automatischen Einstellung eines Fensters veranschaulicht ist,
Fig. 2 zeigt ein Blockschaltbild, in dem ein erstes Ausführungsbeispiel eines digitalen, in Übereinstimmung mit der vorliegenden Erfindung stehenden Bildanzeigegeräts dargestellt ist,
Fig. 3 zeigt ein Ablaufdiagramm, in dem eine schematische Arbeitsweise des ersten Ausführungsbeispiels veranschaulicht ist,
Fig 4. zeigt ein Histogramm aus Bildelementwerten, das bei dem ersten Ausführungsbeispiel erzeugt wird,
Fig. 5 zeigt eine Beziehung zwischen dem Bildelementwert und der Helligkeit des Bilds, das durch ein gegebenes Anzeigefenster dargestellt wird,
Fig. 6 zeigt eine Bewertungsfunktion, die einen Helligkeitswert MVPG betrifft, der dem Bildelementwert MVP als ein erster Schätzwert entspricht, der zur Berechnung einer Bildqualität bei dem ersten Ausführungsbeispiel heranzuziehen ist,
Fig. 7 zeigt ein Ablaufdiagramm, in dem die Verarbeitung zur Berechnung eines optimalen Anzeigebilds anhand der Bildqualität bei dem ersten Ausführungsbeispiel veranschaulicht ist, wobei hierbei eine Hügelanstiegsmethode eingesetzt wird,
Fig. 8 zeigt eine Darstellung, in der eine Anderung des Anzeigefensters dargestellt ist, die dazu dient, die Änderung der Bildqualität in Abhängigkeit von der Änderung des Anzeigefensters anhand des in Fig. 7 dargestellten Ablaufdiagramms zu erfassen,
Fig. 9 zeigt eine graphische Darstellung, in der das Prinzip der Hügelanstiegsmethode veranschaulicht ist,
Fig. 10 zeigt ein Blockschaltblld, in dem ein zweites Ausführungsbeispiel eines digitalen Bildanzeigegeräts gemäß der vorliegenden Erfindung dargestellt ist,
Fig. 11 zeigt ein Ablaufdiagramm, in dem ein schematischer Betrieb des zweiten Ausführungsbeispiels veranschaulicht ist,
Fig. 12 zeigt ein Ablaufdiagramm, das die Verarbeitung zur Berechnung eines optimalen Anzeigefensters bei dem Ablaufdiagramm, das in Fig. 11 dargestellt ist, in Einzelheiten veranschaulicht,
Fig. 13 zeigt ein Blockschaltbild, in dem eine Ausgestaltung eines neuronalen (neuralen) Netzwerks bei dem zweiten Ausführungsbeispiel dargestellt ist,
Fig. 14 zeigt ein Ablaufdiagramm, in dem die Verarbeitung zur Berechnung der Bildqualität bei dem Ablaufdiagramm, der in Fig. 12 dargestellt ist, in Einzelheiten gezeigt ist,
Fig. 15 zeigt eine Ansicht, die das Lernen von Daten bei dem neuronalen Netzwerk gemäß dem zweiten Ausführungsbeispiel veranschaulicht,
Fig. 16 zeigt ein Blockschaltblld, in dem ein drittes Ausführungsbeispiel eines in Übereinstimmung mit der vorliegenden Erfmdung stehenden, digitalen Bildanzeigegeräts dargestellt ist,
Fig. 17 zeigt ein Ablaufdiagramm, in dem ein schematischer Betrieb des dritten Ausführungsbeispiels veranschaulicht ist,
Fig. 18 zeigt ein Histogramm aus Bildelementwerten, das bei dem dritten Ausführungsbeispiel erzeugt wird,
Fig. 19 zeigt eine Prinzip einer Spitzenwerterfassung,
Fig. 20 zeigt die Wichtigkeit des Spitzenwerts,
Fig. 21 zeigt ein Ablaufdiagramm, in dem die Verarbeitung zur Ermittlung eines Anzeigefensters bei dem dritten Ausführungsbeispiel dargestellt ist, Fig. 22 zeigt ein Ablaufdiagramm, in dem die Anzeige von Buddaten bei dem dritten Ausführungsbeispiel dargestellt ist,
Fig. 23 zeigt ein Ablaufdiagramm, in dem ein Prinzip eines vierten Ausführungsbeispiels des in Übereinstimmung mit der vorliegenden Erfmdung stehenden, digitalen Bildanzeigegeräts dargestellt ist,
Fig. 24 zeigt eine Kontrastskala,
Fig. 25 zeigt einen Ablauf, in dem eine schematische Betriebsweise des vierten Ausführungsbeispiels dargestellt ist,
Fig. 26 zeigt ein neuronales (neurales) Netzwerk, das in einem digitalen Bildanzeigegerät gemäß einem fünften Ausführungsbeispiel gemäß der vorliegenden Erfindung enthalten ist,
Fig. 27 zeigt ein Ablaufdiagramm, in dem eine schematische Betriebsweise des fünften Ausführungsbeispiels dargestellt ist,
Fig. 28 zeigt eine Tabelle des Endzustands bzw. der Endbedingung γ T,
Fig. 29 zeigt ein Ablaufdiagramm, in dem eine Verarbeitung zur Berechnung der Bildqualität bei dem fünften Ausführungsbeispiel dargestellt ist,
Fig. 30 zeigt das Lernen von Daten bei einem neuronalen Netzwerk einer zweiten Stufe bzw. eines zweistufigen neuronalen Netzwerks bei dem fünften Ausführungsbeispiel,
Fig. 31 zeigt eine Beziehung zwischen einem Bewertungswert und einem Bewertungsergebnis seitens des Benutzers, die zur Bewertung des gemäß der vorliegenden Erfindung eingestellten Anzeigefensters dient, und
Fig. 32 zeigt eine Beziehung zwischen einem Bewertungswert und der Bildqualität
Ausführungsbeispiele eines digitalen Bildgabegeräts gemäß der vorliegenden Erfindung werden unter Bezugnahme auf die beigefügten Zeichnungen beschrieben. Fig. 2 zeigt ein Blockschaltbiid, in dem eine Ausgestaltung eines ersten Ausführungsbeispiels der vorliegenden Erfindung dargestellt ist. Unter Bezugnahme auf Fig. 2 werden digitalen Bilddaten, die beispielsweise einem Magnetresonanzbild oder einem computertomographischen Bild entsprechen, in einem Bildspeicher 1 gespeichert. Das in dem Speicher 1 gespeicherte Bild wird auf einer Anzeige 4 angezeigt. Die Anzeige ist mit einem Fensterschalter 3 zur manuellen Einstellung des Fensterpegels und der Fensterbreite sowie mit einer Fenstersteuereinrichtung 2 verbunden, die zum Empfangen der Bilddaten von dem Speichern 1 zur automatischen Einstellung des Fensterpegeis dient, und es wird das Anzeigefenster sowohi durch den Fensterschalter 3 manuell eingestellt als auch automatisch durch die Fenstersteuereinrichtung 2 in Abhängigkeit von den Eigenschaften der jeweils anzuzeigenden Bilddaten eingestellt.
Eine Arbeitsweise des ersten Ausführungsbeispiels wird nachfolgend beschrieben. Fig. 3 zeigt ein Ablaufdiagramm, in dem eine schematische Betriebsweise der Fenstersteuereinrichtung 2 dargestellt ist. Bei einem Schritt #110 wird ein Rahmen der Bilddaten bzw. ein Einzelbild aus dem Bildspeicher 1 ausgelesen. Diese Bilddaten werden einer Anzeige 4 zugeführt. Die digitalen Bilddaten enthalten eine Vielzahl von Bildelementen (Pixeln), die jeweils einen Bildelementwert aufweisen, der durch die digitalen Daten repräsentiert ist. Die Bildelementwerte der Buddaten werden in eine Helligkeit umgewandelt und es wird das Bild auf der Anzeige 4 in Abhängigkeit von der Helligkeit angezeigt. Eine Funktion, die zur Umwandlung des Bildelementwerts in die Helligkeit eingesetzt wird, wird als das Anzeigefenster bezeichnet, das die Anzeigebreite und den Anzeigepegel als Parameter enthält. Daher werden dieselben Bilddaten mit einer unterschiedlichen Helligkeit und einem unterschiedlichen Kontrast dargestellt, wenn sich das Anzeigefenster ändert. Bei einem Schritt #120 wird ein Histogramm aus den Bilddaten erzeugt, wobei das Histogramm die Frequenz bzw. Häufigkeit von Bildelementwerten angibt, die in den ausgelesenen Bilddaten enthalten sind. Bei einem Schritt #130 werden Kandidatenwerte für den Fensterpegel und die Fensterbreite festgelegt. Bei einem Schritt #140 wird eine Bildqualität berechnet, die einen Index für die Klarheit des auf der Anzeige 4 dargestellten Bilds repräsentiert, berechnet, und die vorzugsweise die Klarheit eines spezifischen, zu betrachtenden Abschnitts des Bilds angibt, wenn die Bilddaten mit einem gegebenen Fensterpegel und einer gegebenen Fensterbreite dargestellt werden.
Bei einem Schritt #150 werden entweder der Fensterpegel WL oder die Fensterbreite WW, oder diese beiden Größen um ± Δ WW geändert. Die Größe der Anderung ist nicht auf diesen Wert beschränkt. Bei einem Schritt #160 wird die Bildqualität berechnet, die erzielt wird, wenn die Bilddaten auf der Grundlage des geänderten Fensterpegels und der geänderten Breite angezeigt werden. Bei einem Schritt #170 wird die Bildqualität, die durch den bei dein Schritt #140 berechneten Kandidaten für das Anzeigefenster erhalten wird, mit derjenigen Bildqualität verglichen, die auf der Grundlage des Anzeigefensters, das gegenüber dem Kandidaten um ± Δ WW verschoben ist, erhalten wird und in dem Schritt #160 berechnet worden ist. Die Kandidatenwerte für den Fensterpegel und die Breite werden um 1 Δ WW geändert, oder es wird die Größe der Änderung verringert, und zwar in Abhängigkeit von einer Differenz zwischen diesen beiden Bildqualitäten. Diese Verarbeitung wird wiederholt durchgeführt, während Δ WW verringert wird, und zwar solange, bis die Bildqualität, die auf der Grundlage des Kandidaten für das Anzeigefenster erzielt wird, maximal wird. Der Kandidat für das Anzeigefenster, der der maximalen Bildqualität entspricht, stellt ein optimales Anzeigefenster dar. Dies bedeutet, daß das optimale Anzeigefenster anhand der Hügelanstiegsmethode bzw. der Approximationsmethode ermittelt wird. Auf diese Weise kann das optimale Anzeigefenster automatisch in Abhängigkeit von dem Gesamtmerkmal des Histogramms jedes Bilds berechnet werden. Falls das Bild, das durch das seitens der Fenstersteuereinrichtung 2 berechneten Anzeigefensters angezeigt wird, nicht klar ist, kann ein Benutzer den Fensterpegel und die Fensterbreite unter Verwendung des Fensterschalters 3 fein einjustieren.
Jeder der in Fig 3 gezeigten Schritte wird nachstehend in Einzelheiten erläutert. Fig. 4 zeigt ein Beispiel für das Histogramm, das bei dem Schritt #120 erzeugt wird, wobei angenommen ist, daß das digitale Bild durch ein Magnetresonanzbild (Kernspinresonanzbild) gebildet ist. Hierbei ist der Teilungsabstand des Histogramms auf einen Bildelementwert (Wert des Magnetresonanz-Bilds) eingestellt. Jedoch kann der Teilungsabstand bzw. die Schrittweite auch frei eingestellt werden, zum Beispiel auf vier Magnetresonanzbild- Werte. Da das in Fig. 4 dargestellte Histogramm direkt aus den Bilddaten erhalten wird und einen Hintergrundabschnitt einschließt, wird dieser Hintergrundabschnitt vorzugsweise aus dem Histogramm entfernt. Im allgemeinen weist bei einem Magnetresonanzbild eines menschlichen Körpers ein Teil des Bilds, der einem Abschnitt außerhalb des Körpers entspricht, einen kleinen und im wesentlichen konstanten Magnetresonanzbildwert auf und muß nicht betrachtet werden. Daher wird zunächst ein Magnetresonanzbildwert "A" berechnet, der an einer Grenze zwischen dem Hintergrundabschnitt H und einem Abschnitt in dem menschlichen Körper in dem Histogramm entspricht. Zu diesem Zweck wird eine Spitzenfrequenz bzw. Spitzenwerthäufigkeit Hmax des Histogranuns innerhalb eines vorbestimmten Bereichs ausgehend von einem minimalen Magnetresonanzbildwert berechnet. Wenn angenommen wird, daß der Magnetresonanzbildwert bei der Spitze Hmax = h ist, ist der Spitzenpunkt durch (h, Hmax) repräsentiert. Es werden mehrere Punkte, zum Beispiel fünf Punkte (h + pH, H1), (h + 2 x pH, H2), (h + 3 x pH, H3), (h + 4 x pH, H4), und (h + 5 x pH, H5), ermittelt. Hierbei bezeichnet pH einen Teilungsabstand bzw. eine Schrittweite des Histogramms. Eine Linie ln, die diese Punkte verbindet, wird nach dem Verfahren der kleinsten Quadrate berechnet. Ein Magnetresonanzbildwert an einer Schnitt stelle zwischen der Linie Ln und einer Achse des Histogramms, die die Frequenz von Null angibt, wird berechnet und als der Wert "A" defihiert, und es wird ein Abschnitt, der kleinere Magnetresonanzbildwerte als der Magnetresonanzbildwert "A" enthält, als der Hintergrund H festgelegt. Diese Verarbeitungsvorgänge werden bei dem Schritt #120 ausgeführt.
Die Bildqualität, die bei dem Schritt #140 berechnet wird, wird nun beschrieben. In diesem Fall wird die in folgender Weise definierte Bildqualität Q berechnet:
Hierbei bezeichnet Vn einen Schätzwert eines Merkmals bzw. eines Laufwerts n (n = 1 bis k), und Wn den Gewichtskoeffizienten des Schätzmerkmals n. Der Gewichtskoeffizient Wn repräsentiert ein empirisch ermitteltes Korrelationsverhältnis des Schätzmerkmals n mit Bezug zu der Bildqualität Q, wie etwa W1 = 5, W2 = 4, W3 = 3, W4 = 2 und W5 = 2. Der Schätzwert Vn wird mit Hilfe einer Schätz- bzw. Bewertungsfunktion Fn erhalten, die für jedes Bewertungsmerkmal bzw. Schätzmerkmal definiert ist. Es ist in manchen Fällen schwierig, die optimalen Werte Wn und Fn anfänglich festzulegen. In diesem Fall kann ein Benutzer diese Werte unter Beobachtung des Anzeigebilds mit Hilfe des Anzeigefensters so einstellen, daß sie optimal sind.
Auch wenn das Schätzmerkmal einen Helligkeitswert, einen Kontrast, eine Helligkeitsbalance und dergleichen enthält, wird eine Bewertungsfunktion bzw. Schätzungsfunktion fl nachstehend beschrieben, die einen Helligkeitswert betrifft, der einem Bildelementwert MVP entspricht. In diesem Fall ist V1 = F1 (MVP).
Wie in Fig. 5 gezeigt ist, wird jeder Magnetresonanzbildwert der Bilddaten in eine Helligkeit umgewandelt, die sich innerhalb der Fensterbreite WW kontinuierlich ändert. Es ist anzumerken, daß alle Magnetresonanzbildwerte unterhalb von WL - (WW/2) am dunkelsten dargestellt werden, und alle Magnetresonanzbildwerte oberhalb von WL + (WW/2) am hellsten angezeigt werden. Unter Bezugnahme auf Fig. 5 wird die Helligkeit (256 Gradationsstufen) als ein Wert ausgedrückt, der sich kontinuierlich und linear zwischen den Graustufenwerten 0,5 bis 16,5 ändert, die auf der Ordinate aus Zweckmäßigkeitsgründen dargestellt sind. Wenn angenommen wird, daß der Magnetresonanzbildwert gleich X ist und daß der Graustufenwert gleich Y ist, sind X und Y für einen geraden Abschnitt innerhalb der Fensterbreite WW in folgender Weise gegeben:
Y =8,5 + 16 x (X - WL)/WW ...(2)
X = WL + WW x (Y - 8,5)/16 ... (3)
Der Bildelementwert MVP wird als der Magnetresonanzbildwert des am meisten gewünschten Abschnitts innerhalb eines Einzelbilds des Bilds definiert. Der Wert MVP ist nämlich der Magnetresonanzbildwert bei einem Spitzenwert P in einem Abschnitt des Histogranmis, das die Magnetresonanzbildwert größer als "A" enthält (Fig. 4). Dies liegt daran, daß angenommen wird, daß das gesamte Bild klar gesehen werden kann, wenn das Bild so angezeigt wird, daß der Magnetresonanzbildwert, der die höchste Frequenz bzw. höchste Häufigkeit aufweist, klar ersichtlich ist. In diesem Fall wird die Helligkeit für ein klares Bild empirisch als geringfügig höher als die mittlere Helligkeit eingestuft. Daher wird die Bewertungsfünktion F1 in einer solchen Weise eingestellt, daß der Schätzwert V1 maximiert ist, wenn der Helligkeitspegel (Grauskala), der dem Wert MVP entspricht, gleich 10 ist, und wird verringert, wenn die Helligkeit, die dem Wert MVP entspricht, eine größere Differenz gegenüber bzw. als 10 aufweist. Die Bewertungsfunktion ist nicht linear defmiert, sondern nichtlinear festgelegt, da die menschlichen Sinne ähnlich wie eine Mitgliedsfuriktion eingestuft werden, die bei der Fuzzy-Theorie eingesetzt wird. Fig. 6 zeigt ein Beispiel für die Bewertungsfunktion F1. In Fig. 6 zeigt die Ordinate einen Funktionswert F1 an, und es gibt die Abszisse den Helligkeitswert MVPG an, der dem Wert MVP entspricht.
Andere Bewertungsfunktionen sind in gleichartiger Weise eingestellt. Bei diesem Ausführungsbeispiel ist die Gesamtheit von fünf Bewertungsmerkmalen eingestellt. Das zweite Merkmal ist der Helligkeitswert, der dem Wert MRI "A" entspricht. Da die Magnetresonanzwerte, die kleiner sind als der Wert "A", dem Hintergrund H entsprechen, sind sie vorzugsweise dunkel. Daher wird eine Bewertungsfunktion F2 derart defmiert, daß ein Funktionswert V2 maximiert ist, wenn der Helligkeitswert, der dem Magnetresonanzbildwert "A" entspricht, gleich 0,5 ist, und wird verringert, wenn der Helligkeitswert, der dem Magnetresonanzbildwert "A" entspricht, vergrößert ist.
Das dritte Merkmal ist eine Fläche eines Abschnitts des Bilds, der einen Helligkeitswert von 12 aufweist. Der Abschnitt des Helligkeitswerts 12 wird als ein Abschnitt angenommen, der Helligkeitswerte von 11,5 bis 12,5 gemäß Fig. 5 aufweist. Wenn in die Glei chung (3) Y = 11,5 bis 12,5 eingesetzt wird, läßt sich daher ein Bereich für den Magnetresonanzbildwert X&sub1;&sub2;, der dem Helligkeitswert 12 in dem Histogramm entspricht, in folgender Weise darstellen:
X&sub1;&sub2; = (3 x WW/16) + WL bis (WW/4) + WL ... (4)
Die Fläche, die dem Helligkeitswert 12 entspricht, ist daher die Fläche des Histogramms, das die Bildelementwerte enthält, die in den Bereich der Gleichung (4) fallen.
Das vierte Merkmal ist eine Fläche eines Abschnitts, der den höchsten Helligkeitspegel in einem Bild aufweist. In Fig. 5 ist der höchste Helligkeitspegel gleich 16,5. Wenn daher Y = 16,5 in die Gleichung (3) eingesetzt wird, ist ein Magnetresonanzbildwert X16,5, der dem Helligkeitswert 16,5 in dem Histogramm entspricht, in folgender Weise repräsentiert:
X16,5 = (WW/2) + WL ... (5)
Die Fläche, die dem Helligkeitspegel 16,5 entspricht, ist daher die Fläche des Histogramms, die Bildelementwerte enthält, die größer sind als der Wert der Gleichung (5).
Das fünfte Merkmal ist eine Helligkeitsbalance, die in folgender Weise defmiert ist:
Helligkeitsbalance = (Fläche, die die Helligkeitswerte von 4 bis 8 enthält)/(Fläche, die die Helligkeitswerte von 9 bis 13 enthält) ... (6)
Jede Fläche des Zählers und des Nenners der Gleichung (6) kann in gleichartiger Weise wie das dritte und das vierte Merkmal erhalten werden.
Nachfolgend wird die Verarbeitung bei dem Schritt #170 beschrieben, der zur Festlegung des optimalen Anzeigefensters dient. Fig. 7 zeigt ein Ablaufdiagramm, in dem dieser Vorgang in Einzelheiten dargestellt ist. Bei einem Schritt #210 werden anfängliche Werte WLo und WWo des Fensterpegels und der Fensterbreite berechnet. Diese anfänglichen Werte sind die ersten Kandidaten für den Fensterpegel und die Fensterbreite. Diese anfänglichen Werte werden so eingestellt, daß WLo = MPV erfüllt ist, so daß der Wert MVP in der Mitte der Fensterbreite angeordnet ist, wie es in Fig. 4 gezeigt ist, und daß WWo = 2 x (MPV - A) erfüllt ist, so daß der Wert "A" mit der unteren Grenze der Fensterbreite zusammenfällt, so daß das gesamte Bild mit Ausnahme des Hintergrunds H klar gesehen werden kann. Bei einem Schritt #220 werden die vorstehend angegebenen anfänglichen Werte als die Kandidatenwerte WLc und WWc für den Fensterpegel und die Fensterbreite eingestellt (WLc = WLo, und WWc = WWo). Bei einem Schritt #230 wird WWo/2 als ein anfänglicher Wert für eine Änderungsbreite Δ WW für das Anzeigefenster für eine Hügelanstiegsmethode eingestellt, die im weiteren Text beschrieben wird.
Bei einem Schritt #240 werden eine Bildqualität Qc eines Bilds, das angezeigt wird, wenn der Fensterpegel und die Fensterbreite so eingestellt sind, daß sie gleich groß WLc und WWC sind, und die Bildqualitäten Qd1 und Qd8 von Bildern, die angezeigt werden, wenn der Fensterpegel oder die Fensterbreite oder diese beiden Größen um Δ WW geändert werden, wie es in Fig. 8 gezeigt ist, in Übereinstimmung mit der Gleichung (1) berechnet. In diesem Fall wird die Bildqualität Qd1 bei einem Fensterpegel WLc + Δ WW und einer Fensterbreite WWc erzielt, die Bildqualität Qd2 bei einem Fensterpegel WLc + Δ WW und einer Fensterbreite WWc + Δ WW erhalten, die Bildqualität Qd3 durch den Fen sterpegel WLc und die Fensterbreite WWC + Δ WW erzielt, die Bildqualität Qd4 bei einem Fensterpegel WLc - Δ WW und einer Fensterbreite WWc + Δ WW erhalten, die Bildqualität Qd5 bei einem Fensterpegel WLc - Δ WW und einer Fensterbreite WWc erhalten, die Bildqualität Qd6 bei dem Fensterpegel WLc - Δ WW und einer Fensterbreite WWc - Δ WW erzielt, die Bildqualität Qd7 bei einem Fensterpegel WLc und einer Fensterbreite WWc - Δ WW erhalten und Bildqualität Qd8 bei dem Fensterpegel WLc + Δ WW und einer Fensterbreite WWC - Δ WW erhalten. Es ist nicht notwendig, die Größe der Anderung des Fensterpegeis gleich groß auszulegen wie diejenige der Fensterbreite. Als Beispiel ist es möglich, Qd1 bis Qd8 jeweils bei folgenden Werten zu ermitteln (WLc + Δ WW, WWc), (WLc + Δ WW/2, WWc + Δ WW), (WLc, WWc + 2 x Δ WW), (WLc - Δ WW/2, WWc + Δ WW), (WLc - Δ WW, WWc), (WLc - Δ WW/2, WWc - Δ WW), (WLc, WWc -2 x Δ WW), (WLc + Δ WW/2, WWc - Δ WW).
Bei einem Schritt #250 wird die maximale Bildqualität Qd aus den Bildqualitäten Qd1 bis Qd8 erfaßt, und es werden der Fensterpegel WL und die Fensterbreite WW, die der erfaßten Bildqualität Qd entsprechen, jeweils als WLd bzw. WWd erfaßt. Bei einem Schritt #260 wird die Bildqualität Qc der Kandidatenwerte des Anzeigefensters mit der Bildqualität Qd desjenigen Anzeigefensters verglichen, das gegenüber den Kandidatenwerten geringfügig verschoben ist, um zu überprüfen, ob Qc kleiner ist als Qd. Falls sich bei dem Schritt #260 das Ergebnis ja gibt, sind die Werte des Anzeigefensters, das der Bildqualität Qd entspricht, geeigneter als die Kandidatenwerte für das Anzeigefenster. Daher werden bei einem Schritt #270 WLc = WLd, WWc = WWd und Qc = Qd festgelegt. Dies entspricht im wesentlichen einer Vorgehensweise, bei der die Kandidatenwerte für den Fensterpegel und die Fensterbreite auf diejenigen Werte geändert werden, die der Bildqualität Qd entsprechen, wie es in Fig. 9 gezeigt ist. Die Größe der Änderung Δ WW wird bei einem Schritt #280 mit β multipliziert, und es kehrt der Ablauf zu dem Schritt #240 zurück. In diesem Fall ist β eine Konstante, die die Bedingung 1 < β erfüllt, so daß die Größe der Änderung erhöht wird.
Falls sich bei dem Schritt #260 das Ergebnis nein ergibt, wird festgelegt, daß die Kandidatenwerte geeignet sind. Um die Größe der Änderung bei der Wiederholung der vorstehend angegebenen Beurteilung zu verringern, wird daher die Größe der Änderung Δ WW bei einem Schritt #220 mit α multipliziert. In diesem Fall ist α eine Konstante, die die Bedingungen 0 < α < 1 und 0 < α x β < 1 erfüllt. Bei einem Schritt #300 wird überprüft, ob Δ WW ≥ γ. In diesem Fall ist γ eine Konstante, die zur Ermittlung des Endes der Verarbeitung dient. Falls sich bei dem Schritt #300 das Ergebnis ja ergibt, kehrt der Ablauf zu dem Schritt #240 zurück, um die Bildqualität auf der Grundlage der Kandidatenwerte sowie die Bildqualitäten auf der Grundlage der acht Fenster um den Kandidaten herum zu berechnen, wie es in Fig. 8 gezeigt ist. Falls sich bei dem Schritt #300 das Ergebnis nein einstellt, werden die aktuellen Kandidatenwerte WLc und WWc als letzt endlich erzielte, geeignete Fensterpegel und -Breite WL und WW festgelegt, und es wird die Verarbeitung beendet.
In Übereinstimmung mit dem ersten, vorstehend beschriebenen Ausführungsbeispiel wird ein Index, der die Klarheit des Anzeigefensters, die dem menschlichen Sinn genüge tut, angibt, als die Bildqualität in Abhängigkeit von den verschiedenen Bewertungsmerkmalen definiert, die anhand des Histogramms aus den Bildelementwerten der Bilddaten erhalten worden sind, und es wird die Bildqualität, die auf der Basis des Kandidaten für das Anzeigefenster erzielt worden ist, mit der Bildqualität verglichen, die auf der Basis des Fensterpegels und einer Fensterbreite erhalten werden, die gegenüber den Kandidatenwerten geringfügig verschoben sind. In Abhängigkeit von dem Vergleichsergebnis wird dieser Vergleich durchgeführt, während die Kandidatenwerte verschoben werden, und es wird die Größe der Verschiebung allmählich verringert, wodurch ein optimales Anzeigefenster anhand der sogenannten Hügelanstiegsmethode ("hill climbing method") unter Verwendung der Bildqualität festgelegt wird. Daher kann ein optimales Anzeigefenster leicht für jedes Bild erzielt werden. Als Ergebnis kann eine Belastung für den Benutzer verringert werden.
Auch wenn die Bewertungsfünktion und der Gewichtskoeffizient bei dem vorstehend angegebenen Ausführungsbeispiel manuell eingestellt und festgelegt werden, können diese Werte auch automatisch festgelegt werden. Zum Beispiel kann der Gewichtskoeffizient Wn in folgender Weise eingestellt werden. Wenn angenommen wird, daß die Anzahl von Merkmalen gleich 5 ist und daß Wn eine ganze Zahl von 1 bis 5 ist, können in diesem Fall 3125 (5&sup5;) Kombinationen für W1 bis W5 festgelegt werden. Eine Mehrzahl von Standardbildern, zum Beispiel 10 Standardbilder werden angezeigt, und es werden der Fensterpegel und die Fensterbreite, die durch einen erfahrenen Benutzer eingestellt werden (einem Radiologen, wenn das Bild ein Magnetresonanzbild bzw. Kernspinresonsanzbild ist), für jedes Bild gespeichert. Anzeigefenster, die den 3125 Kombinationen aus W1 bis W5 entsprechen, werden mit dem Anzeigefenster verglichen, das durch den erfahrenen Benutzer eingestellt wurde, und es werden diejenigen Werte, die dem nächsten Anzeigefenster entsprechen, als W1 bis W5 festgelegt. In gleichartiger Weise kann ein optimaler Wert für Fn derart festgelegt werden, daß ein Unterschied im Hinblick auf das Anzeigefenster, das durch den erfahrenen Benutzer eingestellt worden ist, auf ein Minimum gebracht wird. Die vorstehend angegebene Verarbeitung kann nicht nur durch einen Computer mit einem normalen, prozedurorientierten Programm realisiert werden, sondern kann auch durch ein Expertensystem unter Verwendung von Regeln ausgeführt werden. Da die Klarheit des Bilds in starkem Maße von den menschlichen Sinnen abhängt, ist ein Expertensystem stärker bevorzugt.
Nachfolgend wird ein zweites Ausführungsbeispiel der vorliegenden Erfmdung beschrie ben. Fig. 10 zeigt ein Blockschaltbild, in dem das zweite Ausführungsbeispiel dargestellt ist. Das zweite Ausführungsbeispiel ist das gleiche wie das erste, in Fig. 2 gezeigte Ausführungsbeispiel, mit der Ausnahme, daß ein neuronales (neurales) Netzwerk mit einer Fenstersteuereinrichtung 2 verbunden ist. Bei dem ersten Ausführungsbeispiel ist die Bildqualität als eine Funktion definiert und wird durch einen Berechnungsvorgang erhalten.
Bei dem zweiten Ausführungsbeispiel wird jedoch die Bildqualität durch das neuronale Netzwerk 5 ermittelt.
Fig. 11 zeigt eine schematische Arbeitsweise des zweiten Ausführungsbeispiels Bei einem Schritt #320 wird ein Einzelbild der Bilddaten aus dem Bildspeicher 1 ausgelesen. Bei einem Schritt #330 wird aus den Bilddaten ein Histogramm erzeugt, das eine Frequenz bzw. Häufigkeit von Bildelementwerten angibt. Dieses Histogramm ist ähnlich wie das Histogramm bei dem ersten, in Fig. 4 dargestellten Ausführungsbeispiel Bei einem Schritt #340 wird der Wert "A" wie bei dem ersten Ausführungsbeispiel erhalten. Bei einem Schritt #350 wird der Wert MVP wie bei dem ersten Ausführungsbeispiel ermittelt. Bei einem Schritt #360 werden der Fensterpegel und die Fensterbreite festgelegt, die für das Bild geeignet sind (zum Beispiel der Wert "A" und der Wert MVP). Diese Verarbeitung wird im weiteren Text in größeren Einzelheiten beschrieben. Bei einem Schritt #370 werden die Bilddaten durch den festgelegten Fensterpegel und die Fensterbreite angezeigt. Bei einem Schritt #380 betrachtet ein Benutzer das angezeigte Bild und justiert, falls notwendig, den Fensterpegel und die Breite unter Verwendung des Fensterschalters 3 zur Erzielung einer Feineinstellung.
Jeder in Fig. 11 gezeigte Schritt wird nachfolgend in Einzelheiten erläutert. Fig. 12 zeigt die Ermittlung des geeigneten Anzeigefensters bei dem Schritt #360 in größeren Einzelheiten. In ähnlicher Weise wie bei dem ersten Ausführungsbeispiel wird die Hügelanstiegsmethode als die Methode zur Ermittlung des Anzeigefensters eingesetzt. Im Unterschied zu dem ersten Ausführungsbeispiel wird jedoch die Bildqualität im Hinblick auf das Anzeigefenster nicht durch einen Rechenvorgang berechnet, sondern wird durch das neuronale Netzwerk 5 erhalten. Dies bedeutet, daß bei einem Schritt #410 Kandidatenwerten für den Fensterpegel und die Fensterbreite ermittelt werden. Bei einem Schritt #420 wird die Bildqualität der Bilddaten, die anhand des festgelegten Fensterpegels und der festgelegten Fensterbreite angezeigt werden, mit Hilfe des neuronalen Netzwerks 5 ermittelt. Bei einem Schritt #430 werden der Fensterpegel oder die Fensterbreite oder beide Werte um Δ WW geändert. Bei einem Schritt #440 wird die Bildqualität für die Bilddaten ermittelt, die mit dem geänderten Fensterpegel und der geänderten Fensterbreite angezeigt werden. Bei einem Schritt #450 werden die Bildqualitäten, die bei den Schritten #420 und #440 erhalten worden sind, miteinander verglichen, und es werden die Kandidatenwerte für den Fensterpegel und die Fensterbreite in Abhängigkeit von einer Differenz zwischen den beiden Bildqualitäten geändert. Darüber hinaus werden optimale Werte für den Fensterpegel und die Breite ermittelt, während Δ WW allmählich verringert wird, das heißt, wenn gemäß der Hügelanstiegsmethode ermittelt. Die Verarbeitung zur Ermittlung des optimalen Anzeigefensters mit Hilfe der Hügelanstiegsmethode ist die gleiche wie die Verarbeitung bei dem ersten, in Fig. 7 gezeigten Ausführungsbeispiel
Wie vorstehend beschrieben, wird die Bildqualität bei dem zweiten Ausführungsbeispiel unter Verwendung des neuronalen Netzwerks ermittelt, wohingegen die Bildqualität bei dem ersten Ausführungsbeispiel anhand einer Funktion wie etwa einer Mitgliedsfünktion, die bei einer Fuzzy-Theorie eingesetzt wird, berechnet wird. Daher kann die Bildqualität, die für die Charakteristika der einzelnen Geräte oder Krankenhäuser geeignet ist, leicht erhalten werden. Als Ergebnis kann dasjenige Anzeigefenster, das für das einzelne Gerät optimal ist. dadurch eingestellt werden, daß ein neuronales Netzwerk dazu veranlaßt wird, in Abhängigkeit von dem einzelnen Gerät zu lernen. Gemäß der Fig. 10 überträgt die Fenstersteuereinrichtung 2 Bewertungsmerkmale (ähnlich wie diejenigen bei dem ersten Ausfülrrungsbeispiel) zum Berechnen der Bildqualität zu dem neuronalen Netzwerk 5, um hierdurch die Bildqualität zu erzielen. Das neuronale Netzwerk 5 erzeugt die Bildqualität auf der Grundlage der Bewertungsmerkmale und überträgt die erzeugte Bildqualität zu der Fenstersteuereinrichtung 2. Als Ergebnis ermittelt die Fenstersteuereinrichtung 2 die Bildqualität
Nachfolgend wird das neuronale Netzwerk 5 beschrieben. Fig. 13 zeigt eine Ausgestaltung des neuronalen Netzwerk 5. Das Netzwerk 5 ist durch drei Schichten gebildet, die aus einer Eingangsschicht 7, einer Zwischenschicht 8 und einer Ausgangsschicht 9 bestehen. Die Zwischenschicht 8 kann aus einer Vielzahl von Lagen bestehen. Die Eingangsschicht 7 enthält fünf Einheiten 7a bis 7e. Die fünf Bewertungsmerkmalsdaten, die bei dem ersten Ausführungsbeispiel erläutert worden sind, werden in das neuronale Netzwerk 5 eingespeist. Dies bedeutet, daß der Helligkeitswert MVPG, der Helligskeitswert AG, die Fläche des Helligkeitswerts 12, die Fläche der maximalen Helligkeit und die Helligkeitsbalance jeweils in die Einheiten 7a bis 7e eingespeist werden. Die Anzahl von eingegebenen Merkmalen ist nicht auf fünf beschränkt. Falls die Anzahl von Eingangsmerkmalen vergrößert oder verringert wird, kann die Anzahl von Einheiten in der Eingangsschicht 7 entsprechend vergrößert oder verringert werden. Ein Verfahren zur Ermittlung der Eingangsdaten wird im weiteren Text in größeren Einzelheiten beschrieben. Bei diesem Ausführungsbeispiel besteht die Zwischenschicht 8 aus 50 Einheiten und bildet das Netzwerk zusammen mit den Einheiten 7a bis 7e in der Eingangsschicht 7, und der Ausgangsschicht 9. Die Ausgangsschicht 9 ist durch eine Einheit gebildet und gibt die Bildqualität mit einem Wert von 0 bis 1 ab. Eine Eingangslausgangs-Beziehung der Einheit, die in dem neuronalen Netzwerk 5 enthalten ist, läßt sich durch die folgende Sigmoid-Funktion f(x) repräsentieren:
f(x) = 1/{1 + exp(-x + b)} ... (7)
Hierbei bezeichnet b die Vorspannung, die ein Gewicht eines Vorspannungselements (das einen Ausgang von "1" aufweist) ist und die durch das Lernen bestimmt wird. Mit x ist die Eingangsgröße bezeichnet. Das neuronale Netzwerk 5 muß bereits vorab dazu gebracht werden, zu lernen. Dieses Lernen wird im weiteren Text in größeren Einzelheiten beschrieben. In diesem Fall sei angenommen, daß das neuronale Netzwerk 5 sein Lernen beendet hat.
Fig. 14 zeigt ein Ablaufdiagramm, in dem eine Abfolge zur Ermittlung der Bildqualität mit 20 Hilfe des neuronalen Netzwerks 5 gemäß den Schritten #420 und #440 zeigt. Unter Bezugnahme auf Fig. 14 wird der Helligkeitswert MVPG, der dem Wert MVP des Bilds, das mit einem gegebenen Anzeigefenster angezeigt wird, entspricht, bei einem Schritt #510 erhalten. Der Helligkeitswert MVP läßt sich in folgender Weise darstellen, wenn in der Gleichung (3) X durch MVP, und Y durch MVPG, ersetzt werden:
MVPG = 8,5 + 16 x (MVP - WL)/WW ...(8)
Da ein Eingangswert für das neuronale Netzwerk 5 einen Wert von 0 bis 1 aufweisen muß, wird der Helligkeitswert MVPG, der unter Verwendung der Gleichung (8) berechnet worden ist, mit einem normalisierten bzw. normierten Koeffizient von 1/16,5 multipliziert werden, um einen normierten Wert MVPG zu erhalten.
Bei einem Schritt #520 wird der Helligkeitswert AG ermittelt, der dem Magnetresonanzbildwert "A" des Bilds entspricht, das gemäß einem gegebenen Fenster angezeigt wird. Der Helligkeitswert AG wird in Übereinstimmung mit der Gleichung (3) in ähnlicher Weise wie der Helligkeitswert MVPG wie folgt dargestellt:
AG =8,5 + 16 x (A - WL)/WW (9)
Auch in diesem Fall wird AG unter Verwendung der Gleichung (9) berechnet und mit dem normierten Koeffizienten 1/16,5 multipliziert, um hierdurch einen normalisierten Wert von AG zu erhalten.
Bei einem Schritt #530 wird die Fläche eines Abschnitts des Bilds berechnet, der einen Helligkeitswert bei der Graustufe 12 aufweist und durch das gegebene Fenster angezeigt wird. Genauer gesagt, wird die Fläche eines Abschnitts des Histogramms bei der Graustufe 12 in Übereinstimmung mit der Gleichung (4) berechnet, und es wird das Ergebnis durch einen normierten Koeffizienten von 1/100 multipliziert. Falls jedoch der normierte Wert 1 überschreitet, wird der Wert als 1 betrachtet.
Bei einem Schritt #540 wird die Fläche deines Abschnitts berechnet, der den höchsten Helligkeitswert aufweist, das heißt des Abschnitts bei der Graustufe 16,5 des Bilds, das durch das gegebene Fenster angezeigt wird. Genauer gesagt, wird die Fläche eines Ab schnitts des Histogramms in Übereinstimmung mit der Gleichung (5) berechnet und mit einem normierten Koeffizienten von 1/30 multipliziert. Falls der normierte Wert 1 überschreitet, wird der Wert als 1 betrachtet.
Bei einem Schritt #550 wird die Helligkeitsbalance, das heißt (Flächen, die Helligkeits werte von 4 bis 8 aufweist)/(Fläche, die Helligkeitswerte von 9 bis 13 aufweist), wie es in der Gleichung (6) definiert ist, für das Bild, das durch das gegebene Fenster angezeigt wird, ermiltelt. Diese Flächen werden in gleichartiger Weise wie bei den Schritten #530 und #540 ermittelt. In diesem Fall ist ein normierter Koeffizient gleich 1/6. Falls der normierte Wert 1 überschreitet, wird der Wert als 1 betrachtet.
Bei einem Schritt #560 werden die fünf Werte, die bei den Schritten #5 10 bis #550 erhalten worden sind, zu dem neuronalen Netzwerk 5 übertragen und in die Einheiten 7a bis 7e in der Eingangsschicht 7 eingegeben. Bei einem Schritt #570 wird die Bildqualität von der Ausgangsschicht 9 des neuronalen Netzwerks 5 erhalten.
Das Lernen des neuronalen Netzwerks 5 wird im folgenden beschrieben. Wie vorstehend angegeben, muß das neuronale Netzwerk 5 bereits vorab lernen, damit es eine Bildqualität ausgeben kann, die für die eingegebenen Bewertungsmerkmalsdaten geeignet ist. Auch wenn eine Lernverfahren nicht auf dasjenige bei diesem Ausführungsbeispiel beschränkt ist, wird bei diesem Ausführungsbeispiel eine Rückwärtsfortpflanzungsmethode eingesetzt. Dies bedeutet, daß eine vorbestimmte Anzahl von Lerndaten wiederholt in das neuronale Netzwerk 5 eingegeben wird, um hierdurch ein Lernen mit Hilfe der Rückwärtsfortpflanzungsmethode auszuführen, und es wird das Lernen solange wiederholt, bis der Fehler unter einem vorbestimmten Wert verringert ist. Bei diesem Ausführungsbeispiel wird das Lernen unter Verwendung der nachfolgend angegebenen Lerndaten ausgeführt. Jedoch ist das Verfahren zur Erzeugung der Lerndaten nicht auf dasjenige bei dem vorliegenden Ausführungsbeispiel beschränkt.
Die Lerndaten werden auf der Grundlage einer Mehrzahl von aktuellen Bilddaten und Fensterpegein sowie Fensterbreiten gebildet, die durch einen erfahrenen Benutzer zum Anzeigen dieser Bilddaten eingestellt werden. Ein Bild wird ausgewählt und es wird ein Fensterpegel WLG und eine Fensterbreite WWG für das Bild durch den erfahrenen Benutzer eingestellt. Eine Gesamtheit von 25 Kombinationen (WLS, WWS) werden als Anzeigefenster für den Lernvorgang unter Verwendung eines Fensterpegels WLS aus WLG - WWG/2, WLG - WWG/4, WLG, WLG + WWG/4, und WLG + WWG/2 und einer Fensterbreite WWS aus WWG - WWG/2, WWG - WWG/4, WWG, WWG + WWG/4, und WWG + WWG/2, abgetastet. Fünf Bewertungsmerkmaldaten für die Helligkeit MVPG, die Helligkeit AG, die Fläche der Helligkeit bei der Graustufe 12, die Fläche der Helligkeit bei der Graustufe 16,5 und die Helligkeitsbalance werden für jede aus den 25 Kombination aus (WLS, WWS) bei den Schritten #510 bis #550 berechnet und werden als Eingangsdaten für das Lernen eingegeben. Lehrerdaten für diese Kombinationen aus (WLS, WWS) werden gemäß der Darstellung in Fig. 15 definiert, um hierdurch 25 Sätze von Lerndaten zu bilden. Nachfolgend werden 25 Sätze von Lerndaten für jedes aus einer beliebigen Anzahl von Bildern gebildet, und es wird das Lernen wiederholt unter Heranziehung aller Lerndaten solange ausgeführt, bis die Werte der Fehler unter einen vorbestimmten Wert verringert sind.
Gemäß dein zweiten, vorstehend beschriebenen Ausführungsbeispiel kann, da das neuronalen Netzwerk 5 einen Lernvorgang durchführen kann, ein Anzeigefenster, das für die Charakteristika eines einzelnen Geräts oder Krankenhauses geeignet ist, automatisch ohne Ausführung von mühsamen Handlungen, nämlich der Festlegung einer Bewertungsfünktion und eines Gewichtskoeffizienten wie bei dem ersten Ausführungsbeispiel, festgelegt werden. Da das Bild durch das geeignete Anzeigefenster angezeigt werden kann, ist weiterhin der Vorgang der Einstellung des Anzeigefensters, der zur Anzeige des Bilds auszuführen ist, vereinfacht, so daß die Belastung des Benutzers verringert ist.
Im folgenden wird ein drittes Ausführungsbeispiel der vorliegenden Effindung beschrieben. Bei dem ersten und dem zweiten Ausführungsbeispiel wird ein optimales Anzeigefenster für jedes Bild ermittelt. Jedoch ändert sich ein optimales Anzeigefenster selbst bei einem Bild in Abhängigkeit von einem zu beobachtenden Objekt (einem Abschnitt oder der Art eines Tumors), einem Zweck oder dergleichen. Bei dem dritten Ausführungsbeispiel wird daher ein geeignetes Anzeigefenster für jedes Beobachtungsobjekt in einem Bild ermittelt, und es wird das Bild mit Hilfe von unterschiedlichen Anzeigefenstern für unterschiedliche Objekte angezeigt. Fig. 16 zeigt ein Blockschaltbild, in dem das dritte Ausführungsbeispiel dargestellt ist. Eine Ausgestaltung des dritten Ausführungsbeispiels ist die gleiche wie diejenige bei dem zweiten Ausführungsbeispiel, mit der Ausnahme, daß ein Wählschalter 10 für die Auswahl des zu beobachtenden Objekts mit einer Fenstersteuereinrichtung 2 verbunden ist.
Fig. 17 zeigt eine schematische Arbeitsweise bei dem dritten Ausführungsbeispiel Bezugnehmend auf Fig. 17 wird bei einem Schritt #5100 ein Bilddatum bzw. ein Bild aus dem Speicher 1 ausgelesen. Bei einem Schritt #5300 wird ein Histogramm, das eine frequenz oder Häufigkeit von Bildelementwerten angibt, auf der Grundlage der Buddaten gebildet. Dieses Histogramm weist eine Mehrzahl von Spitzen P1, P2 und P3 auf, wie es in Fig. 18 gezeigt ist. Bei einem Schritt #5300 wird der Wert "A" wie bei dem ersten Ausführungsbeispiel erhalten. Bei einem Schritt #5400 wird der Wert MVP für jedes Objekt gebildet. Wie vorstehend erläutert, ist der Wert MVP ein Magnetresonanzbildwert eines Abschnitts, von dem angenommen wird, daß der Benutzer ihn am deutlichsten zu beobachten wünscht. Da jedoch die Anzahl von zu beobachtenden Abschnitten nicht auf einen Abschnitt in einem Bild beschränkt ist, wird der Wert MVP für jedes Objekt berechnet. Es sei angenommen, daß MVPn durch Anordnen von MVPn in der Reihenfolge der Wichtigkeit ermittelt werden. MVPn sind die Magnetresonanzbildwerte eines Abschnitts, von dem angenommen wird, daß der Beobachter diesen im Hinblick auf ein n-tes Objekt am meisten zu betrachten wünscht. Das Beobachtungsobjekt unterscheidet sich zwischen einem Fall, bei dem ein gesamtes Bild zu beobachten ist, und einem Fall, bei dem ein spezielles Objekt (zum Beispiel ein Abschnitt oder ein Tumor) zu beobachten ist. Damit das gesamten Bild beobachtet werden kann, wird angenommen, daß das gesamte Bild dann klar gesehen werden kann, wenn das Bild derart angezeigt wird, daß ein Magnetresonanzbildwert, der die höchste Frequenz bzw. Häufigkeit in dem Bild, mit Ausnahme des Hintergrunds, aufweist, klar gesehen werden kann. Damit das spezielle Objekt (zum Beispiel ein Abschnitt oder ein Tumor) beobachtet werden kann, wird davon ausgegangen, daß eine Spitze eines partiellen Histogramms, einem Abschnitt entspricht, von dem eine Betrachtung am intensivsten gewünscht wird. Bei dem in Fig. 18 gezeigten Fall stellen daher MVP1, MVP2 und MVP3 Magnetresonanzbildwerte von Abschnitten dar, von denen angenommen wird, daß sie hinsichtlich der jeweiligen Objekte am intensivsten beobachtet werden sollen. In diesem Fall ist die Anzahl von Beobachtungsobjekten m gleich 3. Genauer gesagt, werden die Magnetresonanzbildwerte MVPn dadurch berechhet, daß die Spitzen des Histogramms gesucht werden, die in dem Bereich oberhalb des Magnetresonanzbildwerts "A" angeordnet sind. Wie in Fig. 19 gezeigt ist, ist die Spitze als ein Punkt definiert, der eine Frequenz bzw. Häufigkeit aufweist, die höher ist als diejenige von mehreren Punkten auf beiden Seiten dieses Punkts. Wie in Fig. 20 dargestellt ist, wird die Wichtigkeit der Spitze unter Berücksichtigung zum Beispiel (1) eines Abstands xi zwischen den Spitzen, (2) der Höhe der Spitze, und (3) der Breite W1, W2 der Spitze bewertet. Bei diesem Ausführungsbeispiel sind die Werte MVP1, MVP2 und MVP3 in der angegebenen Reihenfolge wichtig. Die Beobachtungsobiekte (die Anzahl bzw. Nummer von MVP) werden gleichzeitig gespeichert.
Bei einem Schritt #5500 werden ein geeigneter Fensterpegel und eine geeignete Fensterbreite für jedes Beobachtungsobjekt Oeden Wert MVPn) festgelegt. Dieser Festlegungsvorgang wird nachstehend in größeren Einzelheiten beschrieben. Bei einem Schritt #5600 werden die Bilddaten für jedes Objekt unter Verwendung des Fensterpegels und der Fensterbreite angezeigt, die für jedes Objekt bei dem Schritt #5600 festgelegt worden sind.
Bei dem Schritt #5700 beobachtet ein Benutzer das angezeigte Bild und bewirkt eine Feineinstelliing des Fensterpegeis und der Fensterbreite unter Verwendung des Fensterschalters 3, falls notwendig.
Gemäß dem dritten Ausführungsbeispiel, wie es vorstehend erläutert ist, kann die Arbeitsbelastung des Benutzers verringert werden, da ein Anzeigefenster, das für das Beobachtungsobjekt geeignet ist, leicht eingestellt werden kann, wenn das Bild angezeigt wird.
Jeder Schritt wird nachfolgend in Einzelheiten beschrieben. Die Abfolge zur Ermittlung des Anzeigefensters, das für jedes Objekt geeignet ist und bei dem Schritt #5500 erfolgt, wird unter Bezugnahme auf Fig. 21 erläutert. Bei einem Schritt #610 wird ein Parameter n zur Bezeichnung des Objekts auf 1 eingestellt. Bei einem Schritt #620 wird das Anzeigefenster ermittelt, das für ein n-tes Objekt geeignet ist. Dieses Anzeigefenster kann anhand des gleichen Verfahrens wie dasjenige bei dem zweiten Ausführungsbeispiel erbalten werden, das in Fig. 14 gezeigt ist. In diesem Fall werden die Bewertungsmerkmale und die Gewichtskoeffizienten für das Netzwerk in Abhängigkeit von dem Objekt (der Art von MVP) ausgewählt. Die Bildqualität muß nicht durch das neuronale Netzwerk erhalten werden, sondern kann wie bei dem ersten Ausführungsbeispiel anhand einer Funktion berechnet werden. In diesem Fall werden die Bewertungsmerkmale, der Gewichtskoeffizient und die Bewertungsfünktion zum Berechnen der Bildqualität in Abhängigkeit von dem Objekt (der Art von MVP) ausgewählt. Als Beispiel werden W1 bis WS auf 5, 4, 3, 2 und 2 im Hinblick auf ein Objekt 1 eingestellt, und werden auf 6, 4, 3, 2, und 1 im Hinblick auf ein Objekt 2 festgelegt. Es ist anzumerken, daß das zweite Bewertungsmerkmal für das Objekt 1 die Helligkeit des Werts "A" ist, jedoch für das Objekt 2 die Helligkeit eines Werts "B" ist, wie es in Fig. 2 dargestellt ist. Der Wert "B" bezeichnet einen Bildeiementwert an einer Schnittstelle zwischen der Achse X und einer Linie, die einen Punkt, der zwischen einer bestimmten Spitze und einer benachbarten Spitze, die links von der bestimmten Spitze liegt, und einen niedrigsten Histogrammwert aufweist, und die bestimmte Spitze verbindet. Auf diese Weise wird die Bewertungsfünktion in Abhängigkeit von dem Objekt ausgewählt. Der erhaltene Fensterpegel und die erhaltene Fensterbreite werden in einem Fensterspeicher gespeichert, der in der Steuereinrichtung 2 enthalten ist. Bei einem Schritt #630 wird der Parameter n hochgestuft. Bei einem Schritt #640 wird der Parameter n mit der Anzahl von Objekten m verglichen. Falls n ( m ist, das heißt, wenn Objekte verbleiben, deren Anzeigefenster noch bestimmt werden muß, werden die Schritte #620 und #630 wiederholt. Falls n ) m ist, das heißt, falls die Anzeigefenster für alle Objekte ermittelt worden sind, wird die Verarbeitung beendet.
Fig. 22 zeigt die Abfolge bei der Auswahl eines Anzeigefensters, das für das Objekt geeignet ist und bei der Anzeige des dargestellten Schritts bei dem Schritt #5600. Bei dem Schritt #650 wird der Parameter n auf 1 gesetzt. Bei einem Schritt #660 werden der Fensterpegel und die Fensterbreite, die dem n-ten Objekt entsprechen, aus dem Fensterspeicher in der Steuereinrichtung 9 ausgelesen und zu der Anzeige 4 übertragen. Als Ergebnis wird das Bild so angezeigt, daß das n-te Objekt am klarsten sichtbar ist. Falls der Wählschalter 10 bei einem Schritt #670 gedrückt wird, wird der Parameter n bei einem Schritt #680 hochgestuft. Bei einem Schritt #690 wird der inkrementierte Wert von n mit der bereits vorab gespeicherten Anzahl m von Objekten verglichen, falls n gleich groß wie oder kleiner als m ist, kehrt der Ablauf zu einem Schritt #660 zurück, und es wird das Bild durch das n-te Anzeigefenster angezeigt. Falls n den Wert von m erreicht, kehrt der Ablauf zu dem Schritt #650 zurück, und es wird n auf den Wert 1 zurückgesetzt. Dies bedeutet, daß das Anzeigefenster für das erste Objekt erneut gesetzt wird, wenn der Wählschalter 10 gedrückt wird, nachdem das Anzeigefenster für das m-te Objekt eingestellt worden ist. Die Anzeigefenster für die jeweiligen Objekte werden aufeinanderfolgend jedesmal dann eingestellt, wenn der Schalter 10 während der Anzeige des Bilds gedrückt wird. Daher kann der Benutzer das Bild mit dem für das Objekt geeigneten Anzeigefenster durch eine einfache Betätigung anzeigen.
In Übereinstimmung mit dem dritten Ausführungsbeispiel kann gemäß der vorstehenden Erläuterung das optimale Anzeigefenster leicht für jedes Beobachtungsobjekt in einem Bild eingestellt werden.
Im folgenden wird ein viertes Ausführungsbeispiel der vorliegenden Erfindung beschrieben. Fig. 23 zeigt eine schematische Ansicht, in der eine Abfolge bei der Bilderzeugung in dem Magnetresonanzabbildungsgerät dargestellt ist. Bei einem Schritt #700 werden rohe Magnetresonanzbilddaten gewonnen. Die gewonnenen Bilddaten werden bei einem Schritt #710 korrigiert, und es werden die korrigierten Bilddaten bei einem Schritt #720 zu einem Bild, zum Beispiel mit Hilfe einer zweidimensionalen Fourier-Transformation, rekonstruiert. Beim einem Schritt #730 wird ein Bildelementwert der rekonstruierten Bilddaten in einem Magnetresonanzbildwert mit Hilfe einer Kontrastskale umgewandelt, das heißt es wird das rekonstruierte Bild in ein Magnetresonanzbild umgewandelt. Das rekonstruierte Bild ein digitales Bild, das durch die Bildelemente gebildet ist, die jeweils den Bildelementwert aufweisen, und das die gleiche Matrixgröße wie diejenige des Magnetresonanzbilds aufweist. Der Bildelementwert des rekonstruierten Bilds verändert sich innerhalb eines großen Bereichs in Abhängigkeit von dem Objekt und der Abtastbedingung. Das Magnetresonanzbild wird auf diese Weise durch die Magnetresonanzbildwerte innerhalb des Bereichs von -1000 bis 2000 (oder 4000) gebildet, die durch Umwandlung der Bildelementwerte des rekonstruierten Bilds mit Hilfe der Kontrastskala erhalten worden sind.
Die Konstrastskala wird gemäß der nachstehenden Darstellung generiert:
Y = pX + q ... (10)
Hierbei bezeichnet Y den Magnetresonanzbildwert, X den Bildelementwert des rekon struierten Bilds, und p und q jeweils die Konstanten. Bei diesem Ausführungsbeispiel werden die Konstanten p und q der Kontrastskala in Abhängigkeit von dem rekonstruierten Bild so festgelegt, daß der Magnetresonanzbildwert standardisiert ist. Ein Blockschaltbild des vierten Ausführungsbeispiels ist das gleiche wie dasjenige bei dem dritten Ausführungsbeispiel, und ist daher nicht gezeigt.
Ein schematischer Arbeitsablauf bei dem vierten Ausführungsbeispiel wird nachstehend unter Bezugnahme auf Fig. 25 beschrieben. Bei einem Schritt #750 wird ein rekonstruiertes Bilddatum bzw. werden die Daten eines rekonstruierten Bilds aus dem Bildspeicher 1 ausgelesen. Bei einem Schritt #760 wird ein Histogramm, das eine Frequenz oder Häufigkeit der Bildelementwerte angibt, auf der Grundlage der rekonstruierten Bilddaten gebildet. Wie in Fig. 18 gezeigt ist, weist dieses Histogramm eine Vielzahl von Spitzen P1, P2 und P3 auf. Der Wert "A" wird bei dem Schritt #770 gebildet, und es wird der Wert MVP für jedes Objekt bei einem Schritt #780 gebildet. Bei einem Schritt #790 werden ein geeigneter Fensterpegel und eine geeignete Fensterbreite für jedes Objekt (jeden Wert MVPn) ermittelt. Bei einem Schritt #800 werden die rekonstruierten Bilddaten für jedes Objekt anhand des festgelegten Fensterpegels und der festgelegten Fensterbreite, die für das Objekt geeignet sind, angezeigt. Bei einem Schritt #810 beobachtet ein Benutzer das angezeigte Bild und stellt den Fensterpegel und die Breite unter Verwendung des Fensterschalters 3 fein ein, falls dies notwendig ist. Die bislang beschriebene Verarbeitung ist exakt die gleiche wie diejenige ab den Schritten #5100 bis #5700 bei dem dritten, in Fig. 17 gezeigten Ausführungsbeispiel.
Bei einem Schritt #820 werden, wie in Fig. 24 gezeigt ist, die Konstanten p und q der Kontrastskala (Umwandlungsfunktion zur Umwandlung von Bildelementwerten in Magnetresonanzbildwerte) auf der Grundlage des Fensterpegels WL und der Fensterbreite WW so festgelegt, daß die obere Grenze WL + (WW/2) der Breite des Anzeigefensters in einen Magnetresonanzbildwert U umgewandelt wird, und die untere Grenze WL - (WW/2) der Fensterbreite in einen Magnetresonanzbildwert L umgewandelt wird. Durch Einsetzen von U WL + (WW/2) und von L = WL - (WW/2) in die Gleichung (10) werden p und q in der folgenden Weise berechnet:
p = (U - L)/WW ...(11)
q = {(U + L)/2} - {WL(U - L)/WW} ... (12)
In einem Schritt #830 wird der Bildelementwert des rekonstruierten Bilds unter Verwendung der berechneten Konstanten p und q der Kontrastskala (Umwandlungsfunktion) in den Wert MRI anhand der Gleichung (10) umgewandelt, um hierdurch das Magnetresonanzbild zu erzielen. In diesem Fall sind die meisten Magnetresonanzbildwerte eines effektiven Abschnitts (des zu beobachtenden Abschnitts) des Magnetresonanzbilds zwischen der oberen Grenze WL + (WW/2) des Anzeigefensters und der unteren Grenze WL - (WW/2) enthalten. Durch Umwandlung des Bildelementwerts des rekonstruierten Bilds in den Magnetresonanzbildwerten mit Hilfe der Kontrastskala wird daher ein Magnetresonanzbild erlialten, bei dem der dynamische Bereich des Magnetresonanzbildwerts für einen zu beobachtenden Abschnitt zwischen U und L liegt, und es ist der Magnetresonanzbildwert auf den Bereich der zu beobachtenden Werte standardisiert. Da der Magnetresonanzbildwert keine absolute Bedeutung besitzt, kann er in dieser Weise standardisiert werden. Damit der dynamische Bereich des Magnetresonanzbilds nicht eingeschränkt wird, wird der Bereich zwischen U und L vorzugsweise so breit wie möglich eingestellt.
Bei einem Schritt #840 wird das Magnetresonanzbild in dem Bildspeicher 1 gespeichert. Damit das gespeicherte Magnetresonanzbild einer Helligkeit angezeigt werden kann, die für die Betrachtung geeignet ist, wird der Fensterpegel WL auf (U + L)/2 eingestellt, und es wird die Fensterbreite WW auf U - L eingestellt. Als Ergebnis kann das gleiche Anzeigefenster für alle Bilder eingestellt werden, und es ist nicht notwendig, die Anzeigebilder für alle jeweiligen Bilder jeweils festzulegen. Dies bedeutet, daß es ausreichend ist, das Anzeigefenster einmal einzustellen, da die Magnetresonanzbildwerte standardisiert werden. Der Vorgang der Einstellung des Fensters, der für die Anzeige des Bilds auszuführen ist, ist vereinfacht, wodurch die Arbeitsbelastung des Benutzers verringert ist.
Weiterhin ist es gemäß dem vorliegenden Ausführungsbeispiel auch einfach, das Anzeigefenster einzustellen, um hierdurch die Konstanten der Kontrastskala festzulegen.
Auch wenn bei dem vierten Ausführungsbeispiel die Anzeigefenster für die jeweiligen Objekte eingestellt werden, kann ein Anzeigefenster für ein Bild ohne Berücksichtigung der Objekte in dem Bild eingestellt werden, wie es auch bei dem zweiten Ausführungsbeispiel der Fall ist. Weiterhin kann bei dem vierten Ausführungsbeispiel die Bildqualität unter Verwendung der Bewertungsfunktion berechnet werden, wie es auch bei dem ersten Ausführungsbeispiel der Fall ist.
Ein fünftes Ausführungsbeispiel der vorliegenden Erfindung wird im folgenden erläutert. Dieses Ausführungsbeispiel bezieht sich auf eine Verbesserung hinsichtlich des neuronalen Netzwerks. Bei den vorstehend angegebenen Ausführungsbeispielen wird ein neuronales Netzwerk zur Ermittlung der Bildqualität eingesetzt. Jedoch kann keine ausreichende Präzision erzielt werden, wenn lediglich ein neuronales Netzwerk eingesetzt wird. Bei dem fünften Ausführungsbeispiel wird daher eine Anzahl von neuronalen Netzwerken aufeinanderfolgend zur Erzielung einer ausreichenden Präzision eingesetzt.
Das Blockschaltbild für das fünfte Ausführungsbeispiel ist das gleiche wie dasjenige bei dem zweiteri Ausführungsbeispiel, das in Fig. 10 gezeigt ist, und ist daher nicht dargestellt. Wie in Fig. 26 gezeigt ist, ist das neuronale Netzwerk 5 durch ein Netzwerk aus zwei Stufen gebildet, das ein erstes neuronales Netzwerk 5a und ein zweites neuronales Netzwerk 5b enthält, wobei alle jeweiligen Bewertungsmerkmaldaten in die Netzwerke 5a und 5b eingegeben werden. Die beiden Netzwerke weisen unterschiedliche Genauigkeitspegel hinsichtlich der berechneten Bildqualität auf.
Eine Arbeitsweise des fünften Ausführungsbeispiels wird im folgenden beschrieben. Ein schematischer Ablauf ist der gleiche wie derjenige bei dem zweiten Ausführungsbeispiel, das in Fig. ii gezeigt ist. Fig. 27 zeigt ein Ablaufdiagramm, das die Verarbeitung bei der Ermittlung eines optimalen Anzeigefensters unter Verwendung des neuronalen Netzwerks veranschaulicht. Bei einem Schritt #1010 werden anfängliche Werte WLo und WWo für den Fensterpegel und die Fensterbreite berechnet. In gleicher Weise wie bei den vorstehend erläuterten Ausfiihrungsbeispielen sind die anfänglichen Werte WLo = MVP und WWo = 2x (MVP - A). Bei einem Schritt #1020 werden die anfänglichen Werte als die Kandidaten für das Anzeigefenster gesetzt, so daß gilt: WLc = WLo und WWc = WWo. Bei einem Schritt #1030 wird WWo/2 als ein anfänglicher Wert für die Größe der Änderung Δ WW des Anzeigefensters gesetzt. Bei einem Schritt #1040 wird eine 1 in einem Parameter NN eingestellt, der die Stufe des Netzwerks angibt. Bei einem Schritt #1050 wird ein Endbedingungswert γ T(NN) für eine NN-te Stufe des neuronalen Netzwerks aus einer Tabelle herausgegriffen und so eingestellt, daß er gleich γ ist. Fig. 28 zeigt die Tabelle. Bei diesem Ausführungsbeispiel wird die Suche nach dem optimalen Anzeigefenster dadurch ausgeführt, daß die Größe der Änderung sequentiell verringert wird. Wenn die Größe der Änderung so verringert wird, daß sie einen vorbestimmten Wert oder weniger entspricht, wird die Suche nach dem optimalen Anzeigefenster beendet. Daher ist der Endbedingungswert für die erste Stufe des neuronalen Netzwerks der größte, und es sind die anderen Endbedingungswerte in der absteigenden Reihenfolge geringer.
Bei einem Schritt #1060 wird die Bildqualität unter Verwendung der NN-ten Stufe des neuronalen Netzwerks berechnet, und es werden der optimale Fensterpegel und die optimale Fensterbreite für die Anzeige des Fensters in Abhängigkeit von der Bildqualität berechnet. In diesem Fall werden die anfänglichen Werte für den Kandidaten für das Anzeigefenster, die bei der Verarbeitung eingesetzt werden, die von der ersten Stufe des neuronalen Netzwerks ausgeführt wird, bei einem in Fig. 27 dargestellten Schritt #1020 eingestellt, und es sind die anfänglichen Werte für den Kandidaten für das Anzeigefenster, der bei der Verarbeitung eingesetzt wird, die von der nachfolgenden Stufe des neuronalen Netzwerk ausgeführt wird, das Anzeigefenster, das in der vorhergehenden Stufe des neuronalen Netzwerks ermittelt worden ist. Das Anzeigefenster wird mit einer gröbsten Präzision in der ersten Stufe 5a des neuronalen Netzwerks ermittelt, und es wird in der zweiten, der dritten und der nachfolgenden Stufe der neuronalen Netzwerke mit feinerer Präzision festgelegt. Diese Verarbeitung wird im weiteren Text in größeren Einzelheiten erläutert.
Bei einem Schritt #1070 wird der Parameter NN so inkrementiert, daß er das neuronale Netzwerk der nächsten Stufe (nächste Stufe des neuronalen Netzwerks) bezeichnet. Bei einem Schritt #1080 wird ermittelt, ob die Verarbeitung für alle neuronalen Netzwerke ausgeführt worden ist. Falls die Verarbeitung nicht für alle neuronalen Netzwerke bei dem Schritt #1080 ausgeführt worden ist, kehrt der Ablauf zu dem Schritt #1050 zurück. Falls die Verarbeitung für alle neuronalen Netzwerke bei dem Schritt #1080 ausgeführt worden ist, wird das Anzeigefenster, das zu diesem Zeitpunkt erhalten worden ist, als das optimale Anzeigefenster festgelegt.
Die Verarbeitung zur Erzielung der Bildqualität unter Verwendung des neuronalen Netzwerks 5 bei dem Schritt #1060 wird nachfolgend in größeren Einzelheiten unter Bezugnahme auf Fig. 29 beschrieben. Bei einem Schritt #1110 wird die Bildqualität Qc des Bilds berechnet, das durch das Anzeigefenster angezeigt wird, das die Kandidatenwerte WLc und WWc enthält. Diese Bildqualität Qc kann in der gleichen Weise wie bei dem zweiten Ausführungsbeispiel, das in Fig. 14 gezeigt ist, erhalten werden. Bei einem Schritt #1120 werden, in ähnlicher Weise wie bei dem zweiten Ausführungsbeispiel, der Fensterpegel oder die Fensterbreite oder diese beiden Größen um ± Δ WW mit Bezug zu den Kandidatenwerten ge;ndert, und es werden die Bildqualitäten Qd1 bis Qd8 der Bilder, die durch die geänderten Anzeigefenster angezeigt werden, berechnet. Die Größe der Änderung ist nicht auf den Wert Δ WW begrenzt. Bei einem Schritt #1130 wird eine maximale Bildqualität Qd aus den Bildqualitäten Qd1 bis Qd8 ermittelt, und es werden der Fensterpegel WL und die Fensterbreite WW, die der Bildqualität Qd entsprechen, jeweils als WLd bzw. als WWd festgelegt. Bei einem Schritt #1140 wird die Bildqualität Qc, die mit den Kandidatenwerten für das Anzeigefenster erhalten worden ist, mit der Bildqualität Qd, die bei Anzeigefensterwerten, die gegenüber den Kandidatenwerten geringfügig verschoben sind, erhalten worden ist, verglichen, um zu überprüfen, ob Qc kleiner ist als Qd. Falls sich bei dem Schritt #1140 das Ergebnis ja einstellt, ist das Anzeigefenster, das der Bildqualität Qd entspricht, geeigneter als der Kandidat für das Anzeigefenster. Daher werden bei einem Schritt #1150 WLc = WLd, WWc = WWd und Qc = Qd gesetzt. Dies bedeutet, daß dies einem Ereignis entspricht, bei dem sich die Kandidatenwerte für den Fensterpegel und die Fensterbreite zu denjenigen Werten bewegen, die der Bildqualität Qd entsprechen, wie es in Fig. 9 gezeigt ist. Bei einem Schritt #1160 wird die Größe der Änderung Δ WW mit β multipliziert, und es kehrt der Ablauf zu dem Schritt #1120 zurück. In diesem Fall ist 1 ≤ β, das heißt es wird die Größe der Änderung erhöht.
Falls sich bei dem Schritt #1140 das Ergebnis nein ergibt, werden die Kandidatenwerte als geeignete Werte festgelegt, und es wird bei einem Schritt #1170 überprüft, ob Δ WW größer ist als y. In diesem Fall ist γ eine Konstante, die dazu dient, das Ende zu ermitteln, und die aus der in Fig. 28 gezeigten Tabelle ausgelesen worden ist. Falls sich bei dem Schritt #1170 nein ergibt, wird bestimmt, daß die Kandidatenwerte WLc und WWc der geeignete Fensterpegel WL und die geeignete Fensterbreite WW sind und abschließend festgelegt sind, und es wird die Bearbeitung abgeschlossen. Falls sich bei dem Schritt #1170 das Ergebnis ja ergibt, wird die Größe der Änderung Δ WW in einem Schritt #1180 mit α multipliziert, um hierdurch eine Ermittlung mit einer kleineren Größe der Änderung auszuführen. In diesem Fall ist α eine Konstante, die die Bedingungen erfüllt: 0 < α < 1 und 0 < α x β < 1. Bei einem Schritt #1190 wird überprüft, ob Δ WW kleiner ist als γ oder nicht. Falls sich bei dem Schritt #1190 nein ergibt, kehrt der Ablauf direkt zu dem Schritt #1120 zurück. Falls sich bei dem Schritt #1190 ja ergibt, wird γ als die Größe der Änderung Δ WW bei einem Schritt #1200 gesetzt, und es kehrt der Ablauf zu dem Schritt #1120 zurück. Auf diese Weise kann bei dem fünften Ausführungsbeispiel ein optimales Anzeigefenster anhand der Bildqualität mit Hilfe einer Hügelanstiegsmethode erhalten werden.
Im folgenden wird das Lernen seitens der neuronalen Netzwerke 5a und 5b beschrieben. Das neuronale Netzwerk 5a der ersten Stufe führt einen Lernvorgang durch, wie er bereits bei dem zweiten Ausführungsbeispiel beschrieben worden ist. Bei den neuronalen Netzwerken der zweiten und der nachfolgenden Stufen wird jedoch zur weiteren Verbesserung der Genauigkeit ein Abtastschritt für das Anzeigefenster bei dem Lernen in einem Abschnitt, der eine hohe Bildqualität aufweist, feiner eingestellt, so daß die Netzwerke unterschiedliche Lerndaten lernen. Aus diesem Grund lernt das neuronale Netzwerk der zweiten Stufe mittels eines feinen Teilungsabstands lediglich in einem Abschnitt, der nahe bei WLG und WWG liegt, die durch einen erfahrenen Benutzer eingestellt worden sind. Es ist anzumerken, daß dann, wenn ein einzelnes Netzwerk dazu veranlaßt würde, mit Hilfe eines feinen Teilungsabstands zu lernen, nicht nur die Lerneffizienz verringert würde, sondern auch Fehler bei dem Lernen nicht verringert werden könnten, da ein dynamischer Bereich des Bilds in einem Abschnitt, der nahe bei den eingestellten Werten WLG und WWG liegt, eingeschränkt ist. Daher ist dieses Lernverfahren nicht praxisgerecht. Die Lernmethode bei den Netzwerken der zweiten und der nachfolgenden Stufe ist das gleiche wie dasjenige bei dem Netzwerk der ersten Stufe, wobei jedoch Lerndaten gebildet werden, die im weiteren Text erläutert werden. Das Verfahren zur Erzeugung der Lerndaten ist jedoch nicht auf dasjenige bei dem vorliegenden Ausführungsbeispiel beschränkt.
Ein Bild, das durch das Netzwerk der ersten Stufe gelernt wird, wird ausgewählt, und es wird eine Gesamtheit von 25 Punkten (WLS, WWS) als die Anzeigefenster für das ausgewählte Bild unter Verwendung von WLG -WWG/4, WLG - WWG/B, WLG, WLG + WWG/3 und WLG + WWG/4 als dem Fensterpegel WLS, und von WWG - WWG/4, WWG - WWG/8, WWG, WWG + WWGIB und WWG + WWG/4 als die Fensterbreite WWS abgelastet. In gleichartiger Weise wie bei dem zweiten Ausführungsbeispiel werden fiinf Bewertungsmerkmaldaten, das heißt der Helligkeitswert MVPG, der Helligkeitswert AG, die Fläche, die den Helligkeitswert 12 aufweist, die Fläche, die den Helligkeitswert 16,5 aufweist, und die Helligkeitsbalance für jedes der 25 Fenster (WLS, WWS) bei den in Fig. 14 gezeigten Schritten #510 bis #550 berechnet und als die Eingangsdaten für das Lernen benutzt. Lehrerdaten im Hinblick auf diese Fenster (WLS, WWS) werden gemäß der Darstellung in Fig. 30 so definiert, daß 25 Sätze von Lerndaten gebildet sind. Nachfolgend werden die 25 Sätze von Lerndaten für eine beliebige Anzahl von Bildern gebildet. Alle die gebildeten Lerndaten werden wiederholt solange gelernt, bis der Wert der Fehler unter einen vorbestimmten Wert verringert ist.
Wenn eine Mehrzahl von neuronalen Netzwerken eingesetzt wird, sind die Bildqualitäten, die von den jeweiligen Netzwerken erzeugt werden, im allgemeinen auch bei dem gleichen Anzeigefenster unterschiedlich, so daß sich ein Problem hinsichtlich einer sogenannten Fehlanpassung stellt. Bei diesem Ausführungsbeispiel tritt jedoch kein solches Problem auf, da die neuronalen Netzwerke der Mehrzahl von Stufen aufeinanderfolgend für die Erzeugung der Bildqualität eingesetzt werden und die Suche nach dem optimalen Anzeigefenster unabhängig durchgeführt wird, indem ein unmittelbar vorhergehendes Suchergebnis als ein anfänglicher Wert für die nächste Suche benutzt wird. Auch wenn die Anzahl von Stufen der Netzwerke bei dem dargestellten Ausführungsbeispiel gleich 2 ist, kann auch ein System mit drei oder mehr Netzwerken in gleichartiger Weise in der Praxis benutzt werden, indem ein feinerer Abtastabstand eingestellt wird.
Gemäß dem fünften Ausführungsbeispiel lernt, wie vorstehend beschrieben, eine Mehrzahl von neuronalen Netzwerken Daten mit einer groben Präzision und Daten mit einer feiner Präzision, und es werden die Netzwerke stufenweise benutzt, um hierbei ein optimales Anzeigefenster zu erhalten. Daher kann das Anzeigefenster für ein klareres Bild eingestellt werden. Bei dem fünften Ausführungsbeispiel wird eine Mehrzahl vön Netzwerken, die die Ausgestaltung gemäß dem zweiten Ausführungsbeispiel aufweisen, eingesetzt. Jedoch kann auch eine Vielzahl von Netzwerken, die die Ausgestaltung gemäß dem dritten oder dem vierten Ausführungsbeispiel besitzen, verwendet werden.
Im folgenden werden Lehrerdaten ftir den Einsatz bei dem in der Fig. 15 oder Fig. 30 gezeigten neuronalen Netzwerk beschrieben. Die Lehrerdaten stellen einen Index dar, der die Klarheit des Bilds bezeichnet, das mittels eines gegebenen Fensters angezeigt wird. Es ist notwendig, die Lehrerdaten so zu definieren, daß sie die Klarheit bezeichnen. Daher wird der Unterschied zwischen der Helligkeit eines Bilds, das durch ein Referenz-Anzeigefenster angezeigt wird, bei dem der Benutzer das Getuhl hat, daß das Bild am klarsten angezeigt wird, und einer Helligkeit eines Bilds, das durch das gegebene Anzeigefenster angezeigt wird, bewertet und es werden die Lehrerdaten auf der Grundlage der Bewertung gebildet. Die Bildqualität Qe des Bilds, das durch das gegebene Fenster gezeigt wird, ist daher in folgender Weise definiert:
Qe = - (K1 x EW) + K2 ... (13)
Hierbei bezeichnen K1 und K2 jeweils den normalisierten Koeffizienten bzw. den Normie rungskoeffizienten, und EW bezeichnet den Bewertungswert für die Bewertung einer Differenz zwischen dem Bild, das durch das Referenz-Anzeigefenster angezeigt wird, und demjenigen, das durch das gegebene Anzeigefenster angezeigt wird,.
EW ist gemäß der nachstehend angegebenen Gleichung definiert. Diese Gleichung repräsentiert einen gewichteten Mittelwert je Bildelement einer quadratischen Summe aus der Differenz zwischen der Helligkeit (Grauskala) des Bilds, das durch das Referenz-Anzeigefenster angezeigt wird, und der Helligkeit (Grauskala bzw. Graustufe) des Bilds, das durch das gegebene Anzeigefenster angezeigt wird. Wenn angenommen wird, daß in der nachstehenden Gleichung W(GSr) = 1 ist, repräsentiert der Zähler der Gleichung eine Quadratsumme einer Differenz zwischen den Grauskalen bzw. Grauwerten der Bildelementwerte. Da der Zähler die Anzahl von Bildelementen repräsentiert, gibt die Größe (Zähler) 1 (Nenner) den Mittelwert je Bildelement an. Jedoch ist die mittlere Helligkeit in einem Bild wichtig, und es übt eine Verschiebung bei den maximalen und minimalen Helligkeitswerten einen beträchtlichen Einfluß aus. Die Gewichtung wird daher im Hinblick auf die Referenzhelligkeit ausgeführt:
(EW)² = {Σ W(GSr(x, y)) x (GSs(x, y) - GSr(x, y))²} alle Bildelemente
/ Σ W (GSr(x, y)) alle Bildelemente ...(14)
Hierbei bezeichnet GSR(x, y) den Grauskalenwert eines Bildelements (x, y) im Hinblick auf das Referenzfenster, während GSs(x, y) den Grauskalenwert des Bildelements (x, y) mit Bezug zu dem gegebenen Fenster bezeichnet und W(GSr(x, y)) den Gewichtungskoeffizienten in der Grauskala bzw. dem Grauskalenwert GSr bezeichnet.
Wenn die Grauskala durch Werte von 0,5 bis 16,5 repräsentiert ist, ist eine Grauskala GS, die erhalten wird, wenn ein Bildelementwert PV(x, y) durch ein Fenster (WL, WW) angezeigt wird, in folgender Weise gegeben:
GS = 0,5 (wenn PV ≤ WL - (WW/2))
GS = 16 x (PV - WL)/WW + 8,5 (wenn WL - (WW/2) < PV < WL + (WW/2))
GS = 16,5 (wenn WL + (WW/2) ≤ PV) ... (15)
W(GSr) ist in folgender Weise definiert:
W(GSR) = 0,1 (wenn GSr ≤ 0,5)
W(GSR) = (GSr - 0,5) x 0,9/6,5 + 1 (wenn 0,5 < GSR ≤ 7,0)
W(GSR) = 1,0 (wenn 7,0 < GSr ≤ 10,0)
W(GSR) = 0,1 - (GSr - 16,5) x 0,9/6,5 (wenn 10,0 < GSr ≤ 16,5)
W(GSR) = 0,1 (wenn 16,5 < GSr) ... (16)
Gleichung (14) läßt sich in folgender Weise umschreiben, wenn das Histogramm aus Bildelementwerten benutzt wird:
(EW)² = {Σ W(GSr(PV)) x (GSs(PV) - GSr(PV))² x H(PV)} alle PVs
/ Σ {W(GSr(PV) x H(PV)} alle PVs
Hierbei bezeichnet PV den Bildelementwert und H(PV) die Frequenz bzw. Häufigkeit des Bildelementwerts PV.
Die Bildqualität Qe ist in der vorstehend beschriebenen Weise defmiert. Es ist notwendig, zu zeigen, daß die Bildqualität Qe mit der menschlichen Empfindung übereinstimmt. Da Qe ein Wert ist, der durch EW normiert ist, wird EW mit der menschlichen Empfindung verglichen. Diese Vergleichsmethode findet in folgender Weise statt:
(1) 12 Magnetresonanzbilder von drei Patienten wurden vorbereitet.
(2) Ein Radiologe stellt ein optimales Anzeigefenster ein, und es wird das Referenzfenster für jedes Bild bestimmt.
(3) Sechs bis sieben Anzeigefenster werden für jedes Bild eingestellt. Diese Anzeigefenster werden so festgelegt, daß EW so breit wie möglich variiert wird.
(4) EW wird in jedem eingestellten Fenster berechnet.
(5) Ein Bild wird in jedem eingestellten Fenster angezeigt und durch den Radiologen bewertet. Die Bewertungsergebnisse sind in Fig. 31 dargestellt. Unter Bezugnahme auf Fig. 31 ist die Bewertung wie folgt repräsentiert:
(1) Ein Anzeigefenster ist geeignet, und das Bild ist klar: ...
(2) Ein Anzeigefenster ist tolerierbar, es ist jedoch eine Feineinstellung erforderlich: ...Δ
(3) Ein zu scannendes Objekt kann erkannt werden, ist jedoch unklar: ...X.
Wie aus Fig. 31 ersichtlich ist, stimmt EW mit der menschlichen Empfindung überein.
Falls lediglich WL des eingestellten Fensters gegenüber dem Referenzfenster um eine Grauskala verschoben wird, wird EW = 1 erhalten, da alle Werte von GSs(x, y) - GSr(x, y) zu 1 werden. Es wird behauptet, daß ein Mensch imstande ist, einen Unterschied von einer Graustufe (Grauskala bzw. Grauskalenwert) zu erkennen. Anders ausgedi;ickt, wird ein Mensch durch einen Unterschied innerhalb einer Graustufe nicht sehr beeinflußt. Dies erläutert ebenfalls die experimentellen Befunde.
Falls das neuronale Netzwerk die Bildqualität Qe, die in der Gleichung (13) definiert ist, als die Lehrerdaten lernt, ist es daher möglich, die Beziehung zwischen der Eingabe für das neuronale Netzwerk und der Klarheit des Bilds zu lernen.
In diesem Fall sind die Normalisierungskoeffizienten bzw. Standardisierungskoeffizienten K1und K2 in der folgenden Weise festgelegt. Da die Lehrerdaten gleich 0 bis 1 sind, wird nämlich K2 auf 1 festgelegt. Da das System die Bildqualitäten zur Auffindung der höchsten Bildqualität vergleicht, kann die Bildqualität einen relativen Wert haben. Da der Bereich von EW breit ist, wenn der Bereich für das Lernfenster breit ist (das heißt wenn die Abtastung grob ist), wird K1 für das neuronale Netzwerk der ersten Stufe so eingestellt, daß es ungefahr bei 1/10 liegt. Wenn der Bereich für das lernende Fenster klein ist, wird K1 auf ungefähr 1/3 für das Netzwerk der zweiten Stufe gestellt, um hierdurch den dynamischen Bereich zu verbreitern. In jedem Fall wird Qe auf 0 eingestellt, wenn bei der Gleichung (13) ein negativer Wert erhalten wird.
Die Beziehung zwischen der Bildqualität Qe gemäß der Gleichung (13) und derjenigen gemäß der Gleichung (1) wird nun beschrieben. Die Bildqualität Qe definiert die Klarheit des Bilds auf der Grundlage der Helligkeit des Bilds. Wie vorstehend beschrieben, läßt sich zeigen, daß die Bildqualität Qe mit der menschlichen Empfindung übereinstimmt. Es ist daher angenommen worden, daß Qe korrekt ist. Die Gleichung (1) ermittelt die Klarheit des Bilds auf der Grundlage des Histogramms der Bildelementwerte. Falls die Korrelation zwischen Q und Qe groß ist, ist es möglich, das optimale Anzeigefenster bei dem ersten Ausführungsbeispiel auf der Grundlage der Bildqualität Q zu erhalten. Anders ausgedrückt, ist es notwendig, das System so abzustimmen, daß die Korrelation zwischen Q und Qe verstärkt ist. Da die Bildqualität einen relativen Wert aufweist, muß der normalisierte bzw. standardisierte Koeffizient oder Standardisierungskoeffizient der Gleichung (13) nicht ermittelt werden, wobei aber die Korrelation zwischen Qe und Q benötigt wird. Zu diesem Zweck muß eine Minuskorrelation bzw. negative Korrelation lediglich zwischen Q und EW vorhanden sein. Anders ausgedrückt, muß Q so eingestellt werden oder es muß die Abstimmung so ausgeführt werden, daß die Korrelation zwischen Q und EW verbessert ist.
Q wurde auf der Grundlage der gegenwärtig eingestellten Werte Fn und Wn berechnet und mit EW verglichen. Fig. 32 zeigt die Vergleichsergebnisse für ein Bild. Wie aus Fig. 32 ersichtlich ist, ist dieser Korrelationskoeffizient gleich -0,89, das heißt es wird eine negative hohe Korrelation erzielt.
Auch wenn die Aufgabe der vorliegenden Erfindung darin besteht, das Fenster nahe bei dem Referenzfenster einzustellen, kann EW benutzt werden, um das Anzeigefenster zu bewerten, das durch das vorhandene System eingestellt worden ist. In diesem Fall wird EW im Hinblick auf das Anzeigefenster, das durch das System eingestellt worden ist, berechnet. Falls das berechnete EW klein ist, kann hieraus geschlossen werden, daß ein Anzeigefenster eingestellt ist, das nahe bei dem Referenzfenster liegt. Falls das berechnete EW größer ist, kann hieraus geschlossen werden, daß ein Anzeigefenster eingestellt ist, das entfernt von dem Anzeigefenster liegt. In diesem Fall kann der Wert von EW in der folgenden Weise betrachtet werden, wie es vorstehend im Hinblick auf die experlmentellen Ergebnisse erläutert worden ist.
Falls EW ≤ 1 ist, ist das Anzeigefenster geeignet und es kann das Bild klar gesehen werden.
Falls 1 < EW ≤ 2,5 ist, ist das Anzeigefenster tolerierbar, es ist jedoch eine Feineinstellung erforderlich.
Falls 2,5 < EW ist, kann das Objekt zwar erkannt, jedoch nur unklar betrachtet werden.
Die vorliegende Erfindung ist nicht auf die vorstehend angegebenen Ausführungsbeispiele beschränkt, sondern kann in unterschiedlicher Weise abgeändert werden. Auch wenn das bei den vorstehend erläuterten Ausführungsbeispielen beschriebene Bild ein Magnetresonanzbild ist, muß das Bild lediglich ein digitales Bild sein, ist aber nicht auf ein medizinisches Bild beschränkt. Selbst wenn ein medizinisches Bild als das Bild benutzt wird, kann das Bild auch ein computertomographisches Bild sein und kann durch Analog/Digital- Umwandlung eines analogen Bilds wie etwa eines kernmedizinischen Bilds oder eines fluoroskopischen Röntgenstrahlbilds erhalten werden.
Abänderungen der vorliegenden Erfindung werden nachstehend beschrieben.
Bei den vorstehend angegebenen Ausführungsbeispielen werden sowohl der Anzeigefensterpegel als auch die Breite geändert, um eine Anderung in der Bildqualität zu erfassen. Jedoch kann einer der Anzeigefensterpegel und Breiten als der Kandidatenwert festgelegt sein, während der andere geändert wird.
Bei den vorstehend angegebenen Ausführungsbeispielen wird das Histogramm für jedes Bild gebildet, und es werden optimale Werte für das Anzeigefenster für jedes Bild festge legt. Jedoch können alle Bilder, die zu der gleichen Gruppe gehören, mit Hilfe des gleichen Anzeigefensters betrachtet werden. Als Beispiel wird das Histogramm anhand einer Mehrzahl von Scheibenbildern bzw. Schnittbildern gebildet, die während eines Volumenabtastvorgangs erhalten worden sind, und es wird das Anzeigefenster auf der Grundlage des Histogramms festgelegt, wodurch eine Mehrzahl von Bildern mit Hilfe des gleichen Anzeigefensters betrachtet werden. In diesem Fall werden die Bilder der gleichen Gruppe mit Hilfe des gleichen Anzeigefensters betrachtet. Darüber hinaus kann das Histogramm aus einer Vielzahl von Bildern dazu benutzt werden, die Lehrerdaten für das neuronale Netzwerk zu bilden. Bilder, die kontinuierlich unter den gleichen Abtastbedingungen erhalten worden sind, werden vorzugsweise mit Hilfe des gleichen Anzeigefensters betrachtet. Daher werden ein Anzeigefenster, das durch einen Benutzer für ein erstes Bild ausgewähll ist (falls eine Feineinstellung ausgeführt worden ist, das Anzeigebild, das nach der Feineinstellung erhalten worden ist) und die entsprechende Bildqualität gespeichert. Falls eine Anzeige eines zweiten Bilds bezeichnet wird, wird die Bildqualität des zweiten Bilds im Hinblick auf das Anzeigefenster für das erste Bild berechnet und mit der Bildqualität des ersten, bereits vorab gespeicherten Bilds verglichen. Falls ein Unterschied zwischen den beiden Bildqualitäten einem vorbestimmten Wert entspricht oder kleiner ist, wird das Anzeigefenster nicht geändert, so daß das zweite Bild mit dem Anzeigefenster für das erste Bild angezeigt wird. Falls die Differenz größer ist als der vorbestimmte Wert, wird das Anzeigefenster für das zweite Bild in Übereinstimmung mit der vorliegenden Erfindung ermittelt, und es wird das Bild mit dem ermittelten Anzeigefenster angezeigt. Damit Bilder, die kontinuierlich bei den gleichen Abtastbedingungen erhalten worden sind, mit dem gleichen Anzeigefenster betrachtet werden können, kann das Anzeigefenster im Hinblick auf das typische Bild (zum Beispiel ein Bild an einer zentralen Position) der gleichen Gmppe ermittelt werden, so daß alle Bilder der gleichen Gruppe mit dem gleichen Anzeigefenster angezeigt werden.
Auch wenn das Anzeigefenster bei den vorstehend erläuterten Ausführungsbeispielen innerhalb der Breite des Anzeigefensters linear ist, kann es auch nicht linear sein.
Bei dem dritten Ausführungsbeispiel wird der Magnetresonanzbildwert, von dem angenommen wird, daß er ein Beobachtungsobjekt ist, gesucht, und es wird das Anzeigefenster, das die höchste Bildqualität im Hinblick auf den Magnetresonanzbildwert besitzt, ermittelt. Damit die Berechnungen vereinfacht werden können, können die Bildqualitäten aber auch auf der Grundlage der nachfolgenden Anzeigefenster berechnet werden. Die Anzeigefenster sind ausgehend von demjenigen, das der höchsten Bildqualität entspricht, angeordnet, und es wird das Bild durch das Anzeigefenster von demjenigen, das der höchsten Bildqualität entspricht, und demjenigen, das der Bildqualität in der abnehmenden Reihenfolge entspricht, jedesmal dann angezeigt, wenn der Wählschalter 10 gedrückt wird. Falls ein Benutzer ein vergleichsweise geeignetes Anzeigefenster Fmdet, muß er oder sie in diesem Fall den Fensterschalter 3 betätigen, um das Anzeigefenster in manueller Weise fein einzustellen. Die Anzeigefenster sind in folgender Weise ausgewählt:
WL = LL - DD/4, LL - DD/8, LL, LL + DD/8, LL + DD/4 WW = 3DD/4, 7DD/8, DD, 9DD/8, 5DD/4
Hierbei sind LL und DD jeweils konstant.
Bei dem dritten Ausführungsbeispiel wird ein Beobachtungsobjekt auf der Grundlage des Spitzenwerts des Histogramms geschätzt. Jedoch kann der Bildelementwert des zu beobachtenden Abschnitts unter Verwendung der nachfolgenden Information oder Methode geschätzt werden.
(1) Eine Methode zur Ausführung einer einfachen Bilderkennung, um hierdurch einen Abschnitt zu finden, bei dem Bildelementwerte verhältnismäßig nahe beeinander liegen.
(2) Abtastbedingungen.
(3) Scheiben bzw. Schnitte (ein axialer Schnitt, ein koronaler Schnitt, und ein sagittaler Schnitt).
(4) Abtastobjekt, das durch ein Krankenhaus-Ordnungssystem erhalten werden kann.
Merkmale zur Berechnung der Bildqualität, der Bewertungsfünktion, des Gewichts der Bewertungsfünktion, des Gewichts jeder Einheit des neuronalen Netzwerks können in Abhängigkeit von der vorstehend angegebenen Information und den vorstehend angegebenen Merkmalen (zum Beispiel einer gesamten Fläche, einer Spitzenposition, einer Form und einer Höhe) des Histogramms ausgewählt werden.
Mit dem dritten Ausführungsbeispiel werden die Anzeigefenster für alle Objekte bereits vorab berechnet, und es wird das Bild mit dem berechneten Fenster, das für das Objekt geeignet ist, angezeigt, wenn der Wählschalter 10 gedrückt wird. Jedoch kann das Anzeigefenster, das für das Objekt geeignet ist, jedesmal dann berechnet werden, wenn der Wählschalter gedrückt wird
Modifikationen zur Ermittlung der Bildqualität mit Hilfe des neuronalen Netzwerks werden im folgenden Text beschrieben. Auch wenn die gleichen Gewichtskoeffizienten für alle Bilder bei den vorstehend beschriebenen Ausführungsbeispielen eingesetzt werden, kann der Gewichtskoeffizient in Abhängigkeit von dem Typ des Bilds ausgewählt werden. In diesem Fall wird der Gewichtskoeffizient von der Fenstersteuereinrichtung zu dem neuro nalen Netzwerk 5 in Übereinstimmung mit dem Typ des Bilds übertragen. Darüber hinaus wird ein Lernen ausgeführt, indem die Lerndaten in Übereinstimmung mit der Art der Bilddaten ausgewählt werden. Der Typ des Bilds kann gemäß der nachfolgenden Information oder Methode ermittelt werden.
(1) Eine Methode zur Ausführung einer einfachen Bilderkennung, um hierdurch einen Abschnitt zu finden, bei dem Bildelementwerte relativ nahe beeinander liegen.
(2) Abtastbedingungen.
(3) Scheiben bzw. Schnitte (ein axialer Schnitt, ein koronarer Schnitt, und ein sagittaler Schnitt).
(4) Abtastobjekt, das durch ein Krankenhaus-Ordnungssystem erhalten werden kann.
(5) Merkmale (zum Beispiel die gesamte Fläche, die Spitzenposition, die Form und die Höhe) des Histogramms.
Auch wenn eine Auswahl des Bilds für das Lernen bei den vorstehend angegebenen Ausführungsbeispielen nicht beschrieben worden ist, sind zum Beispiel zehn Bilder (für jeden Bildtyp) als die Lembilder für jedes Gerat gespeichert, und es wird das neuronale Netzwerk dazu veranlaßt, auf der Basis dieser Bilder zu lernen. In dieser Weise wird das neuronale Netzwerk (Gewichtskoeffizient), das für das Gerät geeignet ist, gebildet. Wenn die gesamten Lernbilder, die durch Hinzufügen von neuen Lernbildern oder durch Aktuah sieren von alten Bildern zu neuen Bildern erhalten werden, erneut zur Ausführung des Lernvorgarigs benutzt werden, kann das System auch eine Änderung des Geräts verkraften. Alternativ kann anstelle der Einstellung des Gewichtskoeffizienten für jedes Gerät und für jeden Bildüyp der Gewichtskoeffizient auch in Abhängigkeit von dem Gerät, einem Benutzer (Arzt) und der Art des Bild festgelegt werden.
Bei den vorstehend beschriebenen Ausführungsbeispielen sind die Bewertungsmerkmaldaten, die in das neuronale Netzwerk einzugeben sind, linear normierte Werte. Jedoch kann eine Normalisierung auch unter Verwendung einer Sinusfünktion oder einer logarithmischen Transformation ausgeführt werden.
Auch wenn die Anzahl von Bewertungsmerkmalen mit der Anzahl von Einheiten in der Eingangsschicht des neuronalen Netzwerks bei den vorstehend angegebenen Ausführungsbeispielen zusammenfällt, kann eine Mehrzahl von Einheiten einem Bewertungsmerkmal zugeordnet werden, und es können jeweils ein Wert, der durch lineare Normierung des Bewertungsinerkmals erhalten wird, und ein Wert, der durch Normierung unter Verwendung einer Sinusfunktion oder einer logarithmische Transformation erhalten worden ist, als jeweilige Eingangswerte eingegeben werden.
Bei den vorstehend erläuterten Ausführungsbeispielen beträgt die Anzahl von Ausgangsein heiten eins, und es repräsentiert diese Ausgangseinheit die Bildqualität, die sowohl die Helligkeit als auch den Kontrast einschließt. Jedoch können auch zwei Ausgangseinheiten in Übereinstimmung mit der Helligkeit und dem Kontrast derart benutzt werden, daß die Helligkeit als "zu hell - geeignet - zu dunkel" (0 bis 1) repräsentiert wird. In diesem Fall wird die Bildqualität als eine Gewichtssumme aus den beiden Faktoren von den beiden Ausgangseinheiten berechnet. Lehrerdaten für die Helligkeit werden in Fig. 15 als WWS = WWG eingestellt, und Lehrerdaten für den Kontrast werden dort als WLS = WLG eingestellt.
Bei den vorstehend angegebenen Ausführungsbeispielen werden weiterhin das Lernen und die Ausführung durch das gleiche neuronale Netzwerk ausgeführt. Jedoch kann das Lernen auch durch ein anderes neuronales Netzwerk, das zum Beispiel in einer Arbeitsstation enthalten sein kann, ausgeführt werden, während die Abarbeitung mit Hilfe eines anderen, einfachen neuronalen Netzwerk ausgeführt wird. Darüber hinaus werden von den Gewichtskoeffizienten des neuronalen Netzwerks, das seinen Lernvorgang beendet hat, lediglich die Gewichte, die große Werte aufweisen, herausgegriffen und lediglich durch die Software eines Computers ohne Verwendung des neuronalen Netzwerks errechnet.

Claims

1. Digitales Bildanzeigegerät zum Anzeigen von digitalen Buddaten unter Umwandlung von Bildelementwerten der digitalen Bilddaten in Helligkeit einer Anzeige, mit

einer Einrichtung (2) zum Berechnen einer Frequenzverteilung der Bildelementwerte der digitalen Buddaten,

gekennzeichnet durch

eine Einrichtung (2) zum Berechnen einer Mehrzahl von Bildqualitäten, die die Klarheit eines Anzeigebilds angeben, wenn die digitalen Bilddaten in Übereinstimmung mit einer Mehrzahl von Umwandlungsbetriebsarten zur Umwandlung der Bildelementwerte in die Helligkeit anzuzeigen sind, und

eine Einrichtung (2) zum Auswählen einer eine klare Bildqualität angebenden Umwandlungsbetriebsart zur Umwandlung der Bildelementwerte in die Helligkeit, wobei die Auswahl auf der Basis der Mehrzahl von Bildqualitäten getroffen wird.

2. Gerät nach Anspruch 1, dadurch gekennzeich ne t, daß die Wähleinrichtung eine Einrichtung zum Auswählen einer eine maximale Bildqualität angebenden Umwandlungsbetriebsart zur Umwandlung der Bildelementwerte in die Helligkeit aufweist.

3. Gerät nach Anspruch 1, dadurch gekennzeichnet , daß die Umwandlungsbetriebsart ein Anzeigefenster auf einer Anzeigeeinheit ist, und daß die Einrichtung (2) zum Berechnen der Bildqualität aufweist:

eine erste Einrichtung zum Berechnen der Bildqualitäten in dem Anzeigefenster, das als ein Kandidat festgelegt ist, und in einem Anzeigefenster, das gegenüber dem Kandidaten um eine vorbestimmte Größe verschoben ist,

eine zweite Einrichtung, die dazu ausgelegt ist, dann, wenn die Bildqualität in dem sich von dem Kandidaten unterscheidenden Anzeigefenster maximal ist, das Anzeigefenster, das die maximale Bildqualität besitzt, als neuen Kandidaten einzugeben, und

eine dritte Einrichtung zum Verringern der von der ersten Einrichtung eingesetzten vorbestimmten Größe dann, wenn die Bildqualität des Kandidaten maximal ist.

4. Gerät nach Anspruch 1, dadurch gekennzeichnet, daß die Einrichtung zum Berechnen der Bildqualität aufweist:

eine erste Einrichtung zum Berechnen von ersten Daten, die die Helligkeit des Anzeigebilds angeben, von zweiten Daten, die den Kontrast des Anzeigebilds anzeigen, und von dritten Daten, die die Helligkeitsbalance angeben, wobei die Berechnungen in Abhängigkeit von der Frequenzverteilung der Bildelementwerte durchgeführt werden, und eine zweite Einrichtung zum Berechnen der Bildqualität auf der Grundlage der ersten bis dritten Daten.

5. Gerät nach Anspruch 4, dadurch gekennzeichnet, daß die zweite Einrichtung eine Einrichtung zum Addieren von Daten enthält, die durch Umwandlung der ersten bis dritten Daten mit einer nicht linearen Funktion erhalten werden und die mit einem vorbestimmten Wert zur Berechnung der Bildqualität gewichtet werden.

6. Gerät nach Anspruch 4, dadurch gekennzeichnet, daß die zweite Einrichtung ein neuronales Netzwerk (5) zum Eingeben von normalisierten Daten aus den ersten bis dritten Daten und zum Abgeben der Bildqualität enthält.

7. Gerät nach Anspruch 4, dadurch gekennzeichnet, daß die ersten Daten Helligkeitsdaten für einen Bildelementwert, der die höchste Frequenz besitzt, und Helligkeitsdaten für einen Bildelementwert an einer Grenze zwischen einem Hintergrund und einem Bild enthalten, wobei diese Daten in einem die Frequenzverteilung anzeigenden Histogramm enthalten sind, daß die zweiten Daten Bereichsdaten für einen Abschnitt, der mittlere Helligkeit innerhalb eines Anzeigehelligkeitsbereichs besitzt, und Flächendaten für einen Abschnitt enthalten, der die maximale Helligkeit innerhalb des Bereichs aufweist, und daß die dritten Daten Daten enthalten, die ein Verhältnis zwischen einer Fläche eines Abschnitts, der höhere Helligkeit als die mittlere Helligkeit aufweist, und einer Fläche eines Abschnitts angeben, der geringere Helligkeit als diese besitzt.

8. Gerät nach Anspruch 1, dadurch gekennzeichnet, daß die Einrichtung (2) zum Berechnen der Bildqualität eine Einrichtung zum Berechnen der die Klarheit jedes zu beobachtenden Bereichs eines Bilds anzeigenden Bildqualität aufweist, und daß die Wähleinrichtung eine Einrichtung zum Auswählen einer Umwandlungsbetriebsart für jeden Abschnitt enthält.

9. GerätnachanspruchB, dadurchgekennzeichnet, daß jeder Abschnitt ein Abschnitt ist, der einer jeweiligen Spitzenfrequenz der Frequenzverteilung entspricht.

10. Gerät nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß die Umwandlungsbetriebsart durch eine Fensterbreite und einen Fensterpegel definiert ist.

11. Digitales Bildanzeigegerät zum Umwandeln von Bildelementwerten von digitalen Bilddaten in Helligkeitswerte, derart, daß lediglich Bildelementwerte innerhalb eines vorbestimmten Bereichs in sich kontinuierlich ändernde Helligkeitswerte umgewandelt werden, mit

einer Einrichtung zum Berechnen einer Frequenzverteilung der Bildelementwerte der digitalen Bilddaten,

gekennzeichnet durch

eine neuronale Netzwerkeinrichtung (5) zum Aufnehmen einer Mehrzahl von bestimmten Parametern in der Frequenzverteilung und zum Abgeben einer Bildqualität, die die Klarheit des Bilds angibt, das mit dem Helligkeitswert angezeigt wird, und

eine Einrichtung (2) zum Ermitteln eines optimalen Werts des vorbestimmten Bereichs in Abhängigkeit von dem von der neuronalen Netzwerkeinrichtung (5) abgegebenen Ausgangssignal, das erhalten wird, wenn der vorbestimmte Bereich geändert wird.

12. Gerät nach Anspruch 11, dadurch gekennzeichnet, daß die Einrichtung zur Bestimmung des optimalen Werts aufweist:

eine Einrichtung zum Ermitteln eines Kandidaten für den vorbestimmten Bereich,

eine Einrichtung zum Berechnen der Bildqualität des Kandidaten und der Bildqualität, die erhalten wird, wenn der Mittelpunkt des vorbestimmten Bereichs geändert wird oder wenn der vorbestimmte Bereich geändert wird, und

eine Einrichtung zum Ändern des Kandidaten derart, daß die Bildqualität des Kandidaten maximiert wird, und zum wiederholten Berechnen und Vergleichen der Bildqualität des Kandidaten und der Bildqualität, die erhalten wird, wenn die Mitte des vorbestimmten Bereichs geändert wird, oder wenn der vorbestimmte Bereich geändert wird.

13. Gerät nach Anspruch 11 oder 12, dadurch gekennzeichnet, daß die neuronale Netzwerkeinrichtung mindestens zwei neuronale Netzwerke (5a, 5b) aufweist, die jeweils mindestens drei Schichten enthalten und unterschiedliche Daten präzise lernen, und daß die Einrichtung (2) zur Bestimmung des optimalen Werts einen optimalen Wert dadurch ermittelt, daß die neuronalen Netzwerke (5a, 5b) aufeinanderfolgend ausgehend von einem neuronalen Netzwerk eingesetzt werden, das Daten mit niedriger Präzision erlernt, so daß ein von jedem neuronalen Netzwerk (5a, 5b) erzeugtes Ausgangssignal als ein Kandidat bei der Verarbeitung, die von dem nächsten neuronalen Netzwerk durchgeführt wird, eingesetzt wird.

14. Gerät nach Anspruch 11, 12 oder 13, dadurch gekennzeichnet daß die neuronale Netzwerkeinrichrung (5) erste Daten, die die Helligkeit eines Anzeige bilds anzeigen, zweite Daten, die den Kontrast des Anzeigebilds angeben, und dritte Daten, die die Helligkeitsbalance anzeigen, auf der Grundlage der Frequenzverteilung aufnimmt.

15. Gerät nach Anspruch 14, dadurch gekennzeichnet , daß die ersten Daten Helligkeitsdaten eines eine höchste Frequenz aufweisenden Bildelementwerts und Helligkeitsdaten eines Bildelementwerts enthalten, der an einer Grenze zwischen einem Hintergrund und einem Bild auf einem Histogramm, das die Frequenzverteilung angibt, enthalten, daß die zweiten Daten Flächendaten eines Bereichs, der mittlere Helligkeit innerhalb des Anzeigehelligkeitsbereichs aufweist, und Flächendaten eines Bereichs enthalten, der maximale Helligkeit innerhalb des Bereichs aufweist, und daß die dritten Daten Daten enthalten, die ein Verhältnis zwischen einer Fläche eines Bereichs, der höhere Helligkeit als die mittlere Helligkeit aufweist, und einer Fläche eines Bereichs anzeigen, der niedrigere Helligkeit als diese besitzt.

16. Gerät nach einem der Ansprüche 11 bis 15, dadurch gekennzeichnet, daß die neuronale Netzwerkeinrichtung (5) die Bildqualität erzeugt, die die Klarheit jedes in einem Bild zu beobachtenden Abschnitts anzeigt, und daß die Helligkeitsdaten eines Bildelementwerts, der die höchste Frequenz aufweist, Helligkeitsdaten eines Bildelementwerts an jeder Spitze in der Frequenzverteilung enthalten.

17. Gerät nach Anspruch 1, das zum Festlegen eines optimalen Fensterpegels und einer optimalen Fensterbreite dient, gekennzeichnet durch

eine erste Einrichtung zum Berechnen einer Bildqualität, die mittels eines Index die Klarheit eines Bilds anzeigt, wenn der Fensterpegel und die Fensterbreite jeweils so festgelegt werden, daß sie vorbestimmte Kandidatenwerte bilden,

eine zweite Einrichtung zum Berechnen der Bildqualität, wenn der Fensterpegel und/oder die Fensterbreite gegenüber den Kandidatenwerten um einen vorbestimmten Wert verschoben werden,

eine dritte Einrichtung zum Vergleichen der Bildqualität, die durch die erste Einrichtung berechnet ist, und der Bildqualität, die durch die zweite Einrichtung berechnet ist, und

eine Einrichtung zum Ändern der Kandidatenwerte und zum Verringern des vorbestimmten Werts in Abhängigkeit von dem Vergleichsergebnis, zum wiederholten Betreiben der ersten, zweiten und dritten Einrichtung derart, daß eine maximale Bildqualität durch die erste Einrichtung erhalten wird, und zum Festlegen der Kandidatenwerte, die in der ersten Einrichtung eingestellt sind, als den optimalen Fensterpegel und die optimale Fensterbreite.