JP2001092980A - 輪郭抽出方法及び装置 - Google Patents
輪郭抽出方法及び装置Info
- Publication number
- JP2001092980A JP2001092980A JP26966099A JP26966099A JP2001092980A JP 2001092980 A JP2001092980 A JP 2001092980A JP 26966099 A JP26966099 A JP 26966099A JP 26966099 A JP26966099 A JP 26966099A JP 2001092980 A JP2001092980 A JP 2001092980A
- Authority
- JP
- Japan
- Prior art keywords
- point
- region
- image
- boundary
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000000605 extraction Methods 0.000 claims abstract description 59
- 238000011156 evaluation Methods 0.000 claims abstract description 53
- 238000009826 distribution Methods 0.000 claims abstract description 47
- 238000000926 separation method Methods 0.000 claims abstract description 7
- 239000000203 mixture Substances 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 8
- 230000007423 decrease Effects 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 210000004556 brain Anatomy 0.000 description 18
- 210000003128 head Anatomy 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 210000004761 scalp Anatomy 0.000 description 9
- 210000000056 organ Anatomy 0.000 description 5
- 238000009499 grossing Methods 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Closed-Circuit Television Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
タに対し、画像の各点が持つ属性に基づいて、各点をそ
の点が属する複数の領域に分離し、領域間の境界を輪郭
として抽出する輪郭抽出において、領域分離の閾値を陽
に指定することなく、自動的に抽出する方法及び装置の
提供。 【解決手段】画像の各点が領域の各々に属する領域帰属
確率の期待値を算出し(ステップ104)、領域パラメ
ータを更新し(ステップ105)、領域帰属確率と領域
パラメータから求められる混合確率分布に基づいて評価
関数算出し(ステップ106)、領域帰属確率に基づい
て各領域を分離し (ステップ108)、分離された領域に基
づいて輪郭を抽出する。
Description
装置に関し、特に、輪郭抽出の対象となる物体の像を含
む画像データに対して画像の各点が持つ属性に基づい
て、対象となる物体の輪郭を抽出する方法装置並びに記
録媒体に関する。
は、MRI装置やCTスキャン装置などで撮影された画
像データから、特定の臓器や腫瘍などの領域を抽出する
装置に適用して好適とされる輪郭抽出方法及び装置に関
する。
を抽出するための方法として、例えば特開平9−299
366号公報(「刊行物1」という)には、超音波診断
装置、あるいはMRI画像からの臓器の断層像を表す画
像データに基づいて臓器の領域もしくは組織の領域を抽
出する領域抽出装置において、適切な閾値を用いて適切
な広さの領域を抽出可能とするため、所定のフレーム時
間間隔ごとに得られる複数の断層像について、抽出した
輪郭内の面積を表す時系列データと、その時系列データ
を平滑化した平滑化データとの差分が所定の閾値を越え
た場合に、輪郭抽出のための閾値を変更して輪郭抽出を
やり直すようにした輪郭抽出装置が提案されている。
は、画像データに対し、所定の第1の閾値を用いて、画
像各点の値が閾値を越えるかどうかという判定基準で、
領域の内部点かあるいは外部点かを決定し、次に、各時
刻毎の画像から、上の方法で決定された領域の面積ある
いは体積を求め、領域の面積、あるいは体積の時系列デ
ータを平滑化し、平滑する前のデータと平滑後のデータ
との差分が第2の閾値を超えるかどうかを判断する。
た場合に、第1の閾値の値を変更して最初に行った輪郭
抽出をやり直す。
行物1に記載されている従来の輪郭抽出技術において
は、以下に示すような問題点がある。
された装置では、領域を抽出するために、2つの異なる
閾値を用いているが、これらの閾値を決定するための具
体的な方法に示されていず、領域抽出の対象となるデー
タが変わる度に試行錯誤的な方法で決定されなければな
らない。
層画像が人体のどの部位を撮影したものかに依存して適
切な閾値は変化するため、不適切な閾値を用いた場合、
所望していない臓器の輪郭を誤って抽出してしまうこと
になる、という問題がある。
系列データを用いる必要があるため、一枚の領域抽出画
像を求めるために、膨大なデータを必要とする、という
ことである。
に記載される装置においては、平滑化の前後においてデ
ータの差分を計算し、差分が第2の閾値を超えた場合に
は第1の閾値の値を変更して再度同じ手続きを繰り返す
必要があり、膨大な計算時間を必要とする、ということ
である。
みてなされたものであって、その目的は、上記従来技術
のように、閾値を陽に設定することを不要とし、高速か
つ高精度に輪郭を抽出する輪郭抽出方法及び装置を提供
することにある。
明は、輪郭抽出の対象となる物体の像を含む画像データ
に対し、画像データの値そのものではなく、前記画像の
各点が持つ属性に基づいて、画像各点が各領域に属する
確率である領域帰属確率を用いて、前記各点が属する領
域を分離し、前記領域間の境界を輪郭として抽出するも
のである。
持つ属性の、混合確率分布を規定するパラメータを初期
化する第1の工程と、前記画像の各点が前記領域の各々
に属する領域帰属確率を算出する第2の工程と、前記混
合確率分布が増加するように前記パラメータを更新する
第3の工程と、前記更新されたパラメータによって規定
される前記混合確率分布から、推定の良さの尺度となる
評価関数を算出する第4の工程と、前記領域帰属確率の
値に基づいて各領域を分離する第5の工程と、分離され
た前記領域間の境界を抽出する第6の工程と、前記領域
帰属確率に基づいて、画像各点が領域内点か領域外点か
を判定する第7の工程とを有することを特徴とする。
たされるまで、前記第2、第3および第4の工程を繰り
返して行うことを特徴とする。
域に分離する第5の工程において、領域内点ひとつを求
め、これを領域内点集合の初期集合とし、前記領域内点
集合に属する点の近傍点を取得し、前記近傍点を境界候
補集合の初期集合とし、前記境界候補集合の各点から、
領域内点集合に属する点を選択して領域内点集合へ追加
し、前記領域内点集合へ新規に追加される点が無くなっ
た時点で、第6の工程へ領域内点集合を送る輪郭抽出方
法であり、前記領域内点集合を選択する際に、境界候補
集合に属する各点に対し、その近傍点を取得し、近傍点
全てが領域内点であれば、該境界候補集合に属する点を
領域内点集合に追加し、前記近傍点の中にひとつ以上の
領域外点が含まれていれば、該境界候補集合に属する点
を境界点集合へ追加し、前記近傍点に属する領域内点の
うち、領域内点集合に追加されていない領域内点を、前
記境界候補集合へ追加することを特徴とする。
界を抽出する第6の工程において、順序づけられた境界
点集合の初期値を設定し、前記順序づけられた境界点集
合に属する各点の中間点を追加し、中間点が境界点とな
るまで移動させ、新規中間点を追加できなくなるまで繰
り返すことを特徴とし、前記中間点の移動において、該
中間点がすでに境界点であれば順序づけられた境界点集
合へ追加し、該中間点が領域内点であれば領域外部方向
へ中間点を移動し、該中間点が領域外点であれば領域内
部で移動させることを特徴とする。
化する第8の工程と、前記粗視化された画像を細分化す
る第9の工程と、所定の領域に属する確率が小さな点を
削除する第10の工程を有することを特徴とする。
して、前記混合確率分布を使用することを特徴とする。
して、前記混合確率分布と前記パラメータの数から算出
されるストラクチュラル・リスク(Structural Risk)を
用いることを特徴とする。
して、前記混合確率分布と前記パラメータの数から算出
される記述長を用いることを特徴とする。
して、前記混合確率分布と前記パラメータの数から算出
される赤池の情報量基準(AIC)を用いることを特徴
とする。
となる物体の像を含む画像データに対し、前記画像の各
点が持つ属性に基づいて、前記各点をその点が属する複
数の領域に分類し、前記領域間の境界を輪郭として抽出
する輪郭抽出装置であって、前記画像各点が持つ属性の
混合確率分布を規定するパラメータを初期化する第1の
手段と、前記画像の各点が前記領域の各々に属する領域
帰属確率の期待値を算出する第2の手段と、前記混合確
率分布が増加するように前記パラメータを更新する第3
の手段と、前記更新されたパラメータによって規定され
る前記混合確率分布から、推定の良さの尺度となる評価
関数を算出する第4の手段と、前記領域帰属確率の値に
基づいて各領域を分離する第5の手段と、分離された前
記領域間の境界を抽出する第6の手段と、前記領域帰属
確率に基づいて、画像各点が領域内点か領域外点かを判
定する第7の手段と、を有することを特徴とする。
化する第8の手段と、前記粗視化された画像を細分化す
る第9の手段と、所定の領域に属する確率が小さな点を
削除する第10の手段と、を有することを特徴とする。
する。本発明の輪郭抽出方法は、輪郭抽出の対象となる
物体の像を含む画像データに対し、前記画像の各点が持
つ属性に基づいて、画像各点が各領域に属する確率であ
る領域帰属確率を用いて、前記各点が属する領域を分離
し、前記領域間の境界を輪郭として抽出するものであ
る。
を含む画像データに対して、前記画像の各点が持つ属性
に基づいて、前記各点が属する領域を分離し、前記領域
間の境界を輪郭として抽出する輪郭抽出装置であって、
前記画像の各点が持つ属性の混合確率分布を規定するパ
ラメータを初期化する第1の手段と、前記画像の各点が
前記領域の各々に属する領域帰属確率の期待値を算出す
る第2の手段と、前記混合確率分布が増加するように前
記パラメータを更新する第3の手段と、前記更新された
パラメータによって規定される前記混合確率分布から、
推定の良さの尺度となる評価関数を算出する第4の手段
と、前記領域帰属確率の値に基づいて各領域を分離する
第5の手段と、分離された前記領域間の境界を抽出する
第6の手段と、前記領域帰属確率に基づいて、画像各点
が領域内点か領域外点かを判定する第7の手段と、を備
えている。
いて、各点が与えられた領域に属する確率を算出し、求
められた確率分布を用いて輪郭抽出を行う。
像から、脳、頭皮、頭部以外の3つの領域に分類する方
法に適用した場合を例に、本発明の原理・作用について
説明する。
に、「領域抽出」という用語を用いる場合もあるが、領
域が抽出できれば、輪郭は抽出された領域の境界に線を
引けば得られるので、同義語と考えて差し支えない。
画像上j番目の点(以下、画像上の点を「ピクセル」
(画素)という)の輝度の値がyjである確率を、 f(yj|θi) で表す。ここで、θiはi番目の領域の属性を示すパラ
メータであり、領域の属性としては、例えば、該領域に
属するピクセル値の平均値、分散などを用いる。
は、当然のことながら各領域の平均や分散を定義するこ
とはできない。
セル値を説明する確率分布として、各領域の確率の加重
平均をとった混合確率分布を用いる。
て、全ピクセル値 Yn={y1,…,yn} が与えられたときの混合確率分布P(θ|Yn)は、次式
(1)で与えられる。
る比率である。また、θは全てのパラメータwi、θiを
まとめて表したものである。
パラメータθの関数と見なして混合尤度と呼ぶ。
めに、各ピクセルがどの領域に属するかを適切に分割す
る必要がある。そのためには、得られたピクセル値の分
布を最もよく説明する混合尤度を求めればよい。
ータを求めればよい。これは、統計学で最尤法として知
られる方法である。最尤法においては、次式(2)で定
義される混合対数尤度(尤度関数)を最大化してもよ
い。
均ピクセル値とピクセル値の分散を用いる場合には、各
領域の混合比率w、ピクセルの平均値、分散を各領域に
対して求める必要があり、あらかじめ領域抽出が行われ
ていなければ困難である。
ピクセルがどの領域に属するかを示す隠れた変数Zを新
たに導入し、この変数の推定値を用いて混合尤度を最大
化する。混合尤度の最大化の過程において、各領域の混
合比率w、ピクセルの平均値、分散を同時に推定するこ
とができる。その原理は以下のようなものである。
度を、Bayesの公式を用いて変数Zを含むように書き換え
ると、次式(3)で表される。
事前分布と呼ばれるものであるが、この量はθを含ま
ず、混合対数尤度の最大化とは無関係であるため、以下
では定数とみなして無視する。
タとパラメータが与えられたもとでのZの確率分布P(Z|
θ,Yn)を掛けてzに関する期待値をとると、次式(4)
となる。
にするパラメータを求めることができる。
想的なデータ(上の例ではZ)がある場合に、尤度を最
大化する方法は、従来より統計学の分野でEMアルゴリズ
ムとして知られている。EMアルゴリズムに関しては、た
とえば文献A.P.Dempsteret al., Maximum Likelih
ood from Incomplete Data via EM Algorithm,P
roceedings of the Royal Statistical Society,
pp.1-38(1977)に詳しい。
るパラメータθ*が得られれば、このθ*を用いて求めた
zの期待値は、各ピクセルが各々の領域に属する領域帰
属確率と見なすことができる。
目の領域に帰属するとき1、それ以外の時0をとる変数
であるとした場合、その期待値 h(j,i)=Eθ*z(j,i) は0から1の間にある値をとる領域帰属確率となる。
いて領域を分離する。
ピクセルは、h(j,2)の値の大きなピクセルから選べばよ
い。同様にして頭皮、それ以外の領域はそれぞれh(j,
1)、h(j,0)の値が大きなピクセルを選択することによっ
て抽出できる。
帰属確率を用いて各領域を明確に分離することができ、
分離された各領域の境界のピクセルを輪郭として、自動
的に各領域の輪郭抽出を行うことができる。
てさらに詳細に説明する。以下の説明において用いる記
号は、上記説明で用いた記号の使用法にしたがうものと
する。また、以下の実施例では、MRI装置で撮影され
た人体頭部の断層画像から、脳、頭皮、外部の3つの領
域を抽出し、それぞれの輪郭を求める方法を例にとって
説明するが、例えば人体胸部の心臓や、その他の臓器の
輪郭を抽出する場合においても同様な方法で行うことが
できる。また、MRI装置以外の機器、例えばCTスキ
ャン装置や超音波診断装置を用いて撮影された画像に対
しても、同様な方法で実行できる。
(以下「ピクセル」という)が持つ輝度によって表現さ
れている。輝度は、通常0から255などの値をとり、
ピクセルの値が大きくなるほど画像は白く表示される。
輪郭抽出は、この輝度の値を手がかりとし、輝度の値が
近いピクセルを同じ領域に属するものとして、領域を分
離する。以下では、頭部以外の領域を領域0、頭皮を領
域1、脳を領域2として説明する。
ラメータとして、各領域に属するピクセルの平均輝度μ
i及び分散σi 2(i=0,1,2)を用いる。以下では、これらの
パラメータを「領域パラメータ」という。
装置の構成を示すブロック図である。図2乃至図4は、
本発明の第1の実施例の輪郭抽出装置の処理手順を示す
フローチャートである。
MRI装置などで撮影された画像データの入力装置11
から入力し、該入力画像データの特性を解析するデータ
解析装置1と、与えられた画像の各ピクセルの値に基づ
いて領域帰属確率を算出する領域帰属確率算出装置2
と、評価関数の値が増加、あるいは減少するように領域
パラメータを更新するパラメータ更新装置3と、更新さ
れた領域パラメータから評価関数を算出する評価関数算
出装置4と、推定された領域帰属確率に基づいて、各ピ
クセルがどの領域に属するかを決定する領域分離装置5
と、各領域の境界となるピクセルについて、指定された
ピクセルが、指定された領域に属しているかどうかを判
定する領域帰属判定装置6と、抽出された領域から、順
序の着いた輪郭線を生成する境界抽出装置7と、輪郭抽
出の対象となる画像を入力する入力装置11と、輪郭抽
出の結果を出力する出力装置12と、を備えて構成され
ている。
置における輪郭抽出の処理について、図1及び図2乃至
図4の流れ図を参照して説明する。
どで撮影された人体頭部の画像データを入力する(ステ
ップ101)。この入力装置11は、例えば画像スキャ
ナなどを用いて実現できる。あるいは、MRI装置など
からコンピュータ・ネットワークを通して画像データを
直接入力することも可能である。入力装置11は、読み
込んだデータをデータ解析装置1へ送る。
ップ101で読み込んだデータに対し、その特性を解析
する(ステップ102)。データの特性としては、例え
ば全ピクセル値の平均や分散などがある。
づいて、各領域を特徴付ける領域パラメータの初期値を
定める(ステップ103)。例えば人体頭部のMRI画
像においては、脳領域が最も高い輝度を持ち、外部は最
も低い輝度で表され、頭皮領域はその中間の輝度を持
つ。したがって、例えば、各領域を特徴付ける領域パラ
メータとして、ピクセル値の平均と分散を取り、各領域
0、1、2におけるピクセル値の平均値μi(i=0,
1,2)の初期値を次式(7)で求める。
み係数で、それぞれ、例えば、 a0=1/6, a1=2/6, a2=3/6 などとおく。
価関数の最適化におけるパラメータの更新が速やかに収
束する。
部以外の領域)における初期値を小さくとり、それ以外
の領域の初期値は、画像全体の分散をそのまま用いても
良い。
数が3ならば、すべて1/3として初期化するようにし
てもよい。
各ピクセルが各々の領域に属する確率を算出する(ステ
ップ104)。
のような方法を用いる。
属するか、属さないかがあらかじめ分かっているのであ
れば、上式(1)で定義した混合確率は、次式(8)で
与えられる。
の領域に属するとき1、それ以外の時0となる変数であ
る。この変数は、実際には観測できないため、その期待
値h(j,i)を求めてこれを領域帰属確率とする。領域帰属
確率を具体的に表すと次式(9)で与えられる。
合確率分布が増加するように領域パラメータwi,θiを変
更する(ステップ105)。
θi)が平均μi、分散σi 2の正規分布にしたがう場合を
例にとって説明する。
は、上式(5)で定義されるQを最大にするように、w,
μ、σi 2を更新すればよい。
タを更新する。
ラメータを評価関数算出装置4に送る。
装置3で更新された領域パラメータを用いて、評価関数
を算出する(ステップ106)。
のものを用いて良い。この場合、混合分布の値が大きい
ほど推定結果は良い。評価関数においては、この他に
も、ストラクチュラル・リスクを用いても良いし、記述
長を用いても良い。さらに、赤池の情報量(AIC:Akaike
Information Criteria)を用いることもできる。
メータの数から算出され、混合尤度が大きいほど、また
用いられる領域パラメータの数が少ないほど値は小さく
なる。
いほど推定結果が良いことを表す。これらの評価関数の
具体的な算出法については、例えば、特願平10−12
4851号の記載が参照される。
において、更新された領域パラメータを用いて算出され
た新しい評価関数値と、更新前の領域パラメータを用い
て算出されている前回の評価関数値を比較し、その差
が、予め定められた所定の値より小さければ、ステップ
108に進み、それ以外の場合にはステップ104に戻
り、新しい領域パラメータを用いて領域帰属確率を再び
算出する。
を繰り返すことにより、混合確率分布を最大にする領域
パラメータおよび領域帰属確率を求めることができる。
大化が完了した後、得られた領域帰属確率および領域パ
ラメータを領域分離装置5に送る。
て、各領域を分離する(ステップ108)。
すため、ここでは、図5に示す人体頭部のMRI画像か
ら、脳に対応する領域を抽出する手続きを例にとって説
明するが、その他の領域に関しても、全く同様な手続き
で処理を実行できる。
あらかじめ番号が付けられているものとする。
て表現される。図6において、黒で反転表示されたピク
セルに囲まれた領域52をRで表すと、ピクセルの番号
を用いて、 R={258,259,260,514,515,516,770,771,772} と表現できる。
て、ピクセル番号の集合として表現できる。
ピクセルの集合52を用いて示される境界線Bは、ピク
セルの番号を用いて、 B={258,259,260,514,516,770,771,772} と表現できる。
の集合R(以下、「領域内点集合」という)は、1このピ
クセル(515)からなる集合となる。
分離装置5では、まず各ピクセルの領域帰属確率h(j,2)
を領域帰属判定装置6へ送る。
領域帰属判定装置6から脳領域に属していることを示す
信号が返されたとき、これを、最初の領域内点pとする
(図3のステップA1)。
(j,2)の値が0.9以上である、あるいは、0.1以下でな
い、などの条件を満たす場合に領域に帰属するものとみ
なす。実際には、最終的に得られた領域帰属確率は、領
域に属さない点の確率値がほとんど0.0であるため、閾
値を陽(explicit)に設定する必要はない。
集合N(p)を取得し、これを最初の境界候補集合Cとする
(ステップA2)。近傍点N(p)とは、点pに近接する点
を意味し、例えば、図6において、515番目の点の近
傍点N(515)は、 N(515)={258,259,230,514、516,770,771,772} となる。境界候補集合Cは、脳の輪郭点の候補となる。
補点)cに対し、その近傍点N(c)を求める(図3のステ
ップA3)。
領域帰属確率を領域帰属判定装置6に送り、領域内点か
どうかを判定する(図3のステップA4)。
ての近傍点N(c)が領域内点であると判定されれば、
点cは領域内点で囲まれていることを意味するから、点
cを領域内点集合Rへ追加する(図3のステップA5)。
(c)に、領域内点では無い点が少なくとも1個含まれ
ているのであるならば、Cは領域外の点に隣接すること
を意味するから、cを境界点集合Bに追加する(図3の
ステップA6)。
と判定された点で、まだ領域内点集合Rへ追加されてい
ない新たな領域内点があれば、これらの点を、境界候補
集合Cへ追加する(図3のステップA7)。
の新たな追加点があったかどうかを調べ、新たな追加点
があれば、ステップA3に戻り、新たな追加点がなけれ
ば、領域抽出は完了しているので、図1のステップ10
9に進む。
8を、新たな追加点がなくなるまで繰り返すことで、最
終的に脳の輪郭を表す点の集合である境界点集合Bが得
られる。
と領域内点集合Rを境界抽出装置7へ送る。
られた領域内点集合Rに基づいて、輪郭を抽出する。
は、各境界点の順序が考慮されておらず、応用上利用さ
れにくい場合がある。例えば抽出された輪郭データを用
いて人体頭部のコンピュータ・グラフィクスなどを作成
する場合には、順序づけられた多角形の集合を生成しな
ければならないが、このためには境界点のデータが順序
づけられていなければならない。
を生成するために用いられる。
まず、境界点集合Bのなかから、例えば4点を選ぶ。こ
れを順序づけられた境界点集合B’の初期集合とし、こ
れらの点をB'={b1,b2,b3,b4}とする(図4のステップB
1)。境界点集合の初期集合としては、必ずしも4点で
なくともよく、3点以上の点を指定すればよい。
B’の各点を順番に、b1→b2→b3→b4→b1と動いたと
き、2次元画像上で時計回りの閉曲線を描くように順序
づけする。順序づけの方向としては、これに限らず、反
時計回りでもよく、全ての境界点集合で方向が統一され
ていればよい。
間点を追加する(図4のステップB2)。これを、例えば
{b1,b12,b2,b23,b3,b34,b4,b41}と表す。中間点として
は、例えばb12の場合、2点b1,b2を結ぶ直線を2等分す
る点を用いる。
合は、b12,b23,b34,b41)について、その点が境界点かど
うか調べる(図4のステップB3)。
る点として採用し、ステップB4へ進む。境界点でなけ
れば、図4のステップB5へ進む。
境界点として定まった時点でB’に新たな中間点が追加
できるかどうか調べ、追加可能であればステップB2へ
進む。追加可能でない場合は、ステップ110へ進み、
輪郭抽出の結果である、順序づけられた境界点集合B’
を出力して終了する。追加可能でない場合とは、例え
ば、B’に属する隣り合う点同士全てが互いに隣接して
おり、中間点が存在しない場合などである。したがっ
て、このことは、全ての境界点が連結していることを意
味し、所望の輪郭線が得られていることになる。
点となっているかどうかを調べ、領域内点であれば、外
部方向へ向けて1ピクセル分だけ中間点を移動する(図
4のステップB6)。
て中間点を1ピクセル分だけ移動する(図4のステップ
B7)。内部方向または外部方向へ中間点を移動した
後、再びステップB3へ進み、境界点となっているかど
うかを調べる。
置1と、領域帰属確率算出装置2と、パラメータ更新装
置3と、評価関数算出装置4と、領域分離装置5と、領
域帰属判定装置6と、境界抽出装置7の各装置は、画像
処理装置を構成するコンピュータまたは画像信号処理プ
ロセッサ上で実行されるコンピュータによってその処理
・機能を実現するようにしてしてもよい。この場合、各
処理を制御するプログラムもしくはファームウエアは、
上記したフローチャートに従って実現され、該プログラ
ム(ファームウエア)を格納した記録媒体から、該記録
媒体の読み出し装置を介して、該プログラムをコンピュ
ータの主記憶装置に読み出して実行することで各装置の
機能が実現され、本発明を実施することができる。
る。なお、本発明の第1の実施例での処理と共通する処
理については省略する。図7は、本発明の第2の実施例
における輪郭抽出装置の構成を示すブロック図であり、
図8は、本発明の第2の実施例における輪郭抽出装置の
処理手順を示すフロー・チャートである。
出装置に対し、与えられた画像を粗視化するデータ粗視
化装置8および、粗視化されたデータを再び細分化する
データ細分化装置9を追加したものである。
置の処理について、図8を参照して説明する。
を実行した後、データ粗視化装置8において、得られた
画像を粗視化する。粗視化の具体的な方法は、以下の通
りである。
たピクセルにおいて、番号{1,2,257,258}のピクセル値
の和を取り、これをピクセルの数4で割って、平均値を
求め、これを粗視化されたデータのピクセル番号1の値
とする。
ル集合を粗視化して、粗視化されたデータのピクセル番
号2の値とする。
2の全ピクセル集合について行えば、粗視化された画像
データが得られる。粗視化の大きさは2×2に限らず、
その他の大きさで行っても同様に実行できることは勿論
である。
となるピクセルの数は1/4となり、輪郭抽出の処理時
間を短縮することができる。
ため、本来の輪郭とは無関係な汚れや細部の凹凸の影響
を軽減することができる。データ粗視化装置8は、デー
タの粗視化を行った後、データをデータ解析装置1に送
る。
プ102からステップ107を実行し、評価関数の最適
化を完了した後、ステップ112において、粗視化され
た画像が細分化可能かどうかを調べる。
で行われているのであれば、次回の粗視化は、例えば8
×8で行うようにする。これを繰り返して粗視化の大き
さが1×1になったとき、これ以上の粗視化は実行でき
ないので、ステップ108に進む。粗視化が可能であれ
ばステップ113に進む。
において、領域帰属確率に基づき、外部領域部分を削除
し、ステップ114に進む。これによって輪郭抽出の対
象となるピクセルはさらに削減され、さらなる処理の高
速化が可能となる。
セルを、細分化し、データ解析装置102に送る。
て、実際のMRI画像から脳に対応する領域の輪郭を抽
出し、評価した結果の具体例について説明する。
像データであり、白い部分が脳に対応する領域、それを
囲む白い領域が頭皮に対応する、周辺の黒い部分が外部
領域である。
れの領域に対する領域帰属確率を求め、その結果を示し
たのものが、図9、図10、図11である。
域帰属分布を求めてある。図9は、外部領域に帰属する
確率分布を示しており、各ピクセルが外部に属する確率
が高いほど白く表示されている。同様にして図10は、
頭皮領域に属する確率、図11は、脳に属する確率の分
布をそれぞれ示している。これらの図からも明らかなよ
うに、領域帰属確率を求めた時点で、粗い領域分離はほ
ぼ完了していると言える。
抽出された、脳の輪郭を示している。もとのMRI画像
においては、脳以外の領域においても輝度の高いピクセ
ルが存在するが、そのような部分を誤って抽出すること
なく、正確に脳の輪郭が抽出できていることがわかる。
ば、輪郭抽出の対象となる物体の像を含む画像データに
対し、前記画像の各点が持つ属性に基づいて、画像各点
が各領域に属する確率である領域帰属確率を用いて、前
記各点が属する領域を分離し、前記領域間の境界を輪郭
として抽出する構成したことにより、領域分類の閾値を
陽に設定することなく、自動的に各領域の輪郭を抽出す
ることができるとともに、輪郭領域抽出を高速化する、
という効果を奏する。
である。
フローチャートである。
フローチャートである。
フローチャートである。
画像である。
明する図である。
である。
フローチャートである。
図である。
である。
ある。
を示した図である。
Claims (19)
- 【請求項1】輪郭抽出の対象となる物体の像を含む画像
データに対して、前記画像の各点が持つ属性に基づい
て、前記画像の各点が属する領域を分離し前記領域間の
境界を輪郭として抽出する輪郭抽出方法であって、 (a)前記画像の各点が持つ属性の混合確率分布を規定
するパラメータを初期化する第1の工程と、 (b)前記画像の各点が前記領域の各々に属する領域帰
属確率を算出する第2の工程と、 (c)前記混合確率分布が増加するように前記パラメー
タを更新する第3の工程と、 (d)前記更新されたパラメータによって規定される前
記混合確率分布から推定の良さの尺度となる評価関数を
算出する第4の工程と、 (e)前記領域帰属確率の値に基づいて、前記画像の各
点が属する各領域を分離する第5の工程と、 (f)前記分離された領域間の境界を抽出する第6の工
程と、 (g)前記領域帰属確率に基づいて、前記画像の各点
が、求められた領域の領域内点であるか領域外点である
かを判定する第7の工程と、 を含む、ことを特徴とする輪郭抽出方法。 - 【請求項2】予め定められた所定の条件が満たされるま
で、前記第2、第3、呼び第4の工程を繰り返して行
う、ことを特徴とする請求項1記載の輪郭抽出方法。 - 【請求項3】前記画像の各点が属する各領域を分離する
第5の工程において、 (e-1)一つの領域内点を求め、これを領域内点集合の
初期集合とし、 (e-2)前記領域内点集合に属する点の近傍点を取得
し、前記近傍点を境界候補集合の初期集合とし、 (e-3)前記境界候補集合の各点から領域内点集合に属
する点を選択して領域内点集合へ追加し、 (e-4)前記領域内点集合へ新たに追加される点がなく
なった時点で、前記第6の工程へ前記領域内点集合を送
り、 (e-5)前記領域内点集合を選択する際に、前記境界候
補集合に属する各点に対して、その近傍点を取得し、前
記近傍点全てが領域内点であれば、前記境界候補集合に
属する点を領域内点集合に追加し、 (e-6)前記近傍点の中に少なくとも一つの領域外点が
含まれていれば、該境界候補集合に属する点を境界点集
合へ追加し、 (e-8)前記近傍点に属する領域内点のうち、領域内点
集合に追加されていない領域内点を、前記境界候補集合
へ追加する、 ことを特徴とする請求項1記載の輪郭抽出方法。 - 【請求項4】前記領域間の境界を抽出する第6の工程に
おいて、 (f-1)順序づけられた境界点集合の初期値を設定し、 (f-2)前記順序づけられた境界点集合に属する各点の中
間点を追加し、 (f-3)前記中間点が境界点となるまで移動させ、新なた
中間点を追加できなくなるまで繰り返し、 (f-4)前記中間点の移動において、該中間点がすでに境
界点であれば順序づけられた境界点集合へ追加し、該中
間点が領域内点であれば領域外部方向へ中間点を移動
し、該中間点が領域外点であれば領域内部で移動させ
る、 ことを特徴とする請求項2又は3記載の輪郭抽出方法。 - 【請求項5】前記画像を粗視化する第8の工程と、 前記粗視化された画像を細分化する第9の工程と、 所定の領域に属する確率が小さな点を削除する第10の
工程と、 をさらに有することを特徴とする請求項2乃至4のいず
れか一に記載の輪郭抽出方法。 - 【請求項6】前記評価関数として、前記混合確率分布を
使用することを特徴とする請求項1及至5いずれか一に
記載の輪郭抽出方法。 - 【請求項7】前記評価関数として、前記混合確率分布と
前記パラメータの数から算出されるストラクチュラル・
リスク(Structural Risk)を用いることを特徴とする請
求項1及至5のいずれか一に記載の輪郭抽出方法。 - 【請求項8】前記評価関数として、前記混合確率分布と
前記パラメータの数から算出される記述長を用いること
を特徴とする請求項1及至5のいずれか一に記載の輪郭
抽出方法。 - 【請求項9】前記評価関数として、前記混合確率分布と
前記パラメータの数から算出される赤池の情報量基準
(AIC)を用いることを特徴とする、請求項1及至5
のいずれか一に記載の輪郭抽出方法。 - 【請求項10】輪郭抽出の対象となる物体の像を含む画
像データに対して、前記画像の各点が持つ属性に基づい
て、前記各点が属する領域を分離し、前記領域間の境界
を輪郭として抽出する輪郭抽出装置であって、 前記画像の各点が持つ属性の混合確率分布を規定するパ
ラメータを初期化する第1の手段と、 前記画像の各点が前記領域の各々に属する領域帰属確率
の期待値を算出する第2の手段と、 前記混合確率分布が増加するように前記パラメータを更
新する第3の手段と、 前記更新されたパラメータによって規定される前記混合
確率分布から、推定の良さの尺度となる評価関数を算出
する第4の手段と、 前記領域帰属確率の値に基づいて各領域を分離する第5
の手段と、分離された前記領域間の境界を抽出する第6
の手段と、 前記領域帰属確率に基づいて、画像各点が領域内点か領
域外点かを判定する第7の手段と、 を備えたことを特徴とする輪郭抽出装置。 - 【請求項11】前記画像を粗視化する第8の手段と、 前記粗視化された画像を細分化する第9の手段と、 所定の領域に属する確率が小さな点を削除する第10の
手段と、 を有することを特徴とする請求項10記載の輪郭抽出装
置。 - 【請求項12】輪郭抽出の対象となる物体の像を含む画
像データを入力手段から入力し、前記画像の各点が持つ
属性に基づいて、前記画像の各点が各領域に属する確率
である領域帰属確率を算出し、該領域帰属確率を用いて
前記画像各点が属する領域を分離し、前記領域間の境界
を輪郭として抽出する、ことを特徴とする領域輪郭抽出
方法。 - 【請求項13】(a)入力手段から入力された、輪郭抽
出の対象となる物体の像を含む、画像データに対して、
画像の各点が持つ属性に基づいて、画像の各点が領域の
それぞれに属する領域帰属確率の期待値を算出するステ
ップと、 (b)画像の各点が持つ属性の混合確率分布を規定する
パラメータを更新するステップと、 (c)前記領域帰属確率と前記パラメータとから求めら
れる混合確率分布に基づいて評価関数を算出するステッ
プと、 (d)前記評価関数が所定の条件を満たす場合に、前記
領域帰属確率に基づいて各領域を分離し、該分離された
領域に基づいて輪郭を抽出するステップと、 を含む、ことを特徴とする領域輪郭抽出方法。 - 【請求項14】入力装置から入力された画像データの特
性を解析し、画像の各領域を特徴付ける領域パラメータ
の初期値を定めるデータ解析装置と、 画像の各点の値に基づいて、画像の各点がそれぞれの領
域に属する確率(「領域帰属確率」という)を算出する
領域帰属確率算出装置と、 用いる評価関数に応じて評価関数の値が増大するか、も
しくは減少するように前記領域パラメータを更新するパ
ラメータ更新装置と、 更新された領域パラメータから評価関数を算出する評価
関数算出装置と、 前記評価関数が予め定められた所定の終了条件を満たす
場合、推定された領域帰属確率に基づき、画像の各点が
どの領域に属するかを決定する領域分離装置と、 各領域の境界となる画像の点について、指定された点
が、指定された領域に属しているかどうかを判定する領
域帰属判定装置と、 抽出された領域から順序の付いた輪郭線を生成する境界
抽出装置と、 輪郭抽出の結果を出力する出力装置と、を備えことを特
徴とする輪郭抽出装置。 - 【請求項15】前記評価関数算出装置において算出され
た評価関数の値と更新前の領域パラメータを用いて算出
された前回の評価関数の値との差が予め定められた所定
値以上の場合、前記領域帰属確率算出装置において、新
しい領域パラメータを用いて領域帰属確率を再び算出
し、前記パラメータ更新装置での領域パラメータの更
新、前記評価関数算出装置での評価関数の算出を行い、 前記差が前記所定値よりも小の場合、前記画像の各点が
持つ値の各領域での確率の加重平均をとった混合確率分
布を最大にする領域パラメータおよび領域帰属確率が求
められ、前記評価関数算出装置は、前記混合確率分布の
最大化が完了した後、得られた領域帰属確率及び領域パ
ラメータを前記領域分離装置に送る、ことを特徴とする
請求項14記載の輪郭抽出装置。 - 【請求項16】前記領域分離装置が、 最初の領域内点を求め、前記領域内点の近傍点を取得
し、前記近傍点を最初の境界候補点集合とする手段と、 前記境界候補点の近傍点を取得する手段と、 前記近傍点のすべての点が領域内点である場合、前記境
界候補点を領域内点集合Rに追加し、一方、前記近傍点
のすべての点が領域内点でない場合、前記境界候補点を
境界点集合に追加する手段と、 前記境界候補点の近傍点に属する領域内点のうち領域内
点集合に登録されていない領域内点を前記境界候補点集
合に追加する手段と、 を備え、 前記境界候補点集合への追加があった場合、前記境界候
補点の近傍点を取得する手段から処理を繰り返す、こと
を特徴とする請求項14記載の輪郭抽出装置。 - 【請求項17】前記境界抽出装置が、 前記境界点集合のなかから所定個数の点を選び、これを
順序付けられた境界点集合の初期集合とする手段と、 前記順序付けられた境界点集合に属する各境界点の間に
中間点を追加する手段と、 前記新しく追加された各中間点について該中間点が境界
点であるかどうか調べる手段と、 前記中間点が境界点であれば、前記順序づけられた境界
点集合に属する点として採用し、全ての中間点が境界点
として定まった時点でに新たな中間点が追加できるかど
うかを調べ、追加可能であれば、前記中間点を追加する
手段の処理を行い、追加可能でない場合には、輪郭抽出
の結果である、順序付けられた境界点集合を出力する手
段と、 前記中間点が境界点ではない場合には、領域内点となっ
ているかどうかを調べ、領域内点である場合外部方向へ
向けて中間点を移動し、一方、領域内点でなければ、領
域内部方向へ向けて中間点を移動させる手段と、 領域内部方向または外部方向へ中間点を移動した後、前
記中間点についてその点が境界点であるかどうか調べる
手段とを備えた、ことを特徴とする請求項14記載の輪
郭抽出装置。 - 【請求項18】前記入力装置から入力された画像データ
を粗視化して前記データ解析装置に出力するデータ粗視
化装置を備え、 前記評価関数算出装置で算出された評価関数が所定の終
了条件を満たす場合において、細分化が可能である場
合、領域帰属確率に基づき外部領域部分を削除し、削除
後に残った画像の点を細分化し、前記データ解析装置に
送るデータ細分化装置を備えたことを特徴とする請求項
14記載の輪郭抽出装置。 - 【請求項19】(a)入力装置から入力された画像デー
タからその特性を解析し、画像の各領域を特徴付ける領
域パラメータの初期値を定めるデータ解析処理と、 (b)画像の各点の値に基づいて、画像の各点が各々の
領域に属する確率(「領域帰属確率」という)を算出す
る領域帰属確率算出処理と、 (c)用いる評価関数に応じて評価関数の値が増大する
か、もしくは減少するように前記領域パラメータを更新
するパラメータ更新処理と、 (c)更新された領域パラメータから評価関数を算出す
る評価関数算出処理と、 (d)前記評価関数が所定の終了条件を満たす場合、推
定された領域帰属確率に基づき、画像の各点がどの領域
に属するかを決定する領域分離処理と、 (f)各領域の境界となる画像の点について、指定され
た点が、指定された領域に属しているかどうかを判定す
る領域帰属判定処理と、 (g)抽出された領域から、順序の付いた輪郭線を生成
する境界抽出処理と、の上記(a)乃至(g)の各処理
をコンピュータで実行するためのプログラムを記録した
記録媒体。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP26966099A JP3534009B2 (ja) | 1999-09-24 | 1999-09-24 | 輪郭抽出方法及び装置 |
US09/666,150 US6788816B1 (en) | 1999-09-24 | 2000-09-20 | Contour extraction method and apparatus |
CA002320375A CA2320375C (en) | 1999-09-24 | 2000-09-21 | Contour extraction method and apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP26966099A JP3534009B2 (ja) | 1999-09-24 | 1999-09-24 | 輪郭抽出方法及び装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2001092980A true JP2001092980A (ja) | 2001-04-06 |
JP3534009B2 JP3534009B2 (ja) | 2004-06-07 |
Family
ID=17475450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP26966099A Expired - Fee Related JP3534009B2 (ja) | 1999-09-24 | 1999-09-24 | 輪郭抽出方法及び装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US6788816B1 (ja) |
JP (1) | JP3534009B2 (ja) |
CA (1) | CA2320375C (ja) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004024875A (ja) * | 2002-06-21 | 2004-01-29 | Koninkl Philips Electronics Nv | 灌流画像を分析するための方法、装置及びソフトウェア |
JP2004174220A (ja) * | 2002-10-01 | 2004-06-24 | Japan Science & Technology Agency | 画像処理装置、画像処理方法、及び当該画像処理方法をコンピュータに実行させるプログラムを格納する記録媒体 |
WO2005057498A1 (en) * | 2003-12-12 | 2005-06-23 | Agency For Science, Technology And Research | Method and apparatus for identifying pathology in brain images |
US7136540B2 (en) | 2002-04-10 | 2006-11-14 | Nec Corporation | Picture region extraction method and device |
JPWO2005010206A1 (ja) * | 2003-07-29 | 2007-09-27 | 日本電気株式会社 | 染色体状態の評価方法および評価システム |
JP2007307358A (ja) * | 2006-04-17 | 2007-11-29 | Fujifilm Corp | 画像処理方法および装置ならびにプログラム |
JP2010500655A (ja) * | 2006-08-07 | 2010-01-07 | ゼネラル・エレクトリック・カンパニイ | 画像構造の自動セグメンテーション方法及びシステム |
KR100951890B1 (ko) | 2008-01-25 | 2010-04-12 | 성균관대학교산학협력단 | 상황 모니터링을 적용한 실시간 물체 인식 및 자세 추정 방법 |
JP2011245205A (ja) * | 2010-05-31 | 2011-12-08 | Ge Medical Systems Global Technology Co Llc | 磁気共鳴イメージング装置、スライス位置設定方法、およびプログラム |
JP2016522720A (ja) * | 2013-09-26 | 2016-08-04 | コリア インスティテュート オブ コンストラクション テクノロジー | 複合媒質からなる試片に対するx線ct画像の最小単位に存在する各純粋媒質の体積比の測定方法 |
US11206983B2 (en) | 2017-05-26 | 2021-12-28 | Allm Inc. | Brain image data processing apparatus, brain image data processing method, and brain image data processing program |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100434040C (zh) * | 2005-06-30 | 2008-11-19 | 上海西门子医疗器械有限公司 | 在ct定位像上沿胸腔内边界自动设置重建视野的方法 |
US20080032321A1 (en) * | 2006-08-07 | 2008-02-07 | General Electric Company | System and methods for analyzing images of tissue samples |
US8131476B2 (en) * | 2006-08-07 | 2012-03-06 | General Electric Company | System and method for co-registering multi-channel images of a tissue micro array |
JP5557091B2 (ja) * | 2010-03-30 | 2014-07-23 | 日本電気株式会社 | 画像処理装置、画像読取装置、画像処理方法及び画像処理プログラム |
EP2646978A1 (en) * | 2010-12-01 | 2013-10-09 | BrainLAB AG | Longitudinal monitoring of pathology |
JP5742399B2 (ja) * | 2011-04-06 | 2015-07-01 | 富士ゼロックス株式会社 | 画像処理装置及びプログラム |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS58130030A (ja) * | 1981-10-05 | 1983-08-03 | 工業技術院長 | X線ディジタル画像処理装置 |
US5168530A (en) * | 1988-08-29 | 1992-12-01 | Raytheon Company | Confirmed boundary pattern matching |
US5081689A (en) * | 1989-03-27 | 1992-01-14 | Hughes Aircraft Company | Apparatus and method for extracting edges and lines |
JPH0820725B2 (ja) * | 1990-02-06 | 1996-03-04 | 大日本スクリーン製造株式会社 | 画像輪郭データの作成方法 |
JP3405776B2 (ja) * | 1993-09-22 | 2003-05-12 | コニカ株式会社 | 切り抜き画像の輪郭線探索装置 |
US5420971A (en) * | 1994-01-07 | 1995-05-30 | Panasonic Technologies, Inc. | Image edge finder which operates over multiple picture element ranges |
US6289136B1 (en) * | 1995-03-22 | 2001-09-11 | Canon Kabushiki Kaisha | Image processing method and apparatus |
JP3735893B2 (ja) * | 1995-06-22 | 2006-01-18 | セイコーエプソン株式会社 | 顔画像処理方法および顔画像処理装置 |
JPH09138471A (ja) * | 1995-09-13 | 1997-05-27 | Fuji Photo Film Co Ltd | 特定形状領域の抽出方法、特定領域の抽出方法及び複写条件決定方法 |
JP3647970B2 (ja) | 1996-05-10 | 2005-05-18 | フクダ電子株式会社 | 領域抽出装置 |
US6081658A (en) * | 1997-12-31 | 2000-06-27 | Avant! Corporation | Proximity correction system for wafer lithography |
US6529630B1 (en) * | 1998-03-02 | 2003-03-04 | Fuji Photo Film Co., Ltd. | Method and device for extracting principal image subjects |
JP3156772B2 (ja) | 1998-05-07 | 2001-04-16 | 日本電気株式会社 | 生体内部活動領域推定方法、装置及びその記録媒体 |
-
1999
- 1999-09-24 JP JP26966099A patent/JP3534009B2/ja not_active Expired - Fee Related
-
2000
- 2000-09-20 US US09/666,150 patent/US6788816B1/en not_active Expired - Fee Related
- 2000-09-21 CA CA002320375A patent/CA2320375C/en not_active Expired - Fee Related
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7136540B2 (en) | 2002-04-10 | 2006-11-14 | Nec Corporation | Picture region extraction method and device |
JP4515721B2 (ja) * | 2002-06-21 | 2010-08-04 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 灌流画像を分析するための方法、装置及びソフトウェア |
JP2004024875A (ja) * | 2002-06-21 | 2004-01-29 | Koninkl Philips Electronics Nv | 灌流画像を分析するための方法、装置及びソフトウェア |
JP2004174220A (ja) * | 2002-10-01 | 2004-06-24 | Japan Science & Technology Agency | 画像処理装置、画像処理方法、及び当該画像処理方法をコンピュータに実行させるプログラムを格納する記録媒体 |
US7840357B2 (en) | 2003-07-29 | 2010-11-23 | Nec Corporation | Method of evaluating chromosome state and evaluation system |
JPWO2005010206A1 (ja) * | 2003-07-29 | 2007-09-27 | 日本電気株式会社 | 染色体状態の評価方法および評価システム |
JP4609322B2 (ja) * | 2003-07-29 | 2011-01-12 | 日本電気株式会社 | 染色体状態の評価方法および評価システム |
WO2005057498A1 (en) * | 2003-12-12 | 2005-06-23 | Agency For Science, Technology And Research | Method and apparatus for identifying pathology in brain images |
US7889895B2 (en) | 2003-12-12 | 2011-02-15 | Agency For Science, Technology And Research | Method and apparatus for identifying pathology in brain images |
JP2007307358A (ja) * | 2006-04-17 | 2007-11-29 | Fujifilm Corp | 画像処理方法および装置ならびにプログラム |
JP2010500655A (ja) * | 2006-08-07 | 2010-01-07 | ゼネラル・エレクトリック・カンパニイ | 画像構造の自動セグメンテーション方法及びシステム |
KR100951890B1 (ko) | 2008-01-25 | 2010-04-12 | 성균관대학교산학협력단 | 상황 모니터링을 적용한 실시간 물체 인식 및 자세 추정 방법 |
JP2011245205A (ja) * | 2010-05-31 | 2011-12-08 | Ge Medical Systems Global Technology Co Llc | 磁気共鳴イメージング装置、スライス位置設定方法、およびプログラム |
JP2016522720A (ja) * | 2013-09-26 | 2016-08-04 | コリア インスティテュート オブ コンストラクション テクノロジー | 複合媒質からなる試片に対するx線ct画像の最小単位に存在する各純粋媒質の体積比の測定方法 |
US11206983B2 (en) | 2017-05-26 | 2021-12-28 | Allm Inc. | Brain image data processing apparatus, brain image data processing method, and brain image data processing program |
Also Published As
Publication number | Publication date |
---|---|
CA2320375A1 (en) | 2001-03-24 |
JP3534009B2 (ja) | 2004-06-07 |
US6788816B1 (en) | 2004-09-07 |
CA2320375C (en) | 2007-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3534009B2 (ja) | 輪郭抽出方法及び装置 | |
EP0977151B1 (en) | Image processing apparatus, image processing method, and storage medium | |
US6396939B1 (en) | Method and system for segmentation of medical images | |
JP3999964B2 (ja) | 目を検出するマルチモードデジタル画像処理方法 | |
JP2008520345A (ja) | 超音波画像における病変の検出及び分類方法、及びそのシステム | |
US20090252429A1 (en) | System and method for displaying results of an image processing system that has multiple results to allow selection for subsequent image processing | |
Aranguren et al. | Improving the segmentation of magnetic resonance brain images using the LSHADE optimization algorithm | |
CN110197716B (zh) | 医学影像的处理方法、装置及计算机可读存储介质 | |
JP2000215319A (ja) | 画像抽出方法及び装置並びに記憶媒体 | |
CN111815606B (zh) | 图像质量评估方法、存储介质及计算装置 | |
JP2009541838A (ja) | 画像値を含む画像において閾値を定めるための方法、システム及び計算機プログラム | |
CN111951276A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
Saad et al. | A survey on training challenges in generative adversarial networks for biomedical image analysis | |
CN111260667A (zh) | 一种结合空间引导的神经纤维瘤分割方法 | |
US20090116731A1 (en) | Method and system for detection of concha and intertragal notch point in 3D undetailed ear impressions | |
JP2002230549A (ja) | 画像処理方法およびその装置 | |
Skounakis et al. | ATD: A multiplatform for semiautomatic 3-D detection of kidneys and their pathology in real time | |
JP3311077B2 (ja) | 画像検索装置 | |
JP2000216979A (ja) | 画像抽出方法及び装置並びに記憶媒体 | |
JP2004516585A (ja) | 画像差分 | |
JP5111226B2 (ja) | 画像処理方法、画像処理装置、及び、そのプログラムならびにコンピュータ読み取り可能な記憶媒体 | |
CN115018780B (zh) | 一种融合全局推理和mlp架构的甲状腺结节分割方法 | |
CN108447066A (zh) | 胆道图像分割方法、终端、存储介质 | |
WO1999017250A1 (en) | Image comparing system | |
JP4550398B2 (ja) | 一連の画像に現れる物体の動きを表現する方法、一連の画像中の画像における物体の選択を識別する方法、画像に対応する信号を処理することによって一連の画像を探索する方法、及び装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20040217 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20040301 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080319 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090319 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090319 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100319 Year of fee payment: 6 |
|
LAPS | Cancellation because of no payment of annual fees |