JP2001511372A

JP2001511372A - 放射線検査での識別診断における精度を向上させるための方法

Info

Publication number: JP2001511372A
Application number: JP2000504441A
Authority: JP
Inventors: ニシカワ、ロバート・エム; ジャン、ユレイ; アシザワ、カズト; ドイ、クニオ
Original assignee: アーチ・デベロップメント・コーポレーション
Priority date: 1997-07-25
Filing date: 1998-07-24
Publication date: 2001-08-14
Also published as: WO1999005503A2; EP0993269A2; WO1999005503A3; AU8579498A; US6058322A

Abstract

(57)【要約】乳房Ｘ線写真及び胸部Ｘ線写真のようなディジタル医用画像に存在する例えば微小石灰化像及び間質性肺疾患のような異常候補を検出、分類及び表示するためのコンピュータ支援方法。ディジタル医用画像における異常候補の位置が特定され、位置が特定された１以上の異常候補の周囲で領域が生成され、領域内の位置が特定された少なくとも１以上の異常候補及び領域自体から特徴が抽出され、分類結果（即ち、数値及び棒グラフの形での悪性確率）を生じさせるために抽出された特徴が人工ニューラルネットワーク（ＡＮＮ）のような分類法に適用され、さらに分類結果が領域及び領域内の異常候補を用いて注釈が付けられたディジタル医用画像と一緒に表示される。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】

本発明は一般に、例えば乳房Ｘ線写真及び胸部Ｘ線写真のようなディジタル医
用画像に存在する異常な解剖学的領域、特に個別及びクラスタ化微小石灰化像、
病変、実質性変形、間質性肺疾患等を検出、分類及び表示するための自動化され
た方法及びシステムに関する。

【０００２】本発明は、１９９７年７月２５日に出願された米国特許出願第０８／９００，
３６１号に対する優先権を主張し、それらの内容は参照してここに組み込まれる
。本発明は一般に、例えば米国特許第４，８３９，８０７号；第４，８４１，５
５５号；第４，８５１，９８４号；第４，８７５，１６５号；第４，９０７，１
５６号；第４，９１８，５３４号；第５，０７２，３８４号；第５，１３３，０
２０号；第５，１５０，２９２号；第５，２２４，１７７号；第５，２８９，３
７４号；第５，３１９，５４９号；第５，３４３，３９０号；第５，３５９，５
１３号；第５，４５２，３６７号；第５，４６３，５４８号；第５，４９１，６
２７号；第５，５３７，４８５号；第５，５９８，４８１号；第５，６２２，１
７１号；第５，６３８，４５８号；第５，６５７，３６２号；第５，６６６，４
３４号；第５，６７３，３３２号；第５，６６８，８８８号；第５，７４０，２
６８号；並びにそれらのすべてが参照のためここに組み込まれる米国特許出願第
０８／１５８，３８８号；第０８／１７３，９３５号；第０８／２２０，９１７
号；第０８／３９８，３０７号；第０８／８４２，８８６７号；第０８／５２３
，２１０号；第０８／５３６，１４９号；第０８／５３６，４５０号；第０８／
５１５，７９８号；第０８／５６２，０８７号；第０８／７５７，６１１号；第
０８／７５８，４３８号；第０８／９００，１９１号；第０８／９００，３６１
号；第０８／９００，３６２号；第０８／９００，１８８号；第０８／９００，
１８９号；第０８／９００，１９２号のうちの１以上に開示されているディジタ
ル画像における自動異常検出のためのＣＡＤ技術に関する。

【０００３】本発明は、上記に列挙された米国特許及び特許出願に参照及び記載されている
、並びに添付の別紙に識別されていて本明細書を通して別紙に記載の各参考文献
の括弧に入れられた太字の参照番号によって相互参照されている参考文献に記載
されている様々な技術工学の使用を含んでおり、関連特許及び上記に列挙された
特許出願並びに別紙に記載の参考文献を含む全内容は参照してここに組み込まれ
る。

【０００４】例えば胸部Ｘ線写真における癌性肺結節のようなＸ線写真における異常な解剖
学的領域及びいわゆるマンモグラムのような女性の乳房Ｘ線写真における微小石
灰化像の検出及び診断は、放射線科医が実施する特に最も重要かつ困難な作業で
ある［１−２７］。

【０００５】近年の研究は、肺癌を有する患者の予後はＸ線写真による早期検出によって改
善すると結論付けている。肺癌検出に関するあるレトロスペクティブ試験では、
後になって末梢性肺癌と診断された症例の９０％が早期Ｘ線写真上で視認可能で
あったことが明らかになった。これらの病変の見落としを引き起こした観測者の
過誤の原因は、重要な結節上での周囲の解剖学的背景によるカムフラージュ作用
、又は放射線科医が使用した主観的及び変動する決定基準であるかも知れない。
Ｘ線写真の過小読影の原因は、臨床データの不足、経験の不足、明確な所見があ
るための読影の早期中止、特殊な臨床問題があるための他の異常への注意集中、
以前のフィルムを精査しなかったこと、注意散漫、さらに”紛らわしい視認経験
”であるかも知れない。

【０００６】同様に、女性における主要死因である乳癌の早期診断及び治療は生存の可能性
を大きく向上させる。Ｘ線マンモグラフィ（乳房撮影法）は、臨床的に不顕性の
早期乳癌を検出するために実証された能力を備えた唯一の診断手技である。Ｘ線
検査により検出される乳癌の３０〜５０％は乳房Ｘ線写真上で微小石灰化像を示
し、さらに乳癌の６０〜８０％は顕微鏡検査で微小石灰化を示す。このためマン
モグラフィによる微小石灰化像の検出率が上昇すれば、早期乳癌の検出における
有効性はさらにいっそう向上するであろう。米国癌協会（ＡＣＳ）は、マンモグ
ラフィを使用して４０歳以上の無症候性の女性についてはスクリーニング検査を
行うこと、そして５０歳以降になれば年１回の検査を行うことを推奨している。
このために、最終的にはマンモグラフィは放射線科医が日常的に読映する最大量
のＸ線手技の１つとなる可能性がある。

【０００７】高度に疑わしい肺結節若しくは乳房の微小石灰化像の位置を放射線科医に警告
するコンピュータ機構があれば、偽陰性診断の数を減少させることができるはず
である［２８−４２，４５−５１，５３−５６，５８−６１，６３−７０，１０
５］。これは原発性肺癌及び乳癌のより早期の検出、さらには患者のためにより
良好な予後をもたらすであろう。ますます多くのディジタル式Ｘ線イメージング
システムが開発されるにつれて、コンピュータ援用探索が実行可能になる。良好
な結果が得られる検出機構は、最終的に医師が視認する前にすべての胸部Ｘ線写
真及び乳房Ｘ線写真のオンライン・スクリーニングが実行されるハードウエアで
あろう。従って、胸部Ｘ線写真は、肺癌の疑い以外の医学的理由のために指示さ
れた場合であっても結節について注意深いスクリーニングを受けることになる。

【０００８】これまでに一部の研究者がディジタル・コンピュータを用いてマンモグラフィ
における異常を解析することを試みてきた。しかしこれまでに知られている試験
は、臨床実践のために許容できる精度を達成することができなかった。この失敗
の原因は、主として乳房Ｘ線写真上に良性及び悪性病変が出現したときにそれら
の特徴が広汎に重複することにある。

【０００９】現在認められている臨床医療の標準は、各々について癌が切除された５〜１０
例の女性に生検が実施されるというものである。この高度の生検率を用いた場合
にのみ、マンモグラフィにより検出可能なほとんどの早期癌が治療されることが
合理的に保証される。異常の特徴間に大量のオーバーラップがあることを前提と
すると、最終的には臨床医療においてより大きな影響を受ける可能性がある。ご
く僅かな微小石灰化像はしばしば最初の、そして時々は早期の治癒可能な乳癌に
おける唯一のＸ線所見であるために、微小石灰化像は自動検出のための理想的標
的を意味するが、それでも疑わしいクラスタ（即ち、生検を必要とするクラスタ
）における個々の微小石灰化像は相当に限定された範囲のＸ線写真の外観を有し
ている。

【００１０】コンピュータ支援システムにおける初期のステップの１つは、乳房Ｘ線写真の
ようなディジタル化Ｘ線画像を例えば乳房に対応する前景と例えば乳房の外部周
囲に対応する背景とに区分化することである（例えば、米国特許第５，４５２，
３６７号参照）。この区分化は、背景に属する無関係ピクセルがその後の考察か
ら取り除かれるのでその後の処理量を減少させる。さらに、前景と背景との間、
理論的には皮膚線での境界の輪郭若しくは辺縁が確認される。次に、乳房に対応
するとして区分化された領域内の塊についての探索は、１若しくは２、３の強度
レベルで乳房Ｘ線写真を閾値処理する（ｔｈｒｅｓｈｏｌｄｉｎｇ）ことによっ
て弁別される「染み（ｂｌｏｂｓ）」若しくは「島（ｉｓｌａｎｄｓ）」と呼ば
れる斑点のサイズ及び形状を解析することによって実行できる。例えば米国特許
第５，２１２，６３７号では、様々な強度範囲での塊の探索には計算初期閾値が
利用され、その閾値は３倍までしか増加させられない。すぐ周囲に比較して強度
において十分な顕著さを有する領域に対応する初期若しくは増加させられた閾値
で乳房Ｘ線写真を限定することによって産生した「染み」は、それらのサイズ及
び形状、即ち面積、環状性、及び偏心性に基づいて“悪性の可能性あり“と分類
される（係属中の米国特許出願第０８／５１５，７９８号も参照）。

【００１１】シカゴ大学放射線学科に所属する発明者及び他の研究者らは、放射線科医の読
影精度を支援する目的を持って乳房Ｘ線写真におけるクラスタ化微小石灰化像を
検出するためのコンピュータ機構を開発してきた（Ｈ．Ｐ．Ｃｈａｎら，“Ｉｍ
ａｇｅｆｅａｔｕｒｅａｎａｌｙｓｉｓａｎｄｃｏｍｐｕｔｅｒ−ａｉ
ｄｅｄｄｉａｇｎｏｓｉｓｉｎｄｉｇｉｔａｌｒａｄｉｏｇｒａｐｈｙ
．１．Ａｕｔｏｍａｔｅｄｄｅｔｅｃｔｉｏｎｏｆｍｉｃｒｏｃａｌｃｉ
ｆｉｃａｔｉｏｎｓｉｎｍａｍｍｏｇｒａｐｈｙ，”Ｍｅｄ．Ｐｈｙｓ．１
４，５３８−５４８（１９８７）；Ｈ．Ｐ．ＣＨａｎら，“Ｃｏｍｐｕｔｅｒ−
ａｉｄｅｄｄｅｔｅｃｔｉｏｎｏｆｍｉｃｒｏｃａｌｃｉｆｉｃａｔｉｏ
ｎｓｉｎｍａｍｍｏｇｒａｍｓ：Ｍｅｔｈｏｄｏｌｏｇｙａｎｄｐｒｅ
ｌｉｍｉｎａｒｙｃｌｉｎｉｃａｌｓｔｕｄｙ，”ＩｎｖｅｓＲａｄｉｏ
ｌ．２３，６６４−６７１（１９８８）；Ｈ．Ｐ．Ｃｈａｎら，“Ｉｍｐｒｏｖ
ｅｍｅｎｔｉｎｒａｄｉｏｌｏｇｉｓｔｓ’ ｄｅｔｅｃｔｉｏｎｏｆ
ｃｌｕｓｔｅｒｅｄｍｉｃｒｏｃａｌｃｉｆｉｃａｔｉｏｎｏｎｍａｍｍ
ｏｇｒａｍｓ；ＴＨｅｐｏｔｅｎｔｉａｌｏｆｃｏｍｐｕｔｅｒ−ａｉｄ
ｅｄｄｉａｇｎｏｓｉｓ，”ＩｎｖｅｓｔＲａｄｉｏｌ．２５，１１０２−
１１１０（１９９０）；Ｒ．Ｍ．Ｎｉｓｈｉｋａｗａら，“Ｃｏｍｐｕｔｅｒ−
ａｉｄｅｄｄｅｔｅｃｔｉｏｎａｎｄｄｉａｇｎｏｓｉｓｏｆｍａｓ
ｓｅｓａｎｄｃｌｕｓｔｅｒｅｄｍｉｃｒｏｃａｌｃｉｆｉｃａｔｉｏｎｆｒｏｍｄｉｇｉｔａｌｍａｍｍｏｇｒａｍｓ，”Ｐｒｏｃ．ＳＰＩＥ
１９０５，４２２−４３２（１９９３）；及びＲ．Ｍ．Ｎｉｓｈｉｋａｗａら，
“Ｃｏｍｐｕｔｅｒ−ａｉｄｅｄｄｅｔｅｃｔｉｏｎｆｏｃｌｕｓｔｅｒ
ｅｄｍｉｃｒｏｃａｌｃｉｆｉｃａｔｉｏｎｓ：Ａｎｉｍｐｒｏｖｅｄｍ
ｅｔｈｏｄｆｏｒｇｒｏｕｐｉｎｇｄｅｔｅｃｔｅｄｓｉｇｎａｌｓ，
”Ｍｅｄ．Ｐｈｙｓ．２０，１６６１−１６６６（１９９３）も参照）。

【００１２】ディジタル化乳房Ｘ線写真の量的解析を含むこの機構からのコンピュータ出力
は、クラスタ化微小石灰化像の可能性のある位置を示す。これらの位置はワーク
ステーションのモニター上に表示される乳房Ｘ線写真上でスーパーインポーズさ
れる矢印によってマーキングすることができる（米国特許第４，９０７，１５６
号参照）。コンピュータ出力が「第二の見解」として放射線科医に提示されれば
（Ｋ．Ｄｏｉら，“Ｄｉｇｉｔａｌｒａｄｉｏｇｒａｐｈｙ：Ａｕｓｅｆｕ
ｌｃｌｉｎｉｃａｌｔｏｏｌｆｏｒｃｏｍｐｕｔｅｒ−ａｉｄｅｄｄ
ｉａｇｎｏｓｉｓｂｙｑｕａｎｔｉｔａｔｉｖｅａｎａｌｙｓｉｓｏｆｒａｄｉｏｇｒａｐｈｉｃｉｍａｇｅｓ，”ＡｃｔａＲａｄｉｏｌ３４
，４２６−４３９（１９９３）；及びＭ．Ｌ．Ｇｉｇｅｒ，“Ｃｏｍｐｕｔｅｒ
−ａｉｄｅｄｄｉａｇｎｏｓｉｓ，”ＲＳＮＡＣａｔｅｇｏｒｉｃａｌＣ
ｏｕｓｅｉｎＰｈｙｓｉｃｓ，２８３−２９８（１９９３）を参照）、偽陰
性検出率を減少させることによって乳房Ｘ線写真上におけるクラスタ化微小石灰
化像を検出する際の精度が向上すると予想される。以前のコンピュータ支援診断
（ＣＡＤ）機構は乳房Ｘ線写真１枚当たり０．５の偽陽性クラスタを生じさせる
約８５％の感度（即ち、できる限り多くの真性微小石灰化像を含めるための）を
有している。この感度は相当に高レベルであるので、臨床検査を開始する前に偽
陽性検出率を減少させることが望ましい。以前の機構では、偽陽性微小石灰化信
号を排除するために第１モーメントの検出力範囲及び微小石灰化信号の分布を使
用している。さらに偽陽性率を低下させるために、人工ニューラルネットワーク
（米国特許第５，４６３，５４８号、第５，４９１，６２７号、第５，４２２，
５００号及び第５，６２２，１７１号並びに係属中の米国特許出願第０８／５６
２，０８７号及び第０８／５６２，１８８号を参照）及び面積−厚さ解析（Ｙ．
Ｊｉａｎｇら，“Ｍｅｔｈｏｄｏｆｅｘｔｒａｃｔｉｎｇｍｉｃｒｏｃａ
ｌｃｉｆｉｃａｔｉｏｎｓ’ ｓｉｇｎａｌａｒｅａａｎｄｓｉｇｎａｌｔｈｉｃｋｎｅｓｓｆｒｏｍｄｉｇｉｔａｌｍａｍｍｏｇｒａｍｓ，”
ＰｒｏｃＳＰＩＥ１７７８，２８−３６（１９９２）を参照）の適用を含む
新規方法が研究され、有効であることが証明されている。

【００１３】間質性肺疾患の識別診断は胸部放射線学における主要な主題の１つである（米
国特許第４，８３９，８０７号、５，２８９，３７４号、第５，３１９，５４９
号、第５，３４３，３９０号及び第５，６３８，４５８号並びに係属中の米国特
許出願番号第０８／７５８，４３８号を参照）。これも又、胸部Ｘ線写真上の放
射線学的所見の類似性及び臨床パラメータの複雑さのために、放射線科医にとっ
て困難な仕事である。人工ニューラルネットワーク（ＡＮＮ）は間質性肺疾患を
識別診断するために仮説的症例を使用して適用され、ＡＮＮの潜在的有用性が証
明されている（Ａｓａｄａら，“Ｐｏｔｅｎｔｉａｌｕｓｅｆｕｌｎｅｓｓ
ｏｆａｎａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒ
ｄｉｆｆｅｅｎｔｉａｌｄｉａｇｎｏｓｉｓｏｆｉｎｔｅｒｓｔｉｔｉａ
ｌｌｕｎｇｄｉｓｅａｓｅ；ｐｉｌｏｔｓｔｕｄｙ，”Ｒａｄｉｏｌｏｇ
ｙ１９９０，１７７：８５７−８６０，及び米国特許第５，６２２，１７１号
並びに係属中の米国特許出願番号第０８／５６２，０８７号及び第０８／７５８
，４３８号を参照）。しかし、仮説的症例と一緒に実際の臨床例を用いた試験は
実施されていない。

【００１４】放射線科医が判断を下すときにＸ線写真のコンピュータ解析結果を考慮に入れ
て行う診断であるコンピュータ支援診断（ＣＡＤ）は、疾患を検出及び診断する
放射線科医の能力を向上させる手段として提案されてきた。しかし、ＣＡＤを臨
床的に有効なものとするためには、コンピュータ技術が放射線科医を支援するた
めに十分に精確でなければならず、さらにコンピュータによる結果が有意義かつ
使用しやすい方法で放射線科医に伝達される必要がある（例えば係属中の米国特
許出願第０８／７５７，６１１号参照）。

【００１５】

【発明が解決しようとする課題】

このように、現在、概して２種のタイプのＣＡＤ技術が開発されている。１つ
は異常を検出するためのものであり、その場合にコンピュータはＸ線写真におい
て疑わしい領域（ＲＯＩ）を識別する。もう１つは例えば病変を良性又は悪性と
分類することにより画像の領域を定量する方法である。この場合には、仕事は疑
わしい領域を発見することではなく、むしろ放射線科医が診断を下すこと又は患
者に治療を勧告することを補助するためにその領域の量的評価を提供することで
ある。

【００１６】しかし、例えば乳房Ｘ線写真及び胸部Ｘ線写真のようなディジタル医用画像に
存在する異常な解剖学的領域、特に個別及びクラスタ化微小石灰化像、病変、実
質性変形、間質性肺疾患等を検出、分類及び表示することにおけるいっそうの向
上が望まれる。

【００１７】従って、本発明の目的は、例えば乳房Ｘ線写真及び胸部Ｘ線写真のようなディ
ジタル医用画像に存在する異常な解剖学的領域（例、個別及びクラスタ化微小石
灰化像、病変、実質性変形、間質性肺疾患等）を検出、分類及び表示するための
自動化された方法及びシステムを提供することである。

【００１８】本発明のもう１つの目的は、異常な解剖学的領域の確実な早期診断を提供する
ための自動化された方法及びシステムを提供することである。

【００１９】本発明のさらにもう１つの目的は、異常な解剖学的領域を検出、分類及び表示
するための自動化された方法及びシステムを提供することである。

【００２０】本発明の別の目的は、実際の臨床例並びに仮説的症例と一緒に人工ニューラル
ネットワーク（ＡＮＮ）を使用して異常な解剖学的領域を検出、分類及び表示す
るための自動化された方法及びシステムを提供することである。

【００２１】さらに又本発明の別の目的は、様々なイメージング技術、画像特徴解析及びＡ
ＮＮ、並びに本方法を実行するための新規コンピュータ及びそれによって本方法
が実行されるプログラムを保存するための記憶媒体に基づいて異常な解剖学的領
域を検出、分類及び表示するための自動化された方法及びシステムを提供するこ
とである。

【００２２】なおさらに本発明のもう１つの目的は、放射線科医へのコンピュータ解析結果
の表示方法を向上させた、異常な解剖学的領域を検出、分類及び表示するための
自動化された方法及びシステムを提供することである。

【００２３】本発明のさらに別の目的は、検出及び分類作業各々について相違する表示戦術
を用いて異常な解剖学的領域を検出、分類及び表示するための自動化された方法
及びシステムを提供することである。

【００２４】さらに又本発明の別の目的は、感度を低下させることなく偽陽性検出の数が減
少させられる（即ち、真性陽性の検出）、異常な解剖学的領域を検出、分類及び
表示するための自動化された方法及びシステムを提供することである。

【００２５】

【課題を解決するための手段】

上記及びその他の目的は、本発明に従って、例えば乳房Ｘ線写真及び胸部Ｘ線
写真のようなディジタル医用画像に存在する異常な解剖学的領域、特に個別及び
クラスタ化微小石灰化像、病変、実質性変形、間質性肺疾患等を検出、分類及び
表示するための新規かつ改善されたコンピュータ支援方法、この方法を実行する
ためにプログラミングされたコンピュータ、及び必要なパラメータを保存するた
めのデータ構造を提供することによって達成される。ここで、分類方法ではディ
ジタル化医用画像における異常候補の位置が特定され、位置が特定された１以上
の異常候補の周囲の領域が生成され、領域内の位置が特定された異常候補の少な
くとも１つ及び領域自体から特徴が抽出され、抽出された特徴が例えば人工ニュ
ーラルネットワーク（ＡＮＮ）のような分類法に適用されて分類結果（即ち、数
値及び棒グラフの形での悪性尤度）が作り出され、さらに分類結果は領域及び領
域内の候補異常を用いて注釈が付けられたディジタル化医用画像といっしょに表
示される。検出方法では、複数のディジタル化医用画像の各々における異常候補
の位置が特定され、複数のディジタル化医用画像の各々における位置が特定され
た１以上の異常候補の周囲の領域が生成され、各領域及び領域内の異常候補を用
いて注釈が付けられた複数のディジタル化医用画像が表示され、さらに第１指標
（例、青色の矢印）がクラスタから構成される異常候補上方にスーパーインポー
ズされ、第２指標（例、赤色の矢印）が塊から構成される異常候補上方にスーパ
ーインポーズされる。ユーザ修正モードでは、分類中には、ユーザは分類法及び
表示された結果へ適用される抽出された特徴を修正できるように位置が特定され
た異常候補、決定された領域、及び／又は抽出された特徴を変更し、検出中には
、ユーザは表示される結果を修正できるように位置が特定された候補異常、決定
された領域及び抽出された特徴を修正する。

【００２６】

【発明の実施の形態】同様の参照番号が数枚の同一若しくは対応する部分を表している複数の図面、
及びより詳細には図１を参照すると、本発明に従った処理ステップの順序を例示
しているフローチャートが示されている。第１ステップ１０では、例えばコンピ
ュータＸ線システムのような従来型ハードウエアを使用し、レーザスキャナ等を
用いて従来型Ｘ線写真をディジタル化することによりディジタルＸ線画像が獲得
される。ステップ２０では、後に説明するように区分化法を用いて関心領域（Ｒ
ＯＩ）が抽出される。ステップ３０では特徴／パラメータが抽出され、他のパラ
メータ（ステップ４０）と一緒に人工ニューラルネットワーク（ＡＮＮ）（ステ
ップ５０）内に入力される。ステップ６０では、ＡＮＮが例えば個別若しくはク
ラスタ化微小石灰化像の悪性尤度又はＲＯＩにおいて間質性肺疾患が存在する可
能性の断定のような予測結果を生成する。コンピュータの結果はステップ７０で
、診断において例えば放射線科医を補助するような検出若しくは分類作業に依存
する様々な表示機構を用いて表示される。しかし、ステップ８０では、後に説明
するようにステップ２０、３０及び４０のプロセスを修正できるようにステップ
７０からの結果を放射線科医が修正することができる。

【００２７】図２では、例えばコンピュータＸ線システム、レーザスキャナ等のような画像
収集装置１００及び例えば汎用コンピュータのようなホストコンピュータ１１０
を含む図１のプロセスを実行するためのシステムが示されている。ホストコンピ
ュータ１１０は図３に示されており、例えばタッチスクリーン式インターフェー
スを備えたタッチスクリーン型モニターのような表示装置２００、キーボード２
１０、ポインティングデバイス２２０、デジタイジングパッド２３０、ハードデ
ィスク２４０、フロッピードライブ２５０、テープ若しくはＣＤ媒体２７０を備
えたテープ若しくはＣＤＲＯＭドライブ、及びマザーボード（主基板）２８０
を含んでいる。マザーボード２８０にはプロセッサ２９０、ＲＡＭ３００、及び
ＲＯＭ３１０、画像収集装置１１０に接続するために使用されるＩ／Ｏポート３
２０、及び音響処理、画像処理等のような特殊ハードウエア／ソフトウエア機能
を実行するための任意の特殊ハードウエア３３０、マイクロフォン３４０、さら
にスピーカ３５０が含まれている。

【００２８】画像収集装置によって画像が収集されると、適切なソフトウエアを用いてプロ
グラミングされたホストコンピュータ１１０は、例えばＲＯＩの抽出／区分化（
ステップ２０）、特徴の抽出（ステップ３０）、ＡＮＮ（ステップ５０）、その
他のパラメータの入力（ステップ４０）、予測結果の生成（ステップ６０）、結
果の表示（ステップ７０）及び結果の修正（ステップ８０）のような図１のプロ
セスを実行するが、それらの詳細については下記で説明する。

【００２９】ＲＯＩの抽出／区分化上記で考察したように、コンピュータ支援システムにおける初期のステップの
１つは例えば乳房Ｘ線写真のようなディジタル化Ｘ線画像を前景（例、乳房に対
応）及び背景（例、乳房の外部周囲に対応）に区分化することである。この区分
化は、背景に属する無関係なピクセルがその後の考察から取り除かれるので、そ
の後の処理量を減少させる。図２の画像収集装置１００によって医用画像が図１
のステップ１０で収集された後、次のＲＯＩの抽出／区分化（ステップ２０、図
１）は下記で図４〜図１０を参照して説明するように実施される。

【００３０】図４の（Ａ）、（Ｂ）は、乳房Ｘ線写真上の悪性及び良性の微小石灰化クラス
タの例を示している。表１には、乳房Ｘ線画像において微小石灰化象を分類する
ために本発明で使用される１セット８種の特徴が列挙されている。

【表１】

【００３１】表１の特徴は、クラスタ化微小石灰化像の特徴（特徴１、２及び３）及び個別
微小石灰化像の特徴（特徴４〜８）を示している。これらの特徴は、適切にプロ
グラミングされたホストコンピュータ１１０（図２）によって自動的に抽出され
るが、それらは悪性クラスタ化微小石灰化像を良性クラスタ化微小石灰化像から
鑑別するときの放射線科医の経験と質的に相関している［６２］［５７］［５８
］。この相関は悪性及び良性クラスタ化微小石灰化像を分類するためにこれらの
特徴を使用して良好な結果を得るための鍵となる可能性がある。

【００３２】微小石灰化像のコンピュータによる区分化微小石灰化領域の区分化コンピュータによる微小石灰化像の区分化によって微小石灰化像を詳細に解析
することができる。しかしそれは、微小石灰化象はサイズが極めて小さくコント
ラストが低い可能性があり、他方では外観が高度に変動性であるために、容易に
行える作業ではない［６２］。本発明で使用されるデータベース（データベース
Ａ）では、微小石灰化像は平均するとサイズが０．４ｍｍであり、コントラスト
は０．１５光学的密度（ＯＤ）単位（若しくは１０−ビットのグレースケール上
での濃度レベル５６）である。標準偏差は、サイズが０．４６ｍｍ及びコントラ
ストが０．０６ＯＤ単位である。

【００３３】区分化法は、Ｘ線コントラストの単純な閾値処理に基づいている［６３］。こ
の方法は図５に示されているフローチャートに要約されている。背景における低
空間周波数成分を取り除くために、二次元３次多項式平面が微小石灰化像上の中
心に置かれた１ｃｍ×１ｃｍ（０．１ｍｍピクセルサイズ）の関心領域（ＲＯＩ
）へ適合させられた（ステップ５００及び５１０）。平滑背景を減じた後に、微
小石灰化像は領域拡張法の２つのパス、つまり最大信号の５０％閾値−（マイナ
ス）背景を用いる「大まかな」領域拡張法（ステップ５２０）、及び局所的に修
正された閾値を用いる「精密な」領域拡張法（ステップ５４０）を使用して描出
された。微小石灰化象のサイズはＲＯＩのサイズと比較して小さいので、微小石
灰化像の近位における残留背景変動が「大まかな」閾値を偏らせる可能性がある
（ステップ５２０）。第２のの目的は、そうした偏りについて「精密な」閾値（
ステップ５４０）を補正することであった。この「精密な」閾値（ステップ５４
０）は計算残留背景オフセットを最大信号上の中心に置かれた１ｍｍ×１ｍｍの
領域から減じ（ステップ５３０）、「大まかな」領域拡張法（ステップ５２０）
によって最初に識別された信号ピクセルを排除することによって計算された。

【００３４】この区分化法の精度は実際の乳房Ｘ線写真及び模擬（ボケ）微小石灰化像を用
いて模擬試験において評価された。図６の（Ａ）は、ＲＯＩにおける９例の模擬
（０．２ｍｍ×０．２ｍｍ×０．２ｍｍ）微小石灰化像の例を示している。図６
の（Ａ）に示されているように、９例の関心領域（ＲＯＩ）は種々のフィルム密
度、種々のＸ線ノイズ、実質の存在及びその他の微小石灰化像の近位における存
在を表すために９枚の乳房Ｘ線写真から選択された。模擬微小石灰化像は、すべ
ての測定値が０．１ｍｍ刻みで増加させて、厚さ０．１−０．４ｍｍ、正方形の
横断面形をもつ粒子については片側では０．２−０．５ｍｍ、そして長方形の横
断面形を持つ粒子については短い側では０．１−０．４ｍｍ、長い側ではその２
倍のサイズが指定された。これらの微小石灰化像のＸ線画像は、下記で考察する
散乱及びボケを含むスクリ−ンフィルム・イメージングチェーンのモデルに従っ
て構成された。

【００３５】スクリーンフィルム画像形成のモデル図６の（Ｂ）は、乳房組織に包含された微小石灰化を画像描出する単純化モデ
ルを示している［９３］。照射線量Ｘ（点ｐでの）は乳房組織＋散乱だけを横断
する透過一次放射線によるものとし、照射線量Ｘ’（点ｐ’での）は乳房組織及
び微小石灰化＋散乱の両方を横断する透過一次放射線によるものとする。微小石
灰化像の放射線コントラストＲ_ｃは、背景照射線量Ｘに比較した照射線量の差Ｘ
−Ｘ’であると定義できる。散乱放射線の量が点ｐ及びｐ’で同一であると仮定
すると、これは標準的乳房に比較して微小石灰化象が極めて小さいので本当であ
ると思われるが、その場合には微小石灰化像の放射線コントラストは次のように
表すことができる。

【数２】

【００３６】この方程式では、Ｇ及びＣは各々一次放射線及び散乱放射線に対するグリッド
透過係数、Ｆはグリッドの前面での散乱係数、Δμは乳房組織と微小石灰化像の
間の線形減衰係数の差、さらにＬ_ｘは微小石灰化の厚さである（Ｘ線ビームに沿
って）。

【００３７】微小石灰化像のコントラストはイメージングチェーンに沿って画像が広がるに
つれて低下する。第１に、照射線量に関するコントラスト（放射線コントラスト
）は、画像がスクリーンフィルム・システムによって記録されたときに光学的密
度に関するコントラスト（Ｘ線写真コントラスト）に変換される。引き続いて、
乳房Ｘ線写真がディジタル化されると光学的密度に関するコントラスト（Ｘ線写
真コントラスト）はさらにピクセル値における差に変換される。どちらの変換に
おいてもボケが発生し、それによってコントラストが低下する。照射線量から光
学的密度への変換はスクリーンフィルム・システムのＨ＆Ｄ曲線によって説明さ
れる。ボケはイメージングシステムのポイント・スプレッド・ファンクション（
ＰＳＦ）を用いた信号のコンボリューションによって説明される。Ｆｕｊｉドラ
ムスキャナのために使用された特性曲線はほぼ線形であるが、ＭｉｎＲスクリー
ン／Ｏｒｔｈｏ−ＭフィルムコンビネーションのためのＨ＆Ｄ曲線は１．２〜２
．０光学的密度単位の範囲内においてのみほぼ線形である。しかし、我々のデー
タベースでは微小石灰化に対する背景光学的密度はおよそ０．２から２．６を超
えるまでの範囲に及んだ。このため我々の計算においてはＨ＆Ｄ曲線の完全な非
線状形を使用しなければならない。

【００３８】ボケに起因するコントラストの損失は２つのコントラスト修正要素によってほ
ぼ補正することができる。ボケ信号について測定されたコントラストが測定用ア
パーチャと対象（信号を発生させる）との間の相対位置の関数であることは証明
することができる。最大コントラストは、アパーチャと対象とが最適に整列して
いるときに測定される。この最大コントラストの大きさは対象の形状及びサイズ
、アパーチャの形状及びサイズ、さらにボケを引き起こすポイント・スプレッド
・ファンクション（ＰＳＦ）に依存する。本発明では、ピクセル値で表される微
小石灰化象のコントラストは区分化された微小石灰化像のピクセル値から背景を
引いたものを平均化することによって計算された。区分化された微小石灰化像が
実際の微小石灰化像と正確に同一の物理的サイズ及び形状を有していると仮定す
ると、我々の方法を使用して計算された微小石灰化像のコントラストが実際の微
小石灰化像と同一のサイズ及び形状を有するアパーチャを用いて測定されたコン
トラストと等価であることを証明することができる。この単純化された状況では
下記の式が得られる。

【数３】

【００３９】式中、Ｒ_ｃ’及びΔＤ’は各々照射線量及び光学的密度に関してボケを低下さ
せたコントラストであり、他方Ｒ_ｃ及びΔＤは対応するオリジナルのコントラス
トである。後に説明するように、誘導されるコントラスト補正係数Ｋ_ｓｆ及びＫ _ｄｚは各々、スクリーンフィルムシステム又はフィルムスキャナの微小石灰化像
の形状及びポイント・スプレッド・ファンクション（ＰＳＦ）にのみ依存する。
今度は模擬微小石灰化像の乳房Ｘ線画像を構成する方法を説明する。

【００４０】マンモグラフィの微小石灰化像シミュレーション模擬微小石灰化は、１００％腺組織に包含されたＣａ_５（ＰＯ_４）_３ＯＨ（ヒ
ドロキシアパタイトカルシウム）であると想定され［９４−９９］、４ｃｍの一
様な厚さに圧迫された乳房からの散乱による混成を伴う１８ｋｅｖ単一エネルギ
ーＸ線ビームによって描出された。物理的パラメータは表２及び表３に記載され
る。

【表２】

【００４１】

【表３】

【００４２】本発明に従って乳房Ｘ線写真上の微小石灰化像をシミュレートする際には、下
記の方法が使用された。ＭＴＦデータから入手されたスクリーンフィルム・シス
テムのＰＳＦを用いるコンボリューションによって鋭角の二次元照射プロフィー
ルがボケさせられた。このコンボリューションは０．０１９５ｍｍピクセルサイ
ズの空間分解能で実行された。ボケたプロフィールにおける各点は、その後微小
石灰化像が現れるであろう乳房Ｘ線写真における局所的平均値によって決定され
た背景照射線量及び背景密度を参照して光学的密度に変換された。二次元光学的
密度プロフィールはその後、サンプリング前ＭＴＦデータから入手されたフィル
ムスキャナのＰＳＦを用いる第２回コンボリューションによってボケさせられ、
さらに引き続いて０．１ｍｍのピクセルサイズでサンプリングされた。模擬微小
石灰化像はオリジナルのピクセルを結果として生じた二次元信号プロフィールプ
ラスオリジナルの画像における背景の上方の局所ピクセル値変動に取り替えるこ
とによって乳房Ｘ線写真に導入された。

【００４３】図７では、厚さ０．２ｍｍ及び正方形の横断面形を持つ模擬微小石灰化につい
て真の面積と測定面積（乳房Ｘ線写真から描出されたピクセル数）が比較されて
いる。区分化の忠実度を測定するために、間違って信号と識別された少数の背景
ピクセルが測定面積から除外された。本発明では、２２５枚の微小石灰化像が各
ＲＯＩの中心正方形領域内の２２５の位置に付け加えられた。微小石灰化像は、
区分化法が常に単一微小石灰化像に適用されるように１度に１枚付け加えられた
。図７は、ある所定サイズの模擬微小石灰化象について各ＲＯＩにおける２２５
の測定面積の平均値をプロットしている。単純にするために、２セットの誤差棒
だけがプロットされた：８個のＲＯＩにおける最大標準偏差を表している太線の
誤差棒、及びＲＯＩ＃３（図６の（Ａ）の右上のＲＯＩ）における標準偏差を
表している通常の太さの誤差棒。８個のＲＯＩからの測定面積は平均すると真の
面積と良好に一致したが、他方ＲＯＩ＃３からの測定面積はこのＲＯＩにおけ
るコントラストが極度に低い（ＯＤ＝０．４）ために真の面積より小さかった。

【００４４】図８は、乳房の厚さの関数として測定面積における絶対誤差の平均値を示して
いる。乳房の厚さは散乱に影響を及ぼすので、従って測定面積の精度に影響を与
える。図８に示されている結果は、模擬微小石灰化像を構成するときに散乱パラ
メータを変化させることによって入手された。これらの結果は、２〜６ｃｍに圧
縮された乳房については区分化誤差が１０％未満であることを示している。

【００４５】微小石灰化の有効厚さの推定［１０４］微小石灰化像のコントラストは、Ｘ線ビーム（フィルム面にほぼ垂直）に平行
な次元におけるサイズ（厚さ）を反映する。従って、微小石灰化像のサイズを測
定するときにコントラストは面積と同様に有用なはずである。しかし、Ｘ線スク
リーンフィルム・システムのＨ＆Ｄ曲線は非線形であるために、コントラストと
微小石灰化の厚さの関係は単調ではない。例えば、脂肪中に包含されている小さ
な微小石灰化は腺組織に包含されている大きな微小石灰化（低光学的密度）より
、又は皮膚近くで現れる大きな微小石灰化（高光学的密度）より高いコントラス
トを有する可能性がある。コントラストを微小石灰化の厚さに変換すると、コン
トラストをより有意義なサイズ測定値にすることができる。

【００４６】微小石灰化像の有効厚さは、Ｘ線ビームの投影線に沿った微小石灰化像の長さ
Ｌ_ｘであると定義されている（図６の（Ｂ））。有効厚さは下記の３つのステッ
プで計算することができる。

【００４７】（１）フィルムスキャナの特性曲線（多くのフィルムディジタイザについては
ほぼ線形）を用いてピクセル値によるコントラストを光学的密度によるコントラ
スト（Ｘ線写真コントラスト）に変換する。

【００４８】（２）スクリーンフィルム・システムのＨ＆Ｄ曲線を用いて光学的密度による
コントラスト（Ｘ線写真コントラスト）を照射線量によるコントラスト（放射線
コントラスト）に変換する。相対照射線量しか示さない従来型Ｈ＆Ｄ曲線から絶
対照射線量値を決定することはできないが、任意に選択された参照を用いて光学
的密度における差（Ｘ線写真上のコントラスト）から絶対照射線量における差（
放射線コントラスト）を決定することはできる。

【００４９】（３）Ｘ線減衰の特性に従って、照射線量によるコントラスト（放射線コント
ラスト）から有効厚さを計算する。２つの補正によってこの計算の精度が向上す
る。（ｉ）イメージングチェーンのモデルに組み込まれた抗散乱グリッドが散乱
に起因するコントラストの損失について補正する、及び（ｉｉ）イメージングチ
ェーンのモデルに組み込まれた２つの補正係数Ｋ_ｓｆ及びＫ_ｄｚがボケに起因す
るコントラストの損失について補正する。スクリーンフィルム・システムのため
のＫ_ｓｆ及びフィルムスキャナのためのＫ_ｄｚというこれら２つの係数はこれか
ら下記で説明するように、各ポイント・スプレッド・ファンクション（ＰＳＦ）
及び微小石灰化像の実際の物理的サイズ及び形状によって決定される。

【００５０】ボケによって惹起されるコントラスト減少係数の誘導ＯＢＪ_ｘ（ｘ，ｙ）が対象（背景より減衰性であると仮定する）の照射線量プ
ロフィールを表すとする：

【数４】

【００５１】一様な背景における（ｘ_０，ｙ_０）の中心に置かれたＯＢＪ_ｘ（ｘ，ｙ）を含
む照射線量は次のように表すことができる：Ｅ_０（ｘ，ｙ）＝（Ｘ’−Ｘ）ＯＢＪ_ｘ（ｘ−ｘ_０，ｙ−ｙ_０）＋Ｘ（５）ＡＰＥ（ｘ，ｙ）が照射線量及び光学的密度両方についてアパーチャをサンプ
リングする透過関数を表すとする。

【００５２】ＡＰＥ（ｘ，ｙ）＝１アパーチャ内部＝０アパーチャ内部（６）さらにアパーチャの面積がＡであると仮定する。照射線量を測定するためにサ
ンプリングアパーチャが使用される場合、信号のコントラストは対象の位置に比
較したアパーチャの位置に依存する。対象を（０，０）に、アパーチャを（ｘ，
ｙ）にセンタリングする。すると放射線コントラストＳ_０（ｘ，ｙ）の空間的に
変動する関数は下記のように表すことができる。

【数５】

【００５３】アパーチャが対象と同一形状を有する特殊な場合を考慮に入れると、つまり下
記の式となり、ＡＰＥ（ｘ，ｙ）＝ＯＢＪ_ｘ（ｘ，ｙ）（８）さらに、式Ｒ_ｃ＝（Ｘ−Ｘ’）／Ｘであることに注目すると、方程式（７）は
下記となる。

【数６】

【００５４】この方程式は、放射線コントラストがアパーチャの位置の関数であることを述
べている。コントラストは、アパーチャが対象と最高に整列しているときに最大
となり、その場合には下記となる：Ｓ_０（０，０）＝Ｒ_ｃ（１０）ここで、スクリーンフィルム・システムによって発生されたボケについて考察
しよう。ボケはスクリーンフィルム・システムのポイント・スプレッド・ファン
クションを用いた照射線量のコンボリューションによりモデリングされた照射線
量ドメインにあると見なすことができる。ＰＳＦ_ｓｆ（ｘ，ｙ）はスクリーンフ
ィルム・システムのポイント・スプレッド・ファンクションを表すとする。ボケ
照射線量は下記のように表すことができる：

【数７】

【００５５】空間的に依存する放射線コントラストは下記のように表すことができる。

【数８】

【００５６】アパーチャが対象と同一形状を有する場合は、ＡＰＥ（ｘ，ｙ）はＯＢＪ_ｘ（
ｘ，ｙ）に置き換えられる。

【数９】

【００５７】この方程式はボケの発生した後に測定された放射線コントラスト関数がスクリ
ーンフィルム・システムのポイント・スプレッド・ファンクションを用いてコン
ボリューションされたボケの前に測定された放射線コントラスト関数に等しいこ
とを示している。ボケのコントラストは、サンプリングアパーチャが対象と最高
に整列したときに最大に達する。

【００５８】コントラスト減少係数は下記のように定義できる。

【数１０】

【００５９】ボケがフィルムのディジタル化によって発生された信号コントラストに及ぼす
作用は同様の方法で記述することができる。フィルムにおける光学的密度を下記
の様に表してみよう。

【００６０】Ｉ_０（ｘ，ｙ）＝ＯＢＪ_Ｄ（ｘ，ｙ）＋Ｄ（１５）ここで、ＯＢＪ_Ｄ（ｘ，ｙ）＝Ｆ｛ＯＢＪ_ｘ（ｘ，ｙ）｝（１６）Ｄ＝Ｆ｛Ｘ｝（１７）関数Ｆ｛Ｘ｝はスクリーンフィルム・システム及び照射線量から光学的密度へ
の変換によって発生されたボケを要約している。

【００６１】コントラストを同一アパーチャを使用して測定すると、Ｘ線写真のコントラス
トの空間的に依存する関数Sは下記のように表すことができる。

【数１１】

【００６２】アパーチャが対象ＯＢＪ_ｘ（ｘ，ｙ）と同一形状を有する場合は、下記のよう
になる。

【数１２】

【００６３】ディジタイザのサンプリングアパーチャによって発生されたボケはスクリーン
フィルム・システムによって発生されたボケと同様にモデリングすることができ
る。ボケ画像は下記のようになり、

【数１３】

【００６４】さらにＸ線写真のコントラストの関数は下記の式になる。

【数１４】

【００６５】式中、ＰＳＦ_ｄｚ（ｘ，ｙ）はディジタイザのサンプリングアパーチャのポイ
ント・スプレッド・ファンクションである。

【００６６】Ｘ線写真の２つの最高コントラストに対するコントラスト減少係数は下記のよ
うに定義することができる。

【数１５】

【００６７】次に、有効厚さの計算の精度について説明する。図９は、正方形の横断面形（
０．３ｍｍ×０．３ｍｍ）微小石灰化象について真の厚さを計算有効厚さと比較
している。０．１ｍｍ以上の厚さの模擬微小石灰化象については、ＲＯＩ＃３
（図６の（Ａ）における右上のＲＯＩ）を除いて、計算有効厚さは平均すると真
の厚さと良好に一致した。ＲＯＩ＃３では、計算有効厚さは真の厚さより大き
かった。これはＫ_ｓｆ及びＫ_ｄｚにおける誤差によって発生されたもので、その
原因は少なくとも一部には区分化における比較的大きな誤差に帰せられる。画像
におけるノイズの自己相関長さが０．０８ｍｍ微小石灰化像とほぼ透過であるこ
とに注目すると興味深い。これは実際に模擬微小石灰化像を付け加えずにオリジ
ナルの画像から「信号」を抽出することによって測定された。その結果、この方
法は０．１ｍｍ以下の厚さを持つ微小石灰化像を抽出するためには使用できない
。

【００６８】この計算の精度は、一部には計算に使用されたパラメータの前提条件によって
決定される。これらのパラメータには、散乱、Ｈ＆Ｄ曲線、及びＸ線エネルギー
が含まれる。これらの前提条件の作用は模擬微小石灰化像を構成するときに使用
されたパラメータを変動させ、有効厚さを計算するために固定パラメータを使用
することによって評価することができる。図１０は、散乱に起因する有効厚さに
おける平均絶対誤差が２〜６ｃｍに圧縮された乳房においては１０％未満である
ことを示している。有効厚さの計算はフィルムプロセッサの温度によっては影響
を受けないが、それはプロセッサ温度がＨ＆Ｄ曲線の形状に影響を及ぼさないこ
とが発見されたためである。表４は推定Ｘ線エネルギーにおける誤差に起因する
有効厚さにおける理論的誤差を示しており、表５はシミュレーションから実際に
測定された同一の誤差を示している。

【表４】

【００６９】

【表５】

【００７０】特徴の抽出個別微小石灰化像を説明する特徴上記で説明したように、図１の区分化法（ステップ２０）は本発明の方法にお
いて微小石灰化像の解析を行うための予備ステップとして使用された。この区分
化はホストコンピュータ１１０（図２）によって自動的に行われ、典型的な微小
石灰化像については良好な精度を達成した。これから説明する本発明の方法にお
ける次のステップは、乳房Ｘ線写真から区分化された微小石灰化像を用いる図１
の自動コンピュータ特徴抽出（ステップ３０）である。

【００７１】クラスタ微小石灰化像の透視図から読み取られる個別微小石灰化像の特徴には
病変の組織学的状態を予測するための重要な情報が含まれている。個別微小石灰
化像の特徴を解析するためには、それらの位置を識別し、それらを乳房Ｘ線写真
から描写しなければならない。微小石灰化像はコンピュータ検出機構によって識
別することができ、さらにそのように行うときに微小石灰化像の解析は検出から
悪性尤度の推定まで完全に自動化することができる。これは放射線科医による追
加の作業を必要としないために、臨床適用にとって重要である。しかし、自動検
出機構の代わりにコンピュータ分類機構を開発する目的で手動識別を使用するこ
ともできる。

【００７２】微小石灰化像のサイズ及びコントラスト微小石灰化像が乳房Ｘ線写真から描出されると、そのサイズ及びコントラスト
は容易に測定できる。微小石灰化像の（理想化）物理的測定値は次のように定義
されている。

【００７３】（１）乳房Ｘ線写真における投影面積としての面積（描出されたピクセルの数
を計数することにより入手される）。

【００７４】（２）Ｘ線投影線に平行な平均長さとしての有効厚さ。

【００７５】（３）面積と有効厚さの関としての有効容積。

【００７６】これらの３つの物理的測定値はクラスタ内の１つ１つの微小石灰化像に対して
推定される。さらに、これらの３つの測定値の平均及び相対標準偏差がクラスタ
内の微小石灰化像に対して計算される。

【００７７】これらの測定値中、微小石灰化像を分類するための特徴として使用されるのは
平均及び相対標準偏差だけである。悪性尤度を予測するときには、各個別微小石
灰化像の測定値はそれらの集合的同等物ほど有用ではないと思われる［６２］。
表１が示しているように、特徴セットには６つの平均値と標準偏差中の４つしか
選択されず、残り２つは図１２の（Ａ）、（Ｂ）、図１３の（Ａ）、（Ｂ）に類
似する分散グラフに基づいて追加の情報を提供しなかったために除外された。

【００７８】微小石灰化像の形状不規則性悪性についての乳房Ｘ線写真の古典的な徴候の１つは線形若しくは分枝状の微
小石灰化像である［６２，５７］。図１１の（Ａ）、（Ｂ）に例示されている１
２種の形状指数の標準偏差であると定義された形状不規則性測定値は、個別微小
石灰化像の形状不規則性を測定するために設計されている。

【００７９】図１１の（Ａ）に図示されているように、１２種の形状指数中４種は質量中心
ピクセル（質量中心が１つの完全なピクセルであるように計算では丸められた）
と微小石灰化像の辺縁（図１１の（Ａ）における点線で示されている微小石灰化
像の全ピクセルを取り囲むピクセルグリッド上に描かれている小さい長方形の箱
と定義されている）との間の距離を表している。その他の８種の形状指数は、図
１１の（Ｂ）に示されているように質量中心ピクセルと微小石灰化像内の他のピ
クセルとの間に８方向に直線を引くことによって構成される。これらの８種の指
数は各々一方向に引かれた最長の線の長さを表す。これらの１２種の形状指数の
相対標準偏差は微小石灰化像の形状不規則性測定値であると定義されている。こ
の測定値は小型（例、正方形）微小石灰化については、１２種の形状指数すべて
が類似数値を有するために小さい。しかし、不規則（例、線形）形状の微小石灰
化像については、形状指数の一部が大きく、他の指数が小さいために大きくなる
。

【００８０】形状不規則性測定値はクラスタ内のすべての微小石灰化像について計算された
が、特徴としては第２最大値だけが使用された（表１）。この計算の確実性を増
加させるために最大数は廃棄された。クラスタ全体をあらわすために単一の高い
形状不規則性値を使用するこの方法は、「平均的」微小石灰化像を使用するより
むしろ最も不規則な形状の微小石灰化像を探索する放射線科医が使用する方法に
類似させられた。

【００８１】形状不規則性測定値は個別微小石灰化像の正確な区分化に、従ってディジタル
化乳房Ｘ線写真におけるピクセルサイズに左右される。本発明では、形状不規則
性は０．１ｍｍピクセルサイズでディジタル化された乳房Ｘ線写真から測定され
た。使用されたデータベース（データベースＡ）における微小石灰化像はサイズ
が平均して０．６ｍｍ若しくは１６ピクセルであったので、０．１ｍｍピクセル
のディジタル化は特に小さな微小石灰化像については個別微小石灰化像の正確な
形状を正しく推定することを困難にする。しかし、形状不規則性測定値は微小石
灰化像の正確な形状を特徴付けるためではなく、むしろ線形若しくは分枝状微小
石灰化像を識別するために設計された。不規則な形状と規則的な形状の微小石灰
化像を弁別するためには個別微小石灰化像の正確な形状を弁別する場合より必要
な情報が少なくて済むので、形状不規則性測定値を計算するためには０．１ｍｍ
ピクセルのディジタル化で適正な可能性がある。後に説明するように本発明の方
法は０．１ｍｍピクセルサイズでディジタル化された乳房Ｘ線写真を使用して高
レベルの精度で悪性及び良性クラスタ化微小石灰化像を分類するので、このピク
セルディジタル化閾値は確証されている。しかし、ピクセルサイズがコンピュー
タの分類性能に及ぼす作用は本発明では詳細には調査されなかったので、そして
すべての研究者がこの問題に関して一致している訳ではいないので［６４］［６
５］、０．１ｍｍは最適ピクセルサイズではない可能性がある。それでも、本発
明の方法は０．１ｍｍピクセルサイズで高度の性能を達成することができる。

【００８２】クラスタを説明する特徴微小石灰化像の空間的分布、特にクラスタの辺縁は診断学的に重要であると見
なされている［５８］。さらに、多くの放射線科医はクラスタ内の微小石灰化像
の数が有用な診断的指標であると考えている［６２］。本発明は、クラスタの環
状性及び面積を計算するためにクラスタのコンピュータ推定辺縁を使用する（表
１）。環状性はＰ^２／４πＡであると定義されたが、このときＰは周囲の長さで
あり、Ａは微小石灰化クラスタの面積である。

【００８３】クラスタの辺縁は形態学的膨張演算子及び形態学的浸食演算子（米国特許第５
，１３３，０２０２号、第５，５３７，４８５号、及び第５，５９８，４８１号
も参照）を用いて推定された。形態学的膨張演算子は、オリジナルの画像におけ
る１クラスタのピクセルの最高ピクセル値を用いてフィルタを通された画像内に
ピクセルを割り当てることによって対象を拡大するが、このときピクセル群は演
算子のカーネルとして知られている。同様に、形態学的浸食演算子は最小ピクセ
ル値を使用することによって対象を収縮させる。本発明では、膨張演算子と浸食
演算子の両方に単一カーネルが使用された。このカーネルは、５ピクセル×５ピ
クセルの正方形から４個の角のピクセルを除去することによって構成された。膨
張演算子及び浸食演算子は個別微小石灰化だけを含むバイナリ画像に適用された
。背景は０に設定され、微小石灰化はピクセル値１の単一ピクセルによって表さ
れた。膨張演算子は、微小石灰化をクラスタに似ている単一対象へ合併させるた
めに最初は連続的に１０回適用された。その後、クラスタの辺縁を合理的に表す
ために対象のサイズを低下させるために浸食演算子が連続的に３回適用された。
この方法で使用されたカーネル及びパラメータはコンピュータ推定辺縁の最も満
足できる結果を入手するために経験的に選択された。この方法を視認検査によっ
て判定したところ、ほとんどのクラスタに対して適切であった。例外的場合では
、微小石灰化像の「島」は微小石灰化像が広域領域にまばらに分布していたため
に１つのクラスタに合併しなかった。１クラスタに１以上の「島」が存在するこ
の状況では、最終的に単一の「島」が形成されるまで膨張演算子が繰り返し適用
された。結果として生じた輪郭はそうした状況において認知される辺縁からは逸
脱する傾向があったが、認知された辺縁は通常大きく、それ自体が不規則であっ
た。

【００８４】特徴セットの有効性微小石灰化像を分類するための特徴の選択基準は下記の通りであった。

【００８５】（１）２つの任意の対の特徴の分散グラフにおいて悪性クラスタを良性クラス
タから弁別するために選択された特徴を使用できる。

【００８６】（２）選択された特徴が、悪性及び良性クラスタ化微小石灰化像の特徴につい
ての放射線科医の説明と質的に相関している［５７］［６２］。表１に記載の特
徴セットの分散グラフは図１２の（Ａ）、（Ｂ）、図１３の（Ａ）、（Ｂ）に示
されている。各グラフにおいて多くの悪性クラスタは良性クラスタと重複してい
るが、一部の悪性クラスタは良性クラスタに重複しておらず、又その逆もある。
例えば図１２の（Ｂ）では、１群の良性クラスタのはすべての悪性クラスタより
グラフの左下隅により近い場所に現れている。従って、これらのクラスタはこの
グラフに基づいて良性であると識別できる。しかし、特徴セットの結合作用は、
一部には一対の特徴によって識別された良性クラスタが他の対の特徴によって識
別された良性クラスタに必ずしも対応しないために、グラフ上で視認するのは困
難である。図１２の（Ａ）、（Ｂ）、図１３の（Ａ）、（Ｂ）は様々な特徴の視
覚的比較を提供するが、知覚的制約によって二次元に限定されているので、特徴
の組合せの有効性を評価するための限定された手段しか提供しない。結合された
特徴セットの有用性は、後に説明するように人工ニューラルネットワーク（ＡＮ
Ｎ）によって証明することができる。

【００８７】図１２の（Ａ）、（Ｂ）、図１３の（Ａ）、（Ｂ）はさらに又、８種の特徴と
放射線科医の経験との質的相関を例証しており、悪性及び良性クラスタの重複は
放射線科医が一般に経験する悪性及び良性クラスタのＸ線写真上の外観における
類似性を反映している［５７］。しかしより重要なことに、悪性及び良性クラス
タの分布における相違は放射線科医の経験と一致している。図１２の（Ａ）では
、良性クラスタはより小さく丸い傾向があり、他方悪性クラスタはより大きく不
規則な形状である傾向がある。これは良性微小石灰化像が腺症形の密なクラスタ
と関連しているが、悪性環状微小石灰化像はしばしばより指向性かつび漫性であ
るという臨床観察所見に対応している。図１２の（Ｂ）では、良性クラスタは悪
性クラスタと比較してより小数かつより小さい微小石灰化像を有する傾向がある
。臨床的には、点状及び「小葉状」石灰化はしばしば良性である。図１３の（Ａ
）では、悪性微小石灰化像はサイズに関してより大きな変動性を有する傾向があ
る。臨床的には、一部の悪性微小石灰化像を説明するのに多形性という用語が使
用される。図１３の（Ｂ）では、一定のサイズについては、悪性微小石灰化像は
良性石灰化像に比べて形状がより不規則である傾向がある。臨床的には線形又は
分枝状の形状が悪性の最も重要な指標である。

【００８８】本発明の方法における２つの重要な成分の第１は自動コンピュータ特徴抽出で
ある。８種の特徴セットは悪性及び良性クラスタ化微小石灰化像を分類するため
の基礎を提供する。結合特徴セットの有用性は、本発明に従ったコンピュータ機
構の高度の分類性能の基礎を成している。さらに、コンピュータ抽出特徴の使用
は臨床適用のためにより実際的なアプローチである前者と一緒に放射線科医が報
告した特徴を使用するコンピュータ技術から自動コンピュータ分類技術を区別す
る。この８種からなる特徴セットは、これから説明するように悪性及び良性クラ
スタ化微小石灰化像を分類するために人工ニューラルネットワークによって本発
明の方法において使用される。

【００８９】人工ニューラルネットワーク（ＡＮＮ）人工ニューラルネットワーク（ＡＮＮ）は、人間の神経係の数学的モデルであ
る［６６］。ＡＮＮは、医用イメージングを含む数多くの分野に適用されてきた
［４６］［４７］［６０］［６７］。人工ニューラルネットワークは、単純な決
定規則を開発するのが困難な多変数問題（例えば微小石灰化像の８種の特徴の解
析）に適用される。人工ニューラルネットワークは、サンプルに基づいて多変数
（重み）数学的モデルを形成し、その後このモデルを現実的症例に適用すること
によって多変数問題を解決する。ＡＮＮは、複雑な問題を取扱うときに柔軟性が
あることが知られているが、ＡＮＮの論理的思考を理解することはしばしば困難
である。このため、ＡＮＮの結果が経験と相関することが重要である。

【００９０】人工ニューラルネットワークの使用は医用イメージングに適用できる数種の統
計学的方法の１つである。その他の方法には線形判別分析、Ｋ隣接分析等が含ま
れる。ＡＮＮがこれらの他の方法に比較して優れているのは非線形方法である点
である。従って、ＡＮＮは他の統計学的方法に比べて複雑かつ不完全な問題を解
決するときにより大きな効力を有する。本発明で使用されたＡＮＮは悪性及び良
性クラスタ化微小石灰化像並びに間質性肺疾患を分類できることを自ら証明した
。

【００９１】微小石灰化像を分類するためのＡＮＮの構造図１４に略図的で示されているように、乳房Ｘ線画像における個別及びクラス
タ化微小石灰化像を分類するために本発明で使用されたＡＮＮは３層から成るフ
ィードフォワード式誤差逆伝播網であった［６６］。入力層は、各々が８種の特
徴（表１）の１つを読み取る８個の入力ユニットを有していた。各特徴の数値は
データベースにおける特徴の最大値が１となるように０と１の間で正規化された
。単一の隠れ層は、最適な回路網性能に対して経験的に決定されたように（図１
５）、６個の隠れユニットを有していた。出力層は単一出力ユニットを有してい
た。ＡＮＮの出力は、後に説明するように悪性尤度を推定するために変換するこ
とができる。

【００９２】ＡＮＮの学習ＡＮＮは、「教師付き学習」において既知の診断的真実を備えた学習用サンプ
ルを用いて学習された。教師付き学習中、ＡＮＮは出力を「真実」値に等しくさ
せることを試みて連続する層におけるユニットへのリンクを提供する内部の重み
を修正する。（実際には、ＡＮＮの出力は０及び１によって拘束されたが、学習
をより容易に集中させるために、良性に対しては０．１及び悪性に対しては０．
９のバイナリ値が真実として使用された。これはＡＮＮが学習サンプルのための
モデルを開発するプロセスの１つであると見なすことができる。教師付き学習は
、学習の反復回数が増加するにつれて誤差（「真実」とＡＮＮの出力の間の平方
差の合計）が減少する反復プロセスである。

【００９３】ＡＮＮの誤差はＡＮＮが学習サンプルをどの程度良好に模倣するかを評価する
。学習サンプルに対するＡＮＮの性能［６８］はこの誤差が減少するに連れて上
昇する。しかし、この誤差は「現実」へのＡＮＮ「モデル」の一般性を評価しな
いので、従って、様々な（試験）サンプルに対するＡＮＮの性能とは必ずしも単
調な関係を有してはいない。図１６は、学習反復回数が増加するにつれて学習サ
ンプルへのＡＮＮの性能が増加する例を示しているが、試験サンプルへの性能は
飽和して低下する。この減少は「過剰学習」として知られている。つまりＡＮＮ
の「モデル」は学習サンプルには良好に適合するが、「現実」には良好に一般化
しない。「過剰学習」を防止するために、学習は反復２００回で終了された（図
１６）。

【００９４】ＡＮＮの試験ＡＮＮは２種の方法を用いて試験された。一貫性試験及びラウンドロビン試験
（若しくはリーブ・ワン・アウト（１つを残す）試験）。一貫性試験では、試験
サンプルは学習サンプルと同一である。このため、一貫性試験ではＡＮＮの学習
サンプルを「記憶する」能力が厳密に評価される。一貫性試験では学習サンプル
を超えたＡＮＮの一般性は評価されない。この試験は、ＡＮＮの構造が学習サン
プルを「模倣する」ために適正かどうかを評価するために使用できる。図１６は
、ＡＮＮの性能指数Ａ_ｚ及び_０．９０Ａ_ｚが十分な学習反復後に１．０に近づく
ことを証明している。従って、このＡＮＮは悪性及び良性クラスタ化微小石灰化
像を分類するための８種の特徴を解析することができた。

【００９５】他方ラウンドロビン試験では、学習サンプルを超えたＡＮＮの一般性が評価さ
れる。ラウンドロビン試験では、症例が既知の真実を用いて学習セットと試験セ
ットに分けられる。学習セットは１つを除くすべての症例から構成され、試験セ
ットは１つだけ残された症例である。学習セット及び試験セットはその後ＡＮＮ
を学習及び試験するために使用され、その後症例は再区分され、試験セットのた
めに別の症例が選択される。ラウンドロビン試験の結果は各症例の試験結果を結
合することによって入手され、そこから単一ＲＯＣ曲線を推定することができる
。ラウンドロビン試験では、試験症例は学習サンプルとは相違している。このた
め、この試験ではＡＮＮの一般性が評価される。この方法の長所はそれが多数（
ｎ−１）の有効学習サンプルを集合させることによって利用可能な症例を効果的
に使用することにある。

【００９６】ラウンドロビン試験では、区分単位若しくは「症例」の用語は、単一画像乳房
Ｘ線写真（「画像毎」）、若しくは１患者のＸ線写真の集合（「患者毎」）とし
て別々に定義することができる。典型的には、乳房Ｘ線写真試験は頭部尾部（Ｃ
Ｃ）方向として知られる頭部からつま先までの撮影方向、中外側（ＭＬ）として
知られる側面から側面までの撮影方向、及び一般に頭部からつま先及び側面から
側面の画像の間での４５度の角度で中側斜位（ＭＬＯ）として知られる撮影方向
から選択された最低２つの撮影方向から行われる。患者毎の定義では、病変は２
枚以上のフィルム（例、ＣＣ、ＭＬ及びＭＬＯ画像）上に描出することができ、
患者は複数の病変を有する可能性がある。画像毎の定義は、例えば試験症例とし
てＣＣ画像が使用されて学習セットにＭＬＯ画像が現れた場合は、試験セットは
もはや完全には学習セットと無関係ではないので、偏っている。使用されたデー
タベース（データベースＡ）上で「画像毎」ラウンドロビン試験を「患者毎」ラ
ウンドロビン試験と比較すると、各々０．９０対０．８３（ｐ＝０．１０）のＡ _ｚ値が明らかになった。従って、本試験では「患者毎」ラウンドロビンだけが使
用された。

【００９７】ラウンドロビン検定における分割ユニットに定義に関連して、本発明の方法の
性能は画像毎ベース又は「病変毎」ベースのどちらかに基づいて評価することが
できる。画像毎解析では、各乳房Ｘ線写真はそれが別の乳房Ｘ線写真上にも描出
された病変を描出している場合でさえ独立症例として取扱われた。この解析法が
使用されたのは、本発明の方法が各フィルムを個別的に解析するためであった。
同一病変のＣＣ及びＭＬＯ画像は結果解析では２つの個別症例と見なされたが、
人工ニューラルネットワークを学習（ラウンドロビン法を用いて）するときには
それらは単一症例として取扱われ、データベースの学習セット又は試験セットの
どちらでも一緒に現れたことを注目することは重要である。しかし臨床的観点か
らは、重要な問題は病変が悪性かどうかということである。放射線科医は、同一
病変の画像を比較し、病変が最も疑わしく見える１枚以上の画像により大きな重
みを置くことによってこの問題に対して乳房Ｘ線写真の解析を調整する。本発明
の方法は同一病変の画像を集合的（つまり患者毎で）には解析しないが、放射線
科医の解析を模倣するための１つの方法はコンピュータの結果を病変毎ベースに
まとめることである：その病変に対する病変毎の評価として一定病変の悪性尤度
の画像毎最大推定値を使用する。

【００９８】結果の妥当性ＡＮＮの構造、即ち調整可能な重みの数はＡＮＮの測定された性能における妥
当性に影響を及ぼすことができる。大きなニューラルネットワークはより複雑な
問題を解決できるが、それらは少数の症例を用いて確実に学習することができな
い。本発明では、ＡＮＮは５４の調整可能な重みを有していた。２つのデータベ
ース（データベースＡ及びＢ）の各々１００及び２００の症例が学習に使用され
た。従って、学習−症例対重み比は各データベースについておよそ２及び４であ
った。

【００９９】オリジナルの重みを決定するため及び種々の症例上での学習順序を決定するた
めにＡＮＮで使用された乱数発生器は、ＡＮＮの性能にも影響を及ぼすことがあ
る。乱数の順序は使用された初期のシード値に依存していた。このシード値は、
単純にするために本発明では１に設定された。図１７は、ランダムシードへのＡ
ＮＮの性能（Ａ_ｚ）の依存性を示している。この図では、ランダムシードは実際
のシード値ではなく指数値によって示されている。図１７は、ＡＮＮの性能がシ
ードが変化するにつれて平均値の周囲で不規則に変動することを示している。性
能におけるこの変動の大きさはＡ_ｚ値に関連する推定不確実性に一致している。

【０１００】ＡＮＮ性能の妥当性を詳細に評価するためには、ＡＮＮを１つのデータベース
上で学習し、その後別のデータベース上で試験することができる。しかし、この
方法には固有の限界がある。これは２つのデータベースが同一症例クラスタの無
作為サンプルである場合にのみ性能における変動の有意義な評価を許容する。さ
もないと、症例の相違が性能に及ぼす影響を性能における不規則な変動から分離
することができない［６９］［７０］。

【０１０１】本発明の方法は２つの重要な成分を有している。（１）自動コンピュータ抽出
特徴、及び（２）人工ニューラルネットワーク。コンピュータ抽出特徴は乳房Ｘ
線写真上の微小石灰化像を解析するための基礎を提供する。人工ニューラルネッ
トワークはこれらの特徴に基づいて悪性尤度に関する統計学的推定値を提供する
。今度は本発明の方法の分類性能、並びに特徴とＡＮＮの結合された有効性につ
いて説明する。

【０１０２】本発明の方法の有効性本発明の方法が微小石灰化像における放射線科医の診断性能に及ぼす有効性を
評価することは、コンピュータ化区分機構が放射線科医の診断性能を向上させる
ために使用できることを証明する際の最終ステップである。下記では、ルーチン
の臨床実践における条件及び本発明の方法からの追加の支援を用いた条件の２つ
の読影条件において乳房Ｘ線写真を読影する放射線科医の診断性能について説明
する。本発明は、一部の以前の試験は放射線科医の性能をコンピュータの性能と
比較しているのに対して本発明が放射線科医の性能をコンピュータ支援を使用し
ない彼らの性能と比較する点で以前に記載された他の試験の一部とは相違してい
る。本発明で行われた比較は、コンピュータ支援診断における本発明の方法の有
用性の直接的証拠を提供する。

【０１０３】本発明では自動コンピュータ機構からの支援を使用した場合及び使用しない場
合の放射線科医の診断性能を比較する。以前にＧｅｔｔｙら［４５］［６９］［
７３］は、放射線科医が抽出した画像特徴及び統計的分類器を使用して放射線科
医の診断性能を向上させるために読影及び判定支援を使用できることを証明した
。しかし、臨床的に実用的なのは自動アプローチ法だけであるので、本発明は例
えば乳癌診断におけるコンピュータ支援診断の適用を大きく前進させるであろう
。

【０１０４】この観測者試験では１つのデータベース（データベースＢ）が使用された。こ
のデータベースは準連続的生検シリーズであった。従って、このデータベースは
臨床的に重要である。これは臨床実践における放射線科医の診断性能を本発明に
おいて評価することを許容する。

【０１０５】放射線科医観測者５人の放射線科実習指導医及び５人の放射線科上級研修医から構成される１０
人の放射線科医観測者に依頼して観測者試験に参加してもらった。これらの観測
者は、マンモグラフィを実行する放射線科医の無作為サンプルを表すように選択
された。マンモグラフィにおける彼らの経験年数は平均９年間（中央値６年間、
範囲：１〜３０年間）であり、マンモグラフィは彼らの業務の平均３０％を占め
ていた。平均すると、彼らは前年１年間に約１０００枚のマンモグラフィ症例を
読影していた。研修医はマンモグラフィにおいて１又は２回の学習ローテーショ
ンを受けていたが、それは長さ４週間で４００枚までの乳房Ｘ線写真を含有して
いた。従って、放射線科実習指導医は資格を有しており、研修医はＭＱＳＡに従
って乳房Ｘ線写真を読影する資格認定を受けるのに適格であった［７４］。

【０１０６】フィルム材料本発明ではデータベース（データベースＢ）のオリジナルの乳房Ｘ線写真が使
用された。このデータベースには組織学的に証明されたクラスタ化微小石灰化像
１０４症例が含まれていた。これらのうち４６症例は悪性、５８症例は良性であ
った。これは悪性及び良性クラスタ化微小石灰化像を診断するためには難しいデ
ータベースであった。これらの症例中９０％は１９９０年から１９９６年までに
収集された。このデータベースにおける悪性腫瘍の８０％はＤＣＩＳであった。
いずれの観測者も本発明に使用された症例について事前の知識を持っていなかっ
た。

【０１０７】本発明に使用された乳房Ｘ線写真フィルムは、両乳房の標準ＭＬＯ及びＣＣ画
像及び病変の拡大ＭＬＯ及びＣＣ画像であった。臨床的ベースライン試験をシミ
ュレートするために本発明では以前の乳房Ｘ線写真は使用されなかった。この状
況では、放射線科医は微小石灰化像の形態に関する自分自身の分析に頼らざるを
得ない。しかし、放射線科医は標準画像及び拡大画像の両方を読影するが、コン
ピュータの症例解析は標準画像についてだけ行われることに注目することが重要
である。８０症例はすべて６枚のフィルムを含んでいたが、２０症例は同側乳房
の２枚の標準画像だけ、２症例は病変の１枚の拡大画像だけ、そして５症例は３
若しくは４枚の拡大フィルムしか含んでいなかった。乳房Ｘ線写真の技術的品質
はベテランの放射線科医によって１〜５のスコアで主観的に評価された。全６０
０枚の乳房Ｘ線写真の平均技術的品質は３．５であったが、このとき１＝不安定
、２＝例えば軽度の運動不鮮明さのような技術的問題あり、３＝平均的、４＝良
好、及び５＝優良と定義されていた。全症例は３以上の平均技術的品質を持つ少
なくとも１枚の乳房Ｘ線写真を有していたが、３０枚（５％）の乳房Ｘ線写真は
技術的品質が２であると評価された。１０症例では、以前の生検部位を指摘する
ために乳房Ｘ線写真に注釈が付けられた。

【０１０８】観測者試験のデザイン各観測者は異なる２種の読影条件下で全１０４症例を２度読影した。第１の読
影条件は通常のマンモグラフィ臨床実践におけるのと同一条件であり、第２の条
件は通常の条件に追加のコンピュータ推定悪性尤度の情報を加えた条件であった
。これら２種の読影条件はコンピュータ支援を使用した場合及び使用しない場合
と呼ばれる。

【０１０９】各観測者には上記の２種の読影条件下で一人で各症例を読影することが要求さ
れた。同一症例についての観測者の性能における差が、読影条件における他の人
工的な相違によってではなくコンピュータ解析結果の有無によって惹起されるこ
とを保証するために、下記の設定が採用された［７５］［７２］。

【０１１０】（１）１０人の放射線科医が匹敵する経験を有するα群とβ群とに割り当てら
れた。

【０１１１】（２）１０４症例がデータセット１及びデータセット２に無作為に分割された
。データセット１は悪性２１症例と良性３１症例から構成され、データセット２
は悪性２５症例と良性２７症例から構成された。

【０１１２】（３）異なる２種の読影条件下での同一症例についての各観測者の反復読影は
１０〜６０日の間隔（平均＝３０日間、中央値＝３５日間）をおいた別個の２回
の読影セッションで行われた。この時間的分離は、第２回セッションにおける症
例の読影が第１回セッションにおける観測者の記憶に影響を受けることを防止す
るためであった。

【０１１３】各読影セッション中に、各観測者は全１０４症例を読影した。第１回セッショ
ンでは、α群の観測者はコンピュータ支援を使用してデータセット１を読影し、
その後支援を使用せずにデータセット２を読影した。β群の観測者は反対の読影
条件で読影した。つまり第１回セッションでは彼らは支援を使用せずにデータセ
ット１を読影してその後に支援を使用してデータセット２を読影し、第２回セッ
ションでは支援を使用してデータセット１を読影してその後に支援を使用せずに
データセット２を読影した。

【０１１４】さらに偏りを最小限に押さえるために、症例が読影される順序が無作為化され
た。無作為化はデータセット１及びデータセット２について個別に実施されたが
、全観測者に対して症例順序は同一に維持された。観測者を横切る追加の無作為
化は実際的ではなかった。しかし、各データセットの症例順序は第１回と第２回
のセッションの間で逆にされた。これは観測者の記憶を第２回セッションにおけ
る症例読影に影響を及ぼすことをさらに抑止するためであった。追加して、各デ
ータセットにおける症例順序は、各症例順序における初期（及び最終）５症例に
ついてはコンピュータ解析結果が組織学的真実と一致しているように配列された
。これはコンピュータ解析結果が試験の開始時に肉眼的に不正確に見えた場合に
は観測者がコンピュータ解析結果に関心を失うことを防止するためであった。

【０１１５】本発明の評価における試験は、典型的なマンモグラフィ臨床実践における読影
条件をシミュレートするようにデザインされた。乳房Ｘ線写真を取り付けるため
にはマンモグラフィ・ビューア（ＲａｄｘＭＳ８０４Ａ，ＲａｄｘＴｅｃｈ
ｎｏｌｏｇｙ，ヒューストン、テキサス州）が使用された。普通の眼鏡及びマン
モグラフィ拡大鏡が提供された。観測者は静かな室内で最小の周囲室内照明を用
いて症例を読影した。時間制限は課されなかったが、各読影条件で各症例の読影
所要時間は記録された。２種の読影条件間で使用時間の顕著な相違は観察されな
かった。

【０１１６】各症例を読影した後、観測者は（１）病変が悪性であるという確信、及び（２
）次の推奨臨床措置間における彼らの選択を報告した。外科的生検、別の組織サ
ンプリング、短期フォローアップ、及び定期的フォローアップ。観測者の嫌疑の
程度は、左端に「良性」及び右端に「悪性」と表示された５ｃｍの線である視覚
的アナログスケールを用いて記録された。観測者は、疑いが低い場合は「良性」
により近くにマーキングし、疑いが大きい場合には「悪性」により近くにマーキ
ングするように指導された。これらのマークはその後定規を用いて数値に変換さ
れた。試験の開始時には、観測者には試験の目的、総合的試験デザイン、症例数
、入手できるマンモグラフィ画像、及び症例のほぼ半数が悪性であることが知ら
された。彼らは供給された場合にはコンピュータ解析結果を考慮に入れるように
強く勧められ、コンピュータがコンピュータ推定悪性尤度に関しては３０％の閾
値で、９０％の感度及び６１％のＰＰＶで解析を実施したことが知らされた。こ
のコンピュータ機構の仮説的性能は、生検を勧告するための基準として３０％以
上のコンピュータ推定悪性尤度を使用した場合に入手できるであろう。コンピュ
ータ推定悪性尤度は後に説明するようにＡＮＮの出力から変換され、患者毎のラ
ウンドロビン検定法を使用して入手された。このコンピュータ推定悪性尤度は小
さなカードにプリントアウトされた。放射線科医がコンピュータ支援を使用して
症例を読影するときは、このカードは乳房Ｘ線写真と一緒にマンモグラフィ・ビ
ューア上に取り付けられた。

【０１１７】ＣＡＤ読影セッションの直前には観測者は１セット２５枚の見本症例を利用で
きるようにされた。これらの見本症例はコンピュータ解析結果と一緒に示された
。各見本症例を読影した後、その症例の組織学的真実が観測者に与えられた。こ
れらの見本症例の目的は、観測者がコンピュータ解析結果に習熟して、彼らが実
際の実験を行う前にコンピュータ解析結果の使用法についての戦術を立てるのに
役立たせることにあった。各観測者は最少１０例の見本症例を読影した。

【０１１８】観測者の性能の比較悪性及び良性クラスタ化微小石灰化像を弁別することにおける放射線科医の確
信は３つの統計的比較においてＲＯＣ解析法を使用して解析された。個別解析に
おいて、コンピュータ支援を使用した場合及び使用しない場合の放射線科医の生
検勧告が比較された。

【０１１９】コンピュータ支援を使用した場合及び使用しない場合の悪性及び良性クラスタ
化微小石灰化像を弁別することにおける放射線科医の性能を比較するために対デ
ータに対してスチューデントの両側ｔ検定が使用された。この解析では、観測者
の性能における変動性は考慮に入れられるが、症例における変動性は考慮に入れ
られない。この解析結果（ｐ値）は、症例中のこの特定サンプルに対して偶然に
よってのみ生じた観察された差の確率であると解釈することができる［７２］。
図１８の（Ａ）では、コンピュータのＲＯＣ曲線と比較して、コンピュータ支援
を使用した場合及び使用しない場合の５人の放射線科実習指導医の総合ＲＯＣ曲
線が比較されている。放射線科医の総合ＲＯＣ曲線は個々の放射線科医のＲＯＣ
曲線の従法線パラメータであるａ及びｂを平均化することによって入手された。
放射線科実習指導医についての平均Ａ_ｚ値はコンピュータ支援を使用した場合が
０．６２及び使用しない場合が０．７６であったが、他方平均_０．９０Ａ_ｚ値は
コンピュータ支援を使用した場合が０．０６及び使用しない場合が０．２６であ
った。どちらの差も統計的に有意であった（両方の場合にｐ＝０．００６）。図
１８の（Ｂ）は、５人の放射線科研修医についてコンピュータ支援を使用した場
合及び使用しない場合における総合ＲＯＣ曲線の類似の比較を示している。研修
医については、平均Ａ_ｚ値はコンピュータ支援を使用した場合が０．６１及び使
用しない場合が０．７５であったが（ｐ＝０．０００６）、他方平均_０．９０Ａ _ｚ値はコンピュータ支援を使用した場合が０．０４及び使用しない場合が０．２
２であった（ｐ＝０．０００８）。

【０１２０】コンピュータ支援を使用した場合及び使用しない場合の悪性及び良性クラスタ
化微小石灰化像を弁別することにおける放射線科医の性能を比較するために、さ
らにＣＬＡＢＲＯＣ［１０３］アルゴリズムも使用された。この解析では、症例
における変動性が考慮に入れられるが、観測者性能における変動性は考慮に入れ
られない。この解析結果（ｐ値）は、偶然によってのみ生じた特定観測者の、性
能における観察された差の確率であると解釈することができる。従って、この解
析の結論は他の放射線科医に直接的に一般化することはできない［７２］。表６
は各観測者に対するこの解析結果を示している。

【表６】

【０１２１】表６では、各ｐ値が１人の特定観測者に対して計算されたので、ｐ値が相違す
る観測者に対して概して同一ではないことに注目されたい。しかし、表６ではコ
ンピュータ支援を使用した場合及び使用しない場合の読影からＡ_ｚ及び_０．９０Ａ’_ｚ両方における増加が各観測者に対して証明されている。このため、表６に
示された結果はＣＬＡＢＲＯＣアルゴリズムによって所見された性能における増
加が匹敵する技術を持つ他の放射線科医に一般化できる証拠を提供している。

【０１２２】第３の解析では、コンピュータ支援を使用した場合及び使用しない場合の悪性
及び良性クラスタ化微小石灰化像を弁別することにおける放射線科医の性能を比
較するためにＤｏｒｆｍａｎ−Ｂｅｒｂａｕｍ−Ｍｅｔｚ法［７６］が使用され
た。この方法は、例えばＡ_ｚのような性能指数の擬似値を解析するためにジャッ
クナイフ法及びＡＮＯＶＡ（分散分析）を使用する。この解析では症例における
変動性及び観測者性能における変動性の両方が考慮に入れられる。様式の作用に
ついての計算ｐ値は偶然によってのみ生じる性能において観察された差の確率で
あると解釈できる。従ってこの解析の結論は類似の症例及び類似の技術を有する
他の放射線科医に一般化することができる。この方法を使用して放射線科実習指
導医及び研修医についてコンピュータ支援を使用した場合及び使用しない場合の
性能における差を評価するために使用すると、この解析は放射線科実習指導医に
対しては０．００４、及び研修医に対しては＜０．０００１の両側ｐ値を生じた
。この第３の解析は以前の２回の解析で解析された両方の変動性を同時に評価し
、コンピュータ支援を使用した場合の診断性能における向上が放射線科実習指導
医及び研修医について統計的有意であることを確証した。

【０１２３】コンピュータ支援を使用した場合及び使用しない場合の観測者の生検勧告を比
較するために別個の解析が実施された。この比較を行うために、生検勧告は次の
ように定義された。

【０１２４】（１）生検＝外科的生検＋別の組織のサンプリング。

【０１２５】（２）フォローアップ＝短期フォローアップ＋定期的フォローアップ。

【０１２６】この解析では対のデータに対するスチューデントの両側ｔ検定が使用された。
図１９は、各観測者に対してコンピュータ支援を使用しない場合から使用した場
合への生検勧告回数における変化頻度を示している。悪性腫瘍に対しては、１人
を除く全観測者が生検勧告数を増加させた。良性病変に対しては、生検勧告数を
８人の観測者が減少させ、２人の観測者が増加させた。コンピュータ支援を使用
しない場合から使用した場合への生検勧告数における平均変化は、悪性腫瘍に対
しては６．４回の生検の増加（ｐ＝０．０００６）、及び良性病変に対しては６
．０回の生検の減少（ｐ＝０．００３）であった。生検勧告の平均感度は７３．
５％から８７．４％へ上昇し、特異性は３１．６％から４１．９％へ上昇した。
対応する仮説的陽性生検収率は４６％から５５％へ増加した。

【０１２７】臨床的妥当性本発明の試験の結果は、診断作業にコンピュータ支援診断を適用したＧｅｔｔ
ｙら［４５］による他の試験の結果と一致している。Ｇｅｔｔｙらによって調査
された乳房Ｘ線写真読影支援は１２種の特徴についてのチェックリストから構成
され、決定支援は放射線科医によって報告された特徴に基づくコンピュータ推定
悪性尤度から構成された。彼らは、乳房Ｘ線写真上の悪性病変を良性病変から区
別することにおける地域の放射線科医の性能が読影及び決定支援を使用する強化
読影条件下では向上することを発見した。本発明の試験では、コンピュータ支援
は上記で説明したように８種のコンピュータ抽出特徴に基づくコンピュータ推定
悪性尤度から構成された。悪性及び良性クラスタ化微小石灰化像を区別すること
における放射線科医の診断性能における向上は、放射線科医が本発明のコンピュ
ータ支援を使用して乳房Ｘ線写真を読影した場合に所見された。

【０１２８】本発明の試験では、低い方から高い方への診断性能の順番は、コンピュータ支
援を使用しない放射線科医、使用した放射線科医、そして本発明の方法単独であ
った。これは放射線科医がコンピュータ解析結果を最適には使用できなかったこ
とを示唆している。理想的には、コンピュータ支援を使用した放射線科医の性能
がコンピュータの性能と同等若しくはそれ以上でなければならない。放射線科医
は、すべての症例についてコンピュータ解析を採用することができれば、放射線
科医の性能はコンピュータの性能と同等であろう。他方、放射線科医の性能は、
彼らが彼ら自身の解析より正確である場合に常にコンピュータ解析を採用するこ
とができれば、コンピュータの性能より高くなるであろう。コンピュータ解析結
果をより積極的に使用することにおける放射線科医の能力を改善するための方法
を調査するためには追加の試験が必要とされる。

【０１２９】たとえコンピュータ機構の性能がコンピュータ支援を使用しない放射線科医の
性能より劣っている場合でさえ、コンピュータ機構が検出作業における放射線科
医の性能を向上させるのに役立つことができることは知られている［３３］。し
かし、本発明ではコンピュータ支援は下記の２つの点で検出作業とは相違する分
類作業に適用された。

【０１３０】（１）検出作業では、放射線科医が見落とした病変をコンピュータが発見する
と、コンピュータ支援が放射線科医に追加の情報を提供する。分類作業では、放
射線科医及びコンピュータは同一病変を解析して悪性尤度を評価する。彼らの解
析が一致しない場合は、コンピュータ支援が放射線科医の評価に挑戦する。

【０１３１】（２）検出作業では、コンピュータ支援は通常、例えばコンピュータ検出を示
す矢印と正常所見を示す矢印無しの２成分の結果として表される。分類作業にお
けるコンピュータ解析を表す匹敵するフォーマットは２成分結果（即ち、悪性又
は良性）を示すことであろう。しかし、本発明では、コンピュータ支援は悪性尤
度の数値によって表された。

【０１３２】本発明において発見された診断性能のランク付けはＧｅｔｔｙらによる結果と
は相違していた。Ｇｅｔｔｙらの試験では、低い方から高い方への診断性能の順
番は、支援を使用しない放射線科医、コンピュータ単独、及び支援を使用した放
射線科医であった。Ｇｅｔｔｙらの試験と本発明の試験の間の２つの重要な相違
は、観察された診断性能の順番における相違に帰することができるであろう。

【０１３３】（１）Ｇｅｔｔｙらはすべてのタイプのマンモグラフィ病変を試験したが、他
方本試験はクラスタ化微小石灰化像だけを調査した（コンピュータ解析を組み込
むことにおける放射線科医の能力は様々な病変タイプについて相違する可能性が
ある）。

【０１３４】（２）Ｇｅｔｔｙらのコンピュータ解析は放射線科医によって報告された特徴
に基づいていたが、他方本発明ではコンピュータ解析はコンピュータ抽出特徴に
基づいていた（放射線科医にとってはコンピュータ抽出特徴に基づくコンピュー
タ解析を利用することがより困難であったかもしれない）。

【０１３５】本発明では放射線科実習指導医と放射線科上級研修医の診断性能が比較され、
類似であることが発見された。これは２通りに解釈することができよう。

【０１３６】（１）おそらく放射線科上級研修医はより経験を積んだ放射線科実習指導医と
同様に悪性及び良性クラスタ化微小石灰化像を区別することができるであろう［
７７］［７８］（微小石灰化像に対する診断性能が一般に経験と強度に相関して
いない場合、又は現在学習中の研修医がマンモグラフィ、特に悪性及び良性微小
石灰化像の診断において素晴らしい経験を積んでいればありえよう）。

【０１３７】（２）性能におけるこの類似性は、本発明の試験が放射線科実習指導医と研修
医の間の性能における実際の相違を検出することに失敗したものと解釈できよう
［４５］（放射線科実習指導医と研修医のどちらもが本発明で使用された困難な
症例の性質に習熟していない場合は、測定された性能は、彼らの性能が臨床実践
において相違している場合でさえ類似になるかもしれない）。従って、研修医の
診断性能が放射線科実習指導医の性能と相違しているかどうかを調査するために
追加の試験が必要とされる。

【０１３８】本発明の試験は、本発明の方法を使用することによって陽性生検収率を増加す
る可能性があることを示している。本発明の試験における仮説的陽性生検収率は
４６％から５５％へ増加した。しかし、臨床実践における癌有病率はおそらく本
発明で使用されたデータベースにおける癌有病率とは相違しているので、これら
の陽性生検収率値は臨床実践における数値と直接的には比較できない可能性があ
る。表６は、固定感度及び特異性値を仮定することによって計算された、癌有病
率が陽性生検収率に及ぼす作用を示している。

【表７】

【０１３９】表７から見て取れるように、陽性生検収率は癌有病率に強度に依存しており、
コンピュータ支援を使用した場合の陽性生検収率における増加も又癌有病率に強
度に依存している。表７に示されている陽性生検収率は本発明で使用されたもの
に類似するが、様々な癌有病率を有する無作為にサンプリングされた症例に対す
る推定陽性生検収率であると解釈できる。さらに、表７は本発明の方法を使用す
ることによって臨床実践において陽性生検収率を４％から９％向上させることが
できることを示している。実際的には診断性能を向上させずにより低い感度で操
作することによって陽性生検収率を上昇させること、つまり明白な癌だけを診断
することが可能であるので、表７に示されている陽性生検収率における増加は感
度における１４％の増加と結び付けて見なければならない。

【０１４０】上記の試験では、本発明の方法が放射線科医の性能に及ぼす作用が準連続生検
シリーズについて評価された。本発明の方法がそれほど疑わしくない、典型的に
は生検が行われない症例に及ぼす作用は評価されなかった。良性病変についての
生検数を低下させるためには、現在は生検が実施される疑わしい症例に関する放
射線科医の診断性能を向上させることが特に重要である。しかし、本発明の方法
が臨床実践で適用されると、それは生検が行われるかどうかには無関係にすべて
の疑わしい（精密検査）症例を解析するために使用されるであろう。このため、
本発明の方法が現在は生検が行われない症例に関する放射線科医の診断性能に及
ぼす作用は今後の試験で調査されなければならない。本発明の方法が現在は生検
が行われない、実際に良性の症例に対して低い悪性尤度を一貫して推定する場合
は、放射線科医の診断性能は低下させられないであろう。本発明の方法が一部の
現在は生検が行われていないが実際には悪性の症例に対して高い悪性尤度を推定
する場合は、もしかすると放射線科医の診断性能は感度に関して向上させること
ができる。

【０１４１】上記の試験では、乳房Ｘ線写真が臨床実践で使用されるものに類似する方法で
放射線科医によって読影された。従って、本発明の結果は臨床的に妥当である。
しかし、本試験では以前の乳房Ｘ線写真が放射線科医に示されなかった。さらに
、以前の生検部位として識別できる病変に関する少数の注釈を除いて、患者の年
齢、家族歴及びその他の関連する臨床的データは提供されなかった。このため本
発明は微小石灰化像のマンモグラフィ評価を重要視した。すべての関連臨床情報
を利用できる場合に本発明の方法が微小石灰化像の分類における放射線科医の診
断性能に及ぼす作用は、今後の試験で調査される必要がある。しかし、臨床実践
では時々、例えばベースライン審査では以前の乳房Ｘ線写真は利用できない。こ
の状況では、放射線科医はここに記載した試験に類似する方法で乳房Ｘ線写真を
読影するであろう。

【０１４２】本発明では、コンピュータ支援を使用した場合及び使用しない場合の放射線科
医の診断性能を比較するために検査室観測者試験が使用された［７５］［７２］
。その結果として、コンピュータの恩恵を証明するためには臨床試験が使用され
なければならない。検査室観測者試験はいくつかの限界を有する、例えば観測者
のモチベーションは臨床実践におけるモチベーションと同一ではない可能性があ
るが、明瞭にデザインされて注意深く実行された検査室観測者試験は妥当な結論
を引き出すために強力な科学的証拠を提供することができる。検査室観測者試験
は臨床試験の代わりをすることはできないが、臨床試験の成功を動機付けして誘
導するために役立つ。

【０１４３】上記の試験は、微小石灰化像の分類において放射線科医の診断性能を向上させ
ることにおける本発明の恩恵を証明している。上記の試験は、コンピュータ分類
機構を使用することによって、悪性及び良性クラスタ化微小石灰化像の診断にお
ける放射線科医の性能を感度の上昇及び良性病変に対する生検数を低下させるこ
とで向上させることができることを証明している。本発明は癌の診断における自
動ＣＡＤ機構の恩恵を証明し、それによって癌検出を越えて自動ＣＡＤ機構の証
明された恩恵を拡大させる。従って、本発明に従ったこの試験はコンピュータ支
援診断の適用及び乳癌の診断に重要な後見をする。

【０１４４】間質性肺疾患を分類するためのＡＮＮ構造間質性肺疾患を分類するためのＡＡＮの構造は下記で説明するように相違して
いる。本発明では間質性肺疾患を分類するために逆伝播アルゴリズムを用いる３
層のフィードフォワード式ＡＮＮが使用された。図２０に示されているように、
ＡＮＮは１０種の臨床パラメータ及び１６種のＸ線観察所見を受信するための２
６個の入力ユニット、１１種の間質性肺疾患を分類するための出力ユニット及び
１８個の隠れユニットから構成された。１０種の臨床パラメータには年齢、性別
、症状持続期間、症状の重症度、体温、免疫状態、既知の基礎悪性腫瘍、喫煙歴
、粉塵曝露歴、薬物療法歴が含まれる。１６種のＸ線観察所見には浸潤の分布部
位に関する７項目（右上、右中、右下、左上、左中、左下の肺野及び近位／辺縁
）、浸潤の特徴に関する６項目［１００］（均質性、精密性／粗雑性、結節性、
中隔線、蜂巣状性及び肺容積の損失）、並びに胸部異常に関する３項目（リンパ
節症、胸水、心臓のサイズ［１０２］）が含まれる。１１種の間質性肺疾患には
サルコイドーシス、粟粒結核、リンパ管性癌腫症、間質性肺水腫、珪肺症、ニュ
ーモシスティス肺炎、強皮症、好酸球性肉芽腫、特発性肺線維症、ウイルス性肺
炎及び肺薬物中毒が含まれる。本発明では、ラウンドロビン法を用いてＡＮＮを
学習及び試験するために１５０例の臨床症例、１１０例の公表された症例及び１
１０例の仮説的症例が使用された。３人の胸部放射線科医が個別に、公表された
症例についてはすべての特徴の評点付け及び臨床症例についてはＸ線所見の評点
付けだけを提供した。ＡＮＮの性能は各疾患において受領者作用特徴（ＲＯＣ）
解析によって評価された。平均Ａ_ｚ値は、１１種の疾患に関するＲＯＣ曲線下面
積である全Ａ_ｚ値から入手された。

【０１４５】臨床症例に対するＡＮＮの総合的性能を評価するために、上記で説明したよう
に修正ラウンドロビン法が使用された。この方法を用いると、学習のために仮説
的症例及び公表された症例のすべて及び１例を除く全臨床症例が使用される。残
された１例の臨床症例は試験のために使用される。この方法によって入手された
Ａ_ｚ値は０．９４７である（図２１）。同様に評価されたのは、正確な診断とＡ
ＮＮの出力の評点付けの関係に基づいた患者毎のＡＮＮの性能であった。正確な
診断がＡＮＮの出力の最高信頼評点付けに対応する場合は（第１位）、この条件
は「トップ１」と呼ばれる。同様に、「トップ２」は正確な診断が第２最大信頼
評点付け（第２位）に含まれる条件に対応し、さらに「トップ３」は第３最大信
頼評点付け（第３位）に含まれる条件に対応する。これらの条件でのＡＮＮの診
断精度は表８及び図２１に示されている。

【表８】

【０１４６】感度及び特異性はどちらも「トップ２」条件ではほぼ９０％である。図２２は
、各疾患に対して入手されたＡＮＮ性能のＡ_ｚ値を示している。これらの疾患に
ついてのＡ_ｚ値間では相当に大きな変動が見られる。

【０１４７】放射線科医観測者試験胸部Ｘ線写真で１１種の間質性肺疾患間を弁別することにおける放射線科医の
性能にＡＮＮ出力が及ぼす作用を評価するために観測者試験が実施された。本発
明では、ＡＮＮの性能が全臨床症例によって入手された性能に匹敵していた３３
例の実際の臨床症例が使用された。これらの試験には放射線科医１人及び放射線
科研修医２人が参加した。最初は、観測者が最初の評点付けを行うために臨床パ
ラメータと一緒に胸部Ｘ線フィルムを読影した。観測者らは彼らの確信評点付け
のレベルを、例えば図２３に示されているようなスコアシート上に第１の色のペ
ンを用いて１１種の疾患の各ライン上の適切な位置にマーキングした。次に、各
症例について１１種の可能性のある診断各々の確率を示している図２４に示され
ているＡＮＮの出力が観測者に提示された。観測者はＡＮＮの出力のために必要
な場合は、第１の色のペンでマーキングしたのと同一ライン上に第２の色のペン
を用いて彼らの確信評点付けを変更することができた。この方法を用いると、各
放射線科医の診断にＡＮＮの出力が及ぼす影響を測定することが可能であった。

【０１４８】観測者試験の結果観測者の性能は連続評点付けスケールを使用するＲＯＣ解析によって評価され
た。図２５は、ＡＮＮの出力を使用した場合及び使用しない場合の観測者による
平均ＲＯＣ曲線の比較を示している。ＡＮＮの出力を使用した場合の観測者の平
均性能はコンピュータ支援を使用しない場合に比較して統計的有意に向上した。
スチューデントの両側ｔ検定に従うと、ＡＮＮを使用した場合及び使用しない場
合に入手されたＡ_ｚ値間の差は統計的有意であった（ｐ＜０．０５）。

【０１４９】本発明に従うと、ＡＮＮは間質性肺疾患の識別診断において観測者の診断精度
を統計的有意に向上させることができ、ＡＮＮの出力が第二の見解として、そし
て図２４に類似する書式で提示されて使用される場合には彼らの最終決定におい
て観測者を補助することができる。

【０１５０】コンピュータ解析（分類）結果の提示本発明に従うと、これから説明するように作業が分類作業若しくは検出作業で
あるのかに依存して放射線科医にコンピュータ解析結果を提示するために相違す
る機構が使用される。分類では、問題のある病変若しくは領域の量的評価が与え
られる。これは、数の形で放射線科医にコンピュータ解析結果を表示することに
よって単純に実施できる。例えばマンモグラフィでは、病変が悪性であるか又は
良性であるかを決定するときに放射線科医を補助するためにコンピュータを使用
することができる。コンピュータはこれを画像から特徴を抽出し、その後に病変
の悪性尤度推定値を発生させるためにこれらの特徴を結合することによって遂行
できる。特徴は例えば上記で説明したような人工ニューラルネットワーク（ＡＮ
Ｎ）のような多数のパターン分類法のいずれかを使用することによって結合する
ことができる。パターン分類法の出力はこれから説明する多数の様々な方法で悪
性尤度に変換される。

【０１５１】コンピュータ解析結果はその後ＣＲＴモニター（例、図３のディスプレイ装置
２００）上に表示され、紙にプリントアウトされる、又は音声合成ソフトウエア
（例、図３の特殊ハードウエア３３０及びスピーカ３５０）を使用して口頭で述
べられる。さらに、個々の特徴の数値は単一数値の形、若しくは数のリストより
迅速に解析結果を放射線科医に伝える棒グラフの形で放射線科医に与えられる。

【０１５２】さらに又、考察下の病変に類似する匹敵する病変を数値の結果を結合して表示
することも有用である。病変は良性及び悪性の２群に分けられる。放射線科医は
その後、問題の病変の外観を既知の病状を有する１セットの類似病変と視覚的に
比較する。これらは類似の特徴（例、参考文献Ｓｗｅｔｔｓ）、及び／又は類似
の悪性尤度を有する病変である。この方法には２つの長所がある。

【０１５３】（１）問題の病変がサンプル病変とは完全に相違している場合は、それはおそ
らく特徴抽出における誤差から生じた誤差をコンピュータが生じたことを放射線
科医に示すことができるであろう。

【０１５４】（２）コンピュータの推定尤度推定値が臨床的観点から何を意味しているかを
放射線科医が臨床的に理解するのに役立つことができる。これは放射線科医がそ
の推定値をよりよく理解するため、そして放射線科医にコンピュータ解析結果を
信じるためのより大きな信頼を与えるための両方に役立つであろう。

【０１５５】悪性尤度推定値放射線科医が解釈するためにコンピュータ解析結果を提示することにおける最
初のステップは、ＡＮＮ出力を悪性尤度推定値に変換することである。この変換
はコンピュータ解析結果を放射線科医が直感的に理解可能であり、放射線科医が
量的に関連付けることのできるフォーマットへ変換する。

【０１５６】これから、ＡＮＮ出力から有病率の作用を含む悪性尤度への変換について述べ
る。「悪性尤度」という言葉は、病変が悪性である可能性の推定値を示すために
使用することができる。従って、２０％の悪性尤度を有すると表示された病変１
００例中では、病変２０例が悪性であることが予想される。ＡＮＮの出力は悪性
尤度ではなく、むしろ悪性尤度の階級順位である。この出力は本発明の方法の性
能を評価するためにＲＯＣ解析において直接的に使用できるが、それはＲＯＣ解
析が階級順位だけを考慮に入れるからである。しかし、放射線科医がコンピュー
タ解析結果を彼らの診断的意思決定プロセスに組み込むためには、ＡＮＮ出力は
放射線科医が直感的に理解する見慣れた測定値に変換されなければならない。一
般に２種類の階級順位を比較するのは困難であるので、放射線科医は階級順位を
容易に解釈することができない。この状況における２種類の階級順位とは本発明
の方法の階級順位及び放射線科医の階級順位である。例えば、コンピュータによ
る２０％の階級順位は２種類の階級順位スケールの定義に依存して放射線科医に
よる５０％の階級順位より高い、等しい、又は低い可能性がある。このため、本
発明ではＡＮＮ出力は放射線科医が解釈できるように悪性尤度に変換された。

【０１５７】ＡＮＮ出力は、図２６に図解されているようにＲＯＣ解析における最大尤度推
定従法線モデルを使用することによって悪性尤度に変換することができる。図２
６では、Ｍ（ｘ）は実際悪性症例に対する潜在的決定変量の確率密度関数であり
、Ｂ（ｘ）は実際良性症例に対する類似確率密度関数である。潜在的決定変量の
関数としての悪性尤度ｘは下記のように表すことができる。

【数１６】

【０１５８】式中、ηは試験されたクラスタ中の悪性症例の尤病率である。ＬＭ_１（ｘ）は
その後ＡＮＮ出力の関数として悪性尤度に変換される。これはＡＮＮ出力（臨界
値）対ＴＰＦ及びＦＰＦの対についてのデータ上の多項式適合によって行われる
。これらのデータはＬＡＢＲＯＣ４プログラムからの出力の一部としてプリント
される［７１］。

【０１５９】今度は、有病率の作用を含まないＡＮＮ出力から悪性尤度への変換について述
べる。放射線科医が患者の乳房Ｘ線写真を読影してそれらの乳房Ｘ線写真に基づ
いて診断を下すときには、放射線科医らは患者クラスタ全体を考慮に入れるので
はなく、むしろ個別症例としてその患者の症例を考察しなければならない。この
ため、特定患者に対しては、大規模患者クラスタから入手された癌有病率は臨界
的情報ではない。患者の乳房Ｘ線写真又は胸部Ｘ線写真に含まれる情報の方がよ
り直接的に重要である。

【０１６０】ＡＮＮ出力から悪性尤度への別の変換は又、ＲＯＣ解析における最大尤度推定
二項式モデルを使用して説明することができる。図２６を参照するとＭ（ｘ）は
実際悪性症例に対する潜在的決定変量の確率密度関数ｘであり、Ｂ（ｘ）は実際
良性症例に対する類似確率密度関数である。潜在的決定変量の関数としての悪性
尤度ｘは下記のように表すことができる。

【数１７】

【０１６１】ＬＭ_２（ｘ）はその後ＡＮＮ出力の関数として悪性尤度に変換される。これは
ＡＮＮ出力（臨界値）対ＴＰＦ及びＦＰＦの対についてのデータ上の多項式適合
によって行われる。これらのデータはＬＡＢＲＯＣ４プログラムからの出力の一
部としてプリントされる。

【０１６２】悪性尤度、特徴及び注釈付き乳房Ｘ線写真の合成物図２７に示されているように、本発明に従ってコンピュータ解析結果を放射線
科医へ提示する（例えば、図３のディスプレイ２００を用いて）ための第２ステ
ップは、コンピュータ（例えば、図３のホストコンピュータ１１０）によって推
定された悪性尤度値１２０、コンピュータによって抽出された特徴値１３０、及
びコンピュータによって生成された注釈付きの乳房Ｘ線写真の関心領域（ＲＯＩ
）１４０の合成物を提示することである。このステップの鍵は、図２７に示され
ているように放射線科医が臨界的情報を迅速に見つけることができるように数多
くの有用な情報１２０〜１４０を簡潔なフォーマットに結合することである。

【０１６３】第２ステップの最初の成分は、図２７に示されているようにコンピュータ推定
悪性尤度値１２０である。この悪性尤度値１２０は放射線科医によって解釈され
るので、上記の変換の１つを使用してＡＮＮ出力を放射線科医が直感的に関連付
けることのできる見慣れた量に変換されなければならない。この悪性尤度値１２
０はすべての画像（例、図２７におけるＭＬＯ及びＣＣ画像）に対して数値１２
２並びに棒グラフ１２４として重複して提示される。この重複提示の目的は、一
部の放射線科医は数値を読むことに有能であるが、他の放射線科医はアナログス
ケールの方が習熟している可能性があるので、容易かつ迅速な理解を促進するこ
とにある。放射線科医は提示の１つの形態（数値１２２又はアナログ１２４）を
読むことを選択でき、両方の形態を読む必要はない。

【０１６４】第２ステップの第２成分は、図２７に示されているようにコンピュータ抽出特
徴１３０のリストの作成である。しかし、コンピュータ抽出特徴１３０はコンピ
ュータによって抽出されるので、それらの数値は放射線科医が認めるであろう数
値と一致するかも知れないが、一致しないかも知れない。このためこれらのコン
ピュータ抽出特徴１３０を提示することによって、放射線科医はコンピュータ解
析を信頼できるかどうかを判断することができる。放射線科医がコンピュータ抽
出特徴１３０に一致すれば、コンピュータ推定悪性尤度１２０は妥当に見えるで
あろう。その逆に、放射線科医が部分的若しくは完全にコンピュータ抽出特徴１
３０に一致しなければ、そのときはコンピュータ推定悪性尤度１２０は放射線科
医から根拠がないと思われるであろう。その後放射線科医は自分の最終診断を下
すときに特徴に関する情報を使用する。同様に、コンピュータ抽出特徴１３０は
図２７に示されているようにすべての画像に対して数値１３２並びにアナログの
棒グラフ全体１３４として重複して提示される。

【０１６５】第２ステップの第３成分は、図２７に示されているように問題の微小石灰化像
を含む乳房Ｘ線写真の関心領域（ＲＯＩ）１４０の提示である。これらのＲＯＩ
１４０には悪性尤度１２０の最終推定値に到達するときに本発明の方法によって
使用された情報の注釈が付けられる。これらの注釈の目的は、放射線科医がコン
ピュータ解析結果を理解してコンピュータ解析結果の信憑性及び確実性を判断す
るのに役立つように詳細な情報を提供することにある。各ＲＯＩ１４０は、（ｉ
）黒色点１４２で表されているコンピュータ解析で使用されたすべての個別微小
石灰化像の位置、（ｉｉ）黒色線１４４で表されているそこからクラスタの特徴
が抽出された微小石灰化像周囲のコンピュータ推定辺縁、及び（ｉｉｉ）黒色十
字線で表されている本発明の方法によって識別された最も線形若しくは不規則な
形状の微小石灰化像の位置を用いて注釈が付けられる。これらの注釈が付けられ
たＲＯＩ１４０は高品質画像である必要はない。それらの目的は放射線科医が再
高品質を有するオリジナルの乳房Ｘ線写真において同一情報への対応性を識別で
きることである。このため、ＲＯＩ１４０がオリジナル画像と正確に同一方向及
び同一サイズであることが重要である。マンモグラフィ画像（ＣＣ、ＭＬＯ等）
は又、図２７に示されているように容易に参照できるように明瞭に識別されてい
る。

【０１６６】類似症例の提示コンピュータ解析結果を放射線科医に提示する第２の方法は、現在の関心症例
と類似の特徴を有するマンモグラフィ症例の例を理知的に収集して提示すること
である。この方法によって放射線科医はコンピュータ解析結果を直感的に理解す
ることができるであろう。放射線科医は、現在の関心症例を他の以前の症例と関
連付け、既知の診断的真実を有する多数（２例以上）の以前の症例を基礎により
正確な診断を下すことができるであろう。

【０１６７】今度は本発明の方法によって評価されるものと類似の悪性尤度を備えた症例の
提示について説明する。この提示方法には２つのステップが含まれる。第２のス
テップでは、本発明の方法は悪性尤度の量的推定値を入手する。この推定値は以
前に述べたような２種の選択的変換法を用いてＡＮＮ出力から変換された悪性尤
度、又は変換を行っていないＡＮＮ出力である。この量的計算は本発明の方法の
重要な側面である。しかし、ＡＮＮ出力を変換してもしなくても若しくはどのよ
うに変換してもこの方法では悪性尤度推定値を放射線科医には見せられないであ
ろうから、それは重要ではない。この計算は、症例を類似の悪性確率を用いて識
別する（例、５％のような前設定された百分率内で）ために使用できるように一
貫していることだけを必要とする。

【０１６８】第２ステップでは上記の計算において同一（若しくは類似）悪性尤度が指定さ
れた少数の症例が識別され、放射線科医に提示される。従って、図２９に示され
ているように、放射線科医は例えば本発明の方法が現在の関心症例と悪性である
という同一（若しくは類似）見込みを評価した１０例のマンモグラフィ症例から
なる１群を見ることになる。本発明の方法は悪性及び良性症例を識別することに
完全ではないので、既知の診断的真実を備えていてコンピュータによって同一悪
性尤度が判定されている１０症例は図２９に示されているように５例の実際悪性
症例１５０と５例の実際良性症例１６０から構成される。その後放射線科医は全
症例を精査し、現在の関心症例１７０が実際悪性症例１５０の１例以上又は実際
良性症例１６０の１例以上に最も類似しているかどうかを判定し、さらにそれに
従って自分の最終診断を下すことができる。

【０１６９】この方法の重要な点は、既に確立されている診断的真実（悪性又は良性）を備
えた一連の以前の症例を収集し、その後に現在の関心症例に類似する症例を識別
するための指針として本発明の方法の解析結果を使用することにある。放射線科
医は、乳房Ｘ線写真を読影してそれらから臨界的情報を抽出することに慣れてい
るので量的数値よりこの方法で使用されたサンプル症例の方がより効果的に理解
できる可能性がある。或いは又代わりに、悪性尤度（例、図２７に示されている
悪性尤度１２０）に関するコンピュータ解析結果１５２、１６２及び１７２を図
３０に各々示されている悪性症例１５０、良性症例１６０及び関心症例１７０と
一緒に放射線科医に提示することもできる。

【０１７０】今度は本発明の方法によって抽出されるような類似特徴を備えた症例の提示に
ついて説明する。上記で説明したような既知の診断的真実（悪性対良性）を備え
ており、類似の悪性尤度であると評価される症例を提示する方法は、既知の診断
的真実と本発明の方法によって抽出されたような類似の特徴値とを備えた症例を
提示することに拡大することができる。この方法は下記のように、上記で説明し
た方法と結び付けて使用することができる。第１に、既知の診断的真実を備えて
おり本発明の方法によって現在の関心症例と「類似の悪性尤度」であると評価さ
れた１群（約１０例）の症例が放射線科医に提示される。放射線科医が１０例か
らなる症例群から現在の関心症例と類似若しくは同一であると見なす１以上の症
例を識別できた場合は、コンピュータ解析結果の提示は完了される。しかし、放
射線科医が総合的類似症例を識別できない場合は、放射線科医は症例の特徴（例
、図２７に示されている特徴１３０）を解析することに進むことができる。この
第２段階では、既知の診断的真実（悪性対良性）及び本発明の方法によって抽出
された「類似の特徴値」（例、各特徴について例えば５％のような前設定された
百分率内）を備える第２症例群が放射線科医に提示される。この第２群のサンプ
ル症例によって、放射線科医は特徴レベルでコンピュータ解析結果を理解するこ
とができる。放射線科医は特徴サンプル乳房Ｘ線写真に従って特徴に対する自分
の認識を調整することができる、及び／又はコンピュータ精度に対する信頼を調
整することができるであろう。特徴に対する放射線科医の第一印象は必ずしも正
確ではなく、彼らは時々乳房Ｘ線写真を解析する時間が長くなるにつれて特徴に
ついての自分の評価並びに診断上の最終見解を修正する。コンピュータ抽出特徴
値は必ずしも完全に正確ではないので、類似抽出特徴を含むサンプル症例の提示
は放射線科医がコンピュータ解析結果をより明瞭に理解するのに役立ち、より正
確な診断を生じさせることができる。

【０１７１】対話式のユーザ修正放射線科医にコンピュータ解析結果を提示する最終方法は、放射線科医にコン
ピュータ解析に使用された情報の対話式の修正を可能にし、それによってコンピ
ュータ推定悪性尤度を修正することである。微小石灰化像のすべてが本発明の方
法によって識別されるわけではないので、コンピュータが微小石灰化像を解析す
るときに使用された情報は完全には正確でない可能性があり、さらにコンピュー
タが解析においてすべての微小石灰化像を使用しない可能性がある。この状況は
非常に多数の微小石灰化像が存在する場合又は一部の微小石灰化像が著明には視
認できない場合のいずれかに発生することがある。この状況はさらに又、相違す
る放射線科医によって使用された微小石灰化像を視認するときの相違する閾値の
結果として発生することがある−１人の放射線科医に完全な識別として見なされ
た微小石灰化像のコレクションが他の放射線科医によっては不完全な識別と見な
されることがある。この対話式のアプローチは放射線科医及び本発明の方法が妥
協点に達することを試みることを可能にする調停手段として役立つ。

【０１７２】この方法は、放射線科医が（ｉ）コンピュータ解析結果（例、上記で説明した
ように悪性尤度、特徴及び注釈）を視認すること、（ｉｉ）コンピュータのマウ
スポインタ２２０（図３）を用いて又はタッチスクリーンディスプレイ２００（
図３）を用いて直接的に微小石灰化像を追加／削除すること、及び（ｉｉｉ）コ
ンピュータのマウスポインタ２２０を用いて又はタッチスクリーンディスプレイ
２００を用いて直接的にクラスタ内の最も線形又は不規則形状の微小石灰化像を
識別することを可能にするユーザ・インターフェース（例、図３のホストコンピ
ュータ１１０）から構成される。微小石灰化像を追加／削除する機能は、２以上
のクラスタが相互に近い場合には特に有用である。この状況では、クラスタ辺縁
の描写（しばしば任意かつ主観的）はクラスタ特徴値にとってしばしば極めて重
要である。例えば２つの小さなクラスタのクラスタ面積は、典型的には両方の小
さなクラスタから構成される大きなクラスタのクラスタ面積とは全く相違するで
あろう。

【０１７３】この方法が放射線科医にとって有用であるもう１つの点は、これを使用すると
放射線科医が特徴値を修正してコンピュータ推定悪性尤度における変化を監視す
ることができることである。放射線科医がその時々に利用すれば、この試行錯誤
のプロセスは放射線科医が本発明の方法の論理的思考を理解するのに役立つであ
ろう。放射線科医は最終コンピュータ推定悪性尤度への特徴の相対有意性を識別
することができる。その後放射線科医はこの観察を自分自身の見解と比較するこ
とができる。この情報はさらに又、コンピュータ推定悪性尤度を受け入れること
についての根拠又は批評として役立つ可能性もある。

【０１７４】検出機構コンピュータ検出機構を表示するためには放射線科医の目をＸ線画像における
疑わしい領域に向ける必要がある。そのために可能な方法は、（１）図３１に示
されているようにコンピュータ上で直接にＸ線画像のコピーに直接注釈を付ける
こと（米国特許第４，９０７，１５６号参照）、又は（２）図３２に示されてい
るようにコンピュータ検出嫌疑領域を識別するために後でＸ線写真フィルム６０
０上に重ねることのできるトランスペアレンシ６１０に注釈を付けること、又は
（３）放射線科医がＸ線写真における特定位置を再検査するように口頭による指
示を提供する（例えば図３の特殊ハードウエア３３０及びスピーカ３５０を用い
て）ことである。乳房Ｘ線写真では、方法（３）に従うとこれは例えば「左乳房
の中外側画像の上四分円に塊の可能性があります」のようなボイスメッセージで
あろう。方法（１）には直接的かつ容易に使用できるという利点があるが、方法
（２）は患者ファイルに入れてその後に放射線科医がフィルムと物理的に整列さ
せる必要のある個別オーバーレイに関していくらか手間がかかる。方法（３）は
幾分あいまいなことがあり、放射線科医が画像の特定領域を探索する必要があり
、これは冗漫で時間を消費する可能性がある。

【０１７５】図３３は、放射線科医がコンピュータ解析結果を対話式に質問することのでき
るマンモグラフィのための視覚的インターフェースを示している。画像はディス
プレイ装置２００（図３）に表示される。スクリーンは１６００×１２００ピク
セルから構成され、図３３に示されているように４枚の標準マンモグラフィ画像
７００〜７３０が単線の低分解能で表示される。つまり、全４枚の画像７００〜
７３０は４００×６４５のフォーマットサイズに縮小されてモニターの上部に横
に並べて表示される。コンピュータ解析結果はその後カラーコーディングされた
矢印を用いてこれらの画像上に注釈が付けられる：例えば青色の矢印７４０はク
ラスタ化微小石灰化像を、そして赤色の矢印７０５は塊を指す（米国特許第４，
９０７，１５６号を参照）。１つの矢印、例えば矢印７４０若しくは７５０に触
れることによって、放射線科医は図３４及び図３５に示されているように関心領
域（ＲＯＩ）をコンピュータ・ディスプレイ２００（図３）の中央に表示するこ
とができる。ＲＯＩは、全分解能ではクラスタ化微小血管については２５６×２
５６ピクセル（図３４）、そして塊については２倍に拡大された１２８×１２８
ＲＯＩ（図３５）から構成される。これらのＲＯＩによって、放射線科医はコン
ピュータ検出領域をより接近して十分詳細に調べることができる。コンピュータ
検出が偽陽性であるほとんどの症例では、放射線科医はＲＯＩからコンピュータ
検出が間違っていると述べることができる。これは放射線科医がオリジナルのフ
ィルムを再検査する必要を不要にするので、時間と労力を節約できる。真の病変
がコンピュータによって検出された場合は、その後放射線科医はコンピュータ検
出を検証するためにオリジナルのフィルムを再検査したいと考えるであろう。

【０１７６】コンピュータ解析結果を放射線科医に伝えるための別の方法も又、図３６に示
されているように４枚の標準マンモグラフィ画像を単線の低分解能で表示する。
その後これらの画像の下方にはコンピュータ検出に対応してＲＯＩ７７０〜８０
０が全分解能で表示される。放射線科医が実際の領域を示していると思われるい
ずれかのＲＯＩ例えばＲＯＩ７７０に触れると、全画像におけるＲＯＩの対応す
る位置が示される（例、図３６におけるように矢印７６０によって、又は図２８
におけるように黒色の点１４２、十字線１４６、及び／又は領域１４４を用いて
）。

【０１７７】好ましい実施態様ではこのシステムは微小石灰化像及び間質性肺疾患を分類す
るためにＡＮＮを使用することによって説明されているが、本発明はＡＮＮ及び
例えば判別分析法、Ｋ隣接分析法、ルール・ベース法、エキスパート・システム
等のような他の方法及び分析的分類法には限定されず、当業者には容易に明白で
あるように分類作業に使用することができる。

【０１７８】好ましい実施態様ではこのシステムは微小石灰化像を分類するためには８個の
入力ユニット、６個の隠れユニット及び１個の出力ユニット、さらに間質性肺疾
患を分類するためには２６個の入力ユニット、１８個の隠れユニット及び１１個
の出力ユニットを備えたＡＮＮを使用することによって説明されているが、当業
者には容易に明白であるように入力、隠れ及び出力ユニットの他の組合せが可能
である。

【０１７９】好ましい実施態様ではこのシステムは乳房Ｘ線写真及び胸部Ｘ線写真において
種々のイメージング技術を用いて微小石灰化像及び間質性肺疾患を検出、分類及
び表示することによって説明されているが、本発明は当業者には容易に明白であ
るように例えば単一イメージング法のような他のイメージング法に適合する。

【０１８０】本発明には、本発明のプロセス（例えば図１、図５、図１４、図２０、図２７
及び図２９〜図３５に示されている）を実行するためのコンピュータプログラム
製品が含まれるが、これらは本発明のプロセスを実行するためにホストコンピュ
ータ１１０（図２及び図３）をプログラミングするために使用できる命令及び／
又はデータ構造を含む記憶媒体にある。記憶媒体にはフロッピーディスク、光デ
ィスク、ＣＤ‐ＲＯＭ、及び光磁気ディスクを含むいずれかのタイプのディスク
、ＲＯＭ、ＲＡＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、磁気若しくは光カード、又は電
子的命令を保存するために適したいずれかのタイプの媒体（例、ハードディスク
２４０、フロッピードライブ２５０、テープ若しくはＣＤ媒体２７０を装着した
テープ若しくはＣＤＲＯＭドライブ２６０、ＲＡＭ３００、及びＲＯＭ３１０
）が含まれるがこれらに限定されない。しかし、本発明は当業者には容易に明白
であるようにＡＳＩＣ（特定用途向け集積回路）の調製又は慣用コンポーネント
回路の適切なネットワークを相互連結することによって実行されてもよい。

【０１８１】自明のことながら、上記の教示を参照して本発明を様々に修正及び変更するこ
とは可能である。このため、添付のクレームの範囲内で、本発明は上記で詳細に
説明された以外にも実行可能であると理解されなければならない。

【０１８２】文献 [1] Parker SL, Tong T, Bolden S and Wingo PA. Cancer statistics, 1997. C
A Cancer J Clin 46:5-27; 1997. [2] Fisher B, Redmond C and Fisher E. Ten-year results of a randomized c
linical trial comparing radical mastectomy and total mastectomy with or
without radiation. N Engl J Med 312:674-682; 1985. [3] Carter CL, Allen C and Henson DE. Relation of tumor size, lymph node
status, and survival in 24,740 breast cancer cases. Cancer 63:181-187;
1989. [4] Buchanan JB, Spratt JS and Heuser LS. Tumor growth, doubling times,
and the inability of the radiologist to diagnose certain cancers. Radiol Clin N Am, 21:115-126; 1983. [5] Feig SA. Decreased breast cancer mortality through mammographic scre
ening: Results of clinical trials. Radiology 167:659-665; 1988. [6] Moskowitz M and Gartside PS. Evidence of breast cancer mortality red
uction: aggressive screening in women under age 50. AJR 138:911-916; 1982. [7] Tabar L, Duffy SW and Krusemo UB. Detection method, tumor size and n
ode metastases in breast cancers diagnosed during a trial of breast canc
er screening. Eur J Cancer Clin Oncol 23:950-962; 1987. [8] Pagana TJ, Lubbe WJ, Schwartz SM and Sprechini GD. A comparison of p
alpable and nonpalpable breast cancers. Arch Surg 124:26-28; 1989. [9] Bassett LW, Liu TH, Giuliano AE and Gold RH. The prevalence of carci
noma in palpable vs impalpable mammographically detected lesions. AJR 15
7:21-24; 1991. [10] Kopans DB. Screening mammography and the controversy concerning wom
en aged 40-49 years. In Kopans DB and Mendelson EB eds. RSNA categorical course in breast imaging Chicago, IL: RSNA, 39-49; 1995. [11] Dodd GD. American Cancer Society guidelines from the past to the pr
esent Cancer 72:1429-1432; 1993. [12] Breen N and Kessler L. Changes in the use of screening mammography: evidence from the 1987 and 1990 National Health Interview Surveys. Am J
Public Health 84:62-67; 1994. [13] Haus AG. Technologic improvements in screen-film mammography. Radio
logy 174:628-637; 1990. [14] Kopans DB. The positive predictive value of mammography. AJR 158:52
1-526; 1992. [15] Moskowitz M. The predictive value of certain mammographic signs in
screening for breast cancer. Cancer 51:1007-1011; 1983. [16] Hall FM. Screening mammography-potential problems on the horizon. N Engi J Med 314:53-55; 1986. [17] Meyer JE, Eberlein TJ, Stomper PC and Sonnenfeld MR. Biopsy of occu
lt breast lesions. Analysis of 1261 abnormalities. JAMA 263:2341-2343; 1
990. [18] Helvie MA, Pennes DR, Rebner M and Adler DD. Mammographic follow-up of low-suspicion lesions: compliance rate and diagnostic yield. Radiolo
gy 178:155-158; 1991. [19] Knutzen AM and Gisvold JJ. Likelihood of malignant disease for vari
ous categories of mammographically detected, nonpalpable breast lesions.
Mayo Clinic Proceeding 68:454- 460; 1993. [20] Opie H, Estes NC, Jewell WR, Chang CH, Thomas JA and Estes MA. Brea
st biopsy for nonpalpable lesions: a worthwhile endeavor? Am Surg 59:490
-493; 1993. [21] Mushlin AI and Fintor L. Is screening for breast cancer cost-effect
ive? Cancer 69:1957-1962; 1992. [22] Lindfors KK and Rosenquist CJ. Needle core biopsy guided with mammo
graphy: a study of cost-effectiveness. Radiology 190:217-222; 1994. [23] Johns PC and Yaffe MJ. X-ray characterization of normal and neoplas
tic breast tissues. Phys Med Biol 32:675-695; 1987. [24] Nishikawa RM and Yaffe MJ. Signal-to-noise properties of mammograph
ic film screen systems. Med Phys 12:32-39; 1985. [25] Bird RE. Professional quality assurance for mammography screening p
rograms. Radiology 177:587; 1990. [26] Murphy WA, Jr., Destouet JM and Monsees BS. Professional quality as
surance for mammography screening programs. Radiology 175:319-320; 1990. [27] Thurfjell EL, Lernevall KA and Taube AAS. Benefit of independent do
uble reading in a population-based mammography screening program. Radiol
ogy 191:241-244; 1994. [28] Doi K, Giger ML, Nishikawa RM, Hoffnann KR, MacMahon H, Schmidt RA
and Chua KG. Digital radiography: a useful clinical tool for computer-ai
ded diagnosis by quantitative analysis of radiographic images. ACTA Radi
ologica 34:426-439; 1993. [29] Giger ML, Nishikawa R, Schmidt R, Vyborny C, Lu P, Jiang Y, Huo Z,
Papaioannou J, Wu Y, Cox S, Kunst R, Bick U and Rosculet K. Preliminary
evaluation of an "intelligent" mammography workstation. Proc. SPIE 1898:
764766; 1993. [30] Vyborny CJ. Can computers help radiologists read mammograms? Radiol
ogy 191:315-317; 1994. [31] Chan H-P, Doi K, Vyborny CJ, Schmidt RA, Metz CE, Lam KL, Ogura T,
Wu Y and MacMahon H. Improvement in radiologists' detection of clustered microcalcifications on mammograms: the potential of computer-aided diag
nosis. Invest Radiol 25:1102-1110; 1990. [32] Kegelmeyer WP, Pruneda JM, Bourland PD, Hillis A, Riggs MW and Nipp
er ML. Computer-aided mammographic screening for speculated lesions. Rad
iology 191:331-337; 1994. [33] Kobayashi T, Xu XW, MacMahon H, Metz CE and Doi K. Effect of a comp
uter-aided diagnosis scheme on radiologists' performance in detection of lung nodules on radiographs, Radiology 199:8473-848;1996. [34] Monnier-Cholley L, Katsuragawa S, Morishita J, MacMahon H and Doi K
. Objective evaluation of computer scheme for detection of interstitial
infiltrates on chest radiographs (Abstract). Radiology 193(P): 146; 1994
. [35] Chan H-P, Doi K, Vybomy CJ, Lam KL and Schmidt RA. Computer-aided d
etection of microcalcifications in mammograms: Methodology and prelimina
ry clinical study. Invest Radiol 23:664-671; 1988. [36] Fam BW, Olson SL, Winter PF and Scholz FJ. Algorithm for the detect
ion of fine clustered calcifications on film mammograms. Radiology 169:3
33-337; 1988. [37] Davis DH and Dance DR. Automatic computer detection of clustercd ca
lcifications in digital mammograms. Phys Med Biol 35:1111 - 1118; 1990. [38] Nishikawa RM, Jiang Y, Giger ML, Schmidt RA, Vybomy CJ, Zhang W, Pa
paioannou J, Bick U, Nagel R and Doi K. Performance of automated CAD sch
emes for the detection and classification of clustered microcalcificatio
ns. In Gale AG, Astley SM, Dance DR and Cairns AY eds. Digital Mammograp
hy. Amsterdam: Elsevier Science B.V., 13-20; 1994. [39] Giger ML, Lu P, Huo Z, Bick U, Vybomy CJ, Schmidt RA, Zhang W, Metz CE, Wolverton D, Nisbikawa RM, Zouras W and Doi K. CAD in digital mammo
graphy: computerized detection and classification of masses. In Gale AG, Asdey S
M, Dance Dk and Cairns AY eds. Digital Mammography. Amsterdam: Elsevier
Science B.V., 281-287; 1994. [40] Nishikawa RM, Schmidt RA Papaioannou J, Osnis RB, Haldemann Heusler RC, Giger ML, Wolveton DE, Comstock C and Doi K. Performance of a proto
type clinical "intelligent" mammography workstation. In Doi K, Giger ML, Nishikawa RM and Schmidt RA eds. Digital Mammography '96. Amsterdam: El
sevier Science B.V., 93-96; 1996. [41] Harms SE, Flamig DP, Hesley KL, Meiches MD, Jensen RA, Evans WP, Sa
vino DA and Wells RV. MR imaging of the breast with rotating delivery of excitation off resonance: clinical experience with pathologic correlation. Radiology 187:493-501;
1993. [42] Stelling CB. MR imaging of the breast for Cancer evaluation. Curren
t status and future directions. Radiol Clin North Am 33:1187-1204; 1995. [43] WahI RL, Cody RL, Hutchins GD and Mudgett EE. Primary and metastati
c breast carcinoma: initial clinical evaluation with PET with the radiol
abeled glucose analogue 2-[F-18]-fluoro-2-deoxy-D-glucose. Radiology 179
:765-770; 1991. [44] Adler LP, Crowe JP, al-Kaisi NK and Sunshine JL. Evaluation of brea
st masses and axillary lymph nodes with [F-18]2-deoxy-2-fluoro-D-glucose PET. Radiology 187:743-750; 1993. [45] Getty DJ, Pickett RM, D'Orsi CJ and Swets JA. Enhanced interpretati
on of diagnostic images. Invest Radiol 23:240-252; 1988. [46] Wu Y, Giger ML, Doi K, Vyborny CJ, Schmidt RA and Metz CE. Artifici
al neural networks in mammography: application to decision making in the
, diagnosis of breast cancer. Radiology 187:81-87; 1993. [47] Baker JA, Kornguth PJ, Lo JY and Floyd CEJ. Atificial neural networ
k: improving the quality of breast biopsy recommendations. Radiology 198
:131 - 135; 1996. [48] Ackerman LV, Mucciardi AN, Gose EB and Alcom FS. Classification of
benign and malignant breast tumors on the basis of 36 radiographic prope
rties. Cancer 31:342-352; 1973. [49] Gale AG, Roebuck EJ, Riley P and Worthington BS. Computer aids to m
ammographic diagnosis. Br J Radiol 60:887-891; 1987. [50] Cook HM and Fox MD. Application of expert systems to mammographic i
mage analysis. Am J Physiol Imaging 4:16-22; 1989. [51] Patrick EA, Moskowitz M, Mansuichani VT and Gruenstein El. Expert
learning system network for diagnosis of breast calcifications. Invest
Radiol 26:534-539; 1990. [52] Elmore JG, Wells CK, Lee CH, Howard DH and Feinstein AR. Variabilit
y in radiologists' interpretations of mammograms. N Engl J Med 331:1493-
1499; 1994. [53] Magnin IE, Alaoui ME and Bremond A. Automatic microcalcifications p
attern recognition from x-ray mammographies. Proc. SPIE 1137:170-175; 19
89. [54] Parker J, Dance DR and Davies DH. Classification of ductal carcinom
a in-situ by image analysis of calcifications from mammograms. Proc. SPI
E 1905:832-840; 1993. [55] Dhawan AP, Chitre Y and Moskowjtz M. Artificial neural network base
d classification of mammographic microcalcifications using image structu
re features. Proc. SPIE 1905:820-831; 1993. [56] Shen L, Rangayyan RM and Leo Desautels JE. Application of shape ana
lysis to mammographic calcifications. IEEE Trans Med Imaging 13:263-174; 1994. [57] Sickles EA. Mammographic features of 300 consecutive nonpalpable br
east cancers. AJR 146:661-663; 1986. [58] Lanyi M. Diagnosis and differential diagnosis of breast calcificati
ons. Berlin: Springer-Verlag, 1988. [59] Huo Z, Giger ML, Vyborny CJ, Bick U, Lu P, Wolverton DE and Schmidt
RA. Analysis of speculation in the computerized classification of mammo
graphic masses. Med Phys 22:15619-1579; 1995. [60] Jiang Y, Nishikawa RM, Wolverton DE, Metz CE, Giger ML, Schmidt RA, Vyborny CJ and Doi K. Malignant and benign clustered microcalcificaflon
s: automated feature analysis and classification. Radiology 198:671-678; 1996. [61] Jiang Y, Metz CE and Nishikawa RM A receiver operating characterist
ic partial area index for highly sensitive diagnostic tests. Radiology 2
01:745-750; 1996. [62] Tabar L and Dean PB. Teaching Atlas of mammography. New York: Thiem
e-Stratton, 1985. [63] Jiang Y, Nishikawa RM. Giger ML, Doi K, Schmidt RA and Vyborny CJ.
Method of extracting signal area and signal thickness of microcalcificat
ions from digital mammograms. Proc. SPIE 1718:28-36; 1992. [64] Karssemeijer N, Frieling JT and Hendriks JH. Spatial resolution in
digital mammography. Invest Radiol 28:413-419; 1993. [65] Chan HP, Niklason LT, Ikeda DM, Lam KL and Adler DD. Digitization r
equirements in mammography: effects on computer-aided detection of micro
calcifications. Med Phys 21:1203-1211; 1994. [66] Rumelhart DE. Hinton GE and Williams RJ. Learning internal represen
tations by error propagation. In Rumelhan DE, McClelland JL and Group TP
R eds. Parallel distributed processing: explorations in microstructure o
f cognition. Volume1: Foundations The MIT Press, 318-362; 1986. [67] Chan H-P, Sahiner B, Petrick N, Helvie MA, Lam KL, Adler DD and Goo
dsitt MM. Computerized classification of malignant and benign microcalci
fications on mammograms:texture analysis using an artificial neural netw
ork. Phys Med Biol 42:549-567; 1997. [68] Mctz CE. ROC methodology in radiologic imaging. Invest Radiol 21:72
0-733; 1986. 69 Swets JA, Getty DJ, Pickett RM, D'Orsi CJ, Seltzer SE an
d McNeil BJ. Enhancing and evaluating diagnostic accuracy. Med Decis Mak
ing 11:9-18; 1991. [70] Nishikawa RM, Giger ML, Doi K, Metz CE, Yin FF, Vyborny CJ and Schm
idt RA. Effect of case selection on the performance of computer-aided de
tection schemes. Med Phys 21:265-269; 1994. [71] Metz CE, Herman BA and Shen J-H. Maximum-likelihood estimation of r
eceiver operating (ROC) curves from continuously-distributed data. Submi
tted to Statistics in Medicine. [72] Metz CE. Some practical issues of experiments design and data analy
sis in radiological ROC studies. Invest Radiol 24:234-245; 1989. [73] D'Orsi CJ, Getty DJ, Swets JA, Picken RM, Seltzer SE and McNeil BJ. Reading and decision aids for improved accuracy and standardization of
mammographic diagnosis. Radiology 194:619-622; 1992. [74] Mammography quality standards act of 1992. Pub L no.102-539, §354. [75] Swets JA and Pickett RM. Evaluation of Diagnostic systems: Methods
from signal detection theory. New York: Academic Press, 1982. [76] Dorftnan DD, Berbaum KS and Metz CE. Receiver operating characteris
tic rating analysis. Generalization to the population of readers and pat
ients with the jackknife method. Invest Radiol 27:723-731; 1992. [77] Bassett LW, Hollatz-Brown AJ, Bastani R, Pearce JG, Hirji K and Che
n L. Effects of a program to train radiologie technologists to identify
abnormalities on mammograms. Radiology 194:189-192; 1995. [78] Hillman BJ, Fajardo LL, Hunter TB, Mockbee B, Cook CE, Hagaman RM,
Bjelland JC, Frey CS add Harris CJ. Mammogram interpretation by physicia
n assistants. AJR 149:907-912; 1987. [79] Metz CE. Statistical analysis of ROC data in evaluating diagnostic
performance. In Herbert D and Myers R eds: Multiple Regression Analysis: Application in the Health Sciences New York: American Institute of Phys
ics, 365-384; 1986. [80] Hanlcy JA and McNeil BJ. The meaning and use of the area under a re
ceiver operating characteristic (ROC) curve. Radiology 143:29-36; 1982. [81] Kopans DB. Mammography screening for breast cancer. Cancer 72:1809-
1812; 1993. [82] Sickles EA, Ominsky SH, Sollitto RA, Galvin HB and Monticciolo DL.
Medical audit of a rapid-throughput mammography screening practice: meth
odology and results of 27,114 examinations. Radiology 175:323-327; 1990. [83] Bird RE, Wallace TW and Yankaskas BC. Analysis of cancers missed at screening mammography. Radiology 184:613-617; 1992. [84] McNeil BJ and Hanley JA. Statistical approaches to the analysis of
receiver operating characteristic (ROC) curves, Med Decis Making 4:137-1
50; 1984. [85] Metz CE, Wang P-L and Kronman HB. A new approach for testing the si
gnificance of differences between ROC curves measured from correlated da
ta. In Deconinck F eds. Information Processing in Medical Imaging Nijhof
f: The Hague, 432-445; 1984. [86] Halpern EJ, Albert M, Krieger AM, Metz CE and Maidment AD. Comparis
on of receiver operating characteristic curves on the basis of optimal o
perating points. Academic Radiology 3:245-253; 1996. [87] McClish DK. Analyzing a portion ofthe ROC curve. Med Decis Making 9
:190-195; 1989. [88] Swets JA. Form of empirical ROCs in discrimination and diagnostic t
asks: implications for theory and measurement of performance. Psychol Bu
ll 99:181-199; 1986. [89] Hanley JA. The robustness of the "binorma1" assumptions used in fit
ting ROC curves. Med Decis Making 8:197-203; 1988. [90] Dorfinan DD and Alf E, Jr Maximum-likelihood estimation of paramete
rs of signal-detection theory and discrimination of confidence intervals
-rating method data. Mathematical Psychology 6:487-496; 1969. [91] Kendall MK and Stuart A. The advanced theory of statistics. Vol. 1.
4th ed. New York: Macmillan, 1977. [92] Hays WL. Statistics. 4th ed. Chicago: Holt, Rinehart and Winston, 1
988. [93] Barnes GT and Chaicraborty DP. Radiographic mottle and patient expo
sure in mammography. Radiology 145:815-821; 1982. [94] Hassler 0. Microradiographic investigations of calcifications of th
e female breasl Cancer 23:1103-1109; 1969. [95] Fandos-Morera A, Prats-Esteve M. Tura-Soteras JM and Traveria-Cros
A. Breast tumors: composition of microcalcifications. Radiology 169:325-
327; 1988. [96] Going JJ, Anderson TJ, Crocker PR and Levison DA. Weddellite calcif
ication in the breast: eighteen cases with implications for breast cance
r screening. Histoparhology 16:119- 124; 1990. [97] Gonzalez JE, Caidwell RG and Valaitis J. Calcium oxalate crystals i
n the breast. Pathology and significance. Am J Surg Pathol 15:586-59 1;
1991. [98] Frouge C, Meunier M, Guinebretiere J-M, Gil]es R, Vanel D, Contesso G, Paola RD and Blery M. Polyhedral microcalcifications at mammography: histologic correlation with calcium oxalate. Radiology 186:681-684; 199
3. [99] Winston JS, Yeh IT, Evers K and Friedman AK. Calcium oxalate is ass
ociated with benign breast tissue. Can we avoid biopsy? Am J Clin Pathol 100:488-492; 1993. [100] see, e.g., U.S. Pat. No.5,319,549. [101] see, e.g., U.S. Pat. No.5,343,390. [102] see, e.g., U.S. Pat. No.5,072,384. [103] The CALBROC algorithm, developed by CE Metz at the University of C
hicago, is a version of the CORROC algorithm (Metz CE, WANG P-L and Kron
man HB. A new approach for testing the significance of differences betwe
en ROC curves measured from correlated data. In Deconinck F eds. Informa
tion Process in Medical Imaging, Nijhoff: The Hague, 432-445, 1984) that has been modified to analyze continuously-distributed data (Metz CE, He
rman BA and Shen J-H. Maximum-likelihood estimation of receiver operatin
g [ROC] curves from continuously-distributed data. Submitted to Statisti
cs in Medicine." [104] see, e.g., U.S. Pat. Application No.5,537,485. [105] Swett HA, Fisher PR. ICON: a computer-based approach to differenti
al diagnosis in radiology. Radiology 1987; 163:555-558. [106] Swett HA, Fisher PR, Cohn AI, Miller PI, Mutalik PG. Expert system controlled image display. Radiology 1989; 172:487-493. [107] Swett H, Giger ML, Doi K. Computer vision and decision support. In
: Wells P, Hendee W, Eds. Perception of Visrial Information. Springer-Ve
rlag, 1992;

【図面の簡単な説明】

【図１】本発明に従って異常な解剖学的領域を検出、分類及び表示するための方法のフ
ローチャートである。

【図２】本発明に従って異常な解剖学的領域を検出、分類及び表示するためのシステム
のシステム図である。

【図３】図２のコンピュータの詳細図である。

【図４】乳房Ｘ線写真の拡大領域における微小石灰化像の悪性クラスタ及び良性クラス
タの中間調画像を示す写真である。

【図５】本発明に従った個別微小石灰化像に対する区分化法のフローチャートである。

【図６】微小石灰化像のコントラストがどのように形成されるのかを示している図であ
り、μ及びρは腺組織に対する線形減衰係数及び密度であり、μ_ｘ及びρ_ｘは微
小石灰化像に対する線形減衰係数及び密度であり、Ｌ_ｘは微小石灰化の厚さであ
り、さらにｐ及びｐ’は各々画像において背景及び微小石灰化像に対応する２つ
の位置である。

【図７】厚さ０．２ｍｍの正方形の横断面形の模擬微小石灰化像に対する測定面積と真
の面積との比較を示したグラフである。

【図８】微小石灰化像の測定面積に散乱が及ぼす作用を示しているグラフである。

【図９】正方形の横断面形（０．３ｍｍ×０．３ｍｍ）の模擬微小石灰化像に対する計
算有効厚さと真の厚さとの比較を示したグラフである。

【図１０】微小石灰化像の計算有効厚さに散乱が及ぼす作用を示しているグラフである。

【図１１】本発明に従って個別微小石灰化像の形状不規則性を計算するための４及び８種
の形状指数の図解である。

【図１２】（Ａ）は悪性及び良性クラスタ化微小石灰化像のクラスタ環状性対クラスタ面
積の分布を示しているグラフ、（Ｂ）は悪性及び良性クラスタ化微小石灰化像の
クラスタ内の微小石灰化像の数対クラスタ内の平均有効微小石灰化容積の分布を
示しているグラフである。

【図１３】（Ａ）は悪性及び良性クラスタ化微小石灰化像のクラスタ内の有効微小石灰化
厚さの相対標準偏差対クラスタ内の有効微小石灰化容積の相対標準偏差分布を示
しているグラフ、（Ｂ）は悪性及び良性クラスタ化微小石灰化像のクラスタ内の
平均微小石灰化像面積対クラスタ内の微小石灰化像の第２最大不規則性測定値の
分布を示しているグラフである。

【図１４】本発明に従った個別及びクラスタ化微小石灰化像の悪性尤度を推定するときに
使用される人工ニューラルネットワーク（ＡＮＮ）の略図である。

【図１５】隠れユニット数の関数としての図１４のＡＮＮの分類性能を示しているグラフ
である。

【図１６】学習反復の関数としての図１４のＡＮＮの分類性能を示しているグラフである
。

【図１７】学習中に使用されたランダムシードの関数としての図１４のＡＮＮのラウンド
ロビン（総当り）試験分類性能を示しているグラフである。

【図１８】（Ａ）は５人の放射線科実習指導医及び５人の放射線科上級研修医についてコ
ンピュータ支援を使用した場合の分類性能を示した受領者作用特徴（ＲＯＣ）曲
線、（Ｂ）は５人の放射線科実習指導医及び５人の放射線科上級研修医について
コンピュータ支援を使用しない場合の分類性能を示した受領者作用特徴（ＲＯＣ
）曲線である。

【図１９】コンピュータ支援を使用した場合及び使用しない場合の生検勧告数の比較であ
る。

【図２０】本発明に従って間質性肺疾患の識別診断に使用される人工ニューラルネットワ
ーク（ＡＮＮ）の略図である。

【図２１】間質性肺疾患の識別診断における図２０のＡＮＮの性能を示しているＲＯＣ曲
線である。

【図２２】各疾患についての間質性肺疾患の識別診断における図２０のＡＮＮの性能を示
しているグラフである。

【図２３】コンピュータ支援を使用した場合及び使用しない場合の間質性肺疾患の識別診
断における性能を監視するために観測者試験を行うためのスコアシートである。

【図２４】コンピュータ支援を使用した場合及び使用しない場合の間質性肺疾患の識別診
断における性能を監視する目的で観測者試験を行うために使用される図２０のＡ
ＮＮの出力の図解である。

【図２５】コンピュータ支援を使用した場合及び使用しない場合の間質性肺疾患の識別診
断の性能を示しているＲＯＣ曲線である。

【図２６】二項式モデルにおける悪性尤度の定義を図解するために使用されるグラフであ
る。

【図２７】本発明のある実施態様に従った複合コンピュータ推定悪性尤度、コンピュータ
抽出特徴値及び微小石灰化像を含む表示の図解である。

【図２８】本発明のある実施態様に従った注釈付き乳房Ｘ線写真ＲＯＩの表示の図解であ
る。

【図２９】本発明の第２及び第３実施態様に従った複合コンピュータ推定悪性尤度、コン
ピュータ抽出特徴値及び微小石灰化像を含む注釈付き乳房Ｘ線写真ＲＯＩの表示
の図解である。

【図３０】本発明の第２及び第３実施態様に従った複合コンピュータ推定悪性尤度、コン
ピュータ抽出特徴値及び微小石灰化像を含む注釈付き乳房Ｘ線写真ＲＯＩの表示
の図解である。

【図３１】本発明のある実施態様に従った、異常な解剖学的領域を含む検出されたＲＯＩ
の表示の図解である。

【図３２】本発明の第２実施態様に従った、異常な解剖学的領域を含む検出されたＲＯＩ
の表示の図解である。

【図３３】本発明のある実施態様に従った、異常な解剖学的領域を含む複数の検出された
ＲＯＩの表示の図解である。

【図３４】本発明に従った、図３３の複数の検出されたＲＯＩのうちの１つのクラスタ化
微小石灰化像の表示の図解である。

【図３５】本発明に従った、図３３の複数の検出されたＲＯＩのうちの１つの個別微小石
灰化像の表示の図解である。

【図３６】本発明の第２実施態様に従った、異常な解剖学的領域を含む複数の検出された
ＲＯＩの表示の図解である。

【手続補正書】特許協力条約第３４条補正の翻訳文提出書

【提出日】平成１２年１月２５日（２０００．１．２５）

【手続補正１】

【補正対象書類名】明細書

【補正対象項目名】特許請求の範囲

【補正方法】変更

【補正内容】

【特許請求の範囲】

【数１】ここで、ｘはニューラルネットワークによって作り出される分類結果であり、
Ｍ（ｘ）は異常が実際に存在する症例についての分類結果の確率密度関数であり
、Ｂ（ｘ）は実際良性症例に対する類似確率密度関数であり、ηは試験されたク
ラスタにおける実際の異常を有する症例の有病率であり、ｆ）計算異常存在尤度を表示するステップとを具備し、関心症例のディジタル医用画像における異常候補を検出、分類及び表
示するディジタル医用画像における異常候補を検出、分類及び表示するためコン
ピュータ支援方法。

───────────────────────────────────────────────────── フロントページの続き (72)発明者アシザワ、カズトアメリカ合衆国、イリノイ州 60514 ウィロウブルック、スティアリング 95 (72)発明者ドイ、クニオアメリカ合衆国、イリノイ州 60521 ウィロウブルック、レーン・コート 6415 Ｆターム(参考） 4C093 AA27 AA30 CA18 DA03 DA06 FF17 FF28 FG07 FG13 FG16 5B057 AA07 BA03 DA08 DB09 DC04 DC09

Claims

【特許請求の範囲】

【請求項１】ａ）関心症例のディジタル医用画像における異常候補の位置
を特定するステップと、ｂ）位置が特定された１以上の異常候補を含む少なくとも１つの領域を決定す
るステップと、ｃ）領域内の位置が特定された異常候補の少なくとも１つ及び領域自体から特
徴を抽出するステップと、ｄ）分類結果を作り出すために抽出された特徴を分類法に適用するステップと
、ｅ）分類結果と領域及び領域内の異常候補を用いて注釈が付けられたディジタ
ル医用画像とを表示するステップとを具備し、関心症例のディジタル医用画像に
おける異常候補を検出、分類及び表示するディジタル医用画像における異常候補
を検出、分類及び表示するためコンピュータ支援方法。
【請求項２】前記ステップａ）が差分イメージング法を用いる請求項１記
載の方法。
【請求項３】前記ステップｂ）が区分化法を用いる請求項１、または請求
項２記載の方法。
【請求項４】前記ステップｃ）が領域の環状性、領域の面積及び領域内の異常候補の数のいずれか１つに基づい
て領域から特徴を抽出するステップと、領域内の異常候補の形状不規則性、面積及び容積の少なくとも１つに基づいて
領域内の異常候補から特徴を抽出するステップとを具備する請求項１乃至請求項
３のいずれか一項記載の方法。
【請求項５】前記ステップｄ）が分類結果を作り出すために、抽出された
特徴をニューラルネットワークへ適用するステップと、分類結果に基づいて領域
内の異常候補の悪性確率を計算するステップとを具備する請求項１乃至請求項４
のいずれか一項記載の方法。
【請求項６】分類結果を作り出すために抽出された特徴を８個の入力ユニ
ット、６個の隠れユニット及び１個の出力ユニットを備えたニューラルネットワ
ークに適用するステップをさらに具備する請求項１乃至請求項５のいずれか一項
記載の方法。
【請求項７】前記悪性確率を計算するステップが少なくとも下記の方程式の１つを使用して悪性尤度を計算するステップ【数１】ここで、Ｍ（ｘ）は実際悪性症例に対する潜在的決定変量ｘの確率密度関数で
あり、Ｂ（ｘ）は実際良性症例に対する類似確率密度関数であり、ηは試験され
た集団中の悪性症例の尤病率であり、ＬＭ_１（ｘ）及びＬＭ_２（ｘ）は分類結果
の関数として悪性尤度に変換される請求項５記載の方法。
【請求項８】患者の年齢、性別、症状持続期間、症状の重症度、体温、免
疫状態、既知の基礎悪性腫瘍、喫煙歴、粉塵曝露歴及び薬物療法歴を提供するス
テップをさらに具備し、前記ステップｃ）は領域内の異常候補の位置に基づいて領域から特徴を抽出す
るステップと、領域内の異常候補に起因する均質性、精密性／粗雑性、結節性、中隔線、蜂巣
状性及び肺容積の損失、並びにリンパ節症、胸水及び心臓のサイズのうちの少な
くとも１つに基づいて領域内の異常候補から特徴を抽出するステップとを具備す
る請求項１乃至請求項７のいずれか一項記載の方法。
【請求項９】ステップｃ）で抽出される特徴以外の特徴を提供するステッ
プをさらに具備し、前記ステップｄ）は１１種の各肺疾患の各々について分類結果を生じさせるた
めに、抽出された特徴及び提供された特徴をニューラルネットワークに適用する
ステップと、１１種の各肺疾患の各々についての分類結果に基づいて１１種の各肺疾患の各
々の尤度を示すステップとを具備する請求項１乃至請求項８のいずれか一項記載
の方法。
【請求項１０】１１種の各肺疾患の各々についての分類結果を生じさせる
ために、抽出された特徴及び提供された特徴８個の入力ユニット、６個の隠れユ
ニット及び１個の出力ユニットを備えたニューラルネットワークに適用するステ
ップをさらに具備する請求項９記載の方法。
【請求項１１】前記ステップｅ）が分類結果及び抽出された特徴の１つを少なくとも１つの数値及びアナログの形
で表示するステップと、関心症例のディジタル医用画像上にスーパーインポーズされた領域の周囲を取
り囲む線で注釈が付けられた領域を表示するステップと、異常候補上にスーパーインポーズされた点及び十字線の１つを用いて関心症例
のディジタル医用画像における領域内で異常候補を表示するステップとを具備す
る請求項１乃至請求項１０のいずれか一項記載の方法。
【請求項１２】前記ステップａ）〜ｄ）の方法を使用して少なくとも１つ
のサンプル症例のディジタル医用画像における異常候補を分類するステップと、関心症例と類似の分類結果を有している良性若しくは悪性であることが既知で
ある少なくとも１つのサンプル症例から症例を選択するステップと、分類結果を伴わない関心症例のディジタル医用画像と、並びに良性であること
が既知である選択された症例についてのディジタル医用画像及び悪性であること
が既知である選択された症例についてのディジタル医用画像のうちの少なくとも
１つとを表示するステップとを具備する請求項１乃至請求項１１のいずれか一項
記載の方法。
【請求項１３】前記ステップａ）〜ｄ）の方法を使用して少なくとも１つ
のサンプル症例のディジタル医用画像における異常候補を分類するステップと、関心症例と類似の分類結果を有している良性若しくは悪性であることが既知で
ある少なくとも１つのサンプル症例から症例を選択するステップと、分類結果を伴う関心症例のディジタル医用画像と、並びに良性であることが既
知である選択された症例についてのディジタル医用画像及び悪性であることが既
知である選択された症例についてのディジタル医用画像のうちの少なくとも１つ
とを表示するステップとを具備する請求項１乃至請求項１１のいずれか一項記載
の方法。
【請求項１４】少なくとも１つのサンプル症例のディジタル医用画像にお
ける異常候補を分類する前記ステップａ）が差分イメージング法を使用すること
を特徴とする請求項１２、または請求項１３記載の方法。
【請求項１５】少なくとも１つのサンプル症例のディジタル医用画像にお
ける異常候補を分類する前記ステップｂ）が区分化法を使用することを特徴とす
る請求項１２、または請求項１３記載の方法。
【請求項１６】が少なくとも１つのサンプル症例のディジタル医用画像に
おける異常候補を分類する前記ステップｃ）が領域の環状性、領域の面積、及び領域内の異常候補の数に基づいて領域から特
徴を抽出するステップと、領域内の異常候補の形状不規則性、面積及び容積に基づいて領域から特徴を抽
出するステップとを具備する請求項１２、または請求項１３記載の方法。
【請求項１７】少なくとも１つのサンプル症例のディジタル医用画像にお
ける異常候補を分類するステップｄ）が分類結果に基づいて領域内の候補異常の悪性確率を計算するステップを具備す
る請求項１２、または請求項１３記載の方法。
【請求項１８】関心症例と、良性であることが既知である選択された症例
及び悪性であることが既知である選択された症例のうちの少なくとも１つとのデ
ィジタル医用画像を表示するステップが関心症例と選択された症例との少なくとも１つについて分類結果及び抽出され
た特徴の１つを数値及びアナログ形の少なくとも１つで表示するステップと、関心症例と選択された症例の少なくとも１つとのディジタル医用画像上にスー
パーインポーズされた領域の周囲を取り囲む線を用いて注釈が付けられた領域を
表示するステップと、関心症例と選択された症例の少なくとも１つとのディジタル医用画像上にスー
パーインポーズされた領域内の異常候補を表示するステップとを具備する請求項
１３記載の方法。
【請求項１９】患者の年齢、性別、症状持続期間、症状の重症度、体温、
免疫状態、既知の基礎悪性腫瘍、喫煙歴、粉塵曝露歴及び薬物療法歴を提供する
ステップをさらに具備し、少なくとも１つのサンプル症例のディジタル医用画像における異常候補を分類
する前記ステップｃ）は領域内の異常候補の位置に基づいて領域から特徴を抽出するステップと、領域内の異常候補に起因する均質性、精密性／粗雑性、結節性、中隔線、蜂巣
状性及び肺容積の損失、並びにリンパ節症、胸水及び心臓のサイズのうちの少な
くとも１つに基づいて領域内の異常候補から特徴を抽出するステップとを具備す
る請求項１２、または請求項１３に記載の方法。
【請求項２０】少なくとも１つのサンプル症例のディジタル医用画像にお
ける異常候補を分類するステップにおける前記ステップｃ）において抽出された
特徴以外の特徴を提供するステップをさらに具備し、少なくとも１つのサンプル症例のディジタル医用画像における異常候補を分類
する前記ステップｄ）は１１種の各肺疾患の各々についての分類結果を生じさせるために、抽出された
特徴及び提供された特徴を８個の入力ユニット、６個の隠れユニット及び１個の
出力ユニットを備えたニューラルネットワークに適用するステップと、１１種の各肺疾患の各々についての分類結果に基づいて１１種の各肺疾患の各
々の尤度を示すステップとを具備する請求項１２、または請求項１３記載の方法
。
【請求項２１】少なくとも１つのサンプル症例のディジタル医用画像にお
ける異常候補を分類するステップｄ）が１１種の各肺疾患の各々についての分類結果を生じさせるために、抽出された
特徴及び提供された特徴を８個の入力ユニット、６個の隠れユニット及び１個の
出力ユニットを備えたニューラルネットワークに適用するステップを具備する請
求項２０記載の方法。
【請求項２２】分類法に適用された抽出された特徴並びに領域及び領域内
の異常候補を用いて注釈が付けられたディジタル医用画像と一緒に表示された分
類結果のうちの少なくとも１つを修正するために、ユーザ入力に反応して、位置
が特定された異常候補、測定された少なくとも１つの領域、及び抽出された特徴
のうちの少なくとも１つを修正するステップを具備する請求項１乃至請求項２１
のいずれか一項記載の方法。
【請求項２３】ａ）複数のディジタル医用画像各々における異常候補の位
置を特定するステップと、ｂ）複数のディジタル医用画像各々における位置が特定された１以上の異常候
補を含む少なくとも１つの領域を決定するステップと、ｃ）各領域及び領域内の候補異常を用いて注釈が付けられた複数のディジタル
医用画像を表示するステップと、ｄ）クラスタを含む異常候補についての第１指標と塊を含む異常候補の第２指
標とをスーパーインポーズするステップとを具備することを特徴とするディジタ
ル医用画像における異常候補を検出及び表示するためのコンピュータ支援方法。
【請求項２４】前記ステップａ）が差分イメージング法を用いる請求項２
３記載の方法。
【請求項２５】前記ステップｂ）が区分化法を用いる請求項２３、または
請求項２４記載の方法。
【請求項２６】前記ステップｃ）が各領域及び領域内の異常候補を用いて
注釈が付けられた複数のディジタル医用画像中の４枚のディジタル医用画像を表
示することを特徴とする請求項２３、または請求項２４記載の方法。
【請求項２７】前記ステップｄ）がクラスタの上方の第１指標としての第
１色の矢印及び塊の上方の第２指標としての第２色の矢印をスーパーインポーズ
するステップを具備する請求項２３乃至請求項２６のいずれか一項記載の方法。
【請求項２８】タッチスクリーン式ディスプレイ上の第１及び第２指標の
１つにユーザーが触れること及びポインティングデバイスを用いて第１及び第２
指標の１つをユーザがポイントすることの１つによって第１及び第２指標の１つ
により示されたクラスタ及び塊の１つの詳細な画像を表示するステップをさらに
具備する請求項２３乃至請求項２７のいずれか一項記載の方法。
【請求項２９】前記ステップｃ）が各領域及び領域内の異常候補を用いて注釈が付けられた複数のディジタル医用
画像のうちの４枚のディジタル医用画像を表示するステップと、４枚のディジタル医用画像のうちの少なくとも１枚の下方にクラスタ及び塊の
うちの少なくとも１つの詳細な画像を表示するステップをさらに具備し、前記ステップｄ）は詳細な画像における各クラスタ若しくは塊のうちの１つを
ユーザが触れること及び詳細な画像における各クラスタ若しくは塊の１つをユー
ザがポイントすることの１つに基づいて、４枚のディジタル医用画像の各１枚上
でクラスタを含む異常候補の上方の第１指標及び塊を含む異常候補の上方の第２
指標をスーパーインポーズするステップを具備する請求項２３乃至請求項２８の
いずれか一項記載の方法。
【請求項３０】前記ステップｄ）がクラスタの上方の第１指標としての第
１色の矢印と塊の上方の第２指標としての第２色の矢印とをスーパーインポーズ
するステップを具備する請求項２９記載の方法。
【請求項３１】各領域、領域内の異常候補及びスーパーインポーズされた
第１及び第２指標を用いて注釈が付けられて表示された複数のディジタル医用画
像の少なくとも１つを修正するために、ユーザ入力に反応して、位置が特定され
た異常候補及び決定された少なくとも１つの領域のうちの少なくとも１つを修正
するステップをさらに具備する請求項２３乃至請求項３０のいずれか一項記載の
方法。
【請求項３２】請求項１に記載のステップの情報を保存するためのデータ
構造を具備し、各ディジタル医用画像について異常候補の位置を保存するフィールドと、各ディジタル医用画像について領域の位置を保存するフィールドと、異常候補から抽出された特徴及び各ディジタル医用画像について領域から抽出
された特徴を保存するフィールドと、各ディジタル医用画像における異常候補についての分類結果を作り出すときに
使用される分類法のためのパラメータを保存するフィールドとを具備する記憶媒
体。
【請求項３３】請求項２３に記載のステップの情報を保存するためのデー
タ構造を具備し、各ディジタル医用画像について異常候補の位置を保存するフィールドと、各ディジタル医用画像について領域の位置を保存するフィールドと、第１及び第２指標の位置を保存するフィールドとを具備する記憶媒体。
【請求項３４】請求項２、または請求項２４に記載のステップの情報を保
存するためのデータ構造を具備し、各ディジタル医用画像における異常候補の位置を特定するときに使用される差
分イメージング法のためのパラメータを保存するフィールドを具備する記憶媒体
。
【請求項３５】請求項３、または請求項２５に記載のステップの情報を保
存するためのデータ構造を具備し、各ディジタル医用画像における異常候補の位置を特定するときに使用される区
分化法のためのパラメータを保存するフィールドを具備する記憶媒体。
【請求項３６】請求項４に記載のステップの情報を保存するためのデータ
構造を具備し、各ディジタル医用画像における各領域の環状性、各領域の面積及び各領域内の
異常候補数を保存するためのフィールドを具備する記憶媒体。
【請求項３７】請求項６、または請求項１０に記載のステップの情報を保
存するためのデータ構造を具備し、各ニューラルネットワークの入力ユニット、隠れユニット、出力ユニット及び
接続重みの数値を保存するフィールドと、各異常候補の各計算悪性確率を保存するフィールドと、指示された１１種の肺疾患の尤度の数値を保存するフィールドとを具備する記
憶媒体。
【請求項３８】請求項８に記載のステップの情報を保存するためのデータ
構造を具備し、患者の年齢、性別、症状持続期間、症状の重症度、体温、免疫状態、既知の基
礎悪性腫瘍、喫煙歴、粉塵曝露歴及び薬物療法歴を保存するフィールドと、領域内の異常候補の位置に基づいて領域から抽出された特徴を保存するフィー
ルドと、領域内の異常候補に起因する均質性、精密性／粗雑性、結節性、中隔線、蜂巣
状性及び肺容積の損失、並びにリンパ節症、胸水及び心臓のサイズを保存するフ
ィールドとを具備する記憶媒体。
【請求項３９】請求項１１に記載のステップの情報を保存するためのデー
タ構造を具備し、領域の周囲を取り囲む線を用いて領域に注釈を付けるためのパラメータを保存
するフィールドと、異常候補上にスーパーインポーズして点及び十字線を表示するためのパラメー
タを保存するフィールドとを具備する記憶媒体。
【請求項４０】請求項２７に記載のステップの情報を保存するためのデー
タ構造を具備し、第１及び第２矢印の位置及び色を保存するフィールドを具備する記憶媒体。
【請求項４１】コンピュータ記憶媒体、及び請求項１乃至請求項２２のい
ずれか一項記載のステップを実行することによってコンピュータにディジタル医
用画像における異常候補を分類及び表示させるためのコンピュータ記憶媒体に記
録されたコンピュータプログラムコード機構を含むコンピュータプログラム製品
。
【請求項４２】コンピュータ記憶媒体、及び請求項２３乃至請求項３１の
いずれか一項記載のステップを実行することによってコンピュータにディジタル
医用画像における異常候補を分類及び表示させるためのコンピュータ記憶媒体に
記録されたコンピュータプログラムコード機構を含むコンピュータプログラム製
品。
【請求項４３】請求項１乃至請求項２２のいずれか一項記載のステップを
実行するための手段を具備するディジタル医用画像における異常候補を分類及び
表示するためのシステム。
【請求項４４】請求項２３乃至請求項３１のいずれか一項記載のステップ
を実行するための手段を具備するディジタル医用画像における異常候補を分類及
び表示するためのシステム。