JP2002051987A - 診断支援方法および装置 - Google Patents
診断支援方法および装置Info
- Publication number
- JP2002051987A JP2002051987A JP2000243277A JP2000243277A JP2002051987A JP 2002051987 A JP2002051987 A JP 2002051987A JP 2000243277 A JP2000243277 A JP 2000243277A JP 2000243277 A JP2000243277 A JP 2000243277A JP 2002051987 A JP2002051987 A JP 2002051987A
- Authority
- JP
- Japan
- Prior art keywords
- region
- labeling
- threshold value
- image data
- feature amount
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 title claims description 13
- 238000002372 labelling Methods 0.000 claims abstract description 46
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 239000000284 extract Substances 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 22
- 210000004072 lung Anatomy 0.000 abstract description 42
- 238000000605 extraction Methods 0.000 abstract description 7
- 230000005856 abnormality Effects 0.000 description 17
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 210000001370 mediastinum Anatomy 0.000 description 6
- 210000000038 chest Anatomy 0.000 description 4
- 210000000746 body region Anatomy 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 102100033040 Carbonic anhydrase 12 Human genes 0.000 description 1
- 101000867855 Homo sapiens Carbonic anhydrase 12 Proteins 0.000 description 1
- 101100219325 Phaseolus vulgaris BA13 gene Proteins 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】
【課題】 異常がある画像を精度よく自動的に抽出する
診断支援装置を得ること。 【解決手段】 特徴量抽出手段１０１が撮影画像データ
から特徴量を抽出し、しきい値推定手段１０２が抽出さ
れた特徴量からしきい値を推定し、しきい値処理手段１
０３が推定されたしきい値に基づき画像を二値化し、ラ
ベリング手段１０４が二値化した画像をラベリングし、
該ラベリングされた領域のうち画像端に接する領域と一
定面積以下の領域を除去し、残ったラベリング領域を肺
領域とし、第２の判定手段１０６が抽出された肺領域の
うち面積が上から２位までの領域の濃度比を比較し、一
定比率以外なら異常信号を発する。
診断支援装置を得ること。 【解決手段】 特徴量抽出手段１０１が撮影画像データ
から特徴量を抽出し、しきい値推定手段１０２が抽出さ
れた特徴量からしきい値を推定し、しきい値処理手段１
０３が推定されたしきい値に基づき画像を二値化し、ラ
ベリング手段１０４が二値化した画像をラベリングし、
該ラベリングされた領域のうち画像端に接する領域と一
定面積以下の領域を除去し、残ったラベリング領域を肺
領域とし、第２の判定手段１０６が抽出された肺領域の
うち面積が上から２位までの領域の濃度比を比較し、一
定比率以外なら異常信号を発する。
Description
【０００１】
【発明の属する技術分野】本発明は診断支援方法および
装置に関し、特に、肺領域の面積と濃度比から異常性を
自動抽出することが可能な診断支援方法および装置に関
する。
装置に関し、特に、肺領域の面積と濃度比から異常性を
自動抽出することが可能な診断支援方法および装置に関
する。
【０００２】
【従来の技術】近年のデジタル技術の進歩により放射線
撮影画像をデジタル画像信号に変換し、該デジタル画像
信号を画像処理を行いＣＲＴ等に表示、あるいはプリン
ト出力することが行われており、これらの技術が胸部の
集団検診等に用いられようとしている。
撮影画像をデジタル画像信号に変換し、該デジタル画像
信号を画像処理を行いＣＲＴ等に表示、あるいはプリン
ト出力することが行われており、これらの技術が胸部の
集団検診等に用いられようとしている。
【０００３】一方、従来の胸部の集団検診では、まず胸
部Ｘ線画像を検診者全員に対して撮影し、検診者全員の
Ｘ線画像を現像後に検診医が１枚１枚の画像を観察し正
常、異常の判定をおこなっていた。
部Ｘ線画像を検診者全員に対して撮影し、検診者全員の
Ｘ線画像を現像後に検診医が１枚１枚の画像を観察し正
常、異常の判定をおこなっていた。
【０００４】
【発明が解決しようとする課題】従来の方法では、全画
像を１枚１枚検診していくため、検診医に多大な労力が
かかるという問題があった。さらに、病理上あきらかに
異常があり早急な処置が必要な場合でも、その診断まで
に時間がかかり適切な処置が出来なくなるおそれがある
という問題があった。
像を１枚１枚検診していくため、検診医に多大な労力が
かかるという問題があった。さらに、病理上あきらかに
異常があり早急な処置が必要な場合でも、その診断まで
に時間がかかり適切な処置が出来なくなるおそれがある
という問題があった。
【０００５】そこで本発明は上記課題を解決するために
なされたものであり、異常がある画像を精度よく自動的
に抽出することが可能な診断支援方法および装置を得る
ことを目的とする。
なされたものであり、異常がある画像を精度よく自動的
に抽出することが可能な診断支援方法および装置を得る
ことを目的とする。
【０００６】
【課題を解決するための手段】請求項１の発明は、撮影
画像データから特徴量を抽出し、該抽出された特徴量か
らしきい値を推定し、該推定されたしきい値に基づき前
記撮影画像データを二値化し、該二値化された画像デー
タをラベリングし、該ラベリングによって得られた領域
から画像端に接する領域と一定面積以下の領域を除去
し、残ったラベリング領域を対象領域として抽出し、該
抽出された対象領域の面積比が一定比率以外の場合に異
常信号を発生することを特徴とする。
画像データから特徴量を抽出し、該抽出された特徴量か
らしきい値を推定し、該推定されたしきい値に基づき前
記撮影画像データを二値化し、該二値化された画像デー
タをラベリングし、該ラベリングによって得られた領域
から画像端に接する領域と一定面積以下の領域を除去
し、残ったラベリング領域を対象領域として抽出し、該
抽出された対象領域の面積比が一定比率以外の場合に異
常信号を発生することを特徴とする。
【０００７】請求項２の発明は、撮影画像データから特
徴量を抽出し、該抽出された特徴量からしきい値を推定
し、該推定されたしきい値に基づき前記撮影画像データ
を二値化し、該二値化された画像データをラベリング
し、該ラベリングによって得られた領域から画像端に接
する領域と一定面積以下の領域を除去し、残ったラベリ
ング領域を対象領域として抽出し、該抽出された対象領
域のうち最大面積の領域の濃度および次に大きい面積の
領域の濃度比が一定比率以外の場合に異常信号を発生す
ることを特徴とする。
徴量を抽出し、該抽出された特徴量からしきい値を推定
し、該推定されたしきい値に基づき前記撮影画像データ
を二値化し、該二値化された画像データをラベリング
し、該ラベリングによって得られた領域から画像端に接
する領域と一定面積以下の領域を除去し、残ったラベリ
ング領域を対象領域として抽出し、該抽出された対象領
域のうち最大面積の領域の濃度および次に大きい面積の
領域の濃度比が一定比率以外の場合に異常信号を発生す
ることを特徴とする。
【０００８】請求項３の発明は、撮影画像データから特
徴量を抽出する特徴量抽出手段と、該特徴量抽出手段に
よって抽出された特徴量からしきい値を推定するしきい
値推定手段と、該しきい値推定手段で推定されたしきい
値に基づき前記撮影画像データを二値化するしきい値処
理手段と、該しきい値処理手段で二値化された画像デー
タをラベリングし、該ラベリングによって得られた領域
から画像端に接する領域と一定面積以下の領域を除去
し、残ったラベリング領域を対象領域として抽出するラ
ベリング手段と、該ラベリング手段で抽出された対象領
域の面積比が一定比率以外の場合に異常信号を発生する
第１の判定手段とを具えたことを特徴とする。
徴量を抽出する特徴量抽出手段と、該特徴量抽出手段に
よって抽出された特徴量からしきい値を推定するしきい
値推定手段と、該しきい値推定手段で推定されたしきい
値に基づき前記撮影画像データを二値化するしきい値処
理手段と、該しきい値処理手段で二値化された画像デー
タをラベリングし、該ラベリングによって得られた領域
から画像端に接する領域と一定面積以下の領域を除去
し、残ったラベリング領域を対象領域として抽出するラ
ベリング手段と、該ラベリング手段で抽出された対象領
域の面積比が一定比率以外の場合に異常信号を発生する
第１の判定手段とを具えたことを特徴とする。
【０００９】請求項４の発明は、撮影画像データから特
徴量を抽出する特徴量抽出手段と、該特徴量抽出手段に
よって抽出された特徴量からしきい値を推定するしきい
値推定手段と、該しきい値推定手段で推定されたしきい
値に基づき前記撮影画像データを二値化するしきい値処
理手段と、該しきい値処理手段で二値化された画像デー
タをラベリングし、該ラベリングによって得られた領域
から画像端に接する領域と一定面積以下の領域を除去
し、残ったラベリング領域を対象領域として抽出するラ
ベリング手段と、該ラベリング手段で抽出された対象領
域のうち最大面積の領域の濃度および次に大きい面積の
領域の濃度比が一定比率以外の場合に異常信号を発生す
る第２の判定手段とを具えたことを特徴とする。
徴量を抽出する特徴量抽出手段と、該特徴量抽出手段に
よって抽出された特徴量からしきい値を推定するしきい
値推定手段と、該しきい値推定手段で推定されたしきい
値に基づき前記撮影画像データを二値化するしきい値処
理手段と、該しきい値処理手段で二値化された画像デー
タをラベリングし、該ラベリングによって得られた領域
から画像端に接する領域と一定面積以下の領域を除去
し、残ったラベリング領域を対象領域として抽出するラ
ベリング手段と、該ラベリング手段で抽出された対象領
域のうち最大面積の領域の濃度および次に大きい面積の
領域の濃度比が一定比率以外の場合に異常信号を発生す
る第２の判定手段とを具えたことを特徴とする。
【００１０】請求項５の発明は、請求項３の第１の判定
手段と請求項４の第２の判定手段とを具えたことを特徴
とする。
手段と請求項４の第２の判定手段とを具えたことを特徴
とする。
【００１１】請求項６の発明は、請求項４または５にお
いて、前記第２の判定手段は、前記最大面積の領域およ
び次に大きい面積の領域を水平に横切るライン上におけ
る前記各領域内での濃度値の最大値の比が一定比率以外
なら異常信号を発生することを特徴とする。
いて、前記第２の判定手段は、前記最大面積の領域およ
び次に大きい面積の領域を水平に横切るライン上におけ
る前記各領域内での濃度値の最大値の比が一定比率以外
なら異常信号を発生することを特徴とする。
【００１２】
【発明の実施の形態】以下、この発明の実施の形態を説
明する。
明する。
【００１３】図１は、この発明の第１の実施の形態によ
る肺領域抽出装置の構成を示すブロック図であり、この
肺領域抽出装置には、撮影画像データとして、放射線撮
影画像をデジタル画像信号に変換して出力する放射線撮
影装置からのデジタル撮影画像信号またはX線撮影画像
をスキャナーによってスキャンして得られたデジタル撮
影画像データが供給される。図１において、１０１は外
部から供給された肺領域の撮影画像データを入力して、
その画像データの肺領域内の最大濃度値と、該最大濃度
値と同一水平線上の縦隔内の最小濃度値を算出する特徴
量抽出手段である。１０２は特徴量抽出手段１０１で算
出された特徴量からしきい値を推定して算出するしきい
値推定手段、１０３はしきい値推定手段１０２で算出さ
れたしきい値に基づき画像データを２値化するしきい値
処理手段、１０４はしきい値処理手段１０３で２値化さ
れた画像をラベリングし、ラベリングされた画像のう
ち、画像端に接する領域および一定面積以下の領域を削
除し、削除されなかった領域を肺領域とするラベリング
手段である。
る肺領域抽出装置の構成を示すブロック図であり、この
肺領域抽出装置には、撮影画像データとして、放射線撮
影画像をデジタル画像信号に変換して出力する放射線撮
影装置からのデジタル撮影画像信号またはX線撮影画像
をスキャナーによってスキャンして得られたデジタル撮
影画像データが供給される。図１において、１０１は外
部から供給された肺領域の撮影画像データを入力して、
その画像データの肺領域内の最大濃度値と、該最大濃度
値と同一水平線上の縦隔内の最小濃度値を算出する特徴
量抽出手段である。１０２は特徴量抽出手段１０１で算
出された特徴量からしきい値を推定して算出するしきい
値推定手段、１０３はしきい値推定手段１０２で算出さ
れたしきい値に基づき画像データを２値化するしきい値
処理手段、１０４はしきい値処理手段１０３で２値化さ
れた画像をラベリングし、ラベリングされた画像のう
ち、画像端に接する領域および一定面積以下の領域を削
除し、削除されなかった領域を肺領域とするラベリング
手段である。
【００１４】１０５はラベリング処理手段１０４でラベ
リングされた肺領域画像のうち面積の大きいほうから２
領域の面積比を所定の値と比較し、異常があれば（その
判断処理の内容は後述する）異常信号を発生する第１の
判定手段、１０６はラベリング処理手段１０４でラベリ
ングされた肺領域画像のうち面積の大きいほうから２領
域の濃度値を比較し、異常があれば（その判断処理の内
容は後述する）異常信号を発生する第２の判定手段であ
る。
リングされた肺領域画像のうち面積の大きいほうから２
領域の面積比を所定の値と比較し、異常があれば（その
判断処理の内容は後述する）異常信号を発生する第１の
判定手段、１０６はラベリング処理手段１０４でラベリ
ングされた肺領域画像のうち面積の大きいほうから２領
域の濃度値を比較し、異常があれば（その判断処理の内
容は後述する）異常信号を発生する第２の判定手段であ
る。
【００１５】図２はこの発明の実施の形態の処理の流れ
を示すフローチャートである。図３の（ａ）は右肺中部
に異常がある胸部撮影図をラベリング手段１０４でラベ
リングして得られた肺領域を示す図であり、Ｓ１，Ｓ
２，Ｓ３はそれぞれのラベリング領域の面積を示す。図
３の（ｂ）はラベリング処理手段１０４でラベリングさ
れた肺領域画像のうち面積の大きいほうから２領域を示
し、ラインａ，ｂ，ｃは肺領域を均等に横断するライン
を示し、ｄａ，ｄｂ，ｄｃは左肺中での各ライン上の最
大値を示し、ｄａ'、ｄｂ'、ｄｃ'は右肺中での各ライ
ン上の最大値を示す。
を示すフローチャートである。図３の（ａ）は右肺中部
に異常がある胸部撮影図をラベリング手段１０４でラベ
リングして得られた肺領域を示す図であり、Ｓ１，Ｓ
２，Ｓ３はそれぞれのラベリング領域の面積を示す。図
３の（ｂ）はラベリング処理手段１０４でラベリングさ
れた肺領域画像のうち面積の大きいほうから２領域を示
し、ラインａ，ｂ，ｃは肺領域を均等に横断するライン
を示し、ｄａ，ｄｂ，ｄｃは左肺中での各ライン上の最
大値を示し、ｄａ'、ｄｂ'、ｄｃ'は右肺中での各ライ
ン上の最大値を示す。
【００１６】次に本肺領域抽出装置の動作について説明
する。
する。
【００１７】処理の流れを図２に従い説明する。まず、
特徴量抽出手段１０１において、画像データから放射線
照射領域内のす抜け領域及びす抜け領域と一定間隔内で
接する体領域を例えば０画素で置き換える（ステップ２
０１）。具体的には以下のような画像の変換を行う。
特徴量抽出手段１０１において、画像データから放射線
照射領域内のす抜け領域及びす抜け領域と一定間隔内で
接する体領域を例えば０画素で置き換える（ステップ２
０１）。具体的には以下のような画像の変換を行う。
【００１８】
【数１】
【００１９】ここで、ｆ（ｘ，ｙ）は画像データを示
し、ｆ１（ｘ，ｙ）は、す抜け領域及びす抜け領域と一
定間隔内で接する体領域を削除した後の画像を示す。Ｓ
ｇｎ（ｘ，ｙ）は以下のようにあらわされる。Ｔｈ１は
実験により定められる定数、ｄ１，ｄ２は体領域を削除
する幅を決める定数である。 ｓｇｎ（ｘ，ｙ）＝０ ｆ（ｘ，ｙ）≧Ｔｈ１のとき ｓｇｎ（ｘ，ｙ）＝１ その他
し、ｆ１（ｘ，ｙ）は、す抜け領域及びす抜け領域と一
定間隔内で接する体領域を削除した後の画像を示す。Ｓ
ｇｎ（ｘ，ｙ）は以下のようにあらわされる。Ｔｈ１は
実験により定められる定数、ｄ１，ｄ２は体領域を削除
する幅を決める定数である。 ｓｇｎ（ｘ，ｙ）＝０ ｆ（ｘ，ｙ）≧Ｔｈ１のとき ｓｇｎ（ｘ，ｙ）＝１ その他
【００２０】次に、画像濃度値の最高値を算出する（ス
テップ２０２）。ここでは、す抜け領域除去後の画像デ
ータから最大濃度値を算出する。次に前記算出された最
高値の座標を通り、例えば体側に垂直方向のプロファイ
ルを作成する。ここでは横軸方向のプロファイルを作成
する（ステップ２０３）。次に、作成したプロファイル
から凹部を算出する（ステップ２０４）。具体的には、 （ｆ１（ｘ−ｄ，ｙ１）−ｆ１（ｘ，ｙ１））＞０＆＆（ｆ１（ｘ＋ｄ，ｙ１） −ｆ１（ｘ，ｙ１））＞０ （３） なるｘ領域を算出する。ここでｙ１は前記算出した濃度
の最高値のｙ軸上の座標の位置、ｄは実験的に定める定
数を示す。次に算出した凹部領域から濃度値の最低値を
算出する（ステップ２０５）。
テップ２０２）。ここでは、す抜け領域除去後の画像デ
ータから最大濃度値を算出する。次に前記算出された最
高値の座標を通り、例えば体側に垂直方向のプロファイ
ルを作成する。ここでは横軸方向のプロファイルを作成
する（ステップ２０３）。次に、作成したプロファイル
から凹部を算出する（ステップ２０４）。具体的には、 （ｆ１（ｘ−ｄ，ｙ１）−ｆ１（ｘ，ｙ１））＞０＆＆（ｆ１（ｘ＋ｄ，ｙ１） −ｆ１（ｘ，ｙ１））＞０ （３） なるｘ領域を算出する。ここでｙ１は前記算出した濃度
の最高値のｙ軸上の座標の位置、ｄは実験的に定める定
数を示す。次に算出した凹部領域から濃度値の最低値を
算出する（ステップ２０５）。
【００２１】次に、しきい値推定手段１０２では特徴量
抽出手段１０１で算出した肺領域内の最大濃度値と該最
大濃度値と同一水平軸上の縦隔内の最低濃度値からしき
い値を推定する。推定に用いる関数は、例えば線形回帰
式を用いる。
抽出手段１０１で算出した肺領域内の最大濃度値と該最
大濃度値と同一水平軸上の縦隔内の最低濃度値からしき
い値を推定する。推定に用いる関数は、例えば線形回帰
式を用いる。
【００２２】しきい値処理手段１０３は、しきい値推定
手段１０２で算出されたしきい値に基づき入力画像のし
きい値処理を行い、例えばしきい値以上の画像データを
１、それ以外を０とおく（ステップ２０６，２０７）。
手段１０２で算出されたしきい値に基づき入力画像のし
きい値処理を行い、例えばしきい値以上の画像データを
１、それ以外を０とおく（ステップ２０６，２０７）。
【００２３】次に、ラベリング手段１０４では、しきい
値処理手段１０３で２値化された画像データのうち濃度
値１の領域に対しラベリング処理を行い、ラベリングさ
れた領域のうち面積Ｔｈ２以下の領域及び画像端（入力
画像の最上段、再下段、最右投、再左段）に接する領域
を除去し、残った領域を肺領域とする（ステップ２０
８）。ここでＴｈ２以下の領域は肺領域外で高濃度を示
す領域、画像端に接する領域は、す抜け領域として除去
する。
値処理手段１０３で２値化された画像データのうち濃度
値１の領域に対しラベリング処理を行い、ラベリングさ
れた領域のうち面積Ｔｈ２以下の領域及び画像端（入力
画像の最上段、再下段、最右投、再左段）に接する領域
を除去し、残った領域を肺領域とする（ステップ２０
８）。ここでＴｈ２以下の領域は肺領域外で高濃度を示
す領域、画像端に接する領域は、す抜け領域として除去
する。
【００２４】そして、第１の判定手段１０５ではラベリ
ング手段１０４で抽出された肺領域のうち、面積の大き
い方から２領域を選択し（図３の（ａ）におけるＳ１，
Ｓ２）、その面積比を比較し、式（４）の条件に合わな
ければ異常とする（ステップ２０９）。 Ｔｈｓ１＜ｓ１／ｓ２＜Ｔｈｓ２ （４）
ング手段１０４で抽出された肺領域のうち、面積の大き
い方から２領域を選択し（図３の（ａ）におけるＳ１，
Ｓ２）、その面積比を比較し、式（４）の条件に合わな
ければ異常とする（ステップ２０９）。 Ｔｈｓ１＜ｓ１／ｓ２＜Ｔｈｓ２ （４）
【００２５】さらに、第２の判定手段１０６ではラベリ
ング手段１０４で抽出された肺領域のうち、面積の大き
い方から２領域を選択し縦方向に４分割するライン上の
濃度値の最大値を比較し、式（５）、（６）、（７）の
条件に合わなければ異常とする（ステップ２１０，２１
２，２１３，２１４）。 Ｔｈｄ１＜ｄａ／ｄａ'＜Ｔｈｄ２ （５） Ｔｈｄ１＜ｄｂ／ｄｂ'＜Ｔｈｄ２ （６） Ｔｈｄ１＜ｄｃ／ｄｃ'＜Ｔｈｄ２ （７）
ング手段１０４で抽出された肺領域のうち、面積の大き
い方から２領域を選択し縦方向に４分割するライン上の
濃度値の最大値を比較し、式（５）、（６）、（７）の
条件に合わなければ異常とする（ステップ２１０，２１
２，２１３，２１４）。 Ｔｈｄ１＜ｄａ／ｄａ'＜Ｔｈｄ２ （５） Ｔｈｄ１＜ｄｂ／ｄｂ'＜Ｔｈｄ２ （６） Ｔｈｄ１＜ｄｃ／ｄｃ'＜Ｔｈｄ２ （７）
【００２６】以上のように、肺領域の面積を比較するこ
とで、例えば肺の一部に水が溜まっている状態などの異
常を発見できる効果がある。さらに、肺領域の濃度値を
比較することでわずかな異常も発見できる効果がある。
とで、例えば肺の一部に水が溜まっている状態などの異
常を発見できる効果がある。さらに、肺領域の濃度値を
比較することでわずかな異常も発見できる効果がある。
【００２７】図４は、この発明の第２の実施の形態によ
る肺領域抽出装置の構成を示すフロック図であり、この
肺領域抽出装置にも、撮影画像データとして、放射線撮
影画像をデジタル画像信号に変換して出力する放射線撮
影装置からのデジタル撮影画像信号またはX線撮影画像
をスキャナーによってスキャンして得られたデジタル撮
影画像データが供給される。図４において、３０１は肺
領域内の最大濃度値と、該最大濃度値と同一水平線上の
縦隔内の最小濃度値を算出する特徴量抽出手段、３０２
はしきい値を入力するしきい値入力手段、３０３は特徴
量抽出手段３０１で抽出された特徴量と、しきい値入力
手段３０３から入力されたしきい値を記憶する記憶手
段、３０４は肺領域内の最大濃度値と、該最大濃度値と
同一水平線上の縦隔内の最小濃度値からしきい値を推定
する関数を学習する学習手段である。
る肺領域抽出装置の構成を示すフロック図であり、この
肺領域抽出装置にも、撮影画像データとして、放射線撮
影画像をデジタル画像信号に変換して出力する放射線撮
影装置からのデジタル撮影画像信号またはX線撮影画像
をスキャナーによってスキャンして得られたデジタル撮
影画像データが供給される。図４において、３０１は肺
領域内の最大濃度値と、該最大濃度値と同一水平線上の
縦隔内の最小濃度値を算出する特徴量抽出手段、３０２
はしきい値を入力するしきい値入力手段、３０３は特徴
量抽出手段３０１で抽出された特徴量と、しきい値入力
手段３０３から入力されたしきい値を記憶する記憶手
段、３０４は肺領域内の最大濃度値と、該最大濃度値と
同一水平線上の縦隔内の最小濃度値からしきい値を推定
する関数を学習する学習手段である。
【００２８】図５は、この発明の第２の実施の形態の処
理の流れを示すフローチャートである。
理の流れを示すフローチャートである。
【００２９】次に第２の実施の形態の動作について説明
する。
する。
【００３０】図４の処理の流れに従い説明する。まず、
肺領域を撮影した画像を読み込み、しきい値を入力する
ことで半二値化表示できるモニターに表示し、肺領域が
最適にあらわれるしきい値を決定する（ステップ４０
１，４０２）。次に、しきい値入力手段３０３から前記
決定されたしきい値を入力する（ステップ４０３）。さ
らに特徴量抽出手段３０１で、第１の実施の形態と同様
の方法を用いて肺領域内の最大濃度値と、該最大濃度値
と同一水平線上の縦隔内の最小濃度値を算出する（ステ
ップ４０４）。そして、前記特徴量と前記しきい値を記
憶手段３０２に記憶する（ステップ４０５）。以下、学
習に必要なデータ数が備わるまでステップ４０１から４
０５を繰り返す。
肺領域を撮影した画像を読み込み、しきい値を入力する
ことで半二値化表示できるモニターに表示し、肺領域が
最適にあらわれるしきい値を決定する（ステップ４０
１，４０２）。次に、しきい値入力手段３０３から前記
決定されたしきい値を入力する（ステップ４０３）。さ
らに特徴量抽出手段３０１で、第１の実施の形態と同様
の方法を用いて肺領域内の最大濃度値と、該最大濃度値
と同一水平線上の縦隔内の最小濃度値を算出する（ステ
ップ４０４）。そして、前記特徴量と前記しきい値を記
憶手段３０２に記憶する（ステップ４０５）。以下、学
習に必要なデータ数が備わるまでステップ４０１から４
０５を繰り返す。
【００３１】学習手段３０４では、記憶された前記特徴
量からしきい値を推定する関数を学習する（ステップ４
０６）。ここでは、目的変数をしきい値入力手段３０３
から入力したしきい値、説明変数を該しきい値に対応す
る最大濃度値と同一水平線上の縦隔内の最小濃度値と
し、例えば有馬哲「多変量解析のばなし」ｐｐ３７−７
７、東京図書（１９９５）に示される重回帰分析で学習
する。
量からしきい値を推定する関数を学習する（ステップ４
０６）。ここでは、目的変数をしきい値入力手段３０３
から入力したしきい値、説明変数を該しきい値に対応す
る最大濃度値と同一水平線上の縦隔内の最小濃度値と
し、例えば有馬哲「多変量解析のばなし」ｐｐ３７−７
７、東京図書（１９９５）に示される重回帰分析で学習
する。
【００３２】以上のように第２の実施の形態によれば、
学習に重回帰分析を用いることにより前記特徴量からし
きい値を推定する関数を短時問で精度よく作成すること
ができる効果が得られる。また、学習用データを逐次的
に増加可能であり、増加した時点で関数の学習が可能で
あるため、データの蓄積に従いより精度のよい関数を学
習できる効果が得られる。
学習に重回帰分析を用いることにより前記特徴量からし
きい値を推定する関数を短時問で精度よく作成すること
ができる効果が得られる。また、学習用データを逐次的
に増加可能であり、増加した時点で関数の学習が可能で
あるため、データの蓄積に従いより精度のよい関数を学
習できる効果が得られる。
【００３３】
【発明の効果】請求項１記載の発明によれば、２つの肺
領域の面積比を比較し、一定比率以外ならば異常信号を
発するので、例えば肺に水などたまる異常状態を検出で
きる効果がある。
領域の面積比を比較し、一定比率以外ならば異常信号を
発するので、例えば肺に水などたまる異常状態を検出で
きる効果がある。
【００３４】請求項２記載の発明によれば、肺領域の濃
度比を比較し、一定比率以外なら異常信号を発するので
わずかな異常を検出できる効果がある。
度比を比較し、一定比率以外なら異常信号を発するので
わずかな異常を検出できる効果がある。
【００３５】請求項３記載の発明によれば、肺領域の抽
出を自動化したため、人手をかいさずとも肺の異常の状
態を検出できる効果がある。それにより、短時間で異常
性の高い患者の抽出を助ける効果がある。
出を自動化したため、人手をかいさずとも肺の異常の状
態を検出できる効果がある。それにより、短時間で異常
性の高い患者の抽出を助ける効果がある。
【００３６】請求項４記載の発明によれば、肺領域の抽
出を自動化したため、人手をかいさずとも肺のわずかな
異常の状態を検出できる効果がある。
出を自動化したため、人手をかいさずとも肺のわずかな
異常の状態を検出できる効果がある。
【００３７】請求項５記載の発明によれば、第１の判定
手段で異常の度合いの強い患者を抽出でき、第２の判定
手段ではわずかな異常の度合いの患者を抽出できるた
め、抽出する患者の割合を異常の度合いで分けることが
できる効果がある。
手段で異常の度合いの強い患者を抽出でき、第２の判定
手段ではわずかな異常の度合いの患者を抽出できるた
め、抽出する患者の割合を異常の度合いで分けることが
できる効果がある。
【００３８】請求項６記載の発明によれば、第２の判定
手段で肺領域を体軸に対して水平に横切るライン上にお
ける各領域内での濃度値の最大値を比較し、一定比率以
外なら異常信号を発するようにしているので、細かな異
常をみつけることが可能であり、精度よく異常を検出で
きる効果がある。
手段で肺領域を体軸に対して水平に横切るライン上にお
ける各領域内での濃度値の最大値を比較し、一定比率以
外なら異常信号を発するようにしているので、細かな異
常をみつけることが可能であり、精度よく異常を検出で
きる効果がある。
【図１】本発明の第１の実施の形態の構成を示すブロッ
ク図である。
ク図である。
【図２】（ａ）は、右肺中部に水が溜まっている胸部を
ラベリング処理した図であり、（ｂ）は、肺領域の濃度
値を比較するための水平ラインを示す図である。
ラベリング処理した図であり、（ｂ）は、肺領域の濃度
値を比較するための水平ラインを示す図である。
【図３】第１の実施の形態の処理手順を示すフローチャ
ートである。
ートである。
【図４】第２の実施の形態の構成を示すブロック図であ
る。
る。
【図５】第２の実施の形態の処理手順を示すフローチャ
ートである。
ートである。
１０１ 特徴量抽出手段 １０２ しきい値推定手段 １０３ しきい値処理手段 １０４ ラベリング手段 １０５ 第１の判定手段 １０６ 第２の判定手段
フロントページの続き Ｆターム(参考） 4C093 AA01 AA26 CA21 EA02 FD09 FF07 FF18 FF23 5B057 AA08 BA03 BA30 CA08 CA12 CA16 CE12 DA08 DA15 DB02 DB09 DC04 DC14 DC36 5L096 AA06 BA13 DA03 EA43 FA59 GA34 GA51
Claims (6)
- 【請求項１】 撮影画像データから特徴量を抽出し、 該抽出された特徴量からしきい値を推定し、 該推定されたしきい値に基づき前記撮影画像データを二
値化し、 該二値化された画像データをラベリングし、該ラベリン
グによって得られた領域から画像端に接する領域と一定
面積以下の領域を除去し、残ったラベリング領域を対象
領域として抽出し、 該抽出された対象領域の面積比が一定比率以外の場合に
異常信号を発生することを特徴とする診断支援方法。 - 【請求項２】 撮影画像データから特徴量を抽出し、 該抽出された特徴量からしきい値を推定し、 該推定されたしきい値に基づき前記撮影画像データを二
値化し、 該二値化された画像データをラベリングし、該ラベリン
グによって得られた領域から画像端に接する領域と一定
面積以下の領域を除去し、残ったラベリング領域を対象
領域として抽出し、 該抽出された対象領域のうち最大面積の領域の濃度およ
び次に大きい面積の領域の濃度比が一定比率以外の場合
に異常信号を発生することを特徴とする診断支援方法。 - 【請求項３】 撮影画像データから特徴量を抽出する特
徴量抽出手段と、 該特徴量抽出手段によって抽出された特徴量からしきい
値を推定するしきい値推定手段と、 該しきい値推定手段で推定されたしきい値に基づき前記
撮影画像データを二値化するしきい値処理手段と、 該しきい値処理手段で二値化された画像データをラベリ
ングし、該ラベリングによって得られた領域から画像端
に接する領域と一定面積以下の領域を除去し、残ったラ
ベリング領域を対象領域として抽出するラベリング手段
と、 該ラベリング手段で抽出された対象領域の面積比が一定
比率以外の場合に異常信号を発生する第１の判定手段と
を具えたことを特徴とする診断支援装置。 - 【請求項４】 撮影画像データから特徴量を抽出する特
徴量抽出手段と、 該特徴量抽出手段によって抽出された特徴量からしきい
値を推定するしきい値推定手段と、 該しきい値推定手段で推定されたしきい値に基づき前記
撮影画像データを二値化するしきい値処理手段と、 該しきい値処理手段で二値化された画像データをラベリ
ングし、該ラベリングによって得られた領域から画像端
に接する領域と一定面積以下の領域を除去し、残ったラ
ベリング領域を対象領域として抽出するラベリング手段
と、 該ラベリング手段で抽出された対象領域のうち最大面積
の領域の濃度および次に大きい面積の領域の濃度比が一
定比率以外なら異常信号を発生する第２の判定手段とを
具えたことを特徴とする診断支援装置。 - 【請求項５】 請求項３の第１の判定手段と請求項４の
第２の判定手段とを具えたことを特徴とする診断支援装
置。 - 【請求項６】 請求項４または５において、 前記第２の判定手段は、前記最大面積の領域および次に
大きい面積の領域を水平に横切るライン上における前記
各領域内での濃度値の最大値の比が一定比率以外なら異
常信号を発生することを特徴とする診断支援装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000243277A JP2002051987A (ja) | 2000-08-10 | 2000-08-10 | 診断支援方法および装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000243277A JP2002051987A (ja) | 2000-08-10 | 2000-08-10 | 診断支援方法および装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2002051987A true JP2002051987A (ja) | 2002-02-19 |
Family
ID=18734153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000243277A Pending JP2002051987A (ja) | 2000-08-10 | 2000-08-10 | 診断支援方法および装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2002051987A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010035517A1 (ja) * | 2008-09-25 | 2010-04-01 | コニカミノルタエムジー株式会社 | 医用画像処理装置及びプログラム |
| WO2010035520A1 (ja) * | 2008-09-25 | 2010-04-01 | コニカミノルタエムジー株式会社 | 医用画像処理装置及びプログラム |
| JPWO2021009804A1 (ja) * | 2019-07-12 | 2021-01-21 |
-
2000
- 2000-08-10 JP JP2000243277A patent/JP2002051987A/ja active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010035517A1 (ja) * | 2008-09-25 | 2010-04-01 | コニカミノルタエムジー株式会社 | 医用画像処理装置及びプログラム |
| WO2010035520A1 (ja) * | 2008-09-25 | 2010-04-01 | コニカミノルタエムジー株式会社 | 医用画像処理装置及びプログラム |
| JP5573674B2 (ja) * | 2008-09-25 | 2014-08-20 | コニカミノルタ株式会社 | 医用画像処理装置及びプログラム |
| JPWO2021009804A1 (ja) * | 2019-07-12 | 2021-01-21 | ||
| WO2021009804A1 (ja) * | 2019-07-12 | 2021-01-21 | Eizo株式会社 | 閾値の学習方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Silva et al. | Automatic segmenting teeth in X-ray images: Trends, a novel data set, benchmarking and future perspectives | |
| CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
| CN111325739B (zh) | 肺部病灶检测的方法及装置，和图像检测模型的训练方法 | |
| US9710907B2 (en) | Diagnosis support system using panoramic radiograph and diagnosis support program using panoramic radiograph | |
| CN111340827A (zh) | 一种肺部ct影像数据处理分析方法及系统 | |
| EP1501048A2 (en) | Method of segmenting a radiographic image into diagnostically relevant and diagnostically irrelevant regions | |
| Prasad et al. | Automatic segmentation of lung parenchyma in the presence of diseases based on curvature of ribs | |
| JP2002503861A (ja) | 胸部ｘ線写真における肺領域と肋骨横隔膜角の自動描画方法とシステム | |
| CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
| JPH09508817A (ja) | 胸部の画像における総体的な異常及び非対称性の自動化検出方法及び装置 | |
| WO2007117506A2 (en) | System and method for automatic detection of internal structures in medical images | |
| JP2004195213A (ja) | 放射線画像のモデルベース解釈の初期化方法 | |
| US20050063579A1 (en) | Method of automatically detecting pulmonary nodules from multi-slice computed tomographic images and recording medium in which the method is recorded | |
| WO2022164374A1 (en) | Automated measurement of morphometric and geometric parameters of large vessels in computed tomography pulmonary angiography | |
| CN113516639B (zh) | 基于全景x光片的口腔异常检测模型的训练方法及装置 | |
| CN111754485A (zh) | 一种用于肝脏的人工智能超声辅助系统 | |
| US9672600B2 (en) | Clavicle suppression in radiographic images | |
| CN113469942B (zh) | 一种ct图像病变检测方法 | |
| KR101162599B1 (ko) | 흉부 방사선 이미지 분석을 통한 심비대 자동탐지 방법 및 그 기록매체 | |
| JP2002051987A (ja) | 診断支援方法および装置 | |
| CN112766333B (zh) | 医学影像处理模型训练方法、医学影像处理方法及装置 | |
| Dovganich et al. | Automatic quality control in lung X-ray imaging with deep learning | |
| Valencia et al. | Stone detection in kidney with image processing technique: CT images | |
| Arlis et al. | Automated Identification and Reconstruction of 3D Images on the Mastoid Air Cell System. | |
| Tatjana et al. | Computer-aided Analysis and Interpretation of HRCT Images of the Lung |