JP2002291733A - 画像診断支援方法及びそのシステム - Google Patents
画像診断支援方法及びそのシステムInfo
- Publication number
- JP2002291733A JP2002291733A JP2001104273A JP2001104273A JP2002291733A JP 2002291733 A JP2002291733 A JP 2002291733A JP 2001104273 A JP2001104273 A JP 2001104273A JP 2001104273 A JP2001104273 A JP 2001104273A JP 2002291733 A JP2002291733 A JP 2002291733A
- Authority
- JP
- Japan
- Prior art keywords
- shadow
- candidate
- abnormal
- abnormal shadow
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003745 diagnosis Methods 0.000 title abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 80
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012217 deletion Methods 0.000 claims abstract description 11
- 230000037430 deletion Effects 0.000 claims abstract description 11
- 210000000056 organ Anatomy 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 20
- 210000004204 blood vessel Anatomy 0.000 abstract description 39
- 210000004072 lung Anatomy 0.000 abstract description 14
- 238000012545 processing Methods 0.000 description 20
- 239000013598 vector Substances 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 101100325793 Arabidopsis thaliana BCA2 gene Proteins 0.000 description 1
- 101100112083 Arabidopsis thaliana CRT1 gene Proteins 0.000 description 1
- 101100238301 Arabidopsis thaliana MORC1 gene Proteins 0.000 description 1
- 101100316860 Autographa californica nuclear polyhedrosis virus DA18 gene Proteins 0.000 description 1
- 102100033040 Carbonic anhydrase 12 Human genes 0.000 description 1
- 101000867855 Homo sapiens Carbonic anhydrase 12 Proteins 0.000 description 1
- 101000634707 Homo sapiens Nucleolar complex protein 3 homolog Proteins 0.000 description 1
- 101100537375 Homo sapiens TMEM107 gene Proteins 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 102100029099 Nucleolar complex protein 3 homolog Human genes 0.000 description 1
- 101100519629 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) PEX2 gene Proteins 0.000 description 1
- 101100468521 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) RFX1 gene Proteins 0.000 description 1
- 102100036728 Transmembrane protein 107 Human genes 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 210000002751 lymph Anatomy 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Abstract
(57)【要約】
【課題】 異常陰影の候補点を適正なものとして診断支
援を効率化した画像診断支援方法を提供する。 【解決手段】 上記課題は、断層像から肺野領域を抽出
するステップ10と、肺野領域から異常陰影の候補を抽出
するステップ11と、前記肺野領域内の血管陰影を抽出す
るステップ12と、ステップ12に抽出された血管陰影とス
テップ11に抽出された異常陰影の候補との各陰影の領域
が一致した場合に、前記異常陰影の候補からその一致し
た血管陰影を削除するステップ13と、ステップ13に削除
された血管陰影の領域と連結する領域について異常陰影
の候補を抽出するステップ14と、ステップ14に抽出され
た異常陰影の候補とステップ13に削除されなかった異常
陰影の候補とを、ステップ15の特徴量解析およびステッ
プ16の判定削除処理を経て、表示するステップ17とを備
えたことで解決される。
援を効率化した画像診断支援方法を提供する。 【解決手段】 上記課題は、断層像から肺野領域を抽出
するステップ10と、肺野領域から異常陰影の候補を抽出
するステップ11と、前記肺野領域内の血管陰影を抽出す
るステップ12と、ステップ12に抽出された血管陰影とス
テップ11に抽出された異常陰影の候補との各陰影の領域
が一致した場合に、前記異常陰影の候補からその一致し
た血管陰影を削除するステップ13と、ステップ13に削除
された血管陰影の領域と連結する領域について異常陰影
の候補を抽出するステップ14と、ステップ14に抽出され
た異常陰影の候補とステップ13に削除されなかった異常
陰影の候補とを、ステップ15の特徴量解析およびステッ
プ16の判定削除処理を経て、表示するステップ17とを備
えたことで解決される。
Description
【０００１】
【発明が属する技術分野】本発明は、CT画像、MRI画像
などの医用画像中に映っている癌などの異常所見をコン
ピュータの画像認識技術を用いて検出し、その検出結果
からマーカを生成し、そのマーカと前記医用画像とを重
畳して表示することにより、異常所見の識別を容易に
し、医師の画像診断を支援する方法及びシステムに関す
る。
などの医用画像中に映っている癌などの異常所見をコン
ピュータの画像認識技術を用いて検出し、その検出結果
からマーカを生成し、そのマーカと前記医用画像とを重
畳して表示することにより、異常所見の識別を容易に
し、医師の画像診断を支援する方法及びシステムに関す
る。
【０００２】
【従来の技術】従来の医用画像診断支援システムでは、
最も一般的に用いられている異常所見を検出する画像認
識技術として、検出した異常所見の円形度や縦横比など
の特徴を定量化し、マハラノビスの距離を用いて統計的
に判別する判別削除処理技術が研究されており、その具
体的な手法として、本願出願人は特願平11-304373号を
出願した。ここで、異常所見とは、画像の陰影情報に基
づいて正常か異常かを判定しているので、正常（異常所
見無し）の場合は正常陰影と、異常所見の場合は異常陰
影とそれぞれ称している。
最も一般的に用いられている異常所見を検出する画像認
識技術として、検出した異常所見の円形度や縦横比など
の特徴を定量化し、マハラノビスの距離を用いて統計的
に判別する判別削除処理技術が研究されており、その具
体的な手法として、本願出願人は特願平11-304373号を
出願した。ここで、異常所見とは、画像の陰影情報に基
づいて正常か異常かを判定しているので、正常（異常所
見無し）の場合は正常陰影と、異常所見の場合は異常陰
影とそれぞれ称している。
【０００３】
【発明が解決しようとする課題】しかし、上記従来の手
法であっても、正常な臓器陰影の一部や血管及び血管分
岐部又はリンパ管及びリンパ節を含む器官の正常陰影
（「器官陰影」と称する）を異常陰影と誤認識してしま
う場合があり、その場合に異常陰影の候補を全て確認し
なければならないので煩雑であるという問題があった。
法であっても、正常な臓器陰影の一部や血管及び血管分
岐部又はリンパ管及びリンパ節を含む器官の正常陰影
（「器官陰影」と称する）を異常陰影と誤認識してしま
う場合があり、その場合に異常陰影の候補を全て確認し
なければならないので煩雑であるという問題があった。
【０００４】また、空間フィルタ処理などの統計的画像
認識処理で血管を示す正常陰影（血管陰影）だけを抽出
する処理が存在したが、異常陰影の候補を選別するため
の処理に利用されることはなかった。
認識処理で血管を示す正常陰影（血管陰影）だけを抽出
する処理が存在したが、異常陰影の候補を選別するため
の処理に利用されることはなかった。
【０００５】そこで、本発明の第1の目的は、異常陰影
の候補点を適正なものとして診断支援を効率化した画像
診断支援方法を提供することにある。
の候補点を適正なものとして診断支援を効率化した画像
診断支援方法を提供することにある。
【０００６】また、本発明の第2の目的は、異常陰影の
候補点を適正なものとして診断支援を効率化した画像診
断支援システムを提供することにある。
候補点を適正なものとして診断支援を効率化した画像診
断支援システムを提供することにある。
【０００７】
【課題を解決するための手段】上記第1の目的は、断層
像から異常陰影の候補を抽出する第1のステップと、空
間的フィルタを含む統計的画像認識処理により器官陰影
を抽出する第2のステップと、この第2のステップに抽出
された器官陰影と前記第1のステップに抽出された異常
陰影の候補との各陰影の領域が一致した場合に、前記異
常陰影の候補からその一致した器官陰影を削除する第3
のステップと、この第3のステップに削除された器官陰
影の領域と連結する領域について異常陰影の候補を抽出
する第4のステップと、この第4のステップに抽出された
異常陰影の候補と前記第3のステップに削除されなかっ
た異常陰影の候補とを併せて表示する第5のステップと
を備えたことを特徴とする画像診断支援方法によって達
成される。
像から異常陰影の候補を抽出する第1のステップと、空
間的フィルタを含む統計的画像認識処理により器官陰影
を抽出する第2のステップと、この第2のステップに抽出
された器官陰影と前記第1のステップに抽出された異常
陰影の候補との各陰影の領域が一致した場合に、前記異
常陰影の候補からその一致した器官陰影を削除する第3
のステップと、この第3のステップに削除された器官陰
影の領域と連結する領域について異常陰影の候補を抽出
する第4のステップと、この第4のステップに抽出された
異常陰影の候補と前記第3のステップに削除されなかっ
た異常陰影の候補とを併せて表示する第5のステップと
を備えたことを特徴とする画像診断支援方法によって達
成される。
【０００８】さらに、上記第1の目的は、断層像から異
常陰影の候補を抽出する第1のステップと、空間的フィ
ルタを含む統計的画像認識処理により器官陰影を抽出す
る第2のステップと、この第2のステップに抽出された器
官陰影と前記第1のステップに抽出された異常陰影の候
補との各陰影の領域が一致した場合に、前記異常陰影の
候補からその一致した器官陰影を削除する第3のステッ
プと、この第3のステップに削除されなかった異常陰影
の候補を表示する第4のステップとを備えたことを特徴
とする画像診断支援方法によって達成される。
常陰影の候補を抽出する第1のステップと、空間的フィ
ルタを含む統計的画像認識処理により器官陰影を抽出す
る第2のステップと、この第2のステップに抽出された器
官陰影と前記第1のステップに抽出された異常陰影の候
補との各陰影の領域が一致した場合に、前記異常陰影の
候補からその一致した器官陰影を削除する第3のステッ
プと、この第3のステップに削除されなかった異常陰影
の候補を表示する第4のステップとを備えたことを特徴
とする画像診断支援方法によって達成される。
【０００９】また、上記第2の目的は、断層像から異常
陰影の候補を抽出する第1の抽出手段と、空間的フィル
タを含む統計的画像認識処理により器官陰影を抽出する
第2の抽出手段と、この器官陰影抽出手段に抽出された
器官陰影と前記異常陰影抽出手段に抽出された異常陰影
の候補との各陰影の領域が一致した場合に、前記異常陰
影の候補からその一致した器官陰影を削除する手段と、
この削除手段に削除された器官陰影の領域と連結する領
域について異常陰影の候補を抽出する第3の抽出手段
と、この第3の抽出手段に抽出された異常陰影の候補と
前記削除手段に削除されなかった異常陰影の候補とを併
せて表示する手段とを備えたことを特徴とする画像診断
支援システムによって達成される。
陰影の候補を抽出する第1の抽出手段と、空間的フィル
タを含む統計的画像認識処理により器官陰影を抽出する
第2の抽出手段と、この器官陰影抽出手段に抽出された
器官陰影と前記異常陰影抽出手段に抽出された異常陰影
の候補との各陰影の領域が一致した場合に、前記異常陰
影の候補からその一致した器官陰影を削除する手段と、
この削除手段に削除された器官陰影の領域と連結する領
域について異常陰影の候補を抽出する第3の抽出手段
と、この第3の抽出手段に抽出された異常陰影の候補と
前記削除手段に削除されなかった異常陰影の候補とを併
せて表示する手段とを備えたことを特徴とする画像診断
支援システムによって達成される。
【００１０】さらに、上記第2の目的は、断層像から異
常陰影の候補を抽出する第1の抽出手段と、空間的フィ
ルタを含む統計的画像認識処理により器官陰影を抽出す
る第2の抽出手段と、この器官陰影抽出手段に抽出され
た器官陰影と前記異常陰影抽出手段に抽出された異常陰
影の候補との各陰影の領域が一致した場合に、前記異常
陰影の候補からその一致した器官陰影を削除する手段
と、この削除手段に削除されなかった異常陰影の候補を
表示する手段とを備えたことを特徴とする画像診断支援
システムによって達成される。
常陰影の候補を抽出する第1の抽出手段と、空間的フィ
ルタを含む統計的画像認識処理により器官陰影を抽出す
る第2の抽出手段と、この器官陰影抽出手段に抽出され
た器官陰影と前記異常陰影抽出手段に抽出された異常陰
影の候補との各陰影の領域が一致した場合に、前記異常
陰影の候補からその一致した器官陰影を削除する手段
と、この削除手段に削除されなかった異常陰影の候補を
表示する手段とを備えたことを特徴とする画像診断支援
システムによって達成される。
【００１１】
【発明の実施の形態】本発明の画像診断支援方法及びシ
ステムの好適な実施形態について図面を用いて説明す
る。また、ここでは、器官陰影の例として血管陰影を例
に挙げて説明する。
ステムの好適な実施形態について図面を用いて説明す
る。また、ここでは、器官陰影の例として血管陰影を例
に挙げて説明する。
【００１２】図1は、本発明の画像診断支援方法のメイ
ンルーチンを説明するフローチャートである。このフロ
ーチャートの概略は、ステップ10〜13が第1次異常陰影
候補の抽出、ステップ14は第2次異常陰影候補の抽出、
ステップ15〜16は異常陰影候補の削除処理となってい
る。
ンルーチンを説明するフローチャートである。このフロ
ーチャートの概略は、ステップ10〜13が第1次異常陰影
候補の抽出、ステップ14は第2次異常陰影候補の抽出、
ステップ15〜16は異常陰影候補の削除処理となってい
る。
【００１３】＜ステップ10＞このステップではCT装置や
MR装置から、コンピュータのメモリ内に診断対象部位の
全領域についての複数の断層像を順次読み込み、読み込
まれた断層像のうちの肺野に相当する部分を抽出する。
これらの複数の断層像の読み込みは、イーサーネット、
DR-11、GP-IB、RS-2000などの各規格の外部通信から行
ってもよく、又光磁気ディスク（MO）などの外部記憶装
置から行ってもよい。また抽出手法としては、CT画像で
はCT値を、MR画像では肺野を示す濃度情報をしきい値と
して肺野領域を抽出してもよいが、“モデル情報と最小
値投影法による胸部CT像の肺野領域抽出”MEDICAL IMAG
ING TECHNOLOGY、Vol．14、No．2、March、1997、164−
173ページに記載されている自動抽出法を採用してもよ
い。
MR装置から、コンピュータのメモリ内に診断対象部位の
全領域についての複数の断層像を順次読み込み、読み込
まれた断層像のうちの肺野に相当する部分を抽出する。
これらの複数の断層像の読み込みは、イーサーネット、
DR-11、GP-IB、RS-2000などの各規格の外部通信から行
ってもよく、又光磁気ディスク（MO）などの外部記憶装
置から行ってもよい。また抽出手法としては、CT画像で
はCT値を、MR画像では肺野を示す濃度情報をしきい値と
して肺野領域を抽出してもよいが、“モデル情報と最小
値投影法による胸部CT像の肺野領域抽出”MEDICAL IMAG
ING TECHNOLOGY、Vol．14、No．2、March、1997、164−
173ページに記載されている自動抽出法を採用してもよ
い。
【００１４】＜ステップ11＞このステップでは異常陰影
候補の抽出を行う。この抽出方法としては、上記肺野画
像を解析し、その画像内の任意の部位毎に適した閾値処
理を用いて、異常候補陰影を検出してもよいが、“肺が
ん検診用CT（LSCT）の診断支援システム”コンピュータ
支援画像診断学会論文誌Vol．2、No．3、July、1998に
記載されている自動検出法を採用してもよい。
候補の抽出を行う。この抽出方法としては、上記肺野画
像を解析し、その画像内の任意の部位毎に適した閾値処
理を用いて、異常候補陰影を検出してもよいが、“肺が
ん検診用CT（LSCT）の診断支援システム”コンピュータ
支援画像診断学会論文誌Vol．2、No．3、July、1998に
記載されている自動検出法を採用してもよい。
【００１５】＜ステップ12＞このステップでは上記肺野
画像とその肺野画像付近の画像に対して、血管陰影領域
を抽出する。このステップでは、図2(a)に示されるサブ
ルーチンをコールする。図2(a)は血管領域抽出処理フロ
ーチャートを示している。このサブルーチンは、血管陰
影の尾根線成分を強調する（Partial Reconstruction：
以下PR処理とする） 処理と、PR処理した画像と断層像
との差をとる処理を組み合わせたTophat-by-PR処理と呼
ばれる処理を行い、血管陰影のような線状陰影を強調す
る血管強調画像を得る（ステップ20）。次に、得られた
血管強調画像に基づいて領域毎で被対象となる血管陰影
削除処理を行う。その際、肺中央部分と肺壁付近ではし
きい値が異なるので、それぞれのしきい値をそれぞれ設
定している（ステップ21）。最後に、Tophat-by-PR処理
で抽出されてしまう肺野の孤立性極大値部分は、血管陰
影の他にランダムなノイズ成分があるので、連結領域が
所定以下の微小な面積の領域を削除する微小連結領域削
除処理を行う（ステップ22）。
画像とその肺野画像付近の画像に対して、血管陰影領域
を抽出する。このステップでは、図2(a)に示されるサブ
ルーチンをコールする。図2(a)は血管領域抽出処理フロ
ーチャートを示している。このサブルーチンは、血管陰
影の尾根線成分を強調する（Partial Reconstruction：
以下PR処理とする） 処理と、PR処理した画像と断層像
との差をとる処理を組み合わせたTophat-by-PR処理と呼
ばれる処理を行い、血管陰影のような線状陰影を強調す
る血管強調画像を得る（ステップ20）。次に、得られた
血管強調画像に基づいて領域毎で被対象となる血管陰影
削除処理を行う。その際、肺中央部分と肺壁付近ではし
きい値が異なるので、それぞれのしきい値をそれぞれ設
定している（ステップ21）。最後に、Tophat-by-PR処理
で抽出されてしまう肺野の孤立性極大値部分は、血管陰
影の他にランダムなノイズ成分があるので、連結領域が
所定以下の微小な面積の領域を削除する微小連結領域削
除処理を行う（ステップ22）。
【００１６】また、ステップ20とステップ21はさらにサ
ブルーチンをコールするようになっているので、それぞ
れ説明する。
ブルーチンをコールするようになっているので、それぞ
れ説明する。
【００１７】図2（ｂ）は、ステップ20のTophat-by-PR
処理のフローチャートである。まず、断層像からある固
有値だけ引いたSeed画像と呼ばれるものを作成する（ス
テップ23）。次に、図3に示す3×3の空間フィルタ（30
〜33）の4組を用いてそれぞれgray scale reconstructi
on 処理により血管陰影の強調する（ステップ24）。詳
細は、“Morphological grayscale reconstruction in
image analysis”application and efficient algorith
ms、IEEE Trans、Image Processing、IP-2-2、1993、17
6−201ページに記載されている。
処理のフローチャートである。まず、断層像からある固
有値だけ引いたSeed画像と呼ばれるものを作成する（ス
テップ23）。次に、図3に示す3×3の空間フィルタ（30
〜33）の4組を用いてそれぞれgray scale reconstructi
on 処理により血管陰影の強調する（ステップ24）。詳
細は、“Morphological grayscale reconstruction in
image analysis”application and efficient algorith
ms、IEEE Trans、Image Processing、IP-2-2、1993、17
6−201ページに記載されている。
【００１８】次に、上記空間フィルタと血管陰影像を乗
じて、それらの積が最小値となった値をその画素におけ
る出力とする処理を行う（ステップ25）。このステップ
25を数式で示すと式（1）、式（2）のようになる。
じて、それらの積が最小値となった値をその画素におけ
る出力とする処理を行う（ステップ25）。このステップ
25を数式で示すと式（1）、式（2）のようになる。
【００１９】
【数１】 なお、式1において、PRはPartical Reconstruction 画
像、RGDはRepeated Geodesic Dilation関数、SはSeed
画像、B(x,y)はフィルタ関数、f(x,y)は入力されるCT画
像やMR画像を示す。
像、RGDはRepeated Geodesic Dilation関数、SはSeed
画像、B(x,y)はフィルタ関数、f(x,y)は入力されるCT画
像やMR画像を示す。
【００２０】式2において、Inはn回のDilation演算を繰
り返した結果、但しIo(x,y)＝S(x,y)として、
り返した結果、但しIo(x,y)＝S(x,y)として、
【００２１】
【数２】 はBによるIのDilation演算を示す。次に、得られたPR画
像と断層像との差分処理を行う（ステップ26）。
像と断層像との差分処理を行う（ステップ26）。
【００２２】次に、ステップ21の非対象陰影削除処理の
サブルーチンを図2（ｃ）で説明まず、Tophat-by-PR画
像に基づいて、距離値変換処理を行う（ステップ27）。
その変換された距離値に基づいてその対象部分が肺中央
部あるいは肺壁部によって閾値を設定し、判定削除処理
を行う(ステップ28)。その判定削除処理された結果につ
いて逆距離変換し、血管領域抽出画像を得る（ステップ
29）。
サブルーチンを図2（ｃ）で説明まず、Tophat-by-PR画
像に基づいて、距離値変換処理を行う（ステップ27）。
その変換された距離値に基づいてその対象部分が肺中央
部あるいは肺壁部によって閾値を設定し、判定削除処理
を行う(ステップ28)。その判定削除処理された結果につ
いて逆距離変換し、血管領域抽出画像を得る（ステップ
29）。
【００２３】＜ステップ13＞このステップでは、ステッ
プ11で抽出した異常陰影候補の中で、ステップ12で抽出
した血管領域と領域が一致する異常陰影候補を削除す
る。
プ11で抽出した異常陰影候補の中で、ステップ12で抽出
した血管領域と領域が一致する異常陰影候補を削除す
る。
【００２４】＜ステップ14＞ステップ13では、血管領域
は削除されるが、血管と連結した異常陰影も血管の一部
と見なされて削除されるおそれがある。そこで、血管に
連結している異常な陰影の存在を改めて確認しておく必
要があるので、その手順を次に示す。
は削除されるが、血管と連結した異常陰影も血管の一部
と見なされて削除されるおそれがある。そこで、血管に
連結している異常な陰影の存在を改めて確認しておく必
要があるので、その手順を次に示す。
【００２５】ステップ14は、図4（ａ）に示すサブルー
チンをコールする。まず、得られた血管陰影画像の芯線
情報を取得する細線化処理を行う（ステップ41）。次
に、得られた芯線情報に基づいて、複雑度と呼ばれる第
1のファクタを、図4（ｂ）、図4（ｃ）に示す原理で算
出する（ステップ42）。
チンをコールする。まず、得られた血管陰影画像の芯線
情報を取得する細線化処理を行う（ステップ41）。次
に、得られた芯線情報に基づいて、複雑度と呼ばれる第
1のファクタを、図4（ｂ）、図4（ｃ）に示す原理で算
出する（ステップ42）。
【００２６】図４（ｂ）は複雑度を算出するための関心
領域を示した図、図4（ｃ）は得られた芯線情報複雑度C
を算出している様子を示す図である。また、ここでは図
4（ｃ）の関心領域60は図4（ｂ）を省略したものであ
る。線状の血管陰影に関心領域60を重ねてみれば、関心
領域60の辺縁部分（「1」の部分）の2箇所程度が重なる
はずである。この場合、血管陰影の複雑度Cを小さいと
する。しかし、異常陰影に関心領域60を重ねてみれば、
関心領域60の辺縁部分との重なりが多くなり、3箇所以
上重なるであろうから、この場合の複雑度Cは大きいと
する。このような複雑度Cの特性を生かして、複雑度Cの
大きさが一定値（例えば3箇所）以上ならばTrue、一定
値（例えば3箇所）未満ならFalseとしてすべての芯線情
報に芯線70の走行方向に沿って行ったものをそれぞれ出
力する。
領域を示した図、図4（ｃ）は得られた芯線情報複雑度C
を算出している様子を示す図である。また、ここでは図
4（ｃ）の関心領域60は図4（ｂ）を省略したものであ
る。線状の血管陰影に関心領域60を重ねてみれば、関心
領域60の辺縁部分（「1」の部分）の2箇所程度が重なる
はずである。この場合、血管陰影の複雑度Cを小さいと
する。しかし、異常陰影に関心領域60を重ねてみれば、
関心領域60の辺縁部分との重なりが多くなり、3箇所以
上重なるであろうから、この場合の複雑度Cは大きいと
する。このような複雑度Cの特性を生かして、複雑度Cの
大きさが一定値（例えば3箇所）以上ならばTrue、一定
値（例えば3箇所）未満ならFalseとしてすべての芯線情
報に芯線70の走行方向に沿って行ったものをそれぞれ出
力する。
【００２７】次に、濃度方向ベクトル（Density Direct
ion Vector,DDV）と呼ばれる第2のファクタについて、
図5に示す原理で算出する（ステップ43）。
ion Vector,DDV）と呼ばれる第2のファクタについて、
図5に示す原理で算出する（ステップ43）。
【００２８】まず、血管陰影では、陰影の芯線から辺縁
へ向かう濃度方向ベクトルDDVは2方向しか存在しない。
ところが、異常陰影では、陰影の芯線から辺縁へ向かう
濃度方向ベクトルDDVは3方向以上存在する。このような
濃度方向ベクトルDDVの特性を生かして、DDVが3方向以
上ならばTrue、3方向未満ならFalseとしてすべての細線
化情報に行ったものをそれぞれ出力する。
へ向かう濃度方向ベクトルDDVは2方向しか存在しない。
ところが、異常陰影では、陰影の芯線から辺縁へ向かう
濃度方向ベクトルDDVは3方向以上存在する。このような
濃度方向ベクトルDDVの特性を生かして、DDVが3方向以
上ならばTrue、3方向未満ならFalseとしてすべての細線
化情報に行ったものをそれぞれ出力する。
【００２９】次に、芯線位置での芯線から血管陰影の辺
縁部までの距離値ｄの変化量αと呼ばれる第3のファク
タについて、図6に示す原理で算出する（ステップ4
4）。
縁部までの距離値ｄの変化量αと呼ばれる第3のファク
タについて、図6に示す原理で算出する（ステップ4
4）。
【００３０】血管陰影を微分フィルタ処理して得られた
境界強調画像を、さらに2値化処理をし、血管陰影の境
界領域を抽出して、図6（ａ）に示すような芯線位置に
おける芯線から境界までの距離値ｄを80，81，82の如く
求め、図6（ｂ）に示すように芯線位置に対する距離値
をグラフでプロットする。ここで、80，81は距離値ｄの
変化量αが滑らかに変化するので血管陰影と認められる
が、81，82は距離値ｄの変化量αが急激に変化するた
め、血管陰影に連結される異常陰影の可能性がある。即
ち、図6（ｃ）に示すように、91が血管陰影であり、92
が血管陰影に連結される異常陰影の可能性があるといえ
る。この変化量αの特性を生かして、αの大きさが規定
値以上ならばTrue、規定値未満ならFalseとしてすべて
の細線化情報に行ったものをそれぞれ出力する。また、
ここでの距離値ｄの算出は新たに微分処理等を施して求
めているが、上記DDVを求めた方向と共にベクトルの大
きさを求めることが距離値ｄを求めてもよい。
境界強調画像を、さらに2値化処理をし、血管陰影の境
界領域を抽出して、図6（ａ）に示すような芯線位置に
おける芯線から境界までの距離値ｄを80，81，82の如く
求め、図6（ｂ）に示すように芯線位置に対する距離値
をグラフでプロットする。ここで、80，81は距離値ｄの
変化量αが滑らかに変化するので血管陰影と認められる
が、81，82は距離値ｄの変化量αが急激に変化するた
め、血管陰影に連結される異常陰影の可能性がある。即
ち、図6（ｃ）に示すように、91が血管陰影であり、92
が血管陰影に連結される異常陰影の可能性があるといえ
る。この変化量αの特性を生かして、αの大きさが規定
値以上ならばTrue、規定値未満ならFalseとしてすべて
の細線化情報に行ったものをそれぞれ出力する。また、
ここでの距離値ｄの算出は新たに微分処理等を施して求
めているが、上記DDVを求めた方向と共にベクトルの大
きさを求めることが距離値ｄを求めてもよい。
【００３１】上記3つのファクタにおいて2つ以上の特徴
量判別結果でと判別された領域を異常候補陰影として再
抽出をする（ステップ45）。
量判別結果でと判別された領域を異常候補陰影として再
抽出をする（ステップ45）。
【００３２】＜ステップ15＞このステップでは抽出され
た異常候補陰影の特徴を平均CT値・分散値・最大CT値／
平均CT値・候補陰影内部のコントラストなどの定量値を
算出する。詳細は、“胸部CT像の計算機診断支援システ
ムにおける偽陽性候補の削減”MEDICAL IMAGING TECHNO
LOGY、Vol．17、May、1999、217‐227ページに記載され
ている。
た異常候補陰影の特徴を平均CT値・分散値・最大CT値／
平均CT値・候補陰影内部のコントラストなどの定量値を
算出する。詳細は、“胸部CT像の計算機診断支援システ
ムにおける偽陽性候補の削減”MEDICAL IMAGING TECHNO
LOGY、Vol．17、May、1999、217‐227ページに記載され
ている。
【００３３】＜ステップ16＞このステップでは、抽出さ
れた各異常陰影候補を表示するか否かを判別する。
れた各異常陰影候補を表示するか否かを判別する。
【００３４】＜ステップ17＞このステップでは、ステッ
プ16で表示することとしたときに、各異常陰影候補を表
示する。
プ16で表示することとしたときに、各異常陰影候補を表
示する。
【００３５】以上の各ステップの処理は図7に示す画像
支援システムの各構成要素を用いて実行される。この画
像支援システムは、例えばCT装置やMR装置などの医用画
像診断装置120で被検体の対象部位について収拾したい
よう画像データを記録表示し、異常候補陰影を示すもの
で、各構成要素の動作を制御する中央演算処理装置（CP
U）110と、装置の制御プログラム及び前記処理フロープ
ログラムが格納された主メモリ111と、複数の断層像及
び画像再構成プログラムが格納された磁気ディスク112
と、再構成された画像データを表示するために記憶する
表示メモリ113と、この表示メモリ113からの画像データ
を表示する表示装置としてのCRT114と、位置入力装置と
してのマウス115と、マウスの状態を検出してCRT114上
のマウスポインタの位置やマウスの状態等の信号をCRT1
14に出力するマウスコントローラ116と、各種の操作指
令等を入力するキーボード117と、医用画像診断装置120
から医用画像データを装置に読み込むためのインターフ
ェース121と、医用画像データを記録し装置に読み込む
ためのMO122と、上記各構成要素を接続する共通バス123
とから構成される。
支援システムの各構成要素を用いて実行される。この画
像支援システムは、例えばCT装置やMR装置などの医用画
像診断装置120で被検体の対象部位について収拾したい
よう画像データを記録表示し、異常候補陰影を示すもの
で、各構成要素の動作を制御する中央演算処理装置（CP
U）110と、装置の制御プログラム及び前記処理フロープ
ログラムが格納された主メモリ111と、複数の断層像及
び画像再構成プログラムが格納された磁気ディスク112
と、再構成された画像データを表示するために記憶する
表示メモリ113と、この表示メモリ113からの画像データ
を表示する表示装置としてのCRT114と、位置入力装置と
してのマウス115と、マウスの状態を検出してCRT114上
のマウスポインタの位置やマウスの状態等の信号をCRT1
14に出力するマウスコントローラ116と、各種の操作指
令等を入力するキーボード117と、医用画像診断装置120
から医用画像データを装置に読み込むためのインターフ
ェース121と、医用画像データを記録し装置に読み込む
ためのMO122と、上記各構成要素を接続する共通バス123
とから構成される。
【００３６】本実施形態では、2次元画像を用いて説明
したが、MRIやコーンビームCTなどどのような3次元画像
も2次元画像の集合として取り扱えるので全て本発明に
含まれる。
したが、MRIやコーンビームCTなどどのような3次元画像
も2次元画像の集合として取り扱えるので全て本発明に
含まれる。
【００３７】本実施形態の画像診断支援方法又はシステ
ムによれば、読影注意箇所が判別しやすく、医師の読影
効率を向上させることができる。
ムによれば、読影注意箇所が判別しやすく、医師の読影
効率を向上させることができる。
【００３８】また、空間フィルタ処理などの統計的画像
認識処理の血管陰影は、処理の高速化のために3×3のマ
トリクスで検出することで説明したが、マトリクスサイ
ズを大きくするなど血管陰影抽出の精度を上げれば、血
管陰影に連結した領域に対する異常陰影抽出処理を省略
できるようになる。
認識処理の血管陰影は、処理の高速化のために3×3のマ
トリクスで検出することで説明したが、マトリクスサイ
ズを大きくするなど血管陰影抽出の精度を上げれば、血
管陰影に連結した領域に対する異常陰影抽出処理を省略
できるようになる。
【００３９】
【発明の効果】本発明は、異常陰影の候補点を適正なも
のとして診断支援を効率化した画像診断支援方法を提供
するという効果を奏する。また、異常陰影の候補点を適
正なものとして診断支援を効率化した画像診断支援シス
テムを提供することにあるという効果を奏する。
のとして診断支援を効率化した画像診断支援方法を提供
するという効果を奏する。また、異常陰影の候補点を適
正なものとして診断支援を効率化した画像診断支援シス
テムを提供することにあるという効果を奏する。
【図１】本発明の画像診断支援方法のメインルーチンを
示すフローチャート。
示すフローチャート。
【図２】図1の血管陰影抽出のサブルーチンを示すフロ
ーチャート。
ーチャート。
【図３】図2のGray Scale Reconstraction処理に用いる
空間フィルタの例。
空間フィルタの例。
【図４】図1の血管陰影に連結する領域の異常陰影候補
の検出のサブルーチンを示すフローチャート。
の検出のサブルーチンを示すフローチャート。
【図５】図4の血管陰影に連結する領域の異常陰影候補
の検出に係る濃度方向ベクトルの原理を説明する図。
の検出に係る濃度方向ベクトルの原理を説明する図。
【図６】図4の血管陰影に連結する領域の異常陰影候補
の検出に係る距離値の変化度の原理を説明する図。
の検出に係る距離値の変化度の原理を説明する図。
【図７】本発明の画像診断支援方法を採用するシステム
の構成図。
の構成図。
110…CPU、111…主メモリ、112…磁気ディスク、113…
表示メモリ、114…CRT、115…マウス、116…マウスコン
トローラ、117…キーボード、120…医用画像診断装置、
121…インターフェース、122…MO、123…共通バス
表示メモリ、114…CRT、115…マウス、116…マウスコン
トローラ、117…キーボード、120…医用画像診断装置、
121…インターフェース、122…MO、123…共通バス
フロントページの続き (51)Int.Cl.7 識別記号 ＦＩ テーマコート゛(参考） Ｇ０６Ｔ 1/00 ２９０ Ｇ０１Ｎ 24/02 ５２０Ｙ (72)発明者 中島 邦佳 東京都千代田区内神田１丁目１番14号 株 式会社日立メディコ内 (72)発明者 後藤 良洋 東京都千代田区内神田１丁目１番14号 株 式会社日立メディコ内 Ｆターム(参考） 4C093 AA26 CA18 DA02 DA03 EE01 FD03 FD05 FD09 FF07 FF16 FF17 FF19 FF22 FF34 FF35 FG05 FH02 FH04 FH06 FH08 4C096 AA20 AB38 AC04 AD14 AD24 DC20 DC21 DC40 DD13 5B057 AA09 BA03 CA02 CA08 CA12 CA16 CB01 CB08 CB13 CB16 CC04 CE06 CF01 DA08 DA16 DB02 DB06 DB09 DC02
Claims (2)
- 【請求項１】 断層像から異常陰影の候補を抽出する第
１のステップと、空間的フィルタを含む統計的画像認識
処理により器官陰影を抽出する第２のステップと、この
第２のステップに抽出された器官陰影と前記第１のステ
ップに抽出された異常陰影の候補との各陰影の領域が一
致した場合に、前記異常陰影の候補からその一致した器
官陰影を削除する第３のステップと、この第３のステッ
プに削除された器官陰影の領域と連結する領域について
異常陰影の候補を抽出する第４のステップと、この第４
のステップに抽出された異常陰影の候補と前記第３のス
テップに削除されなかった異常陰影の候補とを併せて表
示する第５のステップとを備えたことを特徴とする画像
診断支援方法。 - 【請求項２】 断層像から異常陰影の候補を抽出する第
１の抽出手段と、空間的フィルタを含む統計的画像認識
処理により器官陰影を抽出する第２の抽出手段と、この
器官陰影抽出手段に抽出された器官陰影と前記異常陰影
抽出手段に抽出された異常陰影の候補との各陰影の領域
が一致した場合に、前記異常陰影の候補からその一致し
た器官陰影を削除する手段と、この削除手段に削除され
た器官陰影の領域と連結する領域について異常陰影の候
補を抽出する第３の抽出手段と、この第３の抽出手段に
抽出された異常陰影の候補と前記削除手段に削除されな
かった異常陰影の候補とを併せて表示する手段とを備え
たことを特徴とする画像診断支援システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001104273A JP2002291733A (ja) | 2001-04-03 | 2001-04-03 | 画像診断支援方法及びそのシステム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001104273A JP2002291733A (ja) | 2001-04-03 | 2001-04-03 | 画像診断支援方法及びそのシステム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2002291733A true JP2002291733A (ja) | 2002-10-08 |
Family
ID=18957160
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001104273A Pending JP2002291733A (ja) | 2001-04-03 | 2001-04-03 | 画像診断支援方法及びそのシステム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2002291733A (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005296348A (ja) * | 2004-04-12 | 2005-10-27 | Canon Inc | 画像処理装置及びその方法、プログラム |
| JP2005334219A (ja) * | 2004-05-26 | 2005-12-08 | Hitachi Medical Corp | 画像診断支援装置及び方法 |
| JP2009028161A (ja) * | 2007-07-25 | 2009-02-12 | Toshiba Corp | 医用画像表示装置及び医用画像表示方法 |
| JP2009506831A (ja) * | 2005-09-01 | 2009-02-19 | フジフイルム コーポレーション | 自動及び動的血管検出のための方法並びに装置 |
| WO2013077381A1 (ja) | 2011-11-25 | 2013-05-30 | オリンパス株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
| JP2018000312A (ja) * | 2016-06-28 | 2018-01-11 | 国立大学法人 大分大学 | 肺結節明瞭化画像における背景ノイズの抑制方法 |
| WO2019156022A1 (ja) * | 2018-02-07 | 2019-08-15 | Hoya株式会社 | 内視鏡システム |
-
2001
- 2001-04-03 JP JP2001104273A patent/JP2002291733A/ja active Pending
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005296348A (ja) * | 2004-04-12 | 2005-10-27 | Canon Inc | 画像処理装置及びその方法、プログラム |
| JP4549093B2 (ja) * | 2004-04-12 | 2010-09-22 | キヤノン株式会社 | 画像処理装置及びその方法、プログラム |
| JP2005334219A (ja) * | 2004-05-26 | 2005-12-08 | Hitachi Medical Corp | 画像診断支援装置及び方法 |
| JP4731127B2 (ja) * | 2004-05-26 | 2011-07-20 | 株式会社日立メディコ | 画像診断支援装置及び方法 |
| JP2009506831A (ja) * | 2005-09-01 | 2009-02-19 | フジフイルム コーポレーション | 自動及び動的血管検出のための方法並びに装置 |
| JP2009028161A (ja) * | 2007-07-25 | 2009-02-12 | Toshiba Corp | 医用画像表示装置及び医用画像表示方法 |
| WO2013077381A1 (ja) | 2011-11-25 | 2013-05-30 | オリンパス株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
| US10178941B2 (en) | 2011-11-25 | 2019-01-15 | Olympus Corporation | Image processing apparatus, image processing method, and computer-readable recording device |
| JP2018000312A (ja) * | 2016-06-28 | 2018-01-11 | 国立大学法人 大分大学 | 肺結節明瞭化画像における背景ノイズの抑制方法 |
| WO2019156022A1 (ja) * | 2018-02-07 | 2019-08-15 | Hoya株式会社 | 内視鏡システム |
| JPWO2019156022A1 (ja) * | 2018-02-07 | 2020-12-17 | Hoya株式会社 | 内視鏡システム |
| US11521319B2 (en) | 2018-02-07 | 2022-12-06 | Hoya Corporation | Endoscope system |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8761475B2 (en) | System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans | |
| EP0760624B1 (en) | Automated detection of lesions in computed tomography | |
| US7583829B2 (en) | Method and apparatus for embolism analysis | |
| JP5011426B2 (ja) | 画像診断支援装置、方法及びプログラム | |
| US8805044B2 (en) | Segmenting pulmonary arteries | |
| JP2002523123A (ja) | 病変の分割および分類のための方法およびシステム | |
| JP2004532067A (ja) | 胸部画像上における良性と悪性の孤立性肺結節間の弁別のための自動化されコンピューター化された機構 | |
| WO2012040410A2 (en) | Method and system for liver lesion detection | |
| US11468567B2 (en) | Display of medical image data | |
| JP5700964B2 (ja) | 医用画像処理装置、方法およびプログラム | |
| Linguraru et al. | Segmentation and quantification of pulmonary artery for noninvasive CT assessment of sickle cell secondary pulmonary hypertension | |
| US8244007B2 (en) | System and method for registration of medical images based on insufficiently similar image areas | |
| US20210151171A1 (en) | Apparatus and method for medical image reading assistant providing representative image based on medical use artificial neural network | |
| US11200443B2 (en) | Image processing apparatus, image processing method, and image processing system | |
| US11182901B2 (en) | Change detection in medical images | |
| CN112700451A (zh) | 用于自动分割3d医学图像的方法、系统和计算机可读介质 | |
| US20080075345A1 (en) | Method and System For Lymph Node Segmentation In Computed Tomography Images | |
| JPWO2017086433A1 (ja) | 医用画像処理方法及び装置及びシステム及びプログラム | |
| US9672600B2 (en) | Clavicle suppression in radiographic images | |
| KR101126224B1 (ko) | 동적 ｍｒ 영상을 이용한 자동 전립선 분할 방법 및 시스템 | |
| CN109313803B (zh) | 一种用于映射对象的身体的至少部分的图像中的结构的至少部分的方法和装置 | |
| JP2002291733A (ja) | 画像診断支援方法及びそのシステム | |
| CN113129297A (zh) | 基于多期相肿瘤影像的直径自动测量方法及系统 | |
| Bhushan | Liver cancer detection using hybrid approach-based convolutional neural network (HABCNN) | |
| JP2007090064A (ja) | 気道及び動脈を定量分析のためにグループ化するためのシステム及び方法 |