JP2002521896A - 軟組織胸部画像と標準胸部画像を利用したエネルギ差分法によるコンピュータ化肺小結節検出 - Google Patents
軟組織胸部画像と標準胸部画像を利用したエネルギ差分法によるコンピュータ化肺小結節検出Info
- Publication number
- JP2002521896A JP2002521896A JP2000561584A JP2000561584A JP2002521896A JP 2002521896 A JP2002521896 A JP 2002521896A JP 2000561584 A JP2000561584 A JP 2000561584A JP 2000561584 A JP2000561584 A JP 2000561584A JP 2002521896 A JP2002521896 A JP 2002521896A
- Authority
- JP
- Japan
- Prior art keywords
- image
- abnormal
- candidates
- soft tissue
- neural network
- 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
- 210000004872 soft tissue Anatomy 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 title description 15
- 206010056342 Pulmonary mass Diseases 0.000 title description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 101
- 210000000038 chest Anatomy 0.000 claims abstract description 83
- 210000000481 breast Anatomy 0.000 claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 230000005823 lung abnormality Effects 0.000 claims abstract description 5
- 230000003044 adaptive effect Effects 0.000 claims description 19
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000004195 computer-aided diagnosis Methods 0.000 description 28
- 238000012545 processing Methods 0.000 description 11
- 210000004072 lung Anatomy 0.000 description 8
- 230000035945 sensitivity Effects 0.000 description 8
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 7
- 201000005202 lung cancer Diseases 0.000 description 7
- 208000020816 lung neoplasm Diseases 0.000 description 7
- 230000002685 pulmonary effect Effects 0.000 description 6
- 210000000988 bone and bone Anatomy 0.000 description 5
- 238000011976 chest X-ray Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 101100325793 Arabidopsis thaliana BCA2 gene Proteins 0.000 description 1
- 102100033040 Carbonic anhydrase 12 Human genes 0.000 description 1
- 102100033041 Carbonic anhydrase 13 Human genes 0.000 description 1
- 101000867855 Homo sapiens Carbonic anhydrase 12 Proteins 0.000 description 1
- 101000867860 Homo sapiens Carbonic anhydrase 13 Proteins 0.000 description 1
- 101000680262 Homo sapiens Transmembrane protein 60 Proteins 0.000 description 1
- 208000000017 Solitary Pulmonary Nodule Diseases 0.000 description 1
- 102100022076 Transmembrane protein 60 Human genes 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 210000003109 clavicle Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000001147 pulmonary artery Anatomy 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 210000005166 vasculature Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】
【課題】標準ディジタル胸部画像（１０）および軟組織ディジタル胸部画像を得るコンピュータ化された肺の異常を検出する方法、システム、および記憶媒体。
【解決手段】標準（２０）、軟組織ディジタル胸部画像から第１、第２差分画像を生成し、第１、第２差分画像における異常候補を識別し、標準ディジタル胸部画像と第１差分画像から異常候補について予め定められた第１特徴を抽出し、軟組織ディジタル胸部画像と第２差分画像から異常候補について予め定められた第２特徴を抽出し、抽出された第１、第２特徴を解析しこれらの特徴に対応した偽陽性異常候補を識別、除外し、第１、第２差分画像から導出され偽陽性異常候補を除外した後に残っている異常候補から抽出された特徴を各人工神経回路網に印加し、第１、第２差分画像から導出された異常候補の論理ＯＲ演算を実行し、さらに偽陽性異常候補を除外する。
Description
【０００１】 関連出願と文献の参照 本発明は、例えば、以下の米国特許出願、米国特許に記載されたディジタル画
像内の異常を自動的に検出する自動化技術に関する。
像内の異常を自動的に検出する自動化技術に関する。
【０００２】 米国特許第4,839,807号、同4,841,555号、同4,851,984号、同4,875,165号、同
4,907,156号、同4,918,534号、同5,072,384号、同5,133,020号、同5,150,292号
、同5,224,177号、同5,289,374号、同5,319,549号、同5,343,390号、同5,359,51
3号、同5,452,367号、同5,463,548号、同5,491,627号、同5,537,485号、同5,598
,481号、同5,622,171号、同5,638,458号、同5,657,362号、同5,666,434号、同5,
673,332号、同5,668,888号、同5,740,268号、及び米国出願第08/158,388号、同0
8/173,935号、同08/220,917号、同08/398,307号、同 08/428,867号、同08/523,2
10号、同08/536,149号、同08/515,798号、同 08/562,188号、同08/562,087号、
同08/757,611号、同08/758,438号、同 08/900,188号、同08/900,189号、同08/90
0,191号、同08/900,192号、同08/900,361号、同08/900,362号、同08/979,623号
、同08/979,639号、同 08/982,282号、同09/028,518号、同09/027,685号、同09/
053,798号。
4,907,156号、同4,918,534号、同5,072,384号、同5,133,020号、同5,150,292号
、同5,224,177号、同5,289,374号、同5,319,549号、同5,343,390号、同5,359,51
3号、同5,452,367号、同5,463,548号、同5,491,627号、同5,537,485号、同5,598
,481号、同5,622,171号、同5,638,458号、同5,657,362号、同5,666,434号、同5,
673,332号、同5,668,888号、同5,740,268号、及び米国出願第08/158,388号、同0
8/173,935号、同08/220,917号、同08/398,307号、同 08/428,867号、同08/523,2
10号、同08/536,149号、同08/515,798号、同 08/562,188号、同08/562,087号、
同08/757,611号、同08/758,438号、同 08/900,188号、同08/900,189号、同08/90
0,191号、同08/900,192号、同08/900,361号、同08/900,362号、同08/979,623号
、同08/979,639号、同 08/982,282号、同09/028,518号、同09/027,685号、同09/
053,798号。
【０００３】 上記米国特許出願、米国特許の各々は参照のために本明細書に完全に組み込ま
れる。
れる。
【０００４】 本発明は、付録に記載された各文献に記載の種々の技術にも関し、付録に列挙
された各文献はカギ括弧［ ］内の数字で本明細書中で参照される。各文献も参
照のために本明細書に組み込まれる。各文献は上記米国特許出願、米国特許に対
応しているものもある。 合衆国が資金提供した研究である旨の陳述 本発明はアメリカ合衆国の政府の援助（認可番号ＣＡ６２６２５（国家健康協
会））を受けてなされた。合衆国政府は本発明に対して権利を有する。
された各文献はカギ括弧［ ］内の数字で本明細書中で参照される。各文献も参
照のために本明細書に組み込まれる。各文献は上記米国特許出願、米国特許に対
応しているものもある。 合衆国が資金提供した研究である旨の陳述 本発明はアメリカ合衆国の政府の援助（認可番号ＣＡ６２６２５（国家健康協
会））を受けてなされた。合衆国政府は本発明に対して権利を有する。
【０００５】
本発明は、医用画像における肺小結節のコンピュータ支援検出に関し、特に、
肺小結節の検出性能を改良するための軟組織胸部Ｘ線画像および標準胸部Ｘ線画
像のコンピュータ支援診断に関する。
肺小結節の検出性能を改良するための軟組織胸部Ｘ線画像および標準胸部Ｘ線画
像のコンピュータ支援診断に関する。
【０００６】
肺癌は、米国民の癌による死亡原因の第１位を占めている。１９９６年には、
新たに１７７，０００名の肺癌患者が発生し、１５８，７００名の患者がこの病
気で死亡したとみられる。肺癌の早期発見により、手術および／または放射線と
化学療法とを組み合わせた適切な治療を受けた患者は、５年後の生存率が１３％
から約４１％に改善されている。［１］現在、胸部Ｘ線診断は、初期の肺癌の重
要な兆候である、胸部画像における孤立性の肺小結節を検出するために、今もな
お最も一般的に利用されている診断法である。しかし、標準的な胸部Ｘ線画像に
おける肺小結節を検出し、診断することは、経験の豊かな放射線専門医にとって
も非常に難しい。これは、主に、画像中の正常な解剖的構造によるバックグラウ
ンドの干渉のためである。標準的な胸部Ｘ線画像は、画像の中に肋骨、鎖骨、心
臓の陰影、および肺脈管などの正常な解剖的構造をバックグラウンドとして含ん
でおり、一般にスクリーンフィルムを用いた１回の照射で得られるものである。
多くの調査報告では、放射線専門医は実際の肺癌患者の３０％までを見逃すおそ
れのあるとのことである。［２−４］これまでに、シカゴ大学の放射線医学部門
（Ｔｈｅ Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｒａｄｉｏｌｏｇｙ，Ｔｈｅ Ｕｎｉ
ｖｅｒｓｉｔｙ ｏｆ Ｃｈｉｃａｇｏ Ｈｏｓｐｉｔａｌｓ）の研究者達が、
標準的な胸部Ｘ線画像における肺小結節検出の自動化のために改良されたコンピ
ュータ支援診断（ＣＡＤ）システムを開発している。［５−６］放射線専門医は
、初期の肺癌を検出する際、診断精度を上げるために「別の医師の診断」として
ＣＡＤシステムからのコンピュータ出力を利用することがある。
新たに１７７，０００名の肺癌患者が発生し、１５８，７００名の患者がこの病
気で死亡したとみられる。肺癌の早期発見により、手術および／または放射線と
化学療法とを組み合わせた適切な治療を受けた患者は、５年後の生存率が１３％
から約４１％に改善されている。［１］現在、胸部Ｘ線診断は、初期の肺癌の重
要な兆候である、胸部画像における孤立性の肺小結節を検出するために、今もな
お最も一般的に利用されている診断法である。しかし、標準的な胸部Ｘ線画像に
おける肺小結節を検出し、診断することは、経験の豊かな放射線専門医にとって
も非常に難しい。これは、主に、画像中の正常な解剖的構造によるバックグラウ
ンドの干渉のためである。標準的な胸部Ｘ線画像は、画像の中に肋骨、鎖骨、心
臓の陰影、および肺脈管などの正常な解剖的構造をバックグラウンドとして含ん
でおり、一般にスクリーンフィルムを用いた１回の照射で得られるものである。
多くの調査報告では、放射線専門医は実際の肺癌患者の３０％までを見逃すおそ
れのあるとのことである。［２−４］これまでに、シカゴ大学の放射線医学部門
（Ｔｈｅ Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｒａｄｉｏｌｏｇｙ，Ｔｈｅ Ｕｎｉ
ｖｅｒｓｉｔｙ ｏｆ Ｃｈｉｃａｇｏ Ｈｏｓｐｉｔａｌｓ）の研究者達が、
標準的な胸部Ｘ線画像における肺小結節検出の自動化のために改良されたコンピ
ュータ支援診断（ＣＡＤ）システムを開発している。［５−６］放射線専門医は
、初期の肺癌を検出する際、診断精度を上げるために「別の医師の診断」として
ＣＡＤシステムからのコンピュータ出力を利用することがある。
【０００７】 しかしながら、標準的な胸部Ｘ線画像における正常な解剖的構造のバックグラ
ウンド、つまり、肋骨、鎖骨、心臓の陰影、および肺脈管により、ＣＡＤシステ
ムの性能（１画像当りの偽陽性の感度と数）が低下する傾向がある。小結節の全
部または一部が肋骨または鎖骨と重なっている場合には、小結節がＣＡＤシステ
ムによって検出されないことがある。肋骨と肋骨、または肋骨と脈管が交差して
いると、これがＣＡＤシステムから偽陽性出力を検出する主要原因となる。それ
ゆえ、画像から骨組織影像を除外できれば、胸部Ｘ線画像用ＣＡＤシステムの肺
小結節の検出性能は、改善されるものと期待される。
ウンド、つまり、肋骨、鎖骨、心臓の陰影、および肺脈管により、ＣＡＤシステ
ムの性能（１画像当りの偽陽性の感度と数）が低下する傾向がある。小結節の全
部または一部が肋骨または鎖骨と重なっている場合には、小結節がＣＡＤシステ
ムによって検出されないことがある。肋骨と肋骨、または肋骨と脈管が交差して
いると、これがＣＡＤシステムから偽陽性出力を検出する主要原因となる。それ
ゆえ、画像から骨組織影像を除外できれば、胸部Ｘ線画像用ＣＡＤシステムの肺
小結節の検出性能は、改善されるものと期待される。
【０００８】 最近、いくつかのコンピュータ胸部Ｘ線検査（ＣＲ）システムにおいて実施さ
れているエネルギ差分法では、軟組織胸部画像が得られており、この方法では、
適正加重の高エネルギＸ線による照射画像から適正加重の低エネルギＸ線による
照射画像を差し引くことで、骨組織影像を除外することができる。［７−１１］
しかし、軟組織画像は、一般に雑音成分を多く含んでおり、画像のコントラスト
が標準的な胸部Ｘ線画像に比べて低い。
れているエネルギ差分法では、軟組織胸部画像が得られており、この方法では、
適正加重の高エネルギＸ線による照射画像から適正加重の低エネルギＸ線による
照射画像を差し引くことで、骨組織影像を除外することができる。［７−１１］
しかし、軟組織画像は、一般に雑音成分を多く含んでおり、画像のコントラスト
が標準的な胸部Ｘ線画像に比べて低い。
【０００９】
本発明の目的は、軟組織画像と標準胸部画像とを使用して、改良された自動化
肺小結節検出方式を提供することである。
肺小結節検出方式を提供することである。
【００１０】 軟組織画像と標準胸部画像とを使用して、肺小結節検出のための改良されたＣ
ＡＤシステムを提供することが本発明のもう１つの目的である。
ＡＤシステムを提供することが本発明のもう１つの目的である。
【００１１】 軟組織画像と標準胸部画像、およびこの両者の論理ＯＲ結合を使用して、肺小
結節検出ための改良されたＣＡＤシステムを提供することが本発明のさらにもう
１つの目的である。
結節検出ための改良されたＣＡＤシステムを提供することが本発明のさらにもう
１つの目的である。
【００１２】
上述した目的および他の目的は、標準ディジタル胸部画像および軟組織ディジ
タル胸部画像を得ることを具備する、肺の異常をコンピュータにより検出するた
めの新規な方法、システム、およびコンピュータ読取り可能な媒体を提供する本
発明により実現される。すまわち、前記標準ディジタル胸部画像から第１の差分
画像と前記軟組織ディジタル胸部画像から第２の差分画像を生成し、前記第１の
差分画像と第２の差分画像における異常候補を識別し、前記標準ディジタル胸部
画像と前記第１の差分画像から前記第１の差分画像において識別された前記異常
候補のそれぞれについて予め定められた第１の特徴を抽出し、前記軟組織ディジ
タル胸部画像と前記第２の差分画像から前記第２の差分画像において識別された
前記異常候補のそれぞれについて予め定められた第２の特徴を抽出し、抽出され
た前記第１の特徴と抽出された前記第２の特徴とを解析してこれらの特徴にそれ
ぞれ対応した偽陽性異常候補を識別して除外し、前記第１および第２の差分画像
からそれぞれ導出され前記偽陽性異常候補を除外した後に残っている前記異常候
補の論理ＯＲ演算を実行し、前記論理ＯＲ演算の実行結果を示す信号を生成する
。
タル胸部画像を得ることを具備する、肺の異常をコンピュータにより検出するた
めの新規な方法、システム、およびコンピュータ読取り可能な媒体を提供する本
発明により実現される。すまわち、前記標準ディジタル胸部画像から第１の差分
画像と前記軟組織ディジタル胸部画像から第２の差分画像を生成し、前記第１の
差分画像と第２の差分画像における異常候補を識別し、前記標準ディジタル胸部
画像と前記第１の差分画像から前記第１の差分画像において識別された前記異常
候補のそれぞれについて予め定められた第１の特徴を抽出し、前記軟組織ディジ
タル胸部画像と前記第２の差分画像から前記第２の差分画像において識別された
前記異常候補のそれぞれについて予め定められた第２の特徴を抽出し、抽出され
た前記第１の特徴と抽出された前記第２の特徴とを解析してこれらの特徴にそれ
ぞれ対応した偽陽性異常候補を識別して除外し、前記第１および第２の差分画像
からそれぞれ導出され前記偽陽性異常候補を除外した後に残っている前記異常候
補の論理ＯＲ演算を実行し、前記論理ＯＲ演算の実行結果を示す信号を生成する
。
【００１３】 本発明は、さらに、記憶されたプログラム命令がコンピュータに適切にロード
されているときに本発明の方法が実施可能なプログラム命令を記憶したコンピュ
ータ読み取り可能な媒体、および本発明の方法を実施するためのシステムを具備
する。
されているときに本発明の方法が実施可能なプログラム命令を記憶したコンピュ
ータ読み取り可能な媒体、および本発明の方法を実施するためのシステムを具備
する。
【００１４】
図面を参照すると、同じ参照数字は、各図面中で同じ、つまり対応する部品を
示し、特に、図１は本発明によるコンピュータ支援診断（ＣＡＤ）を実施するた
めのシステムの代表的なブロック図を示す。
示し、特に、図１は本発明によるコンピュータ支援診断（ＣＡＤ）を実施するた
めのシステムの代表的なブロック図を示す。
【００１５】 本発明により、合計で３一対の、つまり３１名の患者の標準胸部および軟組織
胸部フィルム（たとえば、１０”×１２”）が使用されている。これらのフィル
ムはシカゴ大学病院の放射線医学部門において、１９９７年、４月から９月まで
の間に撮影されている。これらの患者のすべてが肺小結節に罹っていた。２名の
胸部放射線専門医が、本人の同意の下で、これらの３１名の患者から合計６５の
肺小結節を確認している。
胸部フィルム（たとえば、１０”×１２”）が使用されている。これらのフィル
ムはシカゴ大学病院の放射線医学部門において、１９９７年、４月から９月まで
の間に撮影されている。これらの患者のすべてが肺小結節に罹っていた。２名の
胸部放射線専門医が、本人の同意の下で、これらの３１名の患者から合計６５の
肺小結節を確認している。
【００１６】 図１において、このシステムでは、コンピュータ３００にディジタル画像取得
装置１００が接続されている。ディジタル画像は、レントゲンフィルム出力装置
および画像収集装置などのディジタル画像取得装置１００を経由して取得される
。たとえば、フィルムは、ＣＲシステムなどのレントゲンフィルム出力装置を使
用して出力される。３一対の標準胸部および軟組織胸部フィルムのディジタル画
像は、コニカ社製、レーザディジタイザ（ＬＤ４５００）などの画像収集装置を
使用して、これらのフィルムをディジタル化することにより取得される。このデ
ィジタル化の解像度と濃度階調は、たとえば、それぞれ０．１７５ｍｍおよび１
０ビットである。その場合、たとえば、ディジタル画像は、有効画素サイズ０．
７ｍｍ（図示されていない）、マトリクスサイズ５００×５００に副標本化され
る。
装置１００が接続されている。ディジタル画像は、レントゲンフィルム出力装置
および画像収集装置などのディジタル画像取得装置１００を経由して取得される
。たとえば、フィルムは、ＣＲシステムなどのレントゲンフィルム出力装置を使
用して出力される。３一対の標準胸部および軟組織胸部フィルムのディジタル画
像は、コニカ社製、レーザディジタイザ（ＬＤ４５００）などの画像収集装置を
使用して、これらのフィルムをディジタル化することにより取得される。このデ
ィジタル化の解像度と濃度階調は、たとえば、それぞれ０．１７５ｍｍおよび１
０ビットである。その場合、たとえば、ディジタル画像は、有効画素サイズ０．
７ｍｍ（図示されていない）、マトリクスサイズ５００×５００に副標本化され
る。
【００１７】 また、ディジタル画像は医用画像保管通信システム（ＰＡＣＳ）などのディジ
タル画像取得装置１００を使用しても取得できることは注目に値する。すなわち
、処理されるディジタル画像はディジタル形式で存在し、本発明を実施する際に
ディジタル形式に変換する必要がない場合が多い。
タル画像取得装置１００を使用しても取得できることは注目に値する。すなわち
、処理されるディジタル画像はディジタル形式で存在し、本発明を実施する際に
ディジタル形式に変換する必要がない場合が多い。
【００１８】 本発明によるＣＡＤシステムは、取得したディジタル画像に基づき、Intelベ
ースのパーソナルコンピュータ、Macintoshパーソナルコンピュータなどの汎用
コンピュータ３００を使用して実施され、後述のように、ネットワークやモデム
などを経由してディジタル画像取得装置１００に接続される。
ースのパーソナルコンピュータ、Macintoshパーソナルコンピュータなどの汎用
コンピュータ３００を使用して実施され、後述のように、ネットワークやモデム
などを経由してディジタル画像取得装置１００に接続される。
【００１９】 図２は、本発明による（ＣＡＤ）システムを示す代表的なフローチャートであ
る。図２では、ディジタル画像を取得するステップ１０の後に、本発明によるＣ
ＡＤシステムとして、標準画像に対して２０〜５０、軟組織画像に対して２０′
〜５０′のそれぞれ４つの主要な処理ステップがある。［５−６］前述のように
、たとえば、ディジタル画像を、（ｉ）レントゲンフィルム出力装置および画像
収集装置、または（ii）ＰＡＣＳなどのディジタル画像取得装置１００を経由し
て取得することもある。
る。図２では、ディジタル画像を取得するステップ１０の後に、本発明によるＣ
ＡＤシステムとして、標準画像に対して２０〜５０、軟組織画像に対して２０′
〜５０′のそれぞれ４つの主要な処理ステップがある。［５−６］前述のように
、たとえば、ディジタル画像を、（ｉ）レントゲンフィルム出力装置および画像
収集装置、または（ii）ＰＡＣＳなどのディジタル画像取得装置１００を経由し
て取得することもある。
【００２０】 ステップ２０と２０′では、ステップ１０において収集された各画像に基づい
て、標準胸部および軟組織胸部画像のそれぞれに対する差分画像が生成される（
たとえば、米国特許第４，９０７，１５６号および米国特許出願第０８／５６２
，０８７号と第０９／０２７，６８５号とに教示されているように）。次に、後
述のように、ステップ３０と３０′（たとえば、米国特許出願第０８／９００，
３６１号に教示されているように）における各差分画像から、初期の小結節候補
が選択される。
て、標準胸部および軟組織胸部画像のそれぞれに対する差分画像が生成される（
たとえば、米国特許第４，９０７，１５６号および米国特許出願第０８／５６２
，０８７号と第０９／０２７，６８５号とに教示されているように）。次に、後
述のように、ステップ３０と３０′（たとえば、米国特許出願第０８／９００，
３６１号に教示されているように）における各差分画像から、初期の小結節候補
が選択される。
【００２１】 ステップ４０と４０′では、適応ルールベース解析が、標準ディジタル胸部画
像とその差分画像に関して実施され（ステップ４０）、これとは別に軟組織ディ
ジタル胸部画像とその差分画像に関しても実施され（ステップ４０′）。ステッ
プ４０では、標準ディジタル胸部画像とその各差分画像から特徴が抽出され、抽
出された特徴が解析されて偽陽性小結節候補が識別され、識別された偽陽性小結
節は以後の検討の対象から除外される。これに対して、ステップ４０′では、軟
組織ディジタル胸部画像とその各差分画像から特徴が抽出され、抽出された特徴
が解析されて偽陽性小結節候補が識別され、識別された偽陽性小結節は以後の検
討の対象から除外される（たとえば、米国特許第５，２８９，３７４号と第５，
３１９，５４９号、および米国特許出願第０８／５６２，０８７号と第０８／９
００，３６１号に教示されているように）。［５−６］これらの抽出された特徴
は、有効径、真円度と不規則性、有効径と真円度と不規則性の勾配、平均勾配、
勾配の方向の標準偏差、コントラストと正味のコントラストなどの濃度値、形態
、またはエッジ勾配と関連している（米国特許出願第０８／５６２，０８７号に
教示されているように）。
像とその差分画像に関して実施され（ステップ４０）、これとは別に軟組織ディ
ジタル胸部画像とその差分画像に関しても実施され（ステップ４０′）。ステッ
プ４０では、標準ディジタル胸部画像とその各差分画像から特徴が抽出され、抽
出された特徴が解析されて偽陽性小結節候補が識別され、識別された偽陽性小結
節は以後の検討の対象から除外される。これに対して、ステップ４０′では、軟
組織ディジタル胸部画像とその各差分画像から特徴が抽出され、抽出された特徴
が解析されて偽陽性小結節候補が識別され、識別された偽陽性小結節は以後の検
討の対象から除外される（たとえば、米国特許第５，２８９，３７４号と第５，
３１９，５４９号、および米国特許出願第０８／５６２，０８７号と第０８／９
００，３６１号に教示されているように）。［５−６］これらの抽出された特徴
は、有効径、真円度と不規則性、有効径と真円度と不規則性の勾配、平均勾配、
勾配の方向の標準偏差、コントラストと正味のコントラストなどの濃度値、形態
、またはエッジ勾配と関連している（米国特許出願第０８／５６２，０８７号に
教示されているように）。
【００２２】 ステップ５０と５０′では、ステップ４０と４０′の適応ルールベース解析の
後に残っている偽陽性の出力をさらに除外するために、学習済みの人工神経回路
網（ＡＮＮ）が利用される（米国特許第５，４６３，５４８号、第５，６２２，
１７１号；および米国特許出願第０８／５６２，０８７号；第０８／５６２，１
８８号；第０８／７５８，４３８号；第０８／９００，３６１号；および第０９
／０２７，６８５号にそれぞれ教示されているように）。ステップ６０では、ス
テップ５０と５０′の結果に基づいて論理ＯＲ演算が実行され、論理ＯＲ演算の
実行結果を示す信号が出力される。
後に残っている偽陽性の出力をさらに除外するために、学習済みの人工神経回路
網（ＡＮＮ）が利用される（米国特許第５，４６３，５４８号、第５，６２２，
１７１号；および米国特許出願第０８／５６２，０８７号；第０８／５６２，１
８８号；第０８／７５８，４３８号；第０８／９００，３６１号；および第０９
／０２７，６８５号にそれぞれ教示されているように）。ステップ６０では、ス
テップ５０と５０′の結果に基づいて論理ＯＲ演算が実行され、論理ＯＲ演算の
実行結果を示す信号が出力される。
【００２３】 ステップ７０では、ＣＡＤシステムの結果が矢印などで表示され（米国特許出
願第０８／７５７，６１１号と第０８／９００，３６１号に教示されているよう
に）、ステップ５０、５０′および／またはステップ６０で定められた軟組織画
像と標準画像に関して最終的な小結節候補が示される。
願第０８／７５７，６１１号と第０８／９００，３６１号に教示されているよう
に）、ステップ５０、５０′および／またはステップ６０で定められた軟組織画
像と標準画像に関して最終的な小結節候補が示される。
【００２４】 図３は、図２のステップ３０と３０′における初期の小結節候補の選択を示す
フローチャートである。図３では、ステップ２０と２０′で得られた各差分画像
の複数の濃度値閾値処理がステップ３２と３２′で実行され、続いてステップ３
４と３４′において、各候補が６グループに分類される（たとえば、米国特許出
願第０８／５６２，０８７号と第０８／９００，３６１号に教示されているよう
に）。要約すると、初期の小結節候補が複数の濃度値閾値処理により差分画像か
ら選択された後、これらの小結節候補は「開始％閾値」、すなわち、その小結節
候補が識別可能なパーセンテージ閾値レベルに従って、６グループに分類される
（たとえば、米国特許出願第０８／５６２，０８７号参照）。［５−６］ ＣＡＤシステムは、当初、標準胸部画像用に開発されたものである。本発明に
よれば、このシステムは、ＣＡＤシステムの基本手順を修正することなく軟組織
胸部画像にそのまま適用できることが分った。しかし、各候補グループの偽陽性
を除外するための適応ルールベース試験の適用ルールは、一般に、標準胸部画像
と軟組織胸部画像に対して個別に決定された（たとえば、図２のステップ４０と
４０′）。
フローチャートである。図３では、ステップ２０と２０′で得られた各差分画像
の複数の濃度値閾値処理がステップ３２と３２′で実行され、続いてステップ３
４と３４′において、各候補が６グループに分類される（たとえば、米国特許出
願第０８／５６２，０８７号と第０８／９００，３６１号に教示されているよう
に）。要約すると、初期の小結節候補が複数の濃度値閾値処理により差分画像か
ら選択された後、これらの小結節候補は「開始％閾値」、すなわち、その小結節
候補が識別可能なパーセンテージ閾値レベルに従って、６グループに分類される
（たとえば、米国特許出願第０８／５６２，０８７号参照）。［５−６］ ＣＡＤシステムは、当初、標準胸部画像用に開発されたものである。本発明に
よれば、このシステムは、ＣＡＤシステムの基本手順を修正することなく軟組織
胸部画像にそのまま適用できることが分った。しかし、各候補グループの偽陽性
を除外するための適応ルールベース試験の適用ルールは、一般に、標準胸部画像
と軟組織胸部画像に対して個別に決定された（たとえば、図２のステップ４０と
４０′）。
【００２５】 一般に、標準胸部画像と軟組織胸部画像に対して、適応ルールベーステストル
ールを個々に選択する必要がある。それは、導出される画像の特徴が一般に標準
胸部画像と軟組織胸部画像の小結節とでは異なるからである。たとえば、軟組織
画像の小結節に関する領域成長法によって得られる有効径（ｍｍ単位の）と真円
度は、標準胸部画像の同じ小結節のそれよりも大きくなる傾向がある。これは、
軟組織画像では、肋骨、つまり骨が領域成長処理に及ぼす影響が小さいため、小
結節に対して領域成長処理から生じる寸法と形状が実際の寸法と形状にきわめて
近くなることによる。しかし、標準胸部画像における同じ小結節の場合、領域成
長法によって得られる寸法と形状は、小結節の周辺に肋骨、つまり骨組織が存在
するために、本来の寸法と形状に比べて小さく、不規則になり易い。
ールを個々に選択する必要がある。それは、導出される画像の特徴が一般に標準
胸部画像と軟組織胸部画像の小結節とでは異なるからである。たとえば、軟組織
画像の小結節に関する領域成長法によって得られる有効径（ｍｍ単位の）と真円
度は、標準胸部画像の同じ小結節のそれよりも大きくなる傾向がある。これは、
軟組織画像では、肋骨、つまり骨が領域成長処理に及ぼす影響が小さいため、小
結節に対して領域成長処理から生じる寸法と形状が実際の寸法と形状にきわめて
近くなることによる。しかし、標準胸部画像における同じ小結節の場合、領域成
長法によって得られる寸法と形状は、小結節の周辺に肋骨、つまり骨組織が存在
するために、本来の寸法と形状に比べて小さく、不規則になり易い。
【００２６】 軟組織胸部画像は、一般に、画像のコントラストが小さく、雑音が大きいため
、小結節コントラストの画像特性は、領域成長処理前後に軟組織画像から得られ
る画素値の差として定義され、対応する標準胸部画像から得られるコントラスト
よりも小さい。しかし、各候補グループの偽陽性を除外するための適応ルールベ
ース試験の適用ルールは、一般に、標準胸部画像と軟組織胸部画像に対して個別
に定められるものの、同じ適応ルールベース試験を両方のタイプの画像に利用で
きる。さらに、図２のフローチャートでは、標準画像と軟組織画像の処理に対し
てそれぞれ並列の経路（たとえば、図２、ステップ２０〜５０と２０′〜５０′
）を示しているが、両タイプの画像を直列に処理することもでき（たとえば、図
２、ステップ２０〜３０と５０）、特に同じ適応ルールベース解析を各タイプの
画像に対して実施する場合にはこのことが言える（たとえば、図２においては、
ステップ４０と４０′が同じになる）。
、小結節コントラストの画像特性は、領域成長処理前後に軟組織画像から得られ
る画素値の差として定義され、対応する標準胸部画像から得られるコントラスト
よりも小さい。しかし、各候補グループの偽陽性を除外するための適応ルールベ
ース試験の適用ルールは、一般に、標準胸部画像と軟組織胸部画像に対して個別
に定められるものの、同じ適応ルールベース試験を両方のタイプの画像に利用で
きる。さらに、図２のフローチャートでは、標準画像と軟組織画像の処理に対し
てそれぞれ並列の経路（たとえば、図２、ステップ２０〜５０と２０′〜５０′
）を示しているが、両タイプの画像を直列に処理することもでき（たとえば、図
２、ステップ２０〜３０と５０）、特に同じ適応ルールベース解析を各タイプの
画像に対して実施する場合にはこのことが言える（たとえば、図２においては、
ステップ４０と４０′が同じになる）。
【００２７】 標準画像と軟組織画像の両方に対して、本発明では、可能であれば偽陽性をさ
らに解析して除外するために、人工神経回路網（ＡＮＮ）を利用する（図２、ス
テップ５０と５０′）。さらに、本発明の好ましい実施例では、残っている小結
節候補のＯＲ演算を行い（図２、ステップ６０）、これに関連する信号を出力し
て表示などに利用する（図２、ステップ７０）。ステップ５０では、標準胸部画
像から導出され、ステップ４０の後に残っている各小結節候補に対して、この残
っている各小結節候補から抽出された特徴をＡＮＮに入力として供給する。ステ
ップ５０では、残っている各小結節候補に対して、ステップ４０において標準胸
部画像とその差分画像の両方から抽出した各特徴をＡＮＮ入力として供給する。
ステップ５０′において、同様の処理を軟組織画像とその差分画像から導出され
た後に残っている小結節候補に対して行なう。ＡＮＮを構成する際、本発明では
、データベースが比較的小さいので、ジャックナイフ法ではなく、たとえば、Ｌ
ｅａｖｅ−ｏｎｅ−ｏｕｔ法を採用する。標準胸部画像と軟組織胸部画像に対す
るＣＡＤシステムの最終性能は、後述のように、ＦＲＯＣ曲線で表される。
らに解析して除外するために、人工神経回路網（ＡＮＮ）を利用する（図２、ス
テップ５０と５０′）。さらに、本発明の好ましい実施例では、残っている小結
節候補のＯＲ演算を行い（図２、ステップ６０）、これに関連する信号を出力し
て表示などに利用する（図２、ステップ７０）。ステップ５０では、標準胸部画
像から導出され、ステップ４０の後に残っている各小結節候補に対して、この残
っている各小結節候補から抽出された特徴をＡＮＮに入力として供給する。ステ
ップ５０では、残っている各小結節候補に対して、ステップ４０において標準胸
部画像とその差分画像の両方から抽出した各特徴をＡＮＮ入力として供給する。
ステップ５０′において、同様の処理を軟組織画像とその差分画像から導出され
た後に残っている小結節候補に対して行なう。ＡＮＮを構成する際、本発明では
、データベースが比較的小さいので、ジャックナイフ法ではなく、たとえば、Ｌ
ｅａｖｅ−ｏｎｅ−ｏｕｔ法を採用する。標準胸部画像と軟組織胸部画像に対す
るＣＡＤシステムの最終性能は、後述のように、ＦＲＯＣ曲線で表される。
【００２８】 図４の（ａ）、（ｂ）は、それぞれ右肺中央部と左肺下部の２つの小結節を表
す標準胸部画像と軟組織胸部画像を示す。標準胸部画像と軟組織胸部画像に対応
する差分画像をそれぞれ図の（ａ）、（ｂ）に示す。軟組織画像から得られる差
分画像は、対応する標準画像から得られるものよりもバックグラウンドが均一で
あることが分る。このため、軟組織画像から得られる差分画像には偽陽性が少な
いことが予想される。また、標準胸部画像の小結節には、図４の（ａ）に示す左
肺下部の小結節のように、肋骨と重なっているものもあることが分る。これらの
小結節は、差分画像法による場合でも、画質があまり向上しないことが多いため
、標準胸部画像では検出されにくい。しかし、軟組織画像では、図４の（ｂ）に
示すように肋骨、つまり骨組織を排除しているので、これらの小結節が検出でき
ることもある。
す標準胸部画像と軟組織胸部画像を示す。標準胸部画像と軟組織胸部画像に対応
する差分画像をそれぞれ図の（ａ）、（ｂ）に示す。軟組織画像から得られる差
分画像は、対応する標準画像から得られるものよりもバックグラウンドが均一で
あることが分る。このため、軟組織画像から得られる差分画像には偽陽性が少な
いことが予想される。また、標準胸部画像の小結節には、図４の（ａ）に示す左
肺下部の小結節のように、肋骨と重なっているものもあることが分る。これらの
小結節は、差分画像法による場合でも、画質があまり向上しないことが多いため
、標準胸部画像では検出されにくい。しかし、軟組織画像では、図４の（ｂ）に
示すように肋骨、つまり骨組織を排除しているので、これらの小結節が検出でき
ることもある。
【００２９】 図６の（ａ）、（ｂ）は、標準画像と軟組織画像に対する本発明によるＣＡＤ
システムからの各コンピュータ表示出力を示す。左肺下部の小結節は標準胸部画
像では検出されていないことが分る（図６の（ａ））。しかしながら、これに対
応した軟組織胸部画像（図６の（ｂ））では、ＣＡＤシステムは右肺中央部と左
肺下部の小結節の両方を、偽陽性出力を発生することなく検出している。一対の
標準胸部画像と軟組織画像に対して、論理ＯＲ結合出力もコンピュータに表示さ
れ（すなわち、米国特許出願第０８／７５７，６１１号と第０８／９００，３６
１号に教示されているように矢印で）、標準胸部画像では小結節が存在する可能
性のある場所が示される。しかし、これらの矢印は、標準胸部画像とそれに対応
した軟組織胸部画像で検出された小結節の場所の論理ＯＲ演算から導かれるもの
である。この場合、論理ＯＲ演算結合（図示せず）は、標準胸部画像または軟組
織胸部画像において、右中央部小結節、左下部小結節、左横隔膜の偽陽性をそれ
ぞれ指し示す合計３つの矢印となる。
システムからの各コンピュータ表示出力を示す。左肺下部の小結節は標準胸部画
像では検出されていないことが分る（図６の（ａ））。しかしながら、これに対
応した軟組織胸部画像（図６の（ｂ））では、ＣＡＤシステムは右肺中央部と左
肺下部の小結節の両方を、偽陽性出力を発生することなく検出している。一対の
標準胸部画像と軟組織画像に対して、論理ＯＲ結合出力もコンピュータに表示さ
れ（すなわち、米国特許出願第０８／７５７，６１１号と第０８／９００，３６
１号に教示されているように矢印で）、標準胸部画像では小結節が存在する可能
性のある場所が示される。しかし、これらの矢印は、標準胸部画像とそれに対応
した軟組織胸部画像で検出された小結節の場所の論理ＯＲ演算から導かれるもの
である。この場合、論理ＯＲ演算結合（図示せず）は、標準胸部画像または軟組
織胸部画像において、右中央部小結節、左下部小結節、左横隔膜の偽陽性をそれ
ぞれ指し示す合計３つの矢印となる。
【００３０】 図７の（ａ）、（ｂ）では、小結節が左肺の頂部に存在する。この軟組織胸部
画像（図７の（ｂ））は、小結節の周辺で画像のコントラストが小さく、雑音レ
ベルが大きい。したがって、本発明によるＣＡＤシステムは、図８の（ｂ）に示
されるような要因があるために、この軟組織胸部画像の小結節を検出しない（図
７の（ｂ））。この小結節は標準胸部画像（図７の（ａ））では検出されるが、
図８の（ａ）に示されるように２つの偽陽性が現れている。この場合、論理ＯＲ
演算結合（示されない）は、標準胸部画像の出力と同じである（図８の（ａ））
。
画像（図７の（ｂ））は、小結節の周辺で画像のコントラストが小さく、雑音レ
ベルが大きい。したがって、本発明によるＣＡＤシステムは、図８の（ｂ）に示
されるような要因があるために、この軟組織胸部画像の小結節を検出しない（図
７の（ｂ））。この小結節は標準胸部画像（図７の（ａ））では検出されるが、
図８の（ａ）に示されるように２つの偽陽性が現れている。この場合、論理ＯＲ
演算結合（示されない）は、標準胸部画像の出力と同じである（図８の（ａ））
。
【００３１】 図９に、ＣＡＤシステムを標準胸部画像、これに対応した軟組織画像、および
標準画像と軟組織画像の両方からの検出結果の論理ＯＲ結合に適用した場合のＦ
ＲＯＣ曲線を示す。ＣＡＤシステムを軟組織画像に適用した場合、標準胸部画像
に適用した場合に比べると、感度の高さと偽陽性率の低さの点で、一般に良好な
性能を示すことが分る。このようなきわめて限られたデータベースの場合、７０
％の感度において、軟組織画像の偽陽性率が胸部画像当たり１よりも小さいが、
同じ感度レベルにおける標準胸部画像の偽陽性率は胸部画像当たり約２．２であ
る。論理ＯＲ結合では、図９に示されるように、胸部画像における肺小結節の検
出感度がはるかに高くなる。感度が９０％よりも高くなると、論理ＯＲ結合に対
する偽陽性数は胸部画像当たり約３．２である。論理ＯＲ結合、および標準胸部
画像と軟組織胸部画像に対するＦＲＯＣ曲線を比較すると、７０％から９０％ま
での感度の増加があり、これは画像当たりの擬陽性数の増加（約２．２から３．
２まで）に比べて著しく大きいことは明らかである。放射線専門医は胸部画像を
読み取る際に実際の肺がん患者の最大３０％を見逃す可能性があるので、検出感
度が９０％で偽陽性率がごく普通の本発明によるＣＡＤシステムにより、胸部画
像における肺小結節を検出する際の放射線専門医の診断精度が大幅に改善される
可能性がある。
標準画像と軟組織画像の両方からの検出結果の論理ＯＲ結合に適用した場合のＦ
ＲＯＣ曲線を示す。ＣＡＤシステムを軟組織画像に適用した場合、標準胸部画像
に適用した場合に比べると、感度の高さと偽陽性率の低さの点で、一般に良好な
性能を示すことが分る。このようなきわめて限られたデータベースの場合、７０
％の感度において、軟組織画像の偽陽性率が胸部画像当たり１よりも小さいが、
同じ感度レベルにおける標準胸部画像の偽陽性率は胸部画像当たり約２．２であ
る。論理ＯＲ結合では、図９に示されるように、胸部画像における肺小結節の検
出感度がはるかに高くなる。感度が９０％よりも高くなると、論理ＯＲ結合に対
する偽陽性数は胸部画像当たり約３．２である。論理ＯＲ結合、および標準胸部
画像と軟組織胸部画像に対するＦＲＯＣ曲線を比較すると、７０％から９０％ま
での感度の増加があり、これは画像当たりの擬陽性数の増加（約２．２から３．
２まで）に比べて著しく大きいことは明らかである。放射線専門医は胸部画像を
読み取る際に実際の肺がん患者の最大３０％を見逃す可能性があるので、検出感
度が９０％で偽陽性率がごく普通の本発明によるＣＡＤシステムにより、胸部画
像における肺小結節を検出する際の放射線専門医の診断精度が大幅に改善される
可能性がある。
【００３２】 本発明は、当業者には明らかなように、本明細書の教示によりプログラムされ
た従来の汎用ディジタルコンピュータまたはマイクロプロセッサを利用して容易
に実施できる。適切なソフトウェアのコーディングは、当業者には明らかなよう
に、本開示の教示に基づいてプログラミングの習熟者により容易に作成可能であ
る。
た従来の汎用ディジタルコンピュータまたはマイクロプロセッサを利用して容易
に実施できる。適切なソフトウェアのコーディングは、当業者には明らかなよう
に、本開示の教示に基づいてプログラミングの習熟者により容易に作成可能であ
る。
【００３３】 本発明には、本発明のプロセスを実行するためのコンピュータプログラムに使
用可能な命令を含む記憶媒体であるコンピュータプログラム製品が含まれる。こ
の記憶媒体には、フロッピディスク、光ディスク、ＣＤ−ＲＯＭ、および光磁気
ディスクなどのあらゆる種類のディスク、ＲＯＭ、ＲＡＭ、ＥＰＲＯＭ、ＥＥＰ
ＲＯＭ、磁気または光カード、または電子的命令の記憶に適したあらゆる種類の
媒体が含まれるが、これらに限られるものではない。
用可能な命令を含む記憶媒体であるコンピュータプログラム製品が含まれる。こ
の記憶媒体には、フロッピディスク、光ディスク、ＣＤ−ＲＯＭ、および光磁気
ディスクなどのあらゆる種類のディスク、ＲＯＭ、ＲＡＭ、ＥＰＲＯＭ、ＥＥＰ
ＲＯＭ、磁気または光カード、または電子的命令の記憶に適したあらゆる種類の
媒体が含まれるが、これらに限られるものではない。
【００３４】 図１０は、図１の汎用コンピュータ３００の詳細回路図である。図１０におい
て、たとえば、コンピュータ３００には、タッチスクリーンインターフェースを
備えたタッチスクリーンモニタなどの表示装置３０２、キーボード３０４、位置
入力装置３０６、マウスパッドまたはディジタイジングパッド３０８、ハードデ
ィスク３１０、またはその他の固定された高密度メディアドライバ、これらを接
続するＳＣＳＩバス、拡張ＩＤＥバス、ＰＣＩバスなど、フロッピドライブ３１
２、テープまたはＣＤ媒体３１６を含むテープまたはＣＤ−ＲＯＭ３１４、また
は光磁気媒体などの他のリムーバブルメディア装置およびマザーボード３１８が
含まれる。マザーボード３１８には、たとえば、プロセッサ３２０、ＲＡＭ３２
２、およびＲＯＭ３２４、図１の画像収集装置２００の接続に使用されるＩ／Ｏ
ポート３２６、およびサウンド処理、画像処理、信号処理、神経回路網処理など
、マイクロフォン３３０および１台または複数台のスピーカ３４０、などの特定
のハードウェア／ソフトウェア機能を実行するための専用ハードウェア３２８（
オプション）が含まれる。
て、たとえば、コンピュータ３００には、タッチスクリーンインターフェースを
備えたタッチスクリーンモニタなどの表示装置３０２、キーボード３０４、位置
入力装置３０６、マウスパッドまたはディジタイジングパッド３０８、ハードデ
ィスク３１０、またはその他の固定された高密度メディアドライバ、これらを接
続するＳＣＳＩバス、拡張ＩＤＥバス、ＰＣＩバスなど、フロッピドライブ３１
２、テープまたはＣＤ媒体３１６を含むテープまたはＣＤ−ＲＯＭ３１４、また
は光磁気媒体などの他のリムーバブルメディア装置およびマザーボード３１８が
含まれる。マザーボード３１８には、たとえば、プロセッサ３２０、ＲＡＭ３２
２、およびＲＯＭ３２４、図１の画像収集装置２００の接続に使用されるＩ／Ｏ
ポート３２６、およびサウンド処理、画像処理、信号処理、神経回路網処理など
、マイクロフォン３３０および１台または複数台のスピーカ３４０、などの特定
のハードウェア／ソフトウェア機能を実行するための専用ハードウェア３２８（
オプション）が含まれる。
【００３５】 本発明には、コンピュータ３００によるハードウェアの制御と、コンピュータ
３００とオペレータとの対話の両方に対するプログラムが含まれ、これらは上述
の記憶媒体（コンピュータ読取り可能媒体）のいずれか１つに記憶される。こう
したプログラムには、装置ドライバ駆動用のソフトウェア、オペレーティングシ
ステム、およびユーザアプリケーションが含まれる場合もあるが、これらに限ら
れるものではない。こうしたコンピュータ読取り可能媒体には、さらに、汎用コ
ンピュータ３００に本発明に従ってタスクを実行するよう指令するためのプログ
ラミング、つまりソフトウェア命令が含まれる。
３００とオペレータとの対話の両方に対するプログラムが含まれ、これらは上述
の記憶媒体（コンピュータ読取り可能媒体）のいずれか１つに記憶される。こう
したプログラムには、装置ドライバ駆動用のソフトウェア、オペレーティングシ
ステム、およびユーザアプリケーションが含まれる場合もあるが、これらに限ら
れるものではない。こうしたコンピュータ読取り可能媒体には、さらに、汎用コ
ンピュータ３００に本発明に従ってタスクを実行するよう指令するためのプログ
ラミング、つまりソフトウェア命令が含まれる。
【００３６】 汎用コンピュータ３００のプログラミングには、図１の画像収集装置２００か
ら得られた画像をディジタル化し記憶するためのソフトウェアモジュールが含ま
れることもある。また、本発明は、他の手段で得た画像から導出されたディジタ
ルデータの処理も実施し得るものであることを理解されたい。
ら得られた画像をディジタル化し記憶するためのソフトウェアモジュールが含ま
れることもある。また、本発明は、他の手段で得た画像から導出されたディジタ
ルデータの処理も実施し得るものであることを理解されたい。
【００３７】 さらに、本発明は、当業者には明らかであるように、特定用途用の集積回路を
製作するか、もしくは従来の適切な部品回路網を相互接続して実施し得るもので
ある。
製作するか、もしくは従来の適切な部品回路網を相互接続して実施し得るもので
ある。
【００３８】 本発明では、ＡＮＮ解析（図２、ステップ５０と５０′）の前に実行される適
応ルールベース解析（図２、ステップ４０と４０′）について記述したが、ＡＮ
Ｎ解析を適応ルールベース解析に先行させることも可能であることを理解された
い。また、好ましい実施例にはＡＮＮ解析が含まれるが、適応ルールベース解析
の後に残っている小結節候補を本発明によりＯＲ結合することにより、肺小結節
の検出を従来のシステムに対して改良できる。このため、処理の簡素化を優先す
る場合には、性能の低下が伴うものの、ＡＮＮステップ５０、５０′の一方また
は両方を省くことができる。
応ルールベース解析（図２、ステップ４０と４０′）について記述したが、ＡＮ
Ｎ解析を適応ルールベース解析に先行させることも可能であることを理解された
い。また、好ましい実施例にはＡＮＮ解析が含まれるが、適応ルールベース解析
の後に残っている小結節候補を本発明によりＯＲ結合することにより、肺小結節
の検出を従来のシステムに対して改良できる。このため、処理の簡素化を優先す
る場合には、性能の低下が伴うものの、ＡＮＮステップ５０、５０′の一方また
は両方を省くことができる。
【００３９】 当然ではあるが、前述の教示から、本発明は多くの修正および変更が可能であ
る。したがって、本発明は、添付の請求範囲内において、本明細書に具体的に記
述した方法とは異なる方法で実施し得ることを理解されたい。 付録 文献 [1]Cancer facts and figures - 1966, Atlanta: American Cancer Society, 19
96. [2] L. H. Garland, "Studies on the accuracy of diagnostic procedures," A
JR 82, 25-38 (1959). [3] J.V. Forrest and P.J. Friedman, "Radiologic errors in patients with
lung cancer," West J. Med. 134, 485-490 (198 1). [4] J.R. Muhm, W.E. Miller, R.S. Fontana, D.R. Sanderson, and M.A. Uhlen
hopp, "Lung cancer detected during a screening program using four-month
radiographs," Radiology 148, 609-615 (1983). [5] X.W. Xu, K. Doi, T. Kobayashi, H. MacMahon, and M.L. Giger, "Develop
ment of an improved CAD scheme for automated detection of lung nodules i
n digital chest images," Med. Phys. 24, 1395-1403 (1997). [6] X.W. Xu, H. MacMahon, M.L. Giger, and K. Doi, "Adaptive feature anal
ysis of false positives for computerized detection of lung nodules in di
gital chest images," SPEE Medical Imaging 1997, 3034, 428-436 (1997). [7] S. Kido, J. Ikezoe, H. Naito, J. Arisawa, S. Tamura, T. Kozuka, W. I
to, K. Shimura, H. Kato, "Clinical Evaluation of Pulmonary Nodules with
Single-Exposure Dual-Energy Subtraction Chest Radiography with an Iterat
ive Noise-Reduction Algorithm," Radiology, 194:407 (1995). [8] S. Kido, J. Ikezoe, H N. Naito. et al, "Single-Exposure Dual-Energy
Chest Images with Computed Radiography: Evaluation with Simulated Pulmon
ary Nodules." Invest. Radiol., 28:482 (1993). [9] D.L. Ergun, C.A. Mistretta, D E. Brown, R.T. Bystrianyk, W.K. Sze, F
. Kelcz, D.P. Naidich, "Single-Exposure Dual-Energy Computed Radiography
: Improved Detection and Processing," Radiology, 1 74:243 (1990). [10] T. Ishigaki, S. Sakuma, M. Ikeda, "One-Shot Dual-Energy Subtraction
Chest Imaging with Computed Radiography: Clinical Evaluation of Film Im
ages," Radiology, 168:67 (1988). [11] R.G. Fraser, N.M. Hickey, L.T. Nikalson, E.A. Sabbagh, R.F. Luna, C
.B. Alexander, C.A. Robinson, A-L.A. Katzenstein, G.T. Barnes, "Calcific
ation in Pulmonary Nodules Detection with Dual Energy Digital Radiograph
y," Radiology, 160:595(1986)
る。したがって、本発明は、添付の請求範囲内において、本明細書に具体的に記
述した方法とは異なる方法で実施し得ることを理解されたい。 付録 文献 [1]Cancer facts and figures - 1966, Atlanta: American Cancer Society, 19
96. [2] L. H. Garland, "Studies on the accuracy of diagnostic procedures," A
JR 82, 25-38 (1959). [3] J.V. Forrest and P.J. Friedman, "Radiologic errors in patients with
lung cancer," West J. Med. 134, 485-490 (198 1). [4] J.R. Muhm, W.E. Miller, R.S. Fontana, D.R. Sanderson, and M.A. Uhlen
hopp, "Lung cancer detected during a screening program using four-month
radiographs," Radiology 148, 609-615 (1983). [5] X.W. Xu, K. Doi, T. Kobayashi, H. MacMahon, and M.L. Giger, "Develop
ment of an improved CAD scheme for automated detection of lung nodules i
n digital chest images," Med. Phys. 24, 1395-1403 (1997). [6] X.W. Xu, H. MacMahon, M.L. Giger, and K. Doi, "Adaptive feature anal
ysis of false positives for computerized detection of lung nodules in di
gital chest images," SPEE Medical Imaging 1997, 3034, 428-436 (1997). [7] S. Kido, J. Ikezoe, H. Naito, J. Arisawa, S. Tamura, T. Kozuka, W. I
to, K. Shimura, H. Kato, "Clinical Evaluation of Pulmonary Nodules with
Single-Exposure Dual-Energy Subtraction Chest Radiography with an Iterat
ive Noise-Reduction Algorithm," Radiology, 194:407 (1995). [8] S. Kido, J. Ikezoe, H N. Naito. et al, "Single-Exposure Dual-Energy
Chest Images with Computed Radiography: Evaluation with Simulated Pulmon
ary Nodules." Invest. Radiol., 28:482 (1993). [9] D.L. Ergun, C.A. Mistretta, D E. Brown, R.T. Bystrianyk, W.K. Sze, F
. Kelcz, D.P. Naidich, "Single-Exposure Dual-Energy Computed Radiography
: Improved Detection and Processing," Radiology, 1 74:243 (1990). [10] T. Ishigaki, S. Sakuma, M. Ikeda, "One-Shot Dual-Energy Subtraction
Chest Imaging with Computed Radiography: Clinical Evaluation of Film Im
ages," Radiology, 168:67 (1988). [11] R.G. Fraser, N.M. Hickey, L.T. Nikalson, E.A. Sabbagh, R.F. Luna, C
.B. Alexander, C.A. Robinson, A-L.A. Katzenstein, G.T. Barnes, "Calcific
ation in Pulmonary Nodules Detection with Dual Energy Digital Radiograph
y," Radiology, 160:595(1986)
【図１】 本発明によるコンピュータ支援診断（ＣＡＤ）システムを実施するためのシス
テムの代表的なブロック図である。
テムの代表的なブロック図である。
【図２】 本発明によるＣＡＤシステムを示すフローチャートである。
【図３】 本発明によるＣＡＤシステムの詳細を示すフローチャートである。
【図４】 （ａ）は標準胸部画像、（ｂ）はそれに対応した軟組織胸部画像を示すもので
、ここでは右肺中央部と左肺下部の小結節が肋骨と重なっている。
、ここでは右肺中央部と左肺下部の小結節が肋骨と重なっている。
【図５】 （ａ）は標準胸部画像の差分画像、（ｂ）は軟組織胸部画像の差分画像を示す
もので、ここでは、軟組織画像の差分画像は標準胸部画像の差分画像よりもバッ
クグラウンドが均一である。
もので、ここでは、軟組織画像の差分画像は標準胸部画像の差分画像よりもバッ
クグラウンドが均一である。
【図６】 本発明によるＣＡＤシステムからのコンピュータ出力を標準胸部画像（ａ）お
よび軟組織胸部画像（ｂ）に対して示すもので、ここでは、ＣＡＤシステムが軟
組織胸部画像の中に偽陽性異常なしで２つの小結節を検出し、標準胸部画像の中
では左下部の小結節を見逃している。
よび軟組織胸部画像（ｂ）に対して示すもので、ここでは、ＣＡＤシステムが軟
組織胸部画像の中に偽陽性異常なしで２つの小結節を検出し、標準胸部画像の中
では左下部の小結節を見逃している。
【図７】 （ａ）は標準胸部画像、（ｂ）はそれに対応した軟組織胸部画像を示すもので
、ここでは、１つの小結節が左肺の頂部に存在する。
、ここでは、１つの小結節が左肺の頂部に存在する。
【図８】 本発明によるＣＡＤシステムからのコンピュータ出力を標準胸部画像（ａ）お
よび軟組織胸部画像（ｂ）に対して示すもので、ここでは、ＣＡＤシステムが、
軟組織画像において左肺の頂部の小結節を検出しておらず（この領域の画像のコ
ントラストが低く雑音レベルが高いため）、標準胸部画像においてこれを２つの
偽陽性異常とともに検出している。
よび軟組織胸部画像（ｂ）に対して示すもので、ここでは、ＣＡＤシステムが、
軟組織画像において左肺の頂部の小結節を検出しておらず（この領域の画像のコ
ントラストが低く雑音レベルが高いため）、標準胸部画像においてこれを２つの
偽陽性異常とともに検出している。
【図９】 本発明によるＣＡＤシステムを軟組織胸部画像、標準胸部画像、およびこれら
の論理ＯＲ結合による胸部画像にそれぞれ適用して得られるＦＲＯＣ曲線を比較
したグラフである。
の論理ＯＲ結合による胸部画像にそれぞれ適用して得られるＦＲＯＣ曲線を比較
したグラフである。
【図１０】 本発明の教示によりプログラムされた汎用コンピュータ３００の概略説明図で
ある。
ある。
２００…画像収集装置 ３００…汎用コンピュータ ３０２…表示装置 ３０４…キーボード ３０６…位置入力装置 ３０８…マウスパッド ３１０…ハードディスク ３２０…ＣＰＵ
───────────────────────────────────────────────────── フロントページの続き (72)発明者 マクマホン、ヒーバー アメリカ合衆国、イリノイ州 60614 シ カゴ、エヌ・クレブランド 2144 Ｆターム(参考） 4C093 AA01 CA18 DA10 FD01 FF34 5B057 AA08 BA03 CA12 CA16 DA03 DB02 DC32 DC36 5L096 BA06 CA13 FA04 FA14 GA07 HA08 HA11
Claims (21)
- 【請求項１】 標準ディジタル胸部画像と軟組織ディジタル胸部画像を得て
、 前記標準ディジタル胸部画像から第１の差分画像を生成し、前記軟組織胸部画
像から第２の差分画像を生成し、 前記第１の差分画像と第２の差分画像において異常候補を識別し、 前記標準ディジタル胸部画像と前記第１の差分画像から該第１の差分画像にお
いて識別された異常候補のそれぞれについて予め定められた第１の特徴を抽出し
、 前記軟組織ディジタル胸部画像と前記第２の差分画像から該第２の差分画像に
おいて識別された各異常候補のそれぞれについて予め定められた第２の特徴を抽
出し、 抽出された前記第１の特徴と抽出された前記第２の特徴を解析してこれらの特
徴にそれぞれ対応する擬陽性異常候補を識別して除外し、 前記第１の差分画像と第２の差分画像からそれぞれ導出され、前記擬陽性異常
候補を除外した後に残っている前記異常候補の論理ＯＲ演算を実行し、 前記論理ＯＲ演算の実行結果を示す信号を出力することを 具備するコンピュータによる肺異常の検出方法。 - 【請求項２】 前記出力するステップは、 前記標準ディジタル胸部画像と前記軟組織ディジタル胸部画像のそれぞれに対
応した標準胸部画像と軟組織胸部画像の１つを表示し、 異常候補の位置を示すことを具備する請求項１に記載の方法。 - 【請求項３】 前記異常候補を解析するステップは、 抽出された複数の前記特徴に適応ルールベース解析を適用することを具備する
請求項１に記載の方法。 - 【請求項４】 前記異常候補を解析するステップは、 前記標準ディジタル胸部画像と前記第１の差分画像から抽出された特徴に固有
の適応ルールベース解析を適用して前記第１の差分画像において識別された擬陽
性異常候補を識別して除外し、 前記軟組織ディジタル胸部画像と前記第２の差分画像から抽出された特徴に固
有の適応ルールベース解析を適用して前記第２の差分画像において識別された擬
陽性異常候補を識別して除外することを具備する請求項１に記載の方法。 - 【請求項５】 前記異常候補を解析するステップは、 前記標準ディジタル胸部画像と前記第１の差分画像から導出された各異常候補
に対して、前記各異常候補から抽出された複数の特徴を学習済みの人工神経回路
網に印加し、該学習済みの人工神経回路網の出力に基づいて擬陽性異常候補を除
外するステップと、 前記軟組織ディジタル胸部画像と前記第２の差分画像から導出された各異常候
補に対して、該各異常候補から抽出された複数の特徴を学習済みの人工神経回路
網に印加し、該学習済みの人工神経回路網の出力に基づいて擬陽性異常候補を除
外するステップの少なくとも１つを実行する請求項１に記載の方法。 - 【請求項６】 前記異常候補を解析するステップは、 前記標準ディジタル胸部画像と前記第１の差分画像から導出された各異常候補
に対して、該各異常候補から抽出された複数の特徴を学習済みの人工神経回路網
に印加し、該学習済みの人工神経回路網の出力に基づいて擬陽性異常候補を除外
するステップと、 前記軟組織ディジタル胸部画像と前記第２の差分画像から導出された各異常候
補に対して、該各異常候補から抽出された複数の特徴を学習済みの人工神経回路
網に印加し、該学習済みの人工神経回路網の出力に基づいて擬陽性異常候補を除
外するステップの少なくとも１つを実行する請求項３に記載の方法。 - 【請求項７】 前記異常候補を解析するステップは、 前記標準ディジタル胸部画像と前記第１の差分画像から導出された各異常候補
に対して、該各異常候補から抽出された複数の特徴を学習済みの人工神経回路網
に印加し、該学習済みの人工神経回路網の出力に基づいて擬陽性異常候補を除外
するステップと、 前記軟組織ディジタル胸部画像と前記第２の差分画像から導出された各異常候
補に対して、該各異常候補から抽出された複数の特徴を学習済みの人工神経回路
網に印加し、該学習済みの人工神経回路網の出力に基づいて擬陽性異常候補を除
外するステップの少なくとも１つを実行する請求項４に記載の方法。 - 【請求項８】 標準ディジタル胸部画像と軟組織ディジタル胸部画像を得る
ステップと、 前記標準ディジタル胸部画像から第１の差分画像を生成し、前記軟組織ディジ
タル胸部画像から第２の差分画像を生成するステップと、 前記第１の差分画像と第２の差分画像における異常候補を識別するステップと
、 前記標準ディジタル胸部画像と前記第１の差分画像から、該第１の差分画像に
おいて識別された前記異常候補のそれぞれについて予め定められた第１の特徴を
抽出するステップと、 前記軟組織ディジタル胸部画像と前記第２の差分画像から、該第２の差分画像
において識別された前記異常候補のそれぞれについて予め定められた第２の特徴
を抽出するステップと、 抽出された前記第１の特徴と抽出された前記第２の特徴を解析して、これらの
特徴にそれぞれ対応した擬陽性異常候補を識別して除外するステップと、 前記第１の差分画像と第２の差分画像からそれぞれ導出され、前記擬陽性異常
候補を除外した後に残っている異常候補の論理ＯＲ演算を実行するステップと、 前記論理ＯＲ演算の実行結果を示す信号を出力するステップとを具備し、 標準ディジタル胸部画像と軟組織ディジタル胸部画像における肺の異常をコン
ピュータにより検出するためのコンピュータ命令を記憶するコンピュータ読取り
可能な媒体。 - 【請求項９】 前記標準ディジタル胸部画像と前記軟組織ディジタル胸部画
像のそれぞれに対応した標準胸部画像と軟組織胸部画像の１つを表示し、前記論
理ＯＲ演算から導出された前記異常候補の位置をそこに示す出力ステップをコン
ピュータに実行させるためのコンピュータ命令をさらに記憶する請求項８に記載
のコンピュータ読取り可能な媒体。 - 【請求項１０】 前記解析のステップを実行するために記憶されたコンピュ
ータ命令が、複数の前記抽出された特徴に適応ルールベース解析を適用すること
を具備する、請求項８に記載のコンピュータ読取り可能な媒体。 - 【請求項１１】 前記解析のステップを実行するために記憶されたコンピュ
ータ命令が、 前記標準ディジタル胸部画像と前記第１の差分画像から抽出された特徴に固有
の適応ルールベース解析を適用して、前記第１の差分画像において識別された擬
陽性異常候補を識別して除外し、 前記軟組織ディジタル胸部画像と前記第２の差分画像から抽出された特徴に固
有の適応ルールベース解析を適用して、前記第２の差分画像において識別された
擬陽性異常候補を識別して排除する請求項８に記載のコンピュータ読取り可能な
媒体。 - 【請求項１２】 前記解析のステップを実行するために記憶されたコンピュ
ータ命令が、 前記標準ディジタル胸部画像と前記第１の差分画像から導出された各異常候補
に対して、該各異常候補から抽出された複数の特徴を学習済みの人工神経回路網
に印加し、該学習済みの人工神経回路網の出力に基づいて擬陽性異常候補を除外
するステップと、 前記軟組織ディジタル胸部画像と前記第２の差分画像から導出された各異常候
補に対して、該各異常候補から抽出された複数の特徴を学習済みの人工神経回路
網に印加し、該学習済みの人工神経回路網の出力に基づいて擬陽性異常候補を除
外するステップの少なくとも１つを実行するための命令を記憶している請求項８
に記載のコンピュータ読取り可能な媒体。 - 【請求項１３】 前記解析のステップを実行するために記憶されたコンピュ
ータ命令が、 前記標準ディジタル胸部画像と前記第１の差分画像から導出された各異常候補
に対して、該各異常候補から抽出された複数の特徴を学習済みの人工神経回路網
に印加し、該学習済みの人工神経回路網の出力に基づいて擬陽性異常候補を除外
するステップと、 前記軟組織ディジタル胸部画像と前記第２の差分画像から導出された各異常候
補に対して、該各異常候補から抽出された複数の特徴を学習済みの人工神経回路
網に印加し、該学習済みの人工神経回路網の出力に基づいて擬陽性異常候補を除
外するステップの少なくとも１つを実行するための命令を記憶している請求項１
０に記載のコンピュータ読取り可能な媒体。 - 【請求項１４】 前記解析のステップを実行するために記憶されたコンピュ
ータ命令が、 前記標準ディジタル胸部画像と前記第１の差分画像から導出された各異常候補
に対して、該各異常候補から抽出された複数の特徴を学習済みの人工神経回路網
に印加し、該学習済みの人工神経回路網の出力に基づいて擬陽性異常候補を除外
するステップと、 前記軟組織ディジタル胸部画像と前記第２の差分画像から導出された各異常候
補に対して、該各異常候補から抽出された複数の特徴を学習済みの人工神経回路
網に印加し、該学習済みの人工神経回路網の出力に基づいて擬陽性異常候補を除
外するステップの少なくとも１つを実行するための命令を記憶している請求項１
１に記載のコンピュータ読取り可能な媒体。 - 【請求項１５】 肺の異常をコンピュータにより検出するシステムであって
、 標準ディジタル胸部画像と軟組織ディジタル胸部画像とを得るために形成され
た機構と、 前記標準ディジタル胸部画像から第１の差分画像を生成し、前記軟組織ディジ
タル胸部画像から第２の差分画像を生成するために形成された機構と、 前記第１の差分画像と第２の差分画像において、異常候補を識別するために形
成された機構と、 前記標準ディジタル胸部画像と前記第１の差分画像から、該第１の差分画像に
おいて識別された前記異常候補のそれぞれについて予め定められた第１の特徴を
抽出するために形成された機構と、 前記軟組織ディジタル胸部画像と前記第２の差分画像から、該第２の差分画像
において識別された前記異常候補のそれぞれについて予め定められた第２の特徴
を抽出するために形成された機構と、 抽出された前記第１に特徴と抽出された前記第２の特徴を解析して、これらに
それぞれ対応した擬陽性異常候補を識別して除外するために形成された機構と、 前記第１の差分画像と第２の差分画像からそれぞれ導出され、前記擬陽性異常
候補を除外した後に残っている異常候補の論理ＯＲ演算を実行するために形成さ
れた機構と、 前記論理ＯＲ演算の実行結果を示す信号を出力するために形成された機構とを
具備するシステム。 - 【請求項１６】 前記出力の機構が、標準画像と軟組織画像の少なくとも１
つを表示するように形成され、 前記第１の差分画像から導出され、前記擬陽性異常候補を除外した後に残って
いる異常候補と、 前記第２の差分画像から導出され、前記擬陽性異常候補を除外した後に残って
いる異常候補と、 前記論理ＯＲ演算から導出された異常候補の少なくとも１つの位置を表示する
請求項１５に記載のシステム。 - 【請求項１７】 前記解析の機構が、適応ルールベース解析を複数の抽出さ
れた前記特徴に適用して前記異常候補を解析するために形成された請求項１５に
記載のシステム。 - 【請求項１８】 前記解析の機構が、 前記標準ディジタル胸部画像と前記第１の差分画像から抽出された特徴に固有
の適応ルールベース解析を適用して前記第１の差分画像において識別された異常
候補を解析し、前記第１の差分画像において識別された擬陽性異常画像を識別し
て除外するために形成された機構と、 前記軟組織ディジタル胸部画像と前記第２の差分画像から抽出された特徴に固
有の適応ルールベース解析を適用して前記第２の差分画像において識別された異
常候補を解析し、前記第２の差分画像において識別された擬陽性異常画像を識別
して除外するために形成された機構とを具備する請求項１５に記載のシステム。 - 【請求項１９】 前記解析の機構が、 前記標準ディジタル胸部画像と前記第１の差分画像から導出された各異常候補
に対して、該各異常候補から抽出された複数の特徴を学習済みの人工神経回路網
に適用して、該学習済みの人工神経回路網の出力に基づいて擬陽性異常候補を除
外するために形成された機構と、 前記軟組織ディジタル胸部画像と前記第２の差分画像から導出された各異常候
補に対して、該各異常候補から抽出された複数の特徴を学習済みの人工神経回路
網に適用して、該学習済みの人工神経回路網の出力に基づいて擬陽性異常候補を
除外するために形成された機構とを具備する請求項１５に記載のシステム。 - 【請求項２０】 前記解析の機構が、 前記標準ディジタル胸部画像と前記第１の差分画像から導出された各異常候補
に対して、該各異常候補から抽出された複数の特徴を学習済みの人工神経回路網
に適用して、該学習済みの人工神経回路網の出力に基づいて擬陽性異常候補を除
外するために形成された機構と、 前記軟組織ディジタル胸部画像と前記第２の差分画像から導出された各異常候
補に対して、該各異常候補から抽出された複数の特徴を学習済みの人工神経回路
網に適用して、該学習済みの人工神経回路網の出力に基づいて擬陽性異常候補を
除外するために形成された機構とを具備する請求項１７に記載のシステム。 - 【請求項２１】 前記解析の機構が、 前記標準ディジタル胸部画像と前記第１の差分画像から導出された各異常候補
に対して、該各異常候補から抽出された複数の特徴を学習済みの人工神経回路網
に適用して、該学習済みの人工神経回路網の出力に基づいて擬陽性異常候補を除
外するために形成された機構と、 前記軟組織ディジタル胸部画像と前記第２の差分画像から導出された各異常候
補に対して、該各異常候補から抽出された複数の特徴を学習済みの人工神経回路
網に適用して、該学習済みの人工神経回路網の出力に基づいて擬陽性異常候補を
除外するために形成された機構とを具備する請求項１８に記載のシステム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US09/121,719 | 1998-07-24 | ||
| US09/121,719 US6240201B1 (en) | 1998-07-24 | 1998-07-24 | Computerized detection of lung nodules using energy-subtracted soft-tissue and standard chest images |
| PCT/US1999/014159 WO2000005678A1 (en) | 1998-07-24 | 1999-07-21 | Computerized detection of lung nodules using energy-subtracted soft-tissue and standard chest images |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2002521896A true JP2002521896A (ja) | 2002-07-16 |
Family
ID=22398396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000561584A Pending JP2002521896A (ja) | 1998-07-24 | 1999-07-21 | 軟組織胸部画像と標準胸部画像を利用したエネルギ差分法によるコンピュータ化肺小結節検出 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US6240201B1 (ja) |
| EP (1) | EP1025535A4 (ja) |
| JP (1) | JP2002521896A (ja) |
| AU (1) | AU4959599A (ja) |
| WO (1) | WO2000005678A1 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024042890A1 (ja) * | 2022-08-26 | 2024-02-29 | 富士フイルム株式会社 | 情報処理装置、情報処理方法、及びプログラム |
| WO2024048169A1 (ja) * | 2022-09-02 | 2024-03-07 | 富士フイルム株式会社 | 情報処理装置、情報処理方法、及びプログラム |
| WO2024048168A1 (ja) * | 2022-09-02 | 2024-03-07 | 富士フイルム株式会社 | 情報処理装置、情報処理方法、及びプログラム |
Families Citing this family (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW514513B (en) * | 1996-02-06 | 2002-12-21 | Deus Technologies Inc | Method for the detection of lung nodule in radiological images using digital image processing and artificial neural network |
| US7327866B2 (en) * | 2001-04-09 | 2008-02-05 | Bae Kyongtae T | Method and apparatus for compressing computed tomography raw projection data |
| SE0101421D0 (sv) * | 2001-04-24 | 2001-04-24 | Siemens Elema Ab | Apparatus for and method of generating an enhanced contrast information digital image |
| US7043064B2 (en) * | 2001-05-04 | 2006-05-09 | The Board Of Trustees Of The Leland Stanford Junior University | Method for characterizing shapes in medical images |
| US7130457B2 (en) * | 2001-07-17 | 2006-10-31 | Accuimage Diagnostics Corp. | Systems and graphical user interface for analyzing body images |
| US20030028401A1 (en) * | 2001-07-17 | 2003-02-06 | Leon Kaufman | Customizable lung report generator |
| US6901277B2 (en) * | 2001-07-17 | 2005-05-31 | Accuimage Diagnostics Corp. | Methods for generating a lung report |
| US6795521B2 (en) * | 2001-08-17 | 2004-09-21 | Deus Technologies Llc | Computer-aided diagnosis system for thoracic computer tomography images |
| US7397937B2 (en) * | 2001-11-23 | 2008-07-08 | R2 Technology, Inc. | Region growing in anatomical images |
| US20030105395A1 (en) * | 2001-12-05 | 2003-06-05 | Li Fan | Vessel-feeding pulmonary nodule candidate generation |
| US7295691B2 (en) | 2002-05-15 | 2007-11-13 | Ge Medical Systems Global Technology Company, Llc | Computer aided diagnosis of an image set |
| US7263214B2 (en) * | 2002-05-15 | 2007-08-28 | Ge Medical Systems Global Technology Company Llc | Computer aided diagnosis from multiple energy images |
| US7260249B2 (en) * | 2002-09-27 | 2007-08-21 | Confirma Incorporated | Rules-based approach for processing medical images |
| US7403646B2 (en) * | 2002-10-24 | 2008-07-22 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, program, and recording medium for generating a difference image from a first radiographic image and second radiographic image |
| JP4253497B2 (ja) * | 2002-12-03 | 2009-04-15 | 株式会社東芝 | コンピュータ支援診断装置 |
| US7949169B2 (en) * | 2002-12-04 | 2011-05-24 | Bae Kyongtae T | Method and apparatus for automated detection of target structures from medical images using a 3D morphological matching algorithm |
| US20050036691A1 (en) * | 2003-08-13 | 2005-02-17 | Pascal Cathier | Method and system for using structure tensors to detect lung nodules and colon polyps |
| US7397938B2 (en) * | 2003-08-13 | 2008-07-08 | Siemens Medical Solutions Usa, Inc. | Method and system for fast normalized cross-correlation between an image and a Gaussian for detecting spherical structures |
| US8265728B2 (en) * | 2003-11-26 | 2012-09-11 | University Of Chicago | Automated method and system for the evaluation of disease and registration accuracy in the subtraction of temporally sequential medical images |
| WO2006093523A2 (en) * | 2004-07-15 | 2006-09-08 | Kenji Suzuki | Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose ct |
| US7623692B2 (en) * | 2005-07-22 | 2009-11-24 | Carestream Health, Inc. | Pulmonary nodule detection in a chest radiograph |
| US20070086639A1 (en) * | 2005-10-13 | 2007-04-19 | Fujifilm Corporation | Apparatus, method, and program for image processing |
| US7657000B2 (en) * | 2006-11-27 | 2010-02-02 | Cmt Medical Technologies Ltd. | Method and apparatus for dual energy radiography |
| US8073526B2 (en) * | 2007-02-16 | 2011-12-06 | Sunnybrook Health Sciences Centre | Method and system for computerized drawing and writing during functional magnetic resonance imaging |
| US8675933B2 (en) | 2010-04-30 | 2014-03-18 | Vucomp, Inc. | Breast segmentation in radiographic images |
| EP2564355A1 (en) | 2010-04-30 | 2013-03-06 | Vucomp, Inc. | Malignant mass detection and classification in radiographic images |
| US9256799B2 (en) | 2010-07-07 | 2016-02-09 | Vucomp, Inc. | Marking system for computer-aided detection of breast abnormalities |
| KR101805624B1 (ko) * | 2011-08-29 | 2017-12-08 | 삼성전자주식회사 | 장기 모델 영상 생성 방법 및 장치 |
| KR101909125B1 (ko) * | 2011-11-23 | 2018-10-18 | 삼성전자주식회사 | 컴퓨터 기반 진단 방법 및 그에 따른 컴퓨터 기반 진단 장치 |
| CN106023200B (zh) * | 2016-05-19 | 2019-06-28 | 四川大学 | 一种基于泊松模型的x光胸片图像肋骨抑制方法 |
| KR102325343B1 (ko) * | 2016-10-31 | 2021-11-11 | 삼성전자주식회사 | 의료 영상 장치 및 의료 영상 처리 방법 |
| US10521911B2 (en) | 2017-12-05 | 2019-12-31 | Siemens Healtchare GmbH | Identification of defects in imaging scans |
| US11049606B2 (en) | 2018-04-25 | 2021-06-29 | Sota Precision Optics, Inc. | Dental imaging system utilizing artificial intelligence |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5072384A (en) | 1988-11-23 | 1991-12-10 | Arch Development Corp. | Method and system for automated computerized analysis of sizes of hearts and lungs in digital chest radiographs |
| US5850465A (en) * | 1989-06-26 | 1998-12-15 | Fuji Photo Film Co., Ltd. | Abnormnal pattern detecting or judging apparatus, circular pattern judging apparatus, and image finding apparatus |
| US5123054A (en) * | 1989-10-19 | 1992-06-16 | Fuji Photo Film Co., Ltd. | Abnormal pattern detecting apparatus |
| JP2574181B2 (ja) * | 1989-10-19 | 1997-01-22 | 富士写真フイルム株式会社 | 異常陰影検出装置 |
| US5273040A (en) | 1991-11-14 | 1993-12-28 | Picker International, Inc. | Measurement of vetricle volumes with cardiac MRI |
| US5289374A (en) * | 1992-02-28 | 1994-02-22 | Arch Development Corporation | Method and system for analysis of false positives produced by an automated scheme for the detection of lung nodules in digital chest radiographs |
| US5311131A (en) | 1992-05-15 | 1994-05-10 | Board Of Regents Of The University Of Washington | Magnetic resonance imaging using pattern recognition |
| US5359513A (en) | 1992-11-25 | 1994-10-25 | Arch Development Corporation | Method and system for detection of interval change in temporally sequential chest images |
| EP0602730B1 (en) * | 1992-12-18 | 2002-06-19 | Koninklijke Philips Electronics N.V. | Registration of Volumetric images which are relatively elastically deformed by matching surfaces |
| JP3002937B2 (ja) | 1993-09-13 | 2000-01-24 | 富士写真フイルム株式会社 | エネルギーサブトラクション画像処理方法 |
| US5881124A (en) * | 1994-03-31 | 1999-03-09 | Arch Development Corporation | Automated method and system for the detection of lesions in medical computed tomographic scans |
| JPH07299053A (ja) * | 1994-04-29 | 1995-11-14 | Arch Dev Corp | コンピュータ診断支援方法 |
| US5734739A (en) | 1994-05-31 | 1998-03-31 | University Of Washington | Method for determining the contour of an in vivo organ using multiple image frames of the organ |
| US5657362A (en) | 1995-02-24 | 1997-08-12 | Arch Development Corporation | Automated method and system for computerized detection of masses and parenchymal distortions in medical images |
| US5647360A (en) | 1995-06-30 | 1997-07-15 | Siemens Corporate Research, Inc. | Digital subtraction angiography for 3D diagnostic imaging |
| US5638823A (en) | 1995-08-28 | 1997-06-17 | Rutgers University | System and method for noninvasive detection of arterial stenosis |
-
1998
- 1998-07-24 US US09/121,719 patent/US6240201B1/en not_active Expired - Fee Related
-
1999
- 1999-07-21 EP EP99933560A patent/EP1025535A4/en not_active Withdrawn
- 1999-07-21 WO PCT/US1999/014159 patent/WO2000005678A1/en active Application Filing
- 1999-07-21 AU AU49595/99A patent/AU4959599A/en not_active Abandoned
- 1999-07-21 JP JP2000561584A patent/JP2002521896A/ja active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024042890A1 (ja) * | 2022-08-26 | 2024-02-29 | 富士フイルム株式会社 | 情報処理装置、情報処理方法、及びプログラム |
| WO2024048169A1 (ja) * | 2022-09-02 | 2024-03-07 | 富士フイルム株式会社 | 情報処理装置、情報処理方法、及びプログラム |
| WO2024048168A1 (ja) * | 2022-09-02 | 2024-03-07 | 富士フイルム株式会社 | 情報処理装置、情報処理方法、及びプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| US6240201B1 (en) | 2001-05-29 |
| EP1025535A4 (en) | 2002-02-13 |
| EP1025535A1 (en) | 2000-08-09 |
| AU4959599A (en) | 2000-02-14 |
| WO2000005678A1 (en) | 2000-02-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2002521896A (ja) | 軟組織胸部画像と標準胸部画像を利用したエネルギ差分法によるコンピュータ化肺小結節検出 | |
| JP4354737B2 (ja) | 多重エネルギ画像による計算機支援診断 | |
| Giger et al. | Computer-aided diagnosis | |
| Giger et al. | Anniversary paper: history and status of CAD and quantitative image analysis: the role of medical physics and AAPM | |
| Katsuragawa et al. | Computer-aided diagnosis in chest radiography | |
| US7236619B2 (en) | System and method for computer-aided detection and characterization of diffuse lung disease | |
| Giger et al. | Image processing and computer-aided diagnosis | |
| JP2007528746A (ja) | Ｃａｄ（コンピュータ援用決定）プロセスを日常的なｃａｄシステム利用から得られた知識に適合させるために機械学習を利用する医用画像診断用のｃａｄ支援 | |
| WO2017150497A1 (ja) | 肺野病変の診断支援装置、該装置の制御方法及びプログラム | |
| JP5676269B2 (ja) | 脳画像データの画像解析 | |
| JP6865678B2 (ja) | 縦断的特徴に基づく関心組織の健康状態の分類 | |
| JPH09185714A (ja) | コンピュータ支援診断方法 | |
| JP2001511372A (ja) | 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 | |
| JP2018117883A (ja) | 学習装置、識別装置、識別方法、及びプログラム | |
| JP6945474B2 (ja) | 学習用データ作成支援装置、学習用データ作成支援方法、および学習用データ作成支援プログラム | |
| JP5952996B2 (ja) | 医用撮像データ内で可能性あるコンピュータ検出偽陽性を指し示す装置及び方法 | |
| Rueckel et al. | Reduction of missed thoracic findings in emergency whole-body computed tomography using artificial intelligence assistance | |
| JP2019536531A (ja) | Ｘ線画像内の不透明度を検出する装置 | |
| Parascandolo et al. | Computer aided diagnosis: state-of-the-art and application to musculoskeletal diseases | |
| JP6275157B2 (ja) | 画像データに基づく組織表面ラフネスの定量化、及びそれに基づく疾患の存在の決定 | |
| Suzuki | Pixel-based machine learning in computer-aided diagnosis of lung and colon cancer | |
| AU2021103578A4 (en) | A Novel Method COVID -19 infection using Deep Learning Based System | |
| ÖZİÇ et al. | Fully Automated Detection of Osteoporosis Stage on Panoramic Radiographs Using YOLOv5 Deep Learning Model and Designing a Graphical User Interface | |
| Fujita et al. | State-of-the-art of computer-aided detection/diagnosis (CAD) | |
| Park et al. | Separation of left and right lungs using 3D information of sequential CT images and a guided dynamic programming algorithm |