JP2003532934A - クラスタ化された微小カルシウム沈着をディジタル乳房ｘ線像から自動検出するための方法およびシステム - Google Patents
クラスタ化された微小カルシウム沈着をディジタル乳房ｘ線像から自動検出するための方法およびシステムInfo
- Publication number
- JP2003532934A JP2003532934A JP2000507284A JP2000507284A JP2003532934A JP 2003532934 A JP2003532934 A JP 2003532934A JP 2000507284 A JP2000507284 A JP 2000507284A JP 2000507284 A JP2000507284 A JP 2000507284A JP 2003532934 A JP2003532934 A JP 2003532934A
- Authority
- JP
- Japan
- Prior art keywords
- microcalcifications
- image
- digital
- mammogram
- clustered
- 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.)
- Withdrawn
Links
- 208000004434 Calcinosis Diseases 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 113
- 238000001514 detection method Methods 0.000 title claims description 86
- 210000000481 breast Anatomy 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 238000005457 optimization Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 238000009607 mammography Methods 0.000 claims description 13
- 230000002068 genetic effect Effects 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 6
- 230000003628 erosive effect Effects 0.000 claims description 6
- 230000003416 augmentation Effects 0.000 claims description 5
- 238000012886 linear function Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims 2
- 230000001747 exhibiting effect Effects 0.000 claims 2
- 238000012935 Averaging Methods 0.000 claims 1
- 230000004931 aggregating effect Effects 0.000 claims 1
- 230000003068 static effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 38
- 210000000038 chest Anatomy 0.000 description 24
- 206010028980 Neoplasm Diseases 0.000 description 13
- 238000012360 testing method Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 11
- 201000011510 cancer Diseases 0.000 description 11
- 206010006187 Breast cancer Diseases 0.000 description 9
- 208000026310 Breast neoplasm Diseases 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000001574 biopsy Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 238000010626 work up procedure Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 208000019300 CLIPPERS Diseases 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 241000579895 Chlorostilbon Species 0.000 description 1
- 241000218691 Cupressaceae Species 0.000 description 1
- 101100259947 Homo sapiens TBATA gene Proteins 0.000 description 1
- 241000124033 Salix Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 208000021930 chronic lymphocytic inflammation with pontine perivascular enhancement responsive to steroids Diseases 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 239000000839 emulsion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010993 response surface methodology Methods 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000000239 visual pathway Anatomy 0.000 description 1
- 230000004400 visual pathway Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C49/00—Blow-moulding, i.e. blowing a preform or parison to a desired shape within a mould; Apparatus therefor
- B29C49/0015—Making articles of indefinite length, e.g. corrugated tubes
- B29C49/0021—Making articles of indefinite length, e.g. corrugated tubes using moulds or mould parts movable in a closed path, e.g. mounted on movable endless supports
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/50—Clinical applications
- A61B6/502—Clinical applications involving diagnosis of breast, i.e. mammography
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16L—PIPES; JOINTS OR FITTINGS FOR PIPES; SUPPORTS FOR PIPES, CABLES OR PROTECTIVE TUBING; MEANS FOR THERMAL INSULATION IN GENERAL
- F16L11/00—Hoses, i.e. flexible pipes
- F16L11/04—Hoses, i.e. flexible pipes made of rubber or flexible plastics
- F16L11/11—Hoses, i.e. flexible pipes made of rubber or flexible plastics with corrugated wall
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2791/00—Shaping characteristics in general
- B29C2791/004—Shaping under special conditions
- B29C2791/006—Using vacuum
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2791/00—Shaping characteristics in general
- B29C2791/004—Shaping under special conditions
- B29C2791/007—Using fluid under pressure
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29L—INDEXING SCHEME ASSOCIATED WITH SUBCLASS B29C, RELATING TO PARTICULAR ARTICLES
- B29L2023/00—Tubular articles
- B29L2023/18—Pleated or corrugated hoses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- High Energy & Nuclear Physics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Optics & Photonics (AREA)
- Biophysics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
(57)【要約】
本発明による、クラスタ化された微小カルシウム沈着をディジタル乳房Ｘ線像から自動検出するための方法は、ディジタル乳房Ｘ線像を得る段階と、前記ディジタル乳房Ｘ線像を切り取るための第１パラメータを最適化する段階と、前記ディジタル乳房Ｘ線像における胸部組織の切り取られたイメージ標本を生成するために、前記最適化された第１パラメータに基づいて前記ディジタル乳房Ｘ線像を切り取る段階と、前記切り取られたイメージにおけるクラスタ化された微小カルシウム沈着を検出するための第２パラメータを最適化する段階と、前記最適化された第２パラメータに基づいて、前記切り取られたイメージにおけるクラスタ化された微小カルシウム沈着を検出する段階と、前記ディジタル乳房Ｘ線像における前記検出されたクラスタ化された微小カルシウム沈着の位置を示す段階とを具備する。
Description
【０００１】
本発明は、放射線科医の感知能力（sensitivity）を低下させずに、クラスタ
化された（clustered）微小カルシウム沈着（microcalcification）をディジタ
ルイメージから自動検出するための方法およびシステムに関する。
化された（clustered）微小カルシウム沈着（microcalcification）をディジタ
ルイメージから自動検出するための方法およびシステムに関する。
【０００２】
乳房撮影（mammography）は、物理的試験とともに、乳ガンのスクリーニング
（screening）のための現在の選択手順である。乳房撮影のスクリーニングは、
乳ガン死亡率における約３０〜３５％の低下の責任を担ってきた。しかしながら
、１９９６年には、約１８５，７００件の新たな乳ガンの症例が診断され、かつ
、４４，３００人の女性がこの病気により死亡している。女性は、約８人に１人
が、乳ガンと診断される機会を有し、かつ、一生涯のうち３０人に１人がこの病
気により死亡している。
（screening）のための現在の選択手順である。乳房撮影のスクリーニングは、
乳ガン死亡率における約３０〜３５％の低下の責任を担ってきた。しかしながら
、１９９６年には、約１８５，７００件の新たな乳ガンの症例が診断され、かつ
、４４，３００人の女性がこの病気により死亡している。女性は、約８人に１人
が、乳ガンと診断される機会を有し、かつ、一生涯のうち３０人に１人がこの病
気により死亡している。
【０００３】
乳房撮影は十分に研究されかつ標準化された方法論であるが、乳ガンと診断さ
れた女性のうち１０〜３０％に関しては、これらの乳房Ｘ線像（mammograms）は
、否定的なものとして解釈されていた。さらに、乳房撮影での発見に基づくバイ
オプシに関して調べられた患者のうちの１０〜２０％のみが、ガンであることが
判明している。さらに、概算によれば、過去において、放射線科医が見過ごした
悪性度（malignancies）が乳房Ｘ線像の２／３において明白であることが示され
ている。見過ごされた検出については、粗悪な画像品質、不適切な患者の姿勢（
positioning）、不正確な解釈、繊維腺（fibroglandular）組織の不明瞭さ、Ｘ
線撮影での発見に関する微妙な性質、目の疲労、または見落としを含む幾つかの
要因に起因し得る。
れた女性のうち１０〜３０％に関しては、これらの乳房Ｘ線像（mammograms）は
、否定的なものとして解釈されていた。さらに、乳房撮影での発見に基づくバイ
オプシに関して調べられた患者のうちの１０〜２０％のみが、ガンであることが
判明している。さらに、概算によれば、過去において、放射線科医が見過ごした
悪性度（malignancies）が乳房Ｘ線像の２／３において明白であることが示され
ている。見過ごされた検出については、粗悪な画像品質、不適切な患者の姿勢（
positioning）、不正確な解釈、繊維腺（fibroglandular）組織の不明瞭さ、Ｘ
線撮影での発見に関する微妙な性質、目の疲労、または見落としを含む幾つかの
要因に起因し得る。
【０００４】
感度を増大させるために、二度読み取りが提案されてきた。しかしながら、乳
房Ｘ線像のスクリーニング数がますます増加することにより、この選択肢は好ま
しくなくなっている。あるいはまた、コンピュータ利用診断（computer-aided d
iagnosis：ＣＡＤまたはＣＡＤｘ）システムは、病変の検出および診断において
、放射線科医を補助するための“第２の読取装置”として作用することができる
。幾人かの研究者は、ディジタルコンピュータを用いて、乳房撮影での異常を分
析しようとしてきた。しかしながら、既知の研究は、真の正検出（true-positiv
e detection）対偽の正検出（false-positive detection）に関する（好ましく
なく低い）割合を達成したと信じられている。
房Ｘ線像のスクリーニング数がますます増加することにより、この選択肢は好ま
しくなくなっている。あるいはまた、コンピュータ利用診断（computer-aided d
iagnosis：ＣＡＤまたはＣＡＤｘ）システムは、病変の検出および診断において
、放射線科医を補助するための“第２の読取装置”として作用することができる
。幾人かの研究者は、ディジタルコンピュータを用いて、乳房撮影での異常を分
析しようとしてきた。しかしながら、既知の研究は、真の正検出（true-positiv
e detection）対偽の正検出（false-positive detection）に関する（好ましく
なく低い）割合を達成したと信じられている。
【０００５】
微小カルシウム沈着は、自動検出のために理想的なターゲットを表示する。そ
の理由は、希薄な微小カルシウム沈着が、しばしば、早期の治癒可能な乳ガンに
おける最初の、時には唯一のＸ線撮影での発見であり、さらに、疑わしいクラス
タにおける個々の微小カルシウム沈着が、Ｘ線撮影上の外観に関してかなり制限
された範囲を有しているためである。Ｘ線撮影で検出された乳ガンのうち３０〜
５０％が、乳房Ｘ線像上において微小カルシウム沈着を立証しており、かつ、乳
ガンのうち６０〜８０％が、顕微鏡での試験における微小カルシウム沈着を示し
ている。乳房撮影による微小カルシウム沈着の検出率の増加は、どの程度であっ
ても、早期乳ガン検出の効力におけるさらなる向上に通じる。
の理由は、希薄な微小カルシウム沈着が、しばしば、早期の治癒可能な乳ガンに
おける最初の、時には唯一のＸ線撮影での発見であり、さらに、疑わしいクラス
タにおける個々の微小カルシウム沈着が、Ｘ線撮影上の外観に関してかなり制限
された範囲を有しているためである。Ｘ線撮影で検出された乳ガンのうち３０〜
５０％が、乳房Ｘ線像上において微小カルシウム沈着を立証しており、かつ、乳
ガンのうち６０〜８０％が、顕微鏡での試験における微小カルシウム沈着を示し
ている。乳房撮影による微小カルシウム沈着の検出率の増加は、どの程度であっ
ても、早期乳ガン検出の効力におけるさらなる向上に通じる。
【０００６】
ＣＡＤシステムの有望さは、内科医がガンを診断する能力を増大させるもので
あるが、問題は、全てのＣＡＤシステムが、人間の解釈によれば見つけることが
できる幾つかの当該領域を検出し損なうということである。しかしながら、人間
による解釈もまた、後でガンの兆候であることが示される当該領域を見過ごす。
ガンと関連している領域を見過ごすことは、偽の負エラー（false negative err
or）と称され、その一方で、正常領域をガンと関連づけることは、偽の正エラー
（false positive error）と称される。
あるが、問題は、全てのＣＡＤシステムが、人間の解釈によれば見つけることが
できる幾つかの当該領域を検出し損なうということである。しかしながら、人間
による解釈もまた、後でガンの兆候であることが示される当該領域を見過ごす。
ガンと関連している領域を見過ごすことは、偽の負エラー（false negative err
or）と称され、その一方で、正常領域をガンと関連づけることは、偽の正エラー
（false positive error）と称される。
【０００７】
現役の放射線科医により、ＣＡＤシステムの結果がどのように乳房撮影像の分
析に統合されるべきなのかについては、まだ明確ではない。既存のＣＡＤシステ
ムは、平均的な放射線科医により検出された全ての疑わしい領域を見つけるよう
に要求することができず、かつ、彼らは、容認できない程度の高い偽の正エラー
率を有する傾向がある。しかしながら、ＣＡＤシステムは、放射線科医により見
過ごされた幾つかの疑わしい領域を見つけることが可能である。
析に統合されるべきなのかについては、まだ明確ではない。既存のＣＡＤシステ
ムは、平均的な放射線科医により検出された全ての疑わしい領域を見つけるよう
に要求することができず、かつ、彼らは、容認できない程度の高い偽の正エラー
率を有する傾向がある。しかしながら、ＣＡＤシステムは、放射線科医により見
過ごされた幾つかの疑わしい領域を見つけることが可能である。
【０００８】
したがって、本発明の目的は、クラスタ化された微小カルシウム沈着をディジ
タル乳房Ｘ線像から自動検出するための方法およびシステムを提供することであ
る。
タル乳房Ｘ線像から自動検出するための方法およびシステムを提供することであ
る。
【０００９】
これらのおよび他の目的は、本発明によれば、クラスタ化された微小カルシウ
ム沈着をディジタル乳房Ｘ線像から自動検出するための新たな方法およびシステ
ムを提供することにより達成され、ここで、ディジタル乳房Ｘ線像が得られ、該
ディジタル乳房Ｘ線像イメージを切り取る（cropping）ために必要なパラメータ
が最適化され、前記ディジタル乳房Ｘ線像が、さらなる分析用に胸部組織を選択
するために最適化された前記切り取りパラメータに基づいて切り取られ、クラス
タ化された微小カルシウム沈着を検出するために必要なパラメータが最適化され
、かつ、切り取られたディジタル乳房Ｘ線像におけるクラスタ化された微小カル
シウム沈着が、最適化された前記クラスタ化された微小カルシウム沈着検出パラ
メータに基づいて検出される。
ム沈着をディジタル乳房Ｘ線像から自動検出するための新たな方法およびシステ
ムを提供することにより達成され、ここで、ディジタル乳房Ｘ線像が得られ、該
ディジタル乳房Ｘ線像イメージを切り取る（cropping）ために必要なパラメータ
が最適化され、前記ディジタル乳房Ｘ線像が、さらなる分析用に胸部組織を選択
するために最適化された前記切り取りパラメータに基づいて切り取られ、クラス
タ化された微小カルシウム沈着を検出するために必要なパラメータが最適化され
、かつ、切り取られたディジタル乳房Ｘ線像におけるクラスタ化された微小カル
シウム沈着が、最適化された前記クラスタ化された微小カルシウム沈着検出パラ
メータに基づいて検出される。
【００１０】
検出された前記クラスタ化された微小カルシウム沈着は、次に、検出イメージ
として記憶され、該検出イメージは表示用に処理され、かつ、コンピュータ利用
検出イメージは、放射線科医による再検討のために生成される。
として記憶され、該検出イメージは表示用に処理され、かつ、コンピュータ利用
検出イメージは、放射線科医による再検討のために生成される。
【００１１】
前記放射線科医は、最初に、元の乳房Ｘ線像を再検討し、かつ、疑わしい当該
領域のセットＳ１を報告する。ＣＡＤシステムは、より詳細には本発明のＣＡＤ
システムは、前記元の乳房Ｘ線像上で動作し、かつ、疑わしい検出または当該領
域の第２セットＳ２を報告する。前記放射線科医は、次に、前記セットＳ２を検
査し、Ｓ２の要素を受け入れるかまたは疑わしいものとして拒絶し、これにより
、疑わしい検出からなる第３のセットＳ３を形成する（Ｓ３は、セットＳ２の部
分集合である）。前記放射線科医は、次に、後続の診断による精密検査のために
、疑わしい検出からなる第４のセットＳ４を作成する（Ｓ４は、セットＳ１，Ｓ
２の和集合である）。ＣＡＤシステムの出力は、これにより、当該の真の正領域
を検出する感度全体を最適化する方法で、前記放射線科医の乳房撮影についての
分析とともに具現化される。
領域のセットＳ１を報告する。ＣＡＤシステムは、より詳細には本発明のＣＡＤ
システムは、前記元の乳房Ｘ線像上で動作し、かつ、疑わしい検出または当該領
域の第２セットＳ２を報告する。前記放射線科医は、次に、前記セットＳ２を検
査し、Ｓ２の要素を受け入れるかまたは疑わしいものとして拒絶し、これにより
、疑わしい検出からなる第３のセットＳ３を形成する（Ｓ３は、セットＳ２の部
分集合である）。前記放射線科医は、次に、後続の診断による精密検査のために
、疑わしい検出からなる第４のセットＳ４を作成する（Ｓ４は、セットＳ１，Ｓ
２の和集合である）。ＣＡＤシステムの出力は、これにより、当該の真の正領域
を検出する感度全体を最適化する方法で、前記放射線科医の乳房撮影についての
分析とともに具現化される。
【００１２】
本発明の他の目的および利点は、以下の記載および図面と、上述の請求項とに
より明確となる。
より明確となる。
【００１３】
以下、図面を参照すると、幾つかの図を通して、同様の数字は同一または対応
する部分を示しており、そのうちの図１において、より詳細には、ディジタル乳
房Ｘ線像内において微小カルシウム沈着のクラスタの位置を検出するために実行
される段階の順序を示す流れ図が示されている。
する部分を示しており、そのうちの図１において、より詳細には、ディジタル乳
房Ｘ線像内において微小カルシウム沈着のクラスタの位置を検出するために実行
される段階の順序を示す流れ図が示されている。
【００１４】
最初の段階１００において、ディジタル乳房撮影システムのようなハードウェ
アを用いて、あるいは、レーザーまたは電荷結合素子（ＣＣＤ）ディジタイザを
用いて乳房撮影フィルムをディジタル化することにより、ディジタル乳房Ｘ線像
が得られる。最適化された切り取り段階２００において、胸部組織を含む矩形分
析領域は、ディジタル乳房Ｘ線像イメージから区分され、かつ、胸部組織に対応
する２進マスクが、乳房Ｘ線像イメージを処理するために必要とされる時間を減
少させるために後に行われる処理段階において用いるために作成される。さらに
、２進マスクは、胸部組織を含むイメージ領域に検出を制限するために用いられ
る。
アを用いて、あるいは、レーザーまたは電荷結合素子（ＣＣＤ）ディジタイザを
用いて乳房撮影フィルムをディジタル化することにより、ディジタル乳房Ｘ線像
が得られる。最適化された切り取り段階２００において、胸部組織を含む矩形分
析領域は、ディジタル乳房Ｘ線像イメージから区分され、かつ、胸部組織に対応
する２進マスクが、乳房Ｘ線像イメージを処理するために必要とされる時間を減
少させるために後に行われる処理段階において用いるために作成される。さらに
、２進マスクは、胸部組織を含むイメージ領域に検出を制限するために用いられ
る。
【００１５】
クラスタ化された微小カルシウム沈着は、クラスタ化された微小カルシウム沈
着検出段階３００において検出される。切り取られたイメージに、ノイズを低減
するためのメジアンフィルタ（median filter）によって最初のフィルタリング
を行った後に、このイメージは、微小カルシウム沈着を高めるための最適化され
たガウス差分（difference of Gaussians：ＤｏＧ）フィルタを用いてフィルタ
リングされる。前記ＤｏＧフィルタリングされたイメージは、次に、潜在的な（
potential）微小カルシウム沈着を検出するための最適化された閾値試験を受け
る。検出された微小カルシウム沈着は、単一ピクセル表示に縮小され、かつ、胸
部組織の外部での検出は除外される。残りの微小カルシウム沈着は、クラスタの
形に寄せ集められる。次に、これらのクラスタの特徴が計算される。分類段階４
００において、検出されたクラスタは、疑わしいまたは疑わしくないかのいずれ
かとして分類される。
着検出段階３００において検出される。切り取られたイメージに、ノイズを低減
するためのメジアンフィルタ（median filter）によって最初のフィルタリング
を行った後に、このイメージは、微小カルシウム沈着を高めるための最適化され
たガウス差分（difference of Gaussians：ＤｏＧ）フィルタを用いてフィルタ
リングされる。前記ＤｏＧフィルタリングされたイメージは、次に、潜在的な（
potential）微小カルシウム沈着を検出するための最適化された閾値試験を受け
る。検出された微小カルシウム沈着は、単一ピクセル表示に縮小され、かつ、胸
部組織の外部での検出は除外される。残りの微小カルシウム沈着は、クラスタの
形に寄せ集められる。次に、これらのクラスタの特徴が計算される。分類段階４
００において、検出されたクラスタは、疑わしいまたは疑わしくないかのいずれ
かとして分類される。
【００１６】
自動切り取り（autocropping）段階２００と、クラスタ化された微小カルシウ
ム沈着検出段階３００と、分類段階４００とにより用いられるパラメータは、パ
ラメータ最適化段階５００において最適化される。これらのパラメータは、遺伝
的アルゴリズム（genetic algorithm：ＧＡ）を用いるパラメータ最適化手段に
より最適化され、これにより、真の正検出率を最大にし、その一方で、偽の正検
出率を最小にする。もちろん、他の最適化体系を用いてもよい。
ム沈着検出段階３００と、分類段階４００とにより用いられるパラメータは、パ
ラメータ最適化段階５００において最適化される。これらのパラメータは、遺伝
的アルゴリズム（genetic algorithm：ＧＡ）を用いるパラメータ最適化手段に
より最適化され、これにより、真の正検出率を最大にし、その一方で、偽の正検
出率を最小にする。もちろん、他の最適化体系を用いてもよい。
【００１７】
前記検出されたクラスタ化された微小カルシウム沈着は、イメージ座標のリス
トに記憶される。検出結果は、処理段階６００において、切り取り手順の結果と
して生じる座標変換を説明するために、単に、微小カルシウム沈着座標の各々に
オフセットを加えることにより処理される。検出されたクラスタ化された微小カ
ルシウム沈着は、表示段階７００において、前記クラスタ化された微小カルシウ
ム沈着の周りに描かれた矩形の手段によって、ディジタル乳房Ｘ線像上に表示さ
れる。例えば、疑わしい微小カルシウム沈着を指す矢印や、または、疑わしい微
小カルシウム沈着の周囲の楕円のような、他のインジケータを用いてもよい。
トに記憶される。検出結果は、処理段階６００において、切り取り手順の結果と
して生じる座標変換を説明するために、単に、微小カルシウム沈着座標の各々に
オフセットを加えることにより処理される。検出されたクラスタ化された微小カ
ルシウム沈着は、表示段階７００において、前記クラスタ化された微小カルシウ
ム沈着の周りに描かれた矩形の手段によって、ディジタル乳房Ｘ線像上に表示さ
れる。例えば、疑わしい微小カルシウム沈着を指す矢印や、または、疑わしい微
小カルシウム沈着の周囲の楕円のような、他のインジケータを用いてもよい。
【００１８】 乳房Ｘ線像のディジタル表示を得る
ディジタル乳房Ｘ線像を得る１つの方法は、レーザーまたは電荷結合素子（Ｃ
ＣＤ）スキャナによって放射線フィルム（radiologic films）をディジタル化す
ることを具備する。この方法において得られるディジタルイメージは、通常は、
ピクセル当たり１０〜１２ビットのグレイレベル解像度とともに、ピクセル当た
り約１００μｍのサンプル間隔を有する。本発明の一実施形態においては、放射
線フィルムは、Radiographic Digital Imaging of Compton社（カリフォルニア
州）により製造されているModel CX812T ディジタイザを用いて走査され、これ
により、ピクセル当たり５０μｍの間隔とピクセル当たり１２ビットのグレイレ
ベル解像度とを有するディジタルイメージが生成される。他に可能なディジタル
イメージ用入力ソースは、Trex Medical Corporation of Danbury社（コネチカ
ット州）によるディジタル乳房撮影ユニットであり、このユニットは、ピクセル
当たり４５μｍの空間解像度（spatial resolution）とピクセル当たり１４ビッ
トのグレイレベル解像度とを有している。
ＣＤ）スキャナによって放射線フィルム（radiologic films）をディジタル化す
ることを具備する。この方法において得られるディジタルイメージは、通常は、
ピクセル当たり１０〜１２ビットのグレイレベル解像度とともに、ピクセル当た
り約１００μｍのサンプル間隔を有する。本発明の一実施形態においては、放射
線フィルムは、Radiographic Digital Imaging of Compton社（カリフォルニア
州）により製造されているModel CX812T ディジタイザを用いて走査され、これ
により、ピクセル当たり５０μｍの間隔とピクセル当たり１２ビットのグレイレ
ベル解像度とを有するディジタルイメージが生成される。他に可能なディジタル
イメージ用入力ソースは、Trex Medical Corporation of Danbury社（コネチカ
ット州）によるディジタル乳房撮影ユニットであり、このユニットは、ピクセル
当たり４５μｍの空間解像度（spatial resolution）とピクセル当たり１４ビッ
トのグレイレベル解像度とを有している。
【００１９】
前記ディジタルイメージは、元の乳房Ｘ線像イメージのディジタル表示として
、コンピュータにより読み取り可能な記憶メディア上に記憶される。好ましい実
施形態においては、前記ディジタル表示またはイメージは、２００ＭＨｚで動作
する二重のPentium II（登録商標）マイクロプロセッサと、５１２ＭＢのＲＡＭ
メモリと、ViewSonic PT813（登録商標）モニタと、ポインティング・デバイス
と、Lexmark Optra S1625（登録商標）プリンタとを有するＰＣのような汎用コ
ンピュータの２ＧＢハードドライブ上に記憶される。このシステムは、Windows
NT（登録商標）オペレーティングシステム内において動作する。
、コンピュータにより読み取り可能な記憶メディア上に記憶される。好ましい実
施形態においては、前記ディジタル表示またはイメージは、２００ＭＨｚで動作
する二重のPentium II（登録商標）マイクロプロセッサと、５１２ＭＢのＲＡＭ
メモリと、ViewSonic PT813（登録商標）モニタと、ポインティング・デバイス
と、Lexmark Optra S1625（登録商標）プリンタとを有するＰＣのような汎用コ
ンピュータの２ＧＢハードドライブ上に記憶される。このシステムは、Windows
NT（登録商標）オペレーティングシステム内において動作する。
【００２０】 自動切り取り
図２および図３に見られるように、最初に、ディジタル乳房Ｘ線像イメージ１
９０が切り取られ、これにより、分析領域２９６がイメージから区分され、かつ
、前記分析領域内における胸部組織に対応する２進マスク２９８が生成される。
切り取りについては、手動で行うこともできるが、自動的に実行されることが好
ましい。胸部組織は放射線フィルム全体を覆っていないので、イメージは予備段
階として切り取られる。イメージのうちの、胸部組織が存在する一部分のみにイ
メージ処理を集中させることは、イメージを処理するのに必要とされる時間を低
減させる。さらに、ラベルや患者情報のような、フィルム上に現れている他の項
目が、考慮から除外され、かつ、胸部組織領域の外部に存在する偽の正表示が除
去される。
９０が切り取られ、これにより、分析領域２９６がイメージから区分され、かつ
、前記分析領域内における胸部組織に対応する２進マスク２９８が生成される。
切り取りについては、手動で行うこともできるが、自動的に実行されることが好
ましい。胸部組織は放射線フィルム全体を覆っていないので、イメージは予備段
階として切り取られる。イメージのうちの、胸部組織が存在する一部分のみにイ
メージ処理を集中させることは、イメージを処理するのに必要とされる時間を低
減させる。さらに、ラベルや患者情報のような、フィルム上に現れている他の項
目が、考慮から除外され、かつ、胸部組織領域の外部に存在する偽の正表示が除
去される。
【００２１】
図４〜図１０を参照すると、自動切り取り処理が詳細に説明されている。最初
に、段階２０２において、イメージは、処理すべきデータ量を低減させるために
、５０〜４００μｍの間でサブサンプリングされる。もちろん、イメージについ
ては、必要に応じて他の解像度にダウンサンプリングしてもよい。イメージの残
りから胸部組織を確実に区分するために、元のイメージの全てが必要とされるわ
けではない。水平および垂直の両方向において８ピクセル毎にサブサンプリング
することは、データ量を６４倍だけ低減させる。イメージの残りから胸部組織を
区分する目的のために、結果として生じる解像度損失は微々たるものである。
に、段階２０２において、イメージは、処理すべきデータ量を低減させるために
、５０〜４００μｍの間でサブサンプリングされる。もちろん、イメージについ
ては、必要に応じて他の解像度にダウンサンプリングしてもよい。イメージの残
りから胸部組織を確実に区分するために、元のイメージの全てが必要とされるわ
けではない。水平および垂直の両方向において８ピクセル毎にサブサンプリング
することは、データ量を６４倍だけ低減させる。イメージの残りから胸部組織を
区分する目的のために、結果として生じる解像度損失は微々たるものである。
【００２２】
段階２０４において、サブサンプリングされたイメージの全ての側の周りに、
幅２０の白縁（white border）ピクセルが加えられる。白は、各々のピクセルを
表すために用いられているビット数が与えられた場合に可能な最大ピクセル値に
対応する。１２ビットのグレイスケール解像度を有するイメージに対し、最大グ
レイスケール解像度値は、４０９５である。次に、縁取られたイメージは、段階
２０６において、比較的高い閾値によって閾値を定められ（thresholded）、こ
れにより、胸部組織の大部分は、２進イメージを生成するための閾値より小さい
ことが保証される。本発明の一実施形態においては、前記閾値は、イメージの中
央上部部分（top middle portion）近くにおけるピクセルのグレイスケール値に
関する所定の百分率に等しく設定される。次に、閾値を定められたイメージは反
転される、すなわち、段階２０８において、１はゼロとなり、かつ、ゼロは１と
なる。次に、反転されたイメージは、段階２１０において拡張される。拡張は、
形態学的（morphological）作用であり、この作用において、２進イメージにお
ける各々のピクセルがターンオン（turn on）状態にされる（すなわち、隣接ピ
クセルのいずれかがオン状態であれば、１の値に設定される）。ピクセルが既に
オン状態であれば、そのままオン状態にされる。
幅２０の白縁（white border）ピクセルが加えられる。白は、各々のピクセルを
表すために用いられているビット数が与えられた場合に可能な最大ピクセル値に
対応する。１２ビットのグレイスケール解像度を有するイメージに対し、最大グ
レイスケール解像度値は、４０９５である。次に、縁取られたイメージは、段階
２０６において、比較的高い閾値によって閾値を定められ（thresholded）、こ
れにより、胸部組織の大部分は、２進イメージを生成するための閾値より小さい
ことが保証される。本発明の一実施形態においては、前記閾値は、イメージの中
央上部部分（top middle portion）近くにおけるピクセルのグレイスケール値に
関する所定の百分率に等しく設定される。次に、閾値を定められたイメージは反
転される、すなわち、段階２０８において、１はゼロとなり、かつ、ゼロは１と
なる。次に、反転されたイメージは、段階２１０において拡張される。拡張は、
形態学的（morphological）作用であり、この作用において、２進イメージにお
ける各々のピクセルがターンオン（turn on）状態にされる（すなわち、隣接ピ
クセルのいずれかがオン状態であれば、１の値に設定される）。ピクセルが既に
オン状態であれば、そのままオン状態にされる。
【００２３】
段階２１２において、拡張されたイメージは、最も大きな小塊（blob）のサイ
ズに切り取られる。小塊は、１の値を有するピクセルの連続的なグループである
。この段階２１２は、サブサンプリングされた乳房Ｘ線像表示から明るい縁を除
去し、その一方で、どの胸部領域も低下されないことを確実にする。縁を見つけ
るために閾値を定める他の技術は、例えば、胸部インプラントがイメージ内にお
いて可視状態である場合のように、前記縁に隣接した胸部における明るい領域を
処理するのに手間取る。段階２０２から生じ、かつ、切り取られた小塊内のピク
セルの位置に対応している、元のイメージからのピクセルは、後続の処理のため
に選択される。これは、入力されたイメージからのピクセルの単なる部分集合で
あることを特筆しておく。
ズに切り取られる。小塊は、１の値を有するピクセルの連続的なグループである
。この段階２１２は、サブサンプリングされた乳房Ｘ線像表示から明るい縁を除
去し、その一方で、どの胸部領域も低下されないことを確実にする。縁を見つけ
るために閾値を定める他の技術は、例えば、胸部インプラントがイメージ内にお
いて可視状態である場合のように、前記縁に隣接した胸部における明るい領域を
処理するのに手間取る。段階２０２から生じ、かつ、切り取られた小塊内のピク
セルの位置に対応している、元のイメージからのピクセルは、後続の処理のため
に選択される。これは、入力されたイメージからのピクセルの単なる部分集合で
あることを特筆しておく。
【００２４】
段階２１２からのイメージは、段階２１４において、ヒストグラム的に等化さ
れる。イメージの平均的な明るさは、乳房Ｘ線像から乳房Ｘ線像へ広く変動する
。さらに、様々な光学濃度特性を有する様々なディジタイザは、乳房Ｘ線像のデ
ィジタル表示における明るさレベルの変動性のさらなる原因である。自動切り取
り器の出力である胸部マスクは、主に、適切に作用するために単一コントラスト
設定を必要とする領域増大アルゴリズム（region-growing algorithm）によって
定義される。しかしながら、単一コントラスト設定は広範囲のイメージ入力に対
しては作用しないことが、実験的に判断されてきた。したがって、各々のイメー
ジは、自動ヒストグラム強調処理（automatic histogram enhancement process
）を用いて、正規化されたイメージ空間内にマッピングされ、この処理後に、単
一コントラスト設定が良好に作用する。
れる。イメージの平均的な明るさは、乳房Ｘ線像から乳房Ｘ線像へ広く変動する
。さらに、様々な光学濃度特性を有する様々なディジタイザは、乳房Ｘ線像のデ
ィジタル表示における明るさレベルの変動性のさらなる原因である。自動切り取
り器の出力である胸部マスクは、主に、適切に作用するために単一コントラスト
設定を必要とする領域増大アルゴリズム（region-growing algorithm）によって
定義される。しかしながら、単一コントラスト設定は広範囲のイメージ入力に対
しては作用しないことが、実験的に判断されてきた。したがって、各々のイメー
ジは、自動ヒストグラム強調処理（automatic histogram enhancement process
）を用いて、正規化されたイメージ空間内にマッピングされ、この処理後に、単
一コントラスト設定が良好に作用する。
【００２５】
最初に、イメージのヒストグラムが得られる。通常は、胸部領域内のデータの
大部分は、下位のヒストグラムのビン（bins）（約０〜１０００のグレイスケー
ル値に対応している）内にあり、縁およびラベルは、高位のビン（約４０００〜
４０９５のグレイスケール値に対応している）内にある。通常の胸部データを備
える上位および下位のビン値が決定される。下位のビン値は、最も低いグレイス
ケール値から最も高いグレイスケール値へ行くときに遭遇される最初の最高ピー
ク（first highest peak）である。上位のビン値は、最も高いグレイスケール値
から最も低いグレイスケール値へ行くときに遭遇される最後のゼロ値のビンであ
る。次に、データは、８ビット表示に低減され、かつ、データ形式の範囲にわた
って、線状に（linearly）引き伸ばされる。例えば、下位のビンにおける値は、
ゼロに設定される。上位ビンにおけるデータ値は２５５に設定される。次に、デ
ータの残りは、下位ビンと上位ビンとの間において線状にマッピングされる。
大部分は、下位のヒストグラムのビン（bins）（約０〜１０００のグレイスケー
ル値に対応している）内にあり、縁およびラベルは、高位のビン（約４０００〜
４０９５のグレイスケール値に対応している）内にある。通常の胸部データを備
える上位および下位のビン値が決定される。下位のビン値は、最も低いグレイス
ケール値から最も高いグレイスケール値へ行くときに遭遇される最初の最高ピー
ク（first highest peak）である。上位のビン値は、最も高いグレイスケール値
から最も低いグレイスケール値へ行くときに遭遇される最後のゼロ値のビンであ
る。次に、データは、８ビット表示に低減され、かつ、データ形式の範囲にわた
って、線状に（linearly）引き伸ばされる。例えば、下位のビンにおける値は、
ゼロに設定される。上位ビンにおけるデータ値は２５５に設定される。次に、デ
ータの残りは、下位ビンと上位ビンとの間において線状にマッピングされる。
【００２６】
イメージがヒストグラム的に等化された後に、等化されたイメージについては
、マトリクスであると考えることができる。イメージマトリクスは、左半分と右
半分とに（可能であれば等しいサイズに）分割され、かつ、より明るい方が段階
２１６において選択される。左半分の全ピクセルの合計と右半分の全ピクセルの
合計とが計算される。次に、これらの合計値が比較され、より多い合計を有して
いる側が明るい側である。
、マトリクスであると考えることができる。イメージマトリクスは、左半分と右
半分とに（可能であれば等しいサイズに）分割され、かつ、より明るい方が段階
２１６において選択される。左半分の全ピクセルの合計と右半分の全ピクセルの
合計とが計算される。次に、これらの合計値が比較され、より多い合計を有して
いる側が明るい側である。
【００２７】
前記明るい側を領域増大する前に、アルゴリズム変数が、段階２１８において
初期化される。領域増大されたマスクのサイズは、段階２２０において、予備的
に検査される。前記サイズが十分に大きければ、マスクは受け入れ可能である。
そうでなければ、処理はマスクを検索し続ける。領域増大すべきイメージの側が
、段階２２２において選択される。段階２２４において、この領域は、その最大
グレイスケール値を見つけるために検索される。この最大グレイスケール値は、
領域増大アルゴリズムを開始するためのピクセルを見つけるために用いられる。
領域増大は、特性のようなものを共有している連結ピクセルを寄せ集める処理で
ある。特性の選択は、結果的に生じる領域に影響を及ぼす。領域増大機能への入
力は、グレイスケール・イメージであり、かつ、増大を始めるための開始地点で
ある。出力は、増大された領域（すなわち、小塊）内のピクセルを示す２進イメ
ージである。領域増大は、単一の小塊を作成するが、この小塊は、その内部に内
部孔（すなわち、オフ状態のピクセル）を有していることがある。小塊を増大す
るために、ある当該ピクセルに最も近くの４つの隣接ピクセルの各々が調べられ
る。コントラスト比は、最も近くの隣接ピクセルの各々に対して計算される。コ
ントラスト比が、コントラスト比の閾値よりも小さければ、隣接ピクセルは、２
進マスクイメージにおいて１に設定される。そうでなければ、隣接ピクセルは、
ゼロに設定される。領域増大アルゴリズムは、開始またはシードピクセルから、
外側に螺旋状に進行し、（領域増大が）行われるまで、漸進的に最も近い隣接ピ
クセルを調べる。当業者にとって、他の領域増大アルゴリズムを適用することが
できることは明白である。
初期化される。領域増大されたマスクのサイズは、段階２２０において、予備的
に検査される。前記サイズが十分に大きければ、マスクは受け入れ可能である。
そうでなければ、処理はマスクを検索し続ける。領域増大すべきイメージの側が
、段階２２２において選択される。段階２２４において、この領域は、その最大
グレイスケール値を見つけるために検索される。この最大グレイスケール値は、
領域増大アルゴリズムを開始するためのピクセルを見つけるために用いられる。
領域増大は、特性のようなものを共有している連結ピクセルを寄せ集める処理で
ある。特性の選択は、結果的に生じる領域に影響を及ぼす。領域増大機能への入
力は、グレイスケール・イメージであり、かつ、増大を始めるための開始地点で
ある。出力は、増大された領域（すなわち、小塊）内のピクセルを示す２進イメ
ージである。領域増大は、単一の小塊を作成するが、この小塊は、その内部に内
部孔（すなわち、オフ状態のピクセル）を有していることがある。小塊を増大す
るために、ある当該ピクセルに最も近くの４つの隣接ピクセルの各々が調べられ
る。コントラスト比は、最も近くの隣接ピクセルの各々に対して計算される。コ
ントラスト比が、コントラスト比の閾値よりも小さければ、隣接ピクセルは、２
進マスクイメージにおいて１に設定される。そうでなければ、隣接ピクセルは、
ゼロに設定される。領域増大アルゴリズムは、開始またはシードピクセルから、
外側に螺旋状に進行し、（領域増大が）行われるまで、漸進的に最も近い隣接ピ
クセルを調べる。当業者にとって、他の領域増大アルゴリズムを適用することが
できることは明白である。
【００２８】
段階２２６において、領域増大は、以前の段階２２４から識別されたピクセル
を用いて始まり、２進マスクが生成される。段階２２６の結果により生じたマス
クのサイズは、段階２２８において計算され、かつ、段階２３０において検査さ
れる。この方法に関しては３つの失敗のポイントがあり得る。第一に、検索領域
（search region）において最も明るいポイントは、胸部の外側のアーチファク
ト（artifact）であり得る。したがって、結果として生じたマスクが十分に大き
くなければ（５０ピクセル）、検索領域は、イメージの側にさらに近づくように
移動され、かつ、再度検索される。これは３度繰り返され、その度にコントラス
ト閾値を下げる。これは、段階２３２，２３４を通って取られる経路に対応する
。第二に、側の選択方法は、エラーとなり得る。したがって、検索された第１側
において有効な胸部マスクが見つけられなければ、胸部の他側が検索される。こ
れは、段階２３６，２３８を通って選択される経路に対応する。第三に、他側に
おいても有効な胸部マスクが見つけられなければ、段階２４０において、胸部全
体の閾値が定められ、かつ、最も大きなオブジェクトが胸部マスクであるとして
選ばれる。
を用いて始まり、２進マスクが生成される。段階２２６の結果により生じたマス
クのサイズは、段階２２８において計算され、かつ、段階２３０において検査さ
れる。この方法に関しては３つの失敗のポイントがあり得る。第一に、検索領域
（search region）において最も明るいポイントは、胸部の外側のアーチファク
ト（artifact）であり得る。したがって、結果として生じたマスクが十分に大き
くなければ（５０ピクセル）、検索領域は、イメージの側にさらに近づくように
移動され、かつ、再度検索される。これは３度繰り返され、その度にコントラス
ト閾値を下げる。これは、段階２３２，２３４を通って取られる経路に対応する
。第二に、側の選択方法は、エラーとなり得る。したがって、検索された第１側
において有効な胸部マスクが見つけられなければ、胸部の他側が検索される。こ
れは、段階２３６，２３８を通って選択される経路に対応する。第三に、他側に
おいても有効な胸部マスクが見つけられなければ、段階２４０において、胸部全
体の閾値が定められ、かつ、最も大きなオブジェクトが胸部マスクであるとして
選ばれる。
【００２９】
前記領域増大アルゴリズムにおいて一定のコントラスト値が用いられるので、
マスクの中には大き過ぎるものもある。通常は、ディジタル化された乳房Ｘ線像
イメージの縁部に沿った“尾部（tails）”が存在し、この尾部において、元の
乳房Ｘ線像フィルムがディジタル化されている間に余分な光が漏れてくる。この
尾部は、一連の侵食と、さらに、一連の拡張とをイメージに適用することにより
低減される。侵食（erosion）は形態学的作用であり、この作用において、２進
イメージにおける各々のピクセルは、その全ての隣接ピクセルがオン状態でなけ
ればターンオフ（turn off）状態にされる。ピクセルが既にオフ状態であれば、
そのままオフ状態にされる。しかし、最初に、マスク内の孔部は充填されている
必要があるか、または、多数の侵食が、マスクを、解体された部分にする可能性
がある。したがって、マスク内の孔部は、段階２４２において、主要な動作によ
って閉じられる。この主要な動作は形態学的作用であり、この作用において、２
進イメージにおける各々のピクセルは、その隣接ピクセルの大部分がオン状態で
あればターンオン状態にされる。ピクセルが既にオン状態であれば、そのままオ
ン状態にされる。
マスクの中には大き過ぎるものもある。通常は、ディジタル化された乳房Ｘ線像
イメージの縁部に沿った“尾部（tails）”が存在し、この尾部において、元の
乳房Ｘ線像フィルムがディジタル化されている間に余分な光が漏れてくる。この
尾部は、一連の侵食と、さらに、一連の拡張とをイメージに適用することにより
低減される。侵食（erosion）は形態学的作用であり、この作用において、２進
イメージにおける各々のピクセルは、その全ての隣接ピクセルがオン状態でなけ
ればターンオフ（turn off）状態にされる。ピクセルが既にオフ状態であれば、
そのままオフ状態にされる。しかし、最初に、マスク内の孔部は充填されている
必要があるか、または、多数の侵食が、マスクを、解体された部分にする可能性
がある。したがって、マスク内の孔部は、段階２４２において、主要な動作によ
って閉じられる。この主要な動作は形態学的作用であり、この作用において、２
進イメージにおける各々のピクセルは、その隣接ピクセルの大部分がオン状態で
あればターンオン状態にされる。ピクセルが既にオン状態であれば、そのままオ
ン状態にされる。
【００３０】
しかしながら、他の問題は、小さい方の胸部マスクの中には、大きい方の胸部
マスクが受けることができるだけの侵食を受けられないものもあるということで
ある。したがって、フェイルセイフ測定として、胸部マスクの合計は、侵食およ
び拡張の前後に取られる。サイズがあまりに大きく（５０％より多く）減少され
れば、形態学的作用前の元のマスクが用いられる。したがって、段階２４６，２
４８においてマスクがそれぞれ侵食かつ拡張される前に、段階２４４においてマ
スクの複製コピーが作られる。次に、結果として生じたマスクのサイズは、段階
２５０において計算され、かつ、段階２５２において、段階２４２によるマスク
のサイズと比較される。新たなサイズが古いサイズの半分よりも小さければ、段
階２４４による複製マスクは、段階２５４において、後続の処理のために選択さ
れる。そうでなければ、段階２４８の結果として生じたマスクが用いられる。
マスクが受けることができるだけの侵食を受けられないものもあるということで
ある。したがって、フェイルセイフ測定として、胸部マスクの合計は、侵食およ
び拡張の前後に取られる。サイズがあまりに大きく（５０％より多く）減少され
れば、形態学的作用前の元のマスクが用いられる。したがって、段階２４６，２
４８においてマスクがそれぞれ侵食かつ拡張される前に、段階２４４においてマ
スクの複製コピーが作られる。次に、結果として生じたマスクのサイズは、段階
２５０において計算され、かつ、段階２５２において、段階２４２によるマスク
のサイズと比較される。新たなサイズが古いサイズの半分よりも小さければ、段
階２４４による複製マスクは、段階２５４において、後続の処理のために選択さ
れる。そうでなければ、段階２４８の結果として生じたマスクが用いられる。
【００３１】
段階２５６において、（段階２０２による）元のイメージが、（段階２４２ま
たは段階２４８のいずれかにおいて）見つけられたばかりの胸部マスクのサイズ
に切り取られる。結果として生じたマスクが後続の処理用に小さ過ぎる場合には
、段階２５８において、切り取り調整が常になされる。この調整は、元のイメー
ジからさらなるピクセルを切り取られたイメージ内に含むことにより、胸部マス
ク境界づけボックス（breast mask bounding box）のサイズを増大させる形式で
なされる。
たは段階２４８のいずれかにおいて）見つけられたばかりの胸部マスクのサイズ
に切り取られる。結果として生じたマスクが後続の処理用に小さ過ぎる場合には
、段階２５８において、切り取り調整が常になされる。この調整は、元のイメー
ジからさらなるピクセルを切り取られたイメージ内に含むことにより、胸部マス
ク境界づけボックス（breast mask bounding box）のサイズを増大させる形式で
なされる。
【００３２】
前記切り取られたイメージは、次に段階２６０において、段階２１４に関連づ
けて上述したように、自動的にヒストグラム強化される。この強化されたイメー
ジは、濃い色の（generous）マスクを生成するために、緩い（loose）領域増大
段階２６２を通過する。これは、イメージが、より多くの“オン”状態のピクセ
ルを算出するために、低い方の閾値を受けることを意味する。次に、このマスク
は、上述のように（しかしながら、より低い程度にではあるが）、段階２６４，
２６６，２６８において、孔部の閉鎖、侵食、拡張をそれぞれ受ける。
けて上述したように、自動的にヒストグラム強化される。この強化されたイメー
ジは、濃い色の（generous）マスクを生成するために、緩い（loose）領域増大
段階２６２を通過する。これは、イメージが、より多くの“オン”状態のピクセ
ルを算出するために、低い方の閾値を受けることを意味する。次に、このマスク
は、上述のように（しかしながら、より低い程度にではあるが）、段階２６４，
２６６，２６８において、孔部の閉鎖、侵食、拡張をそれぞれ受ける。
【００３３】
上述したものと同じ段階が、段階２７０〜２７６において一度繰り返されるが
、切り取り調整はより少なく、かつ、コントラスト値は、厳しい（tight）領域
増大段階２７６に対して増大する。この厳しい領域増大段階２７６は、より高い
コントラスト値を負担する余裕がある。その理由は、前記段階２７６が、切り取
られたイメージのみにおける領域増大であるためである。この結果、胸部組織に
関する倹約的な見積もりが得られる。結果として生じたマスクは、段階２７８に
おいて、最大のオブジェクトを見つけるために区分され、かつ、その境界づけボ
ックスは、段階２８０において、オブジェクトを囲むために縮小される。それで
もなお、胸部マスク内に孔部が存在する可能性がある。したがって、段階２８２
における切り取り調整後に、マスクは、段階２８４において反転され、かつ、最
大オブジェクトが、段階２８６において見つけられる。この最大オブジェクトは
、抽出され、かつ次に、段階２８８において、終わりから２番目のマスクを得る
ために反転される。
、切り取り調整はより少なく、かつ、コントラスト値は、厳しい（tight）領域
増大段階２７６に対して増大する。この厳しい領域増大段階２７６は、より高い
コントラスト値を負担する余裕がある。その理由は、前記段階２７６が、切り取
られたイメージのみにおける領域増大であるためである。この結果、胸部組織に
関する倹約的な見積もりが得られる。結果として生じたマスクは、段階２７８に
おいて、最大のオブジェクトを見つけるために区分され、かつ、その境界づけボ
ックスは、段階２８０において、オブジェクトを囲むために縮小される。それで
もなお、胸部マスク内に孔部が存在する可能性がある。したがって、段階２８２
における切り取り調整後に、マスクは、段階２８４において反転され、かつ、最
大オブジェクトが、段階２８６において見つけられる。この最大オブジェクトは
、抽出され、かつ次に、段階２８８において、終わりから２番目のマスクを得る
ために反転される。
【００３４】
最後のマスクは、段階２９０において、多数の主要な動作および拡張によって
終わりから２番目のマスクにおける孔部を閉じることにより得られる。次にイメ
ージは、結果として生じたマスクのサイズに切り取られ、かつ、自動切り取りが
完了する。自動切り取りからの重要な結果は、切り取られたイメージのオフセッ
トである。これは、（切り取られたイメージの左上ピクセルにおけるピクセルに
対応する）元のイメージにおけるピクセル位置である。全ての切り取りおよび切
り取り調整の跡を保持することによって、このオフセット値が決定される。
終わりから２番目のマスクにおける孔部を閉じることにより得られる。次にイメ
ージは、結果として生じたマスクのサイズに切り取られ、かつ、自動切り取りが
完了する。自動切り取りからの重要な結果は、切り取られたイメージのオフセッ
トである。これは、（切り取られたイメージの左上ピクセルにおけるピクセルに
対応する）元のイメージにおけるピクセル位置である。全ての切り取りおよび切
り取り調整の跡を保持することによって、このオフセット値が決定される。
【００３５】
前記自動切り取り処理の出力は、２進マスクを表すピクセルの矩形アレイであ
り、この場合に、胸部組織に対応するピクセルは１の値を割り当てられ、その一
方で、ピクセルの残りはゼロの値を割り当てられる。他の方法によると、２進マ
スクは１からなる胸部のシルエットであり、その一方で、背景は、ゼロからなっ
ている。
り、この場合に、胸部組織に対応するピクセルは１の値を割り当てられ、その一
方で、ピクセルの残りはゼロの値を割り当てられる。他の方法によると、２進マ
スクは１からなる胸部のシルエットであり、その一方で、背景は、ゼロからなっ
ている。
【００３６】
自動切り取り器のパラメータについては、より優れた胸部マスクを得るために
最適化してもよい。その手順については、最適化セクションにおいて後述する。
最適化してもよい。その手順については、最適化セクションにおいて後述する。
【００３７】 クラスタ化された微小カルシウム沈着の検出
以下、図１１に目を向けると、本発明による、クラスタ化された微小カルシウ
ム沈着の検出システム３００をより詳細に示す流れ図が見られる。
ム沈着の検出システム３００をより詳細に示す流れ図が見られる。
【００３８】
分析領域２９６に対応する乳房Ｘ線像のディジタル表示の部分（切り取り段階
２００において生成された、切り取られたサブイメージ３０２として示される）
は、偽の微小カルシウム沈着の検出の一因となるディジタル化ノイズを低減する
ためのノイズ低減段階３１０において、ノイズを低減させるために最初に処理さ
れる。次に、ノイズを低減されたイメージは、段階３２０において、最適化され
たターゲットサイズに依存する（target-size-dependent）ガウス差分（ＤｏＧ
）空間カーネル（spatial kernel）を用いてフィルタリングされ、これにより、
ターゲットと背景との間の差分が強化され、したがって、フィルタリングされた
イメージにおける全体的（global）および局所的（local）最大値が作成される
。次に、最適化されたＤｏＧフィルタリングされたイメージは、段階３４０にお
いて、閾値を定められ、これにより、微小カルシウム沈着の潜在的な検出を表す
最大値が区分される。
２００において生成された、切り取られたサブイメージ３０２として示される）
は、偽の微小カルシウム沈着の検出の一因となるディジタル化ノイズを低減する
ためのノイズ低減段階３１０において、ノイズを低減させるために最初に処理さ
れる。次に、ノイズを低減されたイメージは、段階３２０において、最適化され
たターゲットサイズに依存する（target-size-dependent）ガウス差分（ＤｏＧ
）空間カーネル（spatial kernel）を用いてフィルタリングされ、これにより、
ターゲットと背景との間の差分が強化され、したがって、フィルタリングされた
イメージにおける全体的（global）および局所的（local）最大値が作成される
。次に、最適化されたＤｏＧフィルタリングされたイメージは、段階３４０にお
いて、閾値を定められ、これにより、微小カルシウム沈着の潜在的な検出を表す
最大値が区分される。
【００３９】
検出された最大値は、変換段階３５０において、単一ピクセル座標表示に変換
される。検出された最大値の座標表示は、（胸部マスク領域の外側における偽の
検出を除去するための）第１の偽の正除去段階３６０において、分析領域の２進
マスクと比較される。分析領域における残りの座標表示は、クラスタ化段階３７
０においてクラスタ化される。残りのクラスタに関する特徴は、特徴計算段階３
８０において計算され、かつ、分類段階４００（図１）において、疑わしくない
検出を除去するために用いられる。残りの検出は、段階６００において、検出さ
れたクラスタ化された微小カルシウム沈着として、クラスタ座標の形式で出力さ
れる。
される。検出された最大値の座標表示は、（胸部マスク領域の外側における偽の
検出を除去するための）第１の偽の正除去段階３６０において、分析領域の２進
マスクと比較される。分析領域における残りの座標表示は、クラスタ化段階３７
０においてクラスタ化される。残りのクラスタに関する特徴は、特徴計算段階３
８０において計算され、かつ、分類段階４００（図１）において、疑わしくない
検出を除去するために用いられる。残りの検出は、段階６００において、検出さ
れたクラスタ化された微小カルシウム沈着として、クラスタ座標の形式で出力さ
れる。
【００４０】
以下、クラスタ化された微小カルシウム沈着の検出処理における段階のさらに
詳細な説明に目を向けると、ディジタル乳房Ｘ線像イメージは、最初に、イメー
ジ内のノイズを低減するためにフィルタリングされる。イメージ品質における主
要な制限はフィルム乳剤（film emulsion）の粒状度（granularity）であるべき
だが、ノイズは、ディジタル化の処理からも導入される。このノイズは、後で、
偽カルシウム沈着（pseudocalcification）として検出され得る。このシステム
においては、十字形の（cross-shaped）メジアンフィルタが用いられる。その理
由は、このフィルタが単一ピクセルのノイズを除去するのに非常に効果的である
ことが知られているためである。メジアンフィルタは、各々のピクセル値を、当
該のピクセルを中心として選択されたサイズおよび形状のカーネル内におけるピ
クセル値のメジアンに置き換える非線形空間フィルタである。図１２を参照する
と、十字形が、中心のピクセルとその４つの隣接ピクセルとを含むピクセルのセ
ットにより形成されることが分かる。この十字形は、通常のブロック形状のメジ
アンフィルタよりも線部と角部とを良好に維持し、かつ、起こり得る代用を前記
４つの隣接ピクセルに制限し、これにより、縁部の変位（displacement）に関す
るポテンシャルを低減させる。
詳細な説明に目を向けると、ディジタル乳房Ｘ線像イメージは、最初に、イメー
ジ内のノイズを低減するためにフィルタリングされる。イメージ品質における主
要な制限はフィルム乳剤（film emulsion）の粒状度（granularity）であるべき
だが、ノイズは、ディジタル化の処理からも導入される。このノイズは、後で、
偽カルシウム沈着（pseudocalcification）として検出され得る。このシステム
においては、十字形の（cross-shaped）メジアンフィルタが用いられる。その理
由は、このフィルタが単一ピクセルのノイズを除去するのに非常に効果的である
ことが知られているためである。メジアンフィルタは、各々のピクセル値を、当
該のピクセルを中心として選択されたサイズおよび形状のカーネル内におけるピ
クセル値のメジアンに置き換える非線形空間フィルタである。図１２を参照する
と、十字形が、中心のピクセルとその４つの隣接ピクセルとを含むピクセルのセ
ットにより形成されることが分かる。この十字形は、通常のブロック形状のメジ
アンフィルタよりも線部と角部とを良好に維持し、かつ、起こり得る代用を前記
４つの隣接ピクセルに制限し、これにより、縁部の変位（displacement）に関す
るポテンシャルを低減させる。
【００４１】
ノイズが低減された後に、イメージは、微小カルシウム沈着を強化するために
、最適化されたＤｏＧカーネルを用いてフィルタリングされる。フィルタリング
は、ノイズを低減されたイメージを、ＤｏＧカーネルを用いて巻き込むこと（co
nvolving）により達成される。他の実施形態においては、フィルタリングは、最
初に、ノイズを低減されたイメージおよびＤｏＧカーネルの高速フーリエ変換（
ＦＦＴｓ）を得て、次に、これらのフーリエ変換をともに乗算し、さらに、この
結果の高速フーリエ逆変換を取ることにより達成される。
、最適化されたＤｏＧカーネルを用いてフィルタリングされる。フィルタリング
は、ノイズを低減されたイメージを、ＤｏＧカーネルを用いて巻き込むこと（co
nvolving）により達成される。他の実施形態においては、フィルタリングは、最
初に、ノイズを低減されたイメージおよびＤｏＧカーネルの高速フーリエ変換（
ＦＦＴｓ）を得て、次に、これらのフーリエ変換をともに乗算し、さらに、この
結果の高速フーリエ逆変換を取ることにより達成される。
【００４２】
人間の視覚経路（human visual pathway）が、選択式の空間周波数である“チ
ャンネル”のセットを有しているという証拠を、神経生理学的実験が提供してい
るので、前記ＤｏＧカーネルが選択された。本質的に、視野における各々のポイ
ントにおいて、サイズを調整した（size-tuned）フィルタまたはマスク（これら
は、イメージを分析する）が存在する。これらの空間受容域の動作については、
ＤｏＧによって近い値に概算することができる。
ャンネル”のセットを有しているという証拠を、神経生理学的実験が提供してい
るので、前記ＤｏＧカーネルが選択された。本質的に、視野における各々のポイ
ントにおいて、サイズを調整した（size-tuned）フィルタまたはマスク（これら
は、イメージを分析する）が存在する。これらの空間受容域の動作については、
ＤｏＧによって近い値に概算することができる。
【００４３】
２次元ガウスマスク（2-D Gaussian mask）は、以下の式で与えられる：
【数６】
ここで、ｃはマスク要素の合計を正規化し、ｘ，ｙは水平方向および垂直方向の
インデクスであり、かつ、σは、標準偏差である。（１）式を用いて、異なるσ
を備えた２つのガウス差分は、以下の式で与えられる：
インデクスであり、かつ、σは、標準偏差である。（１）式を用いて、異なるσ
を備えた２つのガウス差分は、以下の式で与えられる：
【数７】
σ2が１．６σ1であるときに、Ｄｏｇフィルタの応答は、人間による空間受容フ
ィルタ（human spatial receptive filters）の応答に厳密に整合する。したが
って、人間の生理学からの動機によって、ＤｏＧ標準偏差定数の比率を１：１．
６とする。次に、サイズ（平均的な幅）ｔピクセルののターゲットに対し、σ2
＝ｔ／２と、経験則により、σ1＝σ2／１．６とを用いる。
ィルタ（human spatial receptive filters）の応答に厳密に整合する。したが
って、人間の生理学からの動機によって、ＤｏＧ標準偏差定数の比率を１：１．
６とする。次に、サイズ（平均的な幅）ｔピクセルののターゲットに対し、σ2
＝ｔ／２と、経験則により、σ1＝σ2／１．６とを用いる。
【００４４】
微小カルシウム沈着は、通常、直径１００〜３００μｍの範囲なので、５０μ
ｍのディジタル化された乳房Ｘ線像に対する潜在的なターゲットサイズは、２〜
６ピクセルに相当する。後述するＧＡのような、ターゲットサイズ・パラメータ
を選択するための最適化技術を用いて構成されたＤｏＧカーネルが、ｔ＝６．０
１ピクセルという最適化されたターゲットサイズを有することが見つけられてき
た。ターゲットサイズｔは、処理すべきイメージの解像度や尺度のような要因に
応じて変動する。ｔ＝６．０１ピクセルとσ2＝１．６σ1とを有するＤｏＧフィ
ルタのインパルス応答は、図１３および図１４に示されている。
ｍのディジタル化された乳房Ｘ線像に対する潜在的なターゲットサイズは、２〜
６ピクセルに相当する。後述するＧＡのような、ターゲットサイズ・パラメータ
を選択するための最適化技術を用いて構成されたＤｏＧカーネルが、ｔ＝６．０
１ピクセルという最適化されたターゲットサイズを有することが見つけられてき
た。ターゲットサイズｔは、処理すべきイメージの解像度や尺度のような要因に
応じて変動する。ｔ＝６．０１ピクセルとσ2＝１．６σ1とを有するＤｏＧフィ
ルタのインパルス応答は、図１３および図１４に示されている。
【００４５】
いったん、ノイズを低減された切り取られたイメージが、ターゲットと背景と
の間の差を強化するためにＤｏＧフィルタリングされると、ＤｏＧフィルタリン
グされたサブイメージは、潜在的な微小カルシウム沈着と背景との間におけるグ
レイレベルの差を有する。微小カルシウム沈着は、ＤｏＧフィルタリングされた
サブイメージにおける最も明るいオブジェクトの中にある傾向があるが、これら
の微小カルシウム沈着は、高平均のグレイレベル領域内に存在することができ、
したがって、これらを確実に区分するのは困難であることが判明している。これ
らの関係を概括的に述べている本発明の一実施形態において用いられている閾値
決定処理は、全体的なヒストグラムと局所的な適応性のある閾値決定との結果の
ペアワイズ（pair-wise）ピクセルの“ＡＮＤ演算（ANDing）”を必要とする。
しかしながら、本発明の好ましい実施形態は、勾配をつけた局所的閾値決定を用
いる。
の間の差を強化するためにＤｏＧフィルタリングされると、ＤｏＧフィルタリン
グされたサブイメージは、潜在的な微小カルシウム沈着と背景との間におけるグ
レイレベルの差を有する。微小カルシウム沈着は、ＤｏＧフィルタリングされた
サブイメージにおける最も明るいオブジェクトの中にある傾向があるが、これら
の微小カルシウム沈着は、高平均のグレイレベル領域内に存在することができ、
したがって、これらを確実に区分するのは困難であることが判明している。これ
らの関係を概括的に述べている本発明の一実施形態において用いられている閾値
決定処理は、全体的なヒストグラムと局所的な適応性のある閾値決定との結果の
ペアワイズ（pair-wise）ピクセルの“ＡＮＤ演算（ANDing）”を必要とする。
しかしながら、本発明の好ましい実施形態は、勾配をつけた局所的閾値決定を用
いる。
【００４６】
ターゲットは、イメージに関する高い方のグレイレベル内に存在する傾向があ
るので、全体的な閾値については、イメージヒストグラムにおける対応する高位
ピクセルレベルの予め選択された百分率を区分するレベルを見つけることにより
概算することができる。全体的な閾値決定方法の実施形態は、図１５に示されて
いる。局所的に適応性のある閾値決定については、局所的ピクセル値の平均およ
び標準偏差に基づいて高い閾値と低い閾値とを変動させることにより、実行して
もよい。二重局所的（dual-local）閾値決定方法の実施形態は、図１６に示され
ている。
るので、全体的な閾値については、イメージヒストグラムにおける対応する高位
ピクセルレベルの予め選択された百分率を区分するレベルを見つけることにより
概算することができる。全体的な閾値決定方法の実施形態は、図１５に示されて
いる。局所的に適応性のある閾値決定については、局所的ピクセル値の平均およ
び標準偏差に基づいて高い閾値と低い閾値とを変動させることにより、実行して
もよい。二重局所的（dual-local）閾値決定方法の実施形態は、図１６に示され
ている。
【００４７】
イメージヒストグラムｐ（ｒk）と、予め選択された上方の分数を区分するた
めに用いられるグレイレベル閾値ｇとの計算後に、このヒストグラムのｆは、以
下の式を用いて見つけられる。
めに用いられるグレイレベル閾値ｇとの計算後に、このヒストグラムのｆは、以
下の式を用いて見つけられる。
【数８】
ここで、ｒkはｋ番目のグレイレベル、０≦ｇ≦ｇmax、ｇmaxはイメージにおけ
る最大グレイレベルである。
る最大グレイレベルである。
【００４８】
局所的に適応性のある閾値ｔl0，ｔhiは、以下の式を用いて見つけられる：
【数９】
【数１０】
ここで、ｋl0およびｋhiは、グレイレベル強度の局所的標準偏差σNN（ｘ，ｙ）
の集まり（multiple）を予め選択するために用いられ、かつ、μNN（ｘ，ｙ）は
、ＤｏＧフィルタリングされたイメージの（ｘ，ｙ）におけるピクセルを中心と
するＮ×Ｎ隣接（ピクセル）の局所的グレイレベル平均値である。矩形、円形、
、楕円のような他の隣接（ピクセル）の形状を用いてもよい。閾値の間隔内に当
たる明るさまたはグレイレベル値を有する（すなわち、ｔl0＜明るさ＜ｔhi）ピ
クセルは、１に等しく設定される。ｆ，ｋl0，ｋhiおよびＮの最適化については
、パラメータ最適化処理と関連して後述する。全体的な閾値決定処理の結果につ
いては、図１７に示されるように論理的にＡＮＤ演算することにより、局所的閾
値決定の結果と組み合わせてもよい。あるいはまた、いずれの閾値決定方法につ
いても、単独で用いてもよい。
の集まり（multiple）を予め選択するために用いられ、かつ、μNN（ｘ，ｙ）は
、ＤｏＧフィルタリングされたイメージの（ｘ，ｙ）におけるピクセルを中心と
するＮ×Ｎ隣接（ピクセル）の局所的グレイレベル平均値である。矩形、円形、
、楕円のような他の隣接（ピクセル）の形状を用いてもよい。閾値の間隔内に当
たる明るさまたはグレイレベル値を有する（すなわち、ｔl0＜明るさ＜ｔhi）ピ
クセルは、１に等しく設定される。ｆ，ｋl0，ｋhiおよびＮの最適化については
、パラメータ最適化処理と関連して後述する。全体的な閾値決定処理の結果につ
いては、図１７に示されるように論理的にＡＮＤ演算することにより、局所的閾
値決定の結果と組み合わせてもよい。あるいはまた、いずれの閾値決定方法につ
いても、単独で用いてもよい。
【００４９】
図１８には、好ましい閾値決定手段が示されており、ここで、Ｎ×Ｎウィンド
ウが、入力イメージｐ（ｘ，ｙ）におけるピクセルｘ，ｙを中心としていること
が分かる。前記ウィンドウの下のディジタル乳房Ｘ線像イメージピクセルの平均
値μ（ｘ，ｙ）および標準偏差σ（ｘ，ｙ）が計算される。局所的な閾値Ｔ（ｘ
，ｙ）は、以下の式により計算される：
ウが、入力イメージｐ（ｘ，ｙ）におけるピクセルｘ，ｙを中心としていること
が分かる。前記ウィンドウの下のディジタル乳房Ｘ線像イメージピクセルの平均
値μ（ｘ，ｙ）および標準偏差σ（ｘ，ｙ）が計算される。局所的な閾値Ｔ（ｘ
，ｙ）は、以下の式により計算される：
【数１１】
ここで、Ｎ，Ａ，Ｂ，およびＣに関する値は、後述するパラメータ最適化段階の
間に計算される。Ｔ（ｘ，ｙ）に関する値は、イメージ内の全てのｘ，ｙに関し
て計算される。
間に計算される。Ｔ（ｘ，ｙ）に関する値は、イメージ内の全てのｘ，ｙに関し
て計算される。
【００５０】
前記ディジタル乳房Ｘ線像は、さらに、ＤｏＧフィルタリングされ、イメージ
ｄ（ｘ，ｙ）を生成する。ＤｏＧフィルタリングされたイメージｄ（ｘ，ｙ）の
各々のピクセルは、閾値Ｔ（ｘ，ｙ）と比較される。局所的に閾値決定されたイ
メージｌs（ｘ，ｙ）は１に設定され、ここで、ＤｏＧフィルタリングされたイ
メージの値は閾値よりも大きく、かつ、他の場合にはゼロに設定される。
ｄ（ｘ，ｙ）を生成する。ＤｏＧフィルタリングされたイメージｄ（ｘ，ｙ）の
各々のピクセルは、閾値Ｔ（ｘ，ｙ）と比較される。局所的に閾値決定されたイ
メージｌs（ｘ，ｙ）は１に設定され、ここで、ＤｏＧフィルタリングされたイ
メージの値は閾値よりも大きく、かつ、他の場合にはゼロに設定される。
【００５１】
この新たな、局所的に勾配をつけて閾値を決定する方法の、従来技術による閾
値決定方法に対する利点は、閾値が、後でＤｏＧフィルタリングされるイメージ
からよりも、予めＤｏＧフィルタリングされたイメージ内のピクセルから計算さ
れるということである。このことは、背景のトレンド補正の必要性をなくす。従
来の局所的閾値決定において、閾値は、ＤｏＧフィルタリングされたイメージの
平均値および標準偏差から以下のように計算される：
値決定方法に対する利点は、閾値が、後でＤｏＧフィルタリングされるイメージ
からよりも、予めＤｏＧフィルタリングされたイメージ内のピクセルから計算さ
れるということである。このことは、背景のトレンド補正の必要性をなくす。従
来の局所的閾値決定において、閾値は、ＤｏＧフィルタリングされたイメージの
平均値および標準偏差から以下のように計算される：
【数１２】
ＤｏＧフィルタリングされたイメージから計算された局所的閾値を用いることの
問題は、ＤｏＧフィルタリングされたイメージが、通常は、ゼロに近い平均値と
、ターゲットの存在により重大な影響を受けている標準偏差とを有しているとい
うことである。
問題は、ＤｏＧフィルタリングされたイメージが、通常は、ゼロに近い平均値と
、ターゲットの存在により重大な影響を受けている標準偏差とを有しているとい
うことである。
【００５２】
ＤｏＧフィルタリングされたイメージの統計から計算された局所的閾値は、以
下の悪影響を受ける。第一に、平均値がゼロに近いので、閾値の計算における自
由度が失われる（閾値は、本質的に標準偏差の関数となる）。第二に、入力され
る絶対的明るさが失われる。多くのスプリアス（spurious）検出が生じないよう
にするために、明るい領域において高い閾値を有することが望ましい。しかしな
がら、入力イメージの局所的平均値に関する情報はＤｏＧフィルタリングされた
イメージにおいて有効ではない。最終的に、ＤｏＧフィルタリングされたイメー
ジの標準偏差は、ターゲットの検出により増加する。これは、適切なサイズの局
所的に明るいスポットが元のイメージに存在し、大きなグレイスケール値が、結
果的に、ＤｏＧフィルタリングされたイメージとなるためである。したがって、
領域内におけるターゲットの存在は局所的な標準偏差を増加させ、これにより、
その領域の閾値を上昇させる。より高い閾値は、明るいスポットを後続の処理段
階へ渡す可能性を低下させる。
下の悪影響を受ける。第一に、平均値がゼロに近いので、閾値の計算における自
由度が失われる（閾値は、本質的に標準偏差の関数となる）。第二に、入力され
る絶対的明るさが失われる。多くのスプリアス（spurious）検出が生じないよう
にするために、明るい領域において高い閾値を有することが望ましい。しかしな
がら、入力イメージの局所的平均値に関する情報はＤｏＧフィルタリングされた
イメージにおいて有効ではない。最終的に、ＤｏＧフィルタリングされたイメー
ジの標準偏差は、ターゲットの検出により増加する。これは、適切なサイズの局
所的に明るいスポットが元のイメージに存在し、大きなグレイスケール値が、結
果的に、ＤｏＧフィルタリングされたイメージとなるためである。したがって、
領域内におけるターゲットの存在は局所的な標準偏差を増加させ、これにより、
その領域の閾値を上昇させる。より高い閾値は、明るいスポットを後続の処理段
階へ渡す可能性を低下させる。
【００５３】
上述した新たな局所的閾値決定方法は、入力イメージからの閾値を計算するこ
とにより上記の問題を解決し、前記入力イメージは、次に、ＤｏＧフィルタリン
グされたイメージに適用される。さらに、ここで計算された閾値は、局所的イメ
ージ平均値から独立しているオフセット限界点（offset term）Ａを有する。
とにより上記の問題を解決し、前記入力イメージは、次に、ＤｏＧフィルタリン
グされたイメージに適用される。さらに、ここで計算された閾値は、局所的イメ
ージ平均値から独立しているオフセット限界点（offset term）Ａを有する。
【００５４】
閾値決定後に、検出は、閾値決定処理により見つけられた連続的ピクセルのグ
ループの重心または重力の中心を計算することにより、単一ピクセル表示に変換
される。したがって、検出は、論理値１を有する単一ピクセルとして表示され、
その一方で、残りのピクセルが論理値ゼロを有している。
ループの重心または重力の中心を計算することにより、単一ピクセル表示に変換
される。したがって、検出は、論理値１を有する単一ピクセルとして表示され、
その一方で、残りのピクセルが論理値ゼロを有している。
【００５５】
胸部領域の外側における偽の正検出は、自動切り取り器からの単一ピクセルの
検出表示を備えた２進マスクを論理ＡＮＤ演算することにより除去される。
検出表示を備えた２進マスクを論理ＡＮＤ演算することにより除去される。
【００５６】
悪性度と関連したカルシウム沈着は、通常は、クラスタにおいて生じ、かつ、
広範囲であり得る。クラスタ検出モジュールは、図１９に示されるクラスタ化ア
ルゴリズムに基づいてクラスタを識別する。特に、少なくともμＣsminまたはよ
り多くの検出された信号が、最も近い隣接距離ｄnnより少ない距離だけ隔離され
たときに、疑わしいクラスタが示される。μＣsminおよびｄnnの最適化について
は、パラメータ最適化処理と関連して後述する。図２０は、μＣsmin＝５かつｄnn ＝４の場合のクラスタ化処理を示す。
広範囲であり得る。クラスタ検出モジュールは、図１９に示されるクラスタ化ア
ルゴリズムに基づいてクラスタを識別する。特に、少なくともμＣsminまたはよ
り多くの検出された信号が、最も近い隣接距離ｄnnより少ない距離だけ隔離され
たときに、疑わしいクラスタが示される。μＣsminおよびｄnnの最適化について
は、パラメータ最適化処理と関連して後述する。図２０は、μＣsmin＝５かつｄnn ＝４の場合のクラスタ化処理を示す。
【００５７】
さらなる偽の正の、クラスタ化された微小カルシウム沈着が、後述する分類装
置によって除去される。図２１に示すように、潜在的なクラスタ化された微小カ
ルシウム沈着の各々に関する特徴が抽出される。好ましい実施形態において、潜
在的なクラスタ化された微小カルシウム沈着の各々に関して計算された８つの特
徴は、以下の通りである： １．クラスタ内のポイントの分散行列（covariance matrix）の、大きい方の
固有値（λ1）； ２．クラスタ内のポイントの分散行列の、小さい方の固有値（λ2）； ３．前記クラスタ内のポイントの分散行列の大きい方の固有値に対する、前記
分散行列の小さい方の固有値の比率。クラスタ内のポイントを覆うために適合さ
れた楕円の長軸に対する短軸の比率と同値のもの； ４．最大インタポイント（interpoint）距離により分割され検出された微小カ
ルシウム沈着の数として計算された線密度； ５．クラスタ内のポイント間の距離の標準偏差 ６．クラスタ内のポイント間の距離の平均−メジアン ７．最大インタポイント距離−最大インタポイント距離として計算されたクラ
スタ内のポイント間の範囲 ８．検出を包囲するのにちょうど十分な大きさのボックスの領域により分割さ
れた検出数として計算されたクラスタの密度。
置によって除去される。図２１に示すように、潜在的なクラスタ化された微小カ
ルシウム沈着の各々に関する特徴が抽出される。好ましい実施形態において、潜
在的なクラスタ化された微小カルシウム沈着の各々に関して計算された８つの特
徴は、以下の通りである： １．クラスタ内のポイントの分散行列（covariance matrix）の、大きい方の
固有値（λ1）； ２．クラスタ内のポイントの分散行列の、小さい方の固有値（λ2）； ３．前記クラスタ内のポイントの分散行列の大きい方の固有値に対する、前記
分散行列の小さい方の固有値の比率。クラスタ内のポイントを覆うために適合さ
れた楕円の長軸に対する短軸の比率と同値のもの； ４．最大インタポイント（interpoint）距離により分割され検出された微小カ
ルシウム沈着の数として計算された線密度； ５．クラスタ内のポイント間の距離の標準偏差 ６．クラスタ内のポイント間の距離の平均−メジアン ７．最大インタポイント距離−最大インタポイント距離として計算されたクラ
スタ内のポイント間の範囲 ８．検出を包囲するのにちょうど十分な大きさのボックスの領域により分割さ
れた検出数として計算されたクラスタの密度。
【００５８】
もちろん、潜在的な微小カルシウム沈着クラスタに関する他の特徴も計算する
ことができ、かつ、本発明は、本明細書中に列挙された特徴形式の数に制限され
るものではない。
ことができ、かつ、本発明は、本明細書中に列挙された特徴形式の数に制限され
るものではない。
【００５９】 分類検出
クラスタの特徴は、各々の潜在的なクラスタ化された微小カルシウム沈着を、
疑わしいかまたは疑わしくないかのいずれかとして分類する分類装置への入力と
して供給される。実際に、クラスタ化された微小カルシウム沈着は、ガンと関連
している可能性がある元の乳房Ｘ線像のディジタル表示における当該領域を突き
止めることができるのみである。あらゆる検出において、潜在的に疑わしい領域
を可能な限り多く突き止めることと、潜在的に疑わしいと誤って検出された正常
領域の数を低下させることとの間にはトレードオフが存在する。ＣＡＤシステム
は、実際には正常である領域の潜在的に重要な数を検出することを犠牲にして、
可能な最大検出率を供給するように設計されている。これらの望ましくない検出
の多くは、パターン認識技術により考慮から除かれる。
疑わしいかまたは疑わしくないかのいずれかとして分類する分類装置への入力と
して供給される。実際に、クラスタ化された微小カルシウム沈着は、ガンと関連
している可能性がある元の乳房Ｘ線像のディジタル表示における当該領域を突き
止めることができるのみである。あらゆる検出において、潜在的に疑わしい領域
を可能な限り多く突き止めることと、潜在的に疑わしいと誤って検出された正常
領域の数を低下させることとの間にはトレードオフが存在する。ＣＡＤシステム
は、実際には正常である領域の潜在的に重要な数を検出することを犠牲にして、
可能な最大検出率を供給するように設計されている。これらの望ましくない検出
の多くは、パターン認識技術により考慮から除かれる。
【００６０】
パターン認識は、測定に基づいて決定を行う処理である。このシステムにおい
て、当該領域または検出は検出器により突き止められ、かつ、表示に関して受け
入れられるかまたは拒絶される。この処理における第１段階は、検出された領域
を特徴づけることである。この目的のために、多数の測定が検出された領域の各
々から計算される。各々の測定値は特徴と称される。検出された領域のための測
定値の収集は特徴ベクトルと称され、ここで、このベクトルの各々の要素は、特
徴値を表す。特徴ベクトルは判別関数（discriminant function）に入力される
。
て、当該領域または検出は検出器により突き止められ、かつ、表示に関して受け
入れられるかまたは拒絶される。この処理における第１段階は、検出された領域
を特徴づけることである。この目的のために、多数の測定が検出された領域の各
々から計算される。各々の測定値は特徴と称される。検出された領域のための測
定値の収集は特徴ベクトルと称され、ここで、このベクトルの各々の要素は、特
徴値を表す。特徴ベクトルは判別関数（discriminant function）に入力される
。
【００６１】
図２２を参照すると、一式の判別関数ｇ（ｘ）に適用された特徴ベクトルｘを
有する分類装置が見られる。図２２に示されている分類装置は、１クラス当たり
１つの判別関数を備えて設計されている。判別関数は、単一の値を入力された特
徴ベクトルの関数として計算する。判別関数については、訓練データ（training
data）から学習することができ、かつ、種々の関数形式で実行することができ
る。判別関数の出力は、テスト統計値（test statistic）と称される。分類は、
最大の出力値を有する判別関数に従ってクラスを選択することである。テスト統
計値は閾値と比較される。閾値より上のテスト統計値に関しては、特徴ベクトル
と関連した領域または検出は保持され、かつ、潜在的に疑わしいとして表示され
る。テスト統計値が閾値より下であれば、領域が表示される。
有する分類装置が見られる。図２２に示されている分類装置は、１クラス当たり
１つの判別関数を備えて設計されている。判別関数は、単一の値を入力された特
徴ベクトルの関数として計算する。判別関数については、訓練データ（training
data）から学習することができ、かつ、種々の関数形式で実行することができ
る。判別関数の出力は、テスト統計値（test statistic）と称される。分類は、
最大の出力値を有する判別関数に従ってクラスを選択することである。テスト統
計値は閾値と比較される。閾値より上のテスト統計値に関しては、特徴ベクトル
と関連した領域または検出は保持され、かつ、潜在的に疑わしいとして表示され
る。テスト統計値が閾値より下であれば、領域が表示される。
【００６２】
判別関数を構成するために、多くの方法が有効である。本発明のために考慮さ
れた１つの方法は、人為的な神経回路網（neural network）のクラスである。人
為的な神経回路網は、訓練を必要とし、これにより、判別関数は、ラベル付けさ
れた訓練データの補助とともに形成される。
れた１つの方法は、人為的な神経回路網（neural network）のクラスである。人
為的な神経回路網は、訓練を必要とし、これにより、判別関数は、ラベル付けさ
れた訓練データの補助とともに形成される。
【００６３】
好ましい実施形態において、分類処理は、多層パーセプトロン（multi-layer
perceptron：ＭＬＰ）神経回路網（neural network：ＮＮ）によって実行される
。もちろん、例えば、統計的二次分類装置（statistical quadratic classifier
）のような他の分類手段を用いることもできる。疑わしいとして分類された、潜
在的なクラスタ化された微小カルシウム沈着のみが、最終的な明示用に、放射線
科医のために保持される。あるいはまた、個々の微小カルシウム沈着検出のＭＬ
Ｐ ＮＮ分析と微小カルシウム沈着クラスタとの間を反復的にループすることが
望ましい。
perceptron：ＭＬＰ）神経回路網（neural network：ＮＮ）によって実行される
。もちろん、例えば、統計的二次分類装置（statistical quadratic classifier
）のような他の分類手段を用いることもできる。疑わしいとして分類された、潜
在的なクラスタ化された微小カルシウム沈着のみが、最終的な明示用に、放射線
科医のために保持される。あるいはまた、個々の微小カルシウム沈着検出のＭＬ
Ｐ ＮＮ分析と微小カルシウム沈着クラスタとの間を反復的にループすることが
望ましい。
【００６４】
図２３を参照すると、ＭＬＰ ＮＮの概略図を見ることができる。ＭＬＰ ＮＮ
は、Ｊ個の隠された層のノードまたはパーセプトロン４１０の第１層と、各々の
クラスのための１つの出力ノードまたはパーセプトロン４２０とを有している。
本発明の好ましい実施形態は、２つの出力ノードを用いており、各々が、疑わし
い検出のクラスと、疑わしくない検出のクラスのためのものである。もちろん、
より多くのまたは少ないクラスを、微小カルシウム沈着のクラスタの分類のため
に用いることができる。計算された各々の特徴ｘiは、最初に重みｗi,jを乗算さ
れ（ここで、ｉはｉ番目の特徴ベクトル要素を表すインデクス、ｊはｊ番目の第
１層ノードを表すインデクスである）。各々の第１層パーセプトロン４１０の出
力ｙjは、重み付けされた入力の非線形関数であり、かつ、以下の式により与え
られる；
は、Ｊ個の隠された層のノードまたはパーセプトロン４１０の第１層と、各々の
クラスのための１つの出力ノードまたはパーセプトロン４２０とを有している。
本発明の好ましい実施形態は、２つの出力ノードを用いており、各々が、疑わし
い検出のクラスと、疑わしくない検出のクラスのためのものである。もちろん、
より多くのまたは少ないクラスを、微小カルシウム沈着のクラスタの分類のため
に用いることができる。計算された各々の特徴ｘiは、最初に重みｗi,jを乗算さ
れ（ここで、ｉはｉ番目の特徴ベクトル要素を表すインデクス、ｊはｊ番目の第
１層ノードを表すインデクスである）。各々の第１層パーセプトロン４１０の出
力ｙjは、重み付けされた入力の非線形関数であり、かつ、以下の式により与え
られる；
【数１３】
ここで、ｄは特徴ｘiの総数を表し、ｆ（・）は、通常は、飽和非線形性（satur
ating nonlinearity）である。この実施形態において、ｆ（・）＝ｔａｎｈ（・
）である。第１層または隠された層のノード出力ｙjは、重みｕj,kの第２層を乗
算され、かつ、出力層ノード４２０に適用される。出力層ノード４２０の出力は
、重み付けされた入力の非線形関数であり、かつ、以下の式により与えられる；
ating nonlinearity）である。この実施形態において、ｆ（・）＝ｔａｎｈ（・
）である。第１層または隠された層のノード出力ｙjは、重みｕj,kの第２層を乗
算され、かつ、出力層ノード４２０に適用される。出力層ノード４２０の出力は
、重み付けされた入力の非線形関数であり、かつ、以下の式により与えられる；
【数１４】
ここで、ｋはｋ番目の出力ノードを表すインデクスである。
【００６５】
前記双曲線正接関数は、システムの好ましい実施形態において用いられる。そ
の理由は、この関数が、他の関数と比較して、ＭＬＰ ＮＮを比較的迅速に訓練
すること（training）を可能にする。しかしながら、パーセプトロンからの出力
を供給するために、双曲線正接以外の関数を用いてもよい。例えば、Ｓ字状（si
gmoid）関数のような、滑らかに変動する非線形関数の他に、一次関数を用いて
もよい。
の理由は、この関数が、他の関数と比較して、ＭＬＰ ＮＮを比較的迅速に訓練
すること（training）を可能にする。しかしながら、パーセプトロンからの出力
を供給するために、双曲線正接以外の関数を用いてもよい。例えば、Ｓ字状（si
gmoid）関数のような、滑らかに変動する非線形関数の他に、一次関数を用いて
もよい。
【００６６】
重みの値は、ネットワークを訓練することにより得られる。訓練は、既知のク
ラスの帰属関係（membership）の特徴ベクトルを、ネットワークへの入力として
反復的に示すことからなる。重み値は、実際のネットワーク出力と所望のネット
ワーク出力との間の平均二乗誤差を低減させるための後方増殖アルゴリズム（ba
ck propagation algorithm）によって調整される。疑わしい入力に対するｚ1，
ｚ2の所望の出力は、それぞれ＋１，−１である。疑わしくない入力に対するｚ1 ，ｚ2の所望の出力は、それぞれ−１，＋１である。他のエラー測定基準（metri
cs）および出力値を用いてもよい。
ラスの帰属関係（membership）の特徴ベクトルを、ネットワークへの入力として
反復的に示すことからなる。重み値は、実際のネットワーク出力と所望のネット
ワーク出力との間の平均二乗誤差を低減させるための後方増殖アルゴリズム（ba
ck propagation algorithm）によって調整される。疑わしい入力に対するｚ1，
ｚ2の所望の出力は、それぞれ＋１，−１である。疑わしくない入力に対するｚ1 ，ｚ2の所望の出力は、それぞれ−１，＋１である。他のエラー測定基準（metri
cs）および出力値を用いてもよい。
【００６７】
このシステムの実施形態において、ＭＬＰ ＮＮは、汎用コンピュータ状で動
作するソフトウェアによって実行される。あるいはまた、ＭＬＰ ＮＮについて
は、当業者には即座に明らかとなる手段によるハードウェア機器構成において実
行することもできる。
作するソフトウェアによって実行される。あるいはまた、ＭＬＰ ＮＮについて
は、当業者には即座に明らかとなる手段によるハードウェア機器構成において実
行することもできる。
【００６８】
訓練後に、各々の検出されたクラスタ化された微小カルシウム沈着は、差ｚ1
−ｚ2を形成する手段によって、疑わしいかまたは疑わしくないかのいずれかと
して分類され、次に、この差が閾値θと比較される。閾値θと等しいかまたは大
きい値ｚ1−ｚ2（すなわち、ｚ1−ｚ2≧θ）に対し、分類装置は、疑わしいクラ
スタ化された微小カルシウム沈着に関して＋１の値を返し、かつ、ｚ1−ｚ2＜θ
の値ｚ1−ｚ2に対し、分類装置は、疑わしくないクラスタ化された微小カルシウ
ム沈着に関して−１の値を返す。
−ｚ2を形成する手段によって、疑わしいかまたは疑わしくないかのいずれかと
して分類され、次に、この差が閾値θと比較される。閾値θと等しいかまたは大
きい値ｚ1−ｚ2（すなわち、ｚ1−ｚ2≧θ）に対し、分類装置は、疑わしいクラ
スタ化された微小カルシウム沈着に関して＋１の値を返し、かつ、ｚ1−ｚ2＜θ
の値ｚ1−ｚ2に対し、分類装置は、疑わしくないクラスタ化された微小カルシウ
ム沈着に関して−１の値を返す。
【００６９】
それぞれの重みと、第１層ノードの数とに関する最適な値に到達するために、
ＭＬＰ ＮＮは、９７８の乳房Ｘ線像イメージのデータベースから生じた特徴ベ
クトルの訓練セットによって訓練された。
ＭＬＰ ＮＮは、９７８の乳房Ｘ線像イメージのデータベースから生じた特徴ベ
クトルの訓練セットによって訓練された。
【００７０】
本発明のＣＡＤシステムを開発しかつテストするために、真の（true）データ
が最初に生成された。真のデータは、ディジタルイメージにおける組織のカテゴ
リ化を、位置の関数として供給する。真のデータは、免状を有する放射線科医に
より、真のボックスをガンと関連したイメージ領域上にマーキングして生成され
た。乳房Ｘ線像イメージの他に、放射線科医は、さらに、患者の履歴および病状
報告書にアクセスした。
が最初に生成された。真のデータは、ディジタルイメージにおける組織のカテゴ
リ化を、位置の関数として供給する。真のデータは、免状を有する放射線科医に
より、真のボックスをガンと関連したイメージ領域上にマーキングして生成され
た。乳房Ｘ線像イメージの他に、放射線科医は、さらに、患者の履歴および病状
報告書にアクセスした。
【００７１】
放射線科医は、真のボックスによって、クラスタ化された微小カルシウム沈着
と関連しかつバイオプシにより確認されたガンを包含する５７の当該領域を識別
した。次に、９７８のイメージ全てが、本発明の微小カルシウム沈着検出器によ
り処理され、これにより、複数の特徴ベクトル（これらの部分集合は、５７の真
のボックスと関連していた）が生成された。特徴ベクトルの部分集合のうち半分
は、特徴ベクトルの訓練セットを具備するために、クラスタ化された微小カルシ
ウム沈着に関連していない約３倍の特徴ベクトルランダムとともに選択された。
次に、所定数の隠されたノードを有するＭＬＰ ＮＮは、この訓練セットを用い
て訓練された。残りの特徴ベクトルは、訓練後のＭＬＰ ＮＮの性能を評価する
ためのテストデータベースとして用いられた。ＭＬＰ ＮＮの訓練は、Levenberg
-Marquardtによる後方増殖アルゴリズムによって実行された。
と関連しかつバイオプシにより確認されたガンを包含する５７の当該領域を識別
した。次に、９７８のイメージ全てが、本発明の微小カルシウム沈着検出器によ
り処理され、これにより、複数の特徴ベクトル（これらの部分集合は、５７の真
のボックスと関連していた）が生成された。特徴ベクトルの部分集合のうち半分
は、特徴ベクトルの訓練セットを具備するために、クラスタ化された微小カルシ
ウム沈着に関連していない約３倍の特徴ベクトルランダムとともに選択された。
次に、所定数の隠されたノードを有するＭＬＰ ＮＮは、この訓練セットを用い
て訓練された。残りの特徴ベクトルは、訓練後のＭＬＰ ＮＮの性能を評価する
ためのテストデータベースとして用いられた。ＭＬＰ ＮＮの訓練は、Levenberg
-Marquardtによる後方増殖アルゴリズムによって実行された。
【００７２】
あるいはまた、前記ＭＬＰ ＮＮについては、他の学習アルゴリズムによって
訓練することもでき、かつ、片方または両方の層において双曲線正接以外の非線
形性を有し得る。Ｓ字状の出力ノードによる他の実施形態においては、クラスタ
化された微小カルシウム沈着の検出を疑わしいまたは疑わしくないとして分類す
る問題に関するベイズの最適解（Bayes optimal solution）を得ることができる
。
訓練することもでき、かつ、片方または両方の層において双曲線正接以外の非線
形性を有し得る。Ｓ字状の出力ノードによる他の実施形態においては、クラスタ
化された微小カルシウム沈着の検出を疑わしいまたは疑わしくないとして分類す
る問題に関するベイズの最適解（Bayes optimal solution）を得ることができる
。
【００７３】
偽の正のクラスタ化された微小カルシウム沈着を除去するためのＭＬＰ ＮＮ
分類装置の適用前における、テスト中の好ましい実施形態の実行において、検出
処理は、訓練およびテストデータベースの双方において、約９３％の真の正のク
ラスタ化された微小カルシウム沈着を見つけ、その一方で、１イメージ当たり約
１０の偽の正のクラスタ化された微小カルシウム沈着を示した。２５の第１層ノ
ードを有するＭＬＰ ＮＮ分類装置が、訓練中に見つけられたそれぞれの最適な
重みとともに用いられた後に、９３％の真の正検出が保持され、その一方で、５
７％の偽の正検出が首尾よく除去されていたことが見つけられた。図２４を参照
すると、ＭＬＰ ＮＮによる分類後のテストデータベース上におけるテスト結果
のヒストグラムが見られる。もちろん、本発明のＭＬＰ ＮＮについては、必要
に応じて、より多くのまたは少ない第１層ノードによって動作してもよい。
分類装置の適用前における、テスト中の好ましい実施形態の実行において、検出
処理は、訓練およびテストデータベースの双方において、約９３％の真の正のク
ラスタ化された微小カルシウム沈着を見つけ、その一方で、１イメージ当たり約
１０の偽の正のクラスタ化された微小カルシウム沈着を示した。２５の第１層ノ
ードを有するＭＬＰ ＮＮ分類装置が、訓練中に見つけられたそれぞれの最適な
重みとともに用いられた後に、９３％の真の正検出が保持され、その一方で、５
７％の偽の正検出が首尾よく除去されていたことが見つけられた。図２４を参照
すると、ＭＬＰ ＮＮによる分類後のテストデータベース上におけるテスト結果
のヒストグラムが見られる。もちろん、本発明のＭＬＰ ＮＮについては、必要
に応じて、より多くのまたは少ない第１層ノードによって動作してもよい。
【００７４】 検出の表示
クラスタ化された微小カルシウム沈着の位置が決定された後に、前記位置は、
微小カルシウム沈着の周りに矩形ボックスを描くことにより、元のディジタル化
された乳房Ｘ線像イメージ上に、または、元のイメージのコピー上に示される。
例えば、イメージ内において方向を指す矢印を配置したり、検出部位の周囲に楕
円を描くような、微小カルシウム沈着の位置を示すための他の手段を用いてもよ
い。
微小カルシウム沈着の周りに矩形ボックスを描くことにより、元のディジタル化
された乳房Ｘ線像イメージ上に、または、元のイメージのコピー上に示される。
例えば、イメージ内において方向を指す矢印を配置したり、検出部位の周囲に楕
円を描くような、微小カルシウム沈着の位置を示すための他の手段を用いてもよ
い。
【００７５】
クラスタ化された微小カルシウム沈着の位置は、クラスタの境界を定めている
左上方ピクセルおよび右下方ピクセルの行座標および列座標のリストとして表示
検出手順に渡される。最小の行座標および列座標と、最大の行座標および列座標
とは、各々のクラスタに対して計算される。最小の行座標および列座標と最大の
行座標および列座標とにより定義された境界決定ボックス（bounding boxes）が
、公知技術による手段によって、元のディジタル化されたイメージに追加される
。次に、結果として生じたイメージは、コンピュータにより読み取り可能なファ
イルとして記憶され、必要に応じて、モニタ上に表示されるか、または、ハード
コピーイメージとして印刷される。
左上方ピクセルおよび右下方ピクセルの行座標および列座標のリストとして表示
検出手順に渡される。最小の行座標および列座標と、最大の行座標および列座標
とは、各々のクラスタに対して計算される。最小の行座標および列座標と最大の
行座標および列座標とにより定義された境界決定ボックス（bounding boxes）が
、公知技術による手段によって、元のディジタル化されたイメージに追加される
。次に、結果として生じたイメージは、コンピュータにより読み取り可能なファ
イルとして記憶され、必要に応じて、モニタ上に表示されるか、または、ハード
コピーイメージとして印刷される。
【００７６】
このシステムの一実施形態において、結果として生じたイメージは、二重のPe
ntium II（登録商標）プロセッサを有しかつWindows NT（登録商標）オペレーテ
ィングシステムを動作させる汎用コンピュータ上のハードディスクにセーブされ
る。結果として生じたイメージについては、ViewSonic PT813（登録商標）のよ
うなＶＧＡまたはＳＶＧＡモニタ上において見るか、または、Lexmark Optra S1
625（登録商標）のようなレーザープリンタを用いて、ハードコピーによるグレ
イスケールイメージとして印刷することができる。もちろん、他のハードウェア
要素が、当業者により用いられ得る。
ntium II（登録商標）プロセッサを有しかつWindows NT（登録商標）オペレーテ
ィングシステムを動作させる汎用コンピュータ上のハードディスクにセーブされ
る。結果として生じたイメージについては、ViewSonic PT813（登録商標）のよ
うなＶＧＡまたはＳＶＧＡモニタ上において見るか、または、Lexmark Optra S1
625（登録商標）のようなレーザープリンタを用いて、ハードコピーによるグレ
イスケールイメージとして印刷することができる。もちろん、他のハードウェア
要素が、当業者により用いられ得る。
【００７７】 パラメータの最適化
遺伝的アルゴリズム（ＧＡ）は、多くの多様かつ様々な最適化の問題に首尾よ
く適用されてきた。本発明の好ましい実施形態は、Houck等により開発されたＧ
Ａの手段（"A Genetic Algorithm for Function Optimization" Tech. Rep., NC
SU-IE TR 95-09, 1995）を用い、このＧＡ手段は、有望なパラメータ設定を見つ
けるために、本明細書中に組み込まれている。本発明のパラメータ最適化処理は
、図２５に示されている。これは、実験による手動調整を必要とする従来のコン
ピュータ利用診断システムと比較した場合の、最適化技術の新たな応用である。
く適用されてきた。本発明の好ましい実施形態は、Houck等により開発されたＧ
Ａの手段（"A Genetic Algorithm for Function Optimization" Tech. Rep., NC
SU-IE TR 95-09, 1995）を用い、このＧＡ手段は、有望なパラメータ設定を見つ
けるために、本明細書中に組み込まれている。本発明のパラメータ最適化処理は
、図２５に示されている。これは、実験による手動調整を必要とする従来のコン
ピュータ利用診断システムと比較した場合の、最適化技術の新たな応用である。
【００７８】
ＧＡは、突然変異（mutation）や有性組換え（sexual recombination）のよう
なシミュレートされた進化オペレータ（evolutionary operators）の利用により
適応度関数（fitness function）を最大にするための解法の空間（solution spa
ce）を検索する。この実施形態においては、最大にすべき適応度関数は、真の正
検出の数を最大にし、その一方で、真の正検出の数を最小にするという目的を反
映する。ＧＡの利用は、目的関数の構成、パラメータ設定表示、母集団（popula
tion）の初期化、選択関数（selection function）の選択、シミュレートされた
進化に対する遺伝的オペレータの選択（再生メカニズム）、および終了基準（te
rmination criteria）の識別、という幾つかの論点についての決定を必要とする
。
なシミュレートされた進化オペレータ（evolutionary operators）の利用により
適応度関数（fitness function）を最大にするための解法の空間（solution spa
ce）を検索する。この実施形態においては、最大にすべき適応度関数は、真の正
検出の数を最大にし、その一方で、真の正検出の数を最小にするという目的を反
映する。ＧＡの利用は、目的関数の構成、パラメータ設定表示、母集団（popula
tion）の初期化、選択関数（selection function）の選択、シミュレートされた
進化に対する遺伝的オペレータの選択（再生メカニズム）、および終了基準（te
rmination criteria）の識別、という幾つかの論点についての決定を必要とする
。
【００７９】
目的関数（objective function）の構成は、あらゆる最適化アルゴリズムの性
能における鍵となる要因である。クラスタ化された微小カルシウム沈着を検出す
るための関数最適化問題は、「ある有限領域Ｄと、クラスタ検出パラメータの特
定のセットｘ＝｛ｔ，ｆ，ｋlo，ｋhi，Ｎ，μＣsmin，ｄnn｝（ここで、ｘ∈Ｄ
である）と、目的関数ｆobj：Ｄ→Ｒ（ここで、Ｒは実数のセットを示す）とが
与えられる場合に、ｆobjを最大または最小にするＤにおけるｘを求めよ。」と
いうように記載され得る。局所的閾値決定に勾配をつけることがクラスタ検出器
において用いられるときに、パラメータＮ，Ａ，Ｂ，Ｃが最適化される。放射線
学的イメージングシステム（radiologic imaging systems）については、ＦＰレ
ートを最小にするという制約を受けるＴＰレートを最大にするために最適化する
ことができる。この目的（objective）については、以下の式に示される関数形
式に書き直すことができる。
能における鍵となる要因である。クラスタ化された微小カルシウム沈着を検出す
るための関数最適化問題は、「ある有限領域Ｄと、クラスタ検出パラメータの特
定のセットｘ＝｛ｔ，ｆ，ｋlo，ｋhi，Ｎ，μＣsmin，ｄnn｝（ここで、ｘ∈Ｄ
である）と、目的関数ｆobj：Ｄ→Ｒ（ここで、Ｒは実数のセットを示す）とが
与えられる場合に、ｆobjを最大または最小にするＤにおけるｘを求めよ。」と
いうように記載され得る。局所的閾値決定に勾配をつけることがクラスタ検出器
において用いられるときに、パラメータＮ，Ａ，Ｂ，Ｃが最適化される。放射線
学的イメージングシステム（radiologic imaging systems）については、ＦＰレ
ートを最小にするという制約を受けるＴＰレートを最大にするために最適化する
ことができる。この目的（objective）については、以下の式に示される関数形
式に書き直すことができる。
【数１５】
ここでは、最大化が目的（goal）である。特定のセットのクラスタ検出パラメー
タに関しては、最小の受入可能なＴＰレート（ＴＰmin）が超えられると、目的
関数はＦＰレートの負数を返す。そうでなければ、ＴＰレートがＴＰmin以下に
なれば、目的関数は一定数（ＦＰpenalty＝−１０）を返す。他の目的関数を用
いてもよい。
タに関しては、最小の受入可能なＴＰレート（ＴＰmin）が超えられると、目的
関数はＦＰレートの負数を返す。そうでなければ、ＴＰレートがＴＰmin以下に
なれば、目的関数は一定数（ＦＰpenalty＝−１０）を返す。他の目的関数を用
いてもよい。
【００８０】
実数値のＧＡが、ＣＰＵ時間において２進ＧＡよりも効率的な大きさの状態で
あり、かつ、複製（replication）を通してさらに首尾一貫した結果を伴った、
さらに高い精度を供給するので、本発明のこの実施形態は、ＧＡの浮動小数点表
示を用いる。
あり、かつ、複製（replication）を通してさらに首尾一貫した結果を伴った、
さらに高い精度を供給するので、本発明のこの実施形態は、ＧＡの浮動小数点表
示を用いる。
【００８１】
さらに、この実施形態は、検索空間のうち関心を引く部分であることが予め知
られている幾つかの部分を伴う初期の母集団をシード（seed）し、これにより、
反復的に既存の解法（solution）が改善される。さらに、前記部分の数は、目的
関数を評価する計算上のコストを低減させるために、２０に制限される。
られている幾つかの部分を伴う初期の母集団をシード（seed）し、これにより、
反復的に既存の解法（solution）が改善される。さらに、前記部分の数は、目的
関数を評価する計算上のコストを低減させるために、２０に制限される。
【００８２】
本発明の一実施形態において、上述のHouck等によりさらに詳細に説明されて
いるように、再生用の候補を識別するために用いられる、見込みに基づく選択処
理に対し、正規化された幾何学的格付け（geoetrical ranking）が用いられる。
格付けは、平均をはるかに上回る個体により生じた時期尚早の収束（premature
convergence）である傾向がより少ない。格付けの基本的な考えは、解法間の相
対的な適応度に基づいてプールを一致させる（mating）ための解法を選択するこ
とである。さらに、この実施形態は、算術的クロスオーバーとHouck等のＧＡに
含まれる不均一な（nonuniform）突然変異とからなるデフォルト状態の遺伝作用
体系を用いる。
いるように、再生用の候補を識別するために用いられる、見込みに基づく選択処
理に対し、正規化された幾何学的格付け（geoetrical ranking）が用いられる。
格付けは、平均をはるかに上回る個体により生じた時期尚早の収束（premature
convergence）である傾向がより少ない。格付けの基本的な考えは、解法間の相
対的な適応度に基づいてプールを一致させる（mating）ための解法を選択するこ
とである。さらに、この実施形態は、算術的クロスオーバーとHouck等のＧＡに
含まれる不均一な（nonuniform）突然変異とからなるデフォルト状態の遺伝作用
体系を用いる。
【００８３】
この実施形態は、目的関数が収束するまで解法を検索し続ける。あるいはまた
、所定数の世代後に検索を終了させることもできる。母集団の多様性の損失およ
び／または向上の欠如に起因する終了は、クロスオーバーが母集団の変動の主要
因である場合には効率的であるが、同質の母集団は、突然変異を用いた場合に、
より優れた（より高度な）適応度により継承され得る。クロスオーバーは、最適
な部分のうちの幾つかからの要素を組み合わせることにより、母集団の新たな部
分を発生させることを指す。これは、解法を、検索空間の最良の部分に保つこと
に対応する。突然変異は、最適な部分からの要素をランダムに変更することを指
す。これは、アルゴリズムが、局所的な最大値であるに過ぎない検索空間の領域
を抜けることを可能にする。収束した可能性がある母集団を最開始させることは
有用であることが判明しているので、ＧＡは、平均的な適応度の増加における一
貫した欠如が認識されるまで、幾度か反復される。
、所定数の世代後に検索を終了させることもできる。母集団の多様性の損失およ
び／または向上の欠如に起因する終了は、クロスオーバーが母集団の変動の主要
因である場合には効率的であるが、同質の母集団は、突然変異を用いた場合に、
より優れた（より高度な）適応度により継承され得る。クロスオーバーは、最適
な部分のうちの幾つかからの要素を組み合わせることにより、母集団の新たな部
分を発生させることを指す。これは、解法を、検索空間の最良の部分に保つこと
に対応する。突然変異は、最適な部分からの要素をランダムに変更することを指
す。これは、アルゴリズムが、局所的な最大値であるに過ぎない検索空間の領域
を抜けることを可能にする。収束した可能性がある母集団を最開始させることは
有用であることが判明しているので、ＧＡは、平均的な適応度の増加における一
貫した欠如が認識されるまで、幾度か反復される。
【００８４】
いったん、潜在的に最適な解法が、ＧＡを用いることにより見つけられると、
最適なＧＡの解法については、局所的な検索によりさらに最適化することができ
る。本発明の他の実施形態は、最適化されたＧＡ解法をさらに正確にするための
単一の方法を用いる。
最適なＧＡの解法については、局所的な検索によりさらに最適化することができ
る。本発明の他の実施形態は、最適化されたＧＡ解法をさらに正確にするための
単一の方法を用いる。
【００８５】
さらに、前記自動切り取りシステムは、コントラスト値と、侵食数と、拡張数
とを包含するそのパラメータの最適化から恩恵を得る。自動切り取り器の最適化
のための方法は、ある訓練データ用に胸部マスクを人手により発生させる段階と
、初期の母集団を選択する段階と、訓練データ用に胸部マスクを生成させる段階
とを備える。さらに、この方法は、人手により発生したマスクの外側における自
動切り取りされた胸部組織の分数（fraction）の他に、人手により発生したマス
クと自動的に発生したマスクとの重複の百分率を測定する段階をも備える。さら
に、この方法は、勝者である部分を選択することと、新たな部分を発生させるこ
とと、所定の目的関数が収束するまで、上述したのと同じ方法で反復することと
を具備する。
とを包含するそのパラメータの最適化から恩恵を得る。自動切り取り器の最適化
のための方法は、ある訓練データ用に胸部マスクを人手により発生させる段階と
、初期の母集団を選択する段階と、訓練データ用に胸部マスクを生成させる段階
とを備える。さらに、この方法は、人手により発生したマスクの外側における自
動切り取りされた胸部組織の分数（fraction）の他に、人手により発生したマス
クと自動的に発生したマスクとの重複の百分率を測定する段階をも備える。さら
に、この方法は、勝者である部分を選択することと、新たな部分を発生させるこ
とと、所定の目的関数が収束するまで、上述したのと同じ方法で反復することと
を具備する。
【００８６】
図２６および図２７において、最適化された微小カルシウム沈着検出器と分類
装置との出力に関する、本発明のシステムのための自由応答受信器動作特性（fr
ee response receiver operating charasteristic）の曲線が、それぞれ見られ
る。図２６は、検出を分類する前における最適化された検出器の性能を示し、そ
の一方で、図２７は、検出を分類した後におけるシステムの性能を示す。
装置との出力に関する、本発明のシステムのための自由応答受信器動作特性（fr
ee response receiver operating charasteristic）の曲線が、それぞれ見られ
る。図２６は、検出を分類する前における最適化された検出器の性能を示し、そ
の一方で、図２７は、検出を分類した後におけるシステムの性能を示す。
【００８７】
ＧＡについて、好ましい実施形態のパラメータ最適化の部分と関連して説明し
てきたが、例えば、応答曲面法（response surface methodology）のような他の
最適化技術も適している。もちろん、本明細書に説明されている以外の処理シス
テムを、ＧＡも含め、本明細書に説明されている方法により最適化してもよい。
てきたが、例えば、応答曲面法（response surface methodology）のような他の
最適化技術も適している。もちろん、本明細書に説明されている以外の処理シス
テムを、ＧＡも含め、本明細書に説明されている方法により最適化してもよい。
【００８８】 最適な感度のためのＣＡＤシステム出力の統合
ガンと関連した疑わしい領域の検出のための性能測定基準（performance metr
ics）は、しばしば、感度（sensitivity）と特異性（specificity）とに関して
報告されている。感度は、システムがどれだけ適切に疑わしい領域を見つけるの
かを測定し、かつ、再検査された症例における疑わしい領域の総数から検出され
た疑わしい領域の百分率として定義される。感度は、以下のように定義される：
ics）は、しばしば、感度（sensitivity）と特異性（specificity）とに関して
報告されている。感度は、システムがどれだけ適切に疑わしい領域を見つけるの
かを測定し、かつ、再検査された症例における疑わしい領域の総数から検出され
た疑わしい領域の百分率として定義される。感度は、以下のように定義される：
【数１６】
ここで、ＴＰは、ガンと関連しているＣＡＤシステムにより疑わしいとして報告
された領域の数であり、かつ、ＦＮは、ガンであることが既知であるが疑わしい
として報告されていない領域の数である。特異性は、システムがどれだけ適切に
正常領域を正常であるとして報告するのかを測定する。特異性は、以下のように
定義される：
された領域の数であり、かつ、ＦＮは、ガンであることが既知であるが疑わしい
として報告されていない領域の数である。特異性は、システムがどれだけ適切に
正常領域を正常であるとして報告するのかを測定する。特異性は、以下のように
定義される：
【数１７】
ここで、ＴＮは、疑わしくないとして正確に識別された領域を示し、かつ、ＦＰ
は、ガンでないことが疑わしいとして報告された領域を示す。
は、ガンでないことが疑わしいとして報告された領域を示す。
【００８９】
現在のＣＡＤシステムは、ＦＰを低下させることにより特異性を増加させる。
しかしながら、ＦＰおよびＴＰは連結された数量である。すなわち、ＦＰの低下
は、ＴＰの低下につながる。このことは、目的が高い特異性を維持することであ
る場合には、検出することができた疑わしい領域の中には見過ごされるものもあ
ることを意味する。
しかしながら、ＦＰおよびＴＰは連結された数量である。すなわち、ＦＰの低下
は、ＴＰの低下につながる。このことは、目的が高い特異性を維持することであ
る場合には、検出することができた疑わしい領域の中には見過ごされるものもあ
ることを意味する。
【００９０】
図２８および図２９は、数量ＴＰ，ＦＰ，ＴＮ，ＦＮの間の関係を示す。乳房
撮影イメージのスクリーニングからの測定値は、テスト統計値ｘにより表される
。ｘの確率密度関数（probability density function）はｐ（ｘ）により表され
、かつ、決定閾値（decision threshold）はθにより表される。ｘがθより大き
ければ、疑わしい領域が報告される。確率密度関数の下での領域は、イベントの
見込みを表す。図２８から、閾値の増加がＦＰ決定の見込みを低下させることを
特筆しておく。しかしながら、図２９から、閾値の増加が、ＴＰ決定の見込みを
も同時に低下させることも特筆しておく。
撮影イメージのスクリーニングからの測定値は、テスト統計値ｘにより表される
。ｘの確率密度関数（probability density function）はｐ（ｘ）により表され
、かつ、決定閾値（decision threshold）はθにより表される。ｘがθより大き
ければ、疑わしい領域が報告される。確率密度関数の下での領域は、イベントの
見込みを表す。図２８から、閾値の増加がＦＰ決定の見込みを低下させることを
特筆しておく。しかしながら、図２９から、閾値の増加が、ＴＰ決定の見込みを
も同時に低下させることも特筆しておく。
【００９１】
ＣＡＤシステムのために存在する他の測定基準は、正予測値（positive predi
ct value：ＰＰＶ）であり、このＰＰＶは、当該領域が疑わしいとして分類され
た場合にガンが実際に存在する見込みとして定義される。ＰＰＶについては、以
下の式から計算することができる。
ct value：ＰＰＶ）であり、このＰＰＶは、当該領域が疑わしいとして分類され
た場合にガンが実際に存在する見込みとして定義される。ＰＰＶについては、以
下の式から計算することができる。
【数１８】
ＴＰを増加させるかまたはＦＰを低下させることによりＰＰＶが増加することを
特筆しておく。
特筆しておく。
【００９２】
放射線科医およびコンピュータは、様々な疑わしい領域を見つける。図３０は
、人間および機会による検出に関する、可能性としてあり得る疑わしい領域の分
散を示すベン図である。疑わしい領域の中には、人間の解釈者または放射線科医
のみにより見つけられるものもあり、ＣＡＤシステムのみにより見つけられるも
のもあり、両方により見つけられるものもあり、また、いずれによっても見つけ
られないものもある。
、人間および機会による検出に関する、可能性としてあり得る疑わしい領域の分
散を示すベン図である。疑わしい領域の中には、人間の解釈者または放射線科医
のみにより見つけられるものもあり、ＣＡＤシステムのみにより見つけられるも
のもあり、両方により見つけられるものもあり、また、いずれによっても見つけ
られないものもある。
【００９３】
図３１を参照すると、最適な感度のために、ＣＡＤシステムの出力を、乳房撮
影イメージ１０のスクリーニングに関する人間の解釈者の観察と統合するための
（より詳細には、本発明のＣＡＤシステムのための）好ましい方法が見られる。
この方法において、放射線科医は、段階２０において、乳房撮影イメージ１０の
スクリーニングを検査し、かつ、Ｓ１として指定された疑わしい領域３０のセッ
トを報告する。次に、ＣＡＤシステムは、段階４０において、イメージ１０上で
動作し、かつ、Ｓ２として指定された疑わしい領域５０のセットを報告する。次
に、放射線科医は、段階６０において、セットＳ２を検査し、かつ、セットＳ２
の要素を受け入れるかまたは疑わしいとして拒絶し、これにより、Ｓ３として指
定された第３の疑わしい領域のセット７０（これはＳ２の部分集合である）が形
成される。次に、放射線科医は、段階８０において、Ｓ４として指定された精密
検査領域９０（これは、Ｓ１およびＳ２の和集合である）を作成する。次に、精
密検査領域９０は、より高い解像度を有する追加の乳房Ｘ線像を撮像するような
、さらなる検査を勧告され、超音波によって精密検査領域に対応する胸部組織の
領域を検査するか、または、胸部組織のバイオプシを実行する。
影イメージ１０のスクリーニングに関する人間の解釈者の観察と統合するための
（より詳細には、本発明のＣＡＤシステムのための）好ましい方法が見られる。
この方法において、放射線科医は、段階２０において、乳房撮影イメージ１０の
スクリーニングを検査し、かつ、Ｓ１として指定された疑わしい領域３０のセッ
トを報告する。次に、ＣＡＤシステムは、段階４０において、イメージ１０上で
動作し、かつ、Ｓ２として指定された疑わしい領域５０のセットを報告する。次
に、放射線科医は、段階６０において、セットＳ２を検査し、かつ、セットＳ２
の要素を受け入れるかまたは疑わしいとして拒絶し、これにより、Ｓ３として指
定された第３の疑わしい領域のセット７０（これはＳ２の部分集合である）が形
成される。次に、放射線科医は、段階８０において、Ｓ４として指定された精密
検査領域９０（これは、Ｓ１およびＳ２の和集合である）を作成する。次に、精
密検査領域９０は、より高い解像度を有する追加の乳房Ｘ線像を撮像するような
、さらなる検査を勧告され、超音波によって精密検査領域に対応する胸部組織の
領域を検査するか、または、胸部組織のバイオプシを実行する。
【００９４】
図３２を参照すると、上述した要素に加えて、密度検出器８００と、密度分類
装置９００と、検出結果結合装置１０００とを備える、本発明の他の実施形態が
見られる。密度検出器８００は、乳房Ｘ線像のスクリーニングのディジタル表示
において現れる塊りと病変とを検出する。密度分類装置９００は、微小カルシウ
ム沈着分類装置に関連して上述したＭＬＰ ＮＮと同様の方法で、ＭＬＰ ＮＮに
よって疑わしいかまたは疑わしくないかのいずれかとして検出された密度を分類
する。次に、疑わしいとして分類された検出された密度は、ともに合同され、か
つ、検出結果結合装置１０００において、疑わしい検出された微小カルシウム沈
着と結合される。
装置９００と、検出結果結合装置１０００とを備える、本発明の他の実施形態が
見られる。密度検出器８００は、乳房Ｘ線像のスクリーニングのディジタル表示
において現れる塊りと病変とを検出する。密度分類装置９００は、微小カルシウ
ム沈着分類装置に関連して上述したＭＬＰ ＮＮと同様の方法で、ＭＬＰ ＮＮに
よって疑わしいかまたは疑わしくないかのいずれかとして検出された密度を分類
する。次に、疑わしいとして分類された検出された密度は、ともに合同され、か
つ、検出結果結合装置１０００において、疑わしい検出された微小カルシウム沈
着と結合される。
【００９５】
本発明が、乳房Ｘ線像内のクラスタ化された微小カルシウム沈着に関連して説
明されてきた一方で、本明細書において説明された方法およびシステムを、胸部
Ｘ線のような他の医療イメージに適用することもできることが分かる。
明されてきた一方で、本明細書において説明された方法およびシステムを、胸部
Ｘ線のような他の医療イメージに適用することもできることが分かる。
【００９６】
本明細書において説明された装置の形式が本発明の好ましい実施形態を構成す
る一方で、本発明がこの装置の形式通りに制限されるものではなく、かつ、添付
された請求の範囲において規定された本発明の範囲から逸脱することなく変更が
なされ得ることが分かる。
る一方で、本発明がこの装置の形式通りに制限されるものではなく、かつ、添付
された請求の範囲において規定された本発明の範囲から逸脱することなく変更が
なされ得ることが分かる。
【図１】 ディジタル乳房Ｘ線像における、クラスタ化された微小カルシウ
ム沈着の検出のための自動システムを示す流れ図である。
ム沈着の検出のための自動システムを示す流れ図である。
【図２】 本発明の自動切り取り方法およびシステムを示す流れ図である。
【図３】 図２と同様の図である。
【図４】 本発明の自動切り取り方法およびシステムをより詳細に示す流れ
図である。
図である。
【図５】 図４と同様の図である。
【図６】 図４と同様の図である。
【図７】 図４と同様の図である。
【図８】 図４と同様の図である。
【図９】 図４と同様の図である。
【図１０】 図４と同様の図である。
【図１１】 本発明による、クラスタ化された微小カルシウム沈着検出器を
より詳細に示す流れ図である。
より詳細に示す流れ図である。
【図１２】 本発明の３×３十字形メジアンフィルタの概略図である。
【図１３】 ガウス差分（ＤｏＧ）フィルタカーネルの３次元図である。
【図１４】 図１３のＤｏＧフィルタカーネルの中心を通る断面図である。
【図１５】 微小カルシウム沈着検出システムの全体的な閾値決定部を示す
流れ図である。
流れ図である。
【図１６】 本発明の二重の局所的な閾値決定を示す流れ図である。
【図１７】 全体的閾値決定の結果と二重の局所的閾値決定の結果との結合
を示す流れ図である。
を示す流れ図である。
【図１８】 本発明の勾配つき局所的閾値決定を示す流れ図である。
【図１９】 本発明のクラスタ化方法を示す流れ図である。
【図２０】 本発明のクラスタ化方法を示す概略図である。
【図２１】 本発明の特徴計算処理を示す流れ図である。
【図２２】 １クラス当たり１つの判別関数を有する分類装置を示す流れ図
である。
である。
【図２３】 ２クラスの分類装置に関する多層式パーセプトロン神経回路網
を示す概略図である。
を示す概略図である。
【図２４】 検出および分類後のテスト結果のヒストグラムである。
【図２５】 本発明のパラメータ最適化方法を示す流れ図である。
【図２６】 検出を分類する前における本発明の自由応答受信器動作特性の
曲線の図である。
曲線の図である。
【図２７】 検出を分類した後における本発明の自由応答受信器動作特性の
曲線の図である。
曲線の図である。
【図２８】 偽の負検出の可能性と偽の正検出の可能性との間の関係を示す
確率密度関数の図である。
確率密度関数の図である。
【図２９】 真の負検出の可能性と真の正検出の可能性との間の関係を示す
確率密度関数の図である。
確率密度関数の図である。
【図３０】 放射線科医による検出とＣＡＤシステムによる検出との間の関
係を示すベン図である。
係を示すベン図である。
【図３１】 最適な感度のために、コンピュータ利用診断による検出を、人
間の解釈者による検出と統合するための方法を示す流れ図である。
間の解釈者による検出と統合するための方法を示す流れ図である。
【図３２】 本発明の、密度検出器を備える他の実施形態を示す流れ図であ
る。
る。
【符号の説明】
１９０ ディジタル乳房Ｘ線像イメージ
２００ 自動切り取りアルゴリズム
２９６ 分析領域
２９８ ２進マスク
─────────────────────────────────────────────────────
フロントページの続き
(31)優先権主張番号 ６０／０７６，７６０
(32)優先日 平成10年３月３日(1998．3．3)
(33)優先権主張国 米国（ＵＳ）
(81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＣＹ，
ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，Ｉ
Ｔ，ＬＵ，ＭＣ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ
，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＧＷ，ＭＬ，
ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＧＨ，ＧＭ，Ｋ
Ｅ，ＬＳ，ＭＷ，ＳＤ，ＳＺ，ＵＧ，ＺＷ)，ＥＡ(ＡＭ
，ＡＺ，ＢＹ，ＫＧ，ＫＺ，ＭＤ，ＲＵ，ＴＪ，ＴＭ)
，ＡＬ，ＡＭ，ＡＴ，ＡＵ，ＡＺ，ＢＡ，ＢＢ，ＢＧ，
ＢＲ，ＢＹ，ＣＡ，ＣＨ，ＣＮ，ＣＵ，ＣＺ，ＤＥ，Ｄ
Ｋ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＥ，ＧＨ，ＧＭ，ＨＲ
，ＨＵ，ＩＤ，ＩＬ，ＩＳ，ＪＰ，ＫＥ，ＫＧ，ＫＰ，
ＫＲ，ＫＺ，ＬＣ，ＬＫ，ＬＲ，ＬＳ，ＬＴ，ＬＵ，Ｌ
Ｖ，ＭＤ，ＭＧ，ＭＫ，ＭＮ，ＭＷ，ＭＸ，ＮＯ，ＮＺ
，ＰＬ，ＰＴ，ＲＯ，ＲＵ，ＳＤ，ＳＥ，ＳＧ，ＳＩ，
ＳＫ，ＳＬ，ＴＪ，ＴＭ，ＴＲ，ＴＴ，ＵＡ，ＵＧ，Ｕ
Ｚ，ＶＮ，ＹＵ，ＺＷ
(72)発明者 ランディ・ピー・ブロサード
アメリカ合衆国・オハイオ・45424・フー
バー・ハイツ・ビーコン・ツリー・コー
ト・6255
(72)発明者 マーティン・ピー・デスィミオ
アメリカ合衆国・オハイオ・45324・フェ
アボーン・アパローザ・トレイル・4770
(72)発明者 ジェフリー・ダブリュ・ホフメイスター
アメリカ合衆国・オハイオ・45434・ビー
ヴァークリーク・タウンクレスト・ドライ
ヴ・291
(72)発明者 エドワード・エム・オチョア
アメリカ合衆国・テキサス・78229・サ
ン・アントニオ・メディカル・ドライヴ・
＃21108・4114
(72)発明者 トーマス・エフ・ラスバン
アメリカ合衆国・オハイオ・45431・ビー
ヴァークリーク・オールド・ウィロー・ド
ライヴ・3685
(72)発明者 スティーヴン・ケー・ロジャース
アメリカ合衆国・オハイオ・45430・ビー
ヴァークリーク・サウス・エメラルド・コ
ート・4017
(72)発明者 ジョン・イー・ローゼンステンゲル
アメリカ合衆国・オハイオ・45424・フー
バー・ハイツ・サイプレス・ゲート・8949
Ｆターム(参考） 4C093 AA26 CA50 DA03 DA06 FD01
FD03 FD05 FD08 FD09 FF03
FF13 FF17
5B057 AA08 BA03 BA24 BA30 CE02
CE06 DA08 DC04 DC06 DC19
Claims (51)
- 【請求項１】 クラスタ化された微小カルシウム沈着をディジタル乳房Ｘ線
像から自動検出するための方法であって、 ディジタル乳房Ｘ線像を得る段階と、 前記ディジタル乳房Ｘ線像を切り取るための第１パラメータを最適化する段階
と、 前記ディジタル乳房Ｘ線像における胸部組織の切り取られたイメージ標本を生
成するために、前記最適化された第１パラメータに基づいて前記ディジタル乳房
Ｘ線像を切り取る段階と、 前記切り取られたイメージにおけるクラスタ化された微小カルシウム沈着を検
出するための第２パラメータを最適化する段階と、 前記最適化された第２パラメータに基づいて、前記切り取られたイメージにお
けるクラスタ化された微小カルシウム沈着を検出する段階と、 前記ディジタル乳房Ｘ線像における前記検出されたクラスタ化された微小カル
シウム沈着の位置を示す段階と を具備することを特徴とする方法。 - 【請求項２】 ディジタル乳房Ｘ線像イメージの残りからの胸部組織に対応
する、ディジタル乳房Ｘ線像イメージの領域を区分するための方法であって、 前記ディジタル乳房Ｘ線像のディジタル表示を記憶する段階と、 強化されたイメージであって、該イメージにおいて、胸部組織に対応する前記
乳房Ｘ線像の前記領域のコントラストが増加するイメージを生成するために、前
記ディジタル表示のヒストグラムを強化する段階と、 シードピクセルを具備する２進イメージを生成するために、前記強化されたイ
メージの閾値を定める段階と、 マスクを生成するために、前記２進イメージにおける前記シードピクセルの領
域増大を行う段階と、 前記マスクの孔部を閉じる段階と、 前記マスクを侵食する段階と、 前記マスクを拡張する段階と、 前記マスクにおいて、前記ディジタル表示を最大オブジェクトのサイズに切り
取る段階と を具備することを特徴とする方法。 - 【請求項３】 ディジタル乳房Ｘ線像イメージにおける微小カルシウム沈着
を検出するための方法であって、 前記ディジタル乳房Ｘ線像イメージを第１フィルタリングして、前記イメージ
のノイズを低減し、これにより、ノイズを低減したイメージを生成する段階と、 ガウス差分（ＤｏＧ）フィルタを用いて、前記ノイズを低減したイメージを第
２フィルタリングして、ＤｏＧフィルタリングされたイメージを生成し、前記Ｄ
ｏＧフィルタリングされたイメージにおいて、潜在的な微小カルシウム沈着の外
観が強化される段階と、 前記ＤｏＧフィルタリングされたイメージの全体的な閾値を定めて、前記Ｄｏ
Ｇフィルタリングされたイメージから潜在的な微小カルシウム沈着を区分する段
階と、 前記ＤｏＧフィルタリングされたイメージの局所的な閾値を定めて、前記Ｄｏ
Ｇフィルタリングされたイメージから潜在的な微小カルシウム沈着を区分する段
階と、 前記全体的な閾値を定められた潜在的な微小カルシウム沈着と、前記局所的な
閾値を定められた潜在的な微小カルシウム沈着とを、ともに論理的にＡＮＤ演算
する段階と、 前記論理的にＡＮＤ演算された潜在的な微小カルシウム沈着を、単一ピクセル
座標表示に変換する段階と、 胸部組織に対応するディジタル乳房Ｘ線像イメージの領域の外側に存在する単
一ピクセル座標表示を除く段階と、 先の段階から残存する前記単一ピクセル座標表示をともにクラスタ化して、潜
在的なクラスタ化された微小カルシウム沈着を識別する段階と、 前記潜在的なクラスタ化された微小カルシウム沈着の各々に関する特徴を計算
する段階と、 前記潜在的なクラスタ化された微小カルシウム沈着の各々に関する、前記計算
された特徴に基づいて、潜在的なクラスタ化された微小カルシウム沈着を除去す
る段階と、 先の段階の後に残存するこれらの潜在的なクラスタ化された微小カルシウム沈
着の位置を、前記ディジタル乳房Ｘ線像イメージに示す段階と を具備することを特徴とする方法。 - 【請求項４】 乳房Ｘ線像のスクリーニングにおけるディジタルイメージ処
理により、クラスタ化された微小カルシウム沈着を自動検出するための方法であ
って、 乳房Ｘ線像のディジタル表示を記憶する段階と、 前記ディジタル表示とともにガウス差分方程式を具備するフィルタカーネルを
巻き込む段階と を具備し、これにより、微小カルシウム沈着のサイズおよび形状の特性に従わな
いイメージにおける情報は抑制され、かつ、疑わしい微小カルシウム沈着は、結
果として生じたイメージ内において明るいスポットとして現れ、 さらに、前記結果として生じたイメージに対し、全体的かつ局所的に閾値を定
める段階 を具備し、これにより、疑わしい微小カルシウム沈着の領域のみを本質的に具備
する、結果として生じた第２イメージが得られることを特徴とする方法。 - 【請求項５】 乳房Ｘ線像のスクリーニングにおけるディジタルイメージ処
理により、クラスタ化された微小カルシウム沈着を自動検出するための方法であ
って、 乳房Ｘ線像のディジタル表示を記憶する段階と、 最適化されたパラメータ値を得るために、最適化アルゴリズムと訓練イメージ
のデータベースとを用いる段階と、 前記最適化されたパラメータを用いて、フィルタリング・アルゴリズムを前記
ディジタル表示に適用して、疑わしい微小カルシウム沈着を本質的に具備するフ
ィルタリングされたイメージを得る段階と、 前記疑わしい微小カルシウム沈着の単一ピクセル表示を本質的に具備するイメ
ージを得るために、前記フィルタリングされたイメージを縮小する段階と、 前記最適化されたパラメータを用いて、前記単一ピクセル表示をクラスタの形
に寄せ集める段階と を具備することを特徴とする方法。 - 【請求項６】 前記最適化アルゴリズムを用いる段階は、遺伝的アルゴリズ
ムを用いる段階を具備することを特徴とする請求項５に記載の方法。 - 【請求項７】 前記遺伝的アルゴリズムを用いる段階は、ｄNN値とμＣsmin 値とを得ることを具備し（ここで、ｄNNは最も近い隣接距離を示し、μＣsminは
、検出された微小カルシウム沈着の数を示す）、 前記寄せ集める段階は、単一ピクセル表示を、μＣsminの距離ｄNN内において
は他の微小カルシウム沈着である微小カルシウム沈着を示すクラスタの形に寄せ
集めることを特徴とする請求項６に記載の方法。 - 【請求項８】 前記遺伝的アルゴリズムを用いる段階は、ｄNNとμＣsminと
に関する可能な値を含む解法空間を反復的に検索する段階を具備し、これにより
、値のセットが識別され、該値のセットにおいて、少なくとも１つの適応度関数
が最大にされることを特徴とする請求項７に記載の方法。 - 【請求項９】 前記遺伝的アルゴリズムを用いる段階は、費用関数が最小に
される前記値のセットのうち少なくとも１つを識別するための単一の方法を用い
る段階を具備することを特徴とする請求項８に記載の方法。 - 【請求項１０】 乳房Ｘ線像のスクリーニングにおけるディジタルイメージ
処理により、クラスタ化された微小カルシウム沈着を自動検出するための方法で
あって、 乳房Ｘ線像のディジタル表示を記憶する段階と、 前記ディジタル表示において、微小カルシウム沈着の潜在的なクラスタを突き
止める段階と、 前記微小カルシウム沈着の潜在的なクラスタの特徴を抽出する段階と、 前記抽出された特徴を、多層式パーセプトロンの人為的な神経回路網への入力
として用いる段階と、 前記微小カルシウム沈着のクラスタを疑わしいかまたは疑わしくないとして分
類するために、前記多層式パーセプトロンの人為的な神経回路網を用いる段階と
を具備することを特徴とする方法。 - 【請求項１１】 前記微小カルシウム沈着のクラスタを疑わしいかまたは疑
わしくないとして分類するために前記多層式パーセプトロンの人為的な神経回路
網を用いる段階は、 結果として生じる一連の値を得るために、前記多層式パーセプトロンの人為的
な神経回路網の出力値を、滑らかに変動する出力関数において用いる段階と、 前記結果として生じる値のうちの１つの値と関連したクラスタを、この１つの
値が閾値より大きいかまたは該閾値と等しければであれば疑わしいとして分類し
、この１つの値が閾値より小さければ疑わしくないとして分類する段階と を具備することを特徴とする請求項１０に記載の方法。 - 【請求項１２】 前記滑らかに変動する出力関数は、双曲線正接関数である
ことを特徴とする請求項１１に記載の方法。 - 【請求項１３】 前記滑らかに変動する出力関数は、一次関数であることを
特徴とする請求項１１に記載の方法。 - 【請求項１４】 前記滑らかに変動する出力関数は、Ｓ字状関数を具備する
ことを特徴とする請求項１１に記載の方法。 - 【請求項１５】 前記微小カルシウム沈着のクラスタを疑わしいかまたは疑
わしくないとして分類するために前記多層式パーセプトロンの人為的な神経回路
網を用いる段階は、 前記特徴のうち少なくとも１つに重みｗi,jを乗算する段階と（ここで、ｉは
Ｎ個の要素を有する特徴ベクトルｘのうちｉ番目の特徴ベクトル要素を示すイン
デクスであり、ｊはｊ番目の第１層ノードを示すインデクスである）、 第１層出力ｆjを計算するために、前記多層式パーセプトロンの人為的な神経
回路網の第１層ノードを用いる段階とを具備し、 前記第１層出力ｆjは、 【数１】 （ここで、ｘiは計算された特徴ベクトル要素である） という関数に従って計算されることを特徴とする請求項１１に記載の方法。 - 【請求項１６】 前記微小カルシウム沈着のクラスタを疑わしいかまたは疑
わしくないとして分類するために前記多層式パーセプトロンの人為的な神経回路
網を用いる段階は、 前記第１層出力ｆjのうち少なくとも１つに第２の重みｕj,kを乗算する段階と
、 前記乗算段階の結果を、少なくとも１つの出力ノードへの入力として用いる段
階と を具備し、 前記少なくとも１つの出力ノードの出力は、 【数２】 （ここで、ｙj＝ｆj（ｘ），ｋはｋ番目の出力ノードを示すインデクスであり、
かつ、Ｊは乗算すべき第１層出力の数である） という関数に従って計算されることを特徴とする請求項１５に記載の方法。 - 【請求項１７】 乳房Ｘ線像におけるクラスタ化された微小カルシウム沈着
を検出するための、コンピュータ利用診断システムの出力検出を、感度を低下さ
せずに、同じ乳房Ｘ線像に関して人間の解釈者により観察された検出と統合する
ための方法であって、 第１検出セットを形成するために、前記観察された検出を得る段階と、 第２検出セットを形成するために、前記出力検出を得る段階と、 第３検出セットを形成するために、前記第２セットにおける幾つかの出力検出
を受け入れる段階と、 第４検出セットを形成するために、前記第１セットと前記第３セットとを組み
合わせる段階と、 前記第４検出セットに基づいて出力を供給する段階と を具備することを特徴とする方法。 - 【請求項１８】 乳房Ｘ線像のスクリーニングにおけるディジタルイメージ
処理により、クラスタ化された微小カルシウム沈着を自動検出するための方法で
あって、 乳房Ｘ線像のディジタル表示を記憶する段階と、 前記ディジタル表示をフィルタリングして、疑わしい微小カルシウム沈着を具
備するフィルタリングされたイメージを得る段階と、 勾配をつけた局所的閾値によって、前記フィルタリングされたイメージの閾値
を定め、疑わしい微小カルシウム沈着の領域のみを本質的に具備するイメージを
得る段階と を具備することを特徴とする方法。 - 【請求項１９】 前記閾値を定める段階は、 座標（ｘ，ｙ）を有する当該ピクセル上にウィンドウの中心を置く段階と、 前記ウィンドウの下における前記ピクセルの平均（ｘ，ｙ）と標準偏差（ｘ，
ｙ）とを計算する段階と、 【数３】 （ここで、Ａは所定のオフセット、ＢおよびＣは所定の係数） という関数に従って、前記当該ピクセル局所的閾値Ｔ（ｘ，ｙ）を計算する段階
と、 前記フィルタリングされたイメージにおいて、対応する当該ピクセルのグレイ
スケール値を、前記局所的閾値と比較する段階と、 ２進イメージ内における対応ピクセルを、前記グレイスケール値が前記局所的
閾値より大きいかまたはこの局所的閾値と等しければ１に設定し、前記グレイス
ケール値が前記局所的閾値より小さければゼロに設定することにより、前記２進
イメージを生成する段階と を具備することを特徴とする請求項１８に記載の方法。 - 【請求項２０】 クラスタ化された微小カルシウム沈着をディジタル乳房Ｘ
線像から自動検出するための装置であって、 ディジタル乳房Ｘ線像を得る手段と、 前記ディジタル乳房Ｘ線像を切り取るための第１パラメータを最適化する手段
と、 前記ディジタル乳房Ｘ線像を切り取る手段と、 前記切り取られたイメージにおけるクラスタ化された微小カルシウム沈着を検
出するための第２パラメータを最適化する手段と、 前記最適化された第２パラメータを用いて、前記切り取られたイメージにおけ
るクラスタ化された微小カルシウム沈着を検出する手段と、 前記ディジタル乳房Ｘ線像における前記検出されたクラスタ化された微小カル
シウム沈着の位置を示す手段と を具備し、 前記切り取る手段は、前記ディジタル乳房Ｘ線像における胸部組織の切り取ら
れたイメージ標本を生成するために、前記最適化された第１パラメータを用いる
ことを特徴とする装置。 - 【請求項２１】 ディジタル乳房Ｘ線像におけるクラスタ化された微小カル
シウム沈着を検出するための装置であって、 潜在的な微小カルシウム沈着の外観が強化されるＤｏＧフィルタリングされた
イメージを生成するためのガウス差分（ＤｏＧ）フィルタと、 前記ＤｏＧフィルタリングされたイメージから前記潜在的な微小カルシウム沈
着を区分するための閾値決定手段と、 前記潜在的な微小カルシウム沈着のために単一ピクセル座標表示を生成するた
めの抽出手段と、 前記単一ピクセル表示をクラスタの形に寄せ集めるためのクラスタ化手段と を具備することを特徴とする装置。 - 【請求項２２】 乳房Ｘ線像のスクリーニングにおけるディジタルイメージ
処理により、クラスタ化された微小カルシウム沈着を自動検出するための装置で
あって、 乳房Ｘ線像のディジタル表示を記憶する手段と、 前記ディジタル表示とともにガウス差分方程式を具備するフィルタカーネルを
巻き込む手段と を具備し、これにより、微小カルシウム沈着のサイズおよび形状に従わないイメ
ージにおける情報は抑制され、かつ、疑わしい微小カルシウム沈着は、結果とし
て生じたイメージ内において明るいスポットとして現れ、 さらに、前記結果として生じたイメージに対し、全体的かつ局所的に閾値を定
める手段 を具備し、これにより、疑わしい微小カルシウム沈着の領域のみを本質的に具備
する、結果として生じた第２イメージが得られることを特徴とする装置。 - 【請求項２３】 乳房Ｘ線像のスクリーニングにおけるディジタルイメージ
処理により、クラスタ化された微小カルシウム沈着を自動検出するための装置で
あって、 乳房Ｘ線像のディジタル表示を記憶する手段と、 最適化アルゴリズムと訓練イメージのデータベースとを用いてパラメータ値を
最適化する手段と、 疑わしい微小カルシウム沈着を本質的に具備するフィルタリングされたイメー
ジを得るために、前記最適化されたパラメータを用いてフィルタリング・アルゴ
リズムを前記ディジタル表示に適用する手段と、 前記疑わしい微小カルシウム沈着の単一ピクセル表示を本質的に具備するイメ
ージを得るために、前記フィルタリングされたイメージを縮小する手段と、 前記最適化されたパラメータを用いて、前記単一ピクセル表示をクラスタの形
に寄せ集める手段と を具備することを特徴とする装置。 - 【請求項２４】 前記最適化アルゴリズムは、遺伝的アルゴリズムであるこ
とを特徴とする請求項２３に記載の装置。 - 【請求項２５】 前記パラメータ値を最適化する手段は、ｄNN値とμＣsmin 値とを得る手段を具備し（ここで、ｄNNは最も近い隣接距離を示し、μＣsminは
、検出された微小カルシウム沈着の数を示す）、 前記寄せ集める手段は、単一ピクセル表示を、μＣsminの距離ｄNN内において
は他の微小カルシウム沈着である微小カルシウム沈着を示すクラスタの形に寄せ
集めることを特徴とする請求項２４に記載の装置。 - 【請求項２６】 前記パラメータ値を最適化する手段は、ｄNNとμＣsminと
に関する可能な値を含む解法空間を反復的に検索する手段を具備し、これにより
、値のセットが識別され、該値のセットにおいて、少なくとも１つの適応度関数
が最大にされることを特徴とする請求項２５に記載の装置。 - 【請求項２７】 前記遺伝的アルゴリズムを用いる手段は、費用関数が最小
にされる前記値のセットのうち少なくとも１つを識別するための単一の方法を用
いる手段を具備することを特徴とする請求項２６に記載の装置。 - 【請求項２８】 乳房Ｘ線像のスクリーニングにおけるディジタルイメージ
処理により、クラスタ化された微小カルシウム沈着を自動検出するための手段で
あって、 乳房Ｘ線像のディジタル表示を記憶する手段と、 前記ディジタル表示において、微小カルシウム沈着の潜在的なクラスタを突き
止める手段と、 前記微小カルシウム沈着の潜在的なクラスタの特徴を抽出する手段と、 前記微小カルシウム沈着の潜在的なクラスタを疑わしいかまたは疑わしくない
として分類する手段と を具備することを特徴とする装置。 - 【請求項２９】 前記分類手段は、多層式パーセプトロンの人為的な神経回
路網を具備することを特徴とする請求項２８に記載の装置。 - 【請求項３０】 前記多層式パーセプトロンの人為的な神経回路網は、滑ら
かに変動する出力手段を具備することを特徴とする請求項２９に記載の装置。 - 【請求項３１】 前記滑らかに変動する出力関数は、クラスタ化された微小
カルシウム沈着が疑わしいかまたは疑わしくないかを示す出力を供給するために
、重み付けされた入力の合計に双曲線正接関数を適用する手段を具備することを
特徴とする請求項３０に記載の装置。 - 【請求項３２】 前記滑らかに変動する出力関数は、クラスタ化された微小
カルシウム沈着が疑わしいかまたは疑わしくないかを示す出力を供給するために
、重み付けされた入力の合計にＳ字状関数を適用する手段を具備することを特徴
とする請求項３０に記載の装置。 - 【請求項３３】 前記滑らかに変動する出力関数は、クラスタ化された微小
カルシウム沈着が疑わしいかまたは疑わしくないかを示す出力を供給するために
、重み付けされた入力の合計に一次関数を適用する手段を具備することを特徴と
する請求項３０に記載の装置。 - 【請求項３４】 前記多層式パーセプトロンの人為的な神経回路網は、 前記特徴のうち少なくとも１つに重みｗi,jを乗算する手段と（ここで、ｉは
Ｎ個の要素を有する特徴ベクトルｘのうちｉ番目の特徴ベクトル要素を示すイン
デクスであり、ｊはｊ番目の第１層ノードを示すインデクスである）、 【数４】 （ここで、ｘiは計算された特徴ベクトル要素である） という関数に従って第１層出力ｆjを計算するための第１層ノード とを具備することを特徴とする請求項３０に記載の装置。 - 【請求項３５】 前記多層式パーセプトロンの人為的な神経回路網は、 前記第１層出力ｆjのうち少なくとも１つに第２の重みｕj,kを乗算する手段と
、 【数５】 （ここで、ｙj＝ｆj（ｘ）、かつ、Ｊは乗算すべき第１層出力の数である） という関数に従って出力ｚk（ここで、ｋはｋ番目の出力ノードを示すインデク
スである）を計算するための少なくとも１つの出力ノードと を具備することを特徴とする請求項３４に記載の装置。 - 【請求項３６】 乳房Ｘ線像のスクリーニングにおけるディジタルイメージ
処理により、クラスタ化された微小カルシウム沈着と密度とを自動検出するため
の方法であって、 乳房Ｘ線像のディジタル表示を記憶する段階と、 前記ディジタル表示とともにガウス差分方程式を具備するフィルタカーネルを
巻き込む段階と を具備し、これにより、微小カルシウム沈着のサイズおよび形状の特性に従わな
いイメージにおける情報は抑制され、かつ、疑わしい微小カルシウム沈着は、結
果として生じたイメージ内において明るいスポットとして現れ、 さらに、前記結果として生じた第１イメージの閾値を定める段階 を具備し、これにより、疑わしい微小カルシウム沈着の領域のみを本質的に具備
する、結果として生じた第２イメージが得られ、 さらに、前記ディジタル表示内の密度を検出する段階と、 疑わしい密度の領域のみを具備する、結果として生じた第３イメージを生成す
る段階と を具備することを特徴とする方法。 - 【請求項３７】 乳房Ｘ線像のスクリーニングにおけるディジタルイメージ
処理により、イメージを自動切り取りするための方法であって、 乳房Ｘ線像の第１ディジタル表示を記憶する段階と、 前記第１ディジタル表示を拡張して、拡張されたディジタル表示を生成する段
階と、 前記拡張されたディジタル表示を、ピクセルの最も大きな連続的グループのサ
イズに切り取る段階と を具備し、これにより、切り取られた拡張ディジタル表示が生成され、 さらに、前記切り取られた拡張ディジタル表示におけるピクセルに対応する、
前記第１ディジタル表示における後続の処理ピクセルを選択する段階 を具備することを特徴とする方法。 - 【請求項３８】 乳房Ｘ線像のスクリーニングにおけるディジタルイメージ
処理により、微小カルシウム沈着を自動検出するための方法であって、 乳房Ｘ線像のディジタル表示を記憶する段階と、 前記ディジタル表示の明るさ値を正規化する段階と、 胸部組織を含む前記ディジタル表示の領域を定義する胸部マスクを作成するた
めに、領域増大アルゴリズムにおいて所定のコントラスト設定を用いる段階と、 微小カルシウム沈着を求めて、胸部組織を含む前記領域を検索する段階と を具備することを特徴とする方法。 - 【請求項３９】 前記正規化段階は、ヒストグラム等化段階を具備すること
を特徴とする請求項３８に記載の方法。 - 【請求項４０】 乳房Ｘ線像のスクリーニングにおけるディジタルイメージ
処理により、微小カルシウム沈着を自動検出するための方法であって、 前記ディジタル乳房Ｘ線像のディジタル表示を記憶する段階と、 シードピクセルを見つけるために、前記ディジタル表示の領域を検索する段階
と、 胸部組織を含む前記ディジタル表示の領域を定義する胸部マスクを作成するた
めに、領域増大アルゴリズムを用いる段階と を具備する方法において、 前記領域増大アルゴリズムを用いる段階は、 前記シードピクセルにおいて開始し、かつ、特性を共有する最も近くの隣接ピ
クセルを漸進的に寄せ集める領域増大関数を用いる段階 を具備し、これにより、ピクセルの連続的グループが作成され、 前記領域増大アルゴリズムを用いる段階は、さらに、 胸部組織を含む前記ディジタル表示の領域を定義する胸部マスクを決定するた
めに、前記ピクセルの連続的グループを用いる段階と、 微小カルシウム沈着を求めて、胸部組織を含む前記領域を検索する段階と を具備することを特徴とする方法。 - 【請求項４１】 前記シードピクセルを見つけるために前記ディジタル表示
の領域を検索する段階は、最大グレイスケール値を有する前記領域内のピクセル
を見つける段階を具備することを特徴とする請求項４０に記載の方法。 - 【請求項４２】 特性を共有する最も近くの隣接ピクセルを寄せ集める段階
は、最も近くのピクセルの各々が閾値コントラスト比よりも小さいコントラスト
比を有しているかどうかを判断することを具備することを特徴とする請求項４０
に記載の方法。 - 【請求項４３】 乳房Ｘ線像のスクリーニングにおけるディジタルイメージ
処理により、微小カルシウム沈着を自動検出するための方法であって、 前記ディジタル乳房Ｘ線像のディジタル表示を記憶する段階と、 前記ディジタル表示におけるピクセルから局所的閾値を計算する段階と、 ガウス差分フィルタを用いて前記ディジタル表示をフィルタリングして、フィ
ルタリングされたイメージを作成する段階と、 前記フィルタリングされたイメージ内におけるピクセルを前記局所的閾値と比
較することと、前記比較の結果に従ってピクセル値を調整することとにより、閾
値を定められたイメージを作成する段階と、 微小カルシウム沈着を識別するために、前記閾値を定められたイメージをさら
に処理する段階と を具備することを特徴とする方法。 - 【請求項４４】 乳房Ｘ線像のスクリーニングにおけるディジタルイメージ
処理により、微小カルシウム沈着を自動検出するための方法であって、 前記ディジタル乳房Ｘ線像のディジタル表示を記憶する段階と、 少なくとも１つのパラメータの値を得るために、遺伝的アルゴリズムと、訓練
イメージのデータベースとを用いる段階と、 微小カルシウム沈着を識別するために、前記少なくとも１つのパラメータを前
記ディジタル表示を処理する関数において用いる段階と を具備することを特徴とする方法。 - 【請求項４５】 前記少なくとも１つのパラメータは、ｄNN値とμＣsmin値
とを得ることを具備し（ここで、ｄNNは最も近い隣接距離を示し、μＣsminは、
検出された微小カルシウム沈着の数を示す）、 前記関数は、単一ピクセル表示を、μＣsminの距離ｄNN内においては他の微小
カルシウム沈着である微小カルシウム沈着を示すクラスタの形に寄せ集めること
を特徴とする請求項４４に記載の方法。 - 【請求項４６】 前記少なくとも１つのパラメータは、ガウス差分フィルタ
において用いられる目標サイズであることを特徴とする請求項４４に記載の方法
。 - 【請求項４７】 前記少なくとも１つのパラメータは、少なくとも１つの閾
値を具備することを特徴とする請求項４４に記載の方法。 - 【請求項４８】 前記少なくとも１つのパラメータは、近傍のサイズを具備
することを特徴とする請求項４４に記載の方法。 - 【請求項４９】 前記関数は、局所的閾値関数に勾配をつけることを具備す
ることを特徴とする請求項４４に記載の方法。 - 【請求項５０】 前記少なくとも１つのパラメータは、ヒストグラムの百分
率を具備することを特徴とする請求項４４に記載の方法。 - 【請求項５１】 前記少なくとも１つの閾値は、上方の閾値と下方の閾値と
を具備することを特徴とする請求項４７に記載の方法。
Applications Claiming Priority (7)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US5780197P | 1997-08-28 | 1997-08-28 | |
| US60/057,801 | 1997-08-28 | ||
| US6699697P | 1997-11-28 | 1997-11-28 | |
| US60/066,996 | 1997-11-28 | ||
| US7676098P | 1998-03-03 | 1998-03-03 | |
| US60/076,760 | 1998-03-03 | ||
| PCT/US1998/017886 WO1999009887A1 (en) | 1997-08-28 | 1998-08-28 | Method and system for automated detection of clustered microcalcifications from digital mammograms |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2003532934A true JP2003532934A (ja) | 2003-11-05 |
Family
ID=27369332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000507284A Withdrawn JP2003532934A (ja) | 1997-08-28 | 1998-08-28 | クラスタ化された微小カルシウム沈着をディジタル乳房ｘ線像から自動検出するための方法およびシステム |
Country Status (10)
| Country | Link |
|---|---|
| EP (1) | EP1009283A1 (ja) |
| JP (1) | JP2003532934A (ja) |
| KR (1) | KR20010023427A (ja) |
| CN (1) | CN1273516A (ja) |
| AU (1) | AU741337B2 (ja) |
| BR (1) | BR9812021A (ja) |
| CA (1) | CA2297986A1 (ja) |
| IL (1) | IL134557A0 (ja) |
| NO (1) | NO20000914D0 (ja) |
| WO (1) | WO1999009887A1 (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005169122A (ja) * | 2003-12-10 | 2005-06-30 | Ge Medical Systems Global Technology Co Llc | 放射線画像処理の方法 |
| JP2008505704A (ja) * | 2004-07-09 | 2008-02-28 | フィッシャー イメイジング コーポレイション | 融合型マンモグラフィにおける乳房スクリーニング方法 |
| JP2008507372A (ja) * | 2004-07-26 | 2008-03-13 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 自動化された疑わしいオブジェクト境界判定のためのシステム及び方法 |
| WO2015060691A1 (ko) * | 2013-10-24 | 2015-04-30 | 사회복지법인 삼성생명공익재단 | 방사선 치료기의 품질 보증 시스템 및 그 품질 보증 방법 |
| JP2023016717A (ja) * | 2021-07-21 | 2023-02-02 | ジーイー・プレシジョン・ヘルスケア・エルエルシー | 高速マンモグラフィ・データ・ハンドリングのためのシステム及び方法 |
Families Citing this family (59)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6233304B1 (en) | 1998-11-25 | 2001-05-15 | General Electric Company | Methods and apparatus for calcification scoring |
| FR2796740B1 (fr) * | 1999-07-19 | 2001-10-26 | Ge Medical Syst Sa | Procede et systeme de gestion de la saturation sur une image radiographique numerisee |
| US6654506B1 (en) * | 2000-01-25 | 2003-11-25 | Eastman Kodak Company | Method for automatically creating cropped and zoomed versions of photographic images |
| IT1320956B1 (it) * | 2000-03-24 | 2003-12-18 | Univ Bologna | Metodo, e relativa apparecchiatura, per la rilevazione automatica dimicrocalcificazioni in segnali digitali di tessuto mammario. |
| JP2004526179A (ja) | 2000-12-22 | 2004-08-26 | ヒューレット・パッカード・カンパニー | 画像構図評価方法および装置 |
| GB2370438A (en) * | 2000-12-22 | 2002-06-26 | Hewlett Packard Co | Automated image cropping using selected compositional rules. |
| US7034848B2 (en) | 2001-01-05 | 2006-04-25 | Hewlett-Packard Development Company, L.P. | System and method for automatically cropping graphical images |
| GB0116113D0 (en) | 2001-06-30 | 2001-08-22 | Hewlett Packard Co | Tilt correction of electronic images |
| GB2378340A (en) | 2001-07-31 | 2003-02-05 | Hewlett Packard Co | Generation of an image bounded by a frame or of overlapping images |
| US7783089B2 (en) | 2002-04-15 | 2010-08-24 | General Electric Company | Method and apparatus for providing mammographic image metrics to a clinician |
| US7149335B2 (en) * | 2002-09-27 | 2006-12-12 | General Electric Company | Method and apparatus for enhancing an image |
| US8203338B2 (en) * | 2007-08-06 | 2012-06-19 | Carestream Health, Inc. | Linear structure verification in medical applications |
| US10524645B2 (en) | 2009-06-18 | 2020-01-07 | Endochoice, Inc. | Method and system for eliminating image motion blur in a multiple viewing elements endoscope |
| US9474440B2 (en) | 2009-06-18 | 2016-10-25 | Endochoice, Inc. | Endoscope tip position visual indicator and heat management system |
| US10130246B2 (en) | 2009-06-18 | 2018-11-20 | Endochoice, Inc. | Systems and methods for regulating temperature and illumination intensity at the distal tip of an endoscope |
| KR101030594B1 (ko) * | 2009-07-02 | 2011-04-21 | 국립암센터 | 미세석회화 진단방법 |
| PL2462561T3 (pl) * | 2009-08-03 | 2019-02-28 | Volpara Health Technologies Limited | Sposób i system do analizowania tkanki na podstawie obrazów |
| US10663714B2 (en) | 2010-10-28 | 2020-05-26 | Endochoice, Inc. | Optical system for an endoscope |
| US9706908B2 (en) | 2010-10-28 | 2017-07-18 | Endochoice, Inc. | Image capture and video processing systems and methods for multiple viewing element endoscopes |
| US10517464B2 (en) | 2011-02-07 | 2019-12-31 | Endochoice, Inc. | Multi-element cover for a multi-camera endoscope |
| US11676730B2 (en) | 2011-12-16 | 2023-06-13 | Etiometry Inc. | System and methods for transitioning patient care from signal based monitoring to risk based monitoring |
| CN104137149B (zh) * | 2012-02-24 | 2017-03-01 | 保罗·谢勒学院 | 用于人体组织中的不同类型微钙化的非侵入性分类的系统 |
| US9636003B2 (en) | 2013-06-28 | 2017-05-02 | Endochoice, Inc. | Multi-jet distributor for an endoscope |
| US10595714B2 (en) | 2013-03-28 | 2020-03-24 | Endochoice, Inc. | Multi-jet controller for an endoscope |
| WO2014182723A1 (en) | 2013-05-07 | 2014-11-13 | Endochoice, Inc. | White balance enclosed for use with a multi-viewing elements endoscope |
| US9949623B2 (en) | 2013-05-17 | 2018-04-24 | Endochoice, Inc. | Endoscope control unit with braking system |
| US10064541B2 (en) | 2013-08-12 | 2018-09-04 | Endochoice, Inc. | Endoscope connector cover detection and warning system |
| US9943218B2 (en) | 2013-10-01 | 2018-04-17 | Endochoice, Inc. | Endoscope having a supply cable attached thereto |
| US9968242B2 (en) | 2013-12-18 | 2018-05-15 | Endochoice, Inc. | Suction control unit for an endoscope having two working channels |
| US9474497B2 (en) * | 2014-01-15 | 2016-10-25 | Agfa Healthcare | Method and system for generating pre-scaled images for a series of mammography images |
| WO2015112747A2 (en) | 2014-01-22 | 2015-07-30 | Endochoice, Inc. | Image capture and video processing systems and methods for multiple viewing element endoscopes |
| CN105992558B (zh) * | 2014-04-29 | 2017-12-08 | 皇家飞利浦有限公司 | 用于断层合成成像的设备和方法 |
| US11234581B2 (en) | 2014-05-02 | 2022-02-01 | Endochoice, Inc. | Elevator for directing medical tool |
| JP6615131B2 (ja) * | 2014-06-27 | 2019-12-04 | コーニンクレッカ フィリップス エヌ ヴェ | 石灰化した肋軟骨関節の視覚的評価のためのシルエット表示 |
| US10258222B2 (en) | 2014-07-21 | 2019-04-16 | Endochoice, Inc. | Multi-focal, multi-camera endoscope systems |
| CN106687024B (zh) | 2014-08-29 | 2020-10-09 | 恩多巧爱思股份有限公司 | 改变内窥镜插入管的刚度的系统和方法 |
| US10123684B2 (en) | 2014-12-18 | 2018-11-13 | Endochoice, Inc. | System and method for processing video images generated by a multiple viewing elements endoscope |
| WO2016112034A2 (en) | 2015-01-05 | 2016-07-14 | Endochoice, Inc. | Tubed manifold of a multiple viewing elements endoscope |
| KR102355294B1 (ko) * | 2015-02-13 | 2022-01-25 | 한국외국어대학교 연구산학협력단 | 영상 처리 장치 및 영상 처리 방법 |
| US10376181B2 (en) | 2015-02-17 | 2019-08-13 | Endochoice, Inc. | System for detecting the location of an endoscopic device during a medical procedure |
| US10078207B2 (en) | 2015-03-18 | 2018-09-18 | Endochoice, Inc. | Systems and methods for image magnification using relative movement between an image sensor and a lens assembly |
| US10401611B2 (en) | 2015-04-27 | 2019-09-03 | Endochoice, Inc. | Endoscope with integrated measurement of distance to objects of interest |
| US10516865B2 (en) | 2015-05-17 | 2019-12-24 | Endochoice, Inc. | Endoscopic image enhancement using contrast limited adaptive histogram equalization (CLAHE) implemented in a processor |
| WO2016194338A1 (ja) * | 2015-06-04 | 2016-12-08 | パナソニック株式会社 | 画像処理方法および画像処理装置 |
| CN108430373B (zh) | 2015-10-28 | 2022-05-27 | 安多卓思公司 | 用于在患者体内跟踪内窥镜的位置的装置和方法 |
| AU2016361331B2 (en) | 2015-11-24 | 2021-10-28 | Endochoice, Inc. | Disposable air/water and suction valves for an endoscope |
| MX2018009566A (es) * | 2016-02-08 | 2019-05-30 | Imago Systems Inc | Sistema y metodo para la visualizacion y caracterizacion de objetos en imagenes. |
| JP2019507628A (ja) | 2016-02-24 | 2019-03-22 | エンドチョイス インコーポレイテッドＥｎｄｏｃｈｏｉｃｅ， Ｉｎｃ． | Ｃｍｏｓセンサを用いた複数ビュー要素内視鏡のための回路基板アセンブリ |
| WO2017160792A1 (en) | 2016-03-14 | 2017-09-21 | Endochoice, Inc. | System and method for guiding and tracking a region of interest using an endoscope |
| US10993605B2 (en) | 2016-06-21 | 2021-05-04 | Endochoice, Inc. | Endoscope system with multiple connection interfaces to interface with different video data signal sources |
| US10372876B2 (en) | 2017-01-20 | 2019-08-06 | Agfa Healthcare Inc. | System and method for providing breast image data |
| CN109124585A (zh) * | 2018-08-13 | 2019-01-04 | 脱浩东 | 用于处理乳腺数据的方法、设备和系统 |
| CN110111271B (zh) * | 2019-04-24 | 2021-06-22 | 北京理工大学 | 一种基于侧抑制网络的单像素成像方法 |
| CN110633644A (zh) * | 2019-08-16 | 2019-12-31 | 杭州电子科技大学 | 基于肌电小波包分解和gabp的人体关节角度预测方法 |
| WO2021062292A1 (en) * | 2019-09-26 | 2021-04-01 | Etiometry Inc. | Systems and methods for transitioning patient care from signal based monitoring to risk-based monitoring |
| CN110880169A (zh) * | 2019-10-16 | 2020-03-13 | 平安科技（深圳）有限公司 | 病灶区域标注方法、装置、计算机系统及可读存储介质 |
| CN113744171B (zh) * | 2020-05-28 | 2023-11-14 | 上海微创卜算子医疗科技有限公司 | 血管钙化图像分割方法、系统和可读存储介质 |
| CN112013203B (zh) * | 2020-07-18 | 2021-09-24 | 淮阴工学院 | 一种基于drnn神经网络管网检测系统 |
| CN117522864B (zh) * | 2024-01-02 | 2024-03-19 | 山东旭美尚诺装饰材料有限公司 | 基于机器视觉的欧松板表面瑕疵检测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3231810B2 (ja) * | 1990-08-28 | 2001-11-26 | アーチ・デベロップメント・コーポレーション | ニューラル・ネットワークを用いた鑑別診断支援方法 |
| US5491627A (en) * | 1993-05-13 | 1996-02-13 | Arch Development Corporation | Method and system for the detection of microcalcifications in digital mammograms |
| WO1995018561A2 (en) * | 1993-12-30 | 1995-07-13 | Philips Electronics Nv | Automatic segmentation and skinline detection in digital mammograms |
| US5572565A (en) * | 1994-12-30 | 1996-11-05 | Philips Electronics North America Corporation | Automatic segmentation, skinline and nipple detection in digital mammograms |
-
1998
- 1998-08-28 CN CN98808543A patent/CN1273516A/zh active Pending
- 1998-08-28 CA CA002297986A patent/CA2297986A1/en not_active Abandoned
- 1998-08-28 JP JP2000507284A patent/JP2003532934A/ja not_active Withdrawn
- 1998-08-28 EP EP98945793A patent/EP1009283A1/en not_active Withdrawn
- 1998-08-28 AU AU92955/98A patent/AU741337B2/en not_active Ceased
- 1998-08-28 IL IL13455798A patent/IL134557A0/xx unknown
- 1998-08-28 BR BR9812021-2A patent/BR9812021A/pt unknown
- 1998-08-28 KR KR1020007002070A patent/KR20010023427A/ko not_active Application Discontinuation
- 1998-08-28 WO PCT/US1998/017886 patent/WO1999009887A1/en not_active Application Discontinuation
-
2000
- 2000-02-24 NO NO20000914A patent/NO20000914D0/no not_active Application Discontinuation
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005169122A (ja) * | 2003-12-10 | 2005-06-30 | Ge Medical Systems Global Technology Co Llc | 放射線画像処理の方法 |
| JP4651370B2 (ja) * | 2003-12-10 | 2011-03-16 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | 放射線画像処理の方法 |
| JP2008505704A (ja) * | 2004-07-09 | 2008-02-28 | フィッシャー イメイジング コーポレイション | 融合型マンモグラフィにおける乳房スクリーニング方法 |
| JP2008507372A (ja) * | 2004-07-26 | 2008-03-13 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 自動化された疑わしいオブジェクト境界判定のためのシステム及び方法 |
| WO2015060691A1 (ko) * | 2013-10-24 | 2015-04-30 | 사회복지법인 삼성생명공익재단 | 방사선 치료기의 품질 보증 시스템 및 그 품질 보증 방법 |
| US10019789B2 (en) | 2013-10-24 | 2018-07-10 | Samsung Life Public Welfare Foundation | Quality assurance system for radiation therapy equipment, and quality assurance method thereof |
| US10078891B1 (en) | 2013-10-24 | 2018-09-18 | Samsung Life Public Welfare Foundation | Quality assurance system for radiation therapy equipment, and quality assurance method thereof |
| JP2023016717A (ja) * | 2021-07-21 | 2023-02-02 | ジーイー・プレシジョン・ヘルスケア・エルエルシー | 高速マンモグラフィ・データ・ハンドリングのためのシステム及び方法 |
| JP7395668B2 (ja) | 2021-07-21 | 2023-12-11 | ジーイー・プレシジョン・ヘルスケア・エルエルシー | 高速マンモグラフィ・データ・ハンドリングのためのシステム及び方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| AU741337B2 (en) | 2001-11-29 |
| EP1009283A1 (en) | 2000-06-21 |
| NO20000914L (no) | 2000-02-24 |
| WO1999009887A1 (en) | 1999-03-04 |
| CN1273516A (zh) | 2000-11-15 |
| AU9295598A (en) | 1999-03-16 |
| NO20000914D0 (no) | 2000-02-24 |
| IL134557A0 (en) | 2001-04-30 |
| BR9812021A (pt) | 2000-09-26 |
| CA2297986A1 (en) | 1999-03-04 |
| KR20010023427A (ko) | 2001-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2003532934A (ja) | クラスタ化された微小カルシウム沈着をディジタル乳房ｘ線像から自動検出するための方法およびシステム | |
| AU747189B2 (en) | Automated detection of clustered microcalcifications from digital mammograms | |
| US6137898A (en) | Gabor filtering for improved microcalcification detection in digital mammograms | |
| US6970587B1 (en) | Use of computer-aided detection system outputs in clinical practice | |
| US7308126B2 (en) | Use of computer-aided detection system outputs in clinical practice | |
| Bellotti et al. | A completely automated CAD system for mass detection in a large mammographic database | |
| Bozek et al. | A survey of image processing algorithms in digital mammography | |
| US6763128B1 (en) | Method for analyzing detections in a set of digital images using case based normalcy classification | |
| Karim et al. | DeepKneeExplainer: explainable knee osteoarthritis diagnosis from radiographs and magnetic resonance imaging | |
| Singh et al. | An approach for classification of malignant and benign microcalcification clusters | |
| Laroussi et al. | Diagnosis of masses in mammographic images based on Zernike moments and Local binary attributes | |
| AU5888500A (en) | Computer aided detection of masses and clustered microcalcification strategies | |
| Boulehmi et al. | Breast masses diagnosis using supervised approaches | |
| EL NAQA et al. | Techniques in the detection of microcalcification clusters in digital mammograms | |
| Görgel et al. | A fuzzy inference system combined with wavelet transform for breast mass classification | |
| Bahaalddin et al. | Breast Mass Classification Based on Hybrid Discrete Cosine Transformation–Haar Wavelet Transformation | |
| Patrocinio et al. | Classifying clusters of microcalcification in digitized mammograms by artificial neural network | |
| AU7737801A (en) | Method and system for automated detection of clustered microcalcifications from digital mammograms | |
| MXPA00002074A (en) | Method and system for automated detection of clustered microcalcifications from digital mammograms | |
| Malathi et al. | Classification of Multi-view Digital Mammogram Images Using SMO-WkNN. | |
| Chatzistergos et al. | Parenchymal breast density estimation with the use of statistical characteristics and textons | |
| Verheggen | Using the forest to see the trees: Correlation pattern recognition and fractal context classification in an integrated featureless computer-aided diagnosis system for non-palpable breast cancer | |
| MOHAMED ELTOUKHY | COMPUTER AIDED SYSTEM FOR BREAST CANCER DIAGNOSIS USING CURVELET TRANSFORM | |
| Faye et al. | STATUS OF THESIS | |
| Peng et al. | Texture-learning-based system for three-dimensional segmentation of renal parenchyma in abdominal CT images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20051101 |