JP2004032684A - 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 - Google Patents
医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 Download PDFInfo
- Publication number
- JP2004032684A JP2004032684A JP2003059220A JP2003059220A JP2004032684A JP 2004032684 A JP2004032684 A JP 2004032684A JP 2003059220 A JP2003059220 A JP 2003059220A JP 2003059220 A JP2003059220 A JP 2003059220A JP 2004032684 A JP2004032684 A JP 2004032684A
- Authority
- JP
- Japan
- Prior art keywords
- image
- high density
- threshold
- hough
- lesion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 93
- 230000003902 lesion Effects 0.000 claims abstract description 129
- 210000000481 breast Anatomy 0.000 claims abstract description 100
- 238000012545 processing Methods 0.000 claims abstract description 52
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 238000009607 mammography Methods 0.000 claims abstract description 11
- 210000000779 thoracic wall Anatomy 0.000 claims abstract description 11
- 238000012800 visualization Methods 0.000 claims abstract 2
- 238000001228 spectrum Methods 0.000 claims description 124
- 238000009825 accumulation Methods 0.000 claims description 37
- 210000001519 tissue Anatomy 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 30
- 238000012937 correction Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 19
- 230000003211 malignant effect Effects 0.000 claims description 14
- 210000004003 subcutaneous fat Anatomy 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 206010028980 Neoplasm Diseases 0.000 claims description 8
- 201000011510 cancer Diseases 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000036210 malignancy Effects 0.000 claims description 6
- 238000010183 spectrum analysis Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003703 image analysis method Methods 0.000 claims 1
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 32
- 230000035508 accumulation Effects 0.000 description 22
- 238000003384 imaging method Methods 0.000 description 21
- 230000007717 exclusion Effects 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 10
- 230000009466 transformation Effects 0.000 description 9
- 238000013139 quantization Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 230000002146 bilateral effect Effects 0.000 description 5
- 230000009977 dual effect Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 210000002445 nipple Anatomy 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 206010006187 Breast cancer Diseases 0.000 description 3
- 208000026310 Breast neoplasm Diseases 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 210000000577 adipose tissue Anatomy 0.000 description 3
- 238000001574 biopsy Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010348 incorporation Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 208000004434 Calcinosis Diseases 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000003705 background correction Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 208000017804 lesions in lung Diseases 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
Abstract
【解決手段】(a)乳房撮像画像内において解剖学的高濃度部分を識別するステップと、(b)高濃度部分を処理するステップとから成り、画像の高濃度部分を識別するステップが、(I)対象領域を、複数の画素を有する画像内の、胸壁と乳房境界の少なくとも1つに近接する画像上に位置付けするステップと、(II)第1の画素のグレーレベルヒストグラムを得るステップと、(III)第2のグレーレベルヒストグラムを得るステップと、(IV)グレーレベル閾値を求めるステップと、から構成することにより乳房撮像画像の視覚化を高める。
【選択図】 図1
Description
【発明の属する技術分野】
本発明は、画像における腫瘤や実質組織変形の像のような病巣の改良されたコンピュータ化による自動化された検出と特性把握についての方法と装置に一般に関する。特に本発明は、乳房撮像内の高濃度領域の分離、高濃度パーセントに関する計算、高濃度部分の補正、およびHoughスペクトルに基づく分析を含む、腫瘤や実質組織変形の像のような病巣を検出する方法と装置に関する。腫瘤および/または実質組織変形の像の検出により、疑わしい領域の特定ができ、またその特性把握により、癌の可能性が判断できる。
【0002】
【従来の技術】
乳房撮像は、乳癌を検出する現在では最上の方法であるが、乳癌を有し、かつ乳房撮影を受けた女性の10〜30%は、病巣が無いとした乳房撮影結果を有する。これらの誤って病巣が無いとした乳房撮像の約3分の2において、放射線技師は、回顧的に明らかであった癌を検出できなかった。この見逃した検出は、X線写真結果の微妙な特性(すなわち病巣の低い顕著さ)、低い画像品質、放射線技師の眼の疲労または見過ごしによるであろう。加えて、二重読み取り(二人の放射線技師による)は、感度を増加できることが示唆されている。選別手順の効率と有効性は、乳房撮像画像内の疑わしい異常の場所を示して放射線技師を支援するために、「第2の意見または第2の読み取り」としてコンピュータシステムを使用することにより、向上できることは明らかである。加えて乳房撮像は、放射線技師により日常的に解明される大量のX線手順となってきている。
【0003】
疑わしい領域が放射線技師により検出されるならば、放射線技師は、種々のX線写真特性を目視で抽出する必要がある。ついで放射線技師は、これらの特徴を使用して、異常が悪性または良性とみなされるかどうか、およびどのような処置の順序を勧告すべきか(すなわち選別への戻り、事後確認への対応、または生検への対応)を判断する。多くの患者は、X線写真で検出された微小カルシウム沈着の病巣または腫瘤に基づいて、外科的生検について調べられる。良性と悪性との乳房病巣間の相違の一般的な規則は存在するが、現在のX線写真技法では、病巣のかなりの誤った分類が生じる。平均的に、外科的乳房生検について調べられた腫瘤の10〜20%だけが実際に悪性である。
【0004】
【発明が解決しようとする課題】
かくして、コンピュータ使用の他の目的は、多くの誤って悪性の病巣が有るとした診断を減らすことにより、放射線技師を支援するために、客観的な仕方で良性と悪性の病巣の特性を抽出し、分析することにあり、それにより、患者の死亡率および実施される外科的生検数、ならびにそれに伴う合併症を減らす。
【0005】
したがって本発明の目的は、乳房の画像のような医療画像における腫瘤と生体組織変形の像のような病巣を検出、分類および表示する方法と装置を提供することにある。
【0006】
本発明の他の目的は、Houghスペクトル分析およびHoughスペクトルデータの改良された閾値処理(区分)に基づいて腫瘤や構造変形の像のような病巣を検出および/または分類する自動化された方法と装置を提供することにある。
【0007】
本発明の別の目的は、高濃度パーセントおよび関連する指標を求めるために乳房撮像内の乳房の高濃度部分を区分し、および人間視野およびコンピュータ視野用に引き続く画像処理で使用する自動化された方法と装置を提供することにある。
【0008】
本発明のさらに別の目的は、乳房撮像内の皮下脂肪を区分する自動化された方法と装置を提供することにある。
【0009】
本発明の他の目的は、高濃度部分内の病巣の検出性を高めるために、高濃度部分内で背景補正する自動化された方法と装置を提供することにある。
【0010】
本発明のさらに他の目的は、左右両側除外方法をまねて初期画像と脂肪組織との差画像を生成して疑いのある病巣を区分する自動化された方法と装置を提供することにある。
【0011】
これらの目的および他の目的は、新規の改良され、自動化された方法と装置を提供することにより、本発明に従って達成され、そこにおいて、乳房撮像内の高濃度領域および皮下脂肪領域の区分が実施され、続いて高濃度部分内での任意選択の補正が実施され、および/またはそこにおいて、針骨状病巣および/または実質組織変形の像の分析と検出が実施される。
【0012】
【発明の実施の形態】
ここで図面、特に図1を参照すると、乳房画像における病巣を検出および分類する自動化された方法の概略図が示される。この全体方式には、一対の乳房撮像の初期取得とディジタル化(ステップ100)が含まれる。次に乳房境界は、画像部位の残りから区分され(ステップ101)、また皮下脂肪の領域は識別される(ステップ102)。形態学的フィルタリングが実施され(ステップ103)、ROI(対象領域)は胸壁に沿って置かれ(ステップ104)、ヒストグラム分析が全体画像領域と、丁度ROI内とで実施される(ステップ105)。ヒストグラム分析から求められた閾値を使用して、画像は、閾値処理されて高濃度部分が生じ(ステップ106)、高濃度パーセントが計算される(ステップ107)。
【0013】
乳房撮像は、従来のX線写真技法を使用して得られる。乳房撮像は、例えばレーザスキャナーを使用してディジタル化される。ディジタル画像は、一般的に2048画素X2500画素のものである。ただし画素サイズは0.1mmである。乳房撮像は、サブサンプルされるか、または平均化されて、0.5mmの有効サイズが得られ、結果として512X512の画像となる。
【0014】
乳房境界の区分(ステップ101)は、Bickなどへ付与された出願番号08/158,320に記載されるように実施でき、その開示は、ここに参照として組み込まれる。この区分体系は、乳房の境界に対応する画像内の画素を識別し、かくして、乳房領域に対応する画素を識別する。
【0015】
次に皮下脂肪は、ステップ102で識別される。図2は、本発明に従う、乳房撮像内の皮下脂肪を区分する自動化された方法を図示する概略図である。画像がディジタル形態にされ(ステップ200)、乳房領域が区分された(ステップ201)後、乳首位置が求められる(ステップ202)。乳首位置は、出願番号08/158,320に記載されるように、内部と外部の乳房皮膚ラインを分析して求めることができる。皮下脂肪を識別するための画像内の開始点は、乳房境界上の乳首位置である。ついで、グレイレベル閾値が、図4Aおよび4Bを参照して以下に説明されるように求められる(ステップ203)。同一列上の画素は、画素値が閾値(すなわち10ビットスケール上で450)未満、および開始画素までの距離(X方向の)が最大オフセット未満の場合、乳房領域から除かれる(オフセットは通常、0.5mmの画素サイズの場合は40画素であり、それは経験的に求められた)。これらの除かれた画素は、皮下脂肪とみなされる。次の列上に、乳首境界からの開始画素がある。この列上の画素は、対応する画素値が閾値未満の場合、乳房領域から除かれ、すなわちこの列上の端部画素は、例えば前の列の端部画素から、設定された画素数以内にある必要がある(幅は通常、0.5mmの画素サイズの場合は7画素であり、それは経験的に求められた)。このプロセスは、乳房の底部(または上端部)に達するまで繰り返される。このプロセスは、乳房の残りの上端部(または底部)について繰り返される。除かれた全ての画素は、乳房領域の皮下脂肪部分の一部であるとみなされる。
【0016】
除かれた画素を有する画像は、ステップ103において形態学的フィルタリングを受ける(図1)。形態学的フィルタリングは、例えば、John Russ著「画像処理ハンドブック」、第2版(CRC Press, 1995)に記載される。このフィルタリングにより、分離された画素が減少する。
【0017】
図3Aおよび3Bは、乳房領域内の対象領域(ROI)の位置決めを図示する図である。所定の幅と高さを有するROIは、ROI300および301により示されるように、胸壁から所定の距離(mmまたは画素数)の所に位置決めされる。乳房撮像内の胸壁側の位置は、乳房の外側とは非常に異なるので、乳房区分ステップ中に求められる。ROI300は、図3Aの乳房図の垂直胸壁(または乳房境界縁)に従うので、ほぼ矩形であり、一方、ROI301は、胸壁に従うので曲がる。
【0018】
図4Aおよび4Bは、図3のROI内(4B)、および乳房領域内(4A)のグレイレベルのヒストグラムを図示するグラフである。このグラフは、閾値レベルを求めるのに使用される位置決めされたピークを示す。グレイレベルのヒストグラムは、一定の乳房撮像について、乳房領域内およびROI内で計算される。この検討で使用されたディジタイザーの場合、高い画素値(グレイレベル)は、低い光学密度に対応する。乳房の高濃度「解剖組織」部分は、乳房撮像上の「白い」部分であり、低い光学密度に対応する。かくして、乳房領域内の場合に示されるヒストグラムにおいて、その分布は、乳房における脂肪質部分(高い光学密度と低い画素値)および高濃度部分(低い光学密度と高い画素値)の存在による。一般的に乳房は、外部部分において高濃度になり、また胸壁近くで脂肪質になりやすい。かくして、胸壁近くのROIは、乳房領域全体のものと比較されるように、脂肪質部分のグレイレベルを示すのに使用できる。
【0019】
図5Aおよび5Bは、領域500および501として示されている高濃度部分でグレイレベル閾値処理をした後の、乳房画像を図示する図である。高濃度領域に対応する白い部位が残っていることに留意する。加えて脂肪組織の切離しに対応するグレイレベルを全体画像から除外することにより、病巣の可視性を向上できることが分かる。この結果は、脂肪による誤って病巣が有るとした診断数を減らすという点で、左右両側除外で得られたものと同様である。左右両側除外手法の検討については、Gigerなどへ付与された米国特許第5,133,020号を参照されたい。その開示は、ここに参照として組み込まれる。ついで除外された画像は、左右両側除外された画像について実施されたように、同様な閾値処理および特徴抽出手法の実施を受けることができる。
【0020】
図6A〜6Dは、脂肪画素の除外を図示する。図6Aは、脂肪に対応するグレイレベルを除外後の図3Aに示される初期画像に対応する。図6Bは、図6Aのバイナリ画像である。図6Cは、脂肪に対応するグレイレベルを除外後の図3Bに示される初期画像に対応する。図6Dは、図6Cのバイナリ画像である。小さい分離された画素は、処理により、例えば形態学的開放操作により除去できる。この除外プロセスは、グレイレベルに関して、または相対的X線暴露(撮像装置の特性カーブの使用により)に関して実施できる。脂肪質レベルの除外後、画像は、左右両側除外方法の多重グレイレベル閾値処理および特徴分析段階により処理できる。多重グレイレベル閾値処理および特徴分析手法は、Gigerなどへ付与された出願番号08/158,389に記載され、その開示は、ここに参照として組み込まれる。
【0021】
図7は、高濃度パーセントを求める方法を図示する図である。高濃度パーセントは、高濃度部分内(閾値を超える)の画素数の、乳房領域内(皮下脂肪領域を除く)の画素数に対する比から計算される。高濃度パーセントは、X線写真乳房画像の分類および解釈に使用される、放射線技師にとり有用な尺度であり、またコンピュータ視界手法に有用である。
【0022】
図8は、乳房撮像内の高濃度部分を補正する方法を図示する図である。高濃度部分は、乳房および皮膚領域近くに存在する傾向があり、一方、脂肪質領域は、通常、乳房領域内の胸壁に沿って見出すことができる。ヒストグラムの分析により、高濃度領域切離しに対応するピーク位置を突き止められる。2つのピークは、脂肪質および高濃度の画素についての閾値を求めるのに使用される。先ず、上記のように、ディジタル乳房撮像画像が得られ(ステップ800)、また高濃度部分が位置を突き止められる(ステップ801)。グレイレベル閾値処理が実施され、また乳房が十分に高濃度ならば、背景傾向補正が、高濃度領域内で実施される。例えば高濃度パーセントについての十分な尺度は、40%であろう。この手順は、乳房を、より均一な背景で「脂肪質状」にする傾向がある(緻密性に関して) 。背景傾向補正は、二次元表面フィットを使用して実施され、そこにおいて、閾値未満の画素(すなわち脂肪質)は、フィットを求める際に含まれない(ステップ802)。ついで二次元表面フィットは、高濃度領域から除外される(ステップ803)。
【0023】
背景の除外は、結果として生じた画像の平均グレイ値を変える傾向がある。結果として生じた画像のグレイ値を、初期画像の平均グレイレベルへ合致させるのが望ましい。結果として生じた画像は、初期画像の平均グレイレベルへ合致させるために正規化される(ステップ804)。また高濃度領域の縁部は、図9Bにおいて僅かに明らかである。正規化後に高濃度部分は補正されている。
【0024】
図9Aおよび9Bは、図3Aおよび3Bの画像の高濃度部分の補正後の乳房画像をそれぞれ図示する図である。乳房の濃度は、補正により、より均一になっていることが分かる。
【0025】
図10Aおよび10Bは、処理画像エンハンスメント段階と特徴抽出段階において、高濃度部分補正の病巣検出スキームへの組み込みをそれぞれ図示する図である。図10Aにおいて、ディジタル画像が得られ(ステップ1000)、また高濃度部分処理が実施できる(ステップ1001)。この時点で、高濃度部分補正は、病巣の顕著さを増加し、かつ検出感度を向上する役目をする。画像処理は、左右両側除外のような、画像の信号雑音比を増加するのに使用される手法から成る。画像の処理後、出願番号08/158,359に記載されるように、画像の特徴が抽出される(ステップ1003)。抽出された画像は、真円度、サイズ、不規則性および緻密性などの形状に基づく特徴、コントラスト、平均画素値、画素値の標準偏差および平均値の標準偏差に対する比などの強さに基づく特徴、ならびに平均勾配および勾配の標準偏差などの勾配に基づく尺度であってよい。抽出された特徴(例えば、抽出できる特徴を列挙する図12Aを参照)は、予想される病巣を診断および検出するように学習された人工ニューラルネットワーク(ステップ1004)のような検出スキームへ入力される。そのネットワークは、予想される病巣の画像の位置の表示を出力する(ステップ1005)。この手順も、出願番号08/158,359に記載される。
【0026】
図10Bに示される方法は、高濃度部分処理(ステップ1001)が特徴抽出のステップ1003で実施されるという点で、図10Aのものと異なる。この時点における高濃度処理は、画像における誤って病巣が有るとした診断数を減らすようにしている。特徴は、画像が処理され、かつ高濃度部分が補正された後に、画像から抽出される。特徴抽出段階において、高濃度部分補正は、改良された領域成長の生成および実質組織変形背景からの抽出に役立つ。
【0027】
画像処理段階と特徴抽出段階において高濃度処理を使用することができる。
【0028】
図11Aおよび11Bは、放射線技師により、およびコンピュータにより求められた740枚の乳房撮像のデータベースにおける高濃度乳房の分布を図示するヒストグラムをそれぞれ示す。コンピュータによる評価および放射線技師による評価は、統計的に有効なレベルで良好な相関があることが判明した。
【0029】
図12A〜12Cは、コンピュータ支援病巣検出スキームにおける高濃度部分補正の使用を図示する。図12Aは、二重乳房撮像分析を示し、そこにおいて、左右両側除外される画像を生成するために左右両側除外され(ステップ1202)右と左の乳房撮像が得られる(ステップ1200およびステップ1201)。左右両側除外は、例えば、米国特許第5,133,020号に記載される。特徴抽出(ステップ1203)は、除外された画像を使用して実施される。図10Bに関して説明したように、高濃度部分処理(ステップ1204)は、特徴抽出の時点で実施される。抽出された特徴は、病巣を検出するように学習された人工ニューラルネットワーク(ステップ1205)のような検出スキームへ入力される(図10Aおよび10Bに示されるものと同様)。エキスパートシステムおよびルールに基づくシステムのような他の検出スキームも使用できる。人工ニューラルネットワークは、検出された病巣の画像における表示を提供する(ステップ1206)。
【0030】
高濃度部分分析は、予想される病巣の特徴分析にも適用できる。乳房撮像における予想される病巣の特徴分析の方法は、図12Bに示される。図12Bは、図12Aのステップ1203〜1206の詳細な図である。ステップ1210において、乳房撮像における予想される病巣の位置が得られる。乳房撮像における病巣の識別は、非線形左右両側除外などの多くの仕方で実施できる。次に、その位置が高濃度部分にあるかどうかが判断される(ステップ1211)。Yesならば、背景傾向補正がステップ1213において実施され(図8に関して上述したように)、ついでこの方法は、領域成長のステップ1213まで進む。Noならば、この方法は、ステップ1213へ直接進む。領域成長後、領域成長の特徴は、抽出され(ステップ1214)、また人工ニューラルネットワークへ入力される(ステップ1215)。このネットワークは、病巣を検出し、かつ一部の誤って病巣が有るとした診断を除く(ステップ1216)。領域成長および成長した領域からの特徴抽出も、出願番号08/158,359に記載される。
【0031】
高濃度部分の補正において、乳房領域の高濃度部分内の画素値は、多項式関数などを使用してフィットされる。ついでこのフィットは、乳房領域の高濃度部分から除外される。これは、実質組織変形背景からの病巣のコンピュータ化抽出に使用される領域成長を向上するために、特徴分析中に実施された(ステップ1213)。この手法により、左右両側除外病巣検出スキームにおいて誤って病巣が有るとした診断が減少される。
【0032】
図12Cは、単一の乳房撮像だけを使用するコンピュータ化検出スキームを示す。ステップ1220および1221において、単一の乳房撮像および乳房撮像の脂肪値が得られる。脂肪値は、図6A〜6Dに関して上述したように求められ、そこにおいて脂肪質組織についての切り離しに対応する画素値が乳房撮像から除外される(ステップ1222)。疑わしい病巣、特徴の抽出と特徴の分析、その特徴を、学習した人工ニューラルネットワークなどの検出スキームへの入力、および病巣の検出(ステップ1223〜1225)がついで実施される(出願番号08/158,359参照)。
【0033】
図13は、高濃度部分が、コンピュータ化検出スキームにおいて、特徴分析前に背景補正されるとき、性能の向上を図示するグラフである。
【0034】
図14は、Houghスペクトルを使用する乳房画像における腫瘤と組織(実質組織変形)のひずみ像のような病巣を検出する自動化された方法を図示する概略図である。乳房撮像の放射状病巣および構造的ひずみ像は、通常、悪性のものに伴うので、それらは、乳癌の選別において重要な徴候となる。自動化したこの方法は、Houghスぺクトルに基づく形状組織分析を使用して、これらの病巣を検出する。Houghスぺクトル手法は、従来のHough変換から実用化され、形状構造の解釈に有効である。Houghスぺクトルは、そのような機能を受け継ぎ、放射状病巣の針状体のような、本来形状的なものである組織特徴を解釈する組織分析まで、その機能を拡大している。
【0035】
ステップ1400において、ディジタル化された乳房撮像が、その初期形態で得られるか、または任意選択の事前処理(ステップ1401)後に得られる。任意選択の事前処理は、例えば、高濃度部分処理、ヒストグラム均等化、周辺エンハンスメントまたは縁部エンハンスメントから構成できる。ついでROI(対象の領域)は、画像において選択され( ステップ1402)。ついで、これらのROIのそれぞれは、Houghスぺクトルに変換され(ステップ1403)、その後、スぺクトルの統計的特性に基づく閾値レベルで、閾値処理が実施される(ステップ1404)。ついで、針骨状のものの強い信号を有するROIは、主要な疑わしい領域として除かれる(ステップ1405)。これらの領域は、さらに特徴分析の処理を受け(ステップ1406)、その結果、病巣が検出される(ステップ1407)。
【0036】
図15A〜15Iは、Hough変換の原理を図示、および、Houghスペクトルの概念を紹介する概略図である。Hough変換は、上記のRussによる著書の頁495〜500に記載される。Hough変換は、式(1)を使用して、対象記述の非常に一般的なフォーマットで行われる。
【0037】
【数1】
両方は、適切な寸法の空間を形成でき、それぞれ空間定義域およびパラメータ定義域と呼ぶことができる。
【0038】
直線、円および放物線などの多くの基本形状要素は、式(1)の形態を取る。例えば、所謂正規パラメータ化の下で、直線は下記の式により記述できる。
【0039】
ρ=xcosθ+ysinθ (2)
ここにρは、座標系の原点から記述される直線までの距離であり、またθは、ρ軸とこの線の法線との間の角度である。Hough変換は、P−θパラメータ定義域の単一点(ρ、θ)に対してこの線をマップする(図15Aおよび15B)。
【0040】
一方、形状空間における各点は、式(2)に従ってパラメータ定義域内のカーブに対応すし、また2つのそのようなカーブの交点は、2つの対応点により求められる空間定義域における直線に対応する(図15Cおよび15D)。したがって、初期画像における共線度は、パラメータ定義域内の各交点位置における通過カーブ数についての累積を観察することにより、Hough変換を通して調べることができる。またcorradial線の群のHough変換は、1つおよび同一の正弦曲線カーブ上にある点のグループである(図15Eおよび15F)。点からカーブの変換のこの二重特性は、形状要素を検出する際にHough変換の基礎を形成する。
【0041】
図15Gにおいて、4点P0 〜P3 は、X−Y空間の隅へ位置決めされる。図15Hは、線l0 〜l3 として、対応するHoughスペクトルを図示し、一方、図15Iは、Houghスペクトルの部位を図示する。
【0042】
上記の手法は、形状的に特性化できる要素から成る組織パターンではなく一定の形状図形を検出するのに有用である。この理由は、組織特徴が、対象物の縁のような一定の部分ではなく、対象物の全体構造内容が所有する特性であるからである。形状特性の組織特徴を記述するために、対象物の内部内容について考慮する必要がある。
【0043】
Hough変換は、ディジタル画像処理において順調に開発された手法であり、また変換された関数もディジタルデータである。f(x,y)は、ただしx,y=0,1...,N−1とするが、初期画像とし、またh(u,v)は、
【数2】
ここで両方を並べ、行(または列)毎に別個に列ベクトルに並べると、下記のようになる。
【0044】
【数3】
であるので、
ζk=f(x,y) (5)
および
ζi =h(u,v) (6)
ここに、
k=xN+y+1 (7)
l=uNh +v+1 (8)
ついでHough変換は、下記の式(9)のように行列代数学に関して表すことができる。
【0045】
【数4】
ただし、式(2)のような変換拘束の下ではa1 k=1であり、fの(x,y)における画素は、hの位置(u,v)における累積に寄与し、またk、lはそれぞれ、式(7)および(8)により与えられ、ならびに、そうでない場合は、
【数5】
Hough変換における累積は、行列乗法により式(9)で満足される。ここでベクトルζは、Houghスペクトルと呼ばれる。ベクトルξは変換される画像であるので、異なるベクトルξは、異なるベクトルζを生じる。しかしながら、それが同一の要素の記述である限り、行列Aは不変のままである。Aは、Hough変換の中核である。
【0046】
行列Aは、2つの主要な因子、すなわち変換媒体と、およびパラメータ空間の量子化とにより求められる。変換媒体は、要素のパラメータ化と共に現行の変換の検討に基づく要素から成る概念であり、変換中に観察される拘束の特定の形態を決定する。変換媒体の一例は、式(2)により示され、そこにおいて、正規パラメータ化に基づく直線が指定される。パラメータ空間の量子化も、行列Aの形成に影響することになる。これは、ベクトルζの次元に対するその影響から直観的に分かる。
【0047】
行列Aが詳細に示すものは、初期画像の各画素により生じる全ての予想される変換である。ベクトルξについては、特定の事前処理要求事項は無い。例えば、従来のHough変換が典型的に適用された場合にそうであったように、それは初期データのバイナリ縁部画像であることを必要としない。しかしながら、バイナリ画像上でHoughスペクトルを計算するならば、Hough変換を得ることができる。したがって変換中核Aが示したものは、従来のHough変換を、その特定の場合の1つとして含む、より一般化された変換である。
【0048】
特定のHough変換の仕様においても、パラメータ空間の量子化について慎重な考慮を払う必要がある。この理由は、それが行列Aの1つの次元、したがって変換に伴うデータ量を明示するだけでなく、累積プロセスの有効性に本質的に影響するからである。
【0049】
Hough手法は、ディジタルデータに基づいて実用化される。しかしながら空間定義域とパラメータ定義域の離散化は、Houghスペクトルの量子化に影響することがある。変換される画像におけるディジタル化エラーは、考慮すべき主要な因子の1つである。理論的に、空間定義域における直線は、Hough変換を通して、そのパラメータ空間における単独の点に対応する。ディジタル画像の場合、不連続性のために空間座標において測定エラーがある。したがって、初期画像内の1つの線および同一の線セグメントの画素が、Houghスペクトル上の単一点に累積されるために、ディジタル画像の座標のディジタル化エラーと、およびそのHoughスペクトルの量子化との間の関係を考慮する必要がある。
【0050】
図16A〜16Dは、Houghスペクトルの量子化に対する空間座標のディジタル化エラーの影響を図示する概略図である。図16Aの空間画像は、線セグメント
【数6】
を含み、その上の画素の座標は、ディジタル化エラーを有しない。この結果、図16Cに示されるように、画素A1 、A2 およびA3 から変換されたカーブは、そのHoughスペクトル内の正確に同一の点において互いに交差する。
【0051】
図16Bの画像において、画素B2 のX座標は、その最も近い整数に丸められる必要があるので、線セグメント
【数7】
の3つの画素に対応するカーブの2つ毎により、そのHoughスペクトル内に3つの近いが異なる交差点が生じる。したがって、図16DのHoughスペクトルの画素サイズが、全ての3つの交差点をカバーする程大きいならば、画素B1 、B2 およびB3 の適正な累積は依然達成できる。これは、Houghスペクトルの適切な量子化の重要性を明示する。これらの画像は、512X512のような適切なサイズ、および0.5mmのような画像画素サイズを有する。
【0052】
Houghスペクトルの実際の部位が事前設定されるので、画素サイズの拡大は、その解像度の減少を意味する。正規パラメータ化直線を取扱う場合、ρ軸上のHoughスペクトルの解像度は、初期画像上のものに関して、1+√2を超える係数により減少させる必要がある。
【0053】
実際のHoughスペクトルは、パラメータ空間の制約された部位上にだけあることができる。式(2)に基づいて、Houghスペクトルは、下記の範囲内で定義される。
【0054】
−π/2≦θ<π/2 (11)
−(N−1)≦ρ≦√√2(N−1) (12)
このHoughスペクトルの実際の定義域は、図16Cにより示される。θが−π/2からπ/2へ変わると、ρは4つの正弦曲線カーブl0 、l1 、l2 およびl3 により段階的に制約される範囲内にあり、これらのカーブは、図16Aおよび16BのP0 (0,0)、P1 (0,N−1)、P2 (N−1,0)およびP0 (N−1,N−1)の行列の4つの隅の画素の変換に対応する。
【0055】
Houghスペクトルは、従来のHough変換と同一の形式の変換を通して達成される。Hough変換は、対応するパラメータ空間内の累積ピークを分析することにより、画像対象物から特定の形状特徴を抽出するために採用される。画像対象物から得られる図形を取扱うのは有効である。一方、Houghスペクトルに含まれる情報は、二次元の対象物、例えば線セグメントの代わりに縞から抽出できる。しかもHoughスペクトルは依然、形状特徴記述の機能を有する。
【0056】
図17A〜17Lは、模擬された区切られる病巣(17A)、模擬された針骨状病巣(17B)、および通常の実質組織変形の存在しない模擬された実質組織変形の像(17C)を図示する。対応するHoughスペクトルは図17D〜17Fで示され、η=2.4およびη=2.6で閾値処理をした後のスペクトルは図17G〜17Iおよび17J〜17Lでそれぞれ示される。
【0057】
図18A〜18Tは、通常の実質組織変形背景(18A)、模擬された区切られる病巣(18B)、模擬された針骨状病巣(18C)、通常の実質組織変形の存在する模擬された実質組織変形の像(18D)を図示する。対応するHoughスペクトルも図18E〜18Hで図示され、η=2.0で閾値処理をした後のHoughスペクトル(18I〜18L)、η=2.1で閾値処理をした後のHoughスペクトル(18M〜18P)、およびη=2.2で閾値処理をした後のHoughスペクトル(18Q〜18T)を含む。4つの画像パターンは、縞と円板の構成部分を有する。各画像は、64X64画素のサイズであり、視野を容易にするように両方の寸法を4倍拡大されている。図18Aにおいて4つの縞があり、それぞれの幅は2画素である。これらの縞は、水平に関して−15°、0°、15°および30°傾斜している。図18Bは、図18Aの背景画像上に円板を重ねたものである。図18Dは、背景(図A)と、および全て幅が3画素であり、中心で互いに交差する水平、垂直および斜めの4つの縞から形成される星状対象物との重ね合わせから成る。図18Cにおいて、他の円板を星状対象物の中心に置くことにより、その円板が図18D上に重ねられる。
【0058】
丁度、従来のHough変換の場合のように、Houghスペクトル内の有用な情報は、累積されたピーク内にある。この結果、Houghスペクトルは、さらに別の分析をする前に先ず閾値処理を実施する必要がある。閾値τは、下記のように、Houghスペクトルのマグニチュード関数の統計的特性に基づいて求められる。
【0059】
τ=μ+ησ (13)
ここにμおよびσはそれぞれ、Houghスペクトルの平均および標準偏差であり、またηは係数である。そのようフォーマットは、平均偏差組合せと呼ばれる。
【0060】
有用な情報が、それを効果的に抽出するためにHoughスペクトル内に含むことができるが、重要な点は、Houghスペクトルを閾値処理する有効な方法を見出すことにある。本発明において、これは、図19に示されるように、ηを選択する特定の手法の実用化となる。一層有効なのは、Houghスペクトルの自動閾値処理である。本発明において、自動手法はηの選択に使用される。
【0061】
図19は、Houghスペクトルを閾値処理する方法を図示する概略図である。乳房撮像画像は、幾つかのROIに分割される。例えば512X512画素画像の場合、64X64画素ROIを使用できる。Houghスペクトルは、ROI毎に計算される(ステップ1900)。ROI毎のHoughスペクトルの平均および標準偏差も計算され(ステップ1901)、また全てのROIについての平均した平均および標準偏差も計算される(ステップ1902)。開始ηが選択され(ステップ1903)、また各スペクトル毎の閾値τが求められる(ステップ1904)。ステップ1905において各スペクトルは、開始ηで閾値処理される。閾値τ未満のスペクトル数が求められる(ステップ1906)。
【0062】
ステップ1907においてηを増加した後、ηが有効範囲内にあるかを判断するために確認がなされる(ステップ1908)。有効範囲は通常、1〜4の標準偏差である(η=1〜3)。ηは、有効範囲内にあるならば、増加されてステップ1904〜1908が、新しいηで繰り返される。ηの増加は、処理時間のような制約事項に基づいて適切に選択され、0.1〜0.2の範囲にできる。一旦ηがもはや有効範囲ではなくなると、スペクトルの所定パーセントが閾値τ0未満になるηが求められ(ステップ1909)、それは、以下に述べる図22において図示される。スペクトルの全ては、このηに対応する閾値τ0において閾値処理される(ステップ1910)。画素閾値を超えるスペクトルは、検出された病巣であると判断される。
【0063】
図18E〜18Hは、η=2.6で閾値処理された図18A〜18DのHoughスペクトルを示す。図18Aにおける全ての4つの縞は、ピーク画素の対応するグループにより表わされる。しかしながら、これらのピークの「高さ」は、初期信号の相対的長さ、例えば縞の長さに起因して異なる。図18Kおよび18Lにおいて、画素の4グループは、図18Cおよび18Dにおける星状対象物の存在をそれぞれ反映するほぼ−90°(90°)、−45°、0°および45°の角度で見出すことができ、また星を形成する縞がcorradialであるように、ほぼ余弦曲線である。背景信号は、図18Iにおけるもの程強くはなく、また最短の縞のピークは、閾値処理により均等にされる。またθ=0°回りの一部のピーク画素は、従来のHough変換から受け継がれる問題である、初期画像内の異なる対象物間の「クロストーク」により生じる。これは、所要の信号がこの理由によりさらに弱くされる場合の図18Jにおいて一層明白である。
【0064】
Houghスペクトルは、二次元対象物へ適用できる。これは、これらの対象物が組織パターンを形成する基本的単位であるという理由により極めて重要である。したがってHoughスペクトルから得られる情報は、本来形状的である組織パターンを分析する目的に実際に役立つことができる。
【0065】
乳房組織のX線写真外観は、明るく細長い単位の構造体から成る組織情報が豊富である。一般にこれらの組織要素の分布は、乳首から胸壁まで放射状に広がるパターンを取り、それにより組織要素は、局部的に互いにほぼ平行になる。しかしながら針骨状病巣または構造的ひずみ像のような一定の異常構造の存在は、他の放射状に広がる中心を生成することにより、この傾向を変えることがあるので、隣接部位において、組織的外観が大幅に変更される。
【0066】
乳房撮像の組織パターンの基本的構造単位は、縞としてモデル化できる。このために、手法に基づくHoughスペクトルは、乳房撮像の組織パターンの分析に、特に上記の異常構造の検出に適用できる。図20は、乳房撮像の乳房領域内のROIの設置を図示する概略図である。各ROI内の画像データから、Houghスペクトルが計算される。
【0067】
図21A〜21Lは、乳房撮像からのROIの画像であり、それは、通常の実質組織変形(21A)、針骨状病巣(21B)、円滑な区切られる病巣(21C)、対応するHoughスペクトル(21D〜21E)、およびη=1.4で閾値処理をしたHoughスペクトル(21G〜21I)、およびη=1.7で閾値処理をしたHoughスペクトル(21J〜21L)を含む。集合病巣の追加針骨状のものにより、累積は、図21Eの生成においては、他の2つのものよりも多い画素上に集中される。したがって図21H〜21Kから分かるように、より多くの画素が閾値処理後も残る。これは、正規の構造体から異常構造体を識別する基準として使用される。ηを使用する閾値処理により、かなり集中された累積を持つHoughスペクトルを有するROIが区分される。
【0068】
累積は、ROI用のHoughスペクトル内の閾値を超える画素数を計数することにより、重みが各画素のグレイ値に対応する場合、ROI内の画素の重みを付けた合計を取ることにより、またはスペクトル内の閾値を超える画素の「空間的分布」を組み込むことにより、実施できる。後者の例において、後に残る画素は、疑わしい病巣の特定の特性に対応しない。
【0069】
累積閾値(Houghスペクトル内で残る画素の所定数)は、閾値未満の累積を有するROIを無くすのに使用される。この閾値は、乳房撮像のデータベースから経験的に得られる。またここで重要なのは、累積の閾値処理が自動的に実施できるということである。
【0070】
図22は、Houghスペクトルが閾値レベルを超える画素を有するROI数とηとの間の関係を図示するグラフである。一般に、閾値未満であるスペクトルの79〜99%のパーセントは、適切な切り離し値として使用されるηを求めるのに使用される。矢印2200は、病巣(腫瘤および/または実質組織変形の像)が検出されるηレベルを示す。図19に示される方法において、ループは、図22に示されるカーブを計算し、また閾値処理は、疑わしい病巣の一定数を識別できるカーブからηの値を選択することにより、実施される。閾値対累積のプロットは、図22のカーブと同様に現れるであろう。
【0071】
図23A〜23Lは、乳房撮像からのROIの画像であり、それは構造的ひずみ像(23A)、通常の実質組織変形の2つの領域(23A〜23B)および対応するHoughスペクトル(23D〜23F)、およびη=1.6で閾値処理をしたHoughスペクトル(23G〜23I)、およびη=1.7で閾値処理をしたHoughスペクトル(23J〜23L)を含む。ROIを構造的ひずみ像に重ねることにより、より大きい累積が生じ、またその累積は、上述したように画素を閾値処理することにより、ひずみ像として識別できることが明らかである。
【0072】
Houghスペクトル手法を適用した2つの実験が実施された。すなわち1つは、針骨状病巣の検出についての実験であり、他は、構造的ひずみ像の検出についての実験である。16件の事例から、それぞれ針骨状病巣を含む29枚の乳房撮像が得られ、また6件の事例から、それぞれ1つの構造的ひずみ像を有する12枚の乳房撮像が得られた。データの両方のセットにおける画像は、サイズが512X512画素であり、また8画素の水平または垂直軸で重ねるように置いた64X64画素のROIに分割された。各ROIは、先ずそのHoughスペクトルに変換され、ついで式(13)に従って求められた閾値で、かつ図19および22に関して説明したように、ROI について閾値処理が実施された。ついで閾値処理されたROIは、潜在的病巣の領域として針骨状のものの強い信号を有するものを除くために、2つの範疇に分類された。
【0073】
この実験において、17個の針骨状病巣および7区域の構造的ひずみ像が、全ての画像の間で識別された。この性能により、針骨状病巣の場合に81.25%および構造的ひずみ像の場合に66.67%の検出率が得られ、画像当たりの対応する誤って病巣が有るとした率は、それぞれ0.97および2.17であった。
【0074】
閾値レベルがηで変わるので、この検出スキームの検出性能を調べる他の実験も実施された。この結果は、FROC(自由応答受信器作動特性)カーブを示す図24に図示される。図24は、高い感度を示し、また低い誤って病巣が有るとした率は、本発明に従う方法で可能である。
【0075】
図25は、悪性と良性の病巣を判別する際にHoughスペクトルを使用する方法を図示する概略図である。この方法において、Houghスペクトル内の大きい累積は、区切られた病巣ではなく針骨状の病巣の存在を示すであろう。針骨状物は、悪性の可能性を判断する際に重要な特徴の1つである。この場合、累積は、針骨状病巣と区切られた病巣(その累積は、最初の閾値処理で残り、かくして、疑わし病巣と判断された)を区別するために再び閾値処理を実施できる。この第2の画素閾値も、経験的に得られる。
【0076】
ディジタル乳房撮像を得た(ステップ2500)後病巣の位置が求められる(ステップ2501)。病巣は、Houghスペクトル方法、左右両側除外および人間識別のような、種々の方法により突き止めることができる。ついでROIは、ステップ2502において、選択され、乳房撮像上の疑わしい病巣の回りに置かれる(疑わしい病巣の回りに広がるROIまたは複数のROIを囲んで)。Houghスペクトルは、ROI毎に計算され(ステップ2503)、また上述したように、ηを使用して閾値処理を実施される(ステップ2504)。累積は、ηを超える画素の計数である。累積の結果は、上述したように、ニューラルネットワークまたはルールに基づくスキームを使用してROIから求められた他の特徴と合併される(ステップ2506)。最後に、この方法により、出願番号08/158,359に記載されるように、累積と合併された特徴に基づいて悪性の可能性が判断される(ステップ2507)。
【0077】
空間定義域における画素サイズは、0.5mmとして選択された。Houghスペクトル操作後、Hough定義域における行列サイズは、θの場合に60、およびρの場合に54である。画素サイズが小さくなるにつれて(行列サイズが大きくなる)、Hough定義域における画素サイズは小さくなり得る。空間定義域における画素サイズが大きすぎて、サンプリングエラーが生じるならば、Hough定義域における大きい画素サイズは、適正な累積を得る必要がある。この例において、0.5mmの画素サイズの場合、Hough定義域において、それより小さい画素が使用されると、不正確な累積が生じることがある。
【0078】
図26A〜26Hは、悪性病巣の画像(26A)、良性病巣の画像(26B)、および対応するHoughスペクトル(26C〜26D)を示す。η=2.0で閾値処理をしたHoughスペクトル(26E〜26F)およびη=2.2で閾値処理をしたHoughスペクトル(26G〜26H)も示される。累積は、悪性病巣の場合は、良性病巣の場合よりも高い。
【0079】
図27は、乳房画像における腫瘤と組織(実質組織変形)のひずみ像のような病巣の検出および/または特性化をする自動化された方法を、任意選択の事前処理付きで実施する装置を図示する概略ブロック図である。データ入力装置2700は、乳房撮像画像を得るのに使用される。一般に装置2700は、X線写真乳房撮像を生成するX線装置であり、ディジタル乳房撮像を生成するレーザスキャナーのようなディジタイザーを備える。乳房撮像は、右および左の画像にでき(図12Aに示されるように)、または単一画像にもできる(図12Cに示されるように)。初期画像は、後で使用するために記憶装置2706に格納される。乳房撮像画像は、任意選択的に高濃度部分補正回路2701へ送られる。回路2701は、上述した、図1、2および8に関連して説明した機能(境界区分、皮下脂肪の識別、形態学的フィルタリング、ROIの載置、ヒストグラム分析、閾値処理、カーブフィット、正規化、背景除外および高濃度パーセントの計算など)を実施し、高濃度部分処理画像を生成する。回路2701は、高濃度パーセントを出力し、また皮下脂肪を描くことができる。望ましいならば、高濃度部分補正画像は、出力でき、また見ることができる(図示されない)。
【0080】
任意選択の事前処理回路2702は、ディジタル画像または高濃度部分補正画像を受像できる。回路2702は、図14に関連して上述したように、高濃度部分処理、ヒストグラム均等化、周辺エンハンスメントまたは縁部エンハンスメントのような受像した画像の事前処理を実施する。
【0081】
画像処理回路2703は、回路2700〜2702のいずれから画像または複数の画像を受像して、双方法除外またはHoughスペクトル分析のような画像処理(図12A、12Cおよび14に関連して上述したように)を実施する。回路2703は、回路2700〜2702のいずれから受像した画像における病巣を含むのが疑われる領域または複数の領域を出力する。
【0082】
回路2703の出力は、特徴抽出回路2704へ送られる。図12A、12Cおよび14に関して上述したように、特徴抽出回路2704は、画像内の疑わしい領域から特徴を抽出する。任意選択の高濃度処理は、この時点で実施きる。
【0083】
抽出された特徴は、特徴分析を実施する(上述したように)特徴分析回路2705に入力される。特徴分析後に、例えば病巣を検出するように学習された人工ニューラルネットワーク(ANN)またはルールに基づくスキーム2714を使用して、検出が実施される。回路2714の出力も、記憶装置2706に格納できる。
【0084】
回路2714の出力(検出された病巣)は、コンピュータが初期画像上に検出された病巣を示している重畳回路2715へ送られる。示された病巣を有する初期画像は、表示装置2716(ビデオ表示端末装置のような)上に示される。回路2715は、表示装置2716と共に、使用者に、病巣または疑わしい病巣である他の領域を初期画像上に(例えばライトペンを使用して)示させる。
【0085】
転送回路2707は、乳房撮像(または複数の乳房撮像)を記憶装置2706から入力回路2708へ転送し、回路2709〜2716による処理および表示のために画像を準備する(乳房撮像は、入力装置2700(図示されない)から直接に送ることもできる)。位置突き止め回路2709は、図25に関して述べたように、乳房撮像から病巣位置情報を抽出する。高濃度処理も、高濃度部分補正回路2710により、この時点で実施できる。
【0086】
回路2711は、抽出された位置情報と共に、乳房撮像または高濃度部分処理画像を受像し、受像された画像において選択された対象領域についてのHoughスペクトルを計算する。図25に関して述べたように、このスペクトルは閾値処理を実施され、また累積は測定される。閾値処理および累積に基づいて、病巣は病巣回路2712により抽出され、また特徴は、回路2704と同一の仕方で回路2713により抽出される。
【0087】
抽出された病巣および特徴は、回路2714へ入力され、その回路は、病巣を検出し、Houghスペクトル分析と累積に基づいて、悪性の可能性を示す。検出された病巣は、重畳回路2715により初期画像上に重畳され、装置2716上に表示される。使用者も、初期画像上の病巣を示すことができる。
【0088】
回路2701〜2705および回路2709〜2713は、例えばプログラムされたマイクロプロセッサとしてソフト的にまたはハード的に実施もできる。回路2714も、ソフト的に、または半導体ニューラルネットワークとして実施できる。
【0089】
明らかに、本発明の種々の修正および変形は、上記の手法を考慮して可能である。したがって付属の特許請求の範囲内で、本発明は、ここに特に記載されたもの以外で実施できることが分かる。本出願は、乳房撮像内の病巣の検出および分類に重点を置いているが、その着想は、肺および肝臓の画像における明白でない病巣のような人体の他の器官における異常の検出まで拡大できる。
【図面の簡単な説明】
【図1】図1は、本発明に従う、乳房撮像内の高濃度部分を区分する自動化された方法を図示する概略図である。
【図2】図2は、本発明に従う、乳房撮像内の皮下脂肪を区分する自動化された方法を図示する概略図である。
【図3】図3Aおよび3Bは、乳房領域内の対象領域(ROI)の位置決めを図示する図である。
【図4】図4Aおよび4Bは、図3のROI内、および乳房領域内のグレイレベルのヒストグラムをそれぞれ図示するグラフである。
【図5】図5Aおよび5Bは、示された高濃度部分で閾値処理をした後の、図3Aおよび3Bの乳房画像をそれぞれ図示する図である。
【図6】図6A〜6Dは、乳房内の脂肪に対応するグレイレベルを除外した後の図3Aと図3Bの画像を、テクスチャーで(図6Aと図6C)、またバイナリ形式で(図6Bと図6D)、それぞれ示す。
【図7】図7は、高濃度パーセントを求める方法を図示する図である。
【図8】図8は、乳房撮像内の高濃度部分を補正する方法を図示する図である。
【図9】図9Aおよび9Bは、図3Aおよび3Bの画像の高濃度部分の補正後の乳房画像をそれぞれ図示する図である。
【図10】図10Aおよび10Bは、処理画像エンハンスメント段階と特徴抽出段階において、高濃度部分補正の病巣検出スキームへの組み込みをそれぞれ図示する図である。
【図11】図11Aおよび11Bは、放射線技師により、およびコンピュータにより求められた740枚の乳房撮像のデータベースにおける高濃度乳房の分布を図示するヒストグラムをそれぞれ示す。
【図12A】図12Aは、二重乳房撮像コンピュータ化検出スキームにおいて、潜在的病巣の特徴分析において、および単一乳房撮像コンピュータ化検出スキームにおいて、高濃度部分補正の使用をそれぞれ図示する略図である。
【図12B】図12Bは、二重乳房撮像コンピュータ化検出スキームにおいて、潜在的病巣の特徴分析において、および単一乳房撮像コンピュータ化検出スキームにおいて、高濃度部分補正の使用をそれぞれ図示する略図である。
【図12C】図12Cは、二重乳房撮像コンピュータ化検出スキームにおいて、潜在的病巣の特徴分析において、および単一乳房撮像コンピュータ化検出スキームにおいて、高濃度部分補正の使用をそれぞれ図示する略図である。
【図13】図13は、高濃度部分が、コンピュータ化検出スキームにおいて、特徴分析前に背景補正されるとき、性能の向上を図示するグラフである。
【図14】図14は、Houghスペクトルを使用する乳房画像における腫瘤と組織(実質組織変形)のひずみ像のような病巣を検出する自動化された方法を図示する概略図である。
【図15】図15A〜15Iは、Hough変換およびHoughスペクトルの計算を図示する概略図である。
【図16】図16A〜16Dは、Houghスペクトルの解像度に対する空間座標のディジタル化エラーの影響を図示する概略図である。
【図17】図17A〜17Lは、模擬された区切られる病巣(17A)、模擬された針骨状病巣(17B)、通常の実質組織変形の存在しない模擬された実質組織変形の像(17C)、対応するHoughスペクトル(17D〜17F)、およびη=2.4で閾値処理をした後のHoughスペクトル(17G〜17I)、およびη=2.6で閾値処理をした後のHough スペクトル(17J〜17L)の病巣を図示する。
【図18A〜H】図18A〜18Hは、通常の実質組織変形背景(18A)、模擬された区切られた病巣(18B)、模擬された針骨状病巣(18C)、通常の実質組織変形の存在する模擬された実質組織変形の像(18D)、対応するHoughスペクトル(18E〜18H)、およびη=2.0で閾値処理をした後のHough スペクトル(18I〜18L)、η=2.1で閾値処理をした後のHoughスペクトル(18M〜18P)、およびη=2.2で閾値処理をした後のHoughスペクトル(18Q〜18T)の病巣を図示する図を含む。
【図18I〜T】図18I〜18Tは、通常の実質組織変形背景(18A)、模擬された区切られた病巣(18B)、模擬された針骨状病巣(18C)、通常の実質組織変形の存在する模擬された実質組織変形の像(18D)、対応するHoughスペクトル(18E〜18H)、およびη=2.0で閾値処理をした後のHough スペクトル(18I〜18L)、η=2.1で閾値処理をした後のHoughスペクトル(18M〜18P)、およびη=2.2で閾値処理をした後のHoughスペクトル(18Q〜18T)の病巣を図示する図を含む。
【図19】図19は、Houghスペクトルを閾値処理する方法を図示する概略図である。
【図20】図20は、乳房撮像の乳房領域内のROIの設置を図示する概略図である。
【図21】図21A〜21Lは、乳房撮像からのROIの画像であり、それは、通常の実質組織変形(21A)、針骨状病巣(21B)、円滑な区切られる病巣(21C)、対応するHoughスペクトル(21D〜21E)、およびη=1.4で閾値処理をしたHoughスペクトル(21G〜21I)、およびη=1.7で閾値処理をしたHoughスペクトル(21J〜21L)を含む。
【図22】図22は、Houghスペクトルが閾値レベルを超える画素を有するROI数とηとの間の関係およびROI数を図示するグラフである。
【図23】図23A〜23Lは、乳房撮像からのROIの画像であり、それは構造的ひずみ像(23A)、通常の実質組織変形の2つの領域(23A〜23B)および対応するHoughスペクトル(23D〜23F)、およびη=1.6で閾値処理をしたHoughスペクトル(23G〜23I)、およびη=1.7で閾値処理をしたHoughスペクトル(23J〜23L)を含む。
【図24】図24は、ηが変わるときに閾値レベルとして検出スキームの性能検出を図示するグラフである。
【図25】図25は、悪性と良性の病巣を判別する際にHoughスペクトルを使用する方法を図示する概略図である。
【図26】図26A〜26Hは、悪性病巣の画像(26A)、良性病巣の画像(26B)、対応するHoughスペクトル(26C〜26D)、およびη=2.0で閾値処理をしたHoughスペクトル(26E〜26F)、およびη=2.2で閾値処理をしたHoughスペクトル(26G〜26H)をそれぞれ示す。
【図27】図27は、乳房画像における腫瘤や実質組織変形の像のような病巣の検出および/または特性化をする自動化された方法を、任意選択の事前処理付きで実施する装置を図示する概略ブロック図である。
Claims (38)
- (a)乳房撮像画像内において、前記画像の脂肪質部分と比較して解剖学的高濃度部分を識別するステップと、
(b)前記高濃度部分のみから背景傾向を削除することにより、第1の処理済みの画像を得て、かつ、前記画像の平均グレーレベル値に適合するために前記第1の処理済み画像のピクセル値を標準化することにより、より均一な濃度を有する第2の処理済み画像を得て、前記高濃度部分を処理するステップと、から成り、
前記画像の前記高濃度部分を識別するステップが、
(I)対象領域を、複数の画素を有する前記画像内の、胸壁と乳房境界の少なくとも1つに近接する前記画像上に位置付けするステップと、
(II)前記対象領域内の第1の画素のグレーレベルヒストグラムを得るステップと、
(III)前記画像内の前記画素の第2のグレーレベルヒストグラムを得るステップと、
(IV)前記第1と第2のグレーレベルヒストグラムに基づき、グレーレベル閾値を求めるステップと、から成る乳房撮像画像の視覚化を高める方法。 - (I)前記グレーレベル閾値を用いて前記画像の閾値を定め、閾値化画像を得るステップと、
(II)前記閾値化画像に形態論的フィルタリングを行うステップと、
を有する、請求項1に記載の方法。 - (I)前記グレーレベル閾値を用いて前記画像の閾値を定め、閾値化画像を得るステップと、
(II)前記閾値化画像に対して、特徴分析と多重グレーレベル閾値決めの少なくとも1つを行うステップと、
を有する、請求項1に記載の方法。 - (I)前記グレーレベル閾値を用いて前記画像の閾値を定めるステップと、
(II)前記画像の濃度率を算出するステップと、
を有する、請求項1に記載の方法。 - 前記濃度率を算出するステップは、
(I) 前記グレーレベル閾値よりも高い、前記画像内の第1の画素数を求めるステップと、
(II)皮下脂肪に対する画素を除外した前記画像の乳房領域内での第2の画素数を求めるステップと、
(III)前記第1の数を前記第2の数で除するステップと、
から成る、請求項4に記載の方法。 - 前記高濃度部分の背景傾向を補正するステップを有する請求項1に記載の方法。
- 前記高濃度部分の背景傾向を補正するステップは、
(I)前記高濃度部分のカーブフィッティングを行って前記高濃度部分へのフィットを生成するステップと、
(II)前記フィットを前記高濃度部分から減じて、減算画像を得るステップと、
(III)前記減算画像を正規化するステップ
とから成る、請求項6に記載の方法。 - (I)前記第1の画像を処理して第2の画像を得るステップと、
(II)前記第2の画像から特徴を抽出するステップと、
(III)前記抽出ステップで抽出された抽出特徴に基づき、前記画像内の病巣を検出するステップと、
から成る、請求項1に記載の方法。 - 前記高濃度部分を処理するステップが前記特徴の抽出中に行われる、請求項8に記載の方法。
- 以下のステップから成る、乳房撮影画像内における病巣検出方法。
(a)左右の乳房撮影画像を得ること、
(b)前記左右の乳房撮影画像の少なくとも1つにおいて、解剖学的高濃度部分を識別すること、
(c)高濃度部分が識別された乳房撮影画像がより均一な濃度を有するように、前記識別ステップで識別された前記高濃度部分を、背景濃度補正と、前記高濃度部分の画素の正規化によって処理すること、
(d)前記高濃度部分を処理するステップの後に、前記左右乳房撮影画像を処理して組み合わせ画像を得ること、
(e)前記組み合わせ画像に対して特徴分析を行い、前記組み合わせ画像から特徴を抽出すること、
(f)抽出特徴に基づいた病巣を検出すること。 - 前記高濃度部分を処理するステップが、前記高濃度部分の背景傾向を補正するステップから成る、請求項10に記載の方法。
- 以下のステップから成る、乳房撮影画像を分析する方法。
(a)前記画像内において複数の対象領域を選択すること、
(b)前記対象領域のそれぞれについてH o u g hスペクトルを算出すること、
(c)前記H o u g hスペクトルを用いて閾値を決定すること、
(d)前記閾値を用いて前記H o u g hスペクトルを閾値処理すること、
(e)前記画像内の病巣の疑いがある領域を識別すること、
(f)前記領域を分析すること。 - 前記閾値を求めるステップが、
(I)前記H o u g hスペクトルのそれぞれの平均値と第1の標準偏差とを求めるステップと、
(II)前記対象領域のすべてについて平均した平均値と第2の標準偏差とを求めるステップと、
(III)始点閾値を選択するステップと、
(IV)前記H o u g hスペクトルのそれぞれが前記始点閾値より低いか否かを判定するステップと
(V)前記始点閾値を次の閾値に変えて、前記H o u g hスペクトルのそれぞれが前記次の閾値より低いか否かを判定するステップと、
(VI)前記H o u g hスペクトルの所定パーセントが前記閾値より低い場合に前記閾値を求めるステップと、
から成る、請求項12に記載の方法。 - 前記始点閾値を選択するステップが、
(I)始点値ηを選択するステップと、
(II)前記始点閾値をT=μ+ησとして求める(μは前記平均の平均値、σは前記第2の標準偏差)ステップと
から成る、請求項13に記載の方法。 - (I)ηの値を増加させて前記始点閾値を変化させるステップと、
(II)ηが有効範囲内にあるか否かを判定するステップと、
(III)ηがもはや前記有効範囲内にないとき、前記H o u g hスペクトルの前記所定パーセントが前記閾値より低い場合に前記閾値を求めるステップと
を有する、請求項14に記載の方法。 - 前記閾値を超えるようなH o u g hスペクトルの少なくとも1つの部分を有するROI(対象領域)において前記病巣を検出するステップを有する、請求項13に記載の方法。
- (I)前記H o u g hスペクトルの第2の所定数が前記第2の閾値未満である第2の閾値を求めるステップと、
(II)前記第2の閾値より高い、前記H o u g hスペクトルの少なくとも一部を有するROI(対象領域)において実質組織変形を検出するステップと、
を有する請求項16に記載の方法。 - (I)前記累積に基づいて、前記病巣が悪性か否かを判定するステップと、
(II)前記累積に基づいて、前記病巣が良性か否かを判定するステップと、
を有する、請求項16に記載の方法。 - (I)前記閾値において閾値処理された前記Ho u g hスペクトルそれぞれの累積を求めるステップと、
(II)前記累積に基づいて前記病巣を検出するステップと、
を有する、請求項13に記載の方法。 - 前記累積に基づいて実質組織変形を検出するステップを有する、請求項19に記載の方法。
- 前記分析ステップが以下から成る、請求項12に記載の方法。
(I)前記領域について累積を測定するステップ、
(II)特徴分析技術を用いて前記領域の少なくとも1つの特徴を抽出するステップ、
(III)前記累積と前記少なくとも1つの特徴とを病巣検出スキームへ入力するステップ、
(IV)前記病巣検出スキームを用いて前記領域が悪性である可能性を判断するステップ。 - 前記累積を入力するステップが、乳房撮影画像内の疑わしい領域の悪性度を求めるよう仕立てられた人工ニューラルネットワークに前記累積を入力するステップから成る、請求項21に記載の方法。
- 前記複数の対象領域を選択するに先だって、前記画像の前処理を行うステップを有する、請求項12に記載の方法。
- 前記前処理を行うステップが、少なくとも1つの高濃度部分処理、ヒストグラム均等化、周辺エンハンスメント及び縁エンハンスメントを行うステップから成る、請求項23に記載の方法。
- 以下のステップから成る画像分析方法。
(a)病巣を含む疑いのある領域の位置をつきとめるステップ、
(b)前記領域を含む複数の対象領域を選択するステップ、
(c)前記対象領域のそれぞれについてH o u g hスペクトルを算出するステップ、
(d)前記H o u g hスペクトルを用いて閾値を求めるステップ、
(e)前記閾値を用いて前記H o u g hスペクトルを閾値処理し、閾値処理されたH o u g hスペクトルを得るステップ、
(f )前記閾値処理された H o u g hスペクトルのれぞれについて累積を求めるステップ、
(g)特徴分析技術を用いて前記領域の少なくとも1つの特徴を抽出するステップ、
(h)前記累積と前記少なくとも1つの特徴を用いて前記領域を分析するステップ。 - 前記領域を分析する前記ステップが、
(I)前記累積と前記少なくとも1つの特徴とを検出スキームに入力するステップと、
(II)前記検出スキームを用いて悪性の可能性を判断するステップとから成る、請求項25に記載の方法。 - (I)乳房撮影画像を得るステップと、
(II)前記乳房撮影画像内において腫瘤及び実質組織変形の少なくとも1つを検出するステップと、
から成る、請求項25に記載の方法。 - (I)前記領域を含む単一の対象領域を選択するステップと、
(II)前記単一の対象領域について単一のH o u g hスペクトルを算出するステップと、
(III)前記単一H o u g hスペクトルを用いて閾値を求めるステップと、
(IV)前記閾値を用いて前記単一H o u g hスペクトルを閾値処理し、単一の閾値処理されたH o u g hスペクトルを得るステップと、
(V)前記単一の閾値処理されたH o u g hスペクトルについて累積を求めるステップと、
から成る、請求項25に記載の方法。 - 前記領域を分析する前記ステップが、
(I)前記累積と前記少なくとも1つの特徴とを検出スキームに入力するステップと、
(II)前記検出スキームを用いて悪性の可能性を判断するステップとから成る、請求項28に記載の方法。 - (I)前記領域が悪性腫瘤を含むか否かを検出するステップと、
(II)前記領域が良性腫瘤を含むか否かを検出するステップと、
から成る、請求項25に記載の方法。 - 前記悪性腫瘤と前記良性腫瘤とを区別するステップから成る、請求項30に記載の方法。
- 以下から成る画像内における視覚化システム。
(a)前記画像を得るように構成された画像取得装置。
(b)前記画像取得装置に接続され、前記画像の解剖学的高濃度部分を識別して前記高濃度部分を背景濃度補正と、前記高濃度部分の画素の正規化によって処理し、より均一な濃度を有する処理済み画像を得るように構成された高濃度部分処理回路。 - 前記画像取得装置は乳房撮影画像取得装置である、請求項32に記載のシステム。
- (I)前記高濃度部分処理回路に接続され、より均一な濃度を有する前記処理済み画像を処理するよう構成された画像処理回路と、
(II)前記画像処理回路に接続された特徴抽出回路と、
(III)前記特徴分析回路に接続された病巣検出回路とから成る、請求項32に記載のシステム。 - (I)前記病巣検出回路に接続された病巣位置重畳回路と、
(II)前記病巣位置重畳回路に接続された画像ディスプレイと、
から成る、請求項34に記載のシスム。 - 以下から成る、画像内における病巣検出システム。
(a)画像取得装置、
(b)前記画像取得装置に接続される病巣位置検出回路、
(c)前記病巣位置検出回路に接続される高濃度部分処理回路、
(d)前記病巣位置検出回路と前記高濃度部分処理回路とに接続されるH o u g hスペクトル分析回路、
(e)前記H o u g hスペクトル分析回路に接続される病巣抽出回路、
(f)前記病巣抽出回路に接続される特徴抽出回路、
(g)前記特徴分析回路に接続される病巣検出回路。 - (I)前記病巣検出回路に接続される病巣位置重畳回路と、
(II)前記病巣位置重畳回路に接続される画像ディスプレイと、
から成る、請求項36に記載のシステム。 - 前記画像取得装置は乳房撮影画像取得装置である、請求項36に記載のシステム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US08/393,779 US5657362A (en) | 1995-02-24 | 1995-02-24 | Automated method and system for computerized detection of masses and parenchymal distortions in medical images |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP8525749A Division JPH10503961A (ja) | 1995-02-24 | 1996-02-23 | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 |
Related Child Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2006244130A Division JP2007007440A (ja) | 1995-02-24 | 2006-09-08 | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 |
JP2007168509A Division JP4634418B2 (ja) | 1995-02-24 | 2007-06-27 | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2004032684A true JP2004032684A (ja) | 2004-01-29 |
Family
ID=23556214
Family Applications (4)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP8525749A Pending JPH10503961A (ja) | 1995-02-24 | 1996-02-23 | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 |
JP2003059220A Pending JP2004032684A (ja) | 1995-02-24 | 2003-03-05 | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 |
JP2006244130A Pending JP2007007440A (ja) | 1995-02-24 | 2006-09-08 | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 |
JP2007168509A Expired - Lifetime JP4634418B2 (ja) | 1995-02-24 | 2007-06-27 | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP8525749A Pending JPH10503961A (ja) | 1995-02-24 | 1996-02-23 | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2006244130A Pending JP2007007440A (ja) | 1995-02-24 | 2006-09-08 | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 |
JP2007168509A Expired - Lifetime JP4634418B2 (ja) | 1995-02-24 | 2007-06-27 | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 |
Country Status (8)
Country | Link |
---|---|
US (1) | US5657362A (ja) |
EP (1) | EP0757544B1 (ja) |
JP (4) | JPH10503961A (ja) |
AT (1) | ATE491393T1 (ja) |
AU (1) | AU706993B2 (ja) |
CA (1) | CA2188394C (ja) |
DE (1) | DE69638305D1 (ja) |
WO (1) | WO1996025879A1 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006175231A (ja) * | 2004-12-21 | 2006-07-06 | Siemens Ag | 画像内の不均一性の補正方法および画像化装置 |
JP2009247521A (ja) * | 2008-04-04 | 2009-10-29 | Fujifilm Corp | 画像処理装置及び画像処理方法 |
WO2018070760A1 (ko) * | 2016-10-10 | 2018-04-19 | 순천향대학교 산학협력단 | 열화상카메라를 이용한 유방암 진단 장치 및 방법 |
Families Citing this family (118)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6574357B2 (en) | 1993-09-29 | 2003-06-03 | Shih-Ping Wang | Computer-aided diagnosis method and system |
US6075879A (en) * | 1993-09-29 | 2000-06-13 | R2 Technology, Inc. | Method and system for computer-aided lesion detection using information from multiple images |
US6266435B1 (en) | 1993-09-29 | 2001-07-24 | Shih-Ping Wang | Computer-aided diagnosis method and system |
US6263092B1 (en) * | 1996-07-10 | 2001-07-17 | R2 Technology, Inc. | Method and apparatus for fast detection of spiculated lesions in digital mammograms |
US6198838B1 (en) * | 1996-07-10 | 2001-03-06 | R2 Technology, Inc. | Method and system for detection of suspicious lesions in digital mammograms using a combination of spiculation and density signals |
US5815591A (en) * | 1996-07-10 | 1998-09-29 | R2 Technology, Inc. | Method and apparatus for fast detection of spiculated lesions in digital mammograms |
US6135965A (en) * | 1996-12-02 | 2000-10-24 | Board Of Regents, The University Of Texas System | Spectroscopic detection of cervical pre-cancer using radial basis function networks |
FI105059B (fi) * | 1996-12-18 | 2000-05-31 | Graafisen Teollisuuuden Tutkim | Järjestelmä ja menetelmä kuvan käsittelemiseksi |
US6035056A (en) * | 1997-03-27 | 2000-03-07 | R2 Technology, Inc. | Method and apparatus for automatic muscle segmentation in digital mammograms |
US6058322A (en) * | 1997-07-25 | 2000-05-02 | Arch Development Corporation | Methods for improving the accuracy in differential diagnosis on radiologic examinations |
US6317617B1 (en) | 1997-07-25 | 2001-11-13 | Arch Development Corporation | Method, computer program product, and system for the automated analysis of lesions in magnetic resonance, mammogram and ultrasound images |
US5984870A (en) * | 1997-07-25 | 1999-11-16 | Arch Development Corporation | Method and system for the automated analysis of lesions in ultrasound images |
AU8586098A (en) | 1997-07-25 | 1999-02-16 | Arch Development Corporation | Method and system for the segmentation of lung regions in lateral chest radiographs |
US6014452A (en) * | 1997-07-28 | 2000-01-11 | R2 Technology, Inc. | Method and system for using local attention in the detection of abnormalities in digitized medical images |
US7308126B2 (en) | 1997-08-28 | 2007-12-11 | Icad, Inc. | Use of computer-aided detection system outputs in clinical practice |
US6137898A (en) * | 1997-08-28 | 2000-10-24 | Qualia Computing, Inc. | Gabor filtering for improved microcalcification detection in digital mammograms |
US5999639A (en) | 1997-09-04 | 1999-12-07 | Qualia Computing, Inc. | Method and system for automated detection of clustered microcalcifications from digital mammograms |
US6970587B1 (en) | 1997-08-28 | 2005-11-29 | Icad, Inc. | Use of computer-aided detection system outputs in clinical practice |
EP1032915B1 (en) * | 1997-11-28 | 2012-05-09 | Shih-Ping Wang | Computer-aided diagnosis system and method |
US6996549B2 (en) * | 1998-05-01 | 2006-02-07 | Health Discovery Corporation | Computer-aided image analysis |
JP3453085B2 (ja) * | 1998-07-23 | 2003-10-06 | ジーイー横河メディカルシステム株式会社 | X線ct装置 |
US6240201B1 (en) | 1998-07-24 | 2001-05-29 | Arch Development Corporation | Computerized detection of lung nodules using energy-subtracted soft-tissue and standard chest images |
US6801645B1 (en) | 1999-06-23 | 2004-10-05 | Icad, Inc. | Computer aided detection of masses and clustered microcalcifications with single and multiple input image context classification strategies |
US6941323B1 (en) | 1999-08-09 | 2005-09-06 | Almen Laboratories, Inc. | System and method for image comparison and retrieval by enhancing, defining, and parameterizing objects in images |
US6898303B2 (en) | 2000-01-18 | 2005-05-24 | Arch Development Corporation | Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans |
US6901156B2 (en) * | 2000-02-04 | 2005-05-31 | Arch Development Corporation | Method, system and computer readable medium for an intelligent search workstation for computer assisted interpretation of medical images |
US6785570B2 (en) * | 2000-12-22 | 2004-08-31 | Md Medical Diagnostics Inc. | System and method for analysis of a tissue |
JP3947109B2 (ja) * | 2001-01-23 | 2007-07-18 | バイオウルフ テクノロジーズ エルエルスィー | コンピュータ利用画像分析 |
US20020165839A1 (en) * | 2001-03-14 | 2002-11-07 | Taylor Kevin M. | Segmentation and construction of segmentation classifiers |
US6516045B2 (en) | 2001-05-04 | 2003-02-04 | The Regents Of The University Of California | Device and method for determining proportions of body materials |
US7043064B2 (en) * | 2001-05-04 | 2006-05-09 | The Board Of Trustees Of The Leland Stanford Junior University | Method for characterizing shapes in medical images |
US7054473B1 (en) | 2001-11-21 | 2006-05-30 | R2 Technology, Inc. | Method and apparatus for an improved computer aided diagnosis system |
US7072498B1 (en) | 2001-11-21 | 2006-07-04 | R2 Technology, Inc. | Method and apparatus for expanding the use of existing computer-aided detection code |
US7680315B2 (en) * | 2001-11-21 | 2010-03-16 | Hologic, Inc. | Facilitating computer-aided detection, comparison, or display of medical images |
JP3843830B2 (ja) * | 2001-12-21 | 2006-11-08 | コニカミノルタホールディングス株式会社 | デジタル位相コントラストx線画像撮影システム |
US7203348B1 (en) * | 2002-01-18 | 2007-04-10 | R2 Technology, Inc. | Method and apparatus for correction of mammograms for non-uniform breast thickness |
JP2003334183A (ja) * | 2002-03-11 | 2003-11-25 | Fuji Photo Film Co Ltd | 異常陰影検出装置 |
US7418123B2 (en) * | 2002-07-12 | 2008-08-26 | University Of Chicago | Automated method and system for computerized image analysis for prognosis |
US7123684B2 (en) * | 2002-11-27 | 2006-10-17 | Hologic, Inc. | Full field mammography with tissue exposure control, tomosynthesis, and dynamic field of view processing |
US8571289B2 (en) | 2002-11-27 | 2013-10-29 | Hologic, Inc. | System and method for generating a 2D image from a tomosynthesis data set |
US10638994B2 (en) | 2002-11-27 | 2020-05-05 | Hologic, Inc. | X-ray mammography with tomosynthesis |
US7577282B2 (en) | 2002-11-27 | 2009-08-18 | Hologic, Inc. | Image handling and display in X-ray mammography and tomosynthesis |
US8565372B2 (en) | 2003-11-26 | 2013-10-22 | Hologic, Inc | System and method for low dose tomosynthesis |
US7616801B2 (en) | 2002-11-27 | 2009-11-10 | Hologic, Inc. | Image handling and display in x-ray mammography and tomosynthesis |
US7298883B2 (en) * | 2002-11-29 | 2007-11-20 | University Of Chicago | Automated method and system for advanced non-parametric classification of medical images and lesions |
US20040254503A1 (en) * | 2003-06-13 | 2004-12-16 | Sarvazyan Armen P. | Internet-based system and a method for automated analysis of tactile imaging data and detection of lesions |
US7668358B2 (en) * | 2003-07-18 | 2010-02-23 | Hologic, Inc. | Model-based grayscale registration of medical images |
EP1692657A1 (en) * | 2003-12-10 | 2006-08-23 | Agency for Science, Technology and Research | Methods and apparatus for binarising images |
SE0400325D0 (sv) * | 2004-02-13 | 2004-02-13 | Mamea Imaging Ab | Method and arrangement relating to x-ray imaging |
US20080031400A1 (en) * | 2004-05-06 | 2008-02-07 | Luc Beaulieu | 3D Localization Of Objects From Tomography Data |
US8774355B2 (en) * | 2004-06-30 | 2014-07-08 | General Electric Company | Method and apparatus for direct reconstruction in tomosynthesis imaging |
US20060018524A1 (en) * | 2004-07-15 | 2006-01-26 | Uc Tech | Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT |
JP2006068373A (ja) * | 2004-09-03 | 2006-03-16 | Fuji Photo Film Co Ltd | 乳頭検出装置およびそのプログラム |
US7662082B2 (en) | 2004-11-05 | 2010-02-16 | Theragenics Corporation | Expandable brachytherapy device |
EP2602743B1 (en) | 2004-11-15 | 2014-11-05 | Hologic, Inc. | Matching geometry generation and display of mammograms and tomosynthesis images |
EP3106094B1 (en) | 2004-11-26 | 2021-09-08 | Hologic, Inc. | Integrated multi-mode mammography/tomosynthesis x-ray system |
US7400755B2 (en) * | 2005-06-02 | 2008-07-15 | Accuray Incorporated | Inverse planning using optimization constraints derived from image intensity |
WO2006138717A2 (en) * | 2005-06-16 | 2006-12-28 | California Pacific Medical Center Research Institute | Methods and apparatus for determining proportions of body materials |
US8079946B2 (en) | 2005-11-18 | 2011-12-20 | Senorx, Inc. | Asymmetrical irradiation of a body cavity |
EP1986548B1 (en) | 2006-02-15 | 2013-01-02 | Hologic, Inc. | Breast biopsy and needle localization using tomosynthesis systems |
FR2897461A1 (fr) * | 2006-02-16 | 2007-08-17 | Gen Electric | Dispositif de rayonnement x et procede de traitement d'images |
US20080079750A1 (en) * | 2006-09-29 | 2008-04-03 | Vidya Setlur | Perceptually adaptive graphical user interface |
US7747076B2 (en) * | 2006-12-21 | 2010-06-29 | Fujifilm Corporation | Mass segmentation using mirror image of region of interest |
JP2010154871A (ja) * | 2007-04-12 | 2010-07-15 | Konica Minolta Medical & Graphic Inc | 骨疾患評価システム、骨疾患評価方法及びプログラム |
US8340387B2 (en) * | 2007-04-13 | 2012-12-25 | Three Palm Software | Fast preprocessing algorithms for digital mammography CAD and workstation |
US7630533B2 (en) | 2007-09-20 | 2009-12-08 | Hologic, Inc. | Breast tomosynthesis with display of highlighted suspected calcifications |
US20090082637A1 (en) * | 2007-09-21 | 2009-03-26 | Michael Galperin | Multi-modality fusion classifier with integrated non-imaging factors |
JP4888316B2 (ja) * | 2007-10-01 | 2012-02-29 | コニカミノルタエムジー株式会社 | 異常陰影検出装置とプログラム |
US20090154782A1 (en) * | 2007-12-17 | 2009-06-18 | Three Palm Software | Dual-magnify-glass visualization for soft-copy mammography viewing |
EP2262423B1 (en) | 2008-03-06 | 2018-01-10 | Covidien LP | Image enhancement and application functionality for medical and other uses |
US20100158332A1 (en) * | 2008-12-22 | 2010-06-24 | Dan Rico | Method and system of automated detection of lesions in medical images |
US9248311B2 (en) | 2009-02-11 | 2016-02-02 | Hologic, Inc. | System and method for modifying a flexibility of a brachythereapy catheter |
US9579524B2 (en) | 2009-02-11 | 2017-02-28 | Hologic, Inc. | Flexible multi-lumen brachytherapy device |
US8170320B2 (en) | 2009-03-03 | 2012-05-01 | Hologic, Inc. | Mammography/tomosynthesis systems and methods automatically deriving breast characteristics from breast x-ray images and automatically adjusting image processing parameters accordingly |
TWI381321B (zh) * | 2009-04-30 | 2013-01-01 | Ind Tech Res Inst | 重組多張影像與辨識方法以及影像擷取與辨識系統 |
US10207126B2 (en) | 2009-05-11 | 2019-02-19 | Cytyc Corporation | Lumen visualization and identification system for multi-lumen balloon catheter |
JP5502382B2 (ja) * | 2009-07-02 | 2014-05-28 | 株式会社東芝 | 乳房x線撮影装置及び画像処理装置 |
WO2011043838A1 (en) | 2009-10-08 | 2011-04-14 | Hologic, Inc . | Needle breast biopsy system and method of use |
US9047674B2 (en) * | 2009-11-03 | 2015-06-02 | Samsung Electronics Co., Ltd. | Structured grids and graph traversal for image processing |
US8340388B2 (en) * | 2009-11-03 | 2012-12-25 | Icad, Inc. | Systems, computer-readable media, methods, and medical imaging apparatus for the automated detection of suspicious regions of interest in noise normalized X-ray medical imagery |
JP5421756B2 (ja) * | 2009-12-11 | 2014-02-19 | 富士フイルム株式会社 | 画像表示装置および方法並びにプログラム |
DE202011110476U1 (de) | 2010-09-09 | 2014-03-27 | Hologic Inc. | System zur dynamischen Modifizierung von Aufnahmeparametern während der Bildaufnahme |
US9352172B2 (en) | 2010-09-30 | 2016-05-31 | Hologic, Inc. | Using a guide member to facilitate brachytherapy device swap |
JP5955327B2 (ja) | 2010-10-05 | 2016-07-20 | ホロジック, インコーポレイテッドHologic, Inc. | 直立した患者の乳房をx線で撮像するシステム及び方法 |
US9208556B2 (en) * | 2010-11-26 | 2015-12-08 | Quantitative Insights, Inc. | Method, system, software and medium for advanced intelligent image analysis and display of medical images and information |
US9075903B2 (en) | 2010-11-26 | 2015-07-07 | Hologic, Inc. | User interface for medical image review workstation |
WO2012082861A2 (en) | 2010-12-14 | 2012-06-21 | Hologic, Inc. | System and method for fusing three dimensional image data from a plurality of different imaging systems for use in diagnostic imaging |
US10342992B2 (en) | 2011-01-06 | 2019-07-09 | Hologic, Inc. | Orienting a brachytherapy applicator |
CN103477346A (zh) | 2011-03-08 | 2013-12-25 | 霍洛吉克公司 | 用于筛查、诊断和活检的双能和/或造影增强乳房成像的系统和方法 |
KR102109588B1 (ko) | 2011-11-27 | 2020-05-12 | 홀로직, 인크. | 유방 조직 이미지를 프로세싱하고, 디스플레잉하고, 네비게이팅하기 위한 방법 |
US9805507B2 (en) | 2012-02-13 | 2017-10-31 | Hologic, Inc | System and method for navigating a tomosynthesis stack using synthesized image data |
FR2989198A1 (fr) * | 2012-04-06 | 2013-10-11 | St Microelectronics Grenoble 2 | Procede et dispositif de detection d'un objet dans une image |
KR20150100929A (ko) * | 2013-01-30 | 2015-09-02 | 고쿠리츠켄큐카이하츠호진 카가쿠기쥬츠신코키코 | 화상 처리용 디지털 필터, 화상 처리 장치, 인쇄 매체, 기록 매체, 화상 처리 방법, 및 프로그램 |
JP6388347B2 (ja) | 2013-03-15 | 2018-09-12 | ホロジック, インコーポレイテッドHologic, Inc. | 腹臥位におけるトモシンセシス誘導生検 |
EP3035850B1 (en) | 2013-08-20 | 2020-05-13 | Densitas Incorporated | Methods and systems for determining breast density |
EP3055837B1 (en) | 2013-10-09 | 2021-08-04 | Hologic, Inc. | X-ray breast tomosynthesis enhancing spatial resolution including in the thickness direction of a flattened breast |
JP6506769B2 (ja) | 2014-02-28 | 2019-04-24 | ホロジック, インコーポレイテッドHologic, Inc. | トモシンセシス画像スラブを生成し表示するためのシステムおよび方法 |
DE102014208411A1 (de) | 2014-05-06 | 2015-11-12 | Siemens Aktiengesellschaft | Auswertung eines während einer Mammographie erzeugten Röntgenbildes einer Brust |
CO7020178A1 (es) * | 2014-05-14 | 2014-08-11 | Leon Ricardo Antonio Mendoza | Método para la segmentación y cuantificación automática de tejidos corporales |
WO2015196300A1 (en) * | 2014-06-27 | 2015-12-30 | Sunnybrook Research Institute | Systems and methods for generating an imaging biomarker that indicates detectability or conspicuity of lesions in a mammographic image |
CN104933701B (zh) * | 2015-05-18 | 2017-10-27 | 重庆大学 | 基于多尺度生长与双策略去粘连模型的乳腺细胞分割方法 |
WO2017060133A1 (en) * | 2015-10-05 | 2017-04-13 | Koninklijke Philips N.V. | Apparatus for characterization of a feature of a body part |
EP3445247B1 (en) | 2016-04-22 | 2021-03-10 | Hologic, Inc. | Tomosynthesis with shifting focal spot x-ray system using an addressable array |
WO2017205386A1 (en) | 2016-05-27 | 2017-11-30 | Hologic, Inc. | Synchronized surface and internal tumor detection |
US20190122397A1 (en) | 2016-07-12 | 2019-04-25 | Mindshare Medical, Inc. | Medical analytics system |
US11246551B2 (en) | 2016-09-20 | 2022-02-15 | KUB Technologies, Inc. | System and method for computer aided detection (CAD) in a breast specimen radiograph |
US10037601B1 (en) * | 2017-02-02 | 2018-07-31 | International Business Machines Corporation | Systems and methods for automatic detection of architectural distortion in two dimensional mammographic images |
JP7174710B2 (ja) | 2017-03-30 | 2022-11-17 | ホロジック, インコーポレイテッド | 合成乳房組織画像を生成するための標的オブジェクト増強のためのシステムおよび方法 |
JP7169986B2 (ja) | 2017-03-30 | 2022-11-11 | ホロジック, インコーポレイテッド | オブジェクトグリッド増強を用いて高次元画像データから低次元画像データを合成するためのシステムおよび方法 |
WO2018183548A1 (en) | 2017-03-30 | 2018-10-04 | Hologic, Inc. | System and method for hierarchical multi-level feature image synthesis and representation |
EP3641635A4 (en) | 2017-06-20 | 2021-04-07 | Hologic, Inc. | DYNAMIC SELF-LEARNING MEDICAL IMAGING PROCESS AND SYSTEM |
WO2019035064A1 (en) | 2017-08-16 | 2019-02-21 | Hologic, Inc. | PATIENT MOVEMENT ARTIFACT COMPENSATION TECHNIQUES IN BREAST IMAGING |
EP3449835B1 (en) | 2017-08-22 | 2023-01-11 | Hologic, Inc. | Computed tomography system and method for imaging multiple anatomical targets |
US11049606B2 (en) | 2018-04-25 | 2021-06-29 | Sota Precision Optics, Inc. | Dental imaging system utilizing artificial intelligence |
US11090017B2 (en) | 2018-09-13 | 2021-08-17 | Hologic, Inc. | Generating synthesized projection images for 3D breast tomosynthesis or multi-mode x-ray breast imaging |
EP3832689A3 (en) | 2019-12-05 | 2021-08-11 | Hologic, Inc. | Systems and methods for improved x-ray tube life |
US11471118B2 (en) | 2020-03-27 | 2022-10-18 | Hologic, Inc. | System and method for tracking x-ray tube focal spot position |
US11786191B2 (en) | 2021-05-17 | 2023-10-17 | Hologic, Inc. | Contrast-enhanced tomosynthesis with a copper filter |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4907156A (en) * | 1987-06-30 | 1990-03-06 | University Of Chicago | Method and system for enhancement and detection of abnormal anatomic regions in a digital image |
US5133020A (en) * | 1989-07-21 | 1992-07-21 | Arch Development Corporation | Automated method and system for the detection and classification of abnormal lesions and parenchymal distortions in digital medical images |
US5260871A (en) * | 1991-07-31 | 1993-11-09 | Mayo Foundation For Medical Education And Research | Method and apparatus for diagnosis of breast tumors |
US5410418A (en) * | 1992-06-24 | 1995-04-25 | Dainippon Screen Mfg. Co., Ltd. | Apparatus for converting image signal representing image having gradation |
US5319549A (en) * | 1992-11-25 | 1994-06-07 | Arch Development Corporation | Method and system for determining geometric pattern features of interstitial infiltrates in chest images |
US5452367A (en) * | 1993-11-29 | 1995-09-19 | Arch Development Corporation | Automated method and system for the segmentation of medical images |
EP0687373A1 (en) * | 1993-12-30 | 1995-12-20 | Koninklijke Philips Electronics N.V. | Automatic segmentation and skinline detection in digital mammograms |
-
1995
- 1995-02-24 US US08/393,779 patent/US5657362A/en not_active Expired - Lifetime
-
1996
- 1996-02-23 AU AU51701/96A patent/AU706993B2/en not_active Ceased
- 1996-02-23 WO PCT/US1996/002065 patent/WO1996025879A1/en active Application Filing
- 1996-02-23 AT AT96908470T patent/ATE491393T1/de not_active IP Right Cessation
- 1996-02-23 DE DE69638305T patent/DE69638305D1/de not_active Expired - Lifetime
- 1996-02-23 JP JP8525749A patent/JPH10503961A/ja active Pending
- 1996-02-23 EP EP96908470A patent/EP0757544B1/en not_active Expired - Lifetime
- 1996-02-23 CA CA2188394A patent/CA2188394C/en not_active Expired - Lifetime
-
2003
- 2003-03-05 JP JP2003059220A patent/JP2004032684A/ja active Pending
-
2006
- 2006-09-08 JP JP2006244130A patent/JP2007007440A/ja active Pending
-
2007
- 2007-06-27 JP JP2007168509A patent/JP4634418B2/ja not_active Expired - Lifetime
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006175231A (ja) * | 2004-12-21 | 2006-07-06 | Siemens Ag | 画像内の不均一性の補正方法および画像化装置 |
JP2009247521A (ja) * | 2008-04-04 | 2009-10-29 | Fujifilm Corp | 画像処理装置及び画像処理方法 |
WO2018070760A1 (ko) * | 2016-10-10 | 2018-04-19 | 순천향대학교 산학협력단 | 열화상카메라를 이용한 유방암 진단 장치 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
EP0757544B1 (en) | 2010-12-15 |
ATE491393T1 (de) | 2011-01-15 |
JP2007289729A (ja) | 2007-11-08 |
WO1996025879A1 (en) | 1996-08-29 |
EP0757544A1 (en) | 1997-02-12 |
CA2188394C (en) | 2010-07-20 |
JP2007007440A (ja) | 2007-01-18 |
CA2188394A1 (en) | 1996-08-29 |
AU5170196A (en) | 1996-09-11 |
US5657362A (en) | 1997-08-12 |
AU706993B2 (en) | 1999-07-01 |
JPH10503961A (ja) | 1998-04-14 |
DE69638305D1 (de) | 2011-01-27 |
EP0757544A4 (en) | 1997-07-09 |
JP4634418B2 (ja) | 2011-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4634418B2 (ja) | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 | |
US8391576B2 (en) | Device, method and recording medium containing program for separating image component, and device, method and recording medium containing program for generating normal image | |
US8958625B1 (en) | Spiculated malignant mass detection and classification in a radiographic image | |
JP3400008B2 (ja) | ディジタル胸部レントゲン写真において関心領域の選択と中隔線の検出を行なう自動化方法およびそのシステム | |
Chawla et al. | A method for automatic detection and classification of stroke from brain CT images | |
US5133020A (en) | Automated method and system for the detection and classification of abnormal lesions and parenchymal distortions in digital medical images | |
US8340388B2 (en) | Systems, computer-readable media, methods, and medical imaging apparatus for the automated detection of suspicious regions of interest in noise normalized X-ray medical imagery | |
US20110026791A1 (en) | Systems, computer-readable media, and methods for classifying and displaying breast density | |
US20120099771A1 (en) | Computer aided detection of architectural distortion in mammography | |
Timp et al. | Interval change analysis to improve computer aided detection in mammography | |
CN116630762B (zh) | 一种基于深度学习的多模态医学图像融合方法 | |
Kaur et al. | Computer-aided diagnosis of renal lesions in CT images: a comprehensive survey and future prospects | |
Tolouee et al. | Image based diagnostic aid system for interstitial lung diseases | |
KR101162599B1 (ko) | 흉부 방사선 이미지 분석을 통한 심비대 자동탐지 방법 및 그 기록매체 | |
Lin et al. | Application of two-dimensional fractional-order convolution and bounding box pixel analysis for rapid screening of pleural effusion | |
JP5106047B2 (ja) | 画像処理方法及び装置 | |
Tolouee et al. | Texture analysis in lung HRCT images | |
JPH02152443A (ja) | 画像処理方法及び装置 | |
Bandyopadhyay | A Method for Lung Boundary Detection | |
Koompairojn et al. | Semi-automatic segmentation and volume determination of brain mass-like lesion | |
Treigys et al. | Automated positioning of overlapping eye fundus images | |
Kao et al. | Fully automatic abdominal fat segmentation system from a low resolution CT image | |
Supriyanti et al. | Comparison of conventional edge detection methods performance in lung segmentation of COVID19 patients | |
WO2021044358A1 (en) | Method and system for image normalisation | |
CN117058056A (zh) | 一种x光影像骨拼接方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060314 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20060613 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20060621 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060908 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20070227 |