JP2005034211A

JP2005034211A - 画像判別装置、方法およびプログラム

Info

Publication number: JP2005034211A
Application number: JP2003197512A
Authority: JP
Inventors: Satoru Osawa; 哲大沢
Original assignee: Fuji Photo Film Co Ltd
Current assignee: Fujifilm Holdings Corp
Priority date: 2003-07-16
Filing date: 2003-07-16
Publication date: 2005-02-10

Abstract

【課題】画像の濃淡値から得られる医用画像に固有のイメージパターンに基づいて、異常陰影候補の判定を人の視覚で捉えた感覚に近い感覚で判別を行う。
【解決手段】画像データから注目部分画像を抽出し、抽出された注目部分画像の単位画素群の各画素について濃度分布パターン記憶手段に記憶されている濃度分布パターンのいずれに類似するかを判定し、各濃度分布パターンが注目部分画像中に出現する出現頻度を各濃度分布パターン毎にカウントしてパターンヒストグラムＸを算出する。ＳＯＭにパターンヒストグラムＸを繰り返し提示し、入力ノードｉと出力ノードｊとを結ぶ重みＷ_ｊを学習して、出力ノードｊと各入力ノードｉとを結ぶ学習された学習済重みベクトルＷ_ｊを画像タイプを代表するパターンヒストグラムとして得る。所定の注目部分画像のパターンヒストグラムＸと学習済重みベクトルＷ_ｊとに基づいて注目部分画像の画像タイプを判別する。
【選択図】図１３

Description

【０００１】
【発明の属する技術分野】
本発明は、画像中の視覚的に捉えられる特徴を用いて対象となる画像のタイプを判別する画像判別装置に関するものである。
【０００２】
【従来の技術】
従来、種々の画像取得方法により得られた画像に対して、階調処理や周波数処理等の画像処理を施し、画像の観察読影性能を向上させることが行われている。特に人体を被写体とした放射線画像のような医用画像の分野においては、医師等の専門家が、得られた画像に基づいて患者の疾病や傷害の有無を的確に診断する必要があり、その画像の読影性能を向上させる画像処理は不可欠なものとなっている。そのため、このような画像処理を用いることで、観察者の経験や画像読影能力の高低によって左右されず客観的に腫瘤陰影を判断できるように様々な方法が提案されている。
【０００３】
放射線画像等に撮影された癌化した部分の腫瘤陰影は、おおむね丸味をおびた輪郭を持ち、かつ、画像上では周囲に比べて画素値が大きな領域として観測される。このような腫瘤陰影は、半球状で同じ濃度が同心円状に広がる形状の領域（以降、円形凸領域と呼ぶ）で、濃度値の分布が周縁部から中心部に向かうにしたがって濃度値が低くなるという濃度値の勾配が認められる。その勾配線は腫瘤の中心方向に向かって集中するもので、濃度値の勾配を勾配ベクトルとして算出し、その勾配ベクトルの集中度から腫瘤陰影を検出することができることが知られている（例えば、非特許文献１、非特許文献２参照）。
【０００４】
また、このような集中度を評価するものの中には、腫瘤の大きさや形状に左右されない検出力を達成するために、フィルタの大きさと形状とを工夫したものがあり、代表的なものとして、アイリスフィルタや適応リングフィルタが挙げられる。このアリスフィルタの出力値は、円形凸領域の輪郭で最大値を与えるものであり（例えば、特許文献１参照）、一方、適応リングフィルタの出力は、円形凸領域の中心付近で極大値をとるものである（例えば、非特許文献２参照）。
【０００５】
そこで、アイリスフィルタ等を用いて異常陰影の候補領域を検出し、検出された異常陰影の候補領域に基づいて候補領域内部の濃度ヒストグラムを求め、このヒストグラムに基づく複数の特徴量、すなわち分散値、コントラスト、角モーメント等を算出し、さらに各特徴量を所定の重み付け関数で定義して新たな評価関数値を算出し、算出された評価関数値に基づいて候補領域が悪性陰影であるか否かを判定し、悪性陰影のみを異常陰影候補として検出する方法が提案されている（例えば、特許文献２）。
【０００６】
また、予め実験的に得られている候補領域内部の濃度ヒストグラムに基づく複数の特徴量から正常陰影と異常陰影のクラスターに分類し、医用画像データに現われた候補領域に対して、正常陰影を示すパターンクラスからのマハラノビス距離Ｄｍ１と異常陰影を示すパターンクラスからのマハラノビス距離Ｄｍ２を算出して異常陰影に該当するものか否かを検出するものがある（例えば、特許文献２、特許文献３参照）。
【０００７】
さらに、以上の手法を組み合わせて、読影者の負担の軽減と、質の向上を図ったコンピュータ診断支援（ＣＡＤ：Ｃｏｍｐｕｔｅｒａｉｄｅｄｄｉａｇｎｏｓｉｓ）システムがある。このＣＡＤシステムの流れは以下のようになる。
（１）まず、原画像に適応リングフィルタを利用して円形凸領域を強調する。
（２）次に、フィルタ出力値の極大点を抽出し、大きいものからいくつか（例えば、７個）を腫瘤候補点として抽出する。
（３）腫瘤候補点から、腫瘤候補領域を抽出するために、アイリスフィルタとＳｎａｋｅｓ法を適用する。Ｓｎａｋｅｓ法は、エネルギー最小化原理に基づいた最適解としての輪郭を抽出する方法であり、Ｓｎａｋｅｓエネルギーとしてアイリスフィルタの出力を用いる。Ｓｎａｋｅｓのアルゴリズムによる候補領域決定の詳細は、非特許文献３に述べられている。
（４）さらに、決定された各候補領域から特徴量を算出して、マハラノビス距離に基づいて、候補領域を悪性腫瘤影と良性腫瘤影の２つのクラスターに判別する。
このように、形状抽出結果に基づいて腫瘤が悪性腫瘤であるか良性腫瘤であるかを判別するものがある（例えば、非特許文献４参照）。
【０００８】
また、近年、読影する医用画像の視覚的な特徴が類似する類似画像を過去症例のデータベースから検索するＣＡＤが提案されている（例えば、非特許文献５参照）。
【０００９】
【特許文献１】
特開平８−２９４４７９号公報
【００１０】
【特許文献２】
特開平９−１６７２３８号公報
【００１１】
【特許文献３】
特開２００２−７４３２５号公報
【００１２】
【非特許文献１】
魏軍、荻原義裕、清水明伸、小畑秀文、“こう配ベクトルの点集中性フィルタの特性解析”、電子情報通信学会論文誌（Ｄ−ＩＩ）Ｖｏｌ．Ｊ８４−Ｄ−ＩＩＮｏ．７，ｐｐ．１２８９−１２９８，２００１．
【００１３】
【非特許文献２】
魏軍、荻原義裕、小畑秀文、“がん陰影候補抽出のための勾配ベクトル集中フィルタ”、電子情報通信学会論文誌（Ｄ−ＩＩ）Ｖｏｌ．Ｊ８３−Ｄ−ＩＩＮｏ．１，ｐｐ．１１８−１２５，Ｊａｎ．２０００．
【００１４】
【非特許文献３】
Ｈ．Ｋｏｂａｔａ，Ｍ．Ｍｕｒａｋａｍｉ，ｅｔａｌ，”Ｃｏｍｐｕｔｅｒｉｚｅｄｄｅｔｅｃｔｉｏｎｏｆｍａｌｉｇｎａｎｔｔｕｍｏｒｓｏｎｄｉｇｉｔａｌｍａｍｍｏｇｒａｍｓ，”ＩＥＥＥＴｒａｎｓｏｎＭｅｄ，Ｉｍａｇ，Ｖｏｌ．１８，Ｎｏ．５，ｐｐ．３６９−３７８，１９９９．
【００１５】
【非特許文献４】
古屋早知子、魏軍、荻原義裕、清水明伸、小畑秀文、縄野繁、“準最適特徴量組み合わせによる乳房Ｘ線像上の腫瘤影判別性能向上”、電子情報通信学会Ｖｏｌ．１００Ｎｏ．４３４，ｐｐ．９３−１００，２００１．
【００１６】
【非特許文献５】
“Ｍ．Ｇｉｎｇｅｒ，Ｚ．Ｈｕｏ，Ｃ．Ｖｙｂｏｍｙ，Ｌ．Ｌａｎ，Ｉ．Ｂｏｎｔａ，Ｋ．Ｈｏｒｓｃｈ，Ｒ．Ｎｉｓｈｉｋａｗａ，Ｉ．Ｒｏｓｅｎｂｏｒｏｕｇｈ，ＩｎｔｅｌｌｉｇｅｎｔＣＡＤｗｏｒｋｓｔａｔｉｏｎｆｏｒｂｒｅａｓｔｉｍａｇｉｎｇｕｓｉｎｇｓｉｍｉｌａｒｉｔｙｔｏｋｎｏｗｎｌｅｓｉｏｎｓａｎｄｍｕｌｔｉｐｌｅｖｉｓｕａｌｐｒｏｍｐｔａｉｄｓ，ＰＲＯＣＥＥＤＩＮＧＳＯＦＳＰＩＥ，ＭｅｄｉｃａｌＩｍａｇｉｎｇ２００２，Ｆｅｂｒｕａｒｙ２００２，ＳａｎＤｉｅｇｏ”
【００１７】
【発明が解決しようとする課題】
上記のような診断支援技術は、候補領域の形状、大きさ、濃度のコントラスト等の抽象化された特徴量を用いて判断するため、必ずしも人間の視覚で捉えた感覚とは一致せずズレが生じる。そのため、類似すると判定された腫瘤であっても実際の画像を視覚的に比較した場合には類似しない場合があった。例えば、類似画像を過去症例のデータベースから検索するような場合に、質問腫瘤画像とは類似しない腫瘤画像が検索される場合があった。
【００１８】
また、腫瘤等の異常陰影は視覚的に捕らえられるいくつかの代表的なタイプに分類することがよく行われるが、ある異常陰影がどのタイプに属する画像であるかを明確に判定することは困難な場合が多く、いくつかのタイプの特徴を兼ね備えたものもある。
【００１９】
そこで、本発明は、この課題に鑑みて、画像の濃淡値などから様々な画像に固有のイメージパターンに基づいて、腫瘤のような注目部分の画像を人の視覚で捉えた感覚に近い感覚で分析を行い、さらに、どのようなタイプの画像の特徴を持ったものであるかを判別することが可能な画像判別装置を提供することを目的とするものである。
【００２０】
【課題を解決するための手段】
本発明の画像判別装置は、画像データから注目部分画像を抽出する抽出手段と、
該抽出手段で抽出される注目部分画像を構成する単位画素群の各画素に出現する可能性のある多数の濃度分布パターンを記憶する濃度分布パターン記憶手段と、
前記抽出手段により抽出された前記注目部分画像の単位画素群の各画素について前記濃度分布パターンのいずれに類似するかを判定し、前記各濃度分布パターンが前記注目部分画像中に出現する出現頻度を前記各濃度分布パターン毎にカウントしてＮ次元のパターンヒストグラムを算出する出現頻度算出手段と、
Ｎ個の入力ノードとＭ個の出力ノードを有する教師なし学習を行う学習手段であって、該Ｎ個の入力ノードに前記Ｎ次元のパターンヒストグラムを繰り返し提示し、前記Ｎ個の入力ノードと前記Ｍ個の出力ノードとを結ぶ重みを学習して、前記Ｍ個のうちの１つの出力ノードと前記Ｎ個の入力ノードとを結ぶ学習されたＮ個の重みをＮ次元の学習済重みベクトルとし、該Ｎ次元の学習済重みベクトルが前記各出力ノード毎に対応する画像タイプを代表するものとして学習済重みベクトルを得る学習手段と、
所定の注目部分画像のＮ次元のパターンヒストグラムを前記出現頻度算出手段を用いて求め、該Ｎ次元のパターンヒストグラムと前記学習手段により得られた前記学習済重みベクトルとに基づいて該注目部分画像の画像タイプを判別する判別手段とを備えたことを特徴とするものである。
【００２１】
また、本発明の画像判別方法は、画像データから注目部分画像を抽出するステップと、
前記抽出された前記注目部分画像の単位画素群の各画素について、注目部分画像を構成する単位画素群の各画素に出現する可能性のある多数の濃度分布パターンを記憶する記憶手段に記憶されている濃度分布パターンのいずれに類似するかを判定し、前記各濃度分布パターンが前記注目部分画像中に出現する出現頻度を前記各濃度分布パターン毎にカウントしてＮ次元のパターンヒストグラムを算出するステップと、
Ｎ個の入力ノードとＭ個の出力ノードを有する教師なし学習を行う学習手段を用いて、該Ｎ個の入力ノードに前記Ｎ次元のパターンヒストグラムを繰り返し提示し、前記Ｎ個の入力ノードと前記Ｍ個の出力ノードとを結ぶ重みを学習して、前記Ｍ個のうちの１つの出力ノードと前記Ｎ個の入力ノードとを結ぶ学習されたＮ個の重みをＮ次元の学習済重みベクトルとし、該Ｎ次元の学習済重みベクトルが前記各出力ノード毎に対応する画像タイプを代表するものとして学習済重みベクトルを得るステップと、
所定の注目部分画像のＮ次元のパターンヒストグラムを前記記憶手段に記憶されている濃度分布パターンに基づいて求め、該Ｎ次元のパターンヒストグラムと前記学習済重みベクトルとに基づいて該注目部分画像の画像タイプを判別する判別ステップとを備えたことを特徴とするものである。
【００２２】
また、本発明のプログラムは、コンピュータを、
画像データから注目部分画像を抽出する抽出手段と、
該抽出手段で抽出される注目部分画像を構成する単位画素群の各画素に出現する可能性のある多数の濃度分布パターンを記憶する濃度分布パターン記憶手段と、
前記抽出手段により抽出された前記注目部分画像の単位画素群の各画素について前記濃度分布パターンのいずれに類似するかを判定し、前記各濃度分布パターンが前記注目部分画像中に出現する出現頻度を前記各濃度分布パターン毎にカウントしてＮ次元のパターンヒストグラムを算出する出現頻度算出手段と、
Ｎ個の入力ノードとＭ個の出力ノードを有する教師なし学習を行う学習手段であって、該Ｎ個の入力ノードに前記Ｎ次元のパターンヒストグラムを繰り返し提示し、前記Ｎ個の入力ノードと前記Ｍ個の出力ノードとを結ぶ重みを学習して、前記Ｍ個のうちの１つの出力ノードと前記Ｎ個の入力ノードとを結ぶ学習されたＮ個の重みをＮ次元の学習済重みベクトルとし、該Ｎ次元の学習済重みベクトルが前記各出力ノード毎に対応する画像タイプを代表するものとして学習済重みベクトルを得る学習手段と、
所定の注目部分画像のＮ次元のパターンヒストグラムを前記出現頻度算出手段を用いて求め、該Ｎ次元のパターンヒストグラムと前記学習手段により得られた前記学習済重みベクトルとに基づいて該注目部分画像の画像タイプを判別する判別手段として機能させることを特徴とするものである。
【００２３】
「注目部分画像」は、画像タイプ等の判別の対象となる部分の画像であり、画像データの一部を抽出した部分画像でもあっても、画像データの全体であってもよい。
【００２４】
「単位画素群」は、画像上の小領域の画素群で、画像を分析する単位となる画素群である。例えば、２０×２０画素というような小領域である。
【００２５】
「濃度分布パターン」とは、注目部分画像に出現する可能性がある単位画素群の濃度分布を表したパターンである。
【００２６】
「Ｎ次元のパターンヒストグラム」とは、Ｎ種類の濃度分布パターンが注目部分画像に出現する出現頻度を求めたヒストグラムである。
【００２７】
また、「注目部分画像」は、小領域である単位画素群が多数並んで構成され、「濃度分布パターンが注目部分画像中に出現する出現頻度を濃度分布パターン毎にカウントしてＮ次元のパターンヒストグラムを算出する」には、例えば、注目部分画像を構成する各単位画素群を、その単位画素群がＮ種類の濃度分布パターンのうちいずれの濃度分布パターンに類似するかを判別し、類似する濃度分布パターンにカウントしてＮ次元のヒストグラムを算出する。また、濃度分布パターンにカウントする際、単位画素群と濃度分布パターンとの類似度が高い濃度分布パターンにのみカウントするようにし、いずれの濃度分布パターンにも類似しない場合にはカウントしないようにしてヒストグラムを算出したものであってもよい。
【００２８】
「画像タイプ」は、学習手段の出力ノードに対応して分類される。例えば、出力ノードがＭ個の場合には、Ｍ種類の画像タイプに分類される。
【００２９】
「Ｎ次元の学習済重みベクトル」とは、学習が終了した時点における各出力ノードとＮ個の入力ノードとを結ぶＮ個の重みであり、出力ノードに対応するＭ種類の画像タイプに分類される場合には、Ｎ次元の学習済重みベクトルもＭ通り存在する。また、このＮ次元の学習済重みベクトルは各出力ノードの「画像タイプ」を代表するＮ次元のパターンヒストグラムを表すものである。
【００３０】
「画像タイプを代表するもの」には、ある画像タイプに分類されるＮ次元のパターンヒストグラムの平均的なものや、ある画像タイプに分類されるＮ次元のパターンヒストグラムの出現する頻度が高いもの等がある。
【００３１】
また、学習手段としてＳＯＭ（コホーネンの自己組織化）を用いたものが望ましい。
【００３２】
また、判別手段は、所定の注目部分画像のＮ次元のパターンヒストグラムと学習済重みベクトルとの相関値を求め、相関値を特徴量として判別するようにしたものの方がよい。
【００３３】
この「相関値」は、Ｎ次元のパターンヒストグラムと学習済重みベクトルとの最小二乗距離や内積などから求めることができる。
【００３４】
また、画像データは医用画像であり、注目部分画像が異常陰影候補の画像であってもよい。
【００３５】
「異常陰影候補」は、例えば医療用のＸ線画像やマンモグラム等における、血管等の正常陰影や、腫瘍、腫瘤、癌等種々の症状を示す異常陰影の候補となる陰影をいい、乳房や胸部等の様々な部位で観察されるものである。
【００３６】
さらに、前記抽出手段が、
前記異常陰影候補を抽出する候補抽出手段と、
該候補領域抽出手段で抽出した前記異常陰影候補の輪郭周辺の輪郭内外画像を抽出する輪郭内外画像抽出手段とを備え、注目部分画像は、前記輪郭内外画像であることが望ましい。
【００３７】
「陰影の候補領域の抽出」は、陰影は背景の画像とは異なる濃度を示すことに注目して陰影の候補領域の抽出ができる。
【００３８】
具体的には、画像中から腫瘤候補となる領域をアイリスフィルタ等を用いて抽出することができる。あるいは、アイリスフィルタ等を用いて抽出した異常陰影候補となる領域（あるいは、候補点）に基づいてＳｎａｋｅｓ法等を用いてより正確に候補領域を抽出するようにしてもよい。また、アイリスフィルタは濃度の勾配値に注目して濃度勾配の集中度の値が高い領域を抽出するものであるが、アイリスフィルタ以外のフィルタを用いて、丸くて濃度の低い（白い）領域を抽出することもできる。
【００３９】
また、「輪郭内外画像」とは、候補領域の輪郭周辺の画像で、輪郭から所定の範囲にある画像である。
【００４０】
【発明の効果】
本発明の画像処理装置によれば、画像データから注目部分画像を抽出して、抽出された注目部分画像に出現する単位画素群の濃度分布パターンの出現頻度をカウントしてパターンヒストグラムを求め、ＳＯＭ等の教師なし学習を用いてパターンヒストグラムをいくつかの画像タイプに分類し、さらに、学習結果から画像タイプを代表するパターンヒストグラム得て注目部分画像を判別することにより、人が視覚で捕らえた感覚に近い状態で分類することができる。また、注目部分画像がいずれかの画像タイプに属するものであるかを判定するだけではなく、どのような画像タイプの特徴を備えているかを分析することが可能となる。
【００４１】
また、判別対象となる注目部分画像のパターンヒストグラムと各画像タイプを代表するパターンヒストグラムとの相関値を求めるようにすれば、どの画像タイプにどの程度類似しているかを求めて、より正確な判別を行うことが可能になる。
【００４２】
また、画像データが医用画像であり、注目部分画像が異常陰影候補の画像である場合には、異常陰影候補が異常陰影であるか、正常陰影であるか、さらに異常陰影のうち良性であるか、悪性であるか等の画像タイプに分類した上で、さらに詳しくどの画像タイプに近い症例であるかを判定することが可能になる。
【００４３】
さらに、異常陰影候補を抽出し、抽出した異常陰影候補の輪郭周辺の輪郭内外画像を注目部分画像として判別を行うことにより、異常陰影候補の形状によらず画像タイプを判定することができる。
【００４４】
【発明の実施の形態】
以下、本発明の画像判別装置について、図面を参照して詳細に説明する。図１は、本発明の画像判別装置１の概要を示す図である。
【００４５】
画像判別装置１は、画像データ１０から注目部分画像２０を抽出する抽出手段２と、注目部分画像２０を構成する単位画素群の各画素に出現する可能性のある濃度分布パターンを記憶する濃度分布パターン記憶手段３と、抽出手段２で抽出された注目部分画像２０を構成する単位画素群がどの濃度分布パターンに類似するかを判断して、その単位画素群を類似する濃度分布パターンにカウントし、注目部分画像２０に各濃度分布パターンの単位画素群が出現する出現頻度を表すパターンヒストグラムを算出する出現頻度算出手段４と、Ｎ個の入力ノードとＭ個の出力ノードを有する教師なし学習手段を用いて出力ノードに対応するＭ個の画像タイプに分類し、さらに、各出力ノードと入力ノードを結ぶＮ次元の学習済重みベクトルがその出力ノードの画像タイプを代表するパターンヒストグラムとして学習済重みベクトル記憶手段５０に記憶する学習手段５と、所定の注目部分画像２０のＮ次元のパターンヒストグラムを出現頻度算出手段４で求め、このＮ次元のパターンヒストグラムと学習済重みベクトル記憶手段５０に記憶されているＮ次元の学習済重みベクトルとに基づいて所定の注目部分画像２０の画像タイプを判別する判別手段６とを備えている。
【００４６】
単位画素群は、画像を分析する単位となる小領域（例えば、２０×２０画素）であり、濃度分布パターン記憶手段３には、単位画素群の各画素に出現する可能性のある濃度分布パターンが多数記憶されている。
【００４７】
注目部分画像２０は、画像タイプの判別の対象となる部分であり、注目部分画像２０は単位画素群が多数並んで構成された画像である。
【００４８】
例えば、画像データ１０が医用画像の場合は、画像タイプは異常陰影候補が異常陰影であるか、正常陰影であるか、さらに異常陰影のうち良性であるか、悪性であるか等を表すものである。
【００４９】
そこで、本実施の形態では、画像データが医用画像の場合に異常陰影候補の画像タイプの判別を行う場合について以下説明をする。
【００５０】
この場合、抽出手段２は、図２に示すように、異常陰影候補を抽出する候補抽出手段２１と、抽出した異常陰影候補の輪郭周辺の輪郭内外画像Ｄを抽出する輪郭内外画像抽出手段２２とを備え、注目部分画像２０を輪郭内外画像Ｄとして、輪郭内外画像Ｄに基づいて異常陰影候補の画像タイプの判別を行う。また、濃度分布パターン記憶手段３には、輪郭内外画像Ｄに出現する可能性のある単位画素群の濃度分布パターンが記憶される。
【００５１】
次に、画像判別装置１の作用について説明をする。
【００５２】
候補抽出手段２１は、医用画像データＳより異常陰影候補を抽出する。例えば、濃度値の勾配に注目して異常陰影候補を抽出するアイリスフィルタ等で、画像中から濃度勾配の集中度の値が高い領域を抽出する。あるいは、アイリスフィルタ以外の手法を用いて、丸くて濃度の低い（白い）領域を異常陰影候補として抽出してもよい。また、Ｓｎａｋｅｓ法を用いてより正確な異常陰影候補の形状を抽出することも可能である。
【００５３】
本実施の形態ではＳｎａｋｅｓ法を用いて異常陰影候補の領域を抽出する場合について説明する。Ｓｎａｋｅｓ法を用いて異常陰影候補の領域を抽出するには、例えば、異常陰影候補内にある集中度の高い点を中心とした一定の半径の曲線をＳｎａｋｅｓの初期値として与え、医用画像データＳから得られるエネルギーを異常陰影候補の輪郭周辺（エッジ）で極小になるように定義し、Ｓｎａｋｅｓ上のエネルギーが最小に近づくようにＳｎａｋｅｓの曲線を徐々に変化させ、エネルギーが最小値に収束した時点の曲線が異常陰影候補の輪郭に一致したものとして、曲線で囲まれた領域を異常陰影候補として抽出する。
【００５４】
図３に示すように、Ｓｎａｋｅｓを閉曲線ｖ（ｓ）として与え、下式（１）のようにエネルギーＥを定義し、エネルギーＥが最小値になるように閉曲線ｖ（ｓ）を少しずつ動かすと、異常陰影候補（斜線部）の輪郭に閉曲線ｖ（ｓ）が徐々に近づいて行き、エネルギーＥが最小値に収束した時点で閉曲線ｖ（ｓ）が輪郭に一致する。
【００５５】
Ｓｎａｋｅｓ法で用いるエネルギーは、一般に内部エネルギーＥｉｎｔ、画像エネルギーＥｉｍａｇｅ、外部エネルギーＥｃｏｎが用いられ、式（１）で与えられる。
【００５６】
【数１】

但し、ｓは閉曲線上のパラメータで、ｓ＝０の位置が始点でｓ＝１の位置は終点を表す（閉曲線の場合には、ｓ＝０の位置とｓ＝１の位置は一致する）。
【００５７】
画像エネルギーＥｉｍａｇｅは、画像の特徴に依存するエネルギーであり、例えば、異常陰影候補の輪郭周辺上で最大値となるアイリスフィルタの出力値を負の値にしたものを用いて異常陰影候補の輪郭周辺で極小になるような画像エネルギーを定義することができる。
【００５８】
また、内部エネルギーはＳｎａｋｅｓを動かす際の伸縮を調整するエネルギーで、外部エネルギーはＳｎａｋｅｓの振る舞いや質を意図的に変えるために与えるエネルギーである（詳細は、非特許文献３を参照）。
【００５９】
輪郭内外画像抽出手段２２は、抽出した形状の輪郭ｖ（ｓ）からの所定の範囲内にある画像を輪郭内外画像Ｄとして抽出する。輪郭内外画像Ｄは輪郭の形状に依存しないで特徴を観測できるように、輪郭ｖ（ｓ）を基準に統一した形状に変換する方が望ましい。例えば、図４に示すように、抽出した輪郭ｖ（ｓ）が直線になるように輪郭内外画像Ｄを変換して、抽出した輪郭ｖ（ｓ）をｘ方向に一致させ、輪郭ｖ（ｓ）に垂直な方向ｔ（ｔ１、ｔ２、ｔ３、ｔ４、ｔ５、ｔ６）をｙ方向と一致するような矩形形状に変換する。
【００６０】
これにより、図５に示すように、（ａ）と（ｂ）の陰影の輪郭の形状は相違するが、変換後の輪郭内外画像Ｄは（ｃ）に示すように同じ形状に変換され、画像の比較が容易になる。
【００６１】
例えば、図６に示すように、陰影の辺縁部に現れるスピキュラＳＰ等が出現するような陰影（ａ）、（ｂ）を統一した形状（ｃ）に変換すると、スピキュラＳＰ等の輪郭に対して垂直な方向に特徴がある濃度分布パターンが多く出現するようになり、画像の特徴が陰影の輪郭の形状に依存せずに得られる。
【００６２】
濃度分布パターン記憶手段３には、予め輪郭内外画像Ｄに出現する可能性のある濃度分布パターンが記憶されている。例えば、濃度分布パターンは、パターン分析の手法を用いて様々な症例の輪郭内外画像Ｄからランダムに切り出した単位画素群Ｒ（例えば、２０×２０画素、図４（ｂ）参照）から輪郭内外画像Ｄに出現する可能性のある濃度分布パターンを抽出し、抽出された濃度分布パターンを濃度分布パターン記憶手段３に記憶しておく。図７に、６４個の濃度分布パターンが抽出された一例を示す。あるいは、濃度分布パターンは、輪郭内外画像Ｄに出現する可能性のある単位画素群Ｒを想定して、分類に必要な濃度分布パターンを人工的に作成したものを記憶しておいてもよい。
【００６３】
そこで、出現頻度算出手段４は、濃度分布パターン記憶手段３に記憶している濃度分布パターンが輪郭内外画像Ｄに出現する出現頻度を濃度分布パターン毎にカウントしてＮ次元のパターンヒストグラムを求める。例えば、図８に示すように、上述の輪郭内外画像Ｄ（例えば、１８０×８０画素）内に並んでいる単位画素群Ｒ（例えば、２０×２０画素）を１つずつ上下左右に動かし、各単位画素群が該当する濃度分布パターンにカウントして、各濃度分布パターンが輪郭内外画像Ｄ内に出現する出現頻度を求める。
【００６４】
輪郭内外画像Ｄ上の単位画素群Ｒがどの濃度分布パターンに該当するかは、例えば、単位画素群Ｒと濃度分布パターンの各画素を比較して最も類似するものが該当する濃度分布パターンであるとする。具体的には、対応する画素間の最小二乗距離等の相関をみて判定する。
【００６５】
このとき、単位画素群Ｒとの類似度が高い濃度分布パターンにのみカウントするようにし、いずれの濃度分布パターンにも類似しない場合にはカウントしないようにしてパターンヒストグラムを求めるようにしてもよい。例えば、最小二乗距離等の相関値が所定値以下の場合にその濃度分布パターンにカウントし、最小二乗距離等の相関値が所定値以下の濃度分布パターンがない場合にはカウントしないようにする。
【００６６】
また、異常陰影候補の特徴は、陰影の種類によって輪郭辺縁、輪郭内側、輪郭外側に現れる特徴が違ってくる。そこで、輪郭内外画像Ｄは、図９に示すように、輪郭辺縁、輪郭内側、輪郭外側の各領域に分けて濃度分布パターンのヒストグラムから画像タイプを分類するものが異常陰影候補の画像タイプを判別する場合には好ましい。
【００６７】
図１０は、各領域に応じて濃度分布パターンの出現頻度をカウントした結果の一例を表すもので、図７の６４個の濃度分布パターンを用いて各領域毎のヒストグラムを求めたもので、ａは輪郭内側のヒストグラム、ｂは輪郭辺縁のヒストグラム、ｃは輪郭外側のヒストグラムを表している（但し、縦軸はカウントした単位画素群の総数で割ったときの割合で表されている）。このように輪郭辺縁、輪郭内側、輪郭外側の各領域に分けた濃度分布パターンのヒストグラムを得て、１９２次元（６４×３次元）のパターンヒストグラムを得る。
【００６８】
上述ように、輪郭内側、輪郭辺縁上、輪郭外側に分けて出現頻度をカウントすると、輪郭のはっきりした良性の腫瘤の異常陰影候補では、図１１に示すように（便宜上、横軸上に濃度分布パターンを高いものから低いものへ移るように並べているものとする）、輪郭外側ｃには濃度の高い濃度分布パターンが多く現れ、輪郭内側ａには濃度の低い濃度分布パターンが多く現れ、輪郭辺縁上ｂでも濃度の高い濃度分布パターンと濃度の低い濃度分布パターンにピークがあるような分布を示す。一方、輪郭がはっきりせず輪郭周辺がぼやけているような悪性の腫瘤の異常陰影候補では、輪郭外側ｃには濃度の高い濃度分布パターンが多く現れ、輪郭内側ａには濃度の低い濃度分布パターンが多く現れるが、輪郭辺縁上ｂでは特にピークが現れず全体に一様に分布する。このように、特徴の表れる領域に分けてパターンヒストグラムを求めることにより画像タイプを正確に分類することが可能になる。
【００６９】
上述では、輪郭内外画像Ｄを、輪郭辺縁、輪郭内側、輪郭外側の３つの領域分ける場合について説明したが、この３つの領域煮に限らず特徴の表れる領域に分けるようにしたものであればよく、輪郭内側と輪郭外側の２つの領域に分けるようにしてもよいし、輪郭辺縁と輪郭内側、輪郭辺縁と輪郭外側とは重なり合わないような領域を設定してもよい。
【００７０】
そこで、学習手段５では、輪郭内外画像Ｄがどの画像タイプに対応するかを前述のパターンヒストグラムに基づいて画像タイプを分類する。上述の出現頻度算出手段４を用いて求めたパターンヒストグラムをＳＯＭのような教師なし学習を行う学習手段５に繰り返し提示して学習し、例えば、図１２に示すように、異常陰影のうち悪性腫瘤、異常陰影のうち良性腫瘤、正常陰影等の画像タイプに分類することができ、類似した画像タイプ同士が近い位置となるような異常陰影候補マップＭａｐを得るように学習する。
【００７１】
ここで、ＳＯＭを用いた具体的な学習方法について説明する。図１３にＳＯＭの一例を示す。ＳＯＭのネットワークは、図１３（ａ）に示すように、平面上に格子状に出力ノードが並べられ、出力ノードｊ（例えば、Ｍ個）と入力ノードｉ（例えば、Ｎ個）とが全て接続され、入力ノードｉと出力ノードｊとは重みｗ_ｉｊで結合される。このとき、入力ノードに入力する入力データをＸ＝（ｘ_１、ｘ_２、・・・、ｘ_ｉ、・・・、ｘ_Ｎ）とし、出力ノードｊと各入力ノードｉとを結ぶ重みベクトルを図１３（ｂ）に示すようにＷｊ＝（ｗ_１ｊ、ｗ_２ｊ、・・・、ｗ_ｉｊ、・・・、ｗ_Ｎｊ）として表すと、出力ノードｊへの入力Ｅ_ｊは、
Ｅｊ＝Σｊ（ｗ_ｉｊ・ｘ_ｉ）
と表される。
【００７２】
ＳＯＭの入力ノード（Ｎ個）に入力データとしてＮ次元のパターンヒストグラムが提示されると、入力ノードｉと出力ノードｊが持つ重みベクトルのうち、入力データとして提示されたＮ次元のパターンヒストグラムＸと最も一致度の高い（即ち、最適マッチングした）出力ノードｊが選らばれ、その近傍にある出力ノードｊ^＊（ｊ^＊は出力ノードｊを含む近傍のノードを表す）の重みベクトルＷｊ^＊が入力データのＮ次元のパターンヒストグラムに近づくように出力ノードｊ^＊の重みベクトルＷｊ^＊を更新して学習していく。従って、学習が進むと出力ノードｊの重みベクトルＷｊが、出力ノードｊに対応する画像タイプを代表するＮ次元のパターンヒストグラムと一致するように最適化される。また、学習が進むに従って、重みベクトルＷｊ^＊を更新する出力ノードｊ^＊の範囲を狭めて行き、最終的には最適マッチングした出力ノードｊのみの重みベクトルＷｊを更新するようにする。例えば、図１４に示すように、始めの段階では、広い範囲の重みベクトルを更新するように、出力ノードｊから２ノード以内の２５個の出力ノードを更新する出力ノードｊ^＊（網掛け部分内のノード）とし（図１４（ａ））、次の段階では、更新する出力ノードｊ^＊を出力ノードｊから１ノード以内の９個の出力ノードとし（図１４（ｂ））、最終的に、最適マッチングした出力ノードｊの１個みを更新する出力ノードｊ^＊とする（図１４（ｃ））。
【００７３】
学習は決められた回数行うか、重みの更新量が一定の値以下になるまで繰り返し学習を行い、学習が終了すると平面上の出力ノードにラベル付けを行ってＭ種類の画像タイプに分類する。この平面上の出力ノードにラベル付けされたものが前述の異常陰影候補マップＭａｐとなる（図１２参照）。
【００７４】
そこで、学習用に７×７＝４９（＝Ｍ）個の出力ノードと１９２（＝Ｎ）個の入力ノードを持つＳＯＭを用いて、前述の１９２次元のパターンヒストグラムを繰り返し提示して学習し、異常陰影候補を４９種類の画像タイプに分類する場合の学習について具体的に説明する。ここで、時刻ｔにおける入力ノードｉから出力ノードｊを結合する重みをｗ_ｉｊ（ｔ）とし、学習が１回進んだ状態をｗ_ｉｊ（ｔ＋１）とし、１９２次元のパターンヒストグラムをＸ^ｐｈ＝（ｘ^ｐｈ _１、ｘ^ｐｈ _２、・・・、ｘ^ｐｈ _ｉ、・・・、ｘ^ｐｈ _１９２）として説明する。
【００７５】
（１）まず、重みの初期値として適当な値を与える。例えば、ランダムな値を与えて初期化する。また、更新の対象とする重みベクトルＷｊ^＊の初期範囲は初め大きく設定し、例えば、最適マッチングした出力ノードｊから２ノード以内の矩形内にある２５個の出力ノードｊ^＊の重みベクトルＷ_ｊ ^＊を更新するものとする（図１４（ａ）参照）。
【００７６】
（２）次に、パターンヒストグラムを正規化する（つまり、Σｘ^ｐｈ _ｉ ^２＝１となるようにする）。
【００７７】
（３）正規化された１９２次元のパターンヒストグラムＸ^ｐｈを入力ノードに提示して、次のように重みを更新する。
まず、入力ノードに提示されたパターンヒストグラムＸ^ｐｈと出力ノードｊの重みベクトルＷ_ｊとの最小二乗距離ｄ_ｊを以下の式で計算する。
ｄ_ｊ＝Σ_ｉ（ｘ^ｐｈ _ｉ（ｔ）−ｗ_ｉｊ（ｔ））^２
この最小二乗距離ｄ_ｊが最小となる出力ノードｊを捜して最適マッチングした出力ノードとし、その出力ノードｊの近傍の出力ノードｊ^＊（２５個）の重みベクトルＷ_ｊ ^＊を更新の対象とする。
更新対象の出力ノードｊ^＊の重みベクトルを入力された１９２次元のパターンヒストグラムＸ^ｐｈに近づけるように重みを次のように更新する。
ｗ_ｉｊ ^＊（ｔ＋１）＝ｗ_ｉｊ ^＊（ｔ）＋ａ×（ｘ^ｐｈ _ｉ（ｔ）−ｗ_ｉｊ ^＊（ｔ））
ここで、ｗ_ｉｊ（ｔ＋１）：更新対象出力ノードの更新後の重み
ｗ_ｉｊ（ｔ）：更新対象出力ノードの更新前の重み
ａ：学習係数（０＜ａ＜１）
ｉ：１〜１９２
【００７８】
（４）上記、（１）から（３）を重みの更新量が一定の値以下になるまで繰り返し行う。あるいは、所定の回数学習を行うと終了とする。また、更新対象とする近傍領域は前述のように、２ノード以内（図１４（ａ）参照）、１ノード以内（図１４（ｂ）参照）、最適マッチングした出力ノードのみ（図１４（ｃ）参照）というように徐々に狭めた範囲の重みベクトルＷ_ｊ ^＊を更新する。
【００７９】
例えば、輪郭内外画像から得られた１９２次元のパターンヒストグラムを１０００回ほどＳＯＭに提示したものを１回の学習とし、これを１０回繰り返して学習を終了する場合には、計１万回繰り返して１９２次元のパターンヒストグラムをＳＯＭに提示して学習することになるが、この場合において更新する重みベクトルＷ_ｊ ^＊は、１〜５０００回繰り返すときに、最適マッチングした出力ノードｊから２ノード以内の近傍の出力ノードｊ^＊の重みベクトルＷ_ｊ ^＊を更新し、５００１〜７５００回繰り返すときに、１ノード以内の近傍の出力ノードｊ^＊の重みベクトルＷ_ｊ ^＊を更新し、７５０１〜１００００回繰り返すときには、最適マッチングした出力ノードｊの重みベクトルＷ_ｊ ^＊のみを更新するようにする。
【００８０】
このようにして得られたマップ上にラベル付けを行い異常陰影候補マップＭａｐを得る。得られた４９個の各出力ノードｊの重みベクトルＷｊ＝（ｗ_１ｊ、ｗ_２ｊ、・・・、ｗ_ｉｊ、・・・、ｗ_１９２ｊ）は、各出力ノードｊにラベル付けされた画像タイプを代表する１９２次元のパターンヒストグラムとなり、重みベクトルＷｊは、各画像タイプに分類されるパターンヒストグラムの平均的な値を持つパターンヒストグラムか、各画像タイプに分類されるパターンヒストグラムに多く出現するパターンヒストグラムに近いものとなる。
【００８１】
このようにして得られた４９個の画像タイプに対応する重みベクトルＷ_１、Ｗ_２、Ｗ_３、・・・、Ｗ_４９は、学習済重みベクトル記憶手段５０に記憶される。
【００８２】
上述のようにして得られた異常陰影候補マップＭａｐは、異常陰影のみならず正常陰影を提示して学習することで、異常陰影候補の画像が正常陰影か異常陰影かの判定を行うことも可能となる。さらに、様々な症例に対応するものを入力して様々な症例に分類することも可能である。
【００８３】
そこで、所定の異常陰影候補Ａの画像タイプの判別を行う場合について図１５のフローチャートに従って説明する。まず、候補抽出手段２１で医用画像データＳから所定の異常陰影候補Ａの輪郭を抽出し（Ｓ１００）、抽出した輪郭を基準に輪郭内外画像抽出手段２２で異常陰影候補Ａの輪郭内外画像Ｄを抽出した後（Ｓ１０１）、出現頻度算出手段４で異常陰影候補Ａの輪郭内外画像Ｄの１９２（Ｎ）次元のパターンヒストグラムＸ^{ｐｈ（Ａ）}を求める（Ｓ１０２）。そこで、判別手段６で、所定の異常陰影候補Ａの輪郭内外画像Ｄから得られたパターンヒストグラムＸ^{ｐｈ（Ａ）}と、学習済重みベクトル記憶手段５０に記憶されている４９個の学習済重みベクトルＷ_１、Ｗ_２、Ｗ_３、・・・、Ｗ_４９との相関値を求めて判別を行う（Ｓ１０３）。
【００８４】
例えば、相関値として、異常陰影候補Ａの輪郭内外画像ＤのパターンヒストグラムＸ^{ｐｈ（Ａ）}と４９個の学習済重みベクトルとの最小二乗距離｜Ｗ_１−Ｘ^{ｐｈ（Ａ）}｜^２、｜Ｗ_２−Ｘ^{ｐｈ（Ａ）}｜^２、｜Ｗ_３−Ｘ^{ｐｈ（Ａ）}｜^２、・・・、｜Ｗ_ｊ−Ｘ^{ｐｈ（Ａ）}｜^２、・・・、｜Ｗ_４９−Ｘ^{ｐｈ（Ａ）}｜^２（但し、｜Ｗ_ｊ−Ｘ^{ｐｈ（Ａ）}｜^２＝Σ_ｉ（ｘ^{ｐｈ（Ａ）} _ｉ（ｔ）−ｗ_ｉｊ（ｔ））^２）を求め、画像の判別をおこなう。
【００８５】
異常陰影候補には、異常陰影（例えば、図１２の悪性腫瘤タイプ１・悪性腫瘤タイプ２・良性腫瘤タイプ等）の特徴と正常陰影（例えば、図１２の正常陰影タイプ等）の特徴を併せ持つ場合がある。そこで、例えば、この４９個の相関値を特徴量として用いてクラスター分析を行い、正常陰影を示すパターンクラスからのマハラノビス距離Ｄｍ１と異常陰影を示すパターンクラスからのマハラノビス距離Ｄｍ２求めて異常陰影であるか正常陰影であるかの判別を行うこと等ができる。
【００８６】
また、異常陰影候補は相関値の高い複数の画像タイプの特徴を持っている場合もある。例えば、悪性腫瘤タイプ１と悪性腫瘤タイプ２の両方と高い相関が見られる場合には、悪性腫瘤タイプ１と悪性腫瘤タイプ２の両方の特徴を持っていると考えられる。そこで、複数の画像タイプを組み合わせに対応した診断・治療情報（確定診断結果、検査方針、治療方針等）を取得できるようなデータベースを用意して、複数の画像タイプと相関の高い場合には、組み合わせに対応した診断・治療情報を取得して、診断や治療方針を表示することが可能なように画像判別装置を構成してもよい。
【００８７】
前述では、相関値としては最小二乗距離を用いる場合について説明したが、相関値として４９個の学習済重みベクトルＷ_ｊとパターンヒストグラムＸ^{ｐｈ（Ａ）}との内積を用いてもよい。内積の値は、学習済重みベクトルＷ_ｊとパターンヒストグラムＸ^{ｐｈ（Ａ）}が正規化されている場合には、相関が高いほど内積は１に近い値となり、相関が低いと０に近いとなる。
【００８８】
上述の実施の形態では、輪郭内外画像Ｄに基づいて異常陰影候補の判定を行う場合について説明したが、抽出した異常陰影候補の輪郭を基準にして異常陰影候補の領域に含まれている濃度分布パターンの出現頻度に基づいて判定を行うことも可能である。
【００８９】
また、単位画素群の濃度分布パターンの抽出の具体的な方法として、ＳＯＭを用いて濃度分布パターンを抽出する方法があげられる。様々な症例の輪郭内外画像Ｄからランダムに切り出した単位画素群を繰り返しＳＯＭに提示して濃度分布パターンを抽出し、抽出した濃度分布パターンを濃度分布パターン記憶手段３に予め記憶するようにしてもよい。
【００９０】
また、学習済重みベクトルを得るための学習方法として、ＳＯＭを用いて具体的に説明したが、他の教師無しの学習方法を用いることも可能である。
【００９１】
以上、医用画像の異常陰影候補の場合について具体的に説明したが、医用画像に限らず撮影して得られた写真画像等から対象物を抽出して、対象物の特徴を表す質感（例えば、テクスチャー等）から画像を判別することも可能である。
【００９２】
以上詳細に説明したように、人間の視覚で捉えた感覚に近い状態で画像タイプ分類して、判別の対象とする画像がいずれかの画像タイプの特徴を備えているかを分析することが可能となる。
【図面の簡単な説明】
【図１】画像判別装置の概要を表す図
【図２】抽出手段の構成図
【図３】Ｓｎａｋｅｓの動きを表す図
【図４】輪郭内外画像の変換を説明するための図（その１）
【図５】輪郭内外画像の変換を説明するための図（その２）
【図６】輪郭内外画像の変換を説明するための図（その３）
【図７】濃度パターンの抽出結果の一例を表す図
【図８】濃度パターンの出現頻度のカウント方法を説明するための図
【図９】輪郭内外画像を輪郭辺縁、輪郭内側、輪郭外側の各領域に分けた図
【図１０】濃度パターンのヒストグラムの一例を表す図
【図１１】濃度パターンのヒストグラムの現れ方の違いを説明するための図
【図１２】マップにラベル付けを行なった一例を表す図
【図１３】ＳＯＭを説明するための図
【図１４】重みベクトルを更新する領域を説明するための図
【図１５】所定の異常陰影候補の画像タイプの判別を行う場合の流れを説明するフローチャート
【符号の説明】
１画像判別装置
２抽出手段
３濃度分布パターン記憶手段
４出現頻度算出手段
５学習手段
６判別手段
５０学習済重みベクトル記憶手段
Ｄ輪郭内外画像
ＳＰスピキュラ
Ｍａｐ異常陰影候補マップ
Ｒ単位画素群

Claims

画像データから注目部分画像を抽出する抽出手段と、
該抽出手段で抽出される注目部分画像を構成する単位画素群の各画素に出現する可能性のある多数の濃度分布パターンを記憶する濃度分布パターン記憶手段と、
前記抽出手段により抽出された前記注目部分画像の単位画素群の各画素について前記濃度分布パターンのいずれに類似するかを判定し、前記各濃度分布パターンが前記注目部分画像中に出現する出現頻度を前記各濃度分布パターン毎にカウントしてＮ次元のパターンヒストグラムを算出する出現頻度算出手段と、
Ｎ個の入力ノードとＭ個の出力ノードを有する教師なし学習を行う学習手段であって、該Ｎ個の入力ノードに前記Ｎ次元のパターンヒストグラムを繰り返し提示し、前記Ｎ個の入力ノードと前記Ｍ個の出力ノードとを結ぶ重みを学習して、前記Ｍ個のうちの１つの出力ノードと前記Ｎ個の入力ノードとを結ぶ学習されたＮ個の重みをＮ次元の学習済重みベクトルとし、該Ｎ次元の学習済重みベクトルが前記各出力ノード毎に対応する画像タイプを代表するものとして学習済重みベクトルを得る学習手段と、
所定の注目部分画像のＮ次元のパターンヒストグラムを前記出現頻度算出手段を用いて求め、該Ｎ次元のパターンヒストグラムと前記学習手段により得られた前記学習済重みベクトルとに基づいて該注目部分画像の画像タイプを判別する判別手段とを備えたことを特徴とする画像判別装置。
前記学習手段が、ＳＯＭであることを特徴とする請求項１記載の画像判別装置。
前記判別手段が、前記所定の注目部分画像のＮ次元のパターンヒストグラムと前記学習済重みベクトルとの相関値を求め、該相関値を特徴量として判別することを特徴とする請求項１または２記載の画像判別装置。
前記画像データが医用画像であり、前記注目部分画像が異常陰影候補の画像であることを特徴とする請求項１から３いずれか記載の画像判別装置。
前記抽出手段が、
前記異常陰影候補を抽出する候補抽出手段と、
該候補領域抽出手段で抽出した前記異常陰影候補の輪郭周辺の輪郭内外画像を抽出する輪郭内外画像抽出手段とを備え、
前記注目部分画像が、前記輪郭内外画像であることを特徴とする請求項４記載の画像判別装置。
画像データから注目部分画像を抽出するステップと、
前記抽出された前記注目部分画像の単位画素群の各画素について、注目部分画像を構成する単位画素群の各画素に出現する可能性のある多数の濃度分布パターンを記憶する記憶手段に記憶されている濃度分布パターンのいずれに類似するかを判定し、前記各濃度分布パターンが前記注目部分画像中に出現する出現頻度を前記各濃度分布パターン毎にカウントしてＮ次元のパターンヒストグラムを算出するステップと、
Ｎ個の入力ノードとＭ個の出力ノードを有する教師なし学習を行う学習手段を用いて、該Ｎ個の入力ノードに前記Ｎ次元のパターンヒストグラムを繰り返し提示し、前記Ｎ個の入力ノードと前記Ｍ個の出力ノードとを結ぶ重みを学習して、前記Ｍ個のうちの１つの出力ノードと前記Ｎ個の入力ノードとを結ぶ学習されたＮ個の重みをＮ次元の学習済重みベクトルとし、該Ｎ次元の学習済重みベクトルが前記各出力ノード毎に対応する画像タイプを代表するものとして学習済重みベクトルを得るステップと、
所定の注目部分画像のＮ次元のパターンヒストグラムを前記記憶手段に記憶されている濃度分布パターンに基づいて求め、該Ｎ次元のパターンヒストグラムと前記学習済重みベクトルとに基づいて該注目部分画像の画像タイプを判別する判別ステップとを備えたことを特徴とする画像判別方法。
コンピュータを、
画像データから注目部分画像を抽出する抽出手段と、
該抽出手段で抽出される注目部分画像を構成する単位画素群の各画素に出現する可能性のある多数の濃度分布パターンを記憶する濃度分布パターン記憶手段と、
前記抽出手段により抽出された前記注目部分画像の単位画素群の各画素について前記濃度分布パターンのいずれに類似するかを判定し、前記各濃度分布パターンが前記注目部分画像中に出現する出現頻度を前記各濃度分布パターン毎にカウントしてＮ次元のパターンヒストグラムを算出する出現頻度算出手段と、
Ｎ個の入力ノードとＭ個の出力ノードを有する教師なし学習を行う学習手段であって、該Ｎ個の入力ノードに前記Ｎ次元のパターンヒストグラムを繰り返し提示し、前記Ｎ個の入力ノードと前記Ｍ個の出力ノードとを結ぶ重みを学習して、前記Ｍ個のうちの１つの出力ノードと前記Ｎ個の入力ノードとを結ぶ学習されたＮ個の重みをＮ次元の学習済重みベクトルとし、該Ｎ次元の学習済重みベクトルが前記各出力ノード毎に対応する画像タイプを代表するものとして学習済重みベクトルを得る学習手段と、
所定の注目部分画像のＮ次元のパターンヒストグラムを前記出現頻度算出手段を用いて求め、該Ｎ次元のパターンヒストグラムと前記学習手段により得られた前記学習済重みベクトルとに基づいて該注目部分画像の画像タイプを判別する判別手段として機能させるためのプログラム。