JP2005245830A - 腫瘍検出方法、腫瘍検出装置及びプログラム - Google Patents

Abstract

【課題】 人体の断層画像から精度良く腫瘍を検出することのできる腫瘍検出方法を提供する。
【解決手段】 人体の断層画像から所定の臓器輪郭を抽出する第一の工程と、抽出した臓器輪郭内の腫瘍領域を、ニューラルネットワークを用いて検出する第二の工程と、を備えた。
【選択図】図１０

Description

本発明は、腫瘍検出方法、腫瘍検出装置及びプログラムに関する。

従来、体内の腫瘍をＸ線ＣＴによる断層画像から検出するため、Ｘ線ＣＴの撮像前に被験者に造影剤を投与することが行われている。
また、Ｘ線ＣＴによる断層画像から、当該断層画像中の血管領域を抽出し、抽出した血管領域に対して収縮処理を施して孤立した領域の３次元特徴に基づいて腫瘍領域を検出する技術が開示されている（例えば、特許文献１）
特開２００３−２５０７９４号公報

しかしながら、造影剤の投与は被験者に対して身体的に負担となるものであり、被験者によっては嘔吐等の副作用を惹起する可能性があるという問題点があった。
また、腹部の断層画像には特定の臓器（例えば、肝臓）以外の臓器も複数映し出され、しかも肝臓の周辺部には、肝臓のＣＴ値と同等のＣＴ値を持つ心臓等の他の臓器が存在するので、特許文献１に記載されている方法では、腹部の断層画像から肝臓領域のみを的確に抽出し、肝腫瘍を精度良く検出することが困難であるという問題点があった。
そこで、本発明の課題は、人体の断層画像から精度良く腫瘍を検出することのできる腫瘍検出方法、腫瘍検出装置及びプログラムを提供することである。

以上の課題を解決するための手段として、本発明は、以下の構成要素を備えている。なお、各構成要素には、後述する発明の実施の形態において対応する構成要素を図に示される符号とともに括弧書きして例示する。
請求項１記載の発明は、腫瘍検出方法であって、例えば、図１０に示すように、
人体の断層画像から所定の臓器輪郭を抽出する第一の工程と、
抽出した臓器輪郭内の腫瘍領域を、ニューラルネットワークを用いて検出する第二の工程と、
を備えていることを特徴とする。

請求項２記載の発明は、請求項１記載の腫瘍検出方法であって、
前記断層画像は、Ｘ線ＣＴ画像であることを特徴とする。

請求項３記載の発明は、請求項１又は２記載の腫瘍検出方法であって、
前記第一の工程は、
連続した複数の前記断層画像を取得する工程と、
前記断層画像の濃淡情報に基づいて各断層画像における所定の臓器の臓器候補領域を抽出する工程と、
第一の断層画像において抽出した臓器候補領域から、第二の断層画像において抽出した臓器候補領域以外の非臓器候補領域を差し引くことにより、当該第一の断層画像における前記所定の臓器の臓器領域を抽出する工程と、
を含むことを特徴とする。

請求項４記載の発明は、請求項３記載の腫瘍検出方法であって、
前記第二の断層画像の臓器候補領域を所定の膨張率で膨張させ、次いで、膨張させた臓器候補領域を所定の収縮率で収縮させることにより、当該第二の断層画像における前記所定の臓器の臓器領域を抽出する工程を含むことを特徴とする。

請求項５記載の発明は、請求項１〜４の何れか一項に記載の腫瘍検出方法であって、
前記断層画像を２次元フーリエ変換し、パワースペクトルを算出する工程を備え、
前記ニューラルネットワークは、算出されたパワースペクトルを入力する入力層と、一つ以上の中間層と、腫瘍領域の有無を示すパラメータを出力する出力層とから成る三層構造であることを特徴とする。

請求項６記載の発明は、腫瘍検出装置であって、例えば、図９に示すように、
人体の断層画像から所定の臓器輪郭を抽出する輪郭抽出手段（例えば、ＣＰＵ３１、輪郭抽出プログラム３３４）と、
抽出した臓器輪郭内の腫瘍領域を、ニューラルネットワークを用いて検出する腫瘍検出手段（例えば、ＣＰＵ３１、肝腫瘍検出処理プログラム３３６）と、
を備えていることを特徴とする。

請求項７記載の発明は、請求項６記載の腫瘍検出装置であって、
人体の断層画像がＸ線ＣＴ画像であることを特徴とする。

請求項８記載の発明は、請求項６又は７記載の腫瘍検出装置であって、
前記輪郭抽出手段は、
連続した複数の前記断層画像を取得する画像取得手段（例えば、画像取得部３）と、
前記断層画像の濃淡情報に基づいて各断層画像における所定の臓器の臓器候補領域を抽出する臓器候補領域抽出手段（例えば、ＣＰＵ３１、肝臓候補領域抽出プログラム３３１）と、
第一の断層画像において前記臓器候補領域抽出手段によって抽出された臓器候補領域から、第二の断層画像において前記臓器候補領域抽出手段によって抽出された臓器候補領域以外の非臓器候補領域を差し引くことにより、当該第一の断層画像における前記所定の臓器の臓器領域を抽出する臓器領域抽出手段（例えば、ＣＰＵ３１、第一の肝臓領域抽出プログラム３３２）と、
を備えていることを特徴とする。

請求項９記載の発明は、請求項８記載の腫瘍検出装置であって、
前記第二の断層画像の臓器候補領域を所定の膨張率で膨張させ、次いで、膨張させた臓器候補領域を所定の収縮率で収縮させることにより、当該第二の断層画像における前記所定の臓器の臓器領域を抽出する第二の臓器領域抽出手段（例えば、ＣＰＵ３１、第二の肝臓領域抽出プログラム３３３）を含むことを特徴とする。

請求項１０記載の発明は、請求項６〜９の何れか一項に記載の腫瘍検出装置であって、
前記断層画像を２次元フーリエ変換し、パワースペクトルを算出する入力データ算出手段（例えば、ＣＰＵ３１、入力データ算出プログラム３３５）を備え、
前記ニューラルネットワークは、前記入力データ算出手段によって算出されたパワースペクトルを入力する入力層と、一つ以上の中間層と、腫瘍領域の有無を示すパラメータを出力する出力層とから成る三層構造であることを特徴とする。

請求項１１記載の発明は、請求項６〜１０の何れか一項に記載の腫瘍検出装置であって、前記腫瘍検出手段によって検出された腫瘍領域を表示する表示手段（例えば、ＣＰＵ３１、表示制御プログラム３３７）と、
前記腫瘍領域に所定の着色を施して前記表示手段に表示させる表示制御手段（例えば、ＣＰＵ３１、表示制御プログラム３３７）と、
を備えていることを特徴とする。

請求項１２記載の発明は、プログラムであって、
人体の断層画像から所定の臓器輪郭を抽出する第一の機能と、
抽出した臓器輪郭内の腫瘍領域を、ニューラルネットワークを用いて検出する第二の機能と、
を実現させることを特徴とする。

請求項１、６、１２記載の発明によれば、人体の断層画像から所定の臓器輪郭を抽出し、抽出した臓器輪郭内の腫瘍領域を、ニューラルネットワークを用いて検出する。従って、断層画像から自動的に且つ精度良く腫瘍を抽出することができる。

請求項２、７記載の発明によれば、請求項１、６記載の発明と同様の効果が得られるのは無論のこと、特に、断層画像はＸ線ＣＴ画像であるので、被験者の診断に対する負担を低減するとともに、高い空間分解能及びコントラスト分解能を有しているため、腫瘍領域の検出精度をより高めることができる。

請求項３、８記載の発明によれば、請求項１、２、６、７記載の発明と同様の効果が得られるのは無論のこと、特に、連続して得られる断層画像から臓器候補領域を抽出し、次いで、第一の断層画像において抽出した臓器候補領域から、第二の断層画像において抽出した臓器候補領域以外の非臓器候補領域を差し引くことにより、第一の断層画像における標的臓器の臓器領域を抽出するので、標的臓器のみが映った断層画像を作成することができる。従って、標的の腫瘍領域の検出精度をより向上させることができる。

請求項４、９記載の発明によれば、請求項３、８記載の発明と同様の効果が得られるのは無論のこと、特に、第二の断層画像の臓器候補領域を所定の膨張率で膨張させ、次いで、膨張させた臓器候補領域を所定の収縮率で収縮させることにより、第二の断層画像における前記所定の臓器の臓器領域を抽出するので、所定の臓器領域が映っている断層画像の全てについて、標的臓器をより明瞭に抽出することができる。

請求項５、１０記載の発明によれば、請求項１、２、３、４、６、７、８、９記載の発明と同様の効果が得られるのは無論のこと、特に、ニューラルネットワークは、断層画像に基づいて算出されたパワースペクトルを入力する入力層と、一つ以上の中間層と、腫瘍領域の有無を示すパラメータを出力する出力層とから成る三層構造であるので、処理負荷を低くするとともに、より簡単な構造で腫瘍を検出することができる。

請求項１１記載の発明によれば、請求項６〜１０記載の発明と同様の効果が得られるのは無論のこと、特に、検出された腫瘍領域が着色され表示されるので、腫瘍領域を視認することができる。従って、高度な経験やスキルを必要とすることなく、より容易に腫瘍領域の有無を判定することができる。

以下、本発明に係る最良の実施形態について詳細に説明する。
（腫瘍検出方法について）
本発明にかかる腫瘍検出方法としての肝腫瘍検出方法は、人体の断層画像に基づいて肝腫瘍を検出するものである。具体的には、例えば、断層画像の取得処理、肝臓領域の抽出処理、肝臓輪郭の抽出処理、肝腫瘍の検出処理の順で行う。

（１）断層画像取得処理
本発明にかかる腫瘍検出方法に用いる画像は、例えば、被験者を連続した異なる断層像位置でＸ線走査して取得した複数のＣＴ画像を用いる。このＸ線ＣＴ画像は、例えば、被験者に造影剤を投与することなく得られる単純ＣＴ画像を用いる。
以下、連続した１２枚の断層画像を用いて行う処理の一例について詳細に説明する。なお、本明細書中においては、最も上部の画像を１枚目、最も下部の画像を１２枚目とする。

（２）肝臓領域抽出処理
次に、取得した断層画像から肝臓領域を抽出する。肝臓領域の抽出は、例えば、肝臓候補領域抽出処理、差分処理、膨張処理及び収縮処理の順で行う。
［肝臓候補領域抽出処理］
先ず、肝臓領域が映っている全ての断層画像に対して肝臓候補領域抽出処理を行う。
具体的には、少なくとも肝臓領域全体を抽出できるようなＣＴ値範囲を肝臓領域が存在する画像の左半分の領域について濃度値ヒストグラムを求め、当該濃度値ヒストグラムのピーク値に基づいて、肝臓候補領域抽出処理を行う。
図１は、断層画像の左領域における濃度値ヒストグラムを示す図であり、図２は、肝臓候補領域抽出処理結果を示す図である。

ここで、正常な肝臓の画像におけるＣＴ値は３５〜５０Ｈ．Ｕ．であるので、図１に示す正のピーク値近傍に肝臓領域が存在すると考えられる。従って、図１に示す正のピークを示すＣＴ値±１５の範囲を肝臓候補領域範囲と設定して処理を行う。処理後の画像を図２に示す。
次いで、肝臓領域が映っている全ての断層画像に対してメディアンフィルタ処理を行う。メディアンフィルタ処理は、着目画素を中心とした３×３の画素の輝度値の内、真中の値を着目画素の輝度値とする処理であり、点状のノイズを好適に除去できる点で有効である。

例えば、図２（ｂ）に示すように、肝臓候補領域抽出処理によって抽出できなかった肝臓領域が点状のノイズとして残存していることがあるので、これらのノイズを除去するためにメディアンフィルタ処理を行う。メディアンフィルタ処理後の画像を図２（ｃ）に示す。
なお、図２（ｃ）に示すように、この段階では、肝臓候補領域には抽出すべき肝臓領域の他、肝臓領域とＣＴ値が近似している心臓領域等も画像内に残存している状態である。

［差分処理］
次いで、肝臓候補領域に対し差分処理を行い、肝臓領域を抽出する。
この処理は、不要領域である心臓領域等を除去するための処理である。
具体的には、所定の画像の肝臓候補領域から他の画像の非肝臓候補領域を差し引く処理を行う。即ち、差分処理は、次式により行う。

図３は、各断層画像の肝臓候補領域抽出処理結果を示す図であり、（ａ）は１枚目、（ｂ）は２枚目、（ｃ）は３枚目、（ｄ）は４枚目の画像を示す図である。なお、図３（ｂ）、（ｃ）、（ｄ）において丸で囲まれた部分（Ｒ１、Ｒ２、Ｒ３）は、各画像における肝臓領域を示している。
図３に示すように、例えば、２枚目の画像の肝臓候補領域においては、肝臓領域Ｒ１が小さく映っているとともに、不要領域である心臓領域等も明瞭に映ってしまっている。それに対して、３枚目、４枚目の画像には各肝臓領域Ｒ２、Ｒ３が明瞭に映っているとともに、不要領域が明瞭に映っていないため、心臓領域等は非肝臓候補領域に含まれる。とすれば、２枚目の画像の肝臓候補領域（心臓領域等を含む）から３枚目、４枚目の画像の非肝臓候補領域（心臓領域等を含む）を差し引くと、２枚目の画像において不要領域である心臓領域等を除去できることとなる。
なお、図３（ａ）に示すように、１枚目には肝臓領域が映っていないので、本処理の対象から除外するものとする。

図４は、２枚目の画像に対して３〜６枚目の画像に対する上記差分処理の結果を示す図であり、（ａ）は処理前、（ｂ）は処理後の図であり、不要領域の除去を示している。
そして、図５に示すように、差分処理して得られた２枚目の画像（図５ａ）に対して濃度値ヒストグラムを求め、移動平均法による平滑化処理を行い、図５（ｂ）に示すように画像内に残存するノイズを除去する。移動平均法による平滑化処理は、画像内の全ての濃淡変動を一様に滑らかにでき、微小なノイズを好適に除去できる点で有効である。
上記移動平均法は、次式により行う。

具体的には、画像の各Ｘ軸、Ｙ軸における肝臓候補領域抽出処理で得られた画素数を算出する。次いで、移動平均法により求めた濃度値ヒストグラムにおいて、全てのピーク部分の面積を算出し、最も面積が大きいピーク部分の立上り地点と立下り地点とを求め、両地点に挟まれた領域を肝臓領域として、平滑化処理を行う。

［膨張処理及び収縮処理］
次に、肝臓領域が未抽出の３〜１２枚目の断層画像については膨張処理を行った後、収縮処理を行い、膨張処理により拡大した領域を元の大きさに戻すことによって不要領域を除去した断層画像を作成する。
図６は、３枚目の断層画像に対する膨張処理及び収縮処理の結果を示す図である。

ここで、膨張処理は、例えば、断層画像の注目画素の８近傍画素（注目画素を中心とした３×３画素）の何れかが白領域（肝臓候補領域として抽出された部分）である場合には、その８近傍画素を全て白領域とする処理を指し、膨張率は処理が施される画素数によって決まるものとする。
また、収縮処理は、例えば、断層画像の注目画素の８近傍画素の何れかが黒領域（肝臓候補領域として抽出されなかった部分；非肝臓候補領域）である場合には、その８近傍画素を全て白領域とする処理を指す。

そして、３枚目の画像の肝臓領域抽出後は、４枚目の画像の膨張処理及び収縮処理を行い、以降も順次膨張処理及び収縮処理を行う。
なお、膨張処理及び収縮処理の処理範囲は、注目画素の８近傍に限定されるものではなく、４近傍に対して処理を行ってもよい。また、処理回数も得られる断層画像によって適宜決定するものとする。

肝臓領域は、１枚目の画像には小さく映り、６枚目前後の画像には大きく映り、１２枚目の画像には小さく映る。従って、３枚目以降の画像を膨張処理及び収縮処理を行った場合、図７（ａ）、（ｂ）に示すように、１２枚目の画像については膨張処理及び収縮処理後に肝臓領域（図７ａにおいて丸で囲まれた部分；Ｒ４）の他に、ノイズ（図７ｂにおいて丸で囲まれた部分；Ｎ）が残存する。
そこで、膨張処理及び収縮処理後に、１２枚目の画像については、濃度値ヒストグラムを求め、数２による移動平均法を用いた平滑化処理を行うことによって、ノイズＮを除去し肝臓領域Ｒ４のみを抽出する。
なお、平滑化処理を行う画像は複数の画像であってもよく、どの画像を処理するかは適宜決定するものとする。

（３）肝臓輪郭抽出処理
次に、上記処理によって得られた肝臓領域から肝臓輪郭を抽出する。例えば、Ａｃｔｉｖｅ Ｎｅｔを用いて肝臓輪郭を抽出する。
例えば、画像内の肝臓領域を複数の格子点から形成されるＡｃｔｉｖｅ Ｎｅｔで被覆し、各格子点をＡｃｔｉｖｅ Ｎｅｔの有するエネルギーが小さくなる方向へ移動させることによって、肝臓輪郭を抽出する。
なお、肝臓領域から肝臓輪郭抽出処理は、上記方法に限定されるものではなく、例えば、Ｐｒｅｗｉｔｔオペレータ等を用いて行ってもよい。

（４）肝腫瘍検出処理
次に、抽出した肝臓輪郭内の腫瘍領域を、ニューラルネットワークを用いて検出する。
具体的には、例えば、処理対象の腹部の画像を２次元フーリエ変換し、パワースペクトルを算出し、このパワースペクトルに基づいて肝腫瘍を検出する。なお、２次元フーリエ変換としては、より計算量の小さい２次元高速フーリエ変換が好適である。
ニューラルネットワークは、例えば、処理対象画像のパワースペクトルを入力する入力層と、一つ以上の中間層と、腫瘍領域の有無を示すパラメータを出力する出力層とから成る三層構造となっている。各層は所要とする数のニューロン素子で構成され、各層間が結合重み係数により結合されている。このニューラルネットワークに教師データを与えて学習させることで、肝臓輪郭内の腫瘍領域を検出することができる。

ここでいう教師データとは、基準となるパワースペクトルと対応付けられている処理対象画像の腫瘍領域のパターンを示すデータを指す。そして、各々の教師データを用いて、例えば、誤差逆伝播学習法（バックプロパゲーション；ＢＰ法）によって学習させる。この学習によって、各画像のパワースペクトルに基づいて肝臓輪郭内の腫瘍領域の検出が可能な各結合重み係数が決定されるので、処理対象画像のパワースペクトルが入力されれば、肝臓輪郭内の腫瘍領域の有無を速やかに出力させる系を構築することができる。
そして、上記したニューラルネットワークを用いて、抽出した肝臓輪郭内における腫瘍が検出されると、図８（ａ）及び（ｂ）に示すように、検出された腫瘍領域Ａ、腫瘍領域Ｂが着色されて表示される。

（装置構成）
次に、腫瘍を検出するための装置構成について、図９を用いて説明する。
本発明にかかる腫瘍検出装置としての肝腫瘍検出装置１は、その内部に、画像取得部２、検出部３、記憶部４、入力部５、表示部６等を備えている。

画像取得部２は、画像取得手段として機能し、例えば、通信機能を有し、被験者の腹部を撮像するＸ線ＣＴ画像撮像装置（図示省略）との間で通信回線を介して、処理対象画像を取得する構成となっている。
検出部３は、ＣＰＵ３１、ＲＡＭ３２、ＲＯＭ３３等を備えている。

ＣＰＵ３１は、ＲＯＭ３３に格納されている各種プログラムの中から指定されたプログラムをＲＡＭ３２の作業領域に展開して、このプログラムに従った各種処理を実行する。
ＲＡＭ３２は、ＣＰＵ３１により実行される各種処理において、プログラムやデータ等を一時的に記憶する記憶領域、プログラムを実行するための作業領域などを形成する。
ＲＯＭ３３は、本発明の動作の実行に必要な各種アプリケーションソフト、プログラム等を格納しており、具体的には、例えば、図９に示すように、肝臓候補領域抽出プログラム３３１、第一の肝臓領域抽出プログラム３３２、第二の肝臓領域抽出プログラム３３３、輪郭抽出プログラム３３４、入力データ算出プログラム３３５、肝腫瘍検出処理プログラム３３６、表示制御プログラム３３７等を格納している。

肝臓候補領域抽出プログラム３３１は、断層画像の濃淡情報に基づいて肝臓候補領域を抽出するためのプログラムであり、ＣＰＵ３１は、かかる肝臓候補領域抽出プログラム３３１を実行することによって、臓器候補領域抽出手段として機能する。
第一の肝臓領域抽出プログラム３３２は、例えば、全１２枚の断層画像を取得した場合に、２枚目の断層画像において抽出した肝臓候補領域から、３〜６枚目の断層画像において抽出した肝臓候補領域以外の非肝臓候補領域を差し引くことにより、２枚目の断層画像における肝臓領域を抽出するためのプログラムであり、ＣＰＵ３１は、かかる第一の肝臓領域抽出プログラム３３２を実行することによって、第一の臓器領域抽出手段（臓器領域抽出手段）として機能する。

第二の肝臓領域抽出プログラム３３３は、例えば、３〜１２枚目の断層画像の肝臓候補領域を所定の膨張率（例えば、注目画素の８近傍について処理を行う）で膨張させ、次いで、膨張させた肝臓候補領域を所定の収縮率（例えば、注目画素の８近傍について処理を行う）で収縮させることにより、３〜１２枚目の断層画像における肝臓領域を抽出するためのプログラムであり、ＣＰＵ３１は、かかる第二の肝臓領域抽出プログラム３３３を実行することによって、第二の臓器領域抽出手段として機能する。
輪郭抽出プログラム３３４は、断層画像において抽出された肝臓領域から肝臓輪郭を抽出するためのプログラムであり、ＣＰＵ３１は、かかる輪郭抽出プログラム３３４を実行することによって、輪郭抽出手段として機能する。

入力データ算出プログラム３３５は、断層画像を２次元フーリエ変換し、パワースペクトルを算出するためのプログラムであり、ＣＰＵ３１は、かかる入力データ算出プログラム３３５を実行することによって、入力データ算出手段として機能する。
肝腫瘍検出処理プログラム３３６は、ニューラルネットワークを用いて肝臓輪郭内の腫瘍領域を検出するためのプログラムであり、ＣＰＵ３１は、かかる肝腫瘍検出処理プログラム３３６を実行することによって、腫瘍検出手段として機能する。
表示制御プログラム３３７は、腫瘍検出処理後の断層画像及び着色された腫瘍領域を表示部６に表示するとともに、検出された腫瘍領域を着色して表示部６に表示するためのプログラムであり、ＣＰＵ３１は、かかる表示制御プログラム３３７を実行することによって、表示手段の一部及び表示制御手段として機能する。

記憶部４は、例えば、磁気的、光学的記録媒体、若しくは半導体メモリ等ＣＰＵ３１で読取可能な記録媒体（図示省略）を含んだ構成である。記憶部４に格納するデータ等は、その一部若しくは全部を他のサーバ等からＷＡＮ、ＬＡＮ等のネットワークを介して受信する構成にしてもよい。
記憶部４に格納されている各種データとしては、例えば、肝腫瘍データ４１、ニューラルネットワークデータ４２等がある。

肝腫瘍データ４１は、学習用データとして、例えば、病院内のデータサーバ（図示省略）から通信部（図示省略）を介して入手したデータ等を記憶する。具体的には、例えば、過去に診断された肝腫瘍の色彩、形態、位置、大きさ、範囲等を記憶する。
また、肝腫瘍データ４１には、入手したデータに基づいて、ＣＰＵ３１により算出されたパワースペクトル等のデータが記憶されている。
ニューラルネットワークデータ４２は、学習したニューラルネットワークの各閾値や結合係数等のパラメータ等が記憶され、随時データの追加或いは書換が可能である。このニューラルネットワークデータ４２が肝腫瘍検出処理プログラム３３６に読み出されることによって、腫瘍検出処理が実行される。
入力部５は、例えば、マウス、キーボード或いはスキャナ等を備え、データを入力することができ、入力処理に用いられる。
表示部６は、表示手段の一部として機能し、例えば、ＣＲＴやＬＣＤ等により構成され、ＣＰＵ３１によって処理された腹部の各画像、着色された腫瘍領域等を表示する。

次に、上記構成の肝腫瘍検出装置１による肝腫瘍検出処理動作の一例を図１０に示すフローチャートを用いて説明する。
先ず、ＣＰＵ３１は、肝腫瘍検出開始信号が出力されたか否かを判断する（ステップＳ１）。そして、ＣＰＵ３１は、肝腫瘍検出開始信号が出力されたと判断した場合（ステップＳ１；Ｙｅｓ）には、被験者の連続した腹部の断層画像を取得する（ステップＳ２）。
次いで、ＣＰＵ３１は、取得した断層画像から肝臓領域を抽出する（ステップＳ３）。具体的には、例えば、先ず肝臓候補領域を抽出し、上記の差分処理或いは膨張処理及び収縮処理を施し、ノイズを除去することによって肝臓領域を抽出する。
次いで、ＣＰＵ３１は、例えば、抽出した肝臓領域に基づいてＡｃｔｉｖｅ Ｎｅｔを用いて肝臓輪郭を抽出する。（ステップＳ４）。

次いで、ＣＰＵ３１は、処理対象画像を２次元フーリエ変換し、パワースペクトルを算出し、算出したパワースペクトルをニューラルネットワークに入力し、抽出した肝臓輪郭内における腫瘍領域を検出する（ステップＳ５）。
次いで、ＣＰＵ３１は、検出された腫瘍領域を着色し、着色された腫瘍領域を有する断層画像を表示部６に表示させ（ステップＳ６）、本処理を終了する。

以上説明した肝腫瘍検出装置１によれば、人体の断層画像から所定の臓器輪郭を抽出し、抽出した臓器輪郭内の腫瘍領域をニューラルネットワークを用いて検出する。従って、断層画像から自動的に且つ精度良く腫瘍を抽出することができる。
また、断層画像はＸ線ＣＴ画像であるので、被験者の診断に対する負担を低減するとともに、高い空間分解能及びコントラスト分解能を有しているため、腫瘍領域の検出精度をより高めることができる。

また、連続した断層画像から肝臓候補領域を抽出し、次いで、２枚目の断層画像において抽出した肝臓候補領域から、３〜１２枚目の断層画像の非肝臓候補領域を差し引くことにより、２枚目の断層画像における肝臓領域を抽出するので、肝臓領域のみが映った断層画像を作成することができる。従って、標的の腫瘍領域の検出精度をより向上させることができる。
また、３〜１２枚目の断層画像の臓器候補領域を膨張させ、次いで、膨張させた臓器候補領域を収縮させて元の大きさに戻す処理を行うことにより、３〜１２枚目の断層画像における肝臓領域を抽出できるので、肝臓領域が映っている全ての断層画像について、肝臓領域をより明瞭に抽出することができる。

また、ニューラルネットワークは、断層画像に基づいて算出されたパワースペクトルを入力する入力層と、一つ以上の中間層と、腫瘍領域の有無を示すパラメータを出力する出力層とから成る三層構造であるので、処理負荷を低くするとともに、より簡単な構造で腫瘍を検出することができる。
また、検出された腫瘍領域が着色され表示されるので、ユーザが腫瘍領域を視認することができる。従って、高度な経験やスキルを必要とすることなく、より容易に腫瘍領域の有無を判定することができる。

なお、本発明にかかる肝腫瘍検出装置１は上記構成に限定されるものではなく、適宜変更可能である。例えば、処理対象画像としてＸ線ＣＴ画像を用いたが、超音波画像や磁気共鳴画像（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ；ＭＲＩ）等を用いてもよいし、処理に用いる画像数も自由に決定できるのは勿論である。
また、上記方法によって肝臓領域が映っている全ての断層画像において、肝臓領域を抽出し、それらの画像を経時的に並べることによって、肝臓及び腫瘍領域を３次元モデル化して表示させ、腫瘍領域の位置を立体的に把握できるようにしてもよい。
また、検出する腫瘍は肝腫瘍に限定されるものではなく、例えば、肝臓領域とＣＴ値が略同一の脾臓領域を抽出し、脾腫瘍を検出するような構成にしてもよい。
次に、本発明にかかる肝腫瘍検出装置によるシミュレーションを行った結果について説明する。

Ｘ線ＣＴ画像は、縦横幅５１２ｐｉｘｅｌｓの腹部の断層画像であり、縦横幅３６０ｍｍ、スライス間隔７ｍｍの画像を用いた。
本実施例において、ニューラルネットワークは、入力層４０、中間層２０、出力層１の三層構造のものを用い、学習データとしては、肝腫瘍症例、正常症例それぞれ３０症例ずつを示す画像データを使用した。
そして、本装置の検出対象として、肝腫瘍領域の有無が不明な６症例の断層画像（各１２枚の連続スライス画像；計７２枚）を用いた。その結果、６症例全てに肝腫瘍が検出され、医師の画像の目視による診断結果と全て合致した。

断層画像の左領域における濃度値ヒストグラムを示す図である。 各断層画像に対する肝臓候補領域抽出処理の結果を示す図であり、（ａ）は原ＣＴ画像、（ｂ）は濃度値ヒストグラムに基づく肝臓候補領域抽出後の画像、（ｃ）はメディアンフィルタ処理後の画像を示す。 各断層画像に対する肝臓候補領域抽出処理の結果を示す図であり、（ａ）は人体上から１枚目、（ｂ）は２枚目、（ｃ）は３枚目、（ｄ）は４枚目の画像である。 人体上から２枚目の断層画像に対して３〜６枚目の断層画像を差分処理した結果を示す図であり、（ａ）は処理前、（ｂ）は処理後を示す。 図４（ｂ）の画像の平滑化処理の結果を示す図であり、（ａ）は処理前、（ｂ）は処理後を示す。 人体上から３枚目の画像に対する膨張処理及び収縮処理の結果を示す図であり、（ａ）は処理前、（ｂ）は処理後を示す。 人体上から１２枚目の画像の肝臓領域抽出処理を説明するための図であり、（ａ）は、原ＣＴ画像のメディアンフィルタ処理後の画像、（ｂ）は、膨張処理及び収縮処理後の画像、（ｃ）は、平滑化処理後の画像である。 検出された肝腫瘍の表示を説明するための図である。 本発明にかかる腫瘍検出装置としての肝腫瘍検出装置の構成を示すブロック図である。 図９の肝腫瘍検出装置を用いて行う検出処理動作の一例を示すフローチャートである。

符号の説明

１ 肝腫瘍検出装置（腫瘍検出装置）
３ 画像取得部（画像取得手段）
６ 表示部（表示手段）
３１ ＣＰＵ３１（臓器候補領域抽出手段、臓器領域抽出手段、第二の臓器領域抽出手段、輪郭抽出手段、入力データ算出手段、腫瘍検出手段、表示手段、表示制御手段）
３３１ 肝臓候補領域抽出プログラム（臓器候補領域抽出手段）
３３２ 第一の肝臓領域抽出プログラム（臓器領域抽出手段）
３３３ 第二の肝臓領域抽出プログラム（第二の臓器領域抽出手段）
３３４ 輪郭抽出プログラム（輪郭抽出手段）
３３５ 入力データ算出プログラム（入力データ算出手段）
３３６ 肝腫瘍検出処理プログラム（腫瘍検出手段）
３３７ 表示制御プログラム（表示手段、表示制御手段）

Claims (12)

1. 人体の断層画像から所定の臓器輪郭を抽出する第一の工程と、
   抽出した臓器輪郭内の腫瘍領域を、ニューラルネットワークを用いて検出する第二の工程と、
   を備えていることを特徴とする腫瘍検出方法。
2. 前記断層画像は、Ｘ線ＣＴ画像であることを特徴とする請求項１記載の腫瘍検出方法。
3. 前記第一の工程は、
   連続した複数の前記断層画像を取得する工程と、
   前記断層画像の濃淡情報に基づいて各断層画像における所定の臓器の臓器候補領域を抽出する工程と、
   第一の断層画像において抽出した臓器候補領域から、第二の断層画像において抽出した臓器候補領域以外の非臓器候補領域を差し引くことにより、当該第一の断層画像における前記所定の臓器の臓器領域を抽出する工程と、
   を含むことを特徴とする請求項１又は２記載の腫瘍検出方法。
4. 前記第二の断層画像の臓器候補領域を所定の膨張率で膨張させ、次いで、膨張させた臓器候補領域を所定の収縮率で収縮させることにより、当該第二の断層画像における前記所定の臓器の臓器領域を抽出する工程を含むことを特徴とする請求項３記載の腫瘍検出方法。
5. 前記断層画像を２次元フーリエ変換し、パワースペクトルを算出する工程を備え、
   前記ニューラルネットワークは、算出されたパワースペクトルを入力する入力層と、一つ以上の中間層と、腫瘍領域の有無を示すパラメータを出力する出力層とから成る三層構造であることを特徴とする請求項１〜４の何れか一項に記載の腫瘍検出方法。
6. 人体の断層画像から所定の臓器輪郭を抽出する輪郭抽出手段と、
   前記輪郭抽出手段によって抽出された臓器輪郭内の腫瘍領域を、ニューラルネットワークを用いて検出する腫瘍検出手段と、
   を備えていることを特徴とする腫瘍検出装置。
7. 前記断層画像は、Ｘ線ＣＴ画像であることを特徴とする請求項６記載の腫瘍検出装置。
8. 前記輪郭抽出手段は、
   連続した複数の前記断層画像を取得する画像取得手段と、
   前記断層画像の濃淡情報に基づいて各断層画像における所定の臓器の臓器候補領域を抽出する臓器候補領域抽出手段と、
   第一の断層画像において前記臓器候補領域抽出手段によって抽出された臓器候補領域から、第二の断層画像において前記臓器候補領域抽出手段によって抽出された臓器候補領域以外の非臓器候補領域を差し引くことにより、当該第一の断層画像における前記所定の臓器の臓器領域を抽出する臓器領域抽出手段と、
   を備えていることを特徴とする請求項６又は７記載の腫瘍検出装置。
9. 前記第二の断層画像の臓器候補領域を所定の膨張率で膨張させ、次いで、膨張させた臓器候補領域を所定の収縮率で収縮させることにより、当該第二の断層画像における前記所定の臓器の臓器領域を抽出する第二の臓器領域抽出手段を含むことを特徴とする請求項８記載の腫瘍検出装置。
10. 前記断層画像を２次元フーリエ変換し、パワースペクトルを算出する入力データ算出手段を備え、
    前記ニューラルネットワークは、前記入力データ算出手段によって算出されたパワースペクトルを入力する入力層と、一つ以上の中間層と、腫瘍領域の有無を示すパラメータを出力する出力層とから成る三層構造であることを特徴とする請求項６〜９の何れか一項に記載の腫瘍検出装置。
11. 前記腫瘍検出手段によって検出された腫瘍領域を表示する表示手段と、
    前記腫瘍領域に所定の着色を施して前記表示手段に表示させる表示制御手段と、
    を備えていることを特徴とする請求項６〜１０の何れか一項に記載の腫瘍検出装置。
12. コンピュータに、
    人体の断層画像から所定の臓器輪郭を抽出する第一の機能と、
    抽出した臓器輪郭内の腫瘍領域を、ニューラルネットワークを用いて検出する第二の機能と、
    を実現させるためのプログラム。

Images