JP2005245830A - 腫瘍検出方法、腫瘍検出装置及びプログラム - Google Patents
腫瘍検出方法、腫瘍検出装置及びプログラム Download PDFInfo
- Publication number
- JP2005245830A JP2005245830A JP2004062189A JP2004062189A JP2005245830A JP 2005245830 A JP2005245830 A JP 2005245830A JP 2004062189 A JP2004062189 A JP 2004062189A JP 2004062189 A JP2004062189 A JP 2004062189A JP 2005245830 A JP2005245830 A JP 2005245830A
- Authority
- JP
- Japan
- Prior art keywords
- organ
- region
- tomographic image
- tumor
- liver
- 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
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 73
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 210000000056 organ Anatomy 0.000 claims description 97
- 238000000605 extraction Methods 0.000 claims description 34
- 238000001228 spectrum Methods 0.000 claims description 20
- 230000008602 contraction Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004040 coloring Methods 0.000 claims description 2
- 210000001835 viscera Anatomy 0.000 abstract 2
- 210000004185 liver Anatomy 0.000 description 111
- 206010019695 Hepatic neoplasm Diseases 0.000 description 32
- 208000014018 liver neoplasm Diseases 0.000 description 32
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000009499 grossing Methods 0.000 description 5
- 210000001015 abdomen Anatomy 0.000 description 4
- 230000003187 abdominal effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 206010047700 Vomiting Diseases 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 208000021550 spleen neoplasm Diseases 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
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
【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
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)
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
(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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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)。
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。
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、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、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。
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。
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。
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。
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)
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)
- 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。 - 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。
- 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。 - 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。
- 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。 - 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。 - 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。
- 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。 - 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。
- 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。 - 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004062189A JP2005245830A (ja) | 2004-03-05 | 2004-03-05 | 腫瘍検出方法、腫瘍検出装置及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004062189A JP2005245830A (ja) | 2004-03-05 | 2004-03-05 | 腫瘍検出方法、腫瘍検出装置及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2005245830A true JP2005245830A (ja) | 2005-09-15 |
Family
ID=35026876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004062189A Pending JP2005245830A (ja) | 2004-03-05 | 2004-03-05 | 腫瘍検出方法、腫瘍検出装置及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2005245830A (ja) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101010927B1 (ko) * | 2008-11-26 | 2011-01-25 | 서울대학교산학협력단 | 전산화단층촬영을 이용한 가상대장내시경에서 자동화된 용종 검출 방법과 이를 이용한 용종 검출 시스템 |
WO2011033890A1 (ja) * | 2009-09-17 | 2011-03-24 | シャープ株式会社 | 診断処理装置、診断処理システム、診断処理方法、診断処理プログラム及びコンピュータ読み取り可能な記録媒体、並びに、分類処理装置 |
WO2013005455A1 (ja) * | 2011-07-06 | 2013-01-10 | 国立大学法人東京大学 | 形状抽出方法及び形状抽出システム |
WO2019003813A1 (ja) * | 2017-06-29 | 2019-01-03 | 住友化学株式会社 | 特異部検知システム及び特異部検知方法 |
CN110163870A (zh) * | 2019-04-24 | 2019-08-23 | 艾瑞迈迪科技石家庄有限公司 | 一种基于深度学习的腹部体影像肝脏分割方法及装置 |
JP2019530488A (ja) * | 2016-08-01 | 2019-10-24 | 12 シグマ テクノロジーズ | 深層畳み込みニューラルネットワークを使用した医用画像のためのコンピュータ支援による診断システム |
JP2020092767A (ja) * | 2018-12-11 | 2020-06-18 | キヤノンメディカルシステムズ株式会社 | 画像解析装置、画像診断装置、モデル学習装置、及びroi設定プログラム |
JP2022529557A (ja) * | 2019-04-22 | 2022-06-23 | テンセント・テクノロジー・(シェンジェン)・カンパニー・リミテッド | 医用画像分割方法、医用画像分割装置、電子機器及びコンピュータプログラム |
-
2004
- 2004-03-05 JP JP2004062189A patent/JP2005245830A/ja active Pending
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101010927B1 (ko) * | 2008-11-26 | 2011-01-25 | 서울대학교산학협력단 | 전산화단층촬영을 이용한 가상대장내시경에서 자동화된 용종 검출 방법과 이를 이용한 용종 검출 시스템 |
WO2011033890A1 (ja) * | 2009-09-17 | 2011-03-24 | シャープ株式会社 | 診断処理装置、診断処理システム、診断処理方法、診断処理プログラム及びコンピュータ読み取り可能な記録媒体、並びに、分類処理装置 |
US20120183187A1 (en) * | 2009-09-17 | 2012-07-19 | Sharp Kabushiki Kaisha | Diagnosis processing device, diagnosis processing system, diagnosis processing method, diagnosis processing program and computer-readable recording medium, and classification processing device |
US8798345B2 (en) * | 2009-09-17 | 2014-08-05 | Sharp Kabushiki Kaisha | Diagnosis processing device, diagnosis processing system, diagnosis processing method, diagnosis processing program and computer-readable recording medium, and classification processing device |
WO2013005455A1 (ja) * | 2011-07-06 | 2013-01-10 | 国立大学法人東京大学 | 形状抽出方法及び形状抽出システム |
JPWO2013005455A1 (ja) * | 2011-07-06 | 2015-02-23 | 国立大学法人 東京大学 | 形状抽出方法及び形状抽出システム |
US9336598B2 (en) | 2011-07-06 | 2016-05-10 | The University Of Tokyo | Shape-extraction method and shape-extraction system |
JP2019530488A (ja) * | 2016-08-01 | 2019-10-24 | 12 シグマ テクノロジーズ | 深層畳み込みニューラルネットワークを使用した医用画像のためのコンピュータ支援による診断システム |
JPWO2019003813A1 (ja) * | 2017-06-29 | 2019-06-27 | 住友化学株式会社 | 特異部検知システム及び特異部検知方法 |
WO2019003813A1 (ja) * | 2017-06-29 | 2019-01-03 | 住友化学株式会社 | 特異部検知システム及び特異部検知方法 |
JP2020092767A (ja) * | 2018-12-11 | 2020-06-18 | キヤノンメディカルシステムズ株式会社 | 画像解析装置、画像診断装置、モデル学習装置、及びroi設定プログラム |
JP7304150B2 (ja) | 2018-12-11 | 2023-07-06 | キヤノンメディカルシステムズ株式会社 | 画像解析装置、画像診断装置、及びroi設定プログラム |
JP2022529557A (ja) * | 2019-04-22 | 2022-06-23 | テンセント・テクノロジー・(シェンジェン)・カンパニー・リミテッド | 医用画像分割方法、医用画像分割装置、電子機器及びコンピュータプログラム |
JP7180004B2 (ja) | 2019-04-22 | 2022-11-29 | テンセント・テクノロジー・(シェンジェン)・カンパニー・リミテッド | 医用画像分割方法、医用画像分割装置、電子機器及びコンピュータプログラム |
US11887311B2 (en) | 2019-04-22 | 2024-01-30 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for segmenting a medical image, and storage medium |
CN110163870A (zh) * | 2019-04-24 | 2019-08-23 | 艾瑞迈迪科技石家庄有限公司 | 一种基于深度学习的腹部体影像肝脏分割方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107909585B (zh) | 一种血管内超声影像的血管中内膜分割方法 | |
US9761004B2 (en) | Method and system for automatic detection of coronary stenosis in cardiac computed tomography data | |
TWI544898B (zh) | 決定皮膚發炎分數之裝置及方法 | |
EP1565880B1 (en) | Image processing system for automatic adaptation of a 3-d mesh model onto a 3-d surface of an object | |
CN110458817B (zh) | 医学图像的质量预测方法、装置、设备及存储介质 | |
CN110853111B (zh) | 医学影像处理系统、模型训练方法及训练装置 | |
JP5658686B2 (ja) | 貫壁性のかん流の勾配の画像分析 | |
WO2022105623A1 (zh) | 一种基于迁移学习的颅内血管病灶识别方法 | |
JP2013542046A5 (ja) | ||
JP6458166B2 (ja) | 医用画像処理方法及び装置及びシステム及びプログラム | |
WO2021038203A1 (en) | Computerised tomography image processing | |
JP3842171B2 (ja) | 断層像処理装置 | |
JP2019028887A (ja) | 画像処理方法 | |
Sakellarios et al. | Novel methodology for 3D reconstruction of carotid arteries and plaque characterization based upon magnetic resonance imaging carotid angiography data | |
CN113299363A (zh) | 一种基于yolov5的皮肤科非处方药售药方法 | |
CN112508869A (zh) | 颅内血管图像融合方法和计算机可读存储介质 | |
JP2005245830A (ja) | 腫瘍検出方法、腫瘍検出装置及びプログラム | |
CN112562058B (zh) | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 | |
JP2004313551A (ja) | 心臓の運動表示方法及び画像診断装置 | |
CN112508872A (zh) | 颅内血管图像预处理方法和电子设备 | |
CN112508880A (zh) | 颅内血管图像配准方法、电子设备和计算机可读存储介质 | |
JP7071037B2 (ja) | 推論装置、医用システム、およびプログラム | |
JP2006263282A (ja) | 子宮の蠕動運動を可視化するための画像処理装置、画像処理方法および画像診断支援システム、ならびにそのためのコンピュータプログラムおよびそれを記録した記録媒体 | |
KR20230050253A (ko) | 흉막 삼출의 검출 방법 및 이를 위한 장치 | |
JP7382059B2 (ja) | 画像処理装置、画像処理方法、およびプログラム |