JP2006006359A - 画像生成装置、画像生成装置方法、およびそのプログラム - Google Patents
画像生成装置、画像生成装置方法、およびそのプログラム Download PDFInfo
- Publication number
- JP2006006359A JP2006006359A JP2004183333A JP2004183333A JP2006006359A JP 2006006359 A JP2006006359 A JP 2006006359A JP 2004183333 A JP2004183333 A JP 2004183333A JP 2004183333 A JP2004183333 A JP 2004183333A JP 2006006359 A JP2006006359 A JP 2006006359A
- Authority
- JP
- Japan
- Prior art keywords
- image
- small
- artificial
- region
- rib
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims description 33
- 230000002159 abnormal effect Effects 0.000 claims description 47
- 210000004072 lung Anatomy 0.000 claims description 29
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 210000003484 anatomy Anatomy 0.000 claims description 4
- 210000000038 chest Anatomy 0.000 description 43
- 230000003044 adaptive effect Effects 0.000 description 20
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 17
- 201000005202 lung cancer Diseases 0.000 description 17
- 208000020816 lung neoplasm Diseases 0.000 description 17
- 239000013598 vector Substances 0.000 description 17
- 238000001514 detection method Methods 0.000 description 15
- 206010028980 Neoplasm Diseases 0.000 description 14
- 230000008569 process Effects 0.000 description 9
- 201000011510 cancer Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 230000009466 transformation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000001370 mediastinum Anatomy 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 210000002976 pectoralis muscle Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- G06T2207/30061—Lung
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
【課題】 医用画像を比較読影する際に、使用する比較用の人工画像を効率的かつ精度よく作成する。
【解決手段】 人体等の被写体の所定の部位を撮影して得られた解剖学的特徴を有する構造物を含む医用画像において、医用画像を細分化した多数の小領域を構造物から得られる解剖学的特徴が互いに類似する小領域毎に分類する。分類された小領域のうち指定された領域について、前記構造物が正常な小領域の人工画像を生成する。
【選択図】 図1
【解決手段】 人体等の被写体の所定の部位を撮影して得られた解剖学的特徴を有する構造物を含む医用画像において、医用画像を細分化した多数の小領域を構造物から得られる解剖学的特徴が互いに類似する小領域毎に分類する。分類された小領域のうち指定された領域について、前記構造物が正常な小領域の人工画像を生成する。
【選択図】 図1
Description
本発明は、医用画像の読影による異常陰影候補の検出を支援する画像生成装置、画像生成装置方法、およびそのプログラムに関するものである。
従来より、医療分野においては、ある患者についての撮影時期が異なる2つ以上の医用画像を比較読影して、画像間の差異を調べ、その差異に基づいて異常陰影を検出したり、疾患の進行状況や治癒状況を把握して治療方針を検討したりすることが行われている。
特に、異常陰影が初期の肺癌のような小型の陰影は見落としやすいため、このような異常陰影を検出する際には、撮影時期が異なる2つの医用画像について、画像間で画素を対応させた減算処理等を行って差異を求め、その差異を表す差異画像(経時サブトラクション画像)において、画素値が所定値以上の領域あるいは特徴的な形状、例えば略円形形状のものを異常陰影候補として検出する手法が提案されている(特許文献1等)。
しかし、比較対象となる撮影時期が異なる2つの時系列的な画像は、撮影時の患者の姿勢変化等により被写体の位置ずれが生じるため、差分画像を得る際に通常は比較対象となる画像の位置合わせが行なわれる。位置合わせを行う手法として、比較対象となる同一被写体についての2つの画像のうち少なくとも一方の画像全体に対して、回転、平行移動および拡大・縮小等の大局的位置合わせ(アフィン変換等の線形変換)や、局所領域ごとのテンプレートマッチングにより得られた対応位置関係に基づく非線形歪変換(例えば2次元多項式によるカーブフィッティングを用いた非線形歪み変換等)処理(ワーピング)による局所位置合わせ、またはこれら大局的位置合わせと局所位置合わせとを組み合わせて行う手法や、さらに位置ずれ程度の高い局所領域およびその近傍で再度位置合わせを行う手法が提案されている(特許文献2、特許文献3等)。
上記の手法は、あくまで2次元に投影された後の画像を用いて位置合わせを行うため、時系列的な画像間で患者の姿勢変化などにより大きく3次元的な変動(前傾、後傾、側旋)が生じた場合には、位置合わせしきれず、差異画像上にアーチファクト(偽像)が発生してしまい、異常陰影の検出が正確に行われなかった。また、過去に撮影された医用画像が存在しない患者の場合は、比較対象となる画像がなく、肺がんのような見落としやすい異常陰影の検出をする際に効果を発揮する差異画像による手法を上手く活用することができなかった。
そこで、被写体の正常な構造を表す正常構造画像が蓄積記憶されているデータベース中の各画像と、その各画像から抽出した解剖学的特徴の形状を教師データとして使用し、被写体の正常構造の統計的なモデル(形状変化モデル、テクスチャ変化モデル、形状とテクスチャの相関モデル)を作成し、このモデルを用いることにより、入力された画像に対応する正常構造画像を人工的に生成し、生成された正常構造画像と入力された医用画像とに基づいて異常陰影の候補領域を検出するものが提案されている(特許文献4等)。
特開2002‐158923号公報
特開平7‐37074号公報
特開2002‐32735号公報
特開2004‐41694号公報
しかしながら、上記の正常構造画像を人工的に生成する手法は、画像間で患者の姿勢変化などにより大きな3次元的変動が生じた場合や、過去に撮影された医用画像が存在しない患者の場合でも、見落としやすい小型の異常陰影の検出に効果を発揮するものであるが、通常、胸部CAD(computer aided diagnose)では検出された肺癌候補を部分的(ROI:region of interest)に切り出して、ROI毎に肺癌であるか否かの判別を行うことが行われていることからすると、胸部全体の人工画像を生成するのは非効率的である。
また、肋骨のような構造部が存在する部分と肋骨のような構造物が存在しない部分では現れる特徴が異なるため、胸部全体の人工画像を生成した場合には、部分的に元の画像とはずれた特徴を有したものが現れる場合がある。
そこで、胸部全体ではなく異常陰影が検出された注目する領域に対応した人工画像を精度よく生成することが望まれる。
本発明は、上記事情に鑑みてなされたものであり、比較読影による手法において従来に比べてより効率的でかつ精度よく異常陰影を検出することが可能となる画像生成装置、画像生成方法およびそのプログラムを提供することを目的とするものである。
本発明の画像生成装置は、人体等の被写体の所定の部位を撮影して得られた解剖学的特徴を有する構造物を含む医用画像において、該医用画像を細分化した多数の小領域を前記構造物から得られる解剖学的特徴が互いに類似する小領域毎に分類する分類手段と、
前記分類された小領域のうち少なくとも1つの小領域について、前記構造物が正常な小領域の人工画像を生成する人工画像生成手段とを備えることを特徴とするものである。
前記分類された小領域のうち少なくとも1つの小領域について、前記構造物が正常な小領域の人工画像を生成する人工画像生成手段とを備えることを特徴とするものである。
また、本発明の画像生成方法は、人体等の被写体の所定の部位を撮影して得られた解剖学的特徴を有する構造物を含む医用画像において、該医用画像を細分化した多数の小領域を前記構造物から得られる解剖学的特徴が互いに類似する小領域毎に分類する分類ステップと、
前記分類された小領域のうち少なくとも1つの小領域について、前記構造物が正常な小領域の人工画像を生成する人工画像生成ステップとを備えることを特徴とするものである。
前記分類された小領域のうち少なくとも1つの小領域について、前記構造物が正常な小領域の人工画像を生成する人工画像生成ステップとを備えることを特徴とするものである。
また、本発明のプログラムは、コンピュータを、
人体等の被写体の所定の部位を撮影して得られた解剖学的特徴を有する構造物を含む医用画像において、該医用画像を細分化した多数の小領域を前記構造物から得られる解剖学的特徴が互いに類似する小領域毎に分類する分類手段と、
前記分類された小領域のうち少なくとも1つの小領域について、前記構造物が正常な小領域の人工画像を生成する人工画像生成手段として機能させることを特徴とするものである。
人体等の被写体の所定の部位を撮影して得られた解剖学的特徴を有する構造物を含む医用画像において、該医用画像を細分化した多数の小領域を前記構造物から得られる解剖学的特徴が互いに類似する小領域毎に分類する分類手段と、
前記分類された小領域のうち少なくとも1つの小領域について、前記構造物が正常な小領域の人工画像を生成する人工画像生成手段として機能させることを特徴とするものである。
「人体等」とは、人体のみならず犬や猫などの動物のからだをも含むものである。
「被写体の所定の部位」とは、胸部や頭部や上腕部など人間や動物のからだなどの中で、それがどの辺に位置するかという観点から見た時の部分をいう。
「構造物」とは、被写体の所定の部位を構成する組織をいう。
「構造物から得られる解剖学的特徴が類似する」とは、各組織が存在する場所や各組織の構成などから得られる特徴が類似することをいう。例えば、胸部は肋骨、軟部、心臓などの組織から構成されるが、肋骨が1本のみ撮影されている箇所と肋骨が2本重なって撮影されている箇所では画素値の濃度が異なり解剖学的特徴は類似しないが、肋骨が1本のみ撮影されている箇所同士は画素値の濃度が近い値となり解剖学的特徴が類似した画像となる。また、胸部の肺野領域のうち辺縁部であるか縦隔部であるかなどの位置の相違によっても、現れる濃度やテクスチャが異なり類似しない画像となるが、同じ辺縁部内であれば肋骨が1本重なっているか2本重なっているかにより類似した画像があらわれる。
また、「構造物が正常」とは、各部位を構成する組織が正常であることを意味する。
また、画像生成装置には、医用画像から異常陰影の候補領域を検出する異常陰影検出手段をさらに備えるようにして、
前記人工画像生成手段が、前記候補領域が検出された位置を含む小領域に対応する前記人工画像を生成するものであってもよい。
前記人工画像生成手段が、前記候補領域が検出された位置を含む小領域に対応する前記人工画像を生成するものであってもよい。
また、人工画像生成手段は、前記分類された各小領域の構造物が正常であるときに該小領域毎に現れる固有の特徴を有する複数の固有画像を記憶する固有画像記憶手段を有し、
前記人工画像を生成する小領域と前記複数の固有画像それぞれとの類似度に応じた重み付けをして、該複数の固有画像を加算することにより該小領域の人工画像を生成するものであってもよい。
前記人工画像を生成する小領域と前記複数の固有画像それぞれとの類似度に応じた重み付けをして、該複数の固有画像を加算することにより該小領域の人工画像を生成するものであってもよい。
「固有画像」としては、例えば、複数の異なる正常構造の画像をサンプルとして、統計的な手法を用いて、構造物が正常であるときに各小領域毎に現れる特徴を有する画像を取得して固有画像とすることができる。
また、固有画像記憶手段に記憶される固有画像は、被写体を撮影して得られた医用画像の前記構造物が正常な前記各領域の画像に基づいて主成分分析して得た画像であってもよい。
また、前記医用画像が、前記被写体の胸部を撮影して得た胸部画像である場合には、
前記分類手段には、前記胸部画像より肺野領域を認識する肺野認識手段と、
前記胸部画像より肋骨を認識する肋骨認識手段とを有し、
肺野領域内の位置と肋骨の重なりに応じて前記多数の小領域を分類するものが望ましい。
前記分類手段には、前記胸部画像より肺野領域を認識する肺野認識手段と、
前記胸部画像より肋骨を認識する肋骨認識手段とを有し、
肺野領域内の位置と肋骨の重なりに応じて前記多数の小領域を分類するものが望ましい。
本発明によれば、人体等の被写体の所定の部位を撮影した医用画像から、細分化した多数の小領域を前記構造物から得られる解剖学的特徴が互いに類似する小領域毎に分類して、分類された小領域に対応する人工画像を生成することにより、各領域の特徴に応じた人工画像を生成することができる。さらに、胸部全体ではなく指定された小領域のみの人工画像を生成するため効率的である。
異常陰影の候補領域を検出して、候補領域が検出された位置を含む小領域に対応する人工画像を生成するようにすれば、異常陰影の存在する箇所のみの画像を生成して比較読影をすることで効率的でかつ異常陰影の検出精度を向上させることが可能である。
分類された各小領域の構造物が正常であるときに該小領域毎に現れる固有の特徴を有する複数の固有画像を予め記憶して、各小領域と前記複数の固有画像それぞれとの類似度に応じた重み付けで加算して人工画像を生成するようにすれば、特定の小領域に対応する正常構造の画像人工的に生成することが可能になる。
固有画像が、正常な前記各領域の画像に基づいて主成分分析して得た画像であれば、少ない画像を組み合わせて、様々な画像に対応した人工画像を生成することが可能である。
医用画像が胸部を撮影して得た胸部画像の場合には、肺野領域の認識と、肋骨の認識から肺野領域内の位置と肋骨の重なりに応じて小領域を分類するようにすれば、肺ガン等の異常陰影の判定を行う際にも検出精度を向上させることが可能である。
本発明の画像生成装置について、図に基づいて説明する。図1に示すように、本発明の画像生成装置1は、医用画像Pに撮影された部位を細分化した多数の小領域を解剖学的特徴が互いに類似する小領域に分類する分類手段10と、医用画像より異常陰影の候補領域を検出する異常陰影検出手段30と、検出された異常陰影の候補領域を含む小領域の構造物が正常な人工画像を生成する人工画像生成手段20とを備える。
人工画像生成手段20は、解剖学的特徴に応じて分類された各小領域の構造物が正常な構造であるときに現れる固有の特徴を有する固有画像を、分類された小領域毎に複数記憶する固有画像記憶手段21を備え、医用画像Pに撮影された部位を細分化した多数の小領域のうち指定された小領域の人工画像を、その小領域が分類された小領域に対応する固有画像を重み付け加算して人工画像を生成する。
例えば、医用画像Pが胸部を撮影した胸部画像の場合、肺野領域の位置や肋骨の重なり(具体的には、肋骨の重なりが1本であるか2本であるか)によって解剖学的に異なった特徴が現れる。また、肺ガンのような異常陰影は、肋骨上にあるか、肋骨以外のところにあるかによって、その見え方が異なってくる。そこで、本実施の形態では、以降、胸部画像に肺ガンのような異常陰影が現れた小領域の人工画像を生成する場合について具体的に説明する。
分類手段10は、肺野を認識する肺野認識手段11と、肋骨を認識する肋骨認識手段12とを備え、心胸郭の位置や肋骨の重なり具合などの解剖学的な特徴に応じて、解剖学的特長が類似する小領域に分類する。
異常陰影検出手段30は肺ガンのような異常陰影の候補領域を検出し、人工画像生成手段20は、異常陰影検出手段30より異常陰影の候補領域が検出された場所の正常構造の人工画像を生成する。
以下、本実施の形態の画像生成装置1の処理の流れを、図2のフローチャートに基づいて説明を行う。
まず、画像出力装置1に被写体の胸部画像Pが入力されると(ステップ1)、分類手段10は、肺野認識手段11により胸部画像Pから心胸郭を検出して肺野領域の認識を行い(ステップ2)、さらに、肋骨認識手段12により肺野領域より肋骨認識を行う(ステップ3)。次に、異常陰影検出手段30でガン化した部分の結節や腫瘤等の異常陰影を強調するような強調処理を行なって肺ガンのような異常陰影の候補領域を検出する(ステップ4)。そこで、分類手段10は検出された候補領域の肺野領域内の位置と、その候補領域の位置での肋骨の重なり具合に応じて、候補領域を含む小領域を分類する(ステップ5)。この分類された小領域に対応した人工画像を生成するために、人工画像生成手段20は、固有画像記憶手段21に記憶された複数の固有画像と候補領域との類似度を算出し、この類似度に応じて各固有画像を加算して人工画像を生成する(ステップ6)。
上述の各ステップを以下詳細に説明する。
(1)肺野認識(ステップ2)
胸部画像に撮影された肺野領域を心胸郭を検出することにより認識する。まず、胸部画像からガボール関数等のエッジ検出マスクを用いて心胸郭のおおよその輪郭を抽出し、抽出した心胸郭の略中心となる位置を求め、その中心位置を基準に極座標変換する。極座標平面上で、基準となる平均的な心胸郭の輪郭と略相似形のテンプレートを用いてテンプレートマッチング処理を行なうことにより心胸郭の輪郭を自動検出する。検出した心胸郭の輪郭に囲まれた領域を肺野領域として認識し、得られた肺野領域を基準にして、図3に示すような肺尖部(2、7の部分)、辺縁部(3、8の部分)、縦隔部(4、9の部分)、横隔膜下部(5、10の部分)の各領域を抽出する(例えば、本出願人が出願の特開2003−6661号公報参照)。
胸部画像に撮影された肺野領域を心胸郭を検出することにより認識する。まず、胸部画像からガボール関数等のエッジ検出マスクを用いて心胸郭のおおよその輪郭を抽出し、抽出した心胸郭の略中心となる位置を求め、その中心位置を基準に極座標変換する。極座標平面上で、基準となる平均的な心胸郭の輪郭と略相似形のテンプレートを用いてテンプレートマッチング処理を行なうことにより心胸郭の輪郭を自動検出する。検出した心胸郭の輪郭に囲まれた領域を肺野領域として認識し、得られた肺野領域を基準にして、図3に示すような肺尖部(2、7の部分)、辺縁部(3、8の部分)、縦隔部(4、9の部分)、横隔膜下部(5、10の部分)の各領域を抽出する(例えば、本出願人が出願の特開2003−6661号公報参照)。
あるいは、米国特許6549646号公報において提案されている方法を用いて、肺尖部(2、7の部分)、辺縁部(3、8の部分)、縦隔部(4、9の部分)、横隔膜下部(5、10の部分)の各領域に分割して、辺縁部を抽出するようにしてもよい。
(2)肋骨認識(ステップ3)
肋骨認識は、例えば、胸部が撮影されたサンプル画像を教師データとして、異常陰影を含まない正常構造の構造物の統計学的なモデルを予め作成しておき、そのモデルから入力された胸部画像Pに対応する肋骨形状を人工的に生成して行う。
肋骨認識は、例えば、胸部が撮影されたサンプル画像を教師データとして、異常陰影を含まない正常構造の構造物の統計学的なモデルを予め作成しておき、そのモデルから入力された胸部画像Pに対応する肋骨形状を人工的に生成して行う。
まず、多くの胸部画像から肋骨が明瞭に撮影されているサンプル画像としてN枚選択し、胸部画像を表示してマウス等のポインティングデバイスを用いて各画像の肋骨上の点を前肋骨と後肋骨とを合わせてランドマークをn点(例えば、400点)指定して教師データとして用いてモデルを予め作成する。
まず、N枚のサンプル画像の各々についてランドマークをn点指定した肋骨の形状X=(x1 ,y1 ,・・・,xi ,yi ,・・・,xn ,yn )と、N枚の肋骨の形状の平均から胸部肋骨の平均形状Xave=(xave1 ,yave1 ,・・・,xavei ,yavei ,・・・,xaven ,yaven )を求める(図4(a)参照。○は前肋骨を示し、△は後肋骨を示す)。N枚のサンプル画像の肋骨の形状Xとその平均形状Xaveとの差分ベクトルΔXj=Xj−Xave(j=1、・・・、N)を求め、N個の差分ベクトルΔXj(j=1、・・・、N)について主成分分析を行ない、第1主成分から第m主成分までの固有ベクトル(以下、主成分形状という)Ps(s=1、・・・、m)を求める。
主成分分析を行うと図4(b)、(c)に示すように、第1主成分形状P1は肋骨を図4(b)の矢印の方向に拡げる成分として現れ、第2主成分形状P2は肋骨を図4(c)の矢印の方向に拡げる成分として現れる。肋骨の任意形状のモデルは平均形状Xaveと各主成分形状Ps(s=1、・・・、m)の線形和により次式のように近似することができ、形状係数bsを変えることにより、平均形状からワーピングして様々な肋骨形状を生成することができる。
そこで、入力された胸部画像Pと一致する肋骨形状を人工的に生成するために、上記形状係数bsを求める。胸部画像Pから撮影されている肋骨の上の点を胸部画像Pからいくつか取得し、その肋骨の上の点の座標値を上式に代入して形状係数bsの解を求める(具体的には、形状係数bsと同じ数の点を代入することにより連立方程式の解として得られる)。肋骨の形状が明瞭に撮影されていない胸部画像Pであっても、求めた形状係数bsを上記の式に代入することにより肋骨の全体の形状を生成することができる。具体的には、胸部画像では後肋骨などはエッジ検出により抽出することが容易であるため、後肋骨のエッジ上の点を抽出して形状係数bsを求めることが可能である(本出願人が出願の特開2004‐41694号公報等参照)。
あるいは、別の手法として、胸部画像から肋骨のエッジを抽出し、抽出された肋骨上の点をBスプラインなどで補間して肋骨形状を抽出する手法を用いてもよい。
具体的には、図5に示すように、胸部画像から検出された肋骨のエッジの曲線上の複数の点P1、P2、P3、・・・を抽出し、これらの点を補間するBスプライン曲線P(t)を求める(図5及び図6参照)。n次のBスプライン曲線P(t)は、制御点Qi(i=1,2,・・・,n)とパラメータtで定義され下式のように表される。
また、n=3の場合の3次のBスプライン曲線P(t)は、次のように表わすこともできる。
そこで、式(2)においてt=0とすると、次式が導かれる。
制御点は図6に示すように与えられ、第2の制御点Q2と第3の制御点Q3は、肋骨のエッジを表す曲線の始点と終点の接線t1、t2上に存在する。そこで、この関係と肋骨のエッジの曲線上の点Piの位置と上記(3)式の関係を満足するように制御点Qi(i=1,2,3,・・・)を求め(詳細は、”MEDICAL IMAGING TECHNOLOGY Vol.20 No.6 November 2002,Page694-Page701”参照)、抽出したエッジ上の点をBスプライン曲線で補間して肋骨の形状を得るようにしてもよい。
(3)肺ガンの候補領域の検出(ステップ4)
異常陰影検出手段30は、まず、胸部画像P上に表れる結節等の異常陰影候補を強調する強調処理を施し強調処理画像110を作成する。胸部画像P上に撮影された癌化した部分の結節や腫瘤等の異常陰影は、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く勾配ベクトルが集中する領域として観測される。このような異常陰影は、半球状で同じ濃度の画素が同心円状に広がる形状の円形凸領域として観測され、円形凸領域は、画素値(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画素値が高く(濃度値が低く)なるという画素値の勾配が認められる。その勾配線は異常陰影の中心方向に向かって集中するもので、画素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異常陰影を検出することができることができる。
異常陰影検出手段30は、まず、胸部画像P上に表れる結節等の異常陰影候補を強調する強調処理を施し強調処理画像110を作成する。胸部画像P上に撮影された癌化した部分の結節や腫瘤等の異常陰影は、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く勾配ベクトルが集中する領域として観測される。このような異常陰影は、半球状で同じ濃度の画素が同心円状に広がる形状の円形凸領域として観測され、円形凸領域は、画素値(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画素値が高く(濃度値が低く)なるという画素値の勾配が認められる。その勾配線は異常陰影の中心方向に向かって集中するもので、画素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異常陰影を検出することができることができる。
勾配ベクトルの集中度は、具体的に、次のようにして求める。
まず、勾配ベクトルは計算対象となる画像を構成する全ての画素について、下記式(1)に示す計算式に基づいて勾配ベクトルの向きφを求める。
ここでf11 〜f55は、図7に示すように、その画素jを中心とした縦5画素×横5画素のマスクの外周上の画素に対応した画素値である。
そこで、対象となる画像を構成する全ての画素Pについて、勾配ベクトルの集中度Cを式(2)にしたがって算出する。
ここで、Nは注目画素を中心に半径lの円内に存在する画素の数、θj は、画素iとその円内の各画素jとを結ぶ直線と、その各画素jにおける上記式(1)で算出された勾配ベクトルとなす角である(図8参照)。
上記式(2)で表される集中度Cが大きな値となるのは、各画素jの勾配ベクトルの向きが集中する画素で大きな値をとる。結節や腫瘤の陰影近傍の各画素jの勾配ベクトルは、その陰影のコントラストの大小に拘らず、その腫瘤陰影の略中心部に向くため、上記集中度Cが大きな値を採る画素は、異常陰影の中心部の画素である。
また、このような集中度を評価するものの中には、異常陰影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に工夫をしたものとして、適応リングフィルタ(Adaptive ring filter)が挙げられる。
異常陰影は中心から周辺に向かって画素値が次第に大きくなるものだけではなく、肺がんに現われる結節等のように中央部分における画素値の変化が単調ではなくベクトル場が乱れて集中度が小さくなるケースもある。適応リングフィルタは、画素値が単調に変化するものだけでなく、中央部分における画素値が単調ではなくベクトル場が乱れて集中度が小さくなるケースにも適応できるものである。
適応リングフィルタのマスク領域は図9に示すリング状領域で、内側半径は適応的に決定される。内円と外円の半径をそれぞれrとRとすると、その関係は式(3)のように表される。
R=r+d (3)
ただし、dは定数である。
ただし、dは定数である。
また、適応リングフィルタの出力は、
となり、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。例えば、原画像上に現れる図10(A)に示すような円形凸領域は、白い線上で図10(B)に示すような画素値を持ち、適応リングフィルタを施すと図10(C)に示すように原画像より高い画素値が中心部分に現れる。(詳細は、例えば、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-II No.1,pp.118-125,Jan.2000.参照)。
そこで、この適応リングフィルタ処理を胸部画像Pに施して、結節や腫瘤が強調された強調処理画像110を作成する。図11では、l=20mm、d=4mmとした適応リングフィルタを用いて結節を強調した例を示す(以下、結節の検出について説明する)。図11(A)の原画像上に現れている結節(白い矢印)の部分が適応リングフィルタ処理を施すと図11(B)に示すように強調される。
しかし、心胸郭の辺縁部では、肋骨等が重なり合って撮影されるため濃度勾配の集中度が乱れ、原画像の胸部画像Pを用いて強調処理を行っても円形凸領域がうまく強調されない。そこで、辺縁部においては、背景画像の影響を除去して強調処理を行う方がよい。
具体的には、前述の胸郭を抽出方法を用いて得られた辺縁部(3、8の部分)に対して、原画像から背景画像を差し引いた差分画像120を作成し、差分画像120に対して強調処理を行うことにより、背景画像の影響を除去して結節を強調することができる。具体的には、例えば原画像をガウスフィルタでぼかした平滑化画像を原画像から差し引くことによって背景画像成分を除去することができる。
図12は、適応リングフィルタを用いて強調処理画像110を作成したときの様子を示す。図12(A)は、原画像を用いて強調処理を施して強調処理画像110を作成したときの様子を示すが、背景画像の影響を受け結節がうまく強調されていない。一方、図12(B)は、辺縁部の原画像100から、ガウスフィルタでぼかした平滑化画像を差し引いた差分画像120に、適応リングフィルタを用いて強調処理を施して強調処理画像110を作成したときの様子を示すが、背景画像の影響を受けず結節が強調されている。
次に、強調処理画像110に閾値を低い値から高い値に徐々に変えて2値化処理を施して、複数の2値化画像130を作成する。2値化処理は、与えられた閾値以上の画素値を持つ画素を第1画素値(例えば、255(白))に置き換え、閾値以下の画素の画素値を第2画素値(例えば、0(黒))に置き換えて2値化画像130を作成する。2値化処理を行うと、2値化画像130上に構造物や結節や腫瘤等の高い画素値を持つ領域が第1画素値に置き換えられ、それ以外の領域が第2の画素値に置き換えられて第1画素値を持つ画素が連なった領域が島状の孤立領域として現れる。与えられた閾値が低いときには、2値化画像130上に現れる孤立領域には背景画像に現れる白い雲状の部分等を含んで抽出されるが、閾値が高くなるに従って、背景画像を含まない結節や腫瘤や構造物等の部分のみが孤立領域として抽出される。特に、適応リングフィルタを用いて強調された結節や腫瘤は、他の構造物と比較しても画素値が高く、高い閾値で2値化した2値化画像130上にも孤立領域として現われる。このことから、高い閾値で2値化した2値化画像130上に現れる孤立領域が異常陰影の可能性が高いものといえる。
図13に、閾値を変えて2値化処理を行った一例を示す。図13(A)は、胸部画像Pの原画像に対して適応リングフィルタ処理を施して円形凸領域を強調した強調処理画像110である。この強調処理画像110は8ビットで量子化したもので、0〜255の階調を持つ。この強調処理画像110に対して100を閾値として2値化処理を施すと、図13(B)に示すような2値化画像130となり、白い孤立領域(第1の画素値に置き換えられた領域)が現れる。さらに、4刻みで閾値を変えていき39段階の2値化画像130を作成し、各2値化画像130から孤立領域を抽出する。図13(C)、(D)は、閾値、176、252で2値化した2値化画像130の例である。
結節は上述の孤立領域が円に近い形状で現れ面積が小さいという特徴がある。一方、背景画像が含まれて抽出された孤立領域や構造物が抽出された孤立領域は、円形度が低く、面積が大きいものが多い。そこで、2値化処理して得た複数の2値化画像130の各々から抽出した孤立領域のうち所定の値以下の円形度と所定値以下の大きさを持つものを結節の候補として抽出する。
円形度cは、例えば、抽出された孤立領域の面積Aとその周長Lから以下のようにして求める。
面積Aを持つ正円の半径Rは、
となり、面積Aを持つ正円の円周の長さL1は、
となる。そこで、円形度cは、孤立領域の周長の長さLと面積Aを持つ正円の円周の長さL1から、
として求める。
具体的には、胸部画像で結節の陰影を判定する場合は、各2値化画像130上に現れた孤立領域のうち、円形度が0.7以上で、2.26mm<半径<4.94mmとなる孤立領域を結節の候補領域として抽出するのが適当である。
また、適応リングフィルタで強調された結節は、図10に示すように、原画像上に現れる結節より中心部分に高い画素値が現れるため、閾値を変えても同じ位置に孤立領域として現れる場合が多い。そこで、閾値を段階的に変えて2値化画像130を作成した場合、結節の候補が同じ位置で拾い上げられる回数が多いものを結節の候補領域として検出する。
以上、結節の検出について説明したが、適応リングフィルタの大きさや2値化画像による判定方法を変えることにより、結節に限らず腫瘤についても検出を行うことが可能である。
(4)分類(ステップ5)
次に、解剖学的特徴に基づいて肺野領域を分類する方法について説明する。まず、分類手段10は、ステップ2の肺野認識により検出した心胸郭の輪郭を基準に図3に示す肺尖部(2、7の部分)、辺縁部(3、8の部分)、縦隔部(4、9の部分)、横隔膜下部(5、10の部分)のいずれの位置にあるかを区分けする。
次に、解剖学的特徴に基づいて肺野領域を分類する方法について説明する。まず、分類手段10は、ステップ2の肺野認識により検出した心胸郭の輪郭を基準に図3に示す肺尖部(2、7の部分)、辺縁部(3、8の部分)、縦隔部(4、9の部分)、横隔膜下部(5、10の部分)のいずれの位置にあるかを区分けする。
まず、図14に示すように、左肺(あるいは、右肺)の心胸郭の外側の位置のX座標を0とし内側の位置のX座標を1となるようにX方向の座標値を正規化し、心胸郭の上部の位置のY座標を0とし下部の位置のY座標を1となるようにY方向の座標値を正規化する。
例えば、異常陰影検出手段30により検出された肺ガンの候補領域の中心位置の座標を、胸部画像Pの左上を原点として表わしたときに、座標値が(x、y)のとき、肺ガンの候補領域の中心位置を通るY方向の直線が心胸郭と交わった2点のY座標がyup(最上部の点)とydown(最下部の点)の場合には、正規化したときのY座標値newyは、
newy=(y −yup)/(ydown −yup)
となる。同様に、肺ガンの候補領域の中心位置を通るX方向の直線が心胸郭と交わった2点のY座標がxup(最上部の点)とxdown(最下部の点)の場合には、正規化したときのY座標値newxは、
newx=(xout −x)/( xout −xin)
となる。ただし、心胸郭の縦隔部(4、9の部分)内では、常にx=1.0とする。
newy=(y −yup)/(ydown −yup)
となる。同様に、肺ガンの候補領域の中心位置を通るX方向の直線が心胸郭と交わった2点のY座標がxup(最上部の点)とxdown(最下部の点)の場合には、正規化したときのY座標値newxは、
newx=(xout −x)/( xout −xin)
となる。ただし、心胸郭の縦隔部(4、9の部分)内では、常にx=1.0とする。
この正規化された座標値に基づいて、図15に示すように11個に区分けする。
(1) 0≦newx<0.1,0≦newy<0.25
(2) 0.1≦newx<0.8,0≦newy<0.25
(3) 0.8≦newx<1.0,0≦newy<0.25
(4) 0≦newx<0.25,0.25≦newy<0.75
(5) 0.25≦newx<0.6,0.25≦newy<0.75
(6) 0.6≦newx<1.0,0.25≦newy<0.75
(7) 0≦newx<0.25,0.75≦newy<1.0
(8) 0.25≦newx<0.6,0.75≦newy<1.0
(9) 0.6≦newx<1.0,0.75≦newy<1.0
(10) newx=1.0
(11) newy=1.0
(1) 0≦newx<0.1,0≦newy<0.25
(2) 0.1≦newx<0.8,0≦newy<0.25
(3) 0.8≦newx<1.0,0≦newy<0.25
(4) 0≦newx<0.25,0.25≦newy<0.75
(5) 0.25≦newx<0.6,0.25≦newy<0.75
(6) 0.6≦newx<1.0,0.25≦newy<0.75
(7) 0≦newx<0.25,0.75≦newy<1.0
(8) 0.25≦newx<0.6,0.75≦newy<1.0
(9) 0.6≦newx<1.0,0.75≦newy<1.0
(10) newx=1.0
(11) newy=1.0
次に、肋骨認識により検出した肋骨の位置から、肋骨があるところかないところかや肋骨の重なりを求めて、これを表す肋骨特徴量よって、(1)から(9)の領域に属する肺ガンの候補領域を含む小領域をさらに3つに分類する。小領域には、一部に肋骨が1本重なっている画像を含み、一部には肋骨がない部分を含むような場合があるので、肋骨の特徴量は小領域に含まれる肋骨の重なりを平均したものを用いて分類する。
(a) 肋骨特徴量=0 ; 肋骨なし
(b) 0<肋骨特徴量≦1.0 ; 肋骨1本重なり
(c) 1.0<肋骨特徴量 ; 肋骨2本重なり
以上より、肺野領域は29(=9×3+2)通りの小領域に分類される。
(a) 肋骨特徴量=0 ; 肋骨なし
(b) 0<肋骨特徴量≦1.0 ; 肋骨1本重なり
(c) 1.0<肋骨特徴量 ; 肋骨2本重なり
以上より、肺野領域は29(=9×3+2)通りの小領域に分類される。
(5)人工画像生成(ステップ6)
次に、人工画像生成手段20で分類された各小領域の人工画像を生成する方法について説明する。まず、分類された各小領域の構造物が正常な構造であるときに現れる固有の特徴を有する複数の固有画像を、主成分分析により生成する方法について説明する。固有画像は、上記の分類手段10に分類された各小領域毎に生成する。例えば、上記の(4)に属する小領域で肋骨の特徴量が(b)(肋骨1本重なり)の場合(以下、カテゴリ4-1と記載する)を例に説明する。図16に示すように、異常陰影が撮影されていない正常な胸部画像からカテゴリ4-1に属する80画素×80画素の矩形の小領域を抽出してサンプル画像としてM枚(同図(a))選択して教師データとして用いる。図16では、肋骨が1本重なっているところを主に抽出しているがその周辺の領域を含んで主成分分析を行っている。
次に、人工画像生成手段20で分類された各小領域の人工画像を生成する方法について説明する。まず、分類された各小領域の構造物が正常な構造であるときに現れる固有の特徴を有する複数の固有画像を、主成分分析により生成する方法について説明する。固有画像は、上記の分類手段10に分類された各小領域毎に生成する。例えば、上記の(4)に属する小領域で肋骨の特徴量が(b)(肋骨1本重なり)の場合(以下、カテゴリ4-1と記載する)を例に説明する。図16に示すように、異常陰影が撮影されていない正常な胸部画像からカテゴリ4-1に属する80画素×80画素の矩形の小領域を抽出してサンプル画像としてM枚(同図(a))選択して教師データとして用いる。図16では、肋骨が1本重なっているところを主に抽出しているがその周辺の領域を含んで主成分分析を行っている。
まず、M枚のサンプル画像(80画素×80画素)に含まれる6400画素の画素値を成分とする画像ベクトルQ=(q1,1,・・・,q1,80,q2,1,・・・,q2,80,・・・,qi,j,・・・,q80,1,・・・,q80,80)ついて(図17参照)主成分分析を行い、固有ベクトル(固有画像)を求める。図16に、サンプル画像を主成分分析して、上位9つの主成分ベクトルを求めて固有画像(80画素×80画素)Q1,Q2,・・・,Q9を取得した例を示す。得られた固有画像Q1,Q2,・・・,Q9はそれぞれ一次独立となり、固有画像Q1,Q2,・・・,Q9の線形和により人工画像を生成することができる。
例えば、異常陰影検出手段30により検出された肺ガンの候補領域がカテゴリ4-bに属する場合には、肺ガンの候補領域を含んだ80画素×80画素の小領域の画像Rを胸部画像Pより切り取り、画像Rと各固有画像Q1,Q2,・・・,Q9との相関値a1, a2,・・・, a9を取得する。これより、小領域の画像Rに対応する人工画像R-modelは、
R-model=a1×Q1+ a2×Q2+・・・+a9×Q9
より生成される。
R-model=a1×Q1+ a2×Q2+・・・+a9×Q9
より生成される。
ここでは、サンプル画像を主成分分析して人工画像を生成する場合について説明したが、肋骨認識で説明した手法と同様に、まず、サンプル画像の平均画像を求め、平均画像と各サンプル画像との差分画像を主成分分析して、平均画像をワープして人工画像を生成するようにしてもよい。
図18(a)(カテゴリ4-1)に、カテゴリ4-1にガンが存在する画像に対応した正常構造の人工画像を生成した一例を示す。カテゴリ4-1にガンが存在する原画像から人工画像を差し引くとガンのところが黒くに現れているようすがわかる。
一方、図18(b)(カテゴリ4-1)には、ガンが存在しないカテゴリ4-1の画像に対応した人工画像を生成した一例を示す。カテゴリ4-1にガンが存在しないため、原画像から人工画像を差し引くと画像全体が一様な濃度を示す。
また、上記の人工画像生成手段20で生成された人工画像R-modelと小領域の画像Rとの最小自乗距離や正規化相互相関を特徴量の1つとして用いて、他の特徴量と組み合わせてSVM(support vector machine)やマハラノビス距離やニューラルネットワークなどの判別器(具体例として、本出願人が出願の特開平9-167238号公報、特開2002-74325号公報などを参照)により、異常陰影であるか否かの判別を行うようにしてもよい。
以上、異常陰影が検出された候補領域に対応する人工画像を生成する場合について説明したが、表示装置上に表示された画像から人工画像を生成する位置を指定し、指定された位置の人工画像を生成するようにしてもよい。
以上、胸部画像について説明したが、乳房画像においても胸筋領域、乳腺領域、脂肪領域などに区分けして(例えば、本出願人出願の特開2003-334183公報参照)、人工画像を生成するようにしてもよい。
また、上述の処理をコンピュータ上で実行するプログラムをCD−ROMやネットワークを介してパソコン等のコンピュータにインストールしたものを画像生成装置とすることができる。
以上詳細に説明したように、解剖学的特徴を有する構造物を含む医用画像を細分化し、各小領域を分類して分類された小領域毎にベースとなる固有画像を生成して、固有画像から人工画像を生成するため、その小領域にあった特長が現れた画像を生成することができ人工画像の精度を上げることが可能である。また、部分的な画像を生成するため、全体の画像を生成するより効率的に画像を生成することが可能になる。
1 画像生成装置
10 分類手段
11 肺野認識手段
12 肋骨認識手段
20 人工画像生成手段
21 固有画像記憶手段
30 異常陰影検出手段
P 医用画像
10 分類手段
11 肺野認識手段
12 肋骨認識手段
20 人工画像生成手段
21 固有画像記憶手段
30 異常陰影検出手段
P 医用画像
Claims (7)
- 人体等の被写体の所定の部位を撮影して得られた解剖学的特徴を有する構造物を含む医用画像において、該医用画像を細分化した多数の小領域を前記構造物から得られる解剖学的特徴が互いに類似する小領域毎に分類する分類手段と、
前記分類された小領域のうち少なくとも1つの小領域について、前記構造物が正常な小領域の人工画像を生成する人工画像生成手段とを備えることを特徴とする画像生成装置。 - 前記医用画像から異常陰影の候補領域を検出する異常陰影検出手段をさらに備え、
前記人工画像生成手段が、前記候補領域が検出された位置を含む小領域に対応する前記人工画像を生成するものであることを特徴とする請求項1記載の画像生成装置。 - 前記人工画像生成手段が、
前記分類された各小領域の構造物が正常であるときに該小領域毎に現れる固有の特徴を有する複数の固有画像を記憶する固有画像記憶手段を有し、
前記人工画像を生成する小領域と前記複数の固有画像それぞれとの類似度に応じた重み付けをして、該複数の固有画像を加算することにより該小領域の人工画像を生成するものであることを特徴とする請求項1または2記載の画像生成装置。 - 前記固有画像記憶手段に記憶される固有画像が、被写体を撮影して得られた医用画像の前記構造物が正常な前記各領域の画像に基づいて主成分分析して得た画像であることを特徴とする請求項3記載の画像生成装置。
- 前記医用画像が、前記被写体の胸部を撮影して得た胸部画像であり、
前記分類手段が、
前記胸部画像より肺野領域を認識する肺野認識手段と、
前記胸部画像より肋骨を認識する肋骨認識手段とを有し、
肺野領域内の位置と肋骨の重なりに応じて前記多数の小領域を分類するものであることを特徴とする請求項1から4いずれか記載の画像生成装置。 - 人体等の被写体の所定の部位を撮影して得られた解剖学的特徴を有する構造物を含む医用画像において、該医用画像を細分化した多数の小領域を前記構造物から得られる解剖学的特徴が互いに類似する小領域毎に分類する分類ステップと、
前記分類された小領域のうち少なくとも1つの小領域について、前記構造物が正常な小領域の人工画像を生成する人工画像生成ステップとを備えることを特徴とする画像生成方法。 - コンピュータを、
人体等の被写体の所定の部位を撮影して得られた解剖学的特徴を有する構造物を含む医用画像において、該医用画像を細分化した多数の小領域を前記構造物から得られる解剖学的特徴が互いに類似する小領域毎に分類する分類手段と、
前記分類された小領域のうち少なくとも1つの小領域について、前記構造物が正常な小領域の人工画像を生成する人工画像生成手段として機能させるプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004183333A JP2006006359A (ja) | 2004-06-22 | 2004-06-22 | 画像生成装置、画像生成装置方法、およびそのプログラム |
US11/157,812 US7724936B2 (en) | 2004-06-22 | 2005-06-22 | Image generation apparatus and image generation method for detecting abnormalities |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004183333A JP2006006359A (ja) | 2004-06-22 | 2004-06-22 | 画像生成装置、画像生成装置方法、およびそのプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2006006359A true JP2006006359A (ja) | 2006-01-12 |
Family
ID=35514941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004183333A Withdrawn JP2006006359A (ja) | 2004-06-22 | 2004-06-22 | 画像生成装置、画像生成装置方法、およびそのプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US7724936B2 (ja) |
JP (1) | JP2006006359A (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008043759A (ja) * | 2006-08-15 | 2008-02-28 | General Electric Co <Ge> | 相互作用方式の画像位置合わせのシステム及び方法 |
JP2008229161A (ja) * | 2007-03-22 | 2008-10-02 | Fujifilm Corp | 画像成分分離装置、方法、およびプログラム、ならびに、正常画像生成装置、方法、およびプログラム |
JP2009254793A (ja) * | 2008-03-28 | 2009-11-05 | Mitsubishi Space Software Kk | 電子機器植え込み検出装置、及び、警告システム、及び、プログラム、及び、電子機器植え込み検出方法 |
US8081811B2 (en) | 2007-04-12 | 2011-12-20 | Fujifilm Corporation | Method, apparatus, and program for judging image recognition results, and computer readable medium having the program stored therein |
JP2014113364A (ja) * | 2012-12-11 | 2014-06-26 | Panasonic Corp | 診断支援装置および診断支援方法 |
US8977005B2 (en) | 2010-09-17 | 2015-03-10 | Nec Corporation | Carried item region extraction device, carried item region extraction method, and computer readable medium |
US10964020B2 (en) | 2017-03-10 | 2021-03-30 | Fujitsu Limited | Similar case image search program, similar case image search apparatus, and similar case image search method |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070081706A1 (en) * | 2005-09-28 | 2007-04-12 | Xiang Zhou | Systems and methods for computer aided diagnosis and decision support in whole-body imaging |
US20070086639A1 (en) * | 2005-10-13 | 2007-04-19 | Fujifilm Corporation | Apparatus, method, and program for image processing |
JP4690204B2 (ja) * | 2006-01-16 | 2011-06-01 | 富士フイルム株式会社 | 画像再生装置およびそのプログラム |
US20080123929A1 (en) * | 2006-07-03 | 2008-05-29 | Fujifilm Corporation | Apparatus, method and program for image type judgment |
US8150135B2 (en) * | 2007-06-04 | 2012-04-03 | Siemens Computer Aided Diagnosis Ltd. | Identifying ribs in lung X-rays |
JP4489800B2 (ja) * | 2007-08-30 | 2010-06-23 | 株式会社スクウェア・エニックス | 画像生成装置及び方法、並びにプログラム及び記録媒体 |
JP4459993B2 (ja) * | 2007-10-03 | 2010-04-28 | 株式会社スクウェア・エニックス | 画像生成装置、画像生成プログラム及び画像生成プログラム記録媒体 |
US8254716B2 (en) * | 2007-12-12 | 2012-08-28 | Intel Corporation | Method for adaptive image enhancement |
GB0803064D0 (en) * | 2008-02-20 | 2008-03-26 | Siemens Medical Solutions | System for defining volumes of interest with reference to anatomical features |
US20110222752A1 (en) * | 2008-04-08 | 2011-09-15 | Three Palm Software | Microcalcification enhancement from digital mammograms |
JP5011453B2 (ja) * | 2010-06-30 | 2012-08-29 | オリンパスメディカルシステムズ株式会社 | 画像処理装置及び画像処理装置の制御方法 |
JP5976293B2 (ja) * | 2010-10-08 | 2016-08-23 | 東芝メディカルシステムズ株式会社 | 画像処理装置及び画像処理方法 |
US9392992B2 (en) * | 2012-02-28 | 2016-07-19 | Siemens Medical Solutions Usa, Inc. | High intensity focused ultrasound registration with imaging |
US9730655B2 (en) | 2013-01-21 | 2017-08-15 | Tracy J. Stark | Method for improved detection of nodules in medical images |
EP3258834A4 (en) * | 2015-02-19 | 2018-09-26 | Ramot at Tel-Aviv University Ltd. | Chest radiograph (cxr) image analysis |
CN111656398A (zh) * | 2018-01-29 | 2020-09-11 | 日本电气株式会社 | 图像处理设备、图像处理方法和记录介质 |
CN111476777B (zh) * | 2020-04-07 | 2023-08-22 | 上海联影智能医疗科技有限公司 | 胸片图像处理方法、系统、可读存储介质和设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5359513A (en) * | 1992-11-25 | 1994-10-25 | Arch Development Corporation | Method and system for detection of interval change in temporally sequential chest images |
US5790690A (en) * | 1995-04-25 | 1998-08-04 | Arch Development Corporation | Computer-aided method for automated image feature analysis and diagnosis of medical images |
JP4294881B2 (ja) * | 2000-05-12 | 2009-07-15 | 富士フイルム株式会社 | 画像の位置合わせ方法および装置 |
JP2002158923A (ja) | 2000-11-20 | 2002-05-31 | Fuji Photo Film Co Ltd | 異常陰影検出方法および装置 |
JP2002324238A (ja) * | 2001-04-26 | 2002-11-08 | Fuji Photo Film Co Ltd | 画像の位置合わせ方法および装置 |
JP2004041694A (ja) * | 2002-05-13 | 2004-02-12 | Fuji Photo Film Co Ltd | 画像生成装置およびプログラム、画像選択装置、画像出力装置、画像提供サービスシステム |
-
2004
- 2004-06-22 JP JP2004183333A patent/JP2006006359A/ja not_active Withdrawn
-
2005
- 2005-06-22 US US11/157,812 patent/US7724936B2/en active Active
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008043759A (ja) * | 2006-08-15 | 2008-02-28 | General Electric Co <Ge> | 相互作用方式の画像位置合わせのシステム及び方法 |
JP2008229161A (ja) * | 2007-03-22 | 2008-10-02 | Fujifilm Corp | 画像成分分離装置、方法、およびプログラム、ならびに、正常画像生成装置、方法、およびプログラム |
US8081811B2 (en) | 2007-04-12 | 2011-12-20 | Fujifilm Corporation | Method, apparatus, and program for judging image recognition results, and computer readable medium having the program stored therein |
JP2009254793A (ja) * | 2008-03-28 | 2009-11-05 | Mitsubishi Space Software Kk | 電子機器植え込み検出装置、及び、警告システム、及び、プログラム、及び、電子機器植え込み検出方法 |
US8977005B2 (en) | 2010-09-17 | 2015-03-10 | Nec Corporation | Carried item region extraction device, carried item region extraction method, and computer readable medium |
JP2014113364A (ja) * | 2012-12-11 | 2014-06-26 | Panasonic Corp | 診断支援装置および診断支援方法 |
US10964020B2 (en) | 2017-03-10 | 2021-03-30 | Fujitsu Limited | Similar case image search program, similar case image search apparatus, and similar case image search method |
Also Published As
Publication number | Publication date |
---|---|
US7724936B2 (en) | 2010-05-25 |
US20060004282A1 (en) | 2006-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2006006359A (ja) | 画像生成装置、画像生成装置方法、およびそのプログラム | |
JP2006325937A (ja) | 画像判定装置、画像判定方法およびそのプログラム | |
CN109635846B (zh) | 一种多类医学图像判断方法和系统 | |
JP4999163B2 (ja) | 画像処理方法および装置ならびにプログラム | |
JP5864542B2 (ja) | 画像の異常を検出するための画像データの処理方法、システムおよびプログラム | |
Schilham et al. | A computer-aided diagnosis system for detection of lung nodules in chest radiographs with an evaluation on a public database | |
JP4879028B2 (ja) | 画像処理方法および画像解析方法ならびにプログラム記憶媒体 | |
WO2021129325A1 (zh) | 超声图像病灶的分割方法、装置和计算机设备 | |
Wan Ahmad et al. | Lung segmentation on standard and mobile chest radiographs using oriented Gaussian derivatives filter | |
JP5279245B2 (ja) | クラスタ変更グラフ・カットを使用する検出の方法および装置 | |
JPH10500321A (ja) | 医用コンピュータ断層撮影スキャンで病変を検出するための自動化された方法およびシステム | |
CN105828691B (zh) | 图像处理装置、图像处理方法 | |
JP2006034585A (ja) | 画像表示装置、画像表示方法およびそのプログラム | |
Shariaty et al. | Texture appearance model, a new model-based segmentation paradigm, application on the segmentation of lung nodule in the CT scan of the chest | |
US7480401B2 (en) | Method for local surface smoothing with application to chest wall nodule segmentation in lung CT data | |
CN109978004B (zh) | 图像识别方法及相关设备 | |
CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
Sivanesan et al. | Unsupervised medical image segmentation with adversarial networks: From edge diagrams to segmentation maps | |
JP2008503294A (ja) | 識別方法、コンピュータプログラム及びコンピュータプログラム装置 | |
JP2008503294A6 (ja) | 識別方法、コンピュータプログラム及びコンピュータプログラム装置 | |
JP2006130212A (ja) | 異常陰影候補検出方法、および装置、ならびにプログラム | |
CN113780421B (zh) | 基于人工智能的脑部pet影像识别方法 | |
CN113962957A (zh) | 医学图像处理方法、骨骼图像处理方法、装置、设备 | |
JP6132485B2 (ja) | 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム | |
JP2004188202A (ja) | デジタル胸部放射線写真の自動分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20061207 |
|
A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20070904 |