JP2008142542A - 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 - Google Patents

Abstract

【課題】画像を処理する方法および装置である。
【解決手段】一実施形態に係る方法は、対象を含む画像を表すデジタル画像データにアクセスするステップと、複数のクラスタを取得するために画像の画素をクラスタ化するステップと、画像の画素および複数のクラスタ内の画素のクラスタ・メンバシップ情報を有するグラフを生成するステップと、対象に関連する画像の画素を取得するためにマックス−フローセグメント化を使用してグラフをセグメント化するステップとを含むことを特徴とする。
【選択図】図２

Description

（関連出願の相互参照）
本非仮出願は、その内容全体が参照によって本明細書に組み込まれている、本願と同時に出願された同時係属の非仮出願、名称「Ｍｅｔｈｏｄ ａｎｄ Ａｐｐａｒａｔｕｓ ｆｏｒ Ｄｅｔｅｃｔｉｏｎ Ｕｓｉｎｇ Ｇｒａｄｉｅｎｔ−Ｗｅｉｇｈｔｅｄ ａｎｄ／ｏｒ Ｄｉｓｔａｎｃｅ−Ｗｅｉｇｈｔｅｄ Ｇｒａｐｈ Ｃｕｔｓ」に関連する。

本発明は、デジタル画像処理技術に関し、特に、画像内の領域の処理およびセグメント化の方法および装置に関する。

乳房撮影画像は、胸部の医学的問題の診断に使用される強力なツールである。乳房撮影画像の重要な特徴は、胸筋領域である。胸筋領域は、胸部異常を識別するのに使用したり、乳房撮影画像の比較分析および比較処理を容易にしたり、胸部の位置および変形に関する重要な情報を伝えたり等することができる。

例えば、乳房Ｘ線像で通常示される、内外方向撮影像での胸筋は、乳房Ｘ線像の再構成および位置合せの主要な目標である。胸筋は、乳房Ｘ線像の品質を定量化するのを助けるとともに、自動品質保証に使用することができる。胸筋に重なる領域は、腫瘤の成長の疑いが非常に高いゾーンであり、偽陰性（非癌性領域）について放射線科医によって検査される。また、乳癌リスクのマーカーである乳房撮影実質パターン（ｍａｍｍｏｇｒａｐｈｉｃ ｐａｒｅｎｃｈｙｍａｌ ｐａｔｔｅｒｎ）および胸筋は、同一のテクスチャを有し、これは、腫瘤検出における偽陽性につながる。

胸筋識別は、境界およびコントラストの変動性ならびに胸部画像の不明瞭な領域に起因して、些細ではない作業である。胸筋を検出する通常の／従来の方法は、胸筋境界に線をあてはめるのに、ある発見的な勾配測定値に頼る。そのような胸筋検出技法の１つが、Ｓ．Ｋｗｏｋ、Ｒ．Ｃｈａｎｄｒａｓｅｋｈａｒ、Ｙ．Ａｔｔｉｋｉｏｕｚｅｌ、およびＭ．Ｒｉｃｋａｒｄ共著の刊行物「Ａｕｔｏｍａｔｉｃ Ｐｅｃｔｏｒａｌ Ｍｕｓｃｌｅ Ｓｅｇｍｅｎｔａｔｉｏｎ ｏｎ Ｍｅｄｉｏｌａｔｅｒａｌ Ｏｂｌｉｑｕｅ Ｖｉｅｗ Ｍａｍｍｏｇｒａｍｓ」、ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ ｖ．２３ Ｎｏ．９、２００４年９月に記載されている。この刊行物に記載の技法では、デジタル化された乳房Ｘ線像内で胸筋を自動的に抽出するための適応アルゴリズムが提案されている。この適応アルゴリズムは、内外斜方向撮影像での胸筋の位置および形状に関する知識を使用する。胸筋の縁が、まず、直線によって推定され、この直線は、位置および方位の正しさについて確認される。次に、この直線推定が、反復を使用して洗練される。しかし、この技法は、手元にあるデータについてアルゴリズムをチューニングするために、デジタル・データの詳細な動作前知識に頼り、多数のパラメータの調整を必要とする。この技法は、境界が曲線あてはめに従わない可能性がある場合であっても、直線または曲線を胸筋境界に強制的にあてはめる。

本願の開示される実施形態は、クラスタ変更グラフ・カット（ｃｌｕｓｔｅｒ−ｍｏｄｉｆｉｅｄ ｇｒａｐｈ ｃｕｔｓ）を使用する胸筋検出の方法および装置を使用することによって、上記および他の問題に対処する。この方法および装置は、胸部画像に関連するグラフをセグメント化して、胸筋に関連する画素を取得する。この方法および装置は、画素のクラスタ化結果をグラフ・セグメント化に組み込むことによって胸部画像に関連するグラフをセグメント化する。この方法および装置は、様々な撮影像を有する胸部画像に適用可能であり、事前のチューニングを必要としない。この方法および装置は、胸部画像以外の他のタイプの画像に適用可能であり、画像に含まれる様々な対象を検出する。

本発明は、画像処理のための方法および装置を対象とする。本発明の第１の態様によれば、画像処理方法は、対象を含む画像を表すデジタル画像データにアクセスするステップと、複数のクラスタを取得するために前記画像の画素をクラスタ化するステップと、前記画像の画素および前記複数のクラスタ内の画素のクラスタ・メンバシップ情報を有するグラフを生成するステップと、前記物体に関連する前記画像の画素を取得するためにマックス−フロー・セグメント化を使用して前記グラフをセグメント化するステップと、を含むことを特徴とする。

本発明の第２の態様によれば、画像処理方法は、対象を含む画像を表すデジタル画像データにアクセスするステップと、複数のクラスタを取得するために前記画像の画素をクラスタ化するステップと、前記画像の画素および前記複数のクラスタ内の画素のクラスタ・メンバシップ情報を有するグラフを生成するステップと、前記対象に関連する前記画像の画素を取得するためにエネルギ最小化関数を使用して前記グラフをセグメント化するステップと、を含むことを特徴とする。

本発明の第３の態様によれば、画像を処理する装置は、対象を含む画像を表すデジタル画像データにアクセスする画像データ入力ユニットと、複数のクラスタを取得するために前記画像の画素をクラスタ化するクラスタ化ユニットと、前記画像の画素および前記複数のクラスタ内の画素のクラスタ・メンバシップ情報を有するグラフを生成し、前記物体に関連する前記画像の画素を取得するためにマックス−フロー・セグメント化を使用して前記グラフをセグメント化することにより、前記対象に関連する前記画像の画素を識別するグラフ・セグメント化ユニットと、を含むことを特徴とする。

本発明のさらなる態様および利点は、添付図面と共に次の詳細な説明を読む時に明白になるであろう。

本発明の諸態様を、添付図面を参照して、付随する説明でより具体的に示す。図１は、本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニットを含むシステムの全体的なブロック図である。図１に示されたシステム１０５は、次の構成要素すなわち、画像入力ユニット２５、画像処理ユニット３５、ディスプレイ６５、画像出力ユニット５５、ユーザ入力ユニット７５、および印刷ユニット４５を含む。図１のシステム１０５の動作は、次の議論から明らかになる。

画像入力ユニット２５は、デジタル画像データを供給する。このデジタル画像データは、医療画像、乳房撮影画像、人の画像などとすることができる。画像入力ユニット２５は、放射線フィルム、診断画像、デジタル・システムなどから導出されたデジタル画像データを供給する任意の個数のデバイスのうちの１つまたは複数とすることができる。そのような入力デバイスは、例えば、フィルムに記録された画像をスキャンするスキャナ、デジタル・カメラ、デジタル乳房撮影機、ＣＤ−Ｒ、フロッピ・ディスク、およびＵＳＢデバイスなどの記録媒体、画像を格納するデータベース・システム、ネットワーク接続、画像を処理するコンピュータ・アプリケーションなどのデジタル・データを出力する画像処理システムなどとすることができる。

画像処理ユニット３５は、画像入力ユニット２５からデジタル画像データを受け取り、下で詳細に述べる形でクラスタ変更グラフ・カットを使用して対象検出を行う。ユーザ、例えば医療施設の放射線医学専門家は、画像処理ユニット３５の出力をディスプレイ６５を介して見ることができ、ユーザ入力ユニット７５を介して画像処理ユニット３５にコマンドを入力することができる。図１に示された実施形態では、ユーザ入力ユニット７５は、キーボード７６およびマウス７８を含むが、他の従来の入力デバイスを使用することもできる。

本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出の実行に加えて、画像処理ユニット３５は、ユーザ入力ユニット７５から受け取ったコマンドに従って追加の画像処理機能を実行することができる。印刷ユニット４５は、画像処理ユニット３５の出力を受け取り、処理された画像データのハード・コピーを生成する。画像処理ユニット３５の出力のハード・コピー生成に加えてまたはその代わりに、処理された画像データを、画像ファイルとして、例えばポータブル記録媒体を介してまたはネットワーク（図示せず）を介して返すことができる。画像処理ユニット３５の出力を、画像出力ユニット５５に送ることもでき、画像出力ユニット５５は、様々な目的のために画像データに対するさらなる動作を実行する。画像出力ユニット５５は、画像データのさらなる処理を実行するモジュール、画像を収集し、比較するデータベースなどとすることができる。

図２は、本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニット３５の諸態様をより詳細に示すブロック図である。図２に示すように、この実施形態による画像処理ユニット３５は、画像操作ユニット１１８、クロッピング・ユニット１２８、クラスタ化ユニット１３８、グラフ・カット・セグメント化ユニット１４８、および画像復元ユニット１５８を含む。図２の様々な構成要素は、別個の要素として図示されているが、そのような図示は、説明を簡単にするためのものであり、様々な構成要素のある種の動作を、同一の物理的デバイスによって、例えば１つまたは複数のマイクロプロセッサによって実行できることを認められたい。

一般に、図２に示された画像処理ユニット３５の要素の配置は、デジタル画像データの前処理および準備、デジタル画像データ内の画素のクラスタ化、ならびにデジタル画像データの画素およびクラスタから生成されるグラフを使用するデジタル画像データ内の様々な領域の検出を実行する。画像処理ユニット３５の動作を、次に、胸筋領域の検出のための乳房撮影画像の文脈で説明する。しかし、本発明の原理は、画像処理の他の領域およびデジタル画像データ内の他のタイプの対象の検出に同等に適用される。

画像操作ユニット１１８は、画像入力ユニット２５から乳房撮影画像を受け取り、その乳房撮影画像に対する前処理動作および準備動作を実行することができる。画像操作ユニット１１８によって実行される前処理動作および準備動作には、乳房撮影画像のサイズおよび／または外見を変更する、サイズ変更、クロッピング、圧縮、色補正などを含めることができる。

画像操作ユニット１１８は、前処理された乳房撮影画像をクロッピング・ユニット１２８に送り、クロッピング・ユニット１２８は、乳房撮影画像の一部をクロッピングする。クロッピング・ユニット１２８は、乳房撮影画像のクロッピングされた部分を、さらなる画像処理動作のために画像操作ユニット１１８に送り返すことができる。

クラスタ化ユニット１３８は、乳房撮影画像のクロッピングされた部分を受け取り、クロッピングされた部分に関連するクラスタを判定する。次に、グラフ・カット・セグメント化ユニット１４８が、クロッピングされた部分内の画素およびクラスタを使用してグラフを作成し、そのグラフをセグメント化して、乳房撮影画像内の胸筋の領域を取得する。最後に、画像復元ユニット１５８が、識別された胸筋画素を有する胸部画像を出力する。画像復元ユニット１５８は、検出結果の洗練のために、胸筋領域セグメント化の結果をクロッピング・ユニット１２８または画像操作ユニット１１８に送り返すこともできる。

画像復元ユニット１５８の出力は、画像出力ユニット５５、印刷ユニット４５、および／またはディスプレイ６５に送ることができる。図２に示された画像処理ユニット３５に含まれる構成要素の動作を、次に、図３〜１０を参照して説明する。

画像操作ユニット１１８、クロッピング・ユニット１２８、クラスタ化ユニット１３８、グラフ・カット・セグメント化ユニット１４８、および画像復元ユニット１５８は、ソフトウェア・システム／アプリケーションである。画像操作ユニット１１８、クロッピング・ユニット１２８、クラスタ化ユニット１３８、グラフ・カット・セグメント化ユニット１４８、および画像復元ユニット１５８は、ＦＰＧＡ、ＡＳＩＣなどの専用ハードウェアとすることもできる。

図３は、図２に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニット３５によって実行される動作を示す流れ図である。画像操作ユニット１１８が、画像入力ユニット２５から生のまたは前処理された胸部画像を受け取り、その胸部画像に対する前処理動作を実行する（Ｓ２０２）。前処理動作には、サイズ変更、平滑化、圧縮、色補正などを含めることができる。クロッピング・ユニット１２８は、前処理された胸部画像を受け取り、前処理された胸部画像から関心領域をクロッピングする（Ｓ２０６）。クロッピングされた関心領域は、その後、クラスタ化ユニット１３８に送られる。クロッピングされた関心領域を、その代わりに、さらなる前処理動作のために画像操作ユニット１１８に送り返すことができ、その前処理動作の後に、クロッピングされた関心領域は、クラスタ化ユニット１３８に送られる。クラスタ化ユニット１３８は、クロッピングされた関心領域内の画素クラスタを識別する（Ｓ２１０）。グラフ・カット・セグメント化ユニット１４８が、クラスタ化ユニット１３８によってクラスタを識別された、クロッピングされた関心領域を受け取り、クロッピングされた関心領域の画素およびクラスタ・データを使用してグラフを生成し、生成されたグラフを使用して、クロッピングされた関心領域内の胸筋領域のセグメント化を実行する（Ｓ２１４）。クロッピングされた関心領域内の胸筋領域のセグメント化は、画素をクロッピングされた関心領域から集合に配置する。これらの集合のうちのいくつかは、胸筋に関連し、他の集合は、胸部領域、背景領域など、非筋肉領域に関連する。

次に、グラフ・カット・セグメント化ユニット１４８が、現在のセグメント化結果に基づいて、テストを実行して、胸筋セグメント化の洗練を実行しなければならないかどうかを判定する（Ｓ２１７）。胸筋セグメント化の洗練を実行しなければならない場合には、クロッピングされた関心領域が、クロッピング・ユニット１２８または画像操作ユニット１１８に送り返される。その後、クロッピング・ユニット１２８は、胸部画像から異なる関心領域をクロッピングすることができ、画像操作ユニット１１８は、胸部画像または関心領域に対して追加のまたは新しい画像処理動作を実行することができ、クラスタ化ユニット１３８は、関心領域内の画素をもう一度クラスタ化することができる。その後、グラフ・カット・セグメント化ユニット１４８が、胸筋領域のセグメント化をもう一度実行する。

画像復元ユニット１５８が、グラフ・カット・セグメント化ユニット１４８から胸筋セグメント化の画像結果を受け取り、受け取られた画像を最初の胸部画像の解像度およびサイズに復元し、識別された胸筋領域／境界と一緒に胸部画像を出力する（Ｓ２１８）。画像復元ユニット１５８の出力は、画像出力ユニット５５、印刷ユニット４５、および／またはディスプレイ６５に送ることができる。

図４は、図２に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニット３５に含まれる画像操作ユニット１１８およびクロッピング・ユニット１２８によって実行される画像処理動作を示す流れ図である。図４の流れ図は、図３のステップＳ２０２およびＳ２０６の例示的詳細を示すものである。

画像操作ユニット１１８は、画像入力ユニット２５から生のまたは前処理された胸部画像を受け取り（Ｓ３０２）、その胸部画像の後続処理を高速化するためにその胸部画像のサイズを変更する（Ｓ３０４）。例示的実施態様では、画像操作ユニット１１８によって受け取られた１００μｍ解像度の乳房Ｘ線画像が、８００μｍにサイズを変更される。次に、サイズを変更された胸部画像が、ノイズを減らすために画像操作ユニット１１８によって平滑化され（Ｓ３０６）、高い空間周波数情報の消失を防ぐために拡散フィルタリングされ（Ｓ３０８）、ヒストグラム等化される（Ｓ３０９）。その後、画像操作ユニット１１８が、処理された胸部画像を出力する（Ｓ３１０）。クロッピング・ユニット１２８が、処理された胸部画像を画像操作ユニット１１８から受け取り、処理された胸部画像のうちで、胸筋が位置する可能性が高い部分をクロッピングする（Ｓ３１２）。胸部のＭＬＬ／ＭＬＲ撮影像を示す乳房Ｘ線像について、胸部画像の左下または右下の部分／象限がクロッピングされる。というのは、胸筋が、これらの領域の１つに位置するからである。乳房Ｘ線像の例示的集合では、クロッピングされた左下領域または右下領域は、乳房Ｘ線画像全体の約１／２の高さおよび約１／３の幅にまたがる。乳房Ｘ線像の他の撮影像について、胸部画像の異なる部分をクロッピングすることができる。クロッピングされた領域が、クロッピング・ユニット１２８によって出力される関心領域（ＲＯＩ）である。その後、このＲＯＩが、クラスタ化ユニット１３８に送られる（Ｓ３２０）。

胸部画像を処理する代替シーケンスを実行することもできる。例えば、ステップＳ３０４、Ｓ３０６、Ｓ３０８、およびＳ３０９を、胸部画像全体についてスキップし、ＲＯＩ画像について、サイズ変更、平滑化、拡散フィルタリング、およびヒストグラム等化を、ステップＳ３１４（ＲＯＩのサイズ変更）、Ｓ３１６（ＲＯＩの平滑化）、Ｓ３１８（ＲＯＩの拡散フィルタリング）およびＳ３１９（ＲＯＩのヒストグラム等化）で実行することができる。もう１つのシーケンスでは、サイズ変更を、胸部画像全体について実行し（Ｓ３０４）、平滑化、拡散フィルタリング、およびヒストグラム等化を、ＲＯＩ画像について実行することができる（Ｓ３１６、Ｓ３１８、Ｓ３１９）。もう１つのシーケンスでは、平滑化、拡散フィルタリング、およびヒストグラム等化を、胸部画像全体について実行し（Ｓ３０６、Ｓ３０８、およびＳ３０９）、サイズ変更をＲＯＩ画像について実行することができる（Ｓ３１４）。もう１つのシーケンスでは、サイズ変更および／または平滑化、拡散フィルタリング、ならびにヒストグラム等化を、胸部画像全体とＲＯＩ画像との両方について実行することができる。例示的実施態様では、元の胸部画像またはＲＯＩ画像が、ショットノイズを減らすために３×３ガウシアン・ウィンドウを用いて平滑化される（ステップＳ３０６またはＳ３１６）。図４に示されたシーケンスの終りに、ＲＯＩが、クラスタ化ユニット１３８に送られる（Ｓ３２０）。

例示的実施態様では、ＲＯＩ解像度が、ステップＳ３１４で初期の解像度の１／１６に下げられる。

図５Ａに、例示的な乳房Ｘ線画像を示す。図５Ａの胸部画像Ｉ３３０は、胸部画像内で可視の胸部および胸筋部分を示す。胸部画像Ｉ３３０内で、Ａ３３３は、胸部領域であり、Ａ３３５は、胸筋の領域であり、Ａ３３１は、背景である。

図５Ｂに、図４に示された本発明の実施形態による画像処理動作およびクロッピングの後に得られる例示的な乳房Ｘ線画像を示す。図５Ｂに示された乳房Ｘ線画像は、図５Ａの入力胸部画像Ｉ３３０に関する画像操作ユニット１１８およびクロッピング・ユニット１２８の出力である。

胸部画像Ｉ３３８は、元の画像Ｉ３３０のヒストグラム等化の後に画像操作ユニット１１８から出力される。ヒストグラム等価された胸部画像Ｉ３３８内で、Ａ＿ｈｉｓｔ３３３は、ヒストグラム等化の後の胸部であり、Ａ＿ｈｉｓｔ３３５は、ヒストグラム等化の後の胸筋領域であり、Ａ＿ｈｉｓｔ３３１は、背景である。次に、クロッピング・ユニット１２８が、ヒストグラム等価された画像Ｉ３３８から関心領域ＲＯＩ＿３３９をクロッピングする。関心領域ＲＯＩ＿３３９は、胸筋領域Ａ＿ｈｉｓｔ３３５を含むように選択される。ＲＯＩ＿３３９は、胸筋の領域Ａ＿ｈｉｓｔ３３５を示すために、図５Ｂの下部で拡大されている。

図６は、図２に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニット３５に含まれるクラスタ化ユニット１３８によって実行される動作を示す流れ図である。図６の流れ図は、図３のステップＳ２１０の詳細を説明するものである。

クラスタ化ユニット１３８は、図４に示されているように、クロッピング・ユニット１２８または画像操作ユニット１１８から胸部画像のクロッピングされた関心領域（ＲＯＩ）を受け取る。ＲＯＩには、胸部の胸筋の部分を伴う胸部画像の領域が含まれる。クラスタ化ユニット１３８は、ＲＯＩ内の画素の表現を生成する（Ｓ３５０）。次に、クラスタ化ユニット１３８は、この画素表現を使用して、クラスタ化によってＲＯＩの初期セグメント化を実行し、画素のＫ個のクラスタを取得する（Ｓ３５２）。クラスタ化ユニット１３８は、画素のＫ個のクラスを有するラベル付きマスク画像ＲＯＩを出力し（Ｓ３５６）、このラベル付きマスク画像をグラフ・カット・セグメント化ユニット１４８に送る。

１つの例示的実施態様では、Ｋ平均クラスタ化が、ステップＳ３５２で、画素クラスタを取得するのに使用された（Ｓ３５４）。

図７は、図６に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニット３５に含まれるクラスタ化ユニット１３８による関心領域の画素の表現に関する例示的動作を示す流れ図である。図７の流れ図は、図６のステップＳ３５０の例示的詳細を示すものである。

例示的実施態様では、ＲＯＩ内の画素は、画像空間内で２Ｄ表現より高次元の空間で表現される（Ｓ３８１）。この高次元空間内で、画素の表現は、画素の輝度以外の画素の複数のプロパティをエンコードする。画素は、例えば、ユークリッド空間座標、輝度、および基準点からの距離によって４次元空間で表すことができる（Ｓ３８０、Ｓ３７８、Ｓ３７６、Ｓ３７２）。基準点は、ＲＯＩがそれから抽出された乳房Ｘ線画像の撮影像に応じて、ＲＯＩの右下角または左下角とすることができる（Ｓ３７４）。基準点は、胸筋に属する可能性が高い画素として選択することができる。その後、４次元画素表現が、ＲＯＩ内のすべての画素について取得される。

ユークリッド空間座標は、ｘｙ座標、極座標、円柱座標などとすることができる。上で述べた画素プロパティ／パラメータより多数の画素プロパティ／パラメータまたはより少数の画素プロパティ／パラメータをエンコードする画素の他のより高次元のまたはより低次元の表現を取得することもできる。

次に、クラスタ化ユニット１３８は、図６のステップＳ３５４で説明したように、この画素表現を使用し、例示的実施態様ではＫ平均クラスタ化を実行する。一実施態様で、Ｋ平均クラスタ化は、クラスタの重心に対する相対的な距離計量が最小化されるように、４次元画素表現のグループをクラスタに分割する。４次元画素表現はクラスタに割り当てられ、その後、クラスタ重心の位置が判定される。最小化すべき距離計量の値も判定される。４次元画素表現の一部は、その後、距離計量最小化のために異なるクラスタに再割りてされる。新しいクラスタ重心が判定され、最小化すべき距離計量が再度計算される。４次元画素表現の再割り当て手順は、クラスタを洗練するために、すなわちクラスタの重心に対する相対的な距離計量を最小にするために継続される。Ｋ平均クラスタ化法での収束は、画素がそのクラスタ・メンバシップを変更しなくなった時に達成される。

クラスタ化（およびＫ平均）の文脈において、４次元画素表現の最初の２次元すなわちユークリッド空間座標でのクラスタ化は、同じクラスタに属する画素の空間的関係を主張するものである。したがって、同一クラスタに属する画素は、４Ｄ表現によって張られる４Ｄ空間内で類似するユークリッド空間座標値を有する。ユークリッド空間座標は、画素のｘ位置およびｙ位置、ｘ位置座標およびｙ位置座標の組合せ、極座標値または円柱座標値、あるいは他の空間座標とすることができる。４Ｄ画素表現の第３次元すなわち、画素の輝度値は、同じクラスタに属する画素が通常は輝度において類似するという事実を主張するものである。最後に、４Ｄ画素表現の第４次元すなわち基準点までの画素の距離は、基準点に関する制約の滑らかさを導入する。制約の滑らかさは、胸筋形状および胸部形状が、通常は基準点の回りで滑らかに変化しているという事実に関係する。

画素のＫ平均クラスタ化は、グラフ・カット・セグメント化ユニット１４８によって実行されるセグメント化処理を容易にするために実行される。Ｋ平均クラスタ化の代わりに、他のクラスタ化法を使用することができる。クラスタ化は、画素クラスの個数を、画素の個数からクラスタ化ユニット１３８によって取得されたクラスタの個数Ｋに減らす。

例示的実施態様では、Ｋ＝４クラスタのＫ平均クラスタ化が実行され、その結果、画素は、図６のステップＳ３５６で出力されるラベル付きマスク画像内で４つのクラスタのうちの１つに配置されるようになる。もう１つの例示的実施態様では、Ｋ＝３クラスタのＫ平均クラスタ化が実行され、その結果、画素は、図６のステップＳ３５６で出力されるラベル付きマスク画像内で３つのクラスタのうちの１つに配置されるようになる。

クラスタ化ユニット１３８は、その内容全体が参照によって本明細書に組み込まれている、２００６年３月３日出願のＤ．ＲｕｓｓａｋｏｆｆおよびＡ．Ｈａｓｅｇａｗａによる米国特許出願、名称「Ｍｅｔｈｏｄ ａｎｄ Ａｐｐａｒａｔｕｓ ｆｏｒ Ｂｒｅａｓｔ Ｂｏｒｄｅｒ Ｄｅｔｅｃｔｉｏｎ」に記載の方法を使用して、画素のＫ平均クラスタ化を実行することができる。乳房撮影画像の経験的証拠に基づいて定義される画素輝度／画素輝度の差／胸部画素輝度／胸部画素勾配輝度などの閾値を、クラスタ化において使用することができる。そのような閾値を判定する方法は、上に掲げた米国特許出願「Ｍｅｔｈｏｄ ａｎｄ Ａｐｐａｒａｔｕｓ ｆｏｒ Ｂｒｅａｓｔ Ｂｏｒｄｅｒ Ｄｅｔｅｃｔｉｏｎ」に記載されている。

Ｋ平均クラスタ化の他のバージョンまたは他のクラスタ化法をクラスタ化ユニット１３８によって使用することもできる。

図８は、図２に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニット３５に含まれるグラフ・カット・セグメント化ユニット１４８によって実行される動作を示す流れ図である。図８の流れ図は、図３のステップＳ２１４の詳細を説明するものである。

グラフ・カット・セグメント化ユニット１４８は、クラスタ化ユニット１３８から画素のＫ個のクラス（クラスタ）を有するラベル付きマスク画像ＲＯＩを受け取る。次に、グラフ・カット・セグメント化ユニット１４８は、ラベル付きマスク画像ＲＯＩ内のソース点およびシンク点を選択する（Ｓ４０４）。次に、グラフ・カット・セグメント化ユニット１４８は、ラベル付きマスク画像ＲＯＩ内の画素からグラフを生成する（Ｓ４０６）。次に、グラフ・カット・セグメント化ユニット１４８は、ＲＯＩに関連するグラフ内で胸筋領域のセグメント化を実行し（Ｓ４０８）、識別された胸筋領域画素を有する画像を出力する（Ｓ４１０）。

図９Ａは、図８に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニット３５に含まれるグラフ・カット・セグメント化ユニット１４８による関心領域内のソース点およびシンク点の選択に関する例示的動作を示す流れ図である。図９Ａの流れ図は、図８のステップＳ４０４の例示的詳細を示すものである。

胸筋を胸部画像内の背景から分離するために、画像処理ユニット３５は、胸筋境界に沿って画像を切断することができる。これは、局所勾配に従うことによって達成できるが、結果の胸筋セグメント化が劣等になる場合がある。胸筋のよりよいセグメント化を得るために、胸筋の物理的輪郭に従う大域的透視画法を使用することができる。図７で取得された画素の表現および画素クラスタ化結果が、胸筋の輪郭の判定に使用される。というのは、胸筋の分離を、例えば４次元画素表現空間などの画素表現空間のような画素表現空間における胸筋内の画素の分離に簡約することができるからである。

山頂から谷間の池に流れる水の類推を、対象のセグメント化に使用することができる。流れる水は、最小抵抗の経路に従い、この経路では、最大の流れを達成することができる。同様に、対象のセグメント化を、ソース（背景内の任意の画素）からシンク（胸筋内の任意の画素）まで駆動することができる。ソースおよびシンクは、結果のセグメント化に影響せずに交換することができる。

グラフ・カット・セグメント化ユニット１４８は、ＲＯＩ内のソース画素およびシンク画素を選択する（Ｓ４９１およびＳ４９７）。ソース画素は、胸筋画素ではなく背景画素である可能性が最も高い画素として自動的に選択することができる（Ｓ４９３）。シンク画素は、胸筋画素である可能性が最も高い画素として自動的に選択することができる（Ｓ４９９）。例えば、図５Ａおよび５Ｂに示された胸部画像および図５Ａおよび５Ｂの撮影像に類似する撮影像を示す胸部画像で、ソース点を、ＲＯＩ画像の左上角として選択することができ（Ｓ４９５）、シンク点を、ＲＯＩ画像の右下角として選択することができる（Ｓ４９８）。

図９Ｂは、図８に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニット３５に含まれるグラフ・カット・セグメント化ユニット１４８による関心領域のグラフの作成に関する例示的動作を示す流れ図である。図９Ｂの流れ図は、図８のステップＳ４０６の例示的詳細を示すものである。

グラフ・カット・セグメント化ユニット１４８は、関心領域のグラフを初期化する（Ｓ５０３）。このグラフに、まず、図８のステップＳ４０４で取得されたソース画素およびシンク画素を移植し（Ｓ５０６）、あるいは、例示的実施態様では、図９Ａに示されたように取得されたソース画素およびシンク画素を移植する。次に、このグラフに、ＲＯＩ内の画素の画素表現を移植する（Ｓ５０９）。グラフ・カット・セグメント化ユニット１４８は、ソース画素およびシンク画素と一緒に、ＲＯＩ画素について図６のステップＳ３５０で生成された画素表現を使用する。例示的実施態様では、グラフ・カット・セグメント化ユニット１４８は、ソース画素およびシンク画素と一緒にＲＯＩ画素について、図７で説明したように導出された４Ｄ画素表現を使用する。この点で、ＲＯＩのグラフは、点すなわちノード（画素表現）を含むが、エッジは含まない（Ｓ５１３）。

次に、グラフ・カット・セグメント化ユニット１４８は、各ＲＯＩ画素をソース画素およびシンク画素に結合する（Ｓ５１６）。強さを、ＲＯＩ画素とソース画素およびシンク画素との間の結合に割り当てる（Ｓ５１９）。ＲＯＩ画素とソース画素との間の結合（リンクまたはエッジ）の強さは、ソース画素からのＲＯＩ画素の距離に基づいて決定される。ＲＯＩ画素とシンク画素との間の結合（リンクまたはエッジ）の強さは、シンク画素からのＲＯＩ画素の距離に基づいて決定される。

図９Ｃで説明するＲＯＩ内の胸筋領域のセグメント化は、画素をＲＯＩから画素グループに置き、ここで、画素グループのいくつかは、胸筋に関連し、他のグループは、非筋肉胸部領域、背景領域などの非筋肉領域に関連する。ソース画素およびシンク画素までのＲＯＩ画素の距離に基づく画素とソース画素およびシンク画素との間の結合の強さは、ＲＯＩ画素がソース画素に近いほど、そのＲＯＩ画素がそのソース画素と同じグループに含まれる可能性が高いという事実を記述するものである。同様に、ＲＯＩ画素がシンク画素に近いほど、そのＲＯＩ画素は、そのシンク画素と同じグループに含まれる可能性が高い。

クラスタ化ユニット１３８によって出力される画素クラスタ化結果は、グラフ・カット・セグメント化ユニット１４８によって、画素の間の結合を生成するのに使用される。同一クラスの画素すなわち同じクラスタに属する画素の間の結合は、高い強さを有するように設定され、その結果、それらの結合は、図８のステップＳ４０８でセグメント化アルゴリズムによって検査されず、破壊されなくなる（Ｓ５２３）。

ＲＯＩ画素とシンク画素およびソース画素との間の結合の強さに、ＲＯＩ画素の間の勾配の強さに従って重みを付ける（Ｓ５２６）。グラフ・カット・セグメント化ユニット１４８は、異なるクラスタに属するＲＯＩ画素の間の結合も作成する（Ｓ５２９）。異なるクラスタに属するＲＯＩ画素の間の結合（画素間結合）は、画素の間の勾配（画素間勾配）の重みに従ってセットされる。それに加えてまたはその代わりに、空間的な距離および勾配を一緒に使用して、より高次元の空間内で画素間距離の尺度を形成することができる。

画素間の勾配を、Ｋ個の画素クラスタを有するラベル付きマスク画像ＲＯＩから勾配画像を生成すること（Ｓ５３３）によって判定する。勾配画像は、元の乳房Ｘ線像内の画素輝度情報を使用して生成される。勾配画像は、画素間の勾配値を含む。次に、勾配画像は、画素間の結合の強さに重みを付けるために、ラベル付きマスク画像ＲＯＩ画像と一緒に使用される。勾配は、２つの画素のクラスタ・ラベルが異なる場合に限って、その２つの画素の間（画素の個々の輝度の間）で計算される。２つの画素が同じのクラスタ・ラベルを有する場合には、それらの画素の間の勾配には、０がセットされる。この技法を用いると、画素のクラスタの間のエッジが維持される。

画素間結合と、ソースおよびシンクへの結合とが計算された後に、ＲＯＩ画素とソース画素およびシンク画素との間の重み付きのエッジ（結合）を有するグラフが得られる（Ｓ５３６）。

次に、グラフ・カット・セグメント化ユニット１４８が、ＲＯＩ内の画素に、前画素ラベル尤度を割り当てる（Ｓ５３９）。前画素ラベル尤度は、画素位置とソース（またはシンク）との間の数学的関係によって取得される。画素は、それがソース（シンク）に物理的により近い場合に、ソース（またはシンク）である可能性がより高い。「Ｌ」が、画素がソースと同じクラスである前尤度、すなわち、画素が背景画素のクラスである前尤度を表す場合に、「１／Ｌ」は、その画素がシンクと同じクラスである尤度である。Ｌ（画素がクラス「ソース」に属する前尤度）を計算するために、ｄｓが、画素とソースとの間の距離であり、ｄｘが、ソースとシンクとの間の距離であるものとする。すると、Ｌ＝（ｄｓ／ｄｘ）である。ｄｘ＞０かつｄｓ＞０なので、Ｌ＞０であり、１／Ｌ＜無限大である。

重み付きのエッジを有する完全に連結されたグラフが得られる（Ｓ５４３）。

図９Ｃは、図８に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニット３５に含まれるグラフ・カット・セグメント化ユニット１４８によって実行されるセグメント化動作を示す流れ図である。図９Ｃの流れ図は、図８のステップＳ４０８の例示的詳細を示すものである。

ｍｉｎ−ｃｕｔ ｍａｘ−ｆｌｏｗ法を使用して、ソース・ノードからシンク・ノードへの最も安価なカット（ｍａｘ ｆｌｏｗ）を見つけることによってＲＯＩをセグメント化し、ＲＯＩ内の胸筋の領域を取得することができる。ｍｉｎ−ｃｕｔ ｍａｘ−ｆｌｏｗアルゴリズムは、画素間結合重み、画素−ソース結合重み、および画素−シンク結合重みを使用して、大域最大フローを有するＲＯＩのセグメント化に達する（Ｓ６０６）。このアルゴリズムは、画素の間でエッジを切断し（結合を破壊し）て、胸筋に属する画素のグループを取得する。

同じクラスタに属する画素の間の結合は、非常に強くなるようにセットされ、その結果、これらの結合は、ｍａｘ−ｆｌｏｗアルゴリズムによって検査されず、破壊されなくなる。ｍｉｎ−ｃｕｔ ｍａｘ−ｆｌｏｗアルゴリズムを実行した後のグラフ・カット・セグメント化ユニット１４８の出力は、画素が２つのグループに割り当てられているＲＯＩであり、画素の一方のグループは、胸筋を表し、画素の他方のグループは、胸部または背景など、胸筋に関係しない特徴に関連する。

グラフ・カット・セグメント化ユニット１４８は、その内容全体が参照によって本明細書に組み込まれている、Ｙ．ＢｏｙｋｏｖおよびＶ．Ｋｏｌｍｏｇｏｒｏｖ共著、「Ａｎ Ｅｘｐｅｒｉｍｅｎｔａｌ Ｃｏｍｐａｒｉｓｏｎ ｏｆ Ｍｉｎ−Ｃｕｔ／Ｍａｘ−Ｆｌｏｗ Ａｌｇｏｒｉｔｈｍｓ ｆｏｒ Ｅｎｅｒｇｙ Ｍｉｎｉｍｉｚａｔｉｏｎ ｉｎ Ｖｉｓｉｏｎ」、ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＰＡＭＩ、ｖ．２６ Ｎｏ．９、１１２４〜１１３７頁、２００４年９月、に記載の方法を使用して、ＲＯＩのｍｉｎ−ｃｕｔ ｍａｘ−ｆｌｏｗセグメント化を実行することができる。上の刊行物で述べられているように、２つの終端を有するグラフ上のカットＣは、グラフ内のノードの２つの互いに素な部分集合ＳおよびＴへの分割であり、ソースｓがＳに含まれ、シンクｔがＴに含まれる。そのようなカットＣは、ｓ／ｔカットとしても知られる。カットＣ＝｛Ｓ，Ｔ｝のコストは、「境界」エッジ（ｐ，ｑ）のコストの合計と定義され、ここでｐ∈Ｓかつｑ∈Ｔである。グラフに関する最小カット問題は、可能なカットの中で最小のコストを有するカットを見つけることである。組合せ最適化では、最小ｓ／ｔカット問題を、ソースｓからシンクｔへの最大フローを見つけることによって解くことができることが示されている。類推を使用すると、グラフエッジをエッジの重みと等しい容量を有する有向「パイプ」と解釈することによって、最大フローは、ソースからシンクへ送ることができる最大の「水量」である。

胸筋を示す胸部画像からのＲＯＩの場合に、シンクｔが胸筋画素である時に、部分集合Ｔは、胸筋に属する画素の集合である（Ｓ６０８）。その場合に、ソースｓは、背景画素であり、部分集合Ｓは、胸筋に属さない画素の集合であり、したがって、部分集合Ｓは、胸部、背景などからの画素を含む。

次に、グラフ・カット・セグメント化ユニット１４８は、得られたセグメント化されたグラフ（セグメント化結果と一緒のグラフ）をマスク画像に戻して変換し（Ｓ６１２）、胸筋を示す２値画像を出力する（Ｓ６１６）。この２値画像は、画像復元ユニット１５８に送られる。

代替実施形態では、グラフ・カット・セグメント化ユニット１４８は、ｍｉｎ−ｃｕｔ／ｍａｘ−ｆｌｏｗセグメント化の他にまたはその代わりに、他のエネルギ最小化関数を使用してＲＯＩをセグメント化することができる。

図１０は、図２に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニット３５に含まれる画像復元ユニット１５８によって実行される動作を示す流れ図である。画像復元ユニット１５８は、グラフ・カット・セグメント化ユニット１４８から胸筋を示す２値画像を受け取る。この２値画像は、初期胸部画像から抽出されたＲＯＩに対応する。画像復元ユニット１５８は、胸筋を含む２値画像を、クロッピングされていない最大解像度の初期胸部画像に復元し、元の胸部画像の元の空間内の胸筋マスクを出力する。画像復元ユニット１５８の結果は、印刷ユニット４５、画像出力ユニット５５、および／またはディスプレイ６５に送ることができる。

図１１Ａに、図２に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニット３５の例示的フローおよび例示的出力を示す。元の乳房Ｘ線画像Ｉ６６２は、画像操作ユニット１１８に入力される。処理されたヒストグラム等化済み画像Ｉ６６４は、画像操作ユニット１１８によって出力される。ＲＯＩ Ｉ６７１、Ｉ６７２、およびＩ６７３が、クロッピング・ユニット１２８によって連続してクロッピングされ、ＲＯＩ Ｉ６７３が、胸筋セグメント化のために選択される。クラスタ化ユニット１３８が、Ｉ６７３についてＫ＝４を用いてＫ平均クラスタ化を実行し、画素の４つのクラスを有するマスク画像ＲＯＩ Ｉ６８１を出力する。グラフ・カット・セグメント化ユニット１４８が、胸筋セグメント化を実行し、胸筋を示す２値画像Ｉ６８５を取得する。限られた個数の画素クラスタおよびクラスタの間の縁は、胸筋を示す２値画像Ｉ６８５を得るための、時間およびメモリに関するアルゴリズムの複雑さを大幅に減らす。その後、２値画像Ｉ６８５を、元の画像Ｉ６６２に戻して一体化することができる。

図１１Ｂおよび１１Ｃに、図２に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニット３５の例示的出力を示す。この図の第１列は、クロッピング・ユニット１２８から出力されるＲＯＩを示す。この図の第２列は、Ｋ＝４のＫ平均クラスタ化によって得られる、４つの画素クラスを有するマスク画像ＲＯＩを示す。この図の第３列は、列１のＲＯＩに関する、グラフ・カット・セグメント化ユニット１４８によって得られる胸筋マスク画像を示す。画像の第３列では、Ｍ７０７、Ｍ７１７、Ｍ７２７、Ｍ７３７、およびＭ７４７という符号を付した暗い画素の領域が、胸筋の領域を表す。

本発明の諸態様を、乳房撮影画像の文脈で説明してきたが、本発明の原理が、胸筋以外の様々な他のタイプの対象の検出に関して、乳房撮影画像以外の他のタイプのデジタル画像に適用可能であることを認められたい。

本発明の詳細な実施形態および実施態様を上で説明してきたが、本発明の趣旨および範囲から逸脱せずに様々な修正形態が可能であることは明白である。

本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニットを含むシステムを示す全体的なブロック図である。 本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニットの諸態様をより詳細に示すブロック図である。 図２に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニットによって実行される動作を示す流れ図である。 図２に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニットに含まれる画像操作ユニットおよびクロッピング・ユニットによって実行される画像処理動作を示す流れ図である。 例示的な乳房Ｘ線画像を示す図である。 図４に示された本発明の実施形態による画像処理動作およびクロッピングの後に得られる例示的な乳房Ｘ線画像を示す図である。 図２に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニットに含まれるクラスタ化ユニットによって実行される動作を示す流れ図である。 図６に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニットに含まれるクラスタ化ユニットによる関心領域の画素の表現に関する例示的動作を示す流れ図である。 図２に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニットに含まれるグラフ・カット・セグメント化ユニットによって実行される動作を示す流れ図である。 図８に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニットに含まれるグラフ・カット・セグメント化ユニットによる関心領域内のソース点およびシンク点の選択に関する例示的動作を示す流れ図である。 図８に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニットに含まれるグラフ・カット・セグメント化ユニットによる関心領域のグラフの作成に関する例示的動作を示す流れ図である。 図８に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニットに含まれるグラフ・カット・セグメント化ユニットによって実行されるセグメント化動作を示す流れ図である。 図２に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニットに含まれる画像復元ユニットによって実行される動作を示す流れ図である。 図２に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニットの例示的フローおよび例示的出力を示す図である。 図２に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニットの例示的出力を示す図である。 図２に示された本発明の実施形態によるクラスタ変更グラフ・カットを使用する検出のための画像処理ユニットの例示的出力を示す図である。

Claims (33)

1. 対象を含む画像を表すデジタル画像データにアクセスするステップと、
   複数のクラスタを取得するために前記画像の画素をクラスタ化するステップと、
   前記画像の画素および前記複数のクラスタ内の画素のクラスタ・メンバシップ情報を有するグラフを生成するステップと、及び、
   前記対象に関連する前記画像の画素を取得するためにマックス−フロー・セグメント化を使用して前記グラフをセグメント化するステップと、
   を含むことを特徴とする画像処理方法。
2. 請求項１に記載の画像処理方法であって、前記生成するステップは、前記複数のクラスタ中の１つのクラスタに属する同じクラスタ画素の間のエッジに高い強さを割り当てることによって前記グラフに前記クラスタ・メンバシップ情報を含み、及び、
   前記セグメント化するステップは、前記同じクラスタ画素の間の前記エッジを破壊しないことを特徴とする画像処理方法。
3. 請求項１に記載の画像処理方法であって、前記生成するステップは、異なるクラスタに属する、異クラスタ画素の間の勾配特性に基づいて前記異クラスタ画素の間のエッジに重みを割り当てることを特徴とする画像処理方法。
4. 請求項１に記載の画像処理方法であって、前記画像の画素をクラスタ化するステップは、ｋ平均クラスタ化を使用して実行されることを特徴とする画像処理方法。
5. 請求項４に記載の画像処理方法であって、前記ｋ平均クラスタ化を使用するステップは、画素表現を取得するために、前記画像の画素を、前記画像内の前記画素の空間的特性に関係する２つのパラメータと、前記画像内の前記画素の輝度特性に関係するパラメータと、基準点に対する前記画像内の前記画素の距離特性に関係するパラメータとを使用して４次元空間内に表現すること、及び、前記４次元空間内の前記画像の前記画素に関してｋ平均クラスタ化を実行することを含むことを特徴とする画像処理方法。
6. 請求項５に記載の画像処理方法であって、前記ｋ平均クラスタ化のステップは、４つの前記クラスタを取得するためにｋ＝４としてｋ平均クラスタ化を実行することを特徴とする画像処理方法。
7. 請求項１に記載の画像処理方法であって、前記画像は、デジタル乳房Ｘ線像であり、前記対象は、前記デジタル乳房Ｘ線像内の胸筋であることを特徴とする画像処理方法。
8. 請求項１に記載の画像処理方法であって、前記生成するステップは、前記グラフ内の前記画像の画素の間のエッジに、前記画素の間の勾配特性に基づいて重みを割り当てることを特徴とする画像処理方法。
9. 請求項８に記載の画像処理方法であって、
   前記クラスタ化するステップは、画素表現を取得するために、前記画像の画素を、前記画像内の前記画素の空間的特性に関係するパラメータと、前記画素の輝度特性に関係するパラメータと、基準点に対する前記画像内の前記画素の距離特性に関係するパラメータとを使用して表現することを含み、
   前記生成するステップは、前記画素表現を使用して前記グラフを生成することを特徴とする画像処理方法。
10. 請求項１に記載の画像処理方法であって、前記生成するステップは、前記対象に含まれない前記画像の画素の中からソース画素を選択すること、及び前記対象に含まれる前記画像の画素の中からシンク画素を選択することを含むことを特徴とする画像処理方法。
11. 請求項１０に記載の画像処理方法であって、前記生成するステップは、距離特性に基づいて、前記グラフ内の前記画素と前記シンク画素および前記ソース画素との間のエッジに強さを割り当てることを含むことを特徴とるす画像処理方法。
12. 請求項１１に記載の画像処理方法であって、
    前記生成するステップは、前記複数のクラスタ中の１つのクラスタに属する、同じクラスタ画素の間のエッジに高い強さを割り当て、また、異なるクラスタに属する異クラスタ画素の間の勾配特性に基づいて、前記異クラスタ画素の間のエッジに重みを割り当てることによって前記クラスタ・メンバシップ情報を前記グラフに含めるとともに、
    前記セグメント化するステップは、前記同じクラスタ画素の間の前記エッジを破壊せずに、前記対象に関連し前記シンク画素を含む第１の画素のグループと、前記対象に関連せず前記ソース画素を含む第２の画素のグループとをセグメント化することを特徴とする画像処理方法。
13. 請求項１１に記載の画像処理方法であって、前記画像はデジタル乳房Ｘ線像であり、前記対象は前記デジタル乳房Ｘ線像内の胸筋であり、前記ソース画素は背景画素であり、前記シンク画素は前記胸筋の画素であることを特徴とする画像処理方法。
14. 請求項１に記載の画像処理方法であって、さらに、前記クラスタ化するステップの前に、前記画像を、サイズ変更し、平滑化し、及び拡散フィルタリングする前記画像の前処理ステップと、
    前記クラスタ化するステップの前に、前記対象に関連する関心領域を前記画像からクロッピングするステップと、
    前記セグメント化するステップの後に、前記関心領域を前記画像に戻して一体化し、前記画像を初期の解像度に復元するステップを含むことを特徴とする画像処理方法。
15. 請求項１４に記載の画像処理方法であって、前記クラスタ化するステップ、前記生成するステップ、および前記セグメント化するステップは、前記関心領域内の画素について実行されることを特徴とする画像処理方法。
16. 対象を含む画像を表すデジタル画像データにアクセスするステップと、
    複数のクラスタを取得するために前記画像の画素をクラスタ化するステップと、
    前記画像の画素および前記複数のクラスタ内の画素のクラスタ・メンバシップ情報を有するグラフを生成するステップと、
    前記対象に関連する前記画像の画素を取得するためにエネルギ最小化関数を使用して前記グラフをセグメント化するステップと、
    を含むことを特徴とする画像処理方法。
17. 請求項１６に記載の画像処理方法であって、
    前記生成するステップは、前記複数のクラスタ中の１つのクラスタに属する同じクラスタ画素の間のエッジに高い強さを割り当てることによって前記グラフに前記クラスタ・メンバシップ情報を含めるとともに、異なるクラスタに属する異クラスタ画素の間の勾配特性に基づいて前記異クラスタ画素の間のエッジに重みを割り当て、
    前記セグメント化するステップは、前記同じクラスタ画素の間の前記エッジを破壊しないことを特徴とする画像処理方法。
18. 請求項１６に記載の画像処理方法であって、前記画像はデジタル乳房Ｘ線像であり、前記対象は前記デジタル乳房Ｘ線像内の胸筋であることを特徴とする画像処理方法。
19. 対象を含む画像を表すデジタル画像データにアクセスする画像データ入力ユニットと、
    複数のクラスタを取得するために前記画像の画素をクラスタ化するクラスタ化ユニットと、
    前記画像の画素および前記複数のクラスタ内の画素のクラスタ・メンバシップ情報を有するグラフを生成し、前記物体に関連する前記画像の画素を取得するためにマックス−フロー・セグメント化を使用して前記グラフをセグメント化することにより、前記対象に関連する前記画像の画素を識別するグラフ・セグメント化ユニットと、
    を含むことを特徴とする画像処理装置。
20. 請求項１９に記載の画像処理装置であって、前記グラフ・セグメント化ユニットは、前記複数のクラスタ中の１つのクラスタに属する同じクラスタ画素の間のエッジに高い強さを割り当てることによって前記クラスタ・メンバシップ情報を前記グラフに含め、
    前記グラフをセグメント化する時に、前記同じクラスタの画素の間の前記エッジを破壊しないことを特徴とする画像処理装置。
21. 請求項１９に記載の画像処理装置であって、前記グラフ・セグメント化ユニットは、前記グラフをセグメント化する前に、異なるクラスタに属する異クラスタ画素の間の勾配特性に基づいて前記異クラスタ画素の間のエッジに重みを割り当てることを特徴とする画像処理装置。
22. 請求項１９に記載の画像処理装置であって、前記クラスタ化ユニットは、ｋ平均クラスタ化を使用して画素をクラスタ化することを特徴とする画像処理装置。
23. 請求項２２に記載の画像処理装置であって、前記クラスタ化ユニットは、画素表現を取得するために、前記画像の画素を、前記画像内の前記画素の空間的特性に関係する２つのパラメータと、前記画像内の前記画素の輝度特性に関係するパラメータと、基準点に対する前記画像内の前記画素の距離特性に関係するパラメータとを使用して４次元空間内に表現し、前記４次元空間内の前記画像の前記画素に関してｋ平均クラスタ化を実行することとを特徴とする画像処理装置。
24. 請求項２３に記載の画像処理装置であって、前記クラスタ化ユニットは、４つの前記クラスタを取得するためにｋ＝４としてｋ平均クラスタ化を実行することを特徴とする画像処理装置。
25. 請求項１９に記載の画像処理装置であって、前記画像はデジタル乳房Ｘ線像であり、前記対象は前記デジタル乳房Ｘ線像内の胸筋であることを特徴とする画像処理装置。
26. 請求項１９に記載の画像処理装置であって、前記グラフ・セグメント化ユニットは、前記グラフ内の前記画像の画素の間のエッジに、前記画素の間の勾配特性に基づいて重みを割り当てることを特徴とする画像処理装置。
27. 請求項２６に記載の画像処理装置であって、前記クラスタ化ユニットは、画素表現を取得するために、前記画像の画素を、前記画像内の前記画素の空間的特性に関係するパラメータと、前記画素の輝度特性に関係するパラメータと、基準点に対する前記画像内の前記画素の距離特性に関係するパラメータとを使用して表現するとともに、
    前記グラフ・セグメント化ユニットは、前記画素表現を使用して前記グラフを生成することを特徴とする画像処理装置。
28. 請求項１９に記載の画像処理装置であって、前記グラフ・セグメント化ユニットは、前記ソース画素および前記シンク画素を前記グラフに含めるために、前記対象に含まれない前記画像の画素の中からソース画素を選択するとともに、前記対象に含まれる前記画像の画素の中からシンク画素を選択することを特徴とする画像処理装置。
29. 請求項２８に記載の画像処理装置であって、前記グラフ・セグメント化ユニットは、距離特性に基づいて、前記グラフ内の前記画素と前記シンク画素および前記ソース画素との間のエッジに強さを割り当てることを特徴とする画像処理装置。
30. 請求項２９に記載の画像処理装置であって、
    前記グラフ・セグメント化ユニットは、前記複数のクラスタ中の１つのクラスタに属する同じクラスタ画素の間のエッジに高い強さを割り当てるとともに、異なるクラスタに属する異クラスタ画素の間の勾配特性に基づいて前記異クラスタ画素の間のエッジに重みを割り当てることによって前記グラフに前記クラスタ・メンバシップ情報を含め、
    前記同じクラスタ画素の間の前記エッジを破壊せずに、前記対象に関連し前記シンク画素を含む第１の画素のグループと、前記対象に関連せず前記ソース画素を含む第２の画素のグループとをセグメント化することを特徴とする画像処理装置。
31. 請求項２９に記載の画像処理装置であって、前記画像はデジタル乳房Ｘ線像であり、前記対象は前記デジタル乳房Ｘ線像内の胸筋であり、前記ソース画素は背景画素であり、前記シンク画素は前記胸筋の画素であることを特徴とする画像処理装置。
32. 請求項１９に記載の画像処理装置であって、さらに、前記クラスタ化ユニットが前記画像の画素をクラスタ化する前に、前記画像のサイズを変更し、平滑化し、及び拡散フィルタリングすることによって前記画像を前処理する画像操作ユニットと、
    前記クラスタ化ユニットが前記画像の画素をクラスタ化する前に、前記物体に関連する関心領域を前記画像からクロッピングするクロッピング・ユニットと、
    前記グラフ・セグメント化ユニットが前記対象に関連する前記画像の画素を識別した後に、前記関心領域を前記画像に戻して一体化し、前記画像を初期の解像度に復元する画像復元ユニットとを含むことを特徴とする画像処理装置。
33. 請求項３２に記載の画像処理装置であって、前記クラスタ化ユニットは、関心領域クラスタを取得するために前記関心領域の画素をクラスタ化するとともに、前記グラフ・セグメント化ユニットは、前記対象に関連する前記関心領域の画素を識別することを特徴とする画像処理装置。

Images