JP2008178666A - 画像処理方法及び装置 - Google Patents

Abstract

【課題】方法および装置が医用画像におけるスピキュラ候補を識別する。
【解決手段】一実施形態による方法は、組織領域を含む画像を表すデジタル画像データにアクセスし、分離可能なフィルタを使用して少なくとも１つのスケールに対して組織領域に関する少なくとも１つの線方位マップおよび少なくとも１つの線強度マップを生成することによってデジタル画像データを処理し、少なくとも１つの線方位マップおよび少なくとも１つの線強度マップに基づいてスピキュラ特性値を計算し、計算された特性値に基づいてスピキュラ候補を識別する。
【選択図】図３

Description

本発明はデジタル画像処理技術に関し、より具体的には医用画像を処理し、医用画像における悪性部位を検出する画像処理方法及び装置に関する。

乳房Ｘ線撮影画像および乳房Ｘ線撮影画像での異常構造の識別は、乳房の医学的問題の診断にとって重要なツールである。例えば、乳房Ｘ線撮影での癌構造の識別は、迅速な治療および予後にとって重要であり有用である。

しかし、信頼性のある癌検出は、乳房の解剖学的形状および医用画像状態の変動のために実現することが困難である。この種の変動は、１）様々な人々の乳房間または同一人物の乳房における解剖学的形状の変動、２）異なる時間に撮影された乳房の医用画像における照明の変動、３）乳房Ｘ線画像での姿勢および視像の変化、４）老化による乳房の解剖学的構造での変化などを含む。さらに、悪性病変はしばしば良性病変と区別することが困難である。この種の画像状態は、乳癌の手動による識別およびコンピュータ支援の検出の両方に対して難題をもたらす。

乳癌を検出する１つの方法は、悪性腫瘤の徴候を探すことである。悪性腫瘤の徴候は、特に癌の早期段階ではしばしば非常にとらえにくい可能性がある。しかし、この種の早期癌の段階は最も治療可能でもあり、したがって悪性腫瘤のとらえにくい徴候を検出することは患者にとって多大な恩恵をもたらす。乳房での（および他の器官での）悪性部位は、スピキュラとも呼ばれる星状の放射状線形構造または棘状突起構造のパターンによって囲まれた不規則な領域としてしばしば現れる。悪性腫瘤はしばしば棘状突起構造を伴うので、棘状突起の辺縁は悪性腫瘤の強い指標である。さらに、棘状突起構造は、石灰化および他の種類の構造的腫瘤の変化より極めて高い悪性腫瘍の危険性を示す。

典型的／伝統的な棘状突起検出方法は２ステップのアプローチを用いており、最初に、線構造を抽出し、次に、検出された線に基づいて特性を計算する。したがって、典型的／伝統的な棘状突起検出方法に関する棘状突起検出の性能は線構造の抽出の性能に大いに依存する。したがって、抽出された線構造が棘状突起検出にとって十分でない場合、棘状突起検出はしばしば困難でありまたは効果的でない。１つの棘状突起検出技術が、Ｎ．ＫａｒｓｓｅｍｅｉｊｅｒおよびＧ．Ｍ．ｔｅ Ｂｒａｋｅによる「Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｓｔｅｌｌａｔｅ Ｄｉｓｔｏｒｔｉｏｎｓ ｉｎ Ｍａｍｍｏｇｒａｍｓ」（ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ、Ｖｏｌ．１５、Ｎｏ．５、１９９６年１０月、６１１〜６１９頁）で説明されている。この研究で説明される技術では、線構造マップは可操舵フィルタによるアプローチを使用して構築されており、それは線状のカーネルを用いて乳房画像の最大フィルタ応答を効率的に計算する方法である。次いで、統計的解析が線構造マップに基づいて棘状突起構造を検出するために適用される。しかし、この技術は、技術によって必要とされる多大な計算負荷のために棘状突起構造の自動検出にとって依然、計算上の問題をもたらす。さらに、この技術では棘状突起構造を検出するために使用される統計的解析が、棘状突起の線構造の方向多様性などの棘状突起構造の態様をよく特徴づけていない。したがって、この技術は、乳房での棘状突起構造の自動検出のために使用されるときに難題に直面する。

本出願の開示された実施形態は、乳房Ｘ線撮影画像に関する線構造マップを抽出するために分離可能な可操舵フィルタを使用して棘状突起検出のための方法および装置を実現することによってこれらのおよび他の問題に対処する。計算負荷は、分離可能な可操舵フィルタを使用することによって著しく低減される。次いで、乳房Ｘ線撮影画像に関する線構造マップは、線構造の棘状突起に関係する複数の特性を使用して特徴づけられており、全体の棘状突起の評点が乳房Ｘ線撮影画像内部の画素に対して抽出される。次いで、棘状突起構造は抽出された棘状突起のスコアを使用して識別される。本出願で説明される方法および装置は、コンピュータ支援設計（ＣＡＤ）システムの腫瘤検出能力を強化するスピキュラ検出アルゴリズムを実行することができる。本出願で説明される方法および装置は、乳房以外の他の解剖学的部位で棘状突起構造の検出のために使用されることもできる。

本発明は、医用画像におけるスピキュラ候補を識別する画像処理方法および装置に関する。本発明の第１の態様により、医用画像におけるスピキュラ候補を識別する画像処理方法は、組織領域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、分離可能なフィルタを使用して、少なくとも１つのスケールに対して前記組織領域に関する少なくとも１つの線方位マップおよび少なくとも１つの線強度マップを生成することによって前記デジタル画像データを処理するステップと、前記少なくとも１つの線方位マップおよび前記少なくとも１つの線強度マップに基づいてスピキュラ特性値を計算する計算ステップと、前記計算された特性値に基づいてスピキュラ候補を識別する識別ステップとを備える。

本発明の第２の態様により、医用画像におけるスピキュラ候補を識別する画像処理装置は、組織領域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、前記デジタル画像データを処理し、分離可能なフィルタを使用して少なくとも１つのスケールに対して前記組織領域に関する少なくとも１つの線方位マップおよび少なくとも１つの線強度マップを生成する線構造抽出ユニットと、前記少なくとも１つの線方位マップおよび前記少なくとも１つの線強度マップに基づいてスピキュラ特性値を計算する特性マップ生成器ユニットと、前記計算された特性値に基づいてスピキュラ候補を識別するスピキュラ候補決定ユニットを備える。

本発明のさらなる態様および利点は、添付図面と併せて下記の詳細な説明を読むと明らかになる。

より具体的には、本発明の態様は添付図面を参照して添付の説明に記載されている。図１は、本発明の一実施形態による棘状突起検出のための画像処理ユニットを含むシステムの概略構成図である。図１に示されるシステム９０は、以下の構成部品、すなわち画像入力ユニット２５と、画像処理ユニット１００と、ディスプレイ６５と、処理ユニット５５と、画像出力ユニット５６と、ユーザ入力ユニット７５と、印刷ユニット４５とを含む。図１でのシステム９０の動作は下記の説明から明らかになる。

画像入力ユニット２５は、医用画像を表すデジタル画像データを供給する。医用画像は、乳房Ｘ線画像、身体の様々な部位のＸ線画像などであってよい。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・システムなどから得られるデジタル画像データを供給する任意の数の装置のうちの１つまたは複数であってよい。この種の入力装置は、例えば、フィルム上に記録された画像を走査するスキャナ、デジタル・カメラ、デジタル乳房Ｘ線撮影装置、ＣＤ−Ｒ、フロッピー・ディスク、ＵＳＢドライブなどの記録媒体、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デジタル・データを出力する画像処理システムなどであってよい。

画像処理ユニット１００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、下記に詳細に説明される方法で棘状突起検出を行う。ユーザ、例えば、医療施設での放射線専門家は、ディスプレイ６５を介して画像処理ユニット１００の出力を見ることができ、ユーザ入力ユニット７５を介して画像処理ユニット１００に命令を入力することができる。図１に示される実施形態では、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、他の従来の入力装置も使用されることができる。

本発明の実施形態による棘状突起検出を行うことに加えて、画像処理ユニット１００は、ユーザ入力ユニット７５から受け取った命令により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１００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１００の出力のハード・コピーを生成することに加えてまたは代替として、処理された画像データは、例えば携帯用の記録媒体またはネットワーク（図示せず）を介して、画像ファイルとして戻されることができる。画像処理ユニット１００の出力は、画像データを収集し格納する画像出力ユニット５６に、および／または画像データにさらなる操作を行うまたは様々な目的のために画像データを使用する処理ユニット５５に送付されてもよい。処理ユニット５５は、他の画像処理ユニット、パターン認識ユニット、人口知能ユニット、分類子モジュール、画像を比較するアプリケーションなどであってよい。

図２は、本発明の一実施形態による棘状突起検出のための画像処理ユニット１００のより詳細な態様を示す構成図である。図２に示されるように、この実施形態による画像処理ユニット１００は、画像操作ユニット１１０と、線構造抽出ユニット１２０と、特性マップ生成器ユニット１８０と、スピキュラ候補決定ユニット１９０とを含む。図２の様々な構成部品が個別部品として示されているが、この種の図は説明を簡単にするためであり、様々な構成部品のある種の動作は同一の物理的装置（例えば１つまたは複数のマイクロプロセッサ）によって実行されてよいことは理解されよう。

画像処理ユニット１００の動作は、乳房Ｘ線撮影画像に関する文脈の中で次に説明されるが、悪性腫瘤の強い指標である棘状突起構造を検出するものである。しかし、本発明の原理は、乳房以外の他の種類の解剖学的対象物での棘状突起検出のために医用画像処理の他の部位に対しても同様に適用される。

概して、図２に示される画像処理ユニット１００に関する要素の構成は、乳房画像を含むデジタル画像データの前処理および準備と、乳房画像内での線構造の抽出と、乳房画像に関する特性マップの生成と、特性マップ内での特徴を使用して乳房画像内での棘状突起構造の識別とを行う。画像操作ユニット１１０は、画像入力ユニット２５から乳房画像を受け取り、乳房画像上で前処理操作および準備操作を行うことができる。画像操作ユニット１１０によって行われる前処理操作および準備操作は、寸法変更、トリミング、圧縮、色補正、雑音低減などを含んで乳房画像の寸法および／または外見を変更することができる。

画像操作ユニット１１０は前処理された乳房画像を線構造抽出ユニット１２０に送付し、線構造抽出ユニット１２０は乳房画像内で線構造を識別する。特性マップ生成器ユニット１８０は、線強さ画像および線方位画像を含んで少なくとも２つの画像を受け取り、線構造を含む部位に関するスピキュラ特性を計算する。スピキュラ候補決定ユニット１９０は、様々な線構造が棘状突起構造であるかどうかを決定するためにスピキュラ特性を使用する。最後に、スピキュラ候補決定ユニット１９０は、スピキュラ候補およびそれらのスピキュラ特性値を含んで識別された棘状突起構造を有する乳房画像を出力する。

スピキュラ候補決定ユニット１９０から出力されるスピキュラ候補およびスピキュラ特性マップは、処理ユニット５５、画像出力ユニット５６、印刷ユニット４５、および／またはディスプレイ６５に送付されることができる。処理ユニット５５は、さらなる処理のために使用される他の画像処理ユニットあるいはパターン認識または人口知能ユニットであってよい。例えば、１つの実装形態では、スピキュラ候補決定ユニット１９０から出力される棘状突起候補の位置およびそれらの棘状突起特性値が、腫瘤を特徴づけるために他の特性と共にスピキュラ特性値を使用する最終的な腫瘤分類子に送られる。図２に示される画像処理ユニット１００に含まれる構成部品の動作は図３〜図１１を参照して次に説明される。

画像操作ユニット１１０、線構造抽出ユニット１２０、特性マップ生成器ユニット１８０、およびスピキュラ候補決定ユニット１９０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１１０、線構造抽出ユニット１２０、特性マップ生成器ユニット１８０、およびスピキュラ候補決定ユニット１９０はＦＰＧＡ、ＡＳＩＣなどの特定用途向けハードウェアであってもよい。

図３は、図２に示される本発明の一実施形態による棘状突起検出のための画像処理ユニット１００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１１０は、画像入力ユニット２５から未処理のまたは前処理された乳房画像を受け取り、乳房画像上で前処理操作を行うことができる（Ｓ２０２）。前処理操作は、乳房画像から対象領域（ＲＯＩ）を抽出することを含むことができる。ＲＯＩが乳房画像から抽出されない場合、全体の乳房画像がさらに使用され、それは乳房画像それ自体に等しいＲＯＩを使用することと同等である。したがって、今後は、用語の乳房画像ＲＯＩは、一部分の乳房画像または全体の乳房画像のいずれも示すために使用される。

乳房画像ＲＯＩが線構造抽出ユニット１２０に送付される。線構造抽出ユニット１２０は、乳房画像ＲＯＩ内で線構造を決定し（Ｓ２０８）、乳房画像ＲＯＩに関する線強さマップ（Ｓ２１２）および乳房画像ＲＯＩに関する線方位マップ（Ｓ２１８）を出力する。特性マップ生成器ユニット１８０は、乳房画像ＲＯＩに関する線強さマップおよび線方位マップを受け取り、乳房画像ＲＯＩに関する特性マップを得る（Ｓ２２２）。スピキュラ候補決定ユニット１９０は、乳房画像ＲＯＩに関する特性マップを受け取り、乳房画像ＲＯＩ内でスピキュラ候補を決定する（Ｓ２２８）。最後に、スピキュラ候補決定ユニット１９０は、識別された棘状突起構造を有する乳房画像を出力する（Ｓ２３２）。

図４は、図２に示される本発明の一実施形態による棘状突起検出のための画像処理ユニット１００に含まれる例示の線構造抽出ユニット１２０Ａを示す構成図である。図４に示されるように線構造抽出ユニット１２０Ａは、線強度マップ生成ユニット２５０と、線および方向併合ユニット２６０と、任意の選択的線除去ユニット２７０とを含む。線強度マップ生成ユニット２５０は、乳房画像ＲＯＩ内で様々なスケールで線に関する線強度および方位を抽出する。線および方向併合ユニット２６０は、複数のスケールに対する線強度および線方位を乳房画像ＲＯＩ内で線を識別する乳房の線画像に併合する。任意の選択的線除去ユニット２７０は、誤ったスピキュラ候補を生成しうるいくつかの線を乳房の線画像から除去する。

図５Ａは、図４に示される本発明の一実施形態による棘状突起検出のための画像処理ユニット１００に含まれる例示の線構造抽出ユニット１２０Ａによって実行される動作を示す流れ図である。図５Ａに示されるように線強度マップ生成ユニット２５０は、乳房画像ＲＯＩを受け取り（Ｓ３０１）、複数のスケールで線強度マップの生成を行う（Ｓ３０３）。線強度マップ生成ユニット２５０は、複数のスケールで線強度マップ（Ｓ３０５）および線方位マップ（Ｓ３０７）を取得し、次いで線強度マップを細線化する（Ｓ３０９）。線および方向併合ユニット２６０は、複数のスケールで細線化された線強度マップおよび線方位マップを受け取り、細線化された線強度マップ（Ｓ３１０）および線方位マップ（Ｓ３１１）を併合して１つの線強さマップおよび１つの線方位マップを得る（Ｓ３２９）。選択的線除去ユニット２７０は、その線強さマップを受け取り、それから胸筋縁部の線を除去（Ｓ３４０）して胸筋縁部のアーチファクト無しの線強さマップを得る。

図５Ｂは、図５Ａに示される本発明の一実施形態による棘状突起検出のための画像処理ユニット１００に含まれる例示の線構造抽出ユニット１２０Ａによって実行される動作の詳細を示す流れ図である。棘状突起検出の性能は線構造抽出の性能に大いに依存する。棘状突起検出は、抽出された線構造が不十分である場合に信頼性がなく困難である。

典型的には、棘状突起の線は様々な幅を有する。棘状突起の線の幅は、スケール・パラメータσによって特徴づけることができる。スケール・パラメータσごとに、線構造抽出ユニット１２０Ａは乳房画像ＲＯＩ内部の画素で線強度および線方位を抽出する。線構造は線状カーネルを用いて最大フィルタ応答を調査することによって抽出される。標的の形状パターン、この場合は線、との高い相関関係は、標的（すなわち、線）の存在に対する高い確率を示すと考えられている。

Ｎ．ＫａｒｓｓｅｍｅｉｊｅｒおよびＧ．Ｍ．ｔｅ Ｂｒａｋｅによる「Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｓｔｅｌｌａｔｅ Ｄｉｓｔｏｒｔｉｏｎｓ ｉｎ Ｍａｍｍｏｇｒａｍｓ」（ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ、Ｖｏｌ．１５、Ｎｏ．５、１９９６年１０月、６１１〜６１９頁）で説明されたフィルタ方法が使用されており、その全体の内容は本明細書によって参照することにより組み込まれている。この目的のために、ガウス分布の２次方向導関数が線カーネルとして使用されている。他の線カーネルおよび分布を使用することもできる。

線強度マップＬ_σおよび線方位マップΘ_σは、様々な角度にわたって乳房画像ＲＯＩおよびカーネルの畳み込みの最大値をとることによって計算される。σは、検出されるべき線幅を制御するスケール・パラメータであり、したがって線構造解析のためにスケールを設定する。

Ｎ．ＫａｒｓｓｅｍｅｉｊｅｒおよびＧ．Ｍ．ｔｅ Ｂｒａｋｅによる「Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｓｔｅｌｌａｔｅ Ｄｉｓｔｏｒｔｉｏｎｓ ｉｎ Ｍａｍｍｏｇｒａｍｓ」（ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ、Ｖｏｌ．１５、Ｎｏ．５、１９９６年１０月、６１１〜６１９頁）で説明された技術（その全体の内容は本明細書によって参照することにより組み込まれている）を使用して、乳房Ｘ線撮影画像内部の画素での線強度および方位は下記に示されるように計算することができる。より正確には、乳房画像ＲＯＩ内の位置（ｘ，ｙ）での画素においてスケールσでの線強度および線方位は式（１）および（２）によって得られる。

ここで、Ｉは元の乳房画像ＲＯＩであり、＊は２−Ｄ畳み込み演算子であり、Ｋ_σ，θは次式によって与えられるガウス・カーネルの角度θでの第２次方向導関数である。

上記の式で検出されるべき線幅および角度は、σおよびθの適切な値を選ぶことによって調整することができる。

典型的には、棘状突起の線は様々な幅および方位を有する。線強度および線方位は、棘状突起構造を形成する様々な線構造を検出するために式（１）および（２）を使用して様々なσおよびθに対して計算することができる。しかし、様々なσおよびθに対して式（１）および（２）で畳み込みを適用すると大量のデータ処理が必要であり、実際のＣＡＤシステムにとって重大な計算問題を生成する。この困難を回避するためにはスケール・パラメータσに関係する多重スケール手法が、棘状突起の線構造を検出するために線構造抽出ユニット１２０Ａによって使用される。

図５Ｂに示されるように、画像操作ユニット１１０は乳房画像を入力し前処理し、乳房画像ＲＯＩを出力する（Ｓ２０２）。様々な幅を有する棘状突起の線を検出するために、スケール・パラメータσが検出されるべき棘状突起の線の幅により変えられる。線構造抽出ユニット１２０Ａは、この目的のために多重スケール手法を適用する。線強度マップ生成ユニット２５０は、様々なσ（Ｓ３０３＿０、Ｓ３０３＿１〜Ｓ３０３＿Ｑ）を使用することによってスケール０、１〜Ｑに対して線抽出方法を適用して、乳房画像ＲＯＩ内部の点（ｘ，ｙ）に関する線強度マップＬ_σ（ｘ，ｙ）（Ｓ３０５＿０、Ｓ３０５＿１〜Ｓ３０５＿Ｑ）および線方位マップΘ_σ（ｘ，ｙ）（Ｓ３０７＿０、Ｓ３０７＿１〜Ｓ３０７＿Ｑ）を得る。線および方向併合ユニット２６０は、線強度マップおよび線方位マップを受け取る。線および方向併合ユニット２６０は、様々な解析されたスケールにわたる線強度マップおよび線方位マップを統合する（Ｓ３２１）。この目的のために、線および方向併合ユニット２６０は、複数の線強度マップを１つの線強さマップに（Ｓ３２４）、複数の線方位マップを１つの線方位マップに（Ｓ３２６）統合する。したがって、２つの出力画像（１つの線方位マップおよび１つの線強度マップ）が生成される。線強度マップの画素での線方位は、線方位マップ内で対応する画素によって与えられる。

ステップＳ３２４で最終の線強度マップを得るために、最終の線強度マップ内の各画素は複数のスケール中で最大の線強度に設定される。例えば、画素Ｐ１が、ステップＳ３０５＿０でスケール０での線強度マップ内の線強度Ｌ_σ０（ｘ，ｙ）（ここで、σ０はスケール０に関連するスケール・パラメータである。）、ステップＳ３０５＿１でスケール１での線強度マップ内の線強度Ｌ_σ１（ｘ，ｙ）（ここで、σ１はスケール１に関連するスケール・パラメータ）からステップＳ３０５＿ＱでスケールＱでの線強度マップ内の線強度Ｌ_σＱ（ｘ，ｙ）（ここで、σＱはスケールＱに関連するスケール・パラメータ）までを有する場合、画素Ｐ１は、ステップＳ３２４で最終の線強度マップ内の線強度＝ｍａｘ（Ｌ_σ０（ｘ，ｙ），Ｌ_σ１（ｘ，ｙ）〜Ｌ_σＱ（ｘ，ｙ））を有するように設定される。本出願では、線強度マップは線強さマップとも呼ばれる。

ステップＳ３２６で最終の線方位マップを得るために、最終の線方位マップでの各画素の線方位は、線強度が複数のスケール中で最大値を生じるスケールでの線方位に設定される。例えば、画素Ｐ１が、ステップＳ３０５＿０でスケール０での線強度マップ内の線強度Ｌ_σ０（ｘ，ｙ）、ステップＳ３０５＿１でスケール１での線強度マップ内の線強度Ｌ_σ１（ｘ，ｙ）からステップＳ３０５＿ＱでスケールＱでの線強度マップ内の線強度Ｌ_σＱ（ｘ，ｙ）までを有し、画素Ｐ１に関する最大の画素線強度（ｍａｘ（Ｌ_σ０（ｘ，ｙ），Ｌ_σ１（ｘ，ｙ）〜Ｌ_σＱ（ｘ，ｙ））に等しい）がスケールｊ（０≦ｊ≦Ｑ）で生じる場合、ステップＳ３２６での最終の線方位マップ内の画素Ｐ１の線方位は、ステップＳ３０５＿ｊで得られるスケールｊでの線方位Θ_σｊ（ｘ，ｙ）であるように設定される。

次に、線および方向併合ユニット２６０は、線輝度マップおよび線方位マップからのデータを使用して線構造画像を得る（Ｓ３２９）。ステップＳ３２９で得られた線構造画像は、乳房画像中の識別された線を有する乳房画像であってよい。選択的線除去ユニット２７０は線構造画像を受け取る。線抽出アルゴリズムはしばしば乳房の胸筋縁部上で強い応答を生じるので、誤ったスピキュラ候補が胸筋縁部上で識別されうる。この種の誤ったスピキュラ候補を低減するために、選択的線除去ユニット２７０は胸筋縁部上の線を除去する（Ｓ３４０）。乳房の胸筋縁部は、手動でまたは自動的な胸筋縁部の検出技術を使用して決定することができる。

胸筋縁部の線除去は、線輝度マップおよび線方位マップが線構造画像を得るために結合される前または結合された後に行われてよい。

スケール０、１〜Ｑに対する線強度マップＬ_σ（ｘ，ｙ）からステップＳ３２４およびＳ３２６で最終の線強度マップおよび最終の線方位マップを得る前に、細線化された線マップを得ることができる。例えば、スケール０に対する細線化された線マップＬ_{σ０＿ｔｈｉｎｎｅｄ}（ｘ，ｙ）はスケール０に対する線強度マップＬ_σ０（ｘ，ｙ）からステップＳ３０９＿０で得ることができ、スケール１に対する細線化された線マップＬ_{σ１＿ｔｈｉｎｎｅｄ}（ｘ，ｙ）はスケール１に対する線強度マップＬ_σ１（ｘ，ｙ）からステップＳ３０９＿１で得ることができ、スケールＱに対する細線化された線マップＬ_{σＱ＿ｔｈｉｎｎｅｄ}（ｘ，ｙ）はスケールＱに対する線強度マップＬ_σＱ（ｘ，ｙ）からステップＳ３０９＿Ｑで得ることができる。任意の既存の細線化アルゴリズムを細線化された線マップを得るために使用すことができる。次いで、細線化された線マップＬ_{σ０＿ｔｈｉｎｎｅｄ}（ｘ，ｙ）、Ｌ_{σ１＿ｔｈｉｎｎｅｄ}（ｘ，ｙ）〜Ｌ_{σＱ＿ｔｈｉｎｎｅｄ}（ｘ，ｙ）は、ステップＳ３２４およびＳ３２６で最終の線強度マップおよび最終の線方位マップを得るために線強度マップＬ_σ０（ｘ，ｙ）、Ｌ_σ１（ｘ，ｙ）およびＬ_σＱ（ｘ，ｙ）の代わりに使用することができる。低い線輝度を有する線画素が除外されるときに線方位の推定がより正確であるので、線強度マップＬ_σ０（ｘ，ｙ）、Ｌ_σ１（ｘ，ｙ）およびＬ_σＱ（ｘ，ｙ）の代わりに細線化された線マップＬ_{σ０＿ｔｈｉｎｎｅｄ}（ｘ，ｙ）、Ｌ_{σ１＿ｔｈｉｎｎｅｄ}（ｘ，ｙ）〜Ｌ_{σＱ＿ｔｈｉｎｎｅｄ}（ｘ，ｙ）を使用すると線検出比を向上させる。

例示の実装形態では細線化は２値化を適用し、次いでモルフォロジー的手法を適用することによって実行される。

細線化ではなく、線強度マップがしきい値処理だけされてもよい。細線化と同様にしきい値処理は、低い線輝度を有する線画素を除外することによって線方位の推定をより正確にする。

図６は、図５Ａおよび図５Ｂに示される本発明の一実施形態による可操舵フィルタを使用して多重スケールの線構造抽出のために線強度抽出ユニット１２０Ａに含まれる線強度マップ生成ユニット２５０によって実行される動作を示す流れ図である。図６は、乳房画像ＲＯＩ内部の点に関する線強度Ｌ_σ（ｘ，ｙ）および線方位Θ_σ（ｘ，ｙ）を効率的に取得する技術を示す。

式（１）および（２）によって示されるように、スケール・パラメータσとすると様々な角度θに対する畳み込みＩ＊Ｋ_σ，θは、Θ_σ（ｘ，ｙ）およびＬ_σ（ｘ，ｙ）を得るために計算される必要がある。様々な角度θに対する畳み込みＩ＊Ｋ_σ，θを計算することは、計算処理上煩雑であり、実際のリアルタイム自動システムで実現するのは困難である。

計算処理上効率的な代替方法は、可操舵フィルタ方法を適用することであり、それによって畳み込みＩ＊Ｋ_σ，θは力づくで複数の角度θに対して計算されないようになる。可操舵フィルタは、Ｗ．Ｔ．Ｆｒｅｅｍａｎ および Ｅ．Ｈ．Ａｄｅｌｓｏｎによる「Ｔｈｅ Ｄｅｓｉｇｎ ａｎｄ Ｕｓｅ ｏｆ Ｓｔｅｅｒａｂｌｅ Ｆｉｌｔｅｒｓ」（ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ、Ｖｏｌ．１３、Ｎｏ．９、１９９１年９月、８９１〜９０６頁）（その全体の内容は本明細書によって参照することにより組み込まれている）で説明されるように、「任意の方位のフィルタが１組の「基本フィルタ」の線形結合として合成されている１種のフィルタ」である。基本フィルタは方位θと無関係であるように選択することができるが、基本フィルタの線形結合で使用される加重関数はθだけに依存する。Ｊ．Ｊ．ＫｏｅｎｄｅｒｉｎｋおよびＡ．Ｊ．ｖａｎ Ｄｏｏｒｎによる「Ｇｅｎｅｒｉｃ Ｎｅｉｇｈｂｏｒｈｏｏｄ Ｏｐｅｒａｔｏｒｓ」（ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ、ｖｏｌ１４、５９７〜６０５頁、１９９２年）、Ｗ．Ｔ．ＦｒｅｅｍａｎおよびＥ．Ｈ．Ａｄｅｌｓｏｎによる「Ｔｈｅ Ｄｅｓｉｇｎ ａｎｄ Ｕｓｅ ｏｆ Ｓｔｅｅｒａｂｌｅ Ｆｉｌｔｅｒｓ」（ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ、Ｖｏｌ．１３、Ｎｏ．９、１９９１年９月、８９１〜９０６頁）、および／またはＮ．ＫａｒｓｓｅｍｅｉｊｅｒおよびＧ．Ｍ．ｔｅ Ｂｒａｋｅによる「Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｓｔｅｌｌａｔｅ Ｄｉｓｔｏｒｔｉｏｎｓ ｉｎ Ｍａｍｍｏｇｒａｍｓ」（ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ、Ｖｏｌ．１５、Ｎｏ．５、１９９６年１０月、６１１〜６１９頁）（これらの３つの発表は本明細書によって参照することにより組み込まれている。）で説明されているように、Ｋ_σ，θは３つの基本フィルタだけを用いて表されることができることが知られている。したがって、Ｋ_σ，θは下記の式（４）で示されるように３つの基本フィルタだけを用いて表されることができる。

ここで、ｗ_σ，ｉ（ｘ，ｙ）は第ｉ番目の基本フィルタであり、ｋ_ｉ（θ）はその対応する重み付け関数である。

次いで、畳み込みの線形性によって、Ｉ＊Ｋ_σ，θは以下によって計算することができる。

式（１）および（２）から

であるので、極値のフィルタ応答Ｉ＊Ｋ_σ，θに関するθおよびＬ_σだけが必要とされる。

したがって、

を満足する方位（すなわち、角度θ）だけを調査することで十分であるので、Ｉ＊Ｋ_σ，θはすべての角度に対して計算される必要はない。

式（５）を使用して式

は以下になる。

式（６）が既知の閉形式解が利用できる一次元問題をもたらすとき、式（６）に対する解は計算処理上見いだすことは容易である。

したがって、スケール・パラメータσに対する線強度

および線方位

を見いだすために、基本フィルタｗ_σ，ｉおよび対応する重み付け関数ｋ_ｉ（θ）（ｉ＝１，２，３）とすると（Ｓ３８０）、線強度マップ生成ユニット２５０はＩ＊ｗ_σ，ｉ（ｉ＝１，２，３）を計算し（Ｓ３８２）、

に対する根θ_１およびθ_２を見いだし、２つの根θ_１およびθ_２でｋ_１（θ）（Ｉ＊ｗ_σ，１）＋ｋ_２（θ）（Ｉ＊ｗ_σ，２）＋ｋ_３（θ）（Ｉ＊ｗ_σ，３）の値を比較し（Ｓ３８６）、ｋ_１（θ）（Ｉ＊ｗ_σ，１）＋ｋ_２（θ）（Ｉ＊ｗ_σ，２）＋ｋ_３（θ）（Ｉ＊ｗ_σ，３）に関するより高い値をもたらす根を線方位Θ_σに選定し（Ｓ３０７Ａ）、角度Θ_σでのＩ＊ｗ_σ，ｉおよびｋ_ｉ（θ）を使用して角度Θ_σでの線強度Ｌ_σ＝Ｉ＊Ｋ_σ，Θσを得る（Ｓ３０５Ａ）。

図７は、図６に示される本発明の一実施形態による線強度および方位を得るために分離可能な基本カーネルを使用して畳み込み演算を行うために、線構造抽出ユニット１２０Ａに含まれる線強度マップ生成ユニット２５０によって実行される動作を示す流れ図である。図７は、図６のステップＳ３８２に関し、図６のステップＳ３０５Ａでの線強度を得るための例示の実施形態を説明する。

式（４）で表されるＫ_σ，θに関する基本フィルタｗ_σ，ｉおよび重み付け関数ｋ_ｉ（θ）に対する多くの選択肢がある。例えば、基本フィルタｗ_σ，ｉ＝Ｋ_{σ，ｉπ／３}（ｉ＝１，２，３）は、Ｎ．ＫａｒｓｓｅｍｅｉｊｅｒおよびＧ．Ｍ．ｔｅ Ｂｒａｋｅによる「Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｓｔｅｌｌａｔｅ Ｄｉｓｔｏｒｔｉｏｎｓ ｉｎ Ｍａｍｍｏｇｒａｍｓ」（ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ、Ｖｏｌ．１５、Ｎｏ．５、１９９６年１０月、６１１〜６１９頁）で使用されており、その全体の内容は本明細書によって参照することにより組み込まれている。これらの基本フィルタｗ_σ，ｉを使用すると、Ｋ_{σ，π／３}およびＫ_{σ，２π／３}が方向π／３および２π／３に対して分離可能でないので、Ｉ＊ｗ_σ，ｉの２−Ｄ畳み込み演算は計算処理上高価であるために依然として計算処理上煩雑である。さらに、Ｉ＊ｗ_σ，ｉの２−Ｄ畳み込み演算は、より大きいσに対して計算処理上、より一層高価である。

計算処理の複雑さを低減するために、下記の基本フィルタおよび重み付け関数がＫ_σ，θを表すために選択することができる。

ｋ_１（θ）＝ｃｏｓ^２θ （１０）
ｋ_２（θ）＝−２ｃｏｓθｓｉｎθ （１１）
ｋ_３（θ）＝ｓｉｎ^２θ （１２）
次いで、基本フィルタｗ_σ，ｉは以下の式（１３）、（１４）、（１５）、（１６）、（１７）、（１８）に示されるように分離可能なフィルタとして表すことができる。

ｗ_σ，１（ｘ，ｙ）＝ｓ_１（ｘ）ｓ_３（ｙ） （１３）
ｗ_σ，２（ｘ，ｙ）＝ｓ_２（ｘ）ｓ_２（ｙ） （１４）
ｗ_σ，３（ｘ，ｙ）＝ｓ_３（ｘ）ｓ_１（ｙ） （１５）
ここで、

基本フィルタのこの選択肢は、Ｗ．Ｔ．ＦｒｅｅｍａｎおよびＥ．Ｈ．Ａｄｅｌｓｏｎによる「Ｔｈｅ Ｄｅｓｉｇｎ ａｎｄ Ｕｓｅ ｏｆ Ｓｔｅｅｒａｂｌｅ Ｆｉｌｔｅｒｓ」（ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ、Ｖｏｌ．１３、Ｎｏ．９、１９９１年９月、８９１〜９０６頁）で説明されており、その全体の内容は本明細書によって参照することにより組み込まれている。式（１３）、（１４）、（１５）、（１６）、（１７）、（１８）で説明される分離可能なフィルタを使用することによって、図６の流れ図での２−ＤフィルタリングのステップＳ３８２は、ｘ方向およびｙ方向で連続して１−Ｄフィルタリングすることによって実行されることができる。

この目的のために、図７の流れ図に示されるようにスケール・パラメータσ（Ｓ３７８Ａ）の場合、分離可能なフィルタｗ_σ，ｉおよび対応する重み付け関数ｋ_ｉ（θ）（ｉ＝１，２，３）が式（１３）、（１４）、（１５）、（１６）、（１７）、（１８）に基づいて選択される（Ｓ３８０Ａ）。フィルタの分離可能性を使用して、ｘ方向の畳み込みおよびｙ方向の畳み込みがＩ＊ｗ_σ，１（Ｓ４０１、Ｓ４０３）、Ｉ＊ｗ_σ，２（Ｓ４１１、Ｓ４１３）、およびＩ＊ｗ_σ，３（Ｓ４２１、Ｓ４２３）を得るために行われる。

図６のステップＳ３０７Ａで得られる角度Θ_σについては、対応する重み付け関数ｋ_ｉ（θ）（ｉ＝１，２，３）を乗算してｋ_１（θ）（Ｉ＊ｗ_σ，１）（Ｓ４０５）、ｋ_２（θ）（Ｉ＊ｗ_σ，２）（Ｓ４１５）、およびｋ_３（θ）（Ｉ＊ｗ_σ，３）（Ｓ４２５）を得る。

ステップＳ４０５、Ｓ４１５およびＳ４２５の結果が加算されて（Ｓ４２８）、式（５）で説明されるように

として角度Θ_σでの線強度マップＩ＊Ｋ_σ，θを得る。

この方法では、角度θ＝Θ_σ（ｘ，ｙ）での線強度マップは画素位置（ｘ，ｙ）ごとに効率的に計算することができる。基本フィルタを使用する表現の分離可能性は、Ｎ＾２から２Ｎまでの画素あたりの計算を低減し、したがってＮ／２倍の高速化をもたらし、ここでＮは２−Ｄフィルタ・カーネルの幅または高さである。

図８Ａは、棘状突起構造を含む例示の乳房画像を示す。丸で囲まれた部位Ａ４６５は棘状突起構造を含む。図８Ｂは、図５Ｂに示される本発明の一実施形態により、ステップＳ３０５＿ｉ（ここで、０≦ｉ≦Ｑ）で線強度マップ生成ユニット２５０によって図８Ａでの乳房画像に関して得られた微細スケールの線強度マップを示す。図８Ｃは、図５Ｂに示される本発明の一実施形態により、ステップＳ３０５＿ｊ（ここで、０≦ｊ≦Ｑ、ｉ≠ｊ）で線強度マップ生成ユニット２５０によって得られた図８Ａでの乳房画像に関する中間スケールの線強度マップを示す。図８Ｄは、図５Ｂに示される本発明の一実施形態により、ステップＳ３０５＿ｋ（ここで、０≦ｋ≦Ｑ、ｋ≠ｉおよびｋ≠ｊ）で線強度マップ生成ユニット２５０によって得られた図８Ａでの乳房画像に関する粗スケールの線強度マップを示す。図８Ｅは、図５Ｂに示される本発明の一実施形態により、ステップＳ３０９＿ｉで図８Ｂの微細スケールの線強度マップから線強度マップ生成ユニット２５０によって得られた図８Ａでの乳房画像に関する微細スケールの細線化された線強度バイナリ・マップを示す。図８Ｆは、図５Ｂに示される本発明の一実施形態により、ステップＳ３０９＿ｊで図８Ｃの中間スケールの線強度マップから線強度マップ生成ユニット２５０によって得られた図８Ａでの乳房画像に関する中間スケールの細線化された線強度バイナリ・マップを示す。図８Ｇは、図５Ｂに示される本発明の一実施形態により、ステップＳ３０９＿ｋで図８Ｄの粗スケールの線強度マップから線強度マップ生成ユニット２５０によって得られた図８Ａでの乳房画像に関する粗スケールの細線化された線強度バイナリ・マップを示す。図８Ｈは、図５Ｂに示される本発明の一実施形態により、図８Ｅ、図８Ｆ、および図８Ｇの画像を含む複数のスケールの画像から線および方向併合ユニット２６０によってステップＳ３２９で得られた図８Ａでの乳房画像に関する線構造画像を示す。

図８Ｉは、他の例示の乳房画像を示す。線Ｌ４７７は乳房画像の胸筋縁部を表す。図８Ｊは、図５Ｂに示される本発明の一実施形態により、胸筋縁部を除去する前に図８Ｉの乳房画像に関して線および方向併合ユニット２６０によって得られた線構造画像を示す。線構造画像は、線Ｌ４７８などの乳房の胸筋縁部上の線を含む。この種の胸筋縁部の線は、胸筋縁部で誤ったスピキュラ候補を識別することに通ずる。図８Ｋは、図５Ｂに示される本発明の一実施形態により、胸筋縁部を除去した後に図８Ｉの乳房画像に関して選択的線除去ユニット２７０によって得られた線構造画像を示す。例えば、複数の線が領域Ｒ４７９内の胸筋縁部から除去された。

図９は、図２に示される本発明の一実施形態による棘状突起検出のための画像処理ユニット１００に含まれる特性マップ生成器ユニット１８０によって実行される動作を示す流れ図である。特性マップ生成器ユニット１８０は、乳房画像ＲＯＩに対する線強さ画像および線方位画像に関するデータを受け取り（Ｓ５０１）、乳房画像データに関するスピキュラ特性値（Ｓ５０３）ならびに乳房画像データに関する平滑化したスピキュラ特性値（Ｓ５０５）を計算する。スピキュラ特性値は、線強さ画像および線方位画像を含む線構造画像での線構造に基づいて計算される。次いで、特性マップ生成器ユニット１８０はスピキュラ特性値を出力する（Ｓ５０７）。

１つの例示の実施形態では、１０個のスピキュラ特性値が線強さ画像および線方位画像を含む線構造画像に対して計算される。

図１０Ａは、図９に示される本発明の一実施形態による棘状突起検出のための画像処理ユニット１００に含まれる特性マップ生成器ユニット１８０によって棘状突起の特性を計算する動作の態様を示す。線集中度の特性は図９のステップＳ５０３で特性マップ生成器ユニット１８０によって計算されることができる。

特性マップ生成器ユニット１８０によって計算される線集中度の特性測度は、Ｎ．ＫａｒｓｓｅｍｅｉｊｅｒおよびＧ．Ｍ．ｔｅ Ｂｒａｋｅによる「Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｓｔｅｌｌａｔｅ Ｄｉｓｔｏｒｔｉｏｎｓ ｉｎ Ｍａｍｍｏｇｒａｍｓ」（ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ、Ｖｏｌ．１５、Ｎｏ．５、１９９６年１０月、６１１〜６１９頁）（その全体の内容は本明細書によって参照することにより組み込まれている）で開発された特性と同様である。乳房画像ＲＯＩで対象とする各画素ｉについて、Ａ_ｉを灰色の輪Ｒ５５６内での線画素の組とし、Ｓ_ｉをＡ_ｉに属し中央の円Ｃ５５２に配向する画素の組とする。灰色の輪Ｒ５５６は、中心として画素ｉ、内輪の半径Ｒ＿ｉｎ、および外輪の半径Ｒ＿ｏｕｔを有し、中央の円Ｃ５５２は、中心として画素ｉおよび半径Ｒを有する。Ｎ_ｉをＳ_ｉでの画素数とする。Ｋ_ｉはその対応する確率変数であり、Ａ_ｉに属し中央の円Ｃ５５２に配向する画素数であるとする。つまり、Ｎ_ｉは確率変数Ｋ_ｉの実現値である。線方位が均一に分布されていると仮定して、Ｋ_ｉの期待値および標準偏差が計算される。線集中度の特性測度は式（１９）によって定義される統計値である。

次いで、スピキュラ集中度の特性の計算中に生成される線の統計値が、下記に説明される他のすべてのスピキュラ特性で再使用される。

図１０Ｂは、棘状突起構造を含む例示の乳房Ｘ線ＲＯＩ画像を示す。図１０Ｃは、図５Ｂに示される本発明の一実施形態により、図１０Ｂに示される例示の乳房Ｘ線ＲＯＩ画像に対して抽出された線構造マップを示す。図１０Ｃに示される線構造マップは、図１０Ｂの元のＲＯＩ画像に関する輪Ｒ５５６Ａに対して抽出されている。図１０Ｄは、図１０Ａに示される本発明の一実施形態により、図１０Ｃに示される線構造マップから得られた放射状線のマップを示す。図１０Ｄの放射状線のマップ内で黒でない色を有する画素は、灰色の輪Ｒ５５６Ａでの線画素Ｓ_ｉの組であり、ここで線画素は中央の円Ｃ５５２Ａに配向する。これから、Ｎ_ｉは図１０Ｄの放射状線のマップ内で黒でない画素数となる。

画像ｉに関する方向性エントロピの特性を計算するために、Ｓ_ｉでの線構造マップが調査される。方向性エントロピの特性が画素ｉに関する線画素数に基づいて計算されるとする。ヒストグラムが、Ｓ_ｉでのすべての放射状線画素の角度に対して生成される。Ｌ_ｉ，ｋを角度ヒストグラムから第ｋ番目のビンでの画素数であるとする。すなわち、

次いで、方向性エントロピの特性は、式（２０）で表されるようにこのヒストグラムに基づいて計算されるエントロピによって定義される。すなわち、

式（２０）によって説明される特性は、発明者Ｓｈｉ ＣｈａｏおよびＴａｋｅｏ Ｈｉｄｅｙａによる「Ａｂｎｏｒｍａｌ Ｐａｔｔｅｒｎ Ｄｅｔｅｃｔｉｎｇ Ａｐｐａｒａｔｕｓ」と題する米国特許出願公開第２００４／０１５１３５７（その全体の内容は本明細書によって参照することにより組み込まれている）での方向性エントロピと同様であるが、本開示内の式（２０）によって説明される特性と米国特許出願公開第２００４／０１５１３５７での方向性エントロピとの間に２つの重要な差異がある。第１には、ｆ_ｉ，２は画素Ｓ_ｉだけに基づいて計算されるが、スピキュラの中心に配向していない画素の多様性を考慮する動機づけが米国特許出願公開第２００４／０１５１３５７にはなかったので米国特許出願公開第２００４／０１５１３５７での方向性エントロピはＡ_ｉに対して計算された。第２には、角度ヒストグラムが画素ベースの方法でΘ_σから計算されるが、米国特許出願公開第２００４／０１５１３５７での線方向は接続された線ごとに１つの方向にラベルを付けることによって計算される。

棘状突起検出のために特性マップ生成器ユニット１８０によって計算される他の特性は、線方位多様性の特性である。この線方位多様性の特性を計算するために、ｎ_＋，ｉを、Ｌ_ｉ，ｋが線方位が不規則であるという仮定に基づいて計算された中央値より大きいとしたときのビン数とする。Ｎ_＋，ｉは不規則な変数であると仮定するとそれはビン数であり、ここで、Ｌ_ｉ，ｋは線方位が不規則であるという仮定に基づいて計算された中央値より大きい。つまり、ｎ_＋，ｉはＮ_＋，ｉの実現値である。次いで、線方位多様性の特性は以下として定義される。

線方位多様性の特性は、Ｎ．ＫａｒｓｓｅｍｅｉｊｅｒおよびＧ．Ｍ．ｔｅ Ｂｒａｋｅによる「Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｓｔｅｌｌａｔｅ Ｄｉｓｔｏｒｔｉｏｎｓ ｉｎ Ｍａｍｍｏｇｒａｍｓ」（ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ、Ｖｏｌ．１５、Ｎｏ．５、１９９６年１０月、６１１〜６１９頁）（その全体の内容は本明細書によって参照することにより組み込まれている）で開発された特性と同様である。

１つまたは２つの強い線だけが棘状突起構造内に存在する多くの場合には、スピキュラ特性（特に、線集中度の特性および線方位多様性の特性）は高い応答性を有し、ほとんど特異性を有さない。この種の場合での棘状突起検出を支援するために、２つの追加の線形性の特性が棘状突起検出のために特性マップ生成器ユニット１８０によって計算される。使用される２つの追加のスピキュラ線形性の特性は以下の式（２２）および（２３）によって説明される。

式（２２）および（２３）で使用されるビンを得るために、方向はいくつかのビンに分けられ、次いで各方向ビンでの放射状線画素が計算される。次いで、ほとんどの放射状線画素を有する３つのビンが選択されて、式（２２）および（２３）で使用される「上位３つの方向ビン」を得る。

典型的には特性マップ画像は、それらが雑音および小さい画素の位置の差異に影響を受け易いのできめが粗い。雑音の影響を低減するために、平滑化された特性画像のための平滑化されたスピキュラ特性が、棘状突起検出のために特性マップ生成器ユニット１８０によって抽出される。平滑化されたスピキュラ特性は、平滑化フィルタを用いてフィルタリングすることによって抽出することができる。５つの平滑化されたスピキュラ特性ｆ_ｉ，６、ｆ_ｉ，７、ｆ_ｉ，８、ｆ_ｉ，９、ｆ_ｉ，１０が計算される。５つの平滑化されたスピキュラ特性は、式（１９）、（２０）、（２１）、（２２）、および（２３）によって説明される５つの特性ｆ_ｉ，１、ｆ_ｉ，２、ｆ_ｉ，３、ｆ_ｉ，４、ｆ_ｉ，５を平滑化することによって得られる。

図１１は、図２に示される本発明の一実施形態による棘状突起検出のための画像処理ユニット１００に含まれるスピキュラ候補決定ユニット１９０によって実行される動作を示す流れ図である。スピキュラ候補決定ユニット１９０は、乳房画像ＲＯＩに属する画素ｉに関する１０個の特性に対する値ｆ_ｉ，１、ｆ_ｉ，２、ｆ_ｉ，３、ｆ_ｉ，４、ｆ_ｉ，５、ｆ_ｉ，６、ｆ_ｉ，７、ｆ_ｉ，８、ｆ_ｉ，９、ｆ_ｉ，１０を特性マップ生成器ユニット１８０から受け取る（Ｓ６０５）。次いで、スピキュラ候補決定ユニット１９０は特性値を使用してスピキュラ候補を予測し（Ｓ６０９）、スピキュラ候補を出力する（Ｓ６１１）。スピキュラ候補決定ユニット１９０は、ＳＶＭ予測子を使用してスピキュラ候補を予測することができる。ＳＶＭ予測子は、識別されたスピキュラ構造を有する乳房画像の組を使用してオフラインで調整される。

１０個より多いまたは少ない特性が棘状突起構造を検出するために使用されてもよい。

乳房画像ＲＯＩに属する画素ｉに関する１０個のスピキュラ特性値ｆ_ｉ，１、ｆ_ｉ，２、ｆ_ｉ，３、ｆ_ｉ，４、ｆ_ｉ，５、ｆ_ｉ，６、ｆ_ｉ，７、ｆ_ｉ，８、ｆ_ｉ，９、ｆ_ｉ，１０を使用する１つの例示の実施形態では、ＳＶＭ予測子は、入力ベクトルとして１０個の特性ｆ_ｉ，１、ｆ_ｉ，２、ｆ_ｉ，３、ｆ_ｉ，４、ｆ_ｉ，５、ｆ_ｉ，６、ｆ_ｉ，７、ｆ_ｉ，８、ｆ_ｉ，９、ｆ_ｉ，１０（または、可用性に応じてより多くのまたはより少ない特性）を使用し、最終の棘状突起の特性としてＳＶＭ予測スコアを計算する。

１つの例示の実施形態では、ＳＶＭ予測子はＳＶＭスコアに基づいて２つのスピキュラ候補を選定する。１つの乳房領域で重複した候補を避けるために、２つのスピキュラ候補が、それらが空間的に互いに十分に離れているように選択することができる。

スピキュラ識別のための最終の特性としてＳＶＭ予測スコアを使用すると、決定境界で自由度を与えることによって性能が向上する。本出願で示された棘状突起検出の方法および装置は、典型的な／従来の棘状突起検出アルゴリズムより正確であり、Ｎ．ＫａｒｓｓｅｍｅｉｊｅｒおよびＧ．Ｍ．ｔｅ Ｂｒａｋｅによる「Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｓｔｅｌｌａｔｅ Ｄｉｓｔｏｒｔｉｏｎｓ ｉｎ Ｍａｍｍｏｇｒａｍｓ」（ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ、Ｖｏｌ．１５、Ｎｏ．５、１９９６年１０月、６１１〜６１９頁）で示された棘状突起検出アルゴリズムと比較して計算処理上、より効率的である。したがって、本発明の利点は容易に明らかである。

本出願において説明した方法および装置は棘状突起構造を検出し、癌腫瘤の検出を可能にする。本出願において説明した方法および装置は自動であり、乳癌のコンピュータ支援検出で使用することができる。本出願において説明した方法および装置は、乳房以外の他の解剖学上の部位での棘状突起構造および悪性腫瘤を検出するために使用することができる。例えば、本出願において説明した方法および装置は、肺癌での棘状突起構造および悪性腫瘤を検出するために使用することができる。

本発明の詳細な実施形態および実装形態が上述されているが、様々な変形が本発明の精神および範囲から逸脱することなく可能であることは明らかである。

本発明の一実施形態による棘状突起検出のための画像処理ユニットを含むシステムの概略構成図である。 本発明の一実施形態による棘状突起検出のための画像処理ユニットのより詳細な態様を示す構成図である。 図２に示される本発明の一実施形態による棘状突起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に示される本発明の一実施形態による棘状突起検出のための画像処理ユニットに含まれる例示の線構造抽出ユニットを示す構成図である。 図４に示される本発明の一実施形態による棘状突起検出のための画像処理ユニットに含まれる例示の線構造抽出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５Ａに示される本発明の一実施形態による棘状突起検出のための画像処理ユニットに含まれる例示の線構造抽出ユニットによって実行される動作の詳細を示す流れ図である。 図５Ａおよび図５Ｂに示される本発明の一実施形態による可操舵フィルタを使用して多重スケールの線構造抽出のために線構造抽出ユニットに含まれる線強度マップ生成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に示される本発明の一実施形態による線強度および方位を得るために、分離可能な基本カーネルを使用して畳み込み演算を行うために線構造抽出ユニットに含まれる線強度マップ生成ユニットによって実行される動作を示す流れ図である。 棘状突起構造を含む例示の乳房画像を示す図である。 図５Ｂに示される本発明の一実施形態による線強度マップ生成ユニットによって得られた図８Ａでの乳房画像に関する例示の微細スケールの線強度マップを示す図である。 図５Ｂに示される本発明の一実施形態による線強度マップ生成ユニットによって得られた図８Ａでの乳房画像に関する例示の中間スケールの線強度マップを示す図である。 図５Ｂに示される本発明の一実施形態による線強度マップ生成ユニットによって得られた図８Ａでの乳房画像に関する例示の粗スケールの線強度マップを示す図である。 図５Ｂに示される本発明の一実施形態による線強度マップ生成ユニットによって得られた図８Ａでの乳房画像に関する例示の微細スケールの細線化された線強度バイナリ・マップを示す図である。 図５Ｂに示される本発明の一実施形態による線強度マップ生成ユニットによって得られた図８Ａでの乳房画像に関する例示の中間スケールの細線化された線強度バイナリ・マップを示す図である。 図５Ｂに示される本発明の一実施形態による線強度マップ生成ユニットによって得られた図８Ａでの乳房画像に関する例示の粗スケールの細線化された線強度バイナリ・マップを示す図である。 図５Ｂに示される本発明の一実施形態による線および方向併合ユニットによって得られた図８Ａでの乳房画像に関する例示の線構造画像を示す図である。 他の例示の乳房画像を示す図である。 図５Ｂに示される本発明の一実施形態による胸筋縁部を除去する前に線および方向併合ユニットによって得られた図８Ｉの乳房画像に関する例示の線構造画像を示す図である。 図５Ｂに示される本発明の一実施形態による胸筋縁部を除去した後に選択的線除去ユニットによって得られた図８Ｉの乳房画像に関する例示の線構造画像を示す図である。 図２に示される本発明の一実施形態による棘状突起検出のための画像処理ユニットに含まれる特性マップ生成器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９に示される本発明の一実施形態による棘状突起検出のための画像処理ユニットに含まれる特性マップ生成器ユニットによって棘状突起の特性を計算する動作の態様を示す図である。 棘状突起構造を含む例示の乳房Ｘ線ＲＯＩ画像を示す図である。 図５Ｂに示される本発明の一実施形態により、図１０Ｂに示される例示の乳房Ｘ線ＲＯＩ画像に関して抽出された線構造マップを示す図である。 図１０Ａに示される本発明の一実施形態により、図１０Ｃに示される線構造マップから得られた放射状線のマップを示す図である。 図２に示される本発明の一実施形態による棘状突起検出のための画像処理ユニットに含まれるスピキュラ候補決定ユニットによって実行される動作を示す流れ図である。

Claims (26)

1. 医用画像におけるスピキュラ候補を識別する画像処理方法であって、
   組織領域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、
   分離可能なフィルタを使用して、少なくとも１つのスケールに対して前記組織領域に関する少なくとも１つの線方位マップおよび少なくとも１つの線強度マップを生成することによって前記デジタル画像データを処理するステップと、
   前記少なくとも１つの線方位マップおよび前記少なくとも１つの線強度マップに基づいてスピキュラ特性値を計算する計算ステップと、
   前記計算された特性値に基づいてスピキュラ候補を識別する識別ステップと、
   を備える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、前記組織領域に関する前記少なくとも１つの線強度マップを生成するために前記デジタル画像データを処理する前記ステップは、ｘ方向およびｙ方向において連続した１次元のフィルタリングを行うことによって角度θでの線強度を計算することを特徴とする画像処理方法。
3. 請求項２に記載の画像処理方法であって、前記分離可能なフィルタは、σをｓスケール・パラメータとして、式
   

   

   によって表され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、前記分離可能なフィルタは可操舵フィルタであることを特徴とする画像処理方法。
5. 請求項１に記載の画像処理方法であって、さらに、前記計算ステップの前に前記少なくとも１つの線強度マップを細線化するステップを備えたことを特徴とする画像処理方法。
6. 請求項１に記載の画像処理方法であって、スピキュラ特性値を計算する前記計算ステップは、前記少なくとも１つの線方位マップおよび前記少なくとも１つの線強度マップを使用して、対象とする複数の画素のそれぞれに対して、線集中度測度、方向性エントロピ測度、線方位多様性測度、および線形性測度のうちの少なくとも１つを計算するステップを含むことを特徴とする画像処理方法。
7. 請求項６に記載の画像処理方法であって、前記線形性測度は、線の強さの関数として重み付けされた特性を表す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、さらに、前記スピキュラ特性値を平滑化する平滑化ステップをさらに備え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、スピキュラ候補を識別する前記識別ステップは、前記計算されたスピキュラ特性値および前記平滑化されたスピキュラ特性値を使用してスピキュラ候補を識別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、さらに、前記少なくとも１つの線強度マップから胸筋縁部の線を除去するステップを備えたことを特徴とする画像処理方法。
11. 請求項１に記載の画像処理方法であって、さらに、線構造マップを得るために前記少なくとも１つのスケールに対して前記少なくとも１つの線方位マップおよび前記少なくとも１つの線強度マップを併合するステップを備え、前記少なくとも１つのスケールは少なくとも２つのスケールを含み、前記線構造マップは前記計算ステップによって使用されることを特徴とする画像処理方法。
12. 請求項１に記載の画像処理方法であって、前記識別ステップは、前記計算された特性値に基づいてスピキュラ候補を検出するためにサポート・ベクトル・マシーン分類子を使用することを特徴とする画像処理方法。
13. 請求項１に記載の画像処理方法であって、前記組織領域は、乳房領域内に含まれることを特徴とする画像処理方法。
14. 医用画像におけるスピキュラ候補を識別する画像処理装置であって、
    組織領域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、
    前記デジタル画像データを処理し、分離可能なフィルタを使用して少なくとも１つのスケールに対して前記組織領域に関する少なくとも１つの線方位マップおよび少なくとも１つの線強度マップを生成する線構造抽出ユニットと、
    前記少なくとも１つの線方位マップおよび前記少なくとも１つの線強度マップに基づいてスピキュラ特性値を計算する特性マップ生成器ユニットと、
    前記計算された特性値に基づいてスピキュラ候補を識別するスピキュラ候補決定ユニットを備えたことを特徴とする画像処理装置。
15. 請求項１４に記載の画像処理装置であって、前記線構造抽出ユニットは、前記組織領域に関する前記少なくとも１つの線構造マップを生成するためにｘ方向およびｙ方向で連続した１次元のフィルタリングを行うことによって角度θでの線強度を計算することを特徴とする画像処理装置。
16. 請求項１５に記載の画像処理装置であって、前記分離可能なフィルタは、σをｓスケール・パラメータとして、式
    

    

    によって表されることを特徴とする画像処理装置。
17. 請求項１４に記載の画像処理装置であって、前記分離可能なフィルタは、可操舵フィルタであることを特徴とする画像処理装置。
18. 請求項１４に記載の画像処理装置であって、前記線構造抽出ユニットは前記少なくとも１つの線強度マップに対して細線化を行うことを特徴とする画像処理装置。
19. 請求項１４に記載の画像処理装置であって、前記特性マップ生成器ユニットは、前記少なくとも１つの線方位マップおよび前記少なくとも１つの線強度マップを使用して、対象とする複数の画素のそれぞれに対して線集中度測度、方向性エントロピ測度、線方位多様性測度、および線形性測度のうちの少なくとも１つを計算することによってスピキュラ特性値を計算する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、前記線形性測度は、線の強さの関数として重み付けされた特性を表すことを特徴とする画像処理装置。
21. 請求項１４に記載の画像処理装置であって、前記特性マップ生成器ユニットは、平滑化されたスピキュラ特性値を得るために前記スピキュラ特性値を平滑化することを特徴とする画像処理装置。
22. 請求項２１に記載の画像処理装置であって、前記スピキュラ候補決定ユニットは、前記計算されたスピキュラ特性値および前記平滑化されたスピキュラ特性値を使用してスピキュラ候補を識別することを特徴とする画像処理装置。
23. 請求項１４に記載の画像処理装置であって、前記線構造抽出ユニットは、前記少なくとも１つの線強度マップから胸筋縁部の線を除去することを特徴とする画像処理装置。
24. 請求項１４に記載の画像処理装置であって、前記線構造抽出ユニットは、線構造マップを得るために前記少なくとも１つのスケール
    に対して前記少なくとも１つの線方位マップおよび前記少なくとも１つの線強度マップを併合し、前記少なくとも１つのスケールは少なくとも２つのスケールを含み、前記線構造マップは前記特性マップ生成器ユニットによって使用されることを特徴とする画像処理装置。
25. 請求項１４に記載の画像処理装置であって、前記スピキュラ候補決定ユニットは、前記計算された特性値に基づいてスピキュラ候補を検出するためにサポート・ベクトル・マシーン分類子を含むことを特徴とする画像処理装置。
26. 請求項１４に記載の画像処理装置であって、前記組織領域は、乳房領域内に含まれることを特徴とする画像処理装置。

Images