JP2008520396A - 放射線写真の射影図を認識する方法 - Google Patents

Abstract

本発明は、放射線写真の射影図を認識する方法に係る。当該方法は、入力放射線写真の向きを修正する段階、放射線写真において関心領域を位置決めする段階、放射線写真の射影図を認識する段階、を有する。

Description

本発明は総じて、放射線写真を処理する技術に係り、より特には、放射線写真の射影図（ｐｒｏｊｅｃｔｉｏｎ ｖｉｅｗ）を自動的に認識する技術に係る。

放射線写真の射影図を認識する重要性は、以下の２つの態様を有する。第１に、画像レンダリング手順の自動化、及び画像表示品質の最適化を助け得る。コンピュータラジオグラフ（ＣＲ）装置のワークフローによれば、技術者は、検査において依頼された放射線写真を取り、続いてカセットと関連付けられる射影図において手動で打ち込むと同時に各ＣＲカセットをスキャンする。この射影図情報は、検査が依頼される際に得られる体部位情報と共に、放射線写真の特徴を割り出し、画像レンダリングパラメータの選択に直接影響を与える。したがって、放射線写真の射影図の認識の成功は、放射線技師の入力の必要性を排除し、画像レンダリング工程を自動化し、ワークフローを迅速に処理する助けとなり得る。第２に、射影図認識はまた、画像補完通信システム（ＰＡＣＳ）における画像管理に益を有し得る。例えば、射影図情報が画像内容から自動的に導かれる場合、画像ヘッダにおける不正確な情報又は情報の紛失の発生を低減し、また、ＰＡＣＳにおける医療画像管理システムをより合理的且つ効率的なものとし得る。

しかしながら、放射線写真は多種の検査状態下でとられることがしばしばあるため、放射線写真の射影図の認識は、難しい問題である。患者の姿勢及び寸法は様々であり得るため、放射線技師の選択は、患者の状況に依存する。かかる全ての要因により、同一の検査からの放射線写真は、大変異なるように見える。人間は、画像内容をとらえ、それを意味のある対象物へとグループ分けし、それを状況からの情報（即ち医学検査）と合致させることにより、放射線写真の射影図を識別するよう、高度の動作（ｓｅｍａｎｔｉｃｓ）を使用する傾向がある。

医療画像の射影図認識に対する試みは、いくつかなされてきている。例えば、Ｉ．Ｋａｗａｓｈｉｔａ外（「Ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ Ｃｏｍｐｕｔｅｒｉｚｅｄ Ｍｅｔｈｏｄ ｆｏｒ Ａｕｔｏｍａｔｅｄ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ｂｏｄｙ Ｐａｒｔｓ ｉｎ Ｄｉｇｉｔａｌ Ｒａｄｉｏｇｒａｐｈｓ」、ＲＳＮＡ２００２）（非特許文献１）は、６つの身体部位を分類する方法を示す。該方法は、一式の所定のテンプレート画像に対して所定の画像の類似を、類似測定として相互相関値を使用することによって調べる。しかしながら、かかるテンプレート画像の手動の生成は、大変時間がかかり、より特には、観察者に大いに依存するものであり、分類においてエラーをもたらし得る。Ｇｕｌｄ外（「Ｃｏｍｐａｒｉｓｏｎ ｏｆ Ｇｌｏｂａｌ Ｆｅａｔｕｒｅｓ ｆｏｒ Ｃａｔｅｇｏｒｉｚａｔｉｏｎ ｏｆ Ｍｅｄｉｃａｌ Ｉｍａｇｅｓ」、ＳＰＩＥ ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ ２００４）（非特許文献２）は、分類に対して画像から抽出された一式の全体的な特性（ｇｌｏｂａｌ ｆｅａｔｕｒｅｓ）を査定する方法を開示する。いずれの方法においても、無関係且つしばしば混乱させるデータの影響を低減するよう実施される前処理はない。例えば、露光中のＸ線コリメータのブロッキングによってもたらされる露光されない領域は、画像を取り巻く顕著な白色の境界線をもたらし得る。出願人は、かかる領域が前処理を行う段階において除去されず、よって類似測定の算出において使用される場合、分類結果は深刻に偏られ得る、ことを留意している。

近年の文献は、ナチュラルシーン画像の分類に焦点を合わせる。例としてあげられるのは、ＱＢＩＣ（Ｗ．Ｎｉｂｌａｃｋ外著、「Ｔｈｅ ＱＢＩＣ ｐｒｏｊｅｃｔ： Ｑｕｅｒｙｉｎｇ ｉｍａｇｅｓ ｂｙ ｃｏｎｔｅｎｔ ｕｓｉｎｇ ｃｏｌｏｒ， ｔｅｘｔｕｒｅ， ａｎｄ ｓｈａｐｅ」、Ｐｒｏｃ．ＳＰＩＥ Ｓｔｏｒａｇｅ ａｎｄ Ｒｅｔｒｉｅｖａｌ ｆｏｒ Ｉｍａｇｅｓ ａｎｄ Ｖｉｄｅｏ Ｄａｔａｂａｓｅｓ
、１９９４年２月）（非特許文献３）、Ｐｈｏｔｏｂｏｏｋ （Ａ．Ｐｅｎｔｌａｎｄ外著、「Ｐｈｏｔｏｂｏｏｋ： Ｃｏｎｔｅｎｔ−ｂａｓｅｄ ｍａｎｉｐｕｌａｔｉｏｎ ｏｆ ｉｍａｇｅ ｄａｔａｂａｓｅ」、Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ、１９９６年）（非特許文献４）、Ｖｉｒａｇｅ（Ｊ．Ｒ．Ｂａｃｈ外著、（「Ｔｈｅ Ｖｉｒａｇｅ ｉｍａｇｅ ｓｅａｒｃｈ ｅｎｇｉｎｅ： Ａｎ ｏｐｅｎ ｆｒａｍｅｗｏｒｋ ｆｏｒ ｉｍａｇｅ ｍａｎａｇｅｍｅｎｔ」、Ｐｒｏｃ．ＳＰＩＥ Ｓｔｏｒａｇｅ ａｎｄ Ｒｅｔｒｉｅｖａｌ ｆｏｒ ｉｍａｇｅ ａｎｄ Ｖｉｄｅｏ Ｄａｔａｂａｓｅ、第２６７０巻、ｐｐ．７６−９７、１９９６年）（非特許文献５）、Ｖｉｓｕａｌｓｅｅｋ（Ｒ．Ｓｍｉｔｈ外著、「Ｖｉｓｕａｌｓｅｅｋ：Ａ ｆｕｌｌｙ ａｕｔｏｍａｔｅｄ ｃｏｎｔｅｎｔ−ｂａｓｅｄ ｉｍａｇｅ ｑｕｅｒｙ ｓｙｓｔｅｍ」、Ｐｒｏｃ ＡＣＭ Ｍｕｌｔｉｍｅｄｉａ ９６、１９９６年）（非特許文献６）、Ｎｅｔｒａ（Ｍａ外著、「Ｎｅｔｒａ： Ａ ｔｏｏｌｂｏｘ ｆｏｒ ｎａｖｉｇａｔｉｎｇ ｌａｒｇｅ ｉｍａｇｅ ｄａｔａｂａｓｅｓ」、Ｐｒｏｃ ＩＥＥＥ Ｉｎｔ． Ｃｏｎｆ． Ｏｎ Ｉｍａｇｅ Ｐｒｏｃ．、１９９７年）（非特許文献７）、及び、ＭＡＲ（Ｔ．Ｓ．Ｈｕａｎｇ外著、「Ｍｕｌｔｉｍｅｄｉａ ａｎａｌｙｓｉｓ ａｎｄ ｒｅｔｒｉｅｖａｌ ｓｙｓｔｅｍ （ＭＡＲＳ） ｐｒｏｊｅｃｔ」、Ｐｒｏｃ ｏｆ ３３ｒｄ Ａｎｎｕａｌ Ｃｌｉｎｉｃ ｏｎ Ｌｉｂｒａｒｙ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｄａｔａ Ｐｒｏｃｅｓｓｉｎｇ Ｄｉｇｉｔａｌ Ｉｍａｇｅ Ａｃｃｅｓｓ ａｎｄ Ｒｅｔｒｉｅｖａｌ、１９９６年）（非特許文献８）である。かかるシステムは、同一の計算パラダイムに従い、該計算パラダイムは、画像を全構成要素（ｗｈｏｌｅ ｅｎｔｉｔｙ）として扱い、それを色、テクスチャ、形状、配置等である一式の低レベル特性又は属性（ｌｏｗ−ｌｅｖｅｌ ｆｅａｔｕｒｅｓ ｏｒ ａｔｔｒｉｂｕｔｅ）を介して示す。典型的には、かかる特性属性は共に、かかる低レベル視覚的特性ベクトルを集めて１つにすることに基いた画像分類及び特性ベクトルを形成する。多くの場合において、最も効率的な特性は、色である。しかしながら、色情報は、放射線写真においては使用可能ではない。したがって、かかる方法は、放射線写真投射図認識に対して直接的には適切ではない。

先行技術の制限を前提として、放射線写真の射影図を自動的に認識する方法は、必要とされる。かかる方法は、放射線写真における大きなばらつきに対処するよう、十分に堅固であるべきである。
Ｉ．Ｋａｗａｓｈｉｔａ外著、「Ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ Ｃｏｍｐｕｔｅｒｉｚｅｄ Ｍｅｔｈｏｄ ｆｏｒ Ａｕｔｏｍａｔｅｄ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ｂｏｄｙ Ｐａｒｔｓ ｉｎ Ｄｉｇｉｔａｌ Ｒａｄｉｏｇｒａｐｈｓ」、ＲＳＮＡ２００２ Ｇｕｌｄ外著、「Ｃｏｍｐａｒｉｓｏｎ ｏｆ Ｇｌｏｂａｌ Ｆｅａｔｕｒｅｓ ｆｏｒ Ｃａｔｅｇｏｒｉｚａｔｉｏｎ ｏｆ Ｍｅｄｉｃａｌ Ｉｍａｇｅｓ」、ＳＰＩＥ ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ ２００４ Ｗ．Ｎｉｂｌａｃｋ外著、「Ｔｈｅ ＱＢＩＣ ｐｒｏｊｅｃｔ： Ｑｕｅｒｙｉｎｇ ｉｍａｇｅｓ ｂｙ ｃｏｎｔｅｎｔ ｕｓｉｎｇ ｃｏｌｏｒ， ｔｅｘｔｕｒｅ， ａｎｄ ｓｈａｐｅ」、Ｐｒｏｃ．ＳＰＩＥ Ｓｔｏｒａｇｅ ａｎｄ Ｒｅｔｒｉｅｖａｌ ｆｏｒ Ｉｍａｇｅｓ ａｎｄ Ｖｉｄｅｏ Ｄａｔａｂａｓｅｓ、１９９４年２月 Ａ．Ｐｅｎｔｌａｎｄ外著、「Ｐｈｏｔｏｂｏｏｋ： Ｃｏｎｔｅｎｔ−ｂａｓｅｄ ｍａｎｉｐｕｌａｔｉｏｎ ｏｆ ｉｍａｇｅ ｄａｔａｂａｓｅ」、Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ、１９９６年 Ｊ．Ｒ． Ｂａｃｈ外著、（「Ｔｈｅ Ｖｉｒａｇｅ ｉｍａｇｅ ｓｅａｒｃｈ ｅｎｇｉｎｅ： Ａｎ ｏｐｅｎ ｆｒａｍｅｗｏｒｋ ｆｏｒ ｉｍａｇｅ ｍａｎａｇｅｍｅｎｔ」、Ｐｒｏｃ．ＳＰＩＥ Ｓｔｏｒａｇｅ ａｎｄ Ｒｅｔｒｉｅｖａｌ ｆｏｒ ｉｍａｇｅ ａｎｄ Ｖｉｄｅｏ Ｄａｔａｂａｓｅ、ｖｏｌ ２６７０、ｐｐ．７６−９７、１９９６年 Ｒ．Ｓｍｉｔｈ外著、「Ｖｉｓｕａｌｓｅｅｋ：Ａ ｆｕｌｌｙ ａｕｔｏｍａｔｅｄ ｃｏｎｔｅｎｔ−ｂａｓｅｄ ｉｍａｇｅ ｑｕｅｒｙ ｓｙｓｔｅｍ」、Ｐｒｏｃ ＡＣＭ Ｍｕｌｔｉｍｅｄｉａ ９６、１９９６年 Ｍａ外著、「Ｎｅｔｒａ： Ａ ｔｏｏｌｂｏｘ ｆｏｒ ｎａｖｉｇａｔｉｎｇ ｌａｒｇｅ ｉｍａｇｅ ｄａｔａｂａｓｅｓ」、Ｐｒｏｃ ＩＥＥＥ Ｉｎｔ． Ｃｏｎｆ． Ｏｎ Ｉｍａｇｅ Ｐｒｏｃ．、１９９７年 Ｔ．Ｓ．Ｈｕａｎｇ外著、「Ｍｕｌｔｉｍｅｄｉａ ａｎａｌｙｓｉｓ ａｎｄ ｒｅｔｒｉｅｖａｌ ｓｙｓｔｅｍ （ＭＡＲＳ） ｐｒｏｊｅｃｔ」、Ｐｒｏｃ ｏｆ ３３ｒｄ Ａｎｎｕａｌ Ｃｌｉｎｉｃ ｏｎ Ｌｉｂｒａｒｙ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｄａｔａ Ｐｒｏｃｅｓｓｉｎｇ Ｄｉｇｉｔａｌ Ｉｍａｇｅ Ａｃｃｅｓｓ ａｎｄ Ｒｅｔｒｉｅｖａｌ、１９９６年

本発明は、放射線写真の射影図を認識する自動化された方法を与える、ことを目的とする。

本発明によれば、この目的は、放射線写真の向きを修正する段階、放射線写真から関心領域を抽出する段階、及び、放射線写真の射影図を認識する段階、によって達成される。更に、入力放射線写真の前処理を行う段階は、達成され得る。

入力放射線写真の前処理を行う段階は、基準画像をサブサンプルする段階（ｓｕｂ−ｓａｍｐｌｉｎｇ ｔｈｅ ｏｒｉｇｉｎａｌ ｉｍａｇｅ）、画像を前景、背景、及び生体構造へと分割する段階、及び、生体構造の特徴に基づき画像輝度を正規化する（ｎｏｒｍａｌｉｚｉｎｇ）段階、を有する。

放射線写真の向きを修正する段階は、放射線写真の向きを検出する段階、及びそれに応じて放射線写真を再度方向付ける段階、を有する。

前記放射線写真から関心領域を抽出する段階は、生体構造の内側軸の向きを検出する段階、関心領域の中心、寸法、及び形状を定める段階、及び、放射線写真において関心領域を位置決めする段階、を有する。

放射線写真の射影図を認識する段階は、全ての可能な図に対して放射線写真を分類する段階、及び、放射線写真の最も適当でありそうな放射線写真の射影図を定めるよう分類結果を重ね合わせる（ｃｏｍｂｉｎｉｎｇ）段階、によって達成される。

本発明は、複数の利点を与える。例えば、方法の特性は、堅固性を高める。放射線写真の前処理を行う段階は、視準範囲からの干渉及び他のノイズを防ぐ役割をはたす。更には、向き分類に対して使用される特性は、寸法、移動、及び回転に対して不変である。方法の特性はまた、効率性を高める。例えば、工程は、サブサンプルされた粗い解像度の画像上で実行され得、認識工程を大幅に迅速化する。

本発明の前述の及び他の目的、特性、及び利点は、添付の図面に示される通り、以下の本発明のより特定の説明から明らかである。図中の要素は、互いに対して必ずしもスケール（ｓｃａｌｅ）されない。

以下は、本発明の望ましい実施例の詳細な説明であり、図面が参照される。図中、同一の参照符号は、複数の図の各々において構造の同一の要素を示す。

本発明は、放射線写真の射影図を自動的に認識する方法を開示する。本発明に従った方法のフローチャートは、図１Ａ中に示される。図１Ａ中に示される通り、当該方法は、次の３つのステージ、放射線写真の向きを修正する段階（段階１１）、入力放射線写真から関心領域（ＲＯＩ）を抽出する段階（段階１２）、並びに、放射線写真の射影図を認識する段階（段階１３）、を有する。

本発明の更なる一実施例では、図１Ｂのフローチャート中に示される通り、追加的な段階は、画像の向き修正に先立って適用され得る。この追加的段階（段階１４）は、放射線写真の前処理であり、以下においてより特に説明される。

更なる一実施例では、図１Ｃのフローチャート中に示される通り、放射線写真の射影図を認識する段階（即ち段階１３）は、次の２つの段階、１）一式の特性、及び、各々が１つの射影図を認識するよう学習された予め学習された分類器を使用して、放射線写真を分類する段階（段階１５）、及び２）分類結果を重ね合わせることによって放射線写真の射影図を定める段階（段階１６）、を有し得る。

図２をこれより参照すると、放射線写真の前処理を行う段階である段階１４を示すフローチャートを示す。前処理の目的は、以下の３つの態様、（１）認識の遂行を低下させることなく、処理される必要があるピクセルの数を最小限に抑えること、（２）視準範囲（前景）及び直接露光範囲（背景）からの干渉を低減し、向きの認識は、画像データ（生体構造）の診断上有用な部分によって促進されること、並びに、（３）続く工程に対して一貫性のある輝度及びコントラスト画像を生成すること、を有する。

更に図２を参照すると、放射線写真を前処理する方法段階は、小さな寸法である粗い解像度画像に対して基準画像をサブサンプルする段階（段階２０）を有して開始する。サブサンプルされた画像は続いて、前景、背景、及び生体構造領域へと分割される（段階２１）。その後、前景及び背景領域は、画像から除去され（段階２２）、生体構造領域のみが更なる処理に対して維持される。最後に、結果もたらされた画像は、生体構造領域の輝度範囲に基づいて正規化される（段階２３）。

オリジナル画像をサブサンプルする段階（段階２０）は、画像寸法を低減すると同時向きの認識に対する十分な情報を保持するよう使用される既知の方法によって実行され得る。本発明の一実施例では、ガウス（Ｇｕａｓｓｉａｎ）ピラミッドデータ構造は、サブサンプルを取られた画像を生成するよう用いられる。

画像分割（段階２１）は、当業者にとって既知である方法を使用することによって達成され得る。かかる分割方法は、画像ヒストグラムから２つの閾値を見つけ、続いて画像を前景、背景、及び生体構造領域へと分割するものである。図３Ａは、典型的な放射線写真を示し、図３Ｂ−３Ｄは、分割から得られたその前景、背景、及び生体構造の画像を示す。

画像が分割され次第、前景及び背景領域は、サブサンプルされた画像から除去される（段階２２）。これは、かかる領域におけるピクセルを所定の値に設定することによって達成され得、残る生体構造領域におけるピクセルは変えられないままである。この段階の結果として、前処理された画像は、画像データの診断上有用な部分を有し、したがって視準範囲からの干渉は、最小限にされ得、生体構造領域の輝度範囲は、正確に検出され得る。

本発明によれば、画像輝度正規化（段階２３）は、患者のばらつき及び検査状態によってもたらされる露光密度（ｅｘｐｏｓｕｒｅ ｄｅｎｓｉｔｙ）における差異を補正するよう、画像にわたって行われる。正規化を達成する１つの技術は、望ましくは生体構造領域におけるピクセルから算出される、画像ヒストグラムから最小及び最高明度値を検出することであり、続いて、画像明度を所定の範囲へと調整するよう線形又は対数移動（ｌｏｇ−ｔｒａｎｓｆｅｒ）機能を適用すること、である。ヒストグラム均等化は更に、画像ヒストグラムにおいてピークを広げるよう画像上で遂行され得、画像における低コントラスト領域における更なる詳細は、よりよく示され得る。図３Ｅは、この方法を使用することによる輝度正規化後の画像を示す。あるいは、他の既知の技術は、正規化を与えるよう使用され得る。該他の既知の技術は例えば、Ｌｅｅ外による米国特許第５，６３３，５１１号明細書、「ＡＵＴＯＭＡＴＩＣ ＴＯＮＥ ＳＣＡＬＥ ＡＤＪＵＳＴＭＥＮＴ ＵＳＩＮＧ ＩＭＡＧＥ ＡＣＴＩＶＩＴＹ ＭＥＡＵＲＥＳ」、１９９７年発行、において開示されるトーンスケール方法である。本発明は、画像を正規化するよう上述された方法を使用することに制限されない、ことが留意される。同様の本質を有する既知のアルゴリズムは、放射線写真に対する一貫性のある輝度及びコントラストを達成するよう用いられ得る。

放射線写真の向き修正（段階１１）は、放射線写真の向きを検出する段階、及び、それを放射線技師によって所望される位置へと再度方向付ける段階を有する。向きの検出は、当業者に対して既知である方法を使用して達成され得る。１つの適切な方法は、同一出願人による米国出願番号１０／９９３，０５５、Ｌｕｏ外、「ＤＥＴＥＣＴＩＯＮ ＡＮＤ ＣＯＲＲＥＣＴＩＯＮ ＭＥＴＨＯＤ ＦＯＲ ＲＡＤＩＯＧＲＡＰＨ ＯＲＩＥＮＴＡＴＩＯＮ」、２００４年１１月１９日出願、において開示され、該文献は、本願の譲受人に譲り受けられ、また参照される。

検査状況により、同一の検査からの生体構造の寸法及び位置、並びに向きは、可変である。更に、放射線写真において示される生体構造の部分はまた、患者の状況及び視準ブレード（ｃｏｌｌｉｍａｔｉｏｎ ｂｌａｄｅ）の設定に依存して変えられる。かかる要因は、放射線写真の異なる出現をもたらし得、向きの認識に対する問題を引き起こす。

かかる問題を解決するよう、関心領域（ＲＯＩ）は、放射線写真から抽出される。ＲＯＩは、画像データから診断上有用な部分をとらえ、上述された要因によってもたらされる混乱及び干渉を最低限に抑えるよう、意図される。このＲＯＩを活用して、射影図認識は、診断上重要な領域に焦点を合わせ得る。このため、ＲＯＩ抽出方法（段階１２）は、次の２つの段階、放射線写真における生体構造の内側軸を検出する段階、及び、それに応じてＲＯＩを位置決めする段階、を有する。

本発明によれば、内側軸は、放射線写真における生体構造を示すよう使用される。内側軸を使用することが魅力的であるのは、それが放射線写真における生体構造の位置及び向きの単純な描写を与えること、並びに、検索の複雑性の制限（ｌｉｍｉｔ ｓｅａｒｃｈ ｃｏｍｐｌｅｘｉｔｙ）を大幅に助け、また処理を促進する、点においてである。

本発明の望ましい一実施例では、内側軸は、ユークリッド距離マップを使用することによって検出され得る。実行中、生体構造の輪郭は、検出され、図４Ａ中の画像に対する図Ｂに示される通りのユークリッド距離マップを算出するよう使用される。続いて、最大隆線は、検出され、内側軸として使用される。図４Ｃは、得られた内側軸を描写する。この方法は、形状は複雑であり得るがよく定義付けられた内側軸を有する傾向がある、肘、膝、及び手首等である体肢の放射線写真に対して特に適切である。

本発明の他の実施例では、内側軸は、多重スケール内側分析（Ｍｏｒｓｅ外著、「Ｍｕｌｔｉｓｃａｌｅ Ｍｅｄｉａｌ Ａｎａｌｙｓｉｓ ｏｆ Ｍｅｄｉｃａｌ Ｉｍａｇｅｓ」、Ｉｍａｇｅ ａｎｄ Ｖｉｓｉｏｎ Ｃｏｍｐｕｔｉｎｇ、第１２巻、Ｎｏ．６、１９９４年）によって検出され得る。ＭＭＡを使用することの利点は、画像輝度上に直接作用し、画像の事前分割又は対象の境界線の明白な決定を求めない、ことである。

ＲＯＩ抽出は、ＲＯＩの中心を探すことから開始され、その後、生体構造の特性に基づきＲＯＩの寸法及び形状を定める段階が続く。

本発明によれば、ＲＯＩの中心は、検査における生体構造の特徴に依存する。例えば、頸椎の検査の放射線写真において、ＲＯＩの中心は、図５Ａ中に示される通り、首の中心において位置決めされる。手の放射線写真に対しては、図５中に示される通り、手のひらの中心がＲＯＩの中心として使用され得る。

ＲＯＩの寸法は、内側軸を活用して生体構造画像から派生され得る、放射線写真における生体構造の寸法に関連付けられる。本発明によれば、ＲＯＩの寸法は、生体構造の端部から内側軸までの最小距離に対して比例する。

ＲＯＩの形状に関しては、２つの種類の形状が、本発明において望ましく取り入れられる。一方は矩形であり、他方は内側軸と位置を合わせられ適合された形状である。適合形状を有して、内側軸は、放射線写真における生体構造の位置及び向き情報を与えるため、内側軸に沿ってＲＯＩの形状を適合することは、移動及び回転によってもたらされる効果を低減させるよう支援し得、ＲＯＩが移動不変及び回転不変であることを確実にし得、また同様に射影図認識方法全体を確実に堅固なものとする。

図５Ａ及び５Ｂは、異なる生体構造対象の放射線写真から抽出される異なる形状のＲＯＩの例を示す。図５Ａ中、頸椎の内側軸は、略真っ直ぐであるため、ＲＯＩの形状は矩形である。手等である複数の他の生体構造に対して、内側軸は、常に直線を保持し得るわけではない。結果として、ＲＯＩの形状は、図５Ｂ中に示される通り、内側軸を取り巻くねじれた又は傾斜したストリップとしてあらわれ得る。ＲＯＩの形状の選択は、それが認識の遂行にどのように影響を与えるかに大きく依存する。単純な矩形が要求を満たし得る場合はそれが適合され、そうではない場合は、より複雑に適合される形状が考慮される。

射影図認識に対する特性を算出するよう、ＲＯＩは、更に、Ｎ×Ｎブロックへと分割され、一式の低レベル視角特性は、サブブロックから算出される。サブブロックの数は、算出複雑性と認識性能との間のバランスをとるよう実験的に定められる。本発明によれば、可能な低レベル特性は、サブブロックから抽出される、グレーレベル平均（ｍｅａｎ）、差異、端部情報、テクスチャ、及び他の画像特性であり得る。

特性抽出が完了すると、得られた低レベル視角特性は、特性抽出中にスケール差異を収容するよう、学習例の全体的な収集にわたって正規化される必要がある。特性ベクトルｘのスケールされたｉ番目の特性構成要素ｘ_ｉは、次の式、
ｘ_ｉ＝ｘ_ｉ−ｍｉｎ_ｉ／ｍａｘ_ｉ−ｍｉｎ_ｉ
として計算される。式中、ｍｉｎ_ｉ及びｍａｘ_ｉは、学習例にわたるｘのｉ番目の特性構成要素ｘ_ｉの範囲を示す。

これより図６を参照すると、射影図分類は、一式の予め学習された分類器によって達成される。各分類器は、他の全ての射影図から１つの射影図を分類するよう学習され、その出力は、入力放射線写真がかかる射影図にいかに近く合致するかを示す。分類器の数は、検査が有し得る可能な射影図の総数と同等である。例えば、胸の放射線写真は、一般的には、前部−後部図（ＡＰ）、後部−前部図（ＰＡ）、側部図（ＬＡＴ）、及び斜位図である４つの射影図を有する。したがって、４つの分類器は、胸の放射線写真を分類するよう必要とされる。

本発明の一実施例によれば、方法は、かかる分類器を作るよう与えられる。当該方法は、学習段階及びテスト段階を有して構成される。

学習段階中、学習画像の収集は、第一に、既知の目的の射影図情報を得られる。次に、個別の学習画像及びそれに関連付けられる目標出力から抽出される特性の一式は、正しい又は誤った射影図を特定し、分類器を学習させるよう使用される。分類器は、ニューラルネットワーク及びサポートベクトルマシン等の技術的に既知であるいずれの方法であってもよい。基準特性が分類に対して効果的ではない場合、任意的な段階が加えられ得、元の特性から適切な変換を算出する。この段階を追加する利点は、学習特性の特徴を更に検討することであり、また、分類に対する最も区別される特性を導き出すことである。かかる変換の例は、正規化、主成分分析（ＰＣＡ）又は独立成分分析（ＩＣＡ）による特性抽出、又は非線形変換を有し、第２の特性を作り出すようにする。分類器及び特性抽出に関する更なる情報に対しては、Ｄｕｄａ、Ｈａｒｔ、及びＳｔｏｒｋ、Ｐａｔｔｅｒｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ、Ｊｏｈｎ Ｗｉｌｅｙ ＆ Ｓｏｎｓ、ニューヨーク、２００１年、が参照される。

したがって、予め学習された分類器の一式は、段階によって得られ得る。該段階とは、既知の射影図情報を有する所定の数の学習画像を収集する段階、学習画像の各々に対して関心領域を位置決めする段階、学習画像の各々の関心領域から一式の特性を算出する段階、学習画像の各々の既知の射影図を特定するターゲット出力を関連付ける段階、全ての学習画像に基づいて主成分分析を使用して学習画像の各々に対する変換された特性の一式を算出する段階、及び、変換された特性の一式及びターゲット出力を有して分類器を学習させる段階、である。

分類器が学習され次第、テスト段階は、分類器の性能を評価するよう新規の画像上で行われる。性能が予め設定された要求を満たし得ない場合、分類器は、学習データによってバイアスをかけられ得るか、あるいはオーバーフィットされ得る。これが起こる際、分類器は、学習及び試験データのいずれにもおいて最良に遂行するまで、再度学習され得る。

再度図６を参照すると、上述された特性は、新規の放射線写真画像のＲＯＩから抽出される（段階６１）。多種の射影図（例えば、ＡＰ、ＬＡＴ、及び他のもの、段階６２，６３，６４）を分類するよう予め学習された分離器の一式から結果を得るにあたり、最終段階は、分類器の出力を重ね合わせることによって入力放射線写真の最も適切であると思われる射影図を定めること、である（段階６５、図６）。本発明の望ましい一実施例では、ベイジアン決定基準は、分類器からの結果を重ね合わせ、放射線写真の射影図を最も高い信頼性を有するものとするよう使用される。

本発明は、例えばコンピュータプログラムプロダクトにおいて実行され得る。コンピュータプログラムプロダクトは、１つ又はそれより多い格納媒体を有し得る。該格納媒体は、例えば、磁気ディスク（フレキシブルディスク等）又は磁気テープ等である磁気格納媒体、光ディスク、光テープ、又は機械が読み取り得るバーコード等の光学格納媒体、ランダムアクセスメモリ（ＲＡＭ）、又は読出し専用メモリ（ＲＯＭ）等の固体電子格納装置、又は、本発明に従った方法を実行するよう１つ又はそれより多いコンピュータを制御する指示を有するコンピュータプログラムを格納するよう用いられる、他の物理的な装置又は媒体、である。

本発明の装置は、マイクロプロセッサ、コンピュータメモリ、及び該コンピュータメモリにおいて格納されるコンピュータプログラムを有する、プログラム可能なコンピュータを有し得、方法の段階を実行するようにする。コンピュータは、マイクロプロセッサに対して作動可能に接続されるメモリインタフェースを有する。これは、取外し可能なメモリを受け入れるドライブにわたるＵＳＢポート等のポート、又はカメラメモリに対してアクセスし得る他の何らかの機器、であり得る。装置は、メモリインタフェースと互換性のあるメモリを有するデジタルカメラを有する。写真用フィルムカメラ及びスキャナは、所望によって、デジタルカメラの代わりに使用され得る。グラフィカルユーザインタフェース（ＧＵＩ）及びマウス及びキーボード等であるユーザ入力ユニットは、コンピュータの一部として与えられ得る。

本発明は、現在望ましい実施例を特に参照して詳細に記載されてきたが、多種の変形及び修正が本発明の趣旨及び範囲内で達成され得る、ことは理解される。

放射線写真の射影図を認識する自動化された方法を示すフローチャートである。 放射線写真の射影図を認識する自動化された方法を示すフローチャートである。 放射線写真の射影図を認識する自動化された方法を示すフローチャートである。 前処理段階を示すフローチャートである。 前処理段階からの結果を示す概略図であって、放射線写真の基準画像を示す。 前処理段階からの結果を示す概略図であって、対応する分割からの前景画像である。 前処理段階からの結果を示す概略図であって、対応する分割からの背景画像である。 前処理段階からの結果を示す概略図であって、対応する分割からの生体構造画像である。 生体構造を強調するよう正規化された画像である。 生体構造の内側軸の検出を示す概略図であって、基準画像を示す。 生体構造の内側軸の検出を示す概略図であって、生体構造画像から算出されるユークリッド距離マップである。 生体構造の内側軸の検出を示す概略図であって、生体構造画像から検出される内側軸を表示する。 関心領域（ＲＯＩ）の形状を示す概略図であって、頸椎の放射線写真から抽出される関心領域を図示し、白色の点はＲＯＩの中心を示す。 関心領域（ＲＯＩ）の形状を示す概略図であって、手の放射線写真においてみられる関心領域を図示し、白色の点はＲＯＩの中心を示す。 全ての可能な図に対して放射線写真の分類を示すフローチャートである。

Claims (8)

1. 放射線写真の射影図を認識する方法であって、
   入力放射線写真を入手する段階と、
   前記放射線写真の向きを修正する段階と、
   前記放射線写真から関心領域を抽出する段階と、
   前記放射線写真の前記射影図を認識する段階と、
   を有する、
   方法。
2. 前記関心領域を抽出する前記段階は、
   内側軸を検出する段階と、
   前記関心領域の中心を位置決めする段階と、
   前記関心領域の寸法及び形状を定める段階と、
   前記関心領域を抽出する段階と、
   によって達成される、
   請求項１記載の方法。
3. 前記内側軸の段階は、ユークリッド距離マップを使用して、あるいは多重スケール内側分析によって、検出される、
   請求項２記載の方法。
4. 前記放射線写真の前記射影図を認識する前記段階は、
   全ての可能な射影図に対応する一式の予め学習された分類器を使用して前記放射線写真を分類する段階と、
   前記放射線写真の前記射影図を前記分類の結果に従って最も信頼性が高いものとして定める段階と、
   によって達成される、
   請求項１記載の方法。
5. 前記放射線写真を分類する前記段階は、
   前記関心領域から一式の特性を抽出する段階と、
   一式の予め学習された分類器によって前記放射線写真を分類する段階と、
   を有する、
   請求項４記載の方法。
6. 一式の予め学習された分類器は、
   既知の射影図情報を有する所定の数の学習画像を収集する段階と、
   前記学習画像の各々に対して関心領域を位置決めする段階と、
   前記学習画像の各々の前記関心領域から一式の特性を算出する段階と、
   前記学習画像の各々の前記既知の射影図を分類しターゲット出力を関連付ける段階と、
   全ての前記学習画像に基づく主要構成要素分析を使用して前記学習画像の各々に対する変換特性を算出する段階と、
   前記変換特性の一式及びターゲット出力を有して分類器を学習させる段階と、
   によって得られる、
   請求項５記載の方法。
7. 前記向きを修正する段階に先立ち、前記入力放射線写真の前処理を行う段階を更に有する、
   請求項１記載の方法。
8. 前記放射線写真の前処理を行う前記段階は、
   前記放射線写真をサブサンプルする段階と、
   前記放射線写真を前景領域と背景領域と、生体構造領域とに分割する段階と、
   生体構造画像を生成するよう前記前景領域と前記背景領域とを前記放射線写真から除去する段階と、
   前記生体構造領域の特徴に基づいて前記生体構造画像を正規化する段階と、
   を有する、
   請求項７記載の方法。

Images