JP2009502232A - 胸部ｘ線写真における肺結節の検知 - Google Patents

Abstract

胸部Ｘ線写真から肺結節画像を作成する方法。方法は、明確な肺野のマップを作成するステップと、明確な肺野から低周波部分を除去してレベル画像を生成するステップと、レベル画像にグレースケール形態学的操作を最低１回実行して結節−骨画像を生成するステップとを含む。結節−骨画像を用いて、肺結節の検知は、結節−骨画像中の結節候補位置を特定するステップと、結節−骨画像中で各結節候補位置周囲の領域をセグメント分割するステップと、セグメント分割した領域の特徴を用いて候補が結節か否かを判定するステップとをさらに含む。

Description

本発明は、コンピュータ支援検知の分野に関し、より特定的には胸部Ｘ線写真における肺結節の検知に関する。

肺ガンは男女共通の疾病である。少なくとも一つの統計によれば、米国では２００１年に男性９０，３６３人、女性６５，６０６人が肺ガンで死亡したと報告されている。早期発見により肺ガンの５年生存率は１２％から７０％に上昇すると考えられている。肺ガンの鑑別（スクリーニング）によって早期発見を助長できる。

肺ガンの鑑別には胸部の投影Ｘ線写真を利用できる。胸部Ｘ線写真では、肺ガンは肺内部の不透明でごつごつした塊状の結節として映る。胸部Ｘ線写真で結節が検知されると、次のステップに進んで肺結節が良性か悪性かを診断し、それに応じて患者を治療できる。だが観察者の疲労や結節が肋骨に塞がれている等の様々な理由から、Ｘ線写真では結節が検知されない場合がある。ある統計では、胸部Ｘ線写真では医師は約３０％の結節を見落とすとしている。こうなると、ガンが治療されず患者のガン生存率の低下につながりうる。

擬陰性を減じるため、肺ガン検知ではコンピュータ支援検知またはコンピュータ補助検知（ＣＡＤ）が利用されている。ＣＡＤは医師が肺結節を発見する助けとなり、結果的には肺ガン患者の生存率を上昇させる。

米国特許第５，９８７，０９４号（発明者Ｃｌａｒｋｅ）は、肺結節検知用のコンピュータ支援方法および装置に関する。

米国特許第６，２４０，２０１号（発明者Ｘｕ）は、胸部Ｘ線写真における結節検知方法に関する。この方法は標準的なＸ線写真に加えて柔組織画像を用いるが、これは常に利用可能とは限らない。

米国特許第６，１４１，４３７号（発明者Ｘｕ）に記載されているＣＡＤ法では、複数の閾値をＸ線写真に適用して結節の候補となる部位を特定する。だが、結節のセグメント分割には１つ以上の閾値を画像に適用するだけでは十分ではない場合があると考えられている。

米国特許第６，５４９，６４６号（発明者Ｙｅｈ）に記載されている方法では、明確な肺野（ｃｌｅａｒ ｌｕｎｇ ｆｉｅｌｄ）を複数のゾーンに分け、各ゾーンに結節検知を最適化する。この技術は明確な肺野より外側の画素を廃棄するので、明確な肺野境界近傍での結節検知能力を低下させる場合がある。

米国特許第６，６８３，９７３号（発明者Ｌｉ）では、胸部Ｘ線写真のあるエリアと、正常および異常組織の特徴のテンプレートとを比較する。異常組織の特徴はテンプレート作成時には予測しえないため、このアプローチの効果は限定的と考えられている。

胸部Ｘ線写真の肺結節検知に関する他の公知の文献には以下のようなものがある。米国特許第６，０８８，４７３号（発明者Ｘｕ）、第６，７６０，４６８号（発明者Ｙｅｈ）、第６，０５８，３２２号（発明者ニシカワ）、第６，６５４，７２８号（発明者Ｌｉ）、第６，０７８，６８０号（発明者ヨシダ）、第６，７５４，３８０号（発明者スズキ）、第５，２８９，３７４号（発明者ドイ）、および第６，１２５，１９４号（発明者Ｙｅｈ）。

米国特許第５，９８７，０９４号明細書 米国特許第６，４７０，０９２号明細書 米国特許出願公開第２００３／９５６９６号明細書

ここ数年、胸部Ｘ線写真での肺結節の自動検知が研究課題の１つとなっているが、いくつかの理由によりこれは未だ困難な問題のままである。投影胸部Ｘ線写真では、正常な組織と肺結節とが重畳し識別を困難にしている。また肋骨の交差部や肺血管等の正常組織が肺結節に見える場合もある。加えて、肺結節のサイズ、形状、濃度、およびその他の特徴はばらつきが大きい。

このため、頑強（ロバスト）で既存のシステム／方法の少なくとも１つの欠点／問題を解決する胸部Ｘ線写真の肺結節自動検知がなお必要とされている。

本発明の目的は、画像中で肋骨およびその他の骨と重なる結節を検知する胸部Ｘ線写真における肺結節検知方法を提供することである。

本発明の他の目的は、明確な肺野の境界部に発生する結節を検知する胸部Ｘ線写真における肺結節検知方法を提供することである。

上記の目的は一例として挙げただけであり、本発明の１つ以上の実施形態の一例として考えられたい。当業者であれば、本発明によって達成される本発明に固有の他の望ましい目的および利点を考案または理解できる。本発明は前掲の特許請求の範囲によって規定される。

本発明は、胸部Ｘ線写真における肺結節の自動検知に関する。

本発明の一実施形態に従い、胸部Ｘ線写真から肺結節画像を生成する方法を提供する。方法は、明確な肺野（ｃｌｅａｒ ｌｕｎｇ ｆｉｅｌｄ：ＣＬＦ）のマップを作成するステップと、明確な肺野から低周波部分を除去してレベル画像を生成するステップと、レベル画像にグレースケール形態学的操作（ｍｏｒｐｈｏｌｏｇｉｃａｌ ｏｐｅｒａｔｉｏｎ）を最低１回実行して、結節−骨画像を生成するステップとを含む。

本発明の他の実施形態に従い、胸部Ｘ線写真から肺結節を検知する方法を提供する。方法は、明確な肺野のマップを作成するステップと、明確な肺野から低周波部分を除去してレベル画像を生成するステップと、レベル画像の明確な肺野より外側の領域を、明確な肺野中のコード値よりも低いコード値に設定するステップと、レベル画像にグレースケール形態学的操作を最低１回実行して結節−骨画像を生成するステップと、結節−骨画像中で結節候補位置を特定するステップと、結節−骨画像中の各結節候補位置の周囲の領域をセグメント分割するステップと、セグメント分割した領域の特徴を用いて候補が結節か否かを判定するステップとを含む。

上記および上記以外の本発明の目的、特徴、ならびに利点は、以下に記す本発明のより詳細な説明および添付図面の例示から理解できる。図中、同一要素間のスケーリングは必ずしも必要ない。

以下は本発明の好適な実施形態の詳細な説明である。添付図面を参照し、図中、同一参照番号は各図面において同じ構成要素を示すものとする。

図１は、本発明に従う肺結節検知方法の概要を示すフローチャートである。

ステップ１１０で示すように、胸部Ｘ線写真（すなわち胸部画像）が結節検知システムの入力である。Ｘ線写真のコード値のメトリックは、画像検出器における露光値ログ、ＤＩＣＯＭ標準規格のパート１４に記載されるＰ値、またはその他任意の画像表現でもよい。希望に応じて、画素間隔が画像面の距離０．１７１ｍｍに対応するように画像をスケーリングしてもよい。

ステップ１１２では、胸部Ｘ線写真から画像中の明確な肺野（ＣＬＦ）を示す肺マスクを計算する。一般に、明確な肺野は縦隔で仕切られた左右の肺野に分けられる。肺マスクは公知の方法を用いて求めることができ、例えば、以下の文献等に記載されている方法がある。米国特許出願番号第１０／９９４，７１４号（発明の名称「（医用画像における閉塞組織構造の分割方法（ＳＥＧＭＥＮＴＩＮＧ ＯＣＣＬＵＤＥＤ ＡＮＡＴＯＭＩＣＡＬ ＳＴＲＵＣＴＵＲＥＳ ＩＮ ＭＥＤＩＣＡＬ ＩＭＡＧＥＳ）」２００４年１１月２２日出願（コダック社ドケットＮｏ．８９０７２）。米国特許出願番号第１０／３１５，８８４号（発明の名称「ディジタル胸部Ｘ線写真の自動分析方法（ＭＥＴＨＯＤ ＦＯＲ ＡＵＴＯＭＡＴＥＤ ＡＮＡＬＹＳＩＳ ＯＦ ＤＩＧＩＴＡＬ ＣＨＥＳＴ ＲＡＤＩＯＧＲＡＰＨＳ）」２００２年１２月１０日出願（コダック社ドケットＮｏ．８５３２５）。両出願は本願と同一譲受人に譲渡され、本願に引用により適用する。

ステップ１１３では、以後の工程が入力画像の変化に影響されないようにするため、画像を標準形式にする。画像は目標コード統計値を達成するようにスケーリングされる。次いで、明確な肺野内の低周波部分を除去する。このステップからの出力画像を「レベル画像」と称する。

ステップ１１４では、結節が強調されかつ骨の強調が解かれた画像を作成する。この画像を「結節−骨画像」と称する。ステップ１１４は、異なるサイズの結節を強調するために複数の異なる縮尺（スケール）で実行される。本発明の実施形態では、このステップは直径約０．５ｃｍ〜約１．５ｃｍの小サイズの結節、および直径約１．５ｃｍ〜約３．０ｃｍの中サイズの結節に対して行われる。一般に、小サイズの結節の処理をスケール０処理と称し、中サイズの結節の処理をスケール１処理と称する。

ステップ１１６では、ステップ１１４で考慮したスケールごとに結節の候補位置を検知する。各スケールで検知された結節候補は結節候補リストに統合される。結節候補が検知されたスケールの情報は保持される。

ステップ１１８では、各候補周囲の領域をセグメント分割し、これは候補が実際の結節と一致する場合は画像中で結節の境界を規定する。

ステップ１２０では、セグメント分割した領域に基づいて特徴を計算する。特徴は、セグメント分割した領域のサイズ、形状、テクスチャ、グラジエント、および他の特徴に基づく。

ステップ１２２では、ステップ１２０で計算した候補の特徴（および後ほどより詳細に説明するステップ１１６で計算した任意の特徴）を用いて、検知した各候補を「結節」または「非結節」に分類する。

ステップ１２４では、胸部画像に結節が検知された位置を示すマーク（または他の印）を付与する。マーク付けには、候補の位置を中心とした円、セグメント分割した領域の真ん中を中心とした円、セグメント分割した領域の境界、または検知結果を示す任意の種類のマークを含みうる。

その後、マーク付きのＸ線写真の印刷、保存、送信、観察等を行う（ステップ１２６）。

次にステップ１１３をより詳細に説明する。レベル画像の作成方法（図１のステップ１１３）について、図２を参照して胸部Ｘ線写真２０６と肺マスク２０８を用いてより詳細に説明する。

ステップ２１０では、希望に応じて画像を反転させ、高いＸ線減衰（すなわち高濃度）が画像中の高コード値に対応するようにする。この時点では、画像中の骨領域は空気または柔組織が大半を占める画像領域よりも高いコード値をもつ。

ステップ２１２では、画像全体の平均コード値および標準偏差が目的値とほぼ等しくなるように画像をスケーリングする。例えば目標平均コード値は２０００、標準偏差は５００である。本発明の一実施形態では画像全体をスケーリングする。本発明の他の実施形態では、これらコード値の目標値を明確な肺野内で用いる。本実施形態では、左右の明確な肺野のコード値はそれぞれ独立してスケーリングする。

本発明のいくつかのステップでは、画像中の各画素における高度が画素のコード値に正比例する起伏量図（レリーフマップ）として画像を考慮する。このためステップ２１４では、左右の明確な肺野を緩変動関数にそれぞれ適合させ、例えば２次２変数多項式を使用する。次いでステップ２１６では、左右の明確な肺野に適合させた関数を画像から減じる。この画像では、明確な肺野中の超低周波トレンド部分が除去される。ステップ２１８では、明確な肺野より外側のコード値が、画像の明確な肺野内部の最小値に設定される。これにより明確な肺野の境界にある結節の検知が容易になる。こうしてレベル画像が得られる（ステップ２２０）。

次に図１のステップ１１４、すなわち結節−骨画像の作成方法について、図３を参照してレベル画像３１６を用いてより詳細に説明する。

ステップ３１８では、結節を強調し他の画像内容を減じるようにレベル画像を修正する。ステップ３２０では、骨を強調し他の画像内容を減じるようにレベル画像を修正する。ステップ３１８および３２０はどちらも、グレースケール形態学的操作を用いる。この操作は以下の文献等に記載されている。「画像分析および数理形態学（Ｉｍａｇｅ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｔｈｅｍａｔｉｃａｌ Ｍｏｒｐｈｏｌｏｇｙ）」第１巻、４２４〜４７８ページ、Ｊ．Ｓｅｒｒａ著、１９８２年、Ａｃａｄｅｍｉｃ Ｐｒｅｓｓ社刊。

ステップ３１８では、結節テンプレート３２４を用いてレベル画像にグレースケール形態学的操作を行い「結節画像」を作成する。当業者には公知であるが、結節テンプレートは、画素のコード値が画像中央を中心とした２変数正規分布となる小さな画像である。正規分布の標準偏差から前処理を行うスケールが決定される。

ステップ３２０は、胸部Ｘ線写真に現れる骨の特徴であるテンプレートを用いてグレースケール形態学的操作を実行する。テンプレートは、好適には長く薄い骨様のオブジェクトの画像である。ただし、テンプレートに含まれる骨様のオブジェクトに要求される配向はレベル画像中の位置によって異なる。本発明では、グレースケール形態学的操作は、好適には複数の骨様テンプレート（図３の要素３２６）を用いて実行される。本願の出願人が提案する一実施形態では、骨様構造の向きが−６８°、−４５°、−２２°、０°、＋２２°、＋４５°および＋６８°の７つのテンプレートを使用する。こうして得られた「骨画像」中の画素のコード値は、画素において骨テンプレートを用いてグレースケール形態学的操作から得た最大値である。

ステップ３２２では、骨画像（ステップ３１８より）が結節画像（ステップ３２０より）から減じられ、結節−骨画像３２８となる。得られた結節−骨画像では、肺結節の特徴である画像内容は正のコード値をもち、骨の特徴である画像内容はどちらかといえば負のコード値をもち、その他の画像内容はゼロに近いコード値をもつ。

次に図１のステップ１１６、すなわち結節の候補位置の特定方法について、図４を参照して結節−骨画像４０６と肺マスク４０８を用いてより詳細に説明する。結節の候補位置の特定方法は、ステップ１１４で生成される各結節−骨画像（図３に図示）に対して行うことを留意されたい。

さらに図４を参照すると、結節−骨画像のグラジエントをステップ４１０で計算する。これにはまず、コード値Ｃ_ｉｊの画像をノイズ除去のためぼやけさせる。次に、ソーベル（Ｓｏｂｅｌ）処理によりグラジエントを計算する。得られたグラジエント画像はグラジエント・マグニチュードＭ_ｉｊとグラジエント方向Ｇ_ｉｊをもつ。

ステップ４１２では、明確な肺野中の各画素においてポイントベースの特徴群を計算する。特徴群の計算について以下に図５を参照して詳述する。図５に示すように、内円５１２と外円５１０は画像中の関心画素（ピクセル・オブ・インタレスト：ＰＯＩ）５２４の周囲に概念的に描かれる。円の大きさは検知すべき結節の大きさの範囲によって異なる。（これは図３のステップ３１８の結節−骨画像作成に使用した結節テンプレートのサイズに一致するのが好ましい。）

図５に示す円５１２および円５１０はＳ個のセクターに分割できる。図では０番から７番までの８個のセクターを示す。各セクターは内円の内側の内セクターと、内外の円の間の外セクターとを含む。たとえば５１６はセクター６の内セクター、５１４はその外セクターを指す。

ＰＯＩ５２４におけるグラジエント特徴を次のように計算する。内径内側のセクター０に位置する画素５２２に注目する。この画素におけるグラジエント方向を図５に５１８として示す。ＰＯＩへ向かう方向５２０も示す。方向５１８と５２０間の角度はθである。結節がＰＯＩ５２４を中心として存在し、かつ画素５２２が結節内部にあれば、ｃｏｓθ値は１．０に近似する。だがグラジエントのマグニチュードＭが小さければ、方向の信頼性がなく、ＰＯＩを中心とした結節の証左として使用すべきでない。またグラジエントのマグニチュードが大きければ、画素５２２は骨のエッジ部に位置すると考えられ、やはり証左としては使用すべきではない。上記のことから、指数ｉｊのＰＯＩにおける特徴は、内径内側で明確な肺野内でもあるセクターｋに位置する画素ｍｎに基づき、以下の式で求められる。

ここでｔ_１およびｔ_２はグラジエントのマグニチュードの上下それぞれの閾値を表し、変数Ｎ_ｋは内セクターｋ中の明確な肺野の画素数を表す。

上記の式は、セクターｋの内円内側にある画素のみに基づいてＰＯＩにおける結節の証左を与える。結節の中心がＰＯＩならば、Ψ_ｉｊは大きくかつＫ個のセクターすべてにおいて均一となることが予想される。このような考え方に基づいて、グラジエント特徴は以下の式で表される。

図５の内円５１２とほぼ同サイズの結節がＰＯＩを中心に存在する他の証左は、この内円内側のコード値が内円５１２と外円５１０間の周囲領域よりも一般に高いことである。図５では、５１４は内円−外円間の領域６中のあるエリアである。これはセクターｋにおいて次式を用いて測定される。

ここでＣ_ｍｎは画素ｍｎのコード値、Ｎ_ｋ ^{ｉｎｎｅｒ}は内セクターｋ中の明確な肺野の画素数、Ｎ_ｋ ^{ｏｕｔｅｒ}は外セクターｋ中の明確な肺野の画素数を表す。

結節がＰＯＩを中心とし、かつ内円内側に含まれるとすれば、δ^ｋ _ｉｊは大きく、かつＳ個のセクターすべてに対して均一であることが予想される。このような考え方に基づいて、濃度特徴は次のように定義される。

ここで

ステップ４１２で計算される各特徴（ＰｔＧｒａｄとＰｔＤｅｎｓｉｔｙ）は、ポイントベースの特徴として識別するため、名称の最初に接頭語Ｐｔを付す。領域ベースの特徴については下記で説明する。

図４に戻って、ステップ４１４では、結節−骨画像中のコード値と上述したグラジエントおよび濃度の特徴とに基づいてスコアマップを作成する。結節−骨画像中では結節領域は一般に正のコード値をもつ。従って結節−肋骨画像中の対応する画素が０以下ならば、スコアマップ中でスコアＳ_ｉｊは０である。またΨ_ｉｊまたはΔ_ｉｊが０以下の場合も、スコアは０に設定される。それ以外の場合には、スコア_ｉｊはΨ_ｉｊに等しい。

ステップ４１６では、スコアマップ中の局所ピークを見つける。局所ピーク群は結節候補の位置である。好適には、２つのピーク間の距離が最小間隔より短ければ、最大スコアをもつピークのみから候補が作成される。

次いで、候補をリストに加え、リストをスコア降順にソートする（ステップ４１８）。候補リストは処理が発生するスケールごとに１つ作成される。通常、精細スケールでの処理のほうが粗スケールでの処理よりも多くの候補を生成する。本願の出願人が用いる本発明の一実施形態では、スケール０で特定した最大スコアをもつ４０の候補と、スケール１で特定した最大スコアをもつ３０の候補が次の処理用に選択された。

この結果（ステップ４２０において）、候補の位置と特徴値が検出される。

次に、図６を参照して、図１のステップ１１８の候補周囲の領域をセグメント分割する方法について詳述する。候補が結節中に位置する場合、セグメント分割法は画像中で結節の境界を特定することを目的とする。この方法への入力は、結節が特定されたスケールでの結節候補６０６と結節−骨画像６０８である。

ステップ６１０では、結節候補が中心に位置する関心領域（ＲＯＩ）を、希望の画像サイズ（例えば画像サイズ５１２×５１２）で、結節−骨画像６０８から切り取る。様々なＲＯＩサイズを使用できるが、検知すべき最大結節よりも大きいサイズが好ましい。

次ステップ（ステップ６１２）では、ＲＯＩに閾値を適用して第１の領域マップを作成する。結節−骨画像では正のコード値をもつ領域は結節様の特徴を有する。画像に低い正の閾値を適用することにより、ＲＯＩ中に結節様領域のマップを形成する。領域マップはＲＯＩとほぼ同サイズのバイナリ画像である。領域マップ中の画素は、ＲＯＩ中の対応する画素が閾値以上かつ明確な肺野内部にある場合は２５５に設定される。それ以外の場合には、マップ画素は０に設定される。

ＲＯＩが結節を含む場合、ステップ６１２後の領域マップは、通常、結節と結節様に見える他の画像領域とを含む。ステップ６１４では、例えば以下の文献に記載されている等のバイナリ形態学的操作を用いて、領域マップを侵食する。侵食により領域マップ中の結節領域と他領域間の接続部分が破壊される。「画像分析および数理形態学（Ｉｍａｇｅ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｔｈｅｍａｔｉｃａｌ Ｍｏｒｐｈｏｌｏｇｙ）」第１巻、３４〜６２ページ、Ｊ．Ｓｅｒｒａ著、１９８２年、Ａｃａｄｅｍｉｃ Ｐｒｅｓｓ社刊。

次にステップ６１６では、領域マップ中で候補を含む接続領域を保持し、それ以外のすべての領域は画素を０に設定して除去する。次いでステップ６１８では、ステップ６１４と同じカーネル（粒）を用いて領域マップを膨張させ、選択領域における侵食を逆行させる。

ステップ６１８後の領域マップは、結節支持領域と解釈される１つの接続領域を含む。以下の各ステップにより領域マップを改良する。

ステップ６２０では、結節−骨画像の支持領域内のピークを検出する。

ステップ６２２では、ステップ６２０で検出したピークを用いて、分水嶺（ウォーターシェッド）分割アルゴリズム（ｗａｔｅｒｓｈｅｄ ｓｅｇｍｅｎｔａｔｉｏｎ ａｌｇｏｒｉｔｈｍ）を初期化する。適当なウォーターシェッド分割アルゴリズムは以下の文献に記載されている。「ディジタル空間における領域分割：没入シミュレーションに基づく有効なアルゴリズム（Ｗａｔｅｒｓｈｅｄｓ ｉｎ Ｄｉｇｉｔａｌ Ｓｐａｃｅｓ：Ａｎ Ｅｆｆｉｃｉｅｎｔ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ Ｉｍｍｅｒｓｉｏｎ Ｓｉｍｕｌａｔｉｏｎｓ）」、ＶｉｎｃｅｎｔおよびＳｏｉｌｌｅ著、１９９１年、ＩＥＥＥパターン分析およびマシーン知能に関する論文誌、Ｖｏｌ．１３、Ｎｏ．６、５８３〜５９８ページ。ウォーターシェッド分割のために、ＲＯＩを反転させてピークが最小となるようにする。ＲＯＩ中の支持領域は複数の集水池（ｃａｔｃｈｍｅｎｔ ｂａｓｉｎ）に分けられる。各最小値には１つの集水池を関連づける。

ステップ６２４では、非反転ＲＯＩを用いて、支持領域が１つ以上のピークをもち、各ピークがステップ６２２で求めた集水池に対応する結合画素の束をもつようにする。多くの場合、肺結節はＸ線写真では個々の複数の塊のようにみえる。特に中型〜大型結節の場合はそうである。ステップ６２４の意図は、結節領域中にどの束が含まれるかを判定することである。結節領域は、候補位置を含む束である主要束で初期化される。次に連結束が加えられる。連結束は主要束中のピークとその他すべてのピークとの間に線を引いて特定される。この線上の最小コード値が、２つのピークのコード値に基づく閾値より大きければ、この束は連結束と称され結節領域に加えられる。本発明の一実施形態では、閾値は２つのピークにおける平均コード値の半分である。束を結節領域に加えるプロセスは再帰的であり、束を加える場合はその束に連結された他の束も加えられる。

図６に示す方法の最終出力はステップ６２６であり、ここで候補周囲の領域を示す領域マップが得られる。肺結節内部に候補がある場合は、領域は画像中の結節の範囲と一致する。候補が結節内部にない場合は、領域は他の画像内容を含む。領域セグメント分割法が失敗する場合もある。例えばステップ６１２または６１４において、領域中に画素がないかもしれない。分割が失敗すると領域マップはブランク（例えば全コード値が０）となり、候補に関連したエリアが０となる。

次に、図１のステップ１２０に示す領域ベースの特徴の計算方法について、図７を参照して詳述する。領域ベースの特徴計算への入力は、レベル画像７１０、結節−骨画像７１２、および領域マップ７１４である。

図７のステップ７１６では、領域の形状に基づいた特徴を計算する。形状の特徴は以下の式のセットで定義される。

形状特徴Ｓｈａｐｅ_１は、正規化した領域の面積である。この特徴とその他の長さまたは面積を測定する特徴とを正規化することで、特徴を撮像システムの倍率および解像度から独立したものにできる。特徴Ｓｈａｐｅ_２は、領域に適合した楕円のアスペクト比である。Ｓｈａｐｅ_３は、領域の面積とその凸包（ｃｏｎｖｅｘ ｈｕｌｌ）の面積との比である。最後に、Ｓｈａｐｅ_４は、図４の方法で求めた領域の中心と候補位置との間の距離を、領域の有効半径で除算したものである。

次にステップ７１８を参照すると、領域とその周囲とのコード値の統計の差に基づいて特徴を計算する。領域マップを膨張させて領域周囲マップを作成し、領域マップ中または明確な肺野より外側の画素を減じる。特徴は以下のように表される。

ここでμ、σ、ｍｉｎおよびｍａｘは、それぞれ平均コード値、コード値の標準偏差、最小コード値、最大コード値を表す。統計的特徴はレベル画像および結節−骨画像の両方について計算される。

ステップ７２０では、領域中のテクスチャに基づく特徴を計算する。この特徴は、レベル画像中のコード値、グラジエントのマグニチュード、およびグラジエントの向きについて計算する。このような特徴は以下の文献等に記載されている共起関数に基づくことができる。「医用画像のテクスチャ記述についての統計的アプローチ：予備考察（Ａ Ｓｔａｔｉｓｔｉｃａｌ Ａｐｐｒｏａｃｈ ｔｏ Ｔｅｘｔｕｒｅ Ｄｅｓｃｒｉｐｔｉｏｎ ｏｆ Ｍｅｄｉｃａｌ Ｉｍａｇｅｓ：Ａ Ｐｒｅｌｉｍｉｎａｒｙ Ｓｔｕｄｙ）」、ＢｅｖｋおよびＫｏｎｏｎｅｎｋｏ著、２００２年６月４日〜７日、第１５回ＩＥＥＥコンピュータベースの医療システムに関するシンポジウム。各テクスチャ特徴は以下の式で表される。

ここでＣ（ｉ，ｊ）は近傍画素と最小コード値から最大コード値までの総和範囲に対して計算される共起関数である。特徴Ｔｅｘｔｕｒｅ_１はエネルギと呼ばれ、Ｔｅｘｔｕｒｅ_２はコントラストと呼ばれる。「画像分類のためのテクスチャ特徴（Ｔｅｘｔｕｒｅ Ｆｅａｔｕｒｅｓ ｆｏｒ Ｉｍａｇｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）」（Ｈａｒａｌｉｃｋら著、１９７３年、ＩＥＥＥシステム、機械、サイバネティクス（自動制御学）に関する論文誌、６１０〜６２１ページ）等に記載されている他のテクスチャ特徴を用いてもよい。

ステップ７２４では、結節−骨画像をコード値が高度の測定手段となる起伏量図として解釈する。好適な実施形態では、セグメント分割された領域内の結節−骨画像を、４次２変数多項式に適合させる。領域中の最大高度点において主曲率を計算する。これについては以下の文献等に記載されている。「ＩＭＡＧＥＲ５００３に適用されるサブピクセル精度で相同点および輪郭検出のベースとして強度データの局所多項式を再構成する方法（Ｌｏｃａｌ Ｐｏｌｙｎｏｍｉｎａｌ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ｏｎ Ｉｎｔｅｎｓｉｔｙ Ｄａｔａ ａｓ Ｂａｓｉｓ ｏｆ Ｄｅｔｅｃｔｉｎｇ Ｈｏｍｏｌｏｇｏｕｓ Ｐｏｉｎｔｓ ａｎｄ Ｃｏｎｔｏｕｒｓ ｗｉｔｈ Ｓｕｂｐｉｘｅｌ Ａｃｃｕｒａｃｙ Ａｐｐｌｉｅｄ ｏｎ ＩＭＡＧＥＲ５００３）」、Ａｂｍａｙｒら著、２００４年、ドレスデン、ＩＳＰＲＳワーキンググループＶ／１、パノラマ写真測量法ワークショップ議事録、Ｖｏｌ．３４、パート５／Ｗ１６。適合させた多項式の２次導関数が計算され、これはヘシアン行列の要素となる。ヘシアン行列λ_ｍａｘおよびλ_ｍｉｎの最大および最小固有値が主曲率である。表面特徴は以下の式で表される。

図７のステップ７２６では、結節−骨画像のセグメント分割した領域中のグラジエントを用いて、グラジエント特徴を計算する。グラジエント特徴は、ステップ４１０および４１２（図４および図５に図示）で実行したステップ１１６の候補検知方法の一部として計算した特徴と似ている。ただしグラジエント特徴では、固定サイズの円領域中の画素ではなく、セグメント分割した領域中の画素がグラジエントの計算に寄与する。グラジエント計算の起点は領域中で最大コード値をもつ画素である。

領域中の各画素について、ｘ軸と画素から起点への線との間の角度φを計算する。さらに、起点を指すベクトルとグラジエントの向きとの間の角度θも計算する。グラジエントのマグニチュードが下閾値ｔ_１と上閾値ｔ_２との間ならば、ｃｏｓθはφの値の範囲が０°〜３６０°のＳ個のビン（ｂｉｎ）に累積される。これにより次の式が導かれる。

ここでｋは０〜Ｓ−１の整数、Ｍ_ｍｎは画素ｍｎにおけるグラジエントのマグニチュード、Ｎ_ｋは上記のφの条件を満たす領域中の画素数である。領域のグラジエント特徴は次のように表される。

ここで

ステップ７２８で計算される最終特徴は、骨の交差部分を擬陽性として低減／削除するものである。キャニー（Ｃａｎｎｙ）エッジ検出器（「エッジ検出の計算アプローチ（Ａ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ａｐｐｒｏａｃｈ ｔｏ Ｅｄｇｅ Ｄｅｔｅｃｔｉｏｎ）」、１９８６年、ＩＥＥＥパターン分析およびマシーン知能についての論文誌、Ｖｏｌ８、Ｎｏ．６に記載）を用いて、レベル画像中で明確な肺野内部の突出したエッジを見つけることができる。その後、連結したエッジ画素をチェーンとして形成する。長さおよび直線度の最低規準を満たすチェーンのみを含むチェーンマップを作成する。このマップ中のチェーンは画像中の骨のエッジ部に対応する。オーバラップ特徴は、次の式で表される。
Ｏｖｅｒｌａｐ_１＝Ｌ_{ｏｖｅｒｌａｐ}／Ｌ_{ｒｅｇｉｏｎ}
ここで、Ｌ_{ｒｅｇｉｏｎ}は領域の境界の長さ、Ｌ_{ｏｖｅｒｌａｐ}はチェーンマップ中のチェーンと一致する領域の境界の長さを表す。

図示するこの方法から特徴ベクトル７３２が出力され、これは図７の方法で計算した領域ベースの特徴のうち１つ以上（好適にはすべて）の特徴を含む。さらに、ステップ４１２（図４）で計算したポイントベースの特徴がこの特徴に含まれるのが好ましい。

次に、図１のステップ１２２および１２４について図８を参照して詳述する。図８の方法では、候補の特徴ベクトル８１０を分類ステップ８１２に入力する。本発明の一実施形態では、ガウシアン最尤度（ＧＭＬ）分類器を用いる。だが、ニューラルネットワーク、学習ベクトル量子化器（ＬＶＱ）、サポートベクトル装置、および以下の文献で考察されている分類器等を用いてもよい。「統計的パターン認識：論評（Ｓｔａｔｉｓｔｉｃａｌ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ：Ａ Ｒｅｖｉｅｗ）」、Ａｎｉｌら著、２０００年、ＩＥＥＥパターン分析およびマシーン知能に関する論文誌、Ｖｏｌ．２２、Ｎｏ．１、４〜３７ページ。ステップ８１２は複数の分類器を含んでもよい。本発明の一実施形態では、１つの分類器をポイントおよび領域ベースの両方の特徴をもつ候補に使用し、もう１つの分類器を領域分割が失敗したためポイントベースの特徴しか利用できない候補に用いる。

ステップ８１２の分類器は、Ｘ線写真の肺結節の確定事例の特徴を計算し、かつその特徴ベクトルを作成することにより訓練（トレーニング）できる。

画像中の１つの結節またはその他の構造中に２つ以上の候補が生じることが多い。候補周囲の領域を分割すると、２つ以上の候補をもつ領域はほぼ同じとなる。Ｘ線写真に２つの検知結果を付すのは望ましくないので、図８のステップ８１４では、十分なオーバラップがある候補群を同一グループとし、グループ中で１つの候補を残す。本発明の一実施形態では、ステップ８１２で最高確率と判定された候補が残される。

図８の方法からは検知結果８１８が出力される。検知結果８１８は、全候補についての特徴値、領域境界、および分類結果を含む。検知結果を図１のステップ１２４で用いて、画像のマーク付けを行う。

本発明の肺結節検知方法を、ＣＲ（ｃｏｍｐｕｔｅｄ ｒａｄｉｏｇｒａｐｈｙ）システムから得た４７枚の画像のセットに適用した。この画像セットは明確な肺野中に２１６個の結節を含んでいた。一画像あたり平均４つの擬陽性をもつ操作位置において、６７％の結節が検知された。

上記で引用したすべての文献、特許、議事録およびその他の資料は、本願に引用して適用するものとする。

コンピュータプログラム製品は、例えば磁気ディスク（フロッピー（登録商標）ディスク等）または磁気テープ、光ディスク等の光学記憶媒体、光学テープ、または機械読み取り可能なバーコード、ランダムアクセスメモリ（ＲＡＭ）もしくは読み出し専用メモリ（ＲＯＭ）等の固体電子記憶装置、または１台以上のコンピュータを制御して本発明に従う方法を実行する命令を含むコンピュータプログラムを記憶するのに用いられるその他任意の物理的装置または媒体を含みうる。

本発明に従う胸部Ｘ線写真中の肺結節の検知方法の一例を示す図である。 レベル画像の作成方法を示す図である。 結節−骨画像を作成する方法を示す図である。 結節候補の位置を特定する方法を示す図である。 ポイントベースの特徴を計算する方法を示す図である。 結節候補周囲の領域をセグメント分割する方法を示す図である。 ポイントおよび領域ベースの特徴を含む候補の特徴ベクトルを作成する方法を示す図である。 特徴ベクトルを分類して候補を選別する方法を示す図である。

Claims (9)

1. 胸部Ｘ線写真から肺結節画像を生成する方法であって、
   明確な肺野（ｃｌｅａｒ ｌｕｎｇ ｆｉｅｌｄ）のマップを作成するステップと、
   前記明確な肺野から低周波部分を除去してレベル画像を生成するステップと、
   前記レベル画像にグレースケール形態学的操作（ｍｏｒｐｈｏｌｏｇｉｃａｌ ｏｐｅｒａｔｉｏｎ）を最低１回実行して、結節−肺画像を生成するステップと、を含む方法。
2. 請求項１に記載の方法において、
   前記方法はさらに、前記グレースケール形態学的操作を最低１回行うステップの前に、前記レベル画像中の前記明確な肺野より外側の領域を、前記明確な肺野のコード値よりも低いコード値に設定するステップを含む方法。
3. 請求項１に記載の方法において、
   前記方法はさらに、前記グレースケール形態学的操作を最低１回行うステップの前に、前記レベル画像中の前記明確な肺野より外側の領域を、前記明確な肺野のコード値と異なるコード値に設定するステップを含む方法。
4. 請求項１に記載の方法であって、前記結節−肺画像を表示、保存、送信、または印刷するステップをさらに含む方法。
5. 胸部Ｘ線写真から肺結節画像を生成する方法であって、
   明確な肺野のマップを作成するステップと、
   明確な肺野から低周波部分を除去してレベル画像を作成するステップと、
   前記レベル画像中の前記明確な肺野より外側の領域を、前記明確な肺野のコード値よりも低いコード値に設定するステップと、
   前記レベル画像中の前記明確な肺野より外側の領域を、前記明確な肺野のコード値と異なるコード値に設定するステップと、
   前記結節−肺画像中で結節候補の位置を特定するステップと、
   前記結節−肺画像中の前記各結節候補位置の周囲の領域をセグメント分割するステップと、
   前記セグメント分割した領域の特徴を用いて、前記候補が結節であるか否かを判定するステップと、を含む方法。
6. 請求項５に記載の方法において、前記レベル画像に２回以上のグレースケール形態学的操作を行う方法。
7. 請求項５に記載の方法において、前記レベル画像に形態学的操作を最低１回行うステップは、
   前記レベル画像に、結節テンプレートを用いて最初のグレースケール形態学的操作を行い、結節画像を生成するステップと、
   前記レベル画像に、骨テンプレートを用いて２回目のグレースケール形態学的操作を行い、骨画像を生成するステップと、
   前記骨画像を前記結節画像から減じて結節−骨画像を生成するステップと、をさらに含む方法。
8. 請求項５に記載の方法において、前記特徴は、形状特徴、統計的特徴、テクスチャ特徴、サーフェスフィット特徴、グラジエント特徴、およびエッジオーバラップ特徴のうち、少なくとも２つの特徴を含む方法。
9. 請求項１に記載の方法を１台以上のコンピュータに実行させる命令を内蔵した、少なくとも１つのコンピュータ記憶媒体を備えたコンピュータ記憶製品。

Images