JP2013525011A - 放射線画像における突起形成を伴う悪性質量の検出および分類 - Google Patents

Abstract

【解決手段】 画像アナリシスの実施例は、デジタル画像からバルジマスクを発生させ、当該バルジマスクは、突出した異形のための可能性のある収束ハブを含み、さらにデジタル画像のリッジを検出し、検出されたリッジマップを発生させ、検出されたリッジマップを、異なる方向のベクトルを有する一組の方向マップ上に投影し、一組のリッジ方向投影マップを発生させ、一組のリッジ方向投影マップから可能性のある収束ハブのウエッジ特徴を決定し、最も強いウエッジ特徴を有する可能性のある収束ハブからリッジ収束ハブを選択し、選択されたリッジ収束ハブの各々のための分類特徴を抽出し、抽出された分類特徴に基づき前記選択されたリッジ収束ハブを分類することを含む。
【選択図】 図５Ａ

Description

本出願は、２０１０年５月２日に出願された米国仮出願第６１／３４３，６０９号、２０１０年５月２日に出願された米国仮出願第６１／３４３，６０８号、２０１０年５月２日に出願された米国仮出願第６１／３４３，５５２号、２０１０年４月３０日に出願された米国仮出願第６１／３４３，５５７号、２０１０年５月６日に出願された米国仮出願第６１／３９５，０２９号、２０１０年６月２５日に出願された米国仮出願第６１／３９８，５７１号、２０１０年７月７日に出願された米国仮出願第６１／３９９，０９４号、２０１０年７月２８日に出願された米国仮出願第６１／４００，５７３号、の利益を主張するものであり、前記出願の全文は本明細書の一部をなすものとしてここに引用する。

本開示は概して、放射線画像における悪性の質量シグネチャーのコンピュータ支援検出に関し、特に、質量の場所を探し、かつ、周囲の突起形成および他の構造的歪みを含む悪性の質量を識別されるのを可能にする質量の特徴を決定するシステムに関する。

放射線科医は、乳房Ｘ線写真（マンモグラム）のようなＸ線画像を使用して、例えば、その他の煩雑な方法により疾患が容易に検出可能となる前に、可能な限り早期に、患者の疑わしい病変を検出して特定する。そのため、放射線科医がごく小さな癌組織や前駆細胞を画像に基づき特定可能であることは、非常に有益である。比較的濃い組織の大きな質量が、関心のひとつのシグネチャーである。質量は放射線画像において非常に目立って表れ得るものもあるけれども、他の自然による閉塞／部分的な閉塞を含む様々な要因は、特にその中央部分のバルジ（bulge）が確認しづらく、質量を取り囲む突起形成パターンである場合に、疑わしい質量を識別するのに役立つ。

コンピュータ援助検知（Computer-Aided Detection、ＣＡＤ）アルゴリズムは、放射線科医がＸ線画像内に病変の可能性があるものを発見するのに役立つよう発展してきた。ＣＡＤアルゴリズムは、患者の乳房Ｘ線写真セットのデジタル表現をコンピュータ内で行う。乳房Ｘ線写真がデジタルセンサもしくは伝統的なフィルムベースの乳房Ｘ線写真セットのスキャンされたものにより取り込まれた場合には、デジタル表現は、オリジナルのセンサデータもしくは処理されたセンサデータであり得る。本明細書で使用される“画像”とは、ＣＡＤアルゴリズムの表現に適したデジタル表現の少なくとも２次元データであるものと仮定され、患者情報を取り込むために元来使用されるキャプチャメカニズムとの区別はない。ＣＡＤアルゴリズムは、関心のあるシグネチャーと一致するオブジェクトの画像を探し出し、関心のあるシグネチャーが発見された場合には放射線科医に警告する。

異常の分類は、確率変数の与えられたサンプル値を観察することの相対的な尤度を表す確率密度関数（probability density function、ＰＤＦ）を使用して実行され得る。すべての取り得る値のＰＤＦの積分は１である；確率変数の範囲のサブセットのＰＤＦの積分は、確率変数の抽出サンプルがその範囲内にある確率を表す。

閉形式により表され得るＰＤＦは一般的によく理解され、そのようなＰＤＦに関する多くのアプリケーションが発達してきた。一方で、特に、各次元において１つが未知であり、ことによると不規則な分布と、および／または長いまばらに分布したテール部分を有する、複雑な多次元確率変数のためのＰＤＦの実用的評価は、大部分で研究者の手に入らなかった。例えばパターンおよび画像認識の分野では、ＰＤＦ研究が実用上困難であるために、多くの研究者がＰＤＦ研究を断念し、例えばニューラルネットワークや線形識別関数といった既知で解決可能な別の研究に集中した。

以下は、本発明の代表の実施例を表す図面の簡単な説明である。
図１は、ある実施例に従った異常検出システムのシステムレベルの図である。 図２は、ある実施例に従ったコンピュータ援助検知（ＣＡＤ）ユニットのコンポーネント図である。 図３は、ある実施例に従った検出ユニットのコンポーネント図である。 図４は、ある実施例に従った全体のコンピュータ援助検知プロセスのためのシステムブロック図である。 図５は、ある実施例に従った針骨状病巣（spiculated lesion）の検出および分類プロセスのためのフローチャートである。 図５Ａは、ある実施例で役立つ強度補正の前処理のプロセスを表す。 図６は、ある実施例に従ったリッジ検出プロセスのためのフローチャートを表す。 図７は、ある実施例で役立つ、ノイズ推定オペレータを表す 図８は、ある実施例で役立つ、リッジ検出オペレータを表す。 図９は、ある実施例で役立つ、ラインプロジェクションマッピングオペレーション（a line projection mapping operation）を表す。 図１０は、ある実施例において突起形成を推定するために使用されるいくつかの“ウェッジ（楔状の）”パターンを表す。 図１１は、ある実施例に従ったウェッジパターン特徴の計算のためのフローチャートである。 図１２は、ある実施例に従ったハブコントラスト検出マッピングを表す。 図１３は、ある実施例に従ったハブコントラストスコアの計算のためのフローチャートを表す。 図１４は、ある実施例で使用される乳房座標系を表す。 図１５ａは、ある実施例に従った分類器確率を表す。 図１５ｂは、ある実施例に従った分類器確率を表す。 図１６は、確率分布から得られるサンプル分布の閉形式ＰＤＦおよびヒストグラムを表す。 図１７は、概念的に、一連の表示ポイントによって表された仮定の一次元分布のためのシグマ値の推定である。 図１８は、評価ポイントでＰＤＦを推定するための図１７のシグマ値のアプリケーションを表す。 図１９は本発明のある実施例に従った、デスクトップコンピュータ装置のブロック図である。

発明の詳細な説明

実施例を作成し使用することが以下で詳細に述べられる。しかしながら、本発明が多種多様な幅広い背景で具体化され得る、多くの適用可能な発明概念を提供することが理解されるべきである。説明される特定の実施例は、本発明を作成し利用するための特定の手段を例示しているに過ぎず、発明の範囲を限定するものではない。

例えば、本明細書で検討される実施例は一般的に、乳房Ｘ線画像の診断において医療関係者を支援するという観点から説明され、例えば、医療関係者によって検討されるための異常候補を見つけて分類することによりマンモグラムを行う過程で起こり得るものである。他の実施例では、しかしながら、肺組織といった他の組織における異常を検出するような、統計に表れた変則性等のためのあらゆるタイプの画像分析を含むその他の状況で使用され得る。

図面を参照すると、類似の参照番号が様々な視点で同一もしくは類似の要素を示すのに本明細書において使用されており、本発明の具体的な実施例が表され説明される。図面は必ずしも縮尺に合わされておらず、いくつかの例では、図面は所々で例証目的だけのために強調され、および／もしくは簡素化される。当業者は、本発明の以下の具体的な実施例に基づいた、本発明の多くの可能性のある応用やバリエーションを理解する。

はじめに図１を参照すると、例えばマンモグラム中に異常検出を支援するためのシステム１００が、ある実施例に従って表される。システム１００は、画像ユニット１０２、デジタイザ１０４、およびコンピュータ支援検出（ＣＡＤ）ユニット１０６を含む。画像ユニット１０２は、乳房組織のような関心のある領域の１つもしくはそれ以上の画像、例えばＸ線画像を取り込む。システム１００がマンモグラムの分析を支援するのに使用される本実施例では、一連の４つのＸ線画像が撮影されることができ、その間、乳房は乳房組織を広げるために圧迫され、これにより異常の検出を支援する。一連の４つのＸ線画像は、頭尾方向（cranio caudal、 ＣＣ）画像と呼ばれる、左右の乳房それぞれのためのトップダウン画像と、中外斜位方向（medio lateral oblique、ＭＬＯ）画像と呼ばれる、左右の乳房それぞれのための、胸骨のトップから下へ向けられて体の外側に向かって撮影される斜角画像である。

１つもしくはそれ以上の画像がフィルムで具体化されるか、もしくはデジタル化され得る。歴史的に、１つもしくはそれ以上の画像は、フィルムのＸ線画像として具体化されたが、最近の技術は、近年のデジタルカメラとほぼ同じ方法で、Ｘ線画像を直接にデジタル画像として取り込まれるのを可能にする。図１に示されるように、デジタイザ１０４はフィルム画像のデジタル形式へのデジタル化を可能にする。デジタル画像は、工業規格である医用におけるデジタル画像と通信（ＤＩＣＯＭ）形式といった、あらゆる適切な形式にフォーマットされる。

デジタル化されたフィルム画像やデジタル画像として直に取り込まれた画像といった、デジタル化された画像は、コンピュータ支援検出（ＣＡＤ）ユニット１０６へ提供される。以下でより詳細に検討されるように、ＣＡＤユニット１０６は、１つもしくはそれ以上の画像を処理して、石灰化のような相対的に濃い領域や歪み等の、様々なタイプの異常の候補位置を検出する。一度処理されると、可能性のある異常の位置、および任意にデジタル化された画像は、評価ユニット１０８へ提供されて、放射線科医、専門医、もしくはその他の職員により、検出された可能性のある異常の位置を示すマークを伴い、もしくは伴わずに、検討される。評価ユニット１０８は、ディスプレイ、ワークステーション、ポータブルディバイス等を含み得る。

図２は、ある実施例に従ったＣＡＤユニット１０６（図１参照）により利用され得る構成要素を表す。一般的に、ＣＡＤユニット１０６は、セグメンテーションユニット２０２、１つもしくはそれ以上の検出ユニット２０４ａ−２０４ｎ、および１つもしくはそれ以上の表示プリ−プロセッサ２０６ａ−２０６ｎを含む。Ｘ線画像もしくはその他の画像は、関心のある領域以外の領域を含み得ることが理解される。例えば、乳房Ｘ線画像は、背後領域と同様に胸筋のような他の構造的領域を含み得る。このような状況では、乳房組織を規定する境界領域といったサーチ領域を規定するために、Ｘ線画像をセグメント化するのが望ましく、その領域で１つもしくはそれ以上の検出ユニット２０４ａ−２０４ｎが異常を分析する。

１つもしくはそれ以上の検出ユニット２０４ａ−２０４ｃは、１つもしくはそれ以上の画像、もしくは、セグメンテーションユニット２０２により規定される特定の領域を分析して、患者の１つもしくはそれ以上の特定のタイプの異常を示し得る特定のタイプの特徴を検出する。例えば、人の乳房組織の検査で使用するための実施例では、検出ユニット２０４ａ−２０４ｎは、石灰化ユニット、密度（質量）ユニット、および歪みユニットを含み得る。医療分野では公知であるように、人体はたびたび、がん細胞をカルシウムで取り囲むことによりがん細胞と反応し、微小石灰化を生成する。これらの微小石灰化は、Ｘ線画像では微細で明るい領域として表れ得る。石灰化ユニットは、乳房のこれらの領域を可能性のある微小石灰化として検出し、識別する。

さらに、がん領域は、周辺組織よりも高密度である傾向があり、それゆえ、周辺組織よりも高密度組織を示す一般的により明るい部分として表れる領域が、がん領域を示し得ることが知られている。従って、密度ユニットは、１つもしくはそれ以上の乳房Ｘ線画像を分析して、１つもしくはそれ以上の画像の中の相対的に濃い領域を検出する。正常な乳房組織の無作為な重複が時折疑わしいものとして表れることがあるので、ある実施例では、濃い領域がそのほかの対応する視野に存在するかどうかを決定するために、密度ユニットは、乳房のような対象の種々の視野を相互に関連付けする。もし、濃い領域が複数の視野に表れていれば、当該領域が真に悪性であるという可能性はより高い。

歪みユニットは、周辺組織へのがん細胞の影響から生じる構造的な欠陥を検出する。がん細胞にはしばしば、周辺組織を“引き込む”という影響があり、ストレッチマーク、星パターン、もしくはその他の線形のパターンとして表れる癌放射になる。

検出ユニット２０４ａ−２０４ｎの、例えば、石灰化ユニット、密度ユニット、および歪みユニットの上述の例は例証目的のためだけに提供されており、他の実施例はより多くの、もしくはより少ない検出ユニットを含み得ることに注意されたい。また、検出ユニットには、点線２０８で示されるように、他の検出ユニットと相互作用し得るものもあることに注意されたい。検出ユニット２０４ａ−２０４ｎは、図３を参照して以下でより詳細に説明される。

表示プリ−プロセッサ２０６ａ−２０６ｎは画像データを生成して、異常の位置および／またはタイプを示す。例えば、微小石灰化は、懸案のエリアをひとつのタイプの線（例えば、実線）で取り囲む線により示されることができ、他方で、がん放射（もしくは他のタイプの異常）は、懸案のエリアを他のタイプの線（例えば、破線）で取り囲む線により示される。

図３は、ある実施例に従った検出ユニット２０４ａ−２０４ｎのそれぞれで使用され得る構成要素を表す。概して、検出ユニット２０４ａ−２０４ｎのそれぞれが検出器３０２、特徴抽出器３０４、および分類器３０６を含み得る。検出器３０２は画像を分析して、検出ユニットが検出するよう設計された、石灰化のような異常のタイプを表す属性を識別し、特徴抽出器３０４は、検出された各領域の予め決められた特徴を抽出する。例えば、予め決められた特徴は、大きさ、信号対ノイズ比、位置等を含み得る。

分類器３０６は、特徴抽出器３０４から抽出された各特徴を検査して、抽出された特特徴異常なものである確率を決定する。一度確率が決定されると、当該確率は閾値と比較されて、検出された領域が関心の候補エリアとして報告されるべきかどうかを決定する。

適切なセグメンテーションユニット２０２は、米国仮出願番号６１／４００，５７３および６１／３９８，５７１で詳細に述べられており、微小石灰化を検出し分類するのに使用される適切な検出ユニットは、米国仮出願６１／３４３，５５７と、６１／３４３，６０９および共に出願された米国ＰＣＴ特許出願［アトーニードケットＮｏ．ＶＵＣ‐００７］で詳細に述べられており、悪性の質量を検出して分類するための適切な検出ユニットは、米国仮出願６１／３４３，５５２および共に出願された米国ＰＣＴ特許出願で詳細に述べられており［アトーニードケットＮｏ．ＶＵＣ‐０１０］、適切な確率密度関数の推定器は米国仮出願番号６１／３４３，６０８および共に出願された米国ＰＣＴ特許出願で詳細に述べられており［アトーニードケットNo．ＶＵＣ‐００８］、適切な表示プリ‐プロセッサは、米国仮出願番号６１／３９９，０９４で詳細に述べられており、これらすべては参照により本出願に組み込まれる。

以下の段落は、ある実施例に従った１つもしくはそれ以上の検出ユニット２０４ａ−２０４ｎ（図２参照）として使用され得るような、悪性の質量検出ユニットに関するより詳細な説明を提供する。特に、以下で記述される実施例は、放射線画像において可能性のある悪性の質量を検出して分類しようとする。図４は、乳房Ｘ線画像システムで使用される、ある実施例に従った、検出／分類プロセスのための全体のシステムブロック図４００を含む。

乳房セグメンテーションプロセス４１０は、乳房組織を、乳房Ｘ線写真の非乳房組織エリアから区別するよう試みる。乳房セグメンテーション４１０は、乳房マスク画像および放射線画像の高解像度バージョンを、悪性を表す微小石灰化のクラスタを発見しようとする、微小石灰化検出／分類ステージ４２０へ伝達する。そのようなクラスタが発見されると、それらの位置および範囲の説明が石灰化(像)マーキング４３０に伝達され、石灰化マーキング４３０は、必要に応じて重複するクラスタを統合し、放射線科医のために、ＣＡＤ結果出力、格納、表示に必要とされるマークを、表示された乳房Ｘ線写真等のオーバーレイ上に発生させる。

乳房セグメンテーション４１０はまた、乳房マスク画像と放射線画像の低解像度バージョンを、質量検出／分類ステージ４４０に伝達する。バルジ検出ユニット４４４は、様々なスケールで広範な質量に似た特徴の低解像度画像を調査する。あらゆるスケールで検出されたバルジの位置は、マスクとして、収束検出ユニット（convergence detection unit）４４２へ伝達される。収束検出ユニット４４２は、バルジ検出ユニットによって示されたバルジの位置で、針骨状の質量（spiculated masses）を表す画像特徴を収束するための低解像度画像を調査する。

質量検出／分類ステージ４４０は、画像内に位置する最も重要なバルジおよび収束に基づいた分類を実行する。重複マップ（overlap mapper）４４６は、それぞれの重要なバルジおよび収束ペアが、収束のハブがバルジと共に位置しているように見える程度に重複するかどうかを決定し、重複する場合には、追加の結合分類が、組み合わされたバルジ／収束のためになされる。重複検出器４４６は、各バルジもしくは、バルジ／収束ペアを、悪性の確立と共に、確率しきい値検出器４５０に伝達し、かつ、バルジの１つと重複しない各収束を確率しきい値検出器４４８に伝達する。異なるしきい値検出器により、例えば、重要な共通の場所に位置されたバルジによって確認されない収束は、他の質量検出よりも高いしきい値で疑わしいものとみなされることが可能となる。しきい値検出器４４８および４５０は、疑わしい質量の位置および範囲を、質量マーキングステージ４６０に伝達する。質量マーキングステージ４６０は、必要に応じて重複するクラスタを統合し、放射線科医のために、ＣＡＤ結果プリント出力、格納、ディスプレイに必要とされるマークを、表示された乳房Ｘ線画像等のオーバーレイ上に発生させる。

図５は、収束検出ユニット４４２と、質量検出／分類ステージ４４０の重複ユニットおよびしきい値化ユニットによって実行される、高レベルの動作のためのフローチャート５００を含む。好ましくは、収束検出ユニットに入力される画像は、１つの実施例では、例えば１００ミクロンピクセルサイズの適切なスケールに前処理され、同様にアーチファクトを取り除くよう処理される。これらのアーチファクトは、強いエッジ（典型的に、カメラのアーチファクトである）や皮膚のひだのような明るい線を表す明るいエリアを含むことがあり、広範囲の明るいエリアは画像から取り除かれる。そのようなエリアは、認識を補助する、線形、配向、もしくは皮膚のひだの場合の“Ｖ字型”のような確認特徴を有する、二次導関数の強い外れ値によって、容易に認識可能である。システムは、有効なピクセル画像上で、これらのタイプの特徴に属するピクセルを無効なものとしてマークする。一度無効なものとマークされると、そのようなピクセルは収束検出において使用されず、それらの非常に強い特性が、関心の周辺の弱い特徴をマスキングするのを防ぐ。

選択的なスケーリングステップは、乳房組織エリアの強度平滑化ステップである。このステップは、皮膚ライン付近の組織厚の減少のための補償を推定し、乳房境界付近の追加の画像露光および強度をもたらす。図５Ａは、強度平滑化プロセスの詳細を表す。

皮膚ラインは始点として使用されて、乳房組織の距離対境界マップ５６０を作成する。皮膚ラインに沿ったピクセルは、マップ５６０においてゼロ距離を割り当てられ、乳房の有効部分であり、かつゼロ距離のピクセルに接触するピクセルは、ユニット距離を割り当てられ、ユニット距離ピクセルに接触するピクセルは、２つのユニット距離等を割り当てられ、すべての有効なピクセルが距離を割り当てられるまで、このプロセスは継続する（選択的に、このプロセスは、画像の厚さが一定に保たれているという高い信頼がある場合には、ある固定された距離で早期に中断され得る。）

画像強度は、プロセス５６５に示されるように、皮膚ラインに直交する多数の線に沿って、皮膚ラインのあらゆる所で、サンプリングされる。強度サンプルが各線に沿って集められると、サンプルはマップ５６０に記入された皮膚ラインの距離に従ってデータ構造グループに集められる。システムの実施例には実際に散乱プロットを作成しないが、散乱プロット５７０は、直感的に、強度対境界距離Ｄの代表的な分布を表す。あらゆる距離Ｄでは、個々のピクセル強度は、各サンプルラインで交差する構造に従って変化し、概して下に横たわる傾向は“アンダーシグナル（undersignal）”を表す。アンダーシグナルは、皮膚ラインからの所定の距離で見つけられた厚みの最小の高濃度組織に期待されるＸ線吸収を表す。それは、推定されかつ取り除かれるアンダーシグナルである。

ひとつのアプローチは、各距離Ｄでの最小のピクセル強度を、その距離でのアンダーシグナルとして決定し得る。ノイズ、皮膚ライン決定の不確実性、どの程度の速さで厚みが皮膚ラインに向かって先細りするかという乳房の輪郭に沿った変動等が原因で、このアプローチは、堅牢性に欠けることがある（デジタル画像でうまく機能することもある）。代わりの実施例は、サンプルをそれぞれのＤで昇順にソートし、重み付け関数５７２に従ってＤに近接する距離でサンプルを重み付けする。アンダーシグナルポイントは、重み付けされたピクセルの所定のパーセンテージＰ以上の強度で選択され、約３０％のＰ値は良いパフォーマンスを示す。

計算されたアンダーシグナルは、増加するＤにより単調には増加し得ない。とは言いながらも、実際のアンダーシグナルは単調に増加することが期待されるであろう。平滑化ステップは、モデル化された最大のＤで始まり０へ移動することによって、アンダーシグナル５７４の単調性を強める。各ポイントＤで、平滑化されたアンダーシグナル５７４は、アンダーシグナル５７４が増加しない限り、アンダーシグナル５７４と同じ値を採用する。アンダーシグナル５７４が増加するとき、アンダーシグナル５７４が少なくとも平滑化されたアンダーシグナル５７６の値に下がるポイントにＤが減少するまで、平滑化されたアンダーシグナル５７６は一定であり続ける。このポイントで、平滑化されたアンダーシグナル５７６は、アンダーシグナル５７４の次の上向きの偏位まで、再びアンダーシグナル５７４の跡をたどり続ける。

平滑化されたアンダーシグナル５７６が一度完了すると、アンダーシグナル５７６は、距離対境界マップ５６０と結合されて、アンダーシグナルを取り除くように画像ピクセルから減算され得るべき強度を表す乳房Δ画像５８０を作成する。最後の、調整された画像５９０は、入力画像５０２から乳房Δ画像５８０を減算することによって作成される。

図５を再び参照すると、調整された画像５９０は、ステップ５１０で始まる収束検出５００へ伝達される。リッジ検出５１０は、様々なスケール、アスペクト比および配向で、例えば、細長い疑似線形構造の画像にリッジを見つけるよう試みる。収束プロジェクション（convergence projection）５２０は、一連の投影マップ上にリッジデータを変換し、投影マップは、どれくらい良く程度各リッジが各マップに規定された方向に整合しているかを表す。ウェッジ特徴計算５３０は、それぞれの可能性のある収束位置について多数の可能性のある収束パターンを迅速に検討して、それぞれの特徴を計算して、最も良く一致するものの特徴を記憶する。分類ステップ５４０およびしきい値・マーキングステップ５５０は、疑わしい領域を探してそれらをマークするために、それぞれの可能性のある収束に見つけられた特徴を使用する。

図６は、スケーリングされた入力画像上でリッジを探すのに役立つ、１つの実施例５１０のためのフローチャートを含む。第１のステップ６００は、バルジ検出４４４（図４）の中間出力で実行される。バルジ検出は、例えば４ｍｍから５０ｍｍの間のＭスケールでバルジ(突出部)を発見するよう試みる。各スケールは、倍数のスケール係数^４√２によって、その周辺のスケールから間隔を空けられる。

各スケールでは、関心の質量よりも著しく細かい構造は、検出のために要求されない。従って、調整された画像５９０は、スケールに関する整数のファクタによってサブサンプリングされて、サブサンプルファクターに関するガウス関数で平滑化される。

サブサンプルされた画像が一度平滑化されると、二次導関数（Ｄ２）測定が、配向に沿った曲率を推定するために、Ｗ／３の間隔を空けられたポイント（ここではＷは現在のスケールである）を使用して、それぞれの有効なポイントでの複数の配向でなされる。それぞれの有効なピクセルでは、もし、すべての配向のための最小の負の二次関数（Ｍｉｎ ＮＤ２）測定が負（negative）である場合、これは、すべての配向のＤ２測定が、下向きに凸状の曲率を示したことを表す。下向きに凸状の曲率に接続された８つの隣接エリアは結合され、そのようなエリアの各々は、未処理の、可能性のある質量位置を識別する。各スケールで発見される、未処理の、可能性のある質量位置は、ＯＲされて（ＯＲ動作と同じスケールにスケーリングされて）、突起形成（癌放射）の中心とみなされるべき、可能性のある収束の“ハブ”のマスクを生成する。

リッジ検出プロセス５１０は、ブロック６１０で計算された、異なる幅Ｍで存在するリッジのための、スケーリングされた、調整された入力画像５９０を調査する。１つの実施例では、調査されたもっとも小さなリッジ幅（山頂から谷底まで）は２００ミクロン幅である。追加の調査がより大きなリッジ幅で実行され、１つの実施例では、所望される最も大きなリッジ幅まで３つの幅／オクターブ（octave）（２００、２５０、３２０、４００、５００等）で離間される。

所定の幅Ｗのために、ステップ６２０は、例えば、σ＝Ｗ／２を有するガウス関数を用いて、画像をぼかす。ぼかしプロセスは、ノイズをフィルターにかけて、現在の幅のリッジの検出と干渉するより小さな画像構造を減衰させる。

ステップ６２２は、現在のスケールでの画像に存在する“ノイズ”曲率を決定する。１つの実施例では、図７に表された二次導関数オペレータ７００がぼかし画像に適用される。それぞれの有効なピクセルの局部的な領域に関する中央値出力のような、もしくは、画像全体に関する中央値出力のような統計は、特徴計算の使用でノイズ特徴を形成する。

ブロック６２４は、リッジ測定のための現在の配向θを計算する。各ループでは、ブロック６２４は、検討するための次の配向θを見つける。１つの実施例では、半円形上の間隔を等しく空けられた１６個の配向が検討される。

ブロック６２６は、リッジ測定のために現在のアスペクト比ＡＲを計算する。１つの実施例では、アスペクト比ＡＲは、現在の測定における二次導関数（Ｄ２）の測定ポイントの数として決定される。１つの実施例では、３、５、および７のポイントのアスペクト比が検討される。より大きなアスペクト比が同様に使用され得る。

ブロック６２８は、Ｗ、θ、およびＡＲの現在の値のために、有効な画像ポイントのそれぞれでリッジ特徴を計算する。図８は、リッジオペレータ８００の１つの実施例を表し、角度θで、５のアスペクト比で回転される。５つの二次導関数オペレータ（アスペクト比と等しい）は、現在のピクセル位置８１０から−２Ｗ、−Ｗ、０、Ｗおよび２Ｗミクロンで、θに配向された線８２０に沿って（必要があれば、サブピクセルスペースに挿入される）、間隔を空けて置かれる。各二次導関数オペレータは、線８２０上の中央ピクセル（例えば、ピクセル８１０）と、中央ピクセルを通過する線上で線８２０と直交する、測定されたＷミクロンおよび−Ｗミクロンで離間された２つのピクセルを検討する。二次導関数オペレータ（−１、２、−１）は、中央測定のために、ピクセル８１２、８１０、８１４をそれぞれ重み付けする：その他の４つの二次導関数測定は同じオペレータを使用する。

各ピクセルのＷ、θ、およびＡＲの結合では、ブロック６２８は、いくつかの特徴を計算する。個々の二次導関数測定は、平均コントラストおよび平均標準偏差を計算するよう組み合わされる。コントラスト強度は、幅Ｗによって除算された平均コントラストとして定義される。シグナル対ノイズ比ＳＮＲは、ノイズマップからのノイズと、現在のＡＲのための正規化ファクタとによって除算された平均コントラストとして定義される。

リッジ検出器５１０は、Ｗ、θ、およびＡＲのすべての組合せが使い果たされるまで決定ブロック６３０、６３２および６３４をループし、その後、小枝ブロック６４０へ分岐する。小枝ブロック６４０は、与えられたピクセルのための各測定を検査し、最適なＳＮＲを有するひとつを保持する。１つの実施例では、しかしながら、もし、その正規化されたコントラスト分散が小さすぎる場合には、通常の構造を表す見込みがないので、高いＳＮＲを有する測定は拒否され得る。また、低いＳＮＲを有する最適なリッジ値は、その位置にリッジがないことを示すことがあり、この地点でまた取り除かれる。

ブロック６４０が最適なリッジ候補を選択した後に、ブロック６５０は線を細くする。例えば、幅の広いリッジオペレータが、左右に実線信号を通過するので、線を１つのピクセル幅以上のものと感知することがあり得る。ブロック６５０は、最も強い反応の中央リッジに戻り、同じＷ，θおよびＡＲで隣接するピクセルの太くされた線反応を細めようとする。

図５に戻り参照すると、リッジ検出５１０は、検出されたラインマップ（平均コントラストＡＣ、θ）を投影ブロック５２０へ伝達する。図９は、投影ブロックの機能を表す。検出されたラインマップ９１０は、３つの画像に分割される：ＡＣに設定された、有効なリッジ位置のためのマスク値を有する、ラインマスク画像９２０；Ｔ_ｒ＝ｃｏｓ（θ）である行コンポーネント画像９３０、およびＴ_ｃ＝ｓｉｎ（θ）である列コンポーネント画像９４０である。

実際の突起部では、構造の、測定された“スポーク（spokes）”は、ハブに向かって真っすぐに整合しないことがあり、もしくは、２つの量子化値θの差分を分割する角度であるかもしれない。角度逸脱（angular deviation）もしくは測定誤差の許容を有するパターンマッチを可能にするため、一組の線投影マップ９６０が計算される。各投影マップは、半円に均等に分配されたＮ方向ベクトルＤ_Ｋ→の１つに沿う線寄与（line contribution）を定義する。内積投影計算機（a dot product projection calculator）９５０は、与えられた線投影マップを、その方向に沿った強度を表すそれぞれの有効画像位置（ｉ，ｊ）の投影値で満たす：

ウェッジ特徴計算５３０（図５）は、投影計算５２０から線投影マップ９６０を受け取る。図１０は、ウェッジの例を含み、図８、はウェッジ特徴計算５３０の詳細を伴うフローチャートを含む。

ウェッジとは、特徴計算目的では、関心のハブピクセルからの与えられた半径で、離散位置の数に量子化された円弧である。異なる半径が収束のために調査されるので、位置の固定された数は、半径が増加するにつれて、必然的により大きなエリアを表す。従って、各ポジションにより収束のために検討されるエリアは、“ウェッジ”がハブピクセルから離れるにつれて拡大する。

各ウェッジは、３つのパラメータにより規定される：測定に使用される量子化されたセグメントの数である、ウェッジ幅ＷＷ；ウェッジに含まれた第１のセグメントに達するために、例えば、１つの実施例ではｘ軸から反時計まわりに測定される、“スキップされた”量子化されたセグメントの数を表す、オフセットＯ；および半径ｒである。図１０では、プロット１０１０は、ウェッジ幅ＷＷ＝４、Ｏ＝０、およびｒ＝ｒ_１を示す。プロット１０２０は、オフセットＯ＝１へ回転されたひとつの位置を除いて、プロット１０１０と同じウェッジを表す。プロット１０３０は、より大きな半径ｒ＝ｒ_２を除いて、プロット１０１０と同じウェッジを表す。プロット１０４０は、ＷＷ＝７、Ｏ＝２、およびｒ＝ｒ_２を示す。利用可能な１６個のセグメントによって、各ウェッジ幅は、ＷＷ＝１６を除いて、１６の位置でテストされることができ、これは、すべてのセグメントを使用し、それゆえ、異なる測定を与える位置に回転されない。また、最小のウェッジ幅が選択されることが可能であり、その下には突起形成はありそうもない。

図１１に表された１つの好ましい実施例では、重要な計算効率は、所定のウェッジのための収束スコアを、単純な組の計算に減少させることによって得られる。プロセスは、収束のために調査されるべき各半径ｒ_ｉの開始ブロック１１００からループする。与えられた半径にとって、セット９６０からの線投影マップｐ（ｉ，ｊ）の各々は、σ_ｋ，ｌ→＝Ｃｒ_ｌＤ_ｋ→を有する二次元ガウスぼかし関数で、ブロック１１１０によってぼかされる。コントラストＣが選択され、その結果、ぼかしが、ウェッジのための中心の測定ポイントに、距離ｒ１のウェッジの弦（chord）に沿って寄与を加える。例えば、プロット１０４０では、ぼかしエリア１０５０は、位置１０５２でぼかされた画像の値に寄与する。

現在の半径のためのぼかされた投影マップを使用して、１１２０から１１２２および１１３０から１１３２の２つのインナーループが実行される。一方のループは、可能なウェッジ幅上でウェッジ幅を変化させる；もう一方のループは、現在のウェッジ幅について可能なオフセット上でウェッジオフセットを変化させる。

ブロック１１４０は、与えられたウェッジ幅およびオフセットのために、収束強度投影ｓｐｒｏｊ値を有効なピクセル位置（ｉ，ｊ）の各々で計算する。投影スコアは、現在のピクセル位置からの距離ｒ_ｌで、開始するオフセットウェッジセグメントからのそれぞれ含まれたウェッジセグメントについて、半径方向の測定位置（例えば１０５２）を決定することによって、ｗｗ測定を合計する。与えられたウェッジセグメントにとって、測定は、そのウェッジセグメントの半径方向に沿った線強度を表すぼかされた線投影マップからの補間された値（必要があれば）である。

現在の半径、ウェッジ幅およびオフセットのための有効な収束強度投影ｓｐｒｏｊ（ｉ，ｊ）を含む各ピクセルは、中央投影強度（median projected strength、ｓｍｅｄｉａｎ）および投影強度標準偏差（projected strength standard deviation、ｓｓｄｅｖ）のため、すべての有効なピクセルの全体の計算に含まれる。各有効なピクセルでのＳＮＲ値は、

として計算される。

ブロック１１５０は、各ピクセル位置のために、ウェッジ幅および半径の各組み合わせのための最適なＳＮＲおよびオフセットを記憶する。ウェッジオフセットについての内側のループでは、もし、ピクセルのための現在のＳＮＲがすでに記憶されたものよりも良好である場合、現在のＳＮＲおよびそのオフセットが記憶される。すべての半径およびウェッジ幅の組合せが試された後に、出力は、各ピクセルのために、発見された最適なＳＮＲおよびオフセットを表す、一連のマップであり、半径／ウェッジ幅の組合せにつき１つである。各マップは、最小の重要なＳＮＲにしきい値とされることができ、かつ細められて、残っている収束ハブに近接するグループが最大のＳＮＲを有するメンバーまで細められる。

各残りの収束ハブにとって、６つの分類特徴が計算される（既知であればセーブされる）。特徴は、ウェッジ幅、半径、ＳＮＲ、最小のハブコントラスト、ｘ位置（例えば、乳頭距離）、およびｙ位置を含む。

最小のハブコントラストは、質量が収束のハブに現れるかどうかを表す。１つの実施例では、図１２および１３で表されるが、最小のハブコントラストが収束の半径の半分で測定される。入力画像は、例えば、ｓ＝ｒ／２のガウスほかしでぼかされる。与えられた半径でセーブされた各ハブ収束ポイントのために、中央ピクセルから開始して、Ｄ２オペレータは、中央ピクセル周辺をステップされる。Ｄ２オペレータは、中央ピクセルから離間されるｒ／４、ｒ／２および３ｒ／４の３つの地点を使用して、曲率を計算する。最小のハブコントラスト特徴は、与えられたハブ位置での測定の中から発見された最小のＤ２位置である。推論によると、すべての他のコントラスト値の配向がより大きいので、これは適切な測定であると考えられる。２５パーセントのコントラスト、中央コントラスト、もしくは最大コントラストのような他の特徴は、同様に特徴セットを議論するのに代用されるか、もしくは使用され得る。

乳頭の距離およびｙ地点は、新規の乳房座標系において、乳房におけるオブジェクトの位置を説明する。新規の座標系は、患者の体格、乳房の大きさもしくは乳房の形状の大きなばらつきにかかわらず、質量検出に重要かつ分類可能な特徴を作成するのを可能にさせる。乳房Ｘ線写真の典型的な放射線視野は、中外斜位方向（ＭＬＯ、図１４で視野１４１０として示される）および頭尾方向視野（ＣＣ、図１４で視野１４２０として示される）を含む。その他、あまり一般的ではない視野もまた場合によって採用され、類似の座標系で表現され得る。

ＭＬＯ視野は、胸筋ライン１４１２および皮膚ライン１４１４を見つけるよう分割される。乳頭１４１６は、座標系において、胸筋ライン１４１２に対して直角に測定されて、胸筋ライン１４１２から最も遠い皮膚ライン上のポイントとして定義される。座標系のｘ軸は、乳頭部分１４１６から胸筋ライン１４１２まで延びる線であり、値０は、乳頭部分に位置し、値１００は、胸筋部分に位置する。胸筋ラインは、実際にはｘ軸位置で画像内に視覚可能ではあり得ないのだが、必要であれば下に、視覚可能な部分を拡張して座標系を形成すると考えられる。それゆえ、乳房におけるあらゆるポイントのｘ座標は、乳房の乳頭（前方）から乳房の胸筋ライン（後方）までの距離のパーセンテージである。

乳房座標系のｙ座標もまた、０から１００のスケールで表される（ｘ軸の下方のポイントは０から−１００のスケールで表される）。しかしながら、スケールは、１００もしくは−１００が定義されるので、皮膚ラインが交差されるｘ値でｘ軸と直交する点として、与えられたｘ座標に対してｘ値とともに変化する。乳房の切断面のプロファイルは、乳頭部分から胸筋ラインまでを横断するひとつの画像として拡大するので、胸筋ライン付近のスケールの単位は乳頭部分付近のスケールの単位よりも著しく大きい。しかしながら、正規化されたスケーリングは、乳房位置の関数としてのオブジェクト発生の統計度数を、乳房の形や大きさの相違を問わずに表に表されるのを可能とする。代表的な座標のいくつかがＭＬＯ写真１４１０で表される。

ＣＣ視野１４２０では、胸筋ラインは視認できないことが多い。ＣＣ視野の座標系は、胸筋ライン１４１２が視野エッジ（view edge）に対して垂直であると仮定し、それゆえ乳頭部分１４１６が、画像エッジから最も離れた皮膚ライン１４１８上の点である。座標系はまた、胸筋ライン１４１２が、ＭＬＯ視野１４１０で測定されたものと同一の、乳頭部分からの絶対距離に位置されると仮定する。このｘ軸の定義を仮定して、ＭＬＯ視野で使用されるものと類似の、ｘ軸対皮膚ラインｙ座標系（x-axis to skin-line y-coordinates system）が、ＣＣ視野に採用される。代表的な座標のいくつかは、ＭＬＯ視野１４２０で表される。

トレーニング段階で、同様のオブジェクト検出プロセスおよび特徴計算が、悪性を示す質量および収束を有する、もしくは有しない数多くの放射線画像を含むトレーニングセットで実行される。放射線画像を解釈する訓練をされたひとりもしくはそれ以上の人物を使った、ヒューマン−インタラクティブの分類は、トレーニングセットで発見された各オブジェクトについて、悪性もしくは非悪性を示す。トレーニングセットオブジェクト、特徴、および人による入力分類の精査を使用して、多次元の確率密度変数（ＰＤＦ）データセットが分類で使用するために計算される。

図１５ａおよび１５ｂは、ある実施例で使用され得る分類器１４０６の一例を表す。一般的に分類器は、２つもしくはそれ以上の分類それぞれにＰＤＦ値をまず推定し、その後異なる分類のＰＤＦ値を確率と組み合わせることによって、評価ポイントが特定の分類に属する確率を推定する。確率を推定するためにＰＤＦ値を組み合わせることは、周知のベイズ法のような技術を使用して実行され得る。分類器はまた、確率値ではなく、尤度比を発生させるためのＰＤＦ推定を使用することもできる。本実施例では、分類器１４０６は、ＰＤＦ推定を確率ユニット１５０１に提供する１つもしくはそれ以上のＰＤＦユニット１５００を含む。一般的に、ＰＤＦユニット１５００は、オブジェクトのためのそれぞれの可能性のある分類のＰＤＦ推定を決定する。例えば、分類器１４０６が微小石灰化を分類するのに使用される実施例では、悪性の微小石灰化、良性の微小石灰化、ルーセントの微小石灰化、血管の微小石灰化、フィルムアーチファクトなどのそれぞれのためにＰＤＦユニット１５００があり得る。ＰＤＦユニット１５００にかかる詳細な説明は下記で提供される。

ここで図１５ｂを参照すると、ある実施例に従った分類器３０６（図３参照）により使用され得るＰＤＦ推定器１５００が表されているが、異なる分類器確率ユニットも使用され得る。ＰＤＦ推定器１５００の周辺定義ユニット１５０２は、各表示ポイントの周辺の大きさ、もしくは表示ポイントのビン（bin）を定義する。ある実施例の中には、実際に測定された特徴データに良く適合する関数記述を可能とするために、変化する周辺サイズが所望され得るものもある。本実施例では、周辺定義ユニット１５０２は、例えばデータベースから受信されたトレーニングデータを評価して、トレーニングデータに含まれた表示ポイントにふさわしい周辺サイズを決定する。周辺定義ユニット１５０２は、ベクトルＳ_ｐ→を（ベクトルは、各表示ポイントのスケールパラメータ、もしくは各特性または次元のための表示ポイントのビン（bin）を表す）、周辺決定ユニット１５０４へ提供する。ある実施例では、周辺定義ユニット１５０２は、オフラインで実行され、例えばＳ_ｐ→のような結果が、後のアクセスのためにデータベースに記憶されるように、格納される。ベクトルＳ_ｐ→は、周辺決定ユニット１５０４により使用されて、各次元または特徴のための評価ポイントｘ_０のために使用される周辺サイズである、スケールパラメータベクトルσ_ｓ→を決定する。スケールパラメータベクトルσ_ｓ→は重み決定ユニット１５０６に提供されて、重みｗ_ｉを決定し、どの程度の重みがトレーニングデータの表示ポイントに配分されるかを特定する。一度決定されると、重みｗ_ｉは局部推定器（local estimator）１５０８に提供される。局部推定器１５０８は、重みｗ_ｉをトレーニングデータに加えて、ポイントｘ_０のためのＰＤＦ推定を決定し、それは例えばデータベースに記憶され得る。以下の段落はより詳細な説明を提供する。

複雑かつ／もしくはまばらのロングテール分布を有する、実世界の多変数システムのためのＰＤＦ推定は、歴史的にいくつかの固有の問題に阻まれてきた。まず、よく研究されてはいるが、高度に制約されたパラメトリックモデルはたびたび、実世界の装置で受けるＰＤＦを正確に表示することができない。次に、使用されるモデルが高度にフレキシブルであるか、もしくはノンパラメトリック（non parametric）（例えば、パルツェン窓に基づいたアプローチ）である場合、推定値はランダムなサンプル変化のために、信用性に欠けることがある。これはとりわけ、ほとんどサンプルがないＰＤＦのテール領域に当てはまる。推定器の信頼性を改善する方法は、扱いにくい計算もしくはメモリ要求という結果になり得る。

本明細書で説明される実施例は、ＰＤＦ推定のための新たなアプローチを用いる。完全なＰＤＦを推定して記憶する代わりに、データセットが記憶されて、ＰＤＦのあらゆる特定の局部領域のためのＰＤＦ推定関数のオンザフライ（on-the-fly）の計算を可能とする。この方法で推定されたＰＤＦを記憶するために必要とされるデータ量は、おおよそｎ×Ｍのオーダーであることができ、ここでは、ｎはシステムの次元を表し、Ｍは表示ポイントｒ_ｉの数を表す。各表示ポイントは、推定されている実際の分布からの１つもしくはそれ以上のサンプルを表示する。例えば、サンプルセットにおける各サンプルは、単位重みを有するそれ自身の表示ポイントを受け取ることができる。各サンプルは交互に、１よりも少ない重みを有する表示ポイントを介して表現され得る。例えば、２つの異なる多次元測定が同一サンプルから生じると信じられる場合、２つのサンプルのそれぞれは、０．５の重みを有する表示ポイントを与えられ得る。最終的に、表示ポイントを、個々のサインプルの重みと等しい重みを有する単一の表示ポイントに交換することで、表示ポイントは、測定空間に近接するいくつかのサンプルを“ビン（bin）”し得る。ビンされたサンプル表示ポイントのための実際の多次元サンプル値は、各次元においてビンの中心、ビンされたサンプルの平均、ビンされたサンプル値の中央値などであり得る。

表示ポイントに加えて、いくつかの他の入力が、推定を実行する前に選択される。ひとつの入力は推定ポイントｘ_０であり、そこでＰＤＦが推定され得る。他の入力はベクトルＳ_ｐ→であり、ある実施例では、周辺定義ユニット１５０２によって提供され、スケールパラメータベクトルσ_ｓ→の計算を可能にする一連のスケールパラメータを表す。スケールパラメータベクトルは、どの表示ポイントが推定で使用されるかを決定し、また、含まれた各ポイントに加えられる重みを決定する関数のためのパラメータであり得る。他の入力は、重み付け関数ｇ（σ_ｓ→）であり、これは、推定に使用される表示ポイントに実際に加えられる。最終的な入力は、パラメータ化された推定関数ｆ（ｘ_０，θ）であり、ここでθは、関数のパラメータマトリックスである。

図１６は、１次元の確率変数のための一般的なＰＤＦ１６００を表し、同じ確率変数のサンプル１６０２の母集団から描かれたサンプル分布のヒストグラム上に重ね合わせられたものである。十分な多数のポイントを有して、ヒストグラムは、ＰＤＦ１６００の形状の量子化されたバージョンという傾向があり、これは、パルツェン窓のような従来技術によって推定され得る。ＰＤＦ１６００のテールに向かうと、そのようなアプローチは、信頼し得る推定を作り出すのが難しい。テールにたびたび表される少数のサンプルは、テールにおいて、単純な窓による推定（simple windowed estimate）が、少数のサンプルのために高い変数を有するか、もしくは大きな線形窓のアプリケーションのために、実際のＰＤＦの本当の形状を構成し損なうかのどちらかであることを意味する。

好ましい実施例では、入力データは予め計算されたパラメータを含み、そこから適切なスケールパラメータが、例えば周辺決定ユニット１５０４によって、入力評価ポイントのために計算され得る。概して、スケールパラメータは分布のテールに向かうと大きくなり、表示ポイントスペースのよりデータの豊富なエリアではより小さくなる。別個のデータ構造がすべてのサンプルスペースのスケールパラメータの記述を記憶するために使用され得るが、ひとつの実施例では、各表示ポイントが、オンザフライでスケールパラメータベクトルを計算するために使用され得るパラメータを記憶する。

図１７は、表示ポイントのスケールパラメータの記憶および使用のひとつの実施例を表し、そこでは各表示ポイントｒ_ｉはまた、最小のスケールパラメータ値σ_ＭＩＮ（ｉ）、およびスケールパラメータ関数σ_ｉ（ｘ_０）＝σ_ＭＩＮ（ｉ）＋σ_ｄσ（ｉ）｜ｘ_０‐ｒ_ｉ｜のためのスケールパラメータスロープσ_ｄσ（ｉ）を説明する。それゆえ、あらゆる評価ポイントＸ_０のために、スケールパラメータ関数はスケールパラメータの計算を可能にする。評価ポイントで使用するためのスケールパラメータは、従って、すべてのｉのために評価される、最小のスケールパラメータσ_ｉ（ｘ_０）として定義されることができ、その最小の値σ_ｓ→は重み決定ユニット１５０６へ提供される。実際のアプリケーションでは、スケールパラメータは評価ポイントに近接する表示ポイントのために評価されることのみを必要とされ得る。これは図１８の検査により観察されることができ、そこではスケールパラメータ関数σ_ｉ（ｘ）は、各評価ポイント（ｒ_１にはσ_１（ｘ）、ｒ_２にはσ_２（ｘ）、ｒ_３にはσ_３（ｘ）が番号付される）のためにプロットされる。値σ_３（ｘ_０）は、すべての他の表示ポイントに関連するスケールパラメータ関数値よりも低く、それゆえ、評価ポイントｘ０のためのスケールパラメータとして選択される。選択的に、異なるスケールパラメータ関数値が、“ｍｉｎ”以外の、数学関数に結び付けられ得る(例えば、種々の値の平均もしくは特別な百分率が使用され得る)。

多次元の、異なるスケールパラメータは、典型的に各次元で、その次元におけるｘ_０周辺の局部的にまばらの表示ポイントに応じて発見される。

各次元のスケールパラメータが発見されると、スケールパラメータは次に、評価ポイントでのＰＤＦを推定するために使用される表示ポイントを制限するのに使用され得る。例えば、スケールファクターの倍数のような、評価ポイントからの距離に基づいた実際の大まかなルールが、図１８に表された計算に実際には影響しえない表示ポイントを除外するために使用されることができ、それゆえ計算時間を省く。評価ポイントからどれだけ離れた場所にあろうと、順番に、すべての表示ポイントが評価され得る。

ケールパラメータはまた、重み決定ユニット１５０６（図１５）によって表されるように、定義された重み付け関数ｗ_ｉ＝ｇ（ｒ_ｉ；ｘ_０，σ（ｘ_０））を使用して、各表示ポイントのための全体の重みを計算するために用いられる。

選択された、重み付けされた表示ポイントは、局所推定器１５０８によって計算された、パラメータ化された推定器関数ｆ（ｘ，θ）についてパラメータマトリックスθを計算するために使用される。ある実施例では、パラメータマトリックスは、関数を最大化するために計算される：

ここで、ｈ（）とは単調関数である。

いくつかの関数選択にとって、モデル化されたＰＤＦがｎ次元空間におけるすべてのポイントにとってゼロ以外である場合、数式は、パラメータマトリックスを解決するために使用され得る。ひとつのそのような例においては、重み付け関数ｇ（）は、ガウス関数であり、ｈ（）はｌｏｇ関数であり、かつｆ（）は二次指数関数である：

ここで、

であり、Ｎとは表示ポイントの数である。

多次元解において、変数およびパラメータは多次元であることの理解をもって、上記の数式がなお適用される。

上述の一般的なアプローチはまた、ＰＤＦがｎ次元空間のいくつかの部分でゼロの値を有する場合にも適用されうる。このアプローチはまた、ｈ、ｇ、もしくはｆが直接的に解決し得る方式でない場合にも適用され得る。このようなケースでは、パラメータマトリックスは、ニュートン・ラプソンの最適化のような数値法を使用して、近似値が求められ得る。

一旦、推定値関数のためのパラメータマトリックスが発見されると、ＰＤＦ値を獲得するために評価ポイントで推定値関数を評価することが可能である。

広汎なアプリケーションが、ある実施例に従ったＰＤＦ法のために存在する。正確なＰＤＦ推定により利益を享受し得る分野は、パターン認識、分類、推定、コンピュータビジョン、画像処理、および信号処理を含む。ＰＤＦ推定データのコンパクトな空間の必要性は、ＰＤＦデータセットのコンパクトな記憶、アップデート分布、追加の識別変数および／もしくは分類の参入などのために実用性を加える。

いくつかの実施例および別の実施が説明されたが、多くの他の修正および実施技術が本開示を読むことで当業者にとって明らかとなる。所与の実施例では、推定器関数パラメータの値を求めるために使用される数式は、その最小化がパラメータマトリックスを選択するように定義され得る。スケールパラメータのための適切な解は、表示ポイント関数毎の事前計算なしで計算するのにはより費用がかかることがあり得るが、所与の評価ポイントのためのスケールパラメータは、表示ポイントから直接、実行時に計算され得る。

別段の指示がなければ、本明細書で説明されたすべての関数は、ハードウェアとソフトウェアとの両方で、もしくはそれらのいくつかの組合せにおいて実行され得る。しかしながら、好ましい実施例において、関数は、別段の指示がなければ、コンピュータプログラムコードのようなコード、ソフトウェア、および／もしくはそのような関数を実行するために暗号化された集積回路に従って、コンピュータもしくは電子データプロセッサのようなプロセッサによって実行され得る。

例えば、図１９は、ある実施例に従って使用され得る、コンピュータシステム１９００のブロック図である。しかしながら、本明細書で説明されるコンピュータシステム１９００が説明目的のためだけに提供され、その他の装置もまた使用され得ることに注意すべきである。コンピュータシステム１９００は、例えば、デスクトップコンピュータ、ワークステーション、ノートパソコン（ラップトップコンピュータ）、携帯情報端末、特定のアプリケーション用にカスタマイズされた専用装置などを含み得る。従って、本明細書で説明されるコンピュータシステム１９００の構成要素は、説明目的のためであり、本発明の他の実施例は追加の、もしくはより少ない構成要素を含み得る。

ある実施例では、コンピュータシステム１９００は、１つもしくはそれ以上の入力装置１９１２（例えば、マウス、キーボード等）と、ディスプレイ１９１４、プリンタ１９１６といった１つもしくはそれ以上の出力装置とを装備した、処理装置１９１０を含む。好ましくは、処理装置１９１０は、中央処理装置（ＣＰＵ）１９１８、メモリ１９２０、大容量記憶装置１９２２、ビデオアダプタ１９２４、Ｉ／Ｏインターフェース１９２６、および、バス１９３０に接続されたネットワークインターフェース１９２８を含む。バス１９３０は、メモリバスもしくはメモリコントローラ、周辺バス、ビデオバス等を含む、１つもしくはそれ以上のあらゆるタイプのいくつかのバスアーキテクチャであり得る。ＣＰＵ１９１８は、あらゆるタイプの電子データ処理装置を含み得る。例えば、ＣＰＵ１９１８は、インテル社もしくはアドバンスド・マイクロ・デバイシーズ社製の処理装置（例えば、シングルコアもしくはマルチコアのもの）、縮小命令セットコンピュータ（ＲＩＳＣ）、特定用途向け集積回路（ＡＳＩＣ）等を含み得る。メモリ１９２０は、スタティックランダムアクセスメモリ（ＳＲＡＭ）、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）、シンクロナスＤＲＡＭ（ＳＤＲＡＭ）、読出し専用メモリ（ＲＯＭ）、それらの組合せ等の、あらゆるタイプのシステムメモリを含み得る。図１９におけるある実施例では、メモリ１９２０は、起動時に使用するためのＲＯＭおよび、プログラム実行時に使用されるデータ記憶のためのＤＲＡＭを含み得る。メモリ１９２０は、１つもしくはそれ以上の不揮発性メモリ（non transitory memory）を含み得る。

大容量記憶装置１９２２は、データ、プログラム、およびその他の情報を記憶するために構成され、かつ、そのデータ、プログラム、および他の情報をバス１９２８を介してアクセス可能にするように構成された、あらゆるタイプの記憶装置を含み得る。ある実施例では、大容量記憶装置１９２２は、ＣＰＵ１９１８によって実行されるためのプログラムを記憶するよう構成される。大容量記憶装置１９２２は、例えば、１つもしくはそれ以上のハードディスクドライブ、磁気ディスクドライブ、光学ディスクドライブ等を含み得る。大容量記憶装置１９２２は、１つもしくはそれ以上の持続性メモリを含み得る。

ビデオアダプタ１９２４およびＩ／Ｏインターフェース１９２６は、外部の入力装置および出力装置を処理装置１９１０に接続するためのインターフェースを提供する。図１９に示されるように、入力および出力装置の例は、ビデオアダプタ１９２４に接続されたディスプレイ１３１４と、マウス／キーボード１９１２と、Ｉ／Ｏインターフェース１９２６に接続されたプリンタ１９１６とを含む。他の装置は、処理装置１９１０に接続され得る。

ネットワークインターフェース１９２８は、有線もしくは無線であることができ、処理装置１９１０にネットワーク１９３２を介して遠隔装置とやりとりするのを可能にする。ある実施例では、処理装置１９１０は、ローカルエリアネットワークもしくは広域ネットワークに接続されて、他の処理装置、インターネット、リモート記憶施設等との通信を提供する。

コンピュータシステム１９００が他の構成要素を含むことに注意すべきである。例えば、コンピュータシステム１９００は、電力供給、ケーブル、マザーボード、リムーバブル記憶媒体、ケース、ネットワークインターフェース等を含む。これらの他の構成要素は、図示されないが、コンピュータシステム１９００の一部と考えられる。さらに、コンピュータシステム１９００のどの構成要素も複数の構成要素を含むことに注意すべきである。例えば、ＣＰＵ１９１８は複数のプロセッサを含むことができ、ディスプレイ１９１４は複数のディスプレイ等を含むことができる。他の実施例のように、コンピュータシステム１９００は、直接接続された複数のコンピュータシステムおよび／もしくはネットワークを含み得る。

さらに、１つもしくはそれ以上の構成要素は、遠く離れて設置され得る。例えば、ディスプレイは、処理装置から遠く離れて設置され得る。本実施例では、位置および／もしくは異常タイプといったディスプレイ情報は、ネットワークインターフェースを通じて、ディスプレイ装置もしくは接続されたディスプレイを有する遠隔の処理装置に伝送され得る。

いくつかの実施例および別の実施が説明されたが、多くの他の修正および実施技術が、本開示を読むことで当業者に明らかとなる。様々なパラメータおよびしきい値があり、かつ、これらは与えられたデータ特性で与えられた実施のために変更することができ、実験および究極の性能と計算時間のトレードオフが所望の動作ポイントに到達するために必要とされる。少なくとも１つの特定の方法が各特性タイプの計算のために説明されたが、多くの別の方法および特性の定義付けが、類似のもしくは許容可能なパフォーマンスにより類似の特性を計算するために存在する。好ましい実施例は、特性セットを有するＰＤＦ分類実施を使用する。開示された特性セットおよび収束位置技術は、ＰＤＦ分類アプローチを使用しないＣＡＤシステムにおいてもまた有利であり得る。同様に、本明細書で説明された乳房座標系もしくはその確率変数（variants）が他のＣＡＤアプローチにおいて適用性があると信じられる。

本明細書は、“ある（an）”、“１つの（ひとつの、one）”、“他の（another）”、もしくは“いくつかの（some）”実施例に言及したが、各々のそのような言及が同じ実施例のために存在すること、もしくは特性がひとつの実施例にのみ適用されることを、必ずしも意味するものではない。

Claims (20)

1. 画素を含む画像内の突出した異形を識別する方法であって、
   デジタル画像からバルジマスクを発生させ、当該バルジマスクは、突出した異形のための可能性のある収束ハブを含むものであり、
   前記デジタル画像のリッジを検出し、検出されたリッジマップを発生させ、
   前記検出されたリッジマップを、異なる方向のベクトルを有する一組の方向マップ上に投影し、一組のリッジ方向投影マップを発生させ、
   前記一組のリッジ方向投影マップから前記可能性のある収束ハブのウエッジ特徴を決定し、
   最も強いウエッジ特徴を有する前記可能性のある収束ハブからリッジ収束ハブを選択し、
   前記選択されたリッジ収束ハブの各々のための分類特徴を抽出し、
   前記抽出された分類特徴に基づき前記選択されたリッジ収束ハブを分類する、方法。
2. 前記画像は、マンモグラムであり、前記バルジは、潜在的に悪性の質量であり、前記突出した異形は、潜在的に悪性の突出した質量であり、１つもしくはそれ以上の分類特徴が、ウエッジ幅、半径、信号対ノイズ比（ＳＮＲ）、最小限ハブコントラスト、乳頭距離およびｙ位置、およびこれらの組合せからなるグループから選択される、請求項１に記載の方法。
3. 前記リッジの検出は、複数のリッジ幅、複数のリッジ配向、および複数のリッジアスペクト比について実施される、請求項１に記載の方法。
4. 前記リッジの検出は、
   各リッジ幅のためのイメージノイズマップを決定し、
   各リッジ幅、配向およびアスペクト比で二次導関数測定を計算し、
   前記二次導関数測定から平均コントラストおよびコントラスト平均偏差を決定し、
   前記平均コントラストおよびノイズマップからＳＮＲを決定し、
   ＳＮＲ、コントラスト密度、およびコントラスト標準偏差の少なくとも１つの相対的な値に基づき検出されたリッジマップに含まれるべきリッジを選択することを含む、請求項３に記載の方法。
5. 方法はさらに、前記選択されたリッジを細くすることを含む、請求項４に記載の方法。
6. 前記検出されたリッジマップを一組の方向マップに投影することは、
   検出されたリッジマップを、ラインマスクイメージ、行成分のイメージおよび列成分の意目地に分離し、
   方向ベクトルを有する前記ラインマスクイメージ、行成分イメージおよび列成分イメージの内積を決定することを含む、請求項１に記載の方法。
7. 前記ウエッジ特徴を決定することは、
   複数のウエッジ幅、複数のウエッジオフセットおよび複数のウエッジ半径についてウエッジ特徴を測定し、
   各可能性のある収束ハブのための各オフセットと最も高いＳＮＲとを有する、一組の半径／ウエッジ幅マップを発生させることを含む、請求項１に記載の方法。
8. 前記リッジ収束ハブを選択することは、
   各半径／ウエッジ幅マップを最小の重要なＳＮＲにしきい値とし、
   リッジ収束ハブの隣接するグループを最大の相対的なＳＮＲを有する１つのリッジ収束ハブに細くすること、を含む請求項７に記載の方法。
9. 方法はさらに、バルジマスクを発生させる前に、デジタル画像から明るい領域を取り除き、デジタル画像の強度の平坦化を行うことを含む、請求項１に記載の方法。
10. 方法はさらに、前記選択されたリッジ収束ハブを分類した後に、しきい値以上の抽出された分類特徴を有する前記選択されたリッジ収束ハブの出力画像にマークすることを含む、請求項１に記載の方法。
11. 画素を含む画像の突出した異形を識別するシステムであって、
    デジタル画像からバルジマスクを発生させ、当該バルジマスクは、突出した異形のための可能性のある収束ハブを含む、バルジマスク発生器と、
    デジタル画像のリッジを検出し、検出されたリッジマップを発生させるリッジ検出器と、
    前記検出されたリッジマップを、異なる方向ベクトルを有する一組の方向マップ上に投影し、一組のリッジ方向投影マップを発生させる、収束プロジェクタと、
    前記一組のリッジ方向投影マップからの可能性のある収束ハブのためのウエッジ特徴を決定する、ウエッジ特徴計算器と、
    最も強いウエッジ特徴を有する可能性のある収束ハブからリッジ収束ハブを選択する収束ハブ選択器と、
    前記選択ｋされたリッジ収束ハブの各々のための分類特徴を抽出する特徴抽出器と、
    前記抽出された分類特徴に基づき前記選択されたリッジ収束ハブを分類する分類器と、
    を有するシステム。
12. 前記画像は、マンモグラムであり、前記バルジは、潜在的に悪性の質量であり、前記突出した異形は、潜在的に悪性の突出した質量であり、１つもしくはそれ以上の分類特徴が、ウエッジ幅、半径、信号対ノイズ比（ＳＮＲ）、最小限ハブコントラスト、乳頭距離およびｙ位置、およびこれらの組合せからなるグループから選択される、請求項１に記載の方法。
13. 前記リッジ検出器は、複数のリッジ幅、複数のリッジ配向、および複数のリッジアスペクト比についてリッジを検出する、請求項１に記載のシステム。
14. 前記収束プロジェクタは、前記検出されたリッジマップを、ラインマスクイメージ、行成分のイメージおよび列成分の意目地に分離し、かつ、方向ベクトルを有する前記ラインマスクイメージ、行成分イメージおよび列成分イメージの内積を決定する、請求項１１に記載のシステム。
15. 前記ウエッジ分類器は、複数のウエッジ幅、複数のウエッジオフセットおよび複数のウエッジ半径についてウエッジ特徴を測定し、かつ、各可能性のある収束ハブのための各オフセットと最も高いＳＮＲとを有する、一組の半径／ウエッジ幅マップを発生させる、請求項１１に記載のシステム。
16. 画素を含む画像の突出した異形を識別するコンピュータプログラム製品であって、当該コンピュータプログラム製品は、そこに埋め込まれたコンピュータプログラムを有する非一時的なコンピュータ読出し可能な媒体を有する、前記コンピュータプログラム製品であって、
    デジタル画像からバルジマスクを発生させるものであり、当該バルジマスクは、突出した異形のための可能性のある収束ハブを含む、コンピュータプログラムコードと、
    デジタル画像のリッジを検出し、検出されたリッジマップを発生させるコンピュータプログラムコードと、
    前記検出されたリッジマップを、異なる方向ベクトルを有する一組の方向マップ上に投影し、一組のリッジ方向投影マップを発生させるコンピュータプログラムコードと、
    前記一組のリッジ方向投影マップからの可能性のある収束ハブのためのウエッジ特徴を決定するコンピュータプログラムコードと、
    最も強いウエッジ特徴を有する可能性のある収束ハブからリッジ収束ハブを選択するコンピュータプログラムコードと、
    前記選択ｋされたリッジ収束ハブの各々のための分類特徴を抽出するコンピュータプログラムコードと、
    前記抽出された分類特徴に基づき前記選択されたリッジ収束ハブを分類するコンピュータプログラムコードと、
    を有するコンピュータプログラム製品。
17. 前記画像は、マンモグラムであり、前記バルジは、潜在的に悪性の質量であり、前記突出した異形は、潜在的に悪性の突出した質量であり、１つもしくはそれ以上の分類特徴が、ウエッジ幅、半径、信号対ノイズ比（ＳＮＲ）、最小限ハブコントラスト、乳頭距離およびｙ位置、およびこれらの組合せからなるグループから選択される、請求項１６に記載のコンピュータプログラム製品。
18. 前記リッジを検出するコンピュータプログラムコードは、
    複数のリッジ幅、複数のリッジ配向、および複数のリッジアスペクト比でリッジを検出するコンピュータプログラムコードと、
    各リッジ幅のためのイメージノイズマップを決定するコンピュータプログラムコードと、
    各リッジ幅、配向およびアスペクト比で二次導関数測定を計算するコンピュータプログラムコードと、
    前記二次導関数測定から平均コントラストおよびコントラスト平均偏差を決定するコンピュータプログラムコードと、
    前記平均コントラストおよびノイズマップからＳＮＲを決定するコンピュータプログラムコードと、
    ＳＮＲ、コントラスト密度、およびコントラスト標準偏差の少なくとも１つの相対的な値に基づき検出されたリッジマップに含まれるべきリッジを選択するコンピュータプログラムコードとを含む、請求項１６に記載のコンピュータプログラム製品。
19. 前記ウエッジ特徴を決定するコンピュータプログラムコードは、
    複数のウエッジ幅、複数のウエッジオフセットおよび複数のウエッジ半径についてウエッジ特徴を測定するコンピュータプログラムコードと、
    各可能性のある収束ハブのための各オフセットと最も高いＳＮＲとを有する、一組の半径／ウエッジ幅マップを発生させるコンピュータプログラムコードとを含む、請求項１６に記載のコンピュータプログラム製品。
20. 前記リッジ収束ハブを選択するコンピュータプログラムコードは、
    各半径／ウエッジ幅マップを最小の重要なＳＮＲにしきい値とするコンピュータプログラムコードと、
    リッジ収束ハブの隣接するグループを最大の相対的なＳＮＲを有する１つのリッジ収束ハブに細くするコンピュータプログラムコードと含む、請求項１９に記載のコンピュータプログラムコード製品。

Images