JP2019170881A - コンピュータプログラム、分類装置、分類方法、画像出力装置及び画像出力装置の動作方法 - Google Patents
コンピュータプログラム、分類装置、分類方法、画像出力装置及び画像出力装置の動作方法 Download PDFInfo
- Publication number
- JP2019170881A JP2019170881A JP2018065376A JP2018065376A JP2019170881A JP 2019170881 A JP2019170881 A JP 2019170881A JP 2018065376 A JP2018065376 A JP 2018065376A JP 2018065376 A JP2018065376 A JP 2018065376A JP 2019170881 A JP2019170881 A JP 2019170881A
- Authority
- JP
- Japan
- Prior art keywords
- image
- positive
- computer program
- area
- breast
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004590 computer program Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims description 55
- 210000000481 breast Anatomy 0.000 claims abstract description 81
- 230000004044 response Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 15
- 238000012545 processing Methods 0.000 description 49
- 206010028980 Neoplasm Diseases 0.000 description 24
- 238000010586 diagram Methods 0.000 description 14
- 238000004195 computer-aided diagnosis Methods 0.000 description 11
- 239000013598 vector Substances 0.000 description 11
- 238000009607 mammography Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 208000004434 Calcinosis Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 210000005075 mammary gland Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002308 calcification Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
【課題】画像毎の画質のばらつき、異常陰影の画像特徴について、そのばらつきの影響を抑えて偽陽性/真陽性判定を行うことが可能なコンピュータプログラムを提供する。【解決手段】コンピュータプログラムは、乳房画像及び当該乳房画像における複数の陽性候補領域の情報を取得し、複数の前記陽性候補領域それぞれについての特徴量を算出し、算出した前記特徴量に基づいて、取得した乳房画像1枚毎に、複数の前記陽性候補領域それぞれを少なくとも真陽性領域か否かに分類する処理をコンピュータに行わせる。【選択図】図8
Description
本開示は、乳房画像に含まれる陽性候補領域の分類を行うコンピュータプログラム等に関する。
近年、医療現場において、コンピュータ支援診断(CAD: Computer−Aided Diagnosis)技術が活用されている。マンモグラムにおいては、癌等を表す異常な腫瘤陰影や高濃度の微小石灰化陰影等と考えられる異常陰影候補を検出し、検出された異常陰影候補が真陽性(異常陰影、癌等の病変)であるか偽陽性(正常陰影)であるか判定する技術が開発されている(例えば特許文献1)。
異常陰影の検出では、まず画像中から異常陰影の候補となる領域をできる限り漏れなく検出し、検出された異常陰影候補が真陽性(異常陰影、癌等の病変)であるか偽陽性(正常陰影)であるか判定して最終結果を得る処理フローのものが多い。通常、この判定においては、一定の期間、様々な入力画像に対して同一の判別基準を適応していた。この場合、同一の判定基準を適用している期間に、撮影条件や撮影対象が異なる様々な画像が入力されるため、コントラスト等画質のばらつき、異常陰影の画像特徴のばらつきが生じるため、偽陽性/真陽性の分布が被ってしまい、うまく分離できない問題があった。
本開示はこのような事情に鑑みてなされたものである。その目的は、画像毎の画質のばらつき、異常陰影の画像特徴について、そのばらつきの影響を抑えて偽陽性/真陽性判定を行うことが可能なコンピュータプログラム等の提供である。
本開示に係るコンピュータプログラムは、乳房画像及び当該乳房画像における複数の陽性候補領域の情報を取得し、複数の前記陽性候補領域それぞれについての特徴量を算出し、算出した前記特徴量に基づいて、取得した乳房画像1枚毎に、複数の前記陽性候補領域それぞれを少なくとも真陽性領域か否かに分類する処理をコンピュータに行わせる。
本開示にあっては、画像毎のばらつきの影響を受けずに偽陽性削除を行ことが可能となる。
以下、図面を参照しつつ、本開示に係る実施の形態を説明する。
実施の形態1
図1はCADシステムの構成例を示す説明図である。CADシステム100は画像処理サーバ1、表示端末2及び乳房X線撮影装置3を含む。CADシステム100、画像処理サーバ1、表示端末2及び乳房X線撮影装置3は、ネットワークNにより、通信可能に接続されている。画像処理サーバ1は乳房のX線画像(以下、「乳房画像」という)を記憶する。表示端末2は画像処理サーバ1から読み出した乳房画像を表示する。読影医は表示端末2に表示された乳房画像を参照して診断を行う。乳房X線撮影装置3は乳房をX線撮影し、乳房画像を取得する装置である。乳房X線撮影装置3はいわゆるマンモグラフィである。乳房X線撮影装置3が取得した乳房画像は、画像処理サーバ1に記憶される。
図1はCADシステムの構成例を示す説明図である。CADシステム100は画像処理サーバ1、表示端末2及び乳房X線撮影装置3を含む。CADシステム100、画像処理サーバ1、表示端末2及び乳房X線撮影装置3は、ネットワークNにより、通信可能に接続されている。画像処理サーバ1は乳房のX線画像(以下、「乳房画像」という)を記憶する。表示端末2は画像処理サーバ1から読み出した乳房画像を表示する。読影医は表示端末2に表示された乳房画像を参照して診断を行う。乳房X線撮影装置3は乳房をX線撮影し、乳房画像を取得する装置である。乳房X線撮影装置3はいわゆるマンモグラフィである。乳房X線撮影装置3が取得した乳房画像は、画像処理サーバ1に記憶される。
以下の説明においては、異常陰影の例として異常腫瘤を対象にして説明する。すなわち、腫瘤に関する偽陽性/真陽性の判定について述べる。異常腫瘤以外の異常陰影も同様なアルゴリズムで判定が可能である。例えば、石灰化に関する偽陽性/真陽性の判定を実現可能である。
図2は画像処理サーバ1のハードウェア構成例を示すブロック図である。画像処理サーバ1は、CPU(Central Processing Unit)11、ROM(Read Only Memory)12、RAM(Random Access Memory)13、大容量記憶部14及び通信部15を含む。各構成はバスBで接続されている。
CPU11はROM12に記憶された制御プログラム1Pにしたがい、ハードウェア各部を制御する。RAM13は例えばSRAM(Static RAM)、DRAM(Dynamic RAM)又はフラッシュメモリである。RAM13はCPU11によるプログラムの実行時に発生するデータを一時的に記憶する。
大容量記憶部14は、例えばハードディスク又はSSD(Solid State Drive)などである。大容量記憶部14は各種データベース(DB: DataBase)を記憶する。大容量記憶部14は乳房画像DB141、候補領域DB142及び陽性領域DB143を含む。また、制御プログラム1Pを大容量記憶部14に記憶してもよい。乳房画像DB141、候補領域DB142及び陽性領域DB143は、画像処理サーバ1以外に記憶してもよい。例えばPACS(Picture Archiving and Communication Systems:画像保存通信システム)に記憶してもよい。通信部15はネットワークNを介して、表示端末2及び乳房X線撮影装置3と通信を行う。
乳房画像DB141は乳房X線撮影装置3が取得した乳房画像を記憶する。各乳房画像には当該画像が一意に特定可能な画像IDが付与されている。候補領域DB142は公知の画像処理技術を用いて検出した腫瘤の候補領域を画像IDと対応付けて記憶する。候補領域DB142は候補領域を記憶するために、例えば候補領域を構成する複数点の座標列を記憶する。陽性領域DB143は候補領域から偽陽性領域を取り除いた陽性領域を記憶する。陽性領域DB143は、候補領域DB142と同様に候補領域を構成する複数点の座標列を記憶する。また、候補領域毎に一意に特定可能な領域IDが振られている場合、陽性領域DB143には陽性領域の領域IDを記憶し、座標列は省略してもよい。
図3は表示端末2のハードウェア構成例を示すブロック図である。表示端末2は、CPU21、ROM22、RAM23、大容量記憶部24、入力部25、表示部26及び通信部27を含む。各構成はバスBで接続されている。CPU21、ROM22、RAM23、及び通信部27は、それぞれが画像処理サーバ1のCPU11、ROM12、RAM13及び通信部15と同様であるから説明を省略する。大容量記憶部24は、例えばハードディスク又はSSDなどである。大容量記憶部24は画像処理サーバ1から取得した乳房画像を一時的に記憶する。また、制御プログラム2Pを大容量記憶部24に記憶してもよい。
入力部25はキーボードやマウスである。表示部26は液晶表示装置である。表示部26はデータ処理の結果などを表示する。また、入力部25は表示部26と一体化したタッチパネルでもよい。なお、表示端末2は外部の表示装置に表示を行ってもよい。
次に、画像処理サーバ1の大容量記憶部14が記憶するデータベースについて説明する。図4は乳房画像DBの例を示す説明図である。乳房画像DB141は患者ID列、オーダ番号列、画像ID列及び画像列を含む。患者ID列は患者を特定可能な患者IDを記憶する。なお、被撮影者を特定可能なIDであれば、患者IDに替えて他のIDでもよい。オーダ番号列はX線画像撮影の指示を特定可能なオーダ番号を記憶する。画像ID列は画像を一意に特定可能な画像IDを記憶する。画像列は乳房画像の実体を記憶する。
図5は候補領域DBの例を示す説明図である。候補領域DB142は画像ID列、領域ID列及び座標列を含む。画像ID列は画像IDを記憶する。領域ID列は同一画像内で候補領域を一意に特定可能な領域IDを記憶する。座標列は候補領域を構成する複数点の座標を記憶する。例えば座標列の先頭に点の数を記憶し、その後に各点の座標値を記憶する。
図6は陽性領域DBの例を示す説明図である。陽性領域DB143は画像ID列及び領域ID列を含む。画像ID列は画像IDを記憶する。領域ID列は候補領域DB142に記憶された領域のうち、偽陽性と判断された領域を除く領域のIDを記憶する。
次に、画像処理サーバ1が行う処理を説明する。以下に述べる判定手法は次の考え方に基づく。真陽性領域と偽陽性領域との判別は、医師が目視で判別可能な場合もあることから、真陽性領域、偽陽性領域それぞれについての特徴量を求めた場合、何らかの違いがみられるはずである。また、複数の候補領域に多数の真陽性領域が含まれることは稀であり、殆どの場合、真陽性領域は1つである。この考え方によれば、偽陽性/真陽性判定は、候補領域から1つだけ特異な特徴量を持つ候補領域を検出することである。図7は画像処理サーバ1が行うメイン処理の概要を示す説明図である。画像処理サーバ1は処理対象とする乳房画像を乳房画像DB141から取得する(1)。画像処理サーバ1は公知の技術を用いて、腫瘤の候補領域を検出する(2)。図7に示す例では、AからEの5つの領域が候補領域である。画像処理サーバ1は検出した候補領域にそれぞれについて、複数の特徴量を算出する(3)。算出した特徴量はベクトルとして表現可能である。2つの特徴量を使う場合は、二次元のベクトルとなる。図7(3)のグラフでは、横軸が2つの特徴量の一方を、縦軸が2つの特徴量の他方を示す。画像処理サーバ1は階層的クラスタリングを行う(4)。図7に示す例では、部分集合として{A,B}と{C,D}とが生成される。{A,B}、{C,D}、{E}とから、2つの部分集合が生成される。{A,B,C,D}と{E}とである。このように、クラスタリングの処理において、1対他となった場合、画像処理サーバ1は他として分類された領域は、偽陽性領域であるとして候補領域から削除する(5)。1対他となった場合とは、要素数1の第1部分集合(第一クラスタ)と、それ以外の要素数を含む第2部分集合(第二クラスタ)とに分割できた場合である。図7に示す例では、集合{E}が第1部分集合であり、集合{A,B,C,D}が第2部分集合である。図7(4)では階層的クラスタリングを行うとしたが、それに限らない。候補領域から1つだけ特異な特徴量を持つ候補領域を検出することが可能であれば、他のクラスタリング手法も用いてもよい。
図8はメイン処理の手順例を示すフローチャートである。画像処理サーバ1のCPU11は処理対象とする乳房画像を取得する(ステップS1)。CPU11は取得した乳房画像に対し、公知の画像処理技術を用いて腫瘤の候補領域を検出する(ステップS2)。腫瘤の候補領域を検出する処理を他のコンピュータで行ってもよいし、予め(メイン処理前に)、画像処理サーバ1で行ってもよい。この場合、CPU11は、候補領域DB142から候補領域を取得する。CPU11は候補領域から偽陽性領域を削除する(ステップS3)。CPU11は結果を出力する(ステップS4)。ここでは、CPU11は偽陽性領域を削除して残った領域を、陽性領域DB143に記憶する。CPU11はメイン処理を終了する。メイン処理は新たな乳房画像が乳房画像DB141に記憶されるたびに実行する。又は、乳房画像DB141に新たな記憶され、処理されていない乳房画像が所定枚数に達した場合に、実行する。さらに又、日次処理として実行してもよい。
図9は偽陽性削除処理の手順例を示すフローチャートである。CPU11は腫瘤の候補領域を1つ選択する(ステップS11)。CPU11は選択した領域に対する特徴量を算出する(ステップS12)。CPU11は未処理領域があるか判定する(ステップS13)。CPU11は未処理領域があると判定した場合(ステップS13でYES)、処理をステップS11へ戻す。CPU11は未処理領域がないと判定した場合(ステップS13でNO)、候補領域のクラスタリングを行う(ステップS14)。ここでは、階層的クラスタリングを行う。詳細は後述する。CPU11はクラスタリングの途上で、1対他に分かれた状態が発生したかを判定する(ステップS15)。CPU11は1対他に分かれた状態が発生したと判定した場合(ステップS15でYES)、当該他の領域を出力対象領域から除く(ステップS16)。CPU11は1対他に分かれた状態が発生していないと判定した場合(ステップS15でNO)、処理をステップS17に進める。CPU11は残っている領域を、陽性領域として出力する(ステップS17)。CPU11は例えば、RAM13や大容量記憶部14に設けた一時記憶領域に陽性領域を記憶する。CPU11は偽陽性削除処理を終了し、処理を呼び出し元に戻す。
次に、ステップS12で算出する特徴量について説明する。まず、候補領域から、画像特徴を(複数)算出して特徴量ベクトルを生成する。特徴量としては腫瘤と乳腺とを区別するための特徴量として、ここでは、1.領域内の輝度平均(輝度値の平均値)、2.領域内のRLS平均(ランレングス統計量の平均値)、3.領域内のガボールフィルタ平均(ガボールフィルタ応答値の平均値)の3つの特徴量を用いる。ここでRLS(Run Length Statistics:ランレングス統計量)は、ある一定方向に続く色とその長さを特徴量化したものである。RLSは輝度の凹凸を示すのに用いられている。またガボールフィルタとは、線やエッジに強く反応するフィルタで、画像から線構造を抽出するためによく用いられている。
続いて、ステップS14のクラスタリングについて説明する。クラスタリングを行うに先立ち、各特徴量において値域が異なるため、すべて0.0〜1.0に揃える正規化処理を行う。当該処理は公知の技術であるので、説明を省略する。まず、特徴量空間において、複数の特徴量からなる特徴量ベクトルにより、階層的にクラスタリングを行う。クラスタリングの基準として、ここでは、クラスタリング前後でクラスタ重心の移動が小さいものを優先的に結合するウォード法を用いる。また重心間の距離としてはユークリッド距離と同様の計算で求めている。ユークリッド距離Distは、例えば、以下の式(1)により求める。
階層的クラスタリングの結果、すべて結合される一つ手前で「1対他」に分かれていた場合(ステップS15でYES)、“1”は腫瘤、“他”は乳腺とみなし、“他”のほうを偽陽性として出力対象領域から除く(ステップS16)。階層的クラスタリングの結果、「1対他」にならなかった場合(ステップS15でNO)、すべての領域を真陽性領域として出力する。
ここで、複数の特徴量の重み付けについて考察する。本実施の形態においては、1.輝度平均、2.RLS平均、及び3.ガボールフィルタ平均の3つ特徴量を用いるとした。複数の特徴量を使用する場合、精度を上げるために重み付けをしてもよい。例えば、重み付けを1対3対5とする場合は、0から1の範囲に正規化した後に、1/8、3/8、5/8を掛ければよい。重み付けは実験により適宜、定めればよい。図10は重み付けの検討例を示す説明図である。ここでは、4つの重み付けパターンより、最適な重み付けを検討する例を示す。図10は各パターン(パターンAからD)の実験結果を示している。グラフの横軸は、偽陽性領域(FP:False Positive)として取り除くべきであったが、取り除けなかった領域の1枚あたりの平均個数である。単位は個/枚である。縦軸は真陽性領域(TP:True Positive)として検出できた率を100分率で示したものである。単位は任意単位である。図10に示す評価軸では、横軸の値が小さく、縦軸の値が高いものが最適と言える。それに加えて、診断ミスのリスクを考慮すると、横軸の値が他のパターンより高くても、縦軸の値が高いほうが望ましい。偽陽性領域を候補領域として残しても、読影医が目視で判断すればよい一方、真陽性領域を偽陽性領域として候補領域から除いた場合は、読影医が見落とすリスクが高まるからである。こうような観点から、図10においては、パターンCの重みづけが最適となる。なお、3つの特徴量をすべて使わずに、任意の1つ又は2つを用いてもよい。この場合、重み付けに0や1が含まれる。
引き続いて、メイン処理で偽陽性領域が削除された乳房画像を表示する処理について説明する。図11は画像出力処理の手順例を示すフローチャートである。表示端末2のCPU21は、オーダリングシステム(図示しない)から画像診断のオーダを読み出し、表示部26に一覧表示する(ステップS21)。読影医は画像診断のオーダ覧から、入力部25を用いて、1つのオーダを選択する。CPU21は選択されたオーダに対応する患者の患者IDを取得する(ステップS22)。CPU21は取得した患者IDを画像処理サーバ1に送信する(ステップS23)。画像処理サーバ1のCPU11は表示端末2から受信した患者IDに対応する乳房画像を乳房画像DB141から、陽性領域情報を陽性領域DB143より取得する(ステップS24)。CPU11は陽性領域情報に基づき、陽性領域をマーキングしたマーク付き乳房画像を生成する(ステップS25)。CPU11は生成したマーク付き乳房画像を、表示端末2に送信する(ステップS26)。表示端末2は受信したマーク付き乳房画像を表示部26に表示する(ステップS27)。なお、ここでの陽性領域は偽陽性領域を除いたもので、画像処理サーバ1の処理の結果としては、真陽性領域である。しかし、当該真陽性領域には、医師により腫瘤ではないと診断される可能性がある領域を含む。したがって、厳密に言えば、すべての領域が真陽性領域ではない。
なお、乳房画像の原画像と、陽性領域を示すマーキングとは、別のレイヤとしてもよい。それにより、マーキングにより画像が視認しづらい場合には、容易にマーキングを非表示にすることが可能となる。また、画像出力処理で表示も求められた乳房画像に対するメイン処理が未処理の場合は、ステップS23とステップS24との間で、当該乳房画像に対してのみメイン処理を行えばよい。又は、オーダ一覧に載っていても、メイン処理が終了していない乳房画像は選択できないようにしてもよい。さらにまた、メイン処理が終了していない乳房画像に係るオーダは、読影医が参照するオーダ一覧に載せないことにしてもよい。そしてまた、画像処理サーバ1での処理を表示端末2で実行してもよい。加えて、取り除かれた偽陽性領域を陽性領域とは異なる態様でマーキングしてもよい。
本実施の形態は、以下の効果を奏する。本実施の形態においては、腫瘤候補領域に含まれる偽陽性領域を減少させることが可能である。読影において、腫瘤候補領域は特に注意して読影しなくてはならないため、偽陽性領域を減少させることは、読影医の負担軽減、読影時間の減少に貢献をもたらす。
変形例
特徴量を算出するに当たり、各候補領域の周縁部分を除いたほうが真陽性領域と偽陽性領域との判別の精度が高いと考えられる。そこで、各領域の重心を求め、重心を同じくする相似の縮小領域も求める。求めた縮小領域について、特徴量を算出する。
特徴量を算出するに当たり、各候補領域の周縁部分を除いたほうが真陽性領域と偽陽性領域との判別の精度が高いと考えられる。そこで、各領域の重心を求め、重心を同じくする相似の縮小領域も求める。求めた縮小領域について、特徴量を算出する。
縮小領域を求める際の縮小率は実験により、最適なものを選択すればよい。図12は縮小率の検討例を示す説明図である。図12の示す棒グラフは真陽性領域(TP)の特徴量ベクトルと偽陽性領域(FP)の特徴量ベクトルとの距離、及び偽陽性領域(FP)の特徴量ベクトル2つの距離を示している。ここで、ベクトル間の距離はユークリッド距離である。例えば上述の式(1)で求める。折れ線グラフは2つの距離の比を示している。横軸は2つのグラフで共通である。横軸は縮小領域を求める際の縮小率であり、単位は%である。グラフ左端の縦軸がベクトル間の距離を示す軸であり、単位は任意単位である。グラフ右端の縦軸がベクトル間の距離の比を示す軸であり、単位は任意単位である。図12の例では、2つのベクトルの比が大きいほど、判別精度が高まると考えられる。図12の例では、縮小率70%から30%の範囲が望ましい。より望ましい縮小率の範囲は50%から30%である。
図13は縮小領域に対して特徴量を求める際の処理概要を示す説明図である。図7に示した(2)候補検出が図12に示す2つの処理となる。乳房画像に対して公知の技術により腫瘤の候補領域を求める(2−1)。各領域を縮小した領域を求める(2−2)。以降は縮小した領域を候補領域として、処理を行う。図8にステップS2の内容も同時に変更する。
本変形例においては、真陽性領域と偽陽性領域との判別の精度が高めることが可能となる。
実施の形態2
実施の形態1では、乳房画像に腫瘤候補領域をマーキングしたマーク付き画像を表示した。本実施の形態ではそれに加えて、又はそれに変えて、特徴量を可視化した画像を表示する。本実施の形態におけるハードウェア構成、画像処理サーバ1の処理は、略実施の形態1と同様である。以下の説明では、主として、実施の形態1と異なる点を説明する。
実施の形態1では、乳房画像に腫瘤候補領域をマーキングしたマーク付き画像を表示した。本実施の形態ではそれに加えて、又はそれに変えて、特徴量を可視化した画像を表示する。本実施の形態におけるハードウェア構成、画像処理サーバ1の処理は、略実施の形態1と同様である。以下の説明では、主として、実施の形態1と異なる点を説明する。
本実施の形態において、偽陽性削除処理で算出した特徴量は大容量記憶部14等に記憶しているものとする。本実施の形態で表示可能とする画像は、例えば、A)乳房画像、B)線形構造強調画像、C)ヒートマップである。A)乳房画像は、乳房X線撮影装置3が取得した画像(原画像)である。A)乳房画像には、原画像に加えて、CADシステムで判定した真陽性領域をマーキングしたマーク付き乳房画像や、CADシステムの判定対象となった陽性候補領域も真陽性領域と異なる態様でマーキングした乳房画像も含めることができる。異なる種類の乳房画像は切り替えて表示してもよいし、並べて表示してもよい。B)線形構造強調画像は、原画像の線形構造の特徴量を強調して表示するために、原画像にガボールフィルタを適用した際の応答値(ガボールフィルタ応答値)を画像の画素値として表現した画像である。線形構造の特徴量を表示する手段としては、ガボールフィルタだけに限らない。C)ヒートマップは、A)の画素値からB)の画素値の差分を画像として表現したものである。一般的に、腫瘤領域は輝度が大きく線構造が少ない。よってA)の画素値からB)の画素値の差分をとることで、輝度が大きく線構造が少ない領域、つまり腫瘤らしい領域が強調される。A)の画素値が大きく、B)の画素値が小さい領域のみに注目させるため、差分の値が所定の値より小さくなる画素(例えば、負値をとる画素)の画素値はすべてゼロに置き換えてもよい。また、差分を算出する際には、A)の画素値のスケール(例えば画素値の平均値)とB)の画素値のスケール(例えば画素値の平均値)を合わせるように、A)の画素値又はB)の画素値を重みづけたうえで、差分を算出してもよい。さらに、差分の大小をカラーで表現してもよい。
また、B)線形構造強調画像において、B)の各画素値を、B)の画素値の最大値から減算した値に置き換えた画像を、B’)線形構造強調反転画像(反転マップ画像)として生成する。線形構造強調反転画像として作成することにより、印刷物等として出力した際に、線形構造の確認を容易にすることができる。画素値はカラー画像ではRGB各成分の輝度値である。グレースケール画像では画素値は輝度値と等しい。
また、B)線形構造強調画像において、B)の各画素値を、B)の画素値の最大値から減算した値に置き換えた画像を、B’)線形構造強調反転画像(反転マップ画像)として生成する。線形構造強調反転画像として作成することにより、印刷物等として出力した際に、線形構造の確認を容易にすることができる。画素値はカラー画像ではRGB各成分の輝度値である。グレースケール画像では画素値は輝度値と等しい。
図14は画像出力処理の他の手順例を示すフローチャートである。画像処理サーバ1のCPU11は患者ID、表示態様を表示端末2より受信する(ステップS31)。表示態様とは表示する画像の枚数、表示する画像の種類を含む表示に関する指示である。例えば、マーク付き乳房画像とヒートマップとの2枚を表示するなどである。CPU11は患者IDに対応する乳房画像を乳房画像DB141から、陽性領域情報を陽性領域DB143より取得する(ステップS32)。CPU11はマーク付き乳房画像の表示が指示されているか否かを判定する(ステップS33)。CPU11はマーク付き乳房画像の表示が指示されていると判定した場合(ステップS33でYES)、陽性領域情報に基づき、陽性領域をマーキングしたマーク付き乳房画像を生成する(ステップS34)。CPU11はマーク付き乳房画像の表示が指示されていないと判定した場合(ステップS33でNO)、処理をステップS35に進める。CPU11は線形構造強調画像(図14では「強調画像」と略記する。)の表示が指示されているか否かを判定する(ステップS35)。CPU11は線形構造強調画像の表示が指示されていると判定した場合(ステップS35でYES)、例えば、ガボール特徴量に基づいて、乳房画像より線形構造強調画像を生成する(ステップS36)。CPU11は線形構造強調画像の反転表示が指示されているか否かを判定する(ステップS37)。CPU11は線形構造強調画像の反転表示が指示されていると判定した場合(ステップS37でYES)、線形構造強調反転画像(図14では「反転画像」と略記する。)を生成する(ステップS38)。CPU11は線形構造強調画像の反転表示が指示されていないと判定した場合(ステップS37でNO)、処理をステップS39に移す。CPU11は線形構造強調画像の表示が指示されていないと判定した場合(ステップS35でNO)、処理をステップS39に進める。CPU11はヒートマップの表示が指示されているか否かを判定する(ステップS39)。CPU11はヒートマップの表示が指示されていないと判定した場合(ステップS39でNO)、処理をステップS43に進める。CPU11はヒートマップの表示が指示されていると判定した場合(ステップS39でYES)、線形構造強調画像を生成済みであるか否かを判定する(ステップS40)。CPU11は線形構造強調画像を生成済でないと判定した場合(ステップS40でNO)、乳房画像より線形構造強調画像を生成する(ステップS41)。CPU11は線形構造強調画像を生成済であると判定した場合(ステップS40でYES)、乳房画像と線形構造強調画像とから、ヒートマップ画像を生成する(ステップS42)。CPU11は生成した画像を表示端末2に対して出力する(ステップS43)。CPU11は画像出力処理を終了する。表示端末2は画像処理サーバ1から取得した画像を表示する。
図15は表示端末2に表示される画面260のレイアウト例を示す説明図である。画面260は患者属性領域261、第1画像表示領域262及び第2画像表示領域263を含む。第1画像表示領域262は画像指定メニュー2621を含む。画像指定メニュー2621はプルダウンメニューである。マウス等で画像指定メニュー2621を操作することにより、第1画像表示領域262に表示する画像を切り替えることが可能である。第2画像表示領域263は画像指定メニュー2631を含む。第1画像表示領域262と同様に、画像指定メニュー2631をマウス等で操作することにより、第2画像表示領域263に表示する画像を切り替えることが可能である。図15では画像表示領域を2つとしたが、3つ以上としてもよい。又は、画像表示領域を1つとして、複数の画像を所定時間毎に切り替えてもよい。図15では、作図の都合上、実際とは異なる表現となっているので、補足する。第1画像表示領域262には原画像を表示している。原画像は実際にはX線画像である。したがって、図15の第1画像表示領域262のように領域線が明確に視認可能ではない。ここでは、矢印で示した領域付近が腫瘤の候補として示されるべき領域とする。第2画像表示領域233にはヒートマップを表示している。図15の第2画像表示領域263では白黒を反転して表示している。第2画像表示領域263では腫瘤の領域が黒く強調されている。実際には、第2画像表示領域263は白黒が反転するので、腫瘤の領域がもっと明るく表示される。第2画像表示領域263に示すヒートマップは、実際には領域線が明確に視認可能ではない。図15の第2画像表示領域263の下には、線形構造強調反転画像を表示している。当該画像も実際の画像とは異なる。線形構造強調反転画像において、腫瘤の候補領域は他の部分と比較すると、線形構造が少ない点である。図16は表示端末に表示される画像例を示す説明図である。図16Aは線形構造強調反転画像の例である。図16Bはヒートマップの例である。ヒートマップでは腫瘤の領域が強調されて表示されている。
本実施の形態においては、CADシステムでの判定に用いる画像特徴量と原画像を容易に比較でき、CADシステムでの判定処理過程を読影医にもわかりやすく提示することが可能となる。
各実施の形態で記載されている技術的特徴(構成要件)はお互いに組み合わせ可能であり、組み合わせすることにより、新しい技術的特徴を形成することができる。
今回開示された実施の形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。
今回開示された実施の形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。
100 CADシステム
1 画像処理サーバ
11 CPU
12 ROM
13 RAM
14 大容量記憶部
141 乳房画像DB
142 候補領域DB
143 陽性領域DB
15 通信部
1P 制御プログラム
2 表示端末
21 CPU
22 ROM
23 RAM
24 大容量記憶部
25 入力部
26 表示部
27 通信部
2P 制御プログラム
3 乳房X線撮影装置
B バス
N ネットワーク
1 画像処理サーバ
11 CPU
12 ROM
13 RAM
14 大容量記憶部
141 乳房画像DB
142 候補領域DB
143 陽性領域DB
15 通信部
1P 制御プログラム
2 表示端末
21 CPU
22 ROM
23 RAM
24 大容量記憶部
25 入力部
26 表示部
27 通信部
2P 制御プログラム
3 乳房X線撮影装置
B バス
N ネットワーク
Claims (17)
- 乳房画像及び当該乳房画像における複数の陽性候補領域の情報を取得し、
複数の前記陽性候補領域それぞれについての特徴量を算出し、
算出した前記特徴量に基づいて、取得した乳房画像1枚毎に、複数の前記陽性候補領域それぞれを少なくとも真陽性領域か否かに分類する
処理をコンピュータに行わせるコンピュータプログラム。 - 前記取得した乳房画像1枚毎に、算出した前記特徴量に基づいて、複数の前記陽性候補領域の分割を行い、
要素数1の第1部分集合と前記第1部分集合以外の部分集合とに分割された場合、前記第1部分集合の要素である陽性候補領域を前記真陽性領域と分類する
請求項1に記載のコンピュータプログラム。 - 前記取得した乳房画像1枚毎に、複数の前記陽性候補領域が、算出した前記特徴量に基づく階層的クラスタリングを行い、
階層的クラスタリングにより、逐次的に併合した結果、複数の前記陽性候補領域が要素数1の第一クラスタと他の要素すべてを含む第二クラスタとの2クラスにクラスタリングされた第一分類状態となった場合、前記第一クラスタの要素である陽性候補領域を前記真陽性領域と分類し、前記第二クラスタの要素である陽性候補領域を偽陽性領域と分類する
請求項1又は請求項2に記載のコンピュータプログラム。 - 前記取得した乳房画像1枚毎に、複数の前記陽性候補領域を、算出した前記特徴量に基づく階層的クラスタリングを行い、
階層的クラスタリングにより逐次的に併合した結果、前記第一分類状態を経なかった場合、複数の前記陽性候補領域のすべてを前記真陽性領域と分類する
請求項3に記載のコンピュータプログラム。 - 前記特徴量は輝度平均値又はガボールフィルタ平均値の少なくとも1つ含む
請求項1から請求項4のいずれか1項に記載のコンピュータプログラム。 - 前記特徴量は、それぞれに重み付けした輝度平均値、ガボールフィルタ平均値及びランレングス統計量平均値に基づき算出する
請求項1から請求項4のいずれか1項に記載のコンピュータプログラム。 - 複数の前記陽性候補領域の一部から前記特徴量を算出する
請求項1から請求項6のいずれか1項に記載のコンピュータプログラム。 - 乳房画像及び当該乳房画像における複数の陽性候補領域の情報を取得する取得部と、
複数の前記陽性候補領域それぞれについての特徴量を算出する算出部と、
算出した前記特徴量に基づいて、取得した乳房画像1枚毎に、複数の前記陽性候補領域それぞれを少なくとも真陽性領域か否かに分類する分類部と
を備える分類装置。 - 乳房画像及び当該乳房画像における複数の陽性候補領域の情報を取得し、
複数の前記陽性候補領域それぞれについての特徴量を算出し、
算出した前記特徴量に基づいて、取得した乳房画像1枚毎に、複数の前記陽性候補領域それぞれを少なくとも真陽性領域か否かに分類する
ことを備える分類方法。 - 乳房画像を取得し、
取得した前記乳房画像についての線形構造を強調した線形構造強調画像を生成し、
取得した前記乳房画像及び生成した前記線形構造強調画像を出力する
処理をコンピュータに行わせるコンピュータプログラム。 - 前記線形構造強調画像は前記乳房画像についてのガボールフィルタ応答値を輝度値にマッピングしたマップ画像である
請求項10に記載のコンピュータプログラム。 - 前記乳房画像の輝度値から前記マップ画像の輝度値を減算した差分画像を生成し、
生成した前記差分画像を出力する
請求項11に記載のコンピュータプログラム。 - 前記乳房画像の輝度値から前記マップ画像の輝度値を減算する際、それぞれの輝度値のスケールを合わせたうえで減算する
請求項12に記載のコンピュータプログラム。 - 前記マップ画像の輝度値を反転した反転マップ画像を出力する
請求項11から請求項13のいずれか1項に記載のコンピュータプログラム。 - 前記真陽性領域か否かの分類結果と前記乳房画像とを出力する
請求項1に記載のコンピュータプログラム。 - 請求項10から請求項14のいずれか1項に記載のコンピュータプログラムが動作する画像出力装置。
- 請求項10から請求項14のいずれか1項に記載のコンピュータプログラムが動作する画像出力装置の動作方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018065376A JP2019170881A (ja) | 2018-03-29 | 2018-03-29 | コンピュータプログラム、分類装置、分類方法、画像出力装置及び画像出力装置の動作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018065376A JP2019170881A (ja) | 2018-03-29 | 2018-03-29 | コンピュータプログラム、分類装置、分類方法、画像出力装置及び画像出力装置の動作方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2019170881A true JP2019170881A (ja) | 2019-10-10 |
Family
ID=68166052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018065376A Pending JP2019170881A (ja) | 2018-03-29 | 2018-03-29 | コンピュータプログラム、分類装置、分類方法、画像出力装置及び画像出力装置の動作方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2019170881A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021054371A1 (ja) | 2019-09-19 | 2021-03-25 | 日本製鉄株式会社 | 方向性電磁鋼板 |
JP2021176070A (ja) * | 2020-05-02 | 2021-11-04 | Arithmer Inc | 画像検査装置、画像検査方法及びプログラム |
-
2018
- 2018-03-29 JP JP2018065376A patent/JP2019170881A/ja active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021054371A1 (ja) | 2019-09-19 | 2021-03-25 | 日本製鉄株式会社 | 方向性電磁鋼板 |
JP2021176070A (ja) * | 2020-05-02 | 2021-11-04 | Arithmer Inc | 画像検査装置、画像検査方法及びプログラム |
WO2021225097A1 (ja) * | 2020-05-02 | 2021-11-11 | Arithmer株式会社 | 画像検査装置、画像検査方法及びプログラム |
JP6989860B2 (ja) | 2020-05-02 | 2022-01-12 | Arithmer株式会社 | 画像検査装置、画像検査方法及びプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11250048B2 (en) | Control method and non-transitory computer-readable recording medium for comparing medical images | |
US11762541B2 (en) | Control method and recording medium | |
US11158419B2 (en) | Control method and non-transitory computer-readable recording medium | |
KR101887194B1 (ko) | 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치 | |
KR101874348B1 (ko) | 피검체의 흉부 pa 영상의 판독을 지원하는 방법 및 이를 이용한 장치 | |
US10290096B2 (en) | Diagnosis support apparatus, information processing method, and storage medium | |
WO2018070285A1 (ja) | 画像処理装置、及び画像処理方法 | |
US20120250959A1 (en) | Information processing apparatus and information processing method | |
CN109074869B (zh) | 医疗诊断支持装置、信息处理方法以及医疗诊断支持系统 | |
JPWO2007000940A1 (ja) | 異常陰影候補検出方法、異常陰影候補検出装置 | |
JP2007151645A (ja) | 医用画像診断支援システム | |
JP6824845B2 (ja) | 画像処理システム、装置、方法およびプログラム | |
CN110570425B (zh) | 一种基于深度强化学习算法的肺结节分析方法及装置 | |
JP2006346094A (ja) | 検出情報の出力方法及び医用画像処理システム | |
JP2019170881A (ja) | コンピュータプログラム、分類装置、分類方法、画像出力装置及び画像出力装置の動作方法 | |
JP2006325640A (ja) | 異常陰影候補の表示方法及び医用画像処理システム | |
US10324582B2 (en) | Medical image display apparatus, method for controlling the same | |
US11200978B2 (en) | Information processing apparatus, information processing method, and non-transitory computer-readable storage medium | |
KR20160140194A (ko) | Pacs 이미지의 개인화 분석 기반 이상 검출 방법 및 그 장치 | |
JP2006340835A (ja) | 異常陰影候補の表示方法及び医用画像処理システム | |
CN116433695A (zh) | 一种乳腺钼靶图像的乳腺区域提取方法及系统 | |
US11036352B2 (en) | Information processing apparatus and information processing method with display of relationship icon | |
JP2006334140A (ja) | 異常陰影候補の表示方法及び医用画像処理システム | |
US11927540B2 (en) | Information processing apparatus, information processing method, and recording medium | |
JP2005102784A (ja) | 画像診断支援装置及び画像診断支援方法 |