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

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）。

特開２００３−２８４７０６号公報

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。

ＣＡＤシステムの構成例を示す説明図である。 画像処理サーバのハードウェア構成例を示すブロック図である。 表示端末のハードウェア構成例を示すブロック図である。 乳房画像ＤＢの例を示す説明図である。 候補領域ＤＢの例を示す説明図である。 陽性領域ＤＢの例を示す説明図である。 画像処理サーバが行うメイン処理の概要を示す説明図である。 メイン処理の手順例を示すフローチャートである。 偽陽性削除処理の手順例を示すフローチャートである。 重み付けの検討例を示す説明図である。 画像出力処理の手順例を示すフローチャートである。 縮小率の検討例を示す説明図である。 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。 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。 表示端末に表示される画面のレイアウト例を示す説明図である。 表示端末に表示される画像例を示す説明図である。

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。

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Ｄ_ist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。

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。

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。

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。

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

Claims (17)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
13. 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。
14. 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。
15. 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。
16. 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。
17. 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。