JP2019511342A - 画像中の物体の視覚化および特徴づけのためのシステムおよび方法 - Google Patents

画像中の物体の視覚化および特徴づけのためのシステムおよび方法 Download PDF

Info

Publication number
JP2019511342A
JP2019511342A JP2018560735A JP2018560735A JP2019511342A JP 2019511342 A JP2019511342 A JP 2019511342A JP 2018560735 A JP2018560735 A JP 2018560735A JP 2018560735 A JP2018560735 A JP 2018560735A JP 2019511342 A JP2019511342 A JP 2019511342A
Authority
JP
Japan
Prior art keywords
image
color space
applying
breast
breast tissue
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.)
Granted
Application number
JP2018560735A
Other languages
English (en)
Other versions
JP2019511342A5 (ja
JP7065038B2 (ja
Inventor
ラムゼー，トーマス・イー
ラムゼー，ユージン・ビー
Original Assignee
イマーゴ・システムズ，インコーポレーテッド
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by イマーゴ・システムズ，インコーポレーテッド filed Critical イマーゴ・システムズ，インコーポレーテッド
Publication of JP2019511342A publication Critical patent/JP2019511342A/ja
Publication of JP2019511342A5 publication Critical patent/JP2019511342A5/ja
Priority to JP2022071438A priority Critical patent/JP2022105079A/ja
Application granted granted Critical
Publication of JP7065038B2 publication Critical patent/JP7065038B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4312—Breast evaluation or disorder diagnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/502—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Clinical applications
    • A61B8/0825—Clinical applications for diagnosis of the breast, e.g. mammography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/48—Analysis of texture based on statistical description of texture using fractals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/46—Colour picture communication systems
    • H04N1/465—Conversion of monochrome to colour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/46—Colour picture communication systems
    • H04N1/56—Processing of colour picture signals
    • H04N1/60—Colour correction or control
    • H04N1/6027—Correction or control of colour gradation or colour contrast
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/40—Animals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30056—Liver; Hepatic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30081—Prostate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30084—Kidney; Renal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Multimedia (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Gynecology & Obstetrics (AREA)
  • Reproductive Health (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Nuclear Medicine (AREA)

Abstract

第１の画像とは異なる第２の画像を生成するために、第１の画像にローカルマイクロコントラスト収束アルゴリズムを適用することによる、画像内の物体の視覚化、特徴づけ、および検出の方法であって、すべての同様の物体が、第２の画像中で相似のパターンまたは色に収束する、方法。

Description

[0002]本発明は、一般に画像処理に関し、より詳細には、画像中の物体の視覚化および特徴づけのための収束ベースのシステムおよび方法に関する。
本願発明の一実施例は、例えば、画像中の物体の視覚化および特徴づけのためのシステムおよび方法に関する。
本願発明の一実施例は、例えば、画像中の物体の視覚化および特徴づけのためのシステムおよび方法に関する。
[0003]一実施形態では、第１のグレースケール画像が、同等のルミナンス値をもつ少なくとも２つのチャネルに複写されるように、第１の画像中のすべての特徴を視覚化し、特徴づけることと、次いで、各複写のチャネルの出力ピクセル値が、それの入力ピクセル値と、あらゆる他の複写のチャネルの出力ピクセル値のものとの両方とは異なるように、各複写のチャネルの入力値のうちの少なくともいくつかを変換するローカルマイクロコントラスト収束アルゴリズム（ｌｏｃａｌ ｍｉｃｒｏ−ｃｏｎｔｒａｓｔ ｃｏｎｖｅｒｇｅｎｃｅ ａｌｇｏｒｉｔｈｍ）を適用することと、次いで、プロセスとして、第１の画像とは異なる第２の画像をまとめて生成する、各チャネル中の各ベクトルについての値をマッピングするためのルックアップテーブルを使用することとを行う、収束ベースの方法がある。
[0004]チャネルが、グレースケールチャネル、アルファチャネル、色情報チャネル、またはこれらの３つの組合せとして作成され得る。
[0005]さらなる実施形態では、第１の画像とは別および別個であり、第２の画像とは別および別個である、第３の画像を生成するために、第２の画像に、第１のローカルマイクロコントラスト収束アルゴリズムとは別および別個の、第２のローカルマイクロコントラスト収束アルゴリズムを適用すること。
[0006]さらなる実施形態では、第４の画像を発生するために、１つまたは複数の追加のローカルマイクロコントラスト収束アルゴリズムを連続的に適用することによって、第３の画像を変更すること。
[0007]さらなる実施形態では、第１の画像、第２の画像、第３の画像、または第４の画像とは別および別個である第５の画像を生成するために、第１の画像、第２の画像、第３の画像、または第４の画像のうちの１つまたは複数を合成すること。
[0008]さらなる実施形態では、ローカルマイクロコントラスト収束アルゴリズムシーケンスが、多次元（マルチチャネル）画像変換の前のタイプのうちの１つまたは複数を含む。
[0009]さらなる実施形態では、多次元画像変換が、１６進法コードまたはテキストとしてのデジタルファイルフォーマットにおけるプロファイルルックアップテーブル（ＰＬＵＴ：ｐｒｏｆｉｌｅ ｌｏｏｋ−ｕｐ ｔａｂｌｅ）として表現され得る。
[0010]さらなる実施形態では、多次元画像変換が、１つまたは複数の行列としてのデジタルファイルフォーマットにおけるＰＬＵＴとして記憶され得る。
[0011]さらなる実施形態では、ローカルマイクロコントラスト収束アルゴリズムが、近隣ピクセルグループ間の関係を、物質の構造およびそれの撮像モダリティとの関係に従う予測可能な色および光度パターンに集約させるために、特定の物質タイプを表す画像入力ピクセル値を画像出力ピクセル値に変えるＰＬＵＴにおいて指定されたメトリックを利用する変換のシーケンスを定義し、処理することができ、各物質が一意に特徴づけられ、視覚的に区別され得る。
[0012]さらなる実施形態では、ローカルマイクロコントラスト収束、多次元画像変換は、空間変数（ｘ，ｙ）およびルミナンス変数（ｉ）を用いて、２次元入力関数Ｆ１（ｘ，ｙ，ｉ）、Ｆ２（ｘ，ｙ，ｉ）、・・・、ＦＮ（ｘ，ｙ，ｉ）のセットが、２次元出力関数Ｇ１（ｘ，ｙ，ｉ）、Ｇ２（ｘ，ｙ，ｉ）、・・・、ＧＮ（ｘ，ｙ，ｉ）のセットにマッピングされる、デジタルファイルフォーマットにおけるＰＬＵＴとして記憶され得る。
[0013]さらなる実施形態では、多次元画像変換は、空間変数（ｘ，ｙ）、ルミナンス変数（ｉ）、およびアルファまたは色チャネル（ｊ，ｋ，ｌ）を用いて、２次元入力関数Ｆ１（ｘ，ｙ，ｉ）、Ｆ２（ｘ，ｙ，ｉ）、・・・、ＦＮ（ｘ，ｙ，ｉ）のセットが、部分行列Ｇ１（ｘ，ｙ，ｉ，ｊ，ｋ，ｌ）、Ｇ２（ｘ，ｙ，ｉ，ｊ，ｋ，ｌ）、・・・、ＧＮ（ｘ，ｙ，ｉ，ｊ，ｋ，ｌ）の形態の２次元超の出力関数のセットにマッピングされる、デジタルファイルフォーマットにおけるＰＬＵＴとして記憶され得る。
[0014]さらなる実施形態では、第１のグレースケール画像は、多次元空間の各レイヤ次元が第１の画像の複製である第１の多次元空間に複製され得る。
[0015]さらなる実施形態では、多次元空間中の次元数が２またはそれ以上に等しい。
[0016]さらなる実施形態では、多次元空間中の次元数が、ルミナンスならびに色成分赤、緑、および青を含む４に等しい。
[0017]さらなる実施形態では、多次元空間中の次元数が、ＨＳＬ、ＸＹＺ、およびＣＭＹＫなどの色空間のＮ次元に等しい。
[0018]さらなる実施形態では、ローカルマイクロコントラスト収束アルゴリズムシーケンスによって作成された多次元色空間画像を単一チャネル［次元］グレースケール画像にコンバートすること。
[0019]さらなる実施形態では、第１の画像中の色のルミナンス値を、それらがグレースケール（彩度減少）画像で表現されるように差分的に（ｄｉｆｆｅｒｅｎｔｉａｌｌｙ）変更することによって、多次元色空間画像を単一チャネルグレースケール画像にコンバートすること。
[0020]さらなる実施形態では、ローカルマイクロコントラスト収束アルゴリズムシーケンス内で利用される関数が、２つの異なるローカルマイクロコントラストアルゴリズムシーケンスからの２つまたはそれ以上の得られた画像を利用する重ね合わせ加法演算子または微分演算子を含むことができる。
[0021]さらなる実施形態では、１つまたは複数のローカルマイクロコントラスト収束アルゴリズムシーケンスが、画像中のノイズをシャープ化するかまたは低減することのいずれかのために、Ｍ×Ｍインパルス応答アレイをもつ有限エリア畳み込みフィルタを採用し得る。
[0022]さらなる実施形態では、視覚化され、特徴づけられた得られた特徴は、各物体または物質タイプがそれのタイプの相似のパターンまたは色特性に収束し、それによりアルゴリズムシーケンスに応答して一意の特性を表現する、所与の第１のグレースケール画像のコンテキストで表現され得る。
[0023]さらなる実施形態では、すべての同様の物質を相似のパターンまたは色に収束させることによって、その画像内の物質の異なる収束視覚化および特徴づけを表現するために、異なるローカルマイクロコントラスト収束アルゴリズムシーケンスが同じ所与の第１のグレースケール画像のために利用され得る。
[0024]さらなる実施形態では、物体内の物体境界、テクスチャ、精細構造、および変化など、画像中の別個の物質特性の特徴づけを最適化するために、異なるアルゴリズムシーケンスが作成され、適用され得る。
[0025]さらなる実施形態では、第１の画像は、Ｘ線、超音波、赤外線、紫外線、ＭＲＩ、ＣＴスキャン、ＰＥＴスキャン、グレースケール、カラー、可視光、ミリメートル波、またはレーザースキャンによって発生された画像である。
[0026]さらなる実施形態では、人間または動物のいずれかの乳房組織、乳房、前立腺、腎臓、肝臓、骨、肺、脳、もしくは皮膚の癌、嚢胞、または何らかの異常が、画像中のすべての他の構造のコンテキストおよびパターン内に視覚化され、特徴づけられ得る。
[0027]さらなる実施形態では、心臓血管疾患、アルツハイマー病、眼の疾患、または多発性硬化症病変についてのバイオマーカーが、画像中のすべての他の構造のコンテキストおよびパターン内に視覚化され、特徴づけられ得る。
[0028]さらなる実施形態では、固体または液体有機化合物についての化学マーカーが、画像中のすべての他の構造のコンテキストおよびパターン内に視覚化され、特徴づけられ得る。
[0029]さらなる実施形態では、構造上の欠陥または異常が、画像中のすべての他の構造のコンテキストおよびパターン内に視覚化され、特徴づけられ得る。
[0030]一実施形態では、本明細書で説明される方法のいずれかに記載の画像中の特徴の存在を視覚的にまたはデジタル的に表現するための偽陽性誤り率を低減するシステムがある。
[0031]一実施形態では、第１の画像とは異なる第２の画像を生成するために、第１の画像にローカルマイクロコントラスト組織収束アルゴリズムを適用することを含む、画像中の特徴の存在を視覚的にまたはデジタル的に表現するための偽陰性誤り率を低減する方法がある。
[0032]さらなる実施形態では、第１の画像が、Ｘ線、超音波、赤外線、紫外線、ＭＲＩ、ＣＴスキャン、ＰＥＴスキャン、グレースケール、カラー、可視光、ミリメートル波、またはレーザースキャンによって発生された画像である。
[0033]さらなる実施形態では、人間または動物のいずれかの乳房組織、乳房、前立腺、腎臓、肝臓、骨、肺、脳、もしくは皮膚の癌、嚢胞、または何らかの異常が、画像中のすべての他の構造のコンテキストおよびパターン内に視覚化され、特徴づけられ得る。
[0034]さらなる実施形態では、心臓血管疾患、アルツハイマー病、眼の疾患、または多発性硬化症病変についてのバイオマーカーが、画像中のすべての他の構造のコンテキストおよびパターン内に視覚化され、特徴づけられ得る。
[0035]さらなる実施形態では、固体または液体有機化合物についての化学マーカーが、画像中のすべての他の構造のコンテキストおよびパターン内に視覚化され、特徴づけられ得る。
[0036]さらなる実施形態では、構造上の欠陥または異常が、画像中のすべての他の構造のコンテキストおよびパターン内に視覚化され、特徴づけられ得る。
[0037]さらなる実施形態では、第２の（すなわち、後続の）画像中の放射線科医によって検出されたかまたは視覚化された乳癌についての偽陰性率が、正常乳房について１６％未満であり、高密度組織の部分を有する乳房について６０％未満である。
[0038]一実施形態では、本明細書で説明される方法のいずれかに記載の画像中の特徴を検出するかまたは明らかにする偽陰性誤り率を低減するシステムがある。
[0039]一実施形態では、少なくとも１つのプログラムを記憶するように各々動作可能な１つまたは複数のメモリユニットと、１つまたは複数のメモリユニットに通信可能に結合された少なくとも１つのプロセッサであって、少なくとも１つのプログラムが、少なくとも１つのプロセッサによって実行されたとき、少なくとも１つのプロセッサに、画像を受信するステップと、画像のピクセル値を初期多次元色空間にマッピングするステップと、ローカルマイクロコントラスト収束を引き起こし、多次元色空間をもつ処理された画像を作成するために、画像の初期多次元色空間に１つまたは複数のローカルマイクロコントラスト収束伝達関数を適用するステップと、処理された多次元色空間に基づいてその画像視覚化を表示するステップとを実施させる、少なくとも１つのプロセッサとを含むシステムがある。
[0040]さらなる実施形態では、処理された多次元色空間画像を単一チャネルグレースケール画像にコンバートすること。
[0041]さらなる実施形態では、多次元色空間画像が、ルミナンス値を有するルミナンス次元を含む。
[0042]さらなる実施形態では、第１の画像中の色のルミナンス値を、それらが画像表示または分析の目的でグレースケール（彩度減少）画像で表現されるように差分的に変更することによって、処理された多次元色空間を単一チャネルグレースケール画像にコンバートすること。
[0043]さらなる実施形態では、多次元色空間がＲＧＢ色空間である。
[0044]いくつかの実施形態では、多次元色空間が、ＨＳＶ、ＨＬＳ、ＨＳＢ、ＸＹＺ、ＣＭＹＫ、ＣＩＥＸＹＺ、またはＣＩＥＬＡＢのうちの１つであり得る。
[0045]さらなる実施形態では、本システムは、乳房画像（マンモグラム、ＣＴ、ＭＲＩ、または超音波）の処理、初期多次元色空間にメジアンフィルタを適用することをさらに含み、初期多次元色空間に１つまたは複数のＰＬＵＴを適用することが、低密度脂肪乳房組織を減衰させるために、ＰＬＵＴ関数の第１のセットを適用することと、脂肪乳房組織を第１の色として見えるようにし、他の色を使用してより高密度の乳房組織を区別するために、ＰＬＵＴ関数の第２のセットを適用することと、第１の色に関連する色空間レイヤ中の低いピクセル値を増幅し、高いピクセル値を減衰させるために、ＰＬＵＴ関数の第３のセットを適用することと、表示されるとき、画像の背景を黒色または他の所望のルミナンスもしくは色値に変化させるために、ＰＬＵＴ関数の第４のセットを適用することとを含む。
[0046]さらなる実施形態では、本システムは、第２の画像を受信することであって、第２の画像が第１の画像と実質的に相似である、受信することと、第２の画像のピクセル値を第２の初期多次元色空間にマッピングすることと、第２の処理された多次元色空間を作成するために、初期多次元色空間にメジアンフィルタおよび畳み込みフィルタを適用することと、第１の画像に関連する処理された多次元色空間と、第２の画像に関連する第２の処理された多次元色空間とに基づいて、画像視覚化を表示することとをさらに含み、第１の画像に関連する初期多次元色空間に１つまたは複数のＰＬＵＴ関数を適用することが、画像のより暗い値を上昇させ、中間トーンを減衰させるために、ＰＬＵＴ関数の第１のセットを適用することと、微細な色相を追加するために、多次元色空間にＰＬＵＴ関数の第２のセットを適用することと、癌に関連する色調値を拡張するために、ＰＬＵＴ関数の第３のセットを適用することとを含む。
[0047]さらなる実施形態では、本システムは、第１の画像のコントラストを調整し、構造的詳細をハイライトするために、多次元色空間のガンマレベルを調整することをさらに含み、第１の画像に関連する初期多次元色空間に１つまたは複数のＰＬＵＴ関数を適用することが、ルミナンスレベルをわずかに減少させるために、ＰＬＵＴ関数の第１のセットを適用することと、ルミナンスに関連する初期多次元色空間の値を反転させるために、ＰＬＵＴ関数の第２のセットを適用することとを含む。
[0048]さらなる実施形態では、第１の画像が、高密度組織と脂肪組織とを含むマンモグラムであり、第１の画像とは別および別個である第２の画像を生成するために、第１の画像に第１のローカルマイクロコントラスト収束アルゴリズムを適用することが、第１の画像のピクセル値を第１の多次元色空間にマッピングすることと、第２の多次元色空間を生成するために、第１の多次元色空間にメジアンフィルタを適用することと、第３の多次元色空間を生成するために、第２の多次元色空間を反転させることと、第４の多次元色空間を生成し、脂肪乳房組織を１つの色として見えるようにし、他の色を使用してより高密度の乳房組織を区別するために、第３の多次元色空間に１つまたは複数の非線形伝達関数の第１のセットを適用することと、第５の多次元色空間を生成し、高いピクセル値を増幅し、低いピクセル値を減衰させ、乳房エリア構造をハイライトするために、第４の多次元色空間に１つまたは複数の伝達関数の第２のセットを適用することと、第５の多次元色空間に基づいて画像視覚化を表示することとを含む。
[0049]さらなる実施形態では、第１の画像が、高密度組織と脂肪組織とを含むマンモグラムであり、第１の画像とは別および別個である第２の画像を生成するために、第１の画像に第１のローカルマイクロコントラスト収束アルゴリズムを適用することが、第１の画像のピクセル値を第１の多次元色空間にマッピングすることと、第２の多次元色空間を生成し、脂肪乳房組織を１つの色として見えるようにし、他の色を使用してより高密度の乳房組織を区別するために、第１の多次元色空間に１つまたは複数の伝達関数の第１のセットを適用することと、第２の多次元色空間をＨＬＳ色空間中の第３の多次元色空間にコンバートすることと、第３の多次元色空間に基づいて画像視覚化を表示することとを含む。
[0050]さらなる実施形態では、第１の画像が、高密度組織と脂肪組織とを含むマンモグラムであり、第１の画像とは別および別個である第２の画像を生成するために、第１の画像に第１のローカルマイクロコントラスト収束アルゴリズムを適用することが、第１の画像のピクセル値を第１の多次元色空間にマッピングすることと、第２の多次元色空間を生成し、脂肪乳房組織を１つの色として見えるようにし、他の色を使用してより高密度の乳房組織中の詳細な構造を区別し、明らかにするために、第１の多次元色空間に１つまたは複数の伝達関数の第１のセットを適用することと、第２の多次元色空間に基づいて画像視覚化を表示することとを含む。
[0051]さらなる実施形態では、第１の画像が、高密度組織と脂肪組織とを含むマンモグラムであり、第１の画像とは別および別個である第２の画像を生成するために、第１の画像に第１のローカルマイクロコントラスト収束アルゴリズムを適用することが、第１の画像のピクセル値を第１の多次元色空間にマッピングすることと、第２の多次元色空間を生成し、脂肪乳房組織を半透明に見えるようにし、他の色を使用してより高密度の乳房組織を区別し、小さいドット状の構造を見分けるために、第１の多次元色空間に１つまたは複数の伝達関数の第１のセットを適用することと、第２の多次元色空間に基づいて画像視覚化を表示することとを含む。
[0052]さらなる実施形態では、第１の画像が、高密度組織と脂肪組織とを含むマンモグラムであり、第１の画像とは別および別個である第２の画像を生成するために、第１の画像に第１のローカルマイクロコントラスト収束アルゴリズムを適用することが、第１の画像のピクセル値を第１の多次元色空間にマッピングすることと、第２の多次元色空間を生成するために、第１の多次元色空間にメジアンフィルタを適用することと、第３の多次元色空間を生成するために、第２の多次元色空間に畳み込みフィルタを適用することと、複写の第１の画像をインポートすることと、画像ピクセル値を第４の多次元色空間にマッピングすることと、第５の多次元色空間を生成し、コントラストを構築し、脂肪組織を暗くするために、第４の多次元色空間に１つまたは複数の伝達関数の第１のセットを適用することと、第６の多次元色空間を生成し、コントラストを構築し、脂肪組織を暗くするために、第５の多次元色空間に１つまたは複数の伝達関数の第２のセットを適用することと、第７の多次元色空間を生成し、１つの色として見えるように脂肪乳房組織ルミナンスを反転させ、他の色を使用してより高密度の乳房組織中の詳細な構造を区別し、明らかにするために、第６の多次元色空間に１つまたは複数の伝達関数の第３のセットを適用することと、第８の多次元色空間を生成し、乳房境界を画定するために、第７の多次元色空間に１つまたは複数の伝達関数の第４のセットを適用することと、第９の多次元色空間を生成するために、第３の多次元色空間を第８の多次元色空間とマージすることと、第９の多次元色空間をグレースケール値にコンバートし、第９の多次元色空間を表す画像を表示することとを含む。
[0053]さらなる実施形態では、第１の画像が、高密度組織と脂肪組織とを含むマンモグラムであり、第１の画像とは別および別個である第２の画像を生成するために、第１の画像に第１のローカルマイクロコントラスト収束アルゴリズムを適用することが、第１の画像のピクセル値を第１の多次元色空間にマッピングすることと、第２の多次元色空間を生成し、画像ピクセル値を非線形的に反転させるために、第１の多次元色空間に１つまたは複数の伝達関数の第１のセットを適用することと、第３の多次元色空間を生成し、脂肪乳房組織を１つの色として見えるようにし、他の色を使用してより高密度の乳房組織中の詳細な構造を区別し、明らかにするために、第２の多次元色空間に１つまたは複数の伝達関数の第２のセットを適用することと、第４の多次元色空間を生成し、脂肪乳房組織を１つの色として見えるようにし、他の色を使用してより高密度の乳房組織中の詳細な構造を区別し、明らかにするために、第３の多次元色空間に１つまたは複数の伝達関数の第３のセットを適用することと、第４の多次元色空間をＨＬＳ色空間中の第５の多次元色空間にコンバートすることと、第６の多次元色空間を生成するために、暗くするブレンドを採用することによって、第５の多次元色空間を第１の多次元色空間とマージすることと、第７の多次元色空間を生成するために、第６の多次元色空間の不透明度を調整することと、第７の多次元色空間をグレースケール値にコンバートし、第７の多次元色空間を表す画像を表示することとを含む。
[0054]さらなる実施形態では、第１の画像が、高密度組織と脂肪組織とを含むマンモグラムであり、第１の画像とは別および別個である第２の画像を生成するために、第１の画像に第１のローカルマイクロコントラスト収束アルゴリズムを適用することが、第１の画像のピクセル値を第１の多次元色空間にマッピングすることと、第２の多次元色空間を生成するために、第１の多次元色空間にメジアンフィルタを適用することと、第３の多次元色空間を生成し、コントラストを変更し、脂肪組織の光度を低減するために、第２の多次元色空間に１つまたは複数の伝達関数の第１のセットを適用することと、第４の多次元色空間を生成し、より高い密度のものを除いてすべての乳房組織をカラー化するために、第３の多次元色空間に１つまたは複数の伝達関数の第２のセットを適用することと、第５の多次元色空間を生成し、脂肪組織をほぼソリッドカラーに低減するために、第４の多次元色空間に１つまたは複数の伝達関数の第３のセットを適用することと、第６の多次元色空間を生成するために、第５の多次元色空間の色を反転させることと、第７の多次元色空間を生成し、乳房をそれの境界の外部と区別するために、第６の多次元色空間に１つまたは複数の伝達関数の第４のセットを適用することと、第７の多次元色空間をＨＬＳ色空間中の第８の多次元色空間にコンバートし、第９の多次元色空間を生成するために、第８の多次元色空間のＨＬＳプロパティを調整することと、第９の多次元色空間に基づいて画像視覚化を表示することとを含む。
[0055]一実施形態では、本明細書で説明されるシステムによって実施される方法がある。
[0056]上記の発明の概要、ならびに本発明の実施形態の以下の詳細な説明は、例示的な実施形態の添付の図面とともに読まれるとき、より良く理解される。しかしながら、本発明は示される正確な構成および手段に限定されないことを理解されたい。
[0057]図面中：
[0058]本発明の少なくともいくつかの実施形態による、反復関数モジュールの要素を示す図である。 [0059]本発明の少なくともいくつかの実施形態による、癌のパターンを明らかにするために、２つの異なるローカルマイクロコントラスト収束アルゴリズムシーケンスを用いて元のマンモグラムを処理した後の２つの得られた画像表現を示す図である。 [0060]本発明の少なくともいくつかの実施形態による、曲線の形状が入力値を出力値に変化させるように調整された２つの節（アンカー）点をもつ特性非線形ルミナンス変換「トーン調整曲線」を示す図である。 [0061]本発明の少なくともいくつかの実施形態に従って具現される画像処理および分析のレベルの階層構造を示す図である。 [0062]本発明の少なくともいくつかの実施形態による、ローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 [0063]本発明の少なくともいくつかの実施形態によって利用される非線形伝達関数を表す座標系中のプロットを示す図である。 [0064]本発明の少なくともいくつかの実施形態に従って利用されるグレースケール画像中の乳房組織色を表す座標系中のプロットを示す図である。 [0065]本発明の少なくともいくつかの実施形態による、新しいプロファイルルックアップテーブル（ＰＬＵＴ）入力値および出力値を発生するために使用され得る数学関数を示す図である。 [0066]本発明の少なくともいくつかの実施形態による、８ビットグレースケール画像のためのルックアップテーブル（ＬＵＴ）を示す図である。 [0067]本発明の少なくともいくつかの実施形態による、１つまたは複数の方法を実施するための電子デバイスを示すブロック図である。 [0068]図３ａは、画像の最も明るいエリア中の癌を含有する例示的な高い密度の元のＸ線マンモグラムを示す図である。[0069]図３ｂは、本発明の少なくともいくつかの実施形態による、１つまたは複数の方法を使用して、得られた画像を作成するために、ローカルマイクロコントラスト収束アルゴリズムシーケンスを適用した後の例示的なマンモグラム画像を示す図である。 [0070]本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 [0071]本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の低減衰乳房組織を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の低減衰乳房組織を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の低減衰乳房組織を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の低減衰乳房組織を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の低減衰乳房組織を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の低減衰乳房組織を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の低減衰乳房組織を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の低減衰乳房組織を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の低減衰乳房組織を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 [0072]本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の高密度乳房組織中の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の高密度乳房組織中の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の高密度乳房組織中の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の高密度乳房組織中の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の高密度乳房組織中の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の高密度乳房組織中の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の高密度乳房組織中の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の高密度乳房組織中の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の高密度乳房組織中の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 [0073]本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の高密度乳房組織中の微小石灰化（ｍｉｃｒｏｃａｌｃｉｆｉｃａｔｉｏｎ）の存在を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の高密度乳房組織中の微小石灰化の存在を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の高密度乳房組織中の微小石灰化の存在を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の高密度乳房組織中の微小石灰化の存在を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の高密度乳房組織中の微小石灰化の存在を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の高密度乳房組織中の微小石灰化の存在を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の高密度乳房組織中の微小石灰化の存在を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の高密度乳房組織中の微小石灰化の存在を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の高密度乳房組織中の微小石灰化の存在を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の高密度乳房組織中の微小石灰化の存在を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 [0074]本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の非常に精細な乳房組織構造の詳細を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 [0075]本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られたグレースケール画像中の乳房異常を明らかにするために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 [0076]本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、得られた色画像中の乳房異常を単離するために、マンモグラフィ画像を処理するための例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 [0077]本発明の少なくともいくつかの実施形態による、１つのローカルマイクロコントラスト収束アルゴリズムからの同じパターンを示す４つの異なる画像収集モダリティから発生された４つの異なるマンモグラムに適用される例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、１つのローカルマイクロコントラスト収束アルゴリズムからの同じパターンを示す４つの異なる画像収集モダリティから発生された４つの異なるマンモグラムに適用される例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、１つのローカルマイクロコントラスト収束アルゴリズムからの同じパターンを示す４つの異なる画像収集モダリティから発生された４つの異なるマンモグラムに適用される例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 本発明の少なくともいくつかの実施形態による、１つのローカルマイクロコントラスト収束アルゴリズムからの同じパターンを示す４つの異なる画像収集モダリティから発生された４つの異なるマンモグラムに適用される例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを示す図である。 [0078]外科的に切除された乳癌組織のＸ線画像を示す図である。 [0079]本発明の少なくともいくつかの実施形態による、図１１ｅにおけるＸ線に例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを適用した後の結果を示す図である。 [0080]癌の存在を明らかにするマンモグラフィＸ線画像の拡大を示す図である。 [0081]図１１ｇにおけるＸ線に例示的なローカルマイクロコントラスト収束アルゴリズムシーケンスを適用した後の結果を示す図である。
[0082]図面を詳細に参照すると、全体を通して、同様の参照番号が同様の要素を示し、図１ａ〜図１１ｈにおいて、本発明の例示的な実施形態による、全体的に指定される、システム、デバイス、および方法が示されている。
[0083]導入
[0084]医学におけるたいていの画像処理および分析方法論は、たとえば、画像内のエリアを関心エリア（ＡＯＩ：ａｒｅａ ｏｆ ｉｎｔｅｒｅｓｔ）として発散させるか、分岐させるか、または単離させるように設計される。これらのプロセスでは、ＡＯＩは、セグメント化アルゴリズムの１つまたは複数のシーケンスを適用することによって単離される。コンピュータ支援検出（ＣＡＤ：ｃｏｍｐｕｔｅｒ ａｉｄｅｄ ｄｅｔｅｃｔｉｏｎ）プロセスとして知られる、多くの画像処理および分析方法論は、マンモグラム中の乳癌、他のモダリティにおける他の疾患の存在を識別するために、および医学以外の適用例のために使用されるように設計される。研究の結果は、乳房画像解析において使用されるＣＡＤプロセスが最高５０００対１の偽陽性率（ｆａｌｓｅ ｐｏｓｉｔｉｖｅ ｒａｔｅ）を有することを示した。偽陽性率は、陽性（偽陽性）として誤ってカテゴリー分類された陰性イベントの数と実際の陰性イベントの総数との間の比である。
[0085]それは、臨床医へのそのような技法の有効性を大幅に制限する、関心物体（ｏｂｊｅｃｔ ｏｆ ｉｎｔｅｒｅｓｔ）の視覚的またはデータセグメント化、画像中の物体の分岐、および／あるいは画像の他の組織からの後続の単離（発散）のプロセスである。分岐／セグメント化プロセスは、ＡＯＩが生じるより大きいコンテキストから周囲の物体／組織のコンテキストを除去するので、医師にとってのそのようなプロセスの診断価値は、考えられる結果および処理に関する改善された臨床決定を行う際に、乳房およびそれの周囲組織内の疾患または異常の位置特定がそれの使用を制限するので、大幅に制限される。
[0086]ルミナンス値などの画像内の局所的なプロパティを利用すること、平均フィルタを動作させること、ゴムバンド矯正変換（ｒｕｂｂｅｒ−ｂａｎｄ ｓｔｒａｉｇｈｔｅｎｉｎｇ ｔｒａｎｓｆｏｒｍ）、疑わしい関心領域における真円度の測定、テクスチャ、勾配ヒストグラム、およびグレーレベル増分分析によって元のグレースケール画像を検査するために、多くの数学的手法が考案された。これらの手法の多くは、検出されるべき物体が周囲の近傍値の値とまったく相似である画像のエリアにおいて許容できる結果を生成することができない。癌は検出され得るが、癌の辺縁（境界）は明確に確立されないことがある。さらに他のものは機械学習を利用し、アトラスと分析される画像中の画像メトリックの未知のセットとの間の相似性に基づいて尤度の確率を決定するために、既知の病理学のアトラスが、処理される画像と比較される。
[0087]さらに、多くのＣＡＤ方法論は、放射線科医が視覚的に異常の広がりを確認するかまたは正常組織を異常の特性と見分けることに対する援助として、処理された画像中の物体の視覚化および特徴づけを改善しない。代わりに、ＣＡＤ手法は、単に、元のマンモグラム画像内にロケーションマーカーを置く。これは、さらに、マーカーの有効性を査定するために追加の弁別視覚情報が利用可能でないという点で、放射線科医にジレンマを与える。ＣＡＤ方法論を使用すると、放射線科医は、癌または他の異常の存在について元の画像を査定するだけでなく、ＣＡＤプロセスに関連する極めて高い偽陽性率に気づきながら、所与のマーカーの有効性をも査定しなければならない。ＣＡＤ方法論または画像セグメント化アルゴリズム手法を使用する分野の広いスペクトルにおいて相似の欠陥が存在する。
[0088]したがって、当技術分野において、ＣＡＤ、分岐、または発散ベースのプロセスの技法以外の画像処理技法を改善する必要がある。
[0089]乳癌撮像領域適用例
[0090]マンモグラフィは、乳癌または他の異常の考えられる存在を検出するために人の乳房の画像を発生するためのＸ線ラジオグラフの使用法である。マンモグラムの使用は、乳癌を検出するための選別のために利用可能な現在最も良好な方法論であるが、癌をもつ女性のうちの１０％から３０％の間が陰性（すなわち、癌なし）として報告される。これは、マンモグラフィ画像中の癌を検出する非常に複雑な、およびしばしば非常に微細な性質に一部起因し得、特に乳癌を患うより高い可能性を有する高密度乳房組織をもつ女性にとって深刻な問題である。マンモグラムでは癌は白色に見えるが、乳房は、同じく白色に（たとえば、高密度乳房組織）および暗く（たとえば、脂肪乳房組織）見える、癌性でない要素を含有する。放射線科医は脂肪組織中の癌をより容易に観測するが、高密度乳房組織中に生じた癌は周囲の組織と見分けることが非常に困難である。ほぼ４０％の女性が、高密度組織の少なくとも一部分を含有する乳房を有し、したがって、女性の乳房組織中の密度のレベルまたは相対量にかかわらず癌性病変を見分けることが可能である大きな必要がある。
[0091]その上、乳癌がマンモグラム中に存在し得ると放射線科医が決定したとき、いくつかの考えられる追従プロシージャが採用され得る。これらは、超音波、コントラストを用いたＭＲＩ、乳房ＣＴスキャン、および生検の使用を含み得る。これらの追従プロシージャは高価であり、患者および患者の家族にとってしばしば感情的外傷となり、いくつかの事例では、物理的外傷を引き起こすことがある。生検の必要を示すとき、超音波の陽性予測値はわずか９％である。臨床的に、超音波に続いて生検を受けた患者のうちの９１％は、癌を有しないとして病理学によって確認される。同様に、ＭＲＩを受け、生検に進んだ患者のうちの６０％は癌を有しない。本明細書で使用される、陽性予測値は、陽性スクリーニングテストの被験者が疾患を有する確率を指す。本明細書で使用される、陰性予測値は、陰性スクリーニングテストの被験者が疾患を有しない確率を指す。
[0092]マンモグラム中で考えられる疾患の指摘を受けた超音波患者は、超音波を受けるかまたはコントラストを用いたＭＲＩ試験を受けるように送られ得る。超音波が実施され、超音波画像から癌が存在するかもしれないと放射線科医が決定したとき、しばしば生検が勧められる。超音波に基づいて、追従生検を受けたそれらの患者のうち、９１％は癌を有しなかった。
[0093]高度の感度および特定性をもち、標準的な選別および安価な撮像（たとえば、マンモグラム）のみを利用する、癌を明らかにすることができる手法は、今日の癌検出環境において革新を与える。乳癌のうちの約９０％が、乳房組織の管に沿って並ぶ細胞中で起こる。乳癌の早期検出は、画像中に存在し得るような変化を見分ける臨床能力に依拠する。ここでも、局所的なまたは全体的な高密度乳房組織の存在は、乳癌の早期検出を非常に難しい作業にする。乳房密度に応じて、高密度乳房は、５％〜９５％の高密度乳房組織を含むと理解され得る。一般に、密度は乳房体積全体にわたって変動し、一部の局所領域が、他の（たとえば、異なるまたは近くの）領域よりも大きいまたは小さい密度を有する。全体として、非常に高い密度である女性の乳房中の特定の領域と、脂肪組織を含有する非常に低い密度の他のエリアとがあり得る。一部の女性においては、乳房全体が極めて高密度であり、他の女性においては、高密度が生じたスポットのみがある。女性の乳房の割合として高い密度の量にかかわらず、高密度乳房組織がそうであるように乳癌がマンモグラム中で白色に見え、しばしば放射線科医が高密度と癌それ自体との間で弁別することができないことにつながるので、高密度エリア内に生じた癌は誤診されやすい。
[0094]乳癌は、変化の１つまたは複数の異なる進行において正常組織から発達することがある。異常組織発達は、正常から、過形成、異型過形成、非浸潤性乳管癌（ＤＣＩＳ：ｄｕｃｔａｌ ｃａｒｃｉｎｏｍａ ｉｎ ｓｉｔｕ）、浸潤性ＤＣＩＳに進行し得る。組織は、介在するステップなしで、正常から浸潤性癌腫まで発達することがある。腫瘍が管を越えて成長すると、それは浸潤性癌腫と呼ばれる。
[0095]現在、病変がサイズが１ｍｍ以下であるとき、乳癌のうちのわずか１％が検出されることが可能である。
[0096]組織の局所的なまたは全体的な変動密度を示す画像中の癌を検出するためにコンピュータ支援検出および機械学習技法を使用することの課題は、生体組織中に生じることがある動的構造変化に関連する変動性によって悪化される。この数の可能な組合せを伴う疾患のセグメント化は、低い数の偽陽性を維持しながら一貫して癌を検出するようにコンピュータをトレーニングすることを非常に困難にする。
[0097]標準的な機械学習プロトコルなどの技法、セグメント化アルゴリズムの使用、および疾患に関連するピクセルのみを画像中で単離させる（すなわち、セグメント化させるかまたは分岐させる）ためのプロセスは、正しく疾患を識別するための可能性としてあまりに多くの組合せを有する問題を有する。これらのプロセスは、関心物体に関連する一意の境界を有する単一の物体があるとき、最もうまく機能する。たとえば、顕微鏡を通して発生された画像中の細菌を識別することは、細菌が明確な形状およびサイズを有し、細胞境界が他の可能な組合せを制限するので、支援される。その名が示すように、画像の分岐は、バイナリ（はい／いいえ）結果につながる急激な変化を生じ、画像コンテンツの所与の領域内の境界における微細な差を可能にしない。
[0098]対照的に、乳癌、ならびに他の疾患および異常は、拡散境界を有する。癌は、たいていの場合、アモルファスであり、マルチパターン化される。組織はまた、様々な遷移状態にあり得る。病変は、異型過形成状態にあり、ならびに非浸潤性乳管癌であり、浸潤性になりつつある細胞を有し得る。さらに、正常乳房状態と異常乳房状態の両方が、以下を含むかまたは以下に影響を及ぼされ得る。
[0099]・スピキュラ（ｓｐｉｃｕｌａｔｉｏｎ）および石灰化の存在
[00100]・壊死組織の存在
[00101]・埋没した癌に関連する高密度線維乳腺組織の存在量
[00102]・以前の手術、生検、または体重増加
[00103]・月経周期中の女性への変化、または閉経からの変化
[00104]従来のＣＡＤ手法
[00105]概して、乳癌に関係するラジオグラフィ所見は、概して、２つの異なるタイプの構造、塊、および微小石灰化の存在を識別することを伴う。病理学に関係する微小石灰化は、管中に、新生物に関連して一般に生じる。塊は、たいていの場合、異常と相関し、良性または癌性のいずれかであり得る。乳房内の線維乳腺組織は塊を不明瞭にし、未処理画像中での検出を困難にすることがある。
[00106]マンモグラフィでは、すべての乳房実質がビュー中に含まれることを保証するために、各乳房について２つのマンモグラフィビュー（頭／尾ＣＣおよび内外斜位ＭＬＯ）が一般に作成される。これは、２つの異なるビュー間の構造の存在および次元数を相関させることが難しいという点で、癌検出および定量化の作業をさらに複雑にする。
[00107]既存のコンピュータ化された診断方法論は、処理の以下のシーケンス、すなわち、病変を疑う＞病変抽出＞特徴抽出＞分類＞悪性の確率を予測する＞確率を報告する、を一般に採用する。
[00108]これらの方法論では、考えられる悪性についてエリアを分析することが可能であるように、懸念のエリアをセグメント化または抽出すること（たとえば、分割させること）が重要である。たとえば、画像に等化または発散プロセスを適用することは、脂肪組織をより高密度な組織と区別する。等化プロセスは、それが線形プロセスであり、すべてのマンモグラムについて最適である特定のしきい値処理を有するとは限らないという点で制限される。発散タイプのセグメント化アルゴリズムが高密度組織から脂肪組織を分離する際に使用され得るが、それは白色高密度乳房組織内の白色癌エリアの区別を効果的にサポートしない。
[00109]バイナリプロセスは、一般に、特異的疾患を探すように設計されるが、乳房の構築の乱れ、乳房間の非対称性の程度、乳頭陥凹、拡張した管、および皮膚病変など、マンモグラフィまたは他の医療画像中の他の診断上重要な特徴に対処しない。癌性ではないが、これらの特徴は、臨床医およびその患者にとって依然として重要である。セグメント化および分岐発散アルゴリズム手法は癌に焦点を当てるが、それらの手法は、画像中のすべての組織の全体的構造に対処するように設計されるとは限らない。
[00110]これらのセグメント化技法は、考えられる病変の境界を画定するために、ピクセルにおけるグレーレベル増分の分析をしばしば使用する。他の技法はピクセルデータの確率的補間を使用するが、補間方法は、ここでも、病変と高密度組織との間の極度の相似性によって制限される。
[00111]ローカルマイクロコントラストベースの収束
[00112]本発明のいくつかの実施形態では、所与の画像のコンテキスト内のすべての構造および特徴を差分的におよび予測どおりに視覚化し、特徴づけることによって、視覚化を改善し、すべての組織のコンテキストを維持するように設計された画像処理方法論に関連するシステムおよび方法が開示される。これらの実施形態は、各物質のタイプに関連するローカルマイクロコントラストパターンを合体（または収束）させ、一貫して、得られた処理された画像内の特徴的な特性パターンとして表現させる、画像処理関数の反復シーケンシングのプロセスを採用する。言い換えれば、これらの実施形態は、組織の残部のコンテキスト外に、識別された組織タイプを抽出するかまたは除去することを試みるのではなく、組織の残部のコンテキスト内でのすべての組織タイプの特徴づけのための手法を与える。
[00113]生物学的成長、ニューロンのパターン、川の分枝、パイプの腐食、および雪片の形成など、実世界における多くの物体は統計的に自己相似であり、発展のパターンが倍率の多くのスケールにおいて同じ統計的プロパティを示す。これらのパターンでは、物体またはパターンの小さい部分が、より大きいスケールにおけるパターンと相似である。これらの自己相似の自然パターンは、画像中にキャプチャされた個別ピクセル近傍として表現される。本明細書で説明される本発明の少なくともいくつかの実施形態において利用されるように、ローカルマイクロコントラスト収束方法論において使用され得る反復プロセスは、設計され、画像中の任意のスケールにおいてこれらの自己相似のパターンを明示的に視覚化し、特徴づけるやり方で機能する。
[00114]図１ａは、ローカルマイクロコントラスト収束アルゴリズムシーケンス経路手法の一実施形態を示す。元の画像１０１、たとえば、グレースケール画像１０１が、反復関数モジュール処理シーケンスに入力される。画像１０１は、次いで画像処理関数１０２によって処理され、その画像は、得られた画像１０３になるか、または関数１０２において第２の、ただし異なる画像処理関数を適用することによってさらに処理されるかのいずれかである。繰返しプロセス１０４が０〜ｎ回適用され得る。
[00115]癌などの疾患はそれの成長においてそのような自己相似性を呈し、その成長は、極めて小さい癌性病変が大きい病変と同じ表現されるパターンを呈する、ローカルマイクロコントラストプロセスを利用して任意のスケールにおいて特徴づけられ、視覚化され得る。
[00116]フラクタルジオメトリは数学関数の反復を通して自然のパターンを発生することができ、実施形態のこのセットにおいて例示される手法は、生体系において発生されたフラクタルパターンを、画像内のピクセルデータの識別可能なおよび測定可能な表現に数学的に分解する。したがって、本明細書で説明されるローカルマイクロコントラスト収束アルゴリズムは、反復プロセスに数学的に類似することがあり、乳房境界、癌性および良性病変辺縁ならびにコア、マンモグラフィ画像中に存在し得る乳房非対称性の特性など、組織パターンを視覚化することができる。
[00117]本明細書で使用される、ローカルマイクロコントラスト収束は、プロファイルルックアップテーブル（ＰＬＵＴ）関数を利用する画像変換の反復シーケンシングを指すことがある。
[00118]本明細書で使用される、ＰＬＵＴ関数は、ソース画像中の局所化された、自己相似の画像コントラストピクセル変数（ピクセル近傍関係の統計ベースの共起など、たとえばテクスチャ）が、（再構成レベルと呼ばれる）値の離散セットを有し、ソース画像中の各局所近傍におけるピクセル（たとえば、相似の特性を有するピクセル）が、得られた出力画像において単一の色またはルミナンス値を割り当てられるように、画像の画像入力および出力値を指定する行列／アレイにおける数式を指す。
[00119]ＰＬＵＴ、およびローカルマイクロコントラスト収束プロセスにおける他の関数の単数または反復適用は、近隣ピクセルグループの間の関係を、物質の構造およびそれの撮像モダリティとの関係に従う繰返し可能なおよび予測可能な色および／または光度パターンに収束または集約させることができる。組織／物質タイプは著しく変動し得るが、各組織／物質タイプは、共通の基礎をなすピクセル近傍関係を持つ。画像の各エリア中に表現される得られたローカルマイクロコントラスト収束パターンは、異なるタイプの周囲のおよび上に重なる物質の存在にかかわらず、各物体または物質についてのルミナンス値の、たとえば、統計ベースの分布に基づいて、それらの特性色パターンを視覚的に表現することが可能である。たとえば、ローカルマイクロコントラスト収束アルゴリズムを使用して、マンモグラムにおける乳癌病変は、それが暗い脂肪組織であるのか高ルミナンス高密度乳房組織であるのかにかかわらず、特定の視覚的に観測可能なおよび一意に定量化可能なパターンを用いて特徴づけられ得る。
[00120]図１ｂは、元のマンモグラム画像１０５と、本発明の少なくともいくつかの実施形態を使用して生成された２つの得られた画像１０７、１０８とを示す。癌のエリアの輪郭を描く枠が１０６において示される。２つの得られた画像は、１０７および１０８に示されるように、癌の特徴的なパターンを明らかにする２つの異なるローカルマイクロコントラスト収束アルゴリズムシーケンスによって作成される。反復処理シーケンスは、エッジ、境界、内部構造、テクスチャ、スピキュラ、ならびに癌応答に関連するルミナンス値および色など、乳房の元のＸ線の微細なグレースケールパターンを特有のパターン応答に変換した。
[00121]図１ｃは、１０９において２つの節点を使用して画像変換をプロットするために使用される標準的な写真座標系を示す。本明細書で使用される、節点は、曲線の方向が変更される、曲線上の特異点を指す。曲線上の節点を移動することは、曲線の周囲の態様を変更する。元の画像の入力値はプロット（ｘ軸）の下部に沿って示され、画像値の出力は垂直軸上に示される。この手法には制限がある。節点は、「曲線」の形状を変化させ、画像の入力値と出力値との間の関係を修正する。しかしながら、節点は、曲線のすべての部分が連続的であるようにリンクされなければならない。したがって、節点は、連続的およびリンクされた値を用いてマッピングされ得るものに限定される。節点を利用する非線形変換は、ほとんど等しい密度の物体の分離が望まれるとき、十分に性能を発揮しない。
[00122]現在、特徴抽出は、物体が画像のピクセルデータから正常にセグメント化または抽出された程度に完全に依存する。既存のアルゴリズムは考えられる病変の最も明るいエリアの位置を特定するように最適に設計されるが、既存のアルゴリズムは、病変の外部境界、血管新生がどこで生じているかを決定するための診断において重要なエリアを見分けることがしばしばできない。
[00123]本出願では、１つまたは複数のローカルマイクロコントラスト収束関数は、病変（または関心の他の特徴）の考えられる外部境界を適切に画定するために画像が処理され得るように、節点を用いない。
[00124]図１ｄは、ローカルマイクロコントラスト収束プロセスの実装形態に対する階層手法を図解する。シーケンスは、それがより高いレベルの処理統合に関するにつれて、三角形の下部から上部に進む。
[00125]マルチ画像モダリティ融合が、ローカルマイクロコントラスト収束プロセスにおいてサポートされる。本出願の実施形態に関する、モダリティ融合は、同じかまたはわずかに修正されたローカルマイクロコントラスト収束アルゴリズムシーケンスが、異なる撮像モダリティ間の同じタイプの組織を視覚化し、特徴づけることができるように、異なるタイプの撮像モダリティからの画像の入力値を適応させるプロセスである。その場合、ローカルマイクロコントラスト収束パターンは、Ｘ線、超音波、乳房ＣＴ、およびＭＲＩスキャンにおいて見られたとき、患者の癌について相似であるだろう。これは、異なる入力モダリティからの情報を理にかなった方法で合成することを可能にする。撮像ベースの融合手法は、画像特徴レベルにおいて信号が組み込まれる早期融合と、後処理画像特徴分析ツールを使用してセマンティックレベルにおいて情報が組み込まれる後期融合とを容易にする。
[00126]これらのデータは、正常、良性、および癌性乳房組織タイプなど、物質を特徴づけることと、組織／物質の上に他の組織／物質タイプが重なっているときでも、多数のＸ線、ＭＲＩ、または超音波画像からそのデータを相関させることとを行うために、１つまたは複数のベクトル座標における局所応答パターンに相関された１つまたは複数の確率分布関数を発生するために使用され得る。
[00127]いくつかの実施形態、マルチ処理シーケンシング、マルチ画像シンセシス、およびモダリティ融合において、得られた画像が分析され得、データがエキスパートシステム内でそれらの画像の間で相関され得る。すべての組織がローカルマイクロコントラスト収束プロセスにおいて視覚化されるので、疾患が検出され得、疾患の病理学が、発端の器官内での疾患の出現に相関され得る。これは、疾患防止および薬／治療療法における進歩的な調査の機会を与える。
[00128]本明細書で説明される本発明の少なくともいくつかの実施形態は、医学におけるプロセスのような自然プロセスの画像中に表される成長／発達のパターンを伴う複雑な確率論的非ユークリッドフラクタル状の形状により、純粋に決定論的に、または単純なランダム成分とともに決定論的に構築された他の数学的モデルが失敗する、画像中の組織／物質タイプを一貫して特徴づけることが可能である。
[00129]いくつかの実施形態では、本方法は、詳細には、構造内の構造を識別することが可能であるように設計される。たとえば、医療撮像適用例において、最終的な画像は、異常組織の存在および構造に関して、画像中の残りの構造のコンテキストにおいて視覚的証拠を与える。最終的な画像は、異常物体を他の正常および異常組織タイプに相関させるための機構をも与え得る。たとえば、乳管中にある癌性病変は、浸潤性になったかまたはリンパ節と関連するように見える病変とは異なるレベルの懸念を有する。同様に、微小石灰化に近接した癌腫は、胸壁の隣の癌腫と比較して、または著しい非対称性が乳房にある状況において、異なる臨床解釈を必要とする。
[00130]反復画像プロセスの一例が図１ｅに示されている。詳細には、図１ｅは、ローカルマイクロコントラスト収束プロセスの例示的な基礎シーケンシングを示し、それにより、反復関数モジュール１１０手法が、第１の画像１１１をとり、第１の画像１１１を、１つまたは複数の非線形伝達関数１１２（たとえば、ローカルマイクロコントラスト収束アルゴリズム）の第１のセットを用いて処理する。作成された第２の画像が、最終の得られた画像１２０になるか、または、次の処理ステップがアルゴリズムの一部として設計された場合、第１の反復画像１１３が、第２の関数１１４（たとえば、１つまたは複数の非線形伝達関数の第２のセット）を用いてさらに処理され、画像１１５を生じる。プロセスは、所与のアルゴリズムシーケンス１１６〜１１９内で適用される非線形伝達関数の異なるセット（たとえば、１つまたは複数の非線形伝達関数の第３のセットまたは１つまたは複数の非線形伝達関数の第４のセット）を用いて１回または複数回反復されて、得られた画像１２０を出力し得る。
[00131]いくつかの実施形態では、同じソース画像１１１を使用して、第２の反復関数モジュールが同じ画像１１１に適用され得るが、組織の間の異なる特徴づけおよび関係を明らかにするために異なる関数および反復数を適用する。したがって、このマルチプロセスシーケンシング手法は、同じ元の画像内の同じ物体の２つの別個の特徴づけを与えることができる。
[00132]いくつかの実施形態では、得られた画像のうちの２つまたはそれ以上が、２つの得られた画像の複合物または１つの得られた画像と元の画像との複合物である、新しい得られた画像を作成するために、マルチ画像シンセシスプロセスにおいて合成またはマージされ得る。この複合画像はさらに、処理されるかまたは他の得られた画像と合成され得る。
[00133]図１ｆは、本発明の少なくとも１つの実施形態による、不連続非線形伝達関数１２１を示す座標系中のプロットを示す。図１ｆは、ｘ軸に沿って入力画像の入力値をマッピングし、ｙ軸に沿って出力画像の出力値をマッピングする一例を示す。ＰＬＵＴから発生されたグラフィックプロットは、不連続変換を画像に適用されるように設計する可能性を示す。ローカルマイクロコントラスト収束アルゴリズムの設計において不連続性をもつＰＬＵＴを使用することによって、反復変換モジュールプロセスの少なくともいくつかの実施形態は、癌が高密度乳房組織中に埋没しているときでも、癌の辺縁を周囲の組織とより良く区別することができる。これは、画像中の入力値を出力値に変換するとき、節点プロットの使用の場合、ごく限られた能力であるか、またはまったく可能でないことがある。
[00134]図１ｇは、マンモグラム画像中の乳房組織のルミナンス値を示す座標系中のプロットを示す。図１ｇは、ｘ軸に沿って入力値をマッピングし、ｙ軸に沿って出力値をマッピングする一例を示す。脂肪組織表現１２２が、脂肪組織を含有する乳房画像のルミナンスエリア中に示され、高密度組織表現１２３が、高密度組織を含有する乳房画像のルミナンスエリアを示す。一般に、乳癌は、脂肪組織の光度よりもはるかに高い光度を有する。したがって、高密度組織から脂肪組織を分離することが重要である。赤色対角線の下方の光度の再マッピングが、画像のその部分をより暗くし、密度１２４を減少させ、線の上方の光度の再マッピングが値をより明るくし、密度１２５を増加させる。ＰＬＵＴ設計中に構築された不連続非線形変換を用いたこの画像プロパティ分布の相関は、新しい疾患および撮像モダリティのための新しいアルゴリズムを開発するために必要とされる時間を低減する。
[00135]図２ａは、新しい疾患での適用例、モダリティ、および医学以外の適用例において使用するためのローカルマイクロコントラスト収束アルゴリズムの異なる反復を作成するために、複数の画像チャネルのための考えられるＰＬＵＴ値を作成するために複数の数学関数が利用され得る、一実施形態を示す。ＰＬＵＴシーケンスのコンピュータベースの作成を利用することが、新しい疾患または異常を視覚化するための新しいアルゴリズムシーケンスを開発するプロセスの速度を大幅に上げることができる。
[00136]図２ａでは、ｘ軸およびｙ軸は、画像の入力値および出力値を反映し、中間点１２６は、座標系に対する中間点の１つの可能な位置を指定する。図２ａは、ルミナンスおよび複数色チャネルマッピングのための考えられる２５６個のデータ点をもつ８ビット画像のルミナンスおよび色値を表現する。３つの数学関数１２７が自動的にプロットされ、それらの値がプロット内に示された。青色曲線（青色チャネル）１２８がｆ（ｘ）＝ｓｉｎ（ｘ）を使用して作成された。赤色チャネル１２９がｇ（ｘ）＝ｔａｎ（ｘ）を使用して作成され、ルミナンスチャネル１３０がｈ（ｘ）＝ｓｅｃ（ｘ）を使用して作成された。中間点１２６（または０地点）は、面倒な手動プロセスではなく、自動プロセスで組織／物質視覚化および特徴づけの最適化のためにＰＬＵＴにマッピングされ得る数学関数のマッピングを最もうまくサポートする座標系内の位置に配置され得る。
[00137]図２ｂは、８ビットグレースケール画像のためのグレースケール２Ｄルックアップテーブルを表す行列を示す。黒色を表すレベル０は、１３１におけるグリッドの左上隅にある。グレースケールルミナンスレベルは、１３２における右下隅において純粋な白色レベル２５５に達するまで、左から右におよび上から下に段階的に増加する。
[00138]例示的なコンピュータシステム
[00139]図２ｃは、本発明の１つまたは複数の実施形態による、１つまたは複数の方法を実施するための電子デバイス２５０を示すブロック図を示す。
[00140]電子デバイス２５０は、ユーザまたはリモートデバイスからデータを受信し、データを処理し、データを発生および／または表示するための任意のコンピューティングデバイスであり得る。電子デバイス２５０は、通信インフラストラクチャ２５１と、プロセッサ２５２と、メモリ２５３と、ユーザインターフェース２５４と、通信インターフェース２５５とを含み得る。
[00141]プロセッサ２５２は、限定はしないが、専用または汎用デジタル信号プロセッサを含む、任意のタイプのプロセッサであり得る。この実施形態では、プロセッサ２５２は、通信インフラストラクチャ２５１（たとえば、バスまたはネットワーク）に接続される。様々なソフトウェア実装形態が、この例示的なコンピュータシステムに関して説明される。
[00142]メモリ２５３は、フロッピーディスクドライブ、磁気テープドライブ、または光ディスクドライブなど、ランダムアクセスメモリ（ＲＡＭ）、ハードディスクドライブ、およびリムーバブルストレージドライブのうちの少なくとも１つを含み得る。リムーバブルストレージドライブは、リムーバブルストレージユニットから読み取りおよび／またはそれに書き込む。リムーバブルストレージユニットは、リムーバブルストレージドライブによって読み取られ、それに書き込まれる、フロッピーディスク、磁気テープ、光ディスクなどであり得る。メモリ２５３は、電子デバイス２５０の算出関数のいずれかを実施するためのコンピュータソフトウェアプログラムおよび／またはデータを記憶したコンピュータ使用可能記憶媒体を含み得る。（コンピュータ制御論理とも呼ばれる）コンピュータソフトウェアプログラムは、実行されたとき、電子デバイス２５０が、本明細書で説明されるように本発明の実施形態を実装することを可能にする。したがって、そのようなコンピュータソフトウェアプログラムは、電子デバイス２５０のコントローラを表す。メモリ２５３は、撮像データ、ソフトウェアファイル、または任意の他のタイプのデータファイルを記憶する１つまたは複数のデータストアを含み得る。
[00143]ユーザインターフェース２５４は、電子デバイス２５０のディスプレイ（図示せず）を制御するプログラムであり得る。ユーザインターフェース２５４は、キーボードまたはマウスなど、１つまたは複数の周辺ユーザインターフェース構成要素を含み得る。ユーザは、電子デバイス２５０と対話するために周辺ユーザインターフェース構成要素を使用し得る。ユーザインターフェース２５４は、マウスまたはキーボードユーザインターフェース構成要素からマウス入力またはキーボード入力などのユーザ入力を受信し得る。ユーザインターフェース２５４は、電子デバイス２５０のディスプレイ上に撮像データを表示し得る。
[00144]通信インターフェース２５５は、撮像データが、電子デバイス２５０とリモートデバイスとの間で転送されることを可能にする。通信インターフェース２５５の例は、モデム、（イーサネットカードなどの）ネットワークインターフェース、通信ポート、パーソナルコンピュータメモリカード国際協会（ＰＣＭＣＩＡ：Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ Ｍｅｍｏｒｙ Ｃａｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ａｓｓｏｃｉａｔｉｏｎ）スロットおよびカードなどを含み得る。通信インターフェース２５１を介して転送される撮像データは、電子信号、電磁信号、光信号、あるいは通信インターフェースによって送信または受信されることが可能な他の信号であり得る、信号の形態のものである。これらの信号は、通信インターフェース２５１に与えられるかまたはそれから受信される。
[00145]例示的なローカルマイクロコントラストアルゴリズム
[00146]図３ａは、非常に高密度な乳房を含有し、高密度が３００において輪郭を描かれたマンモグラムを示す。３０１における輪郭は、３０２において癌を含有する極度の密度の境界を画定する。
[00147]図３ｂは、本明細書で説明される１つまたは複数の方法を使用して画像を処理した後の例示的なマンモグラム画像を示す。この実施形態では、乳房の最高密度エリアのみがカラーで明らかにされる。乳房画像の脂肪および他の低密度エリアは、３０３において黒色で示される。密度増加は、緑色３００における外側境界から進み、内側に青色３０２に進行し、最終的に、最も大きい発達の癌が存在する中心３０３における黒色エリアに進行する、ステップで示されている。各色が、乳房密度の定量的に異なるレベルを表す。この定量化は、女性のマンモグラムにおける高密度乳房の存在を示すための米国放射線学会（Ａｍｅｒｉｃａｎ Ｃｏｌｌｅｇｅ ｏｆ Ｒａｄｉｏｌｏｇｙ）ＢＩ−ＲＡＤＳ仕様に関する正確な報告を与える。しかしながら、さらに、このプロセスは、ＢＩ−ＲＡＤＳ報告システムを、乳房密度の単純な全体的割合を越えて拡張することができる。このプロセスは、乳房密度の複数のレベルを定量化し、それらの分布を指定し、その女性に関する考えられる危険を推定することができる。これらの方法は、乳房のサイズの差異、乳房の密度、妊娠中の変化、老化および閉経に伴う変化、嚢胞、線維腺腫、石灰化の発達に基づく変質、病変の存在、ならびに外傷、手術、および生検による瘢痕によって影響を及ぼされるマンモグラフィ画像提示における極度の変動性について適応的であり、その変動性を補償する。
[00148]ＣＩアルゴリズム
[00149]ＣＩアルゴリズムの実施形態は、元のグレースケールマンモグラムを処理することと、乳房組織中の高密度異常の境界および内部構造を明らかにすることとによって、その異常の表現を最適化するように設計される。アルゴリズムシーケンスは、臨床医および患者が懸念のエリアを容易に観測することがより容易であるように、異常と他の正常組織との間の著しい色および輝度区別を与える。
[00150]図４ｋは、本発明の少なくとも１つの実施形態による、グレースケール画像から視覚化を作成するための方法４００を示すフローチャートである。
[00151]ステップ４０１において、プロセッサ２５２はグレースケール画像をインポートする。図４ａは、本発明の少なくとも１つの実施形態による、マンモグラムの例示的なグレースケール画像を示す。図４ｄは図４ａの水平勾配表現を示す。勾配グレースケール画像は、ローカルマイクロコントラスト収束アルゴリズムシーケンスにおいて表現される色のフルレンジが示され得るように、異なるマンモグラムが有するレンジと比較して、ルミナンスレベルのフルレンジを与える。図４ｋで説明されるアルゴリズムシーケンスの各ステップは、ここでも、説明および比較目的のために、マンモグラムと勾配の両方に適用され得る。
[00152]いくつかの実施形態では、プロセッサ２５２は、画像（たとえば、グレースケール）を受信またはインポートする。いくつかの実施形態では、画像はメモリ２５３からインポートされる。他の実施態様では、画像は、通信インターフェース２５１を介してリモートデバイスからインポートされる。
[00153]いくつかの実施形態では、グレースケール画像は、ｘおよびｙピクセル次元ならびにｚビットのグレースケールまたは色深度をもつ入力アレイまたは行列として処理するためにインポートされる。いくつかの実施形態では、行列は、ピクセル当たり８、１０、１２、１４または１６ビットのルミナンスの値（Ｌｐ）を含有し得る。（Ｌｐ）は、元の画像中の位置（ｘ，ｙ）における各ピクセル（ｐ）のルミナンス値である。ビット数が増加するにつれて、ピクセル値におけるより大きい数の変動が同じく増加する。たとえば、８ビットが使用される場合、２８個の考えられるピクセル値が各ピクセルに割り当てられ得る。一方、１６ビットが使用される場合、２１６個の考えられるピクセル値が各ピクセルに割り当てられ得る。考えられるピクセル値の数を増加させることによって、本明細書で説明される画像処理方法は、最終画像における変動を増加させることができる。
[00154]ステップ４０２において、プロセッサ２５２は、グレースケール画像を多次元色空間にマッピングする。
[00155]いくつかの実施形態では、グレースケール画像をマッピングするために、グレースケール画像は、ｎ＞１が、ボクセルを含有する新しい行列セットを形成する、色空間レイヤのｎ次元重ね合わせ行列空間を形成するために、各色成分およびルミナンス値について同等のｘ／ｙ座標の追加の行列に複製される。
[00156]いくつかの実施形態では、グレースケール画像は以下の式を使用して複製される。
ｆ（Ｌｐ）＝Ｃｐ、
ここで、原本中の各ｘ／ｙ座標におけるピクセル値は、Ｃの多次元色空間の各色空間レイヤ中の対応するｘ／ｙ座標にマッピングされる。
[00157]ｎ＝４である一実施形態では、ＲＧＢ多次元色空間は、４つの異なる成分、すなわち、ルミナンス、赤、緑、および青に関して画定され得る。これらの実施形態では、ＲＧＢ多次元色空間は、それぞれ、ルミナンス色空間レイヤ、ならびに青、赤および緑に対応する第１、第２および第３の色空間レイヤを含む。新しい行列Ｃはピクセル値を含有し、ここで、各ピクセル値についてのＲ＝Ｇ＝Ｂ＝ルミナンス、およびこれらのピクセル値がグレースケール画像ルミナンス値（Ｌｐ）に等しい。いくつかの実施形態では、別個のルミナンスのみチャネルがあり得るか、他の実施形態では、ルミナンスは３つの他のチャネルの複合物として発生され得る。別の実施形態では、値はまた、たとえば、ｎが３つの値、すなわち、ルミナンス、彩度、および色相を有する、ｎの他の値について表現され得る。
[00158]これらの実施形態が、本明細書で説明される色画像フォーマット以外の広範囲の色画像フォーマットで視覚化され得るｎ次元の行列上で動作可能であることを、当業者は諒解されよう。各マンモグラム（または他の画像）の処理は、マルチチャネル行列または画像から始まる。追加の色空間が、ｘｙｚ色空間または円筒色空間のいずれかを使用するＨＳＶ、ＣＭＹＫ、ＣＩＥＸＹＺまたはＣＩＥＬＡＢなどの色空間中でも生じ得る。
[00159]ステップ４０３において、プロセッサ２５２は、多次元色空間にメジアンフィルタを適用する。いくつかの実施形態では、メジアンフィルタは、ノイズを除去しながら多次元色空間中の物体のエッジを保持する、非線形デジタル画像処理技法を指すことがある。ノイズ低減は後の処理の結果を改善することができる。
[00160]いくつかの実施形態では、メジアンフィルタは、各ピクセル値を近隣ピクセル値のメジアンと交換することによって、多次元色空間中の各ピクセルに適用される。近隣のパターンは、画像全体にわたってピクセルごとにスライドする「ウィンドウ」と呼ばれることがある。いくつかの実施形態では、メジアンフィルタは、３×３または半径＝１メジアンフィルタである。他の実施形態では、１よりも大きい半径、および５×５、７×７などの行列組合せが使用され得る。
[00161]ステップ４０４において、プロセッサ２５２は画像を反転させ、それにより、黒色（０）は白色（２５５）になり、白色は黒色になる。すべての他の値は、画像値の中間点を除いて比例して反転される。
[00162]ステップ４０５において、プロセッサ２５２は、多次元色空間（たとえば、ＲＧＢ）に１つまたは複数の（たとえば、ＰＬＵＴ）非線形伝達関数の第１のセットを適用する。得られた画像の表現が図４ｂおよび図４ｅに示されている。
[00163]図４ｇは、図４ａにおける画像に適用された後に、このローカルマイクロコントラスト収束アルゴリズムシーケンスにおける乳房構造を明らかにするために最適化されたＣＩ ＰＬＵＴ１（２Ｄルックアップテーブル）の色値を示す。
[00164]図４ｉは、本発明の少なくとも１つの実施形態による、低密度乳房組織を減衰させるために多次元色空間にプロセッサ２５２によって適用される例示的な（たとえば、ＰＬＵＴ）伝達関数の表現を示す直交プロットを示す。この直交プロットでは、色空間レイヤ入力は、値が−１２８から＋１２８にわたる、ｘ軸上に示されている。（たとえば、ＰＬＵＴ）伝達関数の後の対応する出力は、画像のルミナンスレベルの中間点が０にあり、値が−１２８から＋１２８にわたる、ｙ軸上に示されている。座標プロット中の０の位置がｘ／ｙ座標空間中の任意の位置に配置され得ることが観測され得る。
[00165]図４ｉでは、赤色チャネルは４０８において示され、緑色チャネルは４０９であり、ルミナンスチャネルは４１０である。いくつかの実施形態では、（図４ｉに示されているように）第１の（たとえば、ＰＬＵＴ）伝達関数が、低密度脂肪乳房組織を減衰させるためにルミナンス色空間レイヤに適用される。いくつかの実施形態では、低密度脂肪乳房組織は、より低い５０％のレンジ、より低い４０％のレンジ、より低い３０％のレンジ、より低い２０％のレンジ、またはより低い１０％のレンジにおけるルミナンス値を有する。
[00166]処理におけるこの段階で、癌を有する可能性を持たないエリアは、考えられる癌または他の異常が生じることがあるエリアから分離された。さらに、画像中の病変は、次に、マイクロコントラスト近傍が収束するにつれて、境界を形成し、内部形態学的構造を表現し始める。拡散グレースケールマンモグラフィ画像と比較して、視覚的に区別可能な境界が組織構造に基づいて形成された。中心周辺効果および限界人間視覚認知として知られる現象に関連する問題が、最小限に抑えられるかまたは解消された。グレー値は、物体の周りにあるものに基づいて人間視覚システムによって差分的に解釈される。同じ物体が、暗い背景に対してより明るく見え、明るい背景に対してより暗く見え得る。本発明の少なくともいくつかの実施形態は、マンモグラムにおける癌の知覚および検出に影響を及ぼす中心周辺問題を解消するＰＬＵＴ値が決定されることを可能にし、色知覚理論に基づいて人間視覚区別のための最適設定に基づいて、変換の後に臨床医が見る画像は、検査中の組織のために大幅に向上された診断可能性を与える。
[00167]図４ｋに戻ると、ステップ４０６において、プロセッサ２５２は、多次元色空間に１つまたは複数の伝達関数の第２のセットを適用する。
[00168]図４ｈは、図４ｂにおける画像に適用された後に、このローカルマイクロコントラスト収束アルゴリズムシーケンスにおける乳房構造を明らかにするために最適化されたＣＩ ＰＬＵＴ２（２Ｄルックアップテーブル）の色値を示す。
[00169]図４ｊは、多次元色空間にプロセッサ２５２によって適用される伝達関数の例示的な（たとえば、ＰＬＵＴ）セットの表現を示す直交プロットを示す。図４ｊでは、赤色チャネルは４１１において示され、４１２におけるルミナンスチャネルは、図４ｈにおけるＣＩ ＰＬＵＴ２ルックアップテーブルのグラフィック表現である。
[00170]この直交プロット図４ｊでは、色空間レイヤ入力は、値が−１２８から＋１２８にわたる、ｘ軸上に示されている。（視覚的に図４ｊに示されている）伝達関数の後の対応する出力は、画像のルミナンスレベルの中間点が０にあり、値が−１２８から＋１２８にわたる、ｙ軸上に示されている。これらの実施形態では、脂肪乳房組織を図４ｃにおいて１つの色（たとえば、青およびマゼンタ）として見えるようにし、他の色を使用してより高密度の乳房組織（金色および赤色）と乳房境界（緑色）とを区別するために、図４ｂにおいて、得られた画像に値が適用される。
[00171]図４ｃおよび４ｆは、本発明の少なくとも１つの実施形態による、低密度乳房組織を１つの色として見えるようにし、高密度乳房組織を区別するために、１つまたは複数の非線形伝達関数の例示的な第２のセットを適用した後の多次元色空間に基づくマンモグラムおよび勾配画像の例示的な画像表現を示す。図４ｃでは、癌は金色４１３で明らかにされ、黒色によって囲まれる。
[00172]４１３において図４ｃにおけるＲＧＢ値において測定された乳房画像の高密度エリアの値は、赤＞２５０／緑＞１６５／青＜５０である。
[00173]いくつかの実施形態では、これらの伝達関数の設計思想は、乳房組織の外部のマンモグラムのエリア中のピクセル値を減衰させるために採用される。その結果、ＰＬＵＴにおける伝達関数値の１つの成分は、乳房エリア内のパターンに干渉しないように乳房の外部のマンモグラムのエリアに値を割り当てることによって、最終画像における臨床医の眼精疲労を低減する。
[00174]ステップ４０７において、プロセッサ２５２は、処理された多次元色空間に基づいて視覚化画像（たとえば、図４ｃ）を表示する。
[00175]このプロセスの各ステップは、さらに、サイズにかかわらず、グレースケールマンモグラム（それは乳房のＭＲＩおよび超音波画像についてもうまくいく）を、異常組織の境界を明らかに画定した色パターンに変換し、ならびに正常乳房組織の構造を明らかにする。この画像視覚化では、癌性病変は、それら自体をすべての他の異常および正常組織構造と分離する特徴的なパターンを有する。
[00176]ＣＩ視覚化では、視覚化における癌と良性病変の両方の特徴づけにおける差異は、ヒストグラム分析を使用して区別され得る。癌の境界はＣＩ視覚化では明確に画定される。さらに、癌の境界内の構造における差異は、特性色および形状を用いて示される。これは、放射線科医が癌性および良性構造の境界を識別することをより容易にする。たとえば、ＣＩ視覚化では、癌の境界内で色の数がより大きく変化するほど、癌性組織の発達がより前進する。癌性および良性病変を囲む組織の変化もＣＩ視覚化では明らかにされる。ＣＩ視覚化は、癌性病変の境界において生じる血管新生をも明らかにすることが可能である。
[00177]上記で説明された区別に加えて、ＣＩ視覚化では、放射状瘢痕対癌性病変および癌性病変対線維腺腫が区別される。ＣＩ視覚化はまた、癌が浸潤性になり、乳房組織を囲むようになる前に、乳管内の発達中の癌の存在を示す。癌性組織は微小石灰化の存在と相関され得る。
[00178]癌性病変、ならびにすべての他の構造は、頭−尾（ＣＣまたは上方からのビュー）および中外斜位（ＭＬＯまたは傾斜したビュー）など、女性についてのマンモグラムの異なるビュー間で相関され、異なる時間における研究間のデータを相関させるために使用され得る。これらの方法による癌のための特徴づけられた内部構造は、それが、生検、乳腺腫瘤摘出を実施する外科医を手引きするために、および癌のための治療を受けている患者についての進行を決定するために使用され得るほど、非常に正確である。
[00179]ＬＤアルゴリズム
[00180]ＬＤアルゴリズムに関する本発明の実施形態は、画像（たとえば、元のマンモグラム）の非常に低い密度のエリア中に生じた画像中の極めて精細な構造および詳細を強調するように設計された視覚化を与える。スピキュラおよび低減衰病変など、診断上重要な構造が明確に画定される。
[00181]図５ｉは、本発明の少なくとも１つの実施形態による、グレースケール画像からＬＤ視覚化を作成するための方法５００を示すフローチャートである。
[00182]ステップ５０１において、プロセッサ２５２はグレースケール画像をインポートする。図５ａは、本発明の少なくとも１つの実施形態による、マンモグラムの例示的なグレースケール画像を示す。図５ｄは、黒色から白色への２５６個のグレースケール値の水平勾配表現を示す。
[00183]ステップ５０２において、プロセッサ２５２は、グレースケール画像を多次元色空間にマッピングする。ステップ５０２におけるグレースケールマッピングは、上記のステップ４０２におけるグレースケールマッピングと実質的に相似である。
[00184]ステップ５０３において、プロセッサ２５２は、多次元色空間に１つまたは複数の伝達関数（たとえば、ローカルマイクロコントラスト収束アルゴリズムＰＬＵＴ）の第１のセットを適用する。１つまたは複数の伝達関数の例が図５ｇおよび図５ｈに示されている。
[00185]図５ｈは、本発明の少なくとも１つの実施形態による、プロセッサ２５２によって適用される例示的な（たとえば、ＰＬＵＴ）伝達関数の表現を示す直交プロットを示す。いくつかの実施形態では、第１の伝達関数は、高密度乳房エリアを減衰させながら、乳房画像の低密度エリアを明るくするために、ルミナンス色空間レイヤ５０８に適用される。赤色チャネル５０９を表す第２の伝達関数は、高密度組織を暗いままにしながら、乳房実質をカラー化する。いくつかの実施形態では、低密度脂肪乳房組織は、より低い５０％のレンジ、より低い４０％のレンジ、より低い３０％のレンジ、より低い２０％のレンジ、またはより低い１０％のレンジにおけるルミナンス値を有する。このローカルマイクロコントラスト収束アルゴリズムの設計およびそれの関係するＰＬＵＴ値は、乳房中の低密度の割合にかかわらず、画像の任意の部分中の詳細を明らかにするように機能する。
[00186]ステップ５０３の後に生成された得られた画像の表現が、図５ｂおよび図５ｅに示されている。
[00187]ステップ５０４において、（図５ｂに示されている色画像として表される）多次元色空間は、次に、ＨＳＬ色空間にコンバートされる。この実施形態では、ＲＧＢ値は、以下の例において以下で示されているように、ルミナンス、色相、および彩度値にコンバートされる。
（色相、彩度、明度、ゾーン）
（０．０，０．０，０．２，赤）
（０．０，０．０，０．１，シアン）
（０．０，−１．０，０，マスタ）
[00188]画像は、ステップ５０５において、最初にＲＧＢ色で、またはコンバージョンの後にＨＳＬ色空間で表示され得る。
[00189]図５ｃにおける画像（および対応する画像５ｆ）は、ＨＳＬ色空間中のすべての色相についてのマスタ彩度を−１００％彩度に設定することによって、図５ｂおよび図５ｅにおける画像から作成される。その結果、色相はもはや、画像の表現におけるファクタでない。しかしながら、ルミナンス値は依然として調整可能であり、色空間中の様々な色相のルミナンス値を変化させることが、それらの値のグレースケール表現を変更することができる。いくつかの実施形態では、赤ルミナンス値およびシアンルミナンス値はそれぞれ０．２および０．１に調整される。これは、全体的乳房背景のグレー値を明るくし、癌性病変など、高密度組織の内側部分をハイライトし、乳房の精細な構造と脂肪組織との間の分離を作成する。画像は、ステップ５０７において（および図５ｃに示されている）ルミナンスのみを含有する単一チャネル画像にコンバートされ得る。
[00190]処理におけるこの段で、低密度ルミナンス値に関連するエリア非常に精細な構造が、乳房実質、境界、および胸壁の、低密度、低周波数エリア５１０から分離される。拡散グレースケールマンモグラフィ画像と比較して、視覚的に区別可能な境界が組織構造に基づいて形成された。
[00191]ＨＤアルゴリズム
[00192]ＨＤアルゴリズムに関する本発明の実施形態は、画像のまさに最高密度のエリア中に生じた画像（たとえば、元のマンモグラム）中の詳細を明らかにするように設計された視覚化を与える。乳房異常および癌性病変などの構造が、周囲の高密度明／白色エリアから明らかにされ、明確に画定される。
[00193]図６ｉは、本発明の少なくとも１つの実施形態による、グレースケール画像からＨＤ視覚化を作成するための方法６００を示すフローチャートである。
[00194]ステップ６０１において、プロセッサ２５２はグレースケール画像をインポートする。図６ａは、本発明の少なくとも１つの実施形態による、マンモグラムの例示的なグレースケール画像を示す。
[00195]ステップ６０２において、プロセッサ２５２は、グレースケール画像を多次元色空間にマッピングする。
[00196]ステップ６０３において、プロセッサ２５２は、多次元色空間に１つまたは複数の非線形伝達関数の第１のセット（たとえば、ＨＤ ＰＬＵＴ１ローカルマイクロコントラストアルゴリズム）を適用する。１つまたは複数の非線形伝達関数の第１のセットの表現が、それぞれ図６ｇおよび図６ｈに示されている。図６ｇは、マンモグラフィ画像中の乳房構造を明らかにするために最適化されたＬＤ ＰＬＵＴ（ルックアップテーブル）の色値を示す。図６ｈは、（たとえば、図６ｈにおけるＰＬＵＴから作成され得る）座標系中のグラフィック表現を示す。これらの実施形態では、第１の伝達関数は、乳房画像のルミナンス値６０６を反転させるためにルミナンス色空間レイヤに適用される。赤色チャネル６０７は、高密度乳房エリアを減衰させながら、画像の低密度エリアを増幅する。緑色チャネル値の不連続マッピングとして図６ｈに図式的に示されている、緑色チャネル６０８は、乳房境界をカラー化し、赤色チャネルに関与して乳房背景を黄色にする。いくつかの実施形態では、高密度乳房組織は、より低い５０％のレンジ、より低い４０％のレンジ、より低い３０％のレンジ、より低い２０％のレンジ、またはより低い１０％のレンジよりも大きい。青色チャネル６０９は、乳房の外側境界を画定するために色を追加する。このローカルマイクロコントラスト収束アルゴリズムの設計およびそれの関係するＰＬＵＴ値は、乳房中の高密度の割合にかかわらず、画像の任意の部分中の詳細を明らかにするように機能することができる。
[00197]処理におけるこの段で、非常に高密度の構造６１０を含有する画像のエリアが、乳房実質、境界、および胸壁の低密度エリア６１１から分離され、癌は、さらに、乳房の他の高密度エリアの中から見分けられる。拡散グレースケールマンモグラフィ画像と比較して、視覚的に区別可能な境界が組織構造に基づいて形成された。
[00198]画像は、次いで、ステップ６０４において（たとえば、図６ｂに示されているように）多次元色空間中に表示されるか、または以下の式によるルミナンス値、すなわち、０．３０＊Ｒ＋０．５９＊Ｇ＋０．１１＊Ｂ＝ルミナンス値を達成するために、Ｒ、Ｇ、およびＢ値の重み付けされたコンバージョンを使用して、表示される（たとえば、図６ｃ）前に、ステップ６０５においてグレースケール画像にコンバートされ得る。
[00199]ＭＣアルゴリズム
[00200]ＭＣアルゴリズムに関する本発明の実施形態は、画像（たとえば、元のマンモグラム）のまさに最高密度のエリア中に生じた画像中の詳細を明らかにするように設計された視覚化を与え、主に石灰化などの小さい構造が周囲の高密度明／白色エリアから明らかにされ、明確に画定される。
[00201]図７ｊは、本発明の少なくとも１つの実施形態による、グレースケール画像からＭＣ視覚化を作成するための方法７００を示すフローチャートである。
[00202]ステップ７０１において、プロセッサ２５２はグレースケール画像をインポートする。図７ａは、本発明の少なくとも１つの実施形態による、マンモグラムの例示的なグレースケール画像を示す。
[00203]ステップ７０２において、プロセッサ２５２は、グレースケール画像を多次元色空間にマッピングする。
[00204]ステップ７０３において、プロセッサ２５２は、多次元色空間に１つまたは複数の伝達関数の第１のセット（たとえば、ＭＣ ＰＬＵＴ１ローカルマイクロコントラスト収束アルゴリズム）を適用する。ローカルマイクロコントラスト収束アルゴリズムの表現が、図７ｈおよび図７ｉに示されている。図７ｈは、マンモグラフィ画像中の乳房構造を明らかにするために最適化されたＭＣ ＰＬＵＴ（ルックアップテーブル）の色値を示す。図７ｉは座標系中のグラフィック表現を示す。これらの実施形態では、伝達関数は、乳房画像のルミナンス値を不連続的に反転させるためにルミナンス空間７０６に適用される。赤色チャネル７０７は、赤色チャネル値の不連続マッピングを採用する画像の大部分を減衰させる。緑色チャネル７０８の値は、乳房の高密度エリアに茶色トーンを作成することに関与する。青色チャネル７０９は、乳房の脂肪組織エリアにわずかに色合いをつける。
[00205]このローカルマイクロコントラスト収束アルゴリズムの設計およびそれの関係するＰＬＵＴ値は、乳房中の高密度の割合にかかわらず、画像の任意の部分中の微小石灰化の存在を明らかにするように機能する。
[00206]処理におけるこの段で、微小石灰化構造が、画像の非常に高い密度のエリア中でも、乳房の他の高密度エリアの中から分離される。拡散グレースケールマンモグラフィ画像と比較して、視覚的に区別可能な石灰化がより明確に明らかにされた。
[00207]画像は、次いで、ステップ７０４において多次元色空間中に表示されるか（たとえば、図７ｂ）、または以下の式によるルミナンス値、すなわち、０．３０＊Ｒ＋０．５９＊Ｇ＋０．１１＊Ｂ＝ルミナンス値を達成するために、Ｒ、Ｇ、およびＢ値の重み付けされたコンバージョンを使用して、ステップ７０５においてグレースケール画像にコンバートされ得る（たとえば、図７ｃ）。図７ｃは、グレースケールにコンバートされた後の図７ｂにおける画像の拡大断面である。小さい黒色微小石灰化７１０が、元の画像中よりも容易に、明るい背景から見分けられ得る。
[00208]ＲＦアルゴリズム
[00209]ＲＦアルゴリズムに関する本発明の実施形態は、画像（たとえば、元のマンモグラム）中の極めて精細な構造および詳細を強調するように設計された視覚化を与える。スピキュラおよび乳管などの構造が、癌の構造を含む残りの高密度エリア内の構造がそうであるように、明確に画定される。いくつかの実施形態では、軽減視覚化が、ユーザ（たとえば、放射線科医）による可視性を改善するために、元の画像上の重なりとして示される。
[00210]図８ｕは、本発明の少なくとも１つの実施形態による、グレースケール画像からＲＦ視覚化を作成するための方法８００を示すフローチャートである。
[00211]図８ｂ−図８ｃ−図８ｌ−図８ｍ−図８ｓは、図８ａにおける元のマンモグラムから始まって、複数のローカルマイクロコントラスト収束変換を反復的に適用することによって取得された結果を示す。図８ｅ−図８ｆ−図８ｎ−図８ｏ−図８ｔは、８ｄにおける元の勾配グレースケール画像に適用されたのと同じＲＦ変換シーケンスステップの結果を示す。
[00212]図８ｇ、図８ｈ、図８ｐ、および図８ｑは、マンモグラフィ画像中の乳房構造を明らかにするために最適化されたＲＦ ＰＬＵＴ（ルックアップテーブル）の色値を示す。図８ｉ、図８ｊ、図８ｋおよび図８ｒは、（たとえば、図８ｇ、図８ｈ、図８ｐ、および図８ｑにおけるＰＬＵＴから作成され得る）座標系中のグラフィック表現を示す。
[00213]ステップ８０１において、プロセッサ２５２はグレースケール画像をインポートする。図８ａは、本発明の少なくとも１つの実施形態による、マンモグラムの例示的なグレースケール画像を示す。
[00214]ステップ８０２において、プロセッサ２５２は、元のグレースケール画像を多次元色空間にマッピングする。
[00215]ステップ８０３において、プロセッサ２５２は、元のグレースケール画像の多次元色空間に半径１のメジアンフィルタを適用する。
[00216]ステップ８０４において、プロセッサ２５２は、元の画像の多次元色空間に畳み込みフィルタを適用する。いくつかの実施形態では、畳み込みフィルタ処理は、画像の空間周波数特性を修正するために使用され得る。
[00217]動作中、畳み込みフィルタ８０４は、各ピクセル値を、ピクセル値およびそれの近隣ピクセル値の加重平均と交換することによって、多次元色空間中の各ピクセルに適用される。近隣ピクセル値のパターンは、画像全体にわたってピクセルごとに適用される「ウィンドウ」と呼ばれる。いくつかの実施形態では、畳み込みフィルタは、３×３または半径＝１畳み込みフィルタである。他の実施形態では、５×５、８×８などの行列組合せが使用され得る。
[00218]一実施形態では、３×３畳み込みフィルタ行列の値は、以下のように表１に示されている。
[00219]ステップ８０５において、プロセッサ２５２は、ステップ８０４の後の処理された画像の多次元色空間をコピーする。
[00220]ステップ８０６において、プロセッサ２５２は、ステップ８０１において利用されたのと同じグレースケールの元の画像の複写をインポートする。
[00221]ステップ８０７において、プロセッサ２５２は、複写の画像を多次元色空間にマッピングする。
[00222]ステップ８０８において、プロセッサ２５２は、複写の画像の多次元色空間に１つまたは複数の伝達関数の第１のセット（たとえば、ローカルマイクロコントラスト収束伝達関数ＲＦ ＰＬＵＴ１）を適用する。これらの実施形態では、（たとえば、ローカルマイクロコントラスト収束関数ＲＦ ＰＬＵＴ１の）第１の伝達関数は、画像のより暗い値を上昇させ、中間トーンを減衰させるために、ルミナンス色空間８１４に適用される。
[00223]これらの実施形態では、（たとえば、ローカルマイクロコントラスト収束関数ＲＦ ＰＬＵＴ２の）第２の伝達関数は、中間トーンをさらに減衰させるために、ルミナンス色空間８１５に適用される。これらの実施形態では、中間トーンは、８ビットグレースケールルミナンスレンジ（０〜２５５）の画像中の１のルミナンス値において最小値に減衰される。いくつかの実施形態では、脂肪組織は、最大ピークレベル４７においてわずかに上昇され、７１に変換される。その結果、脂肪組織８１６が乳房８１７の高密度エリアから分離される。
[00224]図８ｉ、図８ｊ、図８ｋおよび図８ｒは、本発明の少なくとも１つの実施形態による、（たとえば、プロセッサ２５２によって適用されるＰＬＵＴから発生された）例示的なＰＬＵＴ伝達関数の表現を示す直交プロットを示す。これらの直交プロットにおける、色空間、座標、および値は、図２ａにおいて前に説明および図示された。
[00225]図８ｂは、本発明の少なくとも１つの実施形態による、画像のより暗い値を上昇させ、中間トーンを減衰させるために、１つまたは複数の伝達関数の第１のセットを適用した後の多次元色空間に基づくマンモグラムの例示的な画像を示す。
[00226]図８ｃは、本発明の少なくとも１つの実施形態による、中間トーンをさらに減衰させるために、１つまたは複数の伝達関数の第２のセットを適用した後の多次元色空間に基づくマンモグラムの例示的な画像を示す。
[00227]図８ｌでは、ステップ８１０において、プロセッサ２５２は、図８ｃにおける画像の多次元色空間に１つまたは複数の伝達関数の第３のセット（たとえば、ローカルマイクロコントラスト収束関数ＲＦ ＰＬＵＴ３）を適用して、図８ｌに示されている画像を生じる。これらの実施形態では、第３の伝達関数は、ルミナンス値における不連続反転を作成するために、ルミナンス色空間８１８に適用される。
[00228]これらの実施形態では、伝達関数の第３のセットの他の「色」関数８１９が、微細な色相を追加するために色空間レイヤに適用され得る。
[00229]ステップ８１１において、プロセッサ２５２は、図８ｌにおける画像の多次元色空間に１つまたは複数の伝達関数の第４のセット（たとえば、ローカルマイクロコントラスト収束関数ＲＦ ＰＬＵＴ４）を適用して、図８ｍに示されている画像を生じる。いくつかの実施形態では、図８ｑにも図式的に示されているＲＦ ＰＬＵＴ４は、画像のより低い密度のルミナンス値の増加をもたらし、癌に関連する色調値を拡張し、乳房境界をさらに画定するために、ルミナンスチャネル８２０に適用される。
[00230]ステップ８１２において、プロセッサ２５２は、乗算ブレンドを採用することによって、ステップ８１１における画像（たとえば、図８ｍ）からの処理された多次元色空間を、ステップ８０５からのコピーされた画像（たとえば、図８ａ）とマージする。いくつかの実施形態では、２つの画像は１００％の不透明度でブレンドされる。その結果、マージされた画像は、高周波数構造に対する強調と低周波数情報の減衰とを有し、最高密度はカラーのままである。
[00231]これらの実施形態、およびマージ関数を採用する他の実施形態では、マージ関数は、数学関数が、特定の目的のために合成画像の各々からの最適品質を利用する１つまたは複数の得られた画像に適用されることを可能にするために利用され得る。たとえば、画像中の癌組織の境界を表現する画像が、高周波数情報を表現する画像と合成され得る。そのような合成は、癌が、腫瘍内にスピキュラおよび石灰化など、考えられる高周波数構造に関係するので、癌の広がりを同時に示すことができる。
[00232]図８ｔは、本発明の少なくとも１つの実施形態による、ステップ８１２において、８０５および８１１からの２つの画像の色空間をマージし、５０％のマージ関数を適用し、ステップにおいて８１３グレースケールにコンバートした後のマンモグラムの例示的な画像を示す。
[00233]いくつかの実施形態では、画像が、黒および白にコンバートするなど、追加の画像または処理関数を含有するか、またはハイパスフィルタ処理からなど、前の処理から発生されたレイヤを組み込む、追加の行列（レイヤ）と重畳され得る。特徴は、限定はしないが、新規作成する、ペーストする、平坦化する、複写する、調整レイヤを作る、および関数をマージすることを含む。
[00234]ＧＩアルゴリズム
[00235]ＧＩアルゴリズムに関する本発明の実施形態は、画像（たとえば、元のマンモグラム）中の高密度構造および詳細を単離し、視覚化し、特徴づけ、グレースケールの得られた画像中にそれらを表示するように設計された視覚化を与える。高密度乳房組織内の変動が、画像のより暗いエリア中に反映される。癌性および良性病変などの構造が、高密度エリア内の構造がそうであるように、明確に画定される。いくつかの実施形態では、ＧＩ視覚化は、ユーザ（たとえば、放射線科医）による異常の可視性を改善するように設計される。
[00236]図９ｑは、本発明の少なくとも１つの実施形態による、グレースケール画像からＧＩ視覚化を作成するための方法９００を示すフローチャートである。
[00237]図９ｂ−図９ｃ−図９ｍ−図９ｎは、図９ａにおける元のマンモグラムから始まって、複数のローカルマイクロコントラスト収束変換を反復的に適用することによって取得された結果を示す。図９ｅ−図９ｆ−図９ｏ−図９ｐは、９ｄにおける元の勾配グレースケール画像に適用されたのと同じＲＦ変換シーケンスステップの結果を示す。
[00238]図９ｇ−図９ｈ−図９ｋは、マンモグラフィ画像中の乳房構造を明らかにするために最適化されたＲＦ ＰＬＵＴ（ルックアップテーブル）の色値を示す。図９ｉ、図９ｊ、および図９ｌは、（たとえば、それぞれ、図９ｇ、図９ｈ、および図９ｋにおけるＰＬＵＴから作成された）座標系中のグラフィック表現を示す。
[00239]次に図９ｑを参照すると、ステップ９０１において、プロセッサ２５２はグレースケール画像をインポートする。図９ａは、本発明の少なくとも１つの実施形態による、マンモグラムの例示的なグレースケール画像を示す。
[00240]ステップ９０２において、プロセッサ２５２は、元のグレースケール画像を多次元色空間にマッピングする。
[00241]ステップ９０３において、プロセッサ２５２は、画像の多次元色空間に１つまたは複数の伝達関数の第１のセット（たとえば、ローカルマイクロコントラスト収束伝達関数ＧＩ ＰＬＵＴ１）を適用する。これらの実施形態では、１つまたは複数の伝達関数は、（たとえば、図９ｇのＧＩ ＰＬＵＴ１ルックアップテーブルおよび図９ｉにおけるＰＬＵＴのグラフィック表現に見られるように）画像のルミナンス値を非線形的に反転させるために、ルミナンス色空間９１２に適用される。
[00242]ステップ９０４において、プロセッサ２５２は、図９ｂに示された多次元色空間画像を処理するために、１つまたは複数の伝達関数の第２のセット（たとえば、ローカルマイクロコントラスト収束関数図９ｈ ＧＩ ＰＬＵＴ２）を適用する。
[00243]図９ｃは、本発明の少なくとも１つの実施形態による、マンモグラムの高密度エリアをさらに単離するために、ステップ９０４を実施した後の多次元色空間に基づくマンモグラムの例示的な画像を示す。
[00244]ステップ９０４において実施されるプロセスは、赤色チャネル９１４の不連続マッピングおよび緑色チャネル９１５における値の低い値非線形セットを用いて画像に色を追加しながら、ルミナンスチャネル９１３を不連続的に変更する。これらの実施形態では、図９ｃにおける得られた画像は、低密度トーンが橙色に着色されることを示す。いくつかの実施形態では、低密度の赤色値は、元の画像中の分布に応じて１７４から１７５の間の値を有する。高密度エリアは明るく、高密度エリアの境界は暗くなる。
[00245]ステップ９０５において、プロセッサ２５２は、図９ｃにおける画像の多次元色空間に１つまたは複数の伝達関数の第３のセット（たとえば、ローカルマイクロコントラスト収束関数ＧＩ ＰＬＵＴ３）を適用して、図９ｍに示されている画像を生じる。これらの実施形態では、第３の伝達関数は、図９ｋおよび図９ｌに見られるように、増幅された値間の値が減衰されながら、低い値、中間値、および高い値を増幅するために、ルミナンスチャネル９１６に適用される。これは、得られた画像中の色調値を大幅に分離し、乳房を背景と分離し、乳房の考えられる癌性エリアを強調し、青色９１８における考えられる病変のコアをさらに画定する。いくつかの病変における値は青色の値＝２００＋／−５を有する。
[00246]伝達関数の第３のセットの赤色チャネル９１７は、乳房９１９に特徴的な色相を追加するために色空間レイヤに適用される。
[00247]図９ｍに示されている色画像は、次いで、ステップ９０４においてＨＳＬ色空間にコンバートされ、ＲＧＢ値は、ルミナンス、色相、および彩度値にコンバートされる。画像は、ステップ９０６において、最初にＲＧＢ色で、またはコンバージョンの後にＨＳＬ色空間で表示され得る。
[00248]得られた画像（たとえば、図９ｎ）は、処理された多次元色空間に基づいてステップ９０７において表示され得る。
[00249]図９ｍにおける画像は、ＨＳＬ色空間中のすべての色相についての彩度を−１００％彩度に設定することによって、ステップ９０８において変更される。その結果、色相はもはや、画像の表現におけるファクタでない。
[00250]ステップ９０９において、図９ｍにおける彩度減少ＨＳＬ色画像は、暗くするブレンドを採用して、図９ａにおける元の画像とマージされる（ブレンドされる）。処理された画像のピクセルが元の画像上のピクセルよりも暗い場合、それらは画像中に保たれる。処理された画像中のピクセルがより明るい場合、それらは原本上のトーンと交換される。
[00251]ステップ９１０において、プロセッサ２５２は、ブレンドがそれの総効果の６０％に変更されるように不透明度を調整する。
[00252]ブレンドされ、次いでマージされた画像は、次いで、図９ｎに示されているようなグレースケール画像を形成するために、単一ルミナンスチャネルにコンバートされる。最終画像中の詳細は、乳房の上側部分中の大きい癌性腫瘍を明らかにする。ＧＩローカルマイクロコントラスト収束アルゴリズムプロセスは、病変９２０の広がりを明らかにし、それの境界を画定し、病変のコア内の詳細を明らかにした。本明細書で実施される他のローカルマイクロコントラスト収束アルゴリズムシーケンスの使用が、次いで、さらなる分析のために、および正常高密度組織と、良性と、癌性病変との間で弁別するために、識別されたエリアに相関され得る。
[00253]画像は、以下の式によるルミナンス値、すなわち、０．３０＊Ｒ＋０．５９＊Ｇ＋０．１１＊Ｂ＝ルミナンス値を達成するために、Ｒ、Ｇ、およびＢ値の重み付けされたコンバージョンを使用して、ステップ９１１においてルミナンスのみを含有する単一チャネル画像にコンバートされ得る。
[00254]ＲＢアルゴリズム
[00255]ＲＢアルゴリズムに関する本発明の実施形態は、乳房の残部が暗いグレーとして明らかにされる一方、癌のものを含む乳房の高密度エリア内の明確に画定された境界および内部構造を単離するように設計された視覚化を与える。
[00256]図１０ｗは、本発明の少なくとも１つの実施形態による、グレースケール画像からＲＢ視覚化を作成するための方法１０００を示すフローチャートである。
[00257]図１０ｂ−図１０ｃ−図１０ｍ−図１０ｎ−図１０ｓ−図１０ｔは、図１０ａにおける元のマンモグラムから始まって、複数のローカルマイクロコントラスト収束変換を反復的に適用することによって取得された結果を示す。図１０ｅ−図１０ｆ−図１０ｏ−図１０ｐ−図１０ｕ−図１０ｖは、図１０ｄに示されているような元の勾配グレースケール画像に適用されたのと同じＲＢ変換シーケンスステップの結果を示す。
[00258]図１０ｇ、図１０ｈ、図１０ｋ、および図１０ｑは、マンモグラフィ画像中の乳房構造を明らかにするために最適化されたＲＢ ＰＬＵＴ（ルックアップテーブル）の色値を示す。図１０ｉ、図１０ｊ、図１０ｌ、および図１０ｒは、（たとえば、それぞれ、図１０ｇ−図１０ｈ、図１０ｋ、および図１０ｑにおけるＲＢ ＰＬＵＴから作成された）座標系中のグラフィック表現を示す。
[00259]ステップ１００１において、プロセッサ２５２はグレースケール画像をインポートする。図１０ａは、本発明の少なくとも１つの実施形態による、マンモグラムの例示的なグレースケール画像を示す。
[00260]ステップ１００２において、プロセッサ２５２は、元のグレースケール画像を多次元色空間にマッピングする。
[00261]ステップ１００３において、プロセッサ２５２は、元のグレースケール画像の多次元色空間に半径３のメジアンフィルタを適用する。
[00262]ステップ１００４において、プロセッサ２５２は、複写の画像の多次元色空間に１つまたは複数の伝達関数の第１のセット（たとえば、ローカルマイクロコントラスト収束伝達関数ＲＢ ＰＬＵＴ１）を適用する。これらの実施形態では、（図１０ｇ、および図１０ｉのルミナンス伝達関数１０１２に示されているような）１つまたは複数の伝達関数の第１のセットは、図１０ｂおよび図１０ｅに示されているように、画像の低密度および中間密度エリア値を暗くするために、ルミナンスチャネル１０１２を不連続的に暗くするように設計される。
[00263]これらの実施形態では、ステップ１００５において、プロセッサ２５２は、多次元色空間に１つまたは複数の伝達関数の第２のセット（たとえば、ローカルマイクロコントラスト収束関数ＲＢ ＰＬＵＴ２）１０ｈを適用する。たとえば、図１０ｊでは、伝達関数は、ルミナンス１０１３、赤色１０１４、および青色１０１５の色空間レイヤに適用される。図１０ｃは、本発明の少なくとも１つの実施形態による、１つまたは複数の伝達関数の第２のセットを適用した後の多次元色空間に基づくマンモグラムの例示的な画像を示す。
[00264]ルミナンスチャネルは、画像のコントラストを増加させるために変更される。赤色チャネルは、不連続的に画像の暗いエリアを上昇させ、ハイライトを低減し、中間トーンを「平坦な線」にする。青色チャネルは、色画像中の色調値を制御するために値が低減される。
[00265]ステップ１００６において、プロセッサ２５２は、図１０ｃにおける画像の多次元色空間に１つまたは複数の伝達関数の第３のセット（たとえば、第３のローカルマイクロコントラスト収束関数ＲＢ ＰＬＵＴ３図１０ｋおよびプロット１０ｌ）を適用して、図１０ｍに示されている画像を生成する。いくつかの実施形態では、伝達関数がルミナンスチャネル１０１６に適用されて、画像の低密度エリア中に不連続な「平坦な線」を作成し、中間トーンを減衰させ、高密度ルミナンス値をわずかに低減する。赤色、緑色、および青色チャネル１０１７は、乳房エリアの低密度エリアをカラー化する、適用される伝達関数を有する。これらの実施形態では、伝達関数の第３のセットの他の「色」関数が、乳房画像に均一な色相を追加するために色空間レイヤに適用される。
[00266]ステップ１００７において、図１０ｍに示されている画像の色は反転されて、マンモグラムにおける図１０ｎおよび勾配における図１０ｐにおける得られた画像を作成する。
[00267]ステップ１００８において、プロセッサ２５２は、図１０ｎにおける多次元色空間画像に１つまたは複数の伝達関数の第４のセット（たとえば、第４のローカルマイクロコントラスト収束関数ＲＢ ＰＬＵＴ４）１０ｑを適用して、図１０ｓに示されている画像を生じる。図１０ｒは、低密度のルミナンス値１０１８が、ルミナンス値＜７４すべてについて最大２５５のレベルにされ、中間トーンについておよび画像の最も明るいエリアについて別のピークにされることを示す。赤色チャネル１０１９は、低密度を減衰させ、高密度を最大にし、値がルミナンス値＞１６０すべてについて２５５に設定される。緑チャネル１０２０は、背景および乳房組織の色相に関与する。これらの実施形態では、図１０ｒにも図式的に示されているＲＢ ＰＬＵＴ４図１０ｑは、乳房をそれの境界の外側と区別するためにルミナンス色空間に適用される。
[00268]ステップ１００９において、図１０ｓに示されている色画像は、ＨＳＬ色空間にコンバートされ、ＲＧＢ値は、ルミナンス、色相、および彩度値にコンバートされる。画像は、ステップ１０１０において、最初にＲＧＢ色で、またはコンバージョンの後にＨＳＬ色空間で表示され得る。例示的なＨＳＬ色空間コンバージョンは以下の通りである。
（色相、彩度、明度、ゾーン）
（０．０，−１．０，−０．３，マゼンタ）
（０．０，−１．０，０．３，赤）
（０．０，−１．０，−０．４，黄）
（０．０，−１．０，−０．４，シアン）
（０．０，−１．０，０．２，青）
（０．０，−１．０，−０．１，緑）
[00269]図１０ｔにおける最終画像は、ＨＳＬ色空間中のすべての色相についてのマスタ彩度を−１００％彩度に設定することによって、図１０ｓにおける画像から作成される。その結果、色相はもはや、画像の表現におけるファクタでない。しかしながら、ルミナンス値は依然として調整可能であり、色空間中の様々な色相のルミナンス値を変化させることが、それらの値のグレースケール表現を変更することができる。
[00270]ステップ１０１１において、画像は、ルミナンスのみを含有する単一チャネル画像にコンバートされる。この実施形態では、非病理学のすべてのエリアが、平均ルミナンス値が１３０であり得る乳房画像エリアの均一なグレー１０２１中に明らかにされる。異常１０２２の考えられるエリアのこの分離は、放射線科医の「ドウェルタイム」、すなわち、癌が生じ得る確率が最も高いエリアの位置を特定するために画像のすべてのエリアを調査するために彼らが費やさなければならない時間を低減する。
[00271]ローカルマイクロコントラスト収束アルゴリズムの一貫性
[00272]図１１ａ〜図１１ｄは、本出願の一実施形態が異なる撮像モダリティにわたって実施する一貫性を示す。乳房画像のためのパターン応答は、図１１ａにおけるモダリティ３Ｄトモシンセシス、図１１ｂにおける３Ｄからの２Ｄシンセシス、図１１ｃにおけるフルフィールドデジタルマンモグラフィ（ＦＦＤＭ：Ｆｕｌｌ Ｆｉｅｌｄ Ｄｉｇｉｔａｌ Ｍａｍｍｏｇｒａｐｈｙ）、および図１１ｄにおけるデジタル化フィルムについて、一貫した色および組織特徴づけを明らかにする。これは、患者の画像が異なる撮像モダリティを使用して履歴的に発生されたときでも、放射線科医およびその患者に、アルゴリズムの１つのセットのみを使用して経時的な変化を比較する能力を与える。これらの結果は、図１ｄにおけるモダリティ融合として識別された特徴のローカルマイクロコントラスト収束階層に示されているように、ローカルマイクロコントラスト収束手法に固有の能力のうちの１つを検証する。
[00273]図１１ｅは、手術において除去された切除された乳房組織から発生された例示的なマンモグラム画像中の癌のＸ線ビューを示す。図１１ｆは、本明細書で説明される１つまたは複数の方法を使用して画像を処理した後の例示的なマンモグラム画像を示す。元の画像は、本明細書で前に説明されたＣＩアルゴリズムを使用して処理された。癌１１０１の黒色およびマゼンタ境界は、癌発達の広がりを示す境界１１０２の内側の色の変化がそうであるように、明確に画定される。
[00274]本明細書で説明される本発明の実施形態は、コンテキストにおける、画像中の特徴の視覚化および特徴づけのためのマルチアルゴリズム、多次元、コンピュータベースのプロセスを利用する方法を含む。これらのローカルマイクロコントラスト収束方法は、特徴が、サイズが１ｍｍ未満、サイズが９００ミクロン未満、サイズが８５０ミクロン未満、サイズが８００ミクロン未満、またはサイズが７５０ミクロン未満である適用例において適用可能である。
[00275]図１１ｇは、癌１１０３を含有することが知られているマンモグラフィＸ線の拡大図を示す。図１１ｈは、本明細書で説明される方法のうちの１つまたは複数を使用して画像を処理した後の例示的なマンモグラム画像を示す。図１１ｈにおいて、図４ａ〜図４ｋにおいて前に説明されたＣＩアルゴリズムプロセスを使用した癌１１０４の黒色境界は、癌のコアの内側の詳細がそうであるように、明確に画定される。癌内の黄色から赤色へ、青色への進行は、わずか９８０ミクロンのサイズである青色コア１１０５の小さいサイズへの進行癌発達を示す。本発明の実施形態である複数のアルゴリズム表現は、同じ組織の異なる特徴づけおよび視覚化を与える。
[00276]これらの方法は、関心特徴が別の特徴内に位置する適用例、関心特徴がサイズが９００ミクロン未満、サイズが８５０ミクロン未満、サイズが８００ミクロン未満、またはサイズが７５０ミクロン未満である適用例、および、第１の特徴が、サイズが１ｍｍであるかまたはそれよりも大きい適用例においてでさえ適用可能である。いくつかの実施形態では、関心特徴は、サイズが７００から９００ミクロンの間である。
[00277]いくつかの実施形態では、７５０ＩＩ（ミクロン）と同程度小さい構造は、上記の方法を使用して識別される。サイズが７５ＩＩである乳房組織の次元をピクセルが表すＸ線画像に基づいて、癌コアは、７５０ＩＩから１ｍｍまでのサイズで表現され、特徴づけられ得る。臨床テストを通して、５００ＩＩ（ミクロン）と同程度小さい構造は、ピクセル次元が５０ＩＩまたはそれより小さい画像中に明らかにされるか区別され得ることが決定された。したがって、様々な形式の癌ならびに非浸潤性乳管癌および前癌異型過形成が、これらの方法を使用して明らかにされた。
[00278]代替実施形態−異なる処理組合せ
[00279]前のパラグラフはローカルマイクロコントラスト収束の画像視覚化のための異なる実施形態について説明するが、一実施形態において実施される処理ステップのうちの１つまたは複数が、限定はしないが、本明細書で説明されたものの中でも、ガンマレベル調整または平準化、畳み込みフィルタ処理、シャープ化フィルタ、平滑化フィルタ、メジアンフィルタ、ハイパスフィルタ、ローパスフィルタ、マージ関数、画像乗算関数、画像減算関数、画像加算関数、画像ブレンド関数、ウェーブレット関数、および画像階層化関数を含む、任意の順序でおよび／または他の実施形態に適用され得ることを、当業者は諒解されよう。
[00280]代替実施形態−異なるモダリティ
[00281]本発明の実施形態は、限定はしないが、特に、医療撮像（たとえば、マンモグラフィ、ＭＲＩ、ＰＥＴ、またはＣＡＴスキャン、超音波、３Ｄトモシンセシス）、爆弾検出、液体爆発物検出、衛星撮像、構造分析、工業、応力、品質管理、溶接および物質分析（たとえば、高圧線、飛行機翼、原子力発電所中のパイプにおける亀裂または損傷について検査する）、印刷規格分析（たとえば、貨幣刻印）、ならびに科学捜査を含む、いくつかの異なる分野への適用可能性を有する。したがって、異なる撮像モダリティ（たとえば、マンモグラム、Ｘ線、超音波、赤外線、紫外線、ＭＲＩ、ＣＴスキャン、ＰＥＴスキャン、グレースケール、カラー、可視光（たとえば、写真顕微鏡検査）、レーザースキャン）が、本明細書で説明される異なる視覚化方法論を使用して処理され得る。本発明の実施形態は本明細書で説明される分野に限定されず、代わりに、画像を発生する撮像モダリティまたはエネルギー源にかかわらず、画像中のピクセルデータ分析を必要とする任意の分野に適用可能であることを当業者はまた諒解されよう。
[00282]代替実施形態−癌／疾患
[00283]本発明の実施形態は、限定はしないが、人間と動物の両方の前立腺、腎臓、肝臓、骨、肺、脳、および皮膚を含む、いくつかの異なる癌を視覚化し、特徴づけ、検出することへの適用可能性を有する。本発明の実施形態は本明細書で説明される癌に限定されず、代わりに、他の同様の癌に適用可能であることを当業者はまた諒解されよう。
[00284]本発明の実施形態は、限定はしないが、心臓血管疾患、網膜スキャン中のアルツハイマー病の検出、眼の疾患、多発性硬化症病変マッピング、写真顕微鏡検査を含む、いくつかの異なる疾患を検出することへの適用可能性を有する。本発明の実施形態は本明細書で説明される病変に限定されず、代わりに、他の同様の病変に適用可能であることを当業者はまた諒解されよう。
[00285]偽陽性率／偽陰性率を改善するための実施形態
[00286]たとえば医療適用例において本明細書で説明されるマイクロコントラスト収束アルゴリズムのうちの１つまたは複数を適用することは、ユーザ（たとえば、放射線科医）が関心構造（たとえば、癌）を検出することを容易にする画像視覚化を生成する。その結果、偽陽性率および偽陰性率はかなり低減される。
[00287]いくつかの実施形態では、一連の１００回の試行にわたる、乳房が高密度乳房組織の少なくとも一部分を含む、マンモグラム画像中の乳癌検出についての偽陽性率は、医師によって決定された１０％未満である。いくつかの実施形態では、一連の１００回の試行にわたる、乳房が高密度乳房組織の少なくとも一部分を含む、マンモグラム画像中の乳癌検出についての偽陽性率は、医師によって決定された５％未満である。いくつかの実施形態では、一連の１００回の試行にわたる、乳房が高密度乳房組織の少なくとも一部分を含む、マンモグラム画像中の乳癌検出についての偽陽性率は、医師によって決定された１％未満である。
[00288]いくつかの実施形態では、一連の１００回の試行にわたる、乳房が高密度乳房組織の少なくとも一部分を含む、マンモグラム画像中の乳癌検出についての偽陰性率は、医師によって決定された６０％未満である。いくつかの実施形態では、一連の１００回の試行にわたる、乳房が高密度乳房組織の少なくとも一部分を含む、マンモグラム画像中の乳癌検出についての偽陰性率は、医師によって決定された５０％未満である。いくつかの実施形態では、一連の１００回の試行にわたる、乳房が高密度乳房組織の少なくとも一部分を含む、マンモグラム画像中の乳癌検出についての偽陰性率は、医師によって決定された４５％未満である。いくつかの実施形態では、一連の１００回の試行にわたる、乳房が高密度乳房組織の少なくとも一部分を含む、マンモグラム画像中の乳癌検出についての偽陰性率は、医師によって決定された４０％未満である。いくつかの実施形態では、一連の１００回の試行にわたる、乳房が高密度乳房組織の少なくとも一部分を含む、マンモグラム画像中の乳癌検出についての偽陰性率は、医師によって決定された３５％未満である。いくつかの実施形態では、一連の１００回の試行にわたる、乳房が高密度乳房組織の少なくとも一部分を含む、マンモグラム画像中の乳癌検出についての偽陰性率は、医師によって決定された３０％未満である。いくつかの実施形態では、一連の１００回の試行にわたる、乳房が高密度乳房組織の少なくとも一部分を含む、マンモグラム画像中の乳癌検出についての偽陰性率は、医師によって決定された２５％未満である。いくつかの実施形態では、一連の１００回の試行にわたる、乳房が高密度乳房組織の少なくとも一部分を含む、マンモグラム画像中の乳癌検出についての偽陰性率は、医師によって決定された２０％未満である。いくつかの実施形態では、一連の１００回の試行にわたる、乳房が高密度乳房組織の少なくとも一部分を含む、マンモグラム画像中の乳癌検出についての偽陰性率は、医師によって決定された１５％未満である。いくつかの実施形態では、一連の１００回の試行にわたる、乳房が高密度乳房組織の少なくとも一部分を含む、マンモグラム画像中の乳癌検出についての偽陰性率は、医師によって決定された１０％未満である。いくつかの実施形態では、一連の１００回の試行にわたる、乳房が高密度乳房組織の少なくとも一部分を含む、マンモグラム画像中の乳癌検出についての偽陰性率は、医師によって決定された５％未満である。いくつかの実施形態では、一連の１００回の試行にわたる、乳房が高密度乳房組織の少なくとも一部分を含む、マンモグラム画像中の乳癌検出についての偽陰性率は、医師によって決定された４％未満である。いくつかの実施形態では、一連の１００回の試行にわたる、乳房が高密度乳房組織の少なくとも一部分を含む、マンモグラム画像中の乳癌検出についての偽陰性率は、医師によって決定された３％未満である。いくつかの実施形態では、一連の１００回の試行にわたる、乳房が高密度乳房組織の少なくとも一部分を含む、マンモグラム画像中の乳癌検出についての偽陰性率は、医師によって決定された２％未満である。いくつかの実施形態では、一連の１００回の試行にわたる、乳房が高密度乳房組織の少なくとも一部分を含む、マンモグラム画像中の乳癌検出についての偽陰性率は、医師によって決定された１％未満である。
[00289]いくつかの実施形態では、一連の１００回の試行にわたる、乳房が正常乳房組織を含む、マンモグラム画像中の乳癌検出についての偽陰性率は、医師によって決定された１６％未満である。いくつかの実施形態では、一連の１００回の試行にわたる、乳房が正常乳房組織である、マンモグラム画像中の乳癌検出についての偽陰性率は、医師によって決定された１５％未満である。いくつかの実施形態では、一連の１００回の試行にわたる、乳房が正常乳房組織を含む、マンモグラム画像中の乳癌検出についての偽陰性率は、医師によって決定された１０％未満である。いくつかの実施形態では、一連の１００回の試行にわたる、乳房が正常乳房組織を含む、マンモグラム画像中の乳癌検出についての偽陰性率は、医師によって決定された５％未満である。いくつかの実施形態では、一連の１００回の試行にわたる、乳房が正常乳房組織を含む、マンモグラム画像中の乳癌検出についての偽陰性率は、医師によって決定された１％未満である。
[00290]特徴抽出
[00291]本発明の実施形態を実装することによって、（たとえば、放射線科医による）特徴識別を改善する向上した様式で組織構造を視覚化し、特徴づける画像が発生される。
[00292]いくつかの実施形態では、プロセッサ２５２は、癌性構造を識別するために、１つまたは複数の発生された画像視覚化に対して１つまたは複数のコンピュータ支援検出（ＣＡＤ）技法を実装し得る。何百万もの情報特徴に適用可能な大規模パターン認識システムは、（たとえば、既知の癌性構造と画像視覚化の部分との間の）画像比較を採用し得る、そのような特徴の１次、２次、および３次画像解析を含み得る。
[00293]ローカルマイクロコントラスト収束アルゴリズム手法を使用する本出願で採用されるプロセスは、マンモグラムなど、画像中のそのような組織タイプに、組織およびそれらの境界を一意に特徴づける特性色およびグレースケールプロパティをとらせ、特徴識別および抽出を正確な識別のために非常に効果的にする。これらのプロパティは、限定はしないが、形態、ジオメトリ、色、テクスチャ、（病変の存在を乳房組織中の微小石灰化と相関させることなど）異なる組織構造の間の関係、病変境界の形状、スピキュラの存在、エッジ勾配、累積エッジ勾配分布、構築の乱れ、病変内の色の分布、コントラスト、時間的安定性（マンモグラフィ試験間での変化）、および異なるビュー間の特徴の相関（ＣＣマンモグラフィ画像ビューとＭＬＯマンモグラフィ画像ビューとの間の複数のビュー相関）を含む。
[00294]乳癌検出領域における機械学習プロセスは、良性嚢胞、線維腺腫、癌腫、および浸潤性癌などの疾患と相関される特徴を抽出することによって始まる。画像のトレーニングセットが、マンモグラムの癌エリアと非癌エリアとの間の比較のための基準を開発するために使用される。
[00295]関連する特徴が、各処理された画像中の所与の座標エリアから、ローカルマイクロコントラスト収束プロセス組織特徴づけパターンを生じたピクセルルミナンスおよび色値のクラスタとして抽出される。多数のローカルマイクロコントラスト収束処理された画像が分析され得、特徴が、本明細書で説明された、１つまたは複数の視覚化アルゴリズムシーケンスを通して作成された別個の画像の各々から抽出され得る。検査されるすべての処理された画像が重畳され得、したがって、異なる処理された画像の間の関心エリアにおける完全な位置決めがある。
[00296]いくつかの実施形態では、プロセッサ２５２は、関心特徴を識別するために、画像に適用するための１つまたは複数の非線形伝達関数を発生し得る。これらの実施形態では、プロセッサ２５２は、各試行のために使用されるローカルマイクロコントラスト収束伝達関数の異なるセットを用いて、異なる試行を動作させ得る。いくつかの実施形態では、ローカルマイクロコントラスト収束伝達関数はランダムに発生され得る。いくつかの実施形態では、ローカルマイクロコントラスト収束伝達関数は、デフォルト関数（たとえば、三角関数）に基づいて発生される。デフォルト関数に基づいてローカルマイクロコントラスト収束伝達関数を発生するための例は、図２ａに示されている。
[00297]この座標プロット中にルミナンス値をマッピングするために利用可能なルミナンス値のレンジは無限である。試行の結果として、プロセッサ２５２は、偽陽性および／または偽陰性の最も低い確率に基づいて、画像に適用するための非線形伝達関数の好ましいセットを選択し得る。
[00298]特徴解析は、共起、ガボール、ＳＩＦＴ、ＬＢＰ、配向勾配ヒストグラム、Ｒａｎｄｏｍ Ｆｅｒｎｓ、およびＨｏｕｇｈ Ｆｏｒｅｓｔｓを含む、画像および時系列の標準的および進歩的な特性に基づく、データからの高い分離可能性特徴抽出（ＨＳＦＥ：ｈｉｇｈ ｓｅｐａｒａｂｉｌｉｔｙ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ）を含み得る。
[00299]機械学習、データマイニング、および統計的モデリング技法が、Ａｄａｂｏｏｓｔ、遺伝的プログラミング、サポートベクターマシン、ニューラルネットワーク、大域的最適化、および学習ベクトル量子化などのプロセスを使用して処理された画像中のリアルタイムオブジェクト認識および位置特定のために適用され得る。
[00300]抽出され得る特徴の数、またはそれらの間で作成され得る相関の数に理論上の限界はない。アルゴリズム開発が、Ｒ、Ｐｉｇ、Ｓｔｏｒｍ、ＭｙＳＱＬ、ＭｏｎｇｏＤＢ、およびＨａｄｏｏｐを使用するビッグデータアプリケーションのために採用され得る。
[00301]＊＊＊＊＊
[00302]少なくとも１つの実施形態では、１つまたは複数のプロセッサおよびメモリ（たとえば、１つまたは複数の不揮発性記憶デバイス）を有する１つまたは複数のコンピュータが含まれる。いくつかの実施形態では、メモリまたはメモリのコンピュータ可読記憶媒体は、プロセッサが、本明細書で開示される様々なシステムおよび方法を制御し、動作させるための、プログラム、モジュール、およびデータ構造、またはそのサブセットを記憶する。一実施形態では、プロセッサによって実行されたとき、本明細書で開示された方法のうちの１つまたは複数を実施する、コンピュータ実行可能命令を記憶した非一時的コンピュータ可読記憶媒体。
[00303]上記で図示および説明された例示的な実施形態に、それの広い発明的概念から逸脱することなく、改変が行われ得ることを当業者は諒解されたい。したがって、本発明は、図示および説明された例示的な実施形態に限定されず、特許請求の範囲によって定義された本発明の趣旨および範囲内の変更形態を包含するものであることが理解されよう。たとえば、例示的な実施形態の特定の特徴は請求される本発明の一部であることもないこともあり、開示される実施形態の特徴は組み合わせられ得る。本明細書に特に記載されない限り、「１つの（ａ）」、「１つの（ａｎ）」および「その（ｔｈｅ）」という用語は、１つの要素に限定されず、代わりに、「少なくとも１つ」を意味するものとして読まれるべきである。
[00304]本発明の図および説明のうちの少なくともいくつかが、本発明の明確な理解のために関連する要素に焦点を当てるために簡略化されるとともに、明快のために、当業者が諒解するであろう、および本発明の一部を同じく含み得る、他の要素を除外したことを理解されたい。しかしながら、そのような要素は当技術分野でよく知られているので、およびそれらは本発明のより良い理解を必ずしも容易にしないので、そのような要素の説明は本明細書で提供されない。
[00305]さらに、本方法が本明細書に記載されたステップの特定の順序に依拠しない限り、ステップの特定の順序は特許請求の範囲に対する限定として解釈されるべきでない。本発明の本方法を対象とする特許請求の範囲は、書かれた順序におけるそれらのステップの実施に限定されず、ステップは変動され得、依然として本発明の趣旨および範囲内のままであることを当業者は容易に諒解されよう。

Claims (47)

  1. 画像中の特徴を視覚化し、特徴づける(characterizing)方法であって、
    第１の画像とは別(separate)および別個(distinct)である第２の画像を生成するために、前記第１の画像に第１のローカルマイクロコントラスト収束(convergence)アルゴリズムを適用するステップであって、前記第２の画像が前記特徴を含む、適用するステップ
    を含む、方法。
  2. 前記第１の画像および前記第２の画像とは別および別個である第３の画像を生成するために、前記第１の画像に、前記第１のローカルマイクロコントラスト収束アルゴリズムとは別および別個の、第２のローカルマイクロコントラスト収束アルゴリズムを適用するステップ
    をさらに含む、請求項１に記載の方法。
  3. 第４の画像を発生するために、前記第３の画像に第３のローカルマイクロコントラスト収束アルゴリズムを連続的に適用するステップ
    をさらに含む、請求項２に記載の方法。
  4. 前記元の画像、前記第１の画像、前記第２の画像、前記第３の画像、または前記第４の画像とは別および別個である第５の画像を生成するために、前記第１の画像、前記第２の画像、前記第３の画像、または前記第４の画像のうちの１つまたは複数を合成するステップ
    をさらに含む、請求項２に記載の方法。
  5. 前記第１のマイクロコントラスト収束アルゴリズムを適用するステップが、前記第１の画像に１つまたは複数の非線形不連続伝達関数を適用するステップを含む、請求項１に記載の方法。
  6. 前記第１の画像に１つまたは複数の非線形不連続伝達関数を適用するステップが、前記非線形不連続伝達関数を表す１つまたは複数のグレースケールまたはカラープロファイルルックアップテーブルを利用するステップを含む、請求項５に記載の方法。
  7. 第１の画像が、ピクセル値を有するグレースケール画像であり、前記方法が、
    第１の多次元色空間中に前記グレースケール画像の前記ピクセル値を複製するステップであって、前記第１の多次元色空間の各次元が前記グレースケール画像の前記ピクセル値の複製である、複製するステップ
    をさらに含む、請求項１に記載の方法。
  8. 前記第１の多次元色空間が、４つの異なる成分、すなわち、ルミナンス、赤、緑、および青を含む４つの次元を含み、前記第２の画像が、ルミナンスと、３つの異なる色次元、すなわち、ルミナンス、赤、緑、および青とを含むＲＧＢ多次元色空間である、請求項７に記載の方法。
  9. 前記第１の画像および前記第２の画像が多次元色空間画像である、請求項１に記載の方法。
  10. 前記第２の多次元色空間画像を単一次元グレースケール画像にコンバートするステップ
    をさらに含む、請求項９に記載の方法。
  11. 前記第１の多次元色空間画像が、前記第１の多次元色空間画像の各ピクセルに対応するルミナンス値を有するルミナンス次元を含む、請求項１０に記載の方法。
  12. 前記第２の多次元色空間画像を単一次元グレースケール画像にコンバートするステップが、前記単一次元グレースケール画像にコンバートするために、前記第２の多次元色空間画像中の各ピクセルの各色空間の前記ルミナンス値を変更するステップを含む、請求項１１に記載の方法。
  13. 前記第１の画像が、Ｘ線、超音波、赤外線、紫外線、ＭＲＩ、ＣＴスキャン、ＰＥＴスキャン、グレースケール、カラー、可視光、ｍｍ波、またはレーザースキャンによって発生された画像である、請求項１に記載の方法。
  14. 前記特徴が、乳房、前立腺、腎臓、肝臓、骨、肺、脳、または皮膚の癌である、請求項１に記載の方法。
  15. 前記特徴が、心臓血管疾患、アルツハイマー病、眼の疾患、または多発性硬化症病変についてのバイオマーカーである、請求項１に記載の方法。
  16. 前記特徴が、固体または液体有機化合物についての化学マーカーである、請求項１に記載の方法。
  17. 前記特徴が構造上の欠陥である、請求項１に記載の方法。
  18. 乳癌についての偽陽性率(false positive rate)が１０％未満である、請求項１４に記載の方法。
  19. 乳癌についての前記偽陽性率が５％未満である、請求項１４に記載の方法。
  20. 乳癌についての前記偽陽性率が１％未満である、請求項１４に記載の方法。
  21. 乳癌についての偽陰性率が１％未満である、請求項１４に記載の方法。
  22. 前記画像が、高密度乳房組織を含有する乳房のマンモグラム画像であり、前記特徴が乳癌であり、前記偽陰性率が６０％未満である、請求項１に記載の方法。
  23. 前記画像が、高密度乳房組織を含有する乳房のマンモグラム画像であり、前記特徴が乳癌であり、前記偽陰性率が５０％未満である、請求項１に記載の方法。
  24. 前記画像が、高密度乳房組織を含有する乳房のマンモグラム画像であり、前記特徴が乳癌であり、前記偽陰性率が０．１％から５９．９％の間である、請求項１に記載の方法。
  25. 前記特徴は、サイズが１ｍｍであるかまたはそれよりも大きい、請求項１４に記載の方法。
  26. 関心の第１の特徴を含有する第１の画像内の第２の特徴を示す方法であって、
    請求項１に記載の前記第１の画像とは異なる第２の画像を生成するために、前記第１の画像にローカルマイクロコントラスト組織収束アルゴリズムを適用するステップであって、前記第１の特徴内の前記第２の特徴は、サイズが７００〜９００ミクロンであり、前記第１の特徴は、サイズが１ｍｍであるかまたはそれよりも大きい、適用するステップ
    を含む、方法。
  27. 前記第１の画像が、ピクセル当たり３５〜１２５ミクロンの解像度を有する、請求項２６に記載の方法。
  28. 前記第１の画像とは別および別個である第２の画像を生成するために、第１の画像に第１のローカルマイクロコントラスト組織収束アルゴリズムを適用するステップが、
    前記第１の画像を受信するステップと、
    前記第１の画像のピクセル値を初期多次元色空間にマッピングするステップと、
    ローカルマイクロコントラスト収束を引き起こし、処理された多次元色空間を作成するために、前記初期多次元色空間に１つまたは複数の非線形伝達関数を適用するステップと、
    前記処理された多次元色空間に基づいて前記第２の画像の画像視覚化を表示するステップと
    を含む、請求項２６に記載の方法。
  29. ローカルマイクロコントラスト収束が、近隣ピクセルグループ間の関係をあらかじめ定義された色および光度パターンに集約させる(aggregate)ために採用される伝達関数のシーケンスを表す、請求項２８に記載の方法。
  30. 前記多次元色空間が、ＲＧＢ、ＨＳＶ、ＨＬＳ、ＨＳＢ、ＸＹＺ、ＣＭＹＫ、ＣＩＥＸＹＺ、またはＣＩＥＬＡＢ色空間のうちの１つである、請求項２８に記載の方法。
  31. 前記初期多次元色空間にメジアンフィルタを適用するステップをさらに含み、
    前記初期多次元色空間に前記１つまたは複数の非線形伝達関数を適用するステップが、
    低密度脂肪(fatty)乳房組織を減衰させる(attenuate)ために、非線形伝達関数の第１のセットを適用するステップと、
    脂肪乳房組織を第１の色として見えるようにし、他の色を使用して前記より高密度の乳房組織を区別するために、非線形伝達関数の第２のセットを適用するステップと、
    前記第１の色に関連する色空間レイヤ中の低いピクセル値を増幅し、高いピクセル値を減衰させるために、非線形伝達関数の第３のセットを適用するステップと、
    表示されるとき、前記画像の背景を黒色に変化させるために、非線形伝達関数の第４のセットを適用するステップと
    を含む、請求項２８に記載の方法。
  32. 第２の画像を受信するステップであって、前記第２の画像が前記第１の画像と実質的に相似である、受信するステップと、
    前記第２の画像のピクセル値を第２の初期多次元色空間にマッピングするステップと、
    第２の処理された多次元色空間を作成するために、前記初期多次元色空間にメジアンフィルタおよび畳み込みフィルタを適用するステップと、
    前記第１の画像に関連する前記処理された多次元色空間と、前記第２の画像に関連する前記第２の処理された多次元色空間とに基づいて、画像視覚化を表示するステップと
    をさらに含み、
    前記第１の画像に関連する前記初期多次元色空間に前記１つまたは複数の非線形伝達関数を前記適用するステップが、
    前記第１の画像のより暗い値を上昇させ、中間トーンを減衰させるために、非線形伝達関数の第１のセットを適用するステップと、
    微細な色相を追加するために、前記多次元色空間に非線形伝達関数の第２のセットを適用するステップと、
    癌に関連する色調値を拡張するために、非線形伝達関数の第３のセットを適用するステップと
    を含む、請求項２８に記載の方法。
  33. 前記第１の画像のコントラストを調整し、構造的詳細をハイライトするために、前記多次元色空間のガンマレベルを調整するステップをさらに含み、
    前記第１の画像に関連する前記初期多次元色空間に前記非線形伝達関数を前記適用するステップが、
    前記多次元色空間のルミナンスレベルを減少させるために、非線形伝達関数の第１のセットを適用するステップと、
    ルミナンスに関連する前記初期多次元色空間の値を反転させるために、非線形伝達関数の第２のセットを適用するステップと
    を含む、請求項２８に記載の方法。
  34. 前記受信された画像が、Ｘ線、超音波、赤外線、紫外線、ＭＲＩ、ＣＴスキャン、ＰＥＴスキャン、グレースケール、カラー、可視光、ｍｍ波、またはレーザースキャンによって発生された画像である、請求項２８に記載の方法。
  35. 前記受信された画像が特徴を含み、前記特徴が、乳房、前立腺、腎臓、肝臓、骨、肺、脳、または皮膚の癌である、請求項２８に記載の方法。
  36. 前記受信された画像が特徴を含み、前記特徴が、心臓血管疾患、アルツハイマー病、眼の疾患、または多発性硬化症病変(multiple sclerosis)についてのバイオマーカーである、請求項２８に記載の方法。
  37. 前記受信された画像が特徴を含み、前記特徴が、固体または液体有機化合物についての化学マーカーである、請求項２８に記載の方法。
  38. 前記受信された画像が特徴を含み、前記特徴が構造上の欠陥である、請求項２８に記載の方法。
  39. 前記第１の画像が、高密度乳房組織および脂肪乳房組織の表現を含むマンモグラムであり、前記第１の画像とは別および別個である第２の画像を生成するために、第１の画像に第１のローカルマイクロコントラスト収束アルゴリズムを適用するステップが、
    前記第１の画像のピクセル値を第１の多次元色空間にマッピングするステップと、
    第２の多次元色空間を生成するために、前記第１の多次元色空間にメジアンフィルタを適用するステップと、
    第３の多次元色空間を生成するために、前記第２の多次元色空間を反転させるステップと、
    第４の多次元色空間を生成し、前記脂肪乳房組織を１つの色として見えるようにし、他の色を使用して前記高密度乳房組織を区別するために、前記第３の多次元色空間に１つまたは複数の非線形伝達関数の第１のセットを適用するステップと、
    第５の多次元色空間を生成し、高いピクセル値を増幅し、低いピクセル値を減衰させ、乳房エリア構造をハイライトするために、前記第４の多次元色空間に１つまたは複数の伝達関数の第２のセットを適用するステップと、
    前記第５の多次元色空間に基づいて画像視覚化を表示するステップと
    を含む、請求項１に記載の方法。
  40. 前記第１の画像が、高密度乳房組織および脂肪乳房組織の表現を含むマンモグラムであり、前記第１の画像とは別および別個である第２の画像を生成するために、第１の画像に第１のローカルマイクロコントラスト収束アルゴリズムを適用するステップが、
    前記第１の画像のピクセル値を第１の多次元色空間にマッピングするステップと、
    第２の多次元色空間を生成し、前記脂肪乳房組織を１つの色として見えるようにし、他の色を使用して前記高密度乳房組織を区別するために、前記第１の多次元色空間に１つまたは複数の伝達関数の第１のセットを適用するステップと、
    前記第２の多次元色空間をＨＬＳ色空間中の第３の多次元色空間にコンバートするステップと、
    前記第３の多次元色空間に基づいて画像視覚化を表示するステップと
    を含む、請求項１に記載の方法。
  41. 前記第１の画像が、高密度乳房組織および脂肪乳房組織の表現を含むマンモグラムであり、前記第１の画像とは別および別個である第２の画像を生成するために、第１の画像に第１のローカルマイクロコントラスト収束アルゴリズムを適用するステップが、
    前記第１の画像のピクセル値を第１の多次元色空間にマッピングするステップと、
    第２の多次元色空間を生成し、前記脂肪乳房組織を１つの色として見えるようにし、他の色を使用して前記高密度乳房組織中の詳細な構造を区別し、明らかにするために、前記第１の多次元色空間に１つまたは複数の伝達関数の第１のセットを適用するステップと、
    前記第２の多次元色空間に基づいて画像視覚化を表示するステップと
    を含む、請求項１に記載の方法。
  42. 前記第１の画像が、高密度乳房組織および脂肪乳房組織の表現を含むマンモグラムであり、前記第１の画像とは別および別個である第２の画像を生成するために、第１の画像に第１のローカルマイクロコントラスト収束アルゴリズムを適用するステップが、
    前記第１の画像のピクセル値を第１の多次元色空間にマッピングするステップと、
    第２の多次元色空間を生成し、前記脂肪乳房組織を半透明に見えるようにし、他の色を使用して高密度乳房組織を区別し、前記脂肪乳房組織および高密度乳房組織中の小さいドット状の構造を見分けるために、前記第１の多次元色空間に１つまたは複数の伝達関数の第１のセットを適用するステップと、
    前記第２の多次元色空間に基づいて画像視覚化を表示するステップと
    を含む、請求項１に記載の方法。
  43. 前記第１の画像が、高密度乳房組織および脂肪乳房組織の表現を含むマンモグラムであり、前記第１の画像とは別および別個である第２の画像を生成するために、第１の画像に第１のローカルマイクロコントラスト収束アルゴリズムを適用するステップが、
    前記第１の画像のピクセル値を第１の多次元色空間にマッピングするステップと、
    第２の多次元色空間を生成するために、前記第１の多次元色空間にメジアンフィルタを適用するステップと、
    第３の多次元色空間を生成するために、前記第２の多次元色空間に畳み込みフィルタを適用するステップと、
    複写の第１の画像をインポートするステップと、
    画像ピクセル値を第４の多次元色空間にマッピングするステップと、
    第５の多次元色空間を生成し、コントラストを構築し、脂肪乳房組織を暗くするために、前記第４の多次元色空間に１つまたは複数の伝達関数の第１のセットを適用するステップと、
    第６の多次元色空間を生成し、コントラストを構築し、脂肪乳房組織を暗くするために、前記第５の多次元色空間に１つまたは複数の伝達関数の第２のセットを適用するステップと、
    第７の多次元色空間を生成し、１つの色として見えるように脂肪乳房組織ルミナンスを反転させ、他の色を使用して前記高密度乳房組織中の詳細な構造を区別し、明らかにするために、前記第６の多次元色空間に１つまたは複数の伝達関数の第３のセットを適用するステップと、
    第８の多次元色空間を生成し、乳房境界を画定するために、前記第７の多次元色空間に１つまたは複数の伝達関数の第４のセットを適用するステップと、
    第９の多次元色空間を生成するために、前記第３の多次元色空間を前記第８の多次元色空間とマージするステップと、
    前記第９の多次元色空間をグレースケール値にコンバートし、前記第９の多次元色空間を表す画像を表示するステップと
    を含む、請求項１に記載の方法。
  44. 前記第１の画像が、高密度乳房組織および脂肪乳房組織の表現を含むマンモグラムであり、前記第１の画像とは別および別個である第２の画像を生成するために、第１の画像に第１のローカルマイクロコントラスト収束アルゴリズムを適用するステップが、
    前記第１の画像のピクセル値を第１の多次元色空間にマッピングするステップと、
    第２の多次元色空間を生成し、前記画像ピクセル値を非線形的に反転させるために、前記第１の多次元色空間に１つまたは複数の伝達関数の第１のセットを適用するステップと、
    第３の多次元色空間を生成し、前記脂肪乳房組織を１つの色として見えるようにし、他の色を使用して前記高密度乳房組織中の詳細な構造を区別し、明らかにするために、前記第２の多次元色空間に１つまたは複数の伝達関数の第２のセットを適用するステップと、
    第４の多次元色空間を生成し、脂肪乳房組織を１つの色として見えるようにし、他の色を使用して高密度乳房組織中の詳細な構造を区別し、明らかにするために、前記第３の多次元色空間に１つまたは複数の伝達関数の第３のセットを適用するステップと、
    前記第４の多次元色空間をＨＬＳ色空間中の第５の多次元色空間にコンバートするステップと、
    第６の多次元色空間を生成するために、暗くするブレンドを採用することによって、前記第５の多次元色空間を前記第１の多次元色空間とマージするステップと、
    第７の多次元色空間を生成するために、前記第６の多次元色空間の不透明度(opacity)を調整するステップと、
    前記第７の多次元色空間をグレースケール値にコンバートし、前記第７の多次元色空間を表す画像を表示するステップと
    を含む、請求項１に記載の方法。
  45. 前記第１の画像が、高密度組織と脂肪組織とを含む乳房組織の表現を含むマンモグラムであり、前記第１の画像とは別および別個である第２の画像を生成するために、第１の画像に第１のローカルマイクロコントラスト収束アルゴリズムを適用するステップが、
    前記第１の画像のピクセル値を第１の多次元色空間にマッピングするステップと、
    第２の多次元色空間を生成するために、前記第１の多次元色空間にメジアンフィルタを適用するステップと、
    第３の多次元色空間を生成し、前記コントラストを変更し、前記脂肪組織の光度を低減するために、前記第２の多次元色空間に１つまたは複数の伝達関数の第１のセットを適用するステップと、
    第４の多次元色空間を生成し、より高い密度のものを除いて前記乳房組織をカラー化するために、前記第３の多次元色空間に１つまたは複数の伝達関数の第２のセットを適用するステップと、
    第５の多次元色空間を生成し、前記脂肪組織を実質的にソリッドカラーに低減するために、前記第４の多次元色空間に１つまたは複数の伝達関数の第３のセットを適用するステップと、
    第６の多次元色空間を生成するために、前記第５の多次元色空間の色を反転させるステップと、
    第７の多次元色空間を生成し、前記乳房組織を前記乳房組織の境界の外部と区別するために、前記第６の多次元色空間に１つまたは複数の伝達関数の第４のセットを適用するステップと、
    第７の多次元色空間をＨＬＳ色空間中の第８の多次元色空間にコンバートし、第９の多次元色空間を生成するために、前記第８の多次元色空間のＨＬＳプロパティを調整するステップと、
    前記第９の多次元色空間に基づいて画像視覚化を表示するステップと
    を含む、請求項１に記載の方法。
  46. 少なくとも１つのプログラムを記憶するように各々動作可能な１つまたは複数のメモリユニットと、
    前記１つまたは複数のメモリユニットに通信可能に結合された少なくとも１つのプロセッサであって、前記少なくとも１つのプログラムが、前記少なくとも１つのプロセッサによって実行されたとき、前記少なくとも１つのプロセッサに、請求項１から４５に記載の前記方法のいずれかに記載の前記ステップを実施させる、少なくとも１つのプロセッサと
    を含む、システム。
  47. プロセッサによって実行されたとき、請求項１から４５に記載の前記方法のいずれかに記載の前記ステップを実施する、コンピュータ実行可能命令を記憶した非一時的コンピュータ可読記憶媒体。
JP2018560735A 2016-02-08 2017-02-08 画像中の物体の視覚化および特徴づけのためのシステムおよび方法 Active JP7065038B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2022071438A JP2022105079A (ja) 2016-02-08 2022-04-25 画像中の物体の視覚化および特徴づけのためのシステムおよび方法

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662292413P 2016-02-08 2016-02-08
US62/292,413 2016-02-08
PCT/US2017/016999 WO2017139367A1 (en) 2016-02-08 2017-02-08 System and method for the visualization and characterization of objects in images

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2022071438A Division JP2022105079A (ja) 2016-02-08 2022-04-25 画像中の物体の視覚化および特徴づけのためのシステムおよび方法

Publications (3)

Publication Number Publication Date
JP2019511342A true JP2019511342A (ja) 2019-04-25
JP2019511342A5 JP2019511342A5 (ja) 2020-03-19
JP7065038B2 JP7065038B2 (ja) 2022-05-11

Family

ID=59564041

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2018560735A Active JP7065038B2 (ja) 2016-02-08 2017-02-08 画像中の物体の視覚化および特徴づけのためのシステムおよび方法
JP2022071438A Pending JP2022105079A (ja) 2016-02-08 2022-04-25 画像中の物体の視覚化および特徴づけのためのシステムおよび方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2022071438A Pending JP2022105079A (ja) 2016-02-08 2022-04-25 画像中の物体の視覚化および特徴づけのためのシステムおよび方法

Country Status (9)

Country Link
US (3) US10873681B2 (ja)
EP (2) EP4273799A3 (ja)
JP (2) JP7065038B2 (ja)
KR (1) KR20180115725A (ja)
CN (1) CN108882902B (ja)
CA (1) CA3013926A1 (ja)
MA (1) MA43593A (ja)
MX (1) MX2018009566A (ja)
WO (1) WO2017139367A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114255208A (zh) * 2020-09-25 2022-03-29 通用电气精准医疗有限责任公司 用于程式化医学图像的系统和方法

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1986548B1 (en) 2006-02-15 2013-01-02 Hologic, Inc. Breast biopsy and needle localization using tomosynthesis systems
US10595954B2 (en) 2009-10-08 2020-03-24 Hologic, Inc. Needle breast biopsy system and method for use
JP2014534042A (ja) 2011-11-27 2014-12-18 ホロジック, インコーポレイテッドHologic, Inc. マンモグラフィーおよび／またはトモシンセシス画像データを使用して２ｄ画像を生成するためのシステムおよび方法
EP2967473B1 (en) 2013-03-15 2020-02-19 Hologic, Inc. System and method for navigating a tomosynthesis stack including automatic focusing
WO2014151646A1 (en) 2013-03-15 2014-09-25 Hologic Inc. Tomosynthesis-guided biopsy in prone
US11944486B2 (en) * 2016-06-27 2024-04-02 Taihao Medical Inc. Analysis method for breast image and electronic apparatus using the same
US10430984B2 (en) * 2016-12-16 2019-10-01 General Electric Company Fused slice or cine-loop image for multi-mode DBT acquisitions
US20180174294A1 (en) * 2016-12-16 2018-06-21 General Electric Company Multi-Layer Color Display In Synthetic 2D Images
US10187637B2 (en) 2017-03-07 2019-01-22 Filmic Inc. Inductive micro-contrast evaluation method
WO2018183549A1 (en) 2017-03-30 2018-10-04 Hologic, Inc. System and method for synthesizing low-dimensional image data from high-dimensional image data using an object grid enhancement
US10789712B2 (en) * 2017-07-11 2020-09-29 MESC Health Ltd Method and system for image analysis to detect cancer
US11026641B2 (en) * 2017-10-16 2021-06-08 Mayo Foundation For Medical Education And Research System and method for tomography-based radiomic mass analysis
JP7153261B2 (ja) * 2017-11-16 2022-10-14 国立大学法人九州大学 画像処理装置および画像処理装置の作動方法並びに画像処理プログラム
CN109003248B (zh) * 2018-07-23 2020-12-08 中国石油大学(华东) 一种细粒沉积岩纹层结构的表征方法
CN112804944B (zh) * 2018-09-24 2024-07-23 豪洛捷公司 乳房映射和异常定位
CN109949274B (zh) 2019-02-25 2020-12-25 腾讯科技（深圳）有限公司 一种图像处理方法、装置及系统
KR102039138B1 (ko) * 2019-04-02 2019-10-31 주식회사 루닛 적대적 학습에 기반한 도메인 어댑테이션 방법 및 그 장치
US11209817B2 (en) * 2019-05-06 2021-12-28 Argo AI, LLC Method and system for real-time diagnostics and fault monitoring in a robotic system
JP7209599B2 (ja) * 2019-07-29 2023-01-20 富士フイルム株式会社 画像処理装置、方法およびプログラム
JP7203705B2 (ja) 2019-09-17 2023-01-13 富士フイルム株式会社 画像処理装置、方法およびプログラム、並びに画像表示装置、方法およびプログラム
CN110751648B (zh) * 2019-10-29 2023-02-28 国网黑龙江省电力有限公司电力科学研究院 基于图像处理技术的杆塔基础异常检测方法
EP4106635A4 (en) * 2020-03-02 2024-07-31 Vayyar Imaging Ltd. IMAGING SYSTEM AND DEVICE FOR DETECTION OF BREAST CANCER
CN111583320B (zh) * 2020-03-17 2023-04-07 哈尔滨医科大学 融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质
CN112164020B (zh) * 2020-03-31 2024-01-23 苏州润迈德医疗科技有限公司 精确提取血管中心线的方法、装置、分析系统和存储介质
KR102736798B1 (ko) 2020-07-20 2024-12-03 펄스나인 주식회사 인공지능을 이용한 편집된 이미지 검출 방법 및 시스템
US11151755B1 (en) * 2020-07-29 2021-10-19 Adobe Inc. Image processing for increasing visibility of obscured patterns
CN112164012B (zh) * 2020-10-14 2023-05-12 上海影卓信息科技有限公司 人像彩色浮雕效果的实现方法及系统
US20220151482A1 (en) * 2020-11-14 2022-05-19 Alcon Inc. Biometric ocular measurements using deep learning
US20240104701A1 (en) * 2022-09-16 2024-03-28 Imago Systems, Inc., System and method for non-invasive visualization and characterization of lumen structures and flow therewithin
WO2024112579A1 (en) * 2022-11-23 2024-05-30 Subtle Medical, Inc. Systems and methods for mri contrast synthesis under light-weighted framework
CN117315415B (zh) * 2023-07-13 2024-06-11 东南大学 一种店铺招牌健康性能评估方法与装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003158677A (ja) * 2001-08-11 2003-05-30 Koninkl Philips Electronics Nv デジタル画像を処理するための装置及び方法
JP2005111946A (ja) * 2003-10-10 2005-04-28 Tokukin Kagi Kofun Yugenkoshi ハーフトーンスクリーンの非線形較正方法
JP2008067296A (ja) * 2006-09-11 2008-03-21 Canon Inc 画像処理方法及び画像処理装置
US20100266179A1 (en) * 2005-05-25 2010-10-21 Ramsay Thomas E System and method for texture visualization and image analysis to differentiate between malignant and benign lesions

Family Cites Families (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL119767A (en) 1993-08-13 1998-02-08 Sophis View Tech Ltd System and method for diagnosis of living tissue diseases
GB9619119D0 (en) * 1996-09-12 1996-10-23 Discreet Logic Inc Processing image
US5859891A (en) 1997-03-07 1999-01-12 Hibbard; Lyn Autosegmentation/autocontouring system and method for use with three-dimensional radiation therapy treatment planning
BR9812021A (pt) * 1997-08-28 2000-09-26 Qualia Computing Inc Processos para detecção automatizada de microcalcificações, para segmentar uma área de uma imagem de mamograma digital, para detecção automatizada de microcalcifição agrupada, para incorporar as detecções de saìda de um sistema de detecção auxiliado por computador para detectar microcalcificações agrupadas em um mamograma, e, para coleta automatizada de imagem, aparelhos para detecção automatizada de microcalcificações, e, para detectar microcalcificações agrupadas em uma imagem de mamograma digital
US6031935A (en) 1998-02-12 2000-02-29 Kimmel; Zebadiah M. Method and apparatus for segmenting images using constant-time deformable contours
WO2005036451A1 (en) 2003-10-08 2005-04-21 Lifespan Biosciences, Inc. Automated microspcope slide tissue sample mapping and image acquisition
US20050078861A1 (en) 2003-10-10 2005-04-14 Usikov Daniel A. Tomographic system and method for iteratively processing two-dimensional image data for reconstructing three-dimensional image data
US7907762B2 (en) 2004-05-26 2011-03-15 Guardian Technologies International, Inc. Method of creating a divergence transform for identifying a feature of interest in hyperspectral data
US7840048B2 (en) 2004-05-26 2010-11-23 Guardian Technologies International, Inc. System and method for determining whether there is an anomaly in data
MY140267A (en) 2004-05-26 2009-12-31 Guardian Technologies International Inc System and method for identifying objects of interest in image data
US20060269140A1 (en) 2005-03-15 2006-11-30 Ramsay Thomas E System and method for identifying feature of interest in hyperspectral data
MX2007003502A (es) 2004-09-22 2007-10-10 Tripath Imaging Inc Metodos y productos de programas de computadora para analisis y optimizacion de los candidatos marcadores para el pronostico del cancer.
US20060127880A1 (en) 2004-12-15 2006-06-15 Walter Harris Computerized image capture of structures of interest within a tissue sample
US8045805B2 (en) 2005-03-15 2011-10-25 Applied Visual Sciences, Inc. Method for determining whether a feature of interest or an anomaly is present in an image
US8538099B2 (en) 2005-03-23 2013-09-17 General Electric Company Method and system for controlling image reconstruction
WO2007059602A1 (en) 2005-11-23 2007-05-31 Cedara Software Corp. Method and system for enhancing digital images
US7768652B2 (en) 2006-03-16 2010-08-03 Carl Zeiss Meditec, Inc. Methods for mapping tissue with optical coherence tomography data
EP2029020A4 (en) * 2006-06-22 2010-04-21 Wisconsin Alumni Res Found USE OF STROMA COLLAGEN IN THE DIAGNOSIS AND CHARACTERIZATION OF BREAST CANCER
US8897528B2 (en) 2006-06-26 2014-11-25 General Electric Company System and method for iterative image reconstruction
US8571287B2 (en) 2006-06-26 2013-10-29 General Electric Company System and method for iterative image reconstruction
US20090174712A1 (en) * 2006-07-31 2009-07-09 Sandviken Intellectual Property Ab Method, apparatus and computer-readable medium for scale-based visualization of an image dataset
US7916912B2 (en) 2006-09-14 2011-03-29 Siemens Israel Ltd. Efficient border extraction of image feature
US20080085040A1 (en) 2006-10-05 2008-04-10 General Electric Company System and method for iterative reconstruction using mask images
WO2008157843A1 (en) 2007-06-21 2008-12-24 Guardian Technologies International Inc. System and method for the detection, characterization, visualization and classification of objects in image data
US7949181B2 (en) 2007-06-28 2011-05-24 General Electric Company Segmentation of tissue images using color and texture
US8270691B2 (en) 2007-10-09 2012-09-18 Siemens Aktiengesellschaft Method for fusing images acquired from a plurality of different image acquiring modalities
WO2009058915A1 (en) 2007-10-29 2009-05-07 The Trustees Of The University Of Pennsylvania Computer assisted diagnosis (cad) of cancer using multi-functional, multi-modal in-vivo magnetic resonance spectroscopy (mrs) and imaging (mri)
CN101919230B (zh) 2007-12-25 2013-02-13 梅迪奇视觉-脑科技有限公司 降低图像噪声的方法
JP5820117B2 (ja) 2008-03-06 2015-11-24 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． データセットを選択式及び対話式に処理する方法
JP5492869B2 (ja) 2008-04-08 2014-05-14 ナショナル ユニヴァーシティー オブ シンガポール 網膜画像分析システム及び方法
US8358453B2 (en) 2008-05-27 2013-01-22 Xerox Corporation Control based iterative profiling methods
US8660330B2 (en) 2008-06-27 2014-02-25 Wolfram Jarisch High efficiency computed tomography with optimized recursions
JP5478618B2 (ja) 2008-07-03 2014-04-23 エヌイーシー ラボラトリーズ アメリカ インク 上皮層検出器およびそれに関連する方法
US8718340B2 (en) 2008-09-03 2014-05-06 Trustees Of The University Of Pennsylvania System and method for accurate and rapid identification of diseased regions on biological images with applications to disease diagnosis and prognosis
JP2010218271A (ja) 2009-03-17 2010-09-30 Tokyo Institute Of Technology パラメータ制御処理装置及び画像処理装置
IN2012DN02374A (ja) 2009-09-18 2015-08-21 Univ Rutgers
WO2011046807A2 (en) 2009-10-12 2011-04-21 Ventana Medical Systems, Inc. Multi-modality contrast and brightfield context rendering for enhanced pathology determination and multi-analyte detection in tissue
US8897544B2 (en) 2009-12-10 2014-11-25 Indiana University Research And Technology Corp. System and method for segmentation of three-dimensional image data
JP5927180B2 (ja) 2010-04-30 2016-06-01 ヴィユーコンプ インクVucomp, Inc. 画像の異形を識別するための画像データの処理方法、システムおよびプログラム
US9996929B2 (en) 2010-10-27 2018-06-12 Varian Medical Systems International Ag Visualization of deformations using color overlays
US8705833B2 (en) 2011-04-25 2014-04-22 The General Hospital Corporation Computer-aided staining of multispectral images
US9159129B2 (en) 2011-07-12 2015-10-13 Definiens Ag Generating image-based diagnostic tests by optimizing image analysis and data mining of co-registered images
WO2013049153A2 (en) * 2011-09-27 2013-04-04 Board Of Regents, University Of Texas System Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images
WO2013071003A1 (en) 2011-11-10 2013-05-16 Azar Jimmy C Color decomposition in histology
US9256977B2 (en) 2012-02-01 2016-02-09 Siemens Medical Solutions Usa, Inc. System for reconstruction of virtual frequency selective inversion MR images
US8594407B2 (en) * 2012-02-03 2013-11-26 Siemens Aktiengesellschaft Plane-by-plane iterative reconstruction for digital breast tomosynthesis
DE102012217301B4 (de) 2012-09-25 2021-10-14 Bayer Pharma Aktiengesellschaft Kombination aus Kontrastmittel und Mammographie-CT-System mit vorgegebenem Energiebereich und Verfahren zur Erzeugung tomographischer Mammographie-CT-Aufnahmen durch diese Kombination
US9730655B2 (en) 2013-01-21 2017-08-15 Tracy J. Stark Method for improved detection of nodules in medical images
US10055551B2 (en) 2013-10-10 2018-08-21 Board Of Regents Of The University Of Texas System Systems and methods for quantitative analysis of histopathology images using multiclassifier ensemble schemes
DE102015204957A1 (de) 2014-03-27 2015-10-01 Siemens Aktiengesellschaft Bildgebendes Tomosynthesesystem, insbesondere Mammographiesystem
GB2528283B (en) * 2014-07-16 2020-08-05 Barco Nv Image colour calibration with multiple colour scales
US9805248B2 (en) 2014-08-29 2017-10-31 Definiens Ag Applying pixelwise descriptors to a target image that are generated by segmenting objects in other images

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003158677A (ja) * 2001-08-11 2003-05-30 Koninkl Philips Electronics Nv デジタル画像を処理するための装置及び方法
JP2005111946A (ja) * 2003-10-10 2005-04-28 Tokukin Kagi Kofun Yugenkoshi ハーフトーンスクリーンの非線形較正方法
US20100266179A1 (en) * 2005-05-25 2010-10-21 Ramsay Thomas E System and method for texture visualization and image analysis to differentiate between malignant and benign lesions
JP2008067296A (ja) * 2006-09-11 2008-03-21 Canon Inc 画像処理方法及び画像処理装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114255208A (zh) * 2020-09-25 2022-03-29 通用电气精准医疗有限责任公司 用于程式化医学图像的系统和方法
US20220101518A1 (en) * 2020-09-25 2022-03-31 GE Precision Healthcare LLC System and method for stylizing a medical image

Also Published As

Publication number Publication date
EP4273799A2 (en) 2023-11-08
US20180109698A1 (en) 2018-04-19
EP3399916A1 (en) 2018-11-14
EP4273799A3 (en) 2023-12-06
EP3399916B1 (en) 2023-08-23
US11734911B2 (en) 2023-08-22
US20210258451A1 (en) 2021-08-19
KR20180115725A (ko) 2018-10-23
EP3399916A4 (en) 2019-08-07
JP7065038B2 (ja) 2022-05-11
WO2017139367A1 (en) 2017-08-17
CN108882902A (zh) 2018-11-23
CA3013926A1 (en) 2017-08-17
CN108882902B (zh) 2022-08-30
US10873681B2 (en) 2020-12-22
US20240096048A1 (en) 2024-03-21
MX2018009566A (es) 2019-05-30
MA43593A (fr) 2018-11-14
JP2022105079A (ja) 2022-07-12
EP3399916C0 (en) 2023-08-23

Similar Documents

Publication Publication Date Title
US11734911B2 (en) System and method for the visualization and characterization of objects in images
US11935215B2 (en) System and method for the visualization and characterization of objects in images
US11669964B2 (en) Systems and methods to facilitate review of liver tumor cases
Altunbay et al. Color graphs for automated cancer diagnosis and grading
CN101706843B (zh) 一种乳腺cr图像交互式读片方法
Duarte et al. Evaluating geodesic active contours in microcalcifications segmentation on mammograms
Sinha et al. Medical image processing
Dobrescu et al. Diagnosis of breast cancer from mammograms by using fractal measures
Ganvir et al. Filtering method for pre-processing mammogram images for breast cancer detection
Beheshti et al. Classification of abnormalities in mammograms by new asymmetric fractal features
CN104331864B (zh) 基于非下采样轮廓波和视觉显著模型的乳腺影像处理
Reddy et al. Pectoral muscle removal using entropy fuzzy clustering and RCM-CNN based mammography classification
de Oliveira et al. A cross-cutting approach for tracking architectural distortion locii on digital breast tomosynthesis slices
CN109377461B (zh) 一种基于nsct的乳腺x射线图像自适应增强方法
US20250045890A1 (en) System And Method For The Visualization And Characterization Of Objects In Images
Naeppi et al. Mammographic feature generator for evaluation of image analysis algorithms
Hithesh et al. From Pixels to Prognosis: Exploring from UNet to Segment Anything in Mammogram Image Processing for Tumor Segmentation
McCarthy A Quantitative Visualization Tool for the Assessment of Mammographic Dense Tissue Subtypes
Altunbay Color graph representation for structural analysis of tissue images
Olaleke et al. Automated Detection of Breast Cancer’s Indicators in Mammogram via Image Processing Techniques
Vlachos et al. Intuitionistic fuzzy processing of mammographic images
Pöhlmann Breast Imaging beyond 2D: from Screening to Treatment
Nair et al. Diagnosis Of Liver Disease Using Gaussian Blur Algorithm
Deepa et al. Fractal based techniques for classification of mammograms and identification of microcalcifications

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200207

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200207

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20201125

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20201202

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210225

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210802

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211102

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220317

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220322

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220328

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220425

R150 Certificate of patent or registration of utility model

Ref document number: 7065038

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150