JP2929031B2 - デジタル放射線画像の撮影体位判別装置 - Google Patents

Description

【発明の詳細な説明】 〈産業上の利用分野〉 本発明はデジタル放射線画像の撮影体位判別装置に関
し、詳しくは、被写体を透過した放射線量として撮影さ
れる放射線画像をデジタル信号化して各種の信号処理を
行うときの処理条件決定のために撮影体位を自動的に判
別する装置に関する。

〈従来の技術〉 Ｘ線画像のような放射線画像は医療用として多く用い
られており、この放射線画像を電気画像信号として得る
方法として、例えば以下のようなものがある。

即ち、被写体としての人体を通過した放射線をある種
の蛍光体に吸収させ、その後、この蛍光体を光又は熱エ
ネルギーで励起することにより、この蛍光体が前記吸収
により蓄積していた放射線エネルギーを蛍光として放射
させ、この蛍光を光電変換素子で検出して放射線画像情
報を電気的に得るものであり、かかる放射線画像信号を
デジタル化してから、階調処理や空間周波数処理を施し
てCRT等に出力して可視化するようにしている（特開昭6
3−189853号公報等参照）。

ところで、上記のようにデジタル放射線画像信号を可
視像として出力する前の処理段階においては、上記のよ
うに階調処理や空間周波数処理を施して読影に適した可
視像とする必要があるが、人体における同一部位の画像
データであっても、撮影体位（被写体である人体の向
き）を変えて撮影する場合には、それぞれの再生画像に
おいて該部位中の関心領域の濃度が変化してしまうこと
がある。

例えば胸椎を診断するために、第６図に示すように人
体胸部を正面から撮影した場合には、関心領域である胸
椎は放射線の透過し難い縦隔部と重なるが、第７図に示
すように側面から撮影した場合には、放射線の透過し易
い肺野と重なることになる。従って、これらのような画
像データを同一の画像処理条件で処理してから再生させ
ると、正面画像においては胸椎部分が比較的低濃度とな
り、側面画像においては比較的高濃度となってしまう。

そこで、前記画像データがどのような体位で撮影され
たかを自動的に判別することによって、それぞれの体位
に最適な画像処理を施すことができるようにした方法及
び装置が種々提案されている。

この方法及び装置としては、例えば画像データの濃度
ヒストグラムを用いるものと、画像データ中の画像所定
方向に沿った信号レベル分布（以下、プロジェクション
という。）を用いるものとがあり、それぞれについて、
累積操作を行うもの（特開昭63−262128号公報，特開昭
63−262132号公報，特開昭63−262134号公報，特開昭63
−262139号公報等参照）、双峰性ピークの分離度を求め
るもの（特開昭63−262129号公報，特開昭63−262135号
公報等参照）、関数近似を行うもの（特開昭63−106642
号公報，特開昭63−262130号公報，特開昭63−262131号
公報，特開昭63−262137号公報，特開昭63−262138号公
報等参照）がある。

更に、濃度ヒストグラムから代表値や特性値を求める
もの（特開昭63−106641号公報等参照）や、濃度ヒスト
グラムの分散を求めるもの（特開昭63−262133号公報等
参照）、プロジェクションの左右方向の中央部付近の信
号値の総和を求めるもの（特開昭63−262136号公報等参
照）などが提案されている。

〈発明が解決しようとする課題〉 ところで、上記のように２次元のデジタル放射線画像
信号から各種特徴量を抽出し、これらの特徴量と閾値と
の比較などによって体位判別を行おうとすると、各撮影
体位別に複数の特徴量の辞書（特徴量を判別するための
閾値）をそれぞれ予め設定しておく必要などがあり、ま
た、処理の流れや判定に用いる計算式等が非常に複雑に
なるために、実用的なものになり難い場合が多かった。
更に、デジタル放射線画像から得られた特徴がどの程度
認識に有効であるかということを定量的に把握すること
が難しいため、撮影体位の判別のために抽出する特徴を
どれにするかの選択が簡便に行えず、この点からも画像
認識による撮影体位の判別を困難にしていた。

即ち、放射線画像を細かく識別しようとして、抽出す
る特徴量を増大させると、該特徴量を判別するための閾
値の設定がそれだけ困難になり、また、複数の特徴量を
組み合わせて１つの識別結果を出そうとする場合には、
特徴量の組み合わせを容易に決定することができず、更
に、複数の特徴量が抽出されたときにどの特徴量を選択
すべきかの判断が困難であったものである。

本発明は上記問題点に鑑みなされたものであり、少な
い計算量で、かつ、特徴量の閾値設定や特徴量の選択な
どに煩わされることなく、然も、精度良くデジタル放射
線画像における被写体の撮影体位を判別できる装置を提
供することを目的とする。

〈課題を解決するための手段〉 そのため本発明では、第１図に示すように、デジタル
放射線画像信号の画像所定方向に沿ったレベル分布を検
出するレベル分布検出手段と、このレベル分布検出手段
で検出されたレベル分布の信号レベルと複数種の信号レ
ベル閾値とをそれぞれに比較し、それぞれの閾値に対す
る信号レベルの大小の変化パターンを前記画像所定方向
に沿って求める大小変化パターン検出手段と、この大小
変化パターン検出手段で検出されたそれぞれの閾値に対
する大小変化パターンの種類別の数を入力して被写体の
撮影体位識別信号を出力するニューラルネットワーク
と、を含んでデジタル放射線画像の撮影体位判別装置を
構成するようにした。

ここで、前記ニューラルネットワークが、予め学習デ
ータ集合の内容を変えながら複数回学習して得られた学
習結果を複数備え、これらの複数の学習結果それぞれに
基づき処理されて出力された複数の撮影体位判別信号の
中の最も数の多い識別信号を最終的な識別信号として出
力するよう構成することができる。

上記のように、学習結果を複数得るに当たっては、未
学習初期値を用いて最初のニューラルネットワーク学習
を行わせ、２回目以降の学習においては前回の学習結果
を初期値として学習を行わせることによって複数の学習
結果を得るよう構成すると良い。

一方、レベル分布検出手段が、レベル分布を検出する
画像所定方向に略直交する画素列それぞれの信号レベル
の合計値又は平均値を用いて信号レベルの分布を検出す
るようにすると良い。

また、レベル分布検出手段が、レベル分布を検出する
前記画像所定方向に沿った画素列それぞれの信号レベル
をそのまま用いて信号レベルの分布を検出するよう構成
することもできる。

更に、第１図点線示のように、デジタル放射線画像の
画素数と信号の量子化ステップ数との少なくとも一方を
縮減させる信号間引き手段を備えるようにして、レベル
分布検出手段がこの信号間引き手段で画素数と信号の量
子化ステップ数との少なくとも一方が縮減されたデジタ
ル放射線画像信号に基づいてレベル分布を検出するよう
構成すると良い。

また、第１図点線示のように、デジタル放射線画像の
濃度ヒストグラムの分布が広がるようにコントラストを
強調する補正をデジタル放射線画像信号に施すコントラ
スト強調補正手段を備えるようにして、レベル分布検出
手段がこのコントラスト強調補正手段で補正されたデジ
タル放射線画像信号に基づいてレベル分布を検出するよ
うにすると良い。

また、第１図点線示のように、レベル分布検出手段で
検出されたレベル分布を平滑化処理するレベル分布平滑
化手段を備えるようにして、大小変化パターン検出手段
がこのレベル分布平滑化手段で平滑化されたレベル分布
に基づいて大小の変化パターンを求めるようにすること
が好ましい。

〈作用〉 かかる構成のデジタル放射線画像の撮影体位判別装置
によると、画像所定方向に沿ったレベル分布の信号レベ
ルと複数の信号レベル閾値とが比較され、それぞれの信
号レベル閾値に対する信号レベルの大小の変化パターン
が検出され、この特徴量としての大小変化パターンの種
類別の数がニューラルネットワークに入力される。そし
て、前記大小変化パターンの種類別の数に基づいて撮影
体位を識別するよう予め学習されている前記ニューラル
ネットワークは、入力された大小変化パターンの種類別
の数を処理し、入力データに対応する撮影体位を識別し
て被写体の撮影体位識別信号を出力する。

従って、ニューラルネットワークに対する入力データ
は、信号レベルの画像所定方向に沿った大小変化の様子
を表すものであるが、特に複雑な計算を要するものでは
なく、また、前記ニューラルネットワークにおいては、
例えば予め所定撮影体位に対応するデータを入力させた
ときに教師信号である前記所定撮影体位に対応する識別
信号が出力されるようにするなどして学習させてあれ
ば、特徴量である大小変化パターンの種類別の数の閾値
を設定したり、大小変化パターンの種類を選択したり、
更に複数種の大小変化パターンの数の組み合わせを設定
することなどを必要とせず、簡便な入力データの設定に
基づいて精度良く撮影体位を判別できるものである。

ここで、ニューラルネットワークにおいては予め学習
データ集合の内容を変えながら複数回学習されることに
なるが、かかる学習によって得られた学習結果を複数備
えるようにして、それぞれの学習結果を用いて処理され
出力された識別信号の多数決を取るようにすれば、１つ
の学習結果に基づくニューラルネットワークの１つの識
別結果を最終結果とする場合よりも、撮影体位の認識率
を向上させることができる。

また、上記のように複数の学習結果を備えるようにす
る場合に、未学習初期値を用いて最初のニューラルネッ
トワーク学習を行わせ、２回目以降の学習においては前
回の学習結果を初期値として学習を行わせて複数の学習
結果を得るようにすれば、それぞれ未学習値を初期とし
て学習を行わせる場合に比べ学習時間を短縮できる。

一方、デジタル画像信号の所定画像方向のレベル分布
を検出するときには、前記画像所定方向に略直交する画
素列それぞれの信号レベルの合計値又は平均値を用いて
も良いし、前記画像所定方向に沿った画素列それぞれの
信号レベルをそのまま用いても良い。

また、デジタル放射線画像の画素数と信号の量子化ス
テップ数との少なくとも一方を縮減させたり、デジタル
放射線画像の濃度ヒストグラムの分布が広がるようにコ
ントラストを強調する補正を施したりしてから、レベル
分布を検出するようにすれば、少ないデータ量に基づい
て大小変化パターンを検出でき、また、撮影体位の特徴
を容易に捉えることができる。

また、検出されたレベル分布を平滑化処理すれば、微
小なレベル変化に撮影体位の判別が影響されることを防
止できる。

〈実施例〉 以下に本発明の実施例を説明する。

第２図は本発明にかかるデジタル放射線画像の撮影体
位判別装置の一実施例を示すものである。

ここで、画像入力部１は、蓄積性蛍光体上に記憶（蓄
積）された放射線画像の潜像をレーザ光で走査して読み
取るよう構成されたデジタルＸ線撮影装置や、Ｘ線フィ
ルムをデジタル信号化するイメージスキャナ、或いは、
既にデジタル放射線画像データが複数記録されているフ
ァイリングシステムなどである。

画像入力部１から入力されるオリジナルのデジタル放
射線画像データｆ（x,y）は、一旦フレームメモリ２に
ストアされ、画像処理部３に渡される。前記画像データ
ｆ（x,y）（ｘ＝1,2,・・,Nx,y＝1,2,・・,Ny）は、x,y
によって番地指定される画素毎の信号レベルを示すもの
であり、本実施例では、ｘ方向（第４図における左右方
向）に伸びる画素列を「行」、ｙ方向（第４図における
上下方向）に伸びる画素列を「列」と呼ぶことにする。

画像処理部３は、本発明にかかる撮影体位判別装置に
必要な構成を備えると共に、撮影体位の判別結果に基づ
いて読影に適した可視像に再生されるように階調変換や
周波数強調，輪郭抽出などの種々の画像処理・解析を行
う出力用画像処理部４を備えている。

前記出力用画像処理部４で処理された画像データが入
力される画像出力部５では、画像処理後の画像データ
（デジタル放射線画像信号）を、再びファイリングシス
テム内に記録したり、CRT上に再生したり、プリンタに
よってフィルム上に記録したりする。ここで、被写体
（本実施例では人体）の撮影体位を判別した後の画像デ
ータを、ファイリングシステムにファイリングする際に
は、患者名・撮影部位名・撮影年月日などの画像情報と
共に、撮影体位を画像データに対応させて記録しておけ
ば、後の検索に便利であると共に、繰り返し撮影体位の
判別を行う必要がなくなる。

次に、本発明にかかるデジタル放射線画像の撮影体位
判別装置の実施例を、前記画像処理部３に含まれる各処
理部11〜16に沿って説明する。

フレームメモリ２に一旦ストアされるオリジナルのデ
ジタル放射線画像データｆ（x,y）は、まず、画像処理
部３内の信号間引き部（信号間引き手段）11に入力され
る。この信号間引き部11は、オリジナルのデジタル画像
データｆ（x,y）の画素数及び階調数（量子化ステップ
数）を間引いて、撮影体位判別に用いる画像データ量を
縮減させて以下の計算量を減少させるようにする。

具体的には、オリジナルのデジタル画像データｆ（x,
y）を複数の小領域に分割し、各小領域毎の信号値の平
均値や代表値を求めることで画素数及び階調数を縮減す
る。例えば、2048×2464画素,1024階調のオリジナルの
デジタル画像データｆ（x,y）を、128×154画素,256階
調にまで信号を間引く処理を行っても、本発明にかかる
撮影体位判別を支障なく行わせることができる。

尚、上記信号間引き部11で画素数及び階調数の間引き
が行われた画像データをｆ′（ｘ′,y′）（ｘ′＝1,2,
・・・,Nx′,y′＝1,2,・・・,Ny′）（Nx′＜Nx,Ny′
＜Ny）とする。

但し、上記の間引き処理は、計算量が少なくて済む本
発明にかかる撮影体位判別装置における計算量を更に少
なくするためのものであり、間引き処理を省略しても良
い。

次のコントラスト強調補正部（コントラスト強調補正
手段）12では、間引き処理後の画像データｆ′（ｘ′,
y′）のコントラスト強調補正を必要に応じて行ってコ
ントラスト強調データｆ″（ｘ′,y′）を得る。これ
は、原画像データの信号値（濃淡値）には、あまり濃淡
の差がないことが多いため、プロジェクション（画像デ
ータ中の画像所定方向に沿った信号レベル分布）を作成
した際に、分布曲線が描く山部と谷部との高低差が小さ
くなることを防止するために行う処理であり、コントラ
ストの強調補正を施すことによって、濃度差を強調して
撮影体位判別に関わる画像データの濃淡変化の特徴が明
確に表れるようにする。

コントラストの強調は、例えば以下のような公知の技
術を用いて行う（「コンピュータ画像処理入門」田村秀
行監修，総研出版（株）発行等参照）。

強調前の信号のレベル範囲を［a_min,a_max］、強調後
の信号範囲を［b_min,b_max］とした場合、強調前の信号
値S_origを以下の式又は式によってコントラスト強
調信号値S_procに変換する。

ここで、式を用いたコントラスト強調を行った場合
には濃度が線形に変換され、式では非線形に濃度変換
されることになる。

また、下式のように平均濃度値m,標準偏差σの濃度
ヒストグラムを、平均値m_norm,標準偏差σ_normの濃度ヒ
ストグラムに正規化するように、強調前の信号値S_orig
をコントラスト強調信号値S_procに変換するようにして
も良い。

更に、全濃度域の画素数が均等になるように、濃度ヒ
ストグラムを平坦化することによってコントラストを強
調することもできる。

次のプロジェクション作成部（レベル分布検出手段）
13では、信号間引き処理及びコントラスト強調補正処理
を施された画像データｆ″（ｘ′,y′）に基づいてプロ
ジェクションｐ（ｘ′）（画像Ｘ方向に沿った信号レベ
ル分布）を作成する。

前記プロジェクションｐ（ｘ′）は、画像データｆ″
（ｘ′,y′）における次式で表されるような分布を用い
ることができる（但し、第４図に示すように１≦n1≦n2
≦Ny′として、信号のサンプリング範囲をn1≦ｙ′≦n2
とする。）。

即ち、式では画像データｆ″（ｘ′,y′）の画像上
下方向（ｙ方向）に伸びる画素列毎の信号値の総和が求
められ、式では画像データｆ″（ｘ′,y′）の画像上
下方向に伸びる各画素列毎の信号値の平均値が求められ
る。尚、場合によっては、画像データｆ″（ｘ′,y′）
の左右方向（ｘ方向）に伸びる各画素行毎の信号値の総
和や平均値を用いることもできる。

本実施例では、上記のように、各画素列の信号値の総
和又は平均値に基づいてプロジェクションを作成するよ
うにしたが、特定画素行における各画素の信号値をその
まま用いて画像のＸ方向（左右方向）に沿った信号レベ
ル変化を示すプロジェクションを作成するようにしても
良い。但し、撮影体位の特徴が明確に表れるように、前
記特定画素行を適宜選択する必要がある。

このプロジェクション部13で得られるプロジェクショ
ンｐ（ｘ′）には、第５図に示すように、信号値の微小
な変動が含まれているので、後述する信号レベル閾値Ｔ
に対する大小変化のパターンを検出するときに、この微
小な変化を撮影体位の特徴を示す大小変化として捉えな
いように前記プロジェクションｐ（ｘ′）を平滑化（ス
ムージング）する処理を、次の平滑化処理部（レベル分
布平滑化手段）14で行う。

前記平滑化処理は、例えばプロジェクションｐ
（ｘ′）内の注目点を、その近傍内における平均値で置
き換えることによって行える。第５図に示すように、プ
ロジェクションｐ（ｘ′）内の各点の横方向における位
置はｘ′、その信号値はｐ（ｘ′）という関数であるか
ら、左右ｎ個ずつの近傍処理を行う場合には、位置ｉに
おける平滑処理後の値ｐ′（ｉ）は、 という式で表すことができ、かかる処理を複数回実行す
ることで第５図に示すような信号値の微小な変動を平滑
化することができる。尚、前記平滑化処理部14における
平滑化処理には、近傍内の中央値を用いることもでき
る。

次に、変化パターン検出部（大小変化パターン検出手
段）15では、前記平滑化処理されたプロジェクション
ｐ′（ｘ′）の各値と複数種の信号レベル閾値Ｔとを順
次比較することによって、各信号レベル閾値Ｔに対する
信号レベルの大小変化パターンを求め、次のニューラル
ネットワーク16には、この大小変化パターンの種類別の
数が入力データとして出力され、ニューラルネットワー
ク16は、予め行われている学習結果に基づいて前記入力
データを処理して被写体の撮影体位を示す識別信号を出
力する。

前記ニューラルネットワーク16は、「日経エレクトロ
ニクス 第427号」1987年８月10日号の第115頁〜第124
頁などに紹介されているように、人間の脳を真似たネッ
トワークで脳のニューロン（神経細胞）に対応し複数の
ユニットが複雑に接続し合ったもので、各ユニット間の
接続形態（結合荷重）を適宜決定することで、パターン
認識機能などを埋め込む（学習する）ことができるもの
である。

例えば、人間胸部放射線画像の正面と側面との場合、
第６図及び第７図に直線Ｌで示す画像左右方向の信号値
の分布において、一般的に正面画像においては、左右方
向の中央部に放射線の透過し難い胸椎を表す信号レベル
の谷が存在し、その両脇に放射線を透過し易い肺野を示
す信号レベルの山が存在し、更に、左右端に放射線を透
過し難い胸郭を表す信号レベルの谷が存在する。一方、
側面画像では、左右端に放射線の素抜け部を示す信号レ
ベルの山が存在し、中央部付近では体側を示す谷となっ
て、体側部においては特徴的な波形は表れ難い。かかる
撮影体位の違いによる信号レベル変化の特徴は、直線Ｌ
に直交する方向の各画素列の信号値の総和又は平均値の
分布を取っても略同様であるので、変化パターン検出部
15で求められる大小変化パターンに撮影体位に特有の特
徴パターンが多く含まれることなる。

従って、本実施例における前記ニューラルネットワー
ク16の学習は、撮影体位が判っている放射線画像信号か
ら得た前記大小変化パターンの種類別の数（学習用入力
データ）をニューラルネットワーク16に入力させたとき
に、正解である撮影体位に対応する識別信号が出力され
るように、学習用入力データを変えながらニューラルネ
ットワーク16における各シナプスウェイト（結合荷重）
の値を出力層Ｒから学習させるものであり、かかる学習
（バックプロパゲーション則）によって被写体の撮影体
位の違いによる入力データの違いを学習させ、撮影体位
を識別したいデジタル放射線画像から求めた前記大小変
化パターンの種類別の数を入力させることで、放射線画
像の撮影体位を予め定めた複数種の何れかに識別するも
のである。

かかる大小変化パターンの検出及び撮影体位の判別を
次に具体的に説明する。

変化パターン検出部（大小変化パターン検出手段）15
では、前記プロジェクションｐ′（ｘ′）の各点を端か
ら順に閾値Ｔと比較して、例えばプロジェクション上の
値が閾値Ｔよりも大きければ１、小さければ０を与えて
いく。ここで、１或いは０が続く長さ、即ち、１及び０
のラン長を無視して、１のランに関して符号１を、０の
ランに符号０を割当てれば、符号１と０の繰り返しパタ
ーンが、そのプロジェクションの波形の閾値Ｔに対する
変動の様子を表していることになる。更に、閾値Ｔを予
め設定されたステップで変化させて、信号値のレンジ全
体にわたって上記のような1,0符号の設定を行えば、そ
のプロジェクションにおける波形の様子を２次元的に捉
えることができ、そのプロジェクションの特徴となる1,
0の変化パターンが多く表れることになる。

例えば、第８図に示すように、信号値のレンジt₀から
t₆までの間で、閾値ＴをΔＴの間隔で変化させていった
場合、上記表１に示すように、t_n≦Ｔ＜t_n+1（ｎ＝0,1,
・・・,5）の各区間で、符号０と符号１の並びの特徴パ
ターンと、その特徴パターンの個数が得られる。

かかる処理を、第９図〜第13図に示すそれぞれの放射
線画像データについて行うと、正面画像である第９図で
は（01010）、側面画像である第10図では（101）、正面
右ずれ画像である第11図では（10101）、側面右ずれ画
像である第12図では（10）、子供や痩せた人の正面画像
である第13図では（1010101）のパターンがそれぞれ多
く検出されることになり、それぞれの画像では、上記以
外のパターンは僅かにしか存在しない。

従って、本実施例では、（01010），（10101），（10
10101）のパターンをそれぞれ正面画像用の特徴パター
ン（正面の基準大小変化パターン）とし、（101），（1
0）のパターンをそれぞれ側面画像用の特徴パターン
（側面の基準大小変化パターン）とし、検出された大小
変化パターンのうち前記それぞれの特徴パターンと同じ
であった数を求める。そして、前記特徴パターン毎の数
がニューラルネットワーク16の入力層に入力される。

ニューラルネットワーク16は、第３図に示すように、
入力層S,中間層A,出力層Ｒによって構成され、入力層Ｓ
は、前記特徴パターン数に対応する数のニューロンモデ
ル（ユニット）S₁,S₂,・・・・S_sからなっており、各ニ
ューロンモデルS₁,S₂,・・・・S_sに対して対応する特徴
パターンの数が入力されるようになっており、例えばニ
ューロンモデルS₁には、検出された大小変化パターンの
うち（01010）と同じパターンであった数を入力させ
る。尚、それぞれのパターンの数を入力層Ｓのそれぞれ
のユニットに入力させるに当たっては、パターンの数を
それぞれ0.0〜1.0に正規化して入力させるようにする。

中間層ＡのニューロンモデルA₁,A₂,・・・・A_aは、入
力層Ｓの各ニューロンモデル（ユニット）S₁,S₂,・・・
・S_sの全てと結合可能である。該中間層Ａのニューロン
モデル数ａは経験的に決定されるが、本発明の場合、入
力層Ｓのニューロンモデル数ｓと出力層Ｒのニューロン
モデル数ｒと総和の半数程度が好ましい。

出力層Ｒは、撮影体位を正面と側面との２種類に識別
させる場合には、１つのニューロンモデルR₁で構成さ
れ、このニューロンモデルR₁は中間層Ａの各ニューロン
モデルA₁,A₂,・・・・A_a全てと結合されている。尚、第
11図及び第12図に示すように被写体が横方向のズレた場
合を区別させたり、第14図に示すような片肺のない場合
を区別させたい場合には、かかる体位識別数に対応させ
て出力層Ｒを構成するニューロンモデル数を適宜増加さ
せれば良い。更に、前記中間層Ａは、第３図に示すよう
に１層のみでも良いが、２層,3層，・・と複数層で構成
させるようにしても良い。

撮影体位を正面と側面とに識別させる場合には、前述
のように出力層Ｒは１つのニューロンモデルR₁で構成さ
れ、例えばかかるニューロンモデルR₁が、撮影体位を正
面と識別したときに1.0を識別信号として出力し、側面
と識別したときに0.0を識別信号として出力するように
ネットワークを予め学習させておけば、判別時に0.5以
上であれば正面、0.5未満であれば側面というように撮
影体位を判別することができる。

従って、ニューラルネットワーク16のシナプスウェイ
ト（結合荷重）を学習させるときには、撮影体位が正面
である画像に対応する大小変化パターンのデータを入力
させたときに出力層Ｒから1.0以上が出力され、側面の
画像に対応するデータを入力させたときに出力層Ｒから
0.0未満が出力されるように、入力データ集合の内容を
変えながら学習を進めて行く。

尚、ここで、例えば0.7以上で正面、0.3以下で側面、
0.3〜0.7でその他の体位というように判別することもで
きる。

ここで、上記ニューラルネットワーク16の特性及びバ
ックプロパゲーション則に基づく学習を更に説明する
と、第３図に示すようなニューラルネットワーク16を構
成する各ユニット（ニューロンモデル）Uiは、他のユニ
ットからの入力Qjの総和を一定の規則で変換し、Qiとす
るが、他のユニットとの結合部にはそれぞれ可変の重み
Wij（シナプスウェイト）が付いている。この重みWij
は、各ユニット間の結合の強さを表すためのもので、こ
の値を変えると接続状態を変えなくても実質的にネット
ワークの構造が変わることになる。ニューラルネットワ
ーク３の学習とは、この値を変えることであって、重み
Wijは正，ゼロ，負の値をとり、ゼロは結合がないこと
を表す。

あるユニットUiが他の複数のユニットUiから入力を受
けた場合、その入力の総和をNETで表すとすると、ユニ
ットUiの入力の総和は、 となる。

各ユニットUiは、この入力の総和NETを関数ｆに適用
し、次式に示すように出力Qiに変換する。

上記関数ｆは各ユニットUi毎に違って良いが、一般に
は、第16図に示すようなしきい値関数又は第17図に示す
ようなsigmoid関数を用いる。

このsigmoid関数は、微分可能な疑似線形関数で、 で表せる。値域は０〜１で、入力値が大きくなるにつれ
１に、小さくなるにつれ０に近づく。入力が０のときは
0.5となる。しきい値θ（バイアス）を加えて、 とする場合もある。

このようなニューラルネットワーク16において、入力
層Ｓに入力データを与えると、この信号は各ユニットで
変換され、中間層Ａに伝わり、最後に出力層Ｒから出て
くるが、望ましい出力を得るためには各ユニット間の結
合の強弱すなわち重みを適切な値に設定する必要があ
る。この重みの設定は、ニューラルネットワーク16を次
のように学習させることによって行う。

まず最初は、すべての重みをランダムに設定してお
き、入力層の各ユニットに学習用の入力データ（予め望
ましい出力の分かっているデータ）を与える。そして、
このとき出力層の各ユニットから出てきた出力値と望ま
しい出力値とを比べ、その差（誤差）を減らすように各
重みの値を、出力層側から順次修正する。そしてこれを
多数の学習データを用いて誤差が収束するまで繰り返す
ものである（「入門ニューロコンピュータ」菊池豊彦著
1990年１月20日 株式会社オーム社 発行等参照）。

このように予め学習されたニューラルネットワーク16
に対して、撮影体位を識別したい放射線画像から求めた
大小変化パターンの数を特徴パターン別に入力させてや
れば、どの特徴パターンの数が多いかによる撮影体位の
識別が行われ、換言すれば、入力データがどの撮影体位
の特徴に最も近いかの判別が行われる。従って、ニュー
ラルネットワーク16においては、撮影体位が判っている
学習用大小変化パターンのデータがあって予め学習が完
了していれば、実際の体位識別においては、特徴パター
ンの数を判別するための閾値等を必要とせず、また、複
数の特徴パターンの数を組み合わせての判別等を考慮す
る必要がないので、労力を大幅に減少させ得るものであ
る。

ニューラルネットワーク16のシナプスウェイト学習に
おいては、１つの学習結果のみを用いてニューラルネッ
トワーク16における体位識別処理を行わせることが一般
的であるが、シナプスウェイトの学習結果を複数記憶さ
せておき、それぞれの学習結果に基づきネットワークさ
れたニューラルネットワーク16で処理して得た複数の識
別結果の多数決で最終的な体位の識別を行わせるように
しても良い。

即ち、第15図に示すように、ニューラルネットワーク
16を学習させるための学習手段21によって学習された結
果（各シナプスウェイト値）を記憶する学習結果記憶手
段22を備えるようにしておいて、変化パターン検出部15
で検出された大小変化パターンの種類別の数を入力して
撮影体位を判別する第３図に示すような構成の判別手段
23では、フレームメモリ24にストアさせておいた大小変
化パターンの種類別の数を、前記学習結果記憶手段22に
記憶されている各学習結果に基づいてそれぞれに処理
し、それぞれの学習結果から導かれる判別結果の多数決
を取って最終的に出力用画像処理部４に出力させるよう
にする。ここで、例えば５種類の学習結果（シナプスウ
ェイト）が学習結果記憶手段22に記憶されていたとする
と、それぞれの学習結果を用いたニューラルネットワー
ク16（判別手段23）の処理で、３種類が正面であると識
別し、残りの２種類で側面であると識別した場合には、
最終的な識別結果として数の多い正面を出力させるもの
である。

また、通常、ニューラルネットワーク16のシナプスウ
ェイトの学習においては、各シナプスウェイトの未学習
初期値として乱数を用いて、該乱数を学習によって変更
させていく場合が多いが、上記のように同じ処理に供す
る学習結果を複数設定させる場合には、初期値を乱数と
して学習させた結果を、次の学習の初期値として用いる
ようにして、次々に前回の学習結果を初期値として更に
学習させるようにすれば、それぞれ乱数を初期値として
学習を開始させる場合に比べ複数の学習結果を得る場合
に学習時間を大幅に短縮できる。

更に、ニューラルネットワーク16の学習においては、
予め基本画像となるべき複数のデジタル放射線画像にお
ける前記大小変化パターンを撮影体位と共に記憶媒体
（第15図のフレームメモリ24）に記憶させておき、オペ
レータがコンソール操作（第15図の学習用データ選択手
段25が相当する。）によって前記記憶媒体（フレームメ
モリ24）の中から任意のデータを必要なだけ読み出して
学習させることができるようにすれば、学習の妨げとな
るようなデータを排除しつつ、オペレータの要求に合っ
た学習を容易に行わせることができる。

上記のようにニューラルネットワーク16によって撮影
体位の判別が行われると、その結果が出力用画像処理部
４に出力される。出力用画像処理部４では、フレームメ
モリ２内のオリジナル画像データｆ（x,y）を直接取り
込み、撮影体位に適合する変換方法で階調変換や周波数
強調などの処理を行って画像データＦ（x,y）を得て、
この画像データＦ（x,y）を画像出力部５に出力する。

画像出力部５では、出力用画像処理部４から撮影体位
に応じた処理を施された画像データＦ（x,y）をファイ
リングシステム内に記録したり、CRT上に再生したり、
プリンタによってＸ線フィルム上に記録したりする。こ
こで、画像出力部５では、画像データがその画像の撮影
体位に応じた処理を施されているから、再生される画像
を読影に適した可視像とすることができる。

〈発明の効果〉 以上説明したように、本発明にかかるデジタル放射線
画像の撮影体位判別装置によると、所定画像方向に沿っ
た信号レベル分布を求め、このレベル分布の複数信号レ
ベル閾値に対する大小変化パターンの種類別の数（特徴
量）を検出し、これをニューラルネットワークに入力さ
せて撮影体位を識別させるようにしたので、ニューラル
ネットワークに入力させるデータを作るための計算量が
少なく、然も、かかる入力データが各撮影体位の特徴を
精度良く含んだものとなり、ニューラルネットワークで
の撮影体位識別に適したデータを簡便に入力させること
ができる一方、ニューラルネットワークで前記特徴量を
処理することで特徴量の閾値設定や特徴量の選択などに
煩わされることないという効果がある。

【図面の簡単な説明】

第１図は本発明の構成を示すブロック図、第２図は本発
明の一実施例を示すシステムブロック図、第３図は第２
図示のニューラルネットワークの構成を示す概略図、第
４図は同上実施例における画像データの表し方を示す線
図、第５図は同上実施例における平滑処理前のプロジェ
クションの様子を示す線図、第６図及び第７図はそれぞ
れ撮影体位による信号レベル分布の特徴の違いを説明す
るための線図、第８図は同上実施例におけるプロジェク
ションに基づく大小変化パターンの検出の様子を示す線
図、第９図〜第14図はそれぞれ撮影体位による信号レベ
ルの大小変化パターンの違いを説明するための線図、第
15図はニューラルネットワークにおける学習手順を詳細
に説明するためのブロック図、第16図及び第17図はそれ
ぞれ本実施例におけるニューラルネットワークの変換特
性例を示す線図である。 １……画像入力部、２……フレームメモリ、３……画像
処理部、４……出力用画像処理部、５……画像出力部、
11……信号間引き部、12……コントラスト強調補正部、
13……プロジェクション作成部、14……平滑化処理部、
15……変化パターン検出部、16……ニューラルネットワ
ーク、21……学習手段、22……学習結果記憶手段、23…
…判別手段、24……フレームメモリ、25……学習用デー
タ選択手段

───────────────────────────────────────────────────── フロントページの続き (72)発明者 田島 弘明 東京都日野市さくら町１番地 コニカ株 式会社内 (56)参考文献 特開 昭63−262139（ＪＰ，Ａ) 特開 昭63−262137（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁶，ＤＢ名) A61B 6/00 - 6/14

Claims (8)

(57)【特許請求の範囲】
1. 【請求項１】デジタル放射線画像信号の画像所定方向に
   沿ったレベル分布を検出するレベル分布検出手段と、 該レベル分布検出手段で検出されたレベル分布の信号レ
   ベルと複数種の信号レベル閾値とをそれぞれに比較し、
   それぞれの閾値に対する信号レベルの大小の変化パター
   ンを前記画像所定方向に沿って求める大小変化パターン
   検出手段と、 該大小変化パターン検出手段で検出されたそれぞれの閾
   値に対する大小変化パターンの種類別の数を入力して被
   写体の撮影体位識別信号を出力するニューラルネットワ
   ークと、 を含んで構成されたことを特徴とするデジタル放射線画
   像の撮影体位判別装置。
2. 【請求項２】前記ニューラルネットワークが、予め学習
   データ集合の内容を変えながら複数回学習して得られた
   学習結果を複数備え、該複数の学習結果それぞれに基づ
   き処理されて出力された複数の撮影体位識別信号の中の
   最も数の多い識別信号を最終的な識別信号として出力す
   るよう構成されたことを特徴とする請求項１記載のデジ
   タル放射線画像の撮影体位判別装置。
3. 【請求項３】未学習初期値を用いて最初のニューラルネ
   ットワーク学習を行わせ、２回目以降の学習においては
   前回の学習結果を初期値として学習を行わせることによ
   って複数の学習結果を得るよう構成したことを特徴とす
   る請求項２記載のデジタル放射線画像の撮影体位判別装
   置。
4. 【請求項４】前記レベル分布検出手段が、レベル分布を
   検出する前記画像所定方向に略直交する画素列それぞれ
   の信号レベルの合計値又は平均値を用いて信号レベルの
   分布を検出することを特徴とする請求項1,2又は３のい
   ずれかに記載のデジタル放射線画像の撮影体位判別装
   置。
5. 【請求項５】前記レベル分布検出手段が、レベル分布を
   検出する前記画像所定方向に沿った画素列それぞれの信
   号レベルをそのまま用いて信号レベルの分布を検出する
   ことを特徴とする請求項1,2又は３のいずれかに記載の
   デジタル放射線画像の撮影体位判別装置。
6. 【請求項６】デジタル放射線画像の画素数と信号の量子
   化ステップ数との少なくとも一方を縮減させる信号間引
   き手段を備え、前記レベル分布検出手段が該信号間引き
   手段で画素数と信号の量子化ステップ数との少なくとも
   一方が縮減されたデジタル放射線画像信号に基づいてレ
   ベル分布を検出することを特徴とする請求項1,2,3,4又
   は５のいずれかに記載のデジタル放射線画像の撮影体位
   判別装置。
7. 【請求項７】デジタル放射線画像の濃度ヒストグラムの
   分布が広がるようにコントラストを強調する補正をデジ
   タル放射線画像信号に施すコントラスト強調補正手段を
   備え、前記レベル分布検出手段が前記コントラスト強調
   補正手段で補正されたデジタル放射線画像信号に基づい
   てレベル分布を検出することを特徴とする請求項1,2,3,
   4,5又は６のいずれかに記載のデジタル放射線画像の撮
   影体位判別装置。
8. 【請求項８】前記レベル分布検出手段で検出されたレベ
   ル分布を平滑化処理するレベル分布平滑化手段を備え、
   前記大小変化パターン検出手段が前記レベル分布平滑化
   手段で平滑化されたレベル分布に基づいて大小の変化パ
   ターンを求めるようにしたことを特徴とする請求項1,2,
   3,4,5,6又は７のいずれかに記載のデジタル放射線画像
   の撮影体位判別装置。