JP2937389B2

JP2937389B2 - 画像表示方法

Info

Publication number: JP2937389B2
Application number: JP2066695A
Authority: JP
Inventors: 昭南大橋
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 1990-03-16
Filing date: 1990-03-16
Publication date: 1999-08-23
Anticipated expiration: 2014-08-23
Also published as: JPH03266188A

Description

【発明の詳細な説明】［発明の目的］（産業上の利用分野）本発明は、ディジタル化された画像データの画素値を
用いてウィンドウに関するパラメータを設定し画像を表
示させるための画像表示装置に関する。

（従来の技術）従来より例えば医用画像を表示する場合、画像メモリ
にディジタルで記録された画像データを読み出し、この
各画像データを階調変換して表示する装置、例えばモニ
タに表示するようにしていた。この場合、画像を見易く
表示するために、術者が表示された画像を見ながら表示
画像ごとにスイッチを操作して、階調変換に関するパラ
メータとしてのウィンドウレベル（以下WLという。），
ウィンドウワイズ（以下WWという。）（以下WL、WWを併
せてウィンドウという。）の値を調整し、表示画像を見
易く表示させていた。

また自動的にウィンドウを設定する方法としては、撮
影条件、例えばMRI（マグネティック・レゾナンス・イ
メージング）装置における撮影条件ごとに、予め前記ウ
ィンドウをプリセットしておき、これを読み出して前記
撮影条件に合わせてウィンドウをセットする方法もあ
る。

さらには、前記ウィンドウを自動的に設定して階調変
換する技術に関して、例えば画像表示装置（特開昭63-8
4526）が既に知られている。

この画像表示装置は、画像表示メモリへ記録する画像
データから抽出した画素値に対するヒストグラムを第13
図（ａ）に示すように作成し、このヒストグラムの最大
値H maxに対して定められたスレッシュホールドレベルT
hにより前記ヒストグラム上の最小値W1及び最大値Whを
求め、これにより第13図（ｂ）に示すように画像表示の
ウィンドウワイズＷとウィンドウレベルＬを定めて階調
変換テーブルデータを作成するようにしたものである。

（発明が解決しようとする課題）しかしながら、上記従来の画像表示装置のウィンドウ
の自動設定にあっては、次のような問題がある。すなわ
ち公知技術では、単にヒストグラムのスレッシュホール
ドレベルThのみでウィンドウ・レベルＬおよびウィンド
ウ・ワイズＷを設定しているため、人間が設定したウィ
ンドウと一致しない場合が多々あった。このため観察に
適したウィンドウが設定できない場合には、操作者はこ
のウィンドウを観察に適合したウィンドウにいちいち再
設定しなければならず、操作者の負担になっていた。

さらには、前記ウィンドウを自動的に設定して階調変
換する技術に関して、例えば既に同一出願人が出願した
特願平1-186819がある。（この発明を第１の発明とす
る。）第１の発明はファジィー類似方式におけるメンバ
ーシップ関数類似方式によりウィンドウを自動的に設定
するものである。このためメンバーシップ関数などの設
定が必要であり、また１度設定したメンバーシップ関数
を装置ごとにあるいは病院ごとの特性に合わせて変更す
ることが困難であった。

そこで本発明の目的は、画像を表示する際のウィンド
ウの設定操作を簡単化して、操作者の負担を軽減でき、
しかも装置の特性に合った画像を容易に観察し得る画像
表示装置を提供することにある。

［発明の構成］（課題を解決するための手段）本発明によれば、ディジタル画像データの各画素値
を、所定範囲内の画素値のみが連続的に変化する明るさ
値に変換されるように、明るさ値に変換する画像表示装
置において、ディジタル画像データから画素値のヒスト
グラムを求める手段と、前記ヒストグラム中の複数の所
定のパラメータを入力し、前記ディジタル画像データを
表示する際の表示画像の見易さを示す画像度を出力する
ニューラルネットワークと、前記所定範囲を変えたとき
の前記ニューラルネットワークの出力に応じて、前記所
定範囲の最適値を求める手段とを具備する画像表示装置
が提供される。

前記所定範囲の最適値を求める手段は、前記所定範囲
の候補を決める手段と、前記候補における画像度と前記
候補をずらした場合における画像度とを求める手段と、
前記候補における画像度と候補をずらした場合における
画像度とを比較し、候補における画像度が最大となるま
で前記候補をずらしながら、前記候補における画像度と
前記候補をずらした場合における画像度とを繰返し求め
る手段とを具備するものである。

前記ニューラルネットワークは学習精度が異なる２つ
の階層型のニューラルネットワークからなり、前記最適
値を求める手段は学習精度の低いニューラルネットワー
クから順に使って最適値を求め、各ニューラルネットワ
ークの出力が次のニューラルネットワークによる処理に
おける候補となるものである。

前記ニューラルネットワークはヒストグラム中の表示
画像の明るさに関する第１パラメータ、表示画像のコン
トラストに関する第２パラメータ、および明るさのバラ
ンスに関する第３パラメータを入力することを特徴とす
るものである。

前記第１パラメータは頻度が最も高い画素値の明るさ
データとヒストグラム上で体内と体外との境界にある画
素値の明るさデータを含み、前記第２パラメータはヒス
トグラム上の表示明るさ範囲の中間の明るさ部分の面積
データと最大明るさ部分の面積データとを含み、前記第
３パラメータはヒストグラム上の前記中間明るさより明
るい部分の面積と暗い部分の面積の比データを含むもの
である。

前記ニューラルネットワークは１枚の画像内の各部分
毎の見易さを示す画像度を求め、前記頻度が最も高い画
素値の明るさデータはヒストグラム内の各ピーク点の画
素値の明るさデータを含むものである。

（作用）このような手段を講じたことにより、次のような作用
を呈する。評価値をニューラルネットワークにより求め
るので、ファジィー類似方式におけるメンバーシップ関
数等を決定することなく、また装置ごとにあるいは病院
ごとの特性に合った画像を容易に観察することができ
る。

またニューラルネットワークにより評価値を求め、最
も大きい評価値をもつウィンドウでMRI画像を観察で
き、画像を表示する際にウィンドウ設定の操作が簡単に
なり、操作者の負担を軽減できる。

（実施例）第１図は本発明に係る画像表示方法の全体の手順を示
すフロー図、第４図は前記画像表示方法を適用した画像
表示装置を示す概略ブロック図、第５図は典型的なMRI
画像のヒストグラムを示す概略図である。

第４図において、画像表示装置は、ディジタル化され
た画像データを記録する画像メモリ1,制御手段としての
計算機2,ウィンドウレベルおよびウィンドウワイズをマ
ニュアル入力操作するためのWL/WWスイッチ3,画像メモ
リ１からの画像データを入力して設定されたウィンドウ
で階調を持った画像として表示する表示装置４、ニュー
ラルネットワーク５から構成されている。このときの前
記画像データの画素値から階調への変換は、前記WL、WW
により決定されるものとなっている。この変換方法は、
例えばMRI装置で既に用いられている。

前記計算機２は、前記画像メモリ１から読み出される
画像データに基づき、最適のWL,WWを表示装置４に自動
的に設定するものとなっている。なおWL/WWスイッチ３
をマニュアル操作することにより、WL,WWを最適に設定
することもできる。

次に前記第１図、第４図、第５図を参照して、前記計
算機２により表示ウィンドウを求める方法を具体的に説
明する。ここでは、画像をMRI画像とする。第５図は典
型的なMRI画像のヒストグラムを示す概略図である。

１）計算機２は画像記憶装置（図示していない）から指
定された画像を読み出し、画像メモリ１に記憶する。

２）計算機２は、画像メモリ１の画像についてヒストグ
ラムを作成する（手順100）。作成された前記ヒストグ
ラムの典型的な例を第５図に示す。

３）次に計算機２は手順200において、背景を除去する
ために、このヒストグラムを解析し“A"を求める。“A"
の意味、および求め方は後に詳細に説明する。

４）最も観察したいと推定されるMRI値をMVPと名付け
る。次に手順300において、ヒストグラムを解析しMVPを
求める。MVPの定義、および求め方は後に詳細に説明す
る。

５）次に手順400において、その画像を表示するのに適
しているウィンドウを求める。この手順については後に
第２図、第３図を参照して詳細に説明する。

６）次に手順500において、求められたウィンドウによ
り、画像を表示する。

７）また自動設定されたウィンドウに対して観察者が必
要に応じ、第４図のWL、WWスイッチ３を操作してウィン
ドウを微調整することもできる。

したがって、画像を表示する場合には、表示ウィンド
ウの設定の操作が簡単になり、操作者の負担を軽減でき
る。

次に手順200において“A"の意味、および求め方を第
５図を参照して詳細に説明する。

第５図は手順100において作成されたMRI画像のヒスト
グラムの典型的な例である。人体のMRI画像の内、体外
に相当する部分は、一般的にMRI画素値（画像の各画素
のMRI値）が低くほぼ一定値である。これにより体外に
相当する部分は、第５図に示す斜線部分のような背景Ｈ
となる。この背景Ｈは観察を必要としない部分である。

そこで前記計算機２により前記背景Ｈと体内部分との
境界のMRI値を以下のごとく求める。このMRI値をＡとす
る。第５図に示すようにMRI値Ａを求めるには、まず最
低のMRI値以上、かつ一定以下のMRI値の範囲内であっ
て、ヒストグラムのピーク値H maxを求める。このピー
ク値H maxからMRI値の大きい方に数個のヒストグラム上
の点H₁,H₂…を求め、その点H₁,H₂…を通る直線Lnを最小
二乗法により求める。この直線Lnとヒストグラムの０を
表すＸ軸との交点におけるMRI値を求め、これをＡとす
る。Ａ以下のMRI値の部分を背景Ｈとする。

次に手順300におけるMVPの定義、および求め方を第５
図を参照して詳細に説明する。

MVPは、最も見たい部分と推定されるMRI値である。例
えば、その画像の中で背景を除き、最も多くの頻度を有
するMRI値が見易いように表示すれば、全体が見易い画
像になると考えて良い。したがって、第５図に示すよう
なヒストグラムを有する画像では、例えばＡ以上のMRI
値の中で最も頻度の高いMRI値をMVPと定めている。

したがって、MVPは、Ａ以上のMRI値でヒストグラムの
ピークを探すことにより求められる。ここでピーク（Pe
aK）は、第８図に示すように１点の値が両端での数点の
値より互い高い値であると定義している。

前記ピークは１つのヒストグラムに複数存在するが、
それぞれのピークの重用度を求め、最も重用度の高いピ
ークをMVPとする。ピークの重用度は、第９図に示すよ
うに１）ピークの間の距離２）ピークの高さ３）ピークの広がりなどを考慮して評価する。

次に手順400におけるこの画像を表示するに適したウ
ィンドウの求め方について第２図の実施例を示すフロー
図を参照して詳細に説明する。

１）まず手順ｂにおいて、候補値として設定されたウィ
ンドウWL及びWWで画像を表示した場合の画像の見易さを
表現する評価値としての画像度をニューラルネットワー
クにより求める。この画像度の求め方については後に詳
細に説明する。

２）次に手順ｃにおいて、このWL及びWWを各々大きく変
化させて、その時の画像の見易さを評価し、その中で最
も高い画像度を持つWL,WWに設定する。

３）次に手順ｄにおいて、前記WL及びWWの変化量を順次
小さくすることにより最も大きい画像度をもつWL及びWW
を求める。

なおウィンドウに関するパラメータは、WLまたはWWの
うち少なくともいずれか一方であっても良い。

この方法の具体的な手順を第３図および第７図を参照
して説明する。第７図（ａ）はWW,WLを変化させる場合
を示す概略図、第７図（ｂ）はWW,WLに対する画像度Ｑ
を示す概略図、第３図は具体的な手順の実施例を示すフ
ロー図である。

１）手順4210において、前記計算機２によりウィンドウ
の初期値WL₀、WW₀を求める。初期値は、例えば第５図に
示すようにMVPを明るさの中心として、WL₀＝MVP,背景Ｈ
以外は全て見えるようにするために、WW₀＝２（MVP-A）
のように設定する。

２）手順4220において、WLc＝WL₀,WWc＝WW₀に設定す
る。ここでWLc、WWcは候補のウィンドウである。

３）手順4230において、ΔWW＝WW₀/2とし、ウィンドウ
の変化量に初期値を設定する。

４）手順4240において、WLc,WWcにおける画像度Qcを計
算する（前記手順ｂに対応）。この画像度の求め方につ
いては後に詳細に説明する。

５）次に手順4250において、ａ）WLc＋ΔWW,WWcにおける画像度Ｑd₁を前記４）と同
様な方法で計算する。

ｂ）WLc＋ΔWW,WWc＋ΔWWにおける画像度Ｑd₂を計算す
る。

ｃ）WLc,WWc＋ΔWWにおける画像度Ｑd₃を計算する。

ｄ）WLc−ΔWW,WWc＋ΔWWにおける画像度Ｑd₄を計算す
る。

ｅ）WLc−ΔWW,WWcにおける画像度Ｑd₅を計算する。

ｆ）WLc−ΔWW,WWc−ΔWWにおける画像度Ｑd₆を計算す
る。

ｇ）WLc,WWc−ΔWWにおける画像度Ｑd₇を計算する。

ｈ）WLc＋ΔWW,WWc−ΔWWにおける画像度Ｑd₈を計算す
る。

６）次に手順4260において、画像度Ｑd₁〜Ｑd₈の中で、
最大の画像度をQdを求め、その画像度QdにおけるWL,WW
をWLd,WWdとする。

７）次に第７図（ｂ）に示すように、手順4270におい
て、画像度Qc＜Qdならば、Qcからこれより高い画像度Qd
に移動する。すなわち、手順4280において、WLc＝WLd,W
Wc＝WWdとし、手順4240へ戻る（手順ｃに対応）。

８）Qc≧Qdならば、手順4290において、ΔWW＝α×ΔWW
とする（手順ｄに対応）。ここでα＜１なる定数であ
る。

９）手順4295において、ΔWW≧ｒならば、手順4240へ戻
る。ここでｒは終了を決める定数である。ΔWW＜ｒなら
ば、WLc,WWcが最終的に求めるWL,WWとなる。

このように、候補として設定されたWL,WWに対する画
像度と、WL,WWを各々大きく変化させたときにおける各
画像度とによりWL,WWが変更設定され、さらにWL,WWの変
化量を順次小さくすると、最大の画像度が自動的に求め
られるので、最適なウィンドウが設定できる。これによ
り観察者の操作負担を軽減でき、しかも人間が感ずる見
易い表示画像を得ることができる。

次に手順4240〜4250において用いられている画像度を
求める方式について詳細に説明する。画像度はある設定
されたウィンドウで画像を表示した場合に、そのウィン
ドウにより表示された画像が、どの程度見易いかを指数
化し、これを評価値として表示したものである。

本発明ではこの画像度をニューラルネットワークを用
いて求め、装置ごとに，病院ごとの特性に合った画像表
示方法を提供するものである。以下、具体的な実施例を
説明する。

前記第４図において、計算機２は前記画像度を求める
場合には、画像度の求めるための評価項目をニューラル
ネットワーク５に転送する。ニューラルネットワーク５
は画像度を求め、その画像度を計算機２に転送する。そ
の結果、計算機２は画像度を得ることができる。

以下、画像度をニューラルネットワーク５により求め
る方法について詳細に説明する。

第10図は前記ニューラルネットワーク５の構成を示す
図である。ニューラルネットワーク５は、例えば入力層
30,中間層32,出力層34の３層で構成されている。入力層
30は、入力層30a〜30eの５素子からなり、入力層30a〜3
0eに例えば、１）MVPの明るさ２）“A"の明るさ３）明るさ12の面積４）明るさ値Ｌの面積５）明るさのバランスの評価項目（特徴）を入力する。本実施例では特徴を
５個としたが、これは本実施例に限定されるものではな
い。特徴の個数が増減した場合は、それに応じて入力層
30の素子数を増減させれば良い。これらの特徴の具体的
な求め方については後に説明する。

前記中間層32は例えば50素子からなり、前記入力層30
a〜30eともネットワークを構成している。

出力層34は１素子で構成され、前記出力層34から画像
度０〜１を出力する。

前記ニューラルネットワーク５の各素子は、前記実施
例に限定されないが、本実施例では以下に示すシグモイ
ド関数ｆ（ｘ）を用いている。

ｆ（ｘ）＝1/｛１＋exp（−ｘ＋ｂ）｝ここで、ｂはバイアスであって、バイアス素子（出力
が１）のウェイトであり、学習により決定される。

ニューラルネットワーク５は予め学習しておく必要が
ある。この学習については後に詳細に説明する。ここで
は、ニューラルネットワーク５は学習が終了しているも
のとする。

第６図に示すようにMRI値はWL,WWに応じて、連続した
明るさとして表示される。ただしWL−WW/2以下のMRI値
は全て最も暗く、WL＋WW/2以上のMRI値は、全て最も明
るく表示される。この明るさを便宜上第６図の縦軸に示
す数値、すなわち0.5〜16.5の連続値として表現してい
る。ここで画素値X,明るさＹとし、直線部分だけに限定
すると、Ｙ＝8.5＋16×（Ｘ−WL）/WW …（１）Ｘ＝WL＋WW×（Ｙ−8.5）/16 …（２）となる。

第11図は前記ニューラルネットワーク５により前記画
像度を求める手順を示すフロー図である。以下にこの手
順を説明する。まず最初に１）手順a₁では、設定されたウィンドウでのMVPの明る
さを求める。この明るさをMVPGとすると、（１）式のＸ
にMVPを、ＹにMVPGを代入して、 MVPG ＝8.5＋16×（MVP−WL）/WW …（３）となる。（３）式を用いてMVPGを求め、それに正規化
係数1/16.5を乗算し、０〜１の値に正規化する。

２）手順b₁では、手順a₁と同様に設定されたウィンドウ
での“A"の明るさを求める。これをAGとすると AG＝8.5＋16×（Ａ−WL）/WW …（４）となる。（４）式を用いてAGを求め、それに正規化係数
1/16.5を乗算し、０〜１の値に正規化する。

３）手順c₁では、前記同様に設定されたウィンドウでの
明るさ12に相当するヒストグラムの面積を求める。

明るさ12は明るさ11.5〜12.5と考えて、（２）式にＹ＝11.5〜12.5を代入すると、 X₁₂ ＝（3WW/16＋WL）〜（WW/4＋WL） …（５）となる。

したがって、明るさ12に相当するヒストグラムの面積
は（５）式の範囲のヒストグラムの面積を求めればよ
い。同様に正規化係数1/100を乗ずる。ただし、正規化
後、１を越えるものは１にする。

４）手順d₁では、同様に設定されたウィンドウでの明る
さＬに相当するヒストグラムの面積を求める。求められ
た明るさＬは、第11図においても最も明るい明るさであ
るから、Ｙ＝16.5に相当する。したがって、（２）式にＹ＝1
6.5を代入して X_16.5＝WW/2＋WL …（６）となる。したがって、X_16.5以上のヒストグラムの面
積を求めれば、明るさＬに相当するヒストグラムの面積
が求まる。同様に、正規化係数1/30を乗ずる。ただし、
正規化後、１を越えるものは１にする。

５）手順e₁では、同様に設定されたウィンドウでの明る
さのバランスを求める。明るさのバランスは以下により
定義する。

（明るさ４〜８の面積）／（明るさ９〜13の面積）それぞれの明るさの面積は、前記手順c₁と同様の方法
により求めることができる。同様に正規化の係数1/6を
乗ずる。ただし、正規化後、１を越えるものは１にす
る。

６）手順f₁では、前記手順a₁〜手順e₁で求めたそれぞれ
の値をニューラルネットワーク５に転送する。

７）手順g₁では、ニューラルネットワーク５よりニュー
ラルネットワーク５が計算した画像度を得る。

次に前述したニューラルネットワーク５の学習につい
て説明する。前述した如くニューラルネットワーク５は
予め学習しておく必要がある。学習方式は実施例に限定
されることはないが、本実施例ではバックプロパゲーシ
ョン法を用いる。ニューラルネットワーク５に一定数の
学習データを繰り返し提示し、バックプロパゲーション
法により学習を行ない、エラーが一定値以下になると、
終了する。本実施例では、以下に示す学習データを用い
て学習するが、この学習データの作成方法は実施例に限
定されることはない。

学習データは実際の複数枚の画像と、それを表示する
ために専門家が設定したウィンドウを基に作成する。

１）まず画像を１枚選択し、この画像に対して、専門家
（観察者）が設定したウィンドウをWLG,WWGとし、このW
LG,WWGに対して以下の25個の学習データを決定するため
の学習ウィンドウWLS,WWSをサンプリングする。

WLS＝WLG−WWG/2 WLG−WWG/4 WLG WLG＋WWG/4 WLG＋WWG/2 WWS＝WWG−WWG/2 WWG−WWG/4 WWG WWG＋WWG/4 WWG＋WWG/2 そして２）これらのWLS,WWSに対して前記第11図に示す手順a₁
〜e₁によりMVP,“A"などの５つの特徴量を25組求め、学
習データの入力データを作成する。

３）またこれらのWLS,WWSに対する教師データを第12図
に示すように定め、前記２）の入力データと組み合わせ
て25組の学習データを作成する。

４）以下、適当な枚数の画像について、それぞれ25組の
学習データを作成する。

５）そして作成された全ての学習データを、エラーが一
定値以下になるまで、繰り返し学習する。

以上の学習により予め学習を行っておく。

したがって、ニューラルネットワーク５は学習が可能
なので、関数，重み係数を決定する煩わしさがなくな
る。また装置ごとに，あるいは病院ごとの特性に合った
画像を容易に観察することができる。

最後に本発明の変形例について説明する。

（１）先ず前記実施例はウィンドウレベルおよびウィン
ドウ幅の両方を変化させる方式であるが、ウィンドウレ
ベル，およびウィンドウ幅のいすれか一方を一定値に固
定し、他方を変化させるようにしても良い。

（２）さらに実施例は１枚数の画像ごとにヒストグラム
を作成し、１枚数の画像ごとに表示ウィンドウを探索し
ているが、同一グループに属する全部の画像、例えば１
回のボリュームスキャンで撮影した複数枚のスライスか
らヒストグラムを求め、それに関してウィンドウを決定
し、複数枚数の画像を同一の表示ウィンドウで観察する
ようにしても良い。この場合には１グループの画像がす
べて同一のウィンドウになる。また、ニューラルネット
ワークの教師データの作成にも、複数枚数の画像のヒス
トグラムを使用してもよい。

（３）さらに実施例では、表示ウィンドウは線形（リニ
アー）であるが、表示ウィンドウは非線形（ノンリニア
ー）であっても良い。

（４）さらに前記実施例では１枚の画像ごとにウィンド
ウを計算しているが、同一の条件で連続して撮影した画
像であれば、同一の表示ウィンドウで観察する方が良
い。このため１枚目で観察者が選択したウィンドウ（微
調整を行なった場合は微調整後のウィンドウ）とその画
像度を求めて記憶する。次に２枚目の画像の表示が指定
された場合、１枚目のウィンドウにおける２枚目の画像
の画像度を求め、それを前記記憶した１枚目の画像度と
比較し、その差が一定以下ならウィンドウを変更しない
で、１枚目のウィンドウにより２枚目の画像を表示す
る。その差が一定以上の場合には、本発明方法により求
めたウィンドウで表示するようにしても良い。

（５）さらに前記実施例では１枚の画像ごとにウィンド
ウを計算しているが、同一の条件で連続して撮影した画
像であれば、同一の表示ウィンドウで観察する方が良
い。このため同一グループの代表的な画像（例えば中心
位置の画像）でウィンドウを求め、同一グループの全部
の画像に対して同一のウィンドウで画像を表示しても良
い。

（６）さらに、前記実施例では観察目的をヒストグラム
のピークにより推定しているが、以下の情報、方法を用
いて観察部分の画素値を推定するようにしてもよい。

（１）簡単な画像認識を行ない比較的画素値の纒まって
いる部分を見つける。

（２）撮影条件、（３）断面（アクシャル面、コロナル面、サジタル
面）、（４）撮影目的、これは病院オーダーリングシステムか
ら得ることもできる。

また、これらの情報、ヒストグラムの特徴（全体の面
積、ピークの位置、形、高さなど）により、画像度を求
める項目、ニューラルネットワークのウエイトなどを異
なるものを使用するようにしても良い。

（７）まず前記実施例では、出力素子が１個であり、
「明るさ」，「コントラスト」の両方を統合した画像度
を表しているが、出力素子を「明るさ」，「コントラス
ト」に対して２個とし、これを「明るすぎる〜適当〜暗
すぎる」（０〜１），コントラストが「強すぎる〜適当
〜弱すぎる」（０〜１）のように表しても良い。この場
合、画像度は両者の重み付けの合計として求める。また
「明るさ」の教師データは、第12図においてWWS＝WWG,
「コントラスト」の教師データはWLS＝WLGとおけばよ
い。

（８）さらに実施例は、学習と実行を同一のニューラル
ネットワークで行なっているが、学習はワークステーシ
ョンなどの他のニューラルネットワークで行い、実行は
別の簡単なニューラルネットワークで行っても良い。ま
た学習したニューラルネットワークの重み係数のうち、
値の大きいものだけを取り出し、（ニューラルネットワ
ークを使用せずに）計算機のソフトウェアだけで計算し
ても良い。

（９）さらに実施例では、すべての画像について、同一
の重み係数を使用しているが、画像のタイプにより異な
る重み係数を使用しても良い。この場合は、計算機から
ニューラルネットワークに、画像タイプに応じて異なる
重み係数を転送するようにする。また学習も画像タイプ
ごとに別々の学習データを用いて行なう。

（10）さらに実施例では、学習データ用の画像の選択に
ついては説明していないが、例えば装置ごとに、10枚数
程度の画像（画像タイプごとに別々に）を学習画像とし
て記憶する。この画像によりニューラルネットワークを
学習させる。このようにすれば、装置に応じたニューラ
ルネットワーク（重み係数）が形成される。さらに新し
い学習画像を追加するか、あるいは古い画像を新しい画
像に更新して、再度全体の学習画像を用いて学習するよ
うにすれば、装置の変化にも対応可能である。

（11）さらに前記（９），（10）では、装置ごとに画像
タイプごとに別々の重み係数を設けるようにしている
が、これを装置ごと、観察者（医師）ごと，画像タイプ
ごとに別々の重み係数を設けるようにしても良い。

（12）実施例では、特徴量を線形で正規化した値を入力
としたが、正規化は例えば正弦関数や対数変換などで正
規化しても良い。

（13）実施例では、特徴の個数とニューラルネットワー
クの入力層の素子数を同一にしたが、１つの特徴に複数
の入力素子を割り当てて、特徴量を線形で正規化した値
と、正弦関数や対数変換などで正規化した値を入力して
も良い。

このほか本発明の要旨を逸脱しない範囲で種々変形実
施可能であるのは勿論である。

［発明の効果］本発明によれば、評価値をニューラルネットワークに
より求めるので、ファジィー類似方式におけるメンバー
シップ関数等を決定することなく、装置ごとにあるいは
病院ごとの特性に合った画像を容易に観察することがで
きる。

またニューラルネットワークにより評価値を求め、最
も大きい評価値をもつウィンドウでMRI画像を観察で
き、画像を表示する際にウィンドウ設定の操作が簡単に
なり、操作者の負担を軽減できる画像表示装置を提供で
きる。

【図面の簡単な説明】

第１図は本発明に係る画像表示方法の全体の手順を示す
フロー図、第２図はウィンドウを求める方法を示すフロ
ー図、第３図は前記ウィンドウの求め方の具体的な手順
の実施例を示すフロー図、第４図は前記画像表示方法を
適用した画像表示装置を示す概略ブロック図、第５図は
典型的なMRI画像のヒストグラムを示す図、第６図はMRI
値をWL,WWに応じて連続した明るさとして表示した図、
第７図はWW,WLを変化させた場合のWW,WLに対する画像度
Ｑを示す概略図、第８図は前記MRI画像のピークの定義
を示す図、第９図はMVPの求め方を説明するための図、
第10図はニューラルネットワークの構成を示す図、第11
図は前記ニューラルネットワークで画像度を求める手順
を示すフロー図、第12図はWLS,WWSに対する教師データ
を示す図、第13図は従来のウィンドウの設定方法の一例
を示す図である。１……画像メモリ、２……計算機、３……WL,WWスイッ
チ、４……表示装置、５……ニューラルネットワーク、
30……入力層、32……中間層、Ｑ……画像度、WL,L……
ウィンドウレベル、WW,W……ウィンドウワイド、Ｈ……
背景、MVP……最も重要と推定されるMRI値。

フロントページの続き (58)調査した分野(Int.Cl.⁶，ＤＢ名) G06T 5/00

Claims

(57)【特許請求の範囲】

【請求項１】ディジタル画像データの各画素値を、所定
範囲内の画素値のみが連続的に変化する明るさ値に変換
されるように、明るさ値に変換する画像表示装置におい
て、ディジタル画像データから画素値のヒストグラムを求め
る手段と、前記ヒストグラム中の複数の所定のパラメータを入力
し、前記ディジタル画像データを表示する際の表示画像
の見易さを示す画像度を出力するニューラルネットワー
クと、前記所定範囲を変えたときの前記ニューラルネットワー
クの出力に応じて、前記所定範囲の最適値を求める手段
と、を具備する画像表示装置。
【請求項２】前記所定範囲の最適値を求める手段は、前
記所定範囲の候補を決める手段と、前記候補における画
像度と前記候補をずらした場合における画像度とを求め
る手段と、前記候補における画像度と候補をずらした場
合における画像度とを比較し、候補における画像度が最
大となるまで前記候補をずらしながら、前記候補におけ
る画像度と前記候補をずらした場合における画像度とを
繰返し求める手段とを具備することを特徴とする請求項
１記載の画像表示装置。
【請求項３】前記ニューラルネットワークは学習精度が
異なる２つの階層型のニューラルネットワークからな
り、前記最適値を求める手段は学習精度の低いニューラルネ
ットワークから順に使って最適値を求め、各ニューラル
ネットワークの出力が次のニューラルネットワークによ
る処理における候補となることを特徴とする請求項２記
載の画像表示装置。
【請求項４】前記ニューラルネットワークはヒストグラ
ム中の表示画像の明るさに関する第１パラメータ、表示
画像のコントラストに関する第２パラメータ、および明
るさのバランスに関する第３パラメータを入力すること
を特徴とする請求項１記載の画像表示装置。
【請求項５】前記第１パラメータは頻度が最も高い画素
値の明るさデータとヒストグラム上で体内と体外との境
界にある画素値の明るさデータを含み、前記第２パラメ
ータはヒストグラム上の表示明るさ範囲の中間の明るさ
部分の面積データと最大明るさ部分の面積データとを含
み、前記第３パラメータはヒストグラム上の前記中間明
るさより明るい部分の面積と暗い部分の面積の比データ
を含むことを特徴とする請求項４記載の画像表示装置。
【請求項６】前記ニューラルネットワークは１枚の画像
内の各部分毎の見易さを示す画像度を求め、前記頻度が
最も高い画素値の明るさデータはヒストグラム内の各ピ
ーク点の画素値の明るさデータを含むことを特徴とする
請求項５記載の画像表示装置。