JP3432863B2 - ディジタル乳房ｘ線像のクラスタ化微小石灰化物検出支援方法 - Google Patents

ディジタル乳房ｘ線像のクラスタ化微小石灰化物検出支援方法

Info

Publication number
JP3432863B2
JP3432863B2 JP17893293A JP17893293A JP3432863B2 JP 3432863 B2 JP3432863 B2 JP 3432863B2 JP 17893293 A JP17893293 A JP 17893293A JP 17893293 A JP17893293 A JP 17893293A JP 3432863 B2 JP3432863 B2 JP 3432863B2
Authority
JP
Japan
Prior art keywords
image
pixel
value
signal
threshold
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.)
Expired - Fee Related
Application number
JP17893293A
Other languages
English (en)
Other versions
JPH06154201A (ja
Inventor
ロバート・エム・ニシカワ
メアリーエーレン・エル・ジガー
邦雄 土井
Original Assignee
アーチ・デベロップメント・コーポレーション
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 アーチ・デベロップメント・コーポレーション filed Critical アーチ・デベロップメント・コーポレーション
Publication of JPH06154201A publication Critical patent/JPH06154201A/ja
Application granted granted Critical
Publication of JP3432863B2 publication Critical patent/JP3432863B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • 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
    • 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

Description

【発明の詳細な説明】
【０００１】
【産業上の利用分野】本発明はディジタル乳房Ｘ線像の
クラスタ化微小石灰化物の検出支援に関し、特に異常例
の正診(true-positive) 数を減じることなく正常例の誤
診(false-positive)数を低減するための技術に関する。
【０００２】
【従来の技術】乳房Ｘ線像の解釈に際し、放射線医師を
支援する現在進行中の試みの一つとして、乳房Ｘ線像中
のクラスタ化微小石灰化物(clustered microcalcificat
ion)もしくは胸部塊(breast mass) を検出するための様
々な計算機を用いた診断支援（ＣＡＤ）方式が種々報告
されている。
【０００３】従来の診断支援方式によれば、乳房X線像
中の疑いのある領域を放射線医師に対して警告すること
で、乳房X線撮影法の精度が高められる。放射線医師が
コンピュータを「第二の意見」として利用することがで
きれば、その効果として各乳房X線像を二重に診断する
ことが可能となる。定期的な乳房造影検査制度を擁護す
る幾つかの医学協会にとっては、乳房造影法が放射線医
師により診断される最も一般的な型の放射線写真の一つ
となり得ることから、これは重要なものである。
【０００４】これらの全てもしくはほとんどの技術で
は、所定の大きさ未満の信号は、これらの微細信号がノ
イズにより引き起こされたものであるとの前提に基づい
て、偽信号として除去されている。しかしながら、現在
確立された技術に対して、適度に正確な検出を達成する
ための余剰な処理能力がまだ必要とされている。ＣＡＤ
方式での重要な過程は微小石灰化物をグループ化するか
またはクラスタ化することである。これはクラスタ化微
小石灰化物は単独の微小石灰化物よりも臨床上重要だか
らである。実際、クラスタ化微小石灰化物は悪性腫瘍の
重要な早期指標源となり、時には乳房Ｘ線像における視
覚可能な胸部癌の唯一の指標源となる。個々の（非クラ
スタ化）微小石灰化物は、ほとんどの場合臨床上重要で
はない。したがって、コンピュータ検出方式の場合、単
独の微小石灰化物に対立するものとしてクラスタ化微小
石灰化物を見つけ出すことが重要となる。クラスタ化微
小石灰化物の検出のための従来技術は緩やかな進展を遂
げてはいるが、その成果は限られたものである。
【０００５】さらに、乳房Ｘ線像から偽信号を除去する
ための様々な特徴分析技術が従来研究されているが、検
出クラスタの正常例の誤診数をさらに低減するための改
良が求められている。
【０００６】
【発明が解決しようとする課題】したがって、本発明の
目的は、微小石灰化物の異常例の正診検出感度を低減せ
ずに、正常例の誤診検出数を低減することで診断の精度
を高めることができる乳房Ｘ線像におけるクラスタ化微
小石灰化物の検出支援のための新規な改良方法を提供す
ることにある。
【０００７】また、本発明の他の目的は、画像システム
の物理的特性並びに放射線写真撮影された組織のＸ線特
性に関する知見に基づいて、画像化した微小石灰化物の
特徴を正確に抽出し、これらの特徴を利用して疑わしき
微小石灰化物の検出精度を高めるための、上述の新規な
方法を提供することにある。
【０００８】
【課題を解決するための手段】これら及び他の目的は本
発明に係わるディジタル乳房Ｘ線像におけるクラスタ化
微小石灰化物のコンピュータ処理検出の新規な改良方法
を用いて達成される。この新規な改良方法は、ディジタ
ル化乳房Ｘ線像を得る過程と、ディジタル乳房Ｘ線像か
ら差分画像を得る過程と、差分画像に対して全体グレー
レベル閾値処理、エリアフィルタリング処理並びに局所
グレーレベル閾値処理をこの順番に行なう過程と、前過
程で抽出された信号のテクスチャ解析過程と、テクスチ
ャ解析された信号にクラスタフィルタリング技術を施
し、クラスタ化微小石灰化物候補に対応するディジタル
乳房Ｘ線像中の場所を特定する過程と、特徴抽出処理を
施し、原画像中のクラスタ化微小石灰化物候補に対応す
る信号の面積、コントラスト及び背景画素値を抽出する
過程と、抽出特徴に基づく閾値テストを施し、クラスタ
化微小石灰化物から正常例の誤診に相当すると識別され
た特定のクラスタ化微小石灰化物候補を取り除く過程
と、残りのクラスタ化微小石灰化物候補にクラスタフィ
ルタリング処理を施し、十分にクラスタ化していないク
ラスタ化微小石灰化物候補をさらに取り除く過程と、残
りのクラスタ化微小石灰化物の位置を矢印を用いて示す
画像を放射線医師に出力する過程とからなる。
【０００９】
【作用】本発明によれば、微小石灰化物の異常例の正診
検出感度を低減せずに、正常例の誤診検出の数を低減す
ることで診断の精度を高めることができる乳房Ｘ線像に
おけるクラスタ化微小石灰化物の検出支援のための新規
な改良方法を提供することができる。
【００１０】さらに、本発明によれば、画像システムの
物理的特性並びに放射線写真撮影された組織のＸ線特性
に関する知見に基づいて、画像化した微小石灰化物の特
徴を正確に抽出し、これらの特徴を利用して疑わしき微
小石灰化物の検出精度を高めるための新規な改良方法を
提供することができる。
【００１１】
【実施例】以下、図面を参照して本発明によるディジタ
ル乳房Ｘ線像のクラスタ化微小石灰化物検出支援方法の
実施例を説明する。図面中、同一の参照番号は同一もし
くは対応する要素を示すものであり、特に図１では、本
発明により行われる一連の処理過程の流れが示されてい
る。
【００１２】ステップ１００では、コンピュータ化放射
線撮影システム等の従来のハードウェアを用い、従来の
乳房Ｘ線像をレーザスキャナを用いてディジタル化する
ことで、ディジタル乳房Ｘ線像が得られる。
【００１３】ステップ２００で、米国特許第４，９０
７，１５６で述べられているような方法でディジタル乳
房Ｘ線像から差分画像を生成する。しかる後、ステップ
３００で、信号抽出処理を行なう。ステップ３００で
は、米国特許第４，９０７，１５６で開示されるヒスト
グラム技術を利用して全体グレーレベル閾値処理が行わ
れ、ステップ２００で得られた差分画像データ中の最も
明るい画素の２％を除いて全て除去し、微小石灰化物候
補を抽出する。しかる後、モルフォロジー信号強調を利
用したエリアフィルタリング処理を後で述べるように行
ない、画像ノイズに起因する微小信号を除去する。次
に、適応局所グレーレベル閾値を用いて偽信号数をさら
に低減する。この閾値処理は画像中の５．１×５．１ｍ
ｍ領域の画素値の局所統計値（平均、標準偏差）に基づ
いて行われる。この閾値は標準偏差値の倍数に平均値を
加算した値に設定されている。典型的には、２．８〜
４．２の倍数が利用される。
【００１４】残りの信号はステップ４００でテクスチャ
解析が施され、さらにステップ５００で後で述べるよう
に、クラスタフィルタリング処理が施される。ステップ
５００で行われるクラスタフィルタリング処理の結果、
潜在的に微小石灰化物との疑いのある差分画像中の場所
が特定される。ステップ５００で特定された場所の周辺
領域の差分画像がステップ６００で特徴抽出処理され、
ステップ５００で特定されたと評価された領域での差分
画像データの面積、コントラスト（すなわち、厚さ）及
び背景画素値が決定される。
【００１５】その後、ステップ７００で面積対コントラ
ストテストを行ない正常例の誤診に対応する多数の画像
位置を除去し、さらに正常例の誤診として識別されたも
のに対応するよう決められた画像位置を除去するため
に、ステップ８００で再びコントラスト対背景テストが
行われる。
【００１６】ステップ９００では、残りの識別位置のク
ラスタフィルタリング処理が行われる。ステップ９００
後に残るクラスタはステップ１０００で放射線医師に判
定のために特定される。
【００１７】図１に関連して本発明の処理の全体像が与
えられたので、以下この処理における特定のステップに
ついて説明する。モルフォロジー学(Mathematical moro
phology)という概念は画像処理上有益な概念である。医
療用画像分野では、モルフォロジー演算子は画質を向上
するために主に用いられている。モルフォロジー演算子
はまた、空洞を補充したり（信号強調またはずらし重ね
(dialation) ）、小信号を除去する（信号減弱または掻
き取り(erosion) ）ことに有益である。しかしながら、
より大きな構造の全てを保存しながら、単位面積中に数
画素しかない構造を補充するか、または除去することが
必要な場合は、問題がある。信号減弱では、例えば、最
も小さい対称核(kernel)が３×３の十字型であり、単位
面積当り５個の画素よりも小さな如何なる構造も除去さ
れる。したがって、対称核を利用して、５画素よりも小
さな領域の構造のみを除去することは不可能である。仮
に一つの小さな対称核を利用した場合は、より小さな信
号の全ての可能な形態と方向性をうまく除去することは
不可能である。
【００１８】３×３の十字型をより小さな非対称核に分
解することがこの解決策である。このような分解の一例
が図３に示されている。これらの構造化要素をモルフォ
ロジー演算子として使用するために、以下の４つの組み
合せが可能である。
【００１９】
【数１】
【００２０】式（１）及び（２）の演算子は非分解構造
化要素、すなわち全ての非対称構造化要素の重畳により
形成される構造化要素に関して、信号強調及び信号減弱
と各々同一なものである。式（３）及び（４）は微小構
造を弁別することが可能な唯一の信号強調及び信号減弱
演算子である。構造化要素の大きさ、形並びに数に基づ
いて、様々な大きさの構造が以下で検討する画像から除
去することが可能となる。
【００２１】次に、本発明に係わるエリアフィルタリン
グで特に行われる処理過程を図２に関連して説明する。
全体閾値画像データはステップ２００（図１）で形成し
た差分画像からステップ３１０で得られる。ステップ３
１５で、操作開始点が画像の左上隅に選択される。しか
る後、ステップ３２０で各構造化要素が操作点と重ねら
れ、各構造化要素に対する重畳画素の最小画素値が決定
され、一時的に記憶される。ステップ３２５で、構造化
要素を同一の操作点に重ねることで得られた記憶最小画
素値の最大値が決定され、この最大画素値が操作点の画
素値に代入される。
【００２２】ステップ３３０で、操作点を右方向に走査
し、もし次の操作点がラインの終端に位置していなけれ
ば（ステップ３３５）、次の操作点に対しステップ３２
０、３２５及び３３０を繰り返す。一ライン分の全ての
操作点が処理されたとき、ステップ３３５からステップ
３４０に処理をひとつ進め、左端の操作点を一ライン分
下げる。もし一ライン分下げた次のラインがステップ３
５０で求めた画像の底であった場合、ステップ３５５
で、微小信号が除去されたエリアフィルタリングされた
画像データを出力する。もし次のラインが画像の底でな
かった場合、次のライン上の操作点を処理するために、
ステップ３５０からステップ３２０へと処理が進む。し
たがって、モルフォロジー信号強調処理は全ての操作点
が処理されるまで続けられる。上述の処理は前記式
（３）に対応するものである。
【００２３】図４〜図７は４つの異なる構造化要素群を
示している。第１の群（図４）は２画素の領域を有する
全ての構造化要素からなる完全群であり、８個の要素か
らなる。第２の群（図５）は３画素の領域を有する全て
の構造化要素からなる完全群であり、６０個の要素から
なる。第３の群（図６）は第１群の副群であり、８個の
要素の内の３つを有している。第４の群（図７）は第２
群の副群であり、６個の要素を含んでいる。以下の説明
では、各構造化要素群の異なる効果について検討する。
近年、R. P. Loce及びE. R. Dougherty は他の構造化要
素群について述べている（「構造化要素ライブラリによ
る最適二値化モルフォロジーフィルタ設計の簡便化と設
計上の制約条件」、オプティカルエンジニアリング、３
１（５）巻、１００８〜１０２５頁、１９９２年）。
【００２４】図４〜図７で示される３つの構造化要素群
の各々を信号強調処理で利用する効果が各々図８〜図１
１に示されている。図８、図９で注意すべきことは、図
１２で示されているように、構造物は除去されている
か、または原画像と比べて何等変更していないことであ
る。不完全な構造化要素群を利分する場合、残余構造物
の幾つかは信号強調されており、３画素の領域を有する
幾つかの構造物、すなわち対角線上に位置する構造物は
除去されている。より小さな構造化要素群を使用する利
点は、信号強調処理を達成する時間が少なくとも５０％
低減されることである（表１参照）。ディジタル化した
放射線画像では、如何なる構造も直線対角、１画素“ワ
イド”とは見なし得ないであろう。上述のエリアフィル
タリング処理によるＣＡＤ方式の性能上の効果は重要な
ものである。同一の８５％の異常例の正診率に対して
は、画像当りの検出された正常例の誤診の平均数は前述
の面積テストに比べて本発明のエリアフィルタを用いた
場合は、８から２．５に低減される。
【００２５】
【表１】
【００２６】多数の構造化要素を用いることで、画像を
選択的に信号強調することが可能となる。構造化要素の
完全群に関しては、小構造物のみが画像から除去され、
他の全ての構造物はそのまま保持されている。単独の構
造化要素ではこれは不可能である。したがって、多数の
構造化要素を使用することは、画像からノイズのみを取
り除くという応用に好都合である。信号強調処理は画像
からスパイクノイズを除去するものであるが、多数の構
造化要素を利用した信号減弱処理は画像中の他の構造物
を変更することなく、デプレッションノイズを除去する
ことに利用できる。これらの信号強調、信号減弱処理を
互いに組み合わせることで、より大きな構造体を保持し
ながら画像中の高周波のランダムな変動を低減すること
が可能となる。
【００２７】複数の構造化要素を利用した本エリアフィ
ルタを前述の面積テストに代えて用いた場合、本ＣＡＤ
方式でより良い効果が得られることに注意すべきであ
る。領域識別の順序付け並びに局所的な適応可能な閾値
処理の結果として、ＣＡＤ性能をさらに改良することが
可能となる。非線形演算子を利用しているので、領域処
理と局所閾値処理の順序付けは重要である。局所閾値処
理を最初に行った場合は、たくさんの小信号が生成さ
れ、これらのうちの最小なものは面積テストにより除去
される。これらの除去された小信号の幾つかは真性の微
小石灰化物であってもよい。より小さな閾値を用いれ
ば、面積テストでは除去されないより大きな信号を生成
するが、多数のより疑わしい信号も生成してしまう。領
域識別処理を最初に行なうことで、真性のノイズ画素の
みが除去される。局所閾値処理後では、幾つかの小信号
が再び生成されるが、これらは既に領域識別処理を通過
しているので、画像中に残存している。
【００２８】ステップ３００のエリアフィルタリング処
理後は、上述の局所閾値処理が行われる。その後、ステ
ップ４００でテクスチャ解析(texture discrimination)
処理が行われる。このステップでは、背景傾向(backgro
und trend)補正が行われ、フーリエパワースペクトルと
パワースペクトルの１次モーメントとが決定される（米
国特許第４，８５１，９８４参照）。パワースペクトル
の１次モーメントが３．０サイクル／ｍｍより大きな閾
値処理が施された画像中の信号が背景値に設定される
（この場合、背景は５１２の値を持つ）。その結果、微
小石灰化物の疑いのある処理画像が得られる。
【００２９】ステップ４００に引続き、本発明の新規な
クラスタフィルタリング処理がステップ５００で行われ
る（図１）。ステップ５００で、画像中のグループもし
くはクラスタの微小石灰化物に対応する位置が特定され
る。グループ化は二つの基本ステップを用いて行われ
る。最初に、単位面積当り数画素であろう信号（微小石
灰化物の疑いのある）は再帰的な領域／点（Ａ／Ｐ）変
換を行なうことで単一画素信号に低減される。次に、小
領域、典型的には３．２×３．２ｍｍ内の信号（背景よ
りも大きな値を有する画素）の数が計数される。３つ以
上の信号が存在する場合、出力画像中に残されるが、そ
れ以外の場合は残されない。こうして弧立信号が除去さ
れる。さらにこの方法によると、クラスタ内の信号の空
間分布に基づいた本発明者等の先の検出方式により誤っ
て検出されたクラスタを除去することが可能となる。
【００３０】クラスタ化した微小石灰化物を検出するた
めには、まず個々の信号（疑いのある微小石灰化物）を
特定し、さらにこれらの個々の信号をグループ化もしく
はクラスタ化する。本発明以前では、クラスタは、成長
クラスタの中心から所定の距離以内にある３つ以上のグ
ループとして定義されていた。この処理は幾つかの欠点
を有している。第１に、乳房Ｘ線像中の全ての潜在的な
信号の正確な空間位置（ｘ，ｙ）を決めなければならな
いということである。第２に、特にクラスタ化半径に比
べて大きな領域を信号が占有する場合、信号が誤ってグ
ループ化される場合がある。第３に、この技術では多数
の偽クラスタが検出されてしまう。
【００３１】本発明のクラスタフィルタリング技術で
は、正確な空間位置を知ることなく信号を効率よくグル
ープ化でき、さらにクラスタ内の信号の空間分布に基づ
いた偽クラスタを除去することが可能となる。加えて、
単一の画素で表わされるように大面積の信号を低減でき
る再帰的な変換が利用されている。
【００３２】図１３及び図１４は本発明のクラスタフィ
ルタリング処理で行われる処理過程を示している。図１
３では、最初のステップであるステップ５１０は図１４
でその詳細が示されているが、領域／点変換を行なうも
のである。領域／点変換の目的は、実際に微小石灰化物
に対応する信号の処理画像中の位置を特定し、これらの
位置を単一画素により特定することである。
【００３３】図１４で、領域／点変換はテクスチャ解析
後の閾値画像（グレースケール画像）が得られるステッ
プ５１１から始める。ステップ５１２で、３×３の画素
核が画像の左上角に位置決めされ、核により重ねられる
画素の値を評価するためのテンプレートとして利用され
る。ステップ５１３では、画素値が背景値以上の画素数
が計数され、その数が２以上の場合、ステップ５１４で
その核内の全ての画素が、可能な最大画素値に設定され
る右下角の画素を除いて、背景画素値に設定される。そ
の後ステップ５１５に進む。もし、ステップ５１３の計
数結果が３未満であれば、ステップ５１５に進む。ステ
ップ５１５で、３×３核が右方向に２画素位置決めさ
れ、ステップ５１６で画素核の新しい位置がラインの終
端にあるかどうかが判定される。もし、“ノー”であれ
ば、ステップ５１３〜５１５を画素核の新しい位置に対
して繰り返し行ない、もし、“イエス”であれば、ステ
ップ５１３の核は２ライン分下げられ画像の左側に戻さ
れる。ステップ５１８で、核の新しい位置が画像の底に
あるかどうかが判断され、もし、“ノー”であれば、核
の新しい位置に対してステップ５１３〜５１７が繰り返
し行われる。また、ステップ５１８の結果が“イエス”
であれば、単一画素信号の生成画像がステップ５１９で
出力される。ステップ５１９の出力画像は、微小石灰化
物を含むであろう信号の可能な位置を表すために、背景
値（５１２）、または可能な最大画素値（１０２３）に
なるように設定された様々な画素値を有している。
【００３４】図１４に関連して述べた領域／点変換（Ａ
／Ｐ変換）の一例を図１５に示している。変換画像中の
画素は原画像の信号の中心位置に対応しておらず、信号
の縁からほとんど２画素の位置にある。本出願では、こ
れは問題ではない。
【００３５】この再帰Ａ／Ｐ変換は低減すべき信号がＶ
字もしくはＹ字である場合には期待されるようには機能
しない。Ｖ字またはＹ字の二つの腕が３画素より多く離
れている場合、信号は１画素ではなく、２画素に低減さ
れる。モルフォロジー閉演算子は、全ての信号がコンパ
クトなものであることを保証するためのＡ／Ｐ変換処理
前に行なうことができる。しかしながら、臨床学的展望
からは、ＶまたはＹ字の信号を二つの分離信号に変換す
ることは必ずしも悪いことではない。このような形に表
された微小石灰化物は高い確率で悪性腫瘍である。これ
らを一つではなく二つの信号として計数することで、こ
れらは効果的に強調され、クラスタ化変換処理により除
去されるであろう確率で低減される。
【００３６】再び、図１３を参照して、ステップ５１９
で生成した二値化画像がステップ５１０で領域／点変換
から出力され、ステップ５２０の処理によりクラスタが
存在するかどうか決定される。
【００３７】クラスタの存在は、二値化画像に重なった
所定の大きさの核内に値が１０２３である画素が所定数
存在するかどうかにより決定される。したがって、図１
３のステップ５２０では、３２×３２の画素核が画像の
左上の角に位置しており、ステップ５３０で画像中の画
素値が１０２３である画素数が計数される。もし、ステ
ップ５４０で、その数が３以上であれば、核内画素が二
値化画像から対応する二値化出力画像に複写される。ス
テップ５３０で計数された数が３より少ない場合、３２
×３２の画素核が１画素分右方向に位置合わせされる。
もし、その新しい位置がラインの終端でない場合、ステ
ップ５６０で決定されたように、ステップ５３０、５４
０及び５５０が繰り返される。新しい位置がラインの終
端である場合、ステップ５６０で決定したように、ステ
ップ５７０で核は１ライン分下の画像の左端に戻るよう
位置合わせされる。さらに、もし、新しい画像が画像の
底に位置していない場合、ステップ５３０、５４０、５
５０、５６０及び５７０が繰り返される。もし、新しい
位置が画像の底である場合、クラスタ化した信号の場所
を特定する二値化画像が出力される。
【００３８】本ＣＡＤ方式の性能に対するクラスタ化核
の大きさの効果を確かめるために、本発明者等は、異な
る核サイズに対する９個のテスト画像中の検出偽性クラ
スタに対する真性クラスタの割合を調べた。各核サイズ
毎に、局所グレーレベル、閾値を変えることで異なる異
常例の正診率と正常例の誤診率が得られた。図１６は、
真性クラスタの９０％が検出された場合の、核サイズの
関数としての画像当りの誤って検出されたクラスタの平
均数を示している。各点に対し、構成全体の感度を９０
％に維持するために局所閾値を変動させた。３２×３２
画素の核で、画像当り最も小さい数の偽クラスタとなっ
た。
【００３９】図１７は、開示したクラスタ化技術を使用
した場合の本ＣＡＤ技術の性能と、発明者等による先の
クラスタ化技術を使用した場合の性能とを比較したもの
である（先のクラスタ化技術では、二つの最近接した信
号の重心が直径６ｍｍの円の中心として使用され、この
円内の次の最近接した信号を検索している。重心位置は
三つの信号に対して更新され、円の中心として利用され
る。このプロセスは円内に新しいアイランドを見いだす
ことができなくなるまで繰り返され、円内の信号群がク
ラスタとして定義される）。図１７は画像当りの偽検出
の平均数に対する検出された真性クラスタの割合を示し
たものである。曲線上の点は局所グレーレベル閾値を変
えることで生成された。曲線は、総数７８の乳房Ｘ線像
からランダムに選択された６０ケースの１００の部分集
合の平均である。誤差バーは平均の標準偏差を表してい
る。平均値の曲線は７８個の全ての乳房Ｘ線像が一度に
使用されたときの曲線の１％以内に納まることに注意す
べきである。本クラスタ化技術を使用した場合、性能上
の注目すべき向上点がある。８５％の感度を維持しなが
ら、すなわち、クラスタ化の段階中に真性クラスタを除
去せずに画像当り検出されたクラスタの正常例の誤診平
均数を４．２から２．５に低減することができる点であ
る。
【００４０】信号をグループ化するという本クラスタ化
技術は我々のＣＡＤ方式の性能を向上している。クラス
タ化技術は弧立信号のみを最終画像から除去することが
できる。それ故、与えられた局所閾値レベルに対して、
ＣＡＤ方式の感度は新しい技術を用いても向上すること
はできないが、偽性クラスタの数を低減することはでき
る。図１７から、新しいクラスタ化技術を実現すること
で最終的な利益を得ることは明らかである。この利益
は、本クラスタ化方法で使用できる局所閾値が古い方法
で使用できたものよりも低い値であることの結果であ
る。通常、より小さな局所閾値は感度と正常例の誤診率
を増加する。しかしながら、本クラスタ化方法では、偽
クラスタの検出数が極度に低減されている。これは、新
しいクラスタ化技術を利用したときのより小さな局所閾
値での性能向上の結果である。例えば、局所的な近接区
域での標準偏差の３．４倍の局所閾値では、古いクラス
タ化方法は画像当り１１．９の偽性クラスタを有する９
０．２％の感度を与えていた。標準偏差の３．２倍の局
所閾値を有する本クラスタ化技術を使用した場合、画像
当り７．６の偽性クラスタを有した同一の感度値が得ら
れる。これよりも低い局所閾値では、古い方法は画像当
り２１．６の偽クラスタを有する９５．１％の感度を与
えることができていた。
【００４１】偽クラスタの検出が極度に低減される理由
は、１クラスタ内の任意の二つの信号間の最大距離を、
先のクラスタ化方法を使用したＣＡＤ方式により見いだ
された真性のクラスタ、正常例の誤診クラスタの両方に
対してクラスタ内の最近接信号間の距離に対してプロッ
トした図１８を見ることでわかる。真性クラスタでは、
１クラスタ内の二つの信号間の最小距離は３２画素より
小さいものであるが、多数の正常例の誤診クラスタでは
最小距離は３２画素よりも大きなものとなる。これに対
する一つの可能な理由は、乳房Ｘ線像でのランダムな変
動（ノイズ）が偽信号を生成できるためである。これら
は幾分局所領域中に均一に分布する傾向がある。これに
対して、真性クラスタは幾分局所的な生理学的プロセス
の結果であり、これらは定義された領域中に近接して群
を形成する傾向にある。新しいクラスタ化方法では、最
近接間距離がこの技術で利用される核の長さよりも大き
い如何なる潜在的なクラスタも除去できるので、検出さ
れた真性クラスタの数を減らすことなく正常例の誤診ク
ラスタの数を低減することができる。
【００４２】図１７は、画像当りの偽クラスタの平均数
が画像当り５より少ない場合のみに性能上向上できるこ
とを示したものである。５以上の点に対しては、局所閾
値は低くなるであろう。局所閾値が減少するにつれて、
偽信号が多く検出されるようになり、クラスタ当りに検
出される信号の平均数が増加する。偽クラスタ中の信号
はクラスタ内でランダムに分布することができるので、
クラスタ内に信号がより多く存在すれば、３２×３２画
素の領域内に３以上存在する確率もより高くなる。した
がって、本クラスタ化技術は低局所閾値（正常例の誤診
が高率）であまり有効ではない。
【００４３】放射線医師はしばしば１平方ｃｍの領域中
に少なくとも５つの微小石灰化物が存在すると、それら
をクラスタとして定義していることに注意すべきであ
る。これは、３．２平方ｍｍ領域中に少なくとも三つの
信号を必要とする（３２×３２画素）本技術の基準とは
異なるものである。放射線医師によるクラスタの定義を
使用した場合、ＣＡＤ方式の性能がより低下する、すな
わち、正常例の誤診数が増加するであろう。本コンピュ
ータ方式では、画像は執ようにフィルタにかけられ、処
理されており、この結果高い割合のクラスタを検出する
ことができるが、５０％未満の真性微小石灰化物が検出
される。真性クラスタが８つの微小石灰化物を含有して
いるかもしれない場合、ＣＡＤ技術ではクラスタ内にそ
れらのうちの三つのみを検出することができる。さら
に、本発明では極めて微細なクラスタを検出しているの
で、本発明は乳房Ｘ線像中のノイズ（量子化した斑点）
に極めて敏感である。フィルムの１平方ｃｍ領域内に、
画像中のノイズが高い正常例の誤診率を誘引する５個の
偽性信号を生じるかもしれない。それ故、本発明で使用
されるクラスタの定義は、臨床上のものとは異なるが、
本技術が有効なものとなるためには必要なものである。
【００４４】クラスタフィルタリング処理（ステップ５
００、図１）を行った後、本発明のプロセスは特徴抽出
処理を含んだステップ６００に進む。原ディジタル画像
から、面積、コントラスト（すなわち、厚さ）及び背景
の基本的な特徴が以下で述べられ、さらに図１９、図２
０で示された技術を用いて抽出される。
【００４５】信号コントラストは観察人により検出上利
用される最も重要な信号特徴のうちの一つである。これ
は画像のコンピュータ分析に対してもまた有益な特徴に
なることが直感的に期待される。しかしながら、図２１
からわかるように、露光という点からみた信号コントラ
ストは、光学的濃度で表された場合のフィルム勾配（ス
クリーン・フィルム方式の特性曲線の傾き）により非線
形的に増幅される。同一サイズと形状（同じ断面積と同
じ厚さ）の信号または微小石灰化物は同じ放射線コント
ラスト（すなわち、露光という点からのコントラスト）
を有するが、信号の背景フィルム濃度に依存して異なる
放射線写真コントラスト（すなわち、光学濃度という点
からのコントラスト）を持つことができる。したがっ
て、放射線写真コントラストの閾値処理は低濃度領域で
の高放射線コントラストを持った信号の損失とフィルム
の最適露光領域での低コントラストを有する信号に対す
る誤弁別を生じる。この問題は、最初に信号の放射線写
真コントラストをその放射線コントラストに変換し、さ
らに信号の放射線コントラストに閾値処理を施すことで
解決される。本発明者等は信号の画素値とその背景をそ
の放射線コントラストに変換し、さらにその有効な厚さ
を導く方法を開発した。信号の厚さは信号領域との直接
の比較を可能にするために導入されたものであった。こ
れらの二つの量は本ＣＡＤ方式により検出された偽性信
号に対して特徴を識別するために利用することができ
る。微小石灰化物の厚さｔとその放射線コントラストＲ
ｃとの関係は以下に与えられる。
【００４６】 Ｒc ＝（１−ｃＦ）（１＋ｅｘｐ（−Δμｔ）） （５） ここで、ｃ＝散乱防止Ｘ線格子の散乱透過係数 Ｆ＝散乱率 Δμ＝石灰物と腺組織との直線減衰係数の差 式（５）で使用された放射線コントラストは、まず、G.
T. Barners による研究（「放射線斑点：包括的理
論」，メディカルフィジックス、９巻、６５６〜６６７
頁、１９８２年）に基づく、式（６）を用いたスクリー
ン・フィルム方式のブレ効果に対して補正しなければな
らない： Ｒc ＝Ｒc'（Ａ0 ／Ａ）sf' （６） ここで、（Ａ0 ／Ａ）sfはスクリーン・フィルム方式の
ブレ効果に対する補正因子、Ｒc'はブレ効果を含む放射
線コントラストである。因子（Ａ0 ／Ａ）sfは信号の大
きさと形状に依存し、またスクリーン・フィルム方式の
変調伝達関数ＭＴＦに依存している。Ｒc'を求めるに
は、その背景に対する信号のＸ線の露光量の比は、Ｘs
／Ｘb を知る必要がある。すなわち、 Ｒc'＝（１−Ｘs ／Ｘb ） （７） Ｘ線露光量はスクリーン・フィルム方式の特性曲線を用
いて計算することができ、スクリーン上に入射するＸ線
の露光量をＸ、フィルム光学濃度をＤとすると、次のよ
うに表わされる。
【００４７】 Ｘ＝Ｈ（Ｄ） （８） フィルム光学濃度はフィルムデジタイザの特性曲線から
得られたフィルムデジタイザの校正値ｋを使用して画素
値から決定することができる。
【００４８】 Ｄ＝ｋＰ （９） Ｄに変換する前に、まず画素値を以下の関係式を利用し
てフィルムデジタイザのブレ効果に対して補正する： ΔＰ＝ΔＰ′（Ａ0 ／Ａ）dig （１０） ここで、（Ａ0 ／Ａ）dig はフィルムデジタライザのブ
レ効果に対する補正である。
【００４９】ΔＰ′はブレの減退効果を含む信号Ｐs'と
背景Ｐb'との画素値の差である。ΔＰは補正後の信号Ｐ
s とその背景Ｐb との画素値の差である。因子（Ａ0 ／
Ａ）dig は信号の大きさと形状に依存し、またフィルム
デジタライザの変調伝達関係ＭＴＦにも依存する。Ｐb'
＝Ｐb と仮定すると、次式が得られる。
【００５０】 Ｐs ＝Ｐb ＋ΔＰ＝Ｐb'＋ΔＰ （１１） したがって、信号の画素値とその背景とを決定すること
で、信号画素値を生成する微小石灰化物の厚さを求める
ことができる。
【００５１】表２は使用されたパラメータのリストであ
る。特性曲線とＭＦＴデータは実験的に決定されたもの
である。計算は、２０ｋｅＶの単一エネルギーＸ線ビー
ムと４ｃｍの胸部厚さを仮定して行われた。
【００５２】
【表２】
【００５３】図２０は本発明の特徴抽出技術（ステップ
６００、図１）の概観を示している。特徴抽出技術の最
初のステップで、クラスタフィルタリング処理によって
出力される二値化画像を利用して、原画像の非処理画像
での対応画素を特定する。特に、ステップ６０２では、
ステップ６００で生成されるクラスタ化画像中の画素値
が１０２３である各信号に対して、原非処理画像中の対
応画素が決定される。ステップ６０４で、ステップ６０
２で求めた画素に関連した原画像中の画素が図２１に関
連して後で述べる処理ステップを利用して決まる。しか
る後に、ステップ６０６で、ステップ６０４で求めた信
号の面積とコントラストを原画像の信号画素に基づいて
求める。ステップ６０６で、判定中の信号に属した原画
像の画素が特定され、信号の面積が画素の面積の数倍の
信号中の画素数に等しくなるように決められる。信号の
コントラストは図２２で示されているように決められ
る。
【００５４】ステップ６０８（図２０）では、判定中の
信号の背景の平均画素値が原画像から求められる。背景
画素値は、残余の背景オフセットを差し引いた、新たに
特定された信号画素を除外した１×１ｍｍ領域内の平均
画素値となる。残余背景オフセットをどのように決める
かは図２１のステップ６２２を参照して後で述べる。
【００５５】ステップ６１０では、評価中の信号を構成
する微小石灰化物の面積と厚さが求められる。ステップ
６１０は図２２に関連して後に詳しく検討する。ステッ
プ６０２〜６１０で処理中の信号に対応する微小石灰化
物の面積と厚さが求まれば、図３に概略的に示されるよ
うに、信号の面積と厚さ及び背景の画素値とが閾値と比
較されるステップ６１２が行われる。ステップ６１２は
図１に示されるステップ７００と８００に対応するもの
であり、図１で示される面積対コントラストテスト７０
０及びコントラスト対背景テスト８００がステップ６０
４で求めた各信号に対して行われることを明確にするた
めに図２０に含まれている。もし、信号が何らかの閾値
テストに失敗した場合、それから信号が得られるクラス
タ化フィルタリング処理５００により生成されたクラス
タ化画像中の画素が、クラスタ化画像から除去される。
これはステップ６１４で概略的に示されている。図２０
で示されているように、何らかの閾値テストに失敗した
ことでクラスタ化画像から信号が除去された後に、図２
０のステップ６１６で表されているように、クラスタ化
画像により明確にされた全ての候補画像が分析されるま
でクラスタ化画像によって決まる次の信号がステップ６
１６で分析される。
【００５６】図２０から明らかなように、任意の閾値テ
ストに失敗した信号はクラスタ化画像から取り除かれた
クラスタ化画像中のその信号に対応する画素を有してい
る。これは、このような信号は微小石灰化物の検出にお
ける正常例の誤診に対応して決まるからである。場所が
クラスタ化画像により明確にされた全ての信号を分析し
た後、クラスタフィルタリング処理がステップ９００で
さらに行われる（図１）。ステップ９００のクラスタフ
ィルタリング処理は基本的には図１３で示されるクラス
タフィルタリングステップ５２０〜５９０を繰り返し行
ない、微小石灰化物として疑わしいものを含まないよう
に求めた場所がクラスタ化画像から除去される。
【００５７】図２１は原画像のどの画素が判定すべき信
号の一部であるかを決めるためのステップを示している
（ステップ６０４、図２０）。原画像中のどの画素が判
定すべき信号として考慮すべき信号の一部であるかを決
めるためには、図２１で示されるように、ステップ６１
７で画像中の信号画素をクラスタフィルタリング処理さ
れた画像中の信号の位置に基づいて特定し、ステップ６
１８で第３次多項式（２−Ｄ）表面を原画像中の信号画
素に中心がある１０×１０ｍｍ領域にフェードすること
で背景傾向補正を行なう。ステップ６１９では、背景傾
向補正された画像中の信号画素に中心のある局所０．５
×０．５ｍｍ領域中で最大画素値が検索される。ステッ
プ６１９に続いて、ステップ６２０で信号の一部である
原画像中の画素が最大画素値の５０％の閾値を使用した
領域併合法(region growing technique)を用いて、背景
傾向補正した画像から明確になる。しかる後、ステップ
６２２で残余背景オフセットが背景傾向補正画像を用い
て決定される。残余背景オフセットは信号画素として特
定された画素を除く背景傾向補正された画像中の信号に
中心を置く１×１ｍｍ領域以内の全ての画素の平均画素
値に等しい。ステップ６２４では、どの画素が信号の一
部であるかが最大画素値の５０％の閾値から残余背景オ
フセットを差し引いた値で成長した領域に基づいて再明
確化される。ステップ６２６では、信号に属する原画像
中の画素が信号に属するものとして特定され、図２０の
ステップ６０６〜６１６の処理を受ける。
【００５８】図２２はステップ６０４で形成された信号
の微小石灰化物の面積と厚さを求めるステップを示して
いる。ステップ６２８では、微小石灰化物の面積が信号
を構成する画素の数として定義された信号の面積に等し
いものと仮定される。次のステップ６３０では、ステッ
プ６２６で信号に属するものとして特定された画素の平
均画素と背景画素値とを加えることで、信号の絶対画素
値を求める。さらに、式（１０）及び（１１）を使用し
てフィルムデジタイザのブレ効果に対する補正を行な
う。次のステップ６３２で、背景画素値Ｐb'中の絶対画
素値Ｐs'の信号が式（９）を用いてフィルム光学濃度Ｄ
に変換される。次に、ステップ６３４で信号と背景との
光学濃度が式（７），（８）を用いて放射線コントラス
トＲc'に変換される。しかる後、ステップ６３６で信号
の放射線コントラストが式（６）を用いてスクリーン・
フィルム方式のブレ効果に対して補正され、ステップ６
３８で信号放射線コントラストを生成するために必要と
される微小石灰化物の厚さｔが式（５）を用いて計算さ
れる。計算された面積、厚さ及び背景値が、図２３〜図
２５に関連して述べられるように、各信号に対してステ
ップ７００及び８００で利用される。
【００５９】発明者等により開発された先の方式（米国
特許第４，９０７，１５６に開示）は本発明のいくつか
の技術と相通じるものがある。両方式はディジタル乳房
Ｘ線像で始まり、それから差分画像を得ている。この差
分画像に対して全体及び局所閾値処理が施される。これ
らの方式では、閾値処理された画像は領域識別処理とク
ラスタリング処理を受けるが、本発明では局所閾値処理
を施す前にエリアフィルタリング処理が施される。ここ
で述べるように、本方式の領域識別並びにクラスタリン
グ処理を達成するために利用される方法は先の方式をよ
り改良したものである。加えて、本技術では、信号の面
積、コントラスト及び背景画素値に基づくテクスチャ解
析技術と特徴抽出技術とが利用されている。
【００６０】従来のＣＡＤ方式では、８５％の感度で画
像当り約４．０の偽性クラスタが検出されている。これ
らのうちの約２／３は３つのカテゴリのうちの一つに属
している。第１のカテゴリは引っかき傷やエマルジョン
欠陥等の乳房Ｘ線像上のフィルムアーチファクトであ
る。第２のカテゴリは皮膚ライン近くで検出される低強
度の信号である。第３のカテゴリは画像上の難視覚性の
信号を有する検出クラスタである。本発明によれば、信
号の面積、コントラスト及び背景画素値は幾つかの正常
例の誤診を除去するために利用される。
【００６１】図２３は真性及び偽性信号に対する信号有
効厚さ（Ｔ）と有効幅（Ｗ）とを示す。対角線はＴ＝Ｗ
＋０．２の閾値に対応している。図２３から明かなよう
に、小さいが、しかし極めて有効な厚さの多数の偽性信
号がある。これらは小さく、高いコントラストの信号と
してしばしば現れるフィルムアーチファクトにより引き
起こされる。図２３の４５°の対角線はｙ軸と０．２ｍ
ｍで交差し、幾つかの偽性信号を真性信号から分離する
ための閾値として利用される。４５°の対角線上の信号
は偽性信号として扱い、ステップ５００（図１）で生成
されたクラスタ化した二値化画像から除去される。この
閾値により全く真性信号を除去することなく偽性信号の
約１０％を除去することが可能となる。
【００６２】図２４は信号の有効厚さと背景画素値とを
示す。１１０の背景画素値での垂直線は本発明により使
用される閾値を示している。図２４は、真性信号と異な
り、偽性信号は低背景画素値（画像の暗領域）を有する
画像領域中に出現することを示している。微小石灰化物
は胸部の腺組織により形成されるので、これらはしばし
ば画像の明領域（高画素値）中に出現する場合がある。
これは腺組織が脂肪質組織よりもより減衰しやすいから
である。胸部の極暗領域中に真性微小石灰化物が見つか
ることはあまりありえないが、これはこれらの領域が胸
部の極脂肪性領域に対応するからである。１１０の画素
値の閾値を設定することで、真性信号を全く除去するこ
となく偽性信号の約８％を除去することができる。
【００６３】図２５は、垂直軸が信号強調されているこ
とを除いて、図２４で示されているものと本質的に同じ
ものである。有効厚さ０．０７５ｍｍでの水平線は偽性
信号をさらに除去するために使用される閾値を示してい
る。図２５は極低コントラストの被検物に対応した小さ
な有効厚さを有する多数の偽性信号があることを示して
いる。有効厚さの閾値を０．０５ｍｍからとすると、２
０％の偽性信号が一つのみの真性信号の損失をもって除
去することができる。図２３〜図２５に関連して延べた
三つの異なる閾値により、本発明のＣＡＤ技術を用いて
真性信号を偽性信号から区別することが可能となる。こ
れらの三つの閾値を用いた場合の全効果により、真性ク
ラスタを全く損じることなく１００の偽クラスタのうち
３７個を除去することができる。結果として、本ＣＡＤ
技術の正常例の誤診検出率が感度を損じることなく画像
当り約１．５に低減することができる。
【００６４】上述の技術を照らして本発明に様々な変
形、変更を加えることができることは明らかである。ま
た、従属形式の請求項の範囲内で、本発明を別の方法並
びに具体的に述べた態様で実現することができる。
【００６５】
【発明の効果】以上説明したように本発明によれば、微
小石灰化物の異常例の正診検出感度を低減せずに、正常
例の誤診検出の数を低減することで診断の精度を高める
ことができる乳房X線像におけるクラスタ化微小石灰化
物の検出支援のための新規な改良方法を提供することが
できる。
【００６６】さらに、本発明によれば、画像システムの
物理的特性並びに放射線写真撮影された組織のＸ線特性
に関する知見に基づいて、画像化した微小石灰化物の特
徴を正確に抽出し、これらの特徴を利用して疑わしき微
小石灰化物の検出精度を高めるための新規な改良方法も
提供することができる。
【図面の簡単な説明】
【図１】本発明の方法の処理過程を示した流れ図。
【図２】図１で示される方法の信号抽出処理過程を示す
詳細な流れ図。
【図３】本発明に係わるエリアフィルタリング技術で対
称構造化要素がどの様に６個の対称構造化要素に分解す
るかを示す図。
【図４】構造化要素群の一例を示す図。
【図５】構造化要素群の他の例を示す図。
【図６】構造化要素群の別の例を示す図。
【図７】構造化要素群のさらに他の例を示す図。
【図８】図１２で示される画像データのモルフォロジー
信号強調において図４、図５、図６及び図７の構造化要
素の適用例を示す図。
【図９】図１２で示される画像データのモルフォロジー
信号強調において図４、図５、図６及び図７の構造化要
素の他の適用例を示す図。
【図１０】図１２で示される画像データのモルフォロジ
ー信号強調において図４、図５、図６及び図７の構造化
要素の別の適用例を示す図。
【図１１】図１２で示される画像データのモルフォロジ
ー信号強調において図４、図５、図６及び図７の構造化
要素のさらに他の適用例を示す図。
【図１２】モルフォロジー信号強調が適用される画像デ
ータの例を示す図。
【図１３】本発明で利用されるクラスタ化フィルタリン
グ処理の流れ図。
【図１４】本発明のクラスタフィルタリング処理で行わ
れる領域／点変換処理の流れ図。
【図１５】６画素信号を含む原画像に適用される再帰領
域／点変換処理を示す図。
【図１６】少なくとも一つのクラスタを有し、全ての点
に対して９０％の異常例の正診率を有する９個の小デー
タベースに対して、一画像当りに検出される偽クラスタ
の平均数に対するクラスタ化処理に利用される核サイズ
の効果を示す図。
【図１７】その半数がクラスタを含まない７８のケース
からなるデータベースに対する本クラスタ化処理技術を
利用した本発明のコンピュータ検出性能と、本発明者等
が先に提案されたクラスタ化技術とを比較した図。
【図１８】一つのクラスタ内の任意の２個の信号間の最
大及び最小距離間の関係を示す図。
【図１９】乳房Ｘ線像から引用したスクリーン・フィル
ム方式の特徴曲線を示す図。
【図２０】本発明で達成される構造抽出及びクラスタ化
微小石灰化物検出で行われる各過程の概略を示した流れ
図。
【図２１】原画像中のどの映像がクラスタ化微小石灰化
物候補として識別された信号の一部であるかを決定する
ための概略流れ図。
【図２２】引き続く閾値テストのために、面積、コント
ラスト及び背景等の特徴を背景傾向補正画像データから
抽出するための過程を示す概略流れ図を示す図。
【図２３】背景傾向補正画像データから抽出された特徴
に基づいて行われる閾値処理を示す図。
【図２４】背景傾向補正画像データから抽出された特徴
に基づいて行われる閾値処理を示す図。
【図２５】背景傾向補正画像データから抽出された特徴
に基づいて行われる閾値処理を示す図。
【符号の説明】
１００…ディジタル乳房Ｘ線像入力処理、２００…差分
画像処理、３００…信号抽出処理、４００…テクスチャ
解析処理、５００…クラスタフィルタリング処理、６０
０…特徴抽出処理、７００…面積対コントラストテスト
処理、８００…コントラスト対背景テスト処理、９００
…クラスタフィルタリング処理（領域／点変換無し）、
１０００…クラスタ位置表示処理。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 土井 邦雄 アメリカ合衆国、イリノイ州 60521、 ウィローブルック、レーン・コート 6415 (56)参考文献 特開 平３−170130（ＪＰ，Ａ) 特開 平２−152443（ＪＰ，Ａ) 特開 平１−125675（ＪＰ，Ａ) 特開 平２−250180（ＪＰ，Ａ) 特開 平６−121792（ＪＰ，Ａ) 米国特許4907156（ＵＳ，Ａ) 米国特許5537485（ＵＳ，Ａ) 金華栄、小畑秀文，Ｍｏｒｐｈｏｌｏ ｇｉｃａｌ Ｆｉｌｔｅｒによる微小石 灰化像の抽出と乳癌診断，1991年第22回 画像工学コンファレンス論文集，日本, 1991年，ｐ331−ｐ334 (58)調査した分野(Int.Cl.7，ＤＢ名) A61B 6/00 - 6/14 ＪＩＣＳＴファイル（ＪＯＩＳ)

Claims (7)

    (57)【特許請求の範囲】
  1. 【請求項１】 原放射線画像から得られたディジタル乳
    房X線像中のクラスタ化微小石灰化物の検出支援方法に
    おいて、 低周波の構造化解剖学的背景を除去するために該ディジ
    タル乳房X線像の多画素差分画像を生成する過程と、 前記差分画像のヒストグラムを形成する過程と、前記ヒ
    ストグラムの高域端側における予め選択された割合の画
    素に基づいて全体閾値を設定する過程と、前記差分画像
    中の前記全体閾値以上の値を有する画素を不変に保持す
    る過程と、前記差分画像中の前記全体閾値以下の値を有
    する画素の値を所定の定数に設定する過程とからなる前
    記差分画像に対する全体グレーレベル閾値処理を行なう
    過程と、 全体閾値処理後に生じる画像データに対しモルフォロジ
    ー信号強調を利用したエリアフィルタリング処埋を行な
    い、小信号が選択的に除去されたエリアフィルタリング
    処理された画像を生成する過程と、 エリアフィルタリング処理が施された画像に局所グレー
    レベル閾値処理を施し、前記エリアフィルタリング処理
    が施された画像中の各画素を取り巻く領域中の画素値の
    標準偏差の予め選択された倍数に基づいて少なくとも部
    分的に決定された局所閾値以下を有する画素が均一の背
    景値に設定され、さらに局所閾値以上の値を有する画素
    がそれらの値を保持される閾値画像を生成する局所グレ
    ーレベル処理過程と、 前記閾値画像から背景傾向を取り除き、所定値より大き
    なパワースペクトルの１次モーメントを有する画素を所
    定値に設定することで閾値画像にテクスチャ解析処理を
    施し、テクスチャ解析された画像を生成する過程と、 テクスチャ解析された画像にクラスタフィルタリング処
    理を施し、潜在微小石灰化物の位置を特定する単一画素
    信号のクラスタ画像を生成する過程と、 前記クラスタフィルタリング過程で特定されたディジタ
    ル乳房X線像中の位置から所定の特徴を抽出する過程
    と、 前記抽出過程で抽出された特徴に基づいて微小石灰化物
    を特定する過程とからなることを特徴とするディジタル
    乳房X線像のクラスタ化微小石灰化物検出支援方法。
  2. 【請求項２】 前記エリアフィルタリング処理の過程
    は、 各々が少なくとも二つの画素の大きさの複数個の構造化
    要素を定義する過程と、 全体閾値処理後の画像中の各画素を操作画素として連続
    して定義し、各操作画素を各構造化要素に重ねる過程
    と、 各構造化要素により連続して重ねられた各操作画素に対
    して、同じ操作画素に関連した各構造化要素に重ねられ
    た画素の最小画素値を決める過程と、 同一の操作画素に関連して決定した最小画素値の最大を
    決める過程と、 全体閾値処理された画像中の操作画素の位置に対応する
    エリアフィルタリング処理された出力画像中の各画素の
    値を前ステップで決定した前記最小値の各最大値に設定
    する過程とからなることを特徴とする請求項１に記載の
    クラスタ化微小石灰化物検出支援方法。
  3. 【請求項３】 前記クラスタフィルタリング処理過程
    は、 潜在的微小石灰化物を表す信号を第１の二値化画像中の
    各単一画素に低減する領域／点変換過程と、 前記第１の二値化画像にわたって走査された所定大きさ
    の核中の所定値以上の画素数を計数し、前記核内にある
    前記第１の二値化画像の内容を、前記核の内容が前記計
    数操作に基づく所定のグループ化の基準に合致した場合
    に第二の二値化画像中の対応する場所に複写する過程
    と、 計数並びに複写過程後に残存する画素からなる第二の二
    値化画像を出力する過程とからなることを特徴とする請
    求項１に記載のクラスタ化微小石灰化物検出支援方法。
  4. 【請求項４】 前記所定特徴抽出過程は、前記第二の二
    値化画像の各画素の付置に対応した所定大きさのディジ
    タル乳房X線像中の各領域に対して、各前記領域内の信
    号の面積、コントラスト及び背景値のうちの少なくとも
    二つを決定する過程からなることを特徴とする請求項１
    に記載のクラスタ化微小石灰化物検出支援方法。
  5. 【請求項５】 原放射線画像から得られたディジタル乳
    房X線像中のクラスタ化微小石灰化物の検出支援方法に
    おいて、 前記ディジタル乳房X線像をフィルタリング処理し、所
    定の基準に適合した信号が除かれたフィルタリング処理
    された画像を生成する過程と、 前記フィルタリング処理された画像に第１のクラスタフ
    ィルタリング処理を施し、将来的に問題となる微小石灰
    化物の場所を特定するための単一画素信号のクラスタ画
    像を生成する過程と、 前記クラスタ画像中の単一画素信号により特定されたデ
    ィジタル乳房X線像中の場所にある信号から所定の特徴
    を抽出する過程と、 抽出特徴に基づいて少なくとも一つの所定の閾値テスト
    を行ない、特徴が抽出された信号が微細石灰クラスタの
    正常例の誤診に対応するものかどうかを前記所定の閾値
    テストに基づいて判定する過程と、 微細石灰クラスタの正常例の誤診位置に対応する単一画
    素信号を前記クラスタ画像から除去する過程と、 前記除去過程後に残存するクラスタ画像に第二のクラス
    タフィルタリング処理を施し、単一画素値からなるさら
    なるクラスタ画像を出力する過程と、 前記さらなるクラスタ画像中の所定値を有する画素の場
    所に基づいて、クラスタ化微小石灰化物の場所を前記原
    放射線画像中に示す過程とからなることを特徴とするデ
    ィジタル乳房X線像のクラスタ化微小石灰化物検出支援
    方法。
  6. 【請求項６】 前記フィルタリング過程は、 低周波の構造化解剖学的背景を除去するために前記ディ
    ジタル乳房X線像の多画素差分画像を生成する過程と、 差分画像のヒストグラムを形成する過程と、ヒストグラ
    ムの高域端側における予め選択された割合の画素に基づ
    いて全体閾値を設定する過程と、前記差分画像中の前記
    全体閾値以上の値を有する画素を不変に保持する過程
    と、前記差分画像中の前記全体閾値以下の値を有する画
    素の値を所定定数に設定する過程とからなる前記差分画
    像に対する全体グレーレベル閾値処理を行なう過程と、 全体閾値処理後に生じる画像データに対しモルフォロジ
    ー信号強調を利用したエリアフィルタリング処理を行な
    い、小信号が選択的に除去されたエリアフィルタリング
    処理された画像を生成する過程と、 エリアフィルタリング処理が施された画像に局所グレー
    レベル閾値処理を施し、前記エリアフィルタリング処理
    が施された画像中の各画素を取り巻く領域中の画素値の
    標準偏差の予め選択された倍数に基づいて少なくとも部
    分的に決定された局所閾値以下の値を有する画素が均一
    の背景値に設定され、さらに局所閾値以上の値を有する
    画素がそれらの値を保持される閾値画像を生成する過程
    と、 閾値画像から背景傾向を取り除き所定値より大きいパワ
    ースペクトルの１次モーメントを有する画素を所定値に
    設定することで閾値画像にテクスチャ解析処理を施し、
    テクスチャ解析された画像を生成する過程とからなるこ
    とを特徴とする請求項５に記載のクラスタ化微小石灰化
    物検出支援方法。
  7. 【請求項７】 前記第１のクラスタフィルタリング処理
    過程は、 潜在的微小石灰化物を表す信号を第１の二値化画像中の
    各単一画素に低減する領域／点変換過程と、 前記第１の二値化画像にわたって走査された所定大きさ
    の核中の所定値以上の画素数を計数し、前記核内にある
    前記二値化画像の内容を、前記核の内容が前記計数操作
    に基づく所定のグループ化の基準に合致した場合に第二
    の二値化画像中の対応する場所に複写する過程と、 計数並びに複写過程後に残存する画素からなる第二の二
    値化画像を出力する過程とからなることを特徴とする請
    求項５に記載のクラスタ化微小石灰化物検出支援方法。
JP17893293A 1992-07-21 1993-07-20 ディジタル乳房ｘ線像のクラスタ化微小石灰化物検出支援方法 Expired - Fee Related JP3432863B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US07/915,631 US5537485A (en) 1992-07-21 1992-07-21 Method for computer-aided detection of clustered microcalcifications from digital mammograms
US915631 1992-07-21

Publications (2)

Publication Number Publication Date
JPH06154201A JPH06154201A (ja) 1994-06-03
JP3432863B2 true JP3432863B2 (ja) 2003-08-04

Family

ID=25436033

Family Applications (1)

Application Number Title Priority Date Filing Date
JP17893293A Expired - Fee Related JP3432863B2 (ja) 1992-07-21 1993-07-20 ディジタル乳房ｘ線像のクラスタ化微小石灰化物検出支援方法

Country Status (2)

Country Link
US (1) US5537485A (ja)
JP (1) JP3432863B2 (ja)

Families Citing this family (103)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6075879A (en) * 1993-09-29 2000-06-13 R2 Technology, Inc. Method and system for computer-aided lesion detection using information from multiple images
US6266435B1 (en) 1993-09-29 2001-07-24 Shih-Ping Wang Computer-aided diagnosis method and system
US6434262B2 (en) * 1993-09-29 2002-08-13 Shih-Ping Wang Computer-aided diagnosis system and method
US6574357B2 (en) 1993-09-29 2003-06-03 Shih-Ping Wang Computer-aided diagnosis method and system
US5825936A (en) * 1994-09-22 1998-10-20 University Of South Florida Image analyzing device using adaptive criteria
EP1045340A3 (en) * 1995-03-29 2000-10-25 Fuji Photo Film Co., Ltd. Image processing method and apparatus
US6125214A (en) * 1995-03-29 2000-09-26 Fuji Photo Film Co., Ltd. Image processing method and apparatus
US6256529B1 (en) * 1995-07-26 2001-07-03 Burdette Medical Systems, Inc. Virtual reality 3D visualization for surgical procedures
US5781667A (en) * 1995-07-31 1998-07-14 Neopath, Inc. Apparatus for high speed morphological processing
US5799100A (en) * 1996-06-03 1998-08-25 University Of South Florida Computer-assisted method and apparatus for analysis of x-ray images using wavelet transforms
US5815591A (en) * 1996-07-10 1998-09-29 R2 Technology, Inc. Method and apparatus for fast detection of spiculated lesions in digital mammograms
US5917929A (en) * 1996-07-23 1999-06-29 R2 Technology, Inc. User interface for computer aided diagnosis system
DE19636949A1 (de) * 1996-09-11 1998-03-12 Siemens Ag Verfahren zur Detektion von Kanten in einem Bildsignal
US5982916A (en) * 1996-09-30 1999-11-09 Siemens Corporate Research, Inc. Method and apparatus for automatically locating a region of interest in a radiograph
US5768333A (en) * 1996-12-02 1998-06-16 Philips Electronics N.A. Corporation Mass detection in digital radiologic images using a two stage classifier
US5757880A (en) * 1997-01-08 1998-05-26 Colomb; Denis Apparatus, article of manufacture, and method for creation of an uncompressed image of compressed matter
US5859891A (en) * 1997-03-07 1999-01-12 Hibbard; Lyn Autosegmentation/autocontouring system and method for use with three-dimensional radiation therapy treatment planning
US6246782B1 (en) 1997-06-06 2001-06-12 Lockheed Martin Corporation System for automated detection of cancerous masses in mammograms
US6058322A (en) * 1997-07-25 2000-05-02 Arch Development Corporation Methods for improving the accuracy in differential diagnosis on radiologic examinations
US6317617B1 (en) 1997-07-25 2001-11-13 Arch Development Corporation Method, computer program product, and system for the automated analysis of lesions in magnetic resonance, mammogram and ultrasound images
US5984870A (en) * 1997-07-25 1999-11-16 Arch Development Corporation Method and system for the automated analysis of lesions in ultrasound images
JP2001511374A (ja) 1997-07-25 2001-08-14 アーチ・デベロップメント・コーポレーション 側面胸部放射線像の肺領域を分割する方法とシステム
US6246784B1 (en) 1997-08-19 2001-06-12 The United States Of America As Represented By The Department Of Health And Human Services Method for segmenting medical images and detecting surface anomalies in anatomical structures
US6137898A (en) * 1997-08-28 2000-10-24 Qualia Computing, Inc. Gabor filtering for improved microcalcification detection in digital mammograms
US5999639A (en) 1997-09-04 1999-12-07 Qualia Computing, Inc. Method and system for automated detection of clustered microcalcifications from digital mammograms
US7308126B2 (en) * 1997-08-28 2007-12-11 Icad, Inc. Use of computer-aided detection system outputs in clinical practice
US6970587B1 (en) 1997-08-28 2005-11-29 Icad, Inc. Use of computer-aided detection system outputs in clinical practice
EP1079730B1 (en) * 1997-11-24 2007-01-03 Computerized Medical Systems, Inc. Real time brachytherapy spatial registration and visualization system
US6996549B2 (en) 1998-05-01 2006-02-07 Health Discovery Corporation Computer-aided image analysis
US6404908B1 (en) * 1998-05-28 2002-06-11 R2 Technology, Inc. Method and system for fast detection of lines in medical images
US6333990B1 (en) * 1998-06-02 2001-12-25 General Electric Company Fourier spectrum method to remove grid line artifacts without changing the diagnostic quality in X-ray images
US6285995B1 (en) * 1998-06-22 2001-09-04 U.S. Philips Corporation Image retrieval system using a query image
WO2000005677A1 (en) * 1998-07-23 2000-02-03 Lockheed Martin Corporation System for automated detection of cancerous masses in mammograms
US6801645B1 (en) 1999-06-23 2004-10-05 Icad, Inc. Computer aided detection of masses and clustered microcalcifications with single and multiple input image context classification strategies
US6941323B1 (en) 1999-08-09 2005-09-06 Almen Laboratories, Inc. System and method for image comparison and retrieval by enhancing, defining, and parameterizing objects in images
DE19960372A1 (de) * 1999-12-14 2001-06-21 Definiens Ag Verfahren zur Verarbeitung von Datenstrukturen
US6898303B2 (en) 2000-01-18 2005-05-24 Arch Development Corporation Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans
US6901156B2 (en) * 2000-02-04 2005-05-31 Arch Development Corporation Method, system and computer readable medium for an intelligent search workstation for computer assisted interpretation of medical images
US20030135102A1 (en) * 2000-05-18 2003-07-17 Burdette Everette C. Method and system for registration and guidance of intravascular treatment
US20020165839A1 (en) * 2001-03-14 2002-11-07 Taylor Kevin M. Segmentation and construction of segmentation classifiers
JP4124406B2 (ja) * 2001-06-13 2008-07-23 富士フイルム株式会社 異常陰影検出装置
US6674835B2 (en) 2001-10-12 2004-01-06 General Electric Co. Methods and apparatus for estimating a material composition of an imaged object
EP1460938A4 (en) 2001-11-05 2006-07-26 Computerized Med Syst Inc DEVICE AND METHOD FOR DISPLAYING, LEADING AND OBJECTING AN EXTERNAL RADIOTHERAPY
US7054473B1 (en) 2001-11-21 2006-05-30 R2 Technology, Inc. Method and apparatus for an improved computer aided diagnosis system
US7072498B1 (en) 2001-11-21 2006-07-04 R2 Technology, Inc. Method and apparatus for expanding the use of existing computer-aided detection code
US20030103663A1 (en) * 2001-11-23 2003-06-05 University Of Chicago Computerized scheme for distinguishing between benign and malignant nodules in thoracic computed tomography scans by use of similar images
JP2003250047A (ja) * 2002-02-22 2003-09-05 Konica Corp 画像処理方法、記憶媒体、画像処理装置、及び画像記録装置
AUPS205202A0 (en) * 2002-05-02 2002-06-06 Flinders Technologies Pty Ltd A method and system for computer aided detection of cancer
JP2004030596A (ja) * 2002-05-10 2004-01-29 Canon Inc 画像階調変換方法、画像階調変換装置、システム、プログラム及び記憶媒体
US7187800B2 (en) * 2002-08-02 2007-03-06 Computerized Medical Systems, Inc. Method and apparatus for image segmentation using Jensen-Shannon divergence and Jensen-Renyi divergence
US7365881B2 (en) * 2002-08-19 2008-04-29 Eastman Kodak Company Halftone dot-growth technique based on morphological filtering
AU2003263003A1 (en) * 2002-08-29 2004-03-19 Computerized Medical Systems, Inc. Methods and systems for localizing of a medical imaging probe and of a biopsy needle
US20040068167A1 (en) * 2002-09-13 2004-04-08 Jiang Hsieh Computer aided processing of medical images
US6748044B2 (en) * 2002-09-13 2004-06-08 Ge Medical Systems Global Technology Company, Llc Computer assisted analysis of tomographic mammography data
US6574304B1 (en) * 2002-09-13 2003-06-03 Ge Medical Systems Global Technology Company, Llc Computer aided acquisition of medical images
US7260250B2 (en) * 2002-09-30 2007-08-21 The United States Of America As Represented By The Secretary Of The Department Of Health And Human Services Computer-aided classification of anomalies in anatomical structures
US7801361B2 (en) * 2002-10-15 2010-09-21 Definiens Ag Analyzing pixel data using image, thematic and object layers of a computer-implemented network structure
US8594410B2 (en) 2006-08-28 2013-11-26 Definiens Ag Context driven image mining to generate image-based biomarkers
US7873223B2 (en) 2002-10-15 2011-01-18 Definiens Ag Cognition integrator and language
EP1552437B1 (en) * 2002-10-15 2008-01-02 Definiens AG Information extraction using an object based semantic network
US20040122704A1 (en) * 2002-12-18 2004-06-24 Sabol John M. Integrated medical knowledge base interface system and method
US20040122702A1 (en) * 2002-12-18 2004-06-24 Sabol John M. Medical data processing system and method
US20040122719A1 (en) * 2002-12-18 2004-06-24 Sabol John M. Medical resource processing system and method utilizing multiple resource type data
US20040122706A1 (en) * 2002-12-18 2004-06-24 Walker Matthew J. Patient data acquisition system and method
US20040122707A1 (en) * 2002-12-18 2004-06-24 Sabol John M. Patient-driven medical data processing system and method
US8401255B2 (en) * 2002-12-18 2013-03-19 General Electric Company Computer-assisted reconciliation of multiple image reads
US20040122708A1 (en) * 2002-12-18 2004-06-24 Avinash Gopal B. Medical data analysis method and apparatus incorporating in vitro test data
US20040122787A1 (en) * 2002-12-18 2004-06-24 Avinash Gopal B. Enhanced computer-assisted medical data processing system and method
US20040122705A1 (en) * 2002-12-18 2004-06-24 Sabol John M. Multilevel integrated medical knowledge base system and method
US7490085B2 (en) * 2002-12-18 2009-02-10 Ge Medical Systems Global Technology Company, Llc Computer-assisted data processing system and method incorporating automated learning
US20040120558A1 (en) * 2002-12-18 2004-06-24 Sabol John M Computer assisted data reconciliation method and apparatus
US20040122709A1 (en) * 2002-12-18 2004-06-24 Avinash Gopal B. Medical procedure prioritization system and method utilizing integrated knowledge base
US20040122703A1 (en) * 2002-12-19 2004-06-24 Walker Matthew J. Medical data operating model development system and method
US7668358B2 (en) * 2003-07-18 2010-02-23 Hologic, Inc. Model-based grayscale registration of medical images
US7769215B2 (en) * 2003-11-28 2010-08-03 The University Of Chicago Method, system, and medium for prevalence-based computerized analysis of medical images and information
US20050129297A1 (en) * 2003-12-15 2005-06-16 Kamath Vidya P. Classification of breast lesion method and system
US20060018524A1 (en) * 2004-07-15 2006-01-26 Uc Tech Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT
US20060110022A1 (en) * 2004-11-24 2006-05-25 Zhang Daoxian H Automatic image contrast in computer aided diagnosis
US20060136259A1 (en) * 2004-12-17 2006-06-22 General Electric Company Multi-dimensional analysis of medical data
US20060136417A1 (en) * 2004-12-17 2006-06-22 General Electric Company Method and system for search, analysis and display of structured data
US7593561B2 (en) * 2005-01-04 2009-09-22 Carestream Health, Inc. Computer-aided detection of microcalcification clusters
US7400755B2 (en) * 2005-06-02 2008-07-15 Accuray Incorporated Inverse planning using optimization constraints derived from image intensity
US20070078873A1 (en) * 2005-09-30 2007-04-05 Avinash Gopal B Computer assisted domain specific entity mapping method and system
US9430745B2 (en) * 2005-12-21 2016-08-30 International Business Machines Corporation Pre-executing workflow preparation activities based on activity probabilities and system load and capacity threshold requirements
US7840046B2 (en) * 2006-06-27 2010-11-23 Siemens Medical Solutions Usa, Inc. System and method for detection of breast masses and calcifications using the tomosynthesis projection and reconstructed images
JP4350738B2 (ja) * 2006-10-27 2009-10-21 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー Ｘ線断層撮影装置およびアーチファクトの低減方法
JP4414420B2 (ja) * 2006-10-27 2010-02-10 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー Ｘ線断層撮影装置およびアーチファクトの低減方法
US8019134B2 (en) * 2006-11-16 2011-09-13 Definiens Ag Automatic image analysis and quantification for fluorescence in situ hybridization
US8542899B2 (en) 2006-11-30 2013-09-24 Definiens Ag Automatic image analysis and quantification for fluorescence in situ hybridization
US7907766B2 (en) * 2007-01-02 2011-03-15 General Electric Company Automatic coronary artery calcium detection and labeling system
US20090082637A1 (en) * 2007-09-21 2009-03-26 Michael Galperin Multi-modality fusion classifier with integrated non-imaging factors
EP2238742B1 (en) * 2007-12-25 2014-05-14 Medic Vision - Brain Technologies Ltd. Noise reduction of images
JP5583929B2 (ja) * 2009-06-17 2014-09-03 ポリプラスチックス株式会社 配向状態予測方法及び変形挙動解析方法
CN102596037B (zh) 2009-10-30 2016-03-16 皇家飞利浦电子股份有限公司 对图像数据表示的病灶的三维分析
US8582858B2 (en) * 2009-12-17 2013-11-12 The Regents Of The University Of California Method and apparatus for quantitative analysis of breast density morphology based on MRI
CA2819257C (en) 2010-12-14 2019-09-24 Hologic, Inc. System and method for fusing three dimensional image data from a plurality of different imaging systems for use in diagnostic imaging
JP5647659B2 (ja) * 2012-11-16 2015-01-07 富士フイルム株式会社 放射線画像補正装置および動作方法ならびにプログラム
US9025897B1 (en) * 2013-04-05 2015-05-05 Accusoft Corporation Methods and apparatus for adaptive auto image binarization
WO2015024099A1 (en) 2013-08-20 2015-02-26 Densitas Incorporated Methods and systems for determining breast density
WO2017205386A1 (en) 2016-05-27 2017-11-30 Hologic, Inc. Synchronized surface and internal tumor detection
WO2018013703A1 (en) 2016-07-12 2018-01-18 Mindshare Medical, Inc. Medical analytics system
US11246551B2 (en) 2016-09-20 2022-02-15 KUB Technologies, Inc. System and method for computer aided detection (CAD) in a breast specimen radiograph
US11049606B2 (en) 2018-04-25 2021-06-29 Sota Precision Optics, Inc. Dental imaging system utilizing artificial intelligence

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4665554A (en) * 1983-07-13 1987-05-12 Machine Vision International Corporation Apparatus and method for implementing dilation and erosion transformations in digital image processing
JPS62154179A (ja) * 1985-12-27 1987-07-09 インタ−ナシヨナル・ビジネス・マシ−ンズ・コ−ポレ−シヨン 多値画像処理装置および方法
US4907156A (en) * 1987-06-30 1990-03-06 University Of Chicago Method and system for enhancement and detection of abnormal anatomic regions in a digital image
US4851984A (en) * 1987-08-03 1989-07-25 University Of Chicago Method and system for localization of inter-rib spaces and automated lung texture analysis in digital chest radiographs
US5079698A (en) * 1989-05-03 1992-01-07 Advanced Light Imaging Technologies Ltd. Transillumination method apparatus for the diagnosis of breast tumors and other breast lesions by normalization of an electronic image of the breast
US5268967A (en) * 1992-06-29 1993-12-07 Eastman Kodak Company Method for automatic foreground and background detection in digital radiographic images

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金華栄、小畑秀文，Ｍｏｒｐｈｏｌｏｇｉｃａｌ Ｆｉｌｔｅｒによる微小石灰化像の抽出と乳癌診断，１９９１年第２２回画像工学コンファレンス論文集，日本，１９９１年，ｐ３３１−ｐ３３４

Also Published As

Publication number Publication date
JPH06154201A (ja) 1994-06-03
US5537485A (en) 1996-07-16

Similar Documents

Publication Publication Date Title
JP3432863B2 (ja) ディジタル乳房ｘ線像のクラスタ化微小石灰化物検出支援方法
US4907156A (en) Method and system for enhancement and detection of abnormal anatomic regions in a digital image
Giger et al. Computerized detection of pulmonary nodules in digital chest images: Use of morphological filters in reducing false‐positive detections
US5289374A (en) Method and system for analysis of false positives produced by an automated scheme for the detection of lung nodules in digital chest radiographs
Nishikawa et al. Computer‐aided detection of clustered microcalcifications: An improved method for grouping detected signals
Gupta et al. The use of texture analysis to delineate suspicious masses in mammography
Te Brake et al. Single and multiscale detection of masses in digital mammograms
US5982916A (en) Method and apparatus for automatically locating a region of interest in a radiograph
EP0757544B1 (en) Computerized detection of masses and parenchymal distortions
EP0576961B1 (en) Method for automatic foreground and background detection in digital radiographic images
US5832103A (en) Automated method and system for improved computerized detection and classification of massess in mammograms
Qian et al. Image feature extraction for mass detection in digital mammography: Influence of wavelet analysis
Tripathy et al. Unified preprocessing and enhancement technique for mammogram images
US8086002B2 (en) Algorithms for selecting mass density candidates from digital mammograms
JPH07299053A (ja) コンピュータ診断支援方法
US6738500B2 (en) Method and system for detecting small structures in images
JPH06339476A (ja) 胸部ｘ線画像における間質性浸潤の幾何学的パターンの特徴を決定するための方法及びシステム
Carreira et al. Computer‐aided diagnoses: Automatic detection of lung nodules
Clarke et al. Tree-structured non-linear filter and wavelet transform for microcalcification segmentation in digital mammography
JP3852125B2 (ja) ２次元多階調画像におけるパタン検出方法及び装置
Nishikawa et al. Computer-aided detection of clustered microcalcifications
Moradmand et al. Contrast Enhancement of Mammograms for Rapid Detection of Microcalcification Clusters
Zhao Rule-based morphological feature extraction of microcalcifications in mammograms
US20050213841A1 (en) Image processing
Lado et al. Real and simulated clustered microcalcifications in digital mammograms. ROC study of observer performance

Legal Events

Date Code Title Description
R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

LAPS Cancellation because of no payment of annual fees