JP3619270B2 - ヒストグラム領域を検知し、ディジタル放射線撮影画像のトーンスケールの再現を改善する方法 - Google Patents
ヒストグラム領域を検知し、ディジタル放射線撮影画像のトーンスケールの再現を改善する方法 Download PDFInfo
- Publication number
- JP3619270B2 JP3619270B2 JP28043594A JP28043594A JP3619270B2 JP 3619270 B2 JP3619270 B2 JP 3619270B2 JP 28043594 A JP28043594 A JP 28043594A JP 28043594 A JP28043594 A JP 28043594A JP 3619270 B2 JP3619270 B2 JP 3619270B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- histogram
- tone scale
- sample
- reproduction
- 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
Links
- 238000000034 method Methods 0.000 title claims description 40
- 238000002601 radiography Methods 0.000 title claims description 8
- 238000012545 processing Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 210000000988 bone and bone Anatomy 0.000 description 23
- 238000010586 diagram Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 11
- 210000001519 tissue Anatomy 0.000 description 9
- 238000003708 edge detection Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 210000004872 soft tissue Anatomy 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 0 CCCC(*)C(**)C(*)C(C)C(C(*)*(C)C(C)*C(*)**)C1CC(CC)CC1 Chemical compound CCCC(*)C(**)C(*)C(C)C(C(*)*(C)C(C)*C(*)**)C1CC(CC)CC1 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- MAWOHFOSAIXURX-UHFFFAOYSA-N C(CC1)CC1C1CCCC1 Chemical compound C(CC1)CC1C1CCCC1 MAWOHFOSAIXURX-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007687 exposure technique Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000002945 steepest descent method Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000018084 Bone neoplasm Diseases 0.000 description 1
- NGJIFFGMVMLTNT-UHFFFAOYSA-N CC(CC1)CCC1C(CC1)CCC1C1CCCC1 Chemical compound CC(CC1)CCC1C(CC1)CCC1C1CCCC1 NGJIFFGMVMLTNT-UHFFFAOYSA-N 0.000 description 1
- HPQURZRDYMUHJI-UHFFFAOYSA-N CCCCCC1CCCC1 Chemical compound CCCCCC1CCCC1 HPQURZRDYMUHJI-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 102100032723 Structural maintenance of chromosomes protein 3 Human genes 0.000 description 1
- 101710117918 Structural maintenance of chromosomes protein 3 Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S128/00—Surgery
- Y10S128/92—Computer assisted medical diagnostics
- Y10S128/925—Neural network
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S378/00—X-ray or gamma ray systems or devices
- Y10S378/901—Computer tomography program or processor
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/924—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Facsimile Image Signal Circuits (AREA)
Description
【０００１】
【産業上の利用分野】
本発明は、一般に、ディジタル画像処理に関し、特に、ヒストグラム領域を検知してディジタル放射線撮影画像のトーンスケール再現を改善する技術に関する。
【０００２】
【従来の技術】
医療撮像において、正確に診断できるか否かは、画像内の小さな低コントラストのディテール検出にかかっている。また、このようなディテール検出確率は、画像の可視度によってまったく異なる。撮像される物体（身体部分）、露光形状、露光技術、検出特性などの多くの因子によって、この可視度に影響を与えることができる。
【０００３】
例えば、従来のスクリーン／フィルム放射線撮影では、一般に出力トーンすなわちトーンスケール再現機能は、フィルム製造業者によって既にフィルム設計に盛り込まれており、多種多様なフィルムが試験の種類、露光技術および観察者の好みによって異なる「ルックス」を得るのに利用することができる。一方、ＵＳ−Ａ−ＲＥ．３１，８４７に記載されたように、コンピュータ放射線撮影（ＣＲ）では、画像捕捉段階と表示段階を別々にすることによって、特に必要な場合には画像または画像の一部を任意の出力コントラストで表示することができる。最終画像を表示する前にコンピュータでこの出力トーンスケールを調整するＣＲ装置の能力は、このような装置の効果的な特徴の一つである。ただし、試験タイプ、露光条件、撮像方式、イメージ捕捉装置のノイズ感度、出力装置のダイナミックレンジなどのその他の要因に影響を受けるので、適切なトーンスケールを選択または生成が簡単に行えないこともある。
【０００４】
一般に、市場で入手できるコンピュータ放射線撮影装置では、エッジ強調に続いて、トーンスケールを行う。トーンスケールの目的は、適切な変換関数を定義し、フィルムまたはソフトコピーすなわちＣＲＴディスプレイのいずれかである表示媒体の最大ダイナミックレンジに重要な画像情報をマップすることにある。さまざまな方法がＣＲ画像のトーンスケール曲線を生成するために提案されてきた。特に、ヒストグラムを基にしたトーンスケール変換は、効率が良いためこのような画像を強調するものとして最も広く用いられる方法の一つである。ＵＳ−Ａ−５，０６８，７８８、ＵＳ−Ａ−５，１９８，６９９、ＵＳ−Ａ−４，８３９，８０７、ＵＳ−Ａ−５，０４０，２２５、ＵＳ−Ａ−４，９１４，２９５、ＵＳ−Ａ−４，９５２，８０５は、ディジタル医療画像処理用にヒストグラムに基づく撮像技術の典型である。
【０００５】
一般に、このようなヒストグラムに基づく方法は、不要な領域に対応するヒストグラムのピークが所望の領域に対応するピークとは十分開きがあり、別のものとして識別することができる場合に、最も効果がある。ただし、画像に渡って不要な領域を不均一に照明してピークが重複する場合、または、コリメータ後側の分散によって、その領域の信号レベルが物体（身体部分）の高Ｘ線吸収構造に近付く場合、所望の領域と不要な領域との区別は困難になる。この結果、画像の不要な領域によって過度に影響された場合、トーンスケール変換は最適状態には及ばなくなる。
【０００６】
ディジタル投影放射線撮影技術の分野では、放射線専門医が空間イメージ分割（すなわち身体部分検知）とヒストグラム分析を合わせた画像処理技術を使用して、視覚化に最適の画像を提供することが提案されている（ＵＳ−Ａ−５，１６４，９９３参照）。これらの技術には、身体部分をフォアグラウンドとバックグラウンドから分割し、さらに、ルールベースヒストグラム分析で撮像される解剖学的領域に対応する当該の適切なヒストグラム領域を検知しなければならない。
【０００７】
【発明が解決しようとする課題】
このように、従来の重要な画像情報を表示媒体の最大ダイナミックレンジにマップしてディジタル画像処理方法を提供しイメージヒストグラムの適切な分析を容易に行うディジタル放射線撮影には問題がある。
【０００８】
【課題を解決するための手段および作用】
本発明は、上述の従来の問題を解決する方法を提供する。本発明によれば、ヒストグラム領域を検知しディジタル放射線撮影画像のトーンスケールの再現改善を行う方法にトーンスケール再現改善方法おいて、適切なサイズを有するサンプルを用いてディジタル放射線撮影画像を疑似ランダムにサンプリングし、目的の領域を描写するステップと、テクスチャ（基調）解析技術を用いて各サンプルを処理し、複数のテクスチャ特性を抽出するステップと、該抽出テクスチャ特性を用いて、予め調整したニューラル回路網分類器で前記サンプルを分類しそのクラスを判定するステップと、同一クラスに属するピクセル値を累計し、各クラスに対する個別ヒストグラムを作成し、各ヒストグラムを使用してトーンスケール再現を最適化するステップとを有することを特徴とする。
【０００９】
【実施例】
図１は、本発明を実施することができる一般的な装置１０を示す。装置１０は、入力画像１４をディジタル放射線撮影画像に変換する画像捕捉部（スキャナ）１２を有する。ディジタル画像処理部１６は、画像の外観、診断精度やその他の特性を改善することを目的とした画像処理アルゴリズムでディジタル画像信号を処理する。ディジタル画像処理部１６は、ディジタル処理演算装置、メモリ、入出力装置などの既知の構成要素を有するディジタルコンピュータでも良い。処理された出力画像２０は、画像ディスプレイ１８で確認される。本発明を用いて処理すべきディジタル放射線撮影画像信号は、記憶蛍光体（計算機放射線撮影）装置、フィルムディジタイザ、画像増倍管などから、異なるさまざまな装置で得ることができる。さらに、画像は、計算機断層撮影（ＣＴ）スキャナ、磁気共鳴画像（ＭＲＩ）スキャナ、超音波（ＵＴ）スキャナなどの診断用画像スキャナから得ることができる。ディスプレイ装置で最も広く用いられているものは、レーザプリンタ、陰極線管プリンタなどのフィルム書込装置や、ビデオモニタに装備するソフトディスプレイである。
【００１０】
本発明では、ＵＳ−Ａ−５，１６４，９３３に記載された画像処理アルゴリズムを改善する画像分類技術を提供する。本発明に係る技術は、ディジタル放射線撮影画像がこのＪａｎｇとＳｃｈａｅｔｚｉｎｇの出願に開示されたアルゴリズムに従って分割された後、使用することが好ましい。本発明に係る分類技術を実施した後、ディジタル放射線撮影画像をＵＳ−Ａ−５，１６４，９３３で開示されたトーンスケールアルゴリズムで処理する（図２のブロック２１、２２、２３）。
【００１１】
このＪａｎｇとＳｃｈａｅｔｚｉｎｇの分割アルゴリズムは、図３にさらに詳しく記載されている。この出願は、開示された分割技術をさらに徹底して説明するために参照するものである。一般に、ＣＲ画像では分割方法によって撮像される身体部分周囲の直接Ｘ線撮影領域（バックグラウンド）と、ビーム制限装置を用いて照射領域のサイズを制限した領域（フォアグラウンド）の検出および識別を行う。図３に示すように、分割は、エッジ検出ステップ２４と、ブロック生成ステップ２６と、ブロック分類ステップ２８と、ブロック改善ステップ３０とビットマップ生成ステップ３２の、５つのステップで行われる。
【００１２】
エッジ検出ステップ２４では、さまざまなエッジ検出アルゴリズムを用いる。ただし、ノイズに対して感度が低く、フォアグラウンド／バックグラウンドと物体間のコントラストに釣り合うエッジ強度を測定する能力があり、効率良く実施できることから、形態的エッジ検出器が好ましい。エッジ検出ステップ２４の出力は、高密エッジ領域の振幅が大きいピクセルと、エッジ密度がほとんどまたは全くない領域の振幅が小さいピクセルとを含むエッジ強度マップである。このため、局部のエッジ含有率は、画像のさまざまな部分のディテールレベルの標識であり、従って、これらの部分がフォアグラウンド／バックグラウンド領域寄りなのか物体寄りなのかを示す標識である。
【００１３】
エッジ検出ステップ２４後、ブロック生成ステップ２６では、画像を一連の重複しないピクセル連続ブロックに分解する。画像分析とフォアグラウンド、バックグラウンドおよび物体への分類は、ブロック単位で行われる。
【００１４】
次に、ブロック分類ステップ２８と、ブロック改善ステップ３０を行う。ブロックが基本的に同種であり相対的に低エッジ密度であるか、異種であり相対的に高エッジ密度であるかと、各ブロックが何を含むか（フォアグラウンドピクセル、バックグラウンドピクセル、物体ピクセル、フォアグラウンドピクセルおよびバックグラウンドピクセルまたはその一方と物体ピクセルの混合ピクセル）とに依存して、各ブロックが取り得る状態は１０通りある。隣接ブロックからの類似情報に加えたエッジ含有率に関する情報は、構文的推論部に供給される。この構文的推論部では、一連の臨床的または経験的に判定された決定規則を用いて画像の各ブロックをフォアグラウンド／バックグラウンドまたは物体の範疇に分類する。物体の末梢周辺のブロックについては、ブロック改善ステップ３０でそのブロック部分を後者の２つのブロックに再分類する。ビットマップ生成ステップ３２では、本発明に係る技術の好ましい実施例で用いられるテンプレートとして機能する二値（バイナリ）画像を生成する。
【００１５】
一般に、本発明に係る技術では、どのヒストグラム領域が骨、軟組織、テクスチャ属性に基づくバックグラウンドおよびフォアグラウンドに対応するかを評価することによって画像ヒストグラムを正確に分析することを容易にする。このような知識を用いると、例えば、軟組織領域のコントラストを利用して骨領域のコントラストを上げることができるようになる。
【００１６】
次に、図４について説明する。図４は、本発明に係る好ましい実施例を示す線図／ブロック図である。図示のように、図形３４は、バックグラウンド、フォアグラウンド、当該の領域を含む元の放射線撮影画像である。図形３６は、上述の分割処理から生じるバイナリ画像である。本発明に係る画像処理技術によれば、当該の描写領域（両手）は、図形３８に示したように、任意にサンプリングされる。各サンプルは予め処理されて、テクスチャ特性が抽出される（ステップ４０）。次に、タイプすなわち骨、組織、バックグラウンドまたはフォアグラウンドに関しニューラル分類技術で抽出された特性を用いて分類される（ステップ４２）。同一クラスに属するピクセル値は累計されて、骨、組織、バックグラウンド、フォアグラウンドに対して個別のヒストグラム推定値となる（ステップ４４）。次に、これらのヒストグラム推定値を使用して、骨領域または組織領域に対するトーンスケールアルゴリズムを最適化し、視覚化または診断のためにこれらの領域の表示を強調することができる。
【００１７】
本発明に係る各ステップを次に詳細に説明する。図４の任意サンプリングステップ３８は、各ピクセル毎にディジタル値１２ビットを有することができる分割された身体部分から、３９×３９のピクセル下位領域などのピクセル下位領域を抽出することによって実行される。本発明に係るサンプリング技術は、Ｐｅｔｅｒ Ｇ． Ａｎｄｅｒｓｏｎ， Ｌｉｎｅａｒ Ｐｉｘｅｌ Ｓｈｕｆｆｌｉｎｇ ｆｏｒ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ， ａｎ Ｉｎｔｒｏｄｕｃｔｉｏｎ， Ｊｏｕｒｎａｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｉｍａｇｉｎｇ， （２）， Ａｐｒｉｌ， １９９３， Ｐａｇｅｓ １４７−１５４ の論文に述べられた線形ピクセルシャフリング技術であることが好ましい。図５は、好例となるソフトウェアルーチンである。
【００１８】
図４の処理およびテクスチャ抽出ステップすなわち事前処理及び特性算出ステップ４０を、図６から図１２までを参照に説明する。図６に示すように、第１の事前処理ステップ５０では、１６などの因数で各サンプルに対するデータを圧縮する。例えば、あるサンプルの各１２ビットピクセルは、８ビットピクセルに圧縮される。次に、局部適応ヒストグラム等化処理を各圧縮サンプルに行う。好例となる技術は、Ｐｒａｔｔ， Ｗ．， （１９３３）， Ｄｉｇｉｔａｌ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ， Ｗｉｌｅｙ， Ｎｅｗ Ｙｏｒｋ， Ｐａｇｅ ２７５−２８４に記載されている。例えば、各９×９ウィンドウ位置で、ヒストグラムを算出する（ピクセルコード値の度数表）（図７、９（ａ），（ｂ））。次に、等化ヒストグラムが、ヒストグラムに基づく累積度数表として算出される。さらに、中央の３×３ピクセル領域を等化ヒストグラムに基づいて再度マッピングする（図９（ｃ），（ｄ）参照）。３ピクセルだけ移動し、連続するウィンドウでこの処理を繰り返す（図７、９（ａ），（ｂ））。その後、３２×３２ピクセルなどの各サンプルの中間領域を抽出する（図６、ステップ５４）。図１０および図１１は、局部適応ヒストグラム等化前後の骨サンプルヒストグラムをそれぞれ示す。
【００１９】
本発明に係る方法のつぎのステップは、特性抽出を行う。物体または画像のテクスチャは、任意の、周期的な、平滑な、粗雑な、荒い、などの形容詞で説明することができ、統計的技術または構造的技術を用いて表現することができる。応力線に続く補強支柱を成す海綿質骨が柱構造であるため、整形外科的な骨にはユニークなテクスチャ属性がある。放射線撮影画像処理で、これらの属性を記録すると、組織、バックグラウンドまたはフォアグラウンドに比較して、ユニークなテクスチャとなる。本発明に係る好ましい実施例では、灰色レベル同時生起（ＧＬＣ）行列（Ｈａｒａｌｉｃｋ， Ｒ．， Ｓｈａｎｍｕｇａｍ， Ｋ．， Ｄｉｎｓｔｅｉｎ， Ｉ．， （１９７３）， Ｔｅｘｔｕｒａｌ Ｆｅａｔｕｒｅｓ ｆｏｒ， Ｉｍａｇｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ， ＩＥＥＥ Ｔｒａｎｓ． Ｓｙｓｔ． Ｍａｎ． Ｃｙｂｅｒ．， （ＳＭＣ−３）， Ｎｏｖ． Ｐａｇｅｓ １４１−１５２と、Ｈａｒａｌｉｃｋ， Ｒ．， （１９７９）， Ｓｔａｔｉｓｔｉｃａｌ ａｎｄ Ｓｔｒｕｃｔｕｒａｌ Ａｐｐｒｏａｃｅｓ ｔｏ Ｔｅｘｔｕｒｅ， Ｐｒｏｃ． ｏｆ ＩＥＥＥ， （６７）， Ｍａｙ， Ｐａｇｅｓ ７８６−８０４を参照）と、隣接灰色レベル従属（ＮＧＬＤ）行列（Ｓｕｎ， Ｃ． Ｗｅｅ， Ｗ．， （１９８２）， Ｎｅｉｇｈｂｏｒｉｎｇ Ｇｒａｙ Ｌｅｖｅｌ Ｄｅｐｅｎｄｅｎｃｅ Ｍａｔｒｉｘ ｆｏｒ Ｔｅｘｔｕｒｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ， Ｃｏｍｐｕｔｅｒ ｖｉｓｏｎ Ｇｒａｐｈｉｃｓ ａｎｄ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ， （２３）， Ｐａｇｅｓ ３４１−３５２ を参照）２つの統計学的なテクスチャ解析方法を使用する。
【００２０】
一般に、ＧＬＣ行列は、イメージの灰色トーンが互いにすなわち相互生起しなければならないという平均的空間関係に基づいている。基本となる前提は、テクスチャ情報がさまなざまなピクセルの差異および配向に基づいて算出される一連の灰色トーン空間依存行列によって適切に指定されることである。このような灰色レベル同時生起行列は、二次結合条件各釣り密度関数の評定値ｐ（ｉ，ｊ，ｄ，ｏ）であり、一般に０度、４５度、９０度、 １３５度の４方向で算出される。各密度関数は、サンプル間の間隔ｄであり、方向が角度ｏである場合、灰色レベルｉから灰色レベルｊに至る確率である。画像がＮｇ灰色レベルを有する場合、灰色レベル同時生起行列はＮｇ×Ｎｇになる。
【００２１】
与えられた例では、すべてのテクスチャ特性は３２×３２ピクセルサンプルから算出されたこれらの行列から抽出される。例えば、ｄは１から３であり、抽出された特性は、エネルギー、コントラスト、相関関係、局部類似性およびエントロピーである。
【００２２】
ＧＬＣ行列方法の制限は、各方向に関し一度に行列および対応する特性を４回算出しなければならないことにある。ＮＧＬＤ行列方法では、一度に一方向算出する代わりに、ピクセルと近傍すべての関係を一度に考慮することでこの制限を解消している。これによって、角度に依存せず、線形灰色レベル変換に基づく不変性を容易にし、計算による負荷を低減する。
【００２３】
ＮＧＬＤ行列は、画像の全要素と特定の距離ｄを開けた近傍のグレートーン関係から形成される。次に、すべてのテクスチャ特性は、このＮＧＬＤ行列から求められる。行列のサイズは、Ｎｇ×Ｎｎであり、Ｎｇは可能な灰色レベル数であり、Ｎｎは、可能な近傍数である。これは、画像の灰色度変化度数と見做すことができ、画像のヒストグラムと意味的に似ている。与えられた例では、スモールナンバー（ｓｍａｌｌ ｎｕｍｂｅｒ）強調、ラージナンバー（ｌａｒｇｅ ｎｕｍｂｅｒ）強調、数値不均一性、二次モーメントおよびエントロピーを用いた。
【００２４】
次に図１２について説明する。図１２は、特性抽出ステップで用いるソフトウェアルーチンである。
【００２５】
サンプルを分類する前に、ニューラルネットワーク分類器を放射線撮影画像のライブラリから手作業で選択した既知のデータ（上述の事前処理した骨サンプル、軟組織サンプル、バックグラウンドサンプル、フォアグラウンドサンプルと、算出されたテクスチャ特性）に関して調整する（ＵＳ−Ａ−５，０４８，０９７参照）。
【００２６】
学習過程は以下の通りである。
【００２７】
目標：分類器を調整し、いままでに調査したことがない未知のサンプルを骨、組織、バックグラウンド、フォアグラウンドから成る４クラスの１つとして認識する。
【００２８】
手順：操作条件下で認められる可能性があるサンプルの母集団全体を代表するサンプリングとして役立つと思われるさまざまな試験および画像条件に関する何千ものサンプルを収集する。各サンプルを選択する際、適切なクラスすなわち、骨、組織、バックグラウンド、フォアグラウンドを示すラベルを添付する。
【００２９】
各サンプルを操作条件下で使用すべき方法に一致する方法で事前処理する。
【００３０】
上述のテクスチャ特性を算出し、標準化し、入力ベクトルを生成する。
【００３１】
出力ベクトルをセットアップする。
【００３２】
例
骨は、｛１，０，０，０｝としてマップされる。
【００３３】
組織は、｛０，１，０，０｝としてマップされる。
【００３４】
バックグラウンドは、｛０，０，１，０｝としてマップされる。
【００３５】
フォアグラウンドは、｛０，０，０，１｝としてマップされる。
【００３６】
次に、これらの入力ベクトルと出力ベクトルの組合わせを、指揮された学習アルゴリズムに提供する。好ましい実施例は、三層グローバル接続ニューラルネットワークである。後退誤差伝播法は、最急下降法を用いる学習アルゴリズムとして好ましい。最急下降法は、標的と出力ベクトル間の誤差を反復形式で最小化するのに利用される。図１３は、ニューラルネットワーク分類器を示す図である。
【００３７】
図４に示すように、次のステップでは、予め調整したニューラルネットワーク分類器でサンプルを分類する（ステップ４２）。サンプルが骨タイプからなると認められる場合、中央ピクセルおよび一般には３×３の周辺の近傍は、すべて骨として分類される。対応するピクセルデータは、他の骨ピクセル値とともに累計され、骨ヒストグラムを構成する（図４、ステップ４４）。同様に、その他のクラスについても行う。図１４（ａ）および図１４（ｂ）は、それぞれ、ヒストグラムの構成例と、ヒストグラム構成を実行するソフトウェアルーチンを示す。図１５は、上述の４クラスに対して構成されたヒストグラムを示す三次元グラフ図である。
【００３８】
特定のクラスに対するヒストグラムをさらに正確に識別する場合の本発明に係る分類技術の成果を図１６から図１９に示す。図１６および図１７は、それぞれ実際の骨サンプルヒストグラムと組織サンプルヒストグラムである。図１８および図１９は、それぞれ、本発明に係る技術で分類された骨サンプルヒストグラムと組織サンプルヒストグラムである。実際のヒストグラムと算出したヒストグラムの相関関係は明白である。
【００３９】
図２０は、身体部分全体のヒストグラムと、それに基づくトーンスケール曲線の他、骨のみのヒストグラムと、それに基づくトーンスケール曲線である。骨領域を知っていれば、左のポイントと、特に、右のポイントについてはＵＳ−Ａ−５，１６４，９９３のトーンスケールアルゴリズムを用いて、推測しなければならない。判断を誤ると、コントラストは下がり、画像表示に一貫性が無くなる。骨領域と組織領域の境界が分かれば、左のポイントと右のポイントを正確に選択することができるので、画像表示に矛盾がなくなる。
【００４０】
【発明の効果】
本発明に係る技術を用いることによって、画像内のピクセルすべてを分析しなければならない複雑な規則に基づくシステムを開発せずに、さまざまな分布、特に骨と軟組織の正確な近似値を自動的に得ることができる利点がある。上述したようなシステムを開発するには時間がかかり、また故障しやすいという問題がある。本発明のシステムに係る別の利益は、モニターに対して容易に個別化できることである。例えば、放射線医師が骨の腫瘍を探している場合、骨領域内のトーンスケールのダイナミックレンジをすべて用いて選択し、軟組織またはバックグラウンドに対しては一切用いないと思われる。あるいは、骨折の場合は、ダイナミックレンジの２０％までを軟組織の腫脹検査に、８０％を骨折の位置を決定するために選択することができる。また、分割ステップで、バックグラウンド領域またはフォアグラウンド領域が分割マスクに含まれるようなエラーが生じた場合は、ヒストグラム解析方法は失敗するが、テクスチャ特性を用いてヒストグラムを分解した場合には、この問題を解決することができるという利点もある。
【図面の簡単な説明】
【図１】本発明で用いることができる撮像装置のブロック図である。
【図２】ディジタル放射線撮影画像の画像処理に用いる本発明に係る一実施例のブロック図である。
【図３】好ましい画像分割手続きを示すブロック図である。
【図４】本発明に係る好ましい実施例の部分的に線図を含めた部分的ブロック図である。
【図５】画像サンプル処理ルーチンのフローチャート図である。
【図６】画像サンプル事前処理ステップを示すブロック図である。
【図７】局部適応ヒストグラム等化を説明する線図である。
【図８】本発明に係る事前処理ステップを実行する際に利用するフローチャート図である。
【図９】（ａ），（ｂ），（ｃ），（ｄ）は、本発明に係る技術の説明に用いられるグラフ図である。
【図１０】本発明に係る技術の説明に用いられるグラフ図である。
【図１１】本発明に係る技術の説明に用いられるグラフ図である。
【図１２】テクスチャ特性抽出ステップを実行した場合に使用するフローチャート図である。
【図１３】ニューラルネットワーク分類器を示す図である。
【図１４】（ａ）はヒストグラム構成の一例であり、（ｂ）はヒストグラム構成ステップのフローチャート図である。
【図１５】本発明を説明する際に使用するグラフ図である。
【図１６】本発明を説明する際に使用するグラフ図である。
【図１７】本発明を説明する際に使用するグラフ図である。
【図１８】本発明を説明する際に使用するグラフ図である。
【図１９】本発明を説明する際に使用するグラフ図である。
【図２０】本発明を説明する際に使用するグラフ図である。
【符号の説明】
１０ 装置
１２ 画像捕捉部（スキャナ）
１４ 入力画像
１６ ディジタル画像処理部
１８ 画像ディスプレイ
２０ 出力画像
２１ 分割ステップ
２２ 分類ステップ
２３ トーンスケールステップ
２４ エッジ検出ステップ
２６ ブロック生成ステップ
２８ ブロック分類ステップ
３０ ブロック改善ステップ
３２ ビットマップ生成ステップ
３４、３６ 図形
３８ 任意サンプリングステップ
４０ 処理およびテクスチャ抽出ステップ
４２ サンプル分類ステップ
４４ 分布構成ステップ
４６ トーンスケールステップ
５０ 事前処理ステップ
５２ 局部適応ヒストグラム等化処理ステップ
５４ 中央領域抽出ステップ
【産業上の利用分野】
本発明は、一般に、ディジタル画像処理に関し、特に、ヒストグラム領域を検知してディジタル放射線撮影画像のトーンスケール再現を改善する技術に関する。
【０００２】
【従来の技術】
医療撮像において、正確に診断できるか否かは、画像内の小さな低コントラストのディテール検出にかかっている。また、このようなディテール検出確率は、画像の可視度によってまったく異なる。撮像される物体（身体部分）、露光形状、露光技術、検出特性などの多くの因子によって、この可視度に影響を与えることができる。
【０００３】
例えば、従来のスクリーン／フィルム放射線撮影では、一般に出力トーンすなわちトーンスケール再現機能は、フィルム製造業者によって既にフィルム設計に盛り込まれており、多種多様なフィルムが試験の種類、露光技術および観察者の好みによって異なる「ルックス」を得るのに利用することができる。一方、ＵＳ−Ａ−ＲＥ．３１，８４７に記載されたように、コンピュータ放射線撮影（ＣＲ）では、画像捕捉段階と表示段階を別々にすることによって、特に必要な場合には画像または画像の一部を任意の出力コントラストで表示することができる。最終画像を表示する前にコンピュータでこの出力トーンスケールを調整するＣＲ装置の能力は、このような装置の効果的な特徴の一つである。ただし、試験タイプ、露光条件、撮像方式、イメージ捕捉装置のノイズ感度、出力装置のダイナミックレンジなどのその他の要因に影響を受けるので、適切なトーンスケールを選択または生成が簡単に行えないこともある。
【０００４】
一般に、市場で入手できるコンピュータ放射線撮影装置では、エッジ強調に続いて、トーンスケールを行う。トーンスケールの目的は、適切な変換関数を定義し、フィルムまたはソフトコピーすなわちＣＲＴディスプレイのいずれかである表示媒体の最大ダイナミックレンジに重要な画像情報をマップすることにある。さまざまな方法がＣＲ画像のトーンスケール曲線を生成するために提案されてきた。特に、ヒストグラムを基にしたトーンスケール変換は、効率が良いためこのような画像を強調するものとして最も広く用いられる方法の一つである。ＵＳ−Ａ−５，０６８，７８８、ＵＳ−Ａ−５，１９８，６９９、ＵＳ−Ａ−４，８３９，８０７、ＵＳ−Ａ−５，０４０，２２５、ＵＳ−Ａ−４，９１４，２９５、ＵＳ−Ａ−４，９５２，８０５は、ディジタル医療画像処理用にヒストグラムに基づく撮像技術の典型である。
【０００５】
一般に、このようなヒストグラムに基づく方法は、不要な領域に対応するヒストグラムのピークが所望の領域に対応するピークとは十分開きがあり、別のものとして識別することができる場合に、最も効果がある。ただし、画像に渡って不要な領域を不均一に照明してピークが重複する場合、または、コリメータ後側の分散によって、その領域の信号レベルが物体（身体部分）の高Ｘ線吸収構造に近付く場合、所望の領域と不要な領域との区別は困難になる。この結果、画像の不要な領域によって過度に影響された場合、トーンスケール変換は最適状態には及ばなくなる。
【０００６】
ディジタル投影放射線撮影技術の分野では、放射線専門医が空間イメージ分割（すなわち身体部分検知）とヒストグラム分析を合わせた画像処理技術を使用して、視覚化に最適の画像を提供することが提案されている（ＵＳ−Ａ−５，１６４，９９３参照）。これらの技術には、身体部分をフォアグラウンドとバックグラウンドから分割し、さらに、ルールベースヒストグラム分析で撮像される解剖学的領域に対応する当該の適切なヒストグラム領域を検知しなければならない。
【０００７】
【発明が解決しようとする課題】
このように、従来の重要な画像情報を表示媒体の最大ダイナミックレンジにマップしてディジタル画像処理方法を提供しイメージヒストグラムの適切な分析を容易に行うディジタル放射線撮影には問題がある。
【０００８】
【課題を解決するための手段および作用】
本発明は、上述の従来の問題を解決する方法を提供する。本発明によれば、ヒストグラム領域を検知しディジタル放射線撮影画像のトーンスケールの再現改善を行う方法にトーンスケール再現改善方法おいて、適切なサイズを有するサンプルを用いてディジタル放射線撮影画像を疑似ランダムにサンプリングし、目的の領域を描写するステップと、テクスチャ（基調）解析技術を用いて各サンプルを処理し、複数のテクスチャ特性を抽出するステップと、該抽出テクスチャ特性を用いて、予め調整したニューラル回路網分類器で前記サンプルを分類しそのクラスを判定するステップと、同一クラスに属するピクセル値を累計し、各クラスに対する個別ヒストグラムを作成し、各ヒストグラムを使用してトーンスケール再現を最適化するステップとを有することを特徴とする。
【０００９】
【実施例】
図１は、本発明を実施することができる一般的な装置１０を示す。装置１０は、入力画像１４をディジタル放射線撮影画像に変換する画像捕捉部（スキャナ）１２を有する。ディジタル画像処理部１６は、画像の外観、診断精度やその他の特性を改善することを目的とした画像処理アルゴリズムでディジタル画像信号を処理する。ディジタル画像処理部１６は、ディジタル処理演算装置、メモリ、入出力装置などの既知の構成要素を有するディジタルコンピュータでも良い。処理された出力画像２０は、画像ディスプレイ１８で確認される。本発明を用いて処理すべきディジタル放射線撮影画像信号は、記憶蛍光体（計算機放射線撮影）装置、フィルムディジタイザ、画像増倍管などから、異なるさまざまな装置で得ることができる。さらに、画像は、計算機断層撮影（ＣＴ）スキャナ、磁気共鳴画像（ＭＲＩ）スキャナ、超音波（ＵＴ）スキャナなどの診断用画像スキャナから得ることができる。ディスプレイ装置で最も広く用いられているものは、レーザプリンタ、陰極線管プリンタなどのフィルム書込装置や、ビデオモニタに装備するソフトディスプレイである。
【００１０】
本発明では、ＵＳ−Ａ−５，１６４，９３３に記載された画像処理アルゴリズムを改善する画像分類技術を提供する。本発明に係る技術は、ディジタル放射線撮影画像がこのＪａｎｇとＳｃｈａｅｔｚｉｎｇの出願に開示されたアルゴリズムに従って分割された後、使用することが好ましい。本発明に係る分類技術を実施した後、ディジタル放射線撮影画像をＵＳ−Ａ−５，１６４，９３３で開示されたトーンスケールアルゴリズムで処理する（図２のブロック２１、２２、２３）。
【００１１】
このＪａｎｇとＳｃｈａｅｔｚｉｎｇの分割アルゴリズムは、図３にさらに詳しく記載されている。この出願は、開示された分割技術をさらに徹底して説明するために参照するものである。一般に、ＣＲ画像では分割方法によって撮像される身体部分周囲の直接Ｘ線撮影領域（バックグラウンド）と、ビーム制限装置を用いて照射領域のサイズを制限した領域（フォアグラウンド）の検出および識別を行う。図３に示すように、分割は、エッジ検出ステップ２４と、ブロック生成ステップ２６と、ブロック分類ステップ２８と、ブロック改善ステップ３０とビットマップ生成ステップ３２の、５つのステップで行われる。
【００１２】
エッジ検出ステップ２４では、さまざまなエッジ検出アルゴリズムを用いる。ただし、ノイズに対して感度が低く、フォアグラウンド／バックグラウンドと物体間のコントラストに釣り合うエッジ強度を測定する能力があり、効率良く実施できることから、形態的エッジ検出器が好ましい。エッジ検出ステップ２４の出力は、高密エッジ領域の振幅が大きいピクセルと、エッジ密度がほとんどまたは全くない領域の振幅が小さいピクセルとを含むエッジ強度マップである。このため、局部のエッジ含有率は、画像のさまざまな部分のディテールレベルの標識であり、従って、これらの部分がフォアグラウンド／バックグラウンド領域寄りなのか物体寄りなのかを示す標識である。
【００１３】
エッジ検出ステップ２４後、ブロック生成ステップ２６では、画像を一連の重複しないピクセル連続ブロックに分解する。画像分析とフォアグラウンド、バックグラウンドおよび物体への分類は、ブロック単位で行われる。
【００１４】
次に、ブロック分類ステップ２８と、ブロック改善ステップ３０を行う。ブロックが基本的に同種であり相対的に低エッジ密度であるか、異種であり相対的に高エッジ密度であるかと、各ブロックが何を含むか（フォアグラウンドピクセル、バックグラウンドピクセル、物体ピクセル、フォアグラウンドピクセルおよびバックグラウンドピクセルまたはその一方と物体ピクセルの混合ピクセル）とに依存して、各ブロックが取り得る状態は１０通りある。隣接ブロックからの類似情報に加えたエッジ含有率に関する情報は、構文的推論部に供給される。この構文的推論部では、一連の臨床的または経験的に判定された決定規則を用いて画像の各ブロックをフォアグラウンド／バックグラウンドまたは物体の範疇に分類する。物体の末梢周辺のブロックについては、ブロック改善ステップ３０でそのブロック部分を後者の２つのブロックに再分類する。ビットマップ生成ステップ３２では、本発明に係る技術の好ましい実施例で用いられるテンプレートとして機能する二値（バイナリ）画像を生成する。
【００１５】
一般に、本発明に係る技術では、どのヒストグラム領域が骨、軟組織、テクスチャ属性に基づくバックグラウンドおよびフォアグラウンドに対応するかを評価することによって画像ヒストグラムを正確に分析することを容易にする。このような知識を用いると、例えば、軟組織領域のコントラストを利用して骨領域のコントラストを上げることができるようになる。
【００１６】
次に、図４について説明する。図４は、本発明に係る好ましい実施例を示す線図／ブロック図である。図示のように、図形３４は、バックグラウンド、フォアグラウンド、当該の領域を含む元の放射線撮影画像である。図形３６は、上述の分割処理から生じるバイナリ画像である。本発明に係る画像処理技術によれば、当該の描写領域（両手）は、図形３８に示したように、任意にサンプリングされる。各サンプルは予め処理されて、テクスチャ特性が抽出される（ステップ４０）。次に、タイプすなわち骨、組織、バックグラウンドまたはフォアグラウンドに関しニューラル分類技術で抽出された特性を用いて分類される（ステップ４２）。同一クラスに属するピクセル値は累計されて、骨、組織、バックグラウンド、フォアグラウンドに対して個別のヒストグラム推定値となる（ステップ４４）。次に、これらのヒストグラム推定値を使用して、骨領域または組織領域に対するトーンスケールアルゴリズムを最適化し、視覚化または診断のためにこれらの領域の表示を強調することができる。
【００１７】
本発明に係る各ステップを次に詳細に説明する。図４の任意サンプリングステップ３８は、各ピクセル毎にディジタル値１２ビットを有することができる分割された身体部分から、３９×３９のピクセル下位領域などのピクセル下位領域を抽出することによって実行される。本発明に係るサンプリング技術は、Ｐｅｔｅｒ Ｇ． Ａｎｄｅｒｓｏｎ， Ｌｉｎｅａｒ Ｐｉｘｅｌ Ｓｈｕｆｆｌｉｎｇ ｆｏｒ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ， ａｎ Ｉｎｔｒｏｄｕｃｔｉｏｎ， Ｊｏｕｒｎａｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｉｍａｇｉｎｇ， （２）， Ａｐｒｉｌ， １９９３， Ｐａｇｅｓ １４７−１５４ の論文に述べられた線形ピクセルシャフリング技術であることが好ましい。図５は、好例となるソフトウェアルーチンである。
【００１８】
図４の処理およびテクスチャ抽出ステップすなわち事前処理及び特性算出ステップ４０を、図６から図１２までを参照に説明する。図６に示すように、第１の事前処理ステップ５０では、１６などの因数で各サンプルに対するデータを圧縮する。例えば、あるサンプルの各１２ビットピクセルは、８ビットピクセルに圧縮される。次に、局部適応ヒストグラム等化処理を各圧縮サンプルに行う。好例となる技術は、Ｐｒａｔｔ， Ｗ．， （１９３３）， Ｄｉｇｉｔａｌ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ， Ｗｉｌｅｙ， Ｎｅｗ Ｙｏｒｋ， Ｐａｇｅ ２７５−２８４に記載されている。例えば、各９×９ウィンドウ位置で、ヒストグラムを算出する（ピクセルコード値の度数表）（図７、９（ａ），（ｂ））。次に、等化ヒストグラムが、ヒストグラムに基づく累積度数表として算出される。さらに、中央の３×３ピクセル領域を等化ヒストグラムに基づいて再度マッピングする（図９（ｃ），（ｄ）参照）。３ピクセルだけ移動し、連続するウィンドウでこの処理を繰り返す（図７、９（ａ），（ｂ））。その後、３２×３２ピクセルなどの各サンプルの中間領域を抽出する（図６、ステップ５４）。図１０および図１１は、局部適応ヒストグラム等化前後の骨サンプルヒストグラムをそれぞれ示す。
【００１９】
本発明に係る方法のつぎのステップは、特性抽出を行う。物体または画像のテクスチャは、任意の、周期的な、平滑な、粗雑な、荒い、などの形容詞で説明することができ、統計的技術または構造的技術を用いて表現することができる。応力線に続く補強支柱を成す海綿質骨が柱構造であるため、整形外科的な骨にはユニークなテクスチャ属性がある。放射線撮影画像処理で、これらの属性を記録すると、組織、バックグラウンドまたはフォアグラウンドに比較して、ユニークなテクスチャとなる。本発明に係る好ましい実施例では、灰色レベル同時生起（ＧＬＣ）行列（Ｈａｒａｌｉｃｋ， Ｒ．， Ｓｈａｎｍｕｇａｍ， Ｋ．， Ｄｉｎｓｔｅｉｎ， Ｉ．， （１９７３）， Ｔｅｘｔｕｒａｌ Ｆｅａｔｕｒｅｓ ｆｏｒ， Ｉｍａｇｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ， ＩＥＥＥ Ｔｒａｎｓ． Ｓｙｓｔ． Ｍａｎ． Ｃｙｂｅｒ．， （ＳＭＣ−３）， Ｎｏｖ． Ｐａｇｅｓ １４１−１５２と、Ｈａｒａｌｉｃｋ， Ｒ．， （１９７９）， Ｓｔａｔｉｓｔｉｃａｌ ａｎｄ Ｓｔｒｕｃｔｕｒａｌ Ａｐｐｒｏａｃｅｓ ｔｏ Ｔｅｘｔｕｒｅ， Ｐｒｏｃ． ｏｆ ＩＥＥＥ， （６７）， Ｍａｙ， Ｐａｇｅｓ ７８６−８０４を参照）と、隣接灰色レベル従属（ＮＧＬＤ）行列（Ｓｕｎ， Ｃ． Ｗｅｅ， Ｗ．， （１９８２）， Ｎｅｉｇｈｂｏｒｉｎｇ Ｇｒａｙ Ｌｅｖｅｌ Ｄｅｐｅｎｄｅｎｃｅ Ｍａｔｒｉｘ ｆｏｒ Ｔｅｘｔｕｒｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ， Ｃｏｍｐｕｔｅｒ ｖｉｓｏｎ Ｇｒａｐｈｉｃｓ ａｎｄ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ， （２３）， Ｐａｇｅｓ ３４１−３５２ を参照）２つの統計学的なテクスチャ解析方法を使用する。
【００２０】
一般に、ＧＬＣ行列は、イメージの灰色トーンが互いにすなわち相互生起しなければならないという平均的空間関係に基づいている。基本となる前提は、テクスチャ情報がさまなざまなピクセルの差異および配向に基づいて算出される一連の灰色トーン空間依存行列によって適切に指定されることである。このような灰色レベル同時生起行列は、二次結合条件各釣り密度関数の評定値ｐ（ｉ，ｊ，ｄ，ｏ）であり、一般に０度、４５度、９０度、 １３５度の４方向で算出される。各密度関数は、サンプル間の間隔ｄであり、方向が角度ｏである場合、灰色レベルｉから灰色レベルｊに至る確率である。画像がＮｇ灰色レベルを有する場合、灰色レベル同時生起行列はＮｇ×Ｎｇになる。
【００２１】
与えられた例では、すべてのテクスチャ特性は３２×３２ピクセルサンプルから算出されたこれらの行列から抽出される。例えば、ｄは１から３であり、抽出された特性は、エネルギー、コントラスト、相関関係、局部類似性およびエントロピーである。
【００２２】
ＧＬＣ行列方法の制限は、各方向に関し一度に行列および対応する特性を４回算出しなければならないことにある。ＮＧＬＤ行列方法では、一度に一方向算出する代わりに、ピクセルと近傍すべての関係を一度に考慮することでこの制限を解消している。これによって、角度に依存せず、線形灰色レベル変換に基づく不変性を容易にし、計算による負荷を低減する。
【００２３】
ＮＧＬＤ行列は、画像の全要素と特定の距離ｄを開けた近傍のグレートーン関係から形成される。次に、すべてのテクスチャ特性は、このＮＧＬＤ行列から求められる。行列のサイズは、Ｎｇ×Ｎｎであり、Ｎｇは可能な灰色レベル数であり、Ｎｎは、可能な近傍数である。これは、画像の灰色度変化度数と見做すことができ、画像のヒストグラムと意味的に似ている。与えられた例では、スモールナンバー（ｓｍａｌｌ ｎｕｍｂｅｒ）強調、ラージナンバー（ｌａｒｇｅ ｎｕｍｂｅｒ）強調、数値不均一性、二次モーメントおよびエントロピーを用いた。
【００２４】
次に図１２について説明する。図１２は、特性抽出ステップで用いるソフトウェアルーチンである。
【００２５】
サンプルを分類する前に、ニューラルネットワーク分類器を放射線撮影画像のライブラリから手作業で選択した既知のデータ（上述の事前処理した骨サンプル、軟組織サンプル、バックグラウンドサンプル、フォアグラウンドサンプルと、算出されたテクスチャ特性）に関して調整する（ＵＳ−Ａ−５，０４８，０９７参照）。
【００２６】
学習過程は以下の通りである。
【００２７】
目標：分類器を調整し、いままでに調査したことがない未知のサンプルを骨、組織、バックグラウンド、フォアグラウンドから成る４クラスの１つとして認識する。
【００２８】
手順：操作条件下で認められる可能性があるサンプルの母集団全体を代表するサンプリングとして役立つと思われるさまざまな試験および画像条件に関する何千ものサンプルを収集する。各サンプルを選択する際、適切なクラスすなわち、骨、組織、バックグラウンド、フォアグラウンドを示すラベルを添付する。
【００２９】
各サンプルを操作条件下で使用すべき方法に一致する方法で事前処理する。
【００３０】
上述のテクスチャ特性を算出し、標準化し、入力ベクトルを生成する。
【００３１】
出力ベクトルをセットアップする。
【００３２】
例
骨は、｛１，０，０，０｝としてマップされる。
【００３３】
組織は、｛０，１，０，０｝としてマップされる。
【００３４】
バックグラウンドは、｛０，０，１，０｝としてマップされる。
【００３５】
フォアグラウンドは、｛０，０，０，１｝としてマップされる。
【００３６】
次に、これらの入力ベクトルと出力ベクトルの組合わせを、指揮された学習アルゴリズムに提供する。好ましい実施例は、三層グローバル接続ニューラルネットワークである。後退誤差伝播法は、最急下降法を用いる学習アルゴリズムとして好ましい。最急下降法は、標的と出力ベクトル間の誤差を反復形式で最小化するのに利用される。図１３は、ニューラルネットワーク分類器を示す図である。
【００３７】
図４に示すように、次のステップでは、予め調整したニューラルネットワーク分類器でサンプルを分類する（ステップ４２）。サンプルが骨タイプからなると認められる場合、中央ピクセルおよび一般には３×３の周辺の近傍は、すべて骨として分類される。対応するピクセルデータは、他の骨ピクセル値とともに累計され、骨ヒストグラムを構成する（図４、ステップ４４）。同様に、その他のクラスについても行う。図１４（ａ）および図１４（ｂ）は、それぞれ、ヒストグラムの構成例と、ヒストグラム構成を実行するソフトウェアルーチンを示す。図１５は、上述の４クラスに対して構成されたヒストグラムを示す三次元グラフ図である。
【００３８】
特定のクラスに対するヒストグラムをさらに正確に識別する場合の本発明に係る分類技術の成果を図１６から図１９に示す。図１６および図１７は、それぞれ実際の骨サンプルヒストグラムと組織サンプルヒストグラムである。図１８および図１９は、それぞれ、本発明に係る技術で分類された骨サンプルヒストグラムと組織サンプルヒストグラムである。実際のヒストグラムと算出したヒストグラムの相関関係は明白である。
【００３９】
図２０は、身体部分全体のヒストグラムと、それに基づくトーンスケール曲線の他、骨のみのヒストグラムと、それに基づくトーンスケール曲線である。骨領域を知っていれば、左のポイントと、特に、右のポイントについてはＵＳ−Ａ−５，１６４，９９３のトーンスケールアルゴリズムを用いて、推測しなければならない。判断を誤ると、コントラストは下がり、画像表示に一貫性が無くなる。骨領域と組織領域の境界が分かれば、左のポイントと右のポイントを正確に選択することができるので、画像表示に矛盾がなくなる。
【００４０】
【発明の効果】
本発明に係る技術を用いることによって、画像内のピクセルすべてを分析しなければならない複雑な規則に基づくシステムを開発せずに、さまざまな分布、特に骨と軟組織の正確な近似値を自動的に得ることができる利点がある。上述したようなシステムを開発するには時間がかかり、また故障しやすいという問題がある。本発明のシステムに係る別の利益は、モニターに対して容易に個別化できることである。例えば、放射線医師が骨の腫瘍を探している場合、骨領域内のトーンスケールのダイナミックレンジをすべて用いて選択し、軟組織またはバックグラウンドに対しては一切用いないと思われる。あるいは、骨折の場合は、ダイナミックレンジの２０％までを軟組織の腫脹検査に、８０％を骨折の位置を決定するために選択することができる。また、分割ステップで、バックグラウンド領域またはフォアグラウンド領域が分割マスクに含まれるようなエラーが生じた場合は、ヒストグラム解析方法は失敗するが、テクスチャ特性を用いてヒストグラムを分解した場合には、この問題を解決することができるという利点もある。
【図面の簡単な説明】
【図１】本発明で用いることができる撮像装置のブロック図である。
【図２】ディジタル放射線撮影画像の画像処理に用いる本発明に係る一実施例のブロック図である。
【図３】好ましい画像分割手続きを示すブロック図である。
【図４】本発明に係る好ましい実施例の部分的に線図を含めた部分的ブロック図である。
【図５】画像サンプル処理ルーチンのフローチャート図である。
【図６】画像サンプル事前処理ステップを示すブロック図である。
【図７】局部適応ヒストグラム等化を説明する線図である。
【図８】本発明に係る事前処理ステップを実行する際に利用するフローチャート図である。
【図９】（ａ），（ｂ），（ｃ），（ｄ）は、本発明に係る技術の説明に用いられるグラフ図である。
【図１０】本発明に係る技術の説明に用いられるグラフ図である。
【図１１】本発明に係る技術の説明に用いられるグラフ図である。
【図１２】テクスチャ特性抽出ステップを実行した場合に使用するフローチャート図である。
【図１３】ニューラルネットワーク分類器を示す図である。
【図１４】（ａ）はヒストグラム構成の一例であり、（ｂ）はヒストグラム構成ステップのフローチャート図である。
【図１５】本発明を説明する際に使用するグラフ図である。
【図１６】本発明を説明する際に使用するグラフ図である。
【図１７】本発明を説明する際に使用するグラフ図である。
【図１８】本発明を説明する際に使用するグラフ図である。
【図１９】本発明を説明する際に使用するグラフ図である。
【図２０】本発明を説明する際に使用するグラフ図である。
【符号の説明】
１０ 装置
１２ 画像捕捉部（スキャナ）
１４ 入力画像
１６ ディジタル画像処理部
１８ 画像ディスプレイ
２０ 出力画像
２１ 分割ステップ
２２ 分類ステップ
２３ トーンスケールステップ
２４ エッジ検出ステップ
２６ ブロック生成ステップ
２８ ブロック分類ステップ
３０ ブロック改善ステップ
３２ ビットマップ生成ステップ
３４、３６ 図形
３８ 任意サンプリングステップ
４０ 処理およびテクスチャ抽出ステップ
４２ サンプル分類ステップ
４４ 分布構成ステップ
４６ トーンスケールステップ
５０ 事前処理ステップ
５２ 局部適応ヒストグラム等化処理ステップ
５４ 中央領域抽出ステップ
Claims (1)
- ヒストグラム領域を検知しディジタル放射線撮影画像のトーンスケールの再現改善を行うトーンスケール再現改善方法において、
適切なサイズを有するサンプルを用いてディジタル放射線撮影画像を疑似ランダムにサンプリングし、目的の領域を描写するステップと、
テクスチャ解析技術を用いて各サンプルを処理し、複数のテクスチャ特性を抽出するステップと、
該抽出テクスチャ特性を用いて、予め調整したニューラル回路網分類器で前記サンプルを分類しそのクラスを判定するステップと、
同一クラスに属するピクセル値を累計し、各クラスに対する個別ヒストグラムを作成し、各ヒストグラムを使用してトーンスケール再現を最適化するステップと、
を有することを特徴とするトーンスケール再現改善方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US08/152,772 US5426684A (en) | 1993-11-15 | 1993-11-15 | Technique for finding the histogram region of interest for improved tone scale reproduction of digital radiographic images |
| US152772 | 2002-05-23 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH07192119A JPH07192119A (ja) | 1995-07-28 |
| JP3619270B2 true JP3619270B2 (ja) | 2005-02-09 |
Family
ID=22544377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP28043594A Expired - Fee Related JP3619270B2 (ja) | 1993-11-15 | 1994-11-15 | ヒストグラム領域を検知し、ディジタル放射線撮影画像のトーンスケールの再現を改善する方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US5426684A (ja) |
| EP (1) | EP0653726B1 (ja) |
| JP (1) | JP3619270B2 (ja) |
| DE (1) | DE69427567T2 (ja) |
Families Citing this family (65)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2712415B1 (fr) * | 1993-11-09 | 1995-12-22 | Ge Medical Syst Sa | Procédé de repérage automatique de points d'intérêt lors d'un examen de stéréotaxie en mammographie. |
| US5588071A (en) * | 1994-10-26 | 1996-12-24 | Minnesota Mining And Manufacturing Company | Identifying an area of interest using histogram data arranged in predetermined sequence |
| US5761333A (en) * | 1995-01-31 | 1998-06-02 | General Electric Company | Contrast enhancement for CT systems |
| US5541028A (en) * | 1995-02-02 | 1996-07-30 | Eastman Kodak Company | Constructing tone scale curves |
| AU723079B2 (en) * | 1995-07-19 | 2000-08-17 | Veracel Inc. | Window texture extraction for image analysis |
| US5633511A (en) * | 1995-12-22 | 1997-05-27 | Eastman Kodak Company | Automatic tone scale adjustment using image activity measures |
| US5995651A (en) * | 1996-07-11 | 1999-11-30 | Duke University | Image content classification methods, systems and computer programs using texture patterns |
| US7650015B2 (en) | 1997-07-22 | 2010-01-19 | Image Processing Technologies. LLC | Image processing method |
| US6154560A (en) * | 1996-08-30 | 2000-11-28 | The Cleveland Clinic Foundation | System and method for staging regional lymph nodes using quantitative analysis of endoscopic ultrasound images |
| IL119283A0 (en) * | 1996-09-19 | 1996-12-05 | Elscint Ltd | Adaptive filtering |
| US5918196A (en) * | 1996-11-29 | 1999-06-29 | Cognex Corporation | Vision system for analyzing solid-of-revolution radius profile |
| GB9626676D0 (en) * | 1996-12-23 | 1997-02-12 | Smith & Nephew Res | Imaging method |
| US6092059A (en) * | 1996-12-27 | 2000-07-18 | Cognex Corporation | Automatic classifier for real time inspection and classification |
| US6901158B2 (en) * | 1997-09-22 | 2005-05-31 | Canon Kabushiki Kaisha | Image discrimination apparatus and image discrimination method |
| US6018590A (en) * | 1997-10-07 | 2000-01-25 | Eastman Kodak Company | Technique for finding the histogram region of interest based on landmark detection for improved tonescale reproduction of digital radiographic images |
| US6175652B1 (en) | 1997-12-31 | 2001-01-16 | Cognex Corporation | Machine vision system for analyzing features based on multiple object images |
| US6175644B1 (en) | 1998-05-01 | 2001-01-16 | Cognex Corporation | Machine vision system for object feature analysis and validation based on multiple object images |
| JP2002530133A (ja) * | 1998-11-13 | 2002-09-17 | アーチ・デベロップメント・コーポレーション | 肺結節中の悪性腫瘍検出用システム |
| US6738499B1 (en) | 1998-11-13 | 2004-05-18 | Arch Development Corporation | System for detection of malignancy in pulmonary nodules |
| AUPP898499A0 (en) * | 1999-03-02 | 1999-03-25 | University Of Queensland, The | Method for image texture analysis |
| US6211971B1 (en) | 1999-03-11 | 2001-04-03 | Lockheed Martin Missiles & Space Co. | Method and apparatus to compress multi-spectral images to a single color image for display |
| EP1126410A1 (en) * | 2000-02-14 | 2001-08-22 | Koninklijke Philips Electronics N.V. | Picture signal enhancement |
| US6579238B1 (en) * | 2000-04-24 | 2003-06-17 | Acuson Corporation | Medical ultrasonic imaging system with adaptive multi-dimensional back-end mapping |
| US6735330B1 (en) * | 2000-10-17 | 2004-05-11 | Eastman Kodak Company | Automatic digital radiographic bright light |
| US6804384B2 (en) * | 2001-06-12 | 2004-10-12 | Mclean Hospital Corporation | Color magnetic resonance imaging |
| US7088872B1 (en) * | 2002-02-14 | 2006-08-08 | Cogent Systems, Inc. | Method and apparatus for two dimensional image processing |
| DE10213284B4 (de) * | 2002-03-25 | 2007-11-08 | Siemens Ag | Verfahren zur Bilddarstellung in der medizinischen Bildgebung |
| US7006600B1 (en) * | 2004-01-15 | 2006-02-28 | Progeny, Inc. | Integrated digital dental x-ray system |
| WO2005091226A1 (en) * | 2004-03-15 | 2005-09-29 | Philips Intellectual Property & Standards Gmbh | Image visualization |
| JP3930493B2 (ja) * | 2004-05-17 | 2007-06-13 | 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 | 画像処理方法、画像処理装置およびｘ線ｃｔ装置 |
| US8774355B2 (en) * | 2004-06-30 | 2014-07-08 | General Electric Company | Method and apparatus for direct reconstruction in tomosynthesis imaging |
| DE102005006658B4 (de) * | 2005-02-14 | 2011-12-15 | Siemens Ag | Verfahren bzw. Röntgensystem zur Aufnahme von Röntgenabbildungen eines auf einem digitalen Röntgendetektor abgebildeten Untersuchungsobjektes |
| DE102005010076A1 (de) * | 2005-03-04 | 2006-09-07 | Siemens Ag | Bildbearbeitungsverfahren für ein digitales medizinisches Untersuchungsbild und zugehörige Untersuchungseinrichtung |
| US8131477B2 (en) | 2005-11-16 | 2012-03-06 | 3M Cogent, Inc. | Method and device for image-based biological data quantification |
| US7783121B1 (en) * | 2005-11-29 | 2010-08-24 | Adobe Systems Incorporated | Method and apparatus for applying a filter to an image with a large range of pixel values |
| US8594445B2 (en) * | 2005-11-29 | 2013-11-26 | Adobe Systems Incorporated | Fast bilateral filtering using rectangular regions |
| EP1840831A1 (en) * | 2006-03-31 | 2007-10-03 | Sony Deutschland Gmbh | Adaptive histogram equalization for images with strong local contrast |
| JP5068036B2 (ja) * | 2006-05-19 | 2012-11-07 | 富士フイルム株式会社 | 分光画像処理装置 |
| JP4232804B2 (ja) | 2006-08-25 | 2009-03-04 | 日本電気株式会社 | 画像濃度変換方法、画像強調処理装置、およびそのプログラム |
| US8275179B2 (en) * | 2007-05-01 | 2012-09-25 | 3M Cogent, Inc. | Apparatus for capturing a high quality image of a moist finger |
| US8355595B2 (en) * | 2007-05-15 | 2013-01-15 | Xerox Corporation | Contrast enhancement methods and apparatuses |
| US7675524B1 (en) | 2007-05-17 | 2010-03-09 | Adobe Systems, Incorporated | Image processing using enclosed block convolution |
| US7920741B2 (en) | 2007-05-31 | 2011-04-05 | Adobe Systems Incorporated | System and method for image processing using integral histogram convolution |
| US7889923B1 (en) | 2007-05-31 | 2011-02-15 | Adobe Systems Incorporated | System and method for sparse histogram merging |
| US8411916B2 (en) * | 2007-06-11 | 2013-04-02 | 3M Cogent, Inc. | Bio-reader device with ticket identification |
| US7925653B2 (en) * | 2008-02-27 | 2011-04-12 | General Electric Company | Method and system for accessing a group of objects in an electronic document |
| US8655097B2 (en) | 2008-08-22 | 2014-02-18 | Adobe Systems Incorporated | Adaptive bilateral blur brush tool |
| US8315473B1 (en) | 2008-08-22 | 2012-11-20 | Adobe Systems Incorporated | Variably fast and continuous bilateral approximation filtering using histogram manipulations |
| US8666148B2 (en) | 2010-06-03 | 2014-03-04 | Adobe Systems Incorporated | Image adjustment |
| JP4691732B1 (ja) * | 2010-07-30 | 2011-06-01 | 国立大学法人 岡山大学 | 組織抽出システム |
| CN102567736A (zh) * | 2010-12-14 | 2012-07-11 | 三星电子株式会社 | 图像识别设备及方法 |
| US8903169B1 (en) | 2011-09-02 | 2014-12-02 | Adobe Systems Incorporated | Automatic adaptation to image processing pipeline |
| US9008415B2 (en) * | 2011-09-02 | 2015-04-14 | Adobe Systems Incorporated | Automatic image adjustment parameter correction |
| US8750613B2 (en) | 2011-12-13 | 2014-06-10 | The Nielsen Company (Us), Llc | Detecting objects in images using color histograms |
| US8897553B2 (en) | 2011-12-13 | 2014-11-25 | The Nielsen Company (Us), Llc | Image comparison using color histograms |
| US8897554B2 (en) | 2011-12-13 | 2014-11-25 | The Nielsen Company (Us), Llc | Video comparison using color histograms |
| CN104798105B (zh) * | 2012-11-20 | 2019-06-07 | 皇家飞利浦有限公司 | 采用图像纹理特征的集成表型 |
| WO2014144103A1 (en) * | 2013-03-15 | 2014-09-18 | Sony Corporation | Characterizing pathology images with statistical analysis of local neural network responses |
| US10102620B2 (en) * | 2013-06-18 | 2018-10-16 | Canon Kabushiki Kaisha | Control device for controlling tomosynthesis imaging, imaging apparatus, imaging system, control method, and program for causing computer to execute the control method |
| JP6252750B2 (ja) * | 2013-12-03 | 2017-12-27 | 株式会社島津製作所 | 骨梁解析装置 |
| KR102489266B1 (ko) * | 2018-08-13 | 2023-01-17 | 엘지전자 주식회사 | 모바일 디바이스 및 그 제어 방법 |
| US11157765B2 (en) | 2018-11-21 | 2021-10-26 | Samsung Electronics Co., Ltd. | Method and system for determining physical characteristics of objects |
| JP6994608B2 (ja) * | 2018-11-30 | 2022-01-14 | コーニンクレッカ フィリップス エヌ ヴェ | 骨折を検出するための装置及び方法 |
| CN109685801B (zh) * | 2018-12-10 | 2021-03-26 | 杭州帝视科技有限公司 | 结合纹理特征和深度神经网络信息的皮肤镜图像处理方法 |
| KR102575890B1 (ko) * | 2020-11-16 | 2023-09-08 | 본와이즈 주식회사 | 인공지능 시스템을 훈련시키기 위한 이미지 데이터를 처리하도록 구성되는 전자 장치 |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US31847A (en) * | 1861-03-26 | Jesse young | ||
| JPS61278290A (ja) * | 1985-06-03 | 1986-12-09 | Matsushita Electric Ind Co Ltd | 複合カラ−映像信号のデイジタル記録再生装置 |
| US4914295A (en) * | 1985-06-25 | 1990-04-03 | Fuji Photo Film Co., Ltd. | Radiation image read-out and image signal storing apparatus |
| US4839807A (en) * | 1987-08-03 | 1989-06-13 | University Of Chicago | Method and system for automated classification of distinction between normal lungs and abnormal lungs with interstitial disease in digital chest radiographs |
| US4952805A (en) * | 1987-08-20 | 1990-08-28 | Fuji Photo Film Co., Ltd. | Method of judging the presence or absence of a limited irradiation field, method of selecting a correct irradiation field, and method of judging correctness or incorrectness of an irradiation field |
| US5040225A (en) * | 1987-12-07 | 1991-08-13 | Gdp, Inc. | Image analysis method |
| US4897881A (en) * | 1988-03-23 | 1990-01-30 | Centre De Recherche Industrielle Du Quebec | Optimum fast textural feature extractor |
| US4914589A (en) * | 1988-10-24 | 1990-04-03 | General Electric Company | Three-dimensional images obtained from tomographic data using a variable threshold |
| US5068788A (en) * | 1988-11-29 | 1991-11-26 | Columbia Scientific Inc. | Quantitative computed tomography system |
| FR2646543A1 (fr) * | 1989-04-26 | 1990-11-02 | Labo Electronique Physique | Procede pour l'analyse de textures et analyseur |
| US5198669A (en) * | 1989-09-20 | 1993-03-30 | Fujitsu Limited | Digital X-ray image processing apparatus |
| US5153926A (en) * | 1989-12-05 | 1992-10-06 | E. I. Du Pont De Nemours And Company | Parallel processing network that corrects for light scattering in image scanners |
| US5048097A (en) * | 1990-02-02 | 1991-09-10 | Eastman Kodak Company | Optical character recognition neural network system for machine-printed characters |
| US5107529A (en) * | 1990-10-03 | 1992-04-21 | Thomas Jefferson University | Radiographic equalization apparatus and method |
| US5331550A (en) * | 1991-03-05 | 1994-07-19 | E. I. Du Pont De Nemours And Company | Application of neural networks as an aid in medical diagnosis and general anomaly detection |
| US5164993A (en) * | 1991-11-25 | 1992-11-17 | Eastman Kodak Company | Method and apparatus for automatic tonescale generation in digital radiographic images |
-
1993
- 1993-11-15 US US08/152,772 patent/US5426684A/en not_active Expired - Lifetime
-
1994
- 1994-10-20 DE DE69427567T patent/DE69427567T2/de not_active Expired - Fee Related
- 1994-10-20 EP EP94116530A patent/EP0653726B1/en not_active Expired - Lifetime
- 1994-11-15 JP JP28043594A patent/JP3619270B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| EP0653726A1 (en) | 1995-05-17 |
| EP0653726B1 (en) | 2001-06-27 |
| JPH07192119A (ja) | 1995-07-28 |
| US5426684A (en) | 1995-06-20 |
| DE69427567D1 (de) | 2001-08-02 |
| DE69427567T2 (de) | 2002-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3619270B2 (ja) | ヒストグラム領域を検知し、ディジタル放射線撮影画像のトーンスケールの再現を改善する方法 | |
| US5757953A (en) | Automated method and system for region decomposition in digital radiographic images | |
| US5825909A (en) | Automated method and system for image segmentation in digital radiographic images | |
| US5268967A (en) | Method for automatic foreground and background detection in digital radiographic images | |
| US5873824A (en) | Apparatus and method for computerized analysis of interstitial infiltrates in chest images using artificial neural networks | |
| Giger et al. | Computerized detection of pulmonary nodules in digital chest images: Use of morphological filters in reducing false‐positive detections | |
| Petrick et al. | Automated detection of breast masses on mammograms using adaptive contrast enhancement and texture classification | |
| US5796862A (en) | Apparatus and method for identification of tissue regions in digital mammographic images | |
| JP3326070B2 (ja) | 画像診断支援装置の画像処理方法 | |
| EP0610605B1 (en) | Method of recognising an irradiation field | |
| EP1035508B1 (en) | Automated method and system for the segmentation of medical images | |
| US5901240A (en) | Method for detecting the collimation field in a digital radiography | |
| US7123763B2 (en) | Image discrimination apparatus and image discrimination method | |
| JP2005296605A (ja) | 放射線写真画像を診断関連領域と診断非関連領域とにセグメント化する方法 | |
| US6353674B1 (en) | Method of segmenting a radiation image into direct exposure area and diagnostically relevant area | |
| JP2002099896A (ja) | 異常陰影候補検出方法および装置 | |
| US6212291B1 (en) | Method for recognizing multiple irradiation fields in digital radiography | |
| Li et al. | Improving mass detection by adaptive and multiscale processing in digitized mammograms | |
| Zhang et al. | Automatic background recognition and removal (ABRR) in computed radiography images | |
| JPH08263648A (ja) | 異常陰影候補の検出方法 | |
| Ishida et al. | Application of artificial neural networks for quantitative analysis of image data in chest radiographs for detection of interstitial lung disease | |
| JP2001076141A (ja) | 画像認識方法および画像処理装置 | |
| US5714764A (en) | Method for detecting prospective abnormal patterns | |
| US20050213841A1 (en) | Image processing | |
| EP0887769B1 (en) | Method of segmenting a radiation image into direct exposure area and diagnostically relevant area |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 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: 20041109 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20041112 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| LAPS | Cancellation because of no payment of annual fees | ||
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |