JP3939359B2 - 二段分類器を使用するディジタル放射線画像中の塊検出 - Google Patents
二段分類器を使用するディジタル放射線画像中の塊検出 Download PDFInfo
- Publication number
- JP3939359B2 JP3939359B2 JP52537898A JP52537898A JP3939359B2 JP 3939359 B2 JP3939359 B2 JP 3939359B2 JP 52537898 A JP52537898 A JP 52537898A JP 52537898 A JP52537898 A JP 52537898A JP 3939359 B2 JP3939359 B2 JP 3939359B2
- Authority
- JP
- Japan
- Prior art keywords
- spot
- feature
- measures
- computer
- pixels
- 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
- 238000000105 evaporative light scattering detection Methods 0.000 title description 2
- 238000000034 method Methods 0.000 claims description 24
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims 4
- 230000004044 response Effects 0.000 claims 2
- 230000006870 function Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 18
- 210000000481 breast Anatomy 0.000 description 11
- 238000012545 processing Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004195 computer-aided diagnosis Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 208000004434 Calcinosis Diseases 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- BUGBHKTXTAQXES-UHFFFAOYSA-N Selenium Chemical compound [Se] BUGBHKTXTAQXES-UHFFFAOYSA-N 0.000 description 4
- 229910052711 selenium Inorganic materials 0.000 description 4
- 239000011669 selenium Substances 0.000 description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 210000000038 chest Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000009607 mammography Methods 0.000 description 2
- 210000002445 nipple Anatomy 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000916 dilatatory effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000543 intermediate Substances 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/502—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Dentistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Description
本願は以下の同一出願人による、共通に譲受され、ここに参照として組み入れられる特許出願及び特許、即ち：
１）１９９４年７月１４日に出願され現在放棄されている米国特許出願第０８／２７４，９３９号の継続出願である、「MASS DETECTI0N IN DIGITAL X-RAY IMAGES USING MULTIPLE THRESHOLDS TO DISCRIMINATE SPOTS」なる名称の１９９６年８月１９日に出願された米国特許出願第０８／６９９，１８２号；
２）「AUTOMATIC SEGMENTATI0N, SKINLINE AND NIPPLE DETECTION IN DIGITAL MAMMOGRAMS」なる名称の１９９６年１１月５日に発行された米国特許第５，５７２，５６５号；
３）「MASS DETECTION BY COMPUTER USING DIGITAL MAMMOGRAMS OF THE SAME BREAST TAKEN FROM DIFFERENT VIEWING DIRECTIONS」なる名称の１９９６年１１月２６日に発行される米国特許第５，５７９，３６０号に発明について関連する。
本発明は概して元々ディジタル形式である、又はディジタル形式に変換される放射線画像のコンピュータ支援診断のための方法及びシステムに関する。更に特定的な面では、本発明は抽出されたスポットの複数の特徴尺度が計算される二段分類プロセスを使用する腫瘍に対応しうるスポットの識別に関連し、第１の分類段において、計算された特徴尺度に基づいて候補の疑わしい塊が識別される。次に第２の分類段では、候補の疑わしい塊の中からいわゆる「真陽性」が識別され、それによりいわゆる「偽陽性」を排除する。本発明は特にマンモグラムのコンピュータ支援診断（ＣＡＤＭ）に関連するが、例えば胸部Ｘ線といった他の通常の放射線画像のコンピュータ支援診断に関してもまた有用である。
２．従来技術の説明
この一般的な種類の方法は米国特許第５，２８９，３７４号より既知である。
米国において女性では２番目に多い癌である乳癌の早期検出は生存の機会を大きく増加させうる。そのような早期検出は放射線技師又はマンモグラフ撮影者による多数の周期的なスクリーニングマンモグラムの撮影及び読影を必要とする。判断されるべきマンモグラムの数と、塊及び悪性腫瘍の潜在的徴候である微細石灰化を識別する困難さとは両方とも、読影を支援するために少なくとも疑わしい領域をマークするためのマンモグラムのコンピュータ支援診断（ＣＡＤＭ）の開発の動機となる。同様に多数の胸部放射線写真の中の肺小結節の検出に関して関連する必要性がある。
コンピュータ支援診断に適したディジタル放射線画像は、従来のＸ線装置によって撮影されたフィルムを走査すること、又はフィルム中間物を生成する必要なく直接ディジタル化されうる電子画像信号を生成する他の種類のＸ線検出器を使用することによって獲得されうる。これらの種類の検出器は、Ｘ線画像増倍器／カメラのチェーン、光刺激リン板／レーザ読出し（米国特許第４，２３６，０７８号参照）及びセレン板／電位計読出し技術を含む。そのような技術はその空間解像度及び達成されるコントラスト感度について進歩しており、特に光刺激リン板／レーザ読出し及びセレン板／電位計読出し技術は近いうちにマンモグラフ及び胸部放射線写真の適用に広範な用途を見出すであろう。
引用された米国特許第５，２８９，３７４号といった従来の技術では、寸法、形状、エッジ勾配及び／又はコントラストに関する抽出されたスポットの様々な特徴尺度を計算し、典型的には候補の疑わしい塊及び／又は真陽性に関連するそのような特徴尺度のレンジ又は閾値、またはその組み合わせに関する前もって捕捉された知識に基づいて分類を行うことが知られている。
上述の技術に加え、Chan外の１９９５年Phys.Med.Biol.第４０号第８５７乃至８７６頁の「Computer-aided classification of mammographic masses and normal tissue: linear discriminant analysis in texture feature space」より、ディジタルマンモグラム中の同一の一定の大きさの方形領域のデータセットの中で塊と正常な乳房柔組織とを区別するために複数のテクスチャ特徴を使用することが知られている。
ＣＡＤＭでは多くの調査が進められているが、１画像当たり実際の真陽性の許容可能な高い検出率と、偽陽性の許容可能な少ない数の検出との組み合わせは実現されていなかった。
本発明は、１画像当たり実際の真陽性検出の高い検出率及び偽陽性の少ない数の検出を有する放射線画像中の疑わしい塊のコンピュータ支援検出のための方法及びシステムを提供することを目的とする。充分に短い処理時間でそのような結果を与えるために、初期多次元特徴空間に対応する特徴尺度の初期セットを使用して候補の疑わしい塊が識別される第１の粗い分類段の後まで、計算するのに計算上高くつく特徴尺度の計算が延期されるよう、検出方法は少なくとも２つの分類段を有することが更に望ましい。次に第２の分類段又は最後の分類段において、初期特徴空間よりも多くの次元を有する増大又は拡張特徴空間の中で候補の疑わしい塊の中の真陽性を識別するために、更なる計算上高くつく特徴尺度は所定の候補の疑わしい塊に関してのみ計算される。
撮像装置から読影されるべき放射線画像が獲得された後、そして必要であればディジタル形式に変換された後、関心領域全体は放射線画像の種類に特定的な自動セグメンテーションによって、例えばマンモグラムの中でバックグラウンドから乳房を抽出するために識別される。するとスポット又は「連結成分」は、グレーレベルのヒストグラムから決定されたグレーレベルの比較的大きなレンジ（２０を超過し、典型的には約５０の連続するグレーレベル）の中の各グレーレベルにおいて画像を閾値処理することによって抽出される。レンジの中のグレーレベルにおいて区別される各スポットが抽出される。グレーレベルのレンジの中でただ１つの閾値レベルにおいてアイランドとして区別されるスポットでさえも抽出されるよう、多数のグレーレベルが使用される。
第１の分類段に入る前に、各抽出されたスポットに対して、特徴尺度の初期セット、即ち、領域、コンパクトさ、偏心率、コントラスト及び強度分散が計算される。特徴尺度の初期セットは候補の疑わしい塊を識別するために第１の分類段によって使用される。
第１の分類段において識別された又は認められた候補の疑わしい塊は、各候補の疑わしい塊が真陽性又は偽陽性のいずれかとして分類される第２の分類段に与えられる。これを行う前に、特徴尺度の初期セットは、特徴尺度の拡張セットを形成するよう、より計算上高くつく特徴尺度、特にエッジ方向偏差及びいわゆるＬａｗｓテクスチャ特徴によって増大される。
本発明によれば、初期の分類段は多重規則に基づき、規則は放射線技師又はマンモグラフ撮影者によって真陽性又はｒｏｉがマークされている放射線写真の学習セットから学習段階において決められる。本発明の重要な面は、最終の分類段は、候補スポットの拡張された特徴尺度のベクトルの拡張特徴空間中の位置と、第２の分類段に対する学習段階において拡張特徴空間の中の「真陽性」及び「偽陽性」の両方をマッピングすることから生じた位置との比較に基づくことである。
本発明の重要な面は、疑わしい塊は複数のクラスタ又はサブセット中に分布される特徴空間の中の点に対応するという認識による。
多重規則に基づく第１の分類段に関して、学習段階では個々の規則は各クラスタのために決められ、動作段階では抽出されたスポットはいずれかの個々の規則を通過すれば候補の疑わしい塊として認められる。
第２の分類段は、第１の分類段を通過する学習セットの全ての画像からの全てのスポットが放射線技師のマーク付けに基づいて分割される学習段階において学習される。真陽性は拡張特徴空間の中で複数のクラスタの中にクラスタ化され、偽陽性は拡張特徴空間の中で複数のクラスタの中にクラスタ化される。次に夫々のクラスタに対する平均及び共分散マトリックスが決定される。
第２の分類段の動作段階では、候補の疑わしい塊はクラスタのどの平均がマハラノビス距離に最も近いかに依存して分類される。最も近いクラスタが真陽性であれば、候補の疑わしい塊は真陽性として分類され、認められる。そうでなければ候補の疑わしい塊は偽陽性として分類され、排除される。
本発明は、マンモグラムに対する試験が、平均して１つの画像当たり９０％を超える検出率及び３つ以下の偽陽性検出を示した非常に強固なコンピュータ支援診断方法を提供する。
本発明の他の目的、特徴及び利点は添付の図面及び以下の詳細な説明を読むことによって明らかとなり、図中：
図１はマンモグラムを撮影し処理するための本発明によるコンピュータ支援システムの概略図を示す図であり；
図２は動作段階にある図１のコンピュータによって実行される処理を示すフローチャートを示す図であり；
図３は図２の１つの段階の中でグレーレベルの間隔を決定するために使用されるマンモグラムの画素のグレー値のヒストグラムを示す図であり；
図４は図２の１つの段階の中で抽出される連結成分を示す図であり；
図５Ａ及び５Ｂは夫々図２の第１及び第２の分類段の学習を示すフローチャートを示す図であり；
図６Ａ乃至６Ｅは図２の第２の分類段のための特徴尺度の計算に使用されるいわゆるＬａｗｓテクスチャカーネルを示す図である。
まず図１を参照するに、Ｘ線ビーム１５によって固定被写体の乳房１４を照射するような向きとされたＸ線源１２を含み、マンモグラムが頭尾方向（ＣＣ）のビューのために配置されているコンピュータ支援マンモグラフィーシステム１０が図示されている。乳房１４は所定の圧縮力又は重りを使用して略平坦な下方及び上方部材１６，１８の間に受容され、圧縮される。下方部材１６の下には画素の矩形の野の中で乳房１４及びその直ぐ外側の周辺部を通過するＸ線を検出する２次元Ｘ線検出器手段２０がある。Ｘ線検出器手段２０は或いはホルダ中に受容されるフィルム又は光刺激リン画像板、又はセレン板／電位計読み出し検出器である。Ｘ線源１２，板１４及び１５並びに検出器手段２０は図１中ＣＣ（頭尾方向）、ＬＭ又はＭＬ（側方−中間又は中間−側方）及びＯＢ（斜角）とラベル付けされた任意のビュー方向に沿って乳房１４を受容し照射するよう、横方向の軸Ａの回りにユニットとして回転しうる。
どの検出器手段２０の種類が使用されたとしても、ＲＡＭ、ハードディスク、磁気光ディスク、ＷＯＲＭドライブ又は他のディジタル記憶手段を含みうるディジタル記憶装置２２の中に画像ファイルとして記憶され、マンモグラムＸ線投影画像を示すディジタル画素の２次元配列が最終的に得られる。フィルムが使用される場合、これは現像され、ディジタイザ２４の中で走査される。今日、フィルムは１００ミクロンの空間解像度にディジタル化され、夫々が１２ビットまでの強度解像度の、１６７２ｘ２３８０から２３４４ｘ３０１６までの範囲の寸法を有する典型的な画像を生成する。光刺激板が使用される場合、これはスキャナ２６の中でレーザによって走査され、同様の画像寸法及び典型的に１０ビットの強度解像度を生成する。最後に、セレン板／電位計読み出し装置といった検出器が使用される場合、これはそのアナログ・ディジタル変換器２８によってディジタル形式に変換されるアナログ電気信号を直接生成する。
装置２２の中に記憶され、マンモグラムを示すディジタル画素の２次元配列は、任意の識別された疑わしい塊又は微細石灰化のクラスタを含むマンモグラム中の関心特徴をマーク又は強調するため、また結果としての処理されたマンモグラムをＣＲＴモニタといった表示装置３２上に表示するためにコンピュータワークステーション３０によって処理される。マンモグラムの実際の撮影の後の様々な段階はその直後に続く必要はなく、マンモグラムの撮影と同じ位置である必要がないことは理解されるべきである。
処理の予備的な段階として、記憶されたマンモグラムは、適当なメディアンフィルタによって空間的に、及び／又は打切りによって振幅について、モニタの空間及びグレースケール解像度と整合する５００，０００乃至２，５００，０００ピクセルのオーダで８ビット乃至１０ビットの強度解像度の画像まで解像度が減少されうる。特に、１辺が４００ミクロンの方形の画素及び１画素当たり２５６のグレーレベルは許容可能な結果を与えることが分かった。
特徴をマークする又は強調する処理では、マンモグラムは乳房に対応するフォアグラウンドと、乳房の外部の周囲部に対応するバックグラウンドとに分割され、このセグメンテーション中に皮膚の線が検出される。セグメンテーションは、マーク又は強調されるべき塊又は微細石灰化のクラスタといった関心特徴のサーチによってバッググラウンドが除去されることを可能にする。セグメンテーションは上述の共有される米国特許第５，５７２，５６５号に記載される方法によって実行されうる。疑わしい微細石灰化のクラスタの識別は本願と同一譲受人に譲受された「Computer Detection of Microcalcifications in Mammograms」なる名称の米国特許第５，３６５，４２９号に記載される。
ここで図２のフローチャートを参照するに、２次元マンモグラム投影画像中の疑わしい塊の識別を説明する。上述のように、３４において元のマンモグラムは入力ディジタル放射線画像を形成するよう約２５０，０００ピクセル（例えば４８０ｘ５２０）まで空間解像度について減少される。次にステップ３６において、バックグラウンド中の各画素が更なる考察から排除され、フォアグラウンド中の画素のグレー値のヒストグラムが計算され、閾値処理のためのグレーレベルの当該の間隔がヒストグラムから決定されるよう、皮膚の線の検出によってセグメンテーションが行われる。
典型的なヒストグラムは図３に図示されており、ヒストグラムの最小のグレーレベルＳからグレーレベルＧまでの、皮膚に対応する間隔「ａ」と、ヒストグラムのレベルＧから最大のグレーレベルＬまでの、乳房の内部に対応するより狭い間隔「ｂ」とに細分化されうることがわかる。間隔「ａ」は各グレーレベルにおいて実質的に少ない数の画素を有し、一方間隔「ｂ」は急勾配の側方を有する比較的高いピークを有する。間隔「ｂ」は閾値処理のためのグレーレベルの当該の間隔として選択される。グレーレベルＧは間隔「ｂ」が、グレーレベルＬとヒストグラムのピークにおけるグレーレベルＰとの間の間隔「ｃ」の２倍であるよう選択される。
本発明によれば、間隔「ｂ」の中の各グレーレベルは閾値として使用される。典型的には２５６グレーレベル画像では間隔「ｂ」は少なくとも２０のグレーレベルを含み、しばしば５０以上のグレーレベルを含む。ステップ３８では、便利にこれらのグレーレベルは画像を閾値処理するために最小から最大へ、又は最大から最小へ現在の閾値レベルとして連続的に使用される。各現在の閾値レベルにおいて、２値画像、又はその画素が閾値レベル以下の強度を有するグレースケール画像はゼロ値が割り当てられる。
ステップ４０では、閾値処理された画像から「連結成分」（ＣＣ）と称されるスポットが抽出される。各連結成分は非ゼロ値を有する画素の組であり、組の任意の２つの画素は最終的には組の中の隣接画素のランを通じて連結される。これらの組は以下の段階、即ち（ａ）ライン隣接グラフ（ＬＡＧ）の生成、（ｂ）異なる連結成分（ＣＣ）の数を決定するための走査、及び（ｃ）マスク画像及び各ＣＣを定義し記述する幾つかの合計配列を形成するために再びＬＡＧを走査する段階によって適切に識別される。
上述の段階（ａ）のＬＡＧを形成する方法は、１９８２年Computer Science社のPavlidisによる出版物「Algorithms for Graphics and Image Processing」第１１６乃至１２０頁の記載に基づいている。これは、閾値処理された画像の各ラインに対して隣接する非ゼロ値画素のランを見つけ、現在のラインのラン及び前の隣接するラインのランの位置を比較し、全ての重複を記録することを含む。
ＬＡＧはどのラインが重複するかを特定するが、これは連結成分を定義しない。従って段階（ｂ）では、各ランがどのＣＣに属するかを決定するために重複するランの各レコードが走査される。同時に連結成分の総数が計算される。
一度ＣＣの組が分かると、段階（ｃ）においてマスク画像及び各ＣＣを定義する幾つかのデータオブジェクトが計算される。マスク画像は本質的には全ての非ゼロ画素がそれらの属するＣＣの数を含む閾値処理された画像である。追加的なデータオブジェクトは各ＣＣに対して境界ボックスＢ（最小及び最大の列及び行）を画成する配列を含む。ＣＣ及びその境界ボックスＢは図４に図示される。
ステップ４０における連結成分の抽出の後、ステップ４２において５つの比較的計算上高くつかない特徴尺度の初期セットが各ＣＣに対して個々に計算される。この初期セットのうち、まず各ＣＣの中の画素の強度の分散尺度Ｖａｒが以下の式、即ち：
、ただしｇiは位置ｉにおけるグレー値、μはＣＣ中の画素のグレー値のサンプル平均、ｎはそれらの数である、によって計算されることが望ましい。その後、連結成分は収縮及び次に膨張によって平滑化される。収縮及び膨張には１の３ｘ３のマトリックスである構造化要素が使用されることが望ましい。結果として連結された領域の境界の明瞭な不規則性は滑らかにされ、その内部の小さな空所は充填される。次に各平滑化されたＣＣに対して４つの特徴尺度、即ち領域（Ａｒｅａ）、コンパクトさ（Ｃｏｍｐａｃｔ）、コントラスト（Ｃｏｎｔｒａｓｔ）及び偏心率（Ｅｃｃ）が計算される。
コンパクトさの尺度Ｃｏｍｐａｃｔは、ＰをＣＣの周囲長とし、ＡをＣＣの領域（Ａｒｅａ）とすると、以下の式：
として計算される。この尺度は円に対して最小である。
コントラストの尺度Ｃｏｎｔｒａｓｔは連結成分の内側の平均グレー値から連結成分の外側のリングの中の平均グレー値を差し引くことによって計算される。このリングは連結成分を膨張させ、次に新しい画素のみを残すことによって獲得される。
偏心率の尺度Ｅｃｃは、図４に示されるようにｒmax及びｒminを境界ボックスＢの中心とＣＣの周囲との間の最大及び最小距離とすると、以下の式：
によって計算される。
次に計算された特徴尺度の初期セットはＣＣの中から候補の疑わしい塊を識別するために多重規則に基づく第１の分類段４４に与えられる。この段の動作段階は、まずその学習段階を議論することによって最もよく理解される。
図５Ａに示される第１の分類段４４の学習段階は、実際の真陽性に対応する関心領域（ｒｏｉ）が放射線技師によってマークされた学習画像の組を使用する。充分な結果は４３の画像の学習セットから獲得されている。
この学習段階の第１のステップ５４では、画像は放射線技師によるマークに一致する領域（ＣＣ）を抽出するために相互作用的に分割される。この段階はマークされたＣＣを区別する閾値レベルのレンジの相互作用的な選択を含む。次にステップ５６において、図２のステップ４２と同様に、各抽出されたＣＣに対して５つの特徴尺度（Ｖａｒ，Ａｒｅａ，Ｃｏｍｐａｃｔ，Ｃｏｎｔｒａｓｔ及びＥｃｃ）の初期セットが計算される。各ＣＣに対する特徴尺度の初期セットは５次元の初期特徴空間にマッピングされた各ＣＣの点として見ることができる。次にステップ５８では、ｋはクラスタが非常にわずかな点のみを含むよう実験的に決定されているとするとき、初期特徴空間中のこれらのＣＣをｋのクラスタにクラスタ化するためにＫ平均クラスタリングが実行される。Ｋ平均アルゴリズムは、例えば１９７５年John Wiley & Sons社のHartiganによる「Clustering Algorithms」第４章によって周知である。クラスタを囲む各ハイパー矩形は以下の、即ち：
（Ａｒｅａ＜＝Ａｒｅａmax）且つ（Ａｒｅａ＞＝Ａｒｅａmin）且つ（Ｃｏｍｐａｃｔ＜＝Ｃｏｍｐａｃｔmax）且つ（Ｃｏｎｔｒａｓｔ＞＝Ｃｏｎｔｒａｓｔmin）且つ（Ｅｃｃ＜＝Ｅｃｃmax）且つ（Ｖａｒ＜＝Ｖａｒmax）
の形の別の規則を決めるために使用される。
これらの規則は、連結成分は、その特徴尺度の初期セットがｋの規則のいずれかを満たせば候補の疑わしい塊として認められるよう、図２の第１の分類段階４４において使用される。
ｋ＝８のクラスタに対する典型的な規則の組は、以下の表：
にまとめられる限界値を使用する。
図２のステップ４６では、５つの計算上より高くつく更なる特徴尺度、即ち５つの特徴尺度の初期セットを１０の特徴尺度の拡張セットへ増加させるためのエッジ方向及び４つのＬａｗｓテクスチャ特徴が計算される。エッジ方向特徴は、腫瘍が針状体によって囲まれている星状の病変によって引き起こされる組織の歪みをモデル化することに基づき、１９９３年International Journal of Pattern Recognition and Artificial Intelligence第７巻第６号第１４７７乃至１４９２頁のKegelmeyerによる「Evaluation of Stellate Lesion detection in a Standard Mammogram Data Set」の中で一般的に提案されている。腫瘍の回りの領域の中では、エッジは多数の異なる方向を有する。正常なマンモグラムは乳頭から放射状に延びる管構造を有するため、正常な領域は同様の方向のエッジを有する。この特徴尺度は候補の疑わしい塊に対して境界ボックスＢ中の各画素におけるエッジ方向を計算することによって計算される。次にエッジ方向のヒストグラムが計算され、エッジ方向の分布の標準偏差を計算することによってその平坦さが測定される。このような計算は、一定の大きさの窓が画像中の各画素に対して中心に配置され、窓の中の画素に対するエッジ方向が計算されるＫｅｇｅｌｍｅｙｅｒによる方法とは異なる。本発明は窓の大きさが候補の疑わしい塊の大きさによって変化するという点で異なる。従って、窓は候補の疑わしい塊全体を常に含み、より適切な尺度を与える。
Ｌａｗｓテクスチャ特徴は、画像を異なる局所性質に対応するよう指定された４つの５ｘ５のカーネルの組によって畳込みを行い、続いてコンボリューション画像上の多様な統計値を測定することによって計算される。これらのカーネルは、Ｋ．Ｉ．Ｌａｗｓによる１９８０年サザン・カリフォルニア大学博士号論文「Textured Image Segmentation」の中で提案されるように選択され、上記論文中、カーネルはＥ５Ｌ５，Ｒ５Ｒ５，Ｅ５Ｓ５，Ｌ５Ｓ５と称され（夫々図６Ａ乃至６Ｄに図示される）、続いて絶対値の局所平均の計算が行われる。本発明の方法によれば、これらの尺度は図６Ｅに示されるカーネルＬ５Ｌ５によって正規化され、正規化された合計は候補の疑わしい塊に対する境界ボックスＢの中の画素に対してのみ計算される。
１０の特徴尺度の拡張セットは、図５Ｂに示される学習段階においてマッピングされた真陽性及び偽陽性に対する特徴空間中の近接に基づいて、候補の疑わしい塊を真陽性及び偽陽性に分離するよう、ステップ４８において第２の分類段に対して与えられる。
塊は異なる特徴を伴う異なる種類を有し、偽陽性は異なる理由によって生じうるため、学習サンプルの全ての真陽性を含む拡張された空間中の単一のクラスタは、学習サンプルの全ての偽陽性を含む単一のクラスタと重複する傾向があることが予期される。従って候補の疑わしい塊に対応する１０次元の拡張特徴空間中の点の、真陽性の単一のクラスタの平均及び偽陽性の単一のクラスタの平均に対する近接を決定することは有用ではない。一方、ＫＮＮ（ｋ−ｎｅａｒｅｓｔ ｎｅｉｇｈｂｏｒ）方法によるように、学習段階において真陽性の夫々及び偽陽性の夫々を別々のクラスとして扱うことは、学習サンプルからマップされた全ての点に対する距離を計算しソートすることを必要とするため、かなり時間がかかる。
本発明によれば、続く段落に示されるようにして獲得される真陽性及び偽陽性は夫々実験的に決定された複数のクラスタ又はサブクラスに夫々別々にクラスタ化される。これはそれらの重複を減少させ、従って真陽性及び偽陽性の間のよりよい分離を可能にする。
第２の分類段の学習段階の間、図２のステップ３６乃至４６は、図５Ｂのステップ６０に示されるように、図５Ａに示される第１の分類段階のために学習段階において生じた規則のいずれかを満たす領域の抽出を含む。次にステップ４６と同様、ステップ６２において、各抽出された領域に対して特徴尺度の拡張セットを形成するようテクスチャ及びエッジ方向の特性が計算される。拡張特徴空間中の結果としての点は放射線技師のマークに基づいて真陽性（ＴＰ）及び偽陽性（ＦＰ）に分割され、ステップ６３及び６４において別々に複数のクラスタにクラスタ化される。図５Ａに示される第１の分類段のための学習段階に関して実行されるクラスタリングでは、（他のクラスタリングアプローチが可能であるが）Ｋ平均アルゴリズムが使用され、クラスタの数はどのクラスタも幾つかの点のみを含むことがないよう実験的に選択される。
すると、複数のクラスタの夫々に対して、平均及び共分散マトリックスが計算される。クラスタの共分散マトリックスは、マトリックスの期待値がその成分の期待値を取ることによって見つけられるとすると：
によって定義される。ここで、ベクトルＸはデータ値の１０（又は一般的にｄ）成分列ベクトルであり、ベクトルμは平均値の１０（一般的にｄ）成分列ベクトルである。
図２の第２の分類段４８の動作的な段階では、候補の疑わしい塊に対応する拡張特徴空間の中の点からのマハラノビス距離は学習セットの真陽性の各クラスタの平均と、学習セットの偽陽性の各クラスタの平均とに対して測定され、候補の疑わしい塊はその平均がマハラノビス距離の中で最も近いクラスタのクラスと同一のクラスとして分類される。即ち、真陽性のクラスタの平均が最も近ければ、候補の疑わしい塊は真陽性として分類され、一方偽陽性のクラスタの平均が最も近ければ、偽陽性として分類される。ｉ番目のクラスタからのマハラノビス距離Ｒiは、Σi -1をｉ番目のクラスタに対する共役マトリックスの逆とし、ベクトルＸを候補の疑わしい塊に対する拡張特徴空間の中の特徴ベクトルとし、ベクトルμをｉ番目のクラスタの平均とすると：
によって定義される。
最後に、ステップ５０において、検出された真陽性に属する画素は２進数の１に割り当てられ、異なる閾値レベルにおける同一の塊の重複した検出を調和させるためにこれらの２値の画素の結合体として２値のマスクが形成される。５２において上記マスクの中の２進数の１を有する画素はディスプレイ３２の中でハイライトされるべき疑わしい塊に属する。
個々に示されるアルゴリズムは放射線技師によってマークされた画像の学習セット４３の上で学習された。その後、動作段階はやはりマークされた８１の画像のテストセットについて試験された。７つの難しい症例を除き、アルゴリズムは平均で１画像当たり２．８の偽陽性を検出し、テストセットの中から全ての悪性の塊を検出した。幾つかの画像は同一の乳房の異なるビュー（頭尾方向及び斜角）であるため、いずれかのビューの中で発生したときに真陽性検出が計数されたとき真陽性検出率は９０％以上であった。
本発明は特定的な細部について説明されたが、添付の請求項において定義される本発明の精神及び範囲の中で多くの変更が可能であることが理解されるべきである。
１）１９９４年７月１４日に出願され現在放棄されている米国特許出願第０８／２７４，９３９号の継続出願である、「MASS DETECTI0N IN DIGITAL X-RAY IMAGES USING MULTIPLE THRESHOLDS TO DISCRIMINATE SPOTS」なる名称の１９９６年８月１９日に出願された米国特許出願第０８／６９９，１８２号；
２）「AUTOMATIC SEGMENTATI0N, SKINLINE AND NIPPLE DETECTION IN DIGITAL MAMMOGRAMS」なる名称の１９９６年１１月５日に発行された米国特許第５，５７２，５６５号；
３）「MASS DETECTION BY COMPUTER USING DIGITAL MAMMOGRAMS OF THE SAME BREAST TAKEN FROM DIFFERENT VIEWING DIRECTIONS」なる名称の１９９６年１１月２６日に発行される米国特許第５，５７９，３６０号に発明について関連する。
本発明は概して元々ディジタル形式である、又はディジタル形式に変換される放射線画像のコンピュータ支援診断のための方法及びシステムに関する。更に特定的な面では、本発明は抽出されたスポットの複数の特徴尺度が計算される二段分類プロセスを使用する腫瘍に対応しうるスポットの識別に関連し、第１の分類段において、計算された特徴尺度に基づいて候補の疑わしい塊が識別される。次に第２の分類段では、候補の疑わしい塊の中からいわゆる「真陽性」が識別され、それによりいわゆる「偽陽性」を排除する。本発明は特にマンモグラムのコンピュータ支援診断（ＣＡＤＭ）に関連するが、例えば胸部Ｘ線といった他の通常の放射線画像のコンピュータ支援診断に関してもまた有用である。
２．従来技術の説明
この一般的な種類の方法は米国特許第５，２８９，３７４号より既知である。
米国において女性では２番目に多い癌である乳癌の早期検出は生存の機会を大きく増加させうる。そのような早期検出は放射線技師又はマンモグラフ撮影者による多数の周期的なスクリーニングマンモグラムの撮影及び読影を必要とする。判断されるべきマンモグラムの数と、塊及び悪性腫瘍の潜在的徴候である微細石灰化を識別する困難さとは両方とも、読影を支援するために少なくとも疑わしい領域をマークするためのマンモグラムのコンピュータ支援診断（ＣＡＤＭ）の開発の動機となる。同様に多数の胸部放射線写真の中の肺小結節の検出に関して関連する必要性がある。
コンピュータ支援診断に適したディジタル放射線画像は、従来のＸ線装置によって撮影されたフィルムを走査すること、又はフィルム中間物を生成する必要なく直接ディジタル化されうる電子画像信号を生成する他の種類のＸ線検出器を使用することによって獲得されうる。これらの種類の検出器は、Ｘ線画像増倍器／カメラのチェーン、光刺激リン板／レーザ読出し（米国特許第４，２３６，０７８号参照）及びセレン板／電位計読出し技術を含む。そのような技術はその空間解像度及び達成されるコントラスト感度について進歩しており、特に光刺激リン板／レーザ読出し及びセレン板／電位計読出し技術は近いうちにマンモグラフ及び胸部放射線写真の適用に広範な用途を見出すであろう。
引用された米国特許第５，２８９，３７４号といった従来の技術では、寸法、形状、エッジ勾配及び／又はコントラストに関する抽出されたスポットの様々な特徴尺度を計算し、典型的には候補の疑わしい塊及び／又は真陽性に関連するそのような特徴尺度のレンジ又は閾値、またはその組み合わせに関する前もって捕捉された知識に基づいて分類を行うことが知られている。
上述の技術に加え、Chan外の１９９５年Phys.Med.Biol.第４０号第８５７乃至８７６頁の「Computer-aided classification of mammographic masses and normal tissue: linear discriminant analysis in texture feature space」より、ディジタルマンモグラム中の同一の一定の大きさの方形領域のデータセットの中で塊と正常な乳房柔組織とを区別するために複数のテクスチャ特徴を使用することが知られている。
ＣＡＤＭでは多くの調査が進められているが、１画像当たり実際の真陽性の許容可能な高い検出率と、偽陽性の許容可能な少ない数の検出との組み合わせは実現されていなかった。
本発明は、１画像当たり実際の真陽性検出の高い検出率及び偽陽性の少ない数の検出を有する放射線画像中の疑わしい塊のコンピュータ支援検出のための方法及びシステムを提供することを目的とする。充分に短い処理時間でそのような結果を与えるために、初期多次元特徴空間に対応する特徴尺度の初期セットを使用して候補の疑わしい塊が識別される第１の粗い分類段の後まで、計算するのに計算上高くつく特徴尺度の計算が延期されるよう、検出方法は少なくとも２つの分類段を有することが更に望ましい。次に第２の分類段又は最後の分類段において、初期特徴空間よりも多くの次元を有する増大又は拡張特徴空間の中で候補の疑わしい塊の中の真陽性を識別するために、更なる計算上高くつく特徴尺度は所定の候補の疑わしい塊に関してのみ計算される。
撮像装置から読影されるべき放射線画像が獲得された後、そして必要であればディジタル形式に変換された後、関心領域全体は放射線画像の種類に特定的な自動セグメンテーションによって、例えばマンモグラムの中でバックグラウンドから乳房を抽出するために識別される。するとスポット又は「連結成分」は、グレーレベルのヒストグラムから決定されたグレーレベルの比較的大きなレンジ（２０を超過し、典型的には約５０の連続するグレーレベル）の中の各グレーレベルにおいて画像を閾値処理することによって抽出される。レンジの中のグレーレベルにおいて区別される各スポットが抽出される。グレーレベルのレンジの中でただ１つの閾値レベルにおいてアイランドとして区別されるスポットでさえも抽出されるよう、多数のグレーレベルが使用される。
第１の分類段に入る前に、各抽出されたスポットに対して、特徴尺度の初期セット、即ち、領域、コンパクトさ、偏心率、コントラスト及び強度分散が計算される。特徴尺度の初期セットは候補の疑わしい塊を識別するために第１の分類段によって使用される。
第１の分類段において識別された又は認められた候補の疑わしい塊は、各候補の疑わしい塊が真陽性又は偽陽性のいずれかとして分類される第２の分類段に与えられる。これを行う前に、特徴尺度の初期セットは、特徴尺度の拡張セットを形成するよう、より計算上高くつく特徴尺度、特にエッジ方向偏差及びいわゆるＬａｗｓテクスチャ特徴によって増大される。
本発明によれば、初期の分類段は多重規則に基づき、規則は放射線技師又はマンモグラフ撮影者によって真陽性又はｒｏｉがマークされている放射線写真の学習セットから学習段階において決められる。本発明の重要な面は、最終の分類段は、候補スポットの拡張された特徴尺度のベクトルの拡張特徴空間中の位置と、第２の分類段に対する学習段階において拡張特徴空間の中の「真陽性」及び「偽陽性」の両方をマッピングすることから生じた位置との比較に基づくことである。
本発明の重要な面は、疑わしい塊は複数のクラスタ又はサブセット中に分布される特徴空間の中の点に対応するという認識による。
多重規則に基づく第１の分類段に関して、学習段階では個々の規則は各クラスタのために決められ、動作段階では抽出されたスポットはいずれかの個々の規則を通過すれば候補の疑わしい塊として認められる。
第２の分類段は、第１の分類段を通過する学習セットの全ての画像からの全てのスポットが放射線技師のマーク付けに基づいて分割される学習段階において学習される。真陽性は拡張特徴空間の中で複数のクラスタの中にクラスタ化され、偽陽性は拡張特徴空間の中で複数のクラスタの中にクラスタ化される。次に夫々のクラスタに対する平均及び共分散マトリックスが決定される。
第２の分類段の動作段階では、候補の疑わしい塊はクラスタのどの平均がマハラノビス距離に最も近いかに依存して分類される。最も近いクラスタが真陽性であれば、候補の疑わしい塊は真陽性として分類され、認められる。そうでなければ候補の疑わしい塊は偽陽性として分類され、排除される。
本発明は、マンモグラムに対する試験が、平均して１つの画像当たり９０％を超える検出率及び３つ以下の偽陽性検出を示した非常に強固なコンピュータ支援診断方法を提供する。
本発明の他の目的、特徴及び利点は添付の図面及び以下の詳細な説明を読むことによって明らかとなり、図中：
図１はマンモグラムを撮影し処理するための本発明によるコンピュータ支援システムの概略図を示す図であり；
図２は動作段階にある図１のコンピュータによって実行される処理を示すフローチャートを示す図であり；
図３は図２の１つの段階の中でグレーレベルの間隔を決定するために使用されるマンモグラムの画素のグレー値のヒストグラムを示す図であり；
図４は図２の１つの段階の中で抽出される連結成分を示す図であり；
図５Ａ及び５Ｂは夫々図２の第１及び第２の分類段の学習を示すフローチャートを示す図であり；
図６Ａ乃至６Ｅは図２の第２の分類段のための特徴尺度の計算に使用されるいわゆるＬａｗｓテクスチャカーネルを示す図である。
まず図１を参照するに、Ｘ線ビーム１５によって固定被写体の乳房１４を照射するような向きとされたＸ線源１２を含み、マンモグラムが頭尾方向（ＣＣ）のビューのために配置されているコンピュータ支援マンモグラフィーシステム１０が図示されている。乳房１４は所定の圧縮力又は重りを使用して略平坦な下方及び上方部材１６，１８の間に受容され、圧縮される。下方部材１６の下には画素の矩形の野の中で乳房１４及びその直ぐ外側の周辺部を通過するＸ線を検出する２次元Ｘ線検出器手段２０がある。Ｘ線検出器手段２０は或いはホルダ中に受容されるフィルム又は光刺激リン画像板、又はセレン板／電位計読み出し検出器である。Ｘ線源１２，板１４及び１５並びに検出器手段２０は図１中ＣＣ（頭尾方向）、ＬＭ又はＭＬ（側方−中間又は中間−側方）及びＯＢ（斜角）とラベル付けされた任意のビュー方向に沿って乳房１４を受容し照射するよう、横方向の軸Ａの回りにユニットとして回転しうる。
どの検出器手段２０の種類が使用されたとしても、ＲＡＭ、ハードディスク、磁気光ディスク、ＷＯＲＭドライブ又は他のディジタル記憶手段を含みうるディジタル記憶装置２２の中に画像ファイルとして記憶され、マンモグラムＸ線投影画像を示すディジタル画素の２次元配列が最終的に得られる。フィルムが使用される場合、これは現像され、ディジタイザ２４の中で走査される。今日、フィルムは１００ミクロンの空間解像度にディジタル化され、夫々が１２ビットまでの強度解像度の、１６７２ｘ２３８０から２３４４ｘ３０１６までの範囲の寸法を有する典型的な画像を生成する。光刺激板が使用される場合、これはスキャナ２６の中でレーザによって走査され、同様の画像寸法及び典型的に１０ビットの強度解像度を生成する。最後に、セレン板／電位計読み出し装置といった検出器が使用される場合、これはそのアナログ・ディジタル変換器２８によってディジタル形式に変換されるアナログ電気信号を直接生成する。
装置２２の中に記憶され、マンモグラムを示すディジタル画素の２次元配列は、任意の識別された疑わしい塊又は微細石灰化のクラスタを含むマンモグラム中の関心特徴をマーク又は強調するため、また結果としての処理されたマンモグラムをＣＲＴモニタといった表示装置３２上に表示するためにコンピュータワークステーション３０によって処理される。マンモグラムの実際の撮影の後の様々な段階はその直後に続く必要はなく、マンモグラムの撮影と同じ位置である必要がないことは理解されるべきである。
処理の予備的な段階として、記憶されたマンモグラムは、適当なメディアンフィルタによって空間的に、及び／又は打切りによって振幅について、モニタの空間及びグレースケール解像度と整合する５００，０００乃至２，５００，０００ピクセルのオーダで８ビット乃至１０ビットの強度解像度の画像まで解像度が減少されうる。特に、１辺が４００ミクロンの方形の画素及び１画素当たり２５６のグレーレベルは許容可能な結果を与えることが分かった。
特徴をマークする又は強調する処理では、マンモグラムは乳房に対応するフォアグラウンドと、乳房の外部の周囲部に対応するバックグラウンドとに分割され、このセグメンテーション中に皮膚の線が検出される。セグメンテーションは、マーク又は強調されるべき塊又は微細石灰化のクラスタといった関心特徴のサーチによってバッググラウンドが除去されることを可能にする。セグメンテーションは上述の共有される米国特許第５，５７２，５６５号に記載される方法によって実行されうる。疑わしい微細石灰化のクラスタの識別は本願と同一譲受人に譲受された「Computer Detection of Microcalcifications in Mammograms」なる名称の米国特許第５，３６５，４２９号に記載される。
ここで図２のフローチャートを参照するに、２次元マンモグラム投影画像中の疑わしい塊の識別を説明する。上述のように、３４において元のマンモグラムは入力ディジタル放射線画像を形成するよう約２５０，０００ピクセル（例えば４８０ｘ５２０）まで空間解像度について減少される。次にステップ３６において、バックグラウンド中の各画素が更なる考察から排除され、フォアグラウンド中の画素のグレー値のヒストグラムが計算され、閾値処理のためのグレーレベルの当該の間隔がヒストグラムから決定されるよう、皮膚の線の検出によってセグメンテーションが行われる。
典型的なヒストグラムは図３に図示されており、ヒストグラムの最小のグレーレベルＳからグレーレベルＧまでの、皮膚に対応する間隔「ａ」と、ヒストグラムのレベルＧから最大のグレーレベルＬまでの、乳房の内部に対応するより狭い間隔「ｂ」とに細分化されうることがわかる。間隔「ａ」は各グレーレベルにおいて実質的に少ない数の画素を有し、一方間隔「ｂ」は急勾配の側方を有する比較的高いピークを有する。間隔「ｂ」は閾値処理のためのグレーレベルの当該の間隔として選択される。グレーレベルＧは間隔「ｂ」が、グレーレベルＬとヒストグラムのピークにおけるグレーレベルＰとの間の間隔「ｃ」の２倍であるよう選択される。
本発明によれば、間隔「ｂ」の中の各グレーレベルは閾値として使用される。典型的には２５６グレーレベル画像では間隔「ｂ」は少なくとも２０のグレーレベルを含み、しばしば５０以上のグレーレベルを含む。ステップ３８では、便利にこれらのグレーレベルは画像を閾値処理するために最小から最大へ、又は最大から最小へ現在の閾値レベルとして連続的に使用される。各現在の閾値レベルにおいて、２値画像、又はその画素が閾値レベル以下の強度を有するグレースケール画像はゼロ値が割り当てられる。
ステップ４０では、閾値処理された画像から「連結成分」（ＣＣ）と称されるスポットが抽出される。各連結成分は非ゼロ値を有する画素の組であり、組の任意の２つの画素は最終的には組の中の隣接画素のランを通じて連結される。これらの組は以下の段階、即ち（ａ）ライン隣接グラフ（ＬＡＧ）の生成、（ｂ）異なる連結成分（ＣＣ）の数を決定するための走査、及び（ｃ）マスク画像及び各ＣＣを定義し記述する幾つかの合計配列を形成するために再びＬＡＧを走査する段階によって適切に識別される。
上述の段階（ａ）のＬＡＧを形成する方法は、１９８２年Computer Science社のPavlidisによる出版物「Algorithms for Graphics and Image Processing」第１１６乃至１２０頁の記載に基づいている。これは、閾値処理された画像の各ラインに対して隣接する非ゼロ値画素のランを見つけ、現在のラインのラン及び前の隣接するラインのランの位置を比較し、全ての重複を記録することを含む。
ＬＡＧはどのラインが重複するかを特定するが、これは連結成分を定義しない。従って段階（ｂ）では、各ランがどのＣＣに属するかを決定するために重複するランの各レコードが走査される。同時に連結成分の総数が計算される。
一度ＣＣの組が分かると、段階（ｃ）においてマスク画像及び各ＣＣを定義する幾つかのデータオブジェクトが計算される。マスク画像は本質的には全ての非ゼロ画素がそれらの属するＣＣの数を含む閾値処理された画像である。追加的なデータオブジェクトは各ＣＣに対して境界ボックスＢ（最小及び最大の列及び行）を画成する配列を含む。ＣＣ及びその境界ボックスＢは図４に図示される。
ステップ４０における連結成分の抽出の後、ステップ４２において５つの比較的計算上高くつかない特徴尺度の初期セットが各ＣＣに対して個々に計算される。この初期セットのうち、まず各ＣＣの中の画素の強度の分散尺度Ｖａｒが以下の式、即ち：
コンパクトさの尺度Ｃｏｍｐａｃｔは、ＰをＣＣの周囲長とし、ＡをＣＣの領域（Ａｒｅａ）とすると、以下の式：
コントラストの尺度Ｃｏｎｔｒａｓｔは連結成分の内側の平均グレー値から連結成分の外側のリングの中の平均グレー値を差し引くことによって計算される。このリングは連結成分を膨張させ、次に新しい画素のみを残すことによって獲得される。
偏心率の尺度Ｅｃｃは、図４に示されるようにｒmax及びｒminを境界ボックスＢの中心とＣＣの周囲との間の最大及び最小距離とすると、以下の式：
次に計算された特徴尺度の初期セットはＣＣの中から候補の疑わしい塊を識別するために多重規則に基づく第１の分類段４４に与えられる。この段の動作段階は、まずその学習段階を議論することによって最もよく理解される。
図５Ａに示される第１の分類段４４の学習段階は、実際の真陽性に対応する関心領域（ｒｏｉ）が放射線技師によってマークされた学習画像の組を使用する。充分な結果は４３の画像の学習セットから獲得されている。
この学習段階の第１のステップ５４では、画像は放射線技師によるマークに一致する領域（ＣＣ）を抽出するために相互作用的に分割される。この段階はマークされたＣＣを区別する閾値レベルのレンジの相互作用的な選択を含む。次にステップ５６において、図２のステップ４２と同様に、各抽出されたＣＣに対して５つの特徴尺度（Ｖａｒ，Ａｒｅａ，Ｃｏｍｐａｃｔ，Ｃｏｎｔｒａｓｔ及びＥｃｃ）の初期セットが計算される。各ＣＣに対する特徴尺度の初期セットは５次元の初期特徴空間にマッピングされた各ＣＣの点として見ることができる。次にステップ５８では、ｋはクラスタが非常にわずかな点のみを含むよう実験的に決定されているとするとき、初期特徴空間中のこれらのＣＣをｋのクラスタにクラスタ化するためにＫ平均クラスタリングが実行される。Ｋ平均アルゴリズムは、例えば１９７５年John Wiley & Sons社のHartiganによる「Clustering Algorithms」第４章によって周知である。クラスタを囲む各ハイパー矩形は以下の、即ち：
（Ａｒｅａ＜＝Ａｒｅａmax）且つ（Ａｒｅａ＞＝Ａｒｅａmin）且つ（Ｃｏｍｐａｃｔ＜＝Ｃｏｍｐａｃｔmax）且つ（Ｃｏｎｔｒａｓｔ＞＝Ｃｏｎｔｒａｓｔmin）且つ（Ｅｃｃ＜＝Ｅｃｃmax）且つ（Ｖａｒ＜＝Ｖａｒmax）
の形の別の規則を決めるために使用される。
これらの規則は、連結成分は、その特徴尺度の初期セットがｋの規則のいずれかを満たせば候補の疑わしい塊として認められるよう、図２の第１の分類段階４４において使用される。
ｋ＝８のクラスタに対する典型的な規則の組は、以下の表：
図２のステップ４６では、５つの計算上より高くつく更なる特徴尺度、即ち５つの特徴尺度の初期セットを１０の特徴尺度の拡張セットへ増加させるためのエッジ方向及び４つのＬａｗｓテクスチャ特徴が計算される。エッジ方向特徴は、腫瘍が針状体によって囲まれている星状の病変によって引き起こされる組織の歪みをモデル化することに基づき、１９９３年International Journal of Pattern Recognition and Artificial Intelligence第７巻第６号第１４７７乃至１４９２頁のKegelmeyerによる「Evaluation of Stellate Lesion detection in a Standard Mammogram Data Set」の中で一般的に提案されている。腫瘍の回りの領域の中では、エッジは多数の異なる方向を有する。正常なマンモグラムは乳頭から放射状に延びる管構造を有するため、正常な領域は同様の方向のエッジを有する。この特徴尺度は候補の疑わしい塊に対して境界ボックスＢ中の各画素におけるエッジ方向を計算することによって計算される。次にエッジ方向のヒストグラムが計算され、エッジ方向の分布の標準偏差を計算することによってその平坦さが測定される。このような計算は、一定の大きさの窓が画像中の各画素に対して中心に配置され、窓の中の画素に対するエッジ方向が計算されるＫｅｇｅｌｍｅｙｅｒによる方法とは異なる。本発明は窓の大きさが候補の疑わしい塊の大きさによって変化するという点で異なる。従って、窓は候補の疑わしい塊全体を常に含み、より適切な尺度を与える。
Ｌａｗｓテクスチャ特徴は、画像を異なる局所性質に対応するよう指定された４つの５ｘ５のカーネルの組によって畳込みを行い、続いてコンボリューション画像上の多様な統計値を測定することによって計算される。これらのカーネルは、Ｋ．Ｉ．Ｌａｗｓによる１９８０年サザン・カリフォルニア大学博士号論文「Textured Image Segmentation」の中で提案されるように選択され、上記論文中、カーネルはＥ５Ｌ５，Ｒ５Ｒ５，Ｅ５Ｓ５，Ｌ５Ｓ５と称され（夫々図６Ａ乃至６Ｄに図示される）、続いて絶対値の局所平均の計算が行われる。本発明の方法によれば、これらの尺度は図６Ｅに示されるカーネルＬ５Ｌ５によって正規化され、正規化された合計は候補の疑わしい塊に対する境界ボックスＢの中の画素に対してのみ計算される。
１０の特徴尺度の拡張セットは、図５Ｂに示される学習段階においてマッピングされた真陽性及び偽陽性に対する特徴空間中の近接に基づいて、候補の疑わしい塊を真陽性及び偽陽性に分離するよう、ステップ４８において第２の分類段に対して与えられる。
塊は異なる特徴を伴う異なる種類を有し、偽陽性は異なる理由によって生じうるため、学習サンプルの全ての真陽性を含む拡張された空間中の単一のクラスタは、学習サンプルの全ての偽陽性を含む単一のクラスタと重複する傾向があることが予期される。従って候補の疑わしい塊に対応する１０次元の拡張特徴空間中の点の、真陽性の単一のクラスタの平均及び偽陽性の単一のクラスタの平均に対する近接を決定することは有用ではない。一方、ＫＮＮ（ｋ−ｎｅａｒｅｓｔ ｎｅｉｇｈｂｏｒ）方法によるように、学習段階において真陽性の夫々及び偽陽性の夫々を別々のクラスとして扱うことは、学習サンプルからマップされた全ての点に対する距離を計算しソートすることを必要とするため、かなり時間がかかる。
本発明によれば、続く段落に示されるようにして獲得される真陽性及び偽陽性は夫々実験的に決定された複数のクラスタ又はサブクラスに夫々別々にクラスタ化される。これはそれらの重複を減少させ、従って真陽性及び偽陽性の間のよりよい分離を可能にする。
第２の分類段の学習段階の間、図２のステップ３６乃至４６は、図５Ｂのステップ６０に示されるように、図５Ａに示される第１の分類段階のために学習段階において生じた規則のいずれかを満たす領域の抽出を含む。次にステップ４６と同様、ステップ６２において、各抽出された領域に対して特徴尺度の拡張セットを形成するようテクスチャ及びエッジ方向の特性が計算される。拡張特徴空間中の結果としての点は放射線技師のマークに基づいて真陽性（ＴＰ）及び偽陽性（ＦＰ）に分割され、ステップ６３及び６４において別々に複数のクラスタにクラスタ化される。図５Ａに示される第１の分類段のための学習段階に関して実行されるクラスタリングでは、（他のクラスタリングアプローチが可能であるが）Ｋ平均アルゴリズムが使用され、クラスタの数はどのクラスタも幾つかの点のみを含むことがないよう実験的に選択される。
すると、複数のクラスタの夫々に対して、平均及び共分散マトリックスが計算される。クラスタの共分散マトリックスは、マトリックスの期待値がその成分の期待値を取ることによって見つけられるとすると：
図２の第２の分類段４８の動作的な段階では、候補の疑わしい塊に対応する拡張特徴空間の中の点からのマハラノビス距離は学習セットの真陽性の各クラスタの平均と、学習セットの偽陽性の各クラスタの平均とに対して測定され、候補の疑わしい塊はその平均がマハラノビス距離の中で最も近いクラスタのクラスと同一のクラスとして分類される。即ち、真陽性のクラスタの平均が最も近ければ、候補の疑わしい塊は真陽性として分類され、一方偽陽性のクラスタの平均が最も近ければ、偽陽性として分類される。ｉ番目のクラスタからのマハラノビス距離Ｒiは、Σi -1をｉ番目のクラスタに対する共役マトリックスの逆とし、ベクトルＸを候補の疑わしい塊に対する拡張特徴空間の中の特徴ベクトルとし、ベクトルμをｉ番目のクラスタの平均とすると：
最後に、ステップ５０において、検出された真陽性に属する画素は２進数の１に割り当てられ、異なる閾値レベルにおける同一の塊の重複した検出を調和させるためにこれらの２値の画素の結合体として２値のマスクが形成される。５２において上記マスクの中の２進数の１を有する画素はディスプレイ３２の中でハイライトされるべき疑わしい塊に属する。
個々に示されるアルゴリズムは放射線技師によってマークされた画像の学習セット４３の上で学習された。その後、動作段階はやはりマークされた８１の画像のテストセットについて試験された。７つの難しい症例を除き、アルゴリズムは平均で１画像当たり２．８の偽陽性を検出し、テストセットの中から全ての悪性の塊を検出した。幾つかの画像は同一の乳房の異なるビュー（頭尾方向及び斜角）であるため、いずれかのビューの中で発生したときに真陽性検出が計数されたとき真陽性検出率は９０％以上であった。
本発明は特定的な細部について説明されたが、添付の請求項において定義される本発明の精神及び範囲の中で多くの変更が可能であることが理解されるべきである。
Claims (10)
- 放射線撮像装置の出力から得られたディジタル画素の記憶された入力２次元配列中で疑わしい塊をコンピュータに識別させる方法であって：
ａ）スポットを区別するよう上記記憶された入力配列の画素の少なくとも一部を閾値処理する段階と、
ｂ）区別された各スポットに対して、第１の分類段において、
ｉ）初期特徴空間の中の位置を構成し、形状及び大きさの尺度を含む該スポットの特徴尺度の初期セットを計算すること、及び、
ｉｉ）計算された初期セットが所定の規準を満たすかどうかを決定することによって、
該スポットが候補の疑わしい塊であるかどうかを識別する段階と、
ｃ）候補の疑わしい塊であるとして識別された各スポットに対して、第２の分類段において、
ｉ）拡張特徴空間の中の位置を構成する特徴尺度の拡張セットを形成するよう更なる特徴尺度を計算すること、及び、
ｉｉ）距離尺度を使用して、どの所定の位置がスポットの位置に最も近いかを見つけることにより、該位置と、拡張特徴空間の中の真陽性に対応する所定の位置及び偽陽性に対応する所定の位置とを比較することによって、
該スポットが真陽性の疑わしい塊であるか、偽陽性の疑わしい塊であるかを決定する段階とを含む方法。 - 該拡張特徴空間の中の真陽性及び偽陽性の対応する所定の位置は、真陽性に対応する複数の所定の位置及び偽陽性に対応する複数の所定の位置を含む、請求項１記載の方法。
- 該所定の規準は、その特徴尺度のセットが複数の規則のいずれかを満たせばスポットが候補の疑わしい塊として識別されるよう構成された複数の規則を含む、請求項１記載の方法。
- 該真陽性の複数の所定の位置の各位置は、該第１の分類段に対する学習段階の中で生成された真陽性の複数のクラスタの異なるクラスタから決定され、該偽陽性の複数の所定の位置の各位置は、該学習段階の中で生成された偽陽性の複数のクラスタの異なるクラスタから決定される、請求項２記載の方法。
- 該複数の規則の各規則は、該第１の分類段に対する学習段階の中で生成された初期特徴空間の中の疑わしい塊の複数のクラスタの異なるクラスタから決められる、請求項３記載の方法。
- 該スポットの更なる特徴尺度は、その辺が上記スポットのエッジに隣接する境界ボックスの中の画素の強度のみに基づいて計算される複数のテクスチャ特徴尺度を含む、請求項１記載の方法。
- 該更なる特徴尺度はエッジ勾配方向分布の尺度を含む、請求項１記載の方法。
- 該距離尺度はマハラノビス距離である、請求項１記載の方法。
- 所定のビュー方向でＸ線放射によって検査されるべき人体の領域を照射するためのＸ線源を含む手段と、
２次元の野の該ビュー方向から領域を出るＸ線放射を受取る手段と、
受取られたＸ線放射の関数として、ディジタル画素の入力２次元配列に対応するディジタル信号を生成する手段と、
コンピュータと、
該コンピュータにアクセス可能なディジタルメモリ手段と、
該信号に応じて、該ディジタルメモリ手段の中にディジタル画素の該入力２次元配列を記憶する手段とを含む、コンピュータ強調放射線画像を生成するシステムであって、
該コンピュータは、
ａ）スポットを区別するよう上記記憶された入力配列の画素の少なくとも一部を閾値処理し、
ｂ）区別された別々のスポットに対して、第１の分類段において、
ｉ）初期特徴空間の中の位置を構成し、形状及び大きさの尺度を含む該スポットの特徴尺度の初期セットを計算すること、及び、
ｉｉ）計算された初期セットが所定の規準を満たすかどうかを決定することによって、
該スポットが候補の疑わしい塊であるかどうかを識別し、
ｃ）候補の疑わしい塊であるとして識別された各スポットに対して、第２の分類段において、
ｉ）拡張特徴空間の中の位置を構成する特徴尺度の拡張セットを形成するよう更なる特徴尺度を計算すること、及び、
ｉｉ）距離尺度を使用して、どの所定の位置がスポットの位置の最も近いかを見つけることにより、該位置と、拡張特徴空間の中の真陽性に対応する所定の位置及び偽陽性の対応する所定の位置とを比較することによって、
該スポットが真陽性の疑わしい塊であるか、偽陽性の疑わしい塊であるかを決定することによって、ディジタル画素の記憶された入力２次元配列を処理するよう適合されるシステム。 - ディジタル画素の入力２次元配列に対応するディジタル信号を受信する入力と、
コンピュータと、
該コンピュータにアクセス可能なディジタルメモリ手段と、
該信号に応じて、該ディジタルメモリ手段の中にディジタル画素の該入力２次元配列を記憶する手段とを含む、コンピュータ強調放射線画像を生成するコンピュータワークスステーションであって、
該コンピュータは、
ａ）スポットを区別するよう上記記憶された入力配列の画素の少なくとも一部を閾値処理し、
ｂ）区別された別々のスポットに対して、第１の分類段において、
ｉ）初期特徴空間の中の位置を構成し、形状及び大きさの尺度を含む該スポットの特徴尺度の初期セットを計算すること、及び、
ｉｉ）計算された初期セットが所定の規準を満たすかどうかを決定することによって、
該スポットが候補の疑わしい塊であるかどうかを識別し、
ｃ）候補の疑わしい塊であるとして識別された各スポットに対して、第２の分類段において、
ｉ）拡張特徴空間の中の位置を構成する特徴尺度の拡張セットを形成するよう更なる特徴尺度を計算すること、及び、
ｉｉ）距離尺度を使用して、どの所定の位置がスポットの位置の最も近いかを見つけることにより、該位置と、拡張特徴空間の中の真陽性に対応する所定の位置及び偽陽性の対応する所定の位置とを比較することによって、
該スポットが真陽性の疑わしい塊であるか、偽陽性の疑わしい塊であるかを決定することによって、ディジタル画素の記憶された入力２次元配列を処理するよう適合されるコンピュータワークステーション。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US08/758,651 US5768333A (en) | 1996-12-02 | 1996-12-02 | Mass detection in digital radiologic images using a two stage classifier |
| US08/758,651 | 1996-12-02 | ||
| PCT/IB1997/001052 WO1998024367A1 (en) | 1996-12-02 | 1997-09-03 | Mass detection in digital radiologic images using a two stage classifier |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2001510360A JP2001510360A (ja) | 2001-07-31 |
| JP3939359B2 true JP3939359B2 (ja) | 2007-07-04 |
Family
ID=25052549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP52537898A Expired - Fee Related JP3939359B2 (ja) | 1996-12-02 | 1997-09-03 | 二段分類器を使用するディジタル放射線画像中の塊検出 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US5768333A (ja) |
| EP (1) | EP0923343A1 (ja) |
| JP (1) | JP3939359B2 (ja) |
| WO (1) | WO1998024367A1 (ja) |
Families Citing this family (58)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0839363A1 (en) * | 1995-07-19 | 1998-05-06 | Morphometrix Technologies Inc. | Window texture extraction for image analysis |
| US6092059A (en) * | 1996-12-27 | 2000-07-18 | Cognex Corporation | Automatic classifier for real time inspection and classification |
| US6826422B1 (en) | 1997-01-13 | 2004-11-30 | Medispectra, Inc. | Spectral volume microprobe arrays |
| US5999639A (en) | 1997-09-04 | 1999-12-07 | Qualia Computing, Inc. | Method and system for automated detection of clustered microcalcifications from digital mammograms |
| US6970587B1 (en) | 1997-08-28 | 2005-11-29 | Icad, Inc. | Use of computer-aided detection system outputs in clinical practice |
| US6137898A (en) * | 1997-08-28 | 2000-10-24 | Qualia Computing, Inc. | Gabor filtering for improved microcalcification detection in digital mammograms |
| US7308126B2 (en) * | 1997-08-28 | 2007-12-11 | Icad, Inc. | Use of computer-aided detection system outputs in clinical practice |
| US6996549B2 (en) | 1998-05-01 | 2006-02-07 | Health Discovery Corporation | Computer-aided image analysis |
| WO1999057683A1 (en) | 1998-05-04 | 1999-11-11 | The Johns Hopkins University | Method and apparatus for segmenting small structures in images |
| US6112112A (en) * | 1998-09-18 | 2000-08-29 | Arch Development Corporation | Method and system for the assessment of tumor extent in magnetic resonance images |
| US6606402B2 (en) | 1998-12-18 | 2003-08-12 | Cognex Corporation | System and method for in-line inspection of stencil aperture blockage |
| EP1139864A1 (en) * | 1998-12-23 | 2001-10-10 | Medispectra Inc. | Optical methods and systems for cervical screening |
| EP1161178A2 (en) | 1998-12-23 | 2001-12-12 | Medispectra Inc. | Systems and methods for optical examination of samples |
| AUPP898499A0 (en) * | 1999-03-02 | 1999-03-25 | University Of Queensland, The | Method for image texture analysis |
| US6922482B1 (en) * | 1999-06-15 | 2005-07-26 | Applied Materials, Inc. | Hybrid invariant adaptive automatic defect classification |
| 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 |
| US20020007122A1 (en) * | 1999-12-15 | 2002-01-17 | Howard Kaufman | Methods of diagnosing disease |
| US7206462B1 (en) | 2000-03-17 | 2007-04-17 | The General Hospital Corporation | Method and system for the detection, comparison and volumetric quantification of pulmonary nodules on medical computed tomography scans |
| JP4731698B2 (ja) * | 2000-04-06 | 2011-07-27 | キヤノン株式会社 | 画像処理装置、撮影装置、画像処理システム、画像処理方法、及び記憶媒体 |
| WO2002015559A2 (en) * | 2000-08-10 | 2002-02-21 | The Regents Of The University Of California | High-resolution digital image processing in the analysis of pathological materials |
| US7187789B2 (en) * | 2000-08-31 | 2007-03-06 | Fuji Photo Film Co., Ltd. | Prospective abnormal shadow detecting system, and method of and apparatus for judging whether prospective abnormal shadow is malignant or benignant |
| GB2377282A (en) * | 2001-02-16 | 2003-01-08 | Sanjay Kumar Chugh | Computerised medical database |
| US20030204507A1 (en) * | 2002-04-25 | 2003-10-30 | Li Jonathan Qiang | Classification of rare events with high reliability |
| AUPS205202A0 (en) * | 2002-05-02 | 2002-06-06 | Flinders Technologies Pty Ltd | A method and system for computer aided detection of cancer |
| US6818903B2 (en) | 2002-07-09 | 2004-11-16 | Medispectra, Inc. | Method and apparatus for identifying spectral artifacts |
| US6933154B2 (en) * | 2002-07-09 | 2005-08-23 | Medispectra, Inc. | Optimal windows for obtaining optical data for characterization of tissue samples |
| US6768918B2 (en) | 2002-07-10 | 2004-07-27 | Medispectra, Inc. | Fluorescent fiberoptic probe for tissue health discrimination and method of use thereof |
| US7260249B2 (en) * | 2002-09-27 | 2007-08-21 | Confirma Incorporated | Rules-based approach for processing medical images |
| JP2004248817A (ja) * | 2003-02-19 | 2004-09-09 | Fuji Photo Film Co Ltd | 異常陰影検出方法および装置並びにプログラム |
| JP4266930B2 (ja) * | 2003-05-02 | 2009-05-27 | 富士通株式会社 | 製造工程解析支援方法、その方法をコンピュータに実行させるプログラム、プログラムプロダクトおよび記録媒体 |
| US7664302B2 (en) * | 2003-07-18 | 2010-02-16 | Hologic, Inc. | Simultaneous grayscale and geometric registration of images |
| US7668358B2 (en) * | 2003-07-18 | 2010-02-23 | Hologic, Inc. | Model-based grayscale registration of medical images |
| US7424672B2 (en) * | 2003-10-03 | 2008-09-09 | Hewlett-Packard Development Company, L.P. | System and method of specifying image document layout definition |
| SE0400325D0 (sv) * | 2004-02-13 | 2004-02-13 | Mamea Imaging Ab | Method and arrangement relating to x-ray imaging |
| US20060018549A1 (en) * | 2004-07-20 | 2006-01-26 | Jianming Liang | System and method for object characterization of toboggan-based clusters |
| CN100355396C (zh) * | 2004-07-30 | 2007-12-19 | 杭州吴越电子有限公司 | 带空气密度补偿的乳腺摄影装置 |
| GB2425829A (en) * | 2005-05-06 | 2006-11-08 | Mv Res Ltd | A classification system |
| DE102005058095A1 (de) * | 2005-12-05 | 2007-06-06 | Forschungszentrum Jülich GmbH | Verfahren zur topographischen Darstellung von Veränderungen in einem untersuchten Gehirn |
| US20070206844A1 (en) * | 2006-03-03 | 2007-09-06 | Fuji Photo Film Co., Ltd. | Method and apparatus for breast border detection |
| US8055593B2 (en) * | 2006-11-02 | 2011-11-08 | Siemens Medical Solutions Usa, Inc. | Learning classifiers for multiple-label data analysis |
| US8027939B2 (en) * | 2006-11-02 | 2011-09-27 | Siemens Medical Solutions Usa, Inc. | Automatic labeler assignment using a model built from multi-labeler data |
| US7881540B2 (en) * | 2006-12-05 | 2011-02-01 | Fujifilm Corporation | Method and apparatus for detection using cluster-modified graph cuts |
| US8837677B2 (en) * | 2007-04-11 | 2014-09-16 | The Invention Science Fund I Llc | Method and system for compton scattered X-ray depth visualization, imaging, or information provider |
| US20080253522A1 (en) * | 2007-04-11 | 2008-10-16 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Tool associated with compton scattered X-ray visualization, imaging, or information provider |
| US8041006B2 (en) * | 2007-04-11 | 2011-10-18 | The Invention Science Fund I Llc | Aspects of compton scattered X-ray visualization, imaging, or information providing |
| US20080253527A1 (en) * | 2007-04-11 | 2008-10-16 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Limiting compton scattered x-ray visualizing, imaging, or information providing at particular regions |
| US7711089B2 (en) * | 2007-04-11 | 2010-05-04 | The Invention Science Fund I, Llc | Scintillator aspects of compton scattered X-ray visualization, imaging, or information providing |
| US7623625B2 (en) * | 2007-04-11 | 2009-11-24 | Searete Llc | Compton scattered X-ray visualization, imaging, or information provider with scattering event locating |
| US20080253525A1 (en) * | 2007-04-11 | 2008-10-16 | Boyden Edward S | Compton scattered x-ray visualizing, imaging, or information providing of at least some dissimilar matter |
| US7724871B2 (en) * | 2007-04-11 | 2010-05-25 | The Invention Science Fund I, Llc | Compton scattered X-ray visualization, imaging, or information provider in soft matter such as tissue, organs, or blood, and/or in hard matter such as bones or teeth |
| US8081811B2 (en) * | 2007-04-12 | 2011-12-20 | Fujifilm Corporation | Method, apparatus, and program for judging image recognition results, and computer readable medium having the program stored therein |
| US20090092299A1 (en) * | 2007-10-03 | 2009-04-09 | Siemens Medical Solutions Usa, Inc. | System and Method for Joint Classification Using Feature Space Cluster Labels |
| US9208556B2 (en) * | 2010-11-26 | 2015-12-08 | Quantitative Insights, Inc. | Method, system, software and medium for advanced intelligent image analysis and display of medical images and information |
| JP5906071B2 (ja) * | 2011-12-01 | 2016-04-20 | キヤノン株式会社 | 情報処理方法、情報処理装置、および記憶媒体 |
| US9548987B1 (en) * | 2012-06-11 | 2017-01-17 | EMC IP Holding Company LLC | Intelligent remediation of security-related events |
| US9235781B2 (en) * | 2013-08-09 | 2016-01-12 | Kabushiki Kaisha Toshiba | Method of, and apparatus for, landmark location |
| US10690759B2 (en) * | 2015-03-31 | 2020-06-23 | Felica Networks, Inc. | Information processing device, information processing method, and information processing system |
| US20180046936A1 (en) * | 2016-08-10 | 2018-02-15 | Futurewei Technologies, Inc. | Density-based apparatus, computer program, and method for reclassifying test data points as not being an anomoly |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NL7905433A (nl) * | 1978-07-12 | 1980-01-15 | Fuji Photo Film Co Ltd | Werkwijze en inrichting voor het registreren en weergeven van een stralingsbeeld. |
| US5212637A (en) * | 1989-11-22 | 1993-05-18 | Stereometrix Corporation | Method of investigating mammograms for masses and calcifications, and apparatus for practicing such method |
| US5289374A (en) * | 1992-02-28 | 1994-02-22 | Arch Development Corporation | Method and system for analysis of false positives produced by an automated scheme for the detection of lung nodules in digital chest radiographs |
| US5537485A (en) * | 1992-07-21 | 1996-07-16 | Arch Development Corporation | Method for computer-aided detection of clustered microcalcifications from digital mammograms |
| US5365429A (en) * | 1993-01-11 | 1994-11-15 | North American Philips Corporation | Computer detection of microcalcifications in mammograms |
| CA2177472A1 (en) * | 1993-11-29 | 1995-06-01 | Maryellen L. Giger | Automated method and system for improved computerized detection and classification of masses in mammograms |
| US5572565A (en) * | 1994-12-30 | 1996-11-05 | Philips Electronics North America Corporation | Automatic segmentation, skinline and nipple detection in digital mammograms |
| US5579360A (en) * | 1994-12-30 | 1996-11-26 | Philips Electronics North America Corporation | Mass detection by computer using digital mammograms of the same breast taken from different viewing directions |
| AU705713B2 (en) * | 1995-03-03 | 1999-05-27 | Arch Development Corporation | Method and system for the detection of lesions in medical images |
| US5615243A (en) * | 1996-03-12 | 1997-03-25 | University Of Pittsburgh | Identification of suspicious mass regions in mammograms |
-
1996
- 1996-12-02 US US08/758,651 patent/US5768333A/en not_active Expired - Fee Related
-
1997
- 1997-09-03 WO PCT/IB1997/001052 patent/WO1998024367A1/en not_active Application Discontinuation
- 1997-09-03 EP EP97935717A patent/EP0923343A1/en not_active Withdrawn
- 1997-09-03 JP JP52537898A patent/JP3939359B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| WO1998024367A1 (en) | 1998-06-11 |
| EP0923343A1 (en) | 1999-06-23 |
| JP2001510360A (ja) | 2001-07-31 |
| US5768333A (en) | 1998-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3939359B2 (ja) | 二段分類器を使用するディジタル放射線画像中の塊検出 | |
| US5579360A (en) | Mass detection by computer using digital mammograms of the same breast taken from different viewing directions | |
| US6553356B1 (en) | Multi-view computer-assisted diagnosis | |
| US5768406A (en) | Mass detection in digital X-ray images using multiple threshold levels to discriminate spots | |
| US5872859A (en) | Training/optimization of computer aided detection schemes based on measures of overall image quality | |
| Semmlow et al. | A fully automated system for screening xeromammograms | |
| US7646902B2 (en) | Computerized detection of breast cancer on digital tomosynthesis mammograms | |
| US5838815A (en) | Method and system to enhance robust identification of abnormal regions in radiographs | |
| Rangayyan et al. | Measures of acutance and shape for classification of breast tumors | |
| US7903861B2 (en) | Method for classifying breast tissue density using computed image features | |
| Kilday et al. | Classifying mammographic lesions using computerized image analysis | |
| US5572565A (en) | Automatic segmentation, skinline and nipple detection in digital mammograms | |
| US9098935B2 (en) | Image displaying apparatus, image displaying method, and computer readable medium for displaying an image of a mammary gland structure without overlaps thereof | |
| US6067372A (en) | Method and system to enhance robust identification of abnormal regions in radiographs | |
| US6760468B1 (en) | Method and system for the detection of lung nodule in radiological images using digital image processing and artificial neural network | |
| US6246782B1 (en) | System for automated detection of cancerous masses in mammograms | |
| US20080031506A1 (en) | Texture analysis for mammography computer aided diagnosis | |
| Schilham et al. | Multi-scale nodule detection in chest radiographs | |
| CN111079863B (zh) | 利用能谱曲线统计指纹识别病灶组织的系统 | |
| CN111161258B (zh) | 基于能谱曲线统计指纹的能谱ct图像分割方法 | |
| Catarious Jr et al. | A mammographic mass CAD system incorporating features from shape, fractal, and channelized Hotelling observer measurements: preliminary results | |
| Alolfe et al. | Development of a computer-aided classification system for cancer detection from digital mammograms | |
| Sample | Computer assisted screening of digital mammogram images | |
| WO2000005677A1 (en) | System for automated detection of cancerous masses in mammograms | |
| Daul et al. | 3-D reconstruction of microcalcification clusters using stereo imaging: algorithm and mammographic unit calibration |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20040901 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060704 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20061003 |
|
| A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20061120 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20061227 |
|
| 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: 20070227 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20070328 |
|
| 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 |