JP3996555B2 - 画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 - Google Patents
画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 Download PDFInfo
- Publication number
- JP3996555B2 JP3996555B2 JP2003182673A JP2003182673A JP3996555B2 JP 3996555 B2 JP3996555 B2 JP 3996555B2 JP 2003182673 A JP2003182673 A JP 2003182673A JP 2003182673 A JP2003182673 A JP 2003182673A JP 3996555 B2 JP3996555 B2 JP 3996555B2
- Authority
- JP
- Japan
- Prior art keywords
- self
- mapping
- learning
- image processing
- unit
- 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
- 238000012545 processing Methods 0.000 title claims description 56
- 238000003672 processing method Methods 0.000 title claims description 11
- 238000013507 mapping Methods 0.000 claims description 115
- 230000013016 learning Effects 0.000 claims description 74
- 238000000605 extraction Methods 0.000 claims description 34
- 238000000034 method Methods 0.000 description 55
- 230000008569 process Effects 0.000 description 36
- 210000001519 tissue Anatomy 0.000 description 35
- 210000004556 brain Anatomy 0.000 description 18
- 238000003745 diagnosis Methods 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 210000005013 brain tissue Anatomy 0.000 description 8
- 230000010354 integration Effects 0.000 description 8
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 230000002490 cerebral effect Effects 0.000 description 5
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 5
- 210000004884 grey matter Anatomy 0.000 description 5
- 210000004885 white matter Anatomy 0.000 description 5
- 241000270295 Serpentes Species 0.000 description 3
- 239000000470 constituent Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000002194 synthesizing effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 210000000798 superior sagittal sinus Anatomy 0.000 description 2
- 208000024806 Brain atrophy Diseases 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Nuclear Medicine (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、例えば磁気共鳴映像装置（Magnetic Resonance Imaging device）等の医用画像診断装置に組み込まれる、又は医療用ワークステーション等によって提供される画像処理装置等に関する。
【０００２】
【従来の技術】
医用画像は、被検体についての多くの臨床情報を画像により提供するものであり、疾病の診断、治療や手術計画等を初めとする多くの医療行為において重要な役割を果たしている。医用画像は、医療用画像機器（例えば、超音波診断装置、Ｘ線ＣＴ装置、核医学診断装置、磁気共鳴診断装置等）によって収集されたデータに、当該医療用画像機器に内蔵される、又は医療用ワークステーション等によって実現される画像処理装置により、所定の画像処理を施すことで生成される。
【０００３】
この医用画像を利用した診断では、より客観性の高い診断を実現するために、臓器や病変部の特徴を生かして例えばＭＲ画像を組織分類し、その形態を定量的に画像診断するための評価法を確立する必要がある。脳萎縮の診断における脳組織の輪郭抽出を例にとれば、脳組織は個体差が大きく、一様な処理では輪郭を抽出することはできないため、マニュアル操作にて注目する輪郭線を抽出する等の処理によるのが現状である。従来用いられている代表的な手法としては、スネークモデルを用いた輪郭抽出法、ニューラルエッジ検出器を用いた輪郭抽出法がある。スネークモデルを用いた輪郭抽出法は、濃淡画像を与えられたとき、本来現れるエッジが欠けたり途切れた場合であっても、これらを修復しながら脳表面の輪郭を抽出することができる利点がある。また、ニューラルエッジ検出器を用いた輪郭抽出法は、医師等の専門家が辿った輪郭から作成した理想的なエッジ像と入力画像とを階層型ニューラルネットワークに学習させることにより、専門医による輪郭とよく一致する輪郭抽出を実現できる利点がある。
【０００４】
しかしながら、スネークモデルを用いた輪郭抽出法では、抽出処理を自動化することは困難である。これは、画像の濃度による制約と抽出対象との輪郭形状に関する制約のバランスを決定するパラメータが、画像毎に微妙な調整を必要とするからである。また、初期輪郭の統計モデルの作成も困難であり、従って操作者によって与えられる初期輪郭モデルの内容により抽出精度も大きく異なるため、客観性に乏しい。
【０００５】
また、ニューラルエッジ検出器を用いた輪郭抽出法では、教師データとして与えられる理想的なエッジ像（教師データ）の内容が、医師等の専門家毎に異なるため、輪郭抽出結果の再現性・客観性が乏しい。また、当該手法の輪郭抽出精度は、階層型ニューラルネットワークに入力する特徴量とネットワーク構成（中間層ユニットの数）に依存することから、抽出対象となる画像毎の設定を必要とし、操作者への負担が大きい。
【０００６】
これらの手法が抱える問題は、診断部位が脳である場合に限らず、客観的基準かつ効率的な輪郭抽出法が確立されていない診断部位についても同様である。
【０００７】
【発明が解決しようとする課題】
本発明は、上記事情を鑑みてなされたもので、例えば医用画像において、客観的基準かつ効率的に、関心対象の輪郭を自動的に抽出する画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体を提供することを目的としている。
【０００８】
【課題を解決するための手段】
本発明は、上記目的を達成するため、次のような手段を講じている。
【０００９】
本発明の第１の視点は、被検体の所定部位に関する第１の画像を記憶する記憶手段と、前記第１の画像に基づいて、前記所定部位の第１の輪郭線を抽出する第１の輪郭線抽出手段と、前記第１の輪郭線を構成する各画素の位置を入力とし、個別の重み係数に基づく対応付けにより複数の出力ユニットと当該複数の出力ユニットの中から決定される勝者ユニットとを取得する二つの自己写像手段であって、前記勝者ユニット及びその学習近傍領域に存在する前記出力ユニットのそれぞれに対応する前記重み係数を、前記学習近傍領域の初期設定を第１のサイズとして収束させながら更新する自己写像を繰り返し実行する第１の自己写像手段と、前記勝者ユニット及びその学習近傍領域に存在する前記出力ユニットのそれぞれに対応する前記重み係数を、前記学習近傍領域の初期設定を第２のサイズとして収束させながら更新する自己写像を繰り返し実行する第２の自己写像手段と、前記第１の自己写像手段により取得された前記複数の出力ユニットに対応する前記重み係数と、前記第２の自己写像手段により取得された前記複数の出力ユニットに対応する前記重み係数と、に基づいて前記第２の輪郭線を含む前記第２の画像を生成する画像生成手段と、を具備することを特徴とする画像処理装置である。
【００１０】
本発明の第２の視点は、第１の視点に係る装置において、前記第１の自己写像手段又は前記第２の自己写像手段によって取得される複数の出力ユニットの数は、任意に設定可能であることを特徴とするものである。
【００１１】
本発明の第３の視点は、第１又は第２の視点に係る装置において、前記第１の自己写像手段又は前記第２の自己写像手段において用いられる前記学習近傍領域のサイズは、任意に設定可能であることを特徴とするものである。
【００１２】
本発明の第４の視点は、第１乃至第３のうちのずれかの視点に係る装置において、前記第１の自己写像手段又は前記第２の自己写像手段によって取得される前記複数の出力ユニットは、閉空間を形成することを特徴とするものである。
【００１３】
本発明の第５の視点は、第１乃至第４のうちのずれかの視点に係る装置において、前記第１の自己写像手段において用いられる前記学習近傍領域は、前記第１の自己写像の進行に従って線形に収束することを特徴とするものである。
【００１４】
本発明の第６の視点は、第１乃至第４のうちのずれかの視点に係る装置において、前記第２の自己写像手段において用いられる前記学習近傍領域は、前記第２の自己写像の進行に従って線形に収束することを特徴とするものである。
【００１５】
本発明の第７の視点は、画像処理装置の制御手段が、被検体の所定部位に関する第１の画像に基づいて、前記所定部位の第１の輪郭線を抽出する第１の輪郭線抽出ステップと、前記第１の輪郭線を構成する各画素の位置を入力とし、個別の重み係数に基づく対応付けにより複数の出力ユニットと当該複数の出力ユニットの中から決定される勝者ユニットとを取得する二つの自己写像ステップであって、前記勝者ユニット及びその学習近傍領域に存在する前記出力ユニットのそれぞれに対応する前記重み係数を、前記学習近傍領域の初期設定を第１のサイズとして収束させながら更新する自己写像を繰り返し実行する第１の自己写像ステップと、前記勝者ユニット及びその学習近傍領域に存在する前記出力ユニットのそれぞれに対応する前記重み係数を、前記学習近傍領域の初期設定を第２のサイズとして収束させながら更新する自己写像を繰り返し実行する第２の自己写像ステップと、
前記第１の自己写像ステップにより取得された前記複数の出力ユニットに対応する前記重み係数と、前記第２の自己写像ステップにより取得された前記複数の出力ユニットに対応する前記重み係数と、に基づいて前記第２の輪郭線を含む前記第２の画像を生成する画像生成ステップと、を具備することを特徴とする画像処理方法である。
【００１６】
本発明の第８の視点は、第７の視点に係る方法において、前記第１の自己写像ステップ又は前記第２の自己写像ステップによって取得される複数の出力ユニットの数は、任意に設定可能であることを特徴とするものである。
【００１７】
本発明の第９の視点は、第７又は８の視点に係る方法において、前記第１の自己写像ステップ又は前記第２の自己写像ステップにおいて用いられる前記学習近傍領域のサイズは、任意に設定可能であることを特徴とするものである。
【００１８】
本発明の第１０の視点は、第７乃至第９のうちのずれかの視点に係る方法において、前記第１の自己写像ステップ又は前記第２の自己写像ステップによって取得される前記複数の出力ユニットは、閉空間を形成することを特徴とするものである。
【００１９】
本発明の第１１の視点は、第７乃至第１０のうちのずれかの視点に係る方法において、前記第１の自己写像ステップにおいて用いられる前記学習近傍領域は、前記第１の自己写像の進行に従って線形に収束することを特徴とするものである。
【００２０】
本発明の第１２の視点は、第７乃至第１０のうちのずれかの視点に係る方法において、前記第２の自己写像ステップにおいて用いられる前記学習近傍領域は、前記第２の自己写像の進行に従って線形に収束することを特徴とするものである。
【００２１】
本発明の第１３の視点は、コンピュータに、被検体の所定部位に関する第１の画像に基づいて、前記所定部位の第１の輪郭線を抽出する第１の輪郭線抽出ステップと、前記第１の輪郭線を構成する各画素の位置を入力とし、個別の重み係数に基づく対応付けにより複数の出力ユニットと当該複数の出力ユニットの中から決定される勝者ユニットとを取得する二つの自己写像ステップであって、前記勝者ユニット及びその学習近傍領域に存在する前記出力ユニットのそれぞれに対応する前記重み係数を、前記学習近傍領域の初期設定を第１のサイズとして収束させながら更新する自己写像を繰り返し実行する第１の自己写像ステップと、前記勝者ユニット及びその学習近傍領域に存在する前記出力ユニットのそれぞれに対応する前記重み係数を、前記学習近傍領域の初期設定を第２のサイズとして収束させながら更新する自己写像を繰り返し実行する第２の自己写像ステップと、前記第１の自己写像ステップにより取得された前記複数の出力ユニットに対応する前記重み係数と、前記第２の自己写像ステップにより取得された前記複数の出力ユニットに対応する前記重み係数と、に基づいて前記第２の輪郭線を含む前記第２の画像を生成する画像生成ステップと、を実行させるための画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体である。
【００２２】
本発明の第１４の視点は、第１３の視点に係る記録媒体において、前記第１の自己写像ステップ又は前記第２の自己写像ステップによって取得される複数の出力ユニットの数は、任意に設定可能であることを特徴とするものである。
【００２３】
本発明の第１５の視点は、第１３又は第１４の視点に係る記録媒体において、前記第１の自己写像ステップ又は前記第２の自己写像ステップにおいて用いられる前記学習近傍領域のサイズは、任意に設定可能であることを特徴とするものである。
【００２４】
本発明の第１６の視点は、第１３乃至第１５のうちのずれかの視点に係る記録媒体において、前記第１の自己写像ステップ又は前記第２の自己写像ステップによって取得される前記複数の出力ユニットは、閉空間を形成することを特徴とするものである。
【００２５】
本発明の第１７の視点は、第１３乃至第１６のうちのずれかの視点に係る記録媒体において、前記第１の自己写像ステップにおいて用いられる前記学習近傍領域は、前記第１の自己写像の進行に従って線形に収束することを特徴とするものである。
【００２６】
本発明の第１８の視点は、第１３乃至第１６のうちのずれかの視点に係る記録媒体において、前記第２の自己写像ステップにおいて用いられる前記学習近傍領域は、前記第２の自己写像の進行に従って線形に収束することを特徴とするものである。
【００２７】
このような構成によれば、例えば医用画像において、客観的基準かつ効率的に、関心対象の輪郭を自動的に抽出する画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体を実現することができる。
【００２８】
【発明の実施の形態】
以下、本発明の実施形態を図面に従って説明する。なお、以下の説明において、略同一の機能及び構成を有する構成要素については、同一符号を付し、重複説明は必要な場合にのみ行う。
【００２９】
本実施形態に係る画像処理装置は、例えば診断部位等の関心領域を好適に観察することができる画像を対象に、おおまかな初期輪郭のＸ、Ｙ座標情報を学習データとする近傍領域の異なる二つの自己組織化マップ（Self-Organizing Map：以下「ＳＯＭ」と称する。）を用いて、前記おおまかな初期輪郭のスムージングを行い、最適な輪郭抽出を行うものである。以下においては、説明を具体的にするため、脳萎縮の診断に供する頭部ＭＲ画像のＴ２強調水平断において、おおまかな初期輪郭と上矢状静脈洞エッジ情報のＸ、Ｙ座標を学習データとし、大脳縦裂特徴点と組織の境界とがあいまいな初期輪郭のスムージングを行い、最適な脳表面輪郭を自動抽出する場合を例とする。
【００３０】
しかしながら、本発明の技術的思想は、これに限定されない。例えば、輪郭抽出の対象とする画像は、Ｘ線ＣＴ画像等の他の断層画像でもよく、また、脳以外の診断においても有益であることは、言うまでもない。
【００３１】
図１は、本実施形態に係る画像処理装置１０のブロック構成図を示している。同図に示すように、画像処理装置１０は、ＭＲＩデータベース１１、組織カラーマップ記憶部１２、学習フェーズ１３、ＳＯＭ重み記憶部１５、生成フェーズ１７、統合フェーズ１９、脳表面輪郭線画像記憶部２１を具備している。
【００３２】
ＭＲＩデータベース１１は、被検体（患者）毎の複数のＭＲ画像を格納している。
【００３３】
組織カラーマップ記憶部１２は、診断に供するＭＲ画像に対して、組織の自動分類法を適用することで得られる組織カラーマップを記憶している。組織の自動分類法とは、診断に供するＭＲ画像の画像特性を自己写像することで、画像を組織毎に分類するものである。この組織の自動分類法については、後で詳しく説明する。
【００３４】
学習フェーズ１３は、前処理部１３０、自己学習部１３１を有している。前処理部１３０は、ＳＯＭの入力としての学習データを設定するため、所定の前処理を行う。具体的には、前処理部１３０は、組織カラーマップを脳組織と背景とに分類した２値化画像の生成、脳の仮想中心Ｃの算出、仮想中心Ｃから脳組織の上半球を対象とするフィルター処理、８近傍オペレータによる初期輪郭の抽出、上矢状静脈洞のエッジ情報の抽出、ＳＯＭ処理のための学習データ生成を実行する。この学習データは、ＳＯＭの入力となるデータであり、８近傍オペレータによって抽出された初期輪郭と上記エッジ情報とを合成して生成される脳の大まかな輪郭線である（図３参照）。
【００３５】
自己学習部１３１は、前処理部１３０によって生成された学習データに基づいて、所定の重み係数によって自己学習を繰り返し、組織輪郭の座標及び上矢状静脈洞のエッジ情報の座標を学習する。すなわち、自己学習部１３１は、学習データ上のＸ、Ｙ座標を入力とし、位相構造の重み係数を逐次更新しながら、初期近傍領域を１／８近傍領域としたＳＯＭ処理、及び初期近傍領域を３／４近傍領域としたＳＯＭ処理を行う。各ＳＯＭによる写像先であるマッピング層は、最初のユニットと最終のユニットが近傍として連結した閉空間とする。自己学習部１３１によって実行されるＳＯＭについては、後で詳しく説明する。
【００３６】
ＳＯＭ重み記憶部１５は、ＳＯＭ処理により得られた位相構造の重み係数分布を格納する。
【００３７】
生成フェーズ１７は、重みプロット部１７０、線形補間部１７１を有している。重みプロット部１７０は、初期近傍領域が１／８のＳＯＭ処理によって得られた重み係数と初期近傍領域が３／４のＳＯＭ処理によって得られた重み係数をそれぞれ画像スケールに変換してX、Y座標にプロットする。線形補間部１７１は、Ｘ、Ｙ座標にプロットされた代表点を線形補間し、各ＳＯＭ処理に対応する輪郭線を生成する（以下、１／８近傍領域ＳＯＭ処理に対応する輪郭線を「初期近傍領域１／８の輪郭線」と、３／４近傍領域ＳＯＭ処理に対応する輪郭線を「初期近傍領域３／４の輪郭線」と、それぞれ呼ぶことにする。）。
【００３８】
統合フェーズ１９は、基準点抽出部１９０、輪郭線統合部１９１、画像合成部１９２を有している。基準点抽出部１９０は、初期近傍領域１／８の輪郭線と初期近傍領域３／４の輪郭線とを重ね合わせ、例えば初期近傍領域１／８の輪郭線上において、大脳縦裂特徴点を抽出する。輪郭線統合部１９１は、基準点抽出部１９０によって抽出された基準点と初期近傍領域１／８の輪郭線と初期近傍領域３／４の輪郭線に基づいて、初期近傍領域１／８の輪郭線と初期近傍領域３／４の輪郭線とを統合し脳輪郭線画像を生成する。
【００３９】
画像合成部１９２は、必要に応じて、診断に供するＭＲ画像（組織カラーマップの原画像）と脳輪郭線画像とを合成した合成画像を生成する。
【００４０】
脳表面輪郭線画像記憶部２１は、画像合成部１９２によって生成された合成画像、脳輪郭線画像等を格納し、要求に応じて図示していない表示部等に出力する。
【００４１】
なお、図１においては、ＭＲＩデータベース１１、組織カラーマップ記憶部１２、ＳＯＭ重み記憶部１５をそれぞれ個別に表現した。しかしながら、単一のメモリによって各構成を実現する構成であってもよい。また、ＭＲＩデータベース１１や組織カラーマップ記憶部１２を本画像処理装置１０と別体として設け、ネットワークを介してＭＲ画像や組織カラーマップを取得する構成であってもよい。
【００４２】
（自己組織化マップ：Self−Organizing Map）
次に、自己組織化マップ（ＳＯＭ）について説明する。ＳＯＭは、入力データの位相を保存し、トポロジカルなマッピングを行うものであり、その学習過程では、明示的な教師を必要としない。
【００４３】
一般のＳＯＭは、図２に示すように、入力ユニットを含む入力層と、出力ユニットを含むマッピング層との二層からなる。典型的なＳＯＭの学習アルゴリズムは、次の様である。
【００４４】
（１）ｗｉｊ（１≦ｉ≦ｎ）を時刻ｔにおける入力ユニットｉから出力ユニットｊへの重み係数とする。ユニットの重み係数を乱数で初期化し、ノードｊの近傍の初期範囲を大きく設定する。
【００４５】
（２）ｘｉ（１≦ｉ≦ｎ）を時刻ｔにおけるノードｉへの入力とする。
【００４６】
（３）入力データと出力ノードｊとのユークリッド距離ｄｊを次の式（１）にて計算する。
【００４７】
【数１】
【００４８】
（４）ユークリッド距離ｄｊが最小となる出力ユニットを検索する。
【００４９】
（５）Ｎｃ（ｔ）で定義される近傍に含まれるユニットへの重み係数を、次の式（２）にて更新する。
ｗｉｊ（ｔ＋１）＝ｗｉｊ（ｔ）＋α（ｔ）（ｘｉ（ｔ）−ｗｉｊ（ｔ））（２）
ここで、α（ｔ）は学習率係数（０＜α＜１）、Ｎｃ（ｔ）は近傍領域のサイズであり、時間とともに減少させる。
【００５０】
（６）上記（２）〜（５）の処理を繰り返す。
【００５１】
本実施形態においては、初期輪郭線と上矢状静脈洞のエッジ部分とを合成して生成される脳の大まかな輪郭線を構成する複数の点（画素）の一部又は全部を、当該患者の脳の輪郭線を代表する代表点と見なす。この代表点を学習データとするＳＯＭ処理を繰り返し実行することで、より客観性の高い代表点を取得する。特に、以下に説明する例は、二種類のＳＯＭ処理を実行しその結果を合成することで、対象の複雑さに応じた輪郭抽出を実現するものである。二種類のＳＯＭ処理の一方は「初期近傍領域が３／４のＳＯＭ処理」と呼ばれ、他方は「初期近傍領域が１／８のＳＯＭ処理」と呼ばれる。
【００５２】
初期近傍領域が３／４のＳＯＭ処理では、図３に示すように、学習データ上の所定の各画素に関するＸ座標及びＹ座標を入力層における入力とし、所定の各重み係数によって、マッピング層における各出力ユニットに写像し、その中から最適な出力ユニット（勝者ユニット）を選択するＳＯＭ処理が繰り返し実行される。その際、各ＳＯＭ処理においては、学習近傍領域内に存在する出力ユニットに対応する各重み係数の更新が実行される。ここで、学習近傍領域とは、得られた勝者ユニットを少なくとも含む領域であり、学習回数の進行に従って収束するものである。また、初期近傍領域とは、学習近傍領域の初期設定を意味する。本ＳＯＭ処理では、初期近傍領域を、出力ユニット総数の３／４として設定し、所定の直線又は曲線に従って収束させる。
【００５３】
定量的な例により、上記初期近傍領域が３／４のＳＯＭ処理の内容をより詳しく説明すると、次のようである。すなわち、学習データ上の所定画素の座標（ｘｉ，ｙｉ）を入力とし、当該所定画素に対して式（１）に基づいてユークリッド距離ｄｊを算出する。ここで、ｉは１≦ｉ≦最大学習回数（１０００００回）を満たす整数、ｊは１≦ｊ≦マッピング層の出力ユニット総数（１０００ユニット）を満たす整数である。算出されたユークリッド距離ｄｊが最小となるユニットを勝者ユニットとし、勝者ユニット及び当該勝者ユニットを中心とした近傍領域内の出力ユニット（近傍ユニット）に対して式（２）に基づいて重み係数を更新する。今の場合、初期近傍領域が３／４であるから、当該領域内に存在する出力ユニットの総数は７５０ユニットとなる。
【００５４】
このように学習近傍領域を収束させつつ、当該領域内に存在する出力ユニットに対応する重み係数を式（２）によって逐次更新しながら、学習データ上の各画素についてのＳＯＭ処理を複数回（例えば１０００００回）実行する。最終的に、学習データ上の各画素の座標は、それぞれ所定の出力ユニットに収束するようになる。
【００５５】
また、初期近傍領域が１／８のＳＯＭ処理では、図３に示すように、初期近傍領域を最初に出力ユニット総数の１／８として設定し、所定の直線又は曲線に従って収束させながら、同様の処理をおこなう。
【００５６】
なお、本実施形態では、図４（ａ）に示すように、各ＳＯＭ処理における複数の出力ユニットは、第１出力ユニット（最初の出力ユニット）と第１０００出力ユニット（最後の出力ユニット）とが連結された閉空間を構成している。これにより、第１０００出力ユニットは、第１出力ユニットの近傍ユニットとして判断され、式（２）による重み係数の更新に影響することになる。この様に閉空間の出力ユニットを採用するのは、抽出しようとする輪郭が閉曲線であるからである。これにより、第１出力ユニットと第１０００出力ユニットとの相関度合いが高くなり、より精度の高い結果を得ることができる。
【００５７】
また、処理の収束性の観点から、学習回数が進行するに従って、各ＳＯＭ処理における近傍領域のサイズ及び学習率係数を線形で減少させることが好ましい。
【００５８】
（組織カラーマップの作成）
本画像処理装置１０は、輪郭抽出の前段の処理として、組織カラーマップを作成し、組織カラーマップ記憶部１２内に格納する。この組織カラーマップは、上記ＳＯＭ処理を利用した組織の自動分類法により、例えば次のように生成される。
【００５９】
すなわち、図４（ｂ）に示すように、組織分類の対象となるＭＲ画像（以下、「分類対象画像」と称する。図７（ａ）参照。）に対して、ランダムに抽出される複数の局所ブロックに関する４つの特徴量（注目画素の輝度値、局所ブロックを構成する各画素の輝度値の平均値、注目画素の輝度値と局所ブロックを構成する画素の輝度値の最大値との差、注目画素の輝度値と局所ブロックを構成する画素の輝度値の最小値との差）を入力層における入力とし、所定の重み係数によって患者の所定部位の組織分布を分類対象画像の特徴空間における画像の位相特性として自己写像する。この自己写像により、入力としての各局所ブロックは、ＳＯＭ処理により背景（ＢＧ）、脳脊髄液（ＣＳＦ）、白質（ＷＭ）、灰白質（ＧＭ）の４つの出力ユニットＡ、Ｂ、Ｃ及びＤのいずれかに写像される。
【００６０】
すなわち、いまｘ１＝注目画素の輝度値、ｘ２＝局所ブロックを構成する各画素の輝度値の平均値、ｘ３＝注目画素の輝度値と局所ブロックを構成する画素の輝度値の最大値との差、ｘ４＝注目画素の輝度値と局所ブロックを構成する画素の輝度値の最小値との差、とする。各局所ブロックにおける各特徴量ｘｉ（ただし、ｉは１≦ｉ≦４を満たす整数）を入力し、式（１）に基づいて、初期設定の重み係数ｗｉｊによってユークリッド距離ｄｊを算出する。なお、今の場合、ｊ＝１が出力ユニットＣＳＦに対応、ｊ＝２が出力ユニットＧＭに対応、ｊ＝３が出力ユニットＷＭ、ｊ＝４が出力ユニットＢＧに対応するものとして、ｊは１≦ｊ≦４を満たす整数とする。
【００６１】
入力は、算出されたユークリッド距離ｄ１、ｄ２、ｄ３、ｄ４のうち、最小のものに対応する出力ユニットに写像される。なお、当該自己写像においてユークリッド距離が最小になる出力ユニットは、勝者ユニットと呼ばれる。
【００６２】
また、この抽出された局所ブロックに対するＳＯＭ処理は、式（２）によって逐次重み係数を更新しながら、複数回（例えば１００００００回）実行される。この様に、重み係数を更新しながら、ＳＯＭ処理を複数回繰り返し学習する。学習が進むに従って、各局所ブロックは、所定の出力ユニットに収束するようになる。
【００６３】
このＳＯＭ処理の結果と、図７（ａ）に示す分類対象画像において生成される、各画素を注目画素とする複数の局所ブロック（３×３画素）の４つの特徴量とに基づいて、分類対象画像の各画素を背景（ＢＧ）、脳脊髄液（ＣＳＦ）、白質（ＷＭ）、灰白質（ＧＭ）のいずれかに組織分類し、各画素に所定の色を割り当てることで、図７（ｂ）に示す組織カラーマップを生成することができる。
【００６４】
次に、上記のように構成した画像処理装置１０によって実行される輪郭抽出処理について、図５、図６を参照しながら説明する。
【００６５】
図５、図６は、画像処理装置１０が実行する輪郭抽出処理の流れを示したフローチャートである。図５において、まず、前段の処理として、既述の手法により組織カラーマップを作成し、組織カラーマップ記憶部１２に格納する（ステップＳ１）。学習フェーズ１３の前処理部１３０は、組織カラーマップ記憶部１２から図７（ｂ）に示す組織カラーマップを読み出し、所定の閾値処理によって当該組織カラーマップを脳組織と背景とに２値化した２値化画像を生成する（図７（ｃ）参照）。また、前処理部１３０は、生成した２値化画像に対して、脳組織のＸＹ射影から脳の仮想中心Ｃ（Ｃｘ，Ｃｙ）を算出する（ステップＳ２）。
【００６６】
次に、前処理部１３０は、仮想中心Ｃから脳組織の上半球を対象にフィルター処理を施し（ステップＳ３）、仮想中心Ｃから画像上方向に走査して、輪郭始点Ｓを求め、８近傍オペレータにより脳の大まかな初期輪郭を抽出する（ステップＳ４）。ここで、８近傍オペレータによる初期輪郭の抽出とは、例えば、輪郭始点Ｓに接する８個の画素に関して、画素値（輝度値）が最も近い画素を輪郭と判断し、この輪郭と判断された画素に接する８個の画素に関しても、同様の判断を逐次繰り返して輪郭を抽出するものである。すなわち、輪郭始点Ｓを中心とする第1近傍（３×３）内の画素に対して、背景領域に隣接する脳組織上の画素を順次抽出する処理である。
【００６７】
次に、前処理部１３０は、上矢状静脈洞のエッジ情報を抽出（ステップＳ５）、当該エッジ情報と抽出した上記初期輪郭とを合成し、学習データを生成する（図３参照）。自己学習部１３１は、生成された学習データ上の各画素のＸ座標ｘｉ及びＹ座標ｙｉをＳＯＭに入力し、既述の初期近傍領域が３／４のＳＯＭ処理及び初期近傍領域が１／８のＳＯＭ処理を実行し、各ＳＯＭ処理における各勝者ユニットを決定する（ステップＳ７）。このＳＯＭ処理による自己学習は、式（２）に従って逐次重み係数を更新しながら、信頼できる結果が得られる適当な回数（例えば、１０００００回）繰り返される（ステップＳ８）。
【００６８】
次に、重みプロット部１７０は、上記初期近傍領域が３／４のＳＯＭ処理によって得られた各重み係数を画像空間上の対応する座標にプロットし、各座標間を線形補間部１７１が線形補間することで当該初期近傍領域３／４の輪郭線を生成する。また、同様の処理により、初期近傍領域１／８の輪郭線を生成する（ステップＳ９）。これにより、各ＳＯＭ処理によって得られた高精度の代表点に基づく各輪郭線が得られる。
【００６９】
次に、統合フェーズ１９の基準点抽出部１９０は、図８（ａ）に示す初期近傍領域３／４の輪郭線と図８（ｂ）に示す初期近傍領域１／８の輪郭線とを図８（ｃ）に示す様に重ね合わせ（ステップＳ１０）、初期近傍領域１／８の輪郭線上において、大脳縦裂特徴点を基準点Ｄとして抽出する（ステップＳ１１）。
【００７０】
次に、輪郭線統合部１９１は、基準点抽出部１９０によって抽出された基準点Ｄに基づいて、初期近傍領域１／８の輪郭線と初期近傍領域３／４の輪郭線とを合成し脳輪郭線を生成する（ステップＳ１２、ステップＳ１３）。すなわち、輪郭線統合部１９１は、図９に示す様に、上記基準点Ｄ（大脳縦裂特徴点）から輪郭線を左右に走査し、初期近傍領域３／４の輪郭線との一つ目の左交点をＬ１、二つ目の左交点をＬ２とし、初期近傍領域３／４の輪郭線との一つ目の右交点をＲ１、二つ目の右交点をＲ２とする。得られたＬ２−Ｒ２間の輪郭線は初期近傍領域１／８の輪郭線とし、それ以外は初期近傍領域３／４の輪郭線として合成することで、脳輪郭線を生成する。なお、この様にＬ２−Ｒ２間の領域を初期近傍領域１／８の輪郭線とするのは、複雑な輪郭を持つ大脳縦裂特徴点に対応する領域を、より微細な構造を反映することができる輪郭初期近傍領域１／８の輪郭線で表すためである。また、Ｌ２−Ｒ２間以外の領域を初期近傍領域３／４の輪郭線とするのは、比較的複雑な輪郭を持たない領域を、曲線のスムーズな初期近傍領域３／４の輪郭線で表すためである。
【００７１】
本実施形態に係る画像処理装置によれば、個々の画像特性から大まかな初期輪郭を抽出し学習データとすることにより、組織の境界があいまいな画像に対しても最適な輪郭を、迅速かつ簡便に自動抽出することができる。従って、医師等に対して有益な診断情報を効率的に提供することができ、診断の質の向上に寄与することができる。
【００７２】
また、本実施形態に係る画像処理装置では、ＳＯＭ処理によって得られる内部的な基準に基づいて、輪郭の抽出が行われる。すなわち、従来の様に輪郭抽出のための基準ベクトルを外部に持つ必要がないことから、対象画像毎に複雑なパラメータの主観的設定を必要としない。従って、客観性の高い輪郭抽出を自動的に実行することができる。
【００７３】
実施形態において初期近傍領域が３／４のＳＯＭ処理と初期近傍領域が１／８のＳＯＭ処理とを実行した様に、本画像処理装置は、学習近傍領域及びマッピング層ユニット数を任意に設定することができる。従って、輪郭線のスムージング度合いを任意に設定することができ、その結果組織の複雑さの程度に合わせた最適な輪郭抽出を実現することができる。
【００７４】
本実施形態に係る画像処理装置では、マッピング層ユニットは、組織の境界領域線を多角形近似する頂点となっている。従って、再帰的処理により組織の境界があいまいでかつ不連続な画像において連続する境界線を抽出することができる。
【００７５】
以上、本発明を実施形態に基づき説明したが、本発明の思想の範疇において、当業者であれば、各種の変更例及び修正例に想到し得るものであり、それら変形例及び修正例についても本発明の範囲に属するものと了解される。例えば以下に示すように、その要旨を変更しない範囲で種々変形可能である。
【００７６】
本実施形態で説明した輪郭抽出処理は、当該方法をコンピュータに実行させるプログラムによって、パーソナルコンピュータやワークステーション等によっても実現することができる。この場合、コンピュータに当該方法を実行させることのできるプログラムは、磁気ディスク（フロッピーディスク、ハードディスクなど）、光ディスク（ＣＤ−ＲＯＭ、ＤＶＤなど）、半導体メモリなどの記録媒体に格納して頒布することができる。
【００７７】
また、各実施形態は可能な限り適宜組み合わせて実施してもよく、その場合組合わせた効果が得られる。さらに、上記実施形態には種々の段階の発明が含まれており、開示される複数の構成要件における適宜な組合わせにより種々の発明が抽出され得る。例えば、実施形態に示される全構成要件から幾つかの構成要件が削除されても、発明が解決しようとする課題の欄で述べた課題が解決でき、発明の効果の欄で述べられている効果の少なくとも１つが得られる場合には、この構成要件が削除された構成が発明として抽出され得る。
【００７８】
【発明の効果】
以上本発明によれば、例えば医用画像において、客観的基準かつ効率的に、関心対象の輪郭を自動的に抽出する画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体を実現できる。
【図面の簡単な説明】
【図１】図１は、本実施形態に係る画像処理装置１０のブロック構成図を示している。
【図２】図２は、一般的な自己組織化マップ（ＳＯＭ）処理を説明するための図である。
【図３】図３は、本実施形態に係る画像処理装置が実施する自己組織化マップ（ＳＯＭ）処理を説明するための図である。
【図４】図４（ａ）は、本実施形態に係る画像処理装置が実施する自己組織化マップ（ＳＯＭ）処理を説明するための図である。図４（ｂ）は、組織の自動分類法において実施される自己組織化マップ（ＳＯＭ）処理を説明するための図である。
【図５】図５は、画像処理装置１０が実行する輪郭抽出処理の流れを示したフローチャートである。
【図６】図６は、画像処理装置１０が実行する輪郭抽出処理の流れを示したフローチャートである。
【図７】図７（ａ）は、組織の自動分類法の対象とする分類対象画像（ＭＲ画像）を示した写真である。図７（ｂ）は、組織の自動分類法によって得られる組織カラーマップを示した写真である。図７（ｃ）は、組織カラーマップを２値化して得られる２値化画像を示した写真である。
【図８】図８（ａ）は、初期近傍領域３／４の輪郭線を模式的に示した図である。図８（ｂ）は、初期近傍領域１／８の輪郭線を模式的に示した図である。図８（ｃ）は、初期近傍領域３／４の輪郭線と初期近傍領域１／８の輪郭線とを重ね合わせた画像を模式的に示した図である。
【図９】図９は、図８（ｃ）の基準点Ｄの近傍の拡大図である。
【符号の説明】
１０…画像処理装置
１１…ＭＲＩデータベース
１２…組織カラーマップ記憶部
１３…学習フェーズ
１５…ＳＯＭ重み記憶部
１７…生成フェーズ
１９…統合フェーズ
２１…脳表面輪郭線画像記憶部
１３０…前処理部
１３１…自己学習部
１７０…重みプロット部
１７１…線形補間部
１９０…基準点抽出部
１９１…輪郭線統合部
１９２…画像合成部
【発明の属する技術分野】
本発明は、例えば磁気共鳴映像装置（Magnetic Resonance Imaging device）等の医用画像診断装置に組み込まれる、又は医療用ワークステーション等によって提供される画像処理装置等に関する。
【０００２】
【従来の技術】
医用画像は、被検体についての多くの臨床情報を画像により提供するものであり、疾病の診断、治療や手術計画等を初めとする多くの医療行為において重要な役割を果たしている。医用画像は、医療用画像機器（例えば、超音波診断装置、Ｘ線ＣＴ装置、核医学診断装置、磁気共鳴診断装置等）によって収集されたデータに、当該医療用画像機器に内蔵される、又は医療用ワークステーション等によって実現される画像処理装置により、所定の画像処理を施すことで生成される。
【０００３】
この医用画像を利用した診断では、より客観性の高い診断を実現するために、臓器や病変部の特徴を生かして例えばＭＲ画像を組織分類し、その形態を定量的に画像診断するための評価法を確立する必要がある。脳萎縮の診断における脳組織の輪郭抽出を例にとれば、脳組織は個体差が大きく、一様な処理では輪郭を抽出することはできないため、マニュアル操作にて注目する輪郭線を抽出する等の処理によるのが現状である。従来用いられている代表的な手法としては、スネークモデルを用いた輪郭抽出法、ニューラルエッジ検出器を用いた輪郭抽出法がある。スネークモデルを用いた輪郭抽出法は、濃淡画像を与えられたとき、本来現れるエッジが欠けたり途切れた場合であっても、これらを修復しながら脳表面の輪郭を抽出することができる利点がある。また、ニューラルエッジ検出器を用いた輪郭抽出法は、医師等の専門家が辿った輪郭から作成した理想的なエッジ像と入力画像とを階層型ニューラルネットワークに学習させることにより、専門医による輪郭とよく一致する輪郭抽出を実現できる利点がある。
【０００４】
しかしながら、スネークモデルを用いた輪郭抽出法では、抽出処理を自動化することは困難である。これは、画像の濃度による制約と抽出対象との輪郭形状に関する制約のバランスを決定するパラメータが、画像毎に微妙な調整を必要とするからである。また、初期輪郭の統計モデルの作成も困難であり、従って操作者によって与えられる初期輪郭モデルの内容により抽出精度も大きく異なるため、客観性に乏しい。
【０００５】
また、ニューラルエッジ検出器を用いた輪郭抽出法では、教師データとして与えられる理想的なエッジ像（教師データ）の内容が、医師等の専門家毎に異なるため、輪郭抽出結果の再現性・客観性が乏しい。また、当該手法の輪郭抽出精度は、階層型ニューラルネットワークに入力する特徴量とネットワーク構成（中間層ユニットの数）に依存することから、抽出対象となる画像毎の設定を必要とし、操作者への負担が大きい。
【０００６】
これらの手法が抱える問題は、診断部位が脳である場合に限らず、客観的基準かつ効率的な輪郭抽出法が確立されていない診断部位についても同様である。
【０００７】
【発明が解決しようとする課題】
本発明は、上記事情を鑑みてなされたもので、例えば医用画像において、客観的基準かつ効率的に、関心対象の輪郭を自動的に抽出する画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体を提供することを目的としている。
【０００８】
【課題を解決するための手段】
本発明は、上記目的を達成するため、次のような手段を講じている。
【０００９】
本発明の第１の視点は、被検体の所定部位に関する第１の画像を記憶する記憶手段と、前記第１の画像に基づいて、前記所定部位の第１の輪郭線を抽出する第１の輪郭線抽出手段と、前記第１の輪郭線を構成する各画素の位置を入力とし、個別の重み係数に基づく対応付けにより複数の出力ユニットと当該複数の出力ユニットの中から決定される勝者ユニットとを取得する二つの自己写像手段であって、前記勝者ユニット及びその学習近傍領域に存在する前記出力ユニットのそれぞれに対応する前記重み係数を、前記学習近傍領域の初期設定を第１のサイズとして収束させながら更新する自己写像を繰り返し実行する第１の自己写像手段と、前記勝者ユニット及びその学習近傍領域に存在する前記出力ユニットのそれぞれに対応する前記重み係数を、前記学習近傍領域の初期設定を第２のサイズとして収束させながら更新する自己写像を繰り返し実行する第２の自己写像手段と、前記第１の自己写像手段により取得された前記複数の出力ユニットに対応する前記重み係数と、前記第２の自己写像手段により取得された前記複数の出力ユニットに対応する前記重み係数と、に基づいて前記第２の輪郭線を含む前記第２の画像を生成する画像生成手段と、を具備することを特徴とする画像処理装置である。
【００１０】
本発明の第２の視点は、第１の視点に係る装置において、前記第１の自己写像手段又は前記第２の自己写像手段によって取得される複数の出力ユニットの数は、任意に設定可能であることを特徴とするものである。
【００１１】
本発明の第３の視点は、第１又は第２の視点に係る装置において、前記第１の自己写像手段又は前記第２の自己写像手段において用いられる前記学習近傍領域のサイズは、任意に設定可能であることを特徴とするものである。
【００１２】
本発明の第４の視点は、第１乃至第３のうちのずれかの視点に係る装置において、前記第１の自己写像手段又は前記第２の自己写像手段によって取得される前記複数の出力ユニットは、閉空間を形成することを特徴とするものである。
【００１３】
本発明の第５の視点は、第１乃至第４のうちのずれかの視点に係る装置において、前記第１の自己写像手段において用いられる前記学習近傍領域は、前記第１の自己写像の進行に従って線形に収束することを特徴とするものである。
【００１４】
本発明の第６の視点は、第１乃至第４のうちのずれかの視点に係る装置において、前記第２の自己写像手段において用いられる前記学習近傍領域は、前記第２の自己写像の進行に従って線形に収束することを特徴とするものである。
【００１５】
本発明の第７の視点は、画像処理装置の制御手段が、被検体の所定部位に関する第１の画像に基づいて、前記所定部位の第１の輪郭線を抽出する第１の輪郭線抽出ステップと、前記第１の輪郭線を構成する各画素の位置を入力とし、個別の重み係数に基づく対応付けにより複数の出力ユニットと当該複数の出力ユニットの中から決定される勝者ユニットとを取得する二つの自己写像ステップであって、前記勝者ユニット及びその学習近傍領域に存在する前記出力ユニットのそれぞれに対応する前記重み係数を、前記学習近傍領域の初期設定を第１のサイズとして収束させながら更新する自己写像を繰り返し実行する第１の自己写像ステップと、前記勝者ユニット及びその学習近傍領域に存在する前記出力ユニットのそれぞれに対応する前記重み係数を、前記学習近傍領域の初期設定を第２のサイズとして収束させながら更新する自己写像を繰り返し実行する第２の自己写像ステップと、
前記第１の自己写像ステップにより取得された前記複数の出力ユニットに対応する前記重み係数と、前記第２の自己写像ステップにより取得された前記複数の出力ユニットに対応する前記重み係数と、に基づいて前記第２の輪郭線を含む前記第２の画像を生成する画像生成ステップと、を具備することを特徴とする画像処理方法である。
【００１６】
本発明の第８の視点は、第７の視点に係る方法において、前記第１の自己写像ステップ又は前記第２の自己写像ステップによって取得される複数の出力ユニットの数は、任意に設定可能であることを特徴とするものである。
【００１７】
本発明の第９の視点は、第７又は８の視点に係る方法において、前記第１の自己写像ステップ又は前記第２の自己写像ステップにおいて用いられる前記学習近傍領域のサイズは、任意に設定可能であることを特徴とするものである。
【００１８】
本発明の第１０の視点は、第７乃至第９のうちのずれかの視点に係る方法において、前記第１の自己写像ステップ又は前記第２の自己写像ステップによって取得される前記複数の出力ユニットは、閉空間を形成することを特徴とするものである。
【００１９】
本発明の第１１の視点は、第７乃至第１０のうちのずれかの視点に係る方法において、前記第１の自己写像ステップにおいて用いられる前記学習近傍領域は、前記第１の自己写像の進行に従って線形に収束することを特徴とするものである。
【００２０】
本発明の第１２の視点は、第７乃至第１０のうちのずれかの視点に係る方法において、前記第２の自己写像ステップにおいて用いられる前記学習近傍領域は、前記第２の自己写像の進行に従って線形に収束することを特徴とするものである。
【００２１】
本発明の第１３の視点は、コンピュータに、被検体の所定部位に関する第１の画像に基づいて、前記所定部位の第１の輪郭線を抽出する第１の輪郭線抽出ステップと、前記第１の輪郭線を構成する各画素の位置を入力とし、個別の重み係数に基づく対応付けにより複数の出力ユニットと当該複数の出力ユニットの中から決定される勝者ユニットとを取得する二つの自己写像ステップであって、前記勝者ユニット及びその学習近傍領域に存在する前記出力ユニットのそれぞれに対応する前記重み係数を、前記学習近傍領域の初期設定を第１のサイズとして収束させながら更新する自己写像を繰り返し実行する第１の自己写像ステップと、前記勝者ユニット及びその学習近傍領域に存在する前記出力ユニットのそれぞれに対応する前記重み係数を、前記学習近傍領域の初期設定を第２のサイズとして収束させながら更新する自己写像を繰り返し実行する第２の自己写像ステップと、前記第１の自己写像ステップにより取得された前記複数の出力ユニットに対応する前記重み係数と、前記第２の自己写像ステップにより取得された前記複数の出力ユニットに対応する前記重み係数と、に基づいて前記第２の輪郭線を含む前記第２の画像を生成する画像生成ステップと、を実行させるための画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体である。
【００２２】
本発明の第１４の視点は、第１３の視点に係る記録媒体において、前記第１の自己写像ステップ又は前記第２の自己写像ステップによって取得される複数の出力ユニットの数は、任意に設定可能であることを特徴とするものである。
【００２３】
本発明の第１５の視点は、第１３又は第１４の視点に係る記録媒体において、前記第１の自己写像ステップ又は前記第２の自己写像ステップにおいて用いられる前記学習近傍領域のサイズは、任意に設定可能であることを特徴とするものである。
【００２４】
本発明の第１６の視点は、第１３乃至第１５のうちのずれかの視点に係る記録媒体において、前記第１の自己写像ステップ又は前記第２の自己写像ステップによって取得される前記複数の出力ユニットは、閉空間を形成することを特徴とするものである。
【００２５】
本発明の第１７の視点は、第１３乃至第１６のうちのずれかの視点に係る記録媒体において、前記第１の自己写像ステップにおいて用いられる前記学習近傍領域は、前記第１の自己写像の進行に従って線形に収束することを特徴とするものである。
【００２６】
本発明の第１８の視点は、第１３乃至第１６のうちのずれかの視点に係る記録媒体において、前記第２の自己写像ステップにおいて用いられる前記学習近傍領域は、前記第２の自己写像の進行に従って線形に収束することを特徴とするものである。
【００２７】
このような構成によれば、例えば医用画像において、客観的基準かつ効率的に、関心対象の輪郭を自動的に抽出する画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体を実現することができる。
【００２８】
【発明の実施の形態】
以下、本発明の実施形態を図面に従って説明する。なお、以下の説明において、略同一の機能及び構成を有する構成要素については、同一符号を付し、重複説明は必要な場合にのみ行う。
【００２９】
本実施形態に係る画像処理装置は、例えば診断部位等の関心領域を好適に観察することができる画像を対象に、おおまかな初期輪郭のＸ、Ｙ座標情報を学習データとする近傍領域の異なる二つの自己組織化マップ（Self-Organizing Map：以下「ＳＯＭ」と称する。）を用いて、前記おおまかな初期輪郭のスムージングを行い、最適な輪郭抽出を行うものである。以下においては、説明を具体的にするため、脳萎縮の診断に供する頭部ＭＲ画像のＴ２強調水平断において、おおまかな初期輪郭と上矢状静脈洞エッジ情報のＸ、Ｙ座標を学習データとし、大脳縦裂特徴点と組織の境界とがあいまいな初期輪郭のスムージングを行い、最適な脳表面輪郭を自動抽出する場合を例とする。
【００３０】
しかしながら、本発明の技術的思想は、これに限定されない。例えば、輪郭抽出の対象とする画像は、Ｘ線ＣＴ画像等の他の断層画像でもよく、また、脳以外の診断においても有益であることは、言うまでもない。
【００３１】
図１は、本実施形態に係る画像処理装置１０のブロック構成図を示している。同図に示すように、画像処理装置１０は、ＭＲＩデータベース１１、組織カラーマップ記憶部１２、学習フェーズ１３、ＳＯＭ重み記憶部１５、生成フェーズ１７、統合フェーズ１９、脳表面輪郭線画像記憶部２１を具備している。
【００３２】
ＭＲＩデータベース１１は、被検体（患者）毎の複数のＭＲ画像を格納している。
【００３３】
組織カラーマップ記憶部１２は、診断に供するＭＲ画像に対して、組織の自動分類法を適用することで得られる組織カラーマップを記憶している。組織の自動分類法とは、診断に供するＭＲ画像の画像特性を自己写像することで、画像を組織毎に分類するものである。この組織の自動分類法については、後で詳しく説明する。
【００３４】
学習フェーズ１３は、前処理部１３０、自己学習部１３１を有している。前処理部１３０は、ＳＯＭの入力としての学習データを設定するため、所定の前処理を行う。具体的には、前処理部１３０は、組織カラーマップを脳組織と背景とに分類した２値化画像の生成、脳の仮想中心Ｃの算出、仮想中心Ｃから脳組織の上半球を対象とするフィルター処理、８近傍オペレータによる初期輪郭の抽出、上矢状静脈洞のエッジ情報の抽出、ＳＯＭ処理のための学習データ生成を実行する。この学習データは、ＳＯＭの入力となるデータであり、８近傍オペレータによって抽出された初期輪郭と上記エッジ情報とを合成して生成される脳の大まかな輪郭線である（図３参照）。
【００３５】
自己学習部１３１は、前処理部１３０によって生成された学習データに基づいて、所定の重み係数によって自己学習を繰り返し、組織輪郭の座標及び上矢状静脈洞のエッジ情報の座標を学習する。すなわち、自己学習部１３１は、学習データ上のＸ、Ｙ座標を入力とし、位相構造の重み係数を逐次更新しながら、初期近傍領域を１／８近傍領域としたＳＯＭ処理、及び初期近傍領域を３／４近傍領域としたＳＯＭ処理を行う。各ＳＯＭによる写像先であるマッピング層は、最初のユニットと最終のユニットが近傍として連結した閉空間とする。自己学習部１３１によって実行されるＳＯＭについては、後で詳しく説明する。
【００３６】
ＳＯＭ重み記憶部１５は、ＳＯＭ処理により得られた位相構造の重み係数分布を格納する。
【００３７】
生成フェーズ１７は、重みプロット部１７０、線形補間部１７１を有している。重みプロット部１７０は、初期近傍領域が１／８のＳＯＭ処理によって得られた重み係数と初期近傍領域が３／４のＳＯＭ処理によって得られた重み係数をそれぞれ画像スケールに変換してX、Y座標にプロットする。線形補間部１７１は、Ｘ、Ｙ座標にプロットされた代表点を線形補間し、各ＳＯＭ処理に対応する輪郭線を生成する（以下、１／８近傍領域ＳＯＭ処理に対応する輪郭線を「初期近傍領域１／８の輪郭線」と、３／４近傍領域ＳＯＭ処理に対応する輪郭線を「初期近傍領域３／４の輪郭線」と、それぞれ呼ぶことにする。）。
【００３８】
統合フェーズ１９は、基準点抽出部１９０、輪郭線統合部１９１、画像合成部１９２を有している。基準点抽出部１９０は、初期近傍領域１／８の輪郭線と初期近傍領域３／４の輪郭線とを重ね合わせ、例えば初期近傍領域１／８の輪郭線上において、大脳縦裂特徴点を抽出する。輪郭線統合部１９１は、基準点抽出部１９０によって抽出された基準点と初期近傍領域１／８の輪郭線と初期近傍領域３／４の輪郭線に基づいて、初期近傍領域１／８の輪郭線と初期近傍領域３／４の輪郭線とを統合し脳輪郭線画像を生成する。
【００３９】
画像合成部１９２は、必要に応じて、診断に供するＭＲ画像（組織カラーマップの原画像）と脳輪郭線画像とを合成した合成画像を生成する。
【００４０】
脳表面輪郭線画像記憶部２１は、画像合成部１９２によって生成された合成画像、脳輪郭線画像等を格納し、要求に応じて図示していない表示部等に出力する。
【００４１】
なお、図１においては、ＭＲＩデータベース１１、組織カラーマップ記憶部１２、ＳＯＭ重み記憶部１５をそれぞれ個別に表現した。しかしながら、単一のメモリによって各構成を実現する構成であってもよい。また、ＭＲＩデータベース１１や組織カラーマップ記憶部１２を本画像処理装置１０と別体として設け、ネットワークを介してＭＲ画像や組織カラーマップを取得する構成であってもよい。
【００４２】
（自己組織化マップ：Self−Organizing Map）
次に、自己組織化マップ（ＳＯＭ）について説明する。ＳＯＭは、入力データの位相を保存し、トポロジカルなマッピングを行うものであり、その学習過程では、明示的な教師を必要としない。
【００４３】
一般のＳＯＭは、図２に示すように、入力ユニットを含む入力層と、出力ユニットを含むマッピング層との二層からなる。典型的なＳＯＭの学習アルゴリズムは、次の様である。
【００４４】
（１）ｗｉｊ（１≦ｉ≦ｎ）を時刻ｔにおける入力ユニットｉから出力ユニットｊへの重み係数とする。ユニットの重み係数を乱数で初期化し、ノードｊの近傍の初期範囲を大きく設定する。
【００４５】
（２）ｘｉ（１≦ｉ≦ｎ）を時刻ｔにおけるノードｉへの入力とする。
【００４６】
（３）入力データと出力ノードｊとのユークリッド距離ｄｊを次の式（１）にて計算する。
【００４７】
【数１】
（４）ユークリッド距離ｄｊが最小となる出力ユニットを検索する。
【００４９】
（５）Ｎｃ（ｔ）で定義される近傍に含まれるユニットへの重み係数を、次の式（２）にて更新する。
ｗｉｊ（ｔ＋１）＝ｗｉｊ（ｔ）＋α（ｔ）（ｘｉ（ｔ）−ｗｉｊ（ｔ））（２）
ここで、α（ｔ）は学習率係数（０＜α＜１）、Ｎｃ（ｔ）は近傍領域のサイズであり、時間とともに減少させる。
【００５０】
（６）上記（２）〜（５）の処理を繰り返す。
【００５１】
本実施形態においては、初期輪郭線と上矢状静脈洞のエッジ部分とを合成して生成される脳の大まかな輪郭線を構成する複数の点（画素）の一部又は全部を、当該患者の脳の輪郭線を代表する代表点と見なす。この代表点を学習データとするＳＯＭ処理を繰り返し実行することで、より客観性の高い代表点を取得する。特に、以下に説明する例は、二種類のＳＯＭ処理を実行しその結果を合成することで、対象の複雑さに応じた輪郭抽出を実現するものである。二種類のＳＯＭ処理の一方は「初期近傍領域が３／４のＳＯＭ処理」と呼ばれ、他方は「初期近傍領域が１／８のＳＯＭ処理」と呼ばれる。
【００５２】
初期近傍領域が３／４のＳＯＭ処理では、図３に示すように、学習データ上の所定の各画素に関するＸ座標及びＹ座標を入力層における入力とし、所定の各重み係数によって、マッピング層における各出力ユニットに写像し、その中から最適な出力ユニット（勝者ユニット）を選択するＳＯＭ処理が繰り返し実行される。その際、各ＳＯＭ処理においては、学習近傍領域内に存在する出力ユニットに対応する各重み係数の更新が実行される。ここで、学習近傍領域とは、得られた勝者ユニットを少なくとも含む領域であり、学習回数の進行に従って収束するものである。また、初期近傍領域とは、学習近傍領域の初期設定を意味する。本ＳＯＭ処理では、初期近傍領域を、出力ユニット総数の３／４として設定し、所定の直線又は曲線に従って収束させる。
【００５３】
定量的な例により、上記初期近傍領域が３／４のＳＯＭ処理の内容をより詳しく説明すると、次のようである。すなわち、学習データ上の所定画素の座標（ｘｉ，ｙｉ）を入力とし、当該所定画素に対して式（１）に基づいてユークリッド距離ｄｊを算出する。ここで、ｉは１≦ｉ≦最大学習回数（１０００００回）を満たす整数、ｊは１≦ｊ≦マッピング層の出力ユニット総数（１０００ユニット）を満たす整数である。算出されたユークリッド距離ｄｊが最小となるユニットを勝者ユニットとし、勝者ユニット及び当該勝者ユニットを中心とした近傍領域内の出力ユニット（近傍ユニット）に対して式（２）に基づいて重み係数を更新する。今の場合、初期近傍領域が３／４であるから、当該領域内に存在する出力ユニットの総数は７５０ユニットとなる。
【００５４】
このように学習近傍領域を収束させつつ、当該領域内に存在する出力ユニットに対応する重み係数を式（２）によって逐次更新しながら、学習データ上の各画素についてのＳＯＭ処理を複数回（例えば１０００００回）実行する。最終的に、学習データ上の各画素の座標は、それぞれ所定の出力ユニットに収束するようになる。
【００５５】
また、初期近傍領域が１／８のＳＯＭ処理では、図３に示すように、初期近傍領域を最初に出力ユニット総数の１／８として設定し、所定の直線又は曲線に従って収束させながら、同様の処理をおこなう。
【００５６】
なお、本実施形態では、図４（ａ）に示すように、各ＳＯＭ処理における複数の出力ユニットは、第１出力ユニット（最初の出力ユニット）と第１０００出力ユニット（最後の出力ユニット）とが連結された閉空間を構成している。これにより、第１０００出力ユニットは、第１出力ユニットの近傍ユニットとして判断され、式（２）による重み係数の更新に影響することになる。この様に閉空間の出力ユニットを採用するのは、抽出しようとする輪郭が閉曲線であるからである。これにより、第１出力ユニットと第１０００出力ユニットとの相関度合いが高くなり、より精度の高い結果を得ることができる。
【００５７】
また、処理の収束性の観点から、学習回数が進行するに従って、各ＳＯＭ処理における近傍領域のサイズ及び学習率係数を線形で減少させることが好ましい。
【００５８】
（組織カラーマップの作成）
本画像処理装置１０は、輪郭抽出の前段の処理として、組織カラーマップを作成し、組織カラーマップ記憶部１２内に格納する。この組織カラーマップは、上記ＳＯＭ処理を利用した組織の自動分類法により、例えば次のように生成される。
【００５９】
すなわち、図４（ｂ）に示すように、組織分類の対象となるＭＲ画像（以下、「分類対象画像」と称する。図７（ａ）参照。）に対して、ランダムに抽出される複数の局所ブロックに関する４つの特徴量（注目画素の輝度値、局所ブロックを構成する各画素の輝度値の平均値、注目画素の輝度値と局所ブロックを構成する画素の輝度値の最大値との差、注目画素の輝度値と局所ブロックを構成する画素の輝度値の最小値との差）を入力層における入力とし、所定の重み係数によって患者の所定部位の組織分布を分類対象画像の特徴空間における画像の位相特性として自己写像する。この自己写像により、入力としての各局所ブロックは、ＳＯＭ処理により背景（ＢＧ）、脳脊髄液（ＣＳＦ）、白質（ＷＭ）、灰白質（ＧＭ）の４つの出力ユニットＡ、Ｂ、Ｃ及びＤのいずれかに写像される。
【００６０】
すなわち、いまｘ１＝注目画素の輝度値、ｘ２＝局所ブロックを構成する各画素の輝度値の平均値、ｘ３＝注目画素の輝度値と局所ブロックを構成する画素の輝度値の最大値との差、ｘ４＝注目画素の輝度値と局所ブロックを構成する画素の輝度値の最小値との差、とする。各局所ブロックにおける各特徴量ｘｉ（ただし、ｉは１≦ｉ≦４を満たす整数）を入力し、式（１）に基づいて、初期設定の重み係数ｗｉｊによってユークリッド距離ｄｊを算出する。なお、今の場合、ｊ＝１が出力ユニットＣＳＦに対応、ｊ＝２が出力ユニットＧＭに対応、ｊ＝３が出力ユニットＷＭ、ｊ＝４が出力ユニットＢＧに対応するものとして、ｊは１≦ｊ≦４を満たす整数とする。
【００６１】
入力は、算出されたユークリッド距離ｄ１、ｄ２、ｄ３、ｄ４のうち、最小のものに対応する出力ユニットに写像される。なお、当該自己写像においてユークリッド距離が最小になる出力ユニットは、勝者ユニットと呼ばれる。
【００６２】
また、この抽出された局所ブロックに対するＳＯＭ処理は、式（２）によって逐次重み係数を更新しながら、複数回（例えば１００００００回）実行される。この様に、重み係数を更新しながら、ＳＯＭ処理を複数回繰り返し学習する。学習が進むに従って、各局所ブロックは、所定の出力ユニットに収束するようになる。
【００６３】
このＳＯＭ処理の結果と、図７（ａ）に示す分類対象画像において生成される、各画素を注目画素とする複数の局所ブロック（３×３画素）の４つの特徴量とに基づいて、分類対象画像の各画素を背景（ＢＧ）、脳脊髄液（ＣＳＦ）、白質（ＷＭ）、灰白質（ＧＭ）のいずれかに組織分類し、各画素に所定の色を割り当てることで、図７（ｂ）に示す組織カラーマップを生成することができる。
【００６４】
次に、上記のように構成した画像処理装置１０によって実行される輪郭抽出処理について、図５、図６を参照しながら説明する。
【００６５】
図５、図６は、画像処理装置１０が実行する輪郭抽出処理の流れを示したフローチャートである。図５において、まず、前段の処理として、既述の手法により組織カラーマップを作成し、組織カラーマップ記憶部１２に格納する（ステップＳ１）。学習フェーズ１３の前処理部１３０は、組織カラーマップ記憶部１２から図７（ｂ）に示す組織カラーマップを読み出し、所定の閾値処理によって当該組織カラーマップを脳組織と背景とに２値化した２値化画像を生成する（図７（ｃ）参照）。また、前処理部１３０は、生成した２値化画像に対して、脳組織のＸＹ射影から脳の仮想中心Ｃ（Ｃｘ，Ｃｙ）を算出する（ステップＳ２）。
【００６６】
次に、前処理部１３０は、仮想中心Ｃから脳組織の上半球を対象にフィルター処理を施し（ステップＳ３）、仮想中心Ｃから画像上方向に走査して、輪郭始点Ｓを求め、８近傍オペレータにより脳の大まかな初期輪郭を抽出する（ステップＳ４）。ここで、８近傍オペレータによる初期輪郭の抽出とは、例えば、輪郭始点Ｓに接する８個の画素に関して、画素値（輝度値）が最も近い画素を輪郭と判断し、この輪郭と判断された画素に接する８個の画素に関しても、同様の判断を逐次繰り返して輪郭を抽出するものである。すなわち、輪郭始点Ｓを中心とする第1近傍（３×３）内の画素に対して、背景領域に隣接する脳組織上の画素を順次抽出する処理である。
【００６７】
次に、前処理部１３０は、上矢状静脈洞のエッジ情報を抽出（ステップＳ５）、当該エッジ情報と抽出した上記初期輪郭とを合成し、学習データを生成する（図３参照）。自己学習部１３１は、生成された学習データ上の各画素のＸ座標ｘｉ及びＹ座標ｙｉをＳＯＭに入力し、既述の初期近傍領域が３／４のＳＯＭ処理及び初期近傍領域が１／８のＳＯＭ処理を実行し、各ＳＯＭ処理における各勝者ユニットを決定する（ステップＳ７）。このＳＯＭ処理による自己学習は、式（２）に従って逐次重み係数を更新しながら、信頼できる結果が得られる適当な回数（例えば、１０００００回）繰り返される（ステップＳ８）。
【００６８】
次に、重みプロット部１７０は、上記初期近傍領域が３／４のＳＯＭ処理によって得られた各重み係数を画像空間上の対応する座標にプロットし、各座標間を線形補間部１７１が線形補間することで当該初期近傍領域３／４の輪郭線を生成する。また、同様の処理により、初期近傍領域１／８の輪郭線を生成する（ステップＳ９）。これにより、各ＳＯＭ処理によって得られた高精度の代表点に基づく各輪郭線が得られる。
【００６９】
次に、統合フェーズ１９の基準点抽出部１９０は、図８（ａ）に示す初期近傍領域３／４の輪郭線と図８（ｂ）に示す初期近傍領域１／８の輪郭線とを図８（ｃ）に示す様に重ね合わせ（ステップＳ１０）、初期近傍領域１／８の輪郭線上において、大脳縦裂特徴点を基準点Ｄとして抽出する（ステップＳ１１）。
【００７０】
次に、輪郭線統合部１９１は、基準点抽出部１９０によって抽出された基準点Ｄに基づいて、初期近傍領域１／８の輪郭線と初期近傍領域３／４の輪郭線とを合成し脳輪郭線を生成する（ステップＳ１２、ステップＳ１３）。すなわち、輪郭線統合部１９１は、図９に示す様に、上記基準点Ｄ（大脳縦裂特徴点）から輪郭線を左右に走査し、初期近傍領域３／４の輪郭線との一つ目の左交点をＬ１、二つ目の左交点をＬ２とし、初期近傍領域３／４の輪郭線との一つ目の右交点をＲ１、二つ目の右交点をＲ２とする。得られたＬ２−Ｒ２間の輪郭線は初期近傍領域１／８の輪郭線とし、それ以外は初期近傍領域３／４の輪郭線として合成することで、脳輪郭線を生成する。なお、この様にＬ２−Ｒ２間の領域を初期近傍領域１／８の輪郭線とするのは、複雑な輪郭を持つ大脳縦裂特徴点に対応する領域を、より微細な構造を反映することができる輪郭初期近傍領域１／８の輪郭線で表すためである。また、Ｌ２−Ｒ２間以外の領域を初期近傍領域３／４の輪郭線とするのは、比較的複雑な輪郭を持たない領域を、曲線のスムーズな初期近傍領域３／４の輪郭線で表すためである。
【００７１】
本実施形態に係る画像処理装置によれば、個々の画像特性から大まかな初期輪郭を抽出し学習データとすることにより、組織の境界があいまいな画像に対しても最適な輪郭を、迅速かつ簡便に自動抽出することができる。従って、医師等に対して有益な診断情報を効率的に提供することができ、診断の質の向上に寄与することができる。
【００７２】
また、本実施形態に係る画像処理装置では、ＳＯＭ処理によって得られる内部的な基準に基づいて、輪郭の抽出が行われる。すなわち、従来の様に輪郭抽出のための基準ベクトルを外部に持つ必要がないことから、対象画像毎に複雑なパラメータの主観的設定を必要としない。従って、客観性の高い輪郭抽出を自動的に実行することができる。
【００７３】
実施形態において初期近傍領域が３／４のＳＯＭ処理と初期近傍領域が１／８のＳＯＭ処理とを実行した様に、本画像処理装置は、学習近傍領域及びマッピング層ユニット数を任意に設定することができる。従って、輪郭線のスムージング度合いを任意に設定することができ、その結果組織の複雑さの程度に合わせた最適な輪郭抽出を実現することができる。
【００７４】
本実施形態に係る画像処理装置では、マッピング層ユニットは、組織の境界領域線を多角形近似する頂点となっている。従って、再帰的処理により組織の境界があいまいでかつ不連続な画像において連続する境界線を抽出することができる。
【００７５】
以上、本発明を実施形態に基づき説明したが、本発明の思想の範疇において、当業者であれば、各種の変更例及び修正例に想到し得るものであり、それら変形例及び修正例についても本発明の範囲に属するものと了解される。例えば以下に示すように、その要旨を変更しない範囲で種々変形可能である。
【００７６】
本実施形態で説明した輪郭抽出処理は、当該方法をコンピュータに実行させるプログラムによって、パーソナルコンピュータやワークステーション等によっても実現することができる。この場合、コンピュータに当該方法を実行させることのできるプログラムは、磁気ディスク（フロッピーディスク、ハードディスクなど）、光ディスク（ＣＤ−ＲＯＭ、ＤＶＤなど）、半導体メモリなどの記録媒体に格納して頒布することができる。
【００７７】
また、各実施形態は可能な限り適宜組み合わせて実施してもよく、その場合組合わせた効果が得られる。さらに、上記実施形態には種々の段階の発明が含まれており、開示される複数の構成要件における適宜な組合わせにより種々の発明が抽出され得る。例えば、実施形態に示される全構成要件から幾つかの構成要件が削除されても、発明が解決しようとする課題の欄で述べた課題が解決でき、発明の効果の欄で述べられている効果の少なくとも１つが得られる場合には、この構成要件が削除された構成が発明として抽出され得る。
【００７８】
【発明の効果】
以上本発明によれば、例えば医用画像において、客観的基準かつ効率的に、関心対象の輪郭を自動的に抽出する画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体を実現できる。
【図面の簡単な説明】
【図１】図１は、本実施形態に係る画像処理装置１０のブロック構成図を示している。
【図２】図２は、一般的な自己組織化マップ（ＳＯＭ）処理を説明するための図である。
【図３】図３は、本実施形態に係る画像処理装置が実施する自己組織化マップ（ＳＯＭ）処理を説明するための図である。
【図４】図４（ａ）は、本実施形態に係る画像処理装置が実施する自己組織化マップ（ＳＯＭ）処理を説明するための図である。図４（ｂ）は、組織の自動分類法において実施される自己組織化マップ（ＳＯＭ）処理を説明するための図である。
【図５】図５は、画像処理装置１０が実行する輪郭抽出処理の流れを示したフローチャートである。
【図６】図６は、画像処理装置１０が実行する輪郭抽出処理の流れを示したフローチャートである。
【図７】図７（ａ）は、組織の自動分類法の対象とする分類対象画像（ＭＲ画像）を示した写真である。図７（ｂ）は、組織の自動分類法によって得られる組織カラーマップを示した写真である。図７（ｃ）は、組織カラーマップを２値化して得られる２値化画像を示した写真である。
【図８】図８（ａ）は、初期近傍領域３／４の輪郭線を模式的に示した図である。図８（ｂ）は、初期近傍領域１／８の輪郭線を模式的に示した図である。図８（ｃ）は、初期近傍領域３／４の輪郭線と初期近傍領域１／８の輪郭線とを重ね合わせた画像を模式的に示した図である。
【図９】図９は、図８（ｃ）の基準点Ｄの近傍の拡大図である。
【符号の説明】
１０…画像処理装置
１１…ＭＲＩデータベース
１２…組織カラーマップ記憶部
１３…学習フェーズ
１５…ＳＯＭ重み記憶部
１７…生成フェーズ
１９…統合フェーズ
２１…脳表面輪郭線画像記憶部
１３０…前処理部
１３１…自己学習部
１７０…重みプロット部
１７１…線形補間部
１９０…基準点抽出部
１９１…輪郭線統合部
１９２…画像合成部
Claims (18)
- 被検体の所定部位に関する第１の画像を記憶する記憶手段と、
前記第１の画像に基づいて、前記所定部位の第１の輪郭線を抽出する第１の輪郭線抽出手段と、
前記第１の輪郭線を構成する各画素の位置を入力とし、個別の重み係数に基づく対応付けにより複数の出力ユニットと当該複数の出力ユニットの中から決定される勝者ユニットとを取得する二つの自己写像手段であって、前記勝者ユニット及びその学習近傍領域に存在する前記出力ユニットのそれぞれに対応する前記重み係数を、前記学習近傍領域の初期設定を第１のサイズとして収束させながら更新する自己写像を繰り返し実行する第１の自己写像手段と、前記勝者ユニット及びその学習近傍領域に存在する前記出力ユニットのそれぞれに対応する前記重み係数を、前記学習近傍領域の初期設定を第２のサイズとして収束させながら更新する自己写像を繰り返し実行する第２の自己写像手段と、
前記第１の自己写像手段により取得された前記複数の出力ユニットに対応する前記重み係数と、前記第２の自己写像手段により取得された前記複数の出力ユニットに対応する前記重み係数と、に基づいて前記第２の輪郭線を含む前記第２の画像を生成する画像生成手段と、
を具備することを特徴とする画像処理装置。 - 前記第１の自己写像手段又は前記第２の自己写像手段によって取得される複数の出力ユニットの数は、任意に設定可能であることを特徴とする請求項１記載の画像処理装置。
- 前記第１の自己写像手段又は前記第２の自己写像手段において用いられる前記学習近傍領域のサイズは、任意に設定可能であることを特徴とする請求項１又は２記載の画像処理装置。
- 前記第１の自己写像手段又は前記第２の自己写像手段によって取得される前記複数の出力ユニットは、閉空間を形成することを特徴とする請求項１乃至３のうちいずれか一項記載の画像処理装置。
- 前記第１の自己写像手段において用いられる前記学習近傍領域は、前記第１の自己写像の進行に従って線形に収束することを特徴とする請求項１乃至４のうちいずれか一項記載の画像処理装置。
- 前記第２の自己写像手段において用いられる前記学習近傍領域は、前記第２の自己写像の進行に従って線形に収束することを特徴とする請求項１乃至４のうちいずれか一項記載の画像処理装置。
- 画像処理装置の制御手段が、
被検体の所定部位に関する第１の画像に基づいて、前記所定部位の第１の輪郭線を抽出する第１の輪郭線抽出ステップと、
前記第１の輪郭線を構成する各画素の位置を入力とし、個別の重み係数に基づく対応付けにより複数の出力ユニットと当該複数の出力ユニットの中から決定される勝者ユニットとを取得する二つの自己写像ステップであって、前記勝者ユニット及びその学習近傍領域に存在する前記出力ユニットのそれぞれに対応する前記重み係数を、前記学習近傍領域の初期設定を第１のサイズとして収束させながら更新する自己写像を繰り返し実行する第１の自己写像ステップと、前記勝者ユニット及びその学習近傍領域に存在する前記出力ユニットのそれぞれに対応する前記重み係数を、前記学習近傍領域の初期設定を第２のサイズとして収束させながら更新する自己写像を繰り返し実行する第２の自己写像ステップと、
前記第１の自己写像ステップにより取得された前記複数の出力ユニットに対応する前記 重み係数と、前記第２の自己写像ステップにより取得された前記複数の出力ユニットに対応する前記重み係数と、に基づいて前記第２の輪郭線を含む前記第２の画像を生成する画像生成ステップと、
を具備することを特徴とする画像処理方法。 - 前記第１の自己写像ステップ又は前記第２の自己写像ステップによって取得される複数の出力ユニットの数は、任意に設定可能であることを特徴とする請求項７記載の画像処理方法。
- 前記第１の自己写像ステップ又は前記第２の自己写像ステップにおいて用いられる前記学習近傍領域のサイズは、任意に設定可能であることを特徴とする請求項７又は８記載の画像処理方法。
- 前記第１の自己写像ステップ又は前記第２の自己写像ステップによって取得される前記複数の出力ユニットは、閉空間を形成することを特徴とする請求項７乃至９のうちいずれか一項記載の画像処理方法。
- 前記第１の自己写像ステップにおいて用いられる前記学習近傍領域は、前記第１の自己写像の進行に従って線形に収束することを特徴とする請求項７乃至１０のうちいずれか一項記載の画像処理方法。
- 前記第２の自己写像ステップにおいて用いられる前記学習近傍領域は、前記第２の自己写像の進行に従って線形に収束することを特徴とする請求項７乃至１０のうちいずれか一項記載の画像処理方法。
- コンピュータに、
被検体の所定部位に関する第１の画像に基づいて、前記所定部位の第１の輪郭線を抽出する第１の輪郭線抽出ステップと、
前記第１の輪郭線を構成する各画素の位置を入力とし、個別の重み係数に基づく対応付けにより複数の出力ユニットと当該複数の出力ユニットの中から決定される勝者ユニットとを取得する二つの自己写像ステップであって、前記勝者ユニット及びその学習近傍領域に存在する前記出力ユニットのそれぞれに対応する前記重み係数を、前記学習近傍領域の初期設定を第１のサイズとして収束させながら更新する自己写像を繰り返し実行する第１の自己写像ステップと、前記勝者ユニット及びその学習近傍領域に存在する前記出力ユニットのそれぞれに対応する前記重み係数を、前記学習近傍領域の初期設定を第２のサイズとして収束させながら更新する自己写像を繰り返し実行する第２の自己写像ステップと、
前記第１の自己写像ステップにより取得された前記複数の出力ユニットに対応する前記重み係数と、前記第２の自己写像ステップにより取得された前記複数の出力ユニットに対応する前記重み係数と、に基づいて前記第２の輪郭線を含む前記第２の画像を生成する画像生成ステップと、
を実行させるための画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体。 - 前記第１の自己写像ステップ又は前記第２の自己写像ステップによって取得される複数の出力ユニットの数は、任意に設定可能であることを特徴とする請求項１３記載の画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体。
- 前記第１の自己写像ステップ又は前記第２の自己写像ステップにおいて用いられる前記学習近傍領域のサイズは、任意に設定可能であることを特徴とする請求項１３又は１４記載の画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体。
- 前記第１の自己写像ステップ又は前記第２の自己写像ステップによって取得される前記複数の出力ユニットは、閉空間を形成することを特徴とする請求項１３乃至１５のうちいずれか一項記載の画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体。
- 前記第１の自己写像ステップにおいて用いられる前記学習近傍領域は、前記第１の自己写像の進行に従って線形に収束することを特徴とする請求項１３乃至１６のうちいずれか一項記載の画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体。
- 前記第２の自己写像ステップにおいて用いられる前記学習近傍領域は、前記第２の自己写像の進行に従って線形に収束することを特徴とする請求項１３乃至１６のうちいずれか一項記載の画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003182673A JP3996555B2 (ja) | 2002-10-01 | 2003-06-26 | 画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002289310 | 2002-10-01 | ||
| JP2003182673A JP3996555B2 (ja) | 2002-10-01 | 2003-06-26 | 画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2004174219A JP2004174219A (ja) | 2004-06-24 |
| JP3996555B2 true JP3996555B2 (ja) | 2007-10-24 |
Family
ID=32715631
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2003182673A Expired - Fee Related JP3996555B2 (ja) | 2002-10-01 | 2003-06-26 | 画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3996555B2 (ja) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4816373B2 (ja) * | 2006-09-28 | 2011-11-16 | 大日本印刷株式会社 | 医用画像処理システム |
| WO2008083386A2 (en) * | 2006-12-29 | 2008-07-10 | Verathon Inc. | System and method for ultrasound harmonic imaging |
| RU2553078C2 (ru) * | 2009-04-28 | 2015-06-10 | Конинклейке Филипс Электроникс Н.В. | Способ микродиссекции и система обработки информации |
| US10410348B2 (en) * | 2016-12-21 | 2019-09-10 | Elekta, Inc. | Online learning enhanced atlas-based auto-segmentation |
| CN110059522B (zh) * | 2018-01-19 | 2021-06-25 | 北京市商汤科技开发有限公司 | 人体轮廓关键点检测方法、图像处理方法、装置及设备 |
| KR102108630B1 (ko) * | 2018-07-30 | 2020-05-07 | 주식회사 모두의연구소 | 이미지 세그멘테이션에 기초하여 초음파를 이용한 호흡 측정 방법 및 이를 위한 장치 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04125779A (ja) * | 1990-09-18 | 1992-04-27 | Toshiba Corp | 画像処理方法 |
| JPH06233761A (ja) * | 1993-02-09 | 1994-08-23 | Hitachi Medical Corp | 医用画像診断装置 |
| JP3974946B2 (ja) * | 1994-04-08 | 2007-09-12 | オリンパス株式会社 | 画像分類装置 |
| JP2873955B1 (ja) * | 1998-01-23 | 1999-03-24 | 東京工業大学長 | 画像処理方法および装置 |
-
2003
- 2003-06-26 JP JP2003182673A patent/JP3996555B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2004174219A (ja) | 2004-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11645746B2 (en) | Dental image segmentation and registration with machine learning | |
| US7529396B2 (en) | Method, computer program product, and apparatus for designating region of interest | |
| CN108205806B (zh) | 一种锥束ct图像三维颅面结构的自动解析方法 | |
| JP2018509216A (ja) | Ｔ１ ｍｒｉからの自動３ｄセグメンテーション及び皮質表面再構築 | |
| US9629599B2 (en) | Imaging device, assignment system and method for assignment of localization data | |
| Kim et al. | Automatic extraction of inferior alveolar nerve canal using feature-enhancing panoramic volume rendering | |
| Chang et al. | 3D segmentation of maxilla in cone-beam computed tomography imaging using base invariant wavelet active shape model on customized two-manifold topology | |
| JPWO2020022027A1 (ja) | 学習装置及び学習方法 | |
| CN106960439B (zh) | 一种脊椎骨识别装置及方法 | |
| CN111681230A (zh) | 脑白质高信号评分系统及其评分方法 | |
| JP5105997B2 (ja) | 医用画像処理装置、医用画像診断装置、及びプログラム | |
| CN115661149A (zh) | 一种基于肺部组织数据的肺部影像处理系统 | |
| Bodzioch et al. | New approach to gallbladder ultrasonic images analysis and lesions recognition | |
| CN111383759A (zh) | 一种肺炎自动诊断系统 | |
| JP3996555B2 (ja) | 画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 | |
| CN111445575A (zh) | 威利斯环的图像重建方法、装置、电子设备、存储介质 | |
| JP4473578B2 (ja) | 体の構造の孤立した視覚化されたものを形成する方法及び装置 | |
| JP7187680B2 (ja) | 線構造抽出装置及び方法、プログラム並びに学習済みモデル | |
| JP2004174218A (ja) | 画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 | |
| JP7456928B2 (ja) | 胸部ｘ線画像の異常表示制御方法、異常表示制御プログラム、異常表示制御装置、及びサーバ装置 | |
| JP4807819B2 (ja) | 画像処理装置 | |
| JP2004174217A (ja) | 画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 | |
| Desai et al. | Image segmentation using hybrid representations | |
| Roy et al. | MDL-IWS: multi-view deep learning with iterative watershed for pulmonary fissure segmentation | |
| Chen et al. | Detection of Various Dental Conditions on Dental Panoramic Radiography Using Faster R-CNN |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20040803 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070202 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070206 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070409 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070423 |
|
| 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: 20070731 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20070802 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100810 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100810 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110810 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120810 Year of fee payment: 5 |
|
| LAPS | Cancellation because of no payment of annual fees |