JP4604451B2 - 医用画像処理装置及び悪性度の判定方法 - Google Patents
医用画像処理装置及び悪性度の判定方法 Download PDFInfo
- Publication number
- JP4604451B2 JP4604451B2 JP2003045791A JP2003045791A JP4604451B2 JP 4604451 B2 JP4604451 B2 JP 4604451B2 JP 2003045791 A JP2003045791 A JP 2003045791A JP 2003045791 A JP2003045791 A JP 2003045791A JP 4604451 B2 JP4604451 B2 JP 4604451B2
- Authority
- JP
- Japan
- Prior art keywords
- multivariate analysis
- malignancy
- medical image
- feature
- image processing
- 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
- 206010028980 Neoplasm Diseases 0.000 title claims description 101
- 238000000034 method Methods 0.000 title claims description 96
- 201000011510 cancer Diseases 0.000 title claims description 90
- 230000036210 malignancy Effects 0.000 title claims description 89
- 238000000491 multivariate analysis Methods 0.000 claims description 141
- 230000002159 abnormal effect Effects 0.000 claims description 98
- 238000001514 detection method Methods 0.000 claims description 50
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 208000004434 Calcinosis Diseases 0.000 description 22
- 210000002569 neuron Anatomy 0.000 description 16
- 230000002308 calcification Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000013500 data storage Methods 0.000 description 7
- 230000003902 lesion Effects 0.000 description 7
- 230000005855 radiation Effects 0.000 description 7
- 230000005484 gravity Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 230000003211 malignant effect Effects 0.000 description 6
- 210000000481 breast Anatomy 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 5
- 230000001788 irregular Effects 0.000 description 4
- 238000009607 mammography Methods 0.000 description 4
- 238000013144 data compression Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 210000005075 mammary gland Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Description
【発明の属する技術分野】
本発明は、医用画像から異常陰影候補を検出する医用画像処理装置及び検出された異常陰影候補に対する悪性度の判定方法に関する。
【0002】
【従来の技術】
医療分野では、患者を撮影した医用画像のデジタル化が実現されている。診断時には、表示ディスプレイに表示されたデジタル医用画像データにより、医師が読影を行って病変部と思われる異常陰影を検出している。近年では、読影医の負担軽減や異常陰影の見落とし減少を目的として、医用画像を画像処理することにより異常陰影候補を自動的に検出するコンピュータ診断支援装置(Computed-Aided Diagnosis;以下、CADという。)と呼ばれる医用画像処理装置が開発されている(例えば、特許文献1参照)。
【0003】
上記CADでは、正常組織や良性の病変部である偽陽性陰影を除外して、悪性の病変部である真陽性陰影のみを異常陰影候補として検出するために、検出した異常陰影の候補領域の内部や辺縁の特徴を示す特徴量を用いてその候補の悪性度を判定し、悪性度の低い候補を偽陽性候補として検出結果から削除することが行われている。
【0004】
その悪性度の判定には、各種特徴量の相関を考慮して総合的な判定結果を出力する多変量解析が利用されている。例えば、多変量解析手法として人工ニューラルネットワーク(Artificial Neural Network;以下、ANNという。)を適用した場合、予め悪性と良性の異常陰影の候補領域におけるコントラストや濃度勾配の強度成分、方向成分、円形度等の各種特徴量を多変量データとしてANNに入力して、入力値が悪性陰影のものであるのか良性陰影のものであるかにより出力値を設定して良悪性を学習させておき、悪性度の判定時には判定対象の陰影の特徴量をANNに入力して出力値として悪性度を0〜1に正規化して出力している。
【0005】
【特許文献1】
特開2002−112986号公報
【0006】
【発明が解決しようとする課題】
しかしながら、病変種や陰影の分布状態などにより陰影の特徴は様々であるにも関わらず、従来の多変量解析では、候補領域から得られた全ての特徴量を多変量データとして1つの多変量解析に入力して総合的な悪性度を判定するため、悪性度の判定に陰影の特徴が反映されにくかった。
【0007】
本発明の課題は、異常陰影候補の悪性度の判定に陰影の特徴を反映することにより、判定精度の向上を図ることである。
【0008】
【課題を解決するための手段】
請求項1に記載の発明は、
患者を撮影した医用画像から異常陰影候補を検出し、候補領域における各種特徴量を算出する異常陰影候補検出手段を備えた医用画像処理装置において、
検出された異常陰影候補の各種特徴量を分類し、分類された特徴量毎に多変量解析を行い、前記分類された特徴量毎の多変量解析から得られた複数の指標値を入力値とする多変量解析を繰り返して複数段階の多変量解析を行い、異常陰影候補の悪性度を判定する判定手段を備えることを特徴としている。
【0009】
請求項13に記載の発明は、
医用画像処理装置の異常陰影候補検出手段により、患者が撮影された医用画像から異常陰影候補を検出するとともに候補領域内における各種特徴量を算出して、異常陰影候補の悪性度を自動的に判定する判定方法であって、
検出された異常陰影候補の各種特徴量を分類する分類工程と、
前記分類された特徴量毎に多変量解析を行い、前記分類された特徴量毎の多変量解析から得られた複数の指標値を入力値とする多変量解析を繰り返して複数段階の多変量解析を行い、異常陰影候補の悪性度を判定する判定工程と、
を含むことを特徴としている。
【0010】
請求項1、13に記載の発明によれば、分類された特徴量毎の多変量解析を複数段階行って悪性度を判定するので、陰影の特徴を反映した悪性度の判定を行うことができ、判定精度を向上させることができる。従って、陰影の偽陽性と真陽性の判別精度が向上し、異常陰影候補の検出精度を向上させることができる。
【0014】
請求項2に記載の発明は、請求項1に記載の医用画像処理装置において、
前記判定手段は、多変量解析に入力する特徴量を、異常陰影の種類に応じて分類することを特徴としている。
【0015】
請求項14に記載の発明は、請求項13に記載の悪性度の判定方法において、
前記分類工程では、多変量解析に入力する特徴量を、異常陰影の種類に応じて分類することを特徴としている。
【0016】
請求項2、14に記載の発明によれば、異常陰影の種類毎に特徴量を分類するので、病変種毎の特徴を特に反映した悪性度の判定を行うことが可能となる。
【0017】
請求項3に記載の発明は、請求項1に記載の医用画像処理装置において、
前記判定手段は、多変量解析に入力する特徴量を、異常陰影の特徴の種類に応じて分類することを特徴としている。
【0018】
請求項15に記載の発明は、請求項13に記載の悪性度の判定方法において、
前記分類工程では、多変量解析に入力する特徴量を、異常陰影の特徴の種類に応じて分類することを特徴としている。
【0019】
請求項3、15に記載の発明によれば、異常陰影の特徴の種類毎に特徴量を分類するので、異常陰影の形状や辺縁、分布状態等の特徴を特に反映した悪性度の判定が可能となる。
【0020】
請求項4に記載の発明は、請求項1に記載の医用画像処理装置において、
前記判定手段は、多変量解析に入力する特徴量を、特徴量の種類に応じて分類することを特徴としている。
【0021】
請求項16に記載の発明は、請求項13に記載の悪性度の判定方法において、
前記分類工程では、多変量解析に入力する特徴量を、特徴量の種類に応じて分類することを特徴としている。
【0022】
請求項4、16に記載の発明によれば、特徴量の種類毎に特徴量を分類するので、画像特性等の各特徴量が有する特徴を特に反映した悪性度の判定が可能となる。
【0023】
請求項5に記載の発明は、請求項4に記載の医用画像処理装置において、
前記判定手段は、コントラストに関する特徴量と、陰影の形状に関する特徴量とを別々に分類することを特徴としている。
【0024】
請求項17に記載の発明は、請求項16に記載の悪性度の判定方法において、
前記分類工程では、コントラストに関する特徴量と、陰影の形状に関する特徴量とを別々に分類することを特徴としている。
【0025】
請求項5、17に記載の発明によれば、コントラストに関する特徴量と形状に関する特徴量とを別の多変量解析に入力するので、異常陰影候補の検出に重要な各特徴量の特徴を別々に考慮することにより、判定精度を向上させることができる。
【0026】
請求項6に記載の発明は、
前記多変量解析は、人工ニューラルネットワークであることを特徴とする請求項1〜5の何れか一項に記載の医用画像処理装置。
【0027】
請求項18に記載の発明は、請求項13〜17の何れか一項に記載の悪性度の判定方法において、
前記多変量解析は、人工ニューラルネットワークであることを特徴としている。
【0028】
請求項6、18に記載の発明によれば、多変量解析の手法として人工ニューラルネットワークを適用することができる。
【0029】
請求項7に記載の発明は、請求項1〜5の何れか一項に記載の医用画像処理装置において、
前記多変量解析は、判別分析であることを特徴としている。
【0030】
請求項19に記載の発明は、請求項13〜17の何れか一項に記載の悪性度の判定方法において、
前記多変量解析は、判別分析であることを特徴としている。
【0031】
請求項7、19に記載の発明によれば、多変量解析の手法として判別分析を適用することができる。
【0032】
請求項8に記載の発明は、請求項1〜5の何れか一項に記載の医用画像処理装置において、
前記多変量解析は、主成分分析であることを特徴としている。
【0033】
請求項20に記載の発明は、請求項13〜17の何れか一項に記載の悪性度の判定方法において、
前記多変量解析は、主成分分析であることを特徴としている。
【0034】
請求項8、20に記載の発明によれば、多変量解析の手法として主成分分析を適用することができる。
【0035】
請求項9に記載の発明は、請求項1に記載の医用画像処理装置において、
前記判定手段は、各段階で同一の多変量解析手法を適用することを特徴としている。
【0036】
請求項21に記載の発明は、請求項13に記載の悪性度の判定方法において、
前記判定工程では、各段階で同一の多変量解析手法を適用することを特徴としている。
【0037】
請求項9、21に記載の発明によれば、各段階で同一の多変量解析手法を適用することができる。
【0038】
請求項10に記載の発明は、請求項1に記載の医用画像処理装置において、
前記判定手段は、段階毎に異なる多変量解析手法を適用することを特徴としている。
【0039】
請求項22に記載の発明は、請求項13に記載の悪性度の判定方法において、
前記判定工程では、段階毎に異なる多変量解析手法を適用することを特徴としている。
【0040】
請求項10、22に記載の発明によれば、段階毎に異なる多変量解析手法を適用することができる。
【0041】
請求項11に記載の発明は、請求項1〜10の何れか一項に記載の医用画像処理装置において、
前記判定手段は、前記分類された特徴量毎に行われる多変量解析毎に、異なる多変量解析手法を適用することを特徴とする。
【0042】
請求項23に記載の発明は、請求項13〜22の何れか一項に記載の悪性度の判定方法において、
前記判定工程では、前記分類された特徴量毎に行われる多変量解析毎に、異なる多変量解析手法を適用することを特徴としている。
【0043】
請求項11、23に記載の発明によれば、分類された特徴量毎の多変量解析のそれぞれにおいて、異なる多変量解析手法を適用可能である。
【0044】
請求項12に記載の発明は、請求項1〜11の何れか一項に記載の医用画像処理装置において、
前記多変量解析から得られた指標値を出力する出力手段を備えることを特徴としている。
【0045】
請求項24に記載の発明は、請求項13〜23の何れか一項に記載の悪性度の判定方法において、
前記多変量解析から得られた指標値を出力する出力工程を含むことを特徴としている。
【0046】
請求項12、24に記載の発明によれば、多変量解析で得られた指標値を出力するので、分類された特徴量毎の多変量解析で得られる指標値や悪性度を確認することができる。
【0047】
【発明の実施の形態】
以下、図を参照して本発明の実施の形態を詳細に説明する。
本実施の形態では、検出した異常陰影候補の悪性度を判定する際に、特徴量の種類毎に複数段階で多変量解析を行う例を説明する。また、本実施の形態では、患者の乳房を撮影したマンモグラフィから異常陰影候補を検出する例を説明するが、検出対象はこれに限らず、胸部や腹部等の他の部位を撮影し、その画像から各部位に応じた異常陰影候補を検出することとしてもよい。
【0048】
まず、構成を説明する。
図1に、本実施の形態における医用画像処理装置10の機能的構成を示す。
図1に示すように、医用画像処理装置10は、画像データ入力手段11、画像データ記憶手段12、画像処理手段13、異常陰影候補検出手段14、判定手段15、制御手段16、出力手段17を備えて構成される。
【0049】
画像データ入力手段11は、例えばレーザデジタイザ等であり、患者を撮影した医用画像が記録されたフィルム上をレーザビームで走査し、透過した光量を測定してその測定値をアナログデジタル変換することにより、医用画像をデジタル画像データとして医用画像処理装置10へ入力する。
【0050】
なお、画像データ入力手段11は、上記レーザデジタイザに限らず、例えばCCD(Charge Coupled Device)等の光検出素子を適用して、医用画像が記録されたフィルム上を光走査し、その反射光をCCDにより光電変換してデジタル画像データを入力することとしてもよい。
【0051】
また、フィルムに記録された医用画像を読み取るのではなく、蓄積性蛍光体を用いて撮影された医用画像をデジタル変換して医用画像データを生成する撮影装置と接続可能な構成とし、この撮影装置からデジタル画像データを医用画像処理装置10に入力することとしてもよい。この場合には、フィルムが不要であり、コストダウンを図ることが可能となる。
【0052】
また、画像データ入力手段11は、放射線画像を撮像して電気信号として出力するフラットパネルディテクタ(Flat Panel Detector;以下、FPDという。)を接続可能な構成とし、このFPDからデジタル画像データを入力することとしてもよい。FPDは、特開平6−342098号公報に記載されているように、照射された放射線の強度に応じた電荷を生成する放射線検出素子と、この放射線検出素子により生成された電荷を蓄積するコンデンサとが2次元的に配列されたものである。
【0053】
また、画像データ入力手段11は、特開平9−90048号公報に記載されているように、蛍光強度を検出するフォトダイオード、CCD、CMOS(Complementary Metal-Oxide Semiconductor)センサ等の光検出素子を画素毎に設けた光検出器を備えた構成とし、放射線を増感紙等の蛍光体層に吸収させて蛍光を発光させ、その蛍光強度を光検出器で検出し、光電変換を行ってデジタル医用画像データを入力することとしてもよい。また、放射線の照射により可視光を発する放射線シンチレータと、レンズアイ及び各々のレンズに対応するエリアセンサと組み合わせた構成であってもよい。
【0054】
また、画像データ入力手段11は、撮影された医用画像データを記録したCD−ROM(Compact Disk-Read Only Memory)やフロッピー(登録商標)等の各種記憶媒体から医用画像データを読み取り可能な構成であってもよいし、ネットワークを介して外部装置から医用画像データを受信可能な構成であってもよい。
【0055】
なお、上述した種々の構成によりデジタル医用画像データを得る際には、撮影部位にもよるが、例えばマンモグラフィに対しては、画像の実行画素サイズが200μm以下であることが好ましく、さらには100μm以下であることが好ましい。医用画像処理装置10の性能を最大限に発揮させるためには、例えば実行画素サイズ50μm程度の医用画像データを入力することが好ましい。
【0056】
なお、画像データ入力手段11により入力された医用画像データにはヘッダ領域が設けられており、このヘッダ領域に、その医用画像に関する情報、例えば撮影された患者の氏名、患者ID(患者を個別に識別するためのID)、性別等の患者情報、撮影部位、撮影日等の撮影情報、画像がどの検査に属するかを示す検査ID(検査を個別に識別するためのID)等の検査情報等が記録されていることとする。
【0057】
画像データ記憶手段12は、磁気的、光学的記録媒体又は半導体メモリ等により構成され、画像データ入力手段11により入力された医用画像データを記憶する。このとき、必要に応じてデータ圧縮を施すこととする。データ圧縮方法としては、公知のJPEG、DPCM、ウェーブレット圧縮等の手法により、可逆圧縮又は不可逆圧縮を行うことが可能であるが、データ圧縮に伴う画像データの劣化が無い可逆圧縮が好ましい。
【0058】
画像処理手段13は、画像データ入力手段11又は画像データ記憶手段12から読み出した医用画像データに各種画像処理を施して画像出力手段18に出力する。各種画像処理には、コントラストを調整する階調処理、コントラストが小さくなりやすい乳腺や腫瘤の低濃度領域の濃度階調を拡大し、逆に微小石灰化クラスタの画像が存在する可能性が少ない脂肪領域の濃度階調を圧縮するように補正を行うコントラスト補正処理、画像の鮮鋭度を調整するアンシャープネスマスク処理、ダイナミックレンジの広い画像を被写体の細部のコントラストを低下させることなく見やすい濃度範囲に収めるためのダイナミックレンジ圧縮処理等が含まれる。
【0059】
異常陰影候補検出手段14は、画像データ記憶手段12から画像データを読み出して画像解析を行うことにより、異常陰影と思われる候補領域を検出し、検出した候補領域における各種特徴量を判定手段15に出力する。また、検出した各候補に対する悪性度の判定結果を判定手段15から入力されると、当該判定結果に基づいて悪性度の低い候補を偽陽性候補と判断し、異常陰影候補の検出結果から削除する。このようにして偽陽性候補が削除された異常陰影候補の検出結果は、制御手段16に出力される。
【0060】
マンモグラフィでは、乳癌の特徴である腫瘤や微小石灰化クラスタと思われる陰影を検出する。腫瘤陰影は、ある程度の大きさを有する塊であり、マンモグラフィ上では、ガウス分布に近い、白っぽく丸い陰影として現れる。微小石灰化クラスタは、微小石灰化した部分が集まって(クラスタ化して)存在するとそこが初期癌である可能性が高い。マングラフィ上では、略円錐構造を持った白っぽく丸い陰影として現れる。
【0061】
上記腫瘤及び微小石灰化クラスタの陰影は、その形状や形態、辺縁などの特徴により医学的に分類されており、その陰影の特徴から良悪性が鑑別されるため、陰影の特徴は診断を行う読影医にとって非常に重要な情報である。
【0062】
腫瘤陰影の場合、その形状については、円形、楕円形、多角形、分葉形、不整形等に分類され、陰影の境界については、境界が明瞭な境界明瞭平滑、境界が不明瞭な境界不明瞭に分類される。また、陰影の辺縁については、陰影の境界から白い微細なスジがのびる微細分葉状、スピキュラと呼ばれる白いスジが陰影の中心部から放射状にのびるスピキュラ状等に分類される。
【0063】
微小石灰化クラスタの場合、石灰化の形態については、微細な円を描く微細円形石灰化、点を描く点状石灰化、薄く不明瞭な石灰化、多形性或いは不均一な石灰化、微細線状又は微細分枝状石灰化等に分類される。また、その分布形態として、瀰漫性又は散在性、分布の領域性、区域性、集簇性等に分類される。
【0064】
以下、上述した腫瘤陰影及び微小石灰化クラスタ陰影を検出する手法について説明する。
異常陰影候補検出手段14では、腫瘤陰影の検出に適した手法として、以下の論文に記載された公知の検出方法を適用することが可能である。
【0065】
・左右乳房を比較することによって検出する方法
(Med.Phys.,Vol.21.No.3,pp.445-452)
・アイリスフィルタを用いて検出する方法
(信学論(D-11),Vol.J75-D-11,no.3,pp.663-670,1992)
・Quoitフィルタを用いて検出する方法
(信学論(D-11),Vol.J76-D-11,no.3,pp.279-287,1993)
・分割した乳房領域の画素値のヒストグラムに基づく2値化により検出する方法
(JAMIT Frontier 講演論文集,pp.84-85,1995)
・方向性のある多数のラプラシアンフィルタの最小出力をとる最小方向差分フィルタ)
(信学論(D-11),Vol.J76-D-11,no.2,pp.241-249,1993)
・フラクタル次元を利用して腫瘤陰影の良悪性を鑑別する方法
(Medical Imaging Technology17(5),pp.577-584,1999)
【0066】
また、微小石灰化クラスタ陰影の検出に適した方法として、以下の論文に記載された公知の検出方法を適用することができる。
【0067】
・乳房領域から石灰化の疑いがある領域を局部化し、陰影像の光学濃度差や境界濃度差の標準偏差値等から偽陽性候補を削除する方法
(IEEE Trans Biomed Eng BME-26(4):213-219,1979)
・ラプラシアンフィルタ処理を行った画像を用いて検出する方法
(信学論(D-11),Vol.J71-D-11,no.10,pp.1994-2001,1988)
・乳腺等の背景パターンの影響を抑えるためにモルフォロジー解析した画像を使用する検出方法
(信学論(D-11),Vol.J71-D-11,no.7,pp.1170-1176,1992)
【0068】
異常陰影候補検出手段14は、上述したような手法を用いて異常陰影候補の検出を行い、検出時にはその候補領域について、候補領域の大きさ(面積)、縦横比、円形度、候補領域内のコントラスト、標準偏差、陰影の周辺部から中心部にかけての濃度勾配の強度成分、方向成分等の多種の特徴量を算出する。算出された各種特徴量は、候補領域の検出結果として判定手段15に出力される。
【0069】
判定手段15は、異常陰影候補検出手段14により検出された異常陰影候補について算出された各種特徴量を用いて複数段階の多変量解析を行い、検出された各候補の悪性度を判定する。判定結果は、異常陰影候補検出手段14に出力される。
【0070】
多変量解析手法としては、例えばANN、主成分分析、判別分析等が適用可能である。
【0071】
まず、ANNについて図2を参照して説明する。
本実施の形態では、ANNとして、階層型ニューラルネットワークと呼ばれる手法を適用した例を説明する。図2に示すように、階層型ニューラルネットワークでは、入力信号を受け取り他のニューロンへ分配する入力用のニューロンからなる入力層と、外部へ出力信号を出力する出力用のニューロンからなる出力層と、入力用と出力用のニューロンの中間に存在するニューロンからなる中間層とから構成されている。中間層のニューロンは入力層のニューロンの全てと結合していて、出力層のニューロンは中間層のニューロンの全てと結合している。
【0072】
入力層のニューロンは、中間層のニューロンとのみ結合し、中間層のニューロンは出力層のニューロンとのみ結合しているため、信号は入力層から中間層、出力層へと流れていくこととなる。入力層では、ニューロンによる信号の処理は行われず、受け取った入力信号はそのまま中間層のニューロンに出力される。中間層、出力層では、各ニューロンに設定されたバイアス関数により前層から入力された信号に重み付けを行う等の信号処理が施され、処理が施された信号が後層にニューロンに出力される。
【0073】
なお、図2には、中間層が1つの3層ニューラルネットワークを示したが、中間層の層数は2つ以上存在することとしてもよい。また、中間層のニューロン数についても特に限定せず、変更可能である。
【0074】
例えば、陰影候補がスピキュラ状の特徴をどの程度有しているかを判別するために、円形度、候補領域内の標準偏差、候補辺縁付近のフラクタル次元、濃度勾配の方向成分の集中度、候補中心部から放射状に伸びる線上成分の本数等の各種特徴量を多変量データとして入力層の各ニューロンに入力すると、中間層を経て出力層から、スピキュラ状の特徴をどの程度有しているかを0〜1の値に正規化して出力する。なお、出力された正規化値は1に近いほどその特徴の程度が大きいことを示す。
【0075】
次に、主成分分析について説明する。
主成分分析は、相関関係にある複数の要因をいくつかの主要成分に合成(圧縮)して、その総合的な特性を求める手法である。
【0076】
主成分分析では、複数の特徴量を1つの成分に合成した主成分得点が求められ、この主成分得点が出力値として出力される。一般的には、複数の標本データの重心Gを通り、各標本データからの距離が最小となる直線、つまり判別式を求めておき、判別対象データからこの直線へ垂直に降ろした垂線と直線との交点を求め、この交点と重心との距離を主成分得点とする。n個の特徴量がある場合は第n主成分まで求めることが可能である。ここでは、第1主成分だけを使用して主成分得点を求めることとしてもよいし、各主成分の寄与率を求め、累積寄与率が60%以上に達するまでの主成分だけを使用して主成分得点を求めることとしてもよい。
【0077】
図3を参照して、判別対象データXがスピキュラ状の特徴をどの程度有するかを、円形度A、標準偏差Bの特徴量から判別する場合を例に具体的に説明する。図3に示すように、予めスピキュラ状の特徴を有する複数の標本データ(図示せず)から重心Gを通る判別式mを求めておく。そして、判別対象データX(a、b)から判別式mに垂直に降ろした垂線と判別式mとの交点Qを求め、この交点Qと重心Gとの距離を判別対象データXの主成分得点Pとして出力する。なお、本実施の形態では、主成分得点Pは0〜1の値に正規化されて出力されることとする。この例では、主成分得点Pが1に近いほどスピキュラ状の特徴を有している可能性が高いと判別することができる。
【0078】
次に、判別分析について説明する。
判別分析は、予め2群以上の母集団を構成する標本データを準備しておき、この標本データに基づいて、判別対象データがどちらの母集団に属するのかを判別する手法である。判別分析の前提として、準備した標本データがどの母集団に属しているかを予め分類しておく必要があるが、この分類方法として線形判別式を用いる手法とマハラノビスの距離を用いる手法が適用できる。
【0079】
本実施の形態では、マハラノビスの距離の手法を用いた例を、図4を参照して説明する。
マハラノビスの距離は、標本データの分散を考慮した判別を行う。例えば、図4に示すように、予めスピキュラ状の特徴を有する標本データa1〜a4からなるA群、非スピキュラ状の特徴を有する標本データb1〜b4からなるB群の2群を準備しておき、判別対象データX(x1、x2)についてA群の重心Gaからの距離Da、B群の重心Gbからの距離Dbをそれぞれ求める。
【0080】
距離Daは、A群の標本データの母平均μaと、A群の分散Saとから、下記の式(1)によって求められる。距離Dbも同様にB群の標本データの母平均μbと、B群の分散Sbとから求められる。
Da2=(x−μa)2/Sa2 ・・・(1)
なお、xは判別対象データXの特徴量である。
【0081】
そして、その距離比Da/Dbを出力値として出力する。判別対象データXがどちらの群に属するかは、この距離比Da/Dbに基づいて判別される。例えば、距離比Da/Dbが十分に大きい値を示す場合、判別対象データXはB群に近くスピキュラ状の特徴を有していないと判別され、逆に距離比Da/Dbが十分に小さい値を示す場合、判別対象データXはA群に近くスピキュラ状の特徴を有していると判別される。なお、本実施の形態では、この距離比Da/Dbを用いて、判別対象データXがその特徴をどの程度有しているかを0〜1までの値に正規化して出力することとする。
【0082】
制御手段16は、医用画像データとその異常陰影候補の検出結果との出力制御を行う。制御手段16は、画像処理手段13から入力された処理画像データを出力手段17に出力する際に、異常陰影候補検出手段14による異常陰影の検出結果に基づいて、処理画像データにおける異常陰影候補の画像領域を矢印でマークする、色を変える等して、異常陰影候補の画像領域を識別可能に出力させる。
【0083】
出力手段17は、例えばCRT(Cathode Ray Tube)やLCD(Liquid Crystal Display)、プラズマディスプレイ等からなる表示手段が適用可能であり、制御手段16から入力された医用画像データを表示出力する。表示手段としては、医用画像専用の精細高輝度のものが好ましい。また、他の出力手段としては、紙などの記録媒体へ印刷出力を行うプリンタや、フィルムへの出力を行う露光装置等が適用可能である。
【0084】
次に、本実施の形態における動作を説明する。
本実施の形態では、まず第1段階の多変量解析で陰影の特徴毎にどれだけその特徴を有しているかを示す指標値を求め、この指標値を第2段階の多変量解析に入力値として異常陰影候補の悪性度を出力する例を説明する。
【0085】
図5は、医用画像処理装置10により実行される異常陰影候補検出処理を説明するフローチャートである。
図5に示す異常陰影候補検出処理では、まずステップS1において、異常陰影候補の検出対象である医用画像データが画像データ入力手段11により入力される。入力された医用画像データは、画像データ記憶手段12に記憶される。
【0086】
次いで、ステップS2では、画像データ記憶手段12から医用画像データが読み出され、画像処理手段13により画像処理が施されるとともに、異常陰影候補検出手段14による異常陰影候補の検出が行われる。そして、異常陰影候補検出手段14により検出された候補領域の特徴量のデータが判定手段15に出力される。
【0087】
ステップS3では、判定手段15により、検出された各候補の悪性度の判定が行われる。図6を参照して、その判定方法について詳細に説明する。図6は、判定手段15により実行される悪性度の判定処理を示すフローチャートである。この悪性度の判定処理では、特徴量を多変量データとして複数段階で多変量解析が行われ、検出された各候補の悪性度が判定される。
【0088】
本実施の形態では、多変量解析において、多変量データとして多変量解析に入力する特徴量を、医学分類上の異常陰影の特徴の種類毎に分類する場合と、特徴量の画像特性上の種類毎に分類する場合とを説明する。
【0089】
〈異常陰影の特徴の種類毎に分類〉
まず、図7を参照して、特徴量を異常陰影の種類毎に、そして異常陰影の特徴の種類毎に分類して多変量解析を行う例を説明する。図7は、腫瘤陰影の候補に対して悪性度を判定する多変量解析の概念図である。図7に示すように、多変量解析は第1段階、第2段階の複数段階で行われる。
【0090】
図6に示す悪性度の判定処理では、ステップS31において、検出された候補領域における特徴量のデータが、腫瘤陰影に応じた特徴量と微小石灰化クラスタ陰影に応じた特徴量とに分類される。以下、腫瘤陰影に応じた特徴量を用いて腫瘤陰影の候補に対する悪性度を判定する例について説明する。
【0091】
次いで、腫瘤陰影に応じた特徴量は、腫瘤陰影のスピキュラ状、境界明瞭、分葉状、不整形等、腫瘤陰影の医学分類上の特徴の種類毎に分類される。例えば、円形度、候補領域内の標準偏差、濃度勾配の方向成分の集中度、候補辺縁付近のフラクタル次元、候補中心部から放射状に伸びる線上成分の本数等が、スピキュラ状の特徴を判定するための特徴量データとして第1類に分類される。
【0092】
また、境界明瞭の特徴を判定するための特徴量データとして、候補領域辺縁付近の平均エッジ強度、候補領域のコントラスト、候補領域の乳腺含有量等が第2類に分類され、分葉状の特徴を判定するための特徴量データとして、円形度、濃度勾配の方向成分の集中度等が第3類に分類される。また、不整形の特徴を判定するための特徴量データとして、円形度、候補辺縁付近のフラクタル次元等が第4類に分類される。
【0093】
次いで、ステップS32では、分類された各特徴量データが多変量データとしてそれぞれ別の多変量解析に入力されて第1段階の多変量解析が行われ、腫瘤陰影の種類毎にその特徴をどれだけ有しているかを示す指標値が出力される。例えば、第1類の多変量解析では、円形度、候補領域内の画素値の標準偏差、濃度勾配の方向成分の集中度等の各特徴量データから、スピキュラ状の特徴をどの程度有しているかを示す指標値が0〜1の値で正規化されて出力される。同様に、各種特徴量データを入力値として、境界明瞭、微細分葉状、不整形等について指標値が出力される。
【0094】
次いで、ステップS33では、第1段階の多変量解析で得られた複数の指標値を入力値として第2段階の多変量解析が行われ、総合的な悪性度が出力される。悪性度は、0〜1の値に正規化されて出力され、この正規化値は、1に近いほど悪性度が高いことを示す。
【0095】
ステップS34では、第2段階の多変量解析で得られた悪性度の判定結果が異常陰影候補検出手段14に出力される。
【0096】
なお、腫瘤陰影の場合を例に説明したが、微小石灰化クラスタ陰影の場合も同様に、微小石灰化クラスタ陰影に応じた特徴量を、微細円形石灰化、点状石灰化、薄く不明瞭な石灰化、多形性或いは不均一な石灰化、微細線状又は微細分枝状石灰化、瀰漫性又は散在性、分布の領域性、区域性、集簇性等の医学分類上の異常陰影の特徴毎に分類し、分類された特徴量を入力値として第1段階の多変量解析を行って、異常陰影の特徴をどの程度有しているかを示す指標値を0〜1の正規化値で出力する。そして、その指標値を入力値として第2段階の多変量解析を行い、総合的な悪性度を出力する。
【0097】
〈特徴量の画像特性上の種類毎に分類〉
次に、図8を参照して、特徴量の画像特性上の種類毎に、入力する特徴量データを分類して多変量解析を行う例を説明する。図8はその多変量解析の概念図である。図8に示すように、多変量解析は第1段階、第2段階の複数段階で行われる。
【0098】
図6に示す悪性度の判定処理では、ステップS31において、検出された候補領域における各特徴量データが、画素値、形状、領域内の不整度、コントラスト、方向性等の画像特性の種類毎に分類される。例えば、領域内の画素値の平均値、最大値、最小値、ヒストグラムのモーメント値、領域付近の濃度平均値、領域付近の標準偏差等が画素値の特徴を判定するための特徴量データとして第1類に分類される。
【0099】
また、陰影の形状の特徴を判定するための特徴量データとして、円形度、候補領域の縦横比、面積等が第2類に分類され、候補領域内の不整度の特徴を判定するための特徴量データとして、局所的な高周波成分を抽出するトップハット変換の出力値の平均画素値、ある画素の周辺画素に対する凹凸の程度を示す曲率の平均、領域内の標準偏差、候補領域の中心から辺縁までの距離の標準偏差、ある画素の周辺画素に対する画素値の不整さを示す高次局所相関値等が第3類に分類される。
【0100】
また、陰影のコントラストの特徴を判定するための特徴量データとして、候補領域内の濃度勾配の強度成分の平均、候補領域の内部と外部における平均画素値の差、アンシャープネスマスク処理後の領域内の最大画素値等が第4類に分類され、陰影の方向性の特徴を判定するための特徴量データとして、エッジ検出のためのSoblフィルタ又はPrewittフィルタから求められる候補領域内の濃度勾配の方向成分の平均、ウェーブレット変換から求められるX、Y方向成分の含有比等が第5類に分類される。
【0101】
次いで、ステップS32では、分類された各特徴量データが多変量データとしてそれぞれ別の多変量解析に入力されて第1段階の多変量解析が行われ、画像特性の種類毎にその画像特性の特徴を示す指標値が出力される。例えば、第1類の多変量解析では、候補領域内の画素値の平均値、最大値、最小値等の各特徴量データから、画素値の特徴を示す指標値が0〜1の値に正規化されて出力される。同様に各種特徴量データを入力値として、陰影の形状、領域内の不整度、コントラスト、方向性等について指標値が出力される。
【0102】
次いで、ステップS33では、第1段階の多変量解析で得られた指標値を入力値として第2段階の多変量解析が行われ、総合的な悪性度が出力される。悪性度は、0〜1の値に正規化されて出力され、この正規化値は、1に近いほど悪性度が高いことを示す。
【0103】
ステップS34では、第2段階の多変量解析で得られた悪性度の判定結果が異常陰影候補検出手段14に出力される。
【0104】
以上、特徴量データを分類して、その分類した特徴量毎の多変量解析を2段階で行って総合的な悪性度を判定する例を説明したが、これに限らず、3段階以上の多変量解析を行って悪性度を判定することとしてもよい。例えば図9に示すように、第1段階の多変量解析で得られた指標値のうち、画素値及びコントラストと、形状、領域内の不整度及び方向性とに指標値を分類し、その分類した指標値毎に第2段階の多変量解析を行って得られた指標値でもって第3段階の多変量解析を行い、悪性度を得る。このようにさらに特徴の種類を絞って多変量解析に入力することにより、よりその特徴を反映した判定を行うことができる。
【0105】
また、上述した多変量解析に入力する特徴量データは、その一例を示したに過ぎず、その他の特徴量データも適用可能である。また、医学分類上の異常陰影の種類や画像特性の種類についても上述した説明で例示したものに限らず、辺縁の特徴等のその他の異常陰影の種類や、鮮鋭度等のその他の種類の画像特性も適用することができる。
【0106】
また、多変量解析の手法としては、例えば図10(a)に示すように、第1段階、第2段階ともにANNの手法で多変量解析を行う等、各段階で同一の手法を適用することとしてもよいし、図10(b)に示すように、第1段階ではANNの手法を、第2段階では判別分析の手法で多変量解析を行う等、各段階で異なる手法を適用することとしてもよい。また、図10(c)に示すように、第1段階の第1群ではANNの手法で、第1段階の第2群では判別分析の手法で多変量解析を行う等、同一段階でも分類された特徴量毎に行われる多変量解析毎に異なる手法を適用することとしてもよく、各段階の各分類において適用する多変量解析の手法の組み合わせは、特に限定しない。
【0107】
このようにして、判定手段15により各候補の悪性度が判定されると、その判定結果は異常陰影候補検出手段14に出力される。
【0108】
次いで、ステップS4では、検出された各候補の悪性度の判定結果に基づいて、異常陰影候補検出手段14により、異常陰影候補の検出結果から偽陽性候補の削除が行われる。例えば、悪性度が0〜0.3と判定された候補は、良性である可能性が高いとして偽陽性候補と判断され、異常陰影候補の検出結果から削除される。最終的には、悪性度が高いと判定された候補のみが異常陰影候補の検出結果として異常陰影候補検出手段14から制御手段16に出力される。
【0109】
ステップS5では、制御手段16により異常陰影候補の検出結果の出力制御が行われ、画像処理手段13により画像処理された医用画像データと、異常陰影候補の検出結果とが出力手段17に出力される。
【0110】
以上のように、検出された異常陰影の各候補について、第1段階の多変量解析によりその陰影候補の特徴毎にその特徴をどれだけ有するのかを判定し、第2段階の多変量解析により各特徴の程度に基づいた悪性度を判定するので、陰影の特徴を反映した判定を行うことができ、悪性度の判定精度を向上させることができる。従って、偽陽性と真陽性との判別精度が向上し、異常陰影候補の検出精度を向上させることができる。
【0111】
また、多変量解析に入力する特徴量データを医学分類上の異常陰影の特徴の種類毎に分類するので、病変種毎に、その異常陰影の形状や辺縁、分布状態等の特徴を特に反映した悪性度の判定が可能となる。
【0112】
また、多変量解析に入力する特徴量データを特徴量の画像特性上の種類毎に分類するので、画像特性を特に反映した悪性度の判定が可能となる。
【0113】
さらに、多変量解析手法は、各段階で同一の手法を適用してもよいし、段階毎に又は同一段階でも分類された多変量解析毎に、異なる手法を適用してもよいので、病変種や特徴量の種類に応じて適切な手法を適用することができ、悪性度の判定処理における自由度が向上する。
【0114】
なお、本実施の形態における記述内容は、本発明を適用した医用画像処理装置10の好適な一例であり、これに限定されるものではない。
【0115】
上述の説明では、第1段階で特徴の程度の指標値を判定し、その指標値から第2段階で悪性度を判定する例を説明したが、複数段階で多変量解析を行わず、第1段階の多変量解析で判定された各特徴の指標値に基づいて、悪性度を判定することとしてもよい。図7を参照して具体的に説明すると、例えば第1段階の多変量解析で出力された各指標値のうち、スピキュラ状の指標値が十分に大きい場合、判定手段15は、そのスピキュラ状の指標値を悪性度として判定結果を異常陰影候補検出手段14に出力することとしてもよい。
【0116】
また、異常陰影候補に対して判定された悪性度を、例えば「悪性度0.8」と出力手段17に出力することとしてもよいし、異常陰影の特徴毎に指標値が得られている場合は、例えば「スピキュラ状0.7」とその指標値を出力することとしてもよい。
【0117】
その他、本実施の形態における医用画像処理装置10の細部構成及び細部動作に関しても、本発明の趣旨を逸脱することのない範囲で適宜変更可能である。
【0118】
【発明の効果】
請求項1、13に記載の発明によれば、分類された特徴量毎の多変量解析を複数段階行って悪性度を判定するので、陰影の特徴を反映した悪性度の判定を行うことができ、判定精度を向上させることができる。従って、陰影の偽陽性と真陽性の判別精度が向上し、異常陰影候補の検出精度を向上させることができる。
【0120】
請求項2、14に記載の発明によれば、異常陰影の種類毎に特徴量を分類するので、病変種毎の特徴を特に反映した悪性度の判定を行うことが可能となる。
【0121】
請求項3、15に記載の発明によれば、異常陰影の特徴の種類毎に特徴量を分類するので、異常陰影の形状や辺縁、分布状態等の特徴を特に反映した悪性度の判定が可能となる。
【0122】
請求項4、16に記載の発明によれば、特徴量の種類毎に特徴量を分類するので、画像特性等の各特徴量が有する特徴を特に反映した悪性度の判定が可能となる。
【0123】
請求項5、17に記載の発明によれば、コントラストに関する特徴量と形状に関する特徴量とを別の多変量解析に入力するので、異常陰影候補の検出に重要な各特徴量の特徴を別々に考慮することにより、判定精度を向上させることができる。
【0124】
請求項6、18に記載の発明によれば、多変量解析の手法として人工ニューラルネットワークを適用することができる。
【0125】
請求項7、19に記載の発明によれば、多変量解析の手法として判別分析を適用することができる。
【0126】
請求項8、20に記載の発明によれば、多変量解析の手法として主成分分析を適用することができる。
【0127】
請求項9、21に記載の発明によれば、各段階で同一の多変量解析手法を適用することができる。
【0128】
請求項10、22に記載の発明によれば、段階毎に異なる多変量解析手法を適用することができる。
【0129】
請求項11、23に記載の発明によれば、分類された特徴量毎の多変量解析のそれぞれにおいて、異なる多変量解析手法を適用可能である。
【0130】
請求項12、24に記載の発明によれば、多変量解析で得られた指標値を出力するので、分類された特徴量毎の多変量解析で得られる指標値や悪性度を確認することができる。
【図面の簡単な説明】
【図1】本発明を適用した実施の形態の医用画像処理装置10の機能的構成を示す図である。
【図2】ANNの概念図である。
【図3】主成分分析の概念図である。
【図4】判別分析におけるマハラノビスの距離の概念図である。
【図5】医用画像処理装置10により実行される異常陰影候補検出処理を説明するフローチャートである。
【図6】判定手段15により実行される悪性度の判定処理を説明するフローチャートである。
【図7】医学分類上の異常陰影の種類毎に多変量解析に入力する特徴量データを分類した場合の多変量解析の概念図である。
【図8】特徴量の画像特性上の種類毎に多変量解析に入力する特徴量データを分類した場合の多変量解析の概念図である。
【図9】複数段階で行われる多変量解析の概念図である。
【図10】(a)は各段階で同一の多変量解析手法を適用した例を示す図であり、(b)は各段階で異なる多変量解析手法を適用した例を示す図であり、(c)は同一段階で分類された多変量解析毎に異なる多変量解析手法を適用した例を示す図である。
【符号の説明】
10 医用画像処理装置
11 画像データ入力手段
12 画像データ記憶手段
13 画像処理手段
14 異常陰影候補検出手段
15 判定手段
16 制御手段
17 出力手段
Claims (24)
- 患者を撮影した医用画像から異常陰影候補を検出し、候補領域における各種特徴量を算出する異常陰影候補検出手段を備えた医用画像処理装置において、
検出された異常陰影候補の各種特徴量を分類し、分類された特徴量毎に多変量解析を行い、前記分類された特徴量毎の多変量解析から得られた複数の指標値を入力値とする多変量解析を繰り返して複数段階の多変量解析を行い、異常陰影候補の悪性度を判定する判定手段を備えることを特徴とする医用画像処理装置。 - 前記判定手段は、多変量解析に入力する特徴量を、異常陰影の種類に応じて分類することを特徴とする請求項1に記載の医用画像処理装置。
- 前記判定手段は、多変量解析に入力する特徴量を、異常陰影の特徴の種類に応じて分類することを特徴とする請求項1に記載の医用画像処理装置。
- 前記判定手段は、多変量解析に入力する特徴量を、特徴量の種類に応じて分類することを特徴とする請求項1に記載の医用画像処理装置。
- 前記判定手段は、コントラストに関する特徴量と、陰影の形状に関する特徴量とを別々に分類することを特徴とする請求項4に記載の医用画像処理装置。
- 前記多変量解析は、人工ニューラルネットワークであることを特徴とする請求項1〜5の何れか一項に記載の医用画像処理装置。
- 前記多変量解析は、判別分析であることを特徴とする請求項1〜5の何れか一項に記載の医用画像処理装置。
- 前記多変量解析は、主成分分析であることを特徴とする請求項1〜5の何れか一項に記載の医用画像処理装置。
- 前記判定手段は、各段階で同一の多変量解析手法を適用することを特徴とする請求項1に記載の医用画像処理装置。
- 前記判定手段は、段階毎に異なる多変量解析手法を適用することを特徴とする請求項1に記載の医用画像処理装置。
- 前記判定手段は、前記分類された特徴量毎に行われる多変量解析毎に、異なる多変量解析手法を適用することを特徴とする請求項1〜10の何れか一項に記載の医用画像処理装置。
- 前記多変量解析から得られた指標値を出力する出力手段を備えることを特徴とする請求項1〜11の何れか一項に記載の医用画像処理装置。
- 医用画像処理装置の異常陰影候補検出手段により、患者が撮影された医用画像から異常陰影候補を検出するとともに候補領域内における各種特徴量を算出して、異常陰影候補の悪性度を自動的に判定する判定方法であって、
検出された異常陰影候補の各種特徴量を分類する分類工程と、
前記分類された特徴量毎に多変量解析を行い、前記分類された特徴量毎の多変量解析から得られた複数の指標値を入力値とする多変量解析を繰り返して複数段階の多変量解析を行い、異常陰影候補の悪性度を判定する判定工程と、
を含むことを特徴とする悪性度の判定方法。 - 前記分類工程では、多変量解析に入力する特徴量を、異常陰影の種類に応じて分類することを特徴とする請求項13に記載の悪性度の判定方法。
- 前記分類工程では、多変量解析に入力する特徴量を、異常陰影の特徴の種類に応じて分類することを特徴とする請求項13に記載の悪性度の判定方法。
- 前記分類工程では、多変量解析に入力する特徴量を、特徴量の種類に応じて分類することを特徴とする請求項13に記載の悪性度の判定方法。
- 前記分類工程では、コントラストに関する特徴量と、陰影の形状に関する特徴量とを別々に分類することを特徴とする請求項16に記載の悪性度の判定方法。
- 前記多変量解析は、人工ニューラルネットワークであることを特徴とする請求項13〜17の何れか一項に記載の悪性度の判定方法。
- 前記多変量解析は、判別分析であることを特徴とする請求項13〜17の何れか一項に記載の悪性度の判定方法。
- 前記多変量解析は、主成分分析であることを特徴とする請求項13〜17の何れか一項に記載の悪性度の判定方法。
- 前記判定工程では、各段階で同一の多変量解析手法を適用することを特徴とする請求項13に記載の悪性度の判定方法。
- 前記判定工程では、段階毎に異なる多変量解析手法を適用することを特徴とする請求項13に記載の悪性度の判定方法。
- 前記判定工程では、前記分類された特徴量毎に行われる多変量解析毎に、異なる多変量解析手法を適用することを特徴とする請求項13〜22の何れか一項に記載の悪性度の判定方法。
- 前記多変量解析から得られた指標値を出力する出力工程を含むことを特徴とする請求項13〜23の何れか一項に記載の悪性度の判定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2003045791A JP4604451B2 (ja) | 2003-02-24 | 2003-02-24 | 医用画像処理装置及び悪性度の判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2003045791A JP4604451B2 (ja) | 2003-02-24 | 2003-02-24 | 医用画像処理装置及び悪性度の判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2004254742A JP2004254742A (ja) | 2004-09-16 |
JP4604451B2 true JP4604451B2 (ja) | 2011-01-05 |
Family
ID=33112516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2003045791A Expired - Fee Related JP4604451B2 (ja) | 2003-02-24 | 2003-02-24 | 医用画像処理装置及び悪性度の判定方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4604451B2 (ja) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2420641B (en) * | 2004-11-29 | 2008-06-04 | Medicsight Plc | Digital medical image analysis |
JP2006230910A (ja) * | 2005-02-28 | 2006-09-07 | Konica Minolta Medical & Graphic Inc | 画像処理装置及び画像処理方法 |
JP2006255065A (ja) * | 2005-03-16 | 2006-09-28 | Fuji Photo Film Co Ltd | 画像出力方法および画像出力装置ならびにプログラム |
DE202007019497U1 (de) | 2006-02-15 | 2013-03-06 | Hologic, Inc. | Brustbiopsie und Nadellokalisierung unter Verwendung von Tomosynthesesystemen |
JP5179902B2 (ja) * | 2008-02-29 | 2013-04-10 | 株式会社東芝 | 医用画像読影支援装置 |
WO2011043838A1 (en) | 2009-10-08 | 2011-04-14 | Hologic, Inc . | Needle breast biopsy system and method of use |
JP5651412B2 (ja) * | 2010-09-08 | 2015-01-14 | 株式会社東芝 | 画像処理装置、プログラム、及び画像処理方法 |
US9075903B2 (en) | 2010-11-26 | 2015-07-07 | Hologic, Inc. | User interface for medical image review workstation |
JP2014534042A (ja) | 2011-11-27 | 2014-12-18 | ホロジック, インコーポレイテッドHologic, Inc. | マンモグラフィーおよび/またはトモシンセシス画像データを使用して2d画像を生成するためのシステムおよび方法 |
GB2515398B (en) * | 2011-12-13 | 2018-02-14 | Ibm | Method,apparatus, and computer program for generating representative image and radiographic interpretation information for each case |
JP5868231B2 (ja) * | 2012-03-16 | 2016-02-24 | 株式会社日立製作所 | 医用画像診断支援装置、医用画像診断支援方法ならびにコンピュータプログラム |
US9262442B2 (en) | 2012-09-20 | 2016-02-16 | International Business Machines Corporation | Techniques for generating a representative image and radiographic interpretation information for a case |
JP6388347B2 (ja) | 2013-03-15 | 2018-09-12 | ホロジック, インコーポレイテッドHologic, Inc. | 腹臥位におけるトモシンセシス誘導生検 |
EP4278977A3 (en) | 2013-10-24 | 2024-02-21 | Hologic, Inc. | System and method for navigating x-ray guided breast biopsy |
WO2015130916A1 (en) | 2014-02-28 | 2015-09-03 | Hologic, Inc. | System and method for generating and displaying tomosynthesis image slabs |
WO2017053825A1 (en) | 2015-09-25 | 2017-03-30 | The Regents Of The University Of Michigan | Biopsy device for coherent raman imaging |
DE102017204175A1 (de) * | 2017-03-14 | 2018-09-20 | Siemens Healthcare Gmbh | Verfahren zu einem Auffinden von Auffälligkeiten in medizinischen Bilddaten eines Bereichs des Patienten, der außerhalb eines zu untersuchenden Bereichs des Patienten angeordnet ist, sowie eine medizinische Bildgebungsvorrichtung hierzu |
JP7169986B2 (ja) | 2017-03-30 | 2022-11-11 | ホロジック, インコーポレイテッド | オブジェクトグリッド増強を用いて高次元画像データから低次元画像データを合成するためのシステムおよび方法 |
JP7277053B2 (ja) * | 2017-03-30 | 2023-05-18 | ホロジック, インコーポレイテッド | 階層式マルチレベル特徴画像合成および提示のためのシステムおよび方法 |
US11445993B2 (en) | 2017-03-30 | 2022-09-20 | Hologic, Inc. | System and method for targeted object enhancement to generate synthetic breast tissue images |
US11403483B2 (en) | 2017-06-20 | 2022-08-02 | Hologic, Inc. | Dynamic self-learning medical image method and system |
CN117438053A (zh) * | 2018-08-27 | 2024-01-23 | 卡西欧计算机株式会社 | 显示控制装置、显示控制系统、显示控制方法及记录介质 |
JP7176486B2 (ja) * | 2018-08-27 | 2022-11-22 | カシオ計算機株式会社 | 類似画像表示制御装置、類似画像表示制御システム、類似画像表示制御方法及びプログラム |
JP2021087729A (ja) * | 2019-12-06 | 2021-06-10 | コニカミノルタ株式会社 | 医用画像処理装置及びプログラム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002074325A (ja) * | 2000-08-31 | 2002-03-15 | Fuji Photo Film Co Ltd | 異常陰影候補検出方法および装置 |
JP2002074327A (ja) * | 2000-08-31 | 2002-03-15 | Fuji Photo Film Co Ltd | 異常陰影候補検出システム |
JP2002112986A (ja) * | 2000-10-06 | 2002-04-16 | Konica Corp | 画像診断支援装置 |
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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69630935T2 (de) * | 1995-09-29 | 2004-11-04 | Koninklijke Philips Electronics N.V. | Bilverarbeitungsverfahren und -vorrichtung zur automatischen Erfassung von Bereichen eines vorbestimmten Krebstyps in einem Intensitätsbild |
JP3808123B2 (ja) * | 1995-10-11 | 2006-08-09 | 富士写真フイルム株式会社 | 異常陰影の検出方法 |
US6141437A (en) * | 1995-11-22 | 2000-10-31 | Arch Development Corporation | CAD method, computer and storage medium for automated detection of lung nodules in digital chest images |
US5873824A (en) * | 1996-11-29 | 1999-02-23 | Arch Development Corporation | Apparatus and method for computerized analysis of interstitial infiltrates in chest images using artificial neural networks |
-
2003
- 2003-02-24 JP JP2003045791A patent/JP4604451B2/ja not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002074325A (ja) * | 2000-08-31 | 2002-03-15 | Fuji Photo Film Co Ltd | 異常陰影候補検出方法および装置 |
JP2002074327A (ja) * | 2000-08-31 | 2002-03-15 | Fuji Photo Film Co Ltd | 異常陰影候補検出システム |
JP2002112986A (ja) * | 2000-10-06 | 2002-04-16 | Konica Corp | 画像診断支援装置 |
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 |
Also Published As
Publication number | Publication date |
---|---|
JP2004254742A (ja) | 2004-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4604451B2 (ja) | 医用画像処理装置及び悪性度の判定方法 | |
JP4218347B2 (ja) | 画像診断支援装置 | |
US8340388B2 (en) | Systems, computer-readable media, methods, and medical imaging apparatus for the automated detection of suspicious regions of interest in noise normalized X-ray medical imagery | |
JP2013526930A (ja) | 子宮頸部新生物検出および診断のための画像分析 | |
JP4099984B2 (ja) | 異常陰影検出装置および画像出力装置 | |
Yang et al. | Development of an integrated multimodal optical imaging system with real-time image analysis for the evaluation of oral premalignant lesions | |
JP2004046594A (ja) | 画像診断支援装置 | |
JP3596786B2 (ja) | 異常陰影候補の検出方法 | |
Harris et al. | A pulse coupled neural network segmentation algorithm for reflectance confocal images of epithelial tissue | |
JP2004041490A (ja) | 画像診断支援装置 | |
JP2000316837A (ja) | 画像診断支援装置 | |
JP3758894B2 (ja) | マンモグラム画像診断支援装置 | |
JP4380176B2 (ja) | 医用画像処理装置及び異常陰影候補の検出結果の表示方法 | |
JPH09251535A (ja) | 2次元多階調画像におけるパタン検出方法及び装置 | |
US7248729B2 (en) | Image processing apparatus and image processing method | |
JP3597272B2 (ja) | 異常陰影候補の検出方法 | |
JP2004351100A (ja) | 医用画像処理システム及び医用画像処理方法 | |
Yang et al. | Algorithm to quantify nuclear features and confidence intervals for classification of oral neoplasia from high-resolution optical images | |
JP2001238868A (ja) | 画像処理方法及び画像処理装置 | |
JP2003275196A (ja) | 医用画像処理方法および医用画像処理装置 | |
JP2006334140A (ja) | 異常陰影候補の表示方法及び医用画像処理システム | |
JP3709759B2 (ja) | 画像処理方法および画像処理装置 | |
JP2002112986A (ja) | 画像診断支援装置 | |
JP2002125961A (ja) | 画像診断支援装置 | |
JPH1119077A (ja) | 放射線画像における腫瘤影の検出方法及び装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060210 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090203 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090324 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20091215 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100125 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100713 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100817 |
|
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: 20100907 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20100920 |
|
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: 20131015 Year of fee payment: 3 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
LAPS | Cancellation because of no payment of annual fees |