JP5011452B2 - 医用画像処理装置および医用画像処理装置の制御方法 - Google Patents

Description

本発明は、医用画像処理装置及び医用画像処理方法に関し、特に、生体組織を撮像して得た医用画像に対して領域分割処理を行う医用画像処理装置及び医用画像処理方法に関するものである。

生体組織を撮像して得た画像の特徴量の算出結果に基づき、該画像において所定の対象物が存在する領域を検出する技術が従来利用されている。また、Ｌｅｖｅｌ−Ｓｅｔ法等の、位相変化が可能な動的輪郭検出手法により画像を領域分割するための手法が八木 康史、斉藤英雄編：「コンピュータビジョン最先端ガイド＜１＞」、ｐｐ．１−２８、アドコム・メディア株式会社（２００９）（以降、非特許文献１と呼ぶ）、Ｔｏｎｙ Ｆ． Ｃｈａｎ ａｎｄ Ｌｕｍｉｎｉｔａ Ａ． Ｖｅｓｅ：「Ａｃｔｉｖｅ Ｃｏｎｔｏｕｒｓ Ｗｉｔｈｏｕｔ Ｅｄｇｅｓ」，ＩＥＥＥ ＴＲＡＮＳＡＣＴＩＯＮＳ ＯＮ ＩＭＡＧＥ ＰＲＯＣＥＳＳＩＮＧ， ＶＯＬ．１０， ＮＯ．２，ＦＥＢＲＵＡＲＹ ２００１，ｐｐ．２６６−２７７（以降、非特許文献２と呼ぶ）、及び、Ｃｈｒｉｓｔｏｐｈｅ Ｓａｍｓｏｎ，Ｌａｕｒｅ Ｂｌａｎｃ−Ｆｅｒａｕｄ， Ｇｉｌｌｅｓ Ａｕｂｅｒｔ， ａｎｄ Ｊｏｓｉａｎｅ Ｚｅｒｕｂｉａ：「Ｍｕｌｔｉｐｈａｓｅ Ｅｖｏｌｕｔｉｏｎ ａｎｄ Ｖａｒｉａｔｉｏｎａｌ Ｉｍａｇｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ」， ＩＮＲＩＡ Ｓｏｐｈｉａ Ａｎｔｉｐｏｌｉｓ（１９９９）（以降、非特許文献３と呼ぶ）に開示されている。

さらに、例えば日本国特開２００７−３１３１１９号公報（以降、特許文献１と呼ぶ）には、体腔内画像の画素のエッジ強度を算出し、該エッジ強度と泡画像の特徴に基づいて予め設定された泡モデルとの相関値を算出し、該体腔内画像のエッジに基づいて該体腔内画像を領域分割し、該相関値及び領域分割結果に基づいて該体腔内画像における泡領域を検出する技術が開示されている。

ところで、近年、内視鏡（カプセル型内視鏡も含む）システムの高解像度化、拡大内視鏡の普及、及び、狭帯域光観察の普及により、微細血管像及びｐｉｔ（腺口）構造等の粘膜微細構造の観察の重要性が高まってきている。

生体組織における粘膜微細構造の形態及び分布状況は、正常組織と腫瘍組織との分別、さらには癌の深達度の推定等の病変の診断に有用であると考えられている。但し、このような診断は、殆どの場合において、主に医師の経験及び知識に応じた主観的見地に基づいて行われる。そのため、医師の主観的見地によらない診断手法としての、例えば、画像解析手法を用いた粘膜微細構造所見の鑑別診断支援手法の実現が望まれている。そして、このような鑑別診断支援手法が、コンピュータ診断支援（Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｄｉａｇｎｏｓｉｓ、ＣＡＤ）の一つとして研究されている。

一方、内視鏡画像における粘膜微細構造の所見の解析においては、所見が多種多様かつ複雑であるとともに、内視鏡画像を取得する際の観察距離、方向、角度、及び、照明光量等の撮像条件が不定であるため、所見に応じた粘膜微細構造を内視鏡画像から抽出することが困難であると考えられている。

例えば、特許文献１に記載された領域分割方法及び検出方法に係る技術は、略一様に大きなエッジ強度を有するような泡が撮像された画像に対して適用した場合には有効な処理結果が得られる反面、大小様々な強度のエッジを有し得る血管が撮像された画像に対して適用した場合には有効な処理結果を得ることが困難である、という課題を有している。その結果、例えば、血管を撮像して得た画像に対し、特許文献１に記載された領域分割方法及び検出方法に係る技術を用いた場合、血管の検出精度の低下を招いてしまう。

また、Ｌｅｖｅｌ−Ｓｅｔ法と呼ばれる動的輪郭検出手法により画像を領域分割するための手法が非特許文献１に開示されている。具体的には、非特許文献１には、画像内の構造成分のエッジの大きさに基づく繰り返し処理を行うことにより、該画像における領域を規定する境界線を動的に設定することが可能な技術が開示されている。

しかし、内視鏡画像においては、画像内の構造成分として、形状輪郭及び透見可能な血管等の明確なエッジを有するものの他に、微細血管、ｐｉｔ（腺口）、及び、粘膜微細模様等の明確なエッジを有しないものも多種多様に含まれ得る。そのため、非特許文献１に開示された手法により内視鏡画像を領域分割したとしても、該内視鏡画像から粘膜微細構造を抽出するという用途においては、必ずしも良好な結果を得ることができない。

これに対し、Ｌｅｖｅｌ−Ｓｅｔ法と類似の手法として、Ｍｕｍｆｏｒｄ−Ｓｈａｈモデルに基づく動的輪郭検出手法（以下、Ｍ−Ｓ法と称する）により画像を領域分割するための手法が非特許文献２に開示されている。非特許文献２に開示された手法は、繰り返し処理を行うことにより領域を規定する境界線を動的に設定するという点においては前述のＬｅｖｅｌ−Ｓｅｔ法と同様である一方、境界の内外における各領域の特徴量の平均値等の値に基づいて境界線を設定可能である点において相違点を有している。具体的には、非特許文献２には、領域を規定する境界線について繰り返し処理を用いて動的に設定する際に、領域の内外において特徴量がなるべく一様になるように境界線を設定することにより、明瞭なエッジを有しない構造が含まれている画像に対しても領域分割を行うことが可能な技術が開示されている。

しかし、非特許文献２に開示された手法によれば、例えば、領域の内外における特徴量の分布の重複が少ない画像、または、明るさが均一な領域が孤立して存在している等の比較的単純な画像に適用した場合には良好な結果を得られる反面、複雑な粘膜微細構造が含まれ得るとともに、観察距離、方向、角度、及び、照明光量等の撮像条件が常に変化し得る内視鏡画像に適用した場合においては、必ずしも良好な結果が得ることができない。具体的には、非特許文献２に開示された手法によれば、例えば、複数の微細血管が撮像された内視鏡画像において、粘膜下を走行する深さの微妙な違い、視野内の位置における光量の変化、及び、周辺の粘膜から反射した二次光等の影響を考慮して特徴量を算出した場合に、該特徴量が非常に広い範囲に分布してしまうため、微細血管の境界線を正確に設定することができない。

また、非特許文献３には、非特許文献２に開示されたものと略同様のアルゴリズムを用いる一方で、境界の内外における領域毎の特徴量の分布を正規分布モデルとし、さらに、母数である平均値μ及び標準偏差σ（または標準偏差の二乗である分散σ^２）を予め設定しておくことにより、各領域の特徴量の母数が設定された母数に近付くように境界線を設定する手法が開示されている。

一方、非特許文献１〜３に開示された手法のいずれかを内視鏡画像の領域分割に適用する場合においては、少なくとも下記の（Ａ）〜（Ｄ）を勘案する必要がある。しかし、非特許文献１〜３には、下記の（Ａ）〜（Ｄ）について着想されておらず、具体的な開示もされていない。

（Ａ）分割される各カテゴリ毎に母数を予め設定する必要がある。

（Ｂ）内視鏡画像においては、分割される領域のカテゴリ数が未知であるため、動的に輪郭を設定するための関数をいくつ用意するかが不明である。

（Ｃ）（Ｂ）に加え、非特許文献３に開示された手法を用いる場合には、カテゴリ数に対応する母数をいくつ用意するかが不明であるとともに、それらの母数の値をどのように設定するかが問題となる。領域分割結果の精度が設定された母数に依存することを考慮した場合、画像毎に適切な母数を設定する必要がある。

（Ｄ）内視鏡画像においては、例えば血管を例に挙げると、組織学的には血管という１つのカテゴリに属するものとして扱われる一方で、構造成分の特徴量の違いに応じた相互に異なるカテゴリに属するものとして扱いながら画像の領域分割を行う必要が生じる場合がある。

本発明は、前述した事情に鑑みてなされたものであり、例えば生体粘膜表面を撮像して得た画像（内視鏡またはカプセル型内視鏡を用いて得たものを含む）において、処理対象となる画像毎に分割すべき領域のカテゴリ数を推定して各カテゴリ毎の特徴量の母数を適切に設定することにより、血管及びｐｉｔ等の粘膜微細構造が存在する領域と、出血、残渣及び白苔等の物質が存在する領域と、を各々異なる領域として良好に分割することができるため、結果的に、画像内に存在する所望の成分の検出精度を向上させることが可能な医用画像処理装置及び医用画像処理方法を提供することを目的としている。

本発明の一態様の医用画像処理装置は、医用画像に対する領域分割処理を行うことが可能な医用画像処理装置であって、前記医用画像から少なくとも１つの特徴量を算出する特徴量算出部と、前記特徴量算出部により算出された特徴量に基づき、前記医用画像において複数のカテゴリを設定するカテゴリ設定部と、前記特徴量算出部により算出された特徴量に基づき、前記カテゴリ設定部により設定されたカテゴリにそれぞれ分類される前記医用画像の各領域毎に母数を設定する母数設定部と、前記カテゴリ設定部により設定されたカテゴリの数と、前記母数設定部により設定された母数と、に応じて規定される動的輪郭モデルを用いた輪郭検出法の演算により前記医用画像に対する領域分割処理を行う領域分割部と、を備えている。

本発明の他の態様の医用画像処理装置は、医用画像に対する領域分割処理を行うことが可能な医用画像処理装置であって、前記医用画像から少なくとも１つの特徴量を算出する特徴量算出部と、前記医用画像に含まれる構造成分に対応する複数の構造成分領域を設定する構造成分領域設定部と、前記複数の構造成分領域各々において、前記特徴量が相互に類似する領域同士を統合する領域統合部と、前記領域統合部による統合結果に基づいてカテゴリを設定するカテゴリ設定部と、前記領域統合部による統合結果として得られた構造成分領域各々における前記特徴量に基づき、該統合結果として得られた構造成分領域毎にそれぞれ母数を設定する母数設定部と、前記カテゴリ設定部により設定されたカテゴリの数と、前記母数設定部により設定された母数と、に応じて規定される動的輪郭モデルを用いた輪郭検出法の演算により前記医用画像に対する領域分割処理を行う領域分割部と、を備えている。

本発明の一態様の医用画像処理装置の制御方法は、医用画像に対する領域分割処理を行うための医用画像処理装置の制御方法であって、特徴量算出部が前記医用画像から少なくとも１つの特徴量を算出する特徴量算出ステップと、前記特徴量算出ステップにより算出された特徴量に基づき、カテゴリ設定部が前記医用画像において複数のカテゴリを設定するカテゴリ設定ステップと、前記特徴量算出ステップにより算出された特徴量に基づき、母数設定部が前記カテゴリ設定ステップにより設定されたカテゴリにそれぞれ分類される前記医用画像の各領域毎に母数を設定する母数設定ステップと、領域分割部が、前記カテゴリ設定ステップにより設定されたカテゴリの数と、前記母数設定ステップにより設定された母数と、に応じて規定される動的輪郭モデルを用いた輪郭検出法の演算により前記医用画像に対する領域分割処理を行う領域分割ステップと、を実行する。

本発明の他の態様の医用画像処理装置の制御方法は、医用画像に対する領域分割処理を行うための医用画像処理装置の制御方法であって、特徴量算出部が前記医用画像から少なくとも１つの特徴量を算出する特徴量算出ステップと、構造領域設定部が前記医用画像に含まれる構造成分に対応する複数の構造成分領域を設定する構造成分領域設定ステップと、領域統合部が前記複数の構造成分領域各々において、前記特徴量が相互に類似する領域同士を統合する領域統合ステップと、カテゴリ設定部が前記領域統合ステップによる統合結果に基づいてカテゴリを設定するカテゴリ設定ステップと、母数設定部が、前記領域統合ステップによる統合結果として得られた構造成分領域各々における前記特徴量に基づき、該統合結果として得られた構造成分領域毎にそれぞれ母数を設定する母数設定ステップと、領域分割部が、前記カテゴリ設定ステップにより設定されたカテゴリの数と、前記母数設定ステップにより設定された母数と、に応じて規定される動的輪郭モデルを用いた輪郭検出法の演算により前記医用画像に対する領域分割処理を行う領域分割ステップと、を実行する。

本発明の実施例に係る医用画像処理装置を有する内視鏡装置の要部の構成の一例を示す図。 図１の光源装置が有する回転フィルタの構成の一例を示す図。 図２の第１のフィルタ群が有する各フィルタの透過特性の一例を示す図。 図２の第２のフィルタ群が有する各フィルタの透過特性の一例を示す図。 本発明の第１の実施例において行われる処理の一例を示すフローチャート。 処理対象となる画像データの一例を示す模式図。 エッジ検出フィルタの一例を示す図。 図６の画像データにおいて、複数の円を領域分割に係る演算の初期解として設定した場合を示す図。 領域分割処理に係る演算の途中経過の一例を示す図。 領域分割処理に係る演算により得られる処理結果の一例を示す図。 本発明の第２の実施例において行われる処理の一例を示すフローチャート。 画像データの各画素における所定の色調特徴量の生起頻度に係る混合正規分布の一例を示す図。 図１２の混合正規分布に基づいて推定される２つの正規分布の一例を示す図。

以下、本発明の実施の形態について、図面を参照しつつ説明を行う。

（第１の実施例）
図１から図１０は、本発明の第１の実施例に係るものである。

内視鏡装置１は、図１に示すように、被検者の体腔内に挿入され、該体腔内の生体組織１０１等の被写体を撮像して得た画像を信号出力する内視鏡２と、生体組織１０１を照明するための照明光を発する光源装置３と、内視鏡２からの出力信号に対して種々の処理を施すプロセッサ４と、プロセッサ４からの映像信号に応じた画像を表示する表示装置５と、プロセッサ４における処理結果に応じた出力信号を記憶する外部記憶装置６と、を有して構成されている。

内視鏡２は、被検者の体腔内に挿入可能な形状及び寸法を備えた挿入部２１ａと、挿入部２１ａの先端側に設けられた先端部２１ｂと、挿入部２１ａの基端側に設けられた操作部２１ｃと、を有して構成されている。また、挿入部２１ａの内部には、光源装置３において発せられた照明光を先端部２１ｂへ伝送するためのライトガイド７が挿通されている。

ライトガイド７の一方の端面（光入射端面）は、光源装置３に着脱自在に接続される。また、ライトガイド７の他方の端面（光出射端面）は、内視鏡２の先端部２１ｂに設けられた図示しない照明光学系の近傍に配置されている。このような構成によれば、光源装置３において発せられた照明光は、光源装置３に接続された状態のライトガイド７、及び、先端部２１ｂに設けられた図示しない照明光学系を経た後、生体組織１０１に対して出射される。

内視鏡２の先端部２１ｂには、被写体の光学像を結像する対物光学系２２と、対物光学系２２により結像された光学像を撮像して画像を取得するＣＣＤ２３と、が設けられている。また、内視鏡２の操作部２１ｃには、観察モードを通常光観察モードまたは狭帯域光観察モードのいずれかに切り替えるための指示を行うことが可能な観察モード切替スイッチ２４が設けられている。

光源装置３は、キセノンランプ等からなる白色光源３１と、白色光源３１から発せられた白色光を面順次な照明光とする回転フィルタ３２と、回転フィルタ３２を回転駆動させるモータ３３と、回転フィルタ３２及びモータ３３を白色光源３１の出射光路に垂直な方向に移動させるモータ３４と、プロセッサ４の制御に基づいてモータ３３及び３４を駆動させる回転フィルタ駆動部３５と、回転フィルタ３２を通過した照明光を集光してライトガイド７の入射端面に供給する集光光学系３６と、を有している。

回転フィルタ３２は、図２に示すように、中心を回転軸とした円板状に構成されており、内周側の周方向に沿って設けられた複数のフィルタを具備する第１のフィルタ群３２Ａと、外周側の周方向に沿って設けられた複数のフィルタを具備する第２のフィルタ群３２Ｂと、を有している。そして、モータ３３の駆動力が前記回転軸に伝達されることにより、回転フィルタ３２が回転する。なお、回転フィルタ３２において、第１のフィルタ群３２Ａ及び第２のフィルタ群３２Ｂの各フィルタが配置されている部分以外は、遮光部材により構成されているものとする。

第１のフィルタ群３２Ａは、各々が回転フィルタ３２の内周側の周方向に沿って設けられた、赤色の波長帯域の光を透過させるＲフィルタ３２ｒと、緑色の波長帯域の光を透過させるＧフィルタ３２ｇと、青色の波長帯域の光を透過させるＢフィルタ３２ｂとを有して構成されている。

Ｒフィルタ３２ｒは、例えば図３に示すように、主に６００ｎｍから７００ｎｍまでの光（Ｒ光）を透過させるような構成を有している。また、Ｇフィルタ３２ｇは、例えば図３に示すように、主に５００ｎｍから６００ｎｍまでの光（Ｇ光）を透過させるような構成を有している。さらに、Ｂフィルタ３２ｂは、例えば図３に示すように、主に４００ｎｍから５００ｎｍまでの光（Ｂ光）を透過させるような構成を有している。

すなわち、白色光源３１において発せられた白色光が第１のフィルタ群３２Ａを経ることにより、通常光観察モード用の広帯域光が生成される。

第２のフィルタ群３２Ｂは、各々が回転フィルタ３２の外周側の周方向に沿って設けられた、青色かつ狭帯域な光を透過させるＢｎフィルタ３２１ｂと、緑色かつ狭帯域な光を透過させるＧｎフィルタ３２１ｇと、を有して構成されている。

Ｂｎフィルタ３２１ｂは、例えば図４に示すように、中心波長が４１５ｎｍ付近に設定され、かつ、Ｂ光に比べて狭い帯域の光（Ｂｎ光）を透過させるように構成されている。

また、Ｇｎフィルタ３２１ｇは、例えば図４に示すように、中心波長が５４０ｎｍ付近に設定され、かつ、Ｇ光に比べて狭い帯域の光（Ｇｎ光）を透過させるように構成されている。

すなわち、白色光源３１において発せられた白色光が第２のフィルタ群３２Ｂを経て離散化されることにより、狭帯域光観察モード用の複数の帯域の狭帯域光が生成される。

プロセッサ４は、画像処理装置としての機能を備えて構成されている。具体的には、プロセッサ４は、画像処理部４１と、制御部４２と、を有して構成されている。また、画像処理部４１は、画像データ生成部４１ａと、演算部４１ｂと、映像信号生成部４１ｃと、を有して構成されている。

画像処理部４１の画像データ生成部４１ａは、制御部４２の制御に基づき、内視鏡２からの出力信号に対してノイズ除去及びＡ／Ｄ変換等の処理を施すことにより、ＣＣＤ２３において得られた画像に応じた画像データを生成する。

画像処理部４１の演算部４１ｂは、画像データ生成部４１ａにより生成された画像データを用いた所定の処理を行うことにより、生体組織１０１を撮像して得た画像データに対する領域分割処理を行う。なお、本実施例においては、前記画像データに血管が含まれているものとし、さらに、前記画像データにおいて血管が存在する領域とそれ以外の領域とを区別するような領域分割処理を行うものとする。このような領域分割処理の詳細については、後程詳述するものとする。

画像処理部４１の映像信号生成部４１ｃは、画像データ生成部４１ａにより生成された画像データに対してガンマ変換及びＤ／Ａ変換等の処理を施すことにより、映像信号を生成して出力する。

制御部４２は、観察モード切替スイッチ２４の指示に基づき、通常光観察モードに切り替える指示が行われたことが検出された場合、通常光観察モード用の広帯域光を光源装置３から出射させるための制御を回転フィルタ駆動部３５に対して行う。そして、回転フィルタ駆動部３５は、制御部４２の制御に基づき、白色光源３１の出射光路上に第１のフィルタ群３２Ａを介挿させ、かつ、白色光源３１の出射光路上から第２のフィルタ群３２Ｂを退避させるように、モータ３４を動作させる。

また、制御部４２は、観察モード切替スイッチ２４の指示に基づき、狭帯域光観察モードに切り替える指示が行われたことが検出された場合、狭帯域光観察モード用の複数の帯域の狭帯域光を光源装置３から出射させるための制御を回転フィルタ駆動部３５に対して行う。そして、回転フィルタ駆動部３５は、制御部４２の制御に基づき、白色光源３１の出射光路上に第２のフィルタ群３２Ｂを介挿させ、かつ、白色光源３１の出射光路上から第１のフィルタ群３２Ａを退避させるように、モータ３４を動作させる。

すなわち、以上に述べた内視鏡装置１の構成によれば、通常光観察モードが選択された場合には、対象物を肉眼で見た場合と略同様の色合いを有する画像（通常光画像）を表示装置５に表示させ、かつ（または）、外部記憶装置６に記憶させることができる。また、以上に述べた内視鏡装置１の構成によれば、狭帯域光観察モードが選択された場合には、生体組織１０１に含まれる血管が強調された画像（狭帯域光画像）を表示装置５に表示表示させ、かつ（または）、外部記憶装置６に記憶させることができる。

次に、本実施例の作用について説明を行う。

まず、術者は、内視鏡装置１の各部の電源を投入した後、観察モード切替スイッチ２４において通常光観察モードを選択する。そして、術者は、通常光観察モードを選択した際に表示装置５に表示される画像、すなわち、対象物を肉眼で見た場合と略同様の色合いを有する画像を見ながら内視鏡２を体腔内に挿入してゆくことにより、観察対象の生体組織１０１が存在する部位に先端部２１ｂを近接させる。

観察モード切替スイッチ２４において通常光観察モードが選択されると、Ｒ光、Ｇ光及びＢ光の各色の光が光源装置３から生体組織１０１へ順次出射され、内視鏡２において該各色の光に応じた画像がそれぞれ取得される。

画像処理部４１の画像データ生成部４１ａは、Ｒ光に応じた画像、Ｇ光に応じた画像、及び、Ｂ光に応じた画像が入力されると、各画像に対応する画像データをそれぞれ生成する（図５のステップＳ１）。

なお、本実施例においては、Ｒ、Ｇ及びＢの３つのプレーンからなり、水平方向ＩＳＸ及び垂直方向ＩＳＹの画像サイズを備え、さらに、各画素の階調が０〜２５５の８ｂｉｔであるような画像データが画像データ生成部４１ａにより生成されるものとする。また、以降においては、Ｒ、Ｇ及びＢの各プレーンにおけるｊ番目（１≦ｊ＜ＩＳＸ×ＩＳＹ）の画素の画素値をそれぞれｒｊ、ｇｊ及びｂｊとして説明を進めるものとする。

画像処理部４１の演算部４１ｂは、画像データ生成部４１ａにおいて生成された画像データに基づき、以降の処理に用いる所定の色調特徴量を該画像データの各画素毎に算出する（図５のステップＳ２）。

より具体的には、本実施例の演算部４１ｂは、前述の所定の色調特徴量（通常光観察モードが選択された際に生成される画像データに基づいて算出する色調特徴量）として、Ｒプレーンのｊ番目の画素の画素値ｒｊとＧプレーンのｊ番目の画素の画素値ｇｊとの比である、ｇｊ／ｒｊの値を各画素毎に（１番目〜（ＩＳＸ×ＩＳＹ）番目の画素全てにおいて）算出する。

なお、本実施例においては、画素値ｒｊ≠０が常に成り立つものと仮定し、さらに、前述の所定の色調特徴量の生起頻度が正規分布（多変量正規分布）に従うものと仮定して以降の説明を行う。

その後、画像処理部４１の演算部４１ｂは、図５のステップＳ２において算出した所定の色調特徴量を用い、生体組織１０１において血管が存在する領域とそれ以外の領域とを区別するような領域分割処理を行う。

ここで、本実施例の領域分割処理の詳細について述べる。なお、以降においては、説明の簡単のため、例えば図６のような、血管の内部（血管の内側）に相当する領域をドット模様とし、背景粘膜（血管の外側）に相当する領域を白とし、かつ、これら２つの領域の境界線を細い実線として示した、模式的な画像データに対して処理を行うものとして説明を進める。

なお、図６は、拡大内視鏡を用いて観察される、胃粘膜の集合細静脈と呼ばれる複雑な形状を示す血管を模式的に示したものである。実際の内視鏡画像によれば、血管及び背景粘膜領域のみを含むものに限らず、例えば、集合細静脈から分岐して表層粘膜に向かって走行する微細血管及び胃底腺（腺口）等の各種構造をさらに含むような画像データが取得される。そして、これらの各種構造を、血管及び背景粘膜領域のいずれとも異なる他のカテゴリに属するものとみなして適宜カテゴリ数を増やすことにより、以下に説明する一連の処理を適用することができる。

演算部４１ｂは、前述の非特許文献３（Ｃｈｒｉｓｔｏｐｈｅ Ｓａｍｓｏｎ，Ｌａｕｒｅ Ｂｌａｎｃ−Ｆｅｒａｕｄ， Ｇｉｌｌｅｓ Ａｕｂｅｒｔ， ａｎｄ Ｊｏｓｉａｎｅ Ｚｅｒｕｂｉａ：「Ｍｕｌｔｉｐｈａｓｅ Ｅｖｏｌｕｔｉｏｎ ａｎｄ Ｖａｒｉａｔｉｏｎａｌ Ｉｍａｇｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ」， ＩＮＲＩＡ Ｓｏｐｈｉａ Ａｎｔｉｐｏｌｉｓ）に開示されたＭｕｍｆｏｒｄ−Ｓｈａｈモデルに類する動的輪郭モデルを用いた輪郭検出法の演算におけるカテゴリ数、及び、各カテゴリ毎の母数を推定するための演算を行う（図５のステップＳ３）。このような母数の推定方法の具体例を以下に述べる。

はじめに、明瞭な各種構造成分を有する領域と間質部等の背景領域とを画像から抽出し、カテゴリ数、及び、これらの領域の特徴量に基づくカテゴリ毎の母数を求めるための処理について説明する。

演算部４１ｂは、図６の模式的な画像データのＧプレーンに対して公知のエッジ検出フィルタ（例えば、図７に示すサイズ５×５のフィルタ）を用いた畳み込み演算を適用することにより、大きなエッジを有する領域（画素値の変動が大きく、長いエッジを有する領域）、及び、大域的な背景領域（エッジがほとんどない領域）を抽出する。具体的には、エッジ検出フィルタリング適用後の画像をＧａとし、さらに、画像Ｇａにおけるｊ番目（１≦ｊ＜ＩＳＸ×ＩＳＹ）の画素の画素値をｇａｊとした場合、演算部４１ｂは、例えば、｜ｇａｊ｜＞０（｜｜は絶対値を表す）である各画素を二値化して抽出した後、連結成分ごとに公知のラベリングを適用することによりエッジマップＭを作成する。なお、このようにして作成されたエッジマップＭにおいて、ラベリングされたＣ個（１≦Ｃ）の連結成分が存在するものとし、さらに、各連結成分をｍｃ（１≦ｃ≦Ｃ）として以降の説明を続ける。

染色剤等を用いていない場合の、通常の内視鏡画像における粘膜表面の微細構造に基づいて得られた画像Ｇａにおいては、Ｇ光に含まれる波長成分をヘモグロビンが吸収するため、血管の画素値が周辺粘膜の画素値に対して相対的に小さくなる。また、前述の画像Ｇａにおいては、Ｇ光に含まれる波長成分を反射することから、ｐｉｔの画素値が周辺粘膜の画素値に対して相対的に大きくなる。そして、このような特性を利用することにより、種々のカテゴリを抽出することができる。

一方、演算部４１ｂは、明瞭な血管のエッジを抽出するために、エッジマップＭとは異なる大エッジマップＬを作成する。具体的には、演算部４１ｂは、｜ｇａｊ｜＞Ｔｈ１（例えばＴｈ１＝１０）である各画素を二値化して抽出することにより、前述の大エッジマップＬを作成する。なお、前述の閾値Ｔｈ１は、固定値として設定されるものに限らず、例えば、画素値ｇａｊに係るヒストグラムのうち、上位２０％の画素値を含むように適応的に決定されるものであってもよい。

なお、大エッジマップＬを作成する理由は、以下の通りである。

図６の模式的な画像データによれば、画像中には血管及び背景領域のみが存在しているが、実際の内視鏡画像によれば、様々な血管及びその他の構造成分、さらにはノイズ成分も含まれ得る。そのため、エッジマップＭの作成時に、それらのエッジも｜ｇａｊ｜＞０であるとして抽出される。このような事情を鑑み、エッジマップＭとは異なる大エッジマップＬを作成することにより、閉領域を構成する、または、閉領域の少なくとも一部分を構成する大きなエッジが特定される。そして、後述する処理を行うことにより、値が小のエッジのみで構成される構造成分及びノイズ成分を除外でき、すなわち、比較的明瞭な構造成分のみを特定することができる。

続いて、演算部４１ｂは、エッジマップＭ及び大エッジマップＬを相互に参照することにより、エッジマップＭの各連結成分ｍ１〜ｍＣのうち、大エッジマップＬにおいて大きなエッジが存在すると判定されている画素と重複する（１または複数の）連結成分ｍｃを選択する処理を行う。このような処理により、エッジマップＭの各連結成分のうち、大きなエッジを有する領域に相当する、血管が撮像されている可能性が高い（１または複数の）連結成分のみを抽出することができる。

さらに、演算部４１ｂは、前述の処理の処理結果に基づき、大きなエッジを有する連結成分と判定された各連結成分ｍｃにより構成される各々の閉領域を、例えば、特開平１１−００３４２８号公報に開示されている閉領域検出手法を用いて抽出する。このようにして抽出された代表領域Ａｄ（１≦ｄ≦Ｄ）は、画像における領域分割の対象となる各種の構造成分を含む領域であるとともに、該各種の構造成分のうちの比較的明瞭なものを含む領域として抽出される。

また、演算部４１ｂは、エッジマップＭにおいてエッジとして抽出されていない画素群を、大域的な背景領域とみなして抽出する。

その後、演算部４１ｂは、抽出した各代表領域Ａｄにおいて、色調特徴量ｇｊ／ｒｊの値が相互に類似する領域同士を統合して１つのカテゴリとする処理を繰り返すことにより、図６の模式的な画像データに含まれる全カテゴリ数Ｋ（１≦Ｋ）を推定する。なお、このような処理としては、例えば特開２００７−１７５４３２号公報に開示されているような、色調特徴量及びそのヒストグラムを用いたクラスタリングに係る処理を適用することができる。

続いて、演算部４１ｂは、以上に述べた処理により得られたＫ個のカテゴリ各々において、色調特徴量ｇｊ／ｒｊの値の平均値及び標準偏差であるμＧＲ_i及びσＧＲ_i（１≦ｉ≦Ｋ）を算出する。

なお、前述のカテゴリ数及び母数の算出については、術者等による手動操作に応じたものとして処理対象の領域を設定することもできる。このような場合、演算部４１ｂは、図示しない入力インターフェースにおいてなされた入力操作に基づいて血管等の構造成分を含む領域及び背景粘膜領域を設定し、設定した各領域に対してカテゴリ番号ｉ（１≦ｉ≦Ｋ、Ｋはカテゴリ数）を付与し、さらに、カテゴリ番号が付与された各領域毎に色調特徴量ｇｊ／ｒｊの平均値及び標準偏差を算出した算出結果を取得すればよい。

なお、以上に列挙した推定方法においては、母数を推定する事前に、複数のカテゴリに重複して生起し得るような色調特徴量の値を有する画素を除外しておくことにより、母数の推定精度を向上させることができる。

また、十分な明るさでない画素及びハレーション等の高輝度画素等の、色調特徴量の算出に適さない画素については、閾値処理により除外した上で母数の推定を行うようにしてもよい。

さらに、以上に述べた一連の処理においては、Ｇプレーンに対してエッジ検出フィルタを適用した画像Ｇａに基づいて母数の推定を行うもの限らず、例えば、各画素の色調特徴量ｇｊ／ｒｊの値を直接用いて母数の推定を行うものであってもよい。そして、色調特徴量ｇｊ／ｒｊの値を直接用いて母数の推定を行う場合においては、画素値を乗数的に変動させる要因となり得る、光量の大小及びシェーディング等による影響を軽減することができる。また、色調特徴量ｇｊ／ｒｊの値を直接用いて母数の推定を行う場合には、通常の内視鏡画像におけるｇｊ／ｒｊの値が０＜ｇｊ／ｒｊ＜１の範囲内に略収まることを考慮した上で、一連の閾値を適宜決定すればよい。

なお、血管及びｐｉｔ等の粘膜微細構造においては、どのような組織性状を有しているか、及び、粘膜下のどの程度深い位置に存在するか等の要因により、組織学的な構造として同一のカテゴリに属するにもかかわらず相互に色調が異なる、といった場合が多々発生し得る。このような場合においては、例えば、血管１及び血管２等の複数のカテゴリに分離し、該複数のカテゴリ毎にそれぞれ母数を推定すればよい。具体的には、代表領域Ａｄの統合を行う際の統合基準、または、代表領域Ａｄの統合を行った後の各領域に対する分離基準を適宜定めて最終的なカテゴリ数を推定した後、各カテゴリ毎に母数を推定することにより実現できる。

また、以上に述べた一連の処理においては、ｇｊ／ｒｊの値を色調特徴量として用いるものに限らず、例えば、ｇｊ／ｒｊの値またはｂｊ／ｇｊの値のうちの一方を、抽出対象となるカテゴリに応じた色調特徴量として適宜選択しつつ用いるものであってもよい。

すなわち、以上に述べた推定方法によれば、図６の模式的な画像データに全部でＫ個のカテゴリ数が含まれているという推定結果を得ることができる。さらに、以上に述べた推定方法によれば、全Ｋ個のカテゴリのうちのｉ番目のカテゴリにおける所定の色調特徴量ｇｊ／ｒｊの値の平均値μＧＲ_i及び標準偏差σＧＲ_iを、前述の母数の推定結果として得ることができる。

なお、以降においては、説明の簡単のため、血管の内部（血管の内側）に相当する領域と、間質部等の背景粘膜（血管の外側）に相当する領域と、の２つのカテゴリのみが図６の模式的な画像データに含まれる（Ｋ＝２であるとともに、ｉ＝１または２のいずれかである）ものとして説明を進める。

一方、演算部４１ｂは、図５のステップＳ３において得られたカテゴリ数及び母数の推定結果をＭ−Ｓ法の輪郭検出式に適用することにより、領域分割に係る演算を行う（図５のステップＳ４）。なお、本実施例においては、前述の輪郭検出式として、前述の非特許文献３（Ｃｈｒｉｓｔｏｐｈｅ Ｓａｍｓｏｎ，Ｌａｕｒｅ Ｂｌａｎｃ−Ｆｅｒａｕｄ， Ｇｉｌｌｅｓ Ａｕｂｅｒｔ， ａｎｄ Ｊｏｓｉａｎｅ Ｚｅｒｕｂｉａ：「Ｍｕｌｔｉｐｈａｓｅ Ｅｖｏｌｕｔｉｏｎ ａｎｄ Ｖａｒｉａｔｉｏｎａｌ Ｉｍａｇｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ」， ＩＮＲＩＡ Ｓｏｐｈｉａ Ａｎｔｉｐｏｌｉｓ）に開示された、下記数式（１）を用いるものとする。

上記数式（１）におけるΦ_i（１≦ｉ≦Ｋ）は、距離関数と呼ばれるものであり、Φ_i＝０となる画素が領域の境界となり、その他の画素におけるΦ_iの値については境界からの距離に応じて設定される。具体的には、Φ_iの値は、前記境界の内部（領域の内側）に存在する画素については前記境界からの距離に応じた正の値をとり、前記境界の外部（領域の外側）に存在する画素については前記境界からの距離に応じた負の値をとる。

また、上記数式（１）におけるＦ_α（Φ₁，・・・，Φ_K）は、全Ｋ個のカテゴリを含む全領域Ωを領域分割した際の評価値を示すものである。すなわち、Ｆ_α（Φ₁，・・・，Φ_K）の値を最小化する境界を（例えば後述の）繰り返し処理を経て求めることにより、画像の領域分割を実現することができる。

なお、上記数式（１）における右辺の３つの項は、それぞれ順に、分割された領域内の特徴量の母数がμ_i及びσ_iに近いほど小となる項、境界線の長さが短いほど（複雑でないほど）小となる項、及び、領域の重複等を制御する項、をそれぞれ意味している。

一方、Ｍ−Ｓ法を用いた領域分割においては、評価値Ｆ_α（Φ₁，・・・，Φ_K）を最小化する距離関数Φ_iを、下記数式（２）の繰り返し処理を経て求めることができる。

上記数式（２）におけるｔは、繰り返し処理における繰り返し回数（０≦ｔ）を示す添え字である。なお、上記数式（２）におけるｔ＝０は、境界が初期解であることを意味する。

そして、演算部４１ｂは、上記数式（２）を用いた繰り返し処理において、ｔ回目及び（ｔ＋１）回目の繰り返し回数に達した際にそれぞれ得られる距離関数Φ_iを用いて算出した評価値Ｆ_α（Φ₁，・・・，Φ_K）の値が０（あるいは０．０１等の微小な変化）となったことを検出した場合、または、所定の繰り返し回数（ｔ＝所定値）に達したことを検出した場合の処理結果を、最終的な境界に収束した領域分割結果として取得する。なお、本実施例においては、演算時間削減のため、所定の繰り返し回数に達した場合の処理結果（距離関数Φ_i及び評価値Ｆ_α（Φ₁，・・・，Φ_K））を領域分割結果として取得するものとする。

なお、上記数式（１）及び（２）におけるλは、所定の定数（正の実数）を示す。具体的には、本実施例においては、λ＝１．０として定められる。

また、上記数式（１）及び（２）におけるｅ_i及びγ_iは、それぞれ各カテゴリの右辺第一項及び第二項の重み係数を示す。具体的には、本実施例においては、ｅ₁＝ｅ₂＝…＝ｅ_K＝１．０、かつ、γ₁＝γ₂＝…＝γ_K＝１．０として定められる。さらに、本実施例によれば、これらの重み係数の値を適宜変更することにより、右辺各項または各カテゴリ毎の重要度が変更され、すなわち、領域境界の収束結果（領域分割結果）を制御することができる。

また、上記の数式（１）及び（２）におけるδ_α及びＨ_αは、Ｄｉｒａｃのデルタ関数及びＨｅａｖｉｓｉｄｅ分布をそれぞれ近似した関数を示す。

一方、演算部４１ｂは、図５のステップＳ４において、図５のステップＳ２の処理結果として得られた（各画素毎の）所定の色調特徴量ｇｊ／ｒｊを上記数式（２）のｕ₀に代入して演算を行うことにより、距離関数Φ_iを更新する。また、演算部４１ｂは、図５のステップＳ４において、図５のステップＳ３の処理により推定した全カテゴリ数（＝２）、及び、推定した母数（平均値μＧＲ_i及び標準偏差σＧＲ_i（分散（σＧＲ_i）²））を上記の数式（２）に代入して演算を行う。

その後、演算部４１ｂは、図５のステップＳ４の演算回数が所定の演算回数（例えば２０００回）に達したか否かの判定を行う（図５のステップＳ５）。そして、演算部４１ｂは、図５のステップＳ４の演算回数が所定の演算回数に達していないことを検出した場合、図５のステップＳ４に戻り、次の繰り返し回数における距離関数Φ_iを算出する。

また、演算部４１ｂは、図５のステップＳ５において、図５のステップＳ４の演算回数が所定の演算回数に達したとの判定結果が得られるまでの間、図５のステップＳ４の処理を繰り返す。そして、演算部４１ｂは、図５のステップＳ５において、図５のステップＳ４の演算回数が所定の演算回数に達したとの判定結果が得られた場合に、領域分割に係る演算を含む一連の処理を終了する。

ここで、図８は、図６の模式的な画像データにおいて、太い実線を用いて描かれた複数の円を領域分割に係る演算の初期解として設定した場合を示す図である。このような初期解が設定された場合において、図５のステップＳ４における演算回数が１００回に達した際には、例えば図９に示すような演算結果を得ることができる。そして、前述のような初期解が設定された場合において、図５のステップＳ４における演算回数が所定の演算回数に達した際には、例えば図１０に示すような、血管の内部（血管の内側）に相当する領域と、背景粘膜（血管の外側）に相当する領域と、の２つの領域が太い実線により示される境界線を境に完全に分割された、（最終的な）領域分割結果を得ることができる。

すなわち、本実施例によれば、画像データ生成部４１ａにより生成された画像データを用いて以上に述べたような領域分割処理を行うことにより、生体組織１０１において血管が存在する領域とそれ以外の領域とを明確に区別することができる。その結果、本実施例によれば、生体組織１０１に存在する血管の検出精度を従来に比べて向上させることができる。

なお、本実施例の領域分割処理は、通常光観察モードが選択された場合に得られる画像を用いて行われるものに限らず、例えば、狭帯域光観察モードが選択された場合に得られる画像（Ｂｎ光に応じた画像及びＧｎ光に応じた画像）を用いても略同様に行うことができる。

また、本実施例の領域分割処理は、所定の色調特徴量として、Ｇ光に応じた画像データの画素値からＲ光に応じた画像データの画素値を除して得た値を用いて行われるものに限らず、例えば、Ｂ光に応じた画像データの画素値からＧ光に応じた画像データの画素値を除して得た値を用いて行われるものであっても良い。また、本実施例の領域分割処理は、所定の色調特徴量として、Ｒ光、Ｇ光、及び、Ｂ光に応じた画像データのうち、いずれか一の画像データの画素値を用いて行われるものであっても良い。さらに、本実施例の領域分割処理は、所定の色調特徴量として、ＲＧＢ表色系の画素値をＨＳＩ表色系またはＬ*ａ*ｂ*表色系に変換することにより得られる変換後の値を用いて行われるものであっても良い。

また、本実施例の領域分割処理においては、所定の色調特徴量として、生起頻度が正規分布に従う１つの特徴量のみを用いるものに限らず、生起頻度が多変量正規分布にそれぞれ従う複数の特徴量を同時に用いてもよい。（なお、この場合においては、分散σ_i ²の代わりに、分散共分散行列Σを上記数式（１）の母数として用いればよい。）
また、本実施例の領域分割処理によれば、血管が存在する領域と、背景粘膜に相当する領域と、の２つのカテゴリのみに基づいて領域分割が行われるものに限らず、例えば、大腸のピット、ＭＣＥ（Ｍａｒｇｉｎａｌ Ｃｒｙｐｔ Ｅｐｉｔｈｅｌｉｕｍ）、白苔及び粘液等の、内視鏡画像に含まれ得る要素に相当する各カテゴリに基づいて領域分割が行われるものであっても良い。

また、本実施例においては、色調特徴量の生起頻度が正規分布（多変量正規分布）に従うものと仮定して領域分割処理を行うものに限らず、例えば、分割対象となる各領域における色調特徴量の分布状態に応じ、正規分布と（正規分布以外の）他の確率分布とのうちのいずれか１つを適宜選択及び設定して領域分割処理を行うものであってもよい。

また、本実施例においては、代表的な構造成分に基づいて母数を推定するために、大きなエッジを有する領域の各画素に対してクラスタリングを行う処理を例に挙げて説明したが、これに限らず、背景領域も含めた全画素の特徴量を用いて直接クラスタリングを行うものであってもよい。

（第２の実施例）
次に、本発明の第２の実施例の説明を行う。図１１から図１３は、本発明の第２の実施例に係るものである。本実施例においては、第１の実施例とは異なり、明瞭なエッジをともなう構造成分が少ない画像、すなわち、エッジに基づいて構造成分を代表する領域を決定することが困難な画像においても、良好にカテゴリ数及び各カテゴリの母数を推定することが可能な医用画像処理装置について説明する。

なお、本実施例においては、第１の実施例と同様の構成の内視鏡装置１を用いて処理を行う。そのため、本実施例においては、内視鏡装置の構成に関しての詳細な説明を省略する。

また、本実施例と第１の実施例との間においては、上記数式（１）の演算に用いるカテゴリ数、及び、各カテゴリ毎の母数の推定方法が主に異なっている。そのため、本実施例においては、第１の実施例と異なる部分についての説明を主に行うとともに、第１の実施例と同様の部分については適宜省略しつつ説明を行う。

ここで、本実施例の作用について説明を行う。

まず、術者は、内視鏡装置１の各部の電源を投入した後、観察モード切替スイッチ２４において通常光観察モードを選択する。そして、術者は、通常光観察モードを選択した際に表示装置５に表示される画像、すなわち、対象物を肉眼で見た場合と略同様の色合いを有する画像を見ながら内視鏡２を体腔内に挿入してゆくことにより、観察対象の生体組織１０１が存在する部位に先端部２１ｂを近接させる。

観察モード切替スイッチ２４において通常光観察モードが選択されると、Ｒ光、Ｇ光及びＢ光の各色の光が光源装置３から生体組織１０１へ順次出射され、内視鏡２において該各色の光に応じた画像がそれぞれ取得される。

画像データ生成部４１ａは、Ｒ光に応じた画像、Ｇ光に応じた画像、及び、Ｂ光に応じた画像が入力されると、各画像に対応する画像データをそれぞれ生成する（図１１のステップＳ１１）。

演算部４１ｂは、画像データ生成部４１ａにおいて生成された画像データに基づき、以降の処理に用いる所定の色調特徴量ｇｊ／ｒｊの値を該画像データの各画素毎に算出する（図１１のステップＳ１２）。

その後、演算部４１ｂは、図６の模式的な画像データ内に存在する全領域（１回目の処理の場合は画像全域）のうち、後述の所定の条件を満たさない各領域において、クラス数が２に設定されたＥＭアルゴリズムを適用する（図１１のステップＳ１３）ことにより、２つのクラス各々における母数（所定の色調特徴量の平均値μ_i及び分散σ_i ²）を推定する（図１１のステップＳ１４）。

なお、ＥＭアルゴリズムは、混合正規分布における複数の母数を推定することが可能な公知の手法である。そのため、ＥＭアルゴリズムに関する詳細な説明は省略する。

また、ＥＭアルゴリズムの適用においては、クラス数（カテゴリ数と同義）が既知であることが前提条件となる。そのため、本実施例においては、２つのクラスでの分類を十分な回数分繰り返し、得られた結果を統合することにより画像中に存在するカテゴリ数の推定及び各カテゴリの母数を推定する処理にＥＭアルゴリズムを適用するものとして説明を行う。

ところで、画像データ生成部４１ａにより生成された画像データの各画素における所定の色調特徴量（例えばＧ光に応じた画像データの画素値からＲ光に応じた画像データの画素値を除した値）の生起頻度が正規分布に従うことを前提とした場合、２つのクラスの正規分布が合成された混合正規分布は、例えば図１２のようなものとして示される。

そして、演算部４１ｂは、ＥＭアルゴリズムのＥステップ及びＭステップに係る演算を、演算停止条件（例えば２つのクラスの尤度改善が閾値以下となった場合。具体的には閾値を０．０１とすればよい）を満たすまで繰り返し行うことにより、頻度のピークが相対的に低い値となる第１の正規分布を規定する母数（所定の色調特徴量の平均値及び分散）と、頻度のピークが相対的に高い値となる第２の正規分布を規定する母数（所定の色調特徴量の平均値及び分散）と、をそれぞれ推定する（図１１のステップＳ１３及びステップＳ１４）。なお、前述の第１の正規分布及び第２の正規分布は、例えば図１３のようなものとして示される。

次に、演算部４１ｂは、図１１のステップＳ１４の演算結果として得られた母数による正規分布を用い、図６の模式的な画像データにおける各画素の色調特徴量ｇｊ／ｒｊの値が前述の第１及び第２の正規分布のいずれに近いものであるかを判別し、各画素にクラス（カテゴリ）を表すラベル１または２を付与する（図１１のステップＳ１５）。具体的には、演算部４１ｂは、例えば、公知のユークリッド距離またはマハラノビス距離（多次元特徴量を用いる場合）を用い、各画素の色調特徴量ｇｊ／ｒｊの値が前述の第１及び第２の正規分布における各平均値μｐ（ｐ＝１または２）のいずれに近いかを判定する。

以上の処理により、図６の模式的な画像データにおける各画素は、所定の色調特徴量ｇｊ／ｒｊの値に基づき、クラス（カテゴリ）１または２のいずれかに分類される。

続いて、演算部４１ｂは、図１１のステップＳ１５の処理結果として得られた、クラス（カテゴリ）１及び２の各々に分類された画素群に対し、再度ステップＳ１３乃至Ｓ１５の一連の処理を適用するか否かの判定を行う（図１１のステップＳ１６）。

１回目の図１１のステップＳ１５の分類処理により、画像に含まれる各画素は、基本的に２つのクラス（カテゴリ）に分類される。しかし、実際に画像に含まれる構造成分に応じたクラス（カテゴリ）数、または、領域分割処理を行う際に最適なクラス（カテゴリ）数については、別途指定しない限りは不明である。そのため、１回目の図１１のステップＳ１５の分類処理により得られた分類結果においては、本来であれば異なるクラス（カテゴリ）に分類されるはずの画素群を含んだまま、２つのクラス（カテゴリ）に分類されている可能性がある。

そこで、本実施例の演算部４１ｂは、図１１のステップＳ１６において、所定の条件を満たしたか否かに応じ、クラス（カテゴリ）１及び２を表すラベルが付与された画素群（領域）をさらに複数のクラス（カテゴリ）に分割するべきか否かを判定する処理を行っている。具体的には、演算部４１ｂは、クラス（カテゴリ）１及び２を表すラベルが付与された２つの画素群（領域）間における平均値μｐの差が閾値（例えば閾値を０．１とする）以下となった場合、分類結果として得られたいずれかの画素群（領域）に含まれる画素数が閾値（例えば閾値を０．１×ＩＳＸ×ＩＳＹとする）以下となった場合、または、ステップＳ１３乃至Ｓ１５の一連の処理の繰り返し回数が所定の回数に達した場合等に、所定の条件を満たしたものと判定する。そして、演算部４１ｂは、クラス（カテゴリ）１及び２を表すラベルが付与された画素群（領域）のうちの少なくともいずれか一方が所定の条件を満たさない場合には、該所定の条件を満たさない各画素群（領域）に対して再度ステップＳ１３乃至Ｓ１５の一連の処理を適用することにより、該各画素群（領域）をさらに２つのクラス（カテゴリ）に分類する、という処理を繰り返し行う。

一方、演算部４１ｂは、図１１のステップＳ１５の処理結果として得られた全領域（全画素群）が所定の条件を満たした場合、該全領域のうち、所定の色調特徴量（ｇｊ／ｒｊ）の分布状態が相互に一部重複する領域同士を統合する、または、所定の色調特徴量（ｇｊ／ｒｊ）の分布状態が相互に一部重複する各領域を除外することにより、上記数式（１）の演算に用いる全カテゴリ数を推定する（図１１のステップＳ１７）。また、演算部４１ｂは、各カテゴリ毎に所定の色調特徴量（ｇｊ／ｒｊ）の平均値及び分散を算出した算出結果を、上記数式（１）の演算に用いる母数として推定する（図１１のステップＳ１７）。

ここで、図１１のステップＳ１７の処理により、血管の内部（血管の内側）に相当する領域と、間質部等の背景粘膜（血管の外側）に相当する領域と、の２つのカテゴリのみが図６の模式的な画像データに含まれるという推定結果が得られたものとする。このような推定結果が得られた場合、演算部４１ｂは、第１の実施例の説明において述べた、図５のステップＳ４及びＳ５の処理と同じ処理を、図１１のステップＳ１８及びＳ１９の処理として行うことにより、例えば図１０に示すような、血管の内部（血管の内側）に相当する領域と、背景粘膜（血管の外側）に相当する領域と、の２つの領域が太い実線により示される境界線を境に完全に分割された、（最終的な）領域分割結果を得ることができる。

すなわち、本実施例によれば、画像データ生成部４１ａにより生成された画像データを用いて以上に述べたような領域分割処理を行うことにより、生体組織１０１において血管が存在する領域とそれ以外の領域とを明確に区別することができる。その結果、本実施例によれば、生体組織１０１に存在する血管の検出精度を従来に比べて向上させることができる。

なお、図１１のステップＳ１３乃至Ｓ１５の一連の処理が繰り返し行われた後、図１１のステップＳ１６において所定の条件を満たしたものと判定された場合に、本来であれば同一のカテゴリに分類されるはずの画素群が過度に分割されてしまっているような処理結果を得る場合があり得る。このような場合においては、図１１のステップＳ１７の処理を行う事前に、例えば、特開２００７−１７５４３２号公報に開示されているようなクラスタリングに係る処理を前記処理結果に対して適用することにより、母数の値が近い領域同士を再統合するものであってもよい。

なお、以上に述べた各実施例においては、所定の色調特徴量の平均値及び分散の推定結果を上記数式（１）の母数として用いて演算を行ったが、これ以外の方法により領域分割処理を行うことも可能である。具体的には、例えば、ＩＥＥＥ ＴＲＡＮＳＡＣＴＩＯＮＳ ＯＮ ＩＭＡＧＥ ＰＲＯＣＥＳＳＩＮＧ， ＶＯＬ．１０， ＮＯ．２（２００１年２月）の「Ａｃｔｉｖｅ Ｃｏｎｔｏｕｒｓ Ｗｉｔｈｏｕｔ Ｅｄｇｅｓ」に開示された輪郭検出法によれば、所定の色調特徴量の平均値の推定結果のみを母数として用いて演算を行うことにより、以上に述べた各実施例と略同様の領域分割処理結果を得ることができる。

また、以上の各実施例において述べた一連の処理は、内視鏡画像に対して適用されるものに限らず、例えば、カプセル内視鏡により得られた画像に対して適用されるものであってもよく、または、モノクロ画像等の各種の医用画像に対して適用されるものであってもよい。

また、以上に述べた各実施例においては、特徴量として色調特徴量を用いた処理を例に挙げて説明したが、分割対象となる構造成分に応じ、色調特徴量以外の他の特徴量を適宜選択して、または、色調特徴量と該他の特徴量とを適宜組み合わせて用いて処理を行うものであってもよい。具体的には、前記他の特徴量として、例えば、公知のＧａｂｏｒフィルタを画像に適用して得られるＧａｂｏｒ特徴のような構造特徴量等を用いてもよい。

また、以上に述べた各実施例においては、１画素毎に算出された色調特徴量を用いて処理を行うものであってもよく、または、複数画素（例えば４×４画素）からなる小領域毎に算出された色調特徴量を用いて処理を行うものであってもよい。

本発明は、上述した各実施例に限定されるものではなく、発明の趣旨を逸脱しない範囲内において種々の変更や応用が可能であることは勿論である。

本出願は、２０１０年４月１２日に日本国に出願された特願２０１０−９１６７１号を優先権主張の基礎として出願するものであり、上記の開示内容は、本願明細書、請求の範囲、図面に引用されたものとする。

Claims (16)

1. 医用画像に対する領域分割処理を行うことが可能な医用画像処理装置であって、
   前記医用画像から少なくとも１つの特徴量を算出する特徴量算出部と、
   前記特徴量算出部により算出された特徴量に基づき、前記医用画像において複数のカテゴリを設定するカテゴリ設定部と、
   前記特徴量算出部により算出された特徴量に基づき、前記カテゴリ設定部により設定されたカテゴリにそれぞれ分類される前記医用画像の各領域毎に母数を設定する母数設定部と、
   前記カテゴリ設定部により設定されたカテゴリの数と、前記母数設定部により設定された母数と、に応じて規定される動的輪郭モデルを用いた輪郭検出法の演算により前記医用画像に対する領域分割処理を行う領域分割部と、
   を備えたことを特徴とする医用画像処理装置。
2. 前記医用画像に含まれる構造成分に対応する領域を抽出する構造成分領域抽出部をさらに有し、
   前記特徴量算出部は、前記構造成分領域抽出部により抽出された各領域から少なくとも１つの特徴量を算出し、
   前記カテゴリ設定部は、前記特徴量算出部により算出された特徴量に基づき、前記構造成分領域抽出部により抽出された各領域に対応する複数のカテゴリを設定する
   ことを特徴とする請求項１に記載の医用画像処理装置。
3. 前記カテゴリ設定部は、前記特徴量算出部により算出された特徴量の分布状態に基づき、前記複数のカテゴリに対してクラスタリング処理を施し、
   前記領域分割部は、前記クラスタリング処理の処理結果により設定されたカテゴリの数と、前記母数設定部において、前記クラスタリング処理の処理結果により設定されたカテゴリにそれぞれ分類される各領域毎に設定された母数と、に応じて規定される動的輪郭モデルを用いた輪郭検出法の演算により領域分割処理を行う
   ことを特徴とする請求項１に記載の医用画像処理装置。
4. 前記医用画像は、内視鏡画像であ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。
5. 前記カテゴリ設定部により設定されるカテゴリには、血管及び腺構造のうちの少なくとも１つが含まれ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。
6. 医用画像に対する領域分割処理を行うことが可能な医用画像処理装置であって、
   前記医用画像から少なくとも１つの特徴量を算出する特徴量算出部と、
   前記医用画像に含まれる構造成分に対応する複数の構造成分領域を設定する構造成分領域設定部と、
   前記複数の構造成分領域各々において、前記特徴量が相互に類似する領域同士を統合する領域統合部と、
   前記領域統合部による統合結果に基づいてカテゴリを設定するカテゴリ設定部と、
   前記領域統合部による統合結果として得られた構造成分領域各々における前記特徴量に基づき、該統合結果として得られた構造成分領域毎にそれぞれ母数を設定する母数設定部と、
   前記カテゴリ設定部により設定されたカテゴリの数と、前記母数設定部により設定された母数と、に応じて規定される動的輪郭モデルを用いた輪郭検出法の演算により前記医用画像に対する領域分割処理を行う領域分割部と、
   を備えたことを特徴とする医用画像処理装置。
7. 前記医用画像は、内視鏡画像であることを特徴とする請求項６に記載の医用画像処理装置。
8. 前記カテゴリ設定部により設定されるカテゴリには、血管及び腺構造のうちの少なくとも１つが含まれることを特徴とする請求項６に記載の医用画像処理装置。
9. 医用画像に対する領域分割処理を行うための医用画像処理装置の制御方法であって、
   特徴量算出部が前記医用画像から少なくとも１つの特徴量を算出する特徴量算出ステップと、
   前記特徴量算出ステップにより算出された特徴量に基づき、カテゴリ設定部が前記医用画像において複数のカテゴリを設定するカテゴリ設定ステップと、
   前記特徴量算出ステップにより算出された特徴量に基づき、母数設定部が前記カテゴリ設定ステップにより設定されたカテゴリにそれぞれ分類される前記医用画像の各領域毎に母数を設定する母数設定ステップと、
   領域分割部が、前記カテゴリ設定ステップにより設定されたカテゴリの数と、前記母数設定ステップにより設定された母数と、に応じて規定される動的輪郭モデルを用いた輪郭検出法の演算により前記医用画像に対する領域分割処理を行う領域分割ステップと、
   を実行することを特徴とする医用画像処理装置の制御方法。
10. 構造成分領域抽出部が前記医用画像に含まれる構造成分に対応する領域を抽出する構造成分領域抽出ステップをさらに実行し、
    前記特徴量算出ステップは、前記構造成分領域抽出ステップにより抽出された各領域から少なくとも１つの特徴量を算出し、
    前記カテゴリ設定ステップは、前記特徴量算出ステップにより算出された特徴量に基づき、前記構造成分領域抽出ステップにより抽出された各領域に対応する複数のカテゴリを設定する
    ことを特徴とする請求項９に記載の医用画像処理装置の制御方法。
11. 前記カテゴリ設定ステップは、前記特徴量算出ステップにより算出された特徴量の分布状態に基づき、前記複数のカテゴリに対してクラスタリング処理を施し、
    前記領域分割ステップは、前記クラスタリング処理の処理結果により設定されたカテゴリの数と、前記母数設定ステップにおいて、前記クラスタリング処理の処理結果により設定されたカテゴリにそれぞれ分類される各領域毎に設定された母数と、に応じて規定される動的輪郭モデルを用いた輪郭検出法の演算により領域分割処理を行う
    ことを特徴とする請求項９に記載の医用画像処理装置の制御方法。
12. 前記医用画像は、内視鏡画像であることを特徴とする請求項９に記載の医用画像処理装置の制御方法。
13. 前記カテゴリ設定ステップにより設定されるカテゴリには、血管及び腺構造のうちの少なくとも１つが含まれることを特徴とする請求項９に記載の医用画像処理装置の制御方法。
14. 医用画像に対する領域分割処理を行うための医用画像処理装置の制御方法であって、
    特徴量算出部が前記医用画像から少なくとも１つの特徴量を算出する特徴量算出ステップと、
    構造領域設定部が前記医用画像に含まれる構造成分に対応する複数の構造成分領域を設定する構造成分領域設定ステップと、
    領域統合部が前記複数の構造成分領域各々において、前記特徴量が相互に類似する領域同士を統合する領域統合ステップと、
    カテゴリ設定部が前記領域統合ステップによる統合結果に基づいてカテゴリを設定するカテゴリ設定ステップと、
    母数設定部が、前記領域統合ステップによる統合結果として得られた構造成分領域各々における前記特徴量に基づき、該統合結果として得られた構造成分領域毎にそれぞれ母数を設定する母数設定ステップと、
    領域分割部が、前記カテゴリ設定ステップにより設定されたカテゴリの数と、前記母数設定ステップにより設定された母数と、に応じて規定される動的輪郭モデルを用いた輪郭検出法の演算により前記医用画像に対する領域分割処理を行う領域分割ステップと、
    を実行することを特徴とする医用画像処理装置の制御方法。
15. 前記医用画像は、内視鏡画像であることを特徴とする請求項１４に記載の医用画像処理装置の制御方法。
16. 前記カテゴリ設定ステップにより設定されるカテゴリには、血管及び腺構造のうちの少なくとも１つが含まれることを特徴とする請求項１４に記載の医用画像処理装置の制御方法。

Images