JP5117353B2 - 画像処理装置、画像処理プログラムおよび画像処理方法 - Google Patents

Description

本発明は、体内管腔内を撮像した複数の波長成分で構成される画像を処理する画像処理装置、画像処理プログラムおよび画像処理方法に関するものである。

体内管腔内を撮像した画像から注目対象部を検出する画像処理装置として、例えば、カプセル内視鏡で撮像した消化管内画像から異常部を検出する画像処理装置が知られている（特許文献１を参照）。この特許文献１に開示されている技術では、先ず、カプセル内視鏡によって撮像された体内管腔内のＲＧＢ画像の各画素、またはこの体内管腔内のＲＧＢ画像を矩形分割した各領域を、その色情報（色度＝Ｒ／（Ｒ＋Ｇ＋Ｂ）、Ｇ／（Ｒ＋Ｇ＋Ｂ）、色比＝Ｒ／Ｇ等）に基づく特徴空間に写像する。そして、特徴空間内でクラスタリングを行った後に、各クラスタの大きさや重心座標等の情報をもとに正常粘膜クラスタと異常部クラスタとを特定し、異常部クラスタに属する画素または矩形領域を異常部として検出している。

特開２００５−１９２８８０号公報

特許文献１では、画像内全域の画素または矩形分割した領域を、色情報に基づく特徴空間で画一的に処理している。ところで、カプセル内視鏡は、消化管内の近景から遠景までを管内の内容液を通して撮像する。ここで、近景を撮像する場合と遠景を撮像する場合とでは光が通過する内容液の量が異なり、画像内の撮像対象の色情報にも変化が生じる。例えば、胆汁に代表される黄色の内容液を通して撮像した場合、正常粘膜や異常部（病変部）はともに、遠景において近景よりも黄色がかった色となる。すなわち、色情報に基づく特徴空間において、近景にある正常部と病変部とを判別するための境界は、遠景にある正常部と病変部とを判別するための境界と必ずしも一致しない。このため、特許文献１のように、近景から遠景が映る画像内全域を色情報の特徴空間で画一的に処理する方法では、正常粘膜と病変部とを精度良く判別できないという問題があった。なお、ここでは正常粘膜と病変部とを判別する場合について述べたが、これに限らず、例えば粘膜と内容物とを判別したい場合等も同様であり、粘膜と内容物とを精度良く判別できない。

本発明は、上記に鑑み為されたものであって、体内管腔内を撮像した画像から注目対象部を精度良く検出することができる画像処理装置、画像処理プログラムおよび画像処理方法を提供することを目的とする。

上記した課題を解決し、目的を達成するための、本発明のある態様にかかる画像処理装置は、体内管腔内を撮像した複数の波長成分で構成される画像を処理する画像処理装置であって、前記複数の波長成分または前記複数の波長成分を変換して得られる波長成分の中から生体内における吸収または散乱の度合いに応じて特定される特定波長成分の値をもとに、前記画像内を領域分割する領域分割部と、前記領域分割部が領域分割した領域毎に設定される判別基準を用い、前記領域内の注目対象部を特定する注目対象部特定部と、を備えることを特徴とする。

この態様にかかる画像処理装置によれば、体内管腔内を撮像した画像を構成する複数の波長成分またはこの複数の波長成分を変換して得られる波長成分の中から生体内における吸収または散乱の度合いに応じて特定される特定波長成分の値をもとに、前記画像内を領域分割することができる。ここで、生体内における吸収または散乱の度合いが低く、生体内で吸収または散乱し難い波長成分は、撮像対象までの距離を反映した情報を最も得易い成分である。このような波長成分を特定波長成分として画像内を領域分割すれば、画像内を撮像距離が類似する領域毎に領域分割することができる。そして、このようにして領域分割した領域毎に設定される判別基準を用い、領域内の注目対象部を特定することができる。したがって、体内管腔内を撮像した画像内の注目対象部を精度良く検出することができる。

また、本発明の別の態様にかかる画像処理プログラムは、コンピュータに、体内管腔内を撮像した複数の波長成分で構成される画像を処理させるための画像処理プログラムであって、前記複数の波長成分または前記複数の波長成分を変換して得られる波長成分の中から生体内における吸収または散乱の度合いに応じて特定される特定波長成分の値をもとに、前記画像内を領域分割する領域分割ステップと、前記領域分割ステップで領域分割した領域毎に設定される判別基準を用い、前記領域内の注目対象部を特定する注目対象部特定ステップと、を前記コンピュータに実行させることを特徴とする。

また、本発明の別の態様にかかる画像処理方法は、体内管腔内を撮像した複数の波長成分で構成される画像を処理する画像処理方法であって、前記複数の波長成分または前記複数の波長成分を変換して得られる波長成分の中から生体内における吸収または散乱の度合いに応じて特定される特定波長成分の値をもとに、前記画像内を領域分割する領域分割工程と、前記領域分割工程で領域分割した領域毎に設定される判別基準を用い、前記領域内の注目対象部を特定する注目対象部特定工程と、を含むことを特徴とする。

本発明によれば、体内管腔内を撮像した画像内の注目対象部を精度良く検出することができる。

以下、図面を参照し、本発明の好適な実施の形態について詳細に説明する。なお、この実施の形態によって本発明が限定されるものではない。また、各図面の記載において、同一部分には同一の符号を付して示している。

（実施の形態１）
先ず、実施の形態１について説明する。実施の形態１では、原色系フィルタ（Ｒ：赤，Ｇ：緑，Ｂ：青）を用いて消化管等の体内管腔内を撮像した画像（以下、「管腔内画像」と呼ぶ。）を処理し、病変部を検出する場合について説明する。

図１は、実施の形態１の画像処理装置を含む画像処理システムの全体構成を示す概略模式図である。図１に示すように、画像処理システムは、被検体１内部の画像（管腔内画像）を撮像するカプセル内視鏡３、カプセル内視鏡３から無線送信される管腔内画像を受信する受信装置５、受信装置５によって受信された管腔内画像をもとに、カプセル内視鏡３によって撮像された管腔内画像を処理して表示する画像処理装置１０等で構成される。受信装置５と画像処理装置１０との間の画像データの受け渡しには、例えば可搬型の記録媒体（可搬型記録媒体）７が使用される。

カプセル内視鏡３は、撮像機能や無線機能等を具備するものであって、被検体１の口から飲み込まれて被検体１内部に導入され、体内管腔内を移動しながら逐次管腔内画像を撮像する。そして、撮像した管腔内画像を体外に無線送信する。実施の形態１では、カプセル内視鏡３によって撮像される管腔内画像は、各画素位置においてＲ（赤），Ｇ（緑），Ｂ（青）の各波長成分に対する画素レベル（画素値）を持つカラー画像である。

受信装置５は、被検体１内におけるカプセル内視鏡３の通過経路に対応する体表上の位置に分散配置される受信用アンテナＡ１〜Ａｎを備える。そして、受信装置５は、各受信用アンテナＡ１〜Ａｎを介してカプセル内視鏡３から無線送信される画像データを受信する。この受信装置５は、可搬型記録媒体７の着脱が自在に構成されており、受信した画像データを可搬型記録媒体７に逐次保存する。このようにして、カプセル内視鏡３が撮像した被検体１内部の管腔内画像は、受信装置５によって時系列順に可搬型記録媒体７に蓄積され、保存される。

画像処理装置１０は、カプセル内視鏡３によって撮像された管腔内画像を医師等が観察・診断するためのものであり、ワークステーションやパソコン等の汎用コンピュータで実現される。この画像処理装置１０は、可搬型記録媒体７の着脱が自在に構成されており、可搬型記録媒体７に保存された管腔内画像を処理し、例えばＬＣＤやＥＬディスプレイ等のディスプレイに時系列順に順次表示する。

図２は、カプセル内視鏡３によって撮像され、画像処理装置１０によって処理される管腔内画像の一例を示す模式図である。管腔内画像には、粘膜３１すなわち撮像時のカプセル内視鏡３に近い近景の粘膜から管腔深部に至る遠景の粘膜が内容液を通して映るとともに、時には内容物３３や泡３５、病変３７等の重要箇所が映る。ここで、消化管内の内容液は、通常胆汁に起因する黄色の液体であり、Ｒ，Ｇ，Ｂの各波長成分では、Ｒ，Ｇ，Ｂの順に吸収・散乱し難い。このため、近景ではピンク色に映る粘膜が、遠景に移るにつれて、段階的に先ずＢ成分の値が小さくなることで黄色がかり、その後Ｇ成分の値も小さくなることで赤色がかる色変化が生じる。

図３は、実施の形態１の画像処理装置１０の機能構成を説明するブロック図である。実施の形態１では、画像処理装置１０は、画像取得部１１と、入力部１２と、表示部１３と、記憶部１４と、演算部１５と、装置各部を制御する制御部１８とを備える。

画像取得部１１は、カプセル内視鏡３によって撮像されて受信装置５によって可搬型記録媒体７に保存された管腔内画像を取得するものであり、例えば、可搬型記録媒体７を着脱自在に装着し、装着した可搬型記録媒体７に蓄積された管腔内画像の画像データを読み出して取得する。この画像取得部１１は、例えば、可搬型記録媒体７の種類に応じた読み書き装置によって実現される。なお、カプセル内視鏡３によって撮像された管腔内画像の取得は、可搬型記録媒体７を用いた構成に限定されるものではなく、例えば、画像取得部１１の代わりにハードディスクを備える構成とし、ハードディスク内にカプセル内視鏡３によって撮像された管腔内画像を予め保存しておく構成としてもよい。あるいは、可搬型記録媒体７の代わりに別途サーバを設置し、このサーバに管腔内画像を予め保存しておく構成としてもよい。この場合には、画像取得部１１を、サーバと接続するための通信装置等で構成し、この画像取得部１１を介してサーバに接続して、サーバから管腔内画像を取得する。

入力部１２は、例えば、キーボードやマウス、タッチパネル、各種スイッチ等によって実現されるものであり、操作入力に応じた操作信号を制御部１８に出力する。表示部１３は、ＬＣＤやＥＬディスプレイ等の表示装置によって実現されるものであり、制御部１８の制御によって、管腔内画像の表示画面を含む各種画面を表示する。

記憶部１４は、更新記憶可能なフラッシュメモリ等のＲＯＭやＲＡＭといった各種ＩＣメモリ、内蔵あるいはデータ通信端子で接続されたハードディスク、ＣＤ−ＲＯＭ等の情報記録媒体およびその読取装置等によって実現されるものである。この記憶部１４には、画像処理装置１０を動作させ、この画像処理装置１０が備える種々の機能を実現するためのプログラムや、このプログラムの実行中に使用されるデータ等が格納される。また、管腔内画像から注目対象部の一例である病変部を検出するための画像処理プログラム１４１が格納される。

演算部１５は、ＣＰＵ等のハードウェアによって実現され、画像取得部１１によって取得される管腔内画像を処理し、管腔内画像から病変部を検出するための種々の演算処理を行う。この演算部１５は、領域分割部１６と、注目対象部特定部としての病変部特定部１７とを備える。

領域分割部１６は、管腔内画像において、特定波長成分の値をもとに画像内を領域分割する。この領域分割部１６は画素値階層分類部１６０を備え、この画素値階層分類部１６０は画素値ヒストグラム算出部１６１を備える。画素値階層分類部１６０は、画像内の画素の特定波長成分の値を所定の階層に分類する。画素値ヒストグラム算出部１６１は、画像内の画素の特定波長成分の値のヒストグラムを算出する。

病変部特定部１７は、領域分割部１６が領域分割した領域毎に設定される判別基準を用い、各領域内の病変部を特定する。実施の形態１では、病変部特定部１７は、領域毎に各領域内の画素特徴量をクラスタリングし、判別基準の一例であるクラスタ判別基準を領域毎に設定して病変部クラスタを判別し、病変部クラスタに属する画素を病変部として特定する。この病変部特定部１７は、画素特徴量算出部１７１と、画素特徴量クラスタリング部１７２とを備える。画素特徴量算出部１７１は、領域毎に画素特徴量を算出する。画素特徴量クラスタリング部１７２は、領域毎に画素特徴量の分布をクラスタリングする。

制御部１８は、ＣＰＵ等のハードウェアによって実現される。この制御部１８は、画像取得部１１から入力される画像データや入力部１２から入力される操作信号、記憶部１４に格納されるプログラムやデータ等に基づいて画像処理装置１０を構成する各部への指示やデータの転送等を行い、画像処理装置１０全体の動作を統括的に制御する。

図４は、実施の形態１の画像処理装置１０が行う処理手順を示す全体フローチャートである。ここで説明する処理は、演算部１５が記憶部１４に格納された画像処理プログラム１４１を実行することにより実現される。

図４に示すように、先ず演算部１５が、処理対象とする管腔内画像を取得する（ステップｓ１０１）。ここでの処理によって、演算部１５は、画像取得部１１が可搬型記録媒体７から読み出して取得した処理対象の管腔内画像の画像データを制御部１８を介して取得する。なお、実施の形態１では、管腔内画像は、原色系（ＲＧＢ）の画像として取得される。

続いて、領域分割部１６において、画素値階層分類部１６０の画素値ヒストグラム算出部１６１が、取得した管腔内画像内の各画素のＲ成分のヒストグラムを算出する（ステップｓ１０３）。上記のように、実施の形態１で取得される管腔内画像は、Ｒ，Ｇ，Ｂの波長成分から構成される。ここで、Ｒ成分は最も長波長の成分であり、生体内における吸収・散乱の度合いが低く、生体内で吸収・散乱し難い波長成分である。このため、Ｒ成分は、管腔内画像の近景から遠景までを、撮像対象や内容液による照明光や反射光の吸収・散乱を抑えた状態で画像化しており、結果的に、管腔内画像において撮像対象までの距離を反映した情報を最も得易い成分である。そこで実施の形態１では、Ｒ成分を特定波長成分とする。そして、画素値ヒストグラム算出部１６１は、横軸にＲ成分の階級区間をとり、縦軸に階級区間に相当するＲ成分の値を持つ画素の度数をとることによって、ヒストグラムを算出する。図５は、ヒストグラムの算出例を示す図である。なお、図５では、Ｒ成分の値は０〜１に正規化しており、度数の総和が１になるように正規化している。

続いて、図４に示すように、画素値階層分類部１６０が、ステップｓ１０３で算出したヒストグラムの谷を境界としてＲ成分の値を階層分類する（ステップｓ１０５）。図６は、ここで行う階層分類の原理を説明する説明図である。図６に示す度数データＧ４は、ヒストグラムの度数変化を折れ線で簡易的に示したものである。また、度数データＧ４の下の座標は、ヒストグラムの階級区間を便宜的に座標として示したものである。勾配方向は、対応する注目座標の度数と、この注目座標に近接する座標の度数との差から求まる方向であり、度数の値が最も増加する方向を示している。なお、勾配方向が「極」と示される座標は、近接する何れの座標よりも度数が高い極値座標である。

階層分類に際し、画素値階層分類部１６０は、先ず勾配方向を求める。例えば、注目座標を座標「３」とした場合、度数データＧ４に示すように、注目座標「３」の度数に対して最も度数が増加する方向に近接する座標は座標「４」である。このため、注目座標「３」の勾配方向として、図６中に向かって右向きの矢印で示す方向（→）が設定される。

このようにして各座標の勾配方向を求めたならば、画素値階層分類部１６０は、各座標をそれぞれ始点とし、勾配方向に沿って極値座標を探索する。図６では、この極値座標を探索する際の探索座標の変化を「勾配方向に沿った極値座標の探索ステップ」として示している。例えば、座標「１」を始点とした探索ステップについて説明する。座標「１」の場所では、勾配方向は右方向となっているため、１回目の探索ステップ（ｎ＝１）では、右隣の座標「２」を得る（４１）。続いて、得られた座標「２」の場所でも勾配方向は右方向となっており、２回目の探索ステップ（ｎ＝２）では、座標「２」の右隣の座標「３」を得る（４３）。その後も順次、勾配方向に沿って探索を続けると、最終的に（ｎ＝４）、座標「５」の極値座標に辿り着く（４５）。同様に、座標「２」を始点として探索を行うと、最終的に（ｎ＝３）、座標「５」の極値座標に辿り着く（４７）。全ての座標を始点として同様の探索を行うと、座標「１」〜「９」は、極値座標「５」に辿り着き、座標「１０」〜「１５」は極値座標「１２」に辿り着く。この結果から、座標「１」〜「９」を１つの階層Ｃ１として分類し、座標「１０」〜「１５」を次の階層Ｃ２として分類することができ、ヒストグラムの谷（図６では座標「９」で示す階級と座標「１０」で示す階級との間）を境界として階層分類することができる。

なお、ここでは、勾配方向を用いた階層分類の方法を示したが、近接する２つの階級間の度数変化を求め、この変化値が所定の値以上となる階級間を境界として階層分類してもよい。また、階層分類する際の分類数を調整するために、ヒストグラムの階級区間の幅を変更したり、ヒストグラムに平滑化処理を行ってもよい。

また、ヒストグラムをもとに階層分類の境界を設定することとしたが、予め境界を固定的に設定しておいてもよい。この場合には、画素値ヒストグラム算出部１６１が不要となり、装置構成を簡略化できるとともに、図４のステップｓ１０３およびステップｓ１０５の一部の処理ステップが不要となり、処理時間が短縮できる。

そして、図４に示すように、領域分割部１６が、管腔内画像において、階層分類の結果をもとに画像内を領域分割する（ステップｓ１０７）。これは、同一階層となる値を持つ画素に対して同一のラベル値を付与することで実現できる。図７は、図２に示す管腔内画像に対する領域分割結果の一例を示す模式図である。図７では、Ｒ成分の値が小さくなる遠景からＲ成分の値が大きくなる近景までを、６階層の領域に分割している。なお、各領域を特定するため、領域毎に領域番号（図７では領域１〜領域６）を設定する。ここで、図７では、各階層の領域はいずれも１つの連結した領域となっている。これに対し、粘膜の襞等が存在する管腔内画像では、対象の映り方によっては、同一階層の領域が画像内で必ずしも連結せず、複数の領域となる場合がある。しかし、この場合でも、同一階層のデータを撮像距離が類似する1つの領域として扱い、後段の処理ステップを実行することに問題はない。

なお、階層分類の結果を画像化した後、既に公知のラベリング処理（参考：ＣＧ−ＡＲＴＳ協会，ディジタル画像処理，１８１Ｐ，ラベリング）を行い、画素の連結性を考慮した領域分割を行うこととしてもよい。そして、この領域分割結果に基づいて、後段の処理ステップを実行してもよい。この場合には、撮像距離だけでなく位置的にも類似する領域毎に処理を行うことができ、より精度の高い病変部の特定が可能となる。

続いて、図４に示すように、病変部特定部１７が、処理対象の領域番号を示す符号ｘを１に設定する（ステップｓ１０９）。そして、病変部特定部１７の画素特徴量算出部１７１が、領域ｘ内の各画素の画素特徴量を算出する（ステップｓ１１１）。ここで、画素特徴量とは、画素のＲ，Ｇ，Ｂ成分の値や、Ｒ，Ｇ，Ｂ成分をもとに２次的に計算される輝度、色差、色相、彩度、明度、色比等の値、あるいは対象の画素とその近傍画素を含めた画素群に対する前述した各値の統計量（平均値、標準偏差値、歪度、尖度、度数分布等）や、テクスチャ情報（周波数特徴、同時生起行列等）である（参考：ＣＧ−ＡＲＴＳ協会，ディジタル画像処理，１９２Ｐ，領域特徴量）。特に生体内では、血液の吸収帯域に相当する波長成分によって、正常粘膜と病変部との差を確認できるものが多い。このため、ここでは例えば、血液の吸収帯域に近いＧ成分やＢ成分の値を用いて画素特徴量を算出する。

続いて、病変部特定部１７の画素特徴量クラスタリング部１７２が、領域ｘ内の画素特徴量の分布をクラスタリングし、各クラスタについて、例えば重心等の情報をクラスタ情報としてそれぞれ算出する（ステップｓ１１３）。ここで、特徴量の軸が張る空間を特徴空間と呼ぶ。クラスタリングは、特徴空間内のデータ分布を、データ間の類似性をもとにクラスタと呼ばれる塊に分ける手法であり、例えば階層法やk-means法といった既に公知の手法（参考：ＣＧ−ＡＲＴＳ協会，ディジタル画像処理，２３１Ｐ，クラスタリング）を用いることで実現できる。またクラスタの重心は、クラスタに属するデータの各特徴量の平均値を算出することで求められる。

ここで、クラスタリングを行う効果について、図８を参照して説明する。図８は、クラスタリングを利用した分類の効果を説明する模式図である。管腔内画像内において、撮像距離が同程度と考えられる領域ｘ内では、正常粘膜と病変部とは主に色調が異なる。このため、図８に示すような色情報を示す特徴空間において、互いに異なる分布のクラスタを形成する。しかしながら、被験者の個人差等によって、その分布位置は変動する場合がある。図８では、分布位置の変動を実線と破線で示している。具体的には、ある被検者から取得した管腔内画像中のある撮像距離の領域ｘに対して行った正常粘膜と病変部との分布の一例を実線で示し、別の被検者から取得した管腔内画像中の撮像距離が領域ｘと同程度の領域ｘ’に対して行った正常粘膜と病変部との分布の一例を破線で示している。ここで、例えば図８中に一点鎖線で示されるクラスタ判別基準Ｔｈ＿ａｌｌによって各データを判別しようとした場合、図８中にハッチングを付して示した部分のデータに対して誤判別が生じてしまう。これに対し、データを一旦クラスタリングした後、各クラスタの重心をクラスタ判別基準Ｔｈ＿ａｌｌで判別することによって正常粘膜クラスタと病変部クラスタとを判別し、各クラスタに属するデータに対して各クラスタの判別結果を付与すれば、実線で示す領域ｘの場合ではＴｈ＿ｘで判別し、破線で示す領域ｘ’の場合ではＴｈ＿ｘ’で判別することができ、共に良好な判別が可能となる。

例えば、図８中に実線で示す領域ｘ内のデータをクラスタリングして得たクラスタ５１，５３に着目すれば、各クラスタ５１，５３の重心５１１，５３１をクラスタ判別基準Ｔｈ＿ａｌｌで判別することによって、重心５３１を正常粘膜クラスタと判別し、重心５１１を病変部クラスタと判別することができる。そして、このように各クラスタ５１、５３を判別した上で、各クラスタに属するデータに各クラスタの判別結果を付与すれば、境界Ｔｈ＿ｘで判別することになり良好な判別が可能となる。一方、破線で示す領域ｘ’内のデータをクラスタリングして得たクラスタ６１，６３については、重心６１１，６３１をクラスタ判別基準Ｔｈ＿ａｌｌで判別することで、重心６３１を正常粘膜クラスタと判別し、重心６１１を病変部クラスタと判別することができる。そして、このように各クラスタ６１、６３を判別した上で、各クラスタに属するデータに各クラスタの判別結果を付与すれば、境界Ｔｈ＿ｘ’で判別することになり良好な判別が可能となる。

実施の形態１では、病変部特定部１７は、図４に示すように、領域ｘにおけるクラスタ判別基準を設定して病変部クラスタを判別し、病変部クラスタに属する領域ｘ内の画素を病変部として特定する（ステップｓ１１５）。近景から遠景に移るにつれ、内容液の影響により撮像対象の色合いが変化することは前述した。このため、クラスタ判別基準は、撮像距離が類似する領域毎に設定する必要がある。実施の形態１では、Ｒ成分の各階層を撮像距離が類似する領域として纏めているため、Ｒ成分の階層毎にクラスタ判別基準を設定する。クラスタ判別基準の設定手法として、ここでは、教師データを用いる方法を説明する。

教師データとは、判別に用いる特徴量と正解判別結果とが対になったデータのことで、正常粘膜、病変部、泡、内容物等が映るサンプル画像を事前に処理することで得られる。具体的には先ず、サンプル画像の各画素のＲ成分の値を予め設定した所定階層に分類することで、サンプル画像を領域分割する。続いて、分割した領域毎に、正常粘膜、病変部、泡、内容物等の各部（以下、「カテゴリ」と呼ぶ。）が映る画素の特徴量を求め、この値と各カテゴリの判別結果とを対にした教師データを得る。図９は、教師データの一例を示す図である。例えば教師データは、図９に示すように、Ｒ成分階層と、判別結果と、特徴量とを対応付けたデータテーブルとして用意する。

このようにして教師データを用意したならば、この教師データを用い、Ｒ成分の所定階層毎に、各カテゴリの発生確率および各カテゴリの確率密度関数の係数を求める。

先ず、用意した各カテゴリの教師データの数をもとに、次式（１）に従って各カテゴリの発生確率Ｐｃ（ｉ）（ｉ＝１〜ＮＣ）を求める。ＮＣは、カテゴリの数を表す。また、ＮＤ（ｉ）は、カテゴリｉのデータ数である。

次に、各カテゴリの教師データに含まれるデータの特徴ベクトルＦｎ＝（ｆｎ＿１，ｆｎ＿２，・・・，ｆｎ＿ｋ）^tを求める。ここで、ｆｎ＿ｊはｎ番目の教師データのｊ番目の特徴量値であり、ｋは特徴量の次元数である。そして、求めた特徴ベクトルＦｎをもとに、次式（２）に従って平均ベクトルμと分散共分散行列Ｚとをカテゴリ毎に求める。

そして、次式（３）に示す確率密度関数Ｐの係数を、カテゴリ毎に算出する。

図１０は、発生確率／係数テーブルのデータ構成例を示す図である。図１０に示すように、発生確率／係数テーブルは、Ｒ成分の所定階層毎に、カテゴリと、発生確率Ｐｃ（ｉ）と、確率密度関数Ｐ（ｉ）の各係数とを対応付けたデータテーブルである。なお、図１０では、上記した確率密度関数Ｐ（ｉ）の各係数をそれぞれ係数１，２，３として示している。

ここで、教師データを得る際に設定したＲ成分の所定階層は、処理対象の管腔内画像のヒストグラムに基づく階層（図４のステップｓ１０５で分類した各階層）と一致していない場合がある。そこで、前述のようにして教師データから予め作成される発生確率／係数テーブルを処理対象の管腔内画像のヒストグラムに基づく各階層に適用させるため、教師データにおける所定階層（発生確率／係数テーブルにおける所定階層）と、管腔内画像における階層との重なり情報を算出する。

図１１は、教師データの所定階層と処理対象の管腔内画像（処理画像）のヒストグラムに基づく階層との重なり例を示す図である。例えば、図１１中に示す処理画像の階層Ｈ４は、教師データの所定階層Ｌ４〜Ｌ６と重なる。また階層Ｈ４と所定階層Ｌ４との重なり量はａ、階層Ｈ４と所定階層Ｌ５との重なり量はＷ（所定階層の階層幅）、階層Ｈ４と所定階層Ｌ６との重なり量はｂである。

そこで、階層Ｈ４の領域で判別に用いる情報、すなわち各カテゴリの発生確率や確率密度関数の各係数のそれぞれを、次式（４）に従って算出する。

このように、重なりを考慮することで、処理対象の管腔内画像の様々な階層に対して、各カテゴリの発生確率や確率密度関数の係数を算出することができる。

実際の処理では、病変部特定部１７は先ず、領域ｘに対応するＲ成分の階層での各カテゴリの発生確率Ｐｃ（ｉ）や、確率密度関数Ｐ（ｉ）の係数を前述の方法で求める。そして、病変部特定部１７は、求めた各値と、判別対象となるクラスタの重心の特徴ベクトルｖとをもとに、Ｐｃ（ｉ）×Ｐ（ｉ）（ｉ＝１〜ＮＣ）を算出することによって、判別対象のクラスタの各カテゴリへの帰属確率を算出する。そして、病変部特定部１７は、最も高い帰属確率となったカテゴリを判別対象のクラスタのカテゴリとして判別する。なお、階層毎に各カテゴリの発生確率Ｐｃ（ｉ）や確率密度関数Ｐ（ｉ）を設定してクラスタを判別することが、クラスタ判別基準を階層毎に設定することに相当する。そして、病変部特定部１７は、クラスタのカテゴリ判別の結果、病変部クラスタと判別されたクラスタに属する領域ｘ内の画素を病変部として特定する。

なお、ここでは、領域ｘ内の画素特徴量の分布をクラスタリングし、クラスタに対するカテゴリの判別結果をもとに病変部を特定する方法を示した。これに対し、クラスタリングを行わずに、各画素特徴量（特徴ベクトル）を用いて画素毎に各カテゴリへの帰属確率を求め、病変部を特定してもよい。この場合には、画素特徴量クラスタリング部１７２が不要となり、装置構成を簡略化できるとともに、図４のステップｓ１１３で説明した処理ステップが不要となり、処理時間が短縮できる。

また、カテゴリの判別の方法に関して、各カテゴリの発生確率や確率密度関数を用いる方法について説明したが、階層毎に基準を設定しながら判別できればよい。すなわち、パターン認識で用いられる例えば決定木や近傍法、サポートベクターマシンといった他の一般的な方法を用いてもよい。

その後、演算部１５は、図４に示すように、ｘが全領域数以下か否かを判定し、処理対象となる領域の有無を判定する（ステップｓ１１７）。ステップｓ１１７での判定結果がＹｅｓの場合には、未処理の領域があると判断して処理対象の領域番号を示す符号ｘ＝ｘ＋１とし（ステップｓ１１９）、ステップｓ１１１〜ステップｓ１１７の処理を行う。一方、ステップｓ１１７での判定結果がＮｏの場合には、全ての領域を処理したと判断してステップｓ１２１に移る。すなわち、演算部１５は、処理対象の管腔内画像内の病変部特定結果を出力し（ステップｓ１２１）、画像処理装置１０の演算部１５での処理を終了する。例えば、演算部１５は、病変部特定結果を画像化する等した病変部特定画像化結果を、制御部１８を介して表示部１３に表示出力させる。

以上説明したように、実施の形態１によれば、原色系（ＲＧＢ）の画像として取得される管腔内画像をＲ成分の値をもとに領域分割することができる。これによれば、Ｒ成分の値が類似する画素範囲を１つの領域とするように領域分割することができ、この結果、管腔内画像を撮像距離が類似する領域毎に領域分割することができる。そして、分割した領域毎にクラスタ判別基準を設定して病変部クラスタを判別し、病変部クラスタと判別されたクラスタに属する画素を病変部として特定することができる。したがって、管腔内画像に映る病変部を精度良く検出することができる。

なお、実施の形態１では、Ｒ,Ｇ,Ｂの３波長の原色系フィルタを用いて撮像した管腔内画像を処理する場合について説明したが、３波長より多くの波長成分から構成される管腔内画像を処理する場合にも同様に適用できる。この場合には、生体内における吸収または散乱の度合いをもとに散乱・吸収し難い特定の波長成分を特定波長成分として事前に決定（特定）しておき、実施の形態１のＲ成分のように扱えばよい。ここで、一般的に長波長ほど散乱し難いため、複数の波長の中で最も長波長の成分を特定波長としてもよい。

また、実施の形態１では、注目対象部の一例として病変部を検出する場合について説明したが、血管や粘膜を注目対象部として検出する場合にも同様に適用できる。この場合には、領域毎に各領域内の画素特徴量をクラスタリングし、クラスタ判別基準を領域毎に設定して注目対象クラスタを判別し、注目対象クラスタに属する画素を注目対象部として特定する。このとき、事前に用意したサンプル画像を用いて教師データを得ることによって、実施の形態１と同様に注目対象部である血管や粘膜を検出することが可能である。

（実施の形態２）
次に、実施の形態２について説明する。実施の形態２では、補色系フィルタ（Ｃ：シアン，Ｍ：マゼンタ，Ｙ：黄）を用いて消化管等の体内管腔内を撮像した画像（管腔内画像）を処理し、病変部を検出する場合について説明する。ここで補色とは、原色のＲ，Ｇ，Ｂそれぞれに対して混合すると白色となるような色を示し、Ｒに対してはＧ＋Ｂで示されるＣ、Ｇに対してはＲ＋Ｂで示されるＭ、Ｂに対してはＲ＋Ｇで示されるＹが補色となる。すなわち、このような関係があるため、補色系成分の値をもとに、原色系成分の値を推定することが可能である。

図１２は、実施の形態２の画像処理装置１０ｂの機能構成を説明するブロック図である。なお、実施の形態１で説明した構成と同一の構成については、同一の符号を付する。図１２に示すように、画像処理装置１０ｂは、画像取得部１１と、入力部１２と、表示部１３と、記憶部１４ｂと、演算部１５ｂと、装置各部を制御する制御部１８とを備える。

実施の形態２の記憶部１４ｂには、画像処理プログラム１４１ｂが格納される。また、演算部１５ｂは、領域分割部１６ｂと、注目対象部特定としての病変部特定部１７ｂとを備える。

領域分割部１６ｂは、特定波長成分算出部としての信号変換部１６２ｂと、小領域分割部１６３ｂと、平均値階層分類部１６５ｂとを備える。そして、小領域分割部１６３ｂはエッジ抽出部１６４ｂを備え、平均値階層分類部１６５ｂは平均値ヒストグラム算出部１６６ｂを備える。信号変換部１６２ｂは、補色系成分の管腔内画像を原色系成分の管腔内画像に変換する。小領域分割部１６３ｂは、画像内を複数の小領域に分割する。エッジ抽出部１６４ｂは、画像内のエッジを抽出する。平均値階層分類部１６５ｂは、小領域内の画素の特定波長成分の値をもとに小領域内平均値を算出し、この小領域内平均値を所定の階層に分類する。平均値ヒストグラム算出部１６６ｂは、小領域毎の小領域内平均値のヒストグラムを算出する。

病変部特定部１７ｂは、小領域特徴量算出部１７３ｂと、小領域特徴量クラスタリング部１７４ｂとを備える。小領域特徴量算出部１７３ｂは、領域毎に小領域特徴量を算出する。小領域特徴量クラスタリング部１７４ｂは、領域毎に小量域特徴量の分布をクラスタリングする。

すなわち、実施の形態２の画像処理装置１０ｂは、実施の形態１の画像処理装置１０ｂに対して、管腔内画像の各波長成分（Ｃ，Ｍ，Ｙ）を後段の処理に使用するための別の波長成分（Ｒ，Ｇ，Ｂ）に変換する信号変換部１６２ｂを新たに備える点と、特定波長成分（Ｒ成分）による領域分割を行う前に、画像のエッジに基づく小領域分割を行う小領域分割部１６３ｂを新たに備える点が異なる。

図１３は、実施の形態２の画像処理装置１０ｂが行う処理手順を示す全体フローチャートである。ここで説明する処理は、演算部１５ｂが記憶部１４ｂに格納された画像処理プログラム１４１ｂを実行することにより実現される。

図１３に示すように、先ず演算部１５ｂが、処理対象とする管腔内画像を取得する（ステップｓ２０１）。ここでの処理によって、演算部１５ｂは、画像取得部１１が可搬型記録媒体７から読み出して取得した処理対象の管腔内画像の画像データを制御部１８を介して取得する。なお、実施の形態２では、管腔内画像は、補色系（ＣＭＹ）の画像として取得される。

続いて、領域分割部１６ｂにおいて、信号変換部１６２ｂが、補色系成分の管腔内画像を原色系成分の管腔内画像に変換する（ステップｓ２０３）。補色と原色の関係は前述した通りである。そこで、各画素の補色系成分の値（Ｃ,Ｍ,Ｙ）を、次式（５）に従ってそれぞれ原色系成分の値（Ｒ,Ｇ,Ｂ）に変換する。

なお、ここでは、補色系成分（Ｃ,Ｍ,Ｙ）を原色系成分（Ｒ,Ｇ,Ｂ）に変換する例を示したが、補色系成分を一旦輝度色差成分に変換した後、原色系成分に変換してもよい。あるいは、補色系成分以外のより多波長の成分を用いてもよく、複数の波長成分をもとに生体内で散乱・吸収し難い特定の波長成分を算出できればよい。

続いて、小領域分割部１６３ｂのエッジ抽出部１６４ｂが、画像内のエッジを抽出する（ステップｓ２０５）。手順としては先ず、画像のＧ成分からなるＧ成分画像を生成する。Ｇ成分を用いるのは、血液中のヘモグロビンの吸収波長帯域に近いことから、粘膜の構造や病変部の境界など、管腔内画像の構造情報をよく表すためである。なお、他の波長成分、あるいは既に公知の変換処理によって２次的に算出される輝度、色差、色相、彩度、明度、色比等の値を用いてもよい。そして、このＧ成分画像を、既に公知である１次微分フィルタ（プリューウィットフィルタ、ソーベルフィルタ等）や２次微分フィルタ（ラプラシアンフィルタ、ＬＯＧ（Laplacian of Gaussian）フィルタ等）によって空間フィルタリングし、エッジ抽出を行う（参考：ＣＧ−ＡＲＴＳ協会，ディジタル画像処理，１１４Ｐ，エッジ抽出）。

そして、小領域分割部１６３ｂが、エッジをもとに画像内を小領域に分割し、各小領域のＲ成分平均値を小領域内平均値として算出する（ステップｓ２０７）。エッジに基づく画像分割の手法としては、例えばＷＯ２００６／０８０２３９に開示されている手法を用いることができる。手順を簡単に説明すると、先ず、エッジ抽出結果の画像に対し、必要に応じてノイズ除去を目的とする平滑化処理を行う。その後、平滑化処理を施したエッジ抽出結果の画像の各画素における画素値の勾配方向を求める。このとき、勾配方向は、近傍画素との画素値の差が最小（負の値が最大）となる方向とする。次に、各画素が画素値の勾配方向に沿って到達する極値画素を求め、近接する極値画素に到達した各画素が同一の領域となるように画像を分割する。

なお、他の分割の方法として、分水嶺（watershed）アルゴリズム（参考：Luc Vincent and Pierre Soille. Watersheds in digital spaces:An efficient algorithm based on immersion simulations. Transactionson Pattern Analysis and Machine Intelligence，Vol.13，No.6，pp.583-598，June 1991.）を用いることとしてもよい。分水嶺アルゴリズムは、画像の画素値情報を高度とみなした地形において水を満たしていく際に、異なるくぼみに溜まる水の間で境界ができるように画像を分割する方法である。このため、エッジ抽出画像に対し、適当な平滑化を行った後で分水嶺アルゴリズムを実行することによって、エッジに基づく画像分割が可能である。

画像を小領域に分割したならば、小領域分割部１６３ｂは、各小領域内の画素のＲ成分の値の平均値を算出する。このように、エッジをもとに画像内を小領域に分割し、分割した小領域単位で後段の処理を行うことによれば、孤立的な画素ノイズによる誤検出を抑制するとともに、病変部の形状に沿った精度良い特定が可能となる。また、画素単位で処理する場合と比較して処理時間を短縮できる。

なお、エッジ抽出を行わずに所定サイズの矩形の小領域に画像を分割することとしてもよい。この場合には、エッジ抽出部１６４ｂが不要となり、装置構成が簡略化できるともに、図１３のステップｓ２０５およびステップｓ２０７の一部の処理ステップが不要となり、処理時間が短縮できる。

そして、続くステップｓ２０９以降の処理では、実施の形態１において画素単位で行った処理（図４のステップｓ１０３〜ステップｓ１１７の各処理）を、小領域単位で行う。詳細な処理手順については、実施の形態１と同様に行うことができる。

すなわち、ステップｓ２０９では、平均値階層分類部１６５ｂの平均値ヒストグラム算出部１６６ｂが、各小領域のＲ成分平均値のヒストグラムを算出する。続いて、平均値階層分類部１６５ｂが、ステップｓ２０９で算出したヒストグラムの谷を境界としてＲ成分平均値を階層分類する（ステップｓ２１１）。そして、領域分割部１６ｂが、管腔内画像において、階層分類の結果をもとに画像内を領域分割する（ステップｓ２１３）。

続いて、図１３に示すように、病変部特定部１７ｂが、処理対象の領域番号を示す符号ｘを１に設定する（ステップｓ２１５）。そして、病変部特定部１７ｂの小領域特徴量算出部１７３ｂが、領域ｘ内の各小領域の小領域特徴量を算出する（ステップｓ２１７）。ここで小領域特徴量とは、小領域内の画素のＲ，Ｇ，Ｂ成分の値やＲ，Ｇ，Ｂ成分の値から２次的に計算される輝度、色差、色相、彩度、明度、色比等の値の統計量（平均値、標準偏差値、歪度、尖度、度数分布等）や、テクスチャ情報（周波数特徴、同時生起行列等）である（参考：ＣＧ−ＡＲＴＳ協会，ディジタル画像処理，１９２Ｐ，領域特徴量）。実施の形態１で説明したように、生体内では、血液の吸収帯域に相当する波長成分によって、正常粘膜と病変部との差を確認できるものが多い。このため、ここでは例えば、血液の吸収帯域に近いＧ成分やＢ成分の値を用いて画素特徴量を算出する。

続いて、病変部特定部１７ｂの小領域特徴量クラスタリング部１７４ｂが、領域ｘ内の小領域特徴量の分布をクラスタリングし、各クラスタについて、例えば重心等の情報をクラスタ情報としてそれぞれ算出する（ステップｓ２１９）。そして、病変部特定部１７ｂは、領域ｘにおけるクラスタ判別基準を設定して病変部クラスタを判別し、病変部クラスタに属する領域ｘ内の小領域を病変部として特定する（ステップｓ２２１）。

その後、演算部１５ｂは、図１３に示すように、ｘが全領域数以下か否かを判定し、処理対象となる領域の有無を判定する（ステップｓ２２３）。ステップｓ２２３での判定結果がＹｅｓの場合には、未処理の領域があると判断して処理対象の領域番号を示す符号ｘ＝ｘ＋１とし（ステップｓ２２５）、ステップｓ２１７〜ステップｓ２２３の処理を行う。一方、ステップｓ２２３での判定結果がＮｏの場合には、全ての領域を処理したと判断してステップｓ２２７に移る。すなわち、演算部１５ｂは、処理対象の管腔内画像内の病変部特定結果を出力し（ステップｓ２２７）、画像処理装置１０ｂの演算部１５ｂでの処理を終了する。

以上説明したように、実施の形態２によれば、補色系成分（ＣＭＹ）の管腔内画像を原色系成分（ＲＧＢ）の管腔内画像に変換し、小領域毎に求めたＲ成分平均値をもとに領域分割することができる。そして、分割した領域毎にクラスタ判別基準を設定して病変部クラスタを判別し、病変部クラスタと判別されたクラスタに属する画素を病変部として特定することができる。したがって、実施の形態１と同様の効果を奏することができ、管腔内画像に映る病変部を精度良く検出することができる。

なお、上記した実施の形態１，２では、ＲＧＢの管腔内画像およびＣＭＹの管腔内画像から注目対象部の一例である病変部を検出する場合について説明したが、これに限定されるものではなく、複数の波長成分で構成される管腔内画像を処理し、注目対象部を検出する画像処理装置として広く利用可能である。

画像処理装置を含む画像処理システムの全体構成を示す概略模式図である。 管腔内画像の一例を示す模式図である。 実施の形態１の画像処理装置の機能構成を説明するブロック図である。 実施の形態１の画像処理装置が行う処理手順を示す全体フローチャートである。 ヒストグラムの算出例を示す図である。 階層分類の原理を説明する説明図である。 図２に示す管腔内画像に対する領域分割結果の一例を示す模式図である。 クラスタリングを利用した分類の効果を説明する模式図である。 教師データの一例を示す図である。 発生確率／係数テーブルのデータ構成例を示す図である。 教師データの所定階層と処理画像のヒストグラムに基づく階層との重なり例を示す図である。 実施の形態２の画像処理装置の機能構成を説明するブロック図である。 実施の形態２の画像処理装置が行う処理手順を示す全体フローチャートである。

符号の説明

３ カプセル内視鏡
５ 受信装置
Ａ１〜Ａｎ 受信用アンテナ
７ 可搬型記録媒体
１０，１０ｂ 画像処理装置
１１ 画像取得部
１２ 入力部
１３ 表示部
１４，１４ｂ 記憶部
１４１，１４１ｂ 画像処理プログラム
１５，１５ｂ 演算部
１６，１６ｂ 領域分割部
１６０ 画素値階層分類部
１６１ 画素値ヒストグラム算出部
１６２ｂ 信号変換部
１６３ｂ 小領域分割部
１６４ｂ エッジ抽出部
１６５ｂ 平均値階層分類部
１６６ｂ 平均値ヒストグラム算出部
１７，１７ｂ 病変部特定部
１７１ 画素特徴量算出部
１７２ 画素特徴量クラスタリング部
１７３ｂ 小領域特徴量算出部
１７４ｂ 小領域特徴量クラスタリング部
１８ 制御部
１ 被検体

Claims (21)

1. 体内管腔内を撮像した複数の波長成分で構成される画像を処理する画像処理装置であって、
   前記複数の波長成分または前記複数の波長成分を変換して得られる波長成分の中から生体内における吸収または散乱の度合いに応じて特定される特定波長成分の値をもとに、前記画像内を領域分割する領域分割部と、
   前記領域分割部が領域分割した領域毎に設定される判別基準を用い、前記領域内の注目対象部を特定する注目対象部特定部と、
   を備えることを特徴とする画像処理装置。
2. 前記領域分割部は、前記複数の波長成分のうちの最も長波長の成分を前記特定波長成分とし、該特定波長成分の値をもとに前記画像内を領域分割することを特徴とする請求項１に記載の画像処理装置。
3. 前記領域分割部は、前記複数の波長成分の値をもとに前記特定波長成分の値を算出する特定波長成分算出部を備え、前記特定波長成分算出部が算出した特定波長成分の値をもとに前記画像内を領域分割することを特徴とする請求項１に記載の画像処理装置。
4. 前記領域分割部は、前記画像内の画素の前記特定波長成分の値を所定の階層に分類する画素値階層分類部を備え、前記画像内を、前記画素値階層分類部が同一の階層に分類した特定波長成分の値を有する画素毎の領域に領域分割することを特徴とする請求項１〜３のいずれか１つに記載の画像処理装置。
5. 前記画素値階層分類部は、前記画像内の画素の前記特定波長成分の値のヒストグラムを算出する画素値ヒストグラム算出部を備え、前記画素値ヒストグラム算出部が算出したヒストグラムをもとに前記特定波長成分の値を所定の階層に分類することを特徴とする請求項４に記載の画像処理装置。
6. 前記注目対象部特定部は、前記領域毎に領域内の各画素の画素特徴量を算出する画素特徴量算出部を備え、前記画素特徴量算出部が前記領域毎に算出した画素特徴量を、前記領域毎の判別基準とそれぞれ比較することによって前記領域内の注目対象部を特定することを特徴とする請求項１〜５のいずれか１つに記載の画像処理装置。
7. 前記注目対象部特定部は、
   前記領域毎に領域内の各画素の画素特徴量を算出する画素特徴量算出部と、
   前記画素特徴量算出部が前記領域毎に算出した画素特徴量の分布をクラスタリングする画素特徴量クラスタリング部と、
   を備え、前記画素特徴量クラスタリング部によるクラスタリングの結果前記領域毎に得られた各クラスタの情報を、前記領域毎の判別基準とそれぞれ比較することによって前記領域毎に注目対象クラスタを判別し、該注目対象クラスタと判別されたクラスタに属する画素を前記領域内の注目対象部と特定することを特徴とする請求項１〜５のいずれか１つに記載の画像処理装置。
8. 前記領域分割部は、前記画像内を複数の小領域に分割する小領域分割部を備え、前記小領域分割部が分割した小領域内の画素の前記特定波長成分の値をもとに小領域内平均値を算出し、該小領域内平均値をもとに前記画像内を領域分割することを特徴とする請求項１〜３のいずれか１つに記載の画像処理装置。
9. 前記小領域分割部は、前記画像内のエッジを抽出するエッジ抽出部を備え、前記エッジ抽出部が抽出したエッジをもとに前記画像内を複数の小領域に分割することを特徴とする請求項８に記載の画像処理装置。
10. 前記領域分割部は、前記小領域毎の前記小領域内平均値を所定の階層に分類する平均値階層分類部を備え、前記画像内を、前記平均値階層分類部が同一の階層に分類した前記小領域内平均値を有する小領域毎の領域に領域分割することを特徴とする請求項８または９に記載の画像処理装置。
11. 前記平均値階層分類部は、前記小領域毎の前記小領域内平均値のヒストグラムを算出する平均値ヒストグラム算出部を備え、前記平均値ヒストグラム算出部が算出したヒストグラムをもとに前記小領域内平均値を所定の階層に分類することを特徴とする請求項１０に記載の画像処理装置。
12. 前記注目対象部特定部は、前記領域毎に領域内の各小領域の小領域特徴量を算出する小領域特徴量算出部を備え、前記小領域特徴量算出部が前記領域毎に算出した小領域特徴量を、前記領域毎の判別基準と比較することによって前記領域内の注目対象部を特定することを特徴とする請求項８〜１１のいずれか１つに記載の画像処理装置。
13. 前記注目対象部特定部は、
    前記領域毎に領域内の各小領域の小領域特徴量を算出する小領域特徴量算出部と、
    前記小領域特徴量算出部が前記領域毎に算出した小領域特徴量の分布をクラスタリングする小領域特徴量クラスタリング部と、
    を備え、前記小領域特徴量クラスタリング部によるクラスタリングの結果得られた各クラスタの情報を、前記領域毎の判別基準と比較することによって前記領域毎に注目対象クラスタを判別し、該注目対象クラスタと判別されたクラスタに属する小領域を前記領域内の注目対象部と特定することを特徴とする請求項８〜１１のいずれか１つに記載の画像処理装置。
14. 前記画素特徴量算出部は、前記領域内の画素の血液の吸収帯域に相当する波長成分の値をもとに、前記画素特徴量を算出することを特徴とする請求項６または７に記載の画像処理装置。
15. 前記小領域特徴量算出部は、前記領域内の小領域を構成する画素の血液の吸収帯域に相当する波長成分の値をもとに、前記小領域特徴量を算出することを特徴とする請求項１２または１３に記載の画像処理装置。
16. 前記画像はＲＧＢ画像であることを特徴とする請求項１〜１５のいずれか１つに記載の画像処理装置。
17. 前記特定波長成分は、前記画像のＲ成分であることを特徴とする請求項１６に記載の画像処理装置。
18. 前記画像はＲＧＢ画像であり、前記血液の吸収帯域に相当する波長成分は前記画像のＧ成分またはＢ成分であることを特徴とする請求項１４または１５に記載の画像処理装置。
19. 前記注目対象部は、病変、血管、粘膜のいずれかが映る部分であることを特徴とする請求項１〜１８のいずれか１つに記載の画像処理装置。
20. コンピュータに、体内管腔内を撮像した複数の波長成分で構成される画像を処理させるための画像処理プログラムであって、
    前記複数の波長成分または前記複数の波長成分を変換して得られる波長成分の中から生体内における吸収または散乱の度合いに応じて特定される特定波長成分の値をもとに、前記画像内を領域分割する領域分割ステップと、
    前記領域分割ステップで領域分割した領域毎に設定される判別基準を用い、前記領域内の注目対象部を特定する注目対象部特定ステップと、
    を前記コンピュータに実行させることを特徴とする画像処理プログラム。
21. 体内管腔内を撮像した複数の波長成分で構成される画像を処理する画像処理方法であって、
    前記複数の波長成分または前記複数の波長成分を変換して得られる波長成分の中から生体内における吸収または散乱の度合いに応じて特定される特定波長成分の値をもとに、前記画像内を領域分割する領域分割工程と、
    前記領域分割工程で領域分割した領域毎に設定される判別基準を用い、前記領域内の注目対象部を特定する注目対象部特定工程と、
    を含むことを特徴とする画像処理方法。

Images