JP5343973B2 - 医用画像処理装置及びプログラム - Google Patents

Description

本発明は、医用画像処理装置及びプログラムに関する。

従来、医用画像を画像解析することで、病変の可能性が高い画像領域を病変候補として検出する医用画像処理装置が開発されている。このような医用画像処理装置はＣＡＤ（Computer-Aided Diagnosis）と呼ばれている。ＣＡＤによれば、病変候補の検出結果を客観的な判断材料として医師に提供し、医師の読影作業の負担を軽減することができる。

胸部を撮影した医用画像については、間質性疾患と呼ばれる肺疾患について検出を行う方法が多々開示されている（例えば、特許文献１、２、３参照）。間質性疾患が生じた画像領域は、一般にＸ線画像上ではすりガラス様の陰影、具体的には一様に白くぼやっとした陰影であることが特徴的である。ＣＡＤでは、このような特徴を有する画像領域を画像解析によって検出するのである。例えば、フーリエスペクトルによる特徴量や、濃度共起行列等のテクスチャ特徴量を用いて病変候補を検出する方法の他、上記特許文献２にも記載されているように人工ニューラルネットワークにより特徴量解析を行って間質性疾患の病変候補を検出するという方法がある。
特開平６−２３７９２５号公報 特開平１０−１７１９１０号公報 米国特許第５３１９５４９号

しかしながら、病変部分の陰影（画像）の形状（モルフォロジ）に注目して検出を行うことは行われていなかった。陰影の形状も真の疾患かどうかを判断する特徴の一つであり、病変候補の検出に有用であると考えられる。

本発明の課題は、画像の形状の特徴量を用いて病変候補を検出することである。

請求項１に記載の発明によれば、
医用画像のデータを用いて、当該医用画像のうち特定の形状からなる画像部分のサイズ毎の分布ヒストグラムを、一又は複数の異なる形状について作成し、前記作成した一又は複数の異なる形状についてのサイズ毎の分布ヒストグラムの特徴量を特徴量解析した結果に基づいて、前記医用画像に含まれる病変候補を検出する候補検出手段と、
表示手段と、
前記病変候補の検出結果を前記表示手段に表示する制御手段と、
を備える医用画像処理装置が提供される。

請求項２に記載の発明によれば、
前記候補検出手段は、前記医用画像から人体の解剖学的構造に基づく領域を抽出し、抽出した領域を、前記分布ヒストグラムの算出対象とする請求項１に記載の医用画像処理装置が提供される。

請求項３に記載の発明によれば、
前記解剖学的構造に基づく領域は、肺野領域である請求項２に記載の医用画像処理装置が提供される。

請求項４に記載の発明によれば、
前記候補検出手段は、前記医用画像から肋骨領域を抽出し、前記医用画像から抽出された肺野領域のうち前記抽出された肋骨領域を、前記分布ヒストグラムの算出対象から除外する請求項３に記載の医用画像処理装置が提供される。

請求項５に記載の発明によれば、
コンピュータを、
医用画像のデータを用いて、当該医用画像のうち特定の形状からなる画像部分のサイズ毎の分布ヒストグラムを、一又は複数の異なる形状について作成し、作成した一又は複数の異なる形状についてのサイズ毎の分布ヒストグラムの特徴量を特徴量解析することによって、前記医用画像に含まれる病変候補を検出する候補検出手段、
前記病変候補の検出結果を表示手段に表示する制御手段、
として機能させるためのプログラムが提供される。

本発明によれば、画像の形状の特徴量を用いて医用画像から病変候補を検出することができる。また、病変候補の検出結果の情報を医師に情報提供することができ、読影作業を支援することができる。

本実施形態における医用画像処理装置の機能的構成を示す図である。 医用画像処理装置により実行される処理を示すフローチャートである。 ＲＯＩの設定例である。 サイズ分布ヒストグラムを作成する処理を示すフローチャートである。 サイズ分布ヒストグラムの作成例である。 異常又は正常の場合のサイズ分布ヒストグラム例である。 間質性疾患候補の検出結果の表示例である。

以下、図面を参照して本発明の実施の形態について説明する。
図１に、本実施形態に係る医用画像処理装置１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１は、制御部１１、操作部１２、表示部１３、通信部１４、記憶部１５、候補検出部１６を備えて構成されている。

制御部１１は、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）等を備えて構成される制御手段である。制御部１１は、記憶部１５に記憶されているプログラムとの協働により各種処理を実行する。処理において制御部１１は各種演算を行うとともに各部の動作を集中制御する。
例えば、医用画像から検出された病変候補の検出結果が候補検出部１６から入力されると、制御部１１は当該検出結果を示す表示画面を表示部１３に表示させる。

操作部１２はキーボードやマウス、表示部１３と一体に構成されたタッチパネル等を備え、これらの操作に応じた操作信号を生成して制御部１１に出力する。
表示部１３はディスプレイ等を備える表示手段であり、制御部１１の表示制御に従って医用画像や病変候補の検出結果等を表示する。

通信部１４は通信用のインターフェイスを備え、ネットワークに接続された外部機器と通信を行う。例えば、通信部１４は医用画像を撮影する撮影装置から病変候補の検出対象である医用画像を受信する。また、通信部１４は医用画像を管理するサーバに、医用画像とともに当該医用画像についての病変候補の検出結果の情報を送信する。

記憶部１５はハードディスク等のメモリから構成され、プログラムやパラメータ等を記憶する。また、記憶部１５は医用画像を記憶する。

候補検出部１６は、医用画像のデータを用いて、当該医用画像に含まれる病変候補の領域を検出する候補検出手段である。検出結果の情報は制御部１１に出力される。病変候補の検出処理は、検出処理用のプログラムを記憶部１５に記憶しておき、当該記憶されたプログラムとＣＰＵとの協働によるソフトウェア処理によって実現してもよい。或いは、検出用のハードウェア回路を構築し、当該ハードウェア回路によって実現することとしてもよい。

次に、上記医用画像処理装置１の動作について説明する。
図２は、医用画像処理装置１により実行される処理を示すフローチャートである。この処理では、胸部をＸ線撮影した医用画像から肺疾患である間質性疾患の病変候補の検出が行われる。
医用画像処理装置１ではまず、候補検出部１６により病変候補の検出処理が行われる。図２に示すように、候補検出部１６は医用画像の画像解析を行い、医用画像に含まれる肺野領域を抽出する（ステップＳ１）。

肺野領域の抽出方法としては特に限定せず、公知の方法を適用することができる。例えば、特許第２９８７６３３号に開示されているように、Ｘ線画像では肺野領域は左右の肺部分の画像濃度が周辺より高濃度となる。よって、候補検出部１６において濃度ヒストグラムを作成し、その濃度ヒストグラムの形状や面積から肺野領域に該当する高濃度領域の画像部分を判断し、当該画像部分を肺野領域として抽出すればよい。或いは、特開２００３−６６６１号公報に開示されているように、候補検出部１６において標準的な肺野領域の輪郭を定めたテンプレートを用いてテンプレートマッチングを行うことにより肺野領域の輪郭を検出し、その輪郭内の肺野領域を抽出することもできる。

肺野領域を抽出すると、候補検出部１６は医用画像の画像解析を行って、医用画像に含まれる肋骨領域を抽出する（ステップＳ２）。
肋骨領域の抽出方法としては特に限定せず、公知の方法を適用することができる。例えば、特開平５−１７６９１９号公報に開示されているように、候補検出部１６においてＸ線画像の肺野領域において縦方向（頭−足の方向）にいくつもの輪郭線を定め、この輪郭線に対して予め定められたモデル関数をあてはめることで肋骨領域の輪郭部分を推定する。そして、候補検出部１６においてこの推定された輪郭部分に処理対象とする画像領域を複数定め、各画像領域の各画素についてＳｏｂｅｌオペレータによって勾配とその勾配に対応する方位とを求める。候補検出部１６は各画素の中で最も大きい勾配とその方位をその画像領域の勾配、方位とする。各画像領域の勾配と方位を座標として座標空間にプロットすると、座標空間では肋骨の上縁、下縁、肋骨の辺縁内部、肋骨以外といったような領域毎に集合が形成される。よって、候補検出部１６は座標空間において肋骨の上縁、下縁等の辺縁に分類される画像領域を肋骨領域の輪郭とし、この輪郭により囲まれる領域を肋骨領域として抽出する。

次に、候補検出部１６は医用画像のうち肺野領域であって肋骨領域を除く領域を対象として、一又は複数のＲＯＩ（Region Of Interest；関心領域）を設定する（ステップＳ３）。例えば、図３に示すように肋骨間の肺野領域にｍ×ｍ画素のＲＯＩがいくつも設定される。ＲＯＩのサイズは適宜設定すればよい。

次いで、候補検出部１６は設定した一又は複数のＲＯＩについて、特定の形状からなる画像部分のサイズ毎の分布ヒストグラム（以下、サイズ分布ヒストグラムという）をそれぞれ作成する（ステップＳ４）。すなわち、肺野領域であって、肋骨領域を除外した領域を対象としてサイズ分布ヒストグラムが作成される。
サイズ分布ヒストグラムを作成する処理については、図４を参照して説明する。図４の処理は１つのＲＯＩについて行われる処理であり、設定した各ＲＯＩについてこの処理が繰り返し行われる。

図４に示すように、候補検出部１６は特定の形状Ｊについて、複数のサイズｎの構造要素Ｊｎ（Ｊは形状を示す識別子であり、ｎはサイズを示す識別子である。）を設定する（ステップＳ４１）。１つの形状Ｊについてのみサイズ分布ヒストグラムを作成する場合、形状Ｊは検出対象とする病変が呈しやすい形状を選択すればよい。間質性疾患の場合、例えば円形や線状等の形状が挙げられるが、状況によっては星形や楕円形等の形状を選択してもよい。また、サイズｎについては最小サイズ（ｎ＝１）の構造要素Ｊ１を基準として、その構造要素Ｊ１のサイズを２倍、３倍と、整数倍したものを構造要素Ｊ２、Ｊ３と、複数設定する。

次いで、候補検出部１６はサイズｎをｎ＝１に設定し（ステップＳ４２）、ｎ＝１つまり最小サイズの構造要素Ｊ１を元にＲＯＩにオープニング処理を施して、その処理画像Ｇ１を作成する（ステップＳ４３）。オープニング処理は、ＲＯＩを２値化した２値画像に対して行う。オープニング処理は収縮と膨張を一定回数繰り返す処理である。収縮は２値化後の１と０の値のうち、１の値を持つ画素について０の値を持つ周辺画素が所定数以下となる場合にその１の値を持つ画素を０の値に変える処理である。膨張は０の値を持つ画素について１の値を持つ周辺画素が所定数以上となる場合にその０の値を持つ画素を１の値に変える処理である。

次いで、候補検出部１６は全てのサイズｎの構造要素Ｊｎによって処理画像Ｇｎを作成したかどうかを判断する（ステップＳ４４）。まだ全てのサイズｎの構造要素Ｊｎによって処理画像Ｇｎを作成していない場合（ステップＳ４４；Ｎ）、候補検出部１６はｎを＋１インクリメントし（ステップＳ４５）、ステップＳ４３の処理に移行する。すなわち、候補検出部１６はサイズが一回り大きい構造要素Ｊｎ＋１を元に、先に作成した処理画像Ｇｎをオープニング処理し、処理画像Ｇｎ＋１を作成する。このように、全サイズの構成要素Ｊｎによって処理画像Ｇｎが作成されるまでステップＳ４３〜Ｓ４５の処理が繰り返される。

全サイズの構成要素Ｊｎについて処理画像Ｇｎが作成されると、候補検出部１６はサイズｎが近い処理画像Ｇｎ間で差分画像Ｄｎを作成する（ステップＳ４６）。具体的には、処理画像Ｇｎと処理画像Ｇｎ＋１間で同じ位置にある画素について、画素値の差分値の絶対値を求め、この絶対値を差分画像Ｄｎ＋１の画素値とする。例えば、処理画像Ｇ１と処理画像Ｇ２間で差分画像Ｄ２が作成され、処理画像Ｇ２と処理画像Ｇ３間で差分画像Ｄ３が作成される。なお、差分画像Ｄ１は処理画像Ｇｎ、Ｇｎ＋１同士ではなく、元の画像と処理画像Ｇ１間で作成される。

次いで、候補検出部１６は各差分画像Ｄｎを用いてサイズ分布ヒストグラムを作成する（ステップＳ４７）。サイズ分布ヒストグラムの作成において、候補検出部１６は差分画像Ｄｎ毎に画素値の和ｄｎを算出する。次いで、候補検出部１６は各差分画像Ｄｎについて求められた画素値の和ｄｎの総和Σｄｎを算出し、形状Ｊのサイズｎ毎に、ｄｎ／Σｄｎをプロットしたサイズ分布ヒストグラムを作成する。

図５を参照して、形状Ｊを円形としたときのサイズ分布ヒストグラムの作成例について説明する。
候補検出部１６は、円形で最小サイズの構成要素Ｊ１を１〜６倍し、円形であって異なるサイズの構造要素Ｊ１〜Ｊ６を設定する。元の画像Ｇ０を出発点として各構造要素Ｊ１〜Ｊ６を元にオープニング処理を繰り返すことにより、図５に示すように処理画像Ｇ１〜Ｇ６が得られる。元の画像Ｇ０に構造要素Ｊ１〜Ｊ６と同じ円形の形状であって、構造要素Ｊ１〜Ｊ６より小さいサイズの画像部分が含まれている場合、当該画像部分はオープニング処理によって処理画像Ｇ１〜Ｇ６から除かれる。除かれた画像部分は、元の画像Ｇ０やそれぞれの処理画像Ｇ１〜Ｇ６を用いて作成された差分画像Ｄ１〜Ｄ６により抽出される。各差分画像Ｄ１〜Ｄ６で求められる画素値の和ｄｎは、抽出された画像部分の含有量を示している。

例えば、図５に示すように元の画像Ｇ０には３つの円形の画像が含まれている。そのうち最もサイズが小さい画像ｇ１は構造要素Ｊ１より大きいが構造要素Ｊ２より小さい。そのため、構造要素Ｊ１による処理画像Ｇ１には画像ｇ１が含まれているものの、構造要素Ｊ２による処理画像Ｇ２には無い。よって、処理画像Ｇ１と処理画像Ｇ２の差分画像Ｄ１には画像ｇ１が含まれ、画像Ｇ０から画像ｇ１が抽出される。
一方、円形の形状Ｊとは異なる三角形状の画像はオープニング処理によっては除かれないため、全ての処理画像Ｇ１〜Ｇ６に表れる。よって、目的とした形状Ｊ以外の形状の画像部分は差分画像Ｄ１〜Ｄ６によっては抽出されないこととなる。

このような差分画像Ｄｎについて求めたｄｎ／Σｄｎを、サイズｎ毎にプロットしたのが、図５に示すサイズ分布ヒストグラムである。サイズ分布ヒストグラムは、ＲＯＩに含まれる特定形状Ｊの画像部分のサイズｎ毎の含有率を示している。サイズ分布ヒストグラムによって、特定の形状からなる画像部分がどれだけ設定したＲＯＩ内に含まれているかを、サイズ別に把握することができる。

以上のようにして、１つのＲＯＩについてある形状Ｊについてのサイズ分布ヒストグラムを作成すると、他のＲＯＩについても同様にサイズ分布ヒストグラムを作成する。全てのＲＯＩについてサイズ分布ヒストグラムを作成し終えると、図２のステップＳ５に戻る。
ステップＳ５では、候補検出部１６はＲＯＩ毎に作成したサイズ分布ヒストグラムの特徴量を求め、当該特徴量を用いて特徴量解析を行って間質性疾患の病変候補を検出する（ステップＳ５）。

サイズ分布ヒストグラムを用いて算出される特徴量としては、下記式で示される平均値、コントラスト、分散、標準偏差、スキュー等が挙げられる。なお、コントラストの特徴量はサイズ分布ヒストグラムが平坦に広がっているのか、或いは偏っているのかを示している。また、スキューはサイズ分布ヒストグラムの形状が平均からみて左右に対称な形からどれだけずれているかを示す特徴量である。

上記式において、ｎはサイズ、ｎ_maxは最大サイズ、ｎ_minは最小サイズを示している。また、Ｐ（ｎ）はサイズ分布ヒストグラムのサイズｎのときの値ｄｎ／Σｄｎを示している。

間質性疾患の画像は、小さい円形状の陰影や線状、編み目様の網状、すりガラス状等、特徴的である。よって、図６に示すように間質性疾患が見られない正常な場合に比べて、間質性疾患がある異常な場合の方が、サイズ分布ヒストグラムは小さいサイズほど値が大きくなる等、ヒストグラム形状が特徴的となることが考えられる。そのため、正常の場合と異常の場合とでは上記算出した特徴量も異なると考えられるので、算出した特徴量を用いて特徴量解析を行うことにより各ＲＯＩが正常か異常かを判断することができる。

特徴量解析の手法としては、例えばＬＤＡ（Liner Discriminat Analysis；線形判別分析）、ＱＤＡ（Quantitative DA；定量判別分析）、ＡＮＮ（人工ニューラルネットワーク）、ＳＶＭ（サポートベクトルマシン）、ＡｄａＢｏｏｓｔ等、何れの手法を適用してもよい。
例えば、ＬＤＡであれば、候補検出部１６は予め正常又は異常が判明している医用画像について求めた特徴量を学習データとして用いて、正常に係る特徴量群と、異常に係る特徴量群とを判別する線形判別式を算出しておく。候補検出部１６はこの線形判別式により、各ＲＯＩについて求めた特徴量が正常に係る特徴量群と異常に係る特徴量群の何れに属するかを判別する。そして、異常に係る特徴量群に属する場合、候補検出部１６はそのＲＯＩは間質性疾患の画像を含む可能性が高いと判断し、候補検出部１６は当該ＲＯＩを間質性疾患の病変候補の領域として検出する。

なお、１つの形状だけでなく、複数の異なる形状のそれぞれについてサイズ分布ヒストグラムを作成し、各サイズ分布ヒストグラムの特徴量を用いて特徴量解析することとしてもよい。このとき、病変候補に見られる形状のみでなく、正常組織構造に見られる形状を含めてサイズ分布ヒストグラムを作成してもよい。
例えば、候補検出部１６は間質性疾患によく見られる円形の形状について図４に示す処理を実行して円形の形状についてのサイズ分布ヒストグラムを作成する。同様に、候補検出部１６は楕円状、線状、三角形等、間質性疾患だけでなく正常組織構造にも見られる形状を対象に、それぞれの形状についてサイズ分布ヒストグラムを作成する。そして、候補検出部１６はそれぞれのサイズ分布ヒストグラムから求められる特徴量（平均値等）を用いて特徴量解析を行う。ＡＮＮによる特徴量解析の場合、候補検出部１６は正常、異常が予め判明している医用画像について求めた異なる複数の形状についてのサイズ分布ヒストグラムの特徴量を用いて、正常又は異常を表す出力値を出力するＡＮＮを構築しておく。そして、候補検出部１６はこのＡＮＮに検出対象の医用画像から求めた各形状の特徴量を入力し、正常又は異常を表す出力値を得る。

このように、間質性疾患によく見られる形状だけでなく、正常組織構造によく見られる形状等の様々な形状も含めて、形状毎のサイズ分布ヒストグラムを作成し、その特徴量を病変候補の検出に用いることにより、より多面的な検出を行うことができる。結果として、検出精度の向上が望める。

候補検出部１６における病変候補の検出処理が終了すると、候補検出部１６から制御部１１にその検出結果の情報が出力される。制御部１１は、間質性疾患候補の検出結果を受けて、当該検出結果を表示部１３に表示させる（ステップＳ６）。

図７に、表示例を示す。
図７に示すように、間質性疾患候補の検出結果として、制御部１１は表示部１３上に医用画像を表示し、この医用画像において間質性疾患の候補領域として検出されたＲＯＩの位置を指し示す矢印のマーカを表示する。隣接する複数のＲＯＩが候補として検出された場合には、それらＲＯＩの中心位置を指し示すようにマーカを表示してもよい。
なお、検出結果の表示方法としては、マーカによって候補の位置を指し示す方法だけでなく、候補であるＲＯＩについては赤色を付す等の他の方法であってもよい。

以上のように、本実施形態によれば、候補検出部１６が医用画像のデータを用いて、当該医用画像のうち特定の形状からなる画像部分のサイズ毎のサイズ分布ヒストグラムを作成する。また、候補検出部１６は、作成したサイズ分布ヒストグラムの特徴量を算出し、当該特徴量を特徴量解析した結果に基づいて、医用画像に含まれる病変候補の領域を検出する。これにより、医用画像上の陰影の形状の特徴量を用いて病変候補を検出することができる。検出結果は、制御部１１の表示制御によって表示部１３に表示されるので、医師の読影作業を支援することができる。

また、候補検出部１６は、１つの形状だけでなく異なる複数の形状についてそれぞれサイズ分布ヒストグラムを作成し、各サイズ分布ヒストグラムの特徴量を特徴量解析することにより、病変候補の検出を行うことができる。この場合、様々な陰影の形状によって病変候補の検出を行うことができ、多面的な検出が可能となる。よって、検出精度が向上する。

また、候補検出部１６はサイズ分布ヒストグラムを作成するに先立って、医用画像から肺野領域を抽出し、この肺野領域をサイズ分布ヒストグラムの算出対象とする。このように算出対象を絞ることにより、処理時間を短縮することができ、効率的な検出が可能となる。
同様に、候補検出部１６はサイズ分布ヒストグラムを作成するに先立って、医用画像から肋骨領域を抽出し、この肋骨領域をサイズ分布ヒストグラムの算出対象から除外する。このように算出対象をさらに絞ることにより、より効率的な検出を行うことができる。

上記実施形態は本発明の好適な一例であり、これに限定されるものではない。
例えば、病変候補検出の一例として胸部を撮影したＸ線画像から間質性疾患を検出する例を挙げたが、乳房を撮影したＸ線画像から腫瘤や微小石灰化クラスタ等の病変の候補を検出する場合にも本発明を適用できるし、Ｘ線画像だけでなく頭部を撮影したＭＲＡ（Magnetic Resonance Angiography）画像から動脈瘤等の病変の候補を検出する場合にも本発明を適用できる。病変が生じる人体の解剖学的構造（乳房、脳等の解剖学的に分類される構造物をいう）はそれぞれ異なるので、検出しようとする病変が生じやすい解剖学的構造に基づく領域を医用画像から抽出し、当該領域にＲＯＩを設定してサイズ分布ヒストグラムを算出するようにすればよい。

また、上記実施形態では、オープニング処理に用いる構造要素を、画像の主走査方向の位置及び副走査方向の位置を要素とする２次元構造としてオープニング処理する例を説明した。しかし、さらに画素値を要素とする３次元構造としてオープニング処理することも可能である。具体的には、あるサイズｎの形状Ｊについてさらに特定の画素値ｋの要素を付加した構造要素Ｊｎｋを元にオープニング処理すると、その構造要素のサイズｎより小さいサイズで、画素値ｋより小さい画素値を持つ画像部分が差分画像に含まれることになる。この差分画像により抽出された画像部分を所定の閾値で２値化し、閾値以上となる画像部分についてサイズ分布ヒストグラムを作成すればよい。

また、本発明に係るプログラムのコンピュータ読み取り可能な媒体としては、ＲＯＭ、フラッシュメモリ等の不揮発性メモリ、ＣＤ-ＲＯＭ等の可搬型記録媒体を適用することが可能である。また、本発明に係るプログラムのデータを通信回線を介して提供する媒体として、キャリアウエーブ(搬送波)も本発明に適用される。

画像処理の分野において利用することが可能であり、医用画像を画像解析し、病変候補の領域を検出する医用画像処理装置に適用することができる。

符号の説明

１ 医用画像処理装置
１１ 制御部
１２ 操作部
１３ 表示部
１４ 通信部
１５ 記憶部
１６ 候補検出部

Claims (5)

1. 医用画像のデータを用いて、当該医用画像のうち特定の形状からなる画像部分のサイズ毎の分布ヒストグラムを、一又は複数の異なる形状について作成し、前記作成した一又は複数の異なる形状についてのサイズ毎の分布ヒストグラムの特徴量を特徴量解析した結果に基づいて、前記医用画像に含まれる病変候補を検出する候補検出手段と、
   表示手段と、
   前記病変候補の検出結果を前記表示手段に表示する制御手段と、
   を備える医用画像処理装置。
2. 前記候補検出手段は、前記医用画像から人体の解剖学的構造に基づく領域を抽出し、抽出した領域を、前記分布ヒストグラムの算出対象とする請求項１に記載の医用画像処理装置。
3. 前記解剖学的構造に基づく領域は、肺野領域である請求項２に記載の医用画像処理装置。
4. 前記候補検出手段は、前記医用画像から肋骨領域を抽出し、前記医用画像から抽出された肺野領域のうち前記抽出された肋骨領域を、前記分布ヒストグラムの算出対象から除外する請求項３に記載の医用画像処理装置。
5. コンピュータを、
   医用画像のデータを用いて、当該医用画像のうち特定の形状からなる画像部分のサイズ毎の分布ヒストグラムを、一又は複数の異なる形状について作成し、作成した一又は複数の異なる形状についてのサイズ毎の分布ヒストグラムの特徴量を特徴量解析することによって、前記医用画像に含まれる病変候補を検出する候補検出手段、
   前記病変候補の検出結果を表示手段に表示する制御手段、
   として機能させるためのプログラム。

Images