JP5432483B2 - 異常陰影検出装置およびプログラム - Google Patents

Description

本発明は、医用画像に含まれる異常陰影を検出する異常陰影検出装置および異常陰影検出方法をコンピュータに実行させるためのプログラムに関するものである。

医療分野においては、画像中の異常陰影候補を自動的に検出し、検出された異常陰影候補の強調表示等を行うコンピュータ支援画像診断システム（CAD: Computer Aided Diagnosis）が知られている。

また、異常陰影候補の検出手法としては、例えば、乳房の放射線画像（マンモグラフィ）に対して、アイリスフィルタによる画像処理を行い、その出力値を閾値処理することによって、乳ガン等の一形態である腫瘤陰影（異常陰影の一形態）の候補を自動的に検出する手法、モフォロジーフィルタを用いた画像処理を行い、その出力値を閾値処理することによって、乳ガン等の他の一形態である石灰化陰影（異常陰影の一形態）の候補を自動的に検出する手法等が知られている（例えば、特許文献１参照）。また、ラプラシアンフィルタを用いることにより異常陰影候補を検出する手法も提案されている。

しかしながら、乳房画像上には石灰化陰影のみならず、乳腺や血管等の線状構造物上に現れる高い画素値を持つ点も存在し、上述のモフォロジーフィルタを用いた処理等により石灰化陰影を検出する場合には、真の石灰化陰影のみならず、乳腺や血管等の線状構造物上に現れる高い画素値を持つ点も石灰化陰影として検出してしまう。このため、読影者は検出された陰影が、真の石灰化陰影（ＴＰ:true positive）であるか、偽の石灰化陰影（ＦＰ：false positive（偽陽性））であるかを、原画像を観察して判別する必要があるが、検出された石灰化陰影らしい候補が多数検出されると、読影者の負担が大きく、判別も困難になる。とくに、血管の走行に沿って沈着してできる血管沈着石灰化は、線状構造物上に沿って多数現れ、ＦＰの検出率の増加につながるため検出を抑制することが望まれる。

このため、異常陰影候補検出処理のための処理パラメータを適切に設定することにより、上述した血管沈着石灰化を異常陰影候補に含めないようにして検出する手法が提案されている（特許文献２参照）。
特開平８−２９４４７９号公報 特開２００５−２２４４２８号公報

しかしながら、上記特許文献２に記載された手法においては、比較的大きな偽陽性候補を異常陰影候補に含めないようにすることができるが、細かな偽陽性候補までは判別することができず、その結果、異常陰影の検出精度がそれほど高くないものとなっている。

本発明は上記事情に鑑みなされたものであり、医用画像からより精度良く異常陰影を検出することを目的とする。

本発明による異常陰影検出装置は、医用画像から異常陰影候補を検出する異常陰影候補検出手段と、
前記異常陰影候補から偽陽性候補を削除する削除処理を行う偽陽性候補削除手段と、
前記削除処理により残った残余異常陰影候補の周囲所定範囲領域に含まれる、前記異常陰影候補の数に対する前記偽陽性候補の数の割合を近接特徴量として算出する近接特徴量算出手段と、
前記近接特徴量に基づいて前記残余異常陰影候補が前記偽陽性候補であるか否かを判定する判定手段とを備えたことを特徴とするものである。

なお、本発明による異常陰影検出装置においては、前記近接特徴量算出手段を、前記残余異常陰影候補毎に前記所定範囲領域に含まれる前記異常陰影候補の数に対する前記偽陽性候補の数の割合を前記近接特徴量として算出する手段としてもよい。

また、本発明による異常陰影検出装置においては、前記近接特徴量算出手段を、前記残余異常陰影候補毎の前記所定範囲領域が互いに重なる場合には、該互いに重なる所定範囲領域を結合し、結合した所定範囲領域に含まれる前記異常陰影候補の数に対する前記偽陽性候補の数の割合を前記近接特徴量として算出する手段としてもよい。

また、本発明による異常陰影検出装置においては、前記判定手段を、マシンラーニングの手法により学習された、前記近接特徴量を含む前記異常陰影公報の特徴量を入力とし、前記残余異常陰影候補が前記偽陽性候補であるか否かの判定結果を出力する判別器からなるものとしてもよい。

また、本発明による異常陰影検出装置においては、前記判定手段を、前記近接特徴量が所定の閾値以上の場合に前記残余異常陰影候補を前記偽陽性候補と判定する手段としてもよい。

「マシンラーニングの手法」としては、ニューラルネットワーク、ブースティング、サポートベクターマシン等の手法を用いることができる。例えば、サポートベクターマシンの手法の場合、異常陰影であることが分かっている多数の画像から抽出した近接特徴量を含む種々の特徴量と異常陰影でない多数の画像から抽出した近接特徴量を含む種々の特徴量とを判別器に学習させることにより、異常陰影候補を入力した場合に、その異常陰影候補が異常陰影であるか否かを表す判別結果を得ることができる。

また、本発明による異常陰影検出装置においては、前記異常陰影候補検出手段を、モフォロジーフィルタおよびラプラシアンフィルタの双方を用いたフィルタリング処理により前記異常陰影候補を検出する手段としてもよい。

本発明による異常陰影検出方法は、医用画像から異常陰影候補を検出し、
前記異常陰影候補から偽陽性候補を削除する削除処理を行い、
前記削除処理により残った残余異常陰影候補の周囲所定範囲領域に含まれる、前記異常陰影候補の数に対する前記偽陽性候補の数の割合を近接特徴量として算出し、
前記近接特徴量に基づいて前記残余異常陰影候補が前記偽陽性候補であるか否かを判定することを特徴とするものである。

なお、本発明による異常陰影検出方法をコンピュータに実行させるためのプログラムとして提供してもよい。

本発明によれば、医用画像から異常陰影候補が検出され、検出された異常陰影候補から偽陽性候補が削除処理により削除される。そして、削除処理により残った残余異常陰影候補の周囲所定範囲領域に含まれる、異常陰影候補の数に対する偽陽性候補の数の割合が近接特徴量として算出され、近接特徴量に基づいて残余異常陰影候補が偽陽性候補であるか否かが判定される。したがって、残余異常陰影候補についてもそれが偽陽性候補である場合には残余異常陰影候補から削除することができるため、異常陰影検出の精度を向上させることができる。

以下、図面を参照して本発明の実施形態について説明する。なお、ここでは、「医用画像」として人体の乳房を表す乳房画像を使用し、「異常陰影候補」として石灰化陰影の候補を抽出する例について説明する。

図１は本発明の実施形態による異常陰影検出装置の構成を示す概略ブロック図である。図１に示すように本実施形態による異常陰影検出装置１０は、診断の対象である乳房画像Ｐを表す画像データＰ（以下簡便のため、画像とその画像を表す画像データとを同じ記号で表すことにする）に基づいて乳房画像Ｐ中の異常陰影（石灰化陰影）の候補Ｃｉ（ｉ＝１，２，３，・・・）を検出する候補検出部１２と、候補Ｃｉから偽陽性候補ＦＰを削除する削除処理を行う偽陽性候補削除部１４と、削除処理により残った残余の異常陰影の候補（以下、残余候補とする）ＲＣｊ（ｊ＝１，２，・・・）の周囲所定範囲領域に含まれる、異常陰影の候補Ｃｉの数に対する偽陽性候補ＦＰの数の割合を近接特徴量Ｋとして算出する近接特徴量算出部１６と、近接特徴量Ｋに基づいて残余候補ＲＣｉが偽陽性候補ＦＰであるか否かを判定する判定部１８とを備える。なお、画像データＰとしては、高輝度高信号レベルの信号からなるものとする。

候補検出部１２は、モフォロジー処理部１２Ａおよびラプラシアン処理部１２Ｂからなり、モフォロジー処理部１２Ａおよびラプラシアン処理部１２Ｂにおいて、モフォロジーフィルタおよびラプラシアンフィルタの双方を用いたフィルタリング処理（以下ハイブリッド処理とする）を行うことにより乳房画像Ｐから異常陰影の候補Ｃｉを検出する。まず、モフォロジーフィルタを用いたフィルタリング処理（モフォロジー処理）について説明する。候補検出部１２は、画像データＰに対して下記の式（１）による演算を行い、出力値Ｍｏを取得する。

ここでＢｉは図２に示すＭ個の直線状の構造要素Ｂであり（図２ではｉ＝１，２，３，４）、構造要素Ｂのサイズであるマスクサイズは検出対象の石灰化陰影よりも大きく設定してある。

式（１）では、まず、構造要素Ｂに応じて決定される、注目画素を中心とした所定の幅の中の最小値を検索する処理（イロージョン(erosion)処理；図３（ｂ）参照）を行った後、その所定の幅の中の最大値を検索する処理（ダイレーション(dilation)処理；図３（ａ）参照）を行う（オープニング(opening)処理；図３（ｃ）参照）。なお、図３においてマスクサイズとは構造要素Ｂのサイズである。このオープニング処理により、構造要素Ｂよりも細かな凸状のデータ変化部分（空間的に狭い範囲で変動する画像部分）である石灰化陰影は取り除かれる。なお、図３においてＭ（ｘ）は式（１）および後述する式（２）の処理を表す関数である。

一方、細長い形状の非石灰化陰影はその長さが構造要素Ｂよりも長い、傾き（延びる方向）がＭ個の構造要素Ｂiのうちいずれかに一致する部分はそのまま残る（式（１）の第２項の演算）。したがって、オープニング処理によって得られた平滑化画像（石灰化陰影が取り除かれた画像）を画像Ｐから減算することにより、石灰化陰影の候補のみが含まれる画像が得られる。

なお、高濃度高信号レベルの信号の場合においては、石灰化陰影は周囲の画像部分よりも濃度値が低くなり、石灰化陰影は周囲部分に対して凹状の信号変化部分となるため、オープニング処理に代えてクロージング処理を適用し、式（１）に代えて式（２）を適用する（図３（ｄ）参照）。このクロージング処理により、構造要素Ｂよりも細かな凹状の出た変化部分である石灰化陰影を取り除くことができる。

さらに、これによっても石灰化陰影と同等の大きさを持つ非石灰化陰影が一部残る場合があり、そのような場合については、次式（３）のモフォロジー演算に基づく微分情報を利用して式（１）のＭｏに含まれる非石灰化陰影をさらに除去する。

ここで、Ｍｇｒａｄの値が大きいほど石灰化陰影の可能性が大きいので、石灰化陰影候補のみを含む候補画像Ｃｓは下記式（４）により求めることができる。

ここで、Ｔ１，Ｔ２は実験的に決められる、あらかじめ設定された閾値である。

ただし、石灰化陰影の大きさとは異なる非石灰化陰影については、式（１）のＭｏと所定の閾値Ｔ１との比較のみで除去できるため、石灰化陰影と同等の大きさを持つ非石灰化陰影が残ることのないような場合は、式（４）の第１項の条件（Ｍｏ（ｉ，ｊ）≧Ｔ１）を満たすだけでよい。

最後に、式（５）に示す、マルチスケールのオープニング処理とクロージング処理との組合せにより、モフォロジー処理による異常陰影候補である石灰化陰影のクラスタＣｍｃを検出する。

ここで、λ１とλ２はそれぞれ融合したい石灰化陰影の最大距離と除去したい孤立陰影の最大半径とによって決められ、λ３＝λ１＋λ２である。

以上の処理により、図４（ａ）に示す画像Ｐから図４（ｂ）に示すように、モフォロジー処理に基づく石灰化陰影候補のみを含む候補画像ＧＭ１が得られる。

次に、ラプラシアンフィルタを用いたフィルタリング処理（ラプラシアン処理）について説明する。候補検出部１２は、画像データＰに対して下記の式（６）による演算を行い、石灰化陰影のエッジＥを検出する。

ここで、ｆは２次元のラプラシアンフィルタである。次に、候補検出部１２は、エッジＥにより囲まれる領域をクラスタリングし、これをラプラシアン処理による異常陰影候補である石灰化陰影のクラスタＣｌｃとして検出する。これにより、図４（ａ）に示す画像Ｐから図４（ｃ）に示すようにラプラシアン処理に基づく石灰化陰影候補のみを含む候補画像ＧＬ１が得られる。

次に、候補検出部１２は、図４（ｄ）に示すように候補画像ＧＭ１と候補画像ＧＬ１とを重ね合わせ、候補画像ＧＬ１上において、候補画像ＧＭ１のクラスタＣｍｃが重畳される。クラスタＣｌｃを、最終的な異常陰影の候補Ｃｉとして検出する（図４（ｅ）参照）。

ここで、モフォロジー処理を行うことにより、比較的正確に石灰化陰影の候補を検出することができるが、石灰化陰影の形状を正確に検出することはできない。一方、ラプラシアン処理を行うことにより、石灰化陰影の形状を正確に検出することができるが、偽陽性が多く発生するという欠点がある。

本実施形態のようにモフォロジーフィルタおよびラプラシアンフィルタの双方を用いたハイブリッド処理を行うことにより、異常陰影の候補Ｃｉをその形状も含めて正確に検出することができる。

偽陽性候補削除部１４は、異常陰影の候補Ｃｉに含まれる、乳房内の血管に沈着した石灰化（血管沈着石灰化）を偽陽性候補ＦＰとして候補Ｃｉから削除する。まず、血管沈着石灰化の除去について説明する。

偽陽性候補削除部１４は、画像Ｐに対して、候補Ｃｉを中心として所定サイズ（例えば６４×６４画素）の矩形領域ＲＯＩを設定する。なお、候補Ｃｉは所定範囲の領域を有するため、この領域の重心位置を候補Ｃｉの中心としてＲＯＩを設定する。そして、各ＲＯＩ毎に以下の処理を行う。まず、画像ＰをSobelフィルタによりフィルタリングして血管のエッジを強調し、所定の閾値により２値化して２値化画像を得る。そして、２値化画像からエッジ数および最も大きいエッジの画素数等の特徴量を算出し、これを第１の判別器１４Ａに入力する。

第１の判別器１４Ａは、例えばサポートベクターマシン等のマシンラーニングの手法を用いて、多数の血管沈着石灰化の画像から得た特徴量を正解データ、多数の血管沈着石灰化を含まない画像から得た特徴量を不正解データとして学習がなされているものであり、特徴量の入力により血管沈着石灰化であるか否かの判別結果を出力するものである。

そして、第１の判別器１４Ａにより血管沈着石灰化と判別された候補Ｃｉを中心としたＲＯＩの２値化画像に対してのみ直線フィッティングを行い、ＲＯＩ内における管状の物体の両壁を構成する直線の大まかな方向を推定する。次いで、推定された直線に沿って大まかなトラッキングを行い、さらに精細なトラッキングを行って両壁を構成する直線をつなげる。そして、両壁の直線の傾きおよび両壁となる直線間の距離等の特徴量を算出し、特徴量を血管判別のために学習がなされた第２の判別器１４Ｂに入力する。

第２の判別器１４Ｂは、マシンラーニングの手法を用いて、多数の血管の画像から得た血管の特徴量を正解データ、血管でない多数の画像から得た特徴量を不正解データとして学習がなされているものであり、特徴量の入力により血管であるか否かの判別結果を出力するものである。

ここで、血管のトラッキングは各ＲＯＩ毎に行われているため、各ＲＯＩ内において血管と判別された領域を連結し、連結された血管の領域内に存在する候補Ｃｉを血管沈着石灰化による偽陽性候補ＦＰと見なし、候補Ｃｉから削除する。

なお、血管沈着石灰化の検出は上記手法に限定されるものではなく、例えば特開２００５−２２４４２８号公報等に記載された公知の種々の手法を用いるようにしてもよい。

このように、血管沈着石灰化による偽陽性候補ＦＰを削除できるが、微小な偽陽性候補ＦＰについては完全に削除することはできない。このため、本実施形態においては、微小な偽陽性候補ＦＰを削除するために、近接特徴量算出部１６および判定部１８において下記の処理を行う。

近接特徴量算出部１６は、偽陽性候補ＦＰを削除した結果残った残余候補ＲＣｉのそれぞれについて近接特徴量Ｋを算出する。図５は近接特徴量Ｋの算出を説明するために使用する画像Ｐに含まれる血管の像の拡大図である。図５に示すように血管領域２０には複数の候補Ｃｉが含まれており、そのうち比較的大きい候補Ｃｉが偽陽性候補ＦＰ（図中斜線で示す）、比較的小さい候補Ｃｉが残余候補ＲＣｉである。また、血管領域２０から離れた位置にもいくつかの残余候補ＲＣｉが存在している。なお、図５においては６つの残余候補ＲＣｉが存在しており、そのそれぞれをＲＣ１〜ＲＣ６としている。

近接特徴量算出部１６は、まず図６に示すように、残余候補ＲＣｉの重心を中心としたあらかじめ定められた半径の円形領域を設定し、互いに重なり合った円形領域を結合して１つのクラスタとする。なお、この円形領域の半径は実験的にあらかじめ定められたものであり、例えば２０ｍｍとする。ここで、残余候補ＲＣ１，ＲＣ２のそれぞれを中心とする２つの円形領域は互いに重なり合うため１つのクラスタ２２Ａとされる。また、残余候補ＲＣ３〜ＲＣ５のそれぞれを中心とする３つの円形領域も互いに重なり合うため１つのクラスタ２２Ｂとされる。なお、残余候補ＲＣ６については残余候補ＲＣ６を中心とする１つの円形領域が１つのクラスタ２２Ｃとされる。

ここで、近接特徴量算出部１６は、１つの残余候補ＲＣｉのみにより形成されたクラスタについては、孤立点であることから偽陽性候補ＦＰであると見なし、近接特徴量Ｋの算出から除外する。本実施形態においては、残余候補ＲＣ６のクラスタ２２Ｃが近接特徴量Ｋの算出から除外される。

次に、近接特徴量算出部１６は、クラスタ内に含まれる残余候補ＲＣｉおよび偽陽性候補ＦＰを含めた候補Ｃｉの数Ｎ１、および偽陽性候補ＦＰの数Ｎ２をカウントする。図６において、クラスタ２２Ａの内部には、２つの候補Ｃｉを含むが偽陽性候補ＦＰを含まないためＮ１＝２、Ｎ２＝０となり、クラスタ２２Ｂについては、８つの候補Ｃｉと５つの偽陽性候補ＦＰを含むためＮ１＝８、Ｎ２＝５となる。そして、クラスタ毎にＮ２／Ｎ１の値を近接特徴量Ｋとして算出する。図６においてクラスタ２２ＡについてはＫ＝０、クラスタ２２ＢについてはＫ＝０．６２５となる。

判定部１８は、近接特徴量Ｋおよび残余候補ＲＣｉの入力を受け、残余候補ＲＣｉの面積および明るさ等の特徴量を算出する。そして、算出した特徴量および近接特徴量Ｋを判別器１８Ａに入力する。

この判別器１８Ａは、例えばサポートベクターマシン等のマシンラーニングの手法を用いて、多数の異常陰影の画像から得た特徴量（近接特徴量Ｋを含む）を正解データ、多数の異常陰影でない画像から得た特徴量を不正解データとして学習がなされているものであり、特徴量の入力により異常陰影候補が異常陰影であるか否かの判別結果を出力するものである。

これにより、判定部１８は残余候補ＲＣｉが異常陰影であるか否かの判別結果を出力する。

次いで、本実施形態において行われる処理について説明する。図７は本実施形態において行われる処理を示すフローチャートである。画像Ｐが入力されることにより、まず候補検出部１２が画像Ｐから異常陰影の候補Ｃｉを検出する（ステップＳＴ１）。次いで、偽陽性候補削除部１４が、候補Ｃｉから偽陽性候補ＦＰを削除する（ステップＳＴ２）。続いて、近接特徴量算出部１６が近接特徴量Ｋを算出し（ステップＳＴ３）、判定部１８が近接特徴量Ｋに基づいて残余候補ＲＣｉが異常陰影であるか否かを判定し（ステップＳＴ４）、処理を終了する。

このように、本実施形態においては、異常陰影の候補Ｃｉから偽陽性候補ＦＰを削除し、さらに、削除処理により残った残余候補ＲＣｉの周囲所定範囲領域に含まれる、候補Ｃｉの数に対する偽陽性候補ＦＰの数の割合を近接特徴量Ｋとして算出し、算出した近接特徴量Ｋに基づいて残余候補ＲＣｉが偽陽性候補ＦＰであるか否かを判定するようにしたため、残余候補ＲＣｉについてもそれが偽陽性候補ＦＰである場合には残余候補ＲＣｉから削除することができ、その結果、異常陰影検出の精度を向上させることができる。

なお、上記実施形態においては、候補検出部１２において、モフォロジーフィルタおよびラプラシアンフィルタの双方を用いたハイブリッド処理を行っているが、モフォロジーフィルタおよびラプラシアンフィルタのいずれか一方を用いたフィルタリング処理のみにより候補Ｃｉを検出するようにしてもよい。

また、上記実施形態においては、近接特徴量算出部１６において、近接特徴量Ｋの算出の際に、残余候補ＲＣｉの重心を中心としたあらかじめ定められた半径の円形領域について、互いに重なり合った円形領域を結合して１つのクラスタとしているが、図８に示すように１つの円形領域毎にその内部に含まれる残余候補ＲＣｉおよび偽陽性候補ＦＰを含めた候補Ｃｉの数Ｎ１および偽陽性候補ＦＰの数Ｎ２をカウントし、円形領域毎にＮ２／Ｎ１の値を近接特徴量Ｋとして算出するようにしてもよい。

また、上記実施形態においては、判定部１８をマシンラーニングの手法により学習した判別器を用いたものとしているが、近接特徴量算出部１６が算出した近接特徴量Ｋをあらかじめ定めた所定の閾値と比較し、近接特徴量が閾値よりも小さい場合に、残余候補ＲＣｉを異常陰影と判定するようにしてもよい。例えば、所定の閾値を０．５とした場合、図６に示すクラスタ２２Ａにおいて算出した近接特徴量Ｋは０であるため、クラスタ２２Ａに含まれる残余候補ＲＣ１，ＲＣ２は異常陰影と判定される。一方、クラスタ２２Ｂにおいて算出した近接特徴量Ｋは０．６２５であるため、クラスタ２２Ｂに含まれる残余候補ＲＣ３，ＲＣ４，ＲＣ５は異常陰影ではないと判定される。

また、上記実施形態において、例えば、特開平９−１６７２３８号公報および特開２００２−７４３６１号公報等に記載された、マハラノビス距離を用いた手法により異常陰影の判定を行うようにしてもよい。以下、マハラノビス距離を用いた手法について説明する。

マハラノビス距離とは下記式（７）で定義されるＤｍｉを意味し、異常陰影と良性陰影の特徴量の分布の中心から共分散行列Σで表される超楕円体の重み付けで測る距離である。

判定部１８は、式（７）にしたがって、あらかじめ実験的に得られている良性陰影を示すパターンクラス（ｉ＝１）とのマハラノビス距離Ｄｍ１と、異常陰影を示すパターンクラス（ｉ＝２）とのマハラノビス距離Ｄｍ２とを算出し、Ｄｍ１とＤｍ２とを比較して候補領域が悪性であるか否かを判定する。すなわち、良性陰影を示すパターンクラスとのマハラノビス距離Ｄｍ１が異常陰影を示すパターンクラスとのマハラノビス距離Ｄｍ２より近い場合、すなわちＤｍ１＜Ｄｍ２の場合は良性陰影であり、良性陰影を示すパターンクラスとのマハラノビス距離Ｄｍ１より悪性陰影を示すパターンクラスとのマハラノビス距離Ｄｍ２が近い場合、すなわちＤｍ１＞Ｄｍ２の場合は異常陰影であると判定し、判定結果を出力する。

以上、本発明の実施形態に係る装置１０について説明したが、コンピュータを、上記の候補検出部１２、偽陽性候補削除部１４、近接特徴量算出部１６および判定部１８に対応する手段として機能させ、図７に示すような処理を行わせるプログラムも、本発明の実施形態の１つである。また、そのようなプログラムを記録したコンピュータ読取り可能な記録媒体も、本発明の実施形態の１つである。

本発明の実施形態による異常陰影検出装置の構成を示す概略ブロック図 モフォロジー処理に用いられる構造要素の概念を表す図 モフォロジー処理の基本的な作用を説明するグラフ 候補検出部が行う処理を説明するための図 近接特徴量の算出を説明するために使用する画像に含まれる血管の像の拡大図（その１） 近接特徴量の算出を説明するために使用する画像に含まれる血管の像の拡大図（その２） 本実施形態において行われる処理を示すフローチャート 近接特徴量の算出を説明するために使用する画像に含まれる血管の像の拡大図（その３）

符号の説明

１０ 異常陰影検出装置
１２ 候補検出部
１４ 偽陽性候補削除部
１６ 近接特徴量算出部
１８ 判定部

Claims (7)

1. 医用画像から異常陰影候補を検出する異常陰影候補検出手段と、
   前記異常陰影候補から偽陽性候補を削除する削除処理を行う偽陽性候補削除手段と、
   前記削除処理により残った残余異常陰影候補の周囲の所定範囲領域に含まれる、前記削除した偽陽性候補および前記残余異常陰影候補を含む前記異常陰影候補の数に対する前記削除された偽陽性候補の数の割合を近接特徴量として算出する近接特徴量算出手段と、
   前記近接特徴量に基づいて前記残余異常陰影候補が前記偽陽性候補であるか否かを判定する判定手段とを備えたことを特徴とする異常陰影検出装置。
2. 前記近接特徴量算出手段は、前記残余異常陰影候補毎に前記所定範囲領域に含まれる前記削除された偽陽性候補および前記残余異常陰影候補を含む前記異常陰影候補の数に対する前記削除した偽陽性候補の数の割合を、前記近接特徴量として算出する手段であることを特徴とする請求項１記載の異常陰影検出装置。
3. 前記近接特徴量算出手段は、前記残余異常陰影候補毎の前記所定範囲領域が互いに重なる場合には、該互いに重なる所定範囲領域を結合し、結合した所定範囲領域に含まれる前記削除された偽陽性候補および前記残余異常陰影候補を含む前記異常陰影候補の数に対する前記削除した偽陽性候補の数の割合を、前記近接特徴量として算出する手段であることを特徴とする請求項１記載の異常陰影検出装置。
4. 前記判定手段は、マシンラーニングの手法により学習された、前記近接特徴量を含む前記異常陰影候補の特徴量を入力とし、前記残余異常陰影候補が前記偽陽性候補であるか否かの判定結果を出力する判別器からなることを特徴とする請求項１から３のいずれか１項記載の異常陰影検出装置。
5. 前記判定手段は、前記近接特徴量が所定の閾値以上の場合に前記残余異常陰影候補を前記偽陽性候補と判定する手段であることを特徴とする請求項１から３のいずれか１項記載の異常陰影検出装置。
6. 前記異常陰影候補検出手段は、モフォロジーフィルタおよびラプラシアンフィルタの双方を用いたフィルタリング処理により前記異常陰影候補を検出する手段であることを特徴とする請求項１から５のいずれか１項記載の異常陰影検出装置。
7. 医用画像から異常陰影候補を検出する手順と、
   前記異常陰影候補から偽陽性候補を削除する削除処理を行う手順と、
   前記削除処理により残った残余異常陰影候補の周囲の所定範囲領域に含まれる、前記削除した偽陽性候補および前記残余異常陰影候補を含む前記異常陰影候補の数に対する前記削除された偽陽性候補の数の割合を近接特徴量として算出する手順と、
   前記近接特徴量に基づいて前記残余異常陰影候補が前記偽陽性候補であるか否かを判定する手順とを有することを特徴とする異常陰影検出方法をコンピュータに実行させるためのプログラム。