JP5864542B2 - 画像の異常を検出するための画像データの処理方法、システムおよびプログラム - Google Patents

Description

本出願は、２０１０年５月２日に出願された米国仮出願第６１／３４３，６０９号、２０１０年５月２日に出願された米国仮出願第６１／３４３，６０８号、２０１０年５月２日に出願された米国仮出願第６１／３４３，５５２号、２０１０年４月３０日に出願された米国仮出願第６１／３４３，５５７号、２０１０年５月６日に出願された米国仮出願第６１／３９５，０２９号、２０１０年６月２５日に出願された米国仮出願第６１／３９８，５７１号、２０１０年７月７日に出願された米国仮出願第６１／３９９，０９４号、２０１０年７月２８日に出願された米国仮出願第６１／４００，５７３号、の利益を主張するものであり、前記出願の全文は本明細書の一部をなすものとしてここに引用する。

本開示は概して、Ｘ線画像における、微小石灰化のような特性のコンピュータを使用した検出および分類に関し、特に、微小石灰化の候補の分類システムおよび方法に関する。

放射線科医は、乳房Ｘ線写真（マンモグラム）のようなＸ線画像を使用して、例えば、その他の煩雑な方法により疾患が容易に検出可能となる前に、可能な限り早期に、患者の疑わしい病変を検出して特定する。そのため、放射線科医がごく小さな癌組織や前駆細胞を画像をもとに特定可能であることは、非常に有益である。特に特定のタイプのクラスタ内に発生する微小石灰化は、関心対象のひとつの特性である。個々の石灰化は容易に放射線を吸収する傾向があり、それゆえ、Ｘ線画像で非常に明るく表れる。画像の構造的に入り組んだ部分に表れる、他の自然構造によるごく小さなサイズの閉塞を含む様々な要因は、時に放射線科医の疲労と相まって、目視検査で検出され難いことがある。

コンピュータ援助検知（Computer-Aided Detection、ＣＡＤ）アルゴリズムは、放射線科医がＸ線画像内に病変の可能性があるものを発見するのに役立つよう発展してきた。ＣＡＤアルゴリズムは、患者の乳房Ｘ線写真セットのデジタル表現をコンピュータ内で行う。乳房Ｘ線写真がデジタルセンサもしくは伝統的なフィルムベースの乳房Ｘ線写真セットのスキャンされたものにより取り込まれた場合には、デジタル表現は、オリジナルのセンサデータもしくは処理されたセンサデータであり得る。本明細書で使用される“画像”とは、ＣＡＤアルゴリズムの表現に適したデジタル表現の少なくとも２次元データであるものと仮定され、患者情報を取り込むために元来使用されるキャプチャメカニズムとの区別はない。ＣＡＤアルゴリズムは、関心のあるシグネチャーと一致するオブジェクトの画像を探し出し、関心のあるシグネチャーが発見された場合には放射線科医に警告する。

ひとつの関心のあるシグネチャーは、微小石灰化である。既存のＣＡＤアルゴリズムは、可能性のある微小石灰化を見つけるために、様々な方策を使用する。米国特許第６，０１４，４５２では、全体の固定されたしきい値以上の強度を有するすべてのピクセルが、可能性のある微小石灰化の種の位置として使用される。米国特許第６，８０１，６４５は、微小石灰化を強調するためにガウシアンフィルタの差をしきい値に適用する。米国特許第７，５９３，５６１は、中央の３×３の画素領域が画像位置からの画素リング３と６画素よりも明るいとき、画像位置のコントラストを増加する固定されたフィルタを適用する。

他の関心のあるシグネチャーは、微小石灰化クラスタである。既存のＣＡＤアルゴリズムは、米国特許第７，５９３，５６１で例証されるように、学習済みのニューラルネットワークおよび特徴に重み付けした線形識別を含む、微小石灰化クラスタの候補を疑わしいものと標識するための様々な方策を使用する。

異常の分類は、確率変数の与えられたサンプル値を観察することの相対的な尤度を表す確率密度関数（probability density function、ＰＤＦ）を使用して実行され得る。すべての取り得る値のＰＤＦの積分は１である；確率変数の範囲のサブセットのＰＤＦの積分は、確率変数の抽出サンプルがその範囲内にある確率を表す。

閉形式により表され得るＰＤＦは一般的によく理解され、そのようなＰＤＦに関する多くのアプリケーションが発達してきた。一方で、特に、各次元において１つが未知であり、ことによると不規則な分布と、および／または長いまばらに分布したテール部分を有する、複雑な多次元確率変数のためのＰＤＦの実用的評価は、大部分で研究者の手に入らなかった。例えばパターンおよび画像認識の分野では、ＰＤＦ研究が実用上困難であるために、多くの研究者がＰＤＦ研究を断念し、例えばニューラルネットワークや線形識別関数といった既知で解決可能な別の研究に集中した。

以下は、本発明の代表の実施例を表す図面の簡単な説明である。
図１は、ある実施例に従った異常検出システムのシステムレベルの図である。 図２は、ある実施例に従ったコンピュータ援助検知（ＣＡＤ）ユニットのコンポーネント図である。 図３は、ある実施例に従った検出のコンポーネント図である。 図４は、ある実施例に従ったピーク検出処理システムのブロック図である。 図５は、ある実施例に従ったオブジェクトの境界線決定プロセスのフローチャートである。 図６は、図２のひとつのステップで使用されるオブジェクトの境界線リングを表す 図７は、ある実施例のオブジェクトの境界線内のピクセルに重み付けするよう使用される境界線距離マッピングを表す。 図８は、ある実施例に従ったオブジェクトに関する境界線の、追加的な改良点のステップを表す。 図９は、第１の実施例に従った微小石灰化分類のブロック図である。 図１０は、後続の図面におけるオブジェクトの特性計算を説明するのに使用される、セグメント化されたオブジェクトの境界線の描写を表す。 図１１は、図１０の境界線描写のアスペクト比の測定を表す。 図１２は、図１０の境界線描写の凸包描写の構造を表す。 図１３は、図１０の境界線描写のエッジの分散特性（edge variance feature）の計算において使用される測定を表す。 図１４は、図１０の境界線描写のためのリッジ比の特性を計算するために使用される配向を表す。 図１５は、第２の分類段階で使用される周辺の確率プロットの構成を表す。 図１６は、ある実施例に従った２段階のクラスタ化技術におけるステップを表す。 図１７は、クラスタ形状の凹包および局部的な凹包の表現を表す。 図１８は、本発明のある実施例で採用される座標系を表す。 図１９ａは、ある実施例に従った分類器の確率ユニット（classifier probability unit）を表す。 図１９ｂは、ある実施例に従った分類器の確率ユニット（classifier probability unit）を表す。 図２０は、確率分布から抽出されるサンプル分布の閉形ＰＤＦおよびヒストグラムを表す。 図２１は、一連の表示ポイントにより表された仮想一次元分布のためのシグマ値の推定を表す。 図２２は、評価ポイントでのＰＤＦの推定のための図２１のシグマ値の応用を表す。 図２３は、ある実施例に従ったデスクトップのコンピュータ装置のブロック図を表す。

発明の詳細な説明

実施例を作成し使用することが以下で詳細に述べられる。しかしながら、本発明が多種多様な幅広い背景で具体化され得る、多くの適用可能な発明概念を提供することが理解されるべきである。説明される特定の実施例は、本発明を作成し利用するための特定の手段を例示しているに過ぎず、発明の範囲を限定するものではない。

例えば、本明細書で検討される実施例は一般的に、乳房Ｘ線画像の診断において医療関係者を支援するという観点から説明され、例えば、医療関係者によって検討されるための異常候補を見つけて分類することによりマンモグラムを行う過程で起こり得るものである。他の実施例では、しかしながら、肺組織といった他の組織における異常を検出して分類するような、統計に表れた変則性等のためのあらゆるタイプの画像分析を含む他の状況で使用され得る。

図面を参照すると、類似の参照番号が様々な視点で同一もしくは類似の要素を示すのに本明細書において使用されており、本発明の具体的な実施例が表され説明される。図面は必ずしも縮尺に合わされておらず、いくつかの例では、図面は所々で例証目的だけのために強調され、および／もしくは簡素化される。当業者は、本発明の以下の具体的な実施例に基づいた、本発明の多くの可能性のある応用やバリエーションを理解する。

はじめに図１を参照すると、例えばマンモグラム中に異常検出を支援するためのシステム１００が、ある実施例に従って表される。システム１００は、画像ユニット１０２、デジタイザ１０４、およびコンピュータ支援検出（ＣＡＤ）ユニット１０６を含む。画像ユニット１０２は、乳房組織のような関心のある領域の１つもしくはそれ以上の画像、例えばＸ線画像を取り込む。システム１００がマンモグラムの分析を支援するのに使用される本実施例では、一連の４つのＸ線画像が撮影されることができ、その間、乳房は乳房組織を広げるために圧迫され、これにより異常の検出を支援する。一連の４つのＸ線画像は、頭尾方向（cranio caudal、 ＣＣ）画像と呼ばれる、左右の乳房それぞれのためのトップダウン画像と、中外斜位方向（medio lateral oblique、ＭＬＯ）画像と呼ばれる、左右の乳房それぞれのための、胸骨のトップから下へ向けられて体の外側に向かって撮影される斜角画像である。

１つもしくはそれ以上の画像がフィルムで具体化されるか、もしくはデジタル化され得る。歴史的に、１つもしくはそれ以上の画像は、フィルムのＸ線画像として具体化されたが、最近の技術は、近年のデジタルカメラとほぼ同じ方法で、Ｘ線画像を直接にデジタル画像として取り込まれるのを可能にする。図１に示されるように、デジタイザ１０４はフィルム画像のデジタル形式へのデジタル化を可能にする。デジタル画像は、工業規格である医用におけるデジタル画像と通信（ＤＩＣＯＭ）形式といった、あらゆる適切な形式にフォーマットされる。

デジタル化されたフィルム画像やデジタル画像として直に取り込まれた画像といった、デジタル化された画像は、コンピュータ支援検出（ＣＡＤ）ユニット１０６へ提供される。以下でより詳細に検討されるように、ＣＡＤユニット１０６は、１つもしくはそれ以上の画像を処理して、石灰化のような相対的に濃い領域や歪み等の、様々なタイプの異常の候補位置を検出する。一度処理されると、可能性のある異常の位置、および任意にデジタル化された画像は、評価ユニット１０８へ提供されて、放射線科医、専門医、もしくはその他の職員により、検出された可能性のある異常の位置を示すマークを伴い、もしくは伴わずに、検討される。評価ユニット１０８は、ディスプレイ、ワークステーション、ポータブルディバイス等を含み得る。

図２は、ある実施例に従ったＣＡＤユニット１０６（図１参照）により利用され得る構成要素を表す。一般的に、ＣＡＤユニット１０６は、セグメンテーションユニット２０２、１つもしくはそれ以上の検出ユニット２０４ａ−２０４ｎ、および１つもしくはそれ以上の表示プリ−プロセッサ２０６ａ−２０６ｎを含む。Ｘ線画像もしくはその他の画像は、関心のある領域以外の領域を含み得ることが理解される。例えば、乳房Ｘ線画像は、背後領域と同様に胸筋のような他の構造的領域を含み得る。このような状況では、乳房組織を規定する境界領域といったサーチ領域を規定するために、Ｘ線画像をセグメント化するのが望ましく、その領域で１つもしくはそれ以上の検出ユニット２０４ａ−２０４ｎが異常を分析する。

１つもしくはそれ以上の検出ユニット２０４ａ−２０４ｃは、１つもしくはそれ以上の画像、もしくは、セグメンテーションユニット２０２により規定される特定の領域を分析して、患者の１つもしくはそれ以上の特定のタイプの異常を示し得る特定のタイプの特徴を検出する。例えば、人の乳房組織の検査で使用するための実施例では、検出ユニット２０４ａ−２０４ｎは、石灰化ユニット、密度（質量）ユニット、および歪みユニットを含み得る。医療分野では公知であるように、人体はたびたび、がん細胞をカルシウムで取り囲むことによりがん細胞と反応し、微小石灰化を生成する。これらの微小石灰化は、Ｘ線画像では微細で明るい領域として表れ得る。石灰化ユニットは、乳房のこれらの領域を可能性のある微小石灰化として検出し、識別する。

さらに、がん領域は、周辺組織よりも高密度である傾向があり、それゆえ、周辺組織よりも高密度組織を示す一般的により明るい部分として表れる領域が、がん領域を示し得ることが知られている。従って、密度ユニットは、１つもしくはそれ以上の乳房Ｘ線画像を分析して、１つもしくはそれ以上の画像の中の相対的に濃い領域を検出する。正常な乳房組織の無作為な重複が時折疑わしいものとして表れることがあるので、ある実施例では、濃い領域がそのほかの対応する視野に存在するかどうかを決定するために、密度ユニットは、乳房のような対象の種々の視野を相互に関連付けする。もし、濃い領域が複数の視野に表れていれば、当該領域が真に悪性であるという可能性はより高い。

歪みユニットは、周辺組織へのがん細胞の影響から生じる構造的な欠陥を検出する。がん細胞にはしばしば、周辺組織を“引き込む”という影響があり、ストレッチマーク、星パターン、もしくはその他の線形のパターンとして表れる癌放射になる。

検出ユニット２０４ａ−２０４ｎの、例えば、石灰化ユニット、密度ユニット、および歪みユニットの上述の例は例証目的のためだけに提供されており、他の実施例はより多くの、もしくはより少ない検出ユニットを含み得ることに注意されたい。また、検出ユニットには、点線２０８で示されるように、他の検出ユニットと相互作用し得るものもあることに注意されたい。検出ユニット２０４ａ−２０４ｎは、図３を参照して以下でより詳細に説明される。

表示プリ−プロセッサ２０６ａ−２０６ｎは画像データを生成して、異常の位置および／またはタイプを示す。例えば、微小石灰化は、懸案のエリアをひとつのタイプの線（例えば、実線）で取り囲む線により示されることができ、他方で、がん放射（もしくは他のタイプの異常）は、懸案のエリアを他のタイプの線（例えば、破線）で取り囲む線により示される。

図３は、ある実施例に従った検出ユニット２０４ａ−２０４ｎのそれぞれで使用され得る構成要素を表す。概して、検出ユニット２０４ａ−２０４ｎのそれぞれが検出器３０２、特徴抽出器３０４、および分類器３０６を含み得る。検出器３０２は画像を分析して、検出ユニットが検出するよう設計された、石灰化のような異常のタイプを表す属性を識別し、特徴抽出器３０４は、検出された各領域の予め決められた特徴を抽出する。例えば、予め決められた特徴は、大きさ、信号対ノイズ比、位置等を含み得る。

分類器３０６は、特徴抽出器３０４から抽出された各特徴を検査して、抽出された特特徴異常なものである確率を決定する。一度確率が決定されると、当該確率は閾値と比較されて、検出された領域が関心の候補エリアとして報告されるべきかどうかを決定する。

適切なセグメンテーションユニット２０２は、米国仮出願番号６１／４００，５７３および６１／３９８，５７１で詳細に述べられており、悪性の質量を検出し分類する適切な検出ユニットは、米国仮出願６１／３４３，５５２および共に出願された国際特許出願で詳細に述べられており、スピキュラを伴う悪性の質量を検出し分類するための適切な検出ユニットは、米国仮出願６１／３９５，０２９および共に出願された国際特許出願で詳細に述べられており、適切な確率密度関数の推定器は米国仮出願番号６１／３４３，６０８および共に出願された国際特許出願で詳細に述べられており、適切な表示プリ−プロセッサは、米国仮出願番号６１／３９９，０９４で詳細に述べられており、これらすべては参照により本出願に組み込まれる。

以下の段落は、ある実施例に従った１つもしくはそれ以上の検出ユニット２０４ａ‐２０４ｎ（図２参照）として使用され得るような、微小石灰化検出ユニットに関するより詳細な説明を提供する。特に、以下の段落は、微小石灰化候補としてのオブジェクトの検出および分類と、微小石灰化クラスタとしての可能性のある微小石灰化オブジェクトの集団の検出および分類を説明する。

画像の微小石灰化の候補を探し出すための従来技術のアプローチは、いくつかの発見しやすいシグネチャーを検出する。放射線科医にとってより有益なのは、発見しづらい微小石灰化を検出して放射線科医にそれらの位置を示すような、様々なキャプチャシステムを使用して得られた放射線画像で作業し得る検出システムである。本明細書で述べられる実施例は、幅広いキャプチャシステムで機能して、“ピーク”のリスト、すなわち微小石灰化位置の候補のリストを作成し、それらを微小石灰化分類器／認識システムによって処理するためのオブジェクト記述（object descriptions）に洗練する。

従来技術のアプローチとは対照的に、本明細書で述べられる実施例は、ピークをオブジェクトにする前にピークを検出するための“スケール”の優先順位で機能する。各スケールは一定の絶対サイズ範囲内でピークを検出するよう最適化される。絶対強度もしくはエッジ強度に基づいた微小石灰化の発見は疑わしいことがあるので、好ましい実施例は、例えば、中央値測定といった、大きな近隣の平均値に基づいたコントラスト比を使用する。好ましくは、与えられたコントラスト比より大きいより小さなスケールで発見されたオブジェクトは、より大きなスケールでの中央値計算から除外され、それゆえさらに検出性能を改善する。

疑わしいものとして微小石灰化をラベリングするための従来技術のアプローチは、がんを良性のシグネチャーから区別することがシステム的に難しいか、あるいは、システムが要望通りに作動しているか、あるいは作動していないかの理由を理解するのが難しいというアプローチに頼っている。本明細書で述べられるシステムは、微小石灰化を分類するために、各ステージで最適に近い方法であると信じられる様々な特徴のための堅牢なモデル分配に対し、３つのステージの分類器において確率密度関数を使用する。分類プロセスの全体構造と、個々のステージ、特徴セット、座標系、および多くの個々の特徴は、新規であると信じられる。

ここで図４を参照すると、実施例４００に従ったピーク検出が描かれる。好ましくは、画像は必要があれば、ピーク検出手順を実行する前に、約４０ミクロンのピクセルサイズにスケールを変更される。他のスケールも使用され得るが、４０ミクロンサイズは、不要な処理負担を与えることなく、適切な特徴の詳細を提供することが判明した。異なるフィルムスキャナやデジタルキャプチャシステムが、ＣＡＤシステムへの異なる入力ピクセルの解像度を提供し得るので、入力ピクセル解像度のパラメータがスケーリングを決定するために使用される。マンモグラムでは、画像は好ましくは前処理をされて、処理のために乳房組織を表すエリアに区分され、かつ、微小石灰化を検出する前に、引っかきやその他の輝線といった人為的なものが取り除かれる。

スケーリングされた画像は、段階４１０ｂ‐４１０ｆでガウスカーネル（Gaussian kernel）により再帰的に畳み込まれて、様々なスケールで平滑化された、各フィルタ再帰に対してひとつの画像を生成する。ガウシアンパルス（Gaussian pulse）のいくつかの数学的な性質は、処理時間を著しく減らすのに役立つように使用される。まず、標準偏差σ_１およびσ_２を有する、２つのガウシアンパルスの畳み込みは、標準偏差

を有するガウシアンパルスを生成するので、より大きなスケールで平滑化された画像は、大きなカーネルでの一度の畳み込みによってではなく、より小さなカーネルでの繰り返された畳み込みによって生成される。次に、２次元の円対称ガウシアンパルスは、２つの１次元のガウシアンパルスに線形に分割可能なので（一方が１ｘｎピクセルサイズ、もう一方がｎｘ１ピクセルサイズであり、ここではｎは、処理効率のため、ピクセルで表すとおよそ±３σで切り捨てられる）、各畳み込みはさらに、ピークのそれぞれのサイドの３σで切り捨てられた２つの１次元畳み込みを使用して最適化される。言うまでもなく、計算効率に関心のない者は、これらの技術のうちのひとつを使用すること、もしくはどちらも使用しないことを任意に選択することができた。

好ましい実施例では、分散（variance）がひとつのスケールから次のスケールへ倍増するように、例えばσ_ｎ＋１＝√２σ_ｎのように、スケールが選択されて、ガウシアン平滑化画像（Gaussian-smoothed images）が、スケールのそれぞれ増加に伴って面積が倍増するスポットサイズを選択するようにする。これは、各段階で、適用されるガウシアンカーネルが、現在の累積的に適用される標準偏差と同じ標準偏差を有することを必要とする。第１段階処理はσ_０＝０を使用し、例えばスケーリングされた入力画像に何が存在しようと、追加のぼかし（blur）は加えられない。第１および第２のぼかし段階（σ_１およびσ_２）では、ガウシアンフィルタ４１０ｂおよび４１０ｃで適用されるカーネルは、２５√２ミクロンの標準偏差を有し、第２および第３段階入力画像が、それぞれのぼかしの標準偏差σ_１＝３５ミクロン（およそ）およびσ_２＝５０ミクロンで、入力画像のガウスのぼかしのバージョンを表すようにする。第３のぼかしステップは、標準偏差５０ミクロンでガウシアンカーネルを適用し、第４段階４１０ｂの出力されたぼかし画像が５０√２ミクロンのぼかしの標準偏差を有するようにする。同様のやり方を続けると、追加の段階４１０ｅ、４１０ｆ等は、１００ミクロン、１４０ミクロン、２００ミクロン、２８０ミクロン等のぼかしの標準偏差（一部の例では四捨五入される）でぼかし画像を受け取る。ひとつの実施例では、ぼかしの標準偏差が、例えば約３００ミクロンで、関心のある最大の石灰化サイズの半径とほぼ等しいと、段階は打ち切られる。他のスケールステッピング戦略も採用され得るが、広範囲に及ぶテストは、この方法が非常に様々なスポットサイズを検出するのに頑強であることを示した。

各処理段階は、ガウシアンのぼかし画像を受け取り（第１段階画像はぼかされない）、その画像を、ラプラス関数もしくは他の二次導関数関数（derivative function）によりラプラシアンフィルタ段階で畳み込む。ラプラス関数は“曲線”画像を生成し、例えば、平坦や直線的に傾斜した画像エリアはゼロ出力応答を生成し、正のピークは正の出力応答を生成し、負のピークは負の出力応答を生成する（サドルポイントおよび一つの方向にカーブする画像エリアもまた応答を生成し得る）。

第１のラプラシアンフィルタ段階４１２ａでは、ラプラシアンフィルタの出力はメディアンフィルタ（median filter）４１６ａに供給され、このフィルは、例えば、各ピクセルの中心とされる４ミリメートルのエリア（１００ｘ１００ピクセル）のように、局所的な周辺の中央値の絶対曲率を計算する。メディアンフィルタ４１６ａは、σ_１の処理段階で使用されるための周辺の中央値の出力画像ＮＭ_０を生成する。

σ_１のスケールの段階で、フィルタ４１０ｂからのガウシアン平滑化画像がラプラシアンフィルタ段階４１２ｂへ入力され、段階４１２ｂは平滑化画像内の曲率を検出する。曲率画像は“サージェリー（surgery）”段階４１４ｂへ入力される。サージェリー段階は、各ピクセル位置について、ピクセルの相対的なコントラスト（同一のピクセル位置で周辺の中央値ＮＭ_０により除算されたラプラシアン値）を、スケールのしきい値と比較する。ひとつの実施例では、スケールのしきい値は、グローバルの（現在の画像の全体の乳房エリアで得られる）中央値の絶対偏差の倍数であり、ここでは倍数は、与えられた画像キャプチャ装置の特性のために実験的に決定される（３から５の倍数が典型的である）。異常値であるこれらのラプラシアンピクセルは、サージェリー段階４１４ｂでサージェリーマスク内にマークされる。また、サージェリー用にマークされたひとつのピクセルを取り囲むピクセルもまた、現在のスケールの標準偏差の関数のマークの拡張サージェリーマスク内にマークされる。現在のスケールの標準偏差の約３倍の拡張値は、テストされた実施例において受容可能なパフォーマンスを提供する。

サージェリーマスクは、周辺の中央段階４１６ｂに引き継がれる。段階４１６ｂは特定のピクセルの周辺の中央値を計算するので、サージェリー用にマークされたピクセルを除外して有効なピクセル数をカウントする。有効なピクセル数はまた、現在のピクセルのために保存される。多過ぎるピクセルがサージェリーのためにマークされたピクセルの周辺の中央値の計算から除外される場合、ピクセルの周辺の中央値は、それらの周辺のマスクされないピクセルの中央値と交換される。これは、高い湾曲エリアが次の段階のための中央値の計算をゆがめるのを防ぐ。メディアンフィルタ段階４１６ｂはそれゆえ、サージェリー段階４１４ｂの出力に基づき周辺の中央値の出力画像ＮＭ_１を生成する。

σ_２スケール段階で、フィルタ４１０ｃからのガウシアン平滑化画像は、ラプラシアンフィルタ４１２ｃ、サージェリー段階４１４ｃ、およびメディアンフィルタ段階４１６ｃを介して処理され、これは、σ_１スケール段階において対応するフィルタと同等に機能する。同一の処理は、同様に後続の段階においても生じる。

σ_３スケール段階の初めに、システムは、可能性のある微小石灰化のピークを検索する。ピーク検出器４１８ｄは、３つの入力画像を受け取る：フィルタ４１０ｃからのガウシアン平滑化出力画像Ｇ_２（５０ミクロンの、ガウシアンのぼかしの標準偏差で適応される）；ラプラシアンフィルタ４１２ｄから出力される湾曲画像Ｃ_３；そしてメディアンフィルタ４１６ｄからの周辺の中央値画像ＮＭ_３である。ピーク検出器は、極大（８つのすべての周辺よりも大きな強度）であるピクセルについてガウシアン平滑化出力画像Ｇ_２を検索する。極大値である各ピクセルＧ_２（ｉ、ｊ）のために、ピーク検出器４１８ｄは、比Ｃ_３（ｉ、ｊ）／ＮＭ_３（ｉ、ｊ）として、ノイズ正規化コントラスト比ＣＲを計算する。

しきい値段階４２０ｄは、極大値Ｇ_２（ｉ、ｊ）の位置およびコントラスト比を受け取る。しきい値段階４２０ｄは、コントラスト比しきい値を利用する。コントラスト比しきい値は、与えられた組の入力画像特性のために実験的に選択されることができ、例えばサージェリーしきい値と同様の方法で計算されたように所望の感度を達成する。しきい値よりも高いコントラスト比を有する極大値の位置は、後の処理のためにピークリスト４２２ｄに記憶される。

同様のピーク検出およびしきい値化が後続のスケールで実行されて、追加のピークリスト４２２ｅ、４２２ｆ等を生成する。

各ピークリスト内のピークは、次に、個別に検査されて、ガウシアンフィルタ４１０ｂによる画像出力（例えば、オリジナルの画像をわずかに平滑化したもの）を使用して、見た目の大きさおよび形状と一致させるためのオブジェクトとされる。図５は、これがひとつのピークに対してどのように遂行されるかを表すフローチャート５００である。各オブジェクトは、相対的なコントラスト比を有する単一のピクセルピークとしてスタートする。ブロック５０２は、ピークが検出されたものと同一スケールでの平滑化された画像において、ピークピクセルの周辺を検査し、かつ、オブジェクトの一部としてピークピクセルとともに包含するために最も明るい周辺を選択する。ブロック５０４は、選択された周辺のコントラスト比を、周辺の選択より前に存在したＣＲに加算することによって規定されたオブジェクトについて累積コントラスト比ＣＲを計算する。ブロック５０６はその後、新しいピクセルの識別と更新されたＣＲを有するオブジェクトのメンバーシップリストを更新する。ブロック５０８は、ブロック５０２へ戻り合計Ｎｓ回繰り返し適用される。ここでＮｓは、ピークが検出されたスケールに依存しており、かつそのスケールに一致するピークのための全体のオブジェクトのメンバーシップを表すのに十分な大きさである（それゆれ、Ｎｓは、おおよそスケールの二乗に比例して増大する）。

各繰り返しで、ブロック５０２は、すでに包含されたピクセルに隣接する、次に最も明るいピクセルを選択する。このようなＮｓ回の反復の後、ブロック５０６により作成されたメンバーシップリストは、それらが加算された順番で、オブジェクトメンバーのピクセルのリストと各ステップでの累積的なＣＲを含む。ブロック５０８は、制御をブロック５１０に渡し、ブロック５１０は、最大のＣＲを有するメンバーシップのためにメンバーシップリストを検索する。オブジェクトメンバーシップは、このレベルまで取り除かれる。

プロセス５００は次に、先の増大プロセスが算入不足の傾向があるので、拡張ステップ５１２を使用してオブジェクト境界をリファインする。図６を参照すると、代表的なオブジェクト境界６０２が描かれており、３つの同心のリング６０４、６０６、６０８で囲まれており、オブジェクト境界から１ピクセルの距離で間隔が開けられている。拡張ステップ５１２は、各リングを横断し、各ピクセルでの平均強度を計算し、かつ、オブジェクトの境界リング６０２を横断して平均強度を計算する。リング６０４のための二次導関数は、リング６０２と６０６との平均強度の合計からリング６０４の平均強度の２倍を差し引いたものとして計算される。リング６０６のための二次導関数は、リング６０４と６０８との平均強度の合計から、リング６０６の平均強度の２倍を差し引いたものとして計算される。リング６０６のための二次導関数がリング６０４のそれを超える場合、リング６０４がオブジェクトに加えられ、このプロセスが繰り返される（図示しない新たなリングが計算目的のために加えられる）。このプロセスは、最大の許容できる拡張に到達するまで、もしくは二次導関数の減少が新たに加えられたリングで観察されるまで、継続する。

オブジェクトの最適な最大範囲を見つけるべきオブジェクトメンバーシップの拡張の後に、プロセス５００は、メンバーシップに基づいたオブジェクトコントラスト比を計算する。ひとつの実施例では、重み付けされた平均強度値が計算され、ここではオブジェクト境界線に近接するピクセルは、平均でより少ない重みを受け取る。

オブジェクトの境界の距離を割り当てるひとつの方法は、縮退関数（erosion function）によるものである。図７は、拡張されたオブジェクト境界のための代表的な縮退マップ７００を表す。各ピクセルのカウンタはインクリメントされ、オブジェクトメンバーシップの境界のピクセル（左右上下の４つの周辺のうちのひとつはメンバーではない）は縮退される。このプロセスは、すべてのピクセルが縮退されるまで継続し、ピクセルループカウンタがオブジェクト境界からの距離を示す。この距離は、その後反転された縮退マップ７１０に示すように反転されて、例えば、Ｍが縮退マップ７００のピクセルに割り当てられた最大の境界距離である場合、反転された縮退マップの値は、Ｉ＝Ｍ−Ｄとして割り当てられ、ここではＤは、マップ７００の距離であり、Ｉはマップ７１０の距離である。

縮退マップ７１０は、コントラスト比の計算においてピクセルを重み付けするよう使用される。ひとつの実施例では、ピクセルはガウシアン重み付け関数に従って重み付けされ、マップ７１０からの最大の境界距離のために正規化され、境界から最大の距離にあるピクセルが１の重みを受け取り、かつ境界線のピクセルがｅ^-１/２の重みを受け取るようにする。最終的に、プロセス５００におけるブロック５１６は、オブジェクトのためのアップデートされた、重み付けされたコントラスト比ＷＲＣを計算する。重み付けされたコントラスト比ＷＲＣは、ひとつの実施例では、ガウシアン重み付け関数により重み付けされ、近傍の境界ピクセルの平均を差し引いた、各メンバーピクセルの強度値の平均である分子と、ガウシアン重み付け関数により重み付けされた、各メンバーピクセルの周辺の中央値の合計である分母とを使用する。

微小石灰化の候補は２つもしくはそれ以上の異なるスケールでピークを形成することが可能である。オブジェクトリストにおけるオブジェクトの重複を避けるために、オブジェクトの位置は、異なるスケールで発生するオブジェクトと比較される。至近距離で近接するオブジェクトは、重複するピクセルのために検査される；２つのオブジェクトのメンバーピクセルの交点が重複比（例えば、オブジェクトのひとつに関連されるピクセルの８０％）を超える場合、より低い相対的なコントラストＷＣＲを有するオブジェクトは削除される。

プロセス５００における境界リファインメントは、オブジェクトメンバーシップを拡張するための全てのピクセルリングの平均値を使用するので、多くのオブジェクト特性の精度は、良好な境界リファインメントからの利益を得ることができると理解されている。重複チェック後に残るすべてのオブジェクトは、以下のようにさらなるリファインメントにさらされる。図８は、大まかなピクセルレベルで量子化された境界８００を表し、これは、第１段階の境界決定の結果として生じる。良好な境界リファインメントは境界ポイントリスト８１０を作成し、そこではポイントは、量子化された境界８００から移動されて、例えば“平滑化された”境界を作成する、高周波のコーナーを取り除く。平滑化された境界のポイントリスト８１０から、システムは、各ポイントでひとつの、一連の法線ベクトル８２０を計算する。リスト８１０の各ポイントはそれゆえ、法線ベクトルに沿った５つの可能性のある位置のいずれかひとつの最終位置にセットされ得る：スタート時の平滑化された位置から０、＋０．５、＋１、−０．５、もしくは、−１のピクセルである。選択された最終位置８３０は、法線に沿って測定された最大の二次導関数に基づいて決定される。

微小石灰化候補の上述の検出段階が、システムに、画像内の関心のあるオブジェクトの記述とともに画像内のオブジェクトの範囲の記述とを提供した後に、オブジェクトは、微小石灰化のクラスタを検出し分類するために様々なグループに分類され、かつ評価され得る。好ましくは、検出段階は、顕著な信号雑音比を有する視覚可能な（検出アルゴリズムにとって）オブジェクトを排除しようとせず、異なるタイプの分類可能な豊富なオブジェクト（画像内にそのようなものがある場合）が、システムへ引き継がれるようにする。オブジェクトの範囲は、画像マスクもしくはピクセルリストとして記述され得るが、好ましいオブジェクトの範囲の記述は、サブピクセル精度を有する境界ポイントリストであり、図１０に示された代表的なオブジェクト１０００で表されるようなものである。ピクセル補間は、システムにより必要とされるあらゆるポイントでの画像の値を得るために使用され得ることが理解される。また好ましくは、入力画像は、必要があれば、トレーニングイメージセット（下記でさらに説明される）と同じ解像度にサンプルもしくはリサンプルされる。ひとつの実施例では入力解像度は４０ミクロン／ピクセルである。

図９は、ある実施例に従った、全体の分類化プロセスのブロック図９００である。画像のオブジェクトリストは、まず、特徴計算段階９１０で受け取られ、各オブジェクトのための特徴セット（feature set）が計算される。第１の分類段階９２０は次に各オブジェクトに６つの確率を割り当て、６つの異なるオブジェクトタイプの各々につき１つの確率である。次に、確率プロット段階９３０は、分類化段階９２０から獲得された確率に基づき、位置プロットに対する平滑化された確率を作成する。第２の分類段階９４０は、各オブジェクトに５つの確率を割り当て、５つの異なるオブジェクトタイプの各々につき１つの確率である。オブジェクトのクラスタ化段階９５０は、可能性のある悪性腫瘍をいくぶん示しかつごく近接したオブジェクトを集めてクラスタを作る。各クラスタについて、クラスタ特徴計算段階９６０はクラスタの特徴を計算する。最後に、第３の分類器９７０は、クラスタが悪性である確率を決定する。

第１の分類化段階は、ブロック９１０で計算された個々の特徴に基づいて各オブジェクトに６つの確率を割り当てる。ひとつの実施例で使用される個々の特徴は次のようなものである：コントラスト比、アスペクト比、幅、インベクシティ（invexity）、エッジバリアンス（edge variance）、そしてリッジ比である。それぞれが順番に説明される。

コントラスト比は、局所的な強度および雑音統計(noise statistics)に基づく特徴である。２次元のガウスラプラシアンフィルタ（Laplacian of Gaussian filter, ＬｏＧ）は、３５ミクロンのガウシアン平滑化の標準偏差で、入力画像に関して計算される。平均雑音指数は、オブジェクトを取り囲む周辺のメディアン絶対ＬｏＧフィルタ（median absolute LoG filter）の出力ＮＭを計算することによって獲得される。オブジェクトのための平均の相対コントラストは、オブジェクト境界１０００内の平滑化画像の強度を平均化し、かつ境界１０００のちょうど外側の平滑化された平均強度値を減算することによって計算される。ひとつの実施例では、オブジェクト境界１０００内の画像強度が重み付されて、境界付近のピクセルは、計算でより少ない重み付けを受け取る。コントラスト比ＣＲは、Ｃ／ＮＭと規定される。

アスペクト比は、オブジェクトの伸長の測定である。ひとつの実施例では、幅の測定は、ポイントで境界の法線であるオブジェクトの各境界ポイントから、当該オブジェクトの反対側のエッジまで成される。図１１は、代表的なオブジェクト境界１０００における５つのポイントについてのこのような測定１１０１‐１１０５を表す。実際の実施例では、２１個の測定が、このオブジェクトのために２１個の境界ポイントのそれぞれひとつになされるが、ここでは明確にするために５つのみが示される。アスペクト比ＡＲは、中央値幅ＭＥＤと最大幅ＭＡＸの２つの幅の測定を使用し、ＡＲはＭＡＸ／ＭＥＤと定義される。第３の特徴である幅Ｗは、ＭＥＤとして定義される。

インベクシティ（invexity）とは、オブジェクトの形状の複雑性の測定である。図１２で描かれるように、凸包１２１０は、オブジェクトの形状１０００を包囲するように構成される。インベクシティＩは、ＡＯ／ＡＣＨと定義された場合、凸状のオブジェクトについて最大値１を有し、ここでＡＯとは、境界１０００に包囲されたオブジェクトのエリア(面積)であり、ＡＣＨとは凸包のエリアである。３次元の実施例では、３次元の凸包は、上部と下部の包囲部分に分割され得る。インベクシティＩは、ＶＣＨ／ＶＯと定義された場合、凸状のオブジェクトについて最小値１を有し、ここでは、ＶＯは、下部の包囲部分により包囲されたオブジェクトの体積（volume）であり、その強度値は１０００であり、ＶＣＨは凸包の体積である。実施は、最小値もしくは最大値を使用し得ることに注意すべきである。例えば、上述の実施例では、２次元の例が０と１との間の値を提供し、その結果、最大値１が得られる。３次元の実施例では、逆方程式が使用されて、その結果、１と無限（インフィニティ）との間の値が得られる。

エッジバリアンスＥＶは、オブジェクトのエッジの“テクスチャ”の測定である。未処理の差分の測定ΔＩは、オブジェクトのちょうど内側のポイントとオブジェクトのちょうど外側のポイントとの間の、境界に直交する強度差を計算することでなされる。図１３は、代表的なオブジェクトの境界１０００の５つのポイントについてのこのような測定１３０１―１３０５を表す。実際の実施例では、２１個の測定が、このオブジェクトのために２１個の境界ポイントのそれぞれひとつになされるが、ここでは明確にするために５つのみが示される。差分ΔＩは、差分の絶対平均によってそれぞれが正規化され、エッジバリアンスＥＶは正規化された差分の標準偏差と定義される。

リッジ比ＲＲは、オブジェクトについて観察される曲率と、オブジェクトのちょうど外側のエリアについて観察される曲率差の測定である。オブジェクトの曲率がその周辺の曲率と大きく異ならない場合、血管の微小石灰化で生じ得るような、通常の明るいリッジに沿ったわずかに高い輝度の領域を示すかもしれない。オブジェクト境界１４００のために図１４で示されるように、エッジ方向には、１１．２５度の間隔があるとみなされる（第１の測定方向１４０１に番号が付されている）。

８つの方向のそれぞれで、９つのサンプルポイントが計算され、中心ポイントはオブジェクトの重心に位置され、３ｘ３グリッドで広がる他の９つのポイントは現在の方向に配向される。ひとつの実施例では、重心以外の各ポイントは、境界１４００の外側に完全に置かれるべきである。

適所の９つのポイントにより、６つの第２の導関数がＤ２_１−Ｄ２_６のラインに沿って計算される。ひとつのリッジ比は１／２（Ｄ２_１＋Ｄ２_３）／Ｄ２_２と定義され、その他は１／２（Ｄ２_４＋Ｄ２_６）／Ｄ２_５と定義される。これらの比のいずれかが、このオブジェクトで今までに観察された最大比よりもかなり大きい場合には、オブジェクトのリッジ比ＲＲがその値にセットされる。すべての８つの配向が検査された後、特徴ＲＲは、最大で１６の測定を表す。ゼロに近い値が示すのは、オブジェクトが拡張されたリッジの一部でない可能性が高いということであり、一方で１に近い値が示すのは、オブジェクトが拡張されたリッジの一部である可能性が非常に高いということである。

トレーニング段階で、同様のオブジェクト検出プロセスおよび特徴計算が、悪性を示す微小石灰化を有する、もしくは有しない数多くの放射線画像を含むトレーニングセットで実行される。放射線画像を解釈する訓練をされたひとりもしくはそれ以上の人物を使った、ヒューマン−インタラクティブの分類は、トレーニングセットで発見された各オブジェクトについての分類のタイプを示す。ひとつの実施例では、可能性のある石灰化のタイプは、悪性、良性、ルーセント（lucent）、血管、引っかき（フィルム取扱いの人為的なもの）、および組織（石灰化ではない）を含む。トレーニングセットオブジェクト、特徴、および人による入力分類の精査を使用して、確率密度変数（ＰＤＦ）データセットが計算される。

実行時に、各オブジェクトのために計算された６つのオブジェクトの特徴は、第１の分類器９２０に入力される。分類器９２０はＰＤＦデータセットを調べて、トレーニングデータの特徴分散に基づいて、６つのオブジェクトの特徴は６つの確率を出力する。
Ｐ_ＭＣ１ オブジェクトが悪性の微小石灰化である確率
Ｐ_ＢＣ オブジェクトが良性の微小石灰化である確率
Ｐ_ＬＣ オブジェクトがルーセントの微小石灰化である確率
Ｐ_ＶＣ オブジェクトが血管の微小石灰化である確率
Ｐ_{ＳＣＲＡＴＣＨ} オブジェクトがフィルムのアーチファクトである確率
Ｐ_{ＴＩＳＳＵＥ} オブジェクトが石灰化もしくはアーチファクトでない確率

オブジェクトの特徴セットには、単一オブジェクトタイプを非常に示し得るものもあり、一方で他の特徴セットは、よりあいまいな分類を提示し得る（すなわち、類似の特徴セットがオブジェクトのいくつかのタイプで観察されている）。従って、ひとつの実施例では、単一オブジェクトの確率は第２の分類段階に与えられ、第２の分類化段階では、オブジェクトの分類は、周辺のオブジェクトの単一オブジェクト分類により影響を与えられ得る。

図１５は第２の分類段階で使用されるための確率プロットの生成を表す。特定の代表的なサブ画像１５１０は、サブ画像に示されるように、分散された９つのオブジェクトＰ_１からＰ_９を含む（全体の画像が本明細書の記述で取り扱われるが、ここでは明確にするためにサブ画像のみが示される）。確率プロット生成９３０（図９）は、Ｐ_ＭＣマップ１５２０、Ｐ_ＢＣマップ１５３０、Ｐ_ＬＣマップ１５４０、およびＰ_ＶＣマップ１５５０の、４つの対応するマップを作成する。各マップは初期でゼロ化される。各マップにおいてオブジェクトＰ_１に対応する位置で、分類器９２０から獲得された、各分類器の確率Ｐ_ＭＣ１、Ｐ_ＢＣ１、Ｐ_ＬＣ１、およびＰ_ＶＣ１が記録される。このプロセスはオブジェクトＰ_２からＰ_９のために繰り返される。

一度オブジェクト確率プロットが発生されると、ガウシアン平滑化および正規化１５６０が、各プロット１５２０、１５３０、１５４０および１５５０に適応されて、対応する平滑化された確率プロット１５２２、１５３２、１５４２および１５５２を生成する。それぞれの平滑化された確率プロットにおいて、与えられたオブジェクトの位置は、それ自身の第１の分類器の値によってではなく、確率および距離の双方の寄与を有する他の局部的なオブジェクトの第１の分類器の値によって通知される。平滑化のひとつの代替は、各オブジェクトについて、平滑化関数と等価なガウス関数により重み付けされた距離、互いのオブジェクトからの位置（もしくは大きな距離内の各オブジェクト）の確率の貢献を計算することである。

オブジェクト位置および平滑化された確率プロット１５２２、１５３２、１５４２および１５５２は、４つのプロット上の対応する位置から読み取られるように、各オブジェクトの値のために４つの特徴を抽出するために使用される。これらの４つの特徴は、各オブジェクトを囲む周辺を示す。例えば、多くの近接するオブジェクトが悪性の高い確率を有する場合、これは隣接領域におけるすべてのオブジェクトについての悪性の特徴を増加させる。

平滑化された確率プロットから獲得される４つの特徴は、第２の分類器９４０に入力される。第１の分類器９２０と同様に、分類器９４０はトレーニングセットから獲得されたＰＤＦデータに依存する。分類器９４０は５つの分類の確率を出力する：
Ｐ_ＭＣ２ オブジェクトが悪性の微小石灰化である確率
Ｐ_ＢＣ オブジェクトが良性の微小石灰化である確率
Ｐ_ＬＣ オブジェクトがルーセントの微小石灰化である確率
Ｐ_ＶＣ オブジェクトが血管の微小石灰化である確率
Ｐ_{ＯＴＨＥＲ} オブジェクトが上記のどれでもない確率

クラスタ動作９５０は、物理的な近接に基づいてオブジェクトをグループ化する。クラスタ化に加わるオブジェクトにとって、Ｐ_ＭＣ１およびＰ_ＭＣ２の、２つの悪性の微小石灰化確率は、所望の感度に基づいてしきい値条件を満たさなければならない。例えば、図１６は画像１６００の線画を表しており、そのようなしきい値に見合う検出された微小石灰化オブジェクトの位置を描いている。サブ画像１６０６がその下に、拡大されて表される。ひとつの実施例では、ミニクラスタがまず、互いに最小距離内にある、しきい値が満たされたオブジェクトを結合することによって形成される。例えば、クラスタ化されていないオブジェクトが順番に検査されて、半径約１ミリメートル内に位置された他のクラスタ化されていないオブジェクトとミニクラスタを形成する。サブ画像１６０６では、ミニクラスタ化は、Ｉ、ＩＩ、およびＩＩＩと番号付けされた、３つのクラスタとなる。

次に、ミニクラスタは、潜在的により大きなクラスタを形成するために個々のオブジェクト位置として扱われる。例えば、最大の数のオブジェクトを有するミニクラスタ（サブ画像１６０６ではミニクラスタＩ）でスタートして、例えば約５ミリメートルのより大きな半径が検査されて、このより大きな半径内のいずれかのミニクラスタまたはオブジェクトが結合される（サブ画像１６０６ではオブジェクトＩＶ）。新しいクラスタの５ミリメートルの半径が検査されて、同様に、クラスタＩＩが結合される結果となり、図１６の例にあるように、オブジェクトＶの結合、ひいてはクラスタＩＩＩの結合が生じる。クラスタ化の各ステップで、クラスタはそのメンバーによって、およびそのメンバーを含む凸包によって、描写される。凸包１６０４は、サブ画像１６０６のクラスタとなった最終的な包囲部分を表す。画像描写１６２０は、全体画像のために選択されたクラスタを表す。クラスタ化されないオブジェクトのいずれも、クラスタ化後に無視される。

クラスタ特徴計算タスク９６０は、最終の分類器段階９７０（図９）で使用される特徴を計算する。ひとつの実施例で使用されるクラスタ特徴は次のようである：オブジェクトの数、局部的な凹包のアスペクト比、局部的な凹包の幅、最大の相互距離（interdistance）、逆悪性値、逆良性値、逆ルーセント値、および２つの乳房座標ｘおよびｙである。各特徴が順番に説明される。

オブジェクトｎの数は自己記述特性である。システムは、各クラスタが形成されると、クラスタメンバーシップの数を数え、クラスタ化の最後で各クラスタのためにｎを含む。

局部的な凹包のアスペクト比は、クラスタ化動作の間にクラスタを描写するのに使用されるものとは異なるポリゴンを使用する。図１７を参照すると、ポリゴン１７００は、オブジェクトのクラスタの周辺に形成された凸包を表す（ｘ’ｓで表される）。凸包は、反時計回りの場合は、すべてのオブジェクトを包囲する最小のポリゴンであり左回りをすることなく旋回し得る。アスペクト比特徴の計算のため、局部的に凹状のポリゴン１７１０が、ポリゴン１７００から形成される。ポリゴン１７１０は、ポリゴン１７００の内側であるが、境界線を規定するエッジの付近に置かれたオブジェクトを加えることにより、局部的な凹面を有して形成される。例えば、オブジェクト１７１２は、オブジェクト１７１４と１７１６の間に線を引く。ポリゴン１７１０は、ポリゴン１７００のオブジェクト１７１４と１７１６を接続する線分を崩して、それを、２つの線分に置換し、ひとつはオブジェクト１７１２と１７１４を接続し、もうひとつはオブジェクト１７１２と１７１６を接続する。凹面を加えるために崩され得る最大の凹部の角度もしくは最小の線分の長さといった様々な制約が、得られる効果を制御するために使用され得る。

アスペクト比特徴は、ポリゴン１７１０から計算される。特徴計算機は、ポリゴンの第２のモーメント（本実施例では、オブジェクト位置ではなく、エリアによって重み付けされる）を見つける。第２のモーメントの固有値の比（最小により除算された最大）は、クラスタのアスペクト比として定義される。

局部的な凹包の幅もまた、ポリゴン１７１０から計算される。ポリゴン１７１０の最大距離が見つけられる。幅は、最大距離のベクトルに対し垂直の最小幅として定義される。

最大の相互距離特徴は、クラスタ内の隣接したオブジェクトのペアに注目する。この状況で“隣接”は、クラスタ内のすべてのオブジェクトが隣接ツリーにより接続されるまで、クラスタ内の最も近い２つのオブジェクトを隣接するものとして割り当て、（、次に近い２つのオブジェクトを隣接するものとして割り当てること等により、決定され得る。このプロセスで作成される最終的な結合の長さが、最大の相互距離特徴である。

次の３つの特徴である、逆悪性値、逆良性値、および逆ルーセント値は、第２段階の分類器により出力される個々のオブジェクト確率により計算される。例えば、第２段階の分類器によって悪性の確率ｐ_Ｍ（ｉ）をそれぞれ割り当てられたｎ個のオブジェクトのために、逆悪性値ＩＮＶ_ＭＣが次のように定義される。

特徴としての確率分布は、この方法で表現されると、分類器で操作しやすいことが分かった。良性およびルーセントの逆値は、それらが個々に第２段階分類器のオブジェクト確率ｐ_ＢＣ（ｉ）およびｐ_ＬＣ（ｉ）を使用する場合を除いて、同様に計算される。

最後の２つの特徴は、患者の体格、乳房の大きさ、および乳房の形に大きなばらつきがあるにもかかわらず、クラスタ位置に重要かつ分類可能な特徴を形成するのを可能にさせる新たな座標系に従った、乳房のクラスタ位置を表す。乳房Ｘ線写真の典型的な放射線視野は、中外斜位方向の視野（ＭＬＯ、図１８では視野１８１０で表される）と頭尾方向の視野（ＣＣ、図１８では視野１８２０で表される）とを含む。その他の、あまり一般的でない視野もまた時として撮影され、同様の座標系で表され得る。

ＭＬＯ視野は、胸筋ライン１８１２および皮膚ライン１８１４を見つけるよう分割される。乳頭１８１６は、座標系において、胸筋ライン１８１２に対して直角に測定されて、胸筋ライン１８１２から最も遠い皮膚ライン上のポイントとして定義される。座標系のｘ軸は、乳頭部分１８１６から胸筋ライン１８１２まで延びる線であり、値０は、乳頭部分に位置し、値１００は、胸筋部分に位置する。胸筋ラインは、実際にはｘ軸位置で画像内に視覚可能ではあり得ないのだが、必要であれば下に、視覚可能な部分を拡張して座標系を形成すると考えられる。それゆえ、乳房におけるあらゆるポイントのｘ座標は、乳房の乳頭（前方）から乳房の胸筋ライン（後方）までの距離のパーセンテージである。

乳房座標系のｙ座標もまた、０から１００のスケールで表される（ｘ軸の下方のポイントは０から−１００のスケールで表される）。しかしながら、スケールは、１００もしくは−１００が定義されるので、皮膚ラインが交差されるｘ値でｘ軸と直交する点として、与えられたｘ座標に対してｘ値とともに変化する。乳房の切断面のプロファイルは、乳頭部分から胸筋ラインまでを横断するひとつの画像として拡大するので、胸筋ライン付近のスケールの単位は乳頭部分付近のスケールの単位よりも著しく大きい。しかしながら、正規化されたスケーリングは、乳房位置の関数としてのオブジェクト発生の統計度数を、乳房の形や大きさの相違を問わずに表に表されるのを可能とする。代表的な座標のいくつかがＭＬＯ写真１８１０で表される。

ＣＣ視野１８２０では、胸筋ラインは視認できないことが多い。ＣＣ視野の座標系は、胸筋ライン１８１２が視野エッジ（view edge）に対して垂直であると仮定し、それゆえ乳頭部分１８１６が、画像エッジから最も離れた皮膚ライン１８１８上の点である。座標系はまた、胸筋ライン１８１２が、ＭＬＯ視野１８１０で測定されたものと同一の、乳頭部分からの絶対距離に位置されると仮定する。このｘ軸の定義を仮定して、ＭＬＯ視野で使用されるものと類似の、ｘ軸対皮膚ラインｙ座標系（x-axis to skin-line y-coordinates system）が、ＣＣ視野に採用される。代表的な座標のいくつかは、ＭＬＯ視野１８２０で表される。

上述の乳房座標系を使用して、クラスタのｘおよびｙの重心は、第３の分類段階９７０に入力される最終的なクラスタ特性となる。

分類段階９７０は、特徴計算９６０から９つのクラスタ特徴を受け取る。トレーニング段階で、同様のクラスタ化プロセスおよびクラスタ特徴計算が、悪性を示す微小石灰化クラスタを有する、もしくは有さない数多くの放射線画像を含むトレーニングセットで実行される。放射線画像を解釈する訓練を受けたひとりもしくはそれ以上による、人による相互分類は、トレーニングセットにおいて発見されたクラスタの悪性／非悪性を示す。トレーニングセットオブジェクト、特徴、および人による入力分類の精査（truthing）を使用して、クラスタ特徴の確率密度関数（ＰＤＦ）データセットが計算される。ＰＤＦデータセットは、各クラスタの悪性の確率を決定するよう調べられる。その確率が放射線科医にとってマークとなり表示されるかどうかは、ＣＡＤプロセスの感度セットに依存する。

図１９ａおよび１９ｂは、ある実施例で使用され得る分類器３０６の一例を表す。一般的に分類器は、２つもしくはそれ以上の分類それぞれにＰＤＦ値をまず推定し、その後異なる分類のＰＤＦ値を確率と組み合わせることによって、評価ポイントが特定の分類に属する確率を推定する。確率を推定するためにＰＤＦ値を組み合わせることは、周知のベイズ法のような技術を使用して実行され得る。分類器はまた、確率値ではなく、尤度比を発生させるためのＰＤＦ推定を使用することもできる。本実施例では、分類器３０６は、ＰＤＦ推定を確率ユニット１９０１に提供する１つもしくはそれ以上のＰＤＦユニット１９００を含む。一般的に、ＰＤＦユニット１９００は、オブジェクトのためのそれぞれの可能性のある分類のＰＤＦ推定を決定する。例えば、分類器３０６が微小石灰化を分類するのに使用される実施例では、悪性の微小石灰化、良性の微小石灰化、ルーセントの微小石灰化、血管の微小石灰化、フィルムアーチファクトなどのそれぞれのためにＰＤＦユニット１９００があり得る。ＰＤＦユニット１９００にかかる詳細な説明は下記で提供される。

ここで図１９ｂを参照すると、ある実施例に従った分類器３０６（図３参照）により使用され得るＰＤＦ推定器１９００が表されているが、異なる分類器確率ユニットも使用され得る。ＰＤＦ推定器１９００の周辺定義ユニット１９０２は、各表示ポイントの周辺の大きさ、もしくは表示ポイントのビン（bin）を定義する。ある実施例の中には、実際に測定された特徴データに良く適合する関数記述を可能とするために、変化する周辺サイズが所望され得るものもある。本実施例では、周辺定義ユニット１９０２は、例えばデータベースから受信されたトレーニングデータを評価して、トレーニングデータに含まれた表示ポイントにふさわしい周辺サイズを決定する。周辺定義ユニット１９０２は、ベクトルＳ_ｐ→を（ベクトルは、各表示ポイントのスケールパラメータ、もしくは各特性または次元のための表示ポイントのビン（bin）を表す）、周辺決定ユニット１９０４へ提供する。ある実施例では、周辺定義ユニット１９０２は、オフラインで実行され、例えばＳ_ｐ→のような結果が、後のアクセスのためにデータベースに記憶されるように、格納される。ベクトルＳ_ｐ→は、周辺決定ユニット１９０４により使用されて、各次元または特徴のための評価ポイントｘ_０のために使用される周辺サイズである、スケールパラメータベクトルσ_ｓ→を決定する。スケールパラメータベクトルσ_ｓ→は重み決定ユニット１９０６に提供されて、重みｗ_ｉを決定し、どの程度の重みがトレーニングデータの表示ポイントに配分されるかを特定する。一度決定されると、重みｗ_ｉは局部推定器（local estimator）１９０８に提供される。局部推定器１９０８は、重みｗ_ｉをトレーニングデータに加えて、ポイントｘ_０のためのＰＤＦ推定を決定し、それは例えばデータベースに記憶され得る。以下の段落はより詳細な説明を提供する。

複雑かつ／もしくはまばらのロングテール分布を有する、実世界の多変数システムのためのＰＤＦ推定は、歴史的にいくつかの固有の問題に阻まれてきた。まず、よく研究されてはいるが、高度に制約されたパラメトリックモデルはたびたび、実世界の装置で受けるＰＤＦを正確に表示することができない。次に、使用されるモデルが高度にフレキシブルであるか、もしくはノンパラメトリック（non parametric）（例えば、パルツェン窓に基づいたアプローチ）である場合、推定値はランダムなサンプル変化のために、信用性に欠けることがある。これはとりわけ、ほとんどサンプルがないＰＤＦのテール領域に当てはまる。推定器の信頼性を改善する方法は、扱いにくい計算もしくはメモリ要求という結果になり得る。

本明細書で説明される実施例は、ＰＤＦ推定のための新たなアプローチを用いる。完全なＰＤＦを推定して記憶する代わりに、データセットが記憶されて、ＰＤＦのあらゆる特定の局部領域のためのＰＤＦ推定関数のオンザフライ（on-the-fly）の計算を可能とする。この方法で推定されたＰＤＦを記憶するために必要とされるデータ量は、おおよそｎ×Ｍのオーダーであることができ、ここでは、ｎはシステムの次元を表し、Ｍは表示ポイントｒ_ｉの数を表す。各表示ポイントは、推定されている実際の分布からの１つもしくはそれ以上のサンプルを表示する。例えば、サンプルセットにおける各サンプルは、単位重みを有するそれ自身の表示ポイントを受け取ることができる。各サンプルは交互に、１よりも少ない重みを有する表示ポイントを介して表現され得る。例えば、２つの異なる多次元測定が同一サンプルから生じると信じられる場合、２つのサンプルのそれぞれは、０．５の重みを有する表示ポイントを与えられ得る。最終的に、表示ポイントを、個々のサインプルの重みと等しい重みを有する単一の表示ポイントに交換することで、表示ポイントは、測定空間に近接するいくつかのサンプルを“ビン（bin）”し得る。ビンされたサンプル表示ポイントのための実際の多次元サンプル値は、各次元においてビンの中心、ビンされたサンプルの平均、ビンされたサンプル値の中央値などであり得る。

表示ポイントに加えて、いくつかの他の入力が、推定を実行する前に選択される。ひとつの入力は推定ポイントｘ_０であり、そこでＰＤＦが推定され得る。他の入力はベクトルＳ_ｐ→であり、ある実施例では、周辺定義ユニット１９０２によって提供され、スケールパラメータベクトルσ_ｓ→の計算を可能にする一連のスケールパラメータを表す。スケールパラメータベクトルは、どの表示ポイントが推定で使用されるかを決定し、また、含まれた各ポイントに加えられる重みを決定する関数のためのパラメータであり得る。他の入力は、重み付け関数ｇ（σ_ｓ→）であり、これは、推定に使用される表示ポイントに実際に加えられる。最終的な入力は、パラメータ化された推定関数ｆ（ｘ_０，θ）であり、ここでθは、関数のパラメータマトリックスである。

図２０は、１次元の確率変数のための一般的なＰＤＦ２０００を表し、同じ確率変数のサンプル２００２の母集団から描かれたサンプル分布のヒストグラム上に重ね合わせられたものである。十分な多数のポイントを有して、ヒストグラムは、ＰＤＦ２０００の形状の量子化されたバージョンという傾向があり、これは、パルツェン窓のような従来技術によって推定され得る。ＰＤＦ２０００のテールに向かうと、そのようなアプローチは、信頼し得る推定を作り出すのが難しい。テールにたびたび表される少数のサンプルは、テールにおいて、単純な窓による推定（simple windowed estimate）が、少数のサンプルのために高い変数を有するか、もしくは大きな線形窓のアプリケーションのために、実際のＰＤＦの本当の形状を構成し損なうかのどちらかであることを意味する。

好ましい実施例では、入力データは予め計算されたパラメータを含み、そこから適切なスケールパラメータが、例えば周辺決定ユニット１９０４によって、入力評価ポイントのために計算され得る。概して、スケールパラメータは分布のテールに向かうと大きくなり、表示ポイントスペースのよりデータの豊富なエリアではより小さくなる。別個のデータ構造がすべてのサンプルスペースのスケールパラメータの記述を記憶するために使用され得るが、ひとつの実施例では、各表示ポイントが、オンザフライでスケールパラメータベクトルを計算するために使用され得るパラメータを記憶する。

図２１は、表示ポイントのスケールパラメータの記憶および使用のひとつの実施例を表し、そこでは各表示ポイントｒ_ｉはまた、最小のスケールパラメータ値σ_ＭＩＮ（ｉ）、およびスケールパラメータ関数σ_ｉ（ｘ_０）＝σ_ＭＩＮ（ｉ）＋σ_ｄσ（ｉ）｜ｘ_０‐ｒ_ｉ｜のためのスケールパラメータスロープσ_ｄσ（ｉ）を説明する。それゆえ、あらゆる評価ポイントＸ_０のために、スケールパラメータ関数はスケールパラメータの計算を可能にする。評価ポイントで使用するためのスケールパラメータは、従って、すべてのｉのために評価される、最小のスケールパラメータ関数値σ_ｉ（ｘ_０）として定義されることができ、その最小の値σ_ｓ→は重み決定ユニット１９０６へ提供される。実際のアプリケーションでは、スケールパラメータは評価ポイントに近接する表示ポイントのために評価されることのみを必要とされ得る。これは図２２の検査により観察されることができ、そこではスケールパラメータ関数σ_ｉ（ｘ）は、各評価ポイント（ｒ_１にはσ_１（ｘ）、ｒ_２にはσ_２（ｘ）、ｒ_３にはσ_３（ｘ）が番号付される）のためにプロットされる。値σ_３（ｘ_０）は、すべての他の表示ポイントに関連するスケールパラメータ関数値よりも低く、それゆえ、評価ポイントｘ０のためのスケールパラメータとして選択される。選択的に、異なるスケールパラメータ関数値が、“ｍｉｎ”以外の、数学関数に結び付けられ得る(例えば、種々の値の平均もしくは特別な百分率が使用され得る)。

多次元の、異なるスケールパラメータは、典型的に各次元で、その次元におけるｘ_０周辺の局部的にまばらの表示ポイントに応じて発見される。

各次元のスケールパラメータが発見されると、スケールパラメータは次に、評価ポイントでのＰＤＦを推定するために使用される表示ポイントを制限するのに使用され得る。例えば、スケールファクターの倍数のような、評価ポイントからの距離に基づいた実際の大まかなルールが、図２２に表された計算に実際には影響しえない表示ポイントを除外するために使用されることができ、それゆえ計算時間を省く。評価ポイントからどれだけ離れた場所にあろうと、順番に、すべての表示ポイントが評価され得る。

スケールパラメータはまた、重み決定ユニット１９０６（図９）によって表されるように、定義された重み付け関数ｗ_ｉ＝ｇ（ｒ_ｉ；ｘ_０，σ（ｘ_０））を使用して、各表示ポイントのための全体の重みを計算するために用いられる。

選択された、重み付けされた表示ポイントは、局所推定器１９０８によって計算された、パラメータ化された推定器関数ｆ（ｘ，θ）についてパラメータマトリックスθを計算するために使用される。ある実施例では、パラメータマトリックスは、関数を最大化するために計算される：

ここで、ｈ（）とは単調関数である。

いくつかの関数選択にとって、モデル化されたＰＤＦがｎ次元空間におけるすべてのポイントにとってゼロ以外である場合、数式は、パラメータマトリックスを解決するために使用され得る。ひとつのそのような例においては、重み付け関数ｇ（）は、ガウス関数であり、ｈ（）はｌｏｇ関数であり、かつｆ（）は二次指数関数である：

ここで、

であり、Ｎとは表示ポイントの数である。

多次元解において、変数およびパラメータは多次元であることの理解をもって、上記の数式がなお適用される。

上述の一般的なアプローチはまた、ＰＤＦがｎ次元空間のいくつかの部分でゼロの値を有する場合にも適用されうる。このアプローチはまた、ｈ、ｇ、もしくはｆが直接的に解決し得る方式でない場合にも適用され得る。このようなケースでは、パラメータマトリックスは、ニュートン・ラプソンの最適化のような数値法を使用して、近似値が求められ得る。

一旦、推定値関数のためのパラメータマトリックスが発見されると、ＰＤＦ値を獲得するために評価ポイントで推定値関数を評価することが可能である。

広汎なアプリケーションが、ある実施例に従ったＰＤＦ法のために存在する。正確なＰＤＦ推定により利益を享受し得る分野は、パターン認識、分類、推定、コンピュータビジョン、画像処理、および信号処理を含む。ＰＤＦ推定データのコンパクトな空間の必要性は、ＰＤＦデータセットのコンパクトな記憶、アップデート分布、追加の識別変数および／もしくは分類の参入などのために実用性を加える。

いくつかの実施例および別の実施が説明されたが、多くの他の修正および実施技術が本開示を読むことで当業者にとって明らかとなる。所与の実施例では、推定器関数パラメータの値を求めるために使用される数式は、その最小化がパラメータマトリックスを選択するように定義され得る。スケールパラメータのための適切な解は、表示ポイント関数毎の事前計算なしで計算するのにはより費用がかかることがあり得るが、所与の評価ポイントのためのスケールパラメータは、表示ポイントから直接、実行時に計算され得る。

別段の指示がなければ、本明細書で説明されたすべての関数は、ハードウェアとソフトウェアとの両方で、もしくはそれらのいくつかの組合せにおいて実行され得る。しかしながら、好ましい実施例において、関数は、別段の指示がなければ、コンピュータプログラムコードのようなコード、ソフトウェア、および／もしくはそのような関数を実行するために暗号化された集積回路に従って、コンピュータもしくは電子データプロセッサのようなプロセッサによって実行され得る。

例えば、図２３は、ある実施例に従って使用され得る、コンピュータシステム２３００のブロック図である。しかしながら、本明細書で説明されるコンピュータシステム２３００が説明目的のためだけに提供され、その他の装置もまた使用され得ることに注意すべきである。コンピュータシステム２３００は、例えば、デスクトップコンピュータ、ワークステーション、ノートパソコン（ラップトップコンピュータ）、携帯情報端末、特定のアプリケーション用にカスタマイズされた専用装置などを含み得る。従って、本明細書で説明されるコンピュータシステム２３００の構成要素は、説明目的のためであり、本発明の他の実施例は追加の、もしくはより少ない構成要素を含み得る。

ある実施例では、コンピュータシステム２３００は、１つもしくはそれ以上の入力装置２３１２（例えば、マウス、キーボード等）と、ディスプレイ２３１４、プリンタ２３１６といった１つもしくはそれ以上の出力装置とを装備した、処理装置２３１０を含む。好ましくは、処理装置２３１０は、中央処理装置（ＣＰＵ）２３１８、メモリ２３２０、大容量記憶装置２３２２、ビデオアダプタ２３２４、Ｉ／Ｏインターフェース２３２６、および、バス２３３０に接続されたネットワークインターフェース２３２８を含む。バス２３３０は、メモリバスもしくはメモリコントローラ、周辺バス、ビデオバス等を含む、１つもしくはそれ以上のあらゆるタイプのいくつかのバスアーキテクチャであり得る。ＣＰＵ２３１８は、あらゆるタイプの電子データ処理装置を含み得る。例えば、ＣＰＵ２３１８は、インテル社もしくはアドバンスド・マイクロ・デバイシーズ社製の処理装置（例えば、シングルコアもしくはマルチコアのもの）、縮小命令セットコンピュータ（ＲＩＳＣ）、特定用途向け集積回路（ＡＳＩＣ）等を含み得る。メモリ２３２０は、スタティックランダムアクセスメモリ（ＳＲＡＭ）、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）、シンクロナスＤＲＡＭ（ＳＤＲＡＭ）、読出し専用メモリ（ＲＯＭ）、それらの組合せ等の、あらゆるタイプのシステムメモリを含み得る。ある実施例では、メモリ２３２０は、起動時に使用するためのＲＯＭおよび、プログラム実行時に使用されるデータ記憶のためのＤＲＡＭを含み得る。メモリ２３２０は、１つもしくはそれ以上の不揮発性メモリ（non transitory memory）を含み得る。

大容量記憶装置２３２２は、データ、プログラム、およびその他の情報を記憶するために構成され、かつ、そのデータ、プログラム、および他の情報をバス２３２８を介してアクセス可能にするように構成された、あらゆるタイプの記憶装置を含み得る。ある実施例では、大容量記憶装置２３２２は、ＣＰＵ２３１８によって実行されるためのプログラムを記憶するよう構成される。大容量記憶装置２３２２は、例えば、１つもしくはそれ以上のハードディスクドライブ、磁気ディスクドライブ、光学ディスクドライブ等を含み得る。大容量記憶装置２３２２は、１つもしくはそれ以上の持続性メモリを含み得る。

ビデオアダプタ２３２４およびＩ／Ｏインターフェース２３２６は、外部の入力装置および出力装置を処理装置２３１０に接続するためのインターフェースを提供する。図２３に示されるように、入力および出力装置の例は、ビデオアダプタ２３２４に接続されたディスプレイ２３１４と、マウス／キーボード２３１２と、Ｉ／Ｏインターフェース２３２６に接続されたプリンタ２３１６とを含む。他の装置は、処理装置２３１０に接続され得る。

ネットワークインターフェース２３２８は、有線もしくは無線であることができ、処理装置２３１０にネットワーク２３３２を介して遠隔装置とやりとりするのを可能にする。ある実施例では、処理装置２３１０は、ローカルエリアネットワークもしくは広域ネットワークに接続されて、他の処理装置、インターネット、リモート記憶施設等との通信を提供する。

コンピュータシステム２３００が他の構成要素を含むことに注意すべきである。例えば、コンピュータシステム２３００は、電力供給、ケーブル、マザーボード、リムーバブル記憶媒体、ケース、ネットワークインターフェース等を含む。これらの他の構成要素は、図示されないが、コンピュータシステム２３００の一部と考えられる。さらに、コンピュータシステム２３００のどの構成要素も複数の構成要素を含むことに注意すべきである。例えば、ＣＰＵ２３１８は複数のプロセッサを含むことができ、ディスプレイ２３１４は複数のディスプレイ等を含むことができる。他の実施例のように、コンピュータシステム２３００は、直接接続された複数のコンピュータシステムおよび／もしくはネットワークを含み得る。

さらに、１つもしくはそれ以上の構成要素は、遠く離れて設置され得る。例えば、ディスプレイは、処理装置から遠く離れて設置され得る。本実施例では、位置および／もしくは異常タイプといったディスプレイ情報は、ネットワークインターフェースを通じて、ディスプレイ装置もしくは接続されたディスプレイを有する遠隔の処理装置に伝送され得る。

いくつかの実施例および別の実施が説明されたが、多くの他の修正および実施技術が、本開示を読むことで当業者に明らかとなる。様々なパラメータおよびしきい値があり、かつ、これらは与えられたデータ特性で与えられた実施のために変更することができ、実験および究極の性能と計算時間のトレードオフが所望の動作ポイントに到達するために必要とされる。記憶、ツリー、ハッシング、および他のデータ操作方法といった実行方法が所望のパフォーマンスを達成するよう要求通りに適用され得る。少なくとも１つの特定の方法が各特性タイプの計算のために説明されたが、多くの別の方法および特性の定義付けが、類似のもしくは許容可能なパフォーマンスにより類似の特性を計算するために存在する。好ましい実施例は、特性セットを有するＰＤＦ分類実施を使用する。開示された特性セットは、ＰＤＦ分類アプローチを使用しないＣＡＤシステムにおいてもまた有利であり得る。同様に、本明細書で説明された乳房座標系もしくはその確率変数（variants）が他のＣＡＤアプローチにおいて適用性があると信じられる。

本明細書は、“ある（an）”、“１つの（ひとつの、one）”、“他の（another）”、もしくは“いくつかの（some）”実施例に言及したが、各々のそのような言及が同じ実施例のために存在すること、もしくは特性がひとつの実施例にのみ適用されることを、必ずしも意味するものではない。

Claims (17)

1. 画像の異常を検出するためにコンピュータ装置によって実行される画像データの処理方法であって、当該方法は、
   デジタル画像を畳み込みし、異なるスケールで複数の第１の畳み込まれた画像を生成し、
   前記複数の第１の畳み込まれた画像の各々を畳み込みし、これにより、複数の第２の畳み込まれた画像を生成し、複数の第１の畳み込まれた画像の各々および複数の第２の畳み込まれた画像の対応する１つは、複数のステージの各々に対応し、
   複数のサージェリーマスクを生成し、各サージェリーマスクは、現在のステージの複数の第２の畳み込まれた画像の１つと、前のステージからの複数の第２の畳み込まれた画像の１つとに少なくとも基づくものであり、
   複数のサージェリーマスクの各ピクセル位置についての周辺中央値を決定し、
   現在のステージからの第２の畳み込まれた画像、前のステージからの第１の畳み込まれた画像、および現在のステージについての周辺中央値に少なくとも基づき１つもしくはそれ以上のピークを識別し、
   各サージェリーマスクは、ピクセルの相対的なコントラストをしきい値と比較し、しきい値よりも大きいピクセルを第２の畳み込まれた画像から取り除く、方法。
2. 前記複数のサージェリーマスクの生成は、少なくとも前のステージからの周辺中央値を用いて実施される、請求項１に記載の方法。
3. ピクセルの相対的なコントラストは、少なくとも、現在のステージの各第２の畳み込まれた画像のピクセル値を、前のステージの同一ピクセルの位置の周辺中央値で除することにより決定される、請求項１に記載の方法。
4. 方法はさらに、より大きなスケールから、より小さなスケールで検出されたピークを除外することを含む、請求項１に記載の方法。
5. デジタル化された画像は、倍率を変えられた画像である、請求項１に記載の方法。
6. 標準偏差は、１つのスケールから次のスケールへ倍増する、請求項１に記載の方法。
7. デジタル化された画像の異常を識別するシステムであって、当該システムは、
   デジタル画像を畳み込みし、第１の畳み込まれた画像を生成する第１の畳み込みするものと、
   前記第１の畳み込まれた画像を畳み込みし、第２の畳み込まれた画像を生成する第２の畳み込みをするものと、
   前記デジタル画像および第２の畳み込まれた画像を受け取り、ピーク値をもつピクセルを識別するピーク検出器と、
   各ピクセルについての周辺中央値を提供するため、前記ピーク検出器に結合された周辺中央値計算機と、
   前記第２の畳み込みを行うものおよび前記周辺中央値計算機に結合された抽出器とを含み、当該抽出器は、しきい値よりも高いピクセルの相対的なコントラストをもつピクセルを、第２の畳み込まれた画像から取り除き、前記周辺中央値計算機は、当該抽出器がピクセルを取り除いた後に第２の畳み込まれた画像を少なくとも用いる、システム。
8. 前記デジタル化された画像は、前のステージの第１の畳み込みをするものによって畳み込まれた画像である、請求項７に記載のシステム。
9. 前記ピクセルの相対的なコントラストは、現在のステージの各第２の畳み込まれた画像のピクセル値を、前のステージの第２の畳み込まれた画像に基づき同一のピクセル位置の周辺中央値で除することにより少なくとも決定される、請求項７に記載のシステム。
10. システムはさらに、前記ピーク検出器に結合され、ピクセルおよび対応するピーク値を受け取るしきい値を有するものを含み、当該しきい値を有するものは、対応するピーク値としきい値とを比較する、請求項７に記載のシステム。
11. 前記しきい値は、全体の中央値の絶対偏差の倍数である、請求項７に記載のシステム。
12. 異常を識別するコンピュータプログラムであって、当該コンピュータプログラムは、コンピュータプログラムが埋め込まれた不揮発性のコンピュータ読出し可能な媒体を有し、コンピュータプログラムは、
    複数の第１の畳み込まれた画像を生成するデジタル画像を畳み込むコンピュータプログラムコードであって、畳み込まれた画像の各々は異なるスケールに対応する、前記コンピュータプログラムコードと、
    前記複数の第１の畳み込まれた画像の各々を畳み込みし、複数の第２の畳み込まれた画像を生成するコンピュータプログラムコードと、
    前記複数の第２の畳み込まれた画像の各々の各ピクセルについての周辺中央値を決定するコンピュータプログラムコードと、
    前記複数の第１の畳み込まれた画像の１つと前記第２の畳み込まれた画像の１つとに基づきピーク領域を識別するコンピュータプログラムコードであって、前記第２の畳み込まれた画像の１つは、前記周辺中央値に基づきしきい値よりも高いピクセルの相対的なコントラストをもつピクセルが取り除かれたものである、前記コンピュータプログラムコードと、
    を有するコンピュータプログラム。
13. 複数の第１の畳み込まれた画像は、ガウスぼかし（Gaussian-blurred）画像を表す、請求項１２に記載のコンピュータプログラム。
14. 複数の第２の畳み込まれた画像は、ラプラシアン曲率（Laplacian curvature）画像を表す、請求項１２に記載のコンピュータプログラム。
15. 周辺中央値を決定するコンピュータプログラムコードは、前のスケールで識別されたピーク領域を除外するコンピュータプログラムコードを含む、請求項１２に記載のコンピュータプログラム。
16. 周辺中央値を決定するために使用される複数の第２の畳み込まれた画像からピクセルを除外するコンピュータプログラムコードをさらに含む、請求項１２に記載のコンピュータプログラム。
17. ピクセルを除外するコンピュータプログラムコードは、ピクセルの相対的なコントラストを周辺中央値と比較するコンピュータプログラムコードを含む、請求項１６に記載のコンピュータプログラム。

Images