JP6397453B2

JP6397453B2 - 画像処理装置、画像処理方法およびプログラム

Info

Publication number: JP6397453B2
Application number: JP2016162204A
Authority: JP
Inventors: 博之関口; 清水　昭伸; 昭伸清水
Original assignee: Canon Inc
Current assignee: Canon Inc
Priority date: 2016-08-22
Filing date: 2016-08-22
Publication date: 2018-09-26
Anticipated expiration: 2032-08-03
Also published as: JP2016193295A

Description

本発明は、画像から病変の領域を取得する画像処理技術に関する。

放射線科医の読影負担は年々増加しており、診断支援技術(Computer Aided Diagnosis)への期待がますます高まっている。肺結節の悪性度は結節の形状特徴などに基づいて判断されるため、計算機による鑑別診断（CADx）を行うにあたって、結節領域を正確に抽出することが重要となる。図１３に肺結節画像の一例を示す。左側の２つが充実性結節(solid nodule)、右側の２つがすりガラス状の陰影（ＧＧＯ, ground glass opacity）を持つ結節（以後，「ＧＧＯ」と呼ぶ場合がある）である。特に、すりガラス状の陰影を持つ結節（「ＧＧＯ」）は腺癌などの悪性病変である可能性が高く、ＧＧＯに対する高信頼な領域抽出処理が求められている。

しかし、悪性の可能性が高いすりガラス状陰影を有する結節（「ＧＧＯ」）は境界が不明瞭なため、高精度な領域抽出は困難である。

そこで、非特許文献１では、異方性ガウスフィッティングによりＧＧＯ領域を近似する方法が提案されている。

また、非特許文献２では、実質部とＧＧＯ領域の濃度範囲をＲＯＣカーブのＡＵＣ値から実験的に求め、しきい値処理によるＧＧＯ領域と実質部のセグメンテーションを行う方法が示されている。

一方、非特許文献３、４ではグラフカットを用いたセグメンテーションのアルゴリズムが近年盛んに検討されている。例えば、充実性結節の場合、ＣＴ像に対してそのままグラフカットを適用することにより、結節領域を精度良く抽出することが可能である。しかし、ＧＧＯの場合には境界が曖昧なため容易ではない。

K. Okada: Ground-Glass Nodule Characterization in High-Resolution CT Scans. In Lung Imaging and Computer Aided Diagnosis, Taylor and Francis, LLC, 2011 T. Okada, S. Iwano, T. Ishigaki, et al: Computer-aided diagnosis of lung cancer: definition and detection of ground-glass opacity type of nodules by high-resolution computed tomography. Japan Radiological Society, 27:91-99, 2009 Y. Boykov, M. P. Jolly: Interactive Graph Cuts for Optimal Boundary & Region Segmentation of Objects in N-D Images. In IEEE Int. Conf. on Computer Vision, 1:105-112, 2001 石川博：グラフカット．情報処理学会研究報告, CVIM, 158:193-204, 2007 高木幹雄，下田陽久：新編画像解析ハンドブック，東京大学出版会，東京，2004, 1260-1265 金森啓文，村田昇：解説：ブースティングとそのロバスト化．電子情報通信学会会誌，86, 10:769-772, 2003 T. Narihira, A. Shimizu, H. Kobatake, et al: Boosting algorithms for segmentation of metastatic liver tumors in contrast-enhanced computed tomography. Int. J CARS 2009, 4: S318, 2009

しかし、非特許文献１に記載の方法ではロバストな結果を得るために、結節領域を画素単位ではなく、楕円体として近似している。これは結節サイズの大雑把な経時変化率の導出などには有用である一方、詳細な形状に関する情報が得られない。

しかし、非特許文献２に記載の方法は、各領域の濃度はオーバーラップしているため、しきい値処理のみでの各領域（背景とＧＧＯ領域の間や実質部と血管・胸壁の間）の分離には限界がある。また、ノイズや撮影条件の変動に対する耐性の低さも問題点として挙げられている。

本発明は、上記の課題に鑑みてなされたものであり、淡い陰影を有する病変を精度よく抽出する画像処理技術を提供することを目的とする。

上記の目的を達成するための本発明の一つの側面にかかる画像処理装置は、画像から所定の形状の注目領域を抽出する注目領域抽出手段と、
前記注目領域抽出手段によって抽出された注目領域に含まれる画素の内、第一の閾値未満かつ第二の閾値以上の画素値を有する画像領域であるすりガラス状の陰影の候補領域の画素値を所定の画素値の範囲に変更する変更手段と、
前記変更手段で画素値の範囲が変更されたすりガラス状の陰影の候補領域の画素毎に第一の特徴量を計算し、前記画素毎に計算された第一の特徴量から各画素値を計算することで第一の新たな画像を生成する第一の生成手段と、
前記注目領域に含まれる画素の内、前記第一の閾値以上の画素値を有する画像領域である高画素値領域の画素毎に第二の特徴量を計算し、前記画素毎に計算された第二の特徴量から各画素値を計算することで第二の新たな画像を生成する第二の生成手段と、
前記第一の生成手段によって生成された前記第一の新たな画像と前記第二の生成手段によって生成された前記第二の新たな画像から合成画像を生成する合成画像生成手段と、
前記合成画像生成手段によって生成された合成画像に基づいて前記画像からすりガラス状の陰影の領域を抽出する抽出手段と、
を備えることを特徴とする。

本発明によれば、淡い陰影を有する病変を精度よく抽出することができる。

画像処理装置の全体システムを示す図である。画像処理装置の機能構成を示す図である。画像処理装置の全体の処理を示すフローチャートである。病変領域を含む画像領域（ＶＯＩ）を示す図である。第一の処理部の構成を示す図である。第一の処理部の処理を示すフローチャートである。 Mixed GGOの症例画像を示す図である。領域識別の方法を説明する図である。画素値範囲の変更を説明する図である。画素値範囲の変更前後のＧＧＯ結節画像である。ハラリック（Ｈａｒａｌｉｃ）のテクスチャ統計量の例を示す図である。強調画像の例を示す図である。ＧＧＯ結節画像の例を示す図である。

以下、添付図面に従って本発明に係る画像処理装置及び方法の好ましい実施形態について詳しく説明する。ただし、実施形態に記載されている構成要素はあくまで例示であり、本発明の技術的範囲は、特許請求の範囲によって確定されるのであって、以下の個別の実施形態によって限定されるわけではない。

［第１実施形態］
図１は、第1実施形態に係る画像処理装置及びそれと接続される画像撮影装置１００を有する画像処理システムの構成例を示す図である。画像処理装置1は、例えば、パーソナルコンピュータ（ＰＣ）などで実現することができ、中央演算処理装置（ＣＰＵ）１０、主メモリ１１、磁気ディスク１２、表示メモリ１３、モニタ１４、マウス１５、キーボード１６を有する。

ＣＰＵ１０は、主として、画像処理装置１の各構成要素の動作を制御する。主メモリ１１は、ＣＰＵ１０が実行する制御プログラムを格納したり、ＣＰＵ１０によるプログラム実行時の作業領域を提供する。磁気ディスク１２は、オペレーティングシステム（ＯＳ）、周辺機器のデバイスドライバ、後述する変形推定処理等を行うためのプログラムを含む各種アプリケーションソフト等を格納する。表示メモリ１３は、モニタ１４のための表示用データを一時記憶する。モニタ１４は、例えば、ＣＲＴモニタや液晶モニタ等であり、表示メモリ１３からのデータに基づいて画像を表示する。マウス１５及びキーボード１６はユーザによるポインティング入力及び文字等の入力をそれぞれ行う。上記の各構成要素は共通バス１７により互いに通信可能に接続されている。

画像処理装置１は、ローカルエリアネットワーク（ＬＡＮ）を介して画像撮影装置１００と接続されており、画像撮影装置１００から画像データを取得できる。なお、本発明の形態はこれに限定されず、これらの機器との接続は、例えば、ＵＳＢやＩＥＥＥ１３９４等の他のインターフェイスを介して行ってもよい。また、これらのデータを管理するデータサーバから、ＬＡＮ等を介して必要なデータを読み込む構成であってもよい。また、画像処理装置１に記憶装置、例えば、ＦＤＤ、ＣＤ−ＲＷドライブ、ＭＯドライブ、ＺＩＰドライブ等を接続し、それらのドライブから必要なデータを読み込むようにしてもよい。

画像撮影装置１００は、ＣＴ、ＭＲＩ、２次元の放射線画像を撮像するデジタルラジオグラフィなどである。本実施形態では、ＣＴを例として以下の説明を行う。

図２は、本実施形態に係る画像処理装置１の機能構成を示している。この実施形態ではＣＴで撮影された３次元の胸部画像を例にしている。ただし、ＭＲＩ、２次元の放射線画像等にも適用できるものである。

図２の胸壁情報取得部１１０は、３次元の胸部画像肺野抽出処理を行い、胸壁情報を得る。図２のＶＯＩ取得部１２０は、胸壁情報を用いて肺野以外の領域をのぞいた注目画像領域であるＶＯＩを被写体の画像から取得する。

また、選択部１３０は病変の種別を選択する。ここで、Mixed GGO は、図１３の右端から二番目の結節で、高画素値領域であるコアを形成する実質部とすりガラス状の陰影領域を有する結節である（以後、「Mixed GGO」と呼ぶ場合がある）。一方、図１３の右端の結節は、結節の主な領域がすりガラス状の陰影領域で構成される結節である（以後、「Pure GGO」と呼ぶ場合がある）。本実施形態において、選択部１３０は、結節のタイプがMixed GGO であるかPure GGOであるか、GGO以外のその他の病変としてSolid noduleであるかを選択する。

そして、第一の処理部２００は、Mixed GGO またはPure GGOが選択された場合に病変領域を抽出処理する。また、第二の処理部３００は、GGO以外の病変であるSolid noduleが選択された場合に病変領域を抽出処理する。

次に図３を参照して画像処理装置１の画像処理方法の流れを説明する。

（Ｓ１１００）
ステップＳ１１００として、胸壁情報取得部１１０は、非特許文献６に記載される技術を用いて肺野の領域を抽出する。そして、胸壁情報取得部１１０は、この肺野領域の外壁の位置を座標情報として主メモリ１１に記憶する。

（Ｓ１１０１）
次に、ステップＳ１１０１として、ＶＯＩ取得部１２０は、Axial、 Sagittal、 Coronal断面像を参照しながら、結節を取り囲む直方体をＶＯＩとして取得する。ここで、ＶＯＩ取得部１２０は、大まかな孤立影を抽出する。ここでの抽出は、あくまでも、おおまかな領域を抽出するものであり、病変の輪郭を精度よく抽出するものではない。このＶＯＩは自動で抽出しても良いし、モニタ１４に表示されるAxial、 Sagittal、Coronal断面像を参照しながら、マウス１５を介して手入力してもよい。図４の四角形の枠で示すように、一辺の長さが結節の平均直径の２倍程度になるようにセットする。手入力でＶＯＩを取得する場合は、主メモリ１１に記憶された肺野領域の外壁の位置を座標情報によって、余分な領域をＶＯＩから削除する。ＶＯＩの自動抽出処理は一般に知られている孤立影の抽出技術を用いることができる。

（Ｓ１１０２）
さらに、ステップＳ１１０２として、選択部１３０は結節のタイプ（淡い陰影ありか否か）を選択する。例えば、選択部１３０はＣＴ値がθ_th=−１９４以上の領域をコアの領域として抽出し、コアの領域とＶＯＩの領域の比率から結節のタイプがMixed GGO、Pure GGO、その他の結節であるSolid nodule(すりガラス状の陰影を有さない結節)であるかを選択する。画像の濃度表現としての高濃度や低濃度は、画像データの画素値に対応する濃度の濃さとして表現される。なお、ＣＴ画像データでの画素値はＣＴ値に対応する。また、選択部１３０は病変の種別（本実施の形態では結節の種別）を検者がマウス１５やキーボード１６を用いて選択してもよい。

（Ｓ１１０３）
ステップＳ１１０３として、第一の処理部２００は、Mixed GGO またはPure GGOが選択された場合に病変領域を抽出処理する。ここで、すりガラス状の領域とコアを形成する実質部(以後、「コア部」と呼ぶ場合がある)とで構成されるMixed GGOは、濃度、テクスチャともに結節内の領域で性質が大きく異なる。特に、すりガラス状の陰影領域の画素値の範囲は結節毎におおきなばらつきがある。そのため、第一の処理部２００は、すりガラス状の陰影領域の候補領域（コア領域、血管領域などの高画素値領域及び背景領域を除く）の画素値の範囲を所定の画素値の範囲に変更した画像から画素毎のテクスチャ特徴量を得る。そして、複数のテクスチャ特徴量に基づいて第一の変換処理で画素毎の出力値を得る強調処理を行う。ここでの強調処理とは、例えば、すりガラス状の陰影領域の画素に対してそれ以外の領域の画素よりも大きな数値を与える処理をいうものとする。これによりすりガラス状の陰影領域が他の領域と識別しやすくなる。

第一の変換処理としては複数の入力値を非線形に変形して一つの出力値として出力する関数を用いることができる。このような関数は、入力値と出力値の関係を関係づけるように構成され、構成する過程を学習と呼ぶこととする。第一の処理部２００は、第一の変換処理で得られた出力値に基づいてMixed GGOのすりガラス状の陰影の領域情報を高精細に得ることができる。

ここで、しきい値には、５人の放射線科医がそれぞれ独立に１２症例を用いてあらかじめ検討を行い，高濃度のコア部の最小濃度値として定めた値の平均値（θ_th＝−１９４）を用いる。また、第一の処理部２００は、Pure GGO が選択された場合には、Pure GGOの領域を抽出する。ここで、Mixed GGO との処理の違いは、強調処理を行う変換処理を第一の変換処理と異なるPure GGO 用の第二の変換処理を行う。ここでの強調処理とは、例えば、すりガラス状の陰影領域の画素に対して、それ以外の領域の画素よりも大きな数値を与える処理をいうもとする。例えば、第一の変換処理は所定の画素値範囲に変更された画像のMixed GGOのすりガラス状の陰影領域から得られた特徴量を用いて学習された関数を用いるものである。また、第二の変換処理は所定の画素値の範囲に変更された画像のPure GGOのすりガラス状の陰影領域から得られた特徴量を用いて学習された関数を用いるものである。これによりすりガラス状の陰影領域を他の領域と識別しやすくなる。

Pure GGOにおいても，血管や石灰化質のような高濃度領域を内部に持つものが存在する。そこで，すりガラス状の陰影領域の候補領域（血管領域などの高画素値領域及び背景領域を除く）の画素値範囲を所定の画素値範囲に変更した画像から画素毎のテクスチャ特徴量を得る。そして、テクスチャ特徴量に基づいて第二の変換処理で画素毎の出力値を得る。第一の処理部２００は、この出力値に基づいてPure GGOにおいてもすりガラス状の陰影の領域情報を高精細に得ることができる。

このように、Pure GGOとMixed GGOとで画像の強調方法を変更することで、両病変においてすりガラス状の陰影の領域情報を高精細に抽出することができる。ここで、領域情報の抽出とは画像データ中から領域に関する位置情報を得ることをいう。また、画像として抽出した領域を他の領域と異なるように画像上で表現するために必要な情報も領域情報ということとする。これにより、領域情報を用いて病変の輪郭情報、面積情報、形状情報、画像変更のための情報を得ることができる。

（Ｓ１１０４）
ステップＳ１１０４として、第二の処理部３００は、GGO以外のその他の病変としてSolid nodule が選択された場合にSolid noduleの領域を抽出する。第二の処理部３００は、画像の画素値範囲を変更しない画像から画素毎のテクスチャ特徴量を得る。そして、テクスチャ特徴量に基づいてその他の病変用の第三の変換処理で画素毎の出力値を得る強調処理を行う。ここでの強調処理とは、例えば、Solid nodule領域の画素に対してそれ以外の領域の画素よりも大きな数値を与える処理をいうものとする。結節領域が他の領域と識別しやすくなる。第二の処理部３００は、第三の変換処理で得られた出力値に基づいてその他の病変としてのSolid noduleの領域情報を高精細に得ることができる。第三の変換処理はSolid noduleの領域から得られた特徴量を用いて学習された関数を用いるものである。

このように第一の実施の形態では、病変の種類に応じて画素値の範囲の変更方法及び強調方法を変更することで淡い陰影を有する病変を含め、病変の抽出精度を上げることができる。

［第２実施形態］
第２実施形態は、第一の処理部２００の処理を詳細に説明するものであり、第１実施形態と同一構成には同一の番号を付して説明を省略する。

図５は、第一の処理部２００の構成を示す構成図である。図６は、第一の処理部２００の処理の流れを示す図である。図７は、Mixed GGOの画像である。図８、図９は濃度領域を分ける処理を説明するための図である。図５において、領域抽出部２０５はＶＯＩ取得部１２０で得られた領域情報から低濃度領域（低画素値領域）と高濃度領域（高画素値領域）を抽出する。結節を表す画像において、低濃度領域（低画素値領域）は低濃度になるほど黒色の濃さを増やして表しており、高濃度領域（高画素値領域）になるほど黒色の濃さを減らして白色に近づくように表している。

変更部２１０は、領域抽出部２０５で抽出された淡い陰影であるすりガラス状の陰影の領域候補の画素値を所定の画素値の範囲に変更する。

特徴量抽出部２２０は、領域抽出部２０５で得られた画素値の範囲を変更した画像、画素値を変更しない画像のいずれかから特徴量を得る。また、特徴量抽出部２２０は、画素値の範囲が変更された画像から特徴量を得る第一の特徴量抽出部２２１と、画素値の範囲が変更されない画像から第二の特徴量を得る第二の特徴量抽出部２２２と、を有する。

次に、図６の処理の流れに従い第一の処理部２００の処理を説明する。

（Ｓ２０００）
まず、ステップＳ２０００として、ＶＯＩ取得部１２０は結節の中心とほぼ対応する領域を約２倍の大きさで抽出する。なお、人手での入力を選択する場合にはマウス１５等により人手で領域の情報を入力する。ＶＯＩは約２倍の大きさを持つように設定していることから、ＧＧＯ結節の境界は図８に示すように、ＶＯＩの中心から距離Ｒ／２（ＲはＶＯＩの辺長の１／２）の付近におおよそ存在する。そこで、領域抽出部２０５は、Ｒ／２のマージンを考慮して、中心から距離Ｒ／４内の領域から^-Ｉ^- _GGOを、距離３Ｒ／４より外の領域から^-Ｉ^- _bkgを求める。ここで、「^-Ｉ^-」の表記は、Iの上に^―の記号を意味するものとする。この表記は以下の記載においても同様である。

まず、高濃度領域を除くためのしきい値（θ_th＝−１９４）を利用して、ＶＯＩ全体からＧＧＯ内部のコアなどだけではなく、背景の血管領域なども取り除く。そして、領域抽出部２０５は、しきい値（θ_th＝−１９４）以上をコアの領域とする。

（Ｓ２０１０）
次に、ステップＳ２０１０として、ＶＯＩを幅1画素の円環領域（中心はＶＯＩの中心に一致）に分割し、各円環領域の平均濃度（平均画素値）を求める。図７の画像をしきい値処理した画像に対して求めた円環領域の平均濃度の例を図９に示す。横軸は中心からの距離である。高濃度側の実線（上側）９１０は高濃度領域を除く前の濃度、下側の実線９２０は除いた後の濃度を示している。その後、中心からの距離がＲ／４までの円環領域内の平均濃度の最大値を^-Ｉ^- _GGO、中心からの距離が３Ｒ／４からＲまでの円環領域濃度の平均値の最小値を背景領域の画素値として^-Ｉ^- _bkgを得る。ここで、^-Ｉ^- _bkg以下の領域を背景領域候補とする。

（Ｓ２０２０）
そして、ステップＳ２０２０として、領域抽出部２０５は、^-Ｉ^- _GGOから ^-Ｉ^- _bkgの間の値を有する画像領域をガラス状の陰影領域の候補領域として抽出する。

（Ｓ２０３０）
次に、ステップＳ２０３０として、変更部２１０は、領域抽出部２０５で抽出した低濃度領域（低画素値領域）の画素値の範囲を以下の式で変更する。

結節に対して上記の画素値分布の変更処理としての正規化処理を行った画像を図１０に示す。図１０（ａ）、（ｂ）はPure GGOの正規化処理の例を示し、図１０（ｃ）は、Mixed GGOの正規化処理の例を示している。このように、変更部２１０は、ＧＧＯ領域と背景領域の濃度値の画像間のばらつきを小さくしている。

（Ｓ２０４０）
次に、ステップＳ２０４０として、特徴量抽出部２２０（特徴量算出部）は各画像から第一の特徴量として第一のテクスチャ特徴量を抽出する。第一の特徴量抽出部２２１は、画素値分布を所定の画素値範囲に変更した画像から第一の特徴量を算出する。

第一の特徴量抽出部２２１は第一の特徴量を前述の濃度正規化後のＶＯＩから計算する。具体的な特徴量には、テクスチャ統計量を用いる。例えば、同時生起行列から得られる１５種類のハラリック(Haralick)テクスチャ統計量を採用する。ハラリック(Haralick)テクスチャ統計は非特許文献５等に記載され公知であるので説明を省略する。元になったＣＴ画像と、特徴量抽出部２２０で抽出したテクスチャ特徴量の例を図１１に示す。第一の特徴量は、画像データを構成する各画素に対して各画素毎に画素を含む所定範囲から算出される。

同時生起行列は、２種類の濃淡階調（８，２４階調）、２種類の変位量（１，２画素）、２種類のＲＯＩサイズ（３×３×３，７×７×７画素）のバリエーションを持ち、特徴量抽出部２２０は１８方向について計算を行う。

また、１５種類の特徴量計算の際には、方向に関する３つの統計量（１８方向の特徴量の最小、最大、平均）を求める。従って、各画素のテクスチャ特徴量は３６０（＝２×２×２×１５×３）次元のベクトルとなる。

（Ｓ２０５０）
ステップＳ２０５０として、識別部２３０は、独立に強調画像を得る。ここで、識別部２３０は、淡い陰影としてのすりガラス状の陰影に対応する第一の識別部２３１と、コアを形成する実質部に対応する第二の識別部２３２とで構成される。第一の識別部２３１は、特徴ベクトルの外れ値に対してロバストな識別部を用いる。例えば、MadaBoostを用いて、低濃度と高濃度の各領域を対象に独立して学習（後述）した低濃度様の識別器である。MadaBoostは非特許文献６、７等に記載される公知の技術であるので説明を省略する。第一の識別部２３１は、第一の特徴量抽出部２２１で求めた特徴量を入力することで領域の強調を行った画像を得る。

（Ｓ２０６０）
ステップＳ２０６０として、第二の特徴量抽出部２２２は、画素値分布の変更ない画像から第二の特徴量として第二のテクスチャ特徴量を算出する。第二の特徴量抽出部２２２は第二のテクスチャ特徴量を正規化しないＶＯＩから計算する。具体的な第二の特徴量には，同時生起行列から得られる１５種類のハラリック(Haralick)テクスチャ統計量を採用する。同時生起行列は、２種類の濃淡階調（８、２４階調）、２種類の変位量（１、２画素）、２種類のＲＯＩサイズ（３×３×３，７×７×７画素）のバリエーションを持ち、特徴量抽出部２２２は１８方向について計算を行う。

また、１５種類の特徴量計算の際には、方向に関する３つの統計量（１８方向の特徴量の最小、最大、平均）を求める。従って、各画素のテクスチャ特徴量は３６０（＝２×２×２×１５×３）次元のベクトルとなる。元になったＣＴ画像と、特徴量抽出部２２０で抽出したテクスチャ特徴量の例を図１１に示す。

（Ｓ２０７０）
次に、ステップＳ２０７０として、第二の識別部２３２は、特徴ベクトルの外れ値に対してロバストなMadaBoostを用いて、低濃度と高濃度の各領域を対象に独立して学習（後述）した高濃度様の識別器である。第二の特徴量抽出部２２２で求めた特徴量を入力することで領域の強調を行う。

なお、閾値処理は行わず、識別部２３０の出力値そのものを強調結果としている。対象とする領域が選択的に強調されている画像の例として、図１２（ａ）、（ｂ）に、それぞれの領域の強調結果の例を示す。このように、対象とする領域が選択的に強調される。

一方、後述する抽出部２４０は、第一の識別部２３１の出力値をしきい値処理することでも後述のグラフカットより粗いすりガラス状の陰影領域の情報を得ることができる。また、後述する抽出部２４０は、第二の識別部２３２で強調された画像をしきい値処理することでも後述のグラフカットより粗いコアの領域情報を得ることができる。これらの抽出方法は、結節サイズの大雑把な経時変化率の導出などには有用である。そのため、後述のグラフカットを用いた高精度な抽出と用途に応じて使い分けることもできる。

（Ｓ２０８０）
次に、ステップＳ２０８０として、第一の識別部２３１、第二の識別部２３２からえられた二つの強調結果の最大値を画素毎に求めることで、ＧＧＯ結節領域全体の強調結果としての合成画像を得る。このような合成画像の例が図１２（ｃ）である。

（Ｓ２０９０）
ステップＳ２０９０として、抽出部２４０は、合成画像からＧＧＯの領域を得る。抽出部２４０は、例えば、グラフカットを用いた領域抽出処理を行う。この処理は，エネルギーの最小化に基づく処理である。領域内部の尤度と境界らしさをバランス良く反映でき、エネルギーの大局的最適化が可能である。また、多次元データへの拡張が容易であることなどの特長を有する。

また、形状が既知の対象に対しては、適切な形状エネルギーを設定することにより，抽出精度をさらに向上させることも可能である。一般に、エネルギーは次式のように領域項と境界項の線形和の形で与えられる。

ここでＬは全画素集合Ｒの各要素に割り当てられるラベルであり、以下の数３式の集合を示す。

すなわち、抽出部２４０では、（数２）式を最小化するラベルの集合が結節の領域objと背景の領域bkgとして識別される。

また、領域項と境界項はu, vをＲ内の互いに隣接する画素（今回は６画素近傍）として、次式で表されている。

ここで、ｆ_uは領域の尤度、ｇ_u,vは隣接画素組の間で定義される境界らしさを表す関数である。この例では、各領域に対する強調結果Ｂ_uの尤度（正規分布近似式）の対数に（−１）を乗じたものを、ｆ_uとし、ｇ_u,vは強調結果の隣接画素間の差分の二乗値を指数変換した関数とした。この数式例を以下に示す。

ここで、Ｂ_u、Ｂ_vは第一の識別部２３１、第二の識別部２３２によって強調された画素u、vの値である。μ_lu、σ² _luはそれぞれラベルl_uのシード領域の平均値と分散値である。

さらに、抽出部２４０のグラフカットでは、図形のシードはＶＯＩの中央から距離０．１５Ｒ（ＲはＶＯＩの最大辺長の１／２）内に含まれるボクセル、背景のシードはＶＯＩの境界から距離０．１Ｒ内に存在するボクセルとする。これらの距離のしきい値は実験的に決定されている。これにより画像データの画素毎にラベルが振られ、結節の領域objのラベルが振られた画素の座標情報が病変の領域情報として得られる。このように合成された強調画像をグラフカットすることでより高精細にGGOの領域情報を得ることができる効果を有する。

（識別部２３０の学習）
ここでは、識別部２３０の学習やグラフカットのパラメータの学習のプロセスについて説明する。学習は結節中心を通るAxial、Sagittal、Coronal の３断面のデータのみを使用する。

以下、識別部２３０の学習の手順について説明する。まず、ＧＧＯ結節の正解領域（３断面）に対して、特徴量抽出部２２０で抽出したテクスチャ特徴量を得る。ここで、特徴量は隣接スライス情報を用いて３次元で測定されたものである。次に、測定したデータをMadaBoostやグラフカットの学習に利用する。例えば、MadaBoostについては、学習データに対する損失を最小化するように学習する。また、グラフカットについては、λやσのパラメータをある範囲で変化させ、学習データに対して最も性能が良くなるパラメータを採用する。なお、今回は，Pure GGOとMixed GGO、Solid noduleのそれぞれのグループに分けてパラメータ決定を行って専用の処理を構築する。すなわち，グループ間では，入力となるブースティング出力を変えて，それぞれに対して最適なグラフカットパラメータを決定する。

以上説明したように本発明によれば、淡い陰影（例えばすりガラス状の陰影）を有する病変を精度よく抽出する仕組みを提供することができる。
[その他の実施形態]
また、本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施形態の機能を実現するソフトウェア（プログラム）を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータ（またはＣＰＵやＭＰＵ等）がプログラムを読み出して実行する処理である。

Claims

画像から所定の形状の注目領域を抽出する注目領域抽出手段と、
前記注目領域抽出手段によって抽出された注目領域に含まれる画素の内、第一の閾値未満かつ第二の閾値以上の画素値を有する画像領域であるすりガラス状の陰影の候補領域の画素値を所定の画素値の範囲に変更する変更手段と、
前記変更手段で画素値の範囲が変更されたすりガラス状の陰影の候補領域の画素毎に第一の特徴量を計算し、前記画素毎に計算された第一の特徴量から各画素値を計算することで第一の新たな画像を生成する第一の生成手段と、
前記注目領域に含まれる画素の内、前記第一の閾値以上の画素値を有する画像領域である高画素値領域の画素毎に第二の特徴量を計算し、前記画素毎に計算された第二の特徴量から各画素値を計算することで第二の新たな画像を生成する第二の生成手段と、
前記第一の生成手段によって生成された前記第一の新たな画像と前記第二の生成手段によって生成された前記第二の新たな画像から合成画像を生成する合成画像生成手段と、
前記合成画像生成手段によって生成された合成画像に基づいて前記画像からすりガラス状の陰影の領域を抽出する抽出手段と、
を備えることを特徴とする画像処理装置。
前記変更手段によって用いられる前記第一の閾値は、前記注目領域の中心付近に位置する複数の画素の画素値から計算されることを特徴とする請求項１に記載の画像処理装置。
前記変更手段によって用いられる前記第二の閾値は、前記注目領域の辺縁付近に位置する複数の画素の画素値から計算されることを特徴とする請求項１または請求項２に記載の画像処理装置。
前記変更手段は、前記第一の閾値と前記第二の閾値との差を用いて、前記すりガラス状の陰影の候補領域の画素値を前記所定の画素値の範囲に変更することを特徴とする請求項１乃至３のいずれか１項に記載の画像処理装置。
画像処理装置の画像処理方法であって、
前記画像処理装置のプロセッサが、画像から所定の形状の注目領域を抽出する注目領域抽出工程と、
前記画像処理装置のプロセッサが、前記注目領域抽出工程で抽出された注目領域に含まれる画素の内、第一の閾値未満かつ第二の閾値以上の画素値を有する画像領域であるすりガラス状の陰影の候補領域の画素値を所定の画素値の範囲に変更する変更工程と、
前記画像処理装置のプロセッサが、前記変更工程で画素値の範囲が変更されたすりガラス状の陰影の候補領域の画素毎に第一の特徴量を計算し、前記画素毎に計算された第一の特徴量から各画素値を計算することで第一の新たな画像を生成する第一の生成工程と、
前記画像処理装置のプロセッサが、前記注目領域に含まれる画素の内、前記第一の閾値以上の画素値を有する画像領域である高画素値領域の画素毎に第二の特徴量を計算し、前記画素毎に計算された第二の特徴量から各画素値を計算することで第二の新たな画像を生成する第二の生成工程と、
前記画像処理装置のプロセッサが、前記第一の生成工程で生成された前記第一の新たな画像と前記第二の生成工程で生成された前記第二の新たな画像から合成画像を生成する合成画像生成工程と、
前記画像処理装置のプロセッサが、前記合成画像生成工程で生成された合成画像に基づいて前記画像からすりガラス状の陰影の領域を抽出する抽出工程と、
を有することを特徴とする画像処理方法。
コンピュータに、請求項５に記載の画像処理方法を実行させるためのプログラム。