JP6552613B2 - 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム - Google Patents

Description

本発明は、生体の管腔内を撮像した画像に対して画像処理を行う画像処理装置、画像処理方法、及び画像処理プログラムに関する。

内視鏡やカプセル型内視鏡等の医用観察装置を用いて生体の管腔内（消化管内）を撮像した画像である管腔内画像に対し、腫瘍や病変等の異常領域を検出或いは識別する技術が知られている。

例えば特許文献１には、画像全体の特徴を示す全体特徴量に基づき、画像の属するカテゴリーを識別する全体識別器と、画像内の部分的な特徴を示す部分特徴量に基づき、画像の属するカテゴリーを識別する部分識別器とを備えるカテゴリー識別装置が開示されている。

上記特許文献１において、全体識別器は、入力画像の全体の色分散及び色平均等を特徴量として用いたサポートベクターマシンにより、入力画像のシーンを識別する。一方、部分識別器は、入力画像内のある領域の色分散及び色平均等を特徴量とするサポートベクターマシンにより、入力画像のシーンを識別する。そして、全体識別器及び部分識別器がシーンを識別できなかった画像について、統合識別器が、全体識別器及び部分識別器それぞれの識別結果に基づいて、最終的な識別結果を求める。

特開２００８−２３４６２３号公報

上記特許文献１においては、予め定められた種類の特徴量や識別器を単独で用いて識別結果を取得している。そのため、上記特許文献１の技術を管腔内画像に適用して、異常領域等の特定領域を検出しようとすると、検出対象とする領域の種類や状態、具体的には病変等の異常の種類や状態によっては、識別を行うことが困難となり、識別精度が低下してしまうという問題がある。

本発明は、上記に鑑みて為されたものであって、検出する領域の種類や状態等に応じた適切な特徴量や識別器を用いて、精度良く特定領域を識別することができる画像処理装置、画像処理方法、及び画像処理プログラムの提供を目的とする。

上述した課題を解決し、目的を達成するために、本発明に係る画像処理装置は、生体の管腔内を撮像した画像から、該管腔内の特定の部位が写った領域である特定領域の候補領域を検出する候補領域検出部と、前記候補領域検出部が検出した前記候補領域に関する情報を取得する候補領域情報取得部と、前記候補領域に関する情報をもとに、当該候補領域が前記特定領域であるか否かを識別するための識別手法を決定する識別手法決定部と、前記識別手法決定部が決定した識別手法を用いて、前記候補領域が前記特定領域であるか否かを識別する識別部と、を備えることを特徴とする。

本発明に係る画像処理方法は、生体の管腔内を撮像した画像から、該管腔内の特定の部位が写った領域である特定領域の候補領域を検出する候補領域検出ステップと、前記候補領域検出ステップにおいて検出された前記候補領域に関する情報を取得する候補領域情報取得ステップと、前記候補領域に関する情報をもとに、当該候補領域が前記特定領域であるか否かを識別するための識別手法を決定する識別手法決定ステップと、前記識別手法決定ステップにおいて決定された識別手法を用いて、前記候補領域が前記特定領域であるか否かを識別する識別ステップと、を含むことを特徴とする。

本発明に係る画像処理プログラムは、生体の管腔内を撮像した画像から、該管腔内の特定の部位が写った領域である特定領域の候補領域を検出する候補領域検出ステップと、前記候補領域検出ステップにおいて検出された前記候補領域に関する情報を取得する候補領域情報取得ステップと、前記候補領域に関する情報をもとに、当該候補領域が前記特定領域であるか否かを識別するための識別手法を決定する識別手法決定ステップと、前記識別手法決定ステップにおいて決定された識別手法を用いて、前記候補領域が前記特定領域であるか否かを識別する識別ステップと、をコンピュータに実行させることを特徴とする。

本発明によれば、管腔内画像から特定領域の候補領域を検出し、該候補領域に関する情報に基づいて決定された識別手法に基づいて、当該候補領域が特定領域であるか否かを識別するので、候補領域の特性に応じた適切な特徴量や識別器を用いて、精度の良い識別を行うことが可能となる。

図１は、本発明の実施の形態１に係る画像処理装置の構成を示すブロック図である。 図２は、図１に示す画像処理装置の動作を示すフローチャートである。 図３は、図２に示す異常候補領域を検出する処理を示すフローチャートである。 図４は、図２に示す異常候補領域に関する情報の取得処理を示すフローチャートである。 図５は、図２に示す異常候補領域に関する情報に基づいて識別手法を決定する処理を示すフローチャートである。 図６は、本発明の実施の形態１の本変形例１に係る画像処理装置が備える演算部の構成を示すブロック図である。 図７は、本発明の実施の形態２に係る画像処理装置が備える演算部の構成を示すブロック図である。 図８は、本発明の実施の形態２に係る画像処理装置の動作を示すフローチャートである。 図９は、図８に示す複数の識別器の選択処理を示すフローチャートである。 図１０は、図９に示す複数の識別器の選択処理を説明するための模式図である。 図１１は、図８に示す選択された複数の識別器の統合方法の決定処理を示すフローチャートである。 図１２は、図８に示す決定された識別手法による異常候補領域の識別処理を示すフローチャートである。 図１３は、図１２に示す複数の識別結果を統合する処理を説明するための模式図である。 図１４は、本発明の実施の形態３に係る画像処理装置が備える演算部の構成を示すブロック図である。 図１５は、線形識別関数の分類を説明するための模式図である。 図１６は、本発明の実施の形態３に係る画像処理装置の動作を示すフローチャートである。 図１７は、図１６に示す異常候補領域に関する情報の取得処理を示すフローチャートである。 図１８は、図１６に示す識別手法を選択する処理を示すフローチャートである。

以下、本発明の実施の形態に係る画像処理装置、画像処理方法、及び画像処理プログラムについて、図面を参照しながら説明する。なお、これら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）
図１は、本発明の実施の形態１に係る画像処理装置の構成を示すブロック図である。本実施の形態１に係る画像処理装置１は、内視鏡等の医用観察装置により生体の管腔内を撮像することによって取得された画像、即ち管腔内画像に対して画像処理を行うことにより、管腔内の特定の部位が写った領域である特定領域を管腔内画像から検出する装置である。本実施の形態１においては、特定領域として、出血、発赤、凝固血、腫瘍、びらん、潰瘍、アフタ、絨毛異常等、病変又は異常とみられる部位が写った領域、即ち異常領域を検出する。これらの異常は、出血、発赤、凝固血等の血管性異常、ポリープ等の腫瘍性異常、びらん、潰瘍、アフタ、絨毛異常等の粘膜性異常の３種類に大別することができる。また、管腔内画像は、通常、各画素位置においてＲ（赤）、Ｇ（緑）、Ｂ（青）の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。

図１に示すように、画像処理装置１は、該画像処理装置１全体の動作を制御する制御部１０と、医用観察装置が管腔内を撮像して生成した画像データを取得する画像取得部２０と、外部からの操作に応じた信号を制御部１０に入力する入力部３０と、各種情報や画像の表示を行う表示部４０と、画像取得部２０によって取得された画像データや種々のプログラムを格納する記憶部５０と、画像データに対して所定の画像処理を実行する演算部１００とを備える。

制御部１０は、ＣＰＵ（Central Processing Unit）等の汎用プロセッサやＡＳＩＣ（Application Specific Integrated Circuit）等の特定の機能を実行する各種演算回路等の専用プロセッサを用いて構成される。制御部１０が汎用プロセッサである場合、記憶部５０が記憶する各種プログラムを読み込むことによって画像処理装置１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１全体の動作を統括して制御する。また、制御部１０が専用プロセッサである場合、プロセッサが単独で種々の処理を実行しても良いし、記憶部５０が記憶する各種データ等を用いることで、プロセッサと記憶部５０が協働又は結合して種々の処理を実行してもよい。

画像取得部２０は、医用観察装置を含むシステムの態様に応じて適宜構成される。例えば、医用観察装置を画像処理装置１に接続する場合、画像取得部２０は、医用観察装置において生成された画像データを取り込むインタフェースによって構成される。また、医用観察装置によって生成された画像データを保存しておくサーバを設置する場合、画像取得部２０は、サーバと接続される通信装置等で構成され、サーバとデータ通信を行って画像データを取得する。或いは、医用観察装置によって生成された画像データを、可搬型の記憶媒体を用いて受け渡ししても良く、この場合、画像取得部２０は、可搬型の記憶媒体を着脱自在に装着し、記憶された画像の画像データを読み出すリーダ装置によって構成される。

入力部３０は、例えばキーボードやマウス、タッチパネル、各種スイッチ等の入力デバイスによって実現され、これらの入力デバイスに対する外部からの操作に応じて発生させた入力信号を制御部１０に出力する。

表示部４０は、ＬＣＤやＥＬディスプレイ等の表示装置によって実現され、制御部１０の制御の下で、管腔内画像を含む各種画面を表示する。

記憶部５０は、更新記録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、内蔵若しくはデータ通信端子で接続されたハードディスク若しくはＣＤ−ＲＯＭ等の情報記憶装置及び該情報記憶装置に対する情報の書込読取装置等によって実現される。記憶部５０は、画像取得部２０によって取得された管腔内画像の画像データの他、画像処理装置１を動作させると共に、種々の機能を画像処理装置１に実行させ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を格納する。具体的には、記憶部５０は、管腔内画像から異常領域を検出する画像処理プログラムを格納するプログラム記憶部５１を有する。また、記憶部５０は、該画像処理において用いられる識別基準等の情報を格納する。

演算部１００は、ＣＰＵ等の汎用プロセッサやＡＳＩＣ等の特定の機能を実行する各種演算回路等の専用プロセッサを用いて構成される。演算部１００が汎用プロセッサである場合、プログラム記憶部５１が記憶する画像処理プログラムを読み込むことにより、取得した管腔内画像から異常領域を検出する画像処理を実行する。また、演算部１００が専用プロセッサである場合、プロセッサが単独で種々の処理を実行してもよいし、記憶部５０が記憶する各種データ等を用いることで、プロセッサと記憶部５０が協働又は結合して画像処理を実行してもよい。

次に、演算部１００の構成について説明する。図１に示すように、演算部１００は、管腔内画像から異常領域の候補領域（以下、異常候補領域という）を検出する候補領域検出部としての異常候補検出部１１０と、異常候補検出部１１０が検出した異常候補領域に関する情報を取得する候補領域情報取得部としての異常候補情報取得部１２０と、異常候補領域に関する情報をもとに、当該異常候補領域が異常領域であるか否かを識別するための識別手法を決定する識別手法決定部１３０と、識別手法決定部１３０が決定した識別手法を用いて、異常候補領域が異常領域であるか否かを識別する識別部１４０とを備える。

異常候補検出部１１０は、管腔内画像を複数の領域に分割し、分割された領域ごとに色特徴量、形状特徴量、及びテクスチャ特徴量を算出し、事前に学習した異常モデルとこれらの特徴量との一致度を求めることにより、各領域が異常候補領域であるか否かを判定する。

異常候補情報取得部１２０は、異常候補領域に関する情報を取得する。本実施の形態１において、異常候補情報取得部１２０は、異常候補種類推定部１２１を備え、異常候補領域に関する情報として、異常候補領域が属すると推定される異常の種類、即ち、出血、発赤、凝固血等の血管性異常と、ポリープ等の腫瘍性異常と、びらん、潰瘍、アフタ、絨毛異常等の粘膜性異常とのいずれかを取得する。

識別手法決定部１３０は、異常候補領域に関する情報に基づいて、当該異常候補領域の識別に用いる識別手法を決定する。本実施の形態１において、識別手法決定部１３０は識別器選択部１３１を備える。

ここで、異常領域の識別手法としては、上述した異常の種類に応じて識別精度が異なる複数の識別器が存在する。例えば、出血、発赤、凝固血等の血管性異常は、正常な粘膜表面に対して色の違いが大きい。そのため、血管性異常を識別する際には、色比、色相、彩度等の色特徴量に基づいて識別を行う色特徴量識別器を用いると、高精度な識別を行うことができる。また、ポリープ等の腫瘍性異常は、正常な粘膜表面の構造に対して円形状に膨らんでいるといった形状の違いが大きい。そのため、腫瘍性異常を識別する際には、円形度、面積、フェレ径等の形状特徴量に基づいて識別を行う形状特徴量識別器を用いると、高精度な識別を行うことができる。びらん、潰瘍、アフタ、絨毛異常等の粘膜性異常は、正常な粘膜表面に対して、赤みや白みといった炎症に応じた色変化を伴いつつ、表面構造の変化も生じる。そのため、粘膜性異常を識別する際には、色特徴量識別器と共に、Local Binary Pattern（ＬＢＰ）やDifference of Gaussian（ＤｏＧ）等により算出される高周波成分の強度等のテクスチャ特徴量に基づいて識別を行うテクスチャ特徴量識別器を用いると、高精度な識別を行うことができる。

識別器選択部１３１は、異常候補領域が血管性異常、腫瘍性異常、及び粘膜性異常のいずれに属するかの情報を取得し、異常候補領域が属する異常の種類に応じた識別器を選択する。

識別部１４０は、識別手法決定部１３０が決定した識別手法、即ち、色特徴量識別器、形状特徴量識別器、及び色特徴量識別器とテクスチャ特徴量識別器との組み合わせのうちのいずれかを用いて、異常候補領域が異常領域であるか否かを識別する。

次に、画像処理装置１の動作を説明する。図２は、処理対象の管腔内画像に対する画像処理装置１の処理を示すフローチャートである。

まず、ステップＳ１０において、画像処理装置１は、画像取得部２０を介して管腔内画像を取得する。本実施の形態１においては、内視鏡によりＲ、Ｇ、Ｂの各波長成分を含む照明光（白色光）を管腔内に照射して撮像を行うことにより生成され、各画素位置においてこれらの波長成分に対応する画素値（Ｒ値、Ｇ値、Ｂ値）を有する管腔内画像が取得される。

続くステップＳ１１において、異常候補検出部１１０は、管腔内画像から異常候補領域を検出する。図３は、異常候補領域を検出する処理を示すフローチャートである。

ステップＳ１１１において、異常候補検出部１１０は、管腔内画像に対して領域分割を行う（参考：ＣＧ−ＡＲＴ協会、「ディジタル画像処理」第２版、第１９６頁）。詳細には、近接類似画素の統合による領域分割処理を行う。即ち、ラスタスキャンにより画素を探索し、注目画素に対して画素値が同じ近傍画素に注目画素と同じラベルを付ける作業を画像全体に対して行った後、同じラベルをもつ画素の画素値の平均値を求める処理と、近接する画素の集合の中で画素値の平均値の差が最小となる集合同士を統合するという処理とを繰り返す。それにより、管腔内画像を、画素値が近接する画素同士の集合からなる複数の領域に分割することができる。なお、近接類似画素の統合以外にも公知の種々の手法により領域分割を行っても良い。

続くステップＳ１１２において、異常候補検出部１１０は、管腔内画像を分割した各領域に対し、領域内の色特徴量、形状特徴量、及びテクスチャ特徴量を求める。色特徴量としては、各画素の画素値（Ｒ値、Ｇ値、Ｂ値）をもとに、色比Ｇ／Ｒ及びＢ／Ｇ値の平均値を算出する。或いは、色比の代わりに、ＲＧＢ値そのもの、ＲＧＢ値の分散値、彩度、色相、色差等を用いても良いし、平均値の代わりに中央値や最頻値等の統計値を用いても良い。

また、形状特徴量としては、領域の円形度、フェレ径、及び面積を算出する（参考：ＣＧ−ＡＲＴＳ協会、「ディジタル画像処理」第２版、第１８２〜１８３頁）。円形度は、領域の面積をＳ、周囲長をＬとすると、４πＳ／Ｌ²によって与えられ、値が１に近づくほど形状が真円に近づくことを示す。なお、面積Ｓは処理対象の領域に含まれる画素の総数として与えられる。また、周囲長Ｌは処理対象の領域に対する８連結の輪郭追跡によって求めることができる（ＣＧ−ＡＲＴＳ協会、「ディジタル画像処理」第２版、第１７８〜１７９頁）。即ち、ラベリングされた画素を基点に周囲の画素を探索して次のラベリング画素に移動するという追跡処理を繰り返す。上下左右の画素の追跡移動した数をＣ₁、斜めに追跡移動した数をＣ₂としたとき、周囲長Ｌは（Ｃ₁＋√２×Ｃ₂）によって与えられる。

フェレ径は、水平フェレ径及び垂直フェレ径の２種の値が用いられる。また、面積は、上述したように、領域に含まれる画素の総数である。この他、形状特徴量として、ＨＯＧ特徴量（Histogram of Oriented Gradients）やＳＩＦＴ特徴量（Scale Invariant Feature Transform）等を用いても良い。

テクスチャ特徴量としては、例えば、公知技術であるLocal Binary Pattern（ＬＢＰ）が用いられる（参考：野坂龍佑、他、「Local Binary Patternの隣接関係に基づく照明変動に頑健な特徴抽出」より「２．ＬＢＰヒストグラム」、電子情報通信学会技術研究報告、パターン認識・メディア理解、ＰＲＭＵ２０１１−６９、第７５〜８０頁（２０１１年９月５〜６日））。ＬＢＰは、注目画素とその周囲８方向の画素との画素値の大小関係を、２の８乗である２５６次元のヒストグラムで表した特徴量である。ＬＢＰを本実施の形態１に適用する場合、領域内の各画素と周囲８方向の画素との画素値の大小関係をヒストグラムで表し、これを加算した値をテクスチャ特徴量として用いる。

或いは、領域内を特定周波数成分画像に変換し、特定周波数成分の強度の平均値をテクスチャ特徴量として用いても良い。特定周波数成分画像に変換する方法としては、例えば公知の技術であるDifference of Gaussian（ＤｏＧ）を用いることができる（参考：アドコム・メディア株式会社、「コンピュータビジョン最先端ガイド２」、第７〜１２頁）。

また、テクスチャ特徴量として、共起行列の角度別２次モーメント（Angular Second Moment）、コントラスト（Contrast）、エントロピー（Entropy）（参考：東京大学出版会、「画像解析ハンドブック」、第５１７〜５２１頁）等を用いても良い。

続くステップＳ１１３において、異常候補検出部１１０は、事前の学習により取得した異常モデルに基づいて異常候補領域を検出する。詳細には、ステップＳ１１２において求めた色特徴量、形状特徴量、及びテクスチャ特徴量の各々をベクトルとして扱い、各ベクトル列を結合し、領域ごとに特徴ベクトルを作成する。このとき、正規化を行い、必要に応じて各ベクトルに重み付けする。そして、事前に作成した異常の識別関数を用いて判定を行う。

具体的には、次式（１）によって与えられる確率モデルに基づく判定指標Ｐ（ｘ）を算出する。

判定指標Ｐ（ｘ）は、異常候補領域の特徴ベクトルが異常領域の特徴ベクトルらしいか否かを示す指標である。判定指標Ｐ（ｘ）の値が大きいほど、異常候補領域は異常領域らしいと言える。つまり、判定指標Ｐ（ｘ）は、異常候補領域と異常領域との一致度を表す。また、式（１）に示す記号ｘは、判定対象の異常候補領域の特徴ベクトル（ｋ行１列）を示す。また、記号μは、事前に取得された複数の異常領域のサンプルにおける特徴ベクトルの平均ベクトル（ｋ行１列）である。記号Ｚは、事前に取得された異常領域の複数のサンプルにおける特徴ベクトルの分散共分散行列（ｋ行ｋ列）である。記号｜Ｚ｜はこの行列Ｚの行列式であり、記号Ｚ^-1は、行列Ｚの逆行列である。

式（１）を用いて異常候補領域の異常領域らしさを表す判定指標Ｐ（ｘ）を算出し、この判定指標が閾値以上である場合に、当該領域を異常候補領域として検出する。その後、処理はメインルーチンに戻る。

ステップＳ１１に続くステップＳ１２において、異常候補情報取得部１２０は、異常候補領域に関する情報を取得する。具体的には、異常候補種類推定部１２１が、異常候補領域が属すると推定される異常の種類、即ち、血管性異常と腫瘍性異常と粘膜性異常とのうちのいずれかを取得する。

図４は、異常候補領域に関する情報の取得処理を示すフローチャートである。ステップＳ１２１において、異常候補種類推定部１２１は、異常候補領域をラベリングする（参考：ＣＧ−ＡＲＴ協会、「ディジタル画像処理」第２版、第１８１〜１８２頁）。即ち、同じ連結成分を有する異常候補領域に同じラベルを付け、異なる連結成分を有する異常候補領域に異なるラベルを付ける処理を行う。

続くステップＳ１２２において、異常候補種類推定部１２１は、ラベリングされた領域ごとに色特徴量、形状特徴量、及びテクスチャ特徴量を求める。具体的には、ステップＳ１１２と同様に、色特徴量として色比の平均値等を算出し、形状特徴量として領域の円形度、フェレ径、及び面積等を算出し、テクスチャ特徴量としてＬＢＰ等を算出する。

続くステップＳ１２３において、異常候補種類推定部１２１は、事前の学習により取得した各種の異常モデルとの一致度を求める。詳細には、ラベリングされた領域ごとに、ステップＳ１２２において求めた色特徴量、形状特徴量、及びテクスチャ特徴量を統合して特徴ベクトルを作成する。このとき、正規化を行い、必要に応じて各ベクトルに重み付けする。

そして、式（１）に示す判定指標Ｐ（ｘ）に対し、ラベリングされた各領域の特徴ベクトルと、事前に取得された出血、発赤、凝固血等の血管性異常の複数のサンプルの特徴ベクトルとを適用することにより、血管性異常の判定指標Ｐ（ｘ）_血管を算出する。同様に、事前に取得されたポリープ等の腫瘍性異常の複数のサンプルの特徴ベクトルを式（１）の判定指標Ｐ（ｘ）に適用することにより、腫瘍性異常の判定指標Ｐ（ｘ）_腫瘍を算出する。式（１）に示す判定指標Ｐ（ｘ）に対し、同様に事前に取得されたびらん、潰瘍、アフタ、絨毛異常等の粘膜性異常の複数のサンプルの特徴ベクトルを式（１）の判定指標Ｐ（ｘ）に適用することにより、粘膜性異常の判定指標Ｐ（ｘ）_粘膜を算出する。これらの判定指標Ｐ（ｘ）_血管、Ｐ（ｘ）_腫瘍、Ｐ（ｘ）_粘膜の値が、ラベリングされた各領域の各種異常モデルとの一致度を表す。

続くステップＳ１２４において、異常候補種類推定部１２１は、一致度が最も高い異常モデルの種類を判定する。即ち、ステップＳ１２３において算出した判定指標Ｐ（ｘ）_血管、Ｐ（ｘ）_腫瘍、Ｐ（ｘ）_粘膜の値が最も大きい異常を、異常候補領域の種類として推定する。

続くステップＳ１２５において、異常候補種類推定部１２１は、異常候補領域の種類を示すラベルを異常候補領域内の各画素に付加する。その後、処理はメインルーチンに戻る。

ステップＳ１２に続くステップＳ１３において、識別手法決定部１３０は、ステップＳ１２において取得された異常候補領域に関する情報、即ち、異常候補領域に対して推定された異常の種類に基づいて識別手法を決定する。詳細には、識別器選択部１３１が、異常候補領域の異常の種類に応じて識別器を選択する。

図５は、異常候補領域に関する情報に基づいて識別手法を決定する処理を示すフローチャートである。ステップＳ１３１において、識別器選択部１３１は、異常候補領域に関する情報、即ち、異常の種類を異常候補情報取得部１２０から取得する。

続くステップＳ１３２〜Ｓ１３６において、識別器選択部１３１は、異常候補領域に関する情報に基づいて識別器を選択する。

詳細にはまず、ステップＳ１３２において、識別器選択部１３１は、異常候補領域に対して推定された異常の種類が血管性異常であるか否かを判定する。血管性異常である場合（ステップＳ１３２：Ｙｅｓ）、識別器選択部１３１は、色特徴量識別器を選択する（ステップＳ１３３）。出血等の血管性異常領域は、正常な粘膜領域の表面に対して特に色の違いが大きいため、色特徴量を用いることにより精度の高い識別が可能になるからである。具体的には、異常候補領域における色比の強度、色相、彩度等の色特徴量に基づいて識別を行う色特徴量識別器を選択する。その後、処理はメインルーチンに戻る。

一方、異常の種類が血管性異常でない場合（ステップＳ１３２：Ｎｏ）、識別器選択部１３１は、異常の種類が腫瘍性異常であるか否かを判定する（ステップＳ１３４）。腫瘍性異常である場合（ステップＳ１３４：Ｙｅｓ）、識別器選択部１３１は、形状特徴量識別器を選択する（ステップＳ１３５）。ポリープ等の腫瘍性異常領域は円形状に膨らむというように、正常な粘膜領域の表面構造に対して特に形状の違いが大きいため、形状特徴量を用いることにより精度の高い識別が可能になるからである。具体的には、異常候補領域の円形度、面積、フェレ径等の形状特徴量に基づいて識別を行う形状特徴量識別器を選択する。その後、処理はメインルーチンに戻る。

一方、異常の種類が腫瘍性異常でない場合（ステップＳ１３４：Ｎｏ）、識別器選択部１３１は、異常の種類が粘膜性異常であると判断して、色特徴量識別器及びテクスチャ特徴量識別器を選択する（ステップＳ１３６）。びらんや潰瘍等の粘膜性異常領域は、正常な粘膜領域の表面に対し、赤みや白みといった炎症に基づく色変化を伴いつつ、表面構造も変化するため、色特徴量と共にテクスチャ特徴量を用いることにより精度の高い識別が可能になるからである。具体的には、上述した色特徴量識別器を選択すると共に、ＬＢＰやＤｏＧにより算出された高周波数成分強度等のテクスチャ特徴量に基づいて識別を行うテクスチャ特徴量識別器を選択する。その後、処理はメインルーチンに戻る。

ステップＳ１３に続くステップＳ１４において、識別部１４０は、ステップＳ１３において決定された識別手法（識別器）により異常候補領域の識別を行う。この際、各識別器において用いられる識別境界は、サポートベクターマシン（ＳＶＭ）等の公知の手法により予め作成しておく。それにより、異常候補領域が異常領域であるか否かが識別される。

続くステップＳ１５において、演算部１００は、ステップＳ１４において取得された識別結果を出力する。具体的には、異常候補領域が異常領域であると識別された管腔内画像に対して、異常領域が検出された旨を示すフラグを付加する。併せて、異常領域の種類（血管性異常、腫瘍性異常、粘膜性異常）を示すフラグを当該管腔内画像に付加しても良い。その後、当該管腔内画像に対する処理は終了する。

以上説明したように、本発明の実施の形態１においては、管腔内画像から異常候補領域を検出すると共に、当該異常候補領域に関する情報として、推定される異常の種類を取得し、異常の種類に応じた識別器を選択して用いることにより、異常候補領域が異常領域であるか否かを識別する。それにより、異常であるか否かの識別にあまり関係のない特徴量の影響を排除し、精度の高い識別を行うことが可能となる。また、適切な識別器を選択することにより、識別処理を高速化することも可能になる。

（変形例１）
次に、本発明の実施の形態１の変形例１について説明する。図６は、本変形例１に係る画像処理装置が備える演算部の構成を示すブロック図である。図６に示すように、本変形例１に係る画像処理装置は、図１に示す演算部１００の代わりに演算部１５０を備える。この演算部１５０は、図１に示す異常候補情報取得部１２０及び識別手法決定部１３０の代わりに、異常候補情報取得部１６０及び識別手法決定部１７０を備える。演算部１５０以外の画像処理装置の各部の構成及び動作、並びに、異常候補情報取得部１６０及び識別手法決定部１７０以外の演算部１５０の構成及び動作は、実施の形態１と同様である。

異常候補情報取得部１６０は、異常候補領域が属すると推定される異常の種類を判定する異常候補種類推定部１２１と、処理対象の管腔内画像が撮像された臓器の種類を判別する臓器判別部１６１とを備え、異常候補種類推定部１２１による異常の種類の推定結果と、臓器判別部１６１による臓器の種類の判別結果とを異常候補領域に関する情報として取得する。異常候補種類推定部１２１の動作は実施の形態１と同様である。

臓器判別部１６１による臓器の種類の判別処理には、公知の種々の技術を適用することができる。一例として、胃、小腸、大腸等の各臓器はそれぞれ特有の色みやテクスチャを有するため、色特徴量やテクスチャ特徴量に基づいてこれらの臓器を判別することができる。具体的には、胃の粘膜は比較的赤みが強い、小腸の粘膜は比較的黄みが強いと共に絨毛の襞の模様が観察される、大腸の粘膜は比較的白みが強い一方、残渣も観察される、といった特徴がある。そこで、管腔内画像全体、或いは、管腔内画像のうちの異常候補領域以外の領域の色特徴量及びテクスチャ特徴量を算出し、事前の学習により取得した臓器モデルとの一致度を求めることにより、臓器の種類を判別することができる。具体的には、上述した式（１）によって与えられる判定指標Ｐ（ｘ）に対し、事前に取得された各臓器の色特徴量及びテクスチャ特徴量に基づく特徴ベクトルを適用することにより、各臓器の判定指標、具体的には胃の判定指標Ｐ（ｘ）_胃、小腸の判定指標Ｐ（ｘ）_小腸、及び大腸の判定指標Ｐ（ｘ）_大腸を算出し、これらの判定指標の値が最も大きい臓器を、当該管腔内画像が撮像された臓器として判別する。

識別手法決定部１７０は、異常候補領域に対して推定された異常の種類と、管腔内画像が撮像された臓器とに基づいて識別器を選択する識別器選択部１７１を備える。ここで、消化管内に発生する異常の中は、臓器の種類に応じて発生し易さが異なるものがある。例えば、胃においては、びらんや潰瘍が主要な異常となる。この場合、色特徴量及びテクスチャ特徴量に対する識別精度を高くすることが好ましい。また、小腸においては出血が主要な異常となる。この場合、色特徴量に対する識別精度を高くすることが好ましい。大腸においては、ポリープ等の腫瘍が主要な異常となる。この場合、形状特徴量に対する識別精度を高くすることが好ましい。

そこで、識別器選択部１７１は、異常の種類及び臓器の種類に基づいて識別器を選択する。選択方法の一例として、異常の種類に応じて選択された識別器と臓器の種類に応じて選択された判別器とを単純に組み合わせる方法が挙げられる。例えば、判定指標Ｐ（ｘ）_血管、Ｐ（ｘ）_腫瘍、Ｐ（ｘ）_粘膜の間では判定指標Ｐ（ｘ）_血管が最も高く、臓器の判定指標Ｐ（ｘ）_胃、Ｐ（ｘ）_小腸、Ｐ（ｘ）_大腸の間では判定指標Ｐ（ｘ）_胃が最も高い場合、異常の種類に基づき、血管性異常に対して高い識別精度を有する色特徴量識別器が選択され、臓器の種類の種類に基づき、胃において主に発生するびらんや潰瘍に対して高い識別精度を有する色特徴量識別器及びテクスチャ特徴量識別器が選択される。従って、これらの識別器の組み合わせ（論理和）として、色特徴量識別器及びテクスチャ特徴量識別器が選択される。

（実施の形態２）
次に、本発明の実施の形態２について説明する。図７は、本発明の実施の形態２に係る画像処理装置が備える演算部の構成を示すブロック図である。図７に示すように、本実施の形態２に係る画像処理装置は、図１に示す演算部１００の代わりに演算部２００を備える。この演算部２００は、図１に示す識別手法決定部１３０及び識別部１４０の代わりに、識別手法決定部２１０及び識別部２２０を備える。演算部２００以外の画像処理装置の各部の構成及び動作は、並びに、識別手法決定部２１０及び識別部２２０以外の演算部２００の構成及び動作は、実施の形態１と同様である。

識別手法決定部２１０は、１つの異常候補領域の識別に際して複数の識別器を選択する識別器選択部２１１と、識別器選択部２１１が選択した複数の識別器を統合する際の処理を決定する統合処理決定部２１２とを備える。統合処理決定部２１２は、選択された複数の識別器による識別結果を統合する際に用いられる重みを決定する統合重み決定部２１２ａを備える。

識別部２２０は、識別器選択部２１１が選択した複数の識別器による複数の識別結果を統合する識別結果統合部２２１を備え、統合された識別結果を当該異常候補領域の最終的な識別結果として出力する。

次に、本実施の形態２に係る画像処理装置の動作を説明する。図８は、本実施の形態２に係る画像処理装置の動作を示すフローチャートである。なお、図８のステップＳ１０〜Ｓ１２は、実施の形態１と同様である。また、本実施の形態２において用いられる色特徴量、形状特徴量、及びテクスチャ特徴量の具体例は、実施の形態１において説明したものと同様である。

ステップＳ１２に続くステップＳ２１において、識別手法決定部２１０は、ステップＳ１２において取得された異常候補領域に関する情報に基づき、複数の識別器を選択する。図９は、複数の識別器の選択処理を示すフローチャートである。また、図１０は、複数の識別器の選択処理を説明するための模式図である。

まず、ステップＳ２１１において、識別器選択部２１１は、異常候補情報取得部１２０から異常候補領域に関する情報を取得する。即ち、異常候補領域に対して推定された異常の種類を取得する。

続くステップＳ２１２〜Ｓ２１６において、識別器選択部２１１は、異常候補領域に関する情報に基づいて複数の識別器を選択する。

ここで、複数の識別器を組み合わせる手法としては、一例として、簡易な識別能力を持つ弱識別器の組み合わせにより識別器全体を構成する、バギング（bagging）やブースティング（boosting）等の公知の学習の手法が用いられる（参照：Ｃ．Ｍ．ビショップ著、「パターン認識と機械学習 下」、シュプリンガー・ジャパン株式会社、第３７３〜３７５頁）。なお、図１０においては、７つの識別器を組み合わせたパターンを示しているが、１つのパターンに含める識別器の総数は任意であり、７つに限定されない。例えば、入力部３０を介してユーザが識別器の総数を入力することにより、選択及び組み合わせがなされる識別器の数を設定することとしても良い。

詳細にはまず、ステップＳ２１２において、識別器選択部２１１は、異常候補領域に対して推定された異常の種類が血管性異常であるか否かを判定する。血管性異常である場合（ステップＳ２１２：Ｙｅｓ）、識別器選択部２１１は、色特徴量識別器を優先的に選択する（ステップＳ２１３）。

具体的には、色特徴量の種類が異なる色特徴量識別器を、形状特徴量識別器やテクスチャ特徴量識別器よりも多く選択する。図１０の（ａ）は、色特徴量識別器を優先的に選択した場合の複数の識別器の組み合わせパターンを示す模式図である。図１０の（ａ）においては、５種類の色特徴量識別器ｃ１〜ｃ５と、１種類の形状特徴量識別器ｆ１と、１種類のテクスチャ特徴量識別器ｔ１とを組み合わせた例を示している。

色特徴量識別器、形状特徴量識別器、及びテクスチャ特徴量識別器を選択する数の比率は、色特徴量識別器が多ければ特に限定されない。この比率は固定値としても良いし、変動値としても良い。一例として、異常候補領域の異常の種類を推定する際に算出された一致度（判定指標Ｐ（ｘ）_血管、Ｐ（ｘ）_腫瘍、Ｐ（ｘ）_粘膜）の比率に応じて、各種識別器の選択数の比率を決定しても良い。その後、処理はメインルーチンに戻る。

一方、異常の種類が血管性異常でない場合（ステップＳ２１２：Ｎｏ）、識別器選択部２１１は、異常の種類が腫瘍性異常であるか否かを判定する（ステップＳ２１４）。腫瘍性異常である場合（ステップＳ２１４：Ｙｅｓ）、識別器選択部２１１は、形状特徴量識別器を優先的に選択する（ステップＳ２１５）。各種の識別器を選択する数の比率は、形状特徴量識別器が多ければ特に限定されない。比率の決定方法については、血管性異常の場合と同様である。図１０の（ｂ）は、形状特徴量識別器を優先的に選択した場合の複数の識別器の組み合わせパターンを示す模式図である。図１０の（ｂ）においては、５種類の形状特徴量識別器ｆ１〜ｆ５と、１種類の色特徴量識別器ｃ１と、１種類のテクスチャ特徴量識別器ｔ１とを組み合わせた例を示している。その後、処理はメインルーチンに戻る。

一方、異常の種類が腫瘍性異常でない場合（ステップＳ２１４：Ｎｏ）、識別器選択部２１１は、異常の種類が粘膜性異常であると判断して、色特徴量識別器及びテクスチャ特徴量識別器を優先的に選択する（ステップＳ２１６）。各種の識別器を選択する数の比率は、色特徴量識別器及びテクスチャ特徴量識別器が多ければ特に限定されない。比率の決定方法については、血管性異常の場合と同様である。図１０の（ｃ）は、色特徴量識別器及びテクスチャ特徴量識別器を優先的に選択した場合の複数の識別器の組み合わせパターンを示す模式図である。図１０の（ｃ）においては、３種類の色特徴量識別器ｃ１〜ｄ３と、３種類のテクスチャ特徴量識別器ｔ１〜ｔ３と、１種類の形状特徴量識別器ｆ１とを組み合わせた例を示している。その後、処理はメインルーチンに戻る。

ステップＳ２１に続くステップＳ２２において、統合処理決定部２１２は、選択された複数の識別器の統合方法を決定する。図１１は、選択された複数の識別器の統合方法の決定処理を示すフローチャートである。

まず、ステップＳ２２１において、統合処理決定部２１２は、異常候補領域に関する情報を取得する。

続くステップＳ２２２〜Ｓ２２６において、統合重み決定部２１２ａは、異常候補領域に関する情報に基づいて、ステップＳ２１において選択された複数の識別器による識別結果に与える重みの比率を決定する。

ここで、ステップＳ２１において複数の識別器ｙ₁〜ｙ_m（ｍは選択された識別器の総数）が選択されたとすると、統合重み決定部２１２ａは、これらの識別器ｙ₁〜ｙ_mのそれぞれの識別結果である確度Ｐ₁〜Ｐ_mに与えられる重みｗ₁〜ｗ_mを、異常候補領域に対して推定された異常の種類に応じて変化するように決定する。なお、重みｗ₁〜ｗ_mは、総和が１となるように正規化される。

詳細にはまず、ステップＳ２２２において、統合重み決定部２１２ａは、異常候補領域に対して推定された異常の種類が血管性異常であるか否かを判定する。血管性異常である場合（ステップＳ２２２：Ｙｅｓ）、統合重み決定部２１２ａは、色特徴量識別器に与える重みの比率を高くする（ステップＳ２２３）。重みの比率は、色特徴量識別器に与えられる重みが高ければ特に限定されず、任意の値として良い。或いは、異常候補領域に関する情報（異常の種類）と重みの比率との関係を示すテーブルを予め作成しておき、このテーブルを参照することで重みの比率を決定しても良い。その後、処理はメインルーチンに戻る。

一方、異常の種類が血管性異常でない場合（ステップＳ２２２：Ｎｏ）、統合重み決定部２１２ａは、異常の種類が腫瘍性異常であるか否かを判定する（ステップＳ２２４）。腫瘍性異常である場合（ステップＳ２２４：Ｙｅｓ）、統合重み決定部２１２ａは、形状特徴量識別器に与える重みの比率を高くする（ステップＳ２２５）。重みの比率を高くする方法については、血管性異常の場合と同様である。その後、処理はメインルーチンに戻る。

一方、異常の種類が腫瘍性異常でない場合（ステップＳ２２４：Ｎｏ）、統合重み決定部２１２ａは、異常の種類が粘膜性異常であると判断して、色特徴量識別器及びテクスチャ特徴量識別器に与える重みの比率を高くする（ステップＳ２２６）。重みの比率を高くする方法については、血管性異常の場合と同様である。その後、処理はメインルーチンに戻る。

ステップＳ２２に続くステップＳ２３において、識別部２２０は、決定された識別手法により異常候補領域を識別する。図１２は、決定された識別手法による異常候補領域の識別処理を示すフローチャートである。また、図１３は、複数の識別結果を統合する処理を説明するための模式図である。

まず、ステップＳ２３１において、識別部２２０は、ステップＳ２１により選択された複数の識別器による識別演算を行う。具体的には、図１３に示すように、複数の識別器（例えば、色特徴量識別器ｃ１、ｃ２、…、形状特徴量識別器ｆ１、テクスチャ特徴量識別器ｔ１等）による識別演算を行い、識別結果として確度Ｐ₁〜Ｐ_mを取得する。

続くステップＳ２３２において、識別結果統合部２２１は、ステップＳ２３１において出力された複数の識別結果を、ステップＳ２２において決定された統合方法により統合する。即ち、次式（２）に示すように、複数の識別結果として取得した確度Ｐ₁〜Ｐ_mに対し、ステップＳ２２において決定した各識別器に与えられる重みｗ₁〜ｗ_mを用いた重み付け加算を行うことにより、統合された識別結果（確度Ｐ）を算出する。
Ｐ＝Ｐ₁×ｗ₁＋Ｐ₂×ｗ₂＋…＋Ｐ_m×ｗ_m …（２）

或いは、識別結果統合部２２１は、式（２）のような重み付け加算の代わりに、より複雑な重み付け演算を行っても良い。例えば、確度Ｐがある範囲内の場合には確度Ｐ₁〜Ｐ_mに対して重みｗ₁〜ｗ_mを単純に掛け合わせて加算するが、確度Ｐがある範囲を超えた場合には重みｗ₁〜ｗ_mに対して係数αを更に乗算した値を掛け合わせるというように、確度Ｐの値に応じて重みの与え方を変化させても良い。この場合、重み付け演算を行うための算出テーブルを予め作成しておき、この算出テーブルを参照することで演算を行っても良い。その後、処理はメインルーチンに戻る。

ステップＳ２３に続くステップＳ２４において、演算部２００は、ステップＳ２３において取得された識別結果を出力する。この出力処理は、実施の形態１と同様である。その後、当該管腔内画像に対する処理は終了する。

以上説明したように、本発明の実施の形態２によれば、異常候補領域に対して推定された異常の種類に応じて、該異常の種類の識別に適した特徴量識別器を優先的して複数の識別器を選択し、これらの識別器により得られた複数の識別結果を、異常の種類に応じた重み付けをした上で統合するので、異常の種類に応じて適切な識別処理を行うことができ、より精度の高い識別結果を得ることが可能となる。

（変形例２−１）
次に、本発明の実施の形態２の変形例２−１について説明する。上記実施の形態２においては、選択された複数の識別器による識別結果に対して、異常候補領域に対して推定された異常の種類に応じた重み付け加算を行った。しかしながら、この重み付けを行わずに、単に加算平均しても良い。ステップＳ２１においては、異常の種類に応じて、特定の種類の特徴量識別器が優先的に選出される。一例として、異常候補領域の異常の種類が血管性異常である場合、色特徴量識別器が他の特徴量識別器に対して数多く選出される。従って、これらの識別器による識別結果を等比率で加算平均した場合であっても、統合された識別結果に対して、特定の種類の特徴量識別器による識別結果の寄与を多くすることができる。

（変形例２−２）
次に、本発明の実施の形態２の変形例２−２について説明する。上記実施の形態２においても、実施の形態１の変形例１と同様に臓器判別部１６１を設け（図６参照）、処理対象の管腔内画像が撮像された臓器の種類を考慮した識別器の選択や重みの決定を行っても良い。

具体的には、胃においてはびらんや潰瘍が主要な異常となるため、臓器の種類が胃である場合、識別器選択部２１１は、色及びテクスチャに対する識別精度が高くなるように、色特徴量識別器及びテクスチャ特徴量識別器を優先的に選択する。また、統合重み決定部２１２ａは、色特徴量識別器及びテクスチャ特徴量識別器による識別結果にそれぞれ与える重みの比率を高くする。

或いは、小腸においては出血が主要な異常となるため、臓器の種類が小腸である場合、識別器選択部２１１は、色特徴量識別器を優先的に選択する。また、統合重み決定部２１２ａは、色特徴量識別器による識別結果に与える重みの比率を高くする。

さらに、大腸においてはポリープ等の腫瘍が主要な異常となるため、臓器の種類が大腸である場合、識別器選択部２１１は、形状特徴量識別器を優先的に選択する。また、統合重み決定部２１２ａは、形状特徴量識別器による識別結果に与える重みの比率を高くする。

臓器の種類に応じて重みを決定した場合、各種の識別器による識別結果である確度Ｐ₁〜Ｐ_mを、異常の種類に応じて決定した重みｗ₁〜ｗ_mと、臓器の種類に応じて決定した重みｗ₁’〜ｗ_m’とを用いて、例えば次式（３）によって統合することができる。
Ｐ＝Ｐ₁×（ｗ₁＋ｗ₁’）＋Ｐ₂×（ｗ₂＋ｗ₂’）＋…＋Ｐ_m×（ｗ_m＋ｗ_m’）
…（３）

臓器の種類を考慮した別の処理として、識別器選択部２１１において、異常候補領域に対して推定された異常の種類に基づいて複数の識別器を選択し、統合重み決定部２１２ａにおいて、臓器の種類に応じて各識別器による識別結果に与える重みの比率を決定しても良い。或いは、識別器選択部２１１において、臓器の種類に応じた優先度で複数の識別器を選択し、統合重み決定部２１２ａにおいて、異常候補領域の異常の種類に応じて各識別器による識別結果に与える重みの比率を決定しても良い。

（実施の形態３）
次に、本発明の実施の形態３について説明する。図１４は、本実施の形態３に係る画像処理装置が備える演算部の構成を示すブロック図である。図１４に示すように、本実施の形態３に係る画像処理装置は、図１に示す演算部１００の代わりに演算部３００を備える。この演算部３００は、異常候補検出部１１０と、異常候補情報取得部３１０と、識別手法決定部３２０と、識別部３３０とを備える。このうち、異常候補検出部１１０の動作は、実施の形態１と同様である。

異常候補情報取得部３１０は、異常候補検出部１１０が検出した異常候補領域に対する識別の難易度を判定する識別難易度判定部３１１を備え、識別難易度判定部３１１による判定結果を異常候補領域に関する情報として出力する。識別難易度は、異常候補領域を検出した際に付加されたラベル（図４のステップＳ１２５参照）に基づいて判定される。具体的には、異常候補領域に対して推定された異常の種類（血管性異常、腫瘍性異常、粘膜性異常）に応じて識別難易度が判定される。

識別手法決定部３２０は、異常候補領域に関する情報として取得された識別難易度に基づいて識別手法を選択する識別処理選択部３２１を備える。詳細には、識別処理選択部３２１は、異常候補領域が異常領域であるか否かの識別を行う際の識別境界の作成する手法を選択する。識別境界の作成手法としては、上述したバギング、サポートベクターマシン、線形識別関数による分類（参考：Ｃ．Ｍ．ビショップ著、「パターン認識と機械学習 上」、シュプリンガー・ジャパン株式会社、第１８２〜１８５頁）等が挙げられる。ここで、線形識別関数による分類とは、図１５の（ａ）に示すように、正常及び異常の２クラスのデータから線形識別関数を求め、図１５の（ｂ）に示すように、この線形識別関数を新たなサンプルに適用することで分類する方法である。

識別部３３０は、識別手法決定部３２０が決定した識別手法を用いて、異常候補領域が異常領域であるか否かの識別を行う。

次に、本実施の形態３に係る画像処理装置の動作を説明する。図１６は、本実施の形態３に係る画像処理装置の動作を示すフローチャートである。なお、図１６のステップＳ１０、Ｓ１１は、実施の形態１と同様である。また、本実施の形態３において用いられる色特徴量、形状特徴量、及びテクスチャ特徴量の具体例は、実施の形態１において説明したものと同様である。

ステップＳ１１に続くステップＳ３１において、異常候補情報取得部３１０は、異常候補領域に関する情報として、識別難易度を取得する。図１７は、異常候補領域に関する情報の取得処理を示すフローチャートである。なお、図１７のステップＳ１２１〜Ｓ１２５は、実施の形態１と同様である（図４参照）。

ステップＳ１２５に続くステップＳ３１１において、識別難易度判定部３１１は、異常候補領域のラベルごとに、識別難易度を判定する。具体的には、血管性異常は、出血の色みが消化管内の粘膜と大きく異なるという特徴を有するため、比較的識別が容易である。従って、識別難易度判定部３１１は、血管性異常のラベルが付加された異常候補領域に対し、識別難易度は低いと判定する。また、腫瘍性異常は、特徴的な形状を有するものの、溝等と誤認識される可能性のある構造が粘膜表面に存在する場合があり、さらに、色みが粘膜表面の色みと近いため、識別が困難である。従って、識別難易度判定部３１１は、腫瘍性異常のラベルが付加された異常候補領域に対し、識別難易度は高いと判定する。さらに、粘膜性異常は、撮像環境に応じて粘膜表面の構造の不均一性の見え方が異なるため、比較的識別が困難である。従って、識別難易度判定部３１１は、粘膜性異常のラベルが付加された異常候補領域に対し、識別難易度は高いと判定する。

なお、識別難易度のレベルは、識別容易と識別困難との二値であっても良いし、識別容易から識別困難まで複数段階が設定されていても良いし、識別容易から識別困難まで連続的に設定されていても良い。また、これらのレベルをユーザが任意に設定できることとしても良い。

続くステップＳ３１２において、異常候補情報取得部３１０は、識別難易度判定部３１１が判定した識別難易度を、異常候補領域に関する情報として取得する。その後、処理はメインルーチンに戻る。

ステップＳ３１に続くステップＳ３２において、識別手法決定部３２０は、ステップＳ３１において取得された異常候補領域に関する情報、即ち、識別難易度に基づいて識別手法を決定する。詳細には、識別処理選択部３２１が、識別難易度に応じて、異常候補領域の識別基準を作成するアルゴリズムを選択する。

図１８は、識別手法を選択する処理を示すフローチャートである。まず、ステップＳ３２１において、識別処理選択部３２１は、異常候補領域の識別難易度を異常候補情報取得部３１０から取得する。

続くステップＳ３２２において、識別処理選択部３２１は、取得した識別難易度が高いか否かを判定する。

この際、異常候補情報取得部３１０から取得した識別難易度が二値（識別困難、識別容易）で設定されている場合には、取得した識別難易度をそのまま判定結果として用いれば良い。一方、異常候補情報取得部３１０から取得した識別難易度が複数段階或いは連続的に設定されている場合、識別処理選択部３２１は、識別難易度に対して閾値処理を行うことにより、識別難易度が高いか否かを判定する。この際の閾値は、ユーザが任意で設定することとしても良い。

識別難易度が高い場合（ステップＳ３２２：Ｙｅｓ）、識別処理選択部３２１は、識別精度が高い識別手法を選択する（ステップＳ３２３）。識別精度が高い識別手法とは、一般的に複雑で、多大な特徴量次元数や計算量を有する手法である。具体的には、非線形サポートベクターマシン、ブースティング等の手法が挙げられる。

一方、識別難易度が高くない場合（ステップＳ３２２：Ｎｏ）、即ち、識別難易度が低い場合、識別処理選択部３２１は、簡易的な識別手法を選択する（ステップＳ３２４）。簡易的な識別手法とは、識別精度はステップＳ３２３において選択される手法ほど高くないが、視覚的にわかり易く、容易な識別手法である。このような識別手法においては、特徴量次元数や計算量の規模が、ステップＳ３２３において選択される精度の高い識別手法と比較して圧倒的に小さい。具体的には、確率密度関数、線形識別関数の分類、線形サポートベクターマシン等の手法が挙げられる。その後、処理はメインルーチンに戻る。

ステップＳ３２に続くステップＳ３３において、識別部３３０は、ステップＳ３２において決定された識別手法により異常候補領域を識別する。詳細には、識別部３３０は、ステップＳ３２において決定された手法により識別基準を作成し、この識別基準を用いて、ステップＳ１１において検出された異常候補領域が異常領域であるか否かを識別する。

続くステップＳ３４において、演算部３００は、ステップＳ３３において取得された識別結果を出力する。この出力処理は、実施の形態１と同様である。その後、当該管腔内画像に対する処理は終了する。

以上説明したように、本発明の実施の形態３においては、異常候補領域の識別難易度に応じて識別手法を選択し、選択した識別手法を用いて当該異常候補領域が異常領域であるか否かを識別する。即ち、識別難易度が高い異常候補領域に対しては、計算量が多く複雑ではあるが、識別精度の高い識別手法を用い、識別難易度が低い異常候補領域に対しては、識別精度は高くないが、視覚的にわかり易く、簡易で計算量が少ない識別手法を用いる。このように、異常候補領域の識別難易度に応じて適切な手法を用いることにより、必要な識別精度を担保しつつ、効率良く識別を行うことが可能となる。

以上説明した実施の形態１〜３及びこれらの変形例は、記憶装置に記憶された画像処理プログラムをパーソナルコンピュータやワークステーション等のコンピュータシステムで実行することによって実現することができる。また、このようなコンピュータシステムを、ローカルエリアネットワーク（ＬＡＮ）、広域エリアネットワーク（ＷＡＮ）、又は、インターネット等の公衆回線を介して、他のコンピュータシステムやサーバ等の機器に接続して使用しても良い。この場合、実施の形態１〜３及びこれらの変形例に係る画像処理装置は、これらのネットワークを介して管腔内画像の画像データを取得したり、これらのネットワークを介して接続された種々の出力機器（ビュアーやプリンタ等）に画像処理結果を出力したり、これらのネットワークを介して接続された記憶装置（記憶媒体及びその読取装置等）に画像処理結果を格納するようにしても良い。

本発明は、実施の形態１〜３及びこれらの変形例に限定されるものではなく、各実施の形態や変形例に開示されている複数の構成要素を適宜組み合わせることによって、種々の発明を形成できる。例えば、各実施の形態や変形例に示される全構成要素からいくつかの構成要素を除外して形成しても良いし、異なる実施の形態や変形例に示した構成要素を適宜組み合わせて形成しても良い。

１ 画像処理装置
１０ 制御部
２０ 画像取得部
３０ 入力部
４０ 表示部
５０ 記憶部
５１ 画像処理プログラム
１００、１５０、２００、３００ 演算部
１１０ 異常候補検出部
１２０、１６０、３１０ 異常候補情報取得部
１２１ 異常候補種類推定部
１３０、１７０、２１０、３２０ 識別手法決定部
１４０、２２０、３３０ 識別部
１３１、１７１、２１１ 識別器選択部
１６１ 臓器判別部
２１２ 統合処理決定部
２１２ａ 統合重み決定部
２２１ 識別結果統合部
３１１ 識別難易度判定部
３２１ 識別処理選択部

Claims (10)

1. 生体の管腔内を撮像した画像から、該管腔内の特定の部位が写った領域である特定領域の候補領域を検出する候補領域検出部と、
   前記候補領域検出部が検出した前記候補領域に関する情報を取得する候補領域情報取得部と、
   前記候補領域に関する情報をもとに、当該候補領域が前記特定領域であるか否かを識別するための識別手法を決定する識別手法決定部と、
   前記識別手法決定部が決定した識別手法を用いて、前記候補領域が前記特定領域であるか否かを識別する識別部と、
   を備えることを特徴とする画像処理装置。
2. 前記識別手法決定部は、前記候補領域に関する情報をもとに、複数の識別器のうちから、当該候補領域の識別に用いる識別器を選択する識別器選択部を備える、ことを特徴とする請求項１に記載の画像処理装置。
3. 前記候補領域情報取得部は、前記画像の特徴量を用いて、前記候補領域が属する特定領域の種類を推定する候補領域種類推定部を備え、
   前記識別器選択部は、前記候補領域種類推定部が推定した特定領域の種類に基づいて前記識別器を選択する、
   ことを特徴とする請求項２に記載の画像処理装置。
4. 前記識別器選択部は、前記複数の識別器のうちから２つ以上の識別器を選択し、
   前記識別手法決定部は、前記識別器選択部が選択した前記２つ以上の識別器によってそれぞれ得られる２つ以上の識別結果を統合する際の統合処理を決定する統合処理決定部を備え、
   前記識別部は、前記統合処理決定部が決定した統合処理によって前記２つ以上の識別結果を統合することにより、前記候補領域が前記特定領域であるか否かを識別する、
   ことを特徴とする請求項２に記載の画像処理装置。
5. 前記候補領域情報取得部は、前記画像の特徴量を用いて、前記候補領域が属する特定領域の種類を推定する候補領域種類推定部を備え、
   前記識別器選択部は、前記候補領域種類推定部が推定した特定領域の種類に応じた優先度で、前記２つ以上の識別器を選択する、
   ことを特徴とする請求項４に記載の画像処理装置。
6. 前記統合処理決定部は、前記２つ以上の識別結果を統合する際に、該２つ以上の識別結果にそれぞれ与えられる２つ以上の重みを決定する統合重み決定部を備える、ことを特徴とする請求項４に記載の画像処理装置。
7. 前記候補領域情報取得部は、前記画像の特徴量を用いて、前記候補領域が属する特定領域の種類を推定する候補領域種類推定部を備え、
   前記統合重み決定部は、前記候補領域種類推定部が推定した特定領域の種類に応じて、前記２つ以上の重みを決定する、
   ことを特徴とする請求項６に記載の画像処理装置。
8. 前記識別手法決定部は、前記候補領域が前記特定領域であるか否かの識別難易度を判定する識別難易度判定部を備え、
   前記識別手法選択部は、前記識別難易度が高いほど識別精度の高い識別手法を選択する、
   ことを特徴とする請求項１に記載の画像処理装置。
9. 候補領域検出部が、生体の管腔内を撮像した画像から、該管腔内の特定の部位が写った領域である特定領域の候補領域を検出する候補領域検出ステップと、
   候補領域情報取得部が、前記候補領域検出ステップにおいて検出された前記候補領域に関する情報を取得する候補領域情報取得ステップと、
   識別手法決定部が、前記候補領域に関する情報をもとに、当該候補領域が前記特定領域であるか否かを識別するための識別手法を決定する識別手法決定ステップと、
   識別部が、前記識別手法決定ステップにおいて決定された識別手法を用いて、前記候補領域が前記特定領域であるか否かを識別する識別ステップと、
   を含むことを特徴とする画像処理装置の作動方法。
10. 生体の管腔内を撮像した画像から、該管腔内の特定の部位が写った領域である特定領域の候補領域を検出する候補領域検出ステップと、
    前記候補領域検出ステップにおいて検出された前記候補領域に関する情報を取得する候補領域情報取得ステップと、
    前記候補領域に関する情報をもとに、当該候補領域が前記特定領域であるか否かを識別するための識別手法を決定する識別手法決定ステップと、
    前記識別手法決定ステップにおいて決定された識別手法を用いて、前記候補領域が前記特定領域であるか否かを識別する識別ステップと、
    を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。
    
    
    
    
    

Images