JPH03266188A

JPH03266188A - 画像表示装置

Info

Publication number: JPH03266188A
Application number: JP2066695A
Authority: JP
Inventors: Akinami Ohashi; 大橋　昭南
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 1990-03-16
Filing date: 1990-03-16
Publication date: 1991-11-27
Anticipated expiration: 2014-08-23
Also published as: JP2937389B2

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】［発明の目的］（産業上の利用分野）本発明は、ディジタル化された画像データの画素値を用
いてウィンドウに関するパラメータを設定し画像を表示
させるための画像表示方法に関する。

（従来の技術）従来より例えば医用画像を表示する場合、画像メモリに
ディジタルで記録された画像データを読み出し、この各
画像データを階調変換して表示する装置、例えばモニタ
に表示するようにしていた。この場合、画像を見易く表
示するために、術者が表示された画像を見ながら表示画
像ごとにスイッチを操作して、階調変換に関するパラメ
ータとしてのウィンドウレベル（以下ＷＬという。）。

ウィンドウワイス（以下ＷＷという。）（以下ＷＬＳＷ
Ｗを併せてウィンドウという。）の値を調整し、表示画
像を見易く表示させていた。

また自動的にウィンドウを設定する方法としては、撮影
条件、例えばＭＨＩ（マグネティック・レゾナンス・イ
メージング）装置における撮影条件ごとに、予め前記ウ
ィンドウをプリセットしておき、これを読み出して前記
撮影条件に合わせてウィンドウをセットする方法もある
。

さらには、前記ウィンドウを自動的に設定して階調変換
する技術に関して、例えば画像表示装置（特開昭６３−
８４５２６）が既に知られている。

この画像表示装置は、画像表示メモリへ記録する画像デ
ータから抽出した画素値に対するヒストグラムを第１３
図（ａ）に示すように作成し、このヒストグラムの最大
値Ｈ■ａＸに対して定められたスレッシュホールドレベ
ルＴｈにより前記ヒストグラム上の最小値Ｗ１及び最大
値ｗｈを求め、これにより第１３図（ｂ）に示すように
画像表示のウィンドウワイスＷとウィンドウレベルＬを
定めて階調変換テーブルデータを作成するようにしたも
のである。

（発明が解決しようとする課題）しかしながら、上記従来の画像表示装置のウィンドウの
自動設定にあっては、次のような問題がある。すなわち
公知技術では、単にヒストグラムのスレッシュホールド
レベルＴｈのみでウィンドウ・レベルＬおよびウィンド
ウ・ワイズＷを設定しているため、人間が設定したウィ
ンドウと一致しない場合が多々あった。このため観察に
適したウィンドウが設定できない場合には、操作者はこ
のウィンドウを観察に適合したウィンドウにいちいち再
設定しなければならず、操作者の負担になっていた。

さらには、前記ウィンドウを自動的に設定して階調変換
する技術に関して、例えば既に同一出願人が出願した特
願平１−１８６８１９がある。

（この発明を第１の発明とする。）第１の発明はファジ
ィ−類似方式におけるメンバーシップ関数類似方式によ
りウィンドウを自動的に設定するものである。このため
メンバーシップ関数などの設定が必要であり、また１度
設定したメンバーシップ関数を装置ごとにあるいは病院
ごとの特性に合わせて変更することが困難であった。

そこで本発明の目的は、画像を表示する際のウィンドウ
の設定操作を簡単化して、操作者の負担を軽減でき、し
かも装置の特性に合った画像を容易に観察し得る画像表
示方法を提供することにある。

［発明の構成］（課題を解決する為の手段）本発明は上記の課題を解決し目的を達成する為に次のよ
うな手段を講じた。本発明は、ディジタル化された画像
データの画素値を用いてウィンドウに関するパラメータ
を設定し画像を表示させるための画像表示方法において
、前記画像データの画素値に対するヒストグラムを作成
する手順と、候補値として前記パラメータを複数種類設
定し、設定された前記パラメータに対してそれぞれ画像
の見易さを表現する評価値をニューラルネットワークを
用いて求め、求められたそれぞれの評価値を比較し、最
も大きい評価値をもつ前記パラメータを最終設定とする
手順とからなるものである。

さらに前記パラメータを求める手順は、最初に候補値と
して前記パラメータを設定し、設定されたパラメータに
対して前記評価値を求める手順と、このパラメータを各
々大きく変化させこれらに対する評価値を求める手順と
、これらの評価値に基づき前記候補値のパラメータを変
更設定する手順と、前記パラメータの変化量を順次小さ
くすることにより最も大きい評価値をもつ前記パラメー
タを求める手順とを含むものである。

さらにまた前記パラメータはウィンドウレベルまたはウ
ィンドウ幅のうち少なくともいずれか一方であることを
特徴とするものである。

（作用）このような手段を講じたことにより、次のような作用を
呈する。評価値をニューラルネットワークにより求める
ので、ファジィ−類似方式におけるメンバーシップ関数
等を決定することなく、また装置ごとにあるいは病院ご
との特性に合った画像を容易に観察することができる。

またニューラルネットワークにより評価値を求め、最も
大きい評価値をもつウィンドウでＭＨＩ画像を観察でき
、画像を表示する際にウィンドウ設定の操作が簡単にな
り、操作者の負担を軽減できる。

（実施例）第１図は本発明に係る画像表示方法の全体の手順を示す
フロー図、第４図は前記画像表示方法を適用した画像表
示装置を示す概略ブロック図、第５図は典型的なＭＨＩ
画像のヒストグラムを示す概略図である。

第４図において、画像表示装置は、ディジタル化された
画像データを記録する画像メモリ１．制御手段としての
計算機２．ウィンドウレベルおよびウィンドウワイスを
マニュアル入力操作するためのＷ　Ｌ　／ＷＷスイッチ
３１画像メモリ１からの画像データを人力して設定され
たウィンドウで階調を持った画像として表示する表示装
置４、ニューラルネットワーク５から構成されている。

このときの前記画像データの画素値から階調への変換は
、前記ＷＬＳＷＷにより決定されるものとなっている。

この変換方法は、例えばＭＲ１装置で既に用いられてい
る。

前記計算機２は、前記画像メモリ１から読み出される画
像データに基づき、最適のＷＬ、ＷＷを表示装置４に自
動的に設定するものとなっている。

なおＷＬ／ＷＷスイッチ３をマニュアル操作することに
より、ＷＬ、ＷＷを最適に設定することもできる。

次に前記第１図、第４図、第５図を参照して、前記計算
機２により表示ウィンドウを求める方法を具体的に説明
する。ここでは、画像をＭＲＩ画像とする。第５図は典
型的なＭＲＩ画像のヒストグラムを示す概略図である。

１）計算機２は画像記憶装置（図示していない）から指
定された画像を読み出し、画像メモリ１に記憶する。

２）計算機２は、画像メモリ１の画像についてヒストグ
ラムを作成する（手順１００）。作成された前記ヒスト
グラムの典型的な例を第５図に示す。

３）次に計算機２は手順２００において、背景を除去す
るために、このヒストグラムを解析しＡ”を求める。“
Ａ′の意味、および求め方は後に詳細に説明する。

４）最も観察したいと推定されるＭＲＩ値をＭＶＰと名
付ける。次に手順３００において、ヒストグラムを解析
しＭＶＰを求める。ＭＶＰの定義、および求め方は後に
詳細に説明する。

５）次に手順４００において、その画像を表示するのに
適しているウィンドウを求める。この手順については後
に第２図、第３図を参照して詳細に説明する。

６）次に手順５００において、求められたウィンドウに
より、画像を表示する。

７）また自動設定されたウィンドウに対して観察者が必
要に応じ、第４図のＷＬ、ＷＷスイッチ３を操作してウ
ィンドウを微調整することもできる。

したがって、画像を表示する場合には、表示ウィンドウ
の設定の操作が簡単になり、操作者の負担を軽減できる
。

次に手順２００において″へ′の意味、および求め方を
第５図を参照して詳細に説明する。

第５図は手順１００において作成されたＭＨＩ画像のヒ
ストグラムの典型的な例である。人体のＭＨＩ画像の内
、体外に相当する部分は、−船釣にＭＲＩ画素値（画像
の各画素のＭＲＩ値）が低くほぼ一定値である。これに
より体外に相当する部分は、第５図に示す斜線部分のよ
うな背景Ｈとなる。この背景Ｈは観察を必要としない部
分である。

そこで前記計算機２により前記背景Ｈと体内部との境界
のＭＲＩ値を以下のごとく求める。このＭＲＩ値をＡと
する。第５図に示すようにＭＲＩ値Ａを求めるには、ま
ず最低のＭＲＩ値以上、かつ一定態下のＭＲＩ値の範囲
内であって、ヒストグラムのピーク値ＨｌａＸを求める
。このピーク値Ｈ■ａＸからＭＲＩ値の大きい方に数個
のヒストグラム上の点Ｈ１，Ｈ２・・・を求め、その点
Ｈ１゜Ｈ２・・・を通る直線Ｌｎを最小二乗法により求
める。

この直線Ｌｎとヒストグラムの０を表すＸ軸との交点に
おけるＭＲＩ値を求め、これをＡとする。

Ａ以下のＭＲＩ値の部分を背景Ｈとする。

次に手順３００におけるＭＶＰの定義、および求め方を
第５図を参照して詳細に説明する。

ＭＶＰは、最も見たい部分と推定されるＭＲＩ値である
。例えば、その画像の中で背景を除き、最も多くの頻度
を有するＭＲＩ値が見易いように表示すれば、全体が見
易い画像になると考えて良い。したがって、第５図に示
すようなヒストグラムを有する画像では、例えばＡ以上
のＭＲＩ値の中で最も頻度の高いＭＲＩ値をＭＶＰと定
めている。

したがって、ＭＶＰは、Ａ以上のＭＲＩ値でヒストグラ
ムのピークを探すことにより求められる。

ここでピーク（Ｐｅａｋ）は、第８図に示すように１点
の値が両端での数点の値より互い高い値であると定義し
ている。

前記ピークは１つのヒストグラムに複数存在するが、そ
れぞれのピークの重用度を求め、最も重用度の高いピー
クをＭＶＰとする。ピークの重用度は、第９図に示すよ
うに１）ピークの間の距離２）ピークの高さ３）ピークの広がりなどを考慮して評価する。

次に手順４００におけるこの画像を表示するに適したウ
ィンドウの求め方について第２図の実施例を示すフロー
図を参照して詳細に説明する。

１）まず手順すにおいて、候補値として設定されたウィ
ンドウＷＬ及びＷＷで画像を表示した場合の画像の見易
さを表現する評価値としての画像度をニューラルネット
ワークにより求める。この画像度の求め方については後
に詳細に説明する。

２）次に手順Ｃにおいて、このＷＬ及びＷＷを各々大き
く変化させて、その時の画像の見易さを評価し、その中
で最も高い画像度を持つＷＬ。

ＷＷに設定する。

３）次に手順ｄにおいて、前記ＷＬ及びＷＷの変化量を
順次小さくすることにより最も大きい画像度をもつＷＬ
及びＷＷを求める。

なおウィンドウに関するパラメータは、ＷＬまたはＷＷ
のうち少なくともいずれか一方であっても良い。

この方法の具体的な手順を第３図および第７図を参照し
て説明する。第７図（ａ）はＷＷ、ＷＬを変化させる場
合を示す概略図、第７図（ｂ）はＷＷ、ＷＬに対する画
像度Ｑを示す概略図、第３図は具体的な手順の実施例を
示すフロー図である。

１）手順４２１０において、前記計算機２によりウィン
ドウの初期値ＷＬ、　５ＷＷｏを求める。

初期値は、例えば第５図に示すようにＭＶＰを明るさの
中心として、ＷＬ、−ＭＶＰ、背景Ｈ以外は全て見える
ようにするために、ＷＷ。−２（ＭＶＰ−Ａ）のように
設定する。

２）手順４２２０において、Ｗ　Ｌ　ｃ　＝　Ｗ　Ｌ　
ｏ　。

Ｗ　Ｗ　ｃ　−Ｗ　Ｗ　ｏに設定する。ここでＷ　Ｌ　
ｃ　。

Ｗ　Ｗ　ｃは候補のウィンドウである。

３）手順４２３０において、ΔＷＷ−ＷＷＯ／２とし、
ウィンドウの変化量に初期値を設定する。

４）手順４２４０において、ＷＬｃ、ＷＷｃにおける画
像度Ｑｃを計算する（前記手順すに対応）。この画像度
の求め方については後に詳細に説明する。

５）次に手順４２５０において、ａ）ＷＬｃ＋ΔＷＷ、ＷＷｃにおける画像度Ｑｄ１を前
記４）と同様な方法で計算する。

ｂ）ＷＬｃ＋ΔＷＷ、ＷＷｃ＋ΔＷＷにおける画像度Ｑ
　ｄ　２を計算する。

Ｃ）ＷＬｃ、ＷＷｃ＋ΔＷＷにおける画像度Ｑ　ｄ　３
を計算する。

ｄ）ＷＬｃ−ΔＷＷ、ＷＷｃ＋ΔＷＷにおける画像塵Ｑ
　ｄ　ａを計算する。

ｅ）ＷＬｃ−ΔＷＷ、ＷＷｃにおける画像塵Ｑｄ、を計
算する。

ｆ）ＷＬＣ−ΔＷＷ、ＷＷｃ−ΔＷＷにおける画像塵Ｑ
ｄ６を計算する。

ｇ）ＷＬｃ、ＷＷｃ−６ｗｗにおける画像塵Ｑｄ７を計
算する。

ｈ）ＷＬｃ＋ΔＷＷ、ＷＷｃ−ΔＷＷにおける画像塵Ｑ
ｄａを計算する。

６）次ｊｌ：手順４２６０において、画像塵Ｑ　ｄ　ｓ
〜Ｑｄｓの中で、最大の画像塵をＱｄを求め、その画像
塵ＱｄにおけるＷＬ、ＷＷをＷＬｄ。

ＷＷｄとする。

７）次に第７図（ｂ）に示すように、手順４２７０にお
いて、画像塵Ｑｃ＜Ｑｄならば、Ｑｃからこれより高い
画像塵Ｑｄに移動する。すなわち、手順４２８０におい
て、Ｗ　Ｌ　ｃ　＝　Ｗ　Ｌ　ｄ　。

ＷＷ　ｃ　−ＷＷ　ｄとし、手順４２４０へ戻る（手順
Ｃに対応）。

８）Ｑｃ≧Ｑｄならば、手順４２９０において、ΔＷＷ
−ａＸΔＷＷとする（手順ｄに対応）。ここでαく１な
る定数である。

９）手順４２９５において、ΔＷＷ≧ｒならば、手順４
２４０へ戻る。ここでｒは終了を決める定数である。Δ
ＷＷ＜ｒならば、ＷＬｃ、ＷＷｃが最終的に求めるＷＬ
、ＷＷとなる。

このように、候補として設定されたＷＬ、ＷＷに対する
画像塵と、ＷＬ、ＷＷを各々大きく変化させたときにお
ける各画像塵とによりＷＬ、ＷＷが変更設定され、さら
にＷＬ、ＷＷの変化量を順次小さくすると、最大の画像
塵が自動的に求められるので、最適なウィンドウが設定
できる。これにより観察者の操作負担を軽減でき、しか
も人間が感する見易い表示画像を得ることができる。

次に手順４２４０〜４２５０において用いられている画
像塵を求める方式について詳細に説明する。画像塵はあ
る設定されたウィンドウで画像を表示した場合に、その
ウィンドウにより表示された画像が、どの程度見易いか
を指数化し、これを評価値として表示したものである。

本発明ではこの画像塵をニューラルネットワークを用い
て求め、装置ごとに、病院ごとの特性に合った画像表示
方法を提供するものである。以下、具体的な実施例を説
明する。

前記第４図において、計算機２は前記画像塵を求める場
合には、画像塵の求めるための評価項目をニューラルネ
ットワーク５に転送する。ニューラルネットワーク５は
画像塵を求め、その画像塵を計算機２に転送する。その
結果、計算機２は画像塵を得ることができる。

以下、画像塵をニューラルネットワーク５により求める
方法について詳細に説明する。

第１０図は前記ニューラルネットワーク５の構成を示す
図である。ニューラルネットワーク５は、例えば入力層
３０．中間層３２．出力層３４の３層で構成されている
。入力層３０は、入力層３０ａ〜３０ｅの５素子からな
り、入力層３０ａ〜３０ｅに例えば、１）ＭＶＰの明るさ２）“Ａ１の明るさ３）明るさ１２の面積４）明るさＬの面積５）ｌ！Ｊｉるさのバランスの評価項目（特徴）を人力する。本実施例では特徴を５
個としたが、これは本実施例に限定されるものではない
。特徴の個数が増減した場合は、それに応じて入力層３
０の素子数を増減させれば良い。これらの特徴の具体的
な求め方については後に説明する。

前記中間層３２は例えば５０素子からなり、前記入力層
３０ａ〜３０ｅともネットワークを構成している。

出力層３４は１素子で構成され、前記出力層３４から画
像塵０〜１を出力する。

前記ニューラルネットワーク５の各素子は、前記実施例
に限定されないが、本実施例では以下に示すシグモイド
関数ｆ　（ｘ）を用いている。

ｆ　（ｘ）＝１／　ｆｌ＋ｅｘｐ　（−ｘ＋ｂ）１ここ
で、ｂはバイアスであって、バイアス素子（出力が１）
のウェイトであり、学習により決定される。

ニューラルネットワーク５は予め学習しておく必要があ
る。この学習については後に詳細に説明する。ここでは
、ニューラルネットワーク５は学習が終了しているもの
とする。

第６図に示すようにＭＲＩ値はＷＬ、ＷＷに応じて、連
続した明るさとして表示される。ただしＷＬ−ＷＷ／２
以下のＭＲＩ値は全て最も暗く、ＷＬ＋ＷＷ／２以上の
ＭＲＩ値は、全て最も明るく表示される。この明るさを
便宜上第６図の縦軸に示す数値、すなわち０．５〜１６
．５の連続値として表現している。ここで画素値Ｘ、明
るさＹとし、直線部分だけに限定すると、Ｙ−８，５＋１６ｘ　（Ｘ−ＷＬ）／ＷＷ・・・（１）
Ｘ−ＷＬ＋ＷＷｘ　（Ｙ−８，５）／１６・・・（２）
となる。

第１１図は前記ニューラルネットワーク５により前記画
像度を求める手順を示すフロー図である。

以下この手順を説明する。まず最初に１）手順ａ１では、設定されたウィンドウでのＭＶＰの
明るさを求める。この明るさをＭＶＰＧとすると、（１
）式のＸにＭＶＰを、ＹにＭＶＰＧを代入して、ＭＶＰＧ −８，５＋１６ｘ　（ＭＶＰ−ＷＬ）／ＷＷ・・・　（
３）となる。（３）式を用いてＭＶＰＧを求め、それに正規
化係数１／１６．５を乗算し、０〜１の値に正規化する
。

２）手順ｂ１では、手順ａ、と同様に設定されたウィン
ドウでの“Ａ”の明るさを求める。これをＡＣとするとＡＣ−８，５＋１６ｘ　（Ａ−ＷＬ）／ＷＷ−（４）と
なる。（４）式を用いてＡＣを求め、それに正規化係数
１／１６．５を乗算し、０〜１の値に正規化する。

３）手順ｃ１ては、前記同様に設定されたウィンドウで
の明るさ１２に相当するヒストグラムの面積を求める。

明るさ１２は明るさ１１．５〜１２．５と考えて、（２
）式にＹ−１１，５〜１２．５を代入すると、１２ −　（３ＷＷ／１６＋ＷＬ）〜（ＷＷ／４＋ＷＬ）・・
・（５）となる。

したがって、明るさ１２に相当するヒストグラムの面積
は（５）式の範囲のヒストグラムの面積を求めればよい
。同様に正規化係数１／１００を乗する。ただし、正規
化後、１を越えるものは１にする。

４）手順ｄ１では、同様に設定されたウィンドウでの明
るさＬに相当するヒストグラムの面積を求める。求めら
れた明るさＬは、第１１図においても最も明るい明るさ
であるから、Ｙ−１６，５に相当する。したがって、（２）式にＹ−
１６，５を代入してＸ　ｌｂ、　ｓ−ＷＷ／　２　＋Ｗ　Ｌ　　　　　　　
　　　・・・（６）となる。したがって、Ｘ、、、、以
上のヒストグラムの面積を求めれば、明るさＬに相当す
るヒストグラムの面積が求まる。同様に、正規化係数１
／３０を乗する。ただし、正規化後、１を越えるものは
１にする。

５）手順ｅ１では、同様に設定されたウィンドウでの明
るさのバランスを求める。明るさのバランスは以下によ
り定義する。

（明るさ４〜８の面積）／（明るさ９〜１３の面積）それぞれの明るさの面積は、前記手順Ｃ６と同様の方法
により求めることができる。同様に正規化係数１／６を
乗する。ただし正規化後、１を越えるものは１にする。

６）手順ｆ１では、前記手順ａ１〜手順ｅ、で求めたそ
れぞれの値をニューラルネットワーク５に転送する。

７）手順ｇ１では、ニューラルネットワーク５よりニュ
ーラルネットワーク５が計算した画像度を得る。

次に前述したニューラルネットワーク５の学習について
説明する。前述した如くニューラルネットワークは予め
学習しておく必要がある。学習方式は実施例に限定され
ることはないが、本実施例ではパックプロパゲーション
法を用いる。ニューラルネットワーク５に一定数の学習
データを繰り返し提示し、パックプロパゲーション法に
より学習を行ない、エラーが一定値以下になると、終了
する。本実施例では、以下に示す学習データを用いて学
習するが、この学習データの作成方法は実施例に限定さ
れることはない。

学習データは実際の複数枚の画像と、それを表示するた
めに専門家が設定したウィンドウを基に作成する。

１）まず画像を１枚選択し、この画像に対して、専門家
（観察者）が設定したウィンドウをＷＬＧ。

ＷＷＧとし、このＷＬＧ、ＷＷＧに対して以下の２５個
の学習データを決定するための学習ウィンドウＷＬＳ、
ＷＷＳをサンプリングする。

ＷＬＳ−ＷＬＧ−ＷＷＧ／２ＷＬＧ−ＷＷＧ／４ＷＬＧＷＬＧ＋ＷＷＧ／４ＷＬＧ＋ＷＷＧ／２ＷＷＳ−ＷＷＧ−ＷＷＧ／２ＷＷＧ−ＷＷＧ／４ＷＷＧＷＷＧ＋ＷＷＧ／４ＷＷＧ＋ＷＷＧ／２そして２）これらのＷＬＳ、ＷＷＳに対して前記第１１図に示
す手順ａ、　〜ｅ１によりＭＶＰ、”Ａ’などの５つの
特徴量を２５組求め、学習データの入力データを作成す
る。

３）またこれらのＷＬＳ、ＷＷＳに対する教師データを
第１２図に示すように定め、前記２）の入力データと組
み合わせて２５組の学習データを作成する。

４）以下、適当な枚数の画像について、それぞれ２５組
の学習データを作成する。

５）そして作成された全ての学習データを、エラーが一
定値以下になるまで、繰り返し学習する。

以上の学習により予め学習を行っておく。

したがって、ニューラルネットワーク５は学習が可能な
ので、関数１重み係数を決定する煩わしさがなくなる。

また装置ごとに、あるいは病院ごとの特性に合った画像
を容易に観察することができる。

最後に本発明の変形例について説明する。

（１）まず前記実施例はウィンドウレベルおよびウィン
ドウ幅の両方を変化させる方式であるが、ウィンドウレ
ベル、およびウィンドウ幅のいずれか一方を一定値に固
定し、他方を変化させるようにしても良い。

（２）さらに実施例は１枚数の画像ごとにヒストグラム
を作成し、１枚数の画像ごとに表示ウィンドウを探索し
ているが、同一グループに属する全部の画像、例えば１
回のポリニームスキャンで撮影した複数枚のスライスか
らヒストグラムを求め、それに関してウィンドウを決定
し、複数枚数の画像を同一の表示ウィンドウで観察する
ようにしても良い。この場合には１グループの画像がす
べて同一のウィンドウになる。また、ニューラルネット
ワークの教師データの作成にも、複数枚数の画像のヒス
トグラムを使用してもよい。

（３）さらに実施例では、表示ウィンドウは線形（リニ
アー）であるが、表示ウィンドウは非線形（ノンリニア
ー）であっても良い。

（４）さらに前記実施例では１枚の画像ごとにウィンド
ウを計算しているが、同一の条件で連続して撮影した画
像であれば、同一の表示ウィンドウで観察する方が良い
。このため１枚目で観察者が選択したウィンドウ（微調
整を行なった場合は微調整後のウィンドウ）とその画像
度を求めて記憶する。次に２枚目の画像の表示が指定さ
れた場合、１枚目のウィンドウにおける２枚目の画像の
画像度を求め、それを前記記憶した１枚目の画像度と比
較し、その差が一定以下ならウィンドウを変更しないで
、１枚目のウィンドウにより２枚目の画像を表示する。

その差が一定以上の場合には、本発明方法により求めた
ウィンドウで表示するようにしても良い。

（５）さらに前記実施例では１枚の画像ごとにウィンド
ウを計算しているが、同一の条件で連続して撮影した画
像であれば、同一の表示ウィンドウで観察する方が良い
。このため同一グループの代表的な画像（例えば中心位
置の画像）でウィンドウを求め、同一グループの全部の
画像に対して同一のウィンドウで画像を表示しても良い
。

（６）さらに、前記実施例では観察目的をヒストグラム
のピークにより推定しているが、以下の情報、方法を用
いて゛観察部分の画素値を推定するようにしてもよい。

（１〉簡単な画像認識を行ない比較的画素値の纏まって
いる部分を見つける。

（２）撮影条件、（３）断面（アクシャル面、コロナル面、サジタル面）
、（４）撮影目的、これは病院オーダーリングシステムか
ら得ることもできる。

また、これらの情報、ヒストグラムの特徴（全体の面積
、ピークの位置、形、高さなど）により、画像度を求め
る項目、ニューラルネットワークのウェイトなどを異な
るものを使用するようにしても良い。

（７）まず前記実施例では、出力素子が１個であり、「
明るさ」、「コントラスト」の両方を統合した画像度を
表しているが、出力素子を「明るさ」、「コントラスト
」に対応して２個とし、これを「明るすぎる〜適当〜暗
すぎる」　（０〜１）。

コントラストが「強すぎる〜適当〜弱すぎる」（０〜１
）のように表しても良い。この場合、画像度は両者の重
み付けの合計として求める。また「明るさ」の教師デー
タは、第１２図においてＷＷＳ−ＷＷＧ、ｒコントラス
ト」の教師データはＷＬ　Ｓ　−ＷＬ　Ｇとおけばよい
。

（８）さらに実施例は、学習と実行を同一のニューラル
ネットワークで行なっているが、学習はワークステーシ
ョンなどの他のニユーラルネツトワーりで行い、実行は
別の簡単なニューラルネットワークで行っても良い。ま
た学習したニューラルネットワークの重み係数のうち、
値の大きいものだけを取り出し、にニューラルネットワ
ークを使用せずに）計算機のソフトウェアだけで計算し
ても良い。

（９）さらに実施例では、すべての画像について、同一
の重み係数を使用しているが、画像のタイプにより異な
る重み係数を使用しても良い。この場合は、計算機から
ニューラルネットワークに、画像タイプに応じて異なる
重み係数を転送するようにする。また学習も画像タイプ
ごとに別々の学習データを用いて行なう。

（１０）さらに実施例では、学習データ用の画像の選択
については説明していないが、例えば装置ごとに、１０
枚数程度の画像（画像タイプごとに別々に）を学習画像
として記憶する。この画像によりニューラルネットワー
クを学習させる。このようにすれば、装置に応じたニュ
ーラルネットワーク（重み係数）が形成される。さらに
新しい学習画像を追加するか、あるいは古い画像を新し
い画像に更新して、再度全体の学習画像を用いて学習す
るようにすれば、装置の変化にも対応可能である。

（１１）さらに前記（９）、（１０）では、装置ごとに
画像タイプごとに別々の重み係数を設けるようにしてい
るが、これを装置ごと、観察者（医師）ごと１画像タイ
プごとに別々の重み係数を設けるようにしても良い。

（１２）実施例では、特徴量を線形で正規化した値を入
力としたが、正規化は例えば正弦関数や対数変換などで
正規化しても良い。

（１３）実施例では、特徴の個数とニューラルネットワ
ークの入力層の素子数を同一にしたが、１つの特徴に複
数の入力素子を割り当てて、特徴量を線形で正規化した
値と、正弦関数や対数変換などで正規化した値を入力と
しても良い。

このほか本発明の要旨を逸脱しない範囲で種々変形実施
可能であるのは勿論である。

［発明の効果］本発明によれば、評価値をニューラルネットワークによ
り求めるので、ファジィ−類似方式におけるメンバーシ
ップ関数等を決定することなく、装置ごとにあるいは病
院ごとの特性に合った画像を容易に観察することができ
る。

またニューラルネットワークにより評価値を求め、最も
大きい評価値をもつウィンドウでＭＨＩ画像を観察でき
、画像を表示する際にウィンドウ設定の操作が簡単にな
り、操作者の負担を軽減できる画像表示方法を提供でき
る。

【図面の簡単な説明】

第１図は本発明に係る画像表示方法の全体の手順を示す
フロー図、第２図はウィンドウを求める方法を示すフロ
ー図、第３図は前記ウィンドウの求め方の具体的な手順
の実施例を示すフロー図、第４図は前記画像表示方法を
適用した画像表示装置を示す概略ブロック図、第５図は
典型的なＭＨＩ画像のヒストグラムを示す図、第６図は
ＭＲＩ値をＷＬ、ＷＷに応じて連続した明るさとして表
示した図、第７図はＷＷ、ＷＬを変化させた場合のＷＷ
、ＷＬに対する画像度Ｑを示す概略図、第８図は前記Ｍ
ＲＩ画像のピークの定義を示す図、第９図はＭＶＰの求
め方を説明するための図、′ｓ１０はニューラルネット
ワークの構成を示す因、第１１図は前記ニューラルネッ
トワークで画像度を求める手順を示すフロー図、第１２
図はＷＬＳ、ＷＷＳに対する教師データを示す図、第１
３図は従来のウィンドウの設定方法の一例を示す図であ
る。１・・・画像メモリ、２・・・計算機、３・・・ＷＬ、
ＷＷスイッチ、４・・・表示装置、５・・・ニューラル
ネットワーク、３０・・・入力層、３２・・・中間層、
Ｑ・・・画像度、ＷＬ、Ｌ・・・ウィンドウレベル、ｗ
ｗ　ｗ・・・ウィンドウワイド、Ｈ・・・背景、ＭＶＰ
・・・最も重要と推定されるＭＲＩ値。

Claims

【特許請求の範囲】

（１）ディジタル化された画像データの画素値を用いて
ウィンドウに関するパラメータを設定し画像を表示させ
るための画像表示方法において、前記画像データの画素
値に対するヒストグラムを作成する手順と、候補値とし
て前記パラメータを複数種類設定し、設定された前記パ
ラメータに対してそれぞれ画像の見易さを表現する評価
値をニューラルネットワークを用いて求め、求められた
それぞれの評価値を比較し、最も大きい評価値をもつ前
記パラメータを最終設定とする手順とからなる画像表示
方法。
（２）前記パラメータを求める手順は、最初に候補値と
して前記パラメータを設定し、設定されたパラメータに
対して前記評価値を求める手順と、このパラメータを各
々大きく変化させこれらに対する評価値を求める手順と
、これらの評価値に基づき前記候補値のパラメータを変
更設定する手順と、前記パラメータの変化量を順次小さ
くすることにより最も大きい評価値をもつ前記パラメー
タを求める手順とを含むことを特徴とする請求項１記載
の画像表示方法。
（３）前記パラメータはウィンドウレベルまたはウィン
ドウワイスのうち少なくともいずれか一方であることを
特徴とする請求項１乃び請求項２記載の画像表示方法。