JPH0327479A - 異常陰影検出装置 - Google Patents

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】 （産業上の利用分野） 本発明は、被写体の放射線画像を表わす画像データに基
づいて放射線画像の異常陰影を検出する異常陰影検出装
置に関するものである。

（従来の技術） 記録された放射線画像を読み取って画像データを得、こ
の画像データに適切な画像処理を施した後、画像を再生
記録することは種々の分野で行なわれている。たとえば
、後の画像処理に適合するように設計されたガンマ値の
低いＸ線フイルムを用いてＸ線画像を記録し、このＸ線
画像が記録されたフイルムからＸ線画像を読み取って電
気信号（画像データ）に変換し、この画像データに画像
処理を施した後コピー写真等に可視像として再生するこ
とにより、コントラスト，シャープネス，粒状性等の画
質性能の良好な再生画像を得ることが行なわれている（
特公昭ｆｉｌ−５１９３号公報参照）。

また本願出願人により、放射線（Ｘ線，α線，β線，γ
線，電子線，紫外線等）を照射するとこの放射線エネル
ギーの一部が蓄積され、その後可視光等の励起光を照射
すると蓄積されたエネルギーに応じて輝尽発光を示す蓄
積性蛍光体（輝尽性蛍光体）を利用して、人体等の被写
体の放射線画像情報をシート状の蓄積性蛍光体に一旦記
録し、この蓄積性蛍光体シートをレーザー光等の励起光
で走査して輝尽発光光を生ぜしめ、得られた輝尽発光光
を光電的に読み取って画像データを得、この画像データ
に基づき被写体の放射線画像を写真感光材料等の記録材
料、ＣＲＴ等に可視像として出力させる放射線画像記録
再生システムがすでに提案されている（特開昭５５−１
２４２９号，同５６−１１３９５号，同５５−１６３４
７２号，同５Ｂ−１０４８４５号，同５５−　１１６３
４０号等）。

このシステムは、従来の銀塩写真を用いる放射線写真シ
ステムと比較して極めて広い放射線露出域にわたって画
像を記録しうるという実用的な利点を有している。すな
わち、蓄積性蛍光体においては、放射線露光量に対して
蓄積後に励起によって輝尽発光する発光光の光量が極め
て広い範囲に３ わたって比例することが認められており、従って種々の
撮影条件により放射線露光量がかなり大幅に変動しても
、蓄積性蛍光体シートより放射される輝尽発光光の光量
を読取ゲインを適当な値に設定して光電変換手段により
読み取って電気信号に変換し、この電気信号を用いて写
真感光材料等の記録材料、ＣＲＴ等の表示装置に放ｉｔ
線画像を可視像として出力させることによって、放１４
線露光量の変動に影響されない放射線画像を得ることが
できる。

上記Ｘ線フイルムや蓄積性蛍光体シート等を用いたシス
テム、特に人体の医療診断用として構或されたシステム
において、近年、単に観察（診断）に適した良好な画質
性能を備えた再生画像を得ることに加えて、画像の自動
認識が行なわれてきている（たとえば特開昭８２−１２
５４８１号公報参照）。

ここで画像の自動認識とは、画像データに種々の処理を
施すことにより、複雑な放射線画像から目的とするパタ
ーンを抽出する操作をいい、たとえば人体の胸部Ｘ線画
像のような種々の線状，１１１４ 形状のパターンの入り混じった非常に複雑な画像から、
たとえば腫瘍に対応する陰影を抽出する操作等をいう。

このように複雑な放射線画像（たとえば人体の胸部Ｘ線
画像）において目的とするパターン（たとえば腫瘍影）
を抽出し、その抽出したパターンを明示した可視画像を
再生表示することにより、観察者の観察の補助（たとえ
ば医師の診断の補助）を行なわせることができる。

（発明が解決しようとする課題） 上記特開昭６２−１２５４８１号公報には、たとえば人
体の胸部Ｘ線画像上を、この画像上の位置により変化し
ない特定のフィルタを用いて走査し、円形パターンと線
形パターンを抽出し、この円形パターンを腫瘍候補、線
形パターンを血管の陰影として表示する装置が記載され
ている。

しかし人体の放射線画像は非常に複雑であり、たとえば
胸部Ｘ線画像において腫瘍の陰影が肋骨のすぐ脇に現わ
れる場合と、肋骨と肋骨の中間部に現われる場合とでは
そのパターンが異なっている等、上記のように単純な構
或の装置では認識洩れや腫瘍でもないパターンを腫瘍と
して認識してしまうことが多いという問題点がある。た
とえば医療用システムにおいて画像の自動認識が行なわ
れると、医師か再生画像を観察して診断を行なう際、そ
の自動認識されたパターンに１」を奪われがちとなり、
自動認識に洩れがあるとそのまま医師が見逃がしてしま
う可能性が高く重大な問題となる。

これを避けるためには放射線画像上を走査するフィルタ
等を工夫して少しでも腫瘍等の候補と考えられるパター
ンを洩れなく抽出することが考えられる。しかし、この
ように少しでも腫瘍の候補と考えられ名パターンを洩れ
な《抽出すると、腫瘍ではないパターン（ノイズ）も多
く抽出されることになる。これでも洩れがあるよりはよ
いが、あまりにもノイズが多いと自動認識システムの信
頼性が低下し、また診断する医師がかえって疲労してし
まうことにもなる。

また、これまで自動認識のない、たとえばＸ線フイルム
に記録された胸部Ｘ線画像を観察（診断）する医師は、
それまでの知識，経験に基づいて、腫瘍が画像上のどの
位置にあってもそのパターンが多少変形していてもかな
り適確に腫瘍を抽出しているという事実がある。

したがって画像の自動認識においても、洩れのないよう
に抽出した肚瘍等の候補から、放射線画像上を走査する
ようなフィルタ処理では行なうことのできない高度な処
理を施して極力ノイズを低減させることが望ましい。

本発明は、上記事情に鑑み、たとえば腫瘍等の異常陰影
を精度良く抽出することのできる構成を備えた異常陰影
検出装置を提供することを目的とするものである。

（課題を解決するための手段） 第１図は、本発明の異常陰影検出装置の構或を明示した
ブロック図である。

被写体の放射線画像を表わす画像データＳ１が、候補抽
出手段１と情報演算手段２とに入力される。

候補抽出手段１では、入力された画像データ７ ８ Ｓ１に、たとえば実空間フィルタリング処理等の比較的
簡単な処理が施され、上記放射線画像中の異常陰影の候
補Ｃが抽出される。

ここで「異常陰影」とは、標準的陰影には見られない、
たとえば胸部Ｘ線画像における腫瘍，石灰化，胸膜の肥
厚，気胸等の陰影をいうが、この候補抽出手段１はこれ
らの異常陰影の全てを抽出するものである必要はなく、
たとえば腫瘍影のみを異常陰影として抽出するものであ
ってもよい。

この候補抽出手段１で異常陰影の候補が抽出されずに洩
れてしまうと最後まで洩れたままとなってしまうため、
この候補抽出手段１で用いられる抽出方法としては、多
少のノイズ（対象とする異常陰影（たとえば腫瘍影）で
ないものを異常陰影候補として抽出してしまうこと、ま
たはそのようにして抽出された実際には異常陰影ではな
い異常陰影候補をいう）が混入しても実際の異常陰影を
洩れなく抽出することのできる方法を用いることが望ま
しい。

情報演算手段２では、入力された画像データＳ１に基づ
いて、被写体の解剖学的情報Ｄが求められる。

ここで「解剖学的情報」とは放射線画像上に表われた、
被写体の構造物に関する情報をいい、具体的には、たと
えば胸部Ｘ線画像における、肺野部．肺門部，肋骨．心
臓，横隔膜等の位置情報等をいう。尚、当然ながら、こ
の情報演算手段２においては、放射線画像上に表わされ
る被写体の構造物の全てを識別する必要はなく、たとえ
ば肺部を肺野部と肺門部との２つに区分する等、抽出の
対象としている異常陰影の種類等と飼応して必要な情報
のみが求められればよい。

候補抽出手段１で求められた異常陰影の候補Ｃは、画像
データＳ１とともに特徴量演算手段３に入力される。特
徴量演算手段３では、この候補Ｃの近傍の画像データＳ
１に基づいて各候補Ｃ毎に複数の特徴量Ｆ１　ｒ　　Ｆ
２　＋　・・・・・・，Ｆｎが求められる。

ここで「特徴量」とは、各候補Ｃの異常陰影としての確
からしさを反映する種々の量の総称をいい、たとえば各
候補Ｃの面積，形状の不整度、各候補Ｃ内の画像データ
の平均値、画像データの分散値、各候補Ｃ内の画像デー
タの平均値とその周辺の画像データの平均値との比率（
コントラスト）等をいう。この特徴量演算手段３でどの
ような特徴量を求めるか、いくつの特徴量を求めるかは
特に限定されるものではなく、抽出すべき異常陰影の種
類、抽出すべき精度、演算時間等を考慮して定められる
ものである。

特徴量演算手段３において求められた複数の特徴量Ｆｌ
，Ｆ２，・・・・・・，Ｆｎは、異常陰影抽出手段４に
入力される。また異常陰影抽出手段４には情報演算手段
２で求められた解剖学的情報Ｄも入力される。異常陰影
抽出手段４では、入力された複数の特徴量Ｆ１．Ｆｚ，
・・・・・・，Ｆｎおよび解剖学的情報Ｄとに基づいて
、候補抽出手段１で抽出された異常陰影の候補Ｃから弄
常陰影Ｔが抽出される。この異常陰影Ｔの抽出方法とし
ては、本発明においては特定の方法に限定されるもので
はないが、たとえば、 上記複数の特徴量Ｆｌ　，Ｆ２　＋　・・・・・・，Ｆ
ｎを入力とし、上記候補Ｃが異常陰影である蓋然性の程
度を表わす量Ｅを出力とするニューラルネットワークを
備えて各候補Ｃの上記蓋然性の程度を表わす量Ｅを求め
ること、 たとえば胸部Ｘ線画像における腫瘍影を抽出すべき異常
陰影とした場合において、肚瘍影は姉門部より肺野部に
出やすいという性質があるため、解剖学的情報Ｄとして
求められた肺門部と肺野部とを区分する情報に基づいて
、上記蓋然性の程度を表わすｆｆｉＥと所定のしきい値
とを比較して上記候補Ｃが腫瘍影であるか否かを判定す
る際に、該候補Ｃが肺門部にあるか肺野部にあるかに応
じて上記所定のしきい値を変えること、 上記解剖学的情報Ｄとして求められた肋骨の位置情報に
基づいて、腫瘍影候補が肋骨の交差部に存在する場合、
その候捕Ｃは腫瘍影からは外すこと、 等の処理が必要に応じて行なわれる。

尚、上記複数の特徴量Ｆ１，Ｆ２，・・・・・・，　　
Ｆｎ１１ ］　２ はニューラルネットワークの入力として用いることに限
定されるものではなく、ＮＮ法（ｎｅａｒｅｓｔｎｅｉ
ｇｈｂｏｒ）法、単純にしきい値と各特徴量Ｆ１，Ｆ２
，・・・・・・，Ｆｎとを比較する方法、これら複数の
方法の組合せ等種々の方法を用いることができる。また
、解剖学的情報Ｄを上記複数の特徴量Ｆｌ，Ｆ２，・・
・・・・，Ｆｎとともにニューラルネットワークの入力
として用いる等、上記複数の特徴量Ｆ１，Ｆ２，・・・
・・・，Ｆｎと解剖学的情報Ｄを同時に用いるようにし
てもよい。

以上のようにして最終的に求められた異常陰影Ｔは、本
発明の異常陰影検出装置から出力され、その後たとえば
放射線画像上の異常陰影に特別の画像処理を施すこと、
異常陰影の情報を付した画像データを記憶すること、異
常陰影の位置を明示した可視画像を再生表示すること等
が行なわれる。

尚、本発明の叉常陰影検出装置の各機能は、第１図に示
した各ブロック１〜４の機能毎に峻別される必要はなく
、実質的に第１図に示した各ブロック１〜４の機能を有
していれば本発明に含まれるものであり、たとえば異常
陰影の候補を抽出するための実空間フィルタリング処理
を施しながら（候補抽出手段１の機能）、同時に異常陰
影候補の面積、形状等の特徴量を求める（特徴量演算手
段３の機能）こと等も本発明の異常陰影検出装置に内包
されるものである。・ （作　　用） 本発明の異常陰影検出装置は、上記構成を備えているた
め、ノイズが混入することがあっても洩れのないように
異常陰影候補を抽出し、複数の特徴量および解剖学的情
報に基づいてこの抽出された候補から異常陰影を抽出す
ることにより、異常陰影抽出の洩れが少なくかつ異常陰
影ではないパターンが異常陰影として抽出されることも
少ない。

即ち異常陰影を精度良く検出することができる。

また、上記異常陰影抽出手段４として、上記複数の特徴
量を入力とし異常陰影である蓋然性の程度を表わす量を
出力とするニューラルネットワークを用いると、このニ
ューラルネットワークの学習機能により異常陰影の検出
精度をいっそう向上させることができる。

（実　施　例） 以下、本発明の実施例について、図面を参照して説明す
る。尚、ここでは前述した蓄積性蛍光体シートを用い、
人体の胸部のＸ線画像の腫瘍影を抽出する例について説
明する。

第２図は、Ｘ線撮影装置の一例の概略図である。

このＸ線撮影装置｛０のＸ線源ＵからＸ線ｌ２が人体ｌ
３の胸部１３ａに向けて照躬され、人体ｌ３を透過した
Ｘ線１２ａが蓄積性蛍光体シ一トｌ４に照射されること
により、人体の胸部１３ａの透過Ｘ線画像がシ一ト１４
に蓄積記録される。

第３図は、蓄積性蛍光体シート上に蓄積記録された胸部
Ｘ線画像の一例を模式的に表わした図である。

中央に肺のＸ線画像１５（以下肺部ｌ５と呼ぶ。以下同
様）、その両側に皮膚部１Ｂ、さらにその両側にＸ線１
２（第１図参照）が被写体１３を透過せずに直接シーｈ
ｌ４に照射された直接Ｘ線部】７が形成されている。

第４図は、Ｘ線画像読取装置の一例と、本発明の異常陰
影検出装置の一実施例であるコンピュータシステムとを
表わした斜視図である。

第３図に示すようなＸ線画像が記録された蓄積性蛍光体
シ一トｌ４がＸ線画像読取装置２０の所定位置にセット
される。この所定位置にセットされた蓄積性蛍光体シ一
ト１４は、モータ２ｌにより駆動されるエンドレスベル
ト等のシート搬送手段２２により、矢印Ｙ方向に搬送（
副走査）される。一方、レーザー光源２３から発せられ
た光ビーム２４はモータ２５により駆動され矢印方向に
高速回転する回転多面鏡２６によって反射偏向され、ｆ
θレンズ等の集束レンズ２７を通過した後、ミラー２８
により光路を変えて前記シーＨ４に入射し副走査の方向
（矢印Ｙ方向）と略垂直な矢印Ｘ方向に主走査する。

シ一トｌ４の励起光２４が照射された箇所からは、蓄積
記録されているＸ線画像情報に応じた光量の輝尽発光光
２９が発散され、この輝尽発光光２９は光ガイド３０に
よって導かれ、フォトマルチプライヤ（光電子増倍管）
　３１によって光電的に検出される。

１５ １６ 上記光ガイド３０はアクリル板等の導光性材料を成形し
て作られたものであり、直線状をなす入射端面３０ａが
蓄積性蛍光体シー｝１４上の主走査線に沿って延びるよ
うに配され、円環状に形成された射出端面３０ｂにフォ
トマルチプライヤ３ｌの受光面が結合されている。入射
端面３０ａから光ガイド３０内に入射した輝尽発光光２
９は、該光ガイド３０の内部を全反射を繰り返して進み
、射出端面３０ｂから射出してフォトマルチプライヤ３
１に受光され、Ｘ線画像を表わす輝尽発光光２９がフォ
トマルチプライヤ３１によって電気信号に変換される。

フォトマルチプライヤ３ｌから出力されたアナログ出力
信号ＳＯは対数増幅器３２で対数的に増幅され、Ａ／Ｄ
変換器３３でディジタル化され、電気信号としての画像
データＳ１が得られる。

得られた画像信号Ｓ１は、コンピュータシステム４０に
入力される。このコンピュータシステム４０は、本発明
の異常陰影検出装置の一例を構成するものであり、ＣＰ
Ｕおよび内部メモリが内蔵された本体部４１，補助メモ
リとしてのフロッピィディスクが挿入されドライブされ
るドライブ部４２，オペレータがこのコンピュータシス
テム４０に必要な指示等を入力するためのキーボード４
３および必要な情報を表示するためのＣＲＴディスプレ
イ４４から構威されている。

コンピュータシステム４０に入力された画像データＳ１
に址づいて、Ｘ線固像上の異′２：リ陰影の検出が行な
われる。コンピュータシステム４０では、その機能上、
第１図に示す各ブロック１〜５に対応する演算が行なわ
れる。以下、第１図に示すブロック１〜４をコンピュー
タシステム４０の機能を表わすブロックと考える。

第３図に示すようなＸ線画像を表わすディジタルの電気
信号としての画像データＳ１が、第１図に示す候補抽出
手段１と情報演算手段２とに入力される。以下、まず候
補抽出手段１における演算の実施例について述べ、その
後情報演算手段２における演算の実施例について述べる
。

ここでは、人体の肺内に典型的には略球形として生じる
腫瘍の陰影を穴常陰影として検出する例について説明す
る。この腫瘍は画像データＳ１に基づく可視画像上では
周囲と比べ白っぽい（濃度が低い）略円形のパターンと
して現われる。

候補抽出手段 第５図は、候補抽出手段１で用いられる、上記腫瘍影を
抽出する実空間フィルタの例を説明するために、Ｘ線画
像上の所定の画素Ｐ。を中心に該画像上に仮想的に描い
た図である。該所定の画素Ｐｏが上記腫瘍影内の画素で
あるか否かが判定される。ここで示すようなフィルタを
用いてＸ線画像上を走査することにより、Ｘ線画像上の
腫瘍影が抽出される。

第６図は、上記所定の画素Ｐ。を中心とした、第５図の
線分ＬＬとＬ５の延びる方向（Ｘ方向）のＸ線画像のプ
ロファイルの一例を示した図である。ここでは所定の画
素Ｐｏは、肋骨影６の極く近傍にある腫瘍影７のほぼ中
央にあるものとする。

腫瘍影７は典型的にはほぼ左右対称のプロファイルとし
て現われるが、この例のように腫瘍影７が肋骨影６の極
く近傍にある場合等には、左右対称とはならない場合も
ある。このような場合にもこの腫瘍影７を抽出できるこ
とが重要である。尚第６図の破線８は腫瘍がない場合の
プロファイルの一例である。

第５図に示すように、Ｘ線画像内の所定の画素Ｐｏから
該Ｘ線画像の周囲に延びる複数（ここでは８本）の線分
Ｌ＋　　（ｉ　＝１．２，・・・・・・，８）を想定し
、さらに所定の画素Ｐｏを中心とした、それぞれ半径ｒ
１，ｒ２，ｒ３の円Ｒ＋　　（ｊ　＝１．２．３　）を
想定する。所定の画素Ｐｏの画像データをｆｏとし、各
線分Ｌ１と各円Ｒ，との各交点に位置する各劇素Ｐ口（
第５図にはＰ　ｌｌ＋　Ｐ　１２＋　Ｐ　１３＋　Ｐ　
５１＋Ｐ５２＋　　Ｐ　５３について記号を示してある
。）の画像データをｆ１とする。

ここで、所定の画素Ｐｏの画像データｆ。と各画素Ｐ．
の画像データｆ１との差分Δ．が下記（１）式に従って
求められる。

Δ１＝　ｆ　１ｆ　ｏ　　　　　　−（１）（ｉ　−１
．２．・・・・・・，８　；　ｊ−１．２．３）１つ ２０ ？に各線分Ｌ，毎に、（１）式で求められた差分Δ口の
最大値が求められる。即ち、線分Ｌ１　＋　　Ｌ５につ
いて例を示すと、線分Ｌ．については、画索ＰＩＩ＋　
　ｐ，。，Ｐ，３に対応する各差分Δｌｌ＝ｆｌｌ　　
ｆＯ Δ１２＝ｆｌ２　　ｆＱ Δ１３＝ｆｌ３　　ｆＯ のうちの最大値が求められる。この例では、第６図に示
すようにΔ１３＜Δ１２＜Δ１１くＯであり、したがっ
てΔ，，が最大値となる。また線分Ｌ５については画素
Ｐｓ＋，　　Ｐｓ■，Ｐ，３に対応する各差分Δ５１”
’ｆ５１　　ｆｏ Δ５２＝　ｆ　５２　　ｆ　Ｏ Δ５３＝ｆ５３　　ｆＱ のうちの最大値Δ５，が求められる。

このように所定の画素Ｐ。と、各線分Ｌｌ毎に複数の画
素との差分の最大値を求めるようにすることにより、種
々のサイズの腫瘍影に対処することができる。

次に、所定の画索Ｐ。から互いに反対方向に延びる２本
の線分をひと組として、即ち線分Ｌ１と線分Ｌ５、線分
Ｌ２と線分Ｌ６、線分Ｌ３と線分Ｌ７、および線分Ｌ４
と線分Ｌ８のそれぞれをひと組として、各組毎に２つの
最大値の平均値（それぞれＭ＋５，　Ｍ２６．　Ｍ３７
．　Ｍ４ｇ）が求められる。

線分Ｌ１と線分Ｌ５との組については、その平均値Ｍ１
５は、 ２ として求められる。

このように所定の画素Ｐ。から互いに反対方向に延びる
２本の線分をひと組として取り扱うことにより、第６図
に示すように腫瘍影７がたとえば肋骨影６の近傍にあっ
てその画像データの分布が非対称となっていても腫瘍影
を確実に検出することができる。

上記のようにして平均値Ｍ，５，　Ｍ２６，　Ｍ３７，
Ｍ４Ｂが求められると、これらの平均値Ｍ，，，　Ｍ２
６，Ｍ３７，Ｍ４８に基づいて、以下のようにして、所
定の画素Ｐｏが腫瘍影内の画素であるか否かの判定？用
いる特性値Ｃ工が求められる。

第７図は、この特性値Ｃ１の求め方を説明するための図
である。横軸は上記のようにして求めた平均値Ｍ　１５
　，　Ｍ　２　６　，　Ｍ　３　７　，　Ｍ　４　Ｂ、
縦軸はこれらの平均値に対応する各評価値Ｃ＋ｓ，’　
Ｃ２６，　　Ｃ３■，Ｃ４８である。

平均値Ｍ　１５，　Ｍ　２６，　Ｍ　３■，Ｍ４８があ
る値Ｍｉより小さい場合評価値は零、ある値Ｍ２より大
きい場合評価値は１，０　，　Ｍ１〜Ｍ２の中間では、
その値の大きさに応じて０．０〜１．０の間の値が評価
値となる。このようにして、各平均値Ｍ１　５，　Ｍ　
２６，Ｍ３■，Ｍ４８にそれぞれ対応する評価値Ｃ　ｌ
　５＋　　Ｃ　２６＋Ｃ３７＋　　Ｃ　４８が求められ
、これらの評価値Ｃ１５，Ｃ２６＋　　Ｃ３■，Ｃ４８
の和 ＣＩ　　＝Ｃ＋ｓ＋Ｃ２６＋Ｃ３■十Ｃ４８　　　・・
・（３）が特性値Ｃ１とされる。即ち、この特性値Ｃ１
は最小値０．０と最大値４．０との間のいずれかの値を
有する。

この特性値Ｃ１が所定のしきい値Ｔ旧と比較され、Ｃ１
≧Ｔ１１１であるか、ＣＩ＜Ｔｌｌｌであるかにより、
所定の画素Ｐｏがそれぞれ腫瘍影内の画素であるか否か
が判定される。

上記実空間フィルタを用いてＸ線画像上を走査すること
により、即ちＸ線画像上の各画素を上記所定の画素Ｐｏ
として該各画素が腫瘍影内の画素であるか否かを判定す
ることにより、Ｘ線画像上のＩｌｉｎ瘍影が抽出される
。尚、上記フィルタの走査においては、腫瘍影と類似し
た腫瘍影以外のものも抽出される可能性があり、したが
ってここでは、上記走査により抽出されたパターンを腫
瘍影の候補と呼ぶ。

候補抽出手段１（第１図参照）において腫瘍影の候補を
抽出するフィルタは、上記フィルタに限定されるもので
はない。以下に、候補抽出手段１で用い得るフィルタの
他の例について説明する。

第５図の各画素Ｐ　＋１　（ｉ−１．２，・・・・・・
，８；ｊ−１．２，３）の画像データｆ１のグラジェン
トｆ．が求められる。

ここでグラジエントとは、Ｘ線画像上のある画素Ｐのｘ
ｙ座標を（ｍ，ｎ）　、該画素ＰとＸ方向，ｙ２３ ２４ 方向に隣接する画素Ｐ’　，Ｐ’の座標をそれぞれ（ｍ
＋ｌ，ｎ）　，　（ｍ．ｎ＋１）とし、それらの画素Ｐ
，　　Ｐ’Ｐ′の画像データをそれぞれｆ　（ｍ，ｎ）
　，　　ｆ　（ｍ＋１．ｎ）　，　　ｆ　（ｍ，ｎ＋１
）としたとき、Ｖ　ｆ　（ｉｎ）　＝　（　ｆ　（ｍ＋
ｌ．ｎ）　一ｆ　（ｎ＋，ｎ）　，ｆ　　（ｍ．ｎ＋１
）　　−　　ｆ　　（Ｉｎ，ｎ）　　）　　　　−（４
）で表わされるベク１・ルをいう。

第８図は、上記グラジェン１・および以下に示す演算方
法を示す図である。

グラジエントＶｆｌ，が求められた後、これらのグラジ
ェントｆ．のベクトルの長さが１．０に揃えられる。即
ち、グラジェントｆ．の大きさをｆ＋＋ｌとしたとき、
規格化グラジエントｆ，／１ｆ＋＋ｌが求められる。

次に、この規格化グラジェントｆ＋＋／ｌｆ，１の、線
分Ｌｌの方向の戒分が求められる。即ち、各画素Ｐ目か
ら所定の画素Ｐｏに向かう単位ベクトルをｅ，としたと
き、ｆ．／１ｆ＋１１＊ｅ，（ただし＊は内積を表わす
）が求められる。

その後、該成分について内向き（所定の画素Ｐｏの方向
）を正、外向きを負としたとき、各線分Ｌ＋　　（１　
＝１，２．・・・・・・，８）毎に各最大値｛ｆ＋＋／
ｌＶｆ＋ｊｌ＊ｅ＋ｌ　Ｍ （ｉ　”１．２，・・・・・・．８〉 が求められ、さらにこれら各最大値 ｔＶｆ＋＋／ｌＶｆ＋＋ｌ＊ｅ＋　ｌ　Ｍを加算した加
算値 Σ　｛ｆ１／ｌＶｆ１１１　＊ｅ＋ｌｙが求められる。

この加算値 Σ　｛Ｖ　ｆ　Ｂ／　ｌ　Ｖ　ｆ　＋１ｌ　＊ｅ＋　｝
ｙを特徴量Ｃ２として、この特徴量Ｃｚが所定のしきい
値Ｔｈ２と比較され、Ｃ２≧Ｔｈ２であるか、Ｃ２くＴ
ｈ２であるかにより、所定の画素Ｐ。がそれぞれ腫瘍影
内の画素であるか否かが判定される。

このフィルタは、グラジェントｆ１の大きさｆ＋＋ｌを
規格化し、その方向（線分Ｌ．との方向の相違の程度）
のみに注目することにより、周囲とのコントラストによ
らず形状が円形であることにより大きな値をもつ特徴量
Ｃ２が求められ、これにより腫瘍影が大きな確度をもっ
て抽出される。

次に、候補抽出手段１（第１図参照）で用い得るフィル
タのさらに光なる例について説明する。

第５図に示すＱｏおよびＱ口（ｉ　＝１．２，・・・・
・・，８；ｊ　＝１．２．３　）　　（ただし第５図に
は、明示的にはＱｏおよびＱ　＋＋・Ｑ　１２・Ｑｌ３
・Ｑ　５１・Ｑ５２・Ｑ５３のみ示してある）は、それ
ぞれ画素Ｐｏを含む中央領域および各画素Ｐ　＋１　（
ｉ　”＝１，２，・・・・・・．ｓ；ｊ＝１．２．３　
）を含む各周辺領域を表わしている。

この各領域ＱｏおよびＱ１＋　（１　””１．２ｓ−・
・，８；ｊ　−１．２．３　）毎に、該各領域Ｑｏ，Ｑ
目内の多数の各画素に対応する多数の各画像データの平
均値Ｑｏ　，　Ｑ　＋＋　（１　＝１．２，−−．８　
；　ｊ　−１．２．３　）が求められる。尚、ここでは
簡単のため、各領域Ｑｏ＋Ｑ＋＋　（ｉ　＝１．２．・
・・・・・，８　；　ｊ　＝１．２．３　）を指す記号
と該各領域内の画像データの平均値を指す記号と？同一
の記号を用いている。

次に中央領域の平均値Ｑｏと各周辺領域の平均値Ｑ＋＋
のそれぞれとの各差分Δ１１　（ｉ　＝１，２．・・・
・・・，８；ｊ　＝１．２．３　）が Δ＋１＝Ｑ＋Ｉ　　Ｑｏ　　　　　　・・・（５）とし
て求められ、さらに各線分Ｌ一毎に、差分Δ１１の最大
値Δ，が求められる。即ち、線分Ｌ１＋Ｌ５について例
を示すと、線分ＬｌについてはΔ１、，Δ１■，Δ１３
のうちの最大値Δ１、線分Ｌ５についてはΔ，１，Δ５
■，Δ，，のうちの最大値Δ５が求められる。

次に、最大値Δ．（ｔ＝１〜８）を代表する第一の特性
値Ｕと最大値Δ＋（ｉ＝１〜８）のばらつきを表わす第
二の特性値Ｖとが求められる。このために、まず以下の
演算式に従って各特性値Ｕ１〜Ｕ，，Ｖ１〜Ｖ４が求め
られる。

Ｕ１−（Δ工＋Δ２＋Δ５＋Δ６）／４　・・・（６）
Ｕ２＝（Δ２＋Δ３＋Δ６＋Δ７）／４　・・・（７）
Ｕ３＝（Δ３＋Δ４＋Δ７＋Δ８）／４　・・・（８）
Ｕ４＝（Δ４＋Δ５＋Δ８＋Δ１）／４　・・・（９）
２７ ２８ Ｖｓ　　−Ｕｔ　　／Ｕ３　　　　　　　　　　　　　
　　　・・・（１０）Ｖ２　　＝Ｕｚ　／Ｕａ　　　　
　　　　　　　　　　　　−（１１）Ｖ３　＝Ｕ３／Ｕ
ｌ　　　　　　　　　　　　　　　・・・（１２〉Ｖａ
　　＝Ｕａ　／Ｕｚ　　　　　　　　　　　　　　　・
・・（１３〉ここで、たとえば（６）式に従って特性値
Ｕ１を求める場合について説明すると、隣接する２つの
領域（Δ１とΔ２またはΔ５とΔ６）について加算する
ことは平滑化を意味し、画素Ｐ。を挾んだ互いに反対側
の領域（Δ１＋Δ２とΔ５＋Δ６）について加算するこ
とは前述した最初のフィルタと同様に、第６図に示すよ
うに画像データが非対称であっても腫瘍影を検出するこ
とができるようにするためである。

また、たとえば（ｌＯ）式に従って特性値■１を求める
場合について説明すると、特性値Ｕ１と特性値Ｕ３とは
互いに直交する方向について求めた特性値であり、した
がって第６図に示す腫瘍影７が円形であればｖｌ：１．
０となり、円形から外れる場合、即ち画素Ｐ。が肋骨影
のように直線状の陰影内にある場合はＶ１は１．０から
外れることにな？。

上記差分の最大値Δ＋（ｉ−１〜８）を代表する第一の
特性値Ｕとしては、Ｕ１〜Ｕ４の最大値Ｕ＝ＭＡＸ　　
（Ｕｔ　，　Ｕｚ　，　Ｕ３　，　Ｕ４）　　・・・（
ｌ４）が採用され、上記差分の最大値Δ１　（ｉ＝１〜
８）のばらつきを表わす第二の特性値Ｖとしては、Ｖ■
〜■４の最大値 Ｖ−ＭＡＸ　　（Ｖｌ　，Ｖ２　，　Ｖ３　，　Ｖａ　
）　　−（１５）が採用される。このようにして第一お
よび第二の特性値Ｕ，■が求められると、所定の画素Ｐ
．が腫瘍影内の画素であるか否かを判定するための特性
値Ｃ３として、これら第一および第二の特性値の比率 Ｕ ？３　＝■　　　　　　　　・・・（１６）■ が採用され、この特性値Ｃ，が所定のしきい値Ｔｈ３と
比較され、Ｃ３≧Ｔ１１３であるか、Ｃ３＜Ｔｈ３であ
るかにより、画素Ｐｏがそれぞれ腫瘍影内の画素である
か否かが判定される。

以上、例を示したように、第４図に示すコンビュータシ
ステム４０の候補抽出手段１では実空間フィルタを用い
てＸ線画像上を走査することにより、腫瘍影と考えられ
る円形パターンの抽出が行なわれる。

尚、上記各フィルタ例においては、第５図に示すように
８本の線分Ｌ．−Ｌ８上の画素Ｐ．や平均値Ｑ口等を用
いたが、この線分は８本である必要はなく、たとえば１
６本等であってもよいことはもちろんである。また、所
定の画索Ｐｏからの距離についてもｒ１＋　　ｒ２＋　
　ｒ３の３つの距離について演算を行なったが、これに
ついても３つの距離に限るものでもなく、抽出すべき腫
瘍影の大きさがほぼ一定している場合は距離は１つでも
よく、また、種々の大きさの腫瘍影をさらに精度よく抽
出するために、距離をｒ１からｒ３まで連続的に変えて
演算を行なってもよい。また、候補抽出手段１では上記
各フィルタに限らず、さらに異なるフィルタを用いても
よいものである。ただし、ここでは確実に腫瘍影である
と考えられるパターンだけを抽出するのではなく、多少
のノイズ（肚瘍影でないパターンを腫瘍影として抽出す
ることまたは抽出された腫瘍影でないパターン）が含ま
れていても腫瘍影を洩らさずに抽出することが好まし＜
、シたがってこの候補抽出手段１で用いるフィルタは、
その目的に沿ったものであることが好ましい。

尚、上記の各フィルタを用いてＸ線画像上を走査した際
、血管が密集した領域等、線状陰影の交叉部を腫瘍影候
補として抽出してしまうことがある。そこで本実施例に
おける候補抽出手段１では、腫瘍影候補を抽出した後、
抽出された腫瘍影候補のうち腫瘍影ではない血管等の密
集した領域を以下のようにして腫瘍影候補から除外して
いる。

第９Ａ図，第９Ｂ図は、一旦腫瘍影候補として抽出され
た、それぞれ真正の腫瘍影および血管等の密集した領域
のＸ線画像を示す図である。各図において破線９に囲ま
れた領域が一旦腫瘍影候補として抽出された領域Ａであ
り、各グラフは各領域Ａ内のＸ方向，ｙ方向のプロファ
イル（画像データＳ１をプロットしたもの）である。

３１ ３２ 腫瘍影（禎９Ａ図）は、Ｘ方向，ｙ方向とも中央付近に
谷を有する比較的平坦なプロファイルを有し、血管等が
密集した領域（第９Ｂ図）では、ほとんどの場合、一方
向（第９Ａ図ではＸ方向）に細かな変動を有するプロフ
ァイルとなり他の方向（ｙ方向）は比較的平坦なプロフ
ァイルとなる。

そこで、ここでは、このプロファイルの相違を利用して
、一旦肚瘍影候袖として抽出された血管等が密集した領
域を腫瘍影候補から除外する。即ち、Ｘ方向に並ぶ画素
をｒｎ　　（ｍ　＝１，２．・・・・・・）、ｙ方向に
並ぶ画素をｎ　　（ｎ　＝１，２，・・・・・・）で表
わし、（ＩＩｌ．　ｎ）で表わされる画素の画像データ
をｆ　（ｍ，ｎ）とする。このとき、次式に示すように
、領域Ａ内の画像データの一次差分値の二乗の平均値が
算出される。

Ｚｘ　一ΣΣ　（　ｆ　（ｍ＋ｌ，ｎ）　　−　ｆ　（
ｍ，ｎ）　ｌ　　２／Ｎ（ｍ．ｎ）ミ＾　　　　　　　
　　　　　　　　　・・・（ｌ７）２，　　一ΣΣ　（
ｆ　（ｍ，ｎ＋１）　　−　ｆ　（ｍ，ｎ）　ｌ　　２
／Ｎ（ｍ．ｎ）三八　　　　　　　　　　　　　　　　
・・・（１８）（ただしΣ　Σは領域Ａ内で一次差分値
の（ｍ．ｎ）三＾ 加算を行なうことを表わし、Ｎは領域Ａ内の画素数を表
わす） 次に、肚瘍影候袖として存続させるか肚瘍影候補から除
外するかを判定するための特徴ｉｔ　Ｃ　ａとして、上
記２つとＺｙのうち値の小さい方をｍｉｎ（Ｚ．，Ｚ，
）、値の大きな方をｍａｘ（Ｚ．，Ｚｙ）としたとき、 が算出され、この特徴ｆｉｔ　Ｃ　４を所定のしきい値
Ｔｈ４と比較し、Ｃ４≧Ｔｈ４のとき腫瘍影候補として
存続させ、Ｃ４＜Ｔｈ４のとき腫瘍影候補から除外する
。

尚、上記特徴量Ｃ４としては（ｌ９）式で算出されるも
のに限られず、たとえば ３３ ３４ Ｃｚ　　−　Ｉ　Ｚ−　　　Ｚｙ　　ｌ　　　　　　　
　　−（２１．）等であってもよい。また上記例ではｘ
，ｙの２方向の一次差分ｆ　（ＩＩ１＋１，ｎ）　−　
ｆ　（ＩＩｌ，ｎ）　，　　ｆ　（ｍ，ｎ＋１）−　ｆ
　（ｍ，ｎ）を求めたが、たとえば斜め方向（Ｘ方向，
ｙ方向のいずれとも直交しない方向）の差分を求めても
よい。

第４図のコンピュータシステム４０内の候補抽出手段１
では、以上のようにして丈空間フィルタを用いたＸ線画
像の走査により腫瘍影候補の抽出が行なわれ、（１９）
式の特徴量Ｃ４により腫瘍影候補として存続させるか否
かの判定が行なわれ、これによりさらに存続している腫
瘍影候補の領域内の各画素に１、それ以外の領域の各画
素にＯを対応させた二値画像データが求められる。以後
（ｔ９）式の特徴３４　Ｃ　ａを用いて判定が行なわれ
た後の腫瘍影候補を候補抽出手段１で抽出された腫瘍影
候補と称する。

情報演算手段 次に、情報演算手段２の実施例について説明する。

肺の腫瘍影は、第３図に示す中央付近の肺門部１５ａよ
りもその両側にある斜線を施した肺野部１５ｂに出やす
いという性質がある。そこで、情報演算手段２では、以
下のようにして師部１５がＩＩ，Ｉｉ門部１５ａと肺野
部１５ｂとに区分され、その情報は後述する異常陰影抽
出手段４で腫瘍影候袖から腫瘍影を抽出する際に用いら
れる。

第ｌＯ図は、第３図に示すＸ線画像から得られた画像デ
ータＳ１のヒストグラムを表わした図である。横軸は画
像データＳ１の値を表わし、縦軸はその値を有する画像
データＳ１の出現頻度を表わしている。

このヒストグラムの右側の山ｌ７は、第３図に示す直接
Ｘ線部ｌ７に対応する。中央の山ｌ５は第３図に示す肺
部ｌ５に対応し、左側の山１Ｂは第３図に示す皮膚部１
６に対応する。尚ここでは簡単のため、互いに対応する
第３図の各部と第ｌＯ図の各山とで３５ ３６ 同一の番号を用いている。

ここで肺部１５の面積に対する肺野部１５ｂの面積は略
一定であるという経験則に基づき山ｌ５の全面積の所定
の割合（たとえば５０％）を高濃度側から求め（第ｌＯ
図の斜線を施した領域）、この領域内の画像データに対
応する画素の集合が肺野部１５ｂとされる。

第１１図は、第３図に示す胸部Ｘ線画像のうちの肋骨影
（第３図には図示せず）の一部を拡大して示した図であ
る。尚、該第１１図には、第５図に示したフィルタの図
も同時に示されているが、これについては後述する。

胸部Ｘ線画像には第１１図に示すように２本の肋骨影１
５ｃの交叉した領域１５ｄが現われ、前述した候補抽出
手段１においてこの交叉領域１５ｄが腫瘍影候補として
抽出されることがある。しかもこの交叉領域１５ｄ内の
画像データはほぼ平坦であり、血管影の集合した領域が
腫瘍影候補として抽出された場合と異なり、前述した（
ｌ９）式による特徴量Ｃ４の算出およびその判定によっ
ては腫瘍影候補から除外されない。そこで、情報演算手
段２では、肋骨影が抽出され、この情報も後述する異常
陰影抽出手段４に送られる。異常陰影抽出手段４では腫
瘍影候補から腫瘍影を抽出する際に腫瘍影候補が肋骨影
の交叉領域１５ｄと一致するときはその候補は腫瘍影と
しての抽出から除外される。

肋骨影１５ｃの抽出方法としては、一例として、「間接
撮影胸部Ｘ線写真における肋骨像の識別」（社団法人電
子通信学会　１９７２年ＩＯ月２Ｂ日画像工学研究会資
料　資料番号Ｉ　Ｔ７２−２４　　（１９７２−１０）
　’１に記載された方法が採用される。この方法では、
線に敏感なフィルタを用いて胸部Ｘ線画像が走査されて
線図形が抽出され、その線図形のＸ線画像上の位置、線
図の延びる方向等から肋骨影に対応する線が抽出され、
さらに肋骨境界線を二次関数近似することにより肋骨影
が抽出される。

このように第４図に示すコンピュータシステム４０の情
報演算手段２では、肺野部と肺門部とが区分され、また
肋骨影が抽出される。これらの情報Ｄは、後述する異常
陰影抽出手段４に入力される。

尚、肺野部と肺門部との区分や肋骨影の抽出は上記方法
に限られるものではなく、公知の種々の方法を用いても
よいものであることはもちろんである。

また、本発明の情報演算手段２では、どのような異常陰
影を抽出するか、抽出の精度をどの程度に設定するか等
に応じて肺野部と肺門部との区分、肋骨影の抽出ととも
にまたはそれに代えて種々の解剖学的情報を求めてもよ
いことももちろんである。

特徴量演算乎段 前述した候補抽出手段１で抽出された腫瘍影候補Ｃはコ
ンピュータシステム４０の特徴量演算手段３に入力され
る。この特徴量演算手段３では、腫瘍影候補Ｃの近傍の
画像データＳ１に基づいて、各候補Ｃ毎に複数の特徴量
Ｆ１　＋　Ｆ２　＋　・・・・・・Ｆｎ，即ち、本実施
例においては、以下のようにして求められる各腫瘍影候
補Ｃの面積Ｆ１％各腫瘍影候補Ｃの形状Ｆ２および各腫
瘍影候袖ＣのコントラストＦ３の３つの特徴ｍＦ　１〜
Ｆ３が求められる。

第１２図は、候補抽出手段１で抽出された腫瘍影候補Ｃ
の一例を表わした図である。中央の領域７が腫瘍影候補
Ｃとして抽出された領域である。

候補抽出手段１で抽出された腫瘍影候補Ｃのうち、面積
が小さい（たとえば２５ｍｍ２以下）の場合は、血管の
タンジェント（Ｘ線画像（第３図参照）に垂直な方向（
Ｘ線の照射方向）に延びる血管影）である可能性が高く
、特に後述するコントラストＦ３が高い場合はその疑い
が強い。また、通常見られる腫瘍影の大きさは、その直
径が１０ｍｍ〜４０ｍｍ程度であり、この範囲を越えた
余りに大きい腫瘍影候補も腫瘍影でない場合が多い。

そこで本実施例ではまず領域７の面積Ｆｌが求められ、
その腫瘍影候補Ｃの腫瘍影としての確からしさを反映す
る複数の特徴量のひとつとして該面積Ｆ１が採用される
。

また、本実施例ではＸ線画像上に典型的には円形として
現われる腫瘍影を抽出するものであり、したがってこの
円形の程度（形状）を表わす量が３９ ４０ 特徴量の他のひとつとして採用される。ここでは、領域
７に１、その周囲にＯの値が割り当てられた二値画像デ
ータに基づいて、領域７の重心Ｏが求められ、該重心Ｏ
から周囲に延びる多数の線分（第１２図では１１〜１８
の８本）が仮想されて各線分Ｊ！　＋　（ｉ−１．２，
・・・・・・，８）に沿って重心Ｏから領域７の周縁７
ａまでの各距離ｄｉ　（ｉ＝１．２，・・・・・・，８
）が求められ、次式 に従って分散Ｆ２が求められ、この分散Ｆ２が腫瘍影候
補Ｃの円形の程度（形状）を表わす特徴量として採用さ
れる。

さらに、腫瘍影候補Ｃの領域７内の画像データＳ１の平
均値Ａｙｌと領域７の周囲の一定幅の帯状の領域７′の
画像データＳ１の平均Ａｙ２とが求められ、次式 Ｆ３　　＝Ａｖ＋　　ＡＶ２　　　　　．　　−（２３
）に従ってコントラストＦ３が求められ、このコントラ
ストＦ３がさらに異なる特徴量として採用される。腫瘍
影は、肺内の略球形状の腫瘍の投影像としてＸ線画像上
に現われるものであるから、そのコントラストＦ３はあ
る所定値に近い場合が多く、その値から外れてコントラ
ストの低すぎる腫瘍影候補あるいはコントラストの高す
ぎる腫瘍影候補は腫瘍影ではない場合が多いため、この
コントラストＦ３を特徴量として採用し得るものである
。

尚、本実施例では上記３つの特徴量Ｆ１〜Ｆ３が求めら
れるが、抽出対象とする異常陰影の種類、抽出の精度等
に応じて上記特徴量Ｆ１〜Ｆ３とともに、または上記特
徴Ｊ２ｉＦｔ〜Ｆ３に代えてさらに異なる種々の特徴量
を採用してもよいことはもちろんである。

異常陰影抽出手段 以上のようにして求められた３つの特徴３１ｐ１〜Ｆ３
は、第４図のコンピュータシステム４０内の異常陰影抽
出手段４に入力される。本実施例における異常陰影抽出
手段４では、以下に述べるニューラルネットワークを採
用して、まず特徴量抽出４１ 手段３により求められた上記３つの特徴ｆｆｉＦｘ，Ｆ
　２　＋　　Ｆ　３に基づいて、候補抽出手段１で抽出
された腫瘍影候補Ｃのうち腫瘍影である蓋然性の高い候
補が抽出される。

第１３図は異常陰影抽出手段４で採用される、誤差逆伝
播学習（パックプロパゲーション）機能を備えたニュー
ラルネットワークの一例を表わした図である。誤差逆伝
播学習（パックプロバゲーション）とは、ニューラルネ
ットワークの出力を正解（教師信号）と比べることによ
り、出力側から入力側に向かって順次結合の重み（シナ
プス結合のウェイト）を修正するという“学習”アルゴ
リズムである（例えば、ｒＤ．Ｅ．ＲｕＩＩｌｅｌｈａ
ｒｔ．（ｉ．Ｅ．Ｈｉｎｔｏｎ　ａｎｄ　Ｒ．Ｊ．Ｗｊ
ｌｌｉａｍｓ：Ｌｅａｒｎｉｎｇ　ｒｅｐｒｅｓｅｎｔ
ａｔｉｏｎｓｂｙ　ｂａｃｋ−ｐｒｏｐａｇａｔｉｎｇ
　ｅｒｒｏｒｓ，Ｎａｔｕｒｅ，３２３−９，５３３”
３５６．１９８６ａＪ，　　ｒ麻生英樹二バックプ口パ
ゲーション　Ｃｏｍｐｕｔｒｏｌ　Ｎ０．２４　５３−
８０Ｊ　，　　ｒ合原一幸著ニューラルコンピュータ　
東京電機大学出版局」参照）。

図に示すように、このニューラルネットワークの第１層
（入力層），第２層（隠れ層）．第３層（出力層）はそ
れぞれ３個，３個，１個のユニットから構或される。第
ｋ層の（番目のユニットをｕｌ、該ユニットｕｉへの全
入力をＸ７、全出力をｙ’＋、ｕ”＋から　ｋ＋ｌへの
結合の重みをＷ？’；”　とし、各ユニットｕ：は同一
の特性関数１ を有するものとする。このとき、各ユニットｕ１の入力
Ｘ：、出力ｙ：は、 ｘ１−Σｗ　ｋ，−　１　７　　　，　ｙ７　−　１　
　　　，，・（２５）ｙ’；　””ｆ　（Ｘ＋　）　　
　　　　　　　　・・・（２６）となる。ただし入力層
を構成する各ユニットｕ１（１−１．２．３）への各入
力Ｆｌ　＋　　Ｆ２　，Ｆ３は重みづけされずにそのま
ま各ユニットｕ　：　（ｉ＝１．２．３）に？力される
。入力された３つの特徴ｍＦ■＋Ｆ２４３ Ｆ３は、各結合の重みｗ：：”　　によって重み付けら
れながら最終的な出力ｙ？にまで伝達される。

ここで、上記各結合の重みｗ　ｋ　ｋ　＋　ｌ　　の決
定方法について説明する。先ず乱数により各結合の重み
Ｗ’＋’Ｈ”　　の初期値が与えられる。このとき、人
カＦ１〜Ｆ３が最大に変動しても、出力ｙ？が０〜１の
範囲内の値またはこれに近い値となるように、その乱数
の範囲を制限しておくことが好ましい。

次に、肚瘍影の有無および腫瘍影が存在する場合のその
位置が既知の多数のＸ線画像が用意され、前述のように
して腫瘍影候補Ｃの抽出が行なわれ、さらに各腫瘍影候
補Ｃについて上記の３つの特徴量Ｆ　１　ｒ　　Ｆ　２
　＋　　Ｆ３が求められる。この３つの特徴量Ｆ１＋Ｆ
２＋Ｆ３が第１３図に示すニューラルネットワークに入
力され、各ユニットｕｉの出力？がモニタされる。

各出力　７が求められると、最終的な出力であ４４ る　？と入力された特徴量Ｆ　ｌ　＋　　Ｆ２　＋　　
Ｆ　３に対応する腫瘍影候補Ｃ（上記のように、この腫
瘍影候補Ｃが腫瘍影であるか否かは既知である。）が腫
瘍影である場合に１、腫瘍影でない場合にＯの値を有す
る教師信号ｄとの二乗誤差 が求められる。この二乗誤差Ｅが最小となるように、以
下のようにして各結合の重みｗ：’；”　　が修正され
る。

二乗誤差Ｅを最小にするには、このＥはＷｔ：”の関数
であるから のように各結合の重みｗ　７　７　”　ｌが修正される
。ここでηは学習係数と呼ばれる係数である。

ここで、 ４５ ４６ であるから、 であり、 （２５）式より ｘ：＋１−ΣＷ’＋”，”ｙ ・・・（２５）．’ ｆ’　（Ｘ？　）＝Ｙ？　・（Ｉ　　Ｙ：）　　　・・
・（３４）となる。

（３０）式にいてｋ−２と置き、（３２）　，　（３４
）式を（３０）式に代入すると、 であるから、 （２９）式は、 −（ｙ＋　　　ｄ）　　・Ｙ？ （１ ｙ？）　　・ｙ？ ・・・（３５） となる。

この（８５）式を（２８）式に代入して、ここで、 （２７）式より、 （２６）式を用いてこの（３ｌ）式を変形すると、Ｗ＋
　１””Ｗ．−η・（ｙ？　　ｄ）・バ・（１　　ｙ？
）　・ｙ？　　　　　・・・（３６〉となる。この（３
６）式に従って、ｗ？　？　（１−１，２＋３）の各結
合の重みが修正される。

次に、 ここで、（２４）式より、 ｆ’　（ｘ）　＝ｆ　　（ｘ）　　（１（ｘ） ・・・（３３） ４７ ４８ であるから、 この（３７）式に（２５）， （２６〉式を代入し ＝（ｙ：　　（１）　　・ｙｉ　・　（１　　ｙ？）・
パ・　（１−ｙ丁）・Ｗ？？　・ｙ゛ここで（３３〉式
より、 ｆ’（ｘτ）＝パ　・　（１　　ｙ？）　　　・・・（
３９）であるから、この（３９）式と、（３２），　（
３４）式を（３８）式に代入して、 ・ｙ，・　（１　　ｙ？）　・Ｗ？　？　　・・・（４
ｏ）（３０）式においてｋ＝１と置き、（４０）式を（
３０）式に代入すると、 ・・・（４１） この（４１）式を（２８）式に代入すると、ｋ＝１と置
いて、 Ｗｌ　，＝ｗ＋　，−η・　０’＋　　　ｄ）　　・ｙ
？（１−ｙマ）・Ｙ？（１−ｙ？）・ｙ１・Ｗｌ，　　
　　　　　　　　　　　　　　　　　　　・・・（４２
〉となり、（８６）式で修正されたＷ？　？　（ｉ−１
，２，３）がこの（４２）式に代入され、Ｗ：　？　（
ｉ，ｊ”Ｌ，２．３）が修正される。

尚、理論的にはく３６〉式，　（４２）式を用い、学習
係数ηを十分小さくとって学習回数を十分に多くするこ
とにより、各結合の重みＷ７７“１を所定の値に集束さ
せ得るが、学習係数ηをあまり小さくすることは学習の
進みを遅くするため現実的ではない。一方学習係数ηを
大きくとると学習が振動し４９ ５０ てしまう（上記結合の重みが所定の値に収束しない）こ
とがある。そこで実際には、結合の重みの修正量に次式
のような慣性項を加えて振動を抑え、学習係数ηはある
程度大きな値に設定される。

（例えば、Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔ，Ｇ．Ｅ．Ｈｉ
ｎｔｏｎ　ａｎｄ　Ｒ．Ｊ．Ｗｉ１１１ａｍｓ：Ｌｅａ
ｒｎｉｎｇ　ｉｎｔｅｒｎａｌ　ｒｅｐｒｅｓｅｎｔａ
ｔｉｏｎｓ　ｂｙｅｒｒｏｒ　ｐｒｏｐａｇａｔｉｏｎ
　Ｉｎ　Ｐａｒａｌｌｅｌ　Ｄｉｓｔｒｉｂｕｔｅｄ　
Ｐｒｏｃｅｓｓｉｎｇ．ＶｏｌｕＩＩｌｃ　１，Ｊ．Ｌ
．ＭｃＣＩｅｌｌａｎｄ，Ｄ．Ｅ．Ｉ？ｕｍｃｌｈａｒ
ｔ　ａｎｄ　Ｔｈｅ　ＰＤＰ　Ｒｅｓｅａｒｃｈ　Ｇｒ
ｏｕｐ，ＨＩＴ　Ｐｒｅｓｓ，１９８６ｂＪ参照） ΔＷフ：”　（ｔ＋１）ｘα・ΔＷ？　：”　（ｔ）　
十ただしΔＷ？　：”　　（ｔ）は、ｔ回目の学習にお
ける、修正後の結合重みＷ’＋’４”から修正前の該結
合の重みｗ　ｋ　ｋ”　ｌを引いた修正量を表わす。ま
た、αは、慣性項と呼ばれる係数である。

慣性項α、学習係数ηとしてたとえばα−０．９η＝０
．２５を用いて各結合の重みＷ７１“１の修正（学習）
をたとえば２０万回行ない、その後は、各結合の重みＷ
７７”は最終の値に固定される。この学習の終了時には
、腫瘍影候補Ｃのうち腫瘍影については１に近い値、腫
瘍影候補Ｃのうち腫瘍影でないものについては０に近い
値が出力ｙ？とじて出力されるようになる。

そこで学習が終了した後は、今度は肚瘍影であるか否か
が未知の腫瘍影候補が抽出され特性値Ｆ．，Ｆ２，Ｆ３
が求められて、第｛３図に示すニューラルネットワーク
に入力され、それにより得られた出力Ｖ？がその腫瘍影
候補が腫瘍影である蓋然性の程度を表わす信号となる。

尚、上記ニューラルネットワークは３層構造のものに限
られるものではなく、さらに多層にしてもよいことばも
もちろんである。また各層のユニットの数も、上記実施
例における数に限定されるものではなく、入力される特
性値の数、腫瘍影である蓋然性を表わす信号の必要とす
る精度等に応５１ じた任意の数のユニットで各層を構成し得ることももち
ろんである。

尚、上記実施例では好ましい態様としてニューラルネッ
トワークが用いられているが、本発明の異常陰影抽出手
段４はニューラルネットワークを備えたものに限られる
ものではなく、ニューラルネットワークに代えてまたは
これとともにたとえば以下に述べるＮＮ　（ｎｅａｒｅ
ｓｔ　ｎｅｉｇｈｂｏｒ法）を用いて複数の特徴量Ｆ１
　ｒ　Ｆ２　＋　Ｆ３に基づく判断を行なってもよい。

上記ニューラルネットワークを用いる場合と同様に、肚
瘍影の有無および肚瘍影が存在する場合のその位置が既
知の多数のＸ線画像が用意され、腫瘍影候補Ｃの抽出が
行なわれ、さらに各腫瘍影候補Ｃについて前述した３つ
の特徴量Ｆ１　＋　　Ｆ２　＋Ｆ３が求められる。これ
らの特徴量Ｆ１．Ｆ２．Ｆ３の組と、これら特徴量Ｆ１
　＋　　Ｆ２　＋　　Ｆ３に対応する腫瘍影候補Ｃが腫
瘍影であるか否かという情報とがデータベースとして異
常陰影抽出手段４に蓄積される。

次に腫瘍影であるか否かが未知の腫瘍影候補Ｃ５２ から抽出された特性値Ｆ１　＋　　Ｆ２　＋　　Ｆ３と
、既にデータベースとして入力されている多数の特性値
Ｆ；　，　　Ｆ２　，　　Ｆ３　（＋−１．２，　−・
−−−−，　ｎ）とを用いて、距離ａ，が、 ａ＋＝（Ｆ：−Ｆ？）２＋（Ｆ２−Ｆ；）２＋？Ｆ９　
　　Ｆ；）２　　　　　　　　　・・・（４４）の演算
式に従って求められる。これらの距離ａ（１−１．２，
・・・・・・，　ｎ）のうちの最小の距離ａ■に対応す
る特性値Ｆ　’；　＋　　Ｆ　２　＋　　Ｆ　３を有す
る腫瘍影候補Ｃが腫瘍影であるか否か、およびその距離
ａ．，，の大きさ等により入力された特性値Ｆ１　＋　
　Ｆ２　＋Ｆ二を有する腫瘍影候補Ｃが腫瘍影である蓋
然性の程度が求められる。

また、上記実施例と同様に腫瘍影の有無および腫瘍影が
存在する場合のその位置が既知の多数のＸ線画像が用意
され、腫瘍影候補Ｃの抽出が行なわれ、各腫瘍影候補Ｃ
について荊述した３つの特徴量Ｆｌ　，Ｆ２　＋　　Ｆ
３が求められた後、これら特徴量Ｆｌ　＋　　Ｆ２　，
Ｆ３の組と、これらの特徴量Ｆ１　＋　　Ｆ２　，Ｆ３
に対応する腫瘍影候補Ｃが腫瘍影であるか否かという情
報とに基づいて、各特徴量Ｆ，，Ｆ２，Ｆ３について腫
瘍影であるか否かを区分するしきい値を求めて異常陰影
抽出千段４に記憶しておき、腫瘍影であるか否かが未知
の肚瘍影候補Ｃが抽出され特徴ｉＦ，，Ｆ２，Ｆ３が求
められて、異常陰影抽出手段４に入力された際に、これ
らの特徴量をしきい値処理して対応する腫瘍影候袖Ｃが
肚瘍影であるか否かを判定しもよい。

このように、異常陰影抽出手段４では上記各方法および
さらに異なる公知の種々の方法のいずれか、さらにそれ
らの方法の種々の組合せにより、複数の特徴量Ｆ１　＋
　　Ｆ２　＋　・・・・・・，Ｆｎに基づく、腫瘍影候
補Ｃが腫瘍影であるか否か、または腫瘍影である蓋然性
かどの程度であるかという判断が行なわれる。

第４図に示すコンピュータシステム４０の異常陰影抽出
手段４には、特徴量演算手段３で求められた複数の特徴
量Ｆ１　＋　　Ｆ２　＋　　Ｆ３とともに情報演算手段
２で求められた解剖学的情報Ｄすなわち本実施例におい
ては肺門部１５ａと肺野部Ｌ５ｂ　　（第３図参照）と
を区分する情報と、肋骨影１５ｃ（第１１図参照）を抽
出した情報が入力される。

この実施例における異常陰影抽出手段４は前述したニュ
ーラルネットワーク（第１３図参照）を備えており、該
ニューラルネットワークから候補抽出千段１で抽出され
た腫瘍影候補Ｃが腫瘍影である蓋然性の程度がＯ〜１の
範囲の数値（１に近いほど腫瘍影である蓋然性が高い）
を表わす出力ｙ１が得られ、この出力Ｙ？が所定のしき
い値Ｔｈ５と比較され、ｙマ≧Ｔｈ５であるか、ｙ１く
Ｔｈ５であるかにより、対応する腫瘍影候補Ｃが腫瘍影
であるか否かの判定が行なわれる。即ちこの判定により
腫瘍影候補Ｃから腫瘍影の抽出が行なわれる。

ここで、前述したようにここで問題としている５５ ５６ 腫瘍影は肺門部１５ａよりも肺野部１５ｂに現われやす
いという性質を有する。そこで、本実施例では、肺野部
１５ｂにある腫瘍影候補Ｃについて腫瘍影であるか否か
を判定する際には上記しきい値Ｔｈ５が低め（たとえば
０．４）に設定され、肺門部Ｌ５ａにある腫瘍影候補Ｃ
の判定の際には高め（たとえば０，６）に設定される。

その後、このようにして抽出された肚瘍影について、該
抽出された腫瘍影の位置が肋骨影１５ｃの交叉部１５ｄ
　　（第１１図参照）の位置と比較され、両位置が一致
しているか否かが判定され、一致している場合は腫瘍影
から除外され、最終的に残ったものが腫瘍影とされる。

尚、上記しきい値Ｔｈ５は固定しておいて、肺野部１５
ｂであるか肺門部１５ａであるかの情報を特徴ｆｆｉＦ
ｔ　，　　Ｆ２　，・・・，Ｆｎのひとつとして前述し
たニューラルネットワークに入力するようにしてもよい
。

また、前述したように、情報演算手段２で求められる解
剖学的情報は特定の情報に限定されるものではなく、注
目している異常陰影の種類や必要とする抽出精度等に対
応して種々の解剖学的情報が求められることに対応し、
異常陰影抽出手段４における解剖学的情報の利用方法は
、上記肺野部１５ｂと肺門部１５ａとを区別する情報の
利用方法、肋骨影の位置情報の利用方法に限られるもの
ではなく、求められた解剖学的情報に応じてその情報を
種々に利用し得るものである。

また、この異常陰影抽出手段４は、上記の実施例のよう
に先ず複数の特徴量Ｆ１，ｐ２，・・・・・・Ｆｎに基
づく判断を行なった後解剖学的情報Ｄに基づく判断を行
なうものであってもよく、これとは逆に、解剖学的情報
Ｄに基づく判断を行なった後複数の特徴量Ｆ１　＋　　
Ｆ２　ｒ　・・・・・・＋　　Ｆｎに基づく判断を行な
うものであってもよく、さらにこれら両者の判断を同時
に行なうものであってもよいものである。

以上の実施例は、蓄積性蛍光体を用いて得られた人体の
胸部Ｘ線画像に典型的には円形として現われる腫瘍影を
抽出する例であるが、本発明は円形の腫瘍影の抽出に限
られるものではなく、また胸部Ｘ線画像に限られるもの
でもなく、さらに蓄積性蛍光体を用いるシステムに限ら
れるものでもなく、被写体の放射線画像を表わす画像デ
ータに基づいて該放射線画像上の異常陰影を検出する際
に広く用い得る構成を備えているものである。

尚、本発明は、一旦抽出された異常陰影候補Ｃから、複
数の特徴量Ｆ１　＋　　Ｆ２　＋　・・・・・・，Ｆｎ
と解剖学的情報Ｄとを用いて異常陰影Ｔを抽出するもの
であるが、これ加えて、第１図に破線で示すように、解
剖学的情報Ｄを候補抽出手段１に入力して、異常陰影候
補Ｃを抽出する際に解剖学的情報Ｄを用いることもでき
る。

たとえば第５図を用いて前述した、所定の画素Ｐｏが腫
瘍影内の画素であるか否かの判定を行なう際、肋骨の位
置情報を用いて、たとえば第１ｌ図に示す画素Ｐｏが腫
瘍影内の画素であるか否かの判定にあたっては、Ｌ１　
＋　　Ｌ３　＋　　”５　，ＬＴについてはｒ１とｒ２
の情報を用い、Ｌ２とＬ６についてはｒ１〜ｒ３の情報
を用い、Ｌ，とＬ８にっいてはｒ１の情報のみを用いる
ことによりこの肋骨影がこの判定に影響を及ほすことが
回避される。

（発明の効果） 以上詳細に説明したように、本発明の異常陰影検出装置
は、候補抽出手段で異常陰影候補が抽出され、情報演算
手段で解剖学的情報が求められるとともに特徴量演算手
段で複数の特徴量が求められ、これら解剖学的情報と複
数の特徴量が異常陰影抽出手段に入力され、異常陰影抽
出手段において入力された解剖学的情報と複数の特徴量
とに基づいて上記異常陰影候補から異常陰影を抽出する
ように構成されているため、異常陰影が精度良く検出さ
れる。

また、複数の特徴量を入力とし、異常陰影である蓋然性
の高低を表わす量を出力とするニューラルネットワーク
を用いることにより、観察者のこれまでの知識、経験を
このニューラルネットワークに学習させることかでき、
検出精度がさらに向上する。

５つ ６０

【図面の簡単な説明】

第１図は、本発明の異常陰影検出装置の構戊を明示した
ブロック図、 第２図は、Ｘ線画像撮影装置の一例の概略図、第３図は
、蓄積性蛍光体シート上に蓄積記録された胸部Ｘ線画像
の一例を模式的に表わした図、第４図は、Ｘ線画像，読
取装置の一例と、本発明の異常陰影検出装置の一実施例
であるコンピューターシステムとを表わした斜視図、 第５図は、第一の候補抽出手段１で用いられる、腫瘍影
を抽出する空間フィルタの例を説明するために、Ｘ線画
像上の所定の画素Ｐｏを中心に該画像上に仮想的に描い
た図、 第６図は、上記所定の画素Ｐｏを中心とした、第５図の
線分Ｌ１とＬ５の延びる方向（Ｘ方向）のＸ線画像のプ
ロファイルの一例を示した図、第７図は、所定の画素Ｐ
。が腫瘍影内の画素であるか否かの判定に用いる特性値
の求め方を説明するための図、 第８図は、画像データｆ，ｊのグラジェントｆ目等のベ
クトルを示す図、 第９Ａ図、第９Ｂ図は、一旦腫瘍影の候補として抽出さ
れた、それぞれ真正の腫瘍影および血管等の密集した領
域のＸ線画像とそのＸ方向，ｙ方向のプロファイルを表
わした図、 第ｌＯ図は、第３図に示すＸ線画像から得られた画像デ
ータのヒストグラムを表わした図、Ｍｕ図は、第３図に
示す胸部Ｘ線画像のうちの帥楢影（第３図には図示せず
）の一部を拡大して示した図、 第１２図は、候補抽出手段で抽出された腫瘍影候補の一
例を表わした図、 第１３図は、異常陰影抽出手段で採用される、誤差逆伝
播学習機能を備えたニューラルネットワークの一例を表
わした図である。 １・・・候補抽出手段　　２・・・情報演算手段３・・
・特徴量演算手段　４・・・異常陰影抽出手段６・・・
肋骨影　　　　　７・・・腫瘍影１０・・・Ｘ線撮影装
置　　１４・・・蓄積性蛍光体シートｌ５・・・肺部　
　　　　　１５ａ・・・姉門部１５ｂ・・・柿野部　　
　　１６・・・皮膚部１７・・・直接Ｘ線部　　　２ｏ
・・・Ｘ線画像読取装置２３・・・レーザ光源　　　２
６・・・回転多面鏡２９・・・輝尽発光光　　　３ｏ・
・・光ガイド３１・・・フォトマルチプライヤ ４０・・・コンピュータシステム 第 ７ 図 第９Ａ図 鰹 翠璽

Claims (2)

【特許請求の範囲】
1. （１）被写体の放射線画像を表わす画像データに基づい
   て前記放射線画像上の異常陰影を検出する異常陰影検出
   装置において、 前記画像データに基づいて、前記異常陰影の候補を抽出
   する候補抽出手段、 前記画像データに基づいて、前記被写体の解剖学的情報
   を求める情報演算手段、 前記候補抽出手段により抽出された前記候補の近傍の前
   記画像データに基づいて、該各候補毎に複数の特徴量を
   求める特徴量演算手段、および前記特徴量演算手段によ
   り求められた前記複数の特徴量と前記情報演算手段で求
   められた前記解剖学的情報とに基づいて、前記候補抽出
   手段で抽出された前記候補から前記異常陰影を抽出する
   異常陰影抽出手段を備えたことを特徴とする異常陰影検
   出装置。
2. （２）前記異常陰影抽出手段が、前記複数の特徴量を入
   力とし、前記候補が異常陰影である蓋然性の程度を表わ
   す量を出力とするニューラルネットワークを備えたこと
   を特徴とする請求項１記載の異常陰影検出装置。