JPH0327485A - 異常陰影判定装置 - 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
づいて放射線画像上に指定された異常陰影候補が異常陰
影であるか否かを判定する異常陰影判定装置に関するも
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８１−５１９３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５Ｂ−１１３９５号，同５５−１８３４
７２号．同５［ｉ−１０４８４５号，同５５−　１１６
３４０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
蓄積後に励起にょって輝尽発光する発光光の光量が極め
て広い範囲に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
装置に放射線画像を可視像として出力させることによっ
て、放射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成されたシステム
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６２−１
２５４８１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，円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
ない実空間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
成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、医師が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目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るパターンを洩れ
なく抽出すると、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。

本発明は、上記事実に鑑み、たとえば上記のような実空
間フィルタによる走査等により放射線画像上に指定され
た、たとえば腫瘍等の異常陰影候補が、異常陰影である
か否かを精度良く判定することのできる異常陰影判定装
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） 本発明の異常陰影判定装置は、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に指定され
た異常陰影候補が異常陰影であるか否かを判定する異常
陰影判定装置であって、前記異常陰影候補の近傍の前記
画像データに基づいて、複数の特徴量を求める演算手段
と、前記複数の特徴量を入力して前記異常陰影候補が異
常陰影である蓋然性の高低を表わす量を出力するニュー
ラルネットワークとを有することを特徴とするものであ
る。

ここで、前記異常陰影候補の面積、形状、およびコント
ラストのうち少なくとも一つが前記複数の特徴量に含ま
れることが好ましい。

尚、上記「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。本発明の異常陰影判定装置
は、これらの異常陰影の全てを判定するものであっても
よいが、これに限られず、たとえば腫瘍影のみを異常陰
影として判定対象とするものであってもよい。

また、上記異常陰影候補の指定方法は特に制限されるも
のではなく、たとえば前述したような実空間フィルタを
用いて放射線画像上を走査することにより指定してもよ
く、該放射線画像の観察者がマニュアルで指定してもよ
い。

また、上記「特徴量」とは、指定された異常陰影候補の
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、たとえば異常陰影候補の面積，形状の不整度、
異常陰影候補内の画像データの平均値、画像データの分
散値、異常陰影候補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。上記演算手段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、
判定すべき異常陰影の種類、判定精度、演算時間等を考
慮して定められるものである。ただし、後述するように
、異常陰影候補の面積、形状、コントラストはいずれも
該異常陰影候補の異常陰影としての確からしさを反映し
ており、上記ニューラルネットワークの入力としてこれ
ら面積、形状、コントラストのうち少なくとも一つを用
いることが好ましい。

また、上記「ニューラルネットワーク」とは、人間の脳
の働きをモデル化したアルゴリズムをいう。

（作　　用） 本発明の異常陰影判定装置は、上記のように、指定され
た異常陰影候補の近傍の画像データに基づいて複数の特
徴量Ｆｌ　＊　Ｆ２　＋　・・・・コ　Ｆｎを求め、こ
れら複数の特徴量をニューラルネットワークに入力して
、上記異常陰影候補が異常陰影である蓋然性の高低を表
わす量を出力するようにしている。また、このニューラ
ルネットワークが誤差逆伝播学習機能を備えることによ
り過去の知識、経験等を“学習”させて上記異常陰影候
補が異常陰影であるか否かを高精度に判定させることが
できる。ここで「誤差逆伝播学習機能」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）を修正するというニューラル
ネットワークにおける“学習”アルゴリズムをいう（例
えば、ｒＤ　．　Ｅ　．Ｒｕｍｅｌｈａｒｔ．Ｇ．Ｅ．
Ｈｉｎｔｏｎ　ａｎｄ　Ｒ．Ｊ．Ｗｉｌｌｉａｍｓ：Ｌ
ｅａｒｎｉｎｇ　ｒｅｐｒｅｓｅｎｔａｔｔｏｎｓ　ｂ
ｙ　ｂａｅｋ−ｐｒｏｐａｇａｔｉｎｇ　ｅｒｒｏｒｓ
．Ｎａｔｕｒｅ，３２３−９．５３３−３５６．　９８
８ａｊ　，　　ｒ麻生英樹：バックプロパゲーション　
Ｃｏｍｐｕｔｒｏｌ　Ｎ０．２４　５１−１１１０Ｊ，
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）。

また、上記異常陰影候補の面積、形状、コントラストの
うち少なくとも一つを上記特徴量に含ませることにより
、これら面積、形状、コントラストは上記異常陰影候補
の異常陰影としての確からしさをよく反映したものであ
るため、判定精度を十分に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、
人体の肺内に典型的には略球形として生じる腫瘍の陰影
を異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
白っぽく　（濃度が低い）略円形のパターンとして現わ
れる。

第１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ｌＯのＸ線源１１からＸ線ｌ２が人体
１３の胸部１３ａに向けて照射され、人体１３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ｌ
４に蓄積記録される。

第２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ｌ６、さらにその両側にＸ線１
２（第１図参照）が被写体ｌ３を透過せずに直接シー｝
１４に照射された直接Ｘ線部ｌ７が形成されている。

第３図は、Ｘ線画像読取装置の一例と、本発明の異常陰
影判定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２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１４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ー
｝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１１ １２ 多面鏡２６によって反射偏向され、ｆθ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
て前記シ一ト１４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１４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。

上記光ガイド３０はアクリル板等の導光性材料を或形し
て作られたものであり、直線状をなす入射端面３０ａが
蓄積性蛍光体シ一ト１４上の主走査線に沿って延びるよ
うに配され、円環状に形威された射出端面３０ｂにフォ
トマルチプライヤ８ｌ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
ｌ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３ｌ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
の異常陰影判定装置の一例を内包するものであり、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から構成されている。

コンピュータシステム４０に画像データＳ１が入力され
ると、この入力された画像データＳ１に基づいて、先ず
腫瘍影候補（異常陰影候補）が指定され、次にその腫瘍
影候補が腫瘍影（異常陰影）である蓋然性の高低が求め
られる。

上記腫瘍影候補の指定は、前述したように、オペレータ
が該Ｘ線画像を観察しながらマニュアルで行なうもので
あってもよいが、以下、実空間フィルタによりＸ線画像
上を走査して腫瘍影と考えられるパターン（以下これを
腫瘍影と呼ぶことがある。）を抽出し、この抽出された
腫瘍影を上記指定された腫瘍影候補として該腫瘍影候補
が真の腫瘍影であるか否かを判定する例について説明す
る。

腫瘍影候補の抽出 第４図は、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Ｐｏ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５図Ｃよ、上記所定の画素Ｐｏを中心とした、第４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である。ここでは所定の
画素Ｐｏは、肋骨影６の極く？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５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４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Ｐ。を中心とした、それぞれ半径ｒ１
＋　　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Ｌ，と各円Ｒ．との各交点に位置する各画素
Ｐ　＋＋　（第４図にはＰ　ＩＩ＋　Ｐ　Ｉ■＋　Ｐ　
１３＋　Ｐ　５１＋Ｐ　５２＋　　Ｐ　５３について記
号を示してある。）の画像データをｆ．とする。

ここで、所定の画素Ｐｏの画像データｆＯと各画素Ｐ．
の画像データｆ１との差分Δ１が下記（１）１５ １６ ？に従って求められる。

Δｌ，−ｆ目−ｆｏ　　　　　・・・（１）（ｉ　−１
．２．・・・・・・．８　．　ｊ　−１．２．３　＞次
に各線分Ｌｌ毎に、（１）式で求められた差分Δ，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Ｌ１については、画素Ｐ　ＩＩ＋　
　Ｐ　ｌ■，Ｐ１３に対応する各差分ΔＩ１”’　ｆ　
ＩＩ　　ｆＯ Δ１２”　ｆ　１２　　ｆｏ Δ１３””ｆｌ３　　ｆｏ のうちの最大値が求められる。この例では、第５図に示
すようにΔ１３＜Δ，２＜Δ１，＜０であり、したがっ
てΔ１ｌが最大値となる。また線分Ｌ５については画素
Ｐ　５１＋　　Ｐ　５■，Ｐ，，に対応ナる各差分Δ５
１＝ｆ５１　　ｆＯ Δ５２＝ｆ５■一ｆ０ Δ５３−　ｆ　５９　　ｆ　Ｏ のうちの最大値Δ，，が求められる。

このように所定の画素Ｐｏと、各線分Ｌ１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、所定の画素ｐｏ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Ｌ丁、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，　Ｍ，，
，　Ｍ４．）が求められる。

線分Ｌｌと線分Ｌ５との組については、その平均値Ｍ，
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５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　＋　５１　Ｍ　２６１　Ｍ
　３７１Ｍ４８が求められると、これらの平均値Ｍ　，
５，　Ｍ　２６，Ｍ３７，　Ｍ４．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
否かの判定に用いる特性値Ｃ工が求められる。

第６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Ｍ１５，
　Ｍ２６，　Ｍ３７，　Ｍ４Ｂ、縦軸はこれらの平均値
に対応する各評価値Ｃ１５＋　Ｃ２６＋　Ｃ３７＋Ｃ４
８である。

平均値Ｍ＋５，　Ｍ２６，　Ｍ３７，　Ｍ４Ｂがある値
Ｍ１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　、ＩＪ−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Ｍ　Ｉ　，Ｉ　Ｍ　２６
＋Ｍ３７，　Ｍ４８にそれぞれ対応する評価値Ｃ　Ｉ　
５＋　　Ｃ　２６＋Ｃ　３７＋　　Ｃ　４８が求められ
、これらの評価値Ｃ１５，Ｃ　２６＋　　Ｃ　３７＋　
　Ｃ４８の和Ｃ　１　　”　Ｃ　＋ｓ＋　Ｃ　２６＋Ｃ
　３７＋　Ｃ　４８　　　・・・（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０１が所定のしきい値Ｔｈｌと比較され、Ｃ
１≧Ｔｈｌであるか、Ｃ１＜Ｔｈｔ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。

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線画像上の腫瘍影が抽出される。尚、
上記フィルタの走査においては、一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
候補と呼ぶ。

腫瘍影候補を抽出する実空間フィルタは、上記フィルタ
に限定されるものではない。以下に、腫瘍影候補の抽出
に用い得る実空間フィルタの他の例について説明する。

第５図の各画素Ｐ目（ｉ　＝１，２，・・・・・・．８
；ｊ＝１，１９ ２０ ２．３）の画像データｆｌ，のグラジェントｆｌ，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．ｙ方向に隣
接する画素ｐ’　，ｐ’の座標をそれぞれ（ＩＩｌ＋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　（ｍａｌ，ｎ）　．　　ｆ　（＋ｎ．ｎ＋１）とし
たとき、ｆ　（ｍ，ｎ）　−　（　ｆ　（ｍ＋ｌ．ｎ）
　−　ｆ　（ｖｎ）　．ｆ　（ｉ．ｎ＋１）　−　ｆ　
（ｍ，ｎ）　）　　−（４）で表わされるベクトルをい
う。

第７図は、上記グラジェント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ｆｌ，が求められた後、これらのグラジエ
ントｆｌ，のベクトルの長さが１．０に揃えられる。即
ち、グラジエントｆ．の大きさをｆ＋＋１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、この規格化グラジエントｆ　ｌ，／　Ｉｆ１１の
、線分Ｌ．の方向の成分が求められる。即ち、各画素Ｐ
．から所定の画素Ｐ。に向かう単位ベクトルを０１とし
たとき、ｆ．／１ｆｌ，＊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Ｌｌ（１　＝１
．２．・・・・・・，８）毎に各最大値（Ｖ　ｆ　ｕ／
　ｌ　Ｖ　ｆ　＋１　ｌ　＊ｅ，　）　ｙ（ｉ　−１．
２，・・・・・・，８） が求められ、さらにこれら各最大値 ｛Ｖ　ｆ　．／　ｌ　Ｖ　ｆ　．ｌ　＊ｅ．　）　Ｍを
加算した加算値 Σ　（Ｖｆ＋＋／ｌＶｆｕｌ＊ｅ＋ｌｕが求められる。

この加算値 Σ　（Ｖｆ＋ｊ／　ｌＶｆ＋１１＊ｅ＋　）ｙを特徴量
Ｃ２として、この特徴量Ｃ２が所定のしきい値Ｔｈ２と
比較され、Ｃ２≧Ｔｈ２であるか、Ｃｚ＜Ｔｈ２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。

このフィルタは、グラジェントｆ目の大きさＩＶｆ＋＋
ｌを規格化し、その方向（線分Ｌ１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、腫瘍影候補の抽出に用い得る実空間フィルタのさ
らに異なる例について説明する。

第４図に示すＱｏおよびＱ　＋＋　（１　−１，２．−
−．８　；ｊ　−１．２．３　）　　（ただし第４図に
は、明示的にはＱＯおよびＱｌｌＩ　　Ｑ＋２・　ＱＩ
３・　Ｑｓ＋，Ｑラ２・　Ｑ５３のみ示してある）は、
それぞれ画素Ｐ０を含む中央領域および各画素Ｐ　目（
ｉ−１，２，・・・・・・，８；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Ｑ＋１　（ｉ　−１．２，・・・
・・・，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　．　Ｑｒ＋　（ｉ　−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Ｑｇ＋Ｑ＋＋　Ｕ　−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で同一
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目の
それぞれとの各差分Δ．（１　＝１，２．・・・・・・
，８　．　ｊ　＝１．２．３　）が ΔＩｒ　＝　Ｑ　Ｉｒ　　Ｑ　ｏ　　　　　　・・・（
５）として求められ、さらに各線分Ｌ１毎に、差分Δ目
の最大値Δ直が求められる。即ち、線分Ｌ１＋Ｌ５につ
いて例を示すと、線分Ｌ１についてはΔ１、，Δ１２，
Δ１３のうちの最大値Δ１、線分Ｌ５についてはΔ５，
，Δ５２，Δ５３のうちの最大値Δ５が求められる。

次に、最大値Δ＋（１−１〜８）を代表する第一の特性
値Ｕと最大値Δ＋（１−１〜８）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〜Ｕ４　＋　Ｖ１　’＝”
４が求められる。

Ｕ１−（Δ１＋Δ２＋Δ５＋Δ５）／４　・・・（６）
Ｕ２　−　（Δ２＋Δ３＋Δ６＋Δ７）／４　・・・（
７）２３ ２４ Ｕ３＝　（Δ３　＋Δ４　＋Δ７　＋Δ８）／４　・・
・（８）Ｕ４−（Δ４＋Δ５＋Δ８＋Δｌ）／４　・・
・（９）Ｖ１＝　Ｕ１　　／　Ｕ３　　　　　　　　　
　　　　　　　−　（１０）Ｖｚ　　−Ｕ２　／Ｕａ　
　　　　　　　　　　　　　　　−（１１）Ｖ３　　−
Ｕ３　／Ｕｔ　　　　　　　　　　　　　　　　−（１
２）Ｖ　ａ　　＝　Ｕ　ａ　／　Ｕ　ｚ　　　　　　　
　　　　　　　　　−　（１３）ここで、たとえば（６
）式に従って特性値Ｕ，を求める場合について説明する
と、隣接する２つの領域（Δｌ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５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Ｖ１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Ｖ１＝ｔ．
Ｏとなり、円形から外れる場合、即ち画素Ｐｏが肋骨影
のように直線状の陰影内にある場合はＶｌは１．０から
外れることになる。

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　
　（Ｕ１．　Ｕ２　．　Ｕ３　，　Ｕｎ　）　　−（１
４）が採用され、上記差分の最大値Δ＋（ｉ−１〜８）
のばらつきを表わす第二の特性値Ｖとしては、■１〜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，　Ｖが求められると、所定の画素Ｐｏ
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 Ｃ３　−　　　　　　　　　　　・・・（ｌ６）■ が採用され、この特性値Ｃ３が所定のしきい値Ｔｈ３と
比較され、Ｃ３≧Ｔｈ３であるか、Ｃ３くＴｈ３である
かにより、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。

以上、例を示したように、第３図に示すコンピュータシ
ステム４０では先ず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４図に示すように
８本の線分Ｌ．−Ｌ８上の画素Ｐ１や平均値Ｑ１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
定の画素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、腫瘍影候補の抽出は上記
各フィルタを用いる方法に限られるものではなく、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（腫瘍影でないパ
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く、したがってここで用いる
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。そこでここでは、
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する。

第８Ａ図，第８Ｂ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２７ ２８ 一タＳ１をプロットしたもの）である。

腫瘍影（第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
、一旦腫瘍影候補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ｔｎ　　（ｍ−１．２．・・・・・・）、ｙ方向に並
ぶ画素をｎ　　（ｎ　＝１．２．・・・・・・）で表わ
し、（ｖｎ）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
。

ｚ８−ΣΣ　｛ｆ　（Ｉｎ＋１，ｎ）　−　ｆ　（Ｉｌ
ｌ．ｎ）　ｌ　２／Ｎ０゜０“　　　　　　　　　　　
　　　　・・・（１７〉ｚｙ一ΣΣ　（ｆ　（ｍ，ｎ＋
１）　−　ｆ　（ｍ．ｎ）　）　２／Ｎ（ｍ．　ａ）ｃ
−Ａ　　　　　　　　　　　　　　　　・，，　（Ｉｇ
）（ただしΣ　Σは領域Ａ内で一次差分値の（ｍ．ｎ）
ζ＾ 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、腫瘍影候補として存続させるか腫瘍影候補から除
外するかを判定するための特徴量Ｃ４として、上記Ｚ８
とＺ，のうち値の小さい方をＩＩｌｉｎ（ｚｌ，ｚｙ）
、値の大きな方をｍａｘ（Ｚ！，Ｚｙ）としたとき、 が算出され、この特徴量Ｃ４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
、Ｃａ　＜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 Ｃ２−１２，−Ｚ，　　ｌ　　　　　　　　　・・・（
２ｌ）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　（ｍ＋１．ｎ）　一ｆ　（ｍ．ｎ）　
，　　ｆ　（Ｉｌｌ．ｎ＋１）−　ｆ　（Ｉｌｌ，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３図のコンピュータシステム４０では、以上のように
して実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、（ｌ９）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０を対応させた
二値画像データが求められる。以後（ｌ９）式の特徴量
Ｃ４を用いて判定が行なわれた後の腫瘍影候補を腫瘍影
候補と称する。

演算手段 上記のようにして腫瘍影候補が求められると、次にこの
求められた腫瘍影候補の近傍の画像データＳ１に基づい
て、各候補毎に複数の特徴量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の面積Ｆ１、各腫瘍影候補の
形状Ｆ２および各腫瘍影候補のコントラストＦ３の３つ
の特徴量Ｆ１〜Ｆ３が求められる。尚、コンピュータシ
ステム４０（第３図参照）のこの特徴量を求める機能が
本発明の演算手段の一例と観念される。

第９図は、前述したようにして抽出された腫瘍影候補の
一例を表わした図である。中央の領域７が腫瘍影候補と
して抽出された領域である。

抽出された腫瘍影候補のうち、面積が小さい（たとえば
２５＃Ｉ＃＋２以下）の場合は、血管のタンジェント（
Ｘ線画像（第２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ＬＯｍｍ〜
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Ｆ１が求３１ ３２ められ、その腫瘍影候補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Ｆ工が採用
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０
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０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ｆｌ　＋　（ｉ−１．２，・・・・・・，８〉に
沿って重心０から領域７の周縁７ａまでの各距離ｄ＋　
（ｉ＝ｌ４，・・・・・・，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、腫瘍影候補の領域７内の画像データＳ１の平均
値ＡｖＩ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Ａｖ２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Ｆ，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〜Ｆ，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
徴量Ｆ１〜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。

ニューラルネットワーク 以上のようにして求められた３つの特徴量Ｆ１〜Ｆ３は
、ニューラルネットワークに入力される。

第ｌＯ図は、誤差逆伝播学習（パックプロバゲーション
）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。

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成される。第
ｋ層のｉ番目のユニットをｕｉ、該ユニット　？への全
入力をＸ？、全出力をＹｅ、ｕ：から　ｋ＋１への結合
の重みをＷ’＋１”とし、各ユニット　７は同一の特性
関数１ ｆ　（ｘ）　　一　　　　　　　　　　　　・・・（２
４〉１−ｅ８ を有するものとする。このとき、各ユニットｕ：の入力
Ｘｌ、出力ｙ：は、 ｘｉ一ΣＷ？　’　７　　−Ｙ　’＋−’　　　　・＝
　（２５）３５ Ｙ”ｒ　−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Ｆ１　＋　　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）に入力される。入力された３つの特徴量Ｆ
ｔ　，　　Ｆ２，Ｆ３は、各結合の重みｗ：７”　　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：’；”　　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：’；
”　　の初期値が与えられる。このとき、入力Ｆｌ％Ｆ
３が最大に変動しても、出力ｙ１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、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、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
補について上記の３つの特徴量Ｆ１　＋　　Ｆ２　＋　
　Ｆ３が求められる。この３つの特徴３６ 量Ｆ１　＋　　Ｆ２　＋　　Ｆ３が第１０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　？の出力
ｙ１がモニタされる。

各出力ｙ７が求められると、最終的な出カであるｙ？と
入力された特徴量Ｆ　１　＋　　Ｆ　２　１　　Ｆ　３
に対応する腫瘍影候補（上記のように、この腫瘍影候補
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０の値を有する教師信号
ｄとの二乗誤差 のように各結合の重みｗ：’；”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、 であり、（２５）式より ，＋　　一ΣＷ’ｓ：”・　ｋ ・・・（２５）’ であるから、（２９）式は、 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、 の関数であるから このＥはＷ． となる。

ここで、〈２７〉式より、 （２Ｂ）式を用いてこの（３ｌ〉式を変形すると、ここ
で、（２４〉式より、 ｆ’　（ｘ）　＝ｆ　　（ｘ）　　（１−ｆ　　（ｘ）
　）・・・（３３） であるから、 ｆ’（ｘマ）−ｙマ　　（１−ｙマ）　　・・・（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、この（３７）式に（２５），　（２Ｂ）式
を代入して、 ここで（３３）式より、 ＝（ｙ：　　ｄ）・ｙ？　・（１−ｙで）・パ・・・（
３５） この（３５〉式を（２８）式に代入して、ｆ’（ｘ？）
−ｙ？　　　（１　　ｙ？）　　　・・・（３９）であ
るから、この（３９〉式と、（３２），　（３４）式を
（３８）式に代入して、 Ｗ？　？−ｗ？マーη・（ｙ，　ｄ）・バ・　（１−ｙ
マ）・パ　　　　　・・・（３６〉となる。この（３Ｂ
）式に従って、Ｗ，　，　（ｉ＝１．２．３）の各結合
の重みが修正される。

次に、 ・ｙ丁・（１−ｙ丁）・Ｗ？マ　・・・（４０）＼ （３０）式においてｋ−１と置き、（４０〉式を（３０
）式に代入すると、 ４０ ３９ ＝（ｙマーｄ）・ｙで・　（１−ｙデ）・Ｖ’＋　　・
　（１　　ｙ？）・Ｗ？　？　・ｙ゛・・・（４ｌ） この（４ｌ〉式を（２８〉式に代入すると、ｋ−１と置
いて、 Ｗ：　？　−Ｗ：　，一η・　（ｙ＋　　ｄ）　・バ・
（１−ｙ：）・ｙ可・（１−バ）・ｙ１２３ ″Ｗ目 ・・・（４２） 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．Ｗ１１１１ａｍｓ：Ｌｅａ
ｒｎｉｎｇ　ｉｎｔｅｒｎａｌ　ｒｅｐｒｅｓｅｎｔａ
ｔｉｏｎｓ　ｂｙｅｒｒｏｒ　ｐｒｏｐａｇａｔｉｏｎ
　Ｉｎ　Ｐａｒａｌｌｅｌ　Ｄｉｓｔｒｉｂｕｔｅｄ　
Ｐｒｏｃｅｓｓｉｎｇ．Ｖｏｌｕｍｅ　１，Ｊ．Ｌ．Ｍ
ｃＣｌｅｌｌａｎｄ，Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔ　ａ
ｎｄ　Ｔｈｅ　ＰＤＰ　Ｒｅｓｅａｒｃｈ　Ｇｒｏｕｐ
，ＨＩＴ　Ｐｒｅｓｓ，１９８ＢｂＪ参照） となり、（３６〉式で修正されたＷ？マ（ｉ−１．２．
３）がこの（４２〉式に代入され、Ｗ：　？　（ｉ，ｊ
＝１，２．３）が修正される。

尚、理論的には（３Ｂ）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ΔＷ
？　＋”　　（ｔ＋１）一α・Δｗ’：　’；”　　（
ｔ）＋ることにより、各結合の重みｗ：　：　＋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
ただしΔＷ〒ｋ＋ｌ　　（ｔ）は、ｔ回目の学習におけ
る、修正後の結合重みＷ７：”から修正前の該結合の重
みＷｌ　，　　を引いた修正量を表わす。ま４１ ４２ 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Ｗ？　：”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
？　７＋１は最終の値に固定される。この学習の終了時
には、腫瘍影候補のうち腫瘍影については１に近い値、
腫瘍影候補のうち腫瘍影でないものについてはＯに近い
値が出力　？として出力されるようになる。

そこで学習が終了した後は、今度は腫瘍影であるか否か
が未知の腫瘍影候補が抽出され特性値Ｆ１　＋　　Ｆ２
　＋　　Ｆ３が求められて、第ｌＯ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ｙ１
がその腫瘍影候補が腫瘍影である蓋然性の高低を表わす
信号となる。この信号は、上記のようにして学習を行な
った後のものであるため、腫瘍影候補が腫瘍影である蓋
然性を精度良く表わしている。

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はも
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。

上記のようにして信号（出力ｙ＋）が求められると、こ
の信号（出力ｙ＋）が所定のしきい値Ｔｈ５（たとえば
０．５）と比較され、ｙ７≧Ｔｈ５であるか、Ｙ？　＜
Ｔｌ１５であるかに応じて、ニューラルネットワークに
入力された特徴量に対応する腫瘍影候補がそれぞれ腫瘍
影である、または腫瘍影ではないとの判定が行なわれる
。

ここで、上記しきい値Ｔｈ５は固定されたものである必
要はなく、たとえばＸ線画像の被写体の解剖学的情報に
基づいて、その値を変えてもよい。

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４３ ４４ 部，肺門部，肋骨，心臓，横隔膜等の位置情報等をいう
。

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、ここでは、以下のように
して肺部ｌ５が肺門部１５ａと肺野部１５ｂとに区分さ
れ、その情報は上記出力ｙ１としきい値Ｔｈ５との比較
の際にしきい値Ｔｈ５の値を定めるために用いられる。

第１１図は、第２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２図に示す直接
Ｘ線部ｌ７に対応する。中央の山ｌ５は第２図に示す肺
部１５に対応し、左側の山１Ｂは第２図に示す皮膚部１
Ｂに対応する。尚ここでは簡単のため、互いに対応する
第２図の各部と第１ｌ図の各山とで同一の番号を用いて
いる。

ここで肺部ｌ５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１１
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。

このようにして肺門部１５ａと肺野部１５ｂとが区分さ
れ、肺野部１５ｂにある腫瘍影候補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１５ａにある腫瘍
影候補の判定の際には高め（たとえば０．６）に設定さ
れる。

また、ここでは、肋骨影の抽出も行なわれる。

第ｌ２図は、第２図に示す胸部Ｘ線画像のうちの肋骨影
（第２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１２図には、第４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１２図に示すように２本の肋骨影１
５ｅの交叉した領域１５ｄが現われ、この交叉領域１５
ｄ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（１９）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、肋骨影を抽出し、腫瘍影候補から腫瘍影を求
め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１０月２６日画像工学研究会資
料　資料番号Ｉ　Ｔ７２−２４　　（１９７２−１０）
　）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。

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量Ｆ１　
＋　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、上記解剖学的情報は、異常陰影候補を抽出する際
に用いてもよい。

たとえば第４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１２図に示す画素Ｐ０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　ｒ　　Ｌ５　＋　　ＬＴについてはｒ１と
ｒ２の情報を用い、Ｌ２とＬ６についてはｒｌ−ｒ３の
情報を用い、ＬＡとＬ８については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ぼすこ
とが回避される。

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
求める例であるが、本発明は円形の腫瘍影を求める場合
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４７ ４８ 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
該放射線画像上に指定された異常陰影候補が異常陰影で
あるか否かを判定する際に広く用い得るものである。

（発明の効果） 以上詳細に説明したように、本発明の異常陰影判定装置
は、指定された異常陰影候補の近傍の画像データに基づ
いて複数の特徴量を求める演算手段と、これら複数の特
徴量を入力して上記異常陰影候補が異常陰影である蓋然
性の高低を表わす量を出力するニューラルネットワーク
を有しているため、指定された異常陰影候補が異常陰影
であるか否かを高精度で判定することができる。また、
高精度の判定を行なうためには、異常陰影候補の面積、
形状、およびコントラストのうちの少なくとも一つを上
記特徴量のひとつとしてニューラルネットワークに入力
することが好ましい。

【図面の簡単な説明】

第１図は、Ｘ線画像撮影装置の一例の概略図、第２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３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４図は、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ｐｏを中心に該画
像上に仮想的に描いた図、第５図は、上記所定の画素Ｐ
ｏを中心とした、第４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
、第６図は、所定の画素Ｐｏ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７図は、画像データｆ目のグラジエントｆ１等のベク
トルを示す図、 第８Ａ図、第８Ｂ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９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ｌＯ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、 第１１図は、第２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、第１２図は、第２図
に示す胸部Ｘ線画像のうちの肋骨影（第２図には図示せ
ず）の一部を拡大して示した図である。 ６・・・肋骨影　　　　　７・・・腫瘍影ｌＯ・・・Ｘ
線撮影装置　　１４・・・蓄積性蛍光体シートｌ５・・
・肺部　　　　　　１５ａ・・・肺門部１５ｂ・・・肺
野部　　　　１６・・・皮膚部１７・・・直接Ｘ線部　
　　２０・・・Ｘ線画像読取装置２３・・・レーザ光源
　　　２６・・・回転多面鏡２９・・・輝尽発光光　　
　３０・・・光ガイド３ト・・フォトマルチプライヤ ４０・・・コンピュータシステム ５１ １２０ 本ρ嗅 区 Ｏ 沫

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に指定された異常陰影候補が異常陰
   影であるか否かを判定する異常陰影判定装置であって、 前記異常陰影候補の近傍の前記画像データに基づいて、
   複数の特徴量を求める演算手段と、前記複数の特徴量を
   入力して前記異常陰影候補が異常陰影である蓋然性の高
   低を表わす量を出力するニューラルネットワークとを有
   することを特徴とする異常陰影判定装置。
2. （２）前記異常陰影候補の面積、形状、およびコントラ
   ストのうち少なくとも一つが前記複数の特徴量に含まれ
   ることを特徴とする請求項１記載の異常陰影判定装置。