JPH04125779A - 画像処理方法 - 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】 ［発明の目的］ （産業上の利用分野） 本発明は、例えばＭＨＩ、Ｘ線−Ｃ７画像等の医用画像
から、特定領域（ＲＯＩ）を抽出する画像処理方法に関
するものである。

（従来の技術） この種の画像処理方法として、従来、次の２つの方法が
主として知られている。

１）画像に２次元フィルタ（２次微分等）を掛けてエツ
ジを検出する方法。

２）閾値によりエツジを検出する方法。

上記１）の方法の場合、使用フィルタ条件がＲＯＩ特性
と正しくマツチしている時には、エツジが正確に検出さ
れるが、そのような最適フィルタを選択することが大変
困難である。もし１．正しいフィルタが選択されていな
ければ、エツジの検出能力は著しく低下する。この内容
については、文献ｒＭｅｄｉｃａｌ　　Ｉｍ＠ｇｉｎｇ
　　Ｔｅｃｈｎｏｌｏｇｙ　　１９８９Ｖｏｌ、７Ｎｏ
、ＩＪの第５５頁に、ｒＭＲＩからの頭部浮腫画像のＶ
フィルタによる鮮尖鋭化」なる表題のもとに記述されて
いる。

一方、上記２）の方法の場合は、手法そのものが極めて
簡単であるため多用されている。しかしながら、人間は
、閾値よりも急激な明るさの変化でエツジを検出してい
ることはよく知られている事実である。したがって、上
記２）の方法によると、抽出結果が操作者が意図したも
のと一致しない場合が起る。

（発明が解決しようとする課題） 第１３図は患者頭部のＸ線−Ｃ７画像を模式的に示した
もので、図中、外側の楕円形状のものＡは骨、内側の楕
円形状のものＢは腫瘍をそれぞれ示している。このＸ線
−Ｃ７画像のＩ−Ｘ線に沿った画像値のプロフィールは
、第１４図に示すようになる。すなわち、骨部Ａに対応
するピーク部ａにおいて最も高い画素値を示し、腫瘍部
Ｂに対応する高原部すにおいて相応の画素値を示す。

上記したような画像値プロフィールをもったＸ線−Ｃ７
画像においてＲＯＩ抽出を実施する場合、骨部のように
その周囲組織部との画素値差が充分に大きいときには、
前記従来の方法でも検出可能である。しかし、腫瘍が関
係する部位の場合、この画素値プロフィールの境界が明
瞭でないため、従来方法による腫瘍部ＲＯＩの検出は極
めて困難である。従って、現在では、操作者が例えばマ
ウス等を用いて、該当ＲＯＩの作画を手動にて実施する
場合が多い。しかしながらこのような手動作画では、例
えばＲＯＩの３次元表示を実施する場合には、その作業
量は多くなる。

またＲＯ１部位の特徴が、医用画像の種類（Ｘ線−ＣＴ
、ＭＨＩ等）、ＲＯＩの種類（患者体内の部位、臓器等
）等によって異なっていることが、各種ＲＯＩの自動抽
出をますます困難なものにしている。

本発明は上記課題を解決するためになされたもので、そ
の目的とするところは、任意の画像上で操作者の意図し
た任意のＲＯＩを半自動で抽出可能な方法を提供するこ
とである。

［発明の構成］ （課題を解決するための手段） 本発明は画像において、それらの画素を少なくとも２種
類の複数の群に区分する際、あらかじめ区分された複数
の群の一部あるいは全部の画素の情報を学習し、この学
習結果を利用して、各画像毎に、画像の一部あるいは全
部の画素を少くとも２種類の複数の群に区分することを
特徴とする画像処理方法である。

（作用） 複数枚の関連した画像において、それらの画素を領域の
内外に区分をする際に、上記関連画像の１枚について、
領域の内外の区分を実施し、その区分結果を学習する。

そして他の関連画像において、上記学習結果を利用して
領域を自動抽出する。

上記学習内容は １）領域の内側エツジの全画素 ２）領域内であって、上記エツジ以外の画素の内のサン
プル画素 ３）領域外であって、上記エツジ以外の画素の内のサン
プル画素 等である。このようにして、画像における領域の抽出が
半自動で実施可能である。

（実施例） 本発明の一実施例を図面を参照して説明する。

ここでは説明を簡単にするためにＲＯＩは閉ループ領域
であり、そのなかに他の領域を含まないとする。またノ
イズは少いとする。

ここで、本発明の説明に使用する言葉を説明する。第５
図はある画素ｍの近辺の画素の名称を説明したものであ
る。ある画素ｍの隣接画素ｍｎ（ｎ＝１〜２４）を第５
図に示すように定義する。

また ４−隣接画素：ｎ＝１〜４ ８−隣接画素：ｎ＝１〜８ ２４−隣接画素：ｎ＝１〜２４ と称する。

ここで第１図および第２図を参照して、本実施例方法の
手順について説明する。

１０００）計算機１は画像記憶装置２に記憶された画像
のうち、指定された１枚の画像データを読み出して、画
像表示装置３に画像１として表示する。

次に操作者は画像１上で、例えばマウス等の位置指定装
置４を用いて、特定領域（ＲＯＩ）を作画する。尚、こ
のＲＯＩ作画は、全てを操作者自身が作画するようにし
たものであってもよく、またはまず従来の方法で自動的
にＲＯＩを求めておいて、後にそれを修正するものであ
ってもよい。更にまた、第２番目以後の画像を処理する
場合には、本発明によって自動的に既に求められている
ＲＯＩに操作者が必要に応じて修正を加えて使用するよ
うにしてもよい。

２０００）上記のようにして求められたＲＯＩについて
、ニューラルネットワーク（以下ＮＮと称する）５によ
って学習する。尚、ＮＮの構成および学習の方法ついて
は、後に詳述する。

３００Ｇ）　ＲＯＩの重心を求め、これをＲＯＩ中心Ａ
Ｃ（ＡＣＸ、ＡＣＹ）とする。

４０ＱＱ）次に新しくＲＯＩを求めるための画像を指定
し、画像表示装置３に画像２として表示する。

尚、この画像２は必ずしも画像１に連続している必要は
ない。また、同一画像を使用することも可能である。

５０００）画像２上に画素ＡＣを重ねて表示する。

この際、操作者はそのＡＣの位置を確認し、必要に応じ
てその位置を修正することができる。

この実施例では、以下に示すように、中心画素ＡＣを中
心にしてＲＯＩの探索範囲を順次拡大していく方法を採
用している。さらに、後に詳述するように、第２の実施
例の方法でも可能である。

６０００）中心画素ＡＣ以外の全画素の画素値を“０”
、中心画素ＡＣの画素値を“１”とおいて、２値画像１
を作成する。

７０００）　２値画像１においてまず、画素値が“１”
で且つ中心画素ＡＣを含む閉領域を求める。（この方法
は公知である。）次に、この閉領域（領域２と称する）
のエツジを求める。初期状態では、画素ＡＣのみがエツ
ジになる。ここでのエツジの画素数をＭＭとする。

８０００）領域２のエツジの全画素に対する８−隣接画
素について、領域の内外を判定し、領域内と判断された
画素を領域２に組み込む。この手順については後述する
。

９０００）領域２が１画素でも拡大された場合には、上
記７０００）〜９０００）の手順を繰り返す。

１００００）領域２が拡大されない場合には、領域２を
求めるべきＲＯＩとする。この場合、必要に応じて得ら
れたＲＯＩに対して、例えば次のような整形処理を実施
することができる。

ａ）求めた領域２のエツジを求め、エツジをスムージン
グによって滑らかにする。

ｂ）本発明の方式にあって、領域２のエツジに囲まれた
領域中に“島”のような領域外の部分が残る場合がある
。しかし、通常においてはエツジに囲まれた領域全てが
求めるべきＲＯＩ内であることが多いことから、その囲
まれた全領域をＲＯＩとしてもよい。

１１０００）更に、必要に応じて操作者が手動でＲＯＩ
を修正することが可能である。

次に、第３図を参照して、上記した手順８０００）につ
いて詳述する。

８１００）ｍ＝１とする。

８２００）エツジのｍ番目の画素を取り出す。これを画
素ｍとする。

８３（１０）画素ｍに関する８−隣接画素（画素ｍ　ｎ
　）のすべての画素（ｎ＝１〜８）について、領域の内
外を判定し、領域内と判断された画素を領域２に組み込
む。尚、この手順については後に詳述する。

８４００）　ｍ＝ｍ＋１として、エツジの全画素すなわ
ちｍ＝１〜ＭＭについて８２００）　〜８４００）を繰
り返す。

次に、第４図を参照して、上記した手順８３００）につ
いて詳述する。

８３１０）　ｎ＝１とする。

８３２０）隣接画素ｍｎを取り出す。この画素が領域２
に含まれていれば、次の隣接画素を探索するために下記
の８３５０）に進む。領域２に含まれていなければ、す
ぐ次の手順に移る。

８３３０）画素ｍｎおよびその８−隣接画素の合計９個
の画素の画素値をＮＮに入力する。この入力はＮＮを学
習する場合と同様に実施することができる。尚、ＮＮの
入力項目は本実施例では９個の画素値であるが、これに
限定されない。

８３４０）　ＮＮの出力Ｈｐを得る。この際、Ｈｐ≧ｒ
ｓならば、画素ｍｎを領域２に含める。すなわち、２値
画像１の画素ｍｎを１にする。Ｈｐ＜ｒｓならば領域２
に含めない。ここでｒｓは定数であり、本実施例ではｒ
ｓ＝Ｑ、５としているが、これに限定されない。

８３５０）　ｎ＝ｎ＋１とし、ｎ＝１〜８ならば、８３
２０）〜８３４０）を繰り返す。

次にＮＮについて、第６図を参照して詳細に説明する。

同図にはその構成の一例が示されているが、本例に限定
されない。

ＮＮは入力層６、中間層７、出力層８の３層からなるも
ので、各層を構成するそれぞれの素子がもつ変換関数と
してはシグモイド関数が使用されている。入力層６は９
個の素子で構成され、各素子はそれぞれ対象画素とその
８−隣接画素とに対応していて、それらの対応画素の画
素値が入力される。この場合、画素値をそのまま入力値
としてもよいが、０〜１に正規化して入力するようにし
てもよい。正規化の方法は任意であるが、１つは変形例
２に説明した方法である。ここでは説明を簡単にするた
めに、画素値がそのまま入力されるものとする。

中間層７を構成する素子数は経験的に決定されるが、本
例では５０個である。出力層８を構成する素子数は分割
するＲＯＩの数によって決まる。

素子数をＲＯＩ数＋数色１る方式と、ＲＯＩの数と同じ
にする方式がある。本例では後者を採用しているので、
例えば第１３図に示された腫瘍Ｂを学習する場合には、
素子数は１個である。従って、第６図においては出力素
子１のみが使用され、出力素子２は使用されない。出力
層８の素子の出力値が１に近い場合には対象画素が領域
内、また０に近い場合には領域内の画素でないことを示
している。

次に、第１５図を参照して前記した手順２０００）にお
けるＲＯＩの学習について詳述する。

２２００）　ｌ　＝　１とする。

２３００）　ＲＯＩの内側のエツジを求める。この際、
同一画素を含まないようにする。これをエツジ１１とす
る。

２４００）　ＲＯＩ内の画素の内、エツジ１１を除く領
域を領域１２とする。次に、領域１２の画素を画素値の
大きい順に並べる。これらの画素から最大値、中央値、
最小値、更にその間の中央値の画素値を有する合計５個
の画素を選択する。これらの５個の画素とエツジ１１の
画素とを合せて、領域内データ１３とする。ここで、領
域内データ１３の画素数をＦＦとする。

２５００）　ＲＯＩの外側のエツジを求める。この際、
同一画素は含まないようにする。これを領域外データ１
４とし、この画素数をＥＥとする。

２６００）領域内データ１３と領域外データ１４とから
学習データを作成する。尚、これについては後に詳述す
る。作成された学習データの数をＬＬとする。

２７００）第１番目の学習データの入力値（画素値）を
入力層６の９個の素子に、教師データ（出力値）を出力
層８の出力素子に与えて学習を行う。この場合の学習方
式は例えばパックプロパゲーション法を用いることがで
きるが、この方法に限定されない。これを１回の学習と
いう。

２８００）　ｌ　＝１　＋　１として、全学習データす
なわちＡ’＝１〜ＬＬについて２３００）〜２８００）
を繰り返す。これを１サイクルの学習という。

２９００）さらに全学習データにより、１サイクルの学
習を行う。以下、学習誤差ＬＭが一定値Ｕ以下になるま
で学習を繰り返す。すなわち２２００）〜２９００）を
繰り返す。この場合、全学習データを一律に学習するの
でなく、エラーの多いデータを優先的に学習するなど、
学習順序については任意とすることができる。

次に第７図を参照して、上記した手順２４００）につい
て詳述する。第７図には学習データの例が一覧表として
示しである。

２４１０）領域内データ１３と領域外データ１４との個
数を揃える。この個数をＰＰとする。ここについては後
に詳述する。

２４６０）　ｑ　ｑ　＝　１とする。

２４６５）領域内データ１３の第ｑｑ番目の画素の画素
値を、学習データの第（２Ｘｑｑ−１）番目の素子１の
入力データとして設定する。

２４７０）この画素についての８＝隣接画素の画素値８
個を、学習データの第（２Ｘｑｑ−１）番目の素子２〜
９の入力データとして設定する。

２４７５）学習データの第（２ｘｑｑ−１）番目の教師
データとして１（領域内）を設定する。

２４８０）領域外データ１４の第ｑｑ番目の画素の画素
値を、学習データの第（２Ｘ　ｑ　ｑ）番目の素子１の
入力データとして設定する。

２４８５）この画素の８−隣接画素の画素値８個を、学
習データの第（２Ｘ　ｑ　ｑ）番目の素子２〜９の入力
データとして設定する。

２４９０）学習データの第（２Ｘ　ｑ　ｑ）番目の教師
データとして０（領域外）を設定する。

２４９５）ｑｑ＝ｑｑ＋１とする。

２４９８）　ｑ　ｑ≦ｐｐであれば、２４６５）に行く
。

ｑｑ＞ｐｐであれば、終了する。

次に、上記した手順２４１Ｏについて、第８図を参照し
て詳述する。

２４１１）　ＨＨ＝ｍｉｎ　　（ＥＥ、　　ＦＦ）ｐｐ
＝ｎ＋＋＋ｘ　　（ＥＥ、ＦＦ） ＧＧ＝ｐｐ−ＨＨ を求める。ここでｍｉｎは最小値を、ｍａＩは最大値を
示す。

２４１２）　ＧＧ＝０ならば終了する。ＧＧ≠０ならば
次に進む。

２４１３）ＫＫ＝ＭＯＤ　（ＨＨ／ＧＧ）　＋１を求め
る。ここで、ＭＯＤは整数を示す。

２４１４）　ｒ　ｒ　＝　１ ２４１５）　ＥＥ≧ＦＦならば、２４４０に進む。ＥＥ
＜ＦＦならば２４２０）に進む。

２４２０）　ｑｑ＝ＥＥ＋１ ２４２１）領域内データ１３のｒｒ番目の画素を取り出
し、これを領域内データ１３のｑｑ番目に画素として加
える。

２４２２）　　ｒ　ｒ　＝　ｒ　ｒ　＋ＫＫ２４２３）
　　ｒ　ｒ≦ＥＥならば、２４２４）に進む。ｒｒ＞Ｅ
Ｅならば、ｒｒ＝ｒｒ−ＥＥとする。

２４２４）　ｑｑ＝ｑｑ＋１ ２４２５）　ＧＧ＝ＧＧ−１ ２４２６）　ＧＧ≠０ならば、２４２＋）に戻る。ＧＧ
＝０ならば終了する。

２４４０）　ｑｑ＝ＦＦ＋１ ２４４１）領域外データ１４のｒｒ番目の画素を取り出
し、これを領域外データ１４のｑｑ番目に画素として加
える。

２４４２）　　ｒ　ｒ　＝　ｒ　ｒ　＋ＫＫ２４４３）
　　ｒ　ｒ≦ＦＦならば、２４４４）に進む。ｒｒ＞Ｆ
Ｆならば、ｒｒ＝ｒｒ−ＦＦとする。

２４４４）　ｑｑ＝ｑｑ＋１ ２４４５）　ＧＧ＝ＧＧ−１ ２４４６）　ＧＧ≠０ならば、２４４１）に戻る。ＧＧ
＝０ならば終了する。

次に、本発明の第２の実施例について、第１６図および
第１７図を参照して説明する。

手順１０００）〜５０００）については、第１７図に示
すように、第１の実施例における手順１０００）〜５０
００）と同じである。

２００００１次に、操作者は画像２上で、例えばマウス
等の位置指定装置４を用いて、目的とする特定領域（Ｒ
ＯＩ）を完全に含む矩形ＲＯＩを設定する。この矩形Ｒ
ＯＩの内部を探索領域とし、探索領域内の画素数をｖ■
とする。

２１０００）全画素の画素値を“０”とおいて、２値画
像１を初期化する。

２２０００）　ｍ　＝　１とする。

２３０００）探索領域内の第ｍ番目の画素を取り出す。

これを画素ｍとする。

２４０００）画素ｍおよびその８−隣接画素の合計９個
の画素の画素値をＮＮに入力する。この入力は第１の実
施例の場合と同様に実施することができる。尚、ＮＮの
入力項目は本実施例では９個の画素値であるが、これに
限定されない。

２５０００）　Ｎ　Ｎの出力Ｈｐを得る。この際、Ｈｐ
≧ｒｓならば、画素ｍを領域に含める。すなわち、２値
画像１の画素ｍを１にする。Ｈｐ＜ｒ　ｓならば領域に
含めない。ここでｒｓは定数であり、本実施例ではｒｓ
＝０．５としているが、これに限定されない。

２６０００）　ｍ　＝　ｍ　＋　１とし、ｍ＝１〜ＶＶ
ならば、２３０００）〜２５０００）を繰り返す。

２７０００）　２値画像１において、画素値が“１”で
、且つ中心画素ＡＣを含む閉領域を求める。（この方法
は公知である。）この領域を求めるべきＲｏｔとする。

この場合、必要に応じて得られたＲＯＩに対して、第１
の実施例の場合と同様な整形処理を実施することができ
る。

２８０００）更に、必要に応じて操作者が手動でＲＯＩ
を修正することが可能である。

以上、本発明の実施例について説明したが、以下に本発
明の他の実施例について変形例１〜１４として説明する
。

〈変形例１：学習方式〉 実施例では学習方式をＮＮとしているが、これをマシー
ンラーニング等の方式に置きかえることもできる。

く変形例２：ＮＮへの入力値の正規化〉実施例ではＮＮ
への入力値を画素値そのものとしているが、これをディ
ジタル画像の表示ウィンドウ（ウィンドウレベルおよび
ウィンドウワイズ）で正規化してもよい。すなわち、画
素値をＸ１ウインドウレベルをＷＬ、ウィンドウワイズ
をＷＷ。

ＮＮへの入力値をＹとすると、 Ｙ＝１　［ＷＬ＋ＷＷ／２≦Ｙの場合］Ｙ＝　（Ｘ−Ｗ
Ｌ）／ＷＷ＋１／２ ［ＷＬ−ＷＷ／２≦Ｙ≦ＷＬ＋ＷＷ／２の場合］Ｙ＝Ｏ
［Ｙ≦ＷＬ−ＷＷの場合］ となる。

このようにして、画素値が表示の明るさに変換されるこ
とになる。一般に、ＲＯＩは操作者自身が見ている画像
において作成したものであるから、画素値そのものを学
習するよりＲＯＩの明るさを学習する方がより適切であ
ると言える。

〈変形例３：ＮＮの入力項目〉 実施例では、ＮＮへの入力項目を該当画素とその８−隣
接画素の画素値と、しているが、該当画素とその４−隣
接画素、あるいは２４−隣接画素の画素値としてもよい
。なおまた、該当画素とその周辺の任意の画素の画素値
としてもよい。

く変形例４：探索方法〉 第１の実施例では、領域２のエツジから８−隣接画素を
探索するようにしているが、その探索範囲は４−隣接画
素、あるいは２４−隣接画素等であってもよい。

〈変形例５：画像フィルタ〉 画像のノイズの影響を避けるために、その画像に２次元
フィルタを掛けて後に、学習を行ったり、ＲＯＩを求め
るようにしてもよい。

〈変形例６：第９図のＲＯＩの場合〉 第９図の例に示すように、領域の一部が表示画像からは
み出ている場合には、画像の端をＲＯＩのエツジとして
扱い、その画像の端の部分を学習データには含めないよ
うにすることによって、実施例の適用が可能になる。

く変形例７：第１０図のＲＯＩの場合〉表示対象である
血管の上下、左右等の両側において画像の性質が同一で
ある場合には、上下、左右の端を除いて第１４図示の場
合と同様に実施できる。また、両側が異なる性質を有す
る場合には、後述する第１１図の場合と同様の方法で実
施できる。なおまた、上下端部については勿論第９図示
の場合による方法が適用可能である。

く変形例８：第１１図および第１２図のＲＯＩの場合〉 左斜線の部分のＲＯＩをＲＯＩ−Ａ、右斜線の部分のＲ
ＯＩをＲＯＩ−Ｂ、それ以外の部分を領域外とする。こ
の場合には、ＮＮの出力素子を２個用いることとし、以
下のように実施する。

１）ＲＯＩ−Ａに関する学習データを作成する。

この場合、教師データについては素子１を“１”素子２
を“０″とする。

２）ＲＯＩ−Ｂに関する学習データを作成する。

この場合、教師データについては素子１を“０”素子２
を“１”とする。

３）領域外に関する学習データを作成する。この場合、
教師データについては素子１、素子２とも０”　とする
。

４）学習データ数については３種類の内、最多数に揃え
る。

５）学習データについては上記の１〜３の順に１個づつ
設定する。

６）第１の実施例と同様に学習を行う。

７）学習後のＮＮにより領域を決定する。この場合の判
定基準は以下の通りである。素子１、素子２の出力値を
ＨＰＩ、ＨＦ２とすると、ａ）ＨＰＩ＜ｒｓ、かつＨＦ
２＜ｒｓならば、領域外 ｂ）ａ）でなく、ＨＰ１≧ＨＰ２ならば、ＲＯＩ　−Ａ ｃ）ａ）でなく、ＨＰＩ＜ＨＦ２ならば、０Ｉ−Ｂ 〈変形例９：学習画像〉 新しい画像のＲＯＩを求める場合には、探索の中心とな
る画素位置ＡＣは、可能な限り近い位置にある画像の重
心とするのがよい。一方では、ＲＯＩは３次元の塊であ
るので、それの学習は必ずしも近い位置にある画像であ
る必要はない。従って、少くとも次に示す３つの方法を
採用することができる。

第１の方法二面像Ｓを学習し、画像Ｓ＋１のＲＯＩを求
める。

第２の方法二辺下の手順で行う。

１）画像１を学習し、画像２のＲＯＩを求める。

２）必要により操作者が画像２のＲＯＩを修正する。

３）修正された画像２のＲＯＩの学習データを画像１の
学習データに追加し、再学習を行う。

４）画像３のＲＯＩを求める。

５）以下、画像１〜Ｓの（修正後の）ＲＯＩを学習し、
画像Ｓ＋１のＲＯＩを作成する。

第３の方法：中心の画像を学習し、そのＮＮによりその
他の全画像のＲＯＩを求める。

く変形例１０：輪郭抽出〉 これまでは、領域内に含まれる全画素を抽出する場合に
ついて説明したが、領域の輪郭だけを抽出する場合にも
応用可能である。

１）ＡＣから一定方向に領域の境界を探す。この場合の
境界の判定に本発明の方法が適用できる。

２）公知の技術により領域の境界に沿って輪郭を抽出す
る。この場合の境界の判定に本発明の方法が適用できる
。

〈変形例１１：３次元画像〉 探索範囲を３次元とすれば、本発明の方法をボクセル構
成の３次元画像の場合にも適用可能である。

〈変形例１２：ＮＮの構成〉 実施例においてはＮＮは３層構成のものであったが、勿
論４層以上の構成とすることも可能である。

〈変形例１３：ＮＮへの入力項目〉 実施例ではＮＮへの入力は９個の画素値としているが、
この場合の隣接画素の画素値の代りに、隣接画素と中心
の画素との画素値の差を入力するようにしてもよい。ま
た、入力層の素子数を入力画素数よりも多くし、各画素
値と共に各隣接画素間の差分値をも入力としてもよい。

なおまた、差分値の代りに２次差分値を用いるようにし
てもよい。また、それらのすべてを入力することも可能
である。

〈変形例１４：動画〉 実施例においては、スライス方向に異なる位置の画像の
ＲＯＩを求める場合について適用されるものであった。

しかし、心臓等のように動く部位を含むＣＴ、ＭＲｌ等
の画像を動画として表示する場合には、同一スライス位
置において複数の時間の異なる画像を取り込むことによ
り、本発明の方法が適用可能である。

［発明の効果］ 以上記載したように、本発明の画像処理方法によれば、
複数の関連画像の１枚についてまず領域内外の区分を実
施し、次にその区分結果を学習し、この学習結果をもと
にして他の関連画像についての領域内外区分を実施する
ようにしたので、関連画像における領域の自動抽出が簡
単且つ確実に実施できる。

【図面の簡単な説明】

第１図は本発明の一実施例を説明するための機能ブロッ
ク図、第２図は同実施例の動作を説明するためのフロー
チャート、第３図は第２図のフローチャート中の一手順
の詳細を示すフローチャート、第４図は第３図のフロー
チャート中の一手順の詳細を示すフローチャート、第５
図は領域判定時に用いられる隣接画素を説明するための
図、第６図は第１図中のＮＮの概略構成説明図、第７図
は同ＮＮの学習データ内容を示す図、第８図は学習デー
タを作成する手順の詳細を示すフローチャート、第９図
乃至第１２図はそれぞれ異なるＲＯＩ例を示す図、第１
３図および第１４図はそれぞれＸ線−ＣＴの頭部画像に
おけるＲＯＩ例を示す図、第１５図は第２図のフローチ
ャート中の一手順の詳細を示すフローチャート、第１６
図は本発明の第２の実施例における主要部を示すフロー
チャート、第１７図は同実施例の他の部分を示すフロー
チャートである。 １・・・計算機　　　　　２・・・画像記憶装置３・・
・画像表示装置　　　４・・・マウス５・・・ニューラ
ルネットワーク（Ｎ　Ｎ）代理人　弁理士　則　近　憲
　佑 代理人　弁理士　近　藤　　　猛 第 図 第 図 第 図 （ａ） 第 図 （ｂ） 菓 図 鯖 図 （ａ） 第 図 （ｂ） 入力層 中間層 出力層 第 図 学習データ 第 図 第 図 （ａ） 第 図 第 図 第 図 第 図 第 図 第 図 位置 第１ ５図 （ａ） 第１５図 （ｂ） 第１６図 （ａ） 第１ ６図 （ｂ） □−−−−−」 正する 第１ ７図

Claims (1)

【特許請求の範囲】
1. （１）画像において、それらの画素を少くとも２種類の
   複数の群に区分する際、あらかじめ区分された複数の群
   の一部あるいは全部の画素の情報を学習し、この学習結
   果を利用して、各画像毎に、画像の一部あるいは全部の
   画素を少くとも２種類の複数の群に区分することを特徴
   とする画像処理方法。