JPH04152482A - ニューラルネットワーク学習方法 - 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】 （産業上の利用分野） 本発明は、ニューラルネットワークの学習方法、すなわ
ち、所定の目的に利用されるニューラルネットワークを
作るときにニューラルネットワークに学習させる方法に
関し、特に画像を対象として、この画像に関する所定の
判定をするために使用されるニューラルネットワークの
学習方法に関するものである。

さらに詳しくは、放射線画像データに基づいて、照射野
の認識、先読み画像データに基づく本読みの画像読取条
件の決定、画像処理条件の決定、異常陰影の検出等のデ
ータ処理を、ニューラルネットワークを用いて行なう放
射線画像処理装置に利用されるニューラルネットワーク
の学習方法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信号を得、この
画像信号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線フィルムを用いてＸ線画像を記録し、このＸ線画像
が記録されたフィルムからＸ線画像を読み取って電気信
号に変換し、この電気信号（画像信号）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６
１−５１９３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一部シート状の蓄積性蛍
光体に記録し、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信号を得、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５
５−１２４２９号、同５Ｂ−１１３９５号。

同５５−１８３４７２号、同５Ｂ−１０４８４５号、同
５５−１１８３４０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。即ち
、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。

上記システムにおいて、蓄積性蛍光体シートに照射され
た放射線の線量等に応じて最適な読取条件で読み取って
画像信号を得る前に予め低レベルの光ビームにより蓄積
性蛍光体シートを走査してこのシートに記録された放射
線画像の概略を読み取る先読みを行ない、この先読みに
より得られた先読画像信号を分析し、その後上記シート
に高レベルの光ビームを照射して走査し、この放射線画
像に最適な読取条件で読み取って画像信号を得る本読み
を行なうように構成されたシステムもある。

ここで読取条件とは、読取りにおける輝尽発光光の光量
と読取装置の出力との関係に影響を与える各種の条件を
総称するものであり、例えば入出力の関係を定める読取
ゲイン、スケールファクタあるいは、読取りにおける励
起光のパワー等を意味するものである。

また光ビームの高レベル／低レベルとは、それぞれ、上
記シートの単位面積当りに照射される光ビームのエネル
ギーの大／小、もしくは上記シートから発せられる輝尽
発光光のエネルギーが上記光ビームの波長に依存する（
波長感度分布を有する）場合は、上記シートの単位面積
当りに照射される光ビームのエネルギーを上記波長感度
で重みづけした後の重みづけエネルギーの大／小をいい
、光ビームのレベルを変える方法としては、異なる波長
の光ビームを用いる方法、レーザ光源等から発せられる
光ビームの強度そのものを変える方法、光ビームの光路
上にＮＤフィルター等を挿入、除去することにより光ビ
ームの強度を変える方法、光ビームのビーム径を変えて
走査密度を変える方法、走査速度を変える方法等、公知
の種々の方法を用いることができる。

また、この先読みを行なうシステムか先読みを行なわな
いシステムかによらず、得られた画像信号（先読画像信
号を含む）を分析し、画像信号に画像処理を施す際の最
適な画像処理条件を決定するようにしたシステムもある
。ここで画像処理条件とは、画像信号に基づく再生画像
の階調や感度等に影響を及ぼす処理を該画像信号に施す
際の各種の条件を総称するものである。この画像信号に
基づいて最適な画像処理条件を決定する方法は、蓄積性
蛍光体シートを用いるシステムに限られず、たとえば従
来のＸ線フィルム等の記録シートに記録された放射線画
像から画像信号を得るシステムにも適用されている。

上記画像信号（先読画像信号を含む）に基づいて読取条
件及び／又は画像処理条件（以下、読取条件等と呼ぶ。

）を求める演算は、あらかじめ多数の放射線画像を統計
的に処理した結果からそのアルゴリズムが定められてい
る（たとえば、特開昭６０−１８５９４４号公報、特開
昭６１−２８０１６３号公報参照）。

この従来採用されているアルゴリズムは、−船釣には画
像信号のヒストグラムを求め、ヒストグラム上における
画像信号の最大値、最小値、画像信号の出現頻度が最大
となる点の画像信号の値等の種々の特徴点を求め、この
特徴点に基づいて読取条件等を求めるものである。

ところが、近年、上記のようなアルゴリズムとは全く異
なるニューラルネットワークなる考え方が出現し、種々
の分野に適用されつつある。

このニューラルネットワークは、ある入力信号を与えた
ときに出力された出力信号が正しい信号であるか誤った
信号であるかという情報（教師信号）を入力することに
より、ニューラルネットワーク内部の各ユニット間の結
合の重み（シナプス結合のウェイト）を修正するという
誤差逆伝播学習（パックプロパゲーション）機能を備え
たものであり、繰り返し゛学習°　させることにより、
新たな信号が入力されたときに正解を出力する確率を高
めることができるものである。（例えば、ｒＤ、Ｅ、Ｒ
ｕｍｅｌｈａｒｔ、Ｇ、Ｅ、Ｈｉｎｔｏｎ　ａｎｄ　Ｒ
，ＪＪｉｌｌｉａａ＋ｓ：Ｌｅａｒｎｉｎｇ　ｒｅｐｒ
ｅｓｅｎｔａｔｉｏｎｓ　ｂｙ　ｂａｅｋ−ｐｒｏｐａ
ｇａｔｉｎｇｅｒｒｏｒｓ、Ｎａｔｕｒｅ、３２３−９
，５３３−３５６．１９８ＢａＪ、　　ｒ麻生英樹二バ
ックプロパゲーションＣｏｍｐｕｔｒｏｌ　Ｎｏ、２４
５３−［ｉｏＪ、　　ｒ金属−幸著　ニューラルコンピ
ュータ東京電機大学出版局」参照）。

このニューラルネットワークを読取条件等の決定にも適
用することが可能であり、画像信号等をニューラルネッ
トワークに入力することにより読取条件等を出力させる
ことができる。

また、上記Ｘ線フィ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（例えば特開昭６２−１２５４８
１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０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。

また、このニューラルネットワークを用いて、照射野の
認識をすることも可能である。照射野の認識とは前記画
像信号を照射野絞を用いて撮影して得たときの照射野の
範囲を認識することである。

すなわち、記録シートに放射線画像を撮影記録するに際
しては、被写体の観察に必要の無い部分に放射線を照射
しないようにするため、あるいは観察に不要な部分に放
射線を照射するとその部分から観察に必要な部分に散乱
線が入り画質性能が低下するため、放射線が被写体の必
要な部分および記録シートの一部にのみ照射されるよう
に放射線の照射域を制限する照射野絞りを使用して撮影
を行なうことも多い。

ところが、前述のようにして画像信号を分析して読取条
件２画像処理条件を求めるにあたって、分析に用いた画
像信号が、照射野絞りを用いて撮影した記録シートから
得られた画像信号である場合、この照射野の存在を無視
して画像データを分析しても撮影記録された放射線画像
が正しく把握されず、誤った読取条件、画像処理条件が
求められ観察適正の優れた放射線画像が再生記録されな
い場合が生ずる。

これを解決するためには、読取条件１画像処理条件を求
める前に、照射野を認識し、照射野内の画像データに基
づいて読取条件１画像処理条件を求める必要がある。

照射野を認識する方法には、本出願人により出願されて
いる各種の方法があり、（例えば特開昭６３−２５９５
３８号、特開昭６１−３９０３９号、特開昭６４−１１
４８５号）最適な照射野認識方法を選択して、まず照射
野を求め、その後攻められた照射野内に対応する画像デ
ータを分析することにより、適切な読取条件１画像処理
条件が求められる。

また、もちろん、このニューラルネットワークを用いて
放射線画像以外の各種の画像について、種々の判定をす
ることもできる。例えば、画面に現れた人物の顔をパタ
ーン認識して、その人物の性別、年齢、人種等の各種属
性を判定したり、あるいは予め登録した一定の範囲の人
物の集団に含まれるかどうかを判定することもできる。

（発明が解決しようとする課題） ニューラルネットワークは、上記のように予め繰返し“
学習°することにより次第に正しい判定をすることがで
きるようになるが、その判定をするに当たっては、対象
とする被写体の画像がいかなる状態で入力されても正し
い判定をすることができるようになっていなければなら
ない。

例えば、人体の肩を被写体としたＸ線画像を取扱うシス
テムにおいては、撮影時に被写体の位置がずれて撮影さ
れることはよくあることで、このずれが生じている画像
等があっても正しい読取条件等を求めることができるニ
ューラルネットワークが望まれる。また、前述の人物の
顔に基づいて判定をするシステムにおいても、画面に対
して位置がずれて入力されることはよくあることで、こ
のずれがあっても、正しい判定がなされなければならな
い。

一方、ニューラルネットワークの判定精度は、学習の回
数が多ければ多いほど向上するし、またその学習のため
のデータ数も多ければ多いほど学習の成果が上るので、
多数のデータを用意することが望まれる。

しかし、何万個ものデータを揃えることは事実上困難で
あるし、また何万個ものデータを用意するには記憶装置
の記憶容量も厖大なものが必要となるという問題がある
。

そこで本発明は、上記のようなニューラルネットワーク
の学習における問題に鑑み、対象とする画像に位置ずれ
が生じても正しい判定をすることができるニューラルネ
ットワークを構築する際に、多数の画像データを記憶し
ておく必要のないニューラルネットワークの学習方法を
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） 本発明によるニューラルネットワーク学習方法は、画像
データを入力し、その画像データに関する所定の解を出
力するニューラルネットワークの学習方法において、同
一の画像データをその位置をずらせて多数回前記ニュー
ラルネットワークに入力して学習させることを特徴とす
るものである。

また、さらに具体的には、放射線画像データに基づいて
、照射野の認識、先読み画像データに基づく本読みの画
像読取条件の決定、画像処理条件の決定、異常陰影の検
出等のデータ処理を行なうニューラルネットワークを構
築するための学習方法において、学習時に、同一の画像
データをその位置をずらせて多数回前記ニューラルネッ
トワークに入力して学習させることを特徴とするもので
ある。

第１図は本発明の基本的構成を説明するためのブロック
図である。

画像データ入力部からニューラルネットワークに画像デ
ータが入力され、ニューラルネットワークでは入力され
た画像データに基づいて照射野の認識、先読み画像デー
タに基づく本読みの画像読取条件の決定、画像処理条件
の決定、異常陰影の検出等のデータ処理が行なわれる。

ここで演算されて得られた照射野、画像読取条件、画像
処理条件、異常陰影等の判定結果データが出力部に出力
され、予め従来の方法で得られたこれらの判定結果デー
タに対応する正しいデータと比較され、両データ間の誤
差が教師信号としてニューラルネットワークに再び入力
され、誤差逆伝幡学習が行なわれる。

このようにして、ニューラルネットワークから出力され
た判定結果データが不適切である場合に、これを修正し
再学習させ、これにより判定精度をさらに向上させる。

本発明では、画像データとして同一の画像データが少し
づつその画面に対する位置を変えながら何回も用いられ
、常に同じ判定結果を出力するように学習が繰り返され
る。

これにより、画像のずれに強いニューラルネットワーク
を構築することができる。また、同一の画像データを使
いながら、学習パターンを増すことができ、データを増
加したと同等の効果を上げることができる。

（実施例） 以下、図面により、本発明の方法を人体の肩部のＸ線画
像を取扱うＸ線撮影装置の一例に適用した実施例につい
て図面を参照して詳細に説明する。

なお、ここでは、前述した蓄積性蛍光体シートを用いた
放射線画像情報記録読取装置における、本読みの際の読
取条件を求める方法にニューラルネットワークを利用し
た実施例について説明する。

第３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１のＸ線源２からＸ線３が人体４の肩
部４ａに向けて照射され、人体４を透過したＸ線３ａが
蓄積性蛍光体シート１１に照射されることにより、人体
の肩部４ａの透過Ｘ線画像が蓄積性蛍光体シート１１に
蓄積記録される。

第２Ａ図、第２Ｂ図は、蓄積性蛍光体シート上に蓄積記
録された肩部Ｘ線画像の一例を模式的に表わした図であ
る。

第２Ａ図、第２Ｂ図はたがいに少しずれた右肩のＸ線画
像を表わし、それぞれ人体の陰影が記録された被写体部
５のほか、被写体に照射されないＸ線が直接蓄積性蛍光
体シート１１に照射された直接Ｘ線部６が形成されてい
る。

第４図は、Ｘ線画像読取装置の一例、および本発明の一
例を内包したコンピュータシステムの一例を示した斜視
図である。このシステムは前述した蓄積性蛍光体シート
を用い、先読みを行なうシステムである。

Ｘ線画像が記録された蓄積性蛍光体シート１１は、まず
弱い光ビームで走査してこの蓄積性蛍光体シート１１に
蓄積された放射線エネルギーの一部のみを放出させて先
読みを行なう先読手段１００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ト１１
は、モータ１２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１３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１４から発せられた弱い
光ビーム１５はモータ２３により駆動され矢印方向に高
速回転する回転多面！１１Ｂによって反射偏向され、ｆ
θレンズ等の集束レンズ１７を通過した後、ミラー１８
により光路を変えて前記蓄積性蛍光体シート１１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。蓄積性蛍光体シート１１の、この光ビーム
１５が照射された箇所からは、蓄積記録されている放射
線画像情報に応じた光量の輝尽発光光１９が発散され、
この輝尽発光光１９は光ガイド２０によって導かれ、フ
ォトマルチプライヤ（光電子増倍管）２１によって光電
的に検出される。上記光ガイド２０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２０ａが蓄積性蛍光体シートｌｌ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２０ｂに上記フォトマルチプライヤ２１の受光面が
結、合されている。上記入射端面２０ａから光ガイド２
０内に入射した輝尽発光光１９は、該光ガイド２０の内
部を全反射を繰り返して進み、射出端面２０ｂから射出
してフォトマルチプライヤ２１に受光され、放射線画像
を表わす輝尽発光光１９の光量がフォトマルチプライヤ
２１によって電気信号に変換される。

フォトマルチプライヤ２１から出力されたアナログ出力
信号Ｓは対数増幅器２６で対数的に増幅され、Ａ／Ｄ変
換器２７でディジタル化され、先読画像信号Ｓｐが得ら
れる。この先読画像信号Ｓｐの信号レベルは、シート１
１の各画素から発せられた輝尽発光光の光量の対数と比
例している。

上記先読みにおいては、蓄積性蛍光体シート１１に蓄積
された放射線エネルギーの広い領域にわたって読み取る
ことができるように、読取条件即ちフォトマルチプライ
ヤ２１に印加する電圧値や対数増幅器２Ｂの増幅率等が
定められている。

得られた先読画像信号Ｓｐは、コンピュータシステム４
０に入力される。このコンピュータシステム４０は、本
発明の一例を内包するものであり、ＣＰＵ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４
２．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４３および必要な
情報を表示するためのＣＲＴデイスプレィ４４から構成
されている。

このコンピュータシステム４０内では、本読みの際の読
取条件、即ち感度およびコントラストが求められ、この
感度、ラチュードに従ってたとえばフォトマルチプライ
ヤ２１′　に印加する電圧値や対数増幅器２６′の増幅
率等が制御される。

ここでコントラストとは、本読みの際に画像信号に変換
される最も微弱な輝尽発光光に対する最も強大な輝尽発
光光の光量比に対応するものであり、感度とは所定の光
量の輝尽発光光をどのレベルの画像信号とするかを定め
る光電変換率をいう。

先読みの終了した蓄積性蛍光体シート１１′　は、本読
手段１００′の所定位置にセットされ、上記先読みに使
用した光ビームより強い光ビーム１５′　によりシート
１１′が走査され、先読画像信号Ｓｐに基づいて求めら
れた読取条件により画像信号が得られるが、本読手段１
００′の構成は上記先読手段１００の構成と路間−であ
るため、先読手段１００の各構成要素と対応する構成要
素には先読手段ｌｏ。

で用いた番号にダッシュを付して示し、説明は省略する
。

Ａ／Ｄ変換器２７′でディジタル化されることにより得
られた画像信号Ｓ０は、再度コンピュータシステム４０
に入力される。コンピュータシステム４０内では画像信
号ＳＱに適切な画像処理が施され、この画像処理の施さ
れた画像信号は図示しない再生装置に送られ、再生装置
においてこの画像信号に基づくＸ線画像が再生表示され
る。

コンピュータシステム４０内で先読画像信号Ｓｐに基づ
いて本読みの際の読取条件を求める際には、コンピュー
タシステム４０内のニューラルネットワークが、既に位
置がずれた画像から同じ読取条件を出力するように学習
しているので、例えば第２Ａ図、第２Ｂ図に示すように
位置がずれた肩部のＸ線画像が与えられても、両画像に
対して同じ読取条件を出力する。

次に、ニューラルネットワークの学習のメカニズムにつ
いて詳細に説明する。

第５図は誤差逆伝播学習（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（パックプロパゲーション）と
は、前述したように、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”アルゴリズムをいう。

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（中間層）、第３層（出力層）はそ
れぞれ０１個、ｎ２個、２個のユニットから構成される
。第１層（入力層）に入力される各信号Ｆｌ　＋　　Ｆ
２　＋　・・・・・・、Ｆ、１はＸ線画像（左肩の場合
は反転された画像をいう）の各画素に対応する先読画像
信号Ｓｐであり、第３層（出力層）からの２つの出力Ｙ
：ｒ　　ｙ２は本読みの際のそれぞれ感度およびコント
ラストに対応した信号である。第に層のｉ番目のユニッ
トをｕｉ、該ユニットＵ：への各入力をｘｉ、各出力を
Ｖ”＋ｓｕ’＋から　ｋ＋ｌへの結合の重みをＷ？？”
とし、各ユニットｕ：は同一の特性関数を有するものと
する。このとき、各ユニット　７の入力ｘ：、出力ｙ：
は、 ＸニーΣＷ”＋−’　：　　−ｙ　？−’　　　　・・
・（４）Ｙｒ　　−ｆ　　（Ｘ＋　）　　　　　　　　
　　　　・・・（５）となる。ただし入力層を構成する
各ユニットＵ′（１＝１，２．−、　　ｎｌ　）　ヘの
各人力Ｆ１　＋　　Ｆ　Ｚ　＊　”’Ｆｍｌは重みづけ
されずにそのまま各ユニットｕ：　（１−１，２，・・
・、ｎｌ）に入力される。入力されたｎ１個の信号Ｆｌ
　ｒ　Ｆ２　ｒ　”’ｒ　　Ｆｍｌは、各結合の重みＷ
”＋’Ｈ”　　によって重み付けられながら最終的な出
力ｙ＋＋Ｙ２にまで伝達され、これにより本読みの際の
読取条件（感度とコントラスト）が求められる。

ここで、上記各結合の重みＷニア”　　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　ｋ　ｋ
　＋　ｌ　　の初期値が与えられる。このとき、入力Ｆ
１〜Ｆｓ＋が最大に変動しても、出力ＶＩｒ’１２が所
定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。

最適な読取条件が既知の、多数の位置のずれた肩のＸ線
画像が記録された蓄積性蛍光体シートを前述したように
して読み取って先読画像信号Ｓｐを得、さらに左肩のＸ
線画像の場合は得られた先読画像信号Ｓｐが反転され、
これにより上記ｎ１個の入力Ｆ１．Ｆｚ＋　・・・、Ｆ
□が求められる。この０１個の入力Ｆ１　＋　　Ｆ２　
＋　・・・ＩＦ１１□が第３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ｙ７がモニタ
される。

各出力ｙフが求められると、最終的な出力である）’】
＋Ｙｚと、この画像に関し正しい読取条件としての教師
信号（感度膚およびコントラストごイ ｙ２）との二乗誤差 が求められる。これらの二乗誤差Ｅ、、Ｅ２がそれぞれ
最小となるように、以下のようにして各結合の重みＷ？
７”が修正される。尚、以下ｙ？の出力に関して述べ、
ｙ；についてはｙ？と同様であるため、ここでは省略す
る。

二乗誤差Ｅｌを最小にするには、このＥｌはＷ７７−１
の関数であるから のように各結合の重みＷ７：＋Ｉ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、（４）式より 、＋　　−ΣＷフ７＋ｌ、ｙフ ・・・４）′ であるから、（９）式は、 となる。

ここで、（６）式より、 （５）式を用いてこの（１１）式を変形すると、ここで
、（３）式より、 ｆ′ （ｘ）　　−ｆ （Ｘ） （１−ｆ （Ｘ） ・・・（１３） であるから、 ｆ’　　（Ｘ＋　　）　　−Ｙｌ （Ｉ　　　ＹＩ ・・・（１４） となる。

（ｌＯ）式にいてに−２と置き、 （１２）　、　（１４） 式を （１０）式に代入すると、 ／−ノ ＝（ｙＩ　　　ｙＩ）　　・ｙｌ （１ｙＩ）　　・ｙｌ ・・・（１５） この（１５）式を（８）式に代入して、ｗ？　ｌ　””
Ｗｌ　＋−η・　（ｙＩ　　ｄ）　　・ｙｌ（１ｙＩ）
　　・ｙＩ ・・・（ｌＢ〉 となる。

この（１６）式に従って、Ｗ、１ （１−１，２゜ の各結合の重みが修正される。

であるから、 この（１７）式に（４）。

（５）式を代入して、 ここで（１３）式より、 ｆ’　（ｘｌ　）　−ｙＩ　（Ｉ　　Ｖ：）　　　・・
・（１９）であるから、この（１９）式と、（１２）、
　　（１４）式を（１８）式に代入して、 ・７丁　（１−７丁）・Ｗ？マ　・・・（２０）（１０
）式においてに−１と置き、（２０）式を（１０）式に
代入すると、 ５＝（ｙニーｙ１）　　・ｙｌ　・　（１ｙＩ）・Ｖ’
＋　・（１−ｙＩ）・Ｗ、１・ｙｌ・・・（２１） この（２１）式を６）式に代入すると、ｋ−１と置いて
、３　へ Ｗ：　？　−ＷＩ　１−η・　（ｙＩ　　ｙＩ　）　・
ｙＩ（１ｙ？）　　・ｙ？・　（１ｙ？、＋　　・ｙ：
Ｗｌｌ ・・・（２２） となり、（１６）式で修正されたＷＩ　＋　（１−１，
２，・・・ｎｌ）がこの（２２）式に代入され、ＷＩ　
＋　（１−１，２゜・・・、　　ｎｌ　　；ｊ−１，２
，・・・、ｎｌ）が修正される。

尚、理論的にはくＩ６）式、　（２２）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Ｗ？：”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、Ｈｌ
ｎｔｏｎ　ａｎｄ　Ｒ，Ｊ。

シｌ１ｌｉａｓｓ：Ｌｅａｒｎ１ｎｇ　Ｉｎｔｅｒｎａ
ｌ　ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓｂｙ　ｅｒｒｏｒ
　ｐｒｏｐａｇａｔｉｏｎ　Ｉｎ　Ｐａｒａｌｌｅｌ　
ＤｌｓｔｒｉｂｕｔｅｄＰｒｏｃｅｓｓｉｎｇ、Ｖｏｌ
ｕｍｅ　１．Ｊ、Ｌ、ＭｃｃＩｅｌｌ　ａｎｄ、　Ｄ、
Ｂ。

Ｒｕｍｅｌｈａｒｔ　　ａｎｄ　　Ｔｈｅ　　ＰＤＰ　
　Ｒｅ５ｅａｒｃｈ　　Ｇｒｏｕｐ、ＭＩＴＰｒｅｓｓ
、１９８８ｂ　Ｊ参照） ΔＷ：１＋Ｉ　（ｔ＋１）−α・ΔＷ？　’；”　　（
ｔ）＋ただしΔＷ７　：”　　（ｔ）は、を回目の学習
における、修正後の結合重みｗ：　ｉ”Ｉから修正前の
該結合の重みＷ７７４１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ｗｋ　：”ｌ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？’；”は最終の値に固定される。この学習の終了時
には、２つの出力ｙ１ｒ　　Ｖ２は本読みの際のそれぞ
れ感度、コントラストを正しく表わす信号となる。

そこで学習が終了した後は、今度は本読みの際の読取条
件がＸ線画像を表わす先読画像信号Ｓｐが求められ、こ
れが第５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．Ｙ２　がそのＸ線画像に
対する本読みの読取条件（感度とコントラスト）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、本読みの際の読取条件を精
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、入力される
先読画像信号Ｓｐの画素の数、必要とする読取条件の精
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。

上記のようにしてニューラルネットワークにより求めら
れた読取条件に従って本読手段１００′のフォトマルチ
プライヤ２１’　に印加する電圧や増幅器２６′の増幅
率等が制御され、この制御された条件に従って本読みが
行なわれる。

このようにして読取条件を求めることができるようにな
ったニューラルネットワークは、前記Ｘ線画像読取装置
に実装され、上述のように読取条件を決定する機能を有
する。

また、上記実施例では、先読手段１００と本読手段１０
０′　とが別々に構成されているが、前述したように先
読手段１００と本読手段１００′の構成は路間−である
ため、先読手段１００と本読手段１００′とを一体にし
て兼用してもよい。この場合、先読みを行なった後、蓄
積性蛍光体シート１１を一回バツクさせ、再度走査して
本読みを行なうようにすればよい。

先読手段と本読手段とを兼用した場合、先読みの場合と
本読みの場合とで光ビームの強度を切替える必要がある
が、この切替えの方法としては、前述したように、レー
ザー光源からの光強度そのものを切替える方法等、種々
の方法を使用することができる。

また、上記実施例では、コンピュータシステム４０で本
読みの際の読取条件を求める装置について説明したが、
本読みの際は、先読画像信号Ｓｐにかかわらず所定の読
取条件で読取ることとし、コンピュータシステム４０で
は、先読画像信号Ｓｐに基づいて、画像信号ＳＯに画像
処理を施す際の画像処理条件を求めるようにしてもよく
、また、コンピュータシステム４０で上記読取条件と画
像処理条件の双方を求めるようにしてもよい。

さらに、上記実施例は、先読みを行なう放射線画像読取
装置について説明したが、本発明は先読みを行なわず、
最初から上記本読みに相当する読取りを行なう放射線画
像読取装置にも適用することができる。この場合、読取
りの際は所定の読取条件で読み取られて画像信号が得ら
れ、この画像信号に基づいて、コンピュータシステム４
０内で画像処理条件が求められ、この求められた画像処
理条件に従って画像信号に画像処理が施される。

また、同様の思想を照射野認識やコンピュータ診断（異
常陰影検出）に適用することもできる。

【図面の簡単な説明】

第１図は本発明の基本的構成を説明するためのブロック
図、 第２Ａ図、第２Ｂ図は、それぞれ位置のずれた肩のＸ線
画像を表わした図、 第３図は、Ｘ線撮影装置の一例の概略図、第４図は、Ｘ
線画像読取装置の一例、および本発明の一例を内包した
コンピュータシステムの一例を示した斜視図、 第５図は、ニューラルネットワークの一例を表わした図
である。 ｌ・・・Ｘ線撮影装置　　　２・・・Ｘ線源１１、１１
’−・・蓄積性蛍光体シート１９、１９’・・・輝尽発
光光 ２１、２１’　・・・フォトマルチプライヤ２６、２８
’・・・対数増幅器 ２７、２７’・・・Ａ／Ｄ変換器 ４０・・・コンピュータシステム １（１０・・・先読手段　　　　　１００　’・・・本
読手段第 図 第２Ａ図 第２Ｂ図

Claims (6)

【特許請求の範囲】
1. （１）画像データを入力し、その画像データに関する所
   定の解を出力するニューラルネットワークの学習方法に
   おいて、 学習時に、同一の画像データをその位置をずらせて多数
   回前記ニューラルネットワークに入力して学習させるこ
   とを特徴とするニューラルネットワーク学習方法。
2. （２）前記画像データが放射線画像データであることを
   特徴とする請求項１記載のニューラルネットワーク学習
   方法。
3. （３）前記所定の解が、前記画像データが照射野絞を用
   いて得られた画像データであるときの照射野の認識結果
   であることを特徴とする請求項２記載のニューラルネッ
   トワーク学習方法。
4. （４）前記所定の解が、前記画像データが先読み画像デ
   ータであるときの本読みの画像読取条件であることを特
   徴とする請求項２記載のニューラルネットワーク学習方
   法。
5. （５）前記所定の解が、前記画像データに画像処理を施
   す場合の画像処理条件であることを特徴とする請求項２
   記載のニューラルネットワーク学習方法。
6. （６）前記所定の解が、前記画像データの中の異常陰影
   を検出するときの異常陰影データであることを特徴とす
   る請求項２記載のニューラルネットワーク学習方法。