JPH04156828A - パターン認識装置 - 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、前記放射線画像上に指定された前記被写体の腫
瘍に対応する腫瘍影が悪性腫瘍の腫瘍影である蓋然性を
求めるパターン認識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
の画像データに適当な画像処理を施した後、画像を再生
記録することが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（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（たとえば特公昭６１−５１９３号公報参照
）。

また本出願人により、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
ーの一部か蓄積され、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量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、人体等を被写
体とした放射線画像をシート状の蓄積性蛍光体（蓄積性
蛍光体シート）に−旦撮影記録し、この蓄積性蛍光体シ
ートをレーザ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取って画像デー
タを得、この画像データに基づいて被写体の放射線画像
を可視画像として写真感光材料等の記録シートに記録し
、もしくはＣＲＴデイスプレィ装置等に再生表示するシ
ステムが既に提案されている（特開昭５５−１２４２９
号、同５Ｂ−１１３９５号。

同５５−１８３４７２号、同５Ｇ−１６４６４５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
ステムと比較してきわめて広い放射線露光域にわたって
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、放射線露光量に対する、放射線エネルギー蓄積
後の励起による輝尽発光光の光量かきわめて広い範囲に
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から発せられる輝尽発光光を読取
りゲインを適当な値に設定して読取ることにより、放射
線露光量に影響されない画像データを得ることができる
。

上記Ｘ線フィルムや蓄積性蛍光体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６２−１２５４８
１号公報、特願平１−１６２９０４号、同１−１８２９
０５号、同１−１６２９０９号参照）。

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線画像や乳
房Ｘ線画像のような種々の線状１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、たとえば腫瘍の陰影
（腫瘍影）等を検出する実空間フィルタを用いて放射線
画像上を走査する（実際は、放射線画像を表わす画像デ
ータに基づいて、該放射線画像上を走査することに対応
する操作を行なうことをいう）ことにより、腫瘍影等を
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、乳房Ｘ線画像等）において目的とするパターン（
たとえば腫瘍影等）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） 上記腫瘍影を検出するには、通常、所定の実空間フィル
タを用いて放射線画像上を走査することにより、所定の
円形パターンを抽出することにより、この抽出されたパ
ターンが腫瘍影とされる。

ところで、人体の放射線画像は通常であっても非常に複
雑であるとともに、たとえば胸部Ｘ線画像や乳房Ｘ線画
像等に現われる腫瘍影も、その大きさがそれぞれ異なっ
ており、また、Ｘ線画像上の腫瘍影の位置によってその
形状や濃度が異なっている等、種々に変形した腫瘍影が
現われる。したがって腫瘍影を求めるフィルタとしては
、種々に変形した腫瘍影であっても求めることができる
ように、ある程度許容度の大きなフィルタを用いる必要
がある。

しかしながら、その一方で、許容度の大きな腫瘍影抽出
フィルタを用いると、本来抽出する必要のある悪性腫瘍
の腫瘍影のみならず、抽出する必要のない良性腫瘍の腫
瘍影も抽出されてしまう結果となる。

これを解決するために、本出願人により、腫瘍影の略中
心を原点とした極座標（ｒ、　　θ）（ただし、ｒは動
圧、θは傾角を表わす。）で表わした前記腫瘍影の画像
データＤ（ｒ、　　θ）のスペクトル分布を求め、さら
にこのスペクトル分布を代表する特徴量を求め、この特
徴量に基づいて上記腫瘍影か悪性腫瘍の腫瘍影である蓋
然性を求める方法か提案されている（特願平１−２７２
２２３号参照）。

しかしながらこの方法は、捉えている特徴の数が少なく
、したがって典型的なパターンについては悪性腫瘍の蓋
然性を求めることができるが、種々に変形したパターン
についてはその蓋然性を正確に求めることができないと
いう問題かある。

またその一方で、たとえば医師か腫瘍影を診断する際、
何を捉えて悪性腫瘍の腫瘍であるか否かを判断している
か完全には解明されておらず、また医師であっても観察
している腫瘍影が悪性腫瘍の腫瘍影か否か迷う場合も多
く、したがって医師の診断を数式に置き換えることが困
難であるという問題もある。

本発明は、上記事情に鑑み、たとえば実空間フィルタを
用いて放射線画像上を走査すること等により求められた
腫瘍影が悪性腫瘍の腫瘍影であることの蓋然性を精度よ
く求めることのできるパターン認識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） 本発明のパターン認識装置は、 被写体の放射線画像を表わす画像データに基ついて、前
記放射線画像上に指定された前記被写体の腫瘍に対応す
る腫瘍影が悪性腫瘍の腫瘍影である蓋然性を表わすパタ
ーン認識装置であって、前記腫瘍影の略中心を原点とし
た極座標（ｒ。

θ）（ただし、ｒは動圧、θは傾角を表わす。）で表わ
した前記腫瘍影の画像データＤ（ｒ、　　θ）にｒとθ
を変数とした周波数解析を施すことにより前記腫瘍影の
画像データＤ（ｒ、　　θ）のスペクトル分布を求める
スペクトル演算手段と、該スペクトル演算手段で求めら
れた前記スペクトル分布を入力とし、該スペクトル分布
に対応する腫瘍影が悪性腫瘍の腫瘍影である蓋然性を表
わす情報を出力とするニューラルネットワークとを備え
たことを特徴とするものである。

ここで上記「蓋然性」は、腫瘍影を、該腫瘍影が悪性腫
瘍の腫瘍影であるか否かの二段階に分けたものであって
もよく、さらに細かく三段階以上に分けたものであって
もよい。

（作　　用） 良性腫瘍の腫瘍影は、典型的には略点対称のほとんど円
形に近い形状を有し、また腫瘍影内の濃度か均質、即ち
画像データの値がなめらかに変化しているという特性を
有しており、一方、悪性腫瘍の腫瘍影は、腫瘍影内の濃
度が不均質、即ち画像データの値が激しく変化している
という特性を有している。本発明は、この特性を生かし
たものである。

本発明のパターン認識装置は、スペクトル演算手段にお
いて、腫瘍影の画像データを先ず腫瘍影の略中心を原点
とした極座標（ｒ、　　θ）で表わし、このｒとθがあ
たかも互いに直交する座標軸であるかのようにみなして
腫瘍影の画像データＤ（ｒ。

θ）にｒとθを変数とした周波数解析を施してそのスペ
クトル分布を求めるようにしたため、腫瘍影の濃度の均
質、不均質の程度、腫瘍影の形状の整形、不整形の程度
がこのスペクトル分布に顕著に現われることとなる。

本発明ではこのようにして求めた、腫瘍影の濃度の均質
、不均質の程度、腫瘍影の形状の整形。

不整形の程度を表わす情報を十分に含むスペクトル分布
をニューラルネットワークに入力して該ニューラルネッ
トワークにより人力されたスペクトル分布に対応する腫
瘍影が悪性腫瘍の腫瘍影である蓋然性を求めるようにし
たため、該蓋然性か十分な精度をもって求められる。

ここで「ニューラルネットワーク」とは、ある入力信号
を与えたときに出力された出力信号か正しい信号である
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、あら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（例えば、ｒＤ、Ｅ、Ｒｕｍ
ｅｌｈａｒｔ、Ｇ、Ｅ、１（ｉｎｔｏｎ　　ａｎｄ　　
Ｒ，Ｊ、Ｗｉｌｌｉａｍｓ：Ｌｅａｒｎｉｎｇ　ｒｅｐ
ｒｅｓｅｎｔａｔｉｏｎｓ　ｂｙ　ｂａｅｋ−ｐｒｏｐ
ａｇａｔｉｎｇｅｒｒｏｒｓ、Ｎａｔｕｒｅ、３２３−
９，５３３−５３６．１９８６ａＪ、　　ｒ麻生英樹二
バックプロパゲーションコントロールＮｏ、２４　５３
−Ｇｏ　Ｊ　、　　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）。本発明ではこのニ
ューラルネットワークに上記スペクトル分布を入力し、
該スペクトル分布に対応する腫瘍影が悪性腫瘍の腫瘍影
である蓋然性を出力するようにしたものであり、腫瘍影
の画像データを腫瘍影の略中心を原点とした極座標（ｒ
、　　θ）で表わしこのｒとθがあたかも互いに直交す
る座標軸であるかのようにみなして腫瘍影の画像データ
Ｄ　（ｒ、　　θ）にｒとθを変数とした周波数解析を
施してそのスペクトル分布を求めたことと相まって、上
記蓋然性を高精度に求めることができる。

ここで前述した特願平１−２７２２２３号に記載された
方法と比べると、該特願平１−２７２２２３号に記載さ
れた方法ではスペクトル分布を求めた後、このスペクト
ル分布を代表する特徴量を求めていたため、この特徴量
を求める段階で腫瘍影の濃度の均質。

不均質の程度、腫瘍影の形状の整形、不整形の程度を表
わす情報がかなり失われてしまい、このためこの方法で
は典型的な形状とはかなり異なった形状を有する腫瘍影
の場合、入力された腫瘍影か悪性腫瘍の腫瘍影である蓋
然性を高精度に求めることかできない場合かあるか、本
発明ではスペクトル分布を直接ニューラルネットワーク
に入力するようにし、この欠点を改善したものである。

（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、
人体の乳房内に典型的には略球形として生じる腫瘍の陰
影を検出する例について説明する。この腫瘍は後述する
画像データ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）略円形の腫瘍影として現われる。

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１０のＸ線源１１からＸ線１２が人体
１３の乳房Ｌ３ａに向けて照射され、人体１３を透過し
たＸ線１２ａが蓄積性蛍光体シート１４に照射されるこ
とにより、人体の乳房１３ａの透過Ｘ線画像が蓄積性蛍
光体シート１４に蓄積記録される。

第２図は、Ｘ線画像読み取り装置の一例と、本発明のパ
ターン認識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。

乳房Ｘ線画像が記録された蓄積性蛍光体シート１４か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ト１４は、モー
タ２１により駆動されるエンドレスベルト２２により、
矢印Ｙ方向に搬送（副走査）される。一方、レーザ光源
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、ｆθレンズ２７通過した後、ミラー２
８により光路を変えて蓄積性蛍光体シート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。蓄積性蛍光体シート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成
形して作られたものであり、直線状をなす入射端面３Ｄ
ａが蓄積性蛍光体シート１４上の主走査線に沿って延び
るように配され、円環状に形成された射出端面３０ｂに
フォトマルチプライヤ３１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２９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３１に受光され、Ｘ線画像を表わす輝尽発光光がフォ
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３１から出力されたアナログ信号
ＳＯは対数増幅器３２でディジタル化され、ディジタル
信号としての画像データＳ１が得られる。

得られた画像データ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
明のパターン認識装置の一例を構成するものであり、Ｃ
ＰＵ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、ソピイディスクか装填されドライブ
されるドライブ部４２゜オペレータかこのコンピュータ
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。

第３図は、第２図に示すコンピュータシステム４０にお
ける、画像データＳ１に基づく処理を示したブロック図
である。ここで、本実施例では、各ブロック４０ａ〜４
０ｆに示す各手段に対応する各機能は、コンピュータシ
ステム４０においてソフトウェアが実行されることによ
り実現され、したがってここでは各ブロック４０ａ〜４
０ｇに示す各手段の機能を満足するためのハードウェア
、ソフトウェアの組み合わせが各ブロック４０ａ〜４０
ｇに示す各手段と同一視される。

画像データＳ１は、先ずコンピュータシステム４０の雑
音除去手段４０ａに入力され、不必要な高周波ノイズの
除去が行なわれる。この除去の処理は、たとえば、所定
点Ｐ０の画像データＳ１゜を含む、該所定点Ｐ０の周囲
の画素点の画像データＳ１、（ｉ　＝０．１．２．・・
・、ｎ）を平均化処理１／（ｎ＋１）　　・Σ　Ｓｌ。

を行なって、この平均化処理後の画像データを所定点Ｐ
。のあらたな画像データＳ２０とするフィルタを用いて
、Ｘ線画像上を走査すること等により行なわれる。

高周波ノイズの除去の行なわれた画像データＳ２は、次
にトレンド除去手段４０ｂに入力される。

トレンド除去手段４０ｂでは、入力された画像データＳ
２の低周波ノイズの除去が行なわれる。この低周波ノイ
ズの除去には、腫瘍影か濃度勾配のある領域に存在する
場合にその濃度勾配をなくし、濃度の平坦な領域に腫瘍
影か存在するかのように画像データを変換することも含
まれる。この処理は、たとえば所定点Ｐ、の画像データ
Ｓ２ｏを含む、該所定点Ｐ。の周囲のかなり広い範囲に
わたる多数の画素点の画像データＳ　２　＋　　（ｊ　
−０，１，２゜・・・、ａ＋）の平均化処理 を行ない、所定点Ｐ。の画像データＳ２ｏからこの平均
化処理により求めた値を減算し、この減算後の画像デー
タを所定点Ｐ。のあらたな画像データＳ′３ｏとするフ
ィルタ、すなわち、・・・（１） の演算を行なうフィルタを用いて、Ｘ線画像上を走査す
ること等により行なわれる。

上記のようにして、高周波ノイズ、低周波ノイズの除去
の行なわれた画像データＳ３は、次に腫瘍影抽出手段４
０ｃに入力される。腫瘍影抽出手段４０ｃでは、以下の
ようにして腫瘍影の抽出が行なわれる。

第４図は、腫瘍影を抽出する実空間フィルタの一例を説
明するために、Ｘ線画像上の所定の画素Ｐｏを中心に外
画像上に仮想的に描いた図である。

該所定の画素Ｐ。か上記腫瘍影内の画素であるか否かが
判定される。腫瘍影抽出手段１において、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ｒｌ、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ｆ。とじ、各線分Ｌｌと各
回Ｒ８との各交点に位置する各画素ＰＩ＋（第５図には
Ｐ１８．Ｐ、□、Ｐ１３．　Ｐ、１．　Ｐ５２＋　　”
５３について記号を示しである。）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ｆ。と各画素ＰＩ
、の画像データｆ＋、との各差分Δ、、が下記（２）式
に従って求められる。

Δ　、ｇｌ＋　ｆ　、　、　−ｆ　Ｑ　　　　・・・（
２）（ｉ　＝１，２．”・、８　；　ｊ　−１，２，３
）次に各線分Ｌ１毎に、（２）式で求められた各差分Δ
、ｊ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についテハ、画素Ｐｌ　ｌ＋
　　Ｐ　１２＋　　Ｐ１３に対する各差分Δ、、−ｆ　
、、　−ｆ　。

Δ１２”　ｆ　１２−　ｆ　Ｏ Δ１３＝　ｆ　１３−　ｆ　Ｏ のうちの最大値が求められる。この例では、たとえばΔ
１．か最大値とされる。また線分Ｌ５については画素Ｐ
　’ｉｌ＋　　Ｐ５２＋　　”　５３に対応する各差分
Δ５１””　ｆ　５１−　ｆ　Ｏ Δ５２””　ｆ　５２−　ｆ　Ｏ Δ５３”ｆ５３　　ｆＯ のうちの最大値、たとえばΔ５．が求められる。

このように各線分Ｌ１毎に所定の画素ＰＯと複数の画素
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は対処することかできる。

次に、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、即ち線分Ｌ１とＬ５、線分Ｌ２
とＬ６、線分Ｌ３とＬ７、線分Ｌ４とＬ日のそれぞれを
ひと組として、各粗層に２つの最大値の平均値（それぞ
れＭ、９．　Ｍ２６．　Ｍ３．。

Ｍ２Ｓ）が求められる。線分Ｌｌ　とＬ５の組について
は、その平均値Ｍ１．は、 Ｍ＋５−（Δ１、＋Δ５３）　／　２　　・・・（３）
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、腫瘍影
かたとえばトレンド除去手段が４０ｂで除去しきれない
ほど濃度が傾斜した領域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＋ｓ、　Ｍ２６．　Ｍ３７．
　Ｍ２Ｓが求められると、これらの平均値Ｍ　）　５．
　Ｍ　２６゜Ｍ３７．　Ｍ２Ｓ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が求められる。

第５図は、この特性値Ｃ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、、　Ｍ
２．、　Ｍ３７．　Ｍ２Ｓ、横軸はこれらの平均値には
対応する各評価値Ｃｌｓ、　　Ｃ２６，Ｃ３７＋　　Ｃ
４８である。

各平均値Ｍ１５．　Ｍ２６．　Ｍ３７．　Ｍ４Ｓがある
値Ｍ０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ｌ、Ｑ　、Ｍｌ＝Ｍ４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Ｍ１９．　Ｍ２６゜Ｍ
３□９Ｍ４８にそれぞれ対応する評価値Ｃ１５＋　　Ｃ
２６＋Ｃｌ＋　　Ｃ４８の和 Ｃ＝　Ｃ１５＋　Ｃ２６＋　Ｃ３７＋　Ｃ４８Ｃ・・・
（４）が特性値Ｃとされる。即ちこの特性値Ｃ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Ｃが所定のしきい値Ｔｈと比較され、Ｃ≧
Ｔｈであるか、ＣくＴｈであるかより、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。

以上の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Ｘ線画像に現われた腫瘍影が抽出される。この
ようにして腫瘍影が求められると、各腫瘍影中の最も小
さな値を有する画像データＳ３がサーチされ、この画像
データＳ３に対応する画素がその腫瘍影の中心とされる
。

第６Ａ図、第６Ｂ図は、上記実空間フィルタを用いて求
められた、それぞれ良性腫瘍、悪性腫瘍の陰影の典型的
な形状を表わした図である。但し、この段階では良性腫
瘍であるか悪性腫瘍であるかの判定は行なわれていない
。各図において、Ｘ軸とｙ軸とが交差する原点Ｏが、上
記のようにして求められた中心点である。

良性腫瘍は、典型的には第６Ａ図に示すように中心点０
を中心とするほとんど円形に近い形状を有しており、ま
た、腫瘍影内の画像データＳ３はなめらかに変化してい
る。また悪性腫瘍は、典型的には第６Ｂ図に示すように
、その形状は不整形であり、腫瘍影内の画像データＳ３
はその値が激しく変化している。但し、上記実空間フィ
ルタを用いて抽出された腫瘍影は、第６Ａ図、第６８図
に示すような典型的な形状を有しているとは限らず、種
々に変形した形状を有している。

腫瘍影抽出手段４０ｃにおいて腫瘍影が抽出され、その
中心点が求められると、画像データＳ３は、腫瘍影の位
置情報とともに極座標変換手段４０ｄに入力される。極
座標変換手段４０ｄでは少なくとも腫瘍影の近傍の画像
データＳ３の極座標表示が行なわれる。

第７Ａ図、第７Ｂ図は、それぞれ第６Ａ図、第６Ｂ図に
示した腫瘍影を極座標（ｒ、　　θ）で表わし、その極
座標における各変数ｒ、θを互いに直交する座標軸とし
て表わした図である。

良性腫瘍の画像データＳ３の場合は典型的にはθの値に
よらずほぼ一定であるため第７Ａ図に示すようにθ方向
にほぼ一定に延びた形状となる。

一方、悪性腫瘍の画像データはθ方向にも変化し、した
がって第７Ｂ図に示すようにθ軸に沿って変動する形状
となる。

極座標表示された画像データＳ３（各腫瘍影の近傍の画
像データＳ３をいう。）は、次に周波数解析手段４０ｅ
に人力される。本実施例では、周波数解析手段４０ｅに
おいて、画像データｓ３に「とθとを変数とした二次元
フーリエ変換が施され、各腫瘍影毎に画像データＳ３の
スペクトル分布Ｆ（Ｕ、Ｖ）が求められる。尚、本実施
例においては、極座標変換手段４０ｄと周波数解析手段
４０ｅとを併せた機能が本発明にいうスペクトル演算手
段と観念される。

第８図は、上記のようにして求めた腫瘍影のスペクトル
分布Ｆ（ｕ、ｖ）を模式的に示した図である。

この図の高さ方向か求められたスペクトル分布Ｆ（ｕ、
ｖ）の値を表わしている。

このようにして各腫瘍影毎のスペクトル分布Ｆ（Ｕ、Ｖ
）が求められると、このスペクトル分布Ｆ（ｕ、Ｖ）が
ニューラルネットワーク４Ｏｆに入力される。

第９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、１１２個、１個のユニットにニーロン）
から構成される。第１層（人力層）に入力される各信号
Ｆ１．Ｆ２．　　・・・・・・。

Ｆａ、はスペクトル分布Ｆ　（ｕ、ｖ）をＵ、Ｖ方向に
それぞれ所定の間隔ΔＵ、ΔＶでサンプリングして得た
、該スペクトル分布Ｆ（υ、Ｖ）のディスクリート値で
あり、第３層（出力層）からの出力Ｙｒは入力されたス
ペクトル分布Ｆ　（ｕ、ｖ）に対応する腫瘍影が悪性腫
瘍の腫瘍影である蓋然性が高いはど１°に近く、良好腫
瘍の腫瘍影である蓋然性が高いほど′Ｏ′　に近い値を
有する信号である。第に層のｉ番目のユニットをｕｉ、
該ユニット　７への各入力をｘｉ、各出力をｙ７、ｕ：
からに＋ｌへの結合の重みをＷ７　：＋１とし、各ユニ
ットｕｉ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
Ｘｉ、出力Ｙ７は、 Ｘニー８ｗ　ニー１　：　　・　ｋ−ｌ　　　　・・・
（６）Ｙ＋　−ｆ　（Ｘ７）　　　　　　　　　　・・
・（７）となる。ただし入力層を構成する各ユニットｕ
：（ｉ−１，２，・＝、ｎｌ）　への各人力Ｆ１．Ｆ２
．．．．。

Ｆａｔは重みづけされずにそのまま各ユニットｕ：　（
ｉ−１，２，・・・、ｎｌ）に入力される。入力された
ｎ１個の信号Ｆ１　＊　Ｆ２　ｒ　”’ｔ　Ｆ　ａｌは
、各結合の重みＷ”＋”４”　　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、これにより入
力されたスペクトル分布Ｆ　（ｕ、ｖ）に対応する腫瘍
影が悪性腫瘍の腫瘍影であるが否がか判定される。

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ニア”　
　の初期値が与えられる。このとき、入力Ｆ１〜Ｆ。１
が最大に変動しても、出力ｙ、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。

このニューラルネットワークの「学習」の段階では悪性
腫瘍の腫瘍影であるか良性腫瘍影の腫瘍影であるかがあ
らかじめ判明している腫瘍影について上記スペクトル分
布Ｆ　（ｕ、ｖ）を求め、このスペクトル分布Ｆ　（ｕ
、ｖ）が第４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ｕ”＋の出力ｙｋｌがモニタされる。

各出力　？が求められると、最終的な出力である　？と
、マニュアルで入力された正、誤の情報１　　　、　ゴ Ｅ＝　　　　（ｙ＋　　ｙ＋）２　　　・・・（８）か
求められ、この二乗誤差Ｅか最小となるように、以下の
ようにして各結合の重みｗ　２７　”　ｌが修正される
。

二乗誤差Ｅを最小にするには、このＥはＷｋ　ｋ　０１
の関数であるから のように各結合の重みＷ７７”か修正される。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、（６）式より Ｘｌ　　−ΣＷ＋、　　・ｙｌ　　　　　・・−（６）
′であるから、（１０）式は、 ｄＷ７フ゛’　　　　ｄＸフ“１ となる。

ここで、（８）式より、 （７）式を用いてこの（１２）式を変形すると、ここで
、（５）式より、 ｆ’　（ｘ）　−ｆ　　（ｘ）　　（１−ｆ　　（ｘ）
　）　　−（１４）であるから、 ｆ’　（ｘ：　）−ｙｌ”　（１−ｙ”：　）　　　−
（１５）となる。

（１１）式においてに−２と置き、（１３）、　（１４
）式を（１１）式に代入すると、 ・・・（１６） この（１６）式を（９）式に代入して１、　ゴ Ｗ：　＋　−Ｗ＋　１　　７７”　　（Ｙ＋　　Ｙｌ）
”／ｒ・　（１）’＋）　　・ｙｌ　　　　　　・・・
（１７）となる。この（１７）式に従って、Ｗ？　？　
（１＝１．２．・・・。

ｎｌ）の各結合の重みが修正される。

次に、 であるから、この（１８）式に（６）、　（７１式を代
入して、ここで（１４）式より、 ｆ’　（ｘ’、　）　−ｙ？　−（１−ｙ：　）　　　
＝−（ｚｏ）であるから、この（２０）式と、（１３）
、　（１５）式を（１９）式に代入して、 ・Ｓ・（Ｉ　　Ｙ？）・Ｗｉｌ　・・・（２１）（１１
）式においてに−１と置き、（２１）式を（１１）式に
代入すると、 一□’：　　７）・ｙｌ・（１−ｙｌ）・Ｙ？・（１ｙ
？）・Ｗ丁１・ｙ； ・・・（２２） この（２２）式を（９）式に代入すると、ｋ−１と置い
て、ｗ：　？　−ｗ：　？−η・（ｙ？−膚）・　？・
（１−ｙｌ）・ｙ、・（１−７丁）・ｙｌ・Ｗｌｌ　　
　　　　　　　　　　　　　　　・・・（２３）となり
、（１７）式で修正されたＷ？　？　（＋−１，２，・
・・。

ｎｘ）かこの（２３）式に代入され、ｗ：　’、　（ｉ
−１，２゜・・・、　　ｎｌ；ｊ−１，２，・・・、ｎ
２）が修正される。

尚、理論的には（１７）式、　（２３）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　ｋ　ｋ　”　ｌを所定の値
に収束させ得るが、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
の重みか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、Ｗ１１１ｉａａ＋ｓ：Ｌｅ
ａｒｎｉｎｇ　１ｎｔｅｒｎａｌ　ｒｅｐｒｅｓｅｎｔ
ａｔｉｏｎｓ　ｂｙｅｒｒｏｒ　ｐｒｏｐａｇａｔｉｏ
ｎ　Ｉｎ　Ｐａｒａｌｌｅｌ　Ｄｉｓｔｒｉｂｕｔｅｄ
　Ｐｒｏｃｅｓｓｉｎｇ、Ｖｏｌｕｍｅ　１．Ｊ几、Ｍ
ｃＣＩｅｌ　Ｉａｎｄ、Ｄ、Ｅ、Ｒｕｍｅｌｈａｒｔ　
ａｎｄ　Ｔｈｅ　ＰＤＰ　Ｒｅ５ｅａｒｃｈ　Ｇｒｏｕ
ｐ、ＨＩＴ　Ｐｒｅｓｓ、１９８６ｂｊ参照） ΔＷ？７＋１　（ｔ＋１）−α・ΔＷｉ：１１　（ｔ）
＋ただしΔｗ、７”　　（ｔ）は、を回目の学習におけ
る、修正後の結合重みＷ？　？＋１から修正前の該結合
の重みＷ？　：”をづ匹）だ修正量を表わす。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Ｗ７　：”ｌの修正（学習
）を多数行ない、その後は、各結合の重みＷ？：”は最
終の値に固定される。尚その後も必要に応じて′学習°
を継続するようにしてもよい。

この学習の終了時には、出力ｙ？はスペクトル分布Ｆ　
（ｕ、ｖ）に対応する腫瘍影が複製腫瘍の腫瘍影である
か否かを正しく判定した信号となる。

尚、上記ニューラルネットワークは構造のニューラルネ
ットワークであるが（第７図参照）、本発明は３層構造
のニューラルネットワークを用いるものに限られるもの
ではないことはもちろんである。また各層を構成するユ
ニット　７の数、入力点数、出力点数等もその目的に応
じて任意に構成することができるものであることももち
ろんであり、例えば出力点数を、悪性腫瘍である蓋然性
が高いときに信号を出す出力端子と、悪性腫瘍である蓋
然性がある程度あるときに信号を出す出力端子と、良性
腫瘍である蓋然性が高いときに信号を出す出力端子との
３点としてもよい。

このようにして、上記ニューラルネットワークで悪性腫
瘍の蓋然性が高いと判定された腫瘍影の位置情報が画像
データＳ３とともに表示手段４０ｇ（第２図に示すＣＲ
Ｔデイスプレィ４４）に入力され、悪性腫瘍の蓋然性の
高い腫瘍影の位置を明示した可視画像が再生表示され、
観察に供される。

尚、上記実施例では、雑音除去手段４０ａ、）レンド除
去手段４０ｂで高周波ノイズ、低周波ノイズの除去が行
なわれているが、このような処理は必要に応じて適宜行
なえばよいものであり、しだがって本発明においては必
須の構成要件ではない。

また上記実施例では、腫瘍影抽出手段４０ｃにおいて実
空間フィルタを用いてＸ線画像上を走査して腫瘍影が抽
出されたが、腫瘍影を抽出するフィルタは上記実施例で
説明したフィルタに限られるものではなく、また、たと
えば先ずＣＲＴデイスプレィ４４に可視画像を再生表示
し、観察者がＣＲＴデイスプレィ４４上の可視画像に現
われた腫瘍影の本発明ではこのようにして指定された腫
瘍影についてこの腫瘍影が悪性腫瘍であることの蓋然性
を求めるようにしてもよいものである。

また対象としている腫瘍影について悪性腫瘍の腫瘍影で
ある蓋然性を求めた後、可視画像を表示することに代え
て、求められた上記蓋然性を表わす情報を画像データＳ
３とともに記憶手段に格納するようにしてもよいもので
ある。

さらに、上記実施例は、蓄積性蛍光体を用いて得られた
人体の乳房Ｘ線画像に現われる腫瘍影について悪性腫瘍
の腫瘍影である蓋然性を求めた例であるが、本発明は乳
房Ｘ線画像を対象とするものに限られるものではなく、
胸部Ｘ線画像等にも適用することかでき、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
画像上に現われた腫瘍影が悪性腫瘍の腫瘍影である蓋然
性を求める際に広く用いうるちのである。

（発明の効果） 以上詳細に説明したように、本発明のパターン認識装置
は、腫瘍影の略中心を原点とした極座標（ｒ、　　θ）
で表わした画像データＤ（ｒ、　　θ）にｒとθを変数
とした周波数解析を施すことにより。

スペクトル分布を求め、この求められた、腫瘍影の濃度
の均質、不均質の程度、腫瘍影の形状の整形、不整形の
程度を表わす情報を十分に含むスペクトル分布全体をニ
ューラルネットワークに入力し、該ニューラルネットワ
ークから悪性腫瘍の腫瘍影である蓋然性を表わす情報を
出力するようにしたため、上記蓋然性を高精度に求める
ことができる。

【図面の簡単な説明】

第１図は、Ｘ線撮影装置の一例の概略図、第２図は、Ｘ
線画像読み取り装置の一例と、本発明のパターン認識装
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、 第３図は、第３図に示すコンピュータシステム４０にお
ける、画像データＳ１に基づく処理を示したブロック図
、 第４図は、腫瘍影を抽出する実空間フィルタの一例を説
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、この特性値Ｃの
求め方を説明するための図、 第６Ａ図、第６Ｂ図は、上記実空間フィルタをの陰影の
典型的な形状を表わした図、 第７Ａ図、第７Ｂ図は、それぞれ第６Ａ図、第６Ｂ図に
示した腫瘍影を極座標（ｒ、　　θ）で表わし、その極
座標における各変数ｒ、θを互いに直交する座標軸とし
て表わした図、 第８図は、上記のようにして求めた腫瘍影のスペクトル
分布Ｆ　（ｕ、ｖ）を模式的に示した図、第９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。 １０・・・Ｘ線撮影装置 １４・・・蓄積性蛍光体シート 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 ３０１−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１図 第３図 １゛Ｒ３ 第５図 第６Δ図　　　　　第６Ｂ図 第７Ａ図　　　　第７８図

Claims (1)

1. 【特許請求の範囲】 　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前記被写体の腫瘍に対応
   する腫瘍影が悪性腫瘍の腫瘍影である蓋然性を表わすパ
   ターン認識装置であって、前記腫瘍影の略中心を原点と
   した極座標（ｒ、θ）（ただし、ｒは動圧、θは傾角を
   表わす。）で表わした前記腫瘍影の画像データＤ（ｒ、
   θ）にｒとθを変数とした周波数解析を施すことにより
   前記腫瘍影の画像データＤ（ｒ、θ）のスペクトル分布
   を求めるスペクトル演算手段と、 該スペクトル演算手段で求められた前記スペクトル分布
   を入力とし、該スペクトル分布に対応する腫瘍影が悪性
   腫瘍の腫瘍影である蓋然性を表わす情報を出力とするニ
   ューラルネットワークとを備えたことを特徴とするパタ
   ーン認識装置。