JPH04317046A - ニューラルネットワークを用いた放射線画像処理方法 - 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】

【０００１】

【産業上の利用分野】本発明は、放射線画像を表わす画
像データに基づき、ニューラルネットワークを用いて、
該放射線画像の分割パターン、照射野、撮影体位、撮影
部位等の認識および強調、修正等のフィルタリングを行
なうニューラルネットワークを用いた放射線画像処理方
法に関するものである。

【０００２】なお、本明細書中で処理というときは上述
した各種の認識およびフィルタリングをいうものとする
。

【０００３】

【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６１−５１９３　号公報参照）。

【０００４】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旦シート状の蓄積
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５５−１２４２９号，同５６−１１３９５号，同５５
−１６３４７２　号，同５６−１０４６４５　号，同５
５−　１１６３４０号等）。

【０００５】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、Ｃ
ＲＴ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。

【０００６】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。

【０００７】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。

【０００８】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。

【０００９】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。

【００１０】上記画像信号（先読画像信号を含む）に基
づいて読取条件および／または画像処理条件（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６０−１８５９
４４　号公報，特開昭６１−２８０１６３　号公報参照
）。

【００１１】この従来採用されているアルゴリズムは、
一般的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。

【００１２】ところが、前述のようにして画像データを
分析して読取条件，画像処理条件を求めるにあたって、
分析に用いた画像データが、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データである場合、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。

【００１３】これを解決するためには、読取条件，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，画像処理条件を求める必
要がある。

【００１４】本出願人は既に、上記のような放射線照射
野を認識する方法をいくつか提案しており（例えば、特
開昭６１−３９０３９　号、特開昭６３−２５９５３８
　号）このような方法によって照射野を自動認識しその
認識領域のみについて読取条件、画像処理条件を求める
ようにすれば、上述の不具合は解消可能である。

【００１５】ところで、以上述べた記録シートに放射線
画像情報を蓄積記録（撮影）する場合、いわゆる分割撮
影がなされることも多い。この分割撮影とは、記録シー
トの記録領域を予め定められた所定の複数区画に分割し
、各区画毎に前記蓄積記録のための放射線を照射するよ
うにした撮影法である。この分割撮影によれば、例えば
大きな記録シートに小さな部位を撮影するような場合、
１枚の記録シートに複数部位の記録が可能となって経済
的であるし、また放射線画像情報記録および読取りの処
理速度も向上する。

【００１６】ところが上記のような分割撮影を行なう際
に前述の照射野絞りも実行されると、各照射野は互いに
分離した状態となる。このような方法では照射野は誤っ
て認識されてしまう。１枚の記録シート上の複数の照射
野をそれぞれ自動認識しうる方法も提案されているが、
その場合は照射野認識のアルゴリズムが極めて複雑にな
り、その方法を実施するために非常に高価な装置が必要
になるという問題が有る。

【００１７】照射野を認識する際に、記録シート上の分
割パターンを示す情報を照射野認識装置にマニュアル入
力して各分割区画の位置情報を与えれば、各区画につい
て１つの照射野を求める処理を行なえばよいことになる
から、照射野認識のアルゴリズムが非常に複雑化すると
いう問題は回避できる。しかし、記録シートからの放射
線画像情報読取りを行なう際に、上記分割パターンを逐
一マニュアル操作で入力するのは大変面倒である。

【００１８】そこで、記録シートに記録されている放射
線画像の分割パターンを自動的に認識する方法が必要に
なる。本出願人は、この分割パターンの自動認識の方法
として、多数の方法の提案を既にしている。（例えば、
特開昭６３−２５７８７９　号、特開平１−２１２０６
５号、特開平１−２３８６５４号、特願平１−　８９４
８３号、特願平１−　９４９０４号、特願平１−　９４
９０６号、特願平１−　９６６６３号、特願平１−　９
７８０２号、特願平１−　９７８０５号、特願平１−１
１６９４６号等）また、上に述べたようにして放射線画
像情報の読取条件および／または画像処理条件を決定す
るとき、同一の被写体を撮影体位を変えて撮影した場合
には、それぞれの再生画像において該被写体中の関心領
域の濃度が変わってしまうことがある。

【００１９】例えば胸椎を診断するために胸部を正面か
ら撮影した場合と、側面から撮影した場合を考えると、
正面撮影の場合、関心領域である胸椎は、放射線が透過
しにくい縦隔部と重なるので蓄積性蛍光体シートにおい
て胸椎部分の蓄積放射線量は低く、この部分は低発光量
部分となる。一方側面撮影の場合、胸椎は放射線の透過
しやすい肺野と重なるので、蓄積性蛍光体シートにおい
て胸椎部分の蓄積放射線量は高く、この部分は高発光量
部分となる。そして正面撮影の場合もまた側面撮影の場
合も、蓄積性蛍光体シートからの読取画像信号の最大値
、最小値はさして変わらないから、従来から行なわれて
いるように該最大値、最小値に基づいて決定される読取
条件および／または画像処理条件は、双方の場合でほぼ
同一となる。したがってこのような読取条件および／ま
たは画像処理条件の下で画像読取りを行ない再生画像を
得ると、胸椎部分は、正面撮影の画像においては比較的
低濃度となり、一方側面撮影の画像においては比較的高
濃度となってしまう。

【００２０】上記のような問題を解消するため従来は、
蓄積性蛍光体シートからの放射線画像情報読取りを行な
う際に、そのシートにはどのような体位で被写体が撮影
されているかということを逐一読取装置または画像処理
装置に入力し、この入力された撮影体位情報に応じて前
述の読取条件および／または画像処理条件を設定するよ
うにしている。

【００２１】しかし、各蓄積性蛍光体シートの読取処理
の度に上記のような撮影体位情報を逐一入力する作業は
大変面倒であり、また撮影体位情報を誤って入力してし
まうことも起こりやすい。

【００２２】そこで、上記蓄積性蛍光体シート等に記録
されている医用画像の撮影体位を自動的に判別する方法
が提案されている。（特開昭６３−２６２１２８号）さ
らに、同様の理由で撮影の対象すなわち部位（例えば人
体を被写体とした場合の頭部，頸部，胸部，腹部等）が
何であるかによっても、放射線画像情報の読取条件およ
び／または画像処理条件を決定するとき、それぞれの再
生画像において関心領域の濃度が変わってしまうことが
あり、従来は、蓄積性蛍光体シートからの放射線画像情
報読取りを行なう際に、そのシートにはどのような部位
が撮影されているかということを逐一読取装置または画
像処理装置に入力し、この入力された撮影部位情報に応
じて前述の読取条件および／または画像処理条件を設定
することも行なわれている。

【００２３】このように、前述の読取条件および／また
は画像処理条件を設定する際には、放射線画像の分割パ
ターン認識、照射野認識、撮影体位認識、および撮影部
位認識等の認識を行ない、この認識結果に基づいた補正
を施してから、読取条件および／または画像処理条件を
設定することが必要である。

【００２４】また、前述した照射野認識方法においては
、放射線照射野の輪郭がボケていわゆるエッジボケをお
こしている場合には照射野を正確に認識することが困難
となる場合がある。

【００２５】また、マスクにより照射野絞りをかけてい
ても、放射線の散乱線がマスク側に回り込んで記録シー
トの照射野外に照射され、これにより記録シートの照射
野外領域がいわゆる濃度カブリをおこしていることがあ
り、このような現象が生じている場合にも前述した照射
野認識方法において照射野の認識を正確に行なうことが
困難な場合がある。

【００２６】このような問題を解決するため照射野認識
の前処理として、放射線画像の照射野のエッジを強調し
、照射野領域外の散乱線の影響を除去するような画像強
調を行なうことが考えられる。

【００２７】また、その放射線画像の一部の領域に着目
部位が存在する場合に、この領域の画像のみにフィルタ
リング処理を施してこの領域を強調する画像強調が知ら
れている。

【００２８】また、データ圧縮処理等を用いて得られた
画像に欠落点等の欠陥が存在する場合にこの欠陥を埋め
る目的でフィルタリング処理を用いた画像修正が行なわ
れる。

【００２９】さらに、放射線画像の画質を良化するため
、画像平滑処理や画像ノイズ除去処理等のフィルタリン
グ処理を用いた画像修正が行なわれる。

【００３０】このように、放射線画像の画像処理におい
ては、放射線画像信号に対し、種々の強調や修正等のフ
ィルタリングを施して適切な再生画像を得るようにして
いる。

【００３１】ところで、近年、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。

【００３２】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幡学習（バ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、「
Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔ，Ｇ．Ｅ．Ｈｉｎｔｏｎ　
ａｎｄ　Ｒ．Ｊ．Ｗｉｌｌｉａｍｓ：Ｌｅａｒｎｉｎｇ
　ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ　ｂｙ　ｂａｃｋ−
ｐｒｏｐａｇａｔｉｎｇ　ｅｒｒｏｒｓ，Ｎａｔｕｒｅ
，３２３−９，５３３−３５６，１９８６ａ」，「麻生
英樹：バックプロパゲーションＣｏｍｐｕｔｒｏｌ　Ｎ
ｏ．２４　５３−６０　」，「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）。

【００３３】このニューラルネットワークを用いると、
放射線画像の画像データを入力として、上記の各種の認
識およびフィルタリングを行なうことが可能であり、こ
の処理結果に基づいた補正を施してから、前述の読取条
件および／または画像処理条件を設定することができる
。

【００３４】すなわち、上記各種の認識およびフィルタ
リングにおいて、放射線画像の画像データを上記ニュー
ラルネットワークに入力して、その処理結果を表わす特
徴量を出力とし、このニューラルネットワークにあらか
じめ繰り返し‘学習’させることにより次第に正しい特
徴量を求めることができるようにすることができる。

【００３５】このようなニューラルネットワークを用い
て放射線画像の分割パターン認識、照射野認識、撮影体
位認識、および撮影部位認識等の認識や強調、修正等の
フィルタリングを行なうようにすれば、放射線画像の各
画素に対応する画像データをニューラルネットワークに
入力するだけで上記認識やフィルタリングの処理結果を
表わす特徴量を得ることができるので簡単な構成により
、精度の高い各種処理を行なうことができる。

【００３６】本出願人は既に、ニューラルネットワーク
を用いて上記のような各種の認識およびフィルタリング
を行なう方法をいくつか提案している（例えば特願平２
−２１８４８　号、特願平３−７３２６８　号、特願平
３−７６５３４　号）。

【００３７】

【発明が解決しようとする課題】ところで、これらの出
願にはニューラルネットワークの構成として、全結合型
のニューラルネットワークが記載されている。

【００３８】すなわち、ニューラルネットワークが入力
層（第１層）、中間層（第２層）および出力層（第３層
）からなる３層構造のものである場合に原画像の全領域
のデータが中間層（第２層）の全ニューロンの各々に入
力されるという全結合型を用いている。

【００３９】ニューラルネットワークは与えられた問題
に対し、正解との誤差を最小とするように学習を行なお
うとするものであるが、上述したような全結合型におい
ては極めて自由度が大きい学習となるため初期条件の設
定値によっては出力値がネットワークの安定状態、すな
わちエネルギＥの最小値であるグローバルミニマムに収
束せず、局所的にエネルギＥが極小値となる浅い谷底部
分のローカルミニマムにトラップされてしまう。

【００４０】このようなローカルミニマムにトラップさ
れてしまうと、ニューラルネットワークの演算部がブラ
ックボックスであって人間が全く介入できないため正解
から大きくはずれた値が出力値として出力されてしまう
。

【００４１】本発明はこのような事情に鑑みなされたも
ので、いかなる初期条件に設定された場合であっても、
演算結果をローカルミニマムにトラップさせることなく
記憶情報に対応した最小点（グローバルミニマム）に収
束させ得るニューラルネットワークを用いた放射線画像
処理方法を提供することを目的とするものである。

【００４２】

【課題を解決するための手段】本発明のニューラルネッ
トワークを用いた放射線画像処理方法は、ニューラルネ
ットワークの中間層を２つの神経細胞群に分け、一方の
神経細胞群によって放射線画像の全領域に着目した画像
処理を行なわせ、他方の神経細胞群によってこの放射線
画像の局所領域に着目した画像処理を行なわせることを
特徴とするものである。

【００４３】すなわち、放射線画像データをニューラル
ネットワークに入力し、このニューラルネットワークに
より上記画像データの画像処理を行ない、このニューラ
ルネットワークから上記画像処理結果を出力させるニュ
ーラルネットワークを用いた放射線画像処理方法におい
て、上記ニューラルネットワークの中間層の第１神経細
胞群において上記画像データの全領域に着目した上記画
像処理を行ない、上記ニューラルネットワークの中間層
の第２神経細胞群において上記画像データの局所領域に
着目した上記画像処理を行なうことを特徴とするもので
ある。

【００４４】なお、上記中間層とは、ニューラルネット
ワークを構成する複数のニューロン層のうち入力層と出
力層の間に位置する中間の層をいう。

【００４５】また、上記画像処理とは画像強調や画像修
正等のフィルタリングおよび分割パターン認識、照射野
認識、撮影体位認識、撮影部位認識、異常陰影認識等の
認識を意味する。

【００４６】

【作用および効果】本発明の放射線画像処理方法では、
ニューラルネットワークの中間層を２つの神経細胞群に
分け、一方の神経細胞群に従来の全結合型と同様放射線
画像の全領域に着目した画像処理を行なわせ、これとと
もに他方の神経細胞群に上記放射線画像の局所領域に着
目した画像処理を行なわせるようにしている。

【００４７】上記局所領域に着目した画像処理は全領域
に着目した画像処理に比べて学習の自由度を小さくした
ものであるといえるのでニューラルネットワークにおけ
る演算結果がローカルミニマムにトラップされる確率を
減少させることができる。

【００４８】したがって全領域に着目した画像処理によ
って画像全体の位置関係を得、また、局所領域に着目し
た画像処理によって着目画素の近傍領域のデータに基づ
く、ローカルミニマムにトラップされていない情報を得
ることで、ニューラルネットワークが画像全体の位置関
係と着目画素近傍領域に基づく情報の両者を考慮しつつ
学習することができる。これによりニューラルネットワ
ークにおいて大きな問題となっているローカルミニマム
に陥りやすいという欠点を解消することができる。

【００４９】

【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
トを用いる例について説明する。

【００５０】図１は、本発明の放射線画像処理方法を使
用した放射線画像処理装置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。

【００５１】図示しないＸ線撮影装置を用いたＸ線撮影
により得られた、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シート１
１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
回転する回転多面鏡１６によって反射偏向され、ｆθ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。この
光ビーム１５が照射されたシート１１の箇所からは、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２
０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２
０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１１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出射端面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２０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、
出射端面２０ｂ　から出射してフォトマルチプライヤ２
１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。

【００５２】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１１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。

【００５３】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２６
の増幅率等が定められている。

【００５４】得られた先読画像信号Ｓｐ　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、本発明の放射線画像解析装置の一例を内包
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４３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。

【００５５】このコンピュータシステム４０内では、入
力された先読画像信号Ｓｐ　に基づいて照射野等が認識
され、また、照射野のエッジ強調等の画像フィルタリン
グがなされ、次いで本読みの際の読取条件、即ち本読み
の際の感度およびコントラストが求められ、この求めら
れた感度，コントラストに従って、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。

【００５６】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。

【００５７】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、前述のようにして定めら
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　の構成と略同一
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１００　で用いた番号にダッシュ
を付して示し、説明は省略する。

【００５８】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ＳＱ　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４
０内では画像信号ＳＱ　に適切な画像処理、例えば種々
の適切な強調、修正等のフィルタリング、さらには種々
の適切な認識が施され、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。

【００５９】上述したようにコンピュータシステム４０
においては、先読画像信号Ｓｐ　に基づいて、ニューラ
ルネットワークを用いて放射線画像の分割パターン、照
射野、撮影体位、および撮影部位が認識され、次いで本
読みの際の読取条件が求められる。

【００６０】前記先読画像信号Ｓｐ　は図２に示すよう
に、ニューラルネットワーク４５に入力され、放射線画
像の分割パターン、照射野、撮影体位、および撮影部位
が認識され、それぞれの認識結果である特徴量が出力さ
れる。

【００６１】なお、図３に示すように各画素に対応する
各先読画像信号のうち斜線を施した各画素に対応する先
読画像信号のみを取り出してニューラルネットワーク４
５に入力してもよい。これにより、ニューラルネットワ
ーク４５の入力点数を削減することができる。このとき
、画像全体を一様に間引く代りに、画像の中央付近に画
像の主要部が存在することが多いことに鑑み、画像の中
央付近は密、端部は粗となるように間引いてもよい。

【００６２】次にニューラルネットワーク４５の構成を
図４を用いて説明する。この図４に示すニューラルネッ
トワーク４５は照射野認識を行なう場合の一例について
示すもので原画に対応する入力層（第１層）５１、中間
層（第２層）５２および照射野２値パターンに対応する
出力層（第３層）５３の３層構成からなり、中間層５２
が原画の全領域に着目した照射野認識を行なう第１の神
経細胞（ニューロン）群５４と原画の局所領域に着目し
た照射野認識を行なう第２の神経細胞（ニューロン）群
５５からなっている。すなわち、上記第１の神経細胞群
５４の各神経細胞５６には原画の全領域からの画素のデ
ータが入力されるのに対し、上記第２の神経細胞群５５
の各神経細胞５６には各神経細胞５６に対応したブロッ
ク５７内の画素のデータのみが入力されることとなる。

【００６３】なお、図４において中間層５２の各神経細
胞５６と入力層５１の各ブロック５７とは便宜上一本の
線で結合されているが、実際にはこの各神経細胞５６は
原画の各ブロック５７の全画素各々に対応する入力層５
１のニューロンと各々結合されている。

【００６４】次に、上記構成のニューラルネットワーク
により、学習を繰り返して、該ニューラルネットワーク
により、正しい画像点を求める方法について詳述する。

【００６５】以下、第１神経細胞群５４を用いた画像全
領域に着目した学習および第２神経細胞群５５を用いた
画像局所領域に着目した学習について説明する。

【００６６】まず、上記第１の神経細胞群５４を用いた
学習について照射野認識の場合を例にとって説明する。

【００６７】図５は誤差逆伝播学習（バックプロパゲー
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（バックプロパゲー
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）を修正するというものである。

【００６８】この場合の教師信号としては、照射野のエ
ッジボケがなく照射野外散乱もない画像について予め求
めておいた放射線画像信号、例えば照射野認識が正確に
行なわれた画像信号を用いる。

【００６９】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ｎ１　個，ｎ２個，１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
Ｆ１　，Ｆ２　，……，Ｆｎ１はＸ線画像の各画素のう
ち、図２に示すようにして間引いた数の各画素に対応す
る先読画像信号Ｓｐであり、第３層（出力層）からの出
力Ｙ３，１　は、照射野（円形、矩形等の照射野のうち
いずれか１つ）を表わした信号である。

【００７０】第ｋ層のｉ番目のユニットをＵｋ，ｉ　、
該ユニットＵｋ，ｉ　への各入力をＸｋ，ｉ　、各出力
をＹｋ，ｉ　、Ｕｋ，ｉ　からＵｋ＋１，ｊ　への結合
の重みをＷｋ，ｉ；ｋ＋１，ｊ　とし、各ユニットＵｋ
，ｊ　は同一の特性関数

【００７１】

【数１】

【００７２】を有するものとする。このとき、各ユニッ
トＵｋ，ｊ　の入力Ｘｋ，ｊ　、出力Ｙｋ，ｊ　は、

【
００７３】

【数２】

【００７４】

【数３】

【００７５】となる。ただし入力層を構成する各ユニッ
トＵ１，ｉ（ｉ　＝１，２，…，ｎ１　）　への各入力
Ｆ１　，Ｆ２　，…，Ｆｎ１は重みづけされずにそのま
ま各ユニットＵ１，ｉ（ｉ＝１，２，…，ｎ１　）　に
入力される。入力されたｎ１　個の信号Ｆ１　，Ｆ２　
，…，Ｆｎ１は、各結合の重みＷｋ，ｉ；ｋ＋１，ｊ　
によって重み付けられながら最終的な出力Ｙ３，１　に
まで伝達され、これにより照射野の２値パターンが求め
られる。

【００７６】ここで、上記各結合の重みＷｋ，ｉ；ｋ＋
１，ｊ　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Ｗｋ，ｉ；ｋ＋１，ｊ　の初期値が与えら
れる。このとき、入力Ｆ１　〜Ｆｎ１が最大に変動して
も、出力Ｙ３，１　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。

【００７７】照射野が既知の多数のＸ線画像を記録され
た蓄積性蛍光体シートから先読画像信号Ｓｐ　が間引き
されて上記ｎ１　個の入力Ｆ１，Ｆ２　，…，Ｆｎ１が
求められる。このｎ１　個の入力Ｆ１　，Ｆ２　，…，
Ｆｎ１が図５に示すニューラルネットワークに入力され
、各ユニットＵｋ，ｉ　の出力Ｙｋ，ｉがモニタされる
。

【００７８】各出力Ｙｋ，ｉ　が求められると、最終的
な出力であるＹ３，１　と、この画像に関し正しい画像
点を示す教師信号ｄとの二乗誤差

【００７９】

【数４】

【００８０】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Ｗｋ，ｉ；ｋ
＋１，ｊ　が修正される。

【００８１】二乗誤差Ｅを最小にするには、このＥはＷ
ｋ，ｉ；ｋ＋１，ｊ　の関数であるから

【００８２】

【数５】

【００８３】このように各結合の重みＷｋ，ｉ；ｋ＋１
，ｊ　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。

【００８４】ここで、

【００８５】

【数６】

【００８６】であり、（２）　式より

【００８７】

【数７】

【００８８】であるから、（６）　式は、

【００８９】

【数８】

【００９０】となる。

【００９１】ここで、（４）　式より、

【００９２】

【数９】

【００９３】（３）　式を用いてこの（９）　式を変形
すると、

【００９４】

【数１０】

【００９５】ここで、（１）　式より、

【００９６】

【数１１】

【００９７】であるから、

【００９８】

【数１２】

【００９９】となる。

【０１００】（８）　式においてｋ＝２と置き、（１０
）式、（１１）式を（８）　式に代入すると、

【０１０１】

【数１３】

【０１０２】この（１３）式を（５）　式に代入して、

【０１０３】

【数１４】

【０１０４】となる。この（１４）式に従って、Ｗ２，
ｉ；３，１（ｉ＝１，２，…，ｎ１　）の各結合の重み
が修正される。

【０１０５】次に、

【０１０６】

【数１５】

【０１０７】であるから、この（１５）式に（２）　式
、（３）　式を代入して、

【０１０８】

【数１６】

【０１０９】ここで（１１）式より、

【０１１０】

【数１７】

【０１１１】であるから、この（１７）式と、（１０）
式、（１２）式を（１６）式に代入して、

【０１１２】

【数１８】

【０１１３】（８）　式においてｋ＝１と置き、（１８
）式を（８）式に代入すると、

【０１１４】

【数１９】

【０１１５】この（１９）式を（５）　式に代入すると
、ｋ＝１と置いて、

【０１１６】

【数２０】

【０１１７】となり、（１４）式で修正されたＷ２，ｉ
；３，１（ｉ＝１，２，…，ｎ１　）がこの（２０）式
に代入され、Ｗ１，ｉ；２，ｊ（ｉ＝１，２，…，ｎ１
　；ｊ＝１，２，…，ｎ２　）が修正される。

【０１１８】尚、理論的には（１４）式、（２０）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Ｗｋ，ｉ；ｋ＋１，
ｊ　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．Ｒｕｍｅｌ
ｈａｒｔ，Ｇ．Ｅ．Ｈｉｎｔｏｎ　ａｎｄ　Ｒ．Ｊ．Ｗ
ｉｌｌｉａｍｓ：Ｌｅａｒｎｉｎｇｉｎｔｅｒｎａｌ　
ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ　ｂｙ　ｅｒｒｏｒ　
ｐｒｏｐａｇａｔｉｏｎ　Ｉｎ　Ｐａｒａｌｌｅｌ　Ｄ
ｉｓｔｒｉｂｕｔｅｄ　Ｐｒｏｃｅｓｓｉｎｇ，Ｖｏｌ
ｕｍｅ　１，Ｊ．Ｌ．ＭｃＣｌｅｌｌａｎｄ，Ｄ．Ｅ．
Ｒｕｍｅｌｈａｒｔ　ａｎｄ　Ｔｈｅ　ＰＤＰ　Ｒｅｓ
ｅａｒｃｈ　Ｇｒｏｕｐ，ＭＩＴ　Ｐｒｅｓｓ，１９８
６ｂ」参照）

【０１１９】

【数２１】

【０１２０】ただしΔＷｋ，ｉ；ｋ＋１，ｊ　（ｔ）は
、ｔ回目の学習における、修正後の結合重みＷｋ，ｉ；
ｋ＋１，ｊ　から修正前の該結合の重みＷｋ，ｉ；ｋ＋
１，ｊ　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。

【０１２１】慣性項α、学習係数ηとしてたとえばα＝
０．９　、η＝０．２５を用いて各結合の重みＷｋ，ｉ
；ｋ＋１，ｊ　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Ｗｋ，ｉ；ｋ＋１，ｊ　は
最終の値に固定される。この学習の終了時には出力Ｙ３
，１　は照射野を略正しく表わす信号となる。

【０１２２】なお、照射野を表わす上記信号としては、
例えば円形の照射野か矩形の照射野かを表わすだけの信
号とすれば、前記２つの出力の一方を１または０とし、
１のときは円形、０のときは矩形であるとして、極めて
簡単にニューラルネットによる認識を可能にすることが
できる。

【０１２３】また、撮影部位についても、あらかじめ予
想される幾つかの部位を数字で表わすようにすれば、簡
単にニューラルネットによる認識を可能にすることがで
きる。

【０１２４】学習が終了した後は、照射野が未知のＸ線
画像を表わす先読画像信号Ｓｐ　が求められ、この先読
画像信号Ｓｐ　が図４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Ｙ３，１　がそのＸ
線画像の照射野２値パターン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
るため照射野を精度良く表わしており、特に着目画素の
画像全体における位置関係を正確に表わすことができる
。

【０１２５】しかしながら、このような原画像の全領域
に着目することによってのみ学習を行なおうとすると、
学習の自由度が大きいため、初期条件によってはローカ
ルミニマムに陥ることがある。

【０１２６】そこでこのようなローカルミニマムにトラ
ップされるのを防止するため、上述した第２の神経細胞
群５５を用いた学習が同時に行なわれる。

【０１２７】この第２の神経細胞群５５における各ニュ
ーロン５６には原画像の、各ニューロン５６に対応する
１つのブロック５７からのデータが入力される。すなわ
ち、原画像をＰ個のブロック５７に分けたとすると、第
２の神経細胞群５５のニューロン５６の数は最低Ｐ個必
要となる。

【０１２８】この第２の神経細胞群５５の各ニューロン
５６からは各々１つの照射野画素に対応する出力データ
が出力される（単結合）こととなり、この出力データを
入力された、出力層５３の各ニューロンは、この値をそ
のまま出力することとなる。

【０１２９】すなわち、この局所領域着目用のニューラ
ルネットは、入力層（第１層）５１、中間層（第２層）
５２、出力層（第３層）がそれぞれｎ１　個，１個，１
個のユニットから構成される、ニューラルネットを原画
像のブロック５７の数だけ有していることとなる。

【０１３０】これら各ニューラルネットは上記全領域着
目用のニューラルネットと同様上述した各式を用いてそ
の入力および出力を表わすことができる。

【０１３１】学習の終了時において、全領域に着目して
学習がなされる第１神経細胞群５４の各ニューロン５６
には原画全領域の画素データが入力されるのに対し、局
所領域に着目して学習がなされる第２神経細胞群５５の
各ニューロン５６には原画のうち１つのブロック５７の
画素データが入力されることとなる。さらに照射野２値
パターンにおける１つの画素５８に対応する出力データ
を得るため、全領域着目用のニューラルネットでは第１
の神経細胞群５４の全てのニューロン５６からの出力デ
ータを加重演算しているのに対し、局所領域着目用のニ
ューラルネットでは第２の神経細胞群５５の１つのニュ
ーロン５６からの出力データをそのまま使用する。

【０１３２】したがって、上記局所領域着目用のニュー
ラルネットワークは原画全体での位置関係を知る上では
適さないものの、上記全領域着目用のニューラルネット
に比べ学習の自由度が小さくローカルミニマムにトラッ
プされにくいという特徴を有する。したがってこの局所
領域着目用のニューラルネットは全領域着目用のニュー
ラルネットがローカルミニマムにトラップされるのを防
止するチェック機能を有しているといえる。

【０１３３】なお、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　の画素の数や必要と
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。

【０１３４】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、照射野を正しく表わす信号に従って
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。

【０１３５】上記実施例においては、全領域着目用と局
所領域着目用の２系統からなるニューラルネットワーク
を照射野２値パターンを出力するために用いているが、
上述したニューラルネットワークを照射野を認識しやす
くするための画像前処理用のフィルタリングとして利用
することもできる。この場合の出力は原画像の各画素に
対し、濃度変換等を施された変換画素データとなる。

【０１３６】図６は上述したニューラルネットワークを
上記画像前処理用のフィルタリングとして使用し、変換
画素を出力する実施例を示すものである。

【０１３７】この実施例におけるニューラルネットワー
クの構成は上述した照射野２値パターンを出力するため
の実施例と同様であるが、照射野２値パターンを出力す
る実施例においては第２の神経細胞群５５のニューロン
５６と出力層の各ニューロン５９とが各々単結合状態で
結合されているのに対し、この変換画素を出力する実施
例においては図６に示すように第２の神経細胞群５５の
全ニューロン５６と出力層のニューロン５９とが結合さ
れた全結合状態とされている。

【０１３８】この実施例においても局所領域着目用のニ
ューラルネットは出力値がローカルミニマムにトラップ
されるのを防止する機能を有する。これによりこの実施
例によるニューラルネットワークからの出力として、ロ
ーカルミニマムにトラップされていない、照射野認識を
しやすい変換画素を得ることができる。

【０１３９】上記２つの実施例では、照射野を求めるも
のについて説明したが、分割パターン、撮影体位および
撮影部位等についても同様の方法でニューラルネットワ
ークによる認識ができる。これには、前記出力として、
それぞれ分割パターン、撮影体位あるいは撮影部位等を
表わす信号を出力するようにすればよい。

【０１４０】また、上記２つの実施例ではニューラルネ
ットワークの入力信号として先読画像信号Ｓｐ　を用い
、出力信号として照射野２値パターンあるいは照射野認
識しやすい変換画素を出力するようにしているが、ニュ
ーラルネットワーク部分の構成は上記２つの実施例のい
ずれかとしておき、入力信号を本読画像信号ＳＱ　、こ
の入力された本読画像信号ＳＱ　に基づいてニューラル
ネットワークが出力する出力信号を診断しやすい最終画
像とすることもできる。

【０１４１】すなわち、この場合ニューラルネットワー
クは診断しやすい最終画像を形成する画像フィルタリン
グとして機能し、規格化および／または強調、修正等の
種々の画像処理がなされた画像信号を出力する。

【０１４２】この実施例においても、局所領域着目用の
ニューラルネットワークは、全ニューラルネットワーク
の出力値がローカルミニマムにトラップされるのを防止
する役目を果たすので、最終出力としての画像信号をロ
ーカルミニマムにトラップされるおそれの少ない信頼性
の高い値とすることができる。

【０１４３】なお、本発明の方法において用いられるニ
ューラルネットワークの中間層の各神経細胞群を構成す
るニューロンの数としては原画像の画素数および出力信
号の用途等を考慮して適切な値とすることが可能である
。

【０１４４】なお、上記実施例では、先読手段１００　
と本読手段１００′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
成は略同一であるため、先読手段１００　と本読手段１
００　′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を一回バッ
クさせ、再度走査して本読みを行なうようにすればよい
。

【０１４５】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。

【０１４６】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ＳＱ　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。

【０１４７】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
を行なわずにいきなり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４０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。

【０１４８】また、本発明は、蓄積性蛍光体シートを用
いるシステムにのみ用い得るものではなく、従来のＸ線
フイルムを用いる装置等にも用いることができる。

【図面の簡単な説明】

【図１】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す斜視図

【
図２】図１に示す装置において各種の認識を行なうニュ
ーラルネットワークの一例を示すブロック図

【図３】放
射線画像の間引かれた画素を模式的に表わす図

【図４】図１に示すコンピュータシステムに内包された
ニューラルネットワークにより照射野認識を行なう場合
の一例を示す概略図

【図５】ニューラルネットワークの一例を表わす図

【図
６】図１に示すコンピュータシステムに内包されたニュ
ーラルネットワークにより照射野認識前の画像フィルタ
リングを行なう場合の一例を示す概略図

【符号の説明】

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２６，２６
′　　　　対数増幅器 ２７，２７′　　　　Ａ／Ｄ変換器 ４０　　　　コンピュータシステム ４５　　　　ニューラルネットワーク ５１　　　　入力層（原画像） ５２　　　　中間層 ５３　　　　出力層（照射野２値パターン）５４　　　
　第１の神経細胞群 ５５　　　　第２の神経細胞群 ５６　　　　ニューロン ５７　　　　ブロック １００　　　　先読手段 １００′　　　　本読手段

Claims (1)

【特許請求の範囲】
1. 【請求項１】　　放射線画像データ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により前記
   画像データの画像処理を行ない、該ニューラルネットワ
   ークから前記画像処理の結果を出力させるニューラルネ
   ットワークを用いた放射線画像処理方法において、前記
   ニューラルネットワークの中間層の第１神経細胞群にお
   いて前記画像データの全領域に着目した前記画像処理を
   行ない、前記ニューラルネットワークの中間層の第２神
   経細胞群において前記画像データの局所領域に着目した
   前記画像処理を行なうことを特徴とするニューラルネッ
   トワークを用いた放射線画像処理方法。