JPH0452873A - 画像処理装置及び画像処理方法 - Google Patents
画像処理装置及び画像処理方法Info
- Publication number
- JPH0452873A JPH0452873A JP2155506A JP15550690A JPH0452873A JP H0452873 A JPH0452873 A JP H0452873A JP 2155506 A JP2155506 A JP 2155506A JP 15550690 A JP15550690 A JP 15550690A JP H0452873 A JPH0452873 A JP H0452873A
- Authority
- JP
- Japan
- Prior art keywords
- roi
- learning
- image
- area
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012545 processing Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 abstract description 35
- 239000000284 extract Substances 0.000 abstract description 7
- 238000000034 method Methods 0.000 description 51
- 230000008569 process Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 7
- 206010028980 Neoplasm Diseases 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 229930091051 Arenine Natural products 0.000 description 1
- 101710191712 L,D-transpeptidase 1 Proteins 0.000 description 1
- 101710191715 L,D-transpeptidase 2 Proteins 0.000 description 1
- 101000941450 Lasioglossum laticeps Lasioglossin-1 Proteins 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 101001041541 Romalea microptera RO-1 Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
め要約のデータは記録されません。
Description
画像を少なくとも2つの領域に区分する画像処理装置に
関し、特に、操作者との対話により、所望の領域に関す
る情報をニューラルネットワークに学習させ、そのニュ
ーラルネットワークを利用して画像から所望の関心領域
を半自動的に抽出する画像処理装置に関する。
Region of Interest)と称する)、
を抽出する装置としては、手動で行なう装置と、自動的
に行なう装置とがある0手動で行なうものとしては、(
la)矩形、円などの定形のROiカーソルをマウス等
で移動、拡大してROIを指定する装置と、(1b)任
意のROIをマウス等で作画する装置がある。自動的に
行なうものとしては、(2a)画像データに二次元フィ
ルタ(二次微分等)をかけてエツジを検出する装置(M
edical Imaging Technology
1989、 Vol、 7. P55: rMRIか
らの頭部浮腫画像の■フィルタによる鮮美鋭化」)と、
(2b)閾値(スレッシュホルド)によりROIの内外
を区別する装置がある。
計量などを求める場合によく使用される。しかし、カー
ソルが定形であるので腫瘍、臓器など任意の形状のRO
Iを指定することはできない、従来装置(lb)では操
作が非常に煩わしい。従来装置(2a)はフィルタが対
象にマツチすれば、正確にエツジが検出できるが、フィ
ルタの選択が難しい。
なり低くなる。対象によりフィルタが異なるので、−船
釣な多くの画像を対象に出来ない。
めには有効であるが、実用上、使用できる範囲が狭い、
従来装置(2b)は単純な方法であり、実用上はよく使
用されている。この方法は簡単であるが、閾値だけで区
分しているので、人間が画像を見て定めた境界と必ずし
も一致しない。
心領域を精度よく、しかも簡単に抽出できる画像処理装
置を提供することである。
域の中の指定された区分の領域内の一部の画素の情報を
学習する手段と、この学習結果を用いて、画像の画素が
これらの少なくとも2種類の領域のいずれに属するかを
判断する手段とを具備する。
この学習結果を利用してROIの候補を求め、表示され
たROI候補と目的ROIとのずれを操作者が学習手段
へフィードバックさせ再度学習をさせることにより、画
像から所望のROIを半自動的に抽出することができる
。このため、精度の良い任意形状のROIの作成が容易
になる。
例を説明する。第1図は実施例の構成を示すブロック図
である。MRI画像、XiCT(Computed T
omography)画@%CR(Computed
Radiology)画像等の画像、あるいはX線写真
等をディジタイザ等で読み込んだ画像等が画像記憶装置
10に格納されている。CPU等からなる制御部12が
画像記憶装置10、ニューラルネットワーク14、画像
表示装置16に接続され、画像表示装置16には位置指
定装置としてのマウス18が接続される。
れた頭部のアキシャル(Axial)画像を模式的に示
す。周囲の二重の楕円は骨であり、中の楕円は腫瘍を表
している。第3図は、第2図に示した画像の横方向にお
ける画素値のプロフィールである。
域の画素値は周囲の画素値に比較して高い。
の差が太きいものは、領域の抽出が比較的容易であり、
自動抽出も可能である。しかし、腫瘍のような場合には
、境界が明瞭でなく、自動抽出はかなり困難である。そ
のため、現状では操作者がマウスなどを利用して、手動
で描くことが多い、このため、3次元表示等の場合は、
多数枚の画像についてROIを描くことが必要があり、
作業量が多くなる。ROIは画像の種類により異なるの
で、種々のROIを自動で抽出することは困難であるが
、各ROIの特色はそれなりに纏まりがある。 したが
って、求めようとするROI (以下、目的ROIと
称する)の一部が判れば残りの領域を自動的に求めるこ
とも可能である。この発明では、操作者が指定した目的
ROIの一部をニューラルネットワークで学習し、それ
に基づいて目的ROIの全体を求めるものである。その
際、1回の学習で目的ROIの全体が求められない場合
は、同様の操作、学習を繰り返すことにより、ROIの
候補を順次目的R○■に近づけることが可能である。
図の画像中の腫瘍のような閉ループ領域であり、その閉
ループ内に他のROIを含まない場合である。しかし、
この発明では、このようなROI以外の以下に示すよう
なROIも求めることができる。第4図は第2図を拡大
した例であり、ROI(腫瘍)が画像のフレームからは
み出している。第5図は血管の画像であり、ROI(血
管)の両端が画像のフレームからはみ出している。第6
図は1つのROII中に他のROI2が更に存在する。
である。第8図は1つのROIIと他のROI2との境
界が明確でない例である。
情報を学習してもROI2との境界を判定することは困
難である。逆に、ROIIのROI2との境界部分の情
報を学習すると、残りの部分が判定できなくなる。しか
し、これらの領域についてもこの発明を応用することが
可能である。第4図から第8図の例については、後に変
形例として説明する。
のみではなく、凹型でもよい、また、凸型の場合、RO
Iの境界付近でオーバシュドが生じ、境界付近の画素値
がROI外の画素値より大幅に低い画素が存在する場合
もある。逆に、凹型の場合、ROIの境界付近でオーバ
シュドが生じ、境界付近の画素値がROI外の画素値よ
り大幅に高い画素が存在する場合もある。これらについ
ても、後に変形例として説明する。
ない場合もあるが、それについても、後に変形例として
説明する。
、ROIは閉ループ領域であり、そのなかに他のROI
を含まないとする。また、画像にノイズは少ないとする
。
る。また、隣接画像mn (n=1〜4)を4−隣接画
素、n=1〜8を8−隣接画素、n=1〜25を25−
隣接画素と称する。画像の座標は横軸をX、縦軸をY、
左上の角の画素の座標を(l、 1)、画像の右方向を
+X、下方向を+Yと定める。
する。ステップ#1000で制御部12は画像記憶装置
lOに記憶された画像のうち、指定された1枚の画像を
画像表示装置16に表示する。ステップ#2000で所
定のテーブル、画像、ポインタ等を初期化する。初期化
するものは後に示す。ステップ#3000で目的ROI
の概略を示すROIの初期候補(領域)を設定する。
せる学習領域を指定(追加)、登録する。
ある。初期状態の場合は、必ず両方を指定する必要があ
るが、 2回目からは、表示されたROIの候補と操作
者が認識した目的ROIとがずれている部分を学習領域
として指定する。これには候補ROIの内部が目的R○
■の外部である場合と、候補ROIの外部が目的ROI
の内部である場合の2種類がある。ステップ#5000
で学習データを作成する。ステップ#6000でニュー
ラルネットワーク14を用いて登録された学習領域の情
報を学習する。ステップ#7000で目的ROIの候補
を求め、これを表示する。
Iとして適当かを操作者が判定する。適当でなく候補R
OIの修正の必要がある場合は、ステップ#4000に
戻り、学習領域を追加修正する。修正の必要がない場合
はそれが目的R○■になるので、動作は終了する。
3000の目的R○■の初期領域の設定、表示について
第11図、第12図を参照して説明する。ステップ#3
100で目的ROIの概略の中心位置の画素AC(AC
x、ACy)をマウス18で指定し、表示確認する。必
要なら訂正する。
部に完全に含まれ、かつ出来るだけ大きい第1の矩形R
○Illを設定する。ステップ#3300で矩形ROI
IIの内部を指定領域として登録する。 具体的には、
1枚の画像に対応する第1の3値画像(初期値は全て
” o ” >の画素のうち、矩形ROIIIの内部に
相当する全ての画素を“1”にする、ステップ#340
0で目的RO■を完全に含み、かつ出来るだけ小さい第
2の矩形RO112を設定する。ステップ#3500で
矩形RO112の外部を領域外として第1の3値画像に
登録する。すなわち、第1の3値画像の画素のうち、矩
形RO112の外部に相当する全ての画素を” −1”
にする。
の画素の座標を(RI2NX、RI2NY)、右下の角
の画素の座標を(RI2MX、RI 2NY)とする、
ここで、目的ROIの探索範囲を座標(RLTNX、R
LTNY)、 (RLTMX、RLTMY)で囲まれ
た矩形領域であるとする。すなわち、この場合は、RL
TNX=Rl2NX、RLTNY=RI2NY、RLT
MX=RI2MX、RLTMY=RI2MYとする。ス
テップ#3700で第1の3値画像を第2の3値画像に
写す。第1の3値画像は変化しない。ステップ#380
0で第2の3値画像において、画素ACを中心として、
画素値が1である連続する領域の境界を求める。これは
公知の技術である。この場合、境界は第1の矩形ROI
IIと同じになる。ステップ#3900で境界(矩形R
O111)を目的ROIの初期候補として表示する。
いて第12図、第13図を参照して説明する。ステップ
#4100で操作者は表示されているROIの候補(初
期の場合は第1の矩形ROIll)を見ながら、目的R
OIとずれている部分を学習領域として指定する。この
場合、ずれている部分の全てを指定する必要はなく、ず
れの大きい部分だけを指定すればよい、この指定は第3
の矩形R○■13(第12図)を学習領域に設定するこ
とにより行うが、矩形RO113の大きさは任意に設定
でき、最小は1画素である。したがって、 1点(画素
)でも学習可能である。矩形R○113の画素数をSR
Nとする。ステップ#4200で矩形RO113の内部
の画素が目的ROIの内部/外部のどちらに所属するか
を指定する。
ップ#4300を実行し、外部所属の場合はステップ#
4500を実行する。
、指定領域として登録する。すなわち第1の3値画像の
画素のうち、矩形RO113の内部に相当する全ての画
素をLL I I+にする6 ステップ#4400で矩
形RO113の左上の角の画素の座標を(RI 2NX
、 RI 2NY)、右下の角の画素の座標を(RI
2MX、 RI 2NY)とし、R○113が探索
領域よりはみ出している場合は、ROIの探索領域を再
設定する。すなわち、1)RI 2 NX<RL TN
XならばRLTNX=RI 2NXと し、 2)RI 2NY<RLTNYならば RLTNY=RI 2NY と し、3)RLTMX
<RI 2MXならば RLTMX=RI 2MX と し、4)RLTMY
<RI 2NYならば RLTMY=RI 2NYとする。
3の内部の画素を、領域外として登録する。すなわち第
1の3値画像の画素のうち、矩形RO113の内部に相
当する全ての画素を−1″にする。
部/外部学習領域データとして登録する。
あるか否か判定する。まだ、学習領域が残っている場合
は、ステップ#4100に戻る。初期の場合は内部、外
部の両方の学習領域を指定する必要があるので、2回以
上はこの処理が繰り返される。全部の学習領域を指定し
たら、処理が終了する。
いて第1411を参照して説明する。ここで、学習領域
データは内部/外部それぞれ別々に登録される。それぞ
れに登録できる最大数をLDMXとする。現在登録され
ている学習領域データ数を、内部/外部それぞれLDN
I、LDN2 (初期値はともにO)とする、学習領域
データを登録するテーブルをLDT 1、 LDT2と
する。以下、内部所属の学習領域データを登録する場合
について説明し、外部所属の場合は(・・・)内に示す
。
が登録できるか否かを調べる。既に、多くのデータが登
録されており、今回指定された領域のデータが登録でき
ない場合は、登録されているデータの一部を消去し、登
録メモリの記憶領域を確保する。この場合、登録時期の
早いデータから消去していく。ステップ#4620でレ
ジスタC0UNTに1をセットする。ステップ#463
0でレジスタWPT 1にLDNl+1 (LDNZ
+1)をセットする。ステップ#4640で指定された
領域の第C0UNT番目の画素の座標(PX X、
P X Y )を取り出し、学習領域用の第3の3値画
像の画素(P X X、 P Y Y )の画素値を
読み取る。この画素値がrL OIIであれば、ステッ
プ14、660を実行する6 画素値が”1”(”−1
″)であればステップ14.690を実行する。画素値
が“−1”(’“1″)であればステップ#4650を
実行する。
P X X、 P X Y )のデータを消去する。
目の画素の座標(P X X、 P X Y )とそ
の画素値、およびその8−隣接画素の画素値を取り出し
、LDTI、(LDT2)の第WPT 1番目の記憶位
置に記憶する。ステップ#4670で第3の3値画像の
画素(P X X、 P X Y )をII I I
I (ll−1”) とする。ステップ#4680で
レジスタLDNI (LDN2)の値をインクリメン
トする。
P 7.1の値をインクリメントする。ステップ#
4.6 A OでC0UNT≦SRNか否か判定する。
第15図を参照して説明する。ステップ#4611でレ
ジスタLDNWにLDN1+SRN (LDN2+5R
N)をセットする。ステップ#4612でLDNW>L
DMXか否か判定する。
ップ#4613を実行する。ステップ#4613でレジ
スタWPT 2+=LDNW−LDMX+1をセットす
る。ステップ#4614でレジスタWPTIに1をセッ
トする。
)の第WPT1番目のデータの画素の座標(P X X
、 P X Y )を取り出す。学習領域用の第3の
3値画像の画素(PXX、PXY) を”O” とする
、ステップ#4616でテーブルLDTI (LDT
2)の第WPT2番目のデータをテーブルLDTI
(LDT2)の第WPT 1番目の記憶位置に移動する
。ステップ#4617でレジスタWPTI、 レジスタ
WPT2の値をインクリメントスル、ステップ#461
8でWPT2>LDMXか否か判定する。ノーの場合は
、ステップ#4615に戻る。イエスの場合は、ステッ
プ#4619”?”レジスタLDN1 (LDN2)
G:LDMX−8RNをセットし、処理を終了する。
素のデータの削除について第16図を参照して説明する
。ステップ#4651でレジスタW−PT3に1をセッ
トする。ステップ#4652でテーブルLDT2 (L
DTI)の第WPT3番目のデータノ画素の座標(PX
XW、PXYW) を取り出す。ステップ#465 :
3C−PXXW=PXX、かつPXYW=PXYか否か
判定する。イエスの場合は、ステップ#4656を実行
し、ノーの場合は、ステップ#4654を実行する。ス
テップ#4654でレジスタWPT3の値をインクリメ
ントする。ステップ#4655でWPT3≦LDN2
(LDNI)か否か判定する。イエスの場合は、ステッ
プ#4652に戻り、ノーの場合はシステムエラーとす
る。
素(PXX、PXY) を”O” とする。
をセットする。ステップ#4658でテーブルLDT2
(LDTI)の第WPT4番目のデ−夕をテーブルL
DT2 (LDTI)の第WPT3番目の記憶位置に移
動する。ステップ#4659でレジスタWPT3、 レ
ジスタWPT4の値をインクリメントする。ステップ#
465AでWPT4≦LDN2 (LDNI)か否か判
定する。イエスの場合は、ステップ#4658に戻る。
(LDNI)の値をディクリメントして、処理を終了
する。
詳細に説明する。学習の方式は1)マシンラーニングに
よる方式、2)ニューラルネットワークによる方式など
がある。この発明は学習方式には限定されないが、ここ
ではニューラルネットワークによる方式について説明す
る。ニューラルネットワーク14の概略を第17図に示
す。ニューラルネットワークの構成はこの実施例に限定
されないが、ここでは、ニューラルネットワークは3層
からなる階層型とし、各素子の変換関数はシグモイド関
数を使用している。入力層14aは9個の素子で構成さ
れている。各素子はそれぞれ、対象画素とその8−隣接
画素に対応しており、素子への入力値はそれぞれの画素
値である。この場合、画素値は変形例で説明したように
O〜1に正規化される場合が多いが、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。
50個にしている。出力層14cの素子数は1個である
。素子の活性度(出力)が1に近い値の場合はその画素
が領域内の画素であることを示す、Oに近い値の場合は
、その画素がその領域内の画素でないことを示している
。
学習データを作成する必要がある。 1個の学習データ
は入力素子(この場合は9個)への入力データと、出力
素子(この場合は1個)に正しい答えを教えるための教
師データから構成される。
領域データより作成する。
作成について説明する。ステップ#5100で内部/外
部の学習領域データLDT 1、LDT2の個数を揃え
る。この個数をLDNXとする。ステツー17’#52
00でレジスタpp、qqに1をセットする。ステップ
#5300でテーブルLDT 1の第qq番目の画素の
画素値を、学習データの第pp番目の素子1の入力デー
タとして設定する。ステップ#5400でこの画素の8
−隣接画素の画素値8個を、学習データの第pp番目の
素子2〜素子9の入力データとして設定する。
ータとして1 (領域内)を設定する。ステップ#56
00でレジスタppの値をインクリメントする。ステッ
プ#5700でテーブルLDT2の第qq番目の画素の
画素値を、学習データの第pp番目の素子lの入力デー
タとして設定する。
8個を、学習データの第pp番目の素子2〜素子9の入
力データとして設定する。ステップ#5900で学習デ
ータの第pp番目の教師データとしてO(領域外)を設
定する。ステップ#59AOでレジスタpp、qqの値
をインクリメントする。ステップ#59BOでqq≦L
DNXか否か判定する。イエスであれば、ステップ#5
300に戻る。ノーであれば、処理を終了する。
いて第19図を参照して説明する。ステップ#5110
でレジスタLDNXにLDNI。
ットする。ステップ#5120でLDNIとLDN2を
較べる。LDN1=LDN2の場合は、処理を終了する
。LDNI>LDN2ならば、ステップ#5170を実
行する。LDNI<LDN2ならば、ステップ#513
0でレジスタrrにLDNI−(LDN2−LDNI)
+1をセットしくもしrr≦0ならば、 rr=1にす
る)、 レジスタqqにLDNl+1をセットする。ス
テップ#5140でテーブルLDTIの第rr番目のデ
ータ(9個)をテーブルLDTIの第qq番目のデータ
記憶位置に複写する。ステップ#5150でレジスタr
r、 qqの値をインクリメントする。ステップ#51
60でqq≦LDN2か否か判定する。イエスの場合は
、ステップ#5140に戻る。ノーの場合は、処理を終
了する。
I−LDN2)+1をセットしくもしrr≦0ならば、
r r=1にする)、レジスタqqにLDN2+1を
セットする。ステップ#5180でテーブルLDT2の
第rr番目のデータ(9個)をテーブルLDT2の第q
q番目のデータ記憶位置に複写する。ステップ#519
0でレジスタrr、qqの値をインクリメントする。ス
テップ#51AOでqq≦LDNIか否か判定する。
合は、処理を終了する。
の学習を行う。学習方式は実施例に限定されないが、こ
こではRumelhartの提唱したバックプロパゲー
ション法により学習を行う。バックプロパゲーション法
は公知であるので説明は省略する。学習は、学習データ
を与えたときの出力データと教師データとの誤差があら
かじめ決められた値(ELMT)以下になるか、あるい
はあらかじめ決められた学習回数(LCLMT)に達す
るまで、学習データを繰り返し与える。実施例は全学習
データを均一に学習する方式であるが、誤差の多い学習
データを優先的に学習するなど、学習順序、学習データ
ごとの学習回数は均一でなくてもよい。
ついて第20図を参照して説明する。ステップ#610
0でり、ジスタppG:LDNX+LDNXをセットす
る。ステップ#6200でレジスタSSに1をセットす
る。ステップ163.00でレジスタqqに1をセット
し、レジスタERMAXにOをセットする。ステップ#
6400で第qq番目の学習データの入力値(画素値)
を入力層の9個の素子に、教師データを出力素子に与え
てニューラルネットワークの学習を行う、学習方式はバ
ックプロパゲーション法を用いているが、バックプロパ
ゲーション法に限定されない。これを1回の学習という
。このときの出力層の誤差をERlとする。ステップ#
6500でERMAX≦E Rl ftらばERMAX
=ER1とする。ステップ#6600でレジスタqq+
ssの値をインクリメントする。ステップ#6700で
LCLMT(ssか否か判定する。イエスならば、処理
を終了する。ノーの場合は、ステップ#6800でqq
≦ppか否か判定する。イエスの場合は、ステップ#6
400に戻る。ノーの場合(pp<4q)は、全学習デ
ータを学習したことになる。これを1サイクルの学習と
いう。 lサイクルの最大誤差がERMAXである。そ
して、ステップ#6900でELMT<ERMAXか否
か判定する。
、処理を終了する。
ついて説明する。探索方式は実施例に限定されないが、
ここでは2種類の方式について説明する。
ップ#7100で第1の3値画像を第2の3値画像に複
写する。ステップ#7200でレジスタppyにRLT
NYをセットする。ステップ#7300でレジスタI)
pxにRLTNXをセットする。ステップ#7400で
第2の3値画像の画素(ppx、ppy)の画素値がI
I OIIか否か判定する。 0″′でなければ、ステ
ップ#7700を実行する。 “0′″の場合は、ステ
ップ#7500で画素(ppx、ppy)について、領
域の内外を判定する。これは、画素(ppx、ppy)
、およびその8−隣接画素の計9個の画素の画素値をニ
ューラルネットワーク14に入力する。
合と同様である。ニューラルネットワークの入力項目は
実施例では9個の画素値であるが、これに限定されない
。
力Hpを得る。このHpに基づいて以下の処理を行なう
。
し、第2の3値画像の画素(ppx、ppy)の画素値
を1′”に変える。
し、第2の3値画像の画素(ppx、ppy)の画素値
を′−1′″に変える。ここで、 rsは定数であり、
実施例ではrs=0.5としているが、これに限定され
ない、ステップ#7700でレジスタppXの値をイン
クリメントする。ステップ#7800でppx≦RLT
MXか否か判定する。イエスならば、ステップ#740
0に戻る。ノーならば、ステップ#7900でレジスタ
ppyの値をインクリメントする。ステップ#7AOO
でppy≦RLTMYか否か判定する。イエスならば、
ステップ#7300に戻る。ノーならば、ステップ#7
BOOで第2の3値画像において“1 ”である画素の
領域を領域3とし、この領域3から必要に応じて、例え
ば下記のような公知の方法により目的ROIの候補を求
める。
)を求め、これをROr4とする。ROI4を目的RC
)Iの候補とする。
ジングし、その内部を目的ROIの候補とする。
ように領域外の部分が残る場合がある。しかし、通常は
エツジに囲まれた領域全てがROI内であることが多い
、そのため、ROI4のエツジで囲まれた領域全てを目
的ROIの候補とする。
ップ37COOで第1の3値画像を第2の3値画像に複
写する。ステップ#7DOOで第2の3値画像において
′l″′である画素のうち、画素ACを含む連続した閉
ループ領域を求める。
る。領域2のエツジを求め、これをエツジ2とする。エ
ツジ2の画素数をMMとする。ステップ#7EOOでエ
ツジ2の全画素の8−隣接画素について、領域の内外を
判定し、領域内であれば、第2の3値画像のその画素の
画素値をII I IIに、領域外であればその画素値
を −I IIに変更する。ステップ87FOOで画素
値が″“1″に変更された画素があれば、ステップ#7
DOOに戻る II I 11に変更された画素が1画
素もない場合は、ステップ87GOOを実行する。ステ
ップ#7GOOは第1の方式におけるステップ87BO
Oと同一である。
外の判定について第23図を参照して説明する。ステッ
プ#7E10でレジスタmに1をセットする。ステップ
#7E20でエツジ2の第m番目の画素を取り出す。こ
れを画素mとする。
#7E30でレジスタnに1をセットする。
値が“0′″であるか否か判定する。ノーであれば、ス
テップ#7E70を実行する。イエスならば、ステップ
#7E50で画素mn、およびその8−隣接画素の計9
個の画素の画素値をニューラルネットワーク14に入力
する。入力に関してはニューラルネットワークを学習さ
せる場合と同様である。
pを得る。このHpに応じて以下の処理を行なう。
し、第2の3値画像の画素mnの画素値をI 11に変
える。
し、第2の3値画像の画素mnの画素値を一1″に変え
る。ここで、 rsは定数であり、実施例ではrs=0
.5としているが、これに限定されない。ステップ#7
E70でレジスタnの値をインクリメントする。ステッ
プ#7E80でn≦8で否か判定する。イエスの場合は
、ステップ#7E40に戻る。ノーの場合は、ステップ
#7E90でレジスタmの値をインクリメントする。
合は、処理を終了する。
期化する項目について説明する。(1)指定領域を示す
第1の3値画像の全画素を“′O″、すなわち指定され
ていない状態にする。(2)学習領域を示す第3の3値
画像の全画素をII O11、すなわち指定されていな
い状態にする。(3)現在登録されている学習領域デー
タ数LDNI、LDN2に0をセットする。
ネットワークを用いて目的とするROIの特徴を学習さ
せ、ニューラルネットワークによりROIの候補を求め
、表示されたR○■候補と目的ROIとのずれをニュー
ラルネットワークへフィードバックさせ再度学習をさせ
ることにより、画像から所望のROIを半自動的に抽出
することができる。このため、任意形状のROIの作成
が容易になるので、医用画像に応用した場合、 3次元
表示、手術計画などの操作性が向上する。
能であり、以下に変形例を説明する。
式を説明したが、マシンラーニングなどの方式であって
もよい。
そ°のものとしているが、これを画像の表示ウィンド(
ウィンドウレベルおよびウィンドウ幅)で正規化しても
よい。すなわち、画素値をX、ウィンドウレベルをWL
、ウィンドウ幅をWW、ニューラルネットワークへの入
力値をYとすると、1)(WL+WW)/2≦Yの場合
は、Y=1とし、 2)(WL−WW)/2≦Y≦ (WL+WW)/2の
場合は、Y= ((X−WL)/WW) +1/2と
し、 3)Y≦WL−WWの場合は、Y=Oとする。これによ
り、画素値が表示の明るさに変換される。
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。
自身とその8−隣接画素の画素値としているが、自分自
身とその4−隣接画素、あるいは25−隣接画素の画素
値としてもよい。また、自分自身とその周辺の任意の画
素の画素値としてもよい。
いるが、探索範囲は4−隣接画素であってもよい。
画像に2次元フィルターを掛け、その後に学習、および
ROIを求めるようにしてもよい。
いる場合には、画像の端をROr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
れば、実施例と同様の方法によりこの発明を実施できる
。
両側が同一の性質を有している場合は上下の端を除き実
施例の場合と同様に実施できる。
法で実施できる。上下の端については第4図の場合と同
様の方法で実施できる。
力素子を2個にし、以下のように実施する。
、教師データは素子lを1″に、素子2を″0″にする
。
、教師データは素子1を′0″に、素子2を11111
にする。
教師データは素子1、素子2とも” o ”にする。
。
る。
する。この場合の判定基準は以下のとおりである。素子
1、素子2の出力値をHPI、HF2とすると、 a)HPI<rs、かツHP 2 (r sならば、領
域外、 b)a)でなく、HPI≧HP2ならばROII、c)
a)でなく、HPI(HF2ならばROI2とする。
人間はROI全体の形状、および他の情報からROIの
境界を判断している。したがって、隣接画素の値だけで
は人間でも境界を判定できない。この場合は、その境界
以外の部分をこの発明により実施し、操作者がマウスな
どで、その境界の部分を指定(修正)できる機能を付加
すれば、この発明を実施できる。
ROIを求め、次に連続したスライスで連続したROI
を求める場合には、初期学習データの設定を省略し、前
回学習したネットワークをそのまま使用してR−Ofを
もとめ、その後に修正していく方が効率的である。GT
画振 MRI画像で心臓等の動きを動画として表示する
ことがある。
を求める場合であったが、動画の場合は同一のスライス
位置で時間の異なる画像である。この場合も上と全く同
様の方法により実施できる。
場合もある。この場合も上の変形例を適用できる。
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。
/内金外素値が似ており、境界(エツジ)のみが、異な
った画素値を持っている場合もある。
ROI内/内金外定することはできない。
代わりに境界(エツジ)のデータを、ROI外の学習デ
ータの代わりに境界(エツジ)以外のデータを学習すれ
ば良い、そして、探索は次にように行なう。
界の判定にこの発明の方式を適用する。
る。この場合の境界の判定にこの発明の方式を適用する
。
次元画像の場合にも適用できる。ただし、その場合には
探索方向が3次元になる6実施例ではニューラルネット
ワークは3層であるが、4層以上でもよい。
素値としているが、隣接画素の画素値の変わりに、隣接
画素と中心の画素の画素値の差を入力としてもよい6
また、入力層の素子数を画素数よりも多くして、画素値
と合わせて隣接画素間の差分値も入力としてもよい。ま
た、差分の変わりに2次差分を用いてもよい。また、そ
れらのすべてを入力にしてもよい。
の形状の関心領域を精度よく、しかも簡単に抽出できる
画像処理装置を提供するができる。
ク図、第2図は画像の一例を示す図、第3図は第2図の
画素値のプロフィール、第4図乃至第8図は画像の他の
例を示す図、第9図は実施例で定義される隣接画素を示
す図、第10図は実施例の全体の動作を示す図、第11
図乃至第23図は第1O図の各処理の詳細を示す図、第
24図は変形例を説明する図である。 10・・・画像記憶装置、 ユーラルネットワーク、 8・・・マウス。
Claims (1)
- 画像を少なくとも2種類の領域に区分する画像処理装
置において、指定された区分の領域内の一部の画素の情
報を学習する手段と、前記学習手段の学習結果を用いて
、前記画像の画素が前記少なくとも2種類の領域のいず
れに属するかを判断する手段を具備することを特徴とす
る画像処理装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2155506A JP3046326B2 (ja) | 1990-06-15 | 1990-06-15 | 画像処理装置及び画像処理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2155506A JP3046326B2 (ja) | 1990-06-15 | 1990-06-15 | 画像処理装置及び画像処理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH0452873A true JPH0452873A (ja) | 1992-02-20 |
JP3046326B2 JP3046326B2 (ja) | 2000-05-29 |
Family
ID=15607538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2155506A Expired - Lifetime JP3046326B2 (ja) | 1990-06-15 | 1990-06-15 | 画像処理装置及び画像処理方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3046326B2 (ja) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0486820A (ja) * | 1990-07-31 | 1992-03-19 | Fuji Photo Film Co Ltd | 放射線画像読取条件及び/又は画像処理条件決定方法 |
JP2004072767A (ja) * | 2002-07-31 | 2004-03-04 | General Electric Co <Ge> | 画像形成シーケンスにおける関心対象部分を用いた画像圧縮及び復元方法及びシステム |
JP2005157679A (ja) * | 2003-11-25 | 2005-06-16 | Sony Corp | 対象物検出装置及び方法、並びに集団学習装置及び方法 |
JP2009026326A (ja) * | 2008-09-26 | 2009-02-05 | Sony Corp | 集団学習装置及び方法 |
JP2009039446A (ja) * | 2007-08-10 | 2009-02-26 | Fujifilm Corp | 画像処理装置、画像処理方法、および画像処理プログラム |
JP2012245374A (ja) * | 2012-09-07 | 2012-12-13 | Mitsubishi Precision Co Ltd | 生体データモデル作成方法及びその装置並びに生体データモデルのデータ構造及び生体データモデルのデータ格納装置並びに三次元データモデルの負荷分散方法及びその装置 |
JP2014108164A (ja) * | 2012-11-30 | 2014-06-12 | Ge Medical Systems Global Technology Co Llc | 検出装置、磁気共鳴装置、検出方法、およびプログラム |
WO2019021512A1 (ja) * | 2017-07-27 | 2019-01-31 | 株式会社トプコン | 眼科システム及び眼科情報処理装置 |
US10366785B2 (en) | 2016-12-22 | 2019-07-30 | Panasonic Intellectual Property Management Co., Ltd. | Control method, information terminal, recording medium, and determination method |
JP2020035095A (ja) * | 2018-08-28 | 2020-03-05 | オリンパス株式会社 | アノテーション装置およびアノテーション方法 |
JPWO2019003474A1 (ja) * | 2017-06-30 | 2020-04-30 | 株式会社島津製作所 | 放射線治療用追跡装置、位置検出装置および動体追跡方法 |
-
1990
- 1990-06-15 JP JP2155506A patent/JP3046326B2/ja not_active Expired - Lifetime
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0486820A (ja) * | 1990-07-31 | 1992-03-19 | Fuji Photo Film Co Ltd | 放射線画像読取条件及び/又は画像処理条件決定方法 |
JP2004072767A (ja) * | 2002-07-31 | 2004-03-04 | General Electric Co <Ge> | 画像形成シーケンスにおける関心対象部分を用いた画像圧縮及び復元方法及びシステム |
JP2005157679A (ja) * | 2003-11-25 | 2005-06-16 | Sony Corp | 対象物検出装置及び方法、並びに集団学習装置及び方法 |
JP2009039446A (ja) * | 2007-08-10 | 2009-02-26 | Fujifilm Corp | 画像処理装置、画像処理方法、および画像処理プログラム |
JP2009026326A (ja) * | 2008-09-26 | 2009-02-05 | Sony Corp | 集団学習装置及び方法 |
JP2012245374A (ja) * | 2012-09-07 | 2012-12-13 | Mitsubishi Precision Co Ltd | 生体データモデル作成方法及びその装置並びに生体データモデルのデータ構造及び生体データモデルのデータ格納装置並びに三次元データモデルの負荷分散方法及びその装置 |
JP2014108164A (ja) * | 2012-11-30 | 2014-06-12 | Ge Medical Systems Global Technology Co Llc | 検出装置、磁気共鳴装置、検出方法、およびプログラム |
US10366785B2 (en) | 2016-12-22 | 2019-07-30 | Panasonic Intellectual Property Management Co., Ltd. | Control method, information terminal, recording medium, and determination method |
US10984907B2 (en) | 2016-12-22 | 2021-04-20 | Panasonic Intellectual Property Management Co., Ltd. | Control method, information terminal, recording medium, and determination method |
JPWO2019003474A1 (ja) * | 2017-06-30 | 2020-04-30 | 株式会社島津製作所 | 放射線治療用追跡装置、位置検出装置および動体追跡方法 |
US11224763B2 (en) | 2017-06-30 | 2022-01-18 | Shimadzu Corporation | Tracking device for radiation treatment, position detection device, and method for tracking moving body |
WO2019021512A1 (ja) * | 2017-07-27 | 2019-01-31 | 株式会社トプコン | 眼科システム及び眼科情報処理装置 |
JP2019024738A (ja) * | 2017-07-27 | 2019-02-21 | 株式会社トプコン | 眼科システム及び眼科情報処理装置 |
US11617505B2 (en) | 2017-07-27 | 2023-04-04 | Topcon Corporation | Ophthalmic system, ophthalmic information processing device, and ophthalmic diagnosing method |
JP2020035095A (ja) * | 2018-08-28 | 2020-03-05 | オリンパス株式会社 | アノテーション装置およびアノテーション方法 |
Also Published As
Publication number | Publication date |
---|---|
JP3046326B2 (ja) | 2000-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10929708B2 (en) | Deep learning network for salient region identification in images | |
JP6884853B2 (ja) | ニューラルネットワーク法を用いた画像セグメンテーション | |
JP6932182B2 (ja) | 畳み込みニューラルネットワークを用いた画像セグメンテーションのためのシステムおよび方法 | |
CN104969260B (zh) | 用于3d计算机断层扫描的多个骨骼分割 | |
US8311303B2 (en) | Method and system for semantics driven image registration | |
US10997466B2 (en) | Method and system for image segmentation and identification | |
US7773786B2 (en) | Method and apparatus for three-dimensional interactive tools for semi-automatic segmentation and editing of image objects | |
CN109872333A (zh) | 医学影像分割方法、装置、计算机设备和存储介质 | |
Hu et al. | Reinforcement learning in medical image analysis: Concepts, applications, challenges, and future directions | |
CN105096310B (zh) | 利用多通道特征在磁共振图像中分割肝脏的方法和系统 | |
Zhang et al. | Robust medical image segmentation from non-expert annotations with tri-network | |
DE102007018763B9 (de) | Verfahren zur Arterien-Venen-Bildseparation in Blutpoolkontrastmitteln | |
DE102007046582A1 (de) | System und Verfahren zum Segmentieren von Kammern eines Herzens in einem dreidimensionalen Bild | |
JP7218118B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
JPH0452873A (ja) | 画像処理装置及び画像処理方法 | |
US20220101034A1 (en) | Method and system for segmenting interventional device in image | |
CN101151638A (zh) | 用于分割数据集中的结构的方法、系统和计算机程序 | |
CN111899244A (zh) | 图像分割、网络模型的训练方法及装置,及电子设备 | |
JP2024500938A (ja) | 医用画像における状態特徴の自動注釈付け | |
Wei et al. | Deep collocative learning for immunofixation electrophoresis image analysis | |
Shaziya et al. | Pulmonary CT images segmentation using CNN and UNet models of deep learning | |
CN111127487A (zh) | 一种实时多组织医学图像的分割方法 | |
CN105302433B (zh) | 医疗图像显示装置及其控制方法 | |
EP3389006A1 (en) | Rib unfolding from magnetic resonance images | |
AU2019204365C1 (en) | Method and System for Image Segmentation and Identification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313114 Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R360 | Written notification for declining of transfer of rights |
Free format text: JAPANESE INTERMEDIATE CODE: R360 |
|
R371 | Transfer withdrawn |
Free format text: JAPANESE INTERMEDIATE CODE: R371 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313114 Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R371 | Transfer withdrawn |
Free format text: JAPANESE INTERMEDIATE CODE: R371 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313114 Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080317 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090317 Year of fee payment: 9 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100317 Year of fee payment: 10 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100317 Year of fee payment: 10 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110317 Year of fee payment: 11 |
|
EXPY | Cancellation because of completion of term | ||
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110317 Year of fee payment: 11 |