JPH0464180A - ディジタル画像表示装置 - 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】 ［発明の目的］ （産業上の利用分野） 本発明は、ディジタル画像データの画素値を表示の際の
明るさ値に変換してからディジタル画像を表示するディ
ジタル画像表示装置において、画素値／明るさ値の変換
に関連する表示ウィンドウのパラメータであるウィンド
ウレベル、ウィンドウ幅を各画像の特徴に応じて適切に
設定するディジタル画像表示装置に関する。

（従来の技術） このような画像表示装置の一例としては、ＣＴ龜　ＭＲ
Ｉ像等の医用画像を表示する装置がある。医用画像デー
タを観察のために表示、またはフィルムに写真として写
すために表示する場合、画像データ中の各画素値は予め
設定された非線形の変換関数により明るさ値に変換する
必要がある。

変換関数が非線形である理由は、表示部のダイナミック
レンジに比べて医用画像のダイナミックレンジが広いた
めである。そのため、線形の変換関数を用いて画素値の
全範囲を表示部の明るさ値の全範囲にリニアに変換して
も見やすい画像が表示されない、この変換関数を表示ウ
ィンドウと呼び、そのパラメータとしてはウィンドウレ
ベル、ウィンドウ幅がある。ウィンドウ幅とは画素値が
連続的に明るさに変換される範囲であり、これ以外の画
素値は明るさの最大値、最小値に変換される。

ウィンドウレベルとはウィンドウ幅の中間の画素値であ
る。

従来は、操作者が画面上の表示画像を見ながら手動でウ
ィンドウレベル、ウィンドウ幅を調整し、観察に必要な
部分が最適なコントラスト、明るさで表示されるように
ウィンドウ（変換関数）を設定するのが一般的であった
。この操作を画像毎に行なうことは操作者にとって負担
であった。

そこで、ＭＨＩ装置、ＣＴ装置等では、撮影条件毎にこ
れらの標準値をあらかじめプリセットしておき、撮影条
件によってこれらを選択的に読み出してウィンドウレベ
ル、ウィンドウ幅を自動的に設定することが考えられて
いる。さらに、画像の特徴に応じて表示ウィンドウを自
動的に設定することが考えられている。後者の一例とし
て、特開昭６３−８４５２６号公報に記載の画像表示装
置がある。ここでは、画像データから第１４図（ａ）に
示すような画素値のヒストグラムを作成し、最大の頻度
Ｈｍａｘから所定の演算により求められた頻度（例えば
、Ｈｍａｘの５％）をスレッシュホールドレベルＴｈと
して、このレベルＴｈ以上の頻度を有する範囲（ＷＱ−
Ｗｈ）を求め、この下限の画素値Ｗ９、上限の画素値ｗ
ｈから第１４図（ｂ）に示すように、画像表示のための
ウィンドウ幅ＷＷとウィンドウレベルＷＬ　（＝　（Ｗ
ｈ−ＷＱ）／２）を定めて、画素値／明るさ値変換のた
めの変換関数を作成する。ディジタル画像データの画素
値の範囲はＯ〜４０９５まであり、ウィンドウ幅ＷＷ範
囲内は線形に画素値が明るさ値に変換されるが、ＷＷ範
囲以外は明るさ値０、または２５５とされ、全体として
は変換係数は非線形である。

しかしながら、この従来例では５次のような問題がある
。ここでは、ヒストグラム中の最大頻度のみから求めた
スレッシュホールドレベルに基づいてウィンドウを設定
しているため、人間が設定したウィンドウと一致しない
場合が多々あった。

そして、自動的に設定されたウィンドウが観察に適して
いない場合は、操作者は自動的に設定されたウィンドウ
をいちいち調整しなければならず、面倒であった。

（：Ｒ１明が解決しようとする課題） この発明の目的は、ディジタル画像データの各画素値を
画像の特徴に応じた最適な表示ウィンドウにより明るさ
値に変換して見やすい画像を表示するディジタル画像表
示装置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） この発明によるディジタル画像表示装置は、１枚のディ
ジタル画像データがら画素値の頻度分布を求める手段と
、頻度分布から得られる複数のパラメータを入力し、デ
ィジタル画像データを所定ノ表示ウィンドウにおいて表
示する際の表示画像の見やすさを示す指標を出力するニ
ューラルネットワーク手段と、表示ウィンドウを変えた
ときのニューラルネットワーク手段の出力する指標の変
化に応じて′最適な表示ウィンドウを求める手段とをＪ
［し、ニューラルネットワーク手段は精度の異なる学習
データを学習した複数の階層型のニューラルネットワー
クからなり、最適な表示ウィンドウを求める手段は精度
の低い学習データを学習したニューラルネットワークか
ら順次使い最適なウィンドウを求め、各ニューラルネッ
トワークで求められた表示ウィンドウは次のニューラル
ネットワークによる処理における初期値とされることを
特徴とする。

（作用） この発明によれば、ディジタル画像データから求めた画
素値のヒストグラムに基づいてニューラルネットワーク
を用いて各表示ウィンドウにおける表示画像の見やすさ
を示す指標を求めているので、この指標に応じて最適な
表示ウィンドウを求めることができる。　さらに、ニュ
ーラルネッｌ、ワークを異なる学習データを学習した複
数の階層型のニューラルネットワークから構成し、サン
プリングの粗い精度の低い学習データを学習したユーラ
ルネットワークから順次段階的に使用して表示ウィンド
ウを求めているので、効率よく各ニューラルネットワー
クを学習させることができ、　より正確な指標を求める
ことができる。

（実施例） 以下図面を参照してこの発明によるディジタル画像表示
装置の実施例を説明する。第１図は実施例の構成を示す
ブロック図である。ＭＨＩ画像、０７画像等の各画素毎
の画素値がディジタル信号で表わされているディジタル
画像データが画像メモリ１に格納される０画像メモリ１
の出力が表示部４で表示される１表示部４にはディジタ
ル画像の表示のための階調変換テーブルを作成するため
のウィンドウレベル、ウィンドウ幅をマニュアルで設定
するためのウィンドウスイッチ３と、画像メモリ１から
の画像データを入力してその特徴に応じて自動的に適切
なウィンドウレベル、ウィンドウ幅を設定するウィンド
ウ制御部２が接続される。

ウィンドウ制御部２には後述する画像塵を求めるために
使われるニューラルネットワーク５と、１枚の画像を観
察目的毎に異なる表示ウィンドウで表示するための選択
スイッチ１０が接続される。

ニューラルネットワーク５は詳細は後述するが、それぞ
れがウィンドウ制御部２に接続され、精度が異なる学習
データを学習した複数段のネットワークＮＮ−１，ＮＮ
−２，−ＮＮ−ｎからなる。コノようニコの実施例では
、ウィンドウスイッチ３により手動的にウィンドウが設
定されるとともに、ウィンドウ制御部２により表示画像
データの特徴に応じて自動的にウィンドウが設定される
。

次に、実施例の動作を説明する。第２図はウィンドウ制
御部２の概略動作を示す、ステップ＃ｌｏＯで画像メモ
リ１から１枚の画像データを読出す、この画像データは
もちろん表示部４にも供給され、そこで画素値が明るさ
値に変換されて表示される。この画素値／明るさ値の変
換関数は表示ウィンドウとして知られていて、表示ウィ
ンドウはウィンドウレベル、　ウィンドウ幅により決め
られている。そのため、同じ画像データでも表示ウィン
ドウが異なれば、異なった明るさ、コントラストの画像
として表示される。ステップ＃１１０でこの読出された
画像データから画像の特徴を求めるために、画像データ
を構成する各画素値の頻度を示すヒストグラムを作成す
る。ステップ＃１２０でヒストグラムを解析し、Ａ値を
求める。ステップ＃１３０でヒストグラムを解析し、　
１枚の画像中の各観察目的毎のＭＶＰ値を求める。Ａ値
、ＭＶＰ値については後述する。ステップ＃１４０でヒ
ストグラムの解析結果に基づいて観察目的毎に画像の観
察に適した表示ウィンドウ（ウィンドウレベル、ウィン
ドウ幅）を求め、それを記憶する０画像表示の際は、ス
テップ＃１５０で選択スイッチ１０を使って記憶されて
いる表示ウィンドウの中から観察目的に合ったウィンド
ウを選択して、それに応じて画素値を明るさ値に変換し
て画像を表示する。もしも、表示画像が見にくい場合は
、ステップ＃１６０でウィンドウスイッチ３を使ってウ
ィンドウレベル、ウィンドウ幅を手動で微調整する。

以下、第２図の各ステップについて詳細に説明する。

第３図はステップ＃１１０で作成されるヒストグラムの
一例であり、ここでは、ディジタル画像としてＭＲＩ画
像が考えられている。ここで、ヒストグラムを作成する
際の画素値のピッチは１としているが、これに限定され
る必要はなく、例えば４でもよい、第３図は画像データ
から求めたヒストグラムそのままであり、画像データに
は背景部分も含まれているので、ヒストグラムから背景
部分を除去することが望ましい、一般に、人体ノＭＲＩ
画像の中で、体外に相当する部分（背景）は、ＭＲＩ値
（画素値）が低くほぼ一定値であり、観察を必要としな
い部分である。そこで、ヒストグラム中で背景部分Ｈと
人体内部との境界のＭＲＩ値を先ず求める。このＭＲＩ
値がステップ＃１２０で求められるＡ値である。

Ａ値を求めるためには、先ず最低のＭＲＩ値（画素値）
から一定範囲内のヒストグラムのピーク頻度Ｈｍａｘを
求める。　　ＨｍａｘのＭＲＩ値をｈとすると、ピーク
はヒストグラム上で（ｈ、　　Ｈｍａｘ）として表わさ
れる。ヒストグラムのピッチをｐｈとすると、ｈからＭ
ＲＩ値の大きい方に数個、例えば５個の点（ｈ、　　Ｈ
ｏａｘ）、　　（ｈ＋ｐｈ、　　Ｈｌ）、（ｈ＋２ｐｈ
、Ｈ２）、　　・・・（ｈ＋５ｐｈ、Ｈ５）を通る直線
Ｌｎを最小二乗法により求める。この直線Ｌｎとヒスト
グラムの頻度０を表す軸との交点におけるＭＲＩ値を求
め、これをＡ値とする。そして、Ａ値以下のＭＲＩ値の
部分を背景Ｈとする。

これらの処理がステップ＃１２０で行なわれる。

次に、ステップ＃１３０の詳細を説明する０ＭＶＰ値と
は画像の中で最も観察したいと推定される部分のＭＲＩ
値であるとして定義されている。

これは、画像の背景を除き、高い頻度を有するＭＲＩ値
が見やすいように表示すれば、全体として見やすい画像
を表示することができるからである。

ここで、観察したい部分は１枚の画像中に一つとは限ら
ないので、　１枚の画像でも観察したい対象（部位、腫
瘍の種類）、診断目的毎に最適な表示ウィンドウを求め
、それを記憶しておいて、観察目的毎にそれぞれのウィ
ンドウで画像を表示する。

ヒストグラムが第３図に示すように複数の、ここでは３
つのピーク頻度ＭＶＰＩ、ＭＶＰ２、ＭＶＰ３を有する
場合は、Ａ値以上のＭＲＩ値の中で頻度の高いＭＲＩ値
の中で重用度の高いものをＭＶＰ値と定義し、このＭＶ
Ｐを重用度の順序に並べたものをＭ　Ｖ　Ｐ　ｎとする
。ＭＶＰｎは第ｎ番目の観察目的に対して最も見たい部
分であると推定される部分のＭＲＩ値である。観察目的
は、例えば画像全体を見る場合と特定の対象（部位、腫
瘍）とを見る場合とでは異なる。画像全体を見る場合は
、その画像の中で背景を除き最も多くの頻度を有するＭ
ＲＩ値が見易いように表示すれば、全体が見易い画像に
なると考えて良い、また、特定の対象（部位、腫瘍）を
見る場合は、それぞれ部分的なヒストグラムのピークが
最も見たい部分であると推定できる。したがって、第３
図の場合は、ヒストグラム中の各ピークＭＶＰ１．ＭＶ
Ｐ２、ＭＶＰ３がそれぞれ観察目的ごとに最も見たい部
分と推定されるＭＲＩ値となる。また、この場合、観察
目的数ｍ＝３となる。具体的には、ＭＶＰｎは、Ａ値以
上のＭＲＩ値でヒストグラムのピークを探すことにより
求める。ここで、ピークは、第４図に示すように１点の
頻度が両側の数点の頻度より高い点であると定義される
。ピークの重用度は、第５図に示すように、ピーク間の
距離ｘｉ、ピークの高さ、ピークの広がりＷｌ、Ｗ２な
どを考慮して評価する。ここでは重用度がＭＶＰｌ、Ｍ
ＶＰ２．ＭＶＰ３の順とする。またこのとき観察目的（
ＭＶＰの数）も同時に記憶しておく。

次に、ステップ＃１４０の表示ウィンドウの求め方を説
明する０画像データの各ＭＲＩ値は第６図に示すように
ウィンドウレベルＷＬ、ウィンドウ幅ＷＷに応じてＷＷ
範囲内は連続して変化する明るさ値に変換されて表示さ
れる。ＷＬ−（ＷＷ／２）以下の全てのＭＲＩ値は最も
暗く、ＷＬ＋（ＷＷ／２　）以上の全てのＭＲＩ値は最
も明るく表示される。第６図では、この明るさ（２５６
階調）を便宜上縦軸に示す数値０．　５〜１６．５の間
の連続値として表現している。ここでＭＲＩ値をＸ、明
るさ値をＹとし、ウィンドウ幅ＷＷ内の直線部分だけに
限定して考えると、Ｘ、　　Ｙは次のように表わされる
。

Ｙ＝８．５＋１６Ｘ　（Ｘ−ＷＬ）／ＷＷ　　、（１）
Ｘ＝ＷＬ十ＷＷｘ　（Ｙ−８，５）　／１６−（２）第
７図はステップ＃１４０の詳細を示す、ステップ＃２０
０でウィンドウレベル、ウィンドウ幅の初期値Ｗ　Ｌ　
ｏ、ＷＷｏを求める。この初期値が最初の候補となる。

初期値は第６図に示すよう（二ＭＶＰ値が明るさの中心
となるようにＷ　Ｌ　ｏ　＝　ＭＶＰとし、背景Ｈ以外
は全て見えるようにＭＲＩ値Ａがウィンドウの下限と一
致するようにＷＷ。

＝２　（ＭＶＰ−Ａ）と設定する。ステップ＃２１Ｏで
ウィンドウレベル、ウィンドウ幅の候補値ＷＬｃ、ＷＷ
ｃとして上述の初期値を設定する（ＷＬ　ｃ　＝Ｗ　Ｌ
　ｏ、　　ＷＷ　ｃ　＝ＷＷ　ｏ　）。

ステップ＃２２０で第１０図に示す山登り法により最大
の画像環を求めるためのウィンドウの変化幅△ＷＷの初
期値としてＷ　Ｗ　ｏ　Ｘα（αは１以下の定数）を設
定する。ステップ＃２３０でネットワークの段数を示す
パラメータｉに１をセットする。パラメータｉはニュー
ラルネットワークＮＮ−１（ｉ＝１〜ｎ）を指定するパ
ラメータである。ステップ＃２４０で、第ｉ段のニュー
ラルネットワークの終了条件γＴ　（ｉ）をテーブルよ
り取り出し、γに設定する。テーブルの一例を第１表に
示す。

第１表 本実施例によるウィンドウの最適値の探索は、その変化
量を順次少な（していく方式であるので、その変化量が
一定値以下になったときに最適ウィンドウの探索を終了
する。そして、ニューラルネットワークの学習データは
、それぞれが異なる範囲のデータを学習するようにサン
プリングピッチがことなり、ピッチは第１段が最も大き
く、言い換えると、学習データの精度は第１段が最も粗
く、第２段以降になるにしたがって徐々に精度が細かく
　（サンプリングピッチが小さく）なっているので、第
１段のニューラルネットワークの終了条件が最も大きく
、第２段以下の終了条件は順次小さくなっている。

ステップ＃２５０で、第ｉ段のニューラルネットワーク
を用いて画像環を求め、画像環に基づいてその画像を表
示するのに最適のウィンドウレベル、ウィンドウ幅を求
める。ここで、第１段のニューラルネットワークによる
処理におけるウィンドウの候補の初期値はステップ＃２
１０で設定されたものであり、２段目以降のニューラル
ネットワークによる処理における候補の初期値はそれぞ
れ前の段のニューラルネットワークによる処理で最終的
に求められたウィンドウであり、第１段のニューラルネ
ットワークＮＮ−１では、最も粗い精度でウィンドウを
求め、第２段、第３段となるにつれて、細かい精度でウ
ィンドウを求めるようにしている。これについては後で
、詳細に説明する。

ステップ＃２６０で、パラメータｉをインクリメントし
、次の段のニューラルネットワークを指定する。ステッ
プ＃２７０で、全部のニューラルネットワークについて
処理を終了したか否か判定し、終了していない場合はス
テップ＃１０５０に戻る。全てのネットワークについて
処理を終了した場合は終了し、そのときのウィンドウが
最終的に求めるウィンドウとなる。

次に、ニューラルネットワーク５について説明する。第
８図は各ニューラルネットワークＮＮ−ｉの構成を示す
図である。ニューラルネットワークＮＮ−１は、例えば
入力層７、中間層８、出力層９の３層で構成されている
。中間層８は複数層であってもよい、入力層７は５つの
素子７ａ〜７ｅからなり、各素子７ａ〜７ｅには、ＭＶ
Ｐ値の明るさ値、Ａ値の明るさ値、明るさ値１２の部分
の面積、最も明るい明るさ値の部分の面積、明るさのバ
ランスがそれぞれ入力される。

ニューラルネットワーク５への入力を説明する。

ＭＶＰ値の明るさ値ＭＶＰＧは、　（２）式のＸにＭＶ
Ｐを、　（１）式のＹにＭＶＰＧを代入して次のように
求めることができる。

ＭＶＰＧ＝８．５＋１６Ｘ　（ＭＶＰ−ＷＬ）／ＷＷ　
　　　　　　　　　・・・（３）ニューラルネットワー
ク５への入力はＯ〜１の値が一般的であるため、　（３
）式を用いて求めたＭＶＰＧに正規化係数１／１６．５
を乗算して、正規化ＭＶＰＧを求め、これを素子７ａに
入力する。

Ａ値の明るさ値ＡＧは、ＭＰＶＧと同様に、　（１）、
　（２）式から次のように表わされる。

ＡＧ＝８．５＋１６Ｘ（Ａ−ＷＬ） ／ＷＷ　　　　　　　　　　　・・・（４）ここでも、
　（４）式を用いて求めたＡＧに正規化係数１／１６．
５を乗算して、正規化ＡＧを求める。ＭＶＰＧ、ＡＧは
画像の明るさに関するパラメータである。

画像中のある明るさの部分の面積はコントラストに関す
るパラメータである。明るさ値１２の部分は第６図にお
いて明るさ値１１．５〜１２．５の部分であると考えら
れるので、　（１）式にＹ＝１１、５〜１２．５を代入
すると、ヒストグラム中の明るさ１２に相当する部分Ｘ
１２は次のように表わされる。

Ｘ１２＝　（３ＷＷ／１６）＋ＷＬ 〜（ＷＷ／４）＋ＷＬ　　　　　・・・（５）（５）式
の範囲のヒストグラムの部分の面積を求め、正規化係数
１／１００を乗じて、明るさ１２の面積を求める。ただ
し、正規化後、　ｌを越えるものは１にする。

同様に、画像中の最も明るい明るさを有する部分は第６
図において明るさ１６．５の部分であるので、　（１）
式にＹ＝１６．５を代入すると、ヒストグラム中の明る
さ１６．５に相当する点Ｘ１６．５は次のように表わさ
れる。

Ｘ１６．５＝　（ＷＷ／２）＋ＷＬ　　　　　・　（６
）（６）式のＸ１６．５以上のヒストグラムの部分の面
積を求め、正規化係数１／３０を乗じて、最大明るさの
面積を求める。ただし、正規化後、　１を越えるものは
１にする。

最後の明るさのバランスは以下のように定義される。

バランス＝（明るさ４〜８の面積） ／（明るさ９〜１３の面積）・・・（７）それぞれの部
分の面積は、　（５）式と同様の式で求めることができ
る。この場合は、正規化係数は１／６とする。ただし、
正規化後、　１を越えるものは１にする。

これらの入力データ数は５に限定されるものではなく、
この数が増減した場合は、それに応じて入力層７の素子
数を増減させれば良い、中間層８はここでは５０素子か
らなり、入力層の素子７ａ〜７ｅ、出力層９とネットワ
ークを構成している。

出力層９は１素子で構成され、出力層９からＯ〜ｌの値
の表示画像の見やすさの指標としての画像層が出力され
る０以上の処理の流れを第９図に示す、ウィンドウ制御
部２は画像層を求める際に。

画像層を求めるための上述の５つのパラメータを求め、
これらをニューラルネットワーク５に転送する。ニュー
ラルネットワーク５はそれらの評価項目から画像層を求
め、その画像層を制御部２に転送する。その結果、制御
部２は画像層を求めることができる。

ニューラルネットワーク５の各素子の入出力関係は、こ
こでは、以下に示すシグモイド関数ｆ　（Ｘ）により表
わされる。

（−ｘ＋ｂ） ｆ　（ｘ）＝　１／　　（１＋ｅｘｐ　　　　　）　　
　　　　−（８）ここで、ｂはバイアスであって、バイ
アス素子（出力が１）のウェイトであり、　学習により
決定され、Ｘは入力である。ニューラルネットワーク５
は予め学習しておく必要がある。この学習については後
に詳細に説明する。ここでは、ニューラルネットワーク
５は学習が終了しているものとする。

次に、ステップ＃２５０のニューラルネットワークを用
いて画像層を求める処理について第１０図を参照し、て
詳細に説明する。ステップ＃３００でウィンドウの候補
Ｗ　Ｌ　ｃ、　　ＷＷ　ｃにおける画像層Ｑｃを求める
。　（３）〜（７）式に示したように、ニューラルネッ
トワーク５への入力はウィンドウＷＬ、ＷＷによって変
わる。そのため、ウィンドウを変えることにより画像層
も変わる。

ステップ＃３１０でウィンドウレベル、ウィンドウ幅の
一方、または全部を候補値に対して、第１１図に示すよ
うに、±ΔＷＷ変化させた状態で画像を表示した場合の
画像層Ｑｄｌ〜Ｑｄ８を求める。ここで、画像層Ｑｄｌ
はウィンドウレベルＷＬｃ＋ΔＷＷ、ウィンドウ幅Ｗ　
Ｗ　ｃにおける画像層であり、画像層Ｑｄ２はウィンド
ウレベルＷＬｃ＋ΔＷＷ、ウィンドウ幅ＷＷｃ＋ΔＷＷ
における画像層であり、画像層Ｑｄ３はウィンドウレベ
ルＷＬｃ、　　ウィンドウ幅Ｗ　Ｗ　ｃ＋△ＷＷにおけ
る画像層であり、画像層Ｑｄ４はウィンドウレベルＷＬ
ｃ−△ＷＷ、　　ウィンドウ幅ＷＷｃ＋△ＷＷにおける
画像層であり、画像層Ｑｄ５はウィンドウレベルＷＬｃ
−△ＷＷ、ウィンドウ幅ＷＷｃにおける画像層であり、
画像層Ｑｄ６はウィンドウレベルＷ　Ｌ　ｃ−△ＷＷ、
ウィンドウ幅Ｗ　Ｗ　ｃ−△ＷＷにおける画像層であり
、画像層Ｑｄ７はウィンドウレベルＷＬｃ、　　ウィン
ドウ幅ＷＷｃ−△ＷＷにおける画像層であり、画像層Ｑ
ｄ８はウィンドウレベルＷＬｃ＋ΔＷＷ、　　ウィンド
ウ幅ＷＷｃ−△ＷＷにおける画像層である。候補値に対
する変化量は実施例の数値に限定されない１例えば、Ｑ
ｄｌ〜Ｑｄ８の（ウィンドウレベル、ウィンドウ幅）を
それぞれ（ＷＬｃ＋ΔＷＷ、ＷＷ）、　　（ＷＬｃ＋△
ＷＷ／２．ＷＷ＋△ＷＷ）、　　（ＷＬｃ。

ＷＷ＋２−　△ＷＷ）、　　（ＷＬ　ｃ−ΔＷＷ／２．
ＷＷ＋ΔＷＷ）、　　（ＷＬｃ−ΔＷＷ、ＷＷ）、　　
（ＷＬｃ−△ＷＷ／２．ＷＷ−△ＷＷ）、　　（ＷＬｃ
。

ＷＷ−２・△ＷＷ）、　　（ＷＬｃ十△ＷＷ／２．　　
ＷＷ−ΔＷＷ）としてもよい。

ステップ＃３２０で、画像層Ｑｄｌ〜Ｑｄ８の中で最大
の画像層Ｑｄを求め、その画像層Ｑｄにおけるウィンド
ウレベルＷＬ、ウィンドウ幅ｗｗをそれぞれＷＬｄ、Ｗ
Ｗ、ｄとする。ステップ＃３３０で、ウィンドウの候補
値における画像層Ｑｃと候補値から若干ずれたウィンド
ウにおける画像層Ｑｄとを比較し、ＱｃがＱｄ以下であ
るが否が判定する。イエスの場合は、そのウィンドウの
候補よりも画像層Ｑｄを求めた際のウィンドウの値の方
が適切であるので、ステップ＃３４ｏでＷＬｃ＝ＷＬｄ
、ＷＷｃ＝ＷＷｄとする。すなわち、これは、第１２図
に示すようにウィンドウレベル、ウィンドウ幅の候補値
が画像層Ｑｄの時の値に移動することに相当する。ステ
ップ＃３５０で変化幅△ＷＷを２倍して、ステップ＃３
１０に戻る。

ここで、　１くβである。すなわち、変化幅を大きくす
る。

ステップ＃３３０でノーの場合は、その候補が一応は適
切であると判断できるので、ステップ＃３６０で△ＷＷ
〉γか否か判定する。ここでγは終了を決める定数であ
る。ノーの場合はその時の候補値ＷＬｃ、ＷＷｃが最終
的に求めたい適切なウィンドウレベルＷＬ、　　ウィン
ドウ幅ｗｗと判定して、処理を終了する。イエスの場合
は、再度、変化幅を／ＪＸさくして判定するために、ス
テップ＃３７０で変化幅△ｗｗをα倍する。ここでｏく
αく１、かっＯくα×βく１なる定数である。ステップ
＃３８０で、ΔＷＷ（γが否か判定する。ノーの場合は
すぐステップ＃３００に戻り、イエスの場合はステップ
＃３９ｏで変化幅△ｗｗにγを設定して、ステップ＃３
０ｏに戻る。

このように、この実施例ではウィンドウの変化量を徐々
に小さくしながら山登り法により画像層の最大値を求め
、この最大面像度の時のウィンドウを最適なウィンドウ
として求めることができる。

また、画像層を求めるためにニューラルネットワーク５
を用いているため、ニューラルネットワーク５を各装置
毎に使用環境に応じて学習させることにより、各装置毎
にウィンドウを最適に設定することができる。さらに、
この実施例によれば、学習データの精度が異なる複数段
のニューラルネットワークを精度の粗いものがら順次段
階的に使用することにより、結果として精度よく、しか
もニューラルネットワークの規模が大型化することなく
、適切なウィンドウを求めることができる。

なお、ニューラルネットワークを複数にした場合は、同
一のウィンドウに対しても各段の画像層が異なる、いわ
ゆる整合性の問題が生じることが考えられるが、本実施
例では、段階的に別々に最適ウィンドウの探索を行ない
、前の探索結果が次の探索の初期値となっているので、
このような問題は生じない。

次に、ニューラルネットワーク５の学習について説明す
る。ここでは、ニューラルネットワークは２段とする。

前述したようにニューラルネットワーク５は入力評価項
目に対して適切な画像層を出力するように予め学習して
おく必要がある。学習方式は実施例に限定されることは
ないが、本実施例ではパックプロパゲーション法を用い
る。ニューラルネットワーク５に一定数の学習データを
繰り返し入力し、パックプロパゲーション法により学習
を行ない、エラーが一定値以下になるまで学習を繰り返
す０本実施例では、以下に示す学習データを用いて学習
するが、この学習データの作成方法は実施例に限定され
ることはない。

先ず、第１段のニューラルネットワークＮＮ−１につい
ての学習データは実際の複数枚の画一データと、それを
表示する際に熟練者が設定したウィンドウレベル、ウィ
ンドウ幅を基に作成する。まず、画像を１枚選択し、こ
の画像に対して、熟練者が設定したウィンドウレベルを
ＷＬＧ、ウィンドウ幅ＷＷＧとする。そして、　ウィン
ドウレベルＷＬＲをＷＬＧ−ＷＷＧ／２．ＷＬＧ−ＷＷ
Ｇ／４゜ＷＬＧ、ＷＬＧ＋ＷＷＧ／４．ＷＬＧ＋ＷＷＧ
／２のいずれか、また、ウィンドウ幅ＷＷＳをＷＷＧ−
ＷＷＧ／礼　ＷＷＧ−ＷＷＧ／４．ＷＷＧ。

ＷＷＧ十ＷＷＧ／４．ＷＷＧ＋ＷＷＧ／２のいずれかに
した計２５点（ＷＬＳ、ＷＷＳ）を学習のためのウィン
ドウとしてサンプリングする。そして、これらの２５通
りの（ＷＬＳ、ＷＷＳ）それぞれに対して（３）〜（７
）式にしたがってＭＶＰＧ、ＡＧ、明るさ１２の面積、
明るさ１６．５の面積、明るさのバランスの５つのデー
タを求め、これを学習用の入力データとする。これらの
２５組の（ＷＬＳ、ＷＷＳ）に対する教師データを第２
表に示すように定め、　２５組の学習データを作成する
。以下、適当な枚数の画像について、それぞれ２５組の
学習データを作成する。そして、作成された全ての学習
データをエラーが一定値以下になるまで繰り返し学習す
る。

第２表 次に、第２段のニューラルネットワークについては精度
を高めるために、画像度の高い部分で学習のためのウィ
ンドウのサンプリングピッチを細かくし、第１段のネッ
トワークとは異なる学習データを学習する。このため、
熟練者が設定するＷＬＧ、ＷＷＧに近い部分のみを第２
段のニューラルネットワークにより細かいピッチで学習
している。

なお、単一段のネットワークで細かいピッチで学習させ
ると、効率が悪いとともに、設定値ＷＬＧ、ＷＷＧ付近
での教師データのダイナミックレンジが狭くなるので、
学習の際にエラーが収束しないこともあり得、実用的で
ない。

学習方法は第１段と同じであるが、学習データを例えば
、下記のように作成する。第１段で学習した画像の１枚
を選択する。そして、その画像について、ウィンドウレ
ベルＷＬＲをＷＬＧ−ＷＬＧ／４．ＷＬＧ−ＷＬＧ／８
．ＷＬＧ、ＷＬＧ＋ＷＬＧ／８．ＷＬＧ＋ＷＬＧ／４の
いずれか、また、　ウィンドウ幅ＷＷＳをＷＷＧ−ＷＷ
Ｇ／４゜ＷＷＧ−ＷＷＧ／８．　　ＷＷＧ、　　ＷＷＧ
＋ＷＷＧ／８．ＷＷＧ＋ＷＷＧ／４のいずれかにした計
２５点（ＷＬＳ、ＷＷＳ）を学習のためのウィンドウと
してサンプリングする。そして、これらの２５通りの（
ＷＬＳ、ＷＷＳ）それぞれに対して（３）〜（７）式に
したがってＭＶＰＧ、ＡＧ、明るさ１２の面積、明るさ
１６．５の面積、明るさのバランスの５つの特徴量を求
め、これを学習用の入力データとする。これらの（ＷＬ
Ｓ、ＷＷＳ）に対する教師データを第３表に示すように
定め、　２５組の学習データを作成する。以下、適当な
枚数の画像について、それぞれ２５組の学習データを作
成する。そして、作成された全ての学習データをエラー
が一定値以下になるまで繰り返し学習する。

第３表 第３段以上のネットワークを用いる場合も、同様にさら
にサンプリングを細かくして学習データを作成する。

次に、第２表、第３表に示すニューラルネットワークの
教師データの作り方を説明する。教師データは設定され
たウィンドウにおける画像の見やすさを示す指標である
から、それを表現するように定義することが必要である
。そのために、ここでは、人間が最も見やすいと感じた
ウィンドウ（基準ウィンドウ）における画像の明るさと
、設定ウィンドウにおける画像の明るさとの差を評価し
、それを基に教師データを作成した。したがって、ここ
で、設定ウィンドウにおける画像環Ｑｅを次のように定
義する。

Ｑｅ＝−（Ｋ　Ｉ　ＸＥＷ）＋に２　　−　（９）ここ
で、Ｋｌ、に２は正規化係数、ＥＷは基準ウィンドウに
おける表示画像と設定ウィンドウにおける表示画像との
差を評価するための評価値である。

次に、ＥＷを次の式で定義する。これは基準ウィンドウ
における表示画像の明るさ（グレイスケール）と設定ウ
ィンドウにおける表示画像との明るさ（グレイスケール
）との差の二乗和の１画素当りの重み付き平均である１
次式において、Ｗ（ＧＳｒ）＝１とすると、次式の分子
は各画素のグレイスケールの差の二乗和である０分母は
画素数であるから、分子／分母は１画素当りの平均にな
る。しかしながら、画像は中間の明るさの方が重要であ
り、最高、最低輝度のづれは影響力が少ない、そのため
、基準の明るさに対してウェイトをつけている。

（ＥＷ）２＝（ΣＷ（ＧＳｒ（ｘ、　ｙ））Ｘ　（ＧＳ
ｓ（ｘ、　ｙ）−ＧＳｒ（ｘ、　ｙ）　）２）全画素 ／ΣＷ（ＧＳｒ（ｘ、ｙ））　　　　　　　　−（１０
）全画素 ここで、ＧＳｒ（ｘ、ｙ）は画素（ｘ、　　ｙ）の基準
ウィンドウにおけるグレイスケール、Ｇ５５（ｘ、　　
ｙ）は画素（ｘ、、ｙ）の設定ウィンドウにおけるグレ
イスケール、Ｗ　（ＧＳ　ｒ　（ｘ、　　ｙ）　）はグ
レイスケールＧＳｒにおける重み係数である。

ここで、グレイスケールを０、５〜１６．５の数値で示
すと、画素値ＰＶ（ｘ、ｙ）をウィンドウ（ＷＬ、ＷＷ
）で表示した場合のグレイスケールＧＳは次のように表
わされる。

ＧＳ＝０．　５ （ｐｖ≦ＷＬ−（ＷＷ／２）の時） ＧＳ＝１６　（ＰＶ−ＷＬ）／ＷＷ＋８．５（ＷＬ−（
ＷＷ／２）＜ＰＶ＜ＷＬ＋　（ＷＷ／２）の時） ＧＳ＝１６．５ （ＷＬ＋　（ＷＷ／２）≦ｐｖの時） ・・・（１１） また、Ｗ（ＧＳｒ）を次式で定義する。

Ｗ（ＧＳｒ）＝０．　１ （ＧＳｒ≦０．５の時） Ｗ　（ＧＳｒ）＝　（ＧＳｒ−０，５）ｘｏ、９／６．
５＋１ （０，５＜ＧＳｒ≦７．　０の時） Ｗ　　（ＧＳ　　ｒ）　　＝　１．　０（７，０＜ＧＳ
ｒ≦１０．０の時） Ｗ（ＧＳｒ）＝０．　　１−　　（ＧＳｒ−１６，５）
ｘｏ、　　　９／６．　　５ （１０，０＜ＧＳｒ≦１６゜ Ｗ（ＧＳｒ）＝０．　　１ （１６，５＜ＧＳｒの時） ５の時） ・・・　（１２） （１０）式を画素値のヒストグラムを利用して求める場
合は次式のようになる。

二二で、ＰＶは画素値、Ｈ（ＰＶ）は画素値ＰＶの頻度
である。

ここまでで、画像度Ｑｅを定義したが、これが人間の感
覚にあっていることを検証する必要がある。ＱｅをＥＷ
で正規化した値であるから、ＥＷと人間の感覚を比較す
る。この比較方法は以下の通りである。

１）三人の患者の１２枚のＭＲ両画像用意する。

２）熟練者が最適のウィンドウを設定し、各画像毎に基
準ウィンドウを決める。

３）これらの画像のそれぞれに、６〜７種類のウィンド
ウを設定する。このとき、ＥＷができる限りばらつくよ
うにウィンドウを設定する。

４）設定ウィンドウにおけるＥＷを求める。

５）設定ウィンドウで画像を表示する。

放射線技師が評価した結果を第１３図に示す。

ここで、評価は ａ）ウィンドウがよく合っていて、見やすい・・・■ ｂ）まあまあであるが、微調整が必要である・・・△ Ｃ）被写体の確認はできるが、見にくい・・・　× で示す、第１３図からＥＷは人間の感覚に合っているこ
とが分かる。

（１０）式において、設定ウィンドウのＷＬのみを基準
ウィンドウから１グレイスケールずらすと、ＧＳｓ　　
（ｘ、ｙ）−ＧＳｒ　　（ｘ、ｙ）は全てｌになるから
ＥＷ＝１となる０人間は１グレイスケールづれると認識
できるといわれている。これは、逆に１グレイスケール
内のづれはそれほど気にならないことになる。このこと
は実験結果とも妥当性がある。

以上のことから（９）式により定義した画像度Ｑｅを教
師データとして学習すれば、ニューラルネットワークの
入力と画像の見やすさとの関係を学習することができる
。

この場合に、正規化係数Ｋｌ、に２は以下のように決定
する。教師データはＯ−１であるから、Ｋ２；１とする
。システムは画像度を比較して、最も高いウィンドウを
探索するので、画像度は相対的な値でよい、そのために
、学習ウィンドウの範囲が広い（サンプリングが粗い）
場合は（第１段目のネットワークに対しては）、ＥＷの
範囲も広いので、Ｋ１＝１／１０程度にする。学習ウィ
ンドウの範囲が狭い場合は（第２段目のネットワークに
対しては）、Ｋ１＝１／３程度にし、ダイナミックレン
ジを広くする。どちらの場合も、　（９）式がマイナス
になる場合は、Ｑｄ＝Ｏにする。

なお、この発明は上述した実施例に限定されず、種々変
形可能であり、実施例はＭＲｒ画像について説明したが
、画像はディジタル画像であればよく、医用画像に限定
されない、医用画像としても、ＣＴ画龜　核医学画像等
、さらにはＸ線透視像等のアナログ画像をＡ／Ｄ変換し
た画像でもよい。

最後に本発明の変形例について説明する。

実施例ではウィンドウレベルおよびウィンドウ幅の両方
を変化させて画像度の変化を見ているが、ウィンドウレ
ベル、およびウィンドウ幅のいずれか一方を一定値に固
定し、他方を変化させるようにしても良い。

実施例では１枚の画像ごとにヒストグラムを作成し、　
１枚の画像ごとに表示ウィンドウの最適値を探索してい
るが、同一グループに属する全部の画龜　例えばＭＨＩ
装置において１回のボリュームスキャンで撮影した複数
枚のスライスからヒストグラムを求め、それに関してウ
ィンドウを決定し、複数枚数の画像を同一の表示ウィン
ドウで観察するようにしても良い、この場合にはｌグル
ープの画像がすべて同一のウィンドウになる。また、ニ
ューラルネットワークの教師データの作成にも、複数枚
数の画像のヒストグラムを使用してもよい。

また、同一の条件で連続して撮影した画像も、同一の表
示ウィンドウで観察する方が良い、このため１枚目で観
察者が選択したウィンドウ（微調整を行なった場合は微
調整後のウィンドウ）とその画像度を求めて記憶する０
次に２枚目の画像の表示が指定された場合、　１枚目の
ウィンドウにおける２枚目の画像の画像度を求め、それ
を前記記憶した１枚目の画像度と比較し、その差が一定
以下ならウィンドウを変更しないで、　１枚目のウィン
ドウにより２枚目の画像を表示する。その差が一定以上
の場合には、本発明方法により求めたウィンドウで表示
するようにしても良い、さらに、同一の条件で連続して
撮影した画像を同一の表示ウィンドウで観察するために
、同一グループの代表的な画像（例えば中心位置の画像
）でウィンドウを求め、同一グループの全部の画像に対
して同一のウィンドウで画像を表示しても良い。

実施例では、第６図に示すように、ウィンドウ幅内は明
るさと画素値の関係は線形であるが、非線形であっても
良い。

実施例では観察目的と推定されるＭＲＩ値を捜し、それ
に対する画像度の最も高いウィンドウを探索している。

しかし、計算を簡単にするために、例えば以下に示すウ
ィンドウの組み合わせにより画像度を求め、これを画像
度の高い順に並べておき、選択スイッチ１０が押される
ごとに、画像度の高い順のウィンドウで表示するように
してもよい、この場合は比較的近いウィンドウを見つけ
ることができたら、操作者がスイッチ３を操作してウィ
ンドウを微調整する必要がある。

ＷＬ＝ＬＬ−Ｄ、Ｄ／４．ＬＬ−ＤＤ／８．　　ＬＬ。

ＬＬ＋ＤＤ／８．ＬＬ＋ＤＤ／４ ＷＷ＝ＤＤＸ３／４．　　ＤＤＸ７／８．　　ＤＤ、　
　ＤＤｘ９／８．ＤＤｘ５／４ ここで、ＬＬ、ＤＤは定数である。

さらに、実施例では観察目的をヒストグラムのピークに
より推定しているが、以下の情報、方法を用いて観察部
分の画素値を推定するようにしてもよい。

ｌ）簡単な画像認識を行ない比較的画素値の纏まってい
る部分を見つける。

２）撮影条件、 ３）断面（アクシャル面、コロナル面、サジタル面）、 ４）撮影目的、これは病院オーダーリングシステムから
得ることもできる。また、これらの情報、ヒストグラム
の特徴（全体の面積、ピークの位置、形、高さなど）に
より、画像度を求める項目、評価関数、評価関数のウェ
イト、ニューラルネットワークの各素子のウェイトなど
は異なるものを使用するようにしても良い。

さらに、実施例では、あらかじめすべての目的ウィンド
ウを求めておき、選択スイッチが押された場合に、既に
求めた目的ウィンドウで画像を表示したが、選択スイッ
チが押されるごとに目的ウィンドウを求めるようにして
も良い。

次に、ニューラルネットワークにより画像度を求めるこ
とについての変形例を説明する。実施例では、全ての画
像について、同−組みの重み係数を使用しているが、　
画像のタイプにより異なる重み係数を使用しても良い、
この場合は、ウィンドウ制御部２からニューラルネット
ワーク５に、画像タイプに応じて異なる重み係数を転送
するようにする。また学習も画像タイプごとに別々の学
習データを用いて行なう０画像のタイプは以下の情報、
方法などにより判断するようにしても良い。

１）簡単な画像認識を行なう。

２）撮影条件、 ３）断面（アクシャル面、コロナル面、サジタル面）、 ４）撮影目的、これは病院オーダーリングシステムから
得ることもできる。

５）ヒストグラムの特徴（全体の面積、ピークの位ｉ　
形、高さ等）。

実施例では、学習データ用の画像の選択につし＼ては説
明していないが、例えば装置ごとに、　１０枚数程度の
画像（画像タイプごとに別々に）を学習画像として記憶
する。この画像により二二一うルネットワークを学習さ
せる。このようにすれば、装置に応じたニューラルネッ
トワーク（重み係数）が形成される。さらに新しい学習
画像を追加するか、あるいは古い画像を新しい画像に更
新して、再度全体の学習画像を用いて学習するようにす
れば、装置の変化にも対応可能である。あるいは、装置
ごとに画像タイプごとに別々の重み係数を設ける代わり
に、これを装置ごと、観察者（医師）ごと２画像タイプ
ごとに別々の重み係数を設けるようにしても良い。

実施例では、ニューラルネットワークへ入力する特徴量
を線形で正規化した値としたが、正規化は例えば正弦関
数や対数変換などで正規化しても良い。

特徴の個数とニューラルネットワークの入力層の素子数
を同一にしたが、　１つの特徴に複数の入力素子を割り
当てて、特徴量を線形で正規化した値と、正弦関数や対
数変換などで正規化した値を入力としても良い。

実施例では、出力素子が１個であり、　「明るさ」「コ
ントラスト」の両方を統合した画像度を表しているが、
出力素子を「明るさ」、「コントラスト」に対応して２
個とし、これを「明るすぎる〜適当〜暗すぎる」　（０
〜１）、コントラストが「強すぎる〜適当〜弱すぎる」
　（０〜１）のように表しても良い、この場合、画像度
は両者の重み付けの合計として求める。また「明るさ」
の教師データは、第１５図においてＷＷＳ＝ＷＷＧ、　
　ｒコントラスト」の教師データはＷＬＳ＝ＷＬＧとお
けばよい。

さらに、実施例では学習と実行を同一のニューラルネッ
トワークで行なっているが、学習はワークステーション
などの他のニューラルネットワークで行い、実行は別の
簡単なニューラルネットワークで行っても良い、また学
習したニューラルネットワークの重み係数のうち、値の
大きいものだけを取り出し、ニューラルネットワークを
使用せずに計算機のソフトウェアだけで計算しても良い
。

［発明の効果コ 以上説明したように本発明によれば、ディジタル画像デ
ータから求めた画素値のヒストグラムに基づいてニュー
ラルネットワークを用いて各表示ウィンドウにおける表
示画像の見やすさを示す指標を求めているので、この指
標に応じて最適な表示ウィンドウを求めることができる
。さらに、ニューラルネットワークをサンプリングピッ
チが異なり精度の異なる学習データを学習した複数のニ
ューラルネットワークから構成し、学習データの精度の
低いニューラルネットワークから順次段階的に使用して
表示ウィンドウを求めているので、効率よ（各ニューラ
ルネットワークを学習させることができ、より正確な指
標を求めることができる。

【図面の簡単な説明】

第１図は本発明によるディジタル画像表示装置の実施例
のブロック図、第２図は実施例全体の概略動作を示すフ
ローチャート、第３図は実施例で用いられる画素値のヒ
ストグラムの一例を示す図、第４図はヒストグラムのピ
ークの検出原理を示す図、第５図はヒストグラムのピー
クの重用環を示す図、第６図はウィンドウレベル、　ウ
ィンドウ幅を示すための画素値と明るさ値との関係を示
す図、第７図はニューラルネットワークにより表示ウィ
ンドウを求める処理を示す流れ図、第８図は各段のニュ
ーラルネットワークの構成を示す図、第９図はニューラ
ルネットワークにより画像度を求める処理を示す流れ図
、第１０図はニューラルネットワークにより最大面像度
を求める処理を示す流れ図、第１１図は最大の画像度を
求めるために変化させるウィンドウの変化幅を示す図、
第１２図は最大面像度を求める山登り法の原理を示す図
、第１３図はニューラルネットワークの学習データの求
め方を説明するための図、第１４図は従来例のウィンド
ウの設定原理を示す図である。 １・・・画像メモリ、２・・・ウィンドウ制御部、　３
・・・ウィンドウスイッチ、４・・・表示部、　５・・
・ニューラルネットワーク　１０・・・選択スイッチ。 出願人代理人　　弁理士　鈴江武彦 第２ 霞・岬 第 図 第 図 第６ 図 Ｗ 図 叫で 矢

Claims (1)

【特許請求の範囲】
1. ディジタル画像データの各画素値を表示ウィンドウに応
   じて明るさ値に変換するディジタル画像表示装置におい
   て、１枚のディジタル画像データから画素値の頻度分布
   を求める手段と、前記頻度分布から得られる複数のパラ
   メータを入力し、前記ディジタル画像データを所定の表
   示ウィンドウにおいて表示する際の表示画像の見やすさ
   を示す指標を出力するニューラルネットワーク手段と、
   表示ウィンドウを変えたときの前記ニューラルネットワ
   ーク手段の出力する指標の変化に応じて最適な表示ウィ
   ンドウを求める手段とを具備し、前記ニューラルネット
   ワーク手段は複数の階層型のニューラルネットワークか
   らなり、前記最適な表示ウィンドウを求める手段は精度
   の低い学習データを学習したニューラルネットワークか
   ら順次使い最適なウィンドウを求め、各ニューラルネッ
   トワークで求められた表示ウィンドウを次のニューラル
   ネットワークによる処理における初期値とすることを特
   徴とするディジタル画像表示装置。