JPH0490076A - 医用画像特徴抽出方法 - 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、核磁気共鳴現象を利用した断層撮影装置に係
わり、とくに、２次元画像データより心臓等の臓器を抽
出する処理に関する。

〔従来の技術〕

従来の抽出は、臓器とノイズを単純なしきい値処理によ
り判別するもので、Ｓ／Ｎが悪い画像においては、臓器
以外のノイズ成分も抽出してしまい、臓器のみを抽出す
ることができないという欠点をもっていた。

そこで、実際に抽出を行なう場合には、ある程度まで自
動的に抽出を行った後に、オペレータがマニュアルで抽
出を行っている。このオペレータによる抽出は、時間が
かかると共に、画像毎に常に一定の処理を行なうことが
できない。つまり、画像ごとに抽出される領域が異って
しまい、定性的な判断を行うことができなくなってしま
う。

〔発明が解決しようとする課題〕

上記従来技術は、オペレータによるマニュアル抽出が必
要であり、時間、定量性に問題があった。

本発明の目的は、熟練オペレータのノウハウを取り入れ
自動的に臓器等の抽出を行うことにある。

〔課題を解決するための手段〕

上記目的は、熟練オペレータの勘と経験を定量化し、臓
器等の抽出量を決定することにより達成される。

〔作用〕

熟練オペレータは、抽出量から特徴的なパターンを認識
し、抽出量の操作を行なう。同様に、抽出量の積和演算
とその結果を非線形回路を通すことによって特徴的なパ
ターンの確信度を求め、各特徴的パターンの確信度から
抽出量のファジィ推論により決定する。それによって抽
出される臓器は、熟練オペレータが抽出したのと同様に
得ることができる。

又、熟練オペレータのノウハウをそのまま制御知識とし
て記憶し、前記知識を用いて抽出しても前記と同様の性
能を得ることができる。

〔実施例〕

以下、本発明の実施例を第１図により説明する。

診断対象である画像１は、特徴抽出機構Ｇ６により特徴
を抽出される。前記診断対象である画像１の特徴は、検
出機構Ｇ１４で検出される。この検出機構Ｇ１４の出力
は最適性判定機構Ｇ１３へ入力される。最適性判定機構
Ｇ１３では入力された前記検出機構Ｇ１４の出力をパタ
ーンとして認識する入力部と前記入力されたパターンを
記憶する記憶機能と、前記入力されたパターンを先に記
憶されている複数のパターンと照合し先に記憶されたパ
ターンとの類似度を出力する処理部と、前記類似度から
特徴の抽出量を決定し、特徴抽出機構Ｇ６へ指令信号を
発生する指令発生機構で構成されている。なお、前記最
適性判定機構Ｇ１３のパターン記憶機能へパターンを記
憶させるに当って予めオペレータが入力に対して最適出
力を設定し前記最適性判定機構を動作させ、最良の抽出
量が出力されることを認識する機能と、前記パターン記
憶内容を予め変更するための教示機構Ｇ１６が付加でき
る構成となっている。

以下、本発明を磁気共鳴イメージング装置に適用した実
施例を第２図により説明する。均一な静磁場を発生する
ための静磁場発生系１と、スピンを励起する高周波パル
スを発生する送信系２と、磁場の強さを、Ｘ＊Ｙ＋Ｚ方
向にそれぞれ独立に線形に強度を変化させることができ
る傾斜磁場発生系３と、被検体から発生する電磁波を受
信し、検波の後Ａ／Ｄ変換する受信系４と、受信系から
の計測データをもとに、画像再生に必要な各種演算や特
徴抽出等の処理を行う処理部Ｗ５と、再生結果等の画像
を表示するＣＲＴ６、前記画像を格納しておく画像ファ
イル７と、前記構成における各県の動作のコントロール
手順を格納しておくパルスシーケンスファイル８と、パ
ルスシーケンスファイル８に基づいて、各県の動作タイ
ミングをコントロールするシーケンス制御部９と、前記
画像ファイル７に格納されている画像の特徴を抽出する
特徴抽出機構１０と、前記特徴抽出機構１゜に特徴抽出
指令を発生させる指令発生機構１２と、前記指令発生機
構１２に対し、前記画像の特徴の形状が予め記憶された
複数のパターンのうちどの種類のパターンに属するかを
判断し、該パターンの確信度を出力するパターン認識機
構１３と、該パターン認識機構１３に対し、画像の特徴
の形状を検出し、出力する検出機構１４と、前記検出機
構１４と、指令発生機構１２の出力を記憶する記憶機構
１５と、前記記憶機構１５の情報を用い、パターン認識
機構１３のパラメータを学習により変化させ学習機構１
６から構成される。

第３図に上記形状パターン認識機構１３の詳細図を示す
。形状検出機構１４及び記憶機構１５の出力は、前記パ
ターン認識機構１３の入力セル１７．１８に入力され、
該入力セル１７では入力された信号が関数値で変換され
中間層１９へ出力され、中間層１９へ入力された該入力
セルの出力は中間層１９のセル２０，２１に入力される
。入力セル１７の出力でセル２０に入力された信号は重
み関数２３でＷ）１倍され加算器２４に入力されるとと
もに、入力セル１８の出力は重み関数２６を介し、加算
器２４に入力され、加算器２４は上記重み関数２３．２
６の出力を加算し、関数器２５へ入力され、関数器２５
で線形又は非線形の関数演算を行い、次段の中間層２７
に出力される。

なおセル２０は上記重み関数２３．２６、加算器２４及
び関数器２５から構成される。

同様に、セル２１へは入力セル１７．１８の出力が入力
され、入力層１７の出力は重み関数２８でＷ１２倍化さ
れ加算器２８′、関数器２８″を介し次段の中間層２７
へ出力される。

中間層２７は、中間層１９と同一の構造であり、入力層
１７．１８の出力の代りに中間層１９の出力が用いられ
ていものである。

ここで、重み関数２３，２６．２８の重みをＷ７□で表
わすと、Ｗ　’＋　Ｊはに番目の中間層の１番目のセル
に於て、ｋ−１番目の中間層（但し、ｋ＝１の時は入力
セル）のｉ番目の出力に掛ける重みを示す。

以上のようにパターン認識機構１３に入力された信号は
、入力セル１７．１８、複数段の中間層１９．２７．２
９を介し、中間層のセルから重み関数と加算器を取り除
いた形式の出力層３０を介し、出力される。なお、入力
層３１は入力セル１７．１８を全てまとめたものを表す
。

このパターン認識機構１３の特徴は、単純な積和演算で
すみ、フィードバック等の繰返し演算が無いこと、及び
、中間層の各積和項はハードウェアで実現する場合、並
列に処理ができるため、高速演算が可能である。

このパターン認識機構の出力層３０の次に予め各出力パ
ターンに応じて特徴の抽出に対する指令値を記憶させて
おき、最も出力パターンに近い指令値を特徴抽出機構に
指示することも可能である。

この方式では応答性は良いが後述の方式に比べて抽出の
精度は若干悪くなる。

次にパターン認識機構１３の処理結果は第４図に示す処
理機構を経て、特徴抽出機構に印加され医用画像より特
徴抽出を行なう。

すなわち、パターン認識機構１３の出力は指令発生機構
１２に設けられている抽出量決定手段３２に入力される
。抽出量決定手段３２では、内部に複数準備された処理
機構のうち、入力信号を処理するのに最も有効な処理機
構を選択し、処理を実行し抽出量を出力する。前記抽出
量決定手段の結果を用い、指令値計算手段は特徴抽出機
構１０に対する特徴抽出指令を発生する。なお、この指
令発生機構３３には、パターン認識機構１３を介さずに
、形状検出機構１４の出力を直接入力して、前記内部に
準備された複数の処理機構のうち最適な処理機構で処理
することも可能である。

しかしこの場合、各種推論機構を用いる場合専門のオペ
レータの操作方法を十分反映するには、知識ベースを充
実する必要がある。

第５図は、前記抽出量決定手段３２の構成を示すもので
ある。抽出量決定手段３２は、形状検出機構１４．パタ
ーン認識機構１３からの信号を受け、制御機構１４１を
起動する。該制御機構１４１は、問題の種類に応じて、
知識ベース３６を用い、起動する推論を決定する。即ち
該制御機構１４１は、三段論法的に原因を求める必要が
ある場合にはプロダクション推論機構１４２を起動し、
あいまいな要因がある場合にはファジィ推論機構１４３
を起動し、ある程度の枠組みがある問題に対してはフレ
ーム推論機構１４４を起動し、因果関係や機器の構成等
の関連がネットワーク的になっている問題に対しては意
味ネット推論機構１４５を起動し、診断対象が時間的な
順序で動作しているような問題に対してはスクリプト推
論機構１４６を起動する。更に、該制御機構１４１は前
記各種推論機構で解けない経験的な問題で、高速に最適
な解を求めるための最適化演算機構１１１を起動し、パ
ターン的に記憶でき、特徴を抽出するとともに回答が必
要な問題を解くための特徴抽出・回答機構１１０　（Ｒ
ｕｍｅｌｈａｒｔ型ニューコンピュータで構成）を起動
する。抽出量決定手段３２の処理結果は制御機構１１１
を介して指令値計算機構へ出力される。

第６図に推論に必要な知識である知識ベース３６の構成
を示す。前記知識ベースは抽出のエキスパートの経験等
に基づく外部から入力される知識１０６は三段論法的に
推論を実行するためのプロダクションルール１４７、あ
いまいな情報をもとに推論を行なうための知識であるフ
イジイルール１４８、診断対象の臓器構成などのある枠
組みで記述できる知識のフレーム１４９．臓器と臓器の
関連や、常識的な関連をまとめてネットワークの形で整
理している意味ネットワーク１５０、診断対象が時系列
に変化する場合、それらの情報を整理して記憶するスク
リプト１５１、及び、上記知識１４７〜１５３で、記述
できないその他の知識１５４に分類されて記憶されてい
る。

第７図に抽出量決定手段３２の動作の説明図を示す。制
御機構１４１の処理はパターン認識機構１３、形状検出
機構１４．記憶機構１５からの情報を整理し、以下の処
理に利用できるデータに変換する処理ステップ２００．
上記ステップ２００で準備したデータが無くなる迄取り
出し、ステップ２０２へ渡す繰返し処理ステップ２０１
．前記ステップ２０１で収集した情報から起動すべき推
論機構及び処理を決定するための判断ステップ２０２、
及び、各種推論機構１４２〜１４６、特徴抽出回答機構
１１０．最適化演算機構１１１、及び、−船釣な特徴抽
出アルゴリズムを実行する一般特徴抽出機構２０３、及
び、上記各ステップを終了するために必要なフラグ類の
リセット等を実行する終了処理ステップ２０４から構成
される。

第８図にプロダクション機構１４２の動作説明図を示す
。制御機構１４１より起動されるプロダクション推論機
構１４２は、前記制御機構１４１から起動時にメモリに
記憶する入力処理３４、前記入力処理３４で記憶した情
報１個ずつ取り出し、もし、メモリにパターンの情報が
無い時には、プロダクション推論機構１４２の処理を終
了させる終了判断機構３５を実行する。前記終了判断機
構３４で抽出されたパターンの種類とその確信度を用い
、知識ベース３６からルールを１個ずつ取り出し、処理
３７で該入力のパターンの種類と該ルールの前提部を比
較する。その比較結果を用い、ステップ３８は一致した
場合、次の処理３９を。

不一致の場合ステップ３７を実行させる。ステップ３９
は一致した時に前記入力を前記ルールの結論部に置換す
る。この時の確信度の取扱いはミニ・マックスの理論で
、置換前の最小値又は最大値で置換える。ステップ４０
は前記置換したルールの結論部が操作指令である場合、
ステップ４１を結論部が不一致の場合更に推論を実施さ
せるためにステップ３７を実行させる。

前記結論部が操作指令であるときに、処理４１は前記指
令値計算手段３３へ、結論部及び前記処理ステップで求
めた確信度を出力する。

第９図に、前記学習に必要な入力切り換え装置１２５の
構成を示す。該入力切り換え装置１２５は、学習機構に
より制御されるスイッチ機構１５６を用い、形状検出機
構１４の出力と学習機構１６の出力の一方を入力層３１
に出力するものである。

第１０図におけるスイッチ機構１５６の状態は学習を行
なう状態を示す。

第１０図に学習機構１６の構成を示す。学習機構１６は
、入力パターン発生機構４５、出力パターン発生機構４
７、出力突合せ機構４６、及び、学習制御機構４８から
構成される。前記出力突合せ機構４６は、出力層３０の
出力を指令発生機構１２と前記突合せ機構４６へ出力す
るための分配器１３９の出力Ｏｆ　、０１，００と、出
力パターン発生機構４７の出力ＯＴＩ、　０ｒｔｔ　０
丁。との差を加算器１６１，１６２，１６３により、偏
差ａｔ。

ｅ工ｙｅｎ　として求め、学習制御機構４８に出力する
。なお分配器１３９の出力Ｏ工、Ｏ１，○。

は入力パターン発生機構４７の出力がパターン認識機構
１３　（Ｒｕ馬ｅｌｈａｒｔ型ニューロコンピュータ）
の入力層１９に入力されることにより発生する。

このとき、該入力パターン発生機構４５と該出力パター
ン発生機構４７は前記学習制御機構４８に制御される。

第１１図に前記学習過程における荷重関数Ｗ　ＩＪ２３
と学習制御機構４８の関係を示す。前記加算器１６１の
出力である偏差ｅｋを受けて、学習制御機構４８はパタ
ーン認識機構１３を構成するセル２０の荷重関数Ｗｓａ
２３の値を、前記偏差が減少する方向に変化させる。

第１２図は前記学習制御機構４８の処理概要１７０を示
す。学習機構１６が起動されると、学習制御機構４８の
処理１７０が起動される。該処理１７０は、前記入力パ
ターン発生機構４５、出力パターン発生機構４７を起動
し、教師信号である入力と、希望出力を発生する前処理
１７１、前記偏差ｅｋの値、又は、前記偏差自乗和が許
容範囲以内になるまで以下のステップ１７３，１７４゜
１７５を繰り返すステップ１７２、出力層３０に近い中
間層から入力層３１に向けて注目する中間層を順次抽出
するステップ１７４、該中間層において順次注目するセ
ルを抽出するステップ１７４、及び偏差ｅｋが小さくな
る方向へ抽出したセルの荷重関数Ｗ＝Ｊ２３を変化させ
るステップ１７５、および、学習過程を終了させるため
のステップ１７６から構成される。

このような学習機構を設ける事により、それ迄考慮され
なかった新しい現象が発生し、それに対する対応策が決
定したならば、その知見を反映できる特徴が有る。

第１３図は、第２図の記憶機構１５の構成を示す。記憶
機構１５は、指令発生機構１２、形状検出機構１４の出
力が入力されるメモリ要素４９、メモリ要素４９の内部
は一定時間経過に転送されるメモリ要素５０、及び順次
メモリ要素にデータが転送され特定時間経過後に到達す
るメモリ要素５１から構成され、各メモリ要素４０，５
０゜５１の内容はパターンの微分や積分等を行うための
演算機構５０１を介し、パターン認識機構１３、学習機
構１６へ入力される。

この記憶機構１５により、形状検出機構１４や、指令発
生機器１２の時間的変化を考慮できる。例えば、微分、
積分等の動作が行なえるようになる。

〔発明の効果〕

本発明によれば、臓器等を抽出する様にパターンを抽出
する方式に於て、オペレータのエキスパートとは抽出結
果の波形を類形化し、波形の特徴を判断し、その特徴に
応じて抽出する方式を実現でき、新しい事態が発生して
も、学習により対応できるので、柔軟で、高性能な抽出
ができる効果がある。

【図面の簡単な説明】

第１図は本発明の一実施例の構成図、第２図は本発明を
医用画像診断装置に適用した実施例、第３図はパターン
認識機構図、第４図は指令発生構成図、第５図は操作量
決定手段の構成図、第６図は知識ベース構成図、第７図
は操作量決定手段の動作説明図、第８図はプロダクショ
ン機構の動作説明図、第９図は入力切換え装置の構成、
第１０図は学習機構の構成、第１１図は学習制御機構と
ノードの荷重関数との関連図、第１２図は学習制御機構
の基本処理図、第１３図は記憶機構の構成図である。 １・・・診断対象、１３・・・パターン認識機構、１２
・・・指令発生機構、１６・・・学習機構、１９，２７
゜第 図 第 図 第 図 第 図 第 図 第 図 第 図 第 図 第 図 ｅＳ 第 図

Claims (1)

1. 【特許請求の範囲】 １、診断の対象である画像と、前記診断の対象である画
   像の特徴を検出する検出機構と、前記検出機構の出力で
   ある特徴を抽出する特徴抽出機構からなる医用画像診断
   装置において、 前記検出機構の出力である画像の特徴から、前記診断の
   対象である画像を判定し、前記判定結果に基づいて、前
   記特徴抽出機構に抽出指令を送信する最適性判定機構を
   有することを特徴とする医用画像特徴抽出方法。 ２、請求項第１項において、前記最適性判定機構は、複
   数の特徴抽出方策を記憶した抽出量決定手段と、前記検
   出機構より出力された画像の特徴から、処理に使用する
   特徴抽出方策を決定し、処理指令を発生する指令発生機
   構と、前記抽出量決定手段により決定した抽出量を、特
   徴抽出指令に変換する指令値計算手段により構成される
   ことを特徴とする医用画像特徴抽出方法。 ３、請求項第２項において、抽出量決定手段に記憶され
   た複数の抽出方策とは、知識ベースと推論部より構成さ
   れた推論特徴抽出方策、パターン認識手法を用いた特徴
   抽出方策から成ることを特徴とする医用画像特徴抽出方
   法。 ４、請求項第１項において、前記最適性判定機構は、前
   記検出機構の出力パターンと前記出力パターンに対応し
   た特徴の抽出量を記憶する手段を有し、前記検出機構の
   新規出力パターンと、先に記憶された出力パターンを比
   較し、類似度の最も大きい記憶パターンに対する特徴の
   抽出量を出力する構成としたことを特徴とする医用画像
   特徴抽出方法。 ５、請求項第１項において、前記最適性判定機構は、前
   記検出機構からの出力から、前記出力パターンの類似度
   を求めるパターン認識機構と、前記類似度から特徴の抽
   出量を決定し、決定した抽出量を前記特徴抽出指令に変
   換する指令発生機構により構成されることを特徴とする
   医用画像特徴抽出方法。 ６、請求項第５項において、前記パターン認識機構は、
   前記検出機構の出力パターンを取り込む入力層と、前記
   入力層の出力に重みを掛けて加算し、その結果を指定し
   た関数で写像する複数のノードで構成された第１段の中
   間層と、前記第１の中間層の各ノードの出力を入力して
   重みを掛けて加算し、その結果を指定した関数で写像す
   る複数のノードで構成された別の中間層を複数段有し、
   前記別の中間層の最終段が、パターンの類似度を判定結
   果として出力する出力層で構成されたことを特徴とする
   医用画像特徴抽出方法。 ７、請求項第６項において、前記指令発生機構は、前記
   パターン発生機構の出力である複数のパターンの類似度
   から、知識ベースと推論機構を用いて特徴の抽出量を求
   め、前記抽出量を前記特徴抽出機構に対する指令に変換
   する構成としたことを特徴とする医用画像特徴抽出方法
   。 ８、請求項第１項において、前記最適性判定機構の判定
   結果の良否を判断する機構と、判断結果を外部に報知す
   る手段と、前記最適性判定機構の内部を変更する手段と
   を有する教示機構を備えたことを特徴とする医用画像特
   徴抽出方法。 ９、請求項第１項において、前記検出機構の出力を時経
   列的に記憶する記憶機構を設け、前記検出機構の出力と
   前記記憶機構の出力を前記最適性判定装置へ入力し、前
   記最適性判定機構では時間的変化も加味した判定を可能
   としたことを特徴とする医用画像特徴抽出方法。 １０、前記検出機構の出力と、前記検出機構の出力に応
   じて抽出を実行する特徴抽出機構と、特徴を抽出される
   診断の対象である画像で構成された医用画像診断装置に
   おいて、前記検出機構の出力をパターンとして認識し、
   前記出力パターンを予め記憶する機能と、予め記憶され
   たパターンと新規入力パターンを比較する機能、比較結
   果をパターンの類似度として出力するパターン認識機構
   と、前記パターンの類似度をファジィ推論により特徴の
   抽出量に変換し、前記抽出量を前記特徴抽出機構の指令
   値に変換する指令発生機構とを備えたことを特徴とする
   医用画像特徴抽出方法。 １１、請求項第１０項において、前記パターン認識機構
   にランメルハート型ニューロコンピュータを用いたこと
   を特徴とする医用画像特徴抽出方法。 １２、請求項第１１項において、前記パターン認識機構
   に入力パターンを印加し、前記パターン認識機構が理想
   出力となるように予め前記パターン認識機構の各ノード
   の重みを変更するための学習機構を備えたことを特徴と
   する医用画像特徴抽出方法。 １３、請求項第１１項において、前記学習機構はパター
   ン認識機構の入力層に入力する入力パターン発生機構、
   前記パターン認識機構の理想出力を発生する出力パター
   ン発生機構、前記パターン認識機構の出力パターンと、
   前記出力パターン発生機構の偏差を求める比較機構、前
   記比較結果に基づき、パターン発生機構内のノードの重
   みを変更する指令、及び前記入力パターン発生機構、出
   力パターン発生機構の動作指令を発生する学習抽出機構
   で構成されることを特徴とする医用画像特徴抽出方法。 １４、請求項第１０項において、前記検出機構の出力を
   時経列的に記憶する記憶機構を備え前記記憶機構の出力
   を前記パターン認識機構に入力する構成としたことを特
   徴とする医用画像特徴抽出方法。