JPH06237925A - ディジタル胸部レントゲン写真において関心領域の選択と中隔線の検出を行なう自動化方法およびそのシステム - Google Patents

ディジタル胸部レントゲン写真において関心領域の選択と中隔線の検出を行なう自動化方法およびそのシステム

Info

Publication number
JPH06237925A
JPH06237925A JP5064763A JP6476393A JPH06237925A JP H06237925 A JPH06237925 A JP H06237925A JP 5064763 A JP5064763 A JP 5064763A JP 6476393 A JP6476393 A JP 6476393A JP H06237925 A JPH06237925 A JP H06237925A
Authority
JP
Japan
Prior art keywords
interest
region
regions
lung
roi
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
Application number
JP5064763A
Other languages
English (en)
Other versions
JP3400008B2 (ja
Inventor
Kunio Doi
邦雄 土井
Xuan Chen
クァン・チェン
Shigehiko Katsuragawa
茂彦 桂川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
AAC DEV CORP
Arch Development Corp
Original Assignee
AAC DEV CORP
Arch Development Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by AAC DEV CORP, Arch Development Corp filed Critical AAC DEV CORP
Publication of JPH06237925A publication Critical patent/JPH06237925A/ja
Application granted granted Critical
Publication of JP3400008B2 publication Critical patent/JP3400008B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S378/00—X-ray or gamma ray systems or devices
    • Y10S378/901—Computer tomography program or processor

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

(57)【要約】 【目的】 本発明は間質性疾患の無い正常な肺を疾患の
ある異常な肺から区別する新しい方法とシステムを提供
することを目的とする。 【構成】 大きな肺の領域でＲＯＩを完全に自動的に選
択するために、胸郭と横隔膜のエッジを自動的に見つけ
ることによって大きな肺の周辺領域が最初に特定され
る。次に、所定のマトリクスサイズの数多くのＲＯＩ
が、特定された領域の境界内を満たす格子の形で選択さ
れる。背景の不均一さが個々のＲＯＩから除去された
後、重み付けエッジ勾配ヒストグラム分析によってシャ
ープなエッジを持つＲＯＩが取り除かれる。

Description

【発明の詳細な説明】
【０００１】
【産業上の利用分野】本発明は、肺の大きな周辺領域を
カバーする多数の関心領域（ＲＯＩ：RegionOf Interse
t）が完全に自動的に選択される方法とシステムの設備
を用いて肺の間質性疾患の定量的診断を行うのに用いら
れるコンピュータ処理された画像を作成するための方
法、およびその装置に関する。非常に多くのテクスチャ
分析が正常な肺と間質性疾患を持つ異常な肺を区別する
ために行われる。
【０００２】
【従来の技術】レントゲン写真の読影者にとって胸部レ
ントゲン写真から間質性疾患を評価することは最も難し
いことのひとつである。この困難さは、Ｘ線画像の数多
くのパターンや複雑な変化、レントゲン写真と病理学の
知見との関係が確立されていないことや、様々なパター
ンを主観的な言葉で表現してしまうことなどに関係して
いる。近年、肺の間質性疾患を正確に発見することが示
されてきたコンピュータ処理された画像の作成にディジ
タル化された胸部レントゲン写真が用いられてきた。コ
ンピュータ化された方法は、異常の激しさの定量的測定
に基づいて異常の可能性がある肺のテクスチャのパター
ンを発見し、レントゲン写真の解釈の確度が増すことに
よって、評価結果に含まれる主観が低減される。
【０００３】間質性疾患を発見し特徴を抽出するため
に、近年、フーリエ解析に基づき、ディジタル化された
胸部レントゲン写真における肺テクスチャの定量化のた
めのコンピュータ処理機構が開発されてきた。そのよう
な方法は土井邦雄等による米国特許第４，８３９，８０
７号で公開されており、以下はこれを参照している。こ
の方法では、従来の背面前面（ＰＡ）胸部レントゲン写
真を画素サイズが０．１ｍｍで１０ビットの階調を持つ
富士（Fuji）ドラムスキャナーでディジタル化する。６
４×６４画素のおよそ２０の矩形の関心領域（ＲＯＩ）
が肋間から選択される。肋骨を除いてこのＲＯＩを選択
するには手作業が必要となる。肺と胸壁全体を解剖学的
に観察することによって生じてしまう背景の不均一さ
は、２次元表面をＲＯＩの原画像にフィッティングさ
せ、原画像からフィッティングさせた表面を減算するこ
とによって補正される。そのような２次元フィッテング
技術によって、次に続くコンピュータによる解析と処理
のための基になる肺のテクスチャの変化を決定すること
が容易になる。
【０００４】「Ｒ」と呼ばれる自乗平均（ＲＭＳ：Root
Mean Square）の変動と一般に「Ｍ」と呼ばれるパワー
スペクトラムの１次モーメントが２次元フーリエ変換に
よってそれぞれ肺テクスチャの大きさと粗さ（または細
かさ）の定量的な指標として決定される。２次元フーリ
エ変換されたデータは関数Ｔ（ｕ，ｖ）で定義され、こ
こでｕとｖはカーテシアン座標系における空間周波数で
ある。正常な肺と異常な肺の違いを強調するために、こ
の関数Ｔ（ｕ，ｖ）は、この技術分野では視覚応答関数
Ｖ（ｕ，ｖ）として知られている低周波成分と高周波成
分を抑圧する別の関数によってバンドパスフィルタリン
グが行われる。フィルタリングされたデータ（Ｔ（ｕ，
ｖ），Ｖ（ｕ，ｖ））からテクスチャに対する２つの指
標ＲとＭが各々のＲＯＩについて得られる。これらのテ
クスチャに対する指標と臨床例から得られたデータベー
スの比較に基づいて、各ＲＯＩは正常または異常に分類
される。このデータベースは事前に正常か異常かがわか
っている肺のＲとＭの平均値を求めることによって得ら
れる。正常な肺のＲの平均値は異常な肺のそれより低い
値を示し、Ｍの平均値は高い値を示す。結果はＣＲＴモ
ニタ上に表示され、読影者がレントゲン写真を解釈する
際に助けとなる補助的な意見（第２の意見）を提供す
る。
【０００５】モニタ上でレントゲン写真の原画像をディ
ジタル化した画像の上に、肺の間質性疾患の程度とタイ
プを示す記号が重ねて表示される。もし検査している肺
がそのテクスチャのＲとＭの値が閾値より高いか低いた
めに異常であると判断されると、そのような異常なＲと
Ｍを持つ各ＲＯＩはモニタ画面上にそれぞれ円形（これ
は結節性のパターンを表わす）、矩形（これは網状のパ
ターンを表わす）、または六角形（これは蜂の巣、また
は網状−結節性のパターンを表わす）で示される。異常
なＲＯＩの疾患の大きさや程度は画面上のこれらの形の
大きさに比例している。検査している胸部像の肺が正常
（または異常）である確率の推測値も、これらのＲＯＩ
の分類結果と肺の中での幾何学的位置に基づいて提供さ
れる。この確率の推測値は、異常な肺の正診率（true-p
ositive fraction）、すなわち異常な肺を異常と診断す
る率と、正常な肺の誤診率（false-positive fraction
）、すなわち正常な肺を異常と診断する率との関係で
決まる曲線であるレシーバ・オペレーティング・特性
（ＲＯＣ：Receiver Operating Characteristic ）曲線
から得られる。レントゲン写真の読影者から得られたＲ
ＯＣ曲線とこのコンピュータ処理された画像から得られ
たＲＯＣ曲線との比較によると、正常な肺から軽度な間
質性疾患がある肺を区別することにおいてはこのコンピ
ュータによる方法は人間による診断と同程度の能力を持
っていることを示している。すなわち、このコンピュー
タ処理された画像は、初期の診断のチェックとして読影
者によって使用され得る。このようにして、コンピュー
タ支援画像の使用によって異常な肺を正常と判断してし
まうことが減り、診断の確度が向上する。
【０００６】しかしながら、上述の方法では、肺の中で
非常に小さく独立した領域にあるかも知れない異常なＲ
ＯＩをうまく発見できるようにするためには、肺のほと
んどの周辺部をカバーする数多くのＲＯＩを選択できな
ければならない。すなわち、実際の臨床現場でこのコン
ピュータ処理された画像を使用するには、ディジタル化
された胸部画像の多くの隣接したＲＯＩを選択し、また
自動的に選択するプロセスが必要とされる。
【０００７】
【発明が解決しようとする課題】従って、本発明のひと
つの目的は間質性疾患の無い正常な肺を疾患のある異常
な肺から区別する新しい方法とシステムを提供すること
である。
【０００８】本発明の別の目的は、肺の大きな周辺領域
をカバーする数多くのＲＯＩを自動的に選択し、各ＲＯ
Ｉのテクスチャ指標Ｍ、Ｒを決定するために各ＲＯＩに
コンピュータ化されたテクスチャ分析を行うための方法
とシステムを提供することである。
【０００９】本発明の別の目的は、肋骨やその他の内部
構造の上に位置しているＲＯＩに対するＲＯＩテクスチ
ャ測定の結果と肺以外からのアーチファクトを取り除く
ことである。
【００１０】本発明の更に別の目的は、所定の閾値より
大きなエッジ勾配標準偏差を示すＲＯＩ、または初期に
設定された全てのＲＯＩについて計算して求めた標準偏
差のうちの上部の所定の割合（パーセント）に入るＲＯ
Ｉを発見するために、各ＲＯＩに対するエッジ勾配分析
技術を提供することである。
【００１１】別の目的は、数多くの自動的に選択された
隣接する矩形のＲＯＩへエッジ勾配分析技術を用いるこ
とによって、ディジタル化された胸部レントゲン写真で
中隔線を発見する自動化された方法を提供することであ
る。
【００１２】
【課題を解決するための手段】上記の目的は、ディジタ
ル化された胸部レントゲン写真の肺画像の大きな周辺領
域をカバーする数多くの隣接したＲＯＩを選択するため
の新規な自動化された方法とシステムを用いることによ
って達成される。先ず、肺尖と胸郭と横隔膜のエッジを
自動的に検出することによって肺の周辺領域を特定す
る。次に、特定された周辺領域を埋めていくことによっ
て数多くのＲＯＩが連続的に選択される。ＲＯＩの数は
各特定された領域をほぼ完全に埋めつくすように、すな
わち患者の肺の大部分をカバーするように選択される。
次に、シャープなエッジを持ったＲＯＩ、すなわち所定
の閾値より大きな標準偏差を持つエッジ勾配を示すＲＯ
Ｉ、または全てについて求めた標準偏差のうちの所定の
上部の割合に入るＲＯＩを検出するために、エッジ勾配
分析技術が用いられる。この目的のために、重み付けエ
ッジ勾配角度のヒストグラムが用いられる。
【００１３】
【作用】この方法を使って自動的に選択されたおよそ２
００〜４００のＲＯＩが肺テクスチャ分析に使用される
ことになる。この自動化されたＲＯＩ選択方法とシステ
ムを使って得られた異常な肺に対するテクスチャ指標は
正常な肺に対するそれに比べて非常に大きな違いを示し
た。
【００１４】本発明のその他の重要な点は、上述したこ
とと同じような考え方による自動化された方法を使うこ
とによって、すなわち勾配角度ヒストグラム分析の技術
を使うことによって胸部レントゲン像で中隔線を見つけ
ることができることである。胸部レントゲン写真では中
隔線は一般に小葉間の隔壁の拡大のため、短いはっきり
としない線で示される。これらの線は、肺水腫やその他
の肺の疾患の重要な印である。しかしながら、中隔線は
大きさが小さくコントラストも低いため見つけることは
困難である。本発明の方法とシステムはレントゲン写真
画像に存在する中隔線の検知と分析を非常に改良するも
のである。
【００１５】
【実施例】以下、図面を参照して本発明による装置の第
１実施例を説明する。
【００１６】ここで図について説明していくが、参照の
ためにいくつかの図を通して同一か、または対応する部
分に同一の数字がつけられている。特に、図１では肺の
大きな領域をカバーするＲＯＩを自動的に選択し、シャ
ープなエッジを持つＲＯＩを自動的に取り除く本発明の
全体像がフローチャートで示されている。大きな肺の領
域でＲＯＩを完全に自動的に選択するために、胸郭と横
隔膜のエッジを自動的に見つけることによって大きな肺
の周辺領域が最初に特定され、次に３２×３２画素の行
列の大きさで数多くのＲＯＩが、特定された領域の境界
内を満たす格子の形で選択される。最後に重み付けエッ
ジ勾配ヒストグラム分析によってシャープなエッジを持
つＲＯＩが取り除かれる。この全体像は（１）肺の周辺
領域の特定、（２）ＲＯＩの予備選択、（３）背景の不
均一さ除去、（４）重み付けエッジ勾配ヒストグラムに
基づくエッジ勾配分析、（５）シャープなエッジを持つ
ＲＯＩの除去から成っている。
【００１７】間質性疾患は肺の周辺領域では、肺門周囲
よりはっきりと見える傾向にある。というのは、周辺領
域には大きな肺血管が無いからである。従って、これら
の領域での肺テクスチャのコンピュータによる分析はよ
り正確であることが期待できる。肺の周辺領域のおおよ
その形状と場所は、肺尖と胸郭と後で詳しく述べる横隔
膜のエッジを見つけることで特定することができる。肋
骨や鎖骨がある場所でテクスチャ分析のためのＲＯＩを
選択することは困難であるので肺尖領域も除かれる。本
発明が主に注目しているのは、大きな肺の領域をカバー
している数多くのＲＯＩの肺テクスチャが分析されると
きに、肋骨がテクスチャの指標にいかに影響を与える
か、またそのような影響は取り除くことができるのかと
いうことである。
【００１８】この効果を調べるために、存在している位
置によって３つのグループ分けされたＲＯＩを代表する
正常な胸部像からえられた様々なＲＯＩを手作業で選択
することが行われた。ＲＯＩは図４に示したように、肋
骨エッジ、肋骨上部、肋間部から選択された。テクスチ
ャ分析のために高速フーリエ変換（ＦＦＴ）アルゴリズ
ムを使用したため、ＲＯＩの画素の行列の大きさは１６
や３２や６４のように２のべき乗になっているのが効果
的である。この実施例では３２×３２の行列サイズ
（５．６×５．６ｍｍ）を使用しており、これは隣接す
る２つの肋骨の間の空間よりも通常小さい。
【００１９】手作業で選択されたＲＯＩのＲＭＳの変動
とパワースペクトルの１次モーメントを計算した結果が
図５にプロットしてある。肋骨のエッジがあるＲＯＩは
小さな１次モーメントと大きなＲＭＳの変動を示し、こ
れは異常な肺テクスチャが示す傾向である。この結果は
高いコントラストを持つ肋骨のエッジが大きな低周波成
分を持つことから生じている。しかしながら、肋骨上部
から選択されたＲＯＩは肋間部分から得られた場合と同
様なテクスチャ指標を示す。従って、間質性疾患を正し
く発見し、特徴抽出するためには肋骨のエッジを含むＲ
ＯＩは取り除かなければならず、一方肋骨の上部からの
ＲＯＩは肺テクスチャ分析に含めることができる。
【００２０】図５では、ＲＭＳの変動が縦軸に沿ってプ
ロットしてあり、パワースペクトラムの１次モーメント
が横軸に沿ってプロットしてある。このグラフは３つの
異なった領域に位置しているＲＯＩと指標Ｒ，Ｍの間の
関係を示している。特に胸郭領域は高いＲＭＳの変動と
低いパワースペクトラムの１次モーメントを持ってい
る。ＲＯＩの他の２つのタイプ、肋骨の上部のＲＯＩと
肋間のＲＯＩは反対のテクスチャ指標を持っている。す
なわち、低いＲＭＳの変動と高いパワースペクトラムの
１次モーメントを持っている。
【００２１】肋間領域のＲＯＩは分析対象として本発明
が最も関心を寄せている領域である。しかしながら、肋
骨の上部の領域は肋間ＲＯＩと非常に近いテクスチャ指
標を示すので、それらの肋骨上部のＲＯＩは判断の正確
さを大きく損なうこと無く、採取したデータに含めるこ
とができる。一方、肋骨のエッジのＲＯＩは正常な肺か
ら異常な肺を正しく区別するためには取り除かなければ
ならない。これは、肋骨のエッジにあるＲＯＩが示すテ
クスチャ指標Ｒ，Ｍが異常な肺が示す指標Ｒ，Ｍ、すな
わち高いＲＭＳの変動と低いパワースペクトラムの１次
モーメントに近いからである。言いかえると、肋骨のエ
ッジにあるＲＯＩは正常例の誤診を示す可能性がある。
つまり、肋骨のエッジにあるＲＯＩが持っている高いエ
ッジ勾配のため、正常な肺を異常と判断してしまうこと
がある。
【００２２】図６に示したように、肋骨の上部と肋間領
域ではＲＯＩの勾配の累積値は勾配角度の１周期、すな
わち０゜〜３６０°にわたって低い値を示している。こ
れとは反対に、肋骨のエッジ部分は１周期の中でおおよ
そ３０゜と２１０゜の２箇所で高い累積勾配値を示して
いる。これらの３つの異なった領域にあるＲＯＩの勾配
の累積値の全体の標準偏差は図７に示してある。肋骨の
上部と肋間のＲＯＩについての標準偏差は低く、相対値
で０．２５から０．５である。一方、肋骨のエッジのＲ
ＯＩはもっと高い標準偏差を示している。それらは相対
値で０．７５からおおよそ２．２５の範囲である。これ
らの標準偏差が重なり合わないということは、この評価
基準に基づいて肋骨のエッジのＲＯＩを特定することが
でき、最終のテクスチャ分析を行う前に取り除くことが
できることを意味している。
【００２３】図４にみられるように、白い境界エッジは
肺の周辺領域と横隔膜のエッジ境界の上側を示してい
る。これら３つの領域から選択されたＲＯＩは、そのエ
ッジ勾配の値とＲＭＳの変動Ｒとパワースペクトラムの
１次モーメントＭを決定するために分析される。これら
の値は、疾患の無い全て正常な肋骨のエッジ、肋骨上部
の領域と肋間領域のエッジ勾配とテクスチャ指標の既知
の値のデータベースを提供するために求められるのであ
る。図６は肋骨のエッジ部分と肋骨上部の部分と肋間の
部分からの３つのＲＯＩの重み付けエッジ勾配角度ヒス
トグラムを示している。肋骨のエッジを含んでいるＲＯ
Ｉでの大きなエッジ勾配角度に起因するヒストグラムの
変動が、その他の２つのＲＯＩでの変動よりもずっと大
きいことが明らかである。
【００２４】図７は手作業で選択したＲＯＩについての
ヒストグラムの平均と標準偏差を示している。ヒストグ
ラムの標準偏差はヒストグラムの変化の大きさを示して
おり、従って、シャープなエッジを持ったＲＯＩを特定
するための指標として用いることができる。肋骨のエッ
ジを含んでいるＲＯＩは他のＲＯＩよりもずっと大きな
標準偏差を示すことに注意が必要である。図６に示した
ように、このステップはまた個々のＲＯＩの標準偏差を
得て、その値を勾配角度ヒストグラムに対してプロット
することも含んでいる。さらにまた、その他の内部構造
や心臓ペースメーカ、カテーテルなどのように患者の胸
腔内にあるかも知れない人工物などの上にあるＲＯＩも
シャープなエッジを持つために、高い標準偏差を示す。
したがって、これらのアーチファクトに起因する正常例
の誤診の可能性を除くために、そのようなシャープなエ
ッジを含むＲＯＩもまた取り除かれなければならない。
【００２５】間質性疾患があるかどうかを調べるための
患者の肺の分析について以下に述べる。図１に示したよ
うに、最初のステップ＃１０では、肺画像のあらかじめ
選択された領域をカバーするために２ｋ×２ｋの画素行
列の大きさで胸部レントゲン写真がディジタル化され
る。これまでの研究で画素の大きさが０．１ｍｍと０．
２ｍｍである場合の違いは、ディジタル胸部画像での間
質性疾患の発見と特徴抽出の際には、重大なものではな
いことがわかっている。従って、胸部レントゲン写真の
ディジタル化には画素サイズが０．１７５ｍｍであり、
１０ビット階調であるコニカ社のレーザスキャナが使用
された。このレーザスキャナは高速であるので画像のデ
ィジタル化には便利である。画素行列の大きさが小さい
と計算時間は短くなり、これは臨床応用の際は重要なこ
ととなるであろう。
【００２６】次のステップ＃２０では、肋骨のエッジ
（胸郭）と横隔膜の上側の境界を見つけるための検知プ
ロセスを実行する。そのような検知方法は米国特許第
４，８５１，９８４号に公開されており、以下ではこれ
を参照する。
【００２７】肋骨のエッジと横隔膜による外側の境界が
決められると、次のステップ＃３０で、肺の周辺領域が
以下のようにして特定される。図８と図９に示したよう
に、右と左の両肺の周辺領域の上側の境界は、肺尖から
肺の高さの２０％下側と決める。領域の下側の境界は横
隔膜の上までとする。外側の境界は肺画像の中心線から
胸郭のエッジ迄の距離の９６％と決定する。内側の境界
を決定するために上側境界での５０％から下側境界での
８０％迄直線的に割合を変えていく。このようにして、
一般に肺の下側にある比較的大きな肺血管のオーバーラ
ップを避けるために、選択された領域の幅を下側境界に
向かって減らして行く。これらの割合は異なった大きさ
の肺についての実験的データにもとづいて決定されたも
のである。
【００２８】次のステップ＃４０では、図８と図９に示
したように、特定された肺領域を完全に切れ目なく満た
すように、数多くの矩形のＲＯＩ（３２×３２マトリク
ス）が選択される。重み付けエッジ勾配角度ヒストグラ
ムの計算によって各ＲＯＩについてエッジ勾配分析が行
われる。次に、このヒストグラムの標準偏差を、シャー
プなエッジを持つＲＯＩを取り除くための指標として求
める。次に、標準偏差の値があらかじめ決められた閾値
以上であるか、全体の標準偏差の上側の決められた割合
に入っているＲＯＩが取り除かれる。
【００２９】ＲＯＩをこのようにして予備選択したあ
と、背景の不均一さを補正するステップ＃５０を行う。
肋骨のエッジがないＲＯＩであっても、肺や胸壁の肉眼
的解剖による背景の不均一さは、重み付けエッジ勾配角
度ヒストグラムでのステップエッジのような大きなピー
クを作り出すので、背景の不均一さを補正することが必
要である。この不均一さ補正技術は米国特許第４，８５
１，９８４号で取り上げられている。このステップで
は、下にある肺テクスチャの変異を調べるために２次元
表面フィッティング技術によってＲＯＩの不均一な背景
が補正される。
【００３０】次に、標準偏差の値が所定の閾値以上であ
るか、ＲＯＩの最初のサンプルの全体の標準偏差の上側
の所定の割合に入っているＲＯＩを決定するために、エ
ッジ勾配分析が個々のＲＯＩに対して行われる（ステッ
プ＃６０）。シャープなエッジがＲＯＩにあれば、この
エッジに垂直な方向のエッジ勾配は非常に大きくなり、
従って後述する重み付けエッジ勾配角度計算を用いるこ
とによって検出することができる。通常、ひとつかふた
つのピークが（およそ１８０゜の間隔で）ヒストグラム
中に見られ、それらはＲＯＩのステップエッジとライン
エッジにそれぞれ対応している。ステップエッジＲＯＩ
では、ただひとつの濃度変化、すなわち、ひとつのシャ
ープなエッジがあるだけであるが、ラインエッジＲＯＩ
では、ＲＯＩを通る線の小さな「幅」に起因する２つの
濃度変化があるので２つのシャープなエッジと２つのピ
ークがヒストグラムに現れる。
【００３１】このエッジ勾配分析に基づき、シャープな
エッジを持ったＲＯＩが決定され、そのようなシャープ
なエッジを持ったＲＯＩは高い標準偏差値に基づき、試
料データから取り除かれ（ステップ＃７０）、パワース
ペクトラムの１次モーメントＭとＲＭＳの変動Ｒによる
テクスチャ指標分析は行われない（ステップ＃８０）。
このようなシャープなエッジを持つＲＯＩを取り除くこ
とによって、肋骨のエッジに位置しているＲＯＩは減少
する。このような肋骨のエッジにあるＲＯＩは、間質性
疾患があるＲＯＩと同じように高いＲ値と低いＭ値を持
つので、正常例の誤診の判断を生じ易い。シャープなエ
ッジを持つＲＯＩが取り除かれたので、個々のＲＯＩの
テクスチャの指標値で、異常な肺を異常、正常な肺を正
常とより正確に判断できるようになる。
【００３２】図２、図３について述べると、これらの図
は数多くの隣接したＲＯＩの選択とそのうちシャープな
エッジを持ったＲＯＩの除去を自動的に行うためのシス
テムの全体像が示してある。最初に対象物がディジタル
画像入力装置１０１に入力され、２ｋ×２ｋの画素行列
にディジタル化されたあと、画像メモリ１０２に保存さ
れる。保存された画像は胸郭検出器１０３と横隔膜エッ
ジ検出器１０４に出力され、そこで肺領域の境界の決定
がなされる。ディジタル化された対象画像は、また分析
されたＲＯＩについての情報を示す様々な記号が、ディ
ジタル化された原画像に重ねて表示される表示部１１４
にも出力される。胸郭と横隔膜のエッジが特定された
後、肺の周辺領域が肺の周辺領域選択器１０５によって
決定される。ディジタル化された画像上で特定された肺
領域を満たすように、選択器１０５と格子パターン発生
器１０６の出力はＲＯＩ選択器１０７に入力される。
【００３３】次に、ＲＯＩは２次元表面パターン発生器
１０８からの入力を受ける背景補正器１０９を通ってフ
ィルタリングが行われる。背景補正の後、エッジ勾配計
算器１１０が各々のＲＯＩについてのエッジ勾配を求
め、各ＲＯＩについての標準偏差値が計算される。次
に、標準偏差の値が所定の閾値以上であるか、データベ
ースメモリ１１２に蓄えられた計算された全ての標準偏
差の上側の決められた割合に入っているＲＯＩは異常Ｒ
ＯＩ除去器１１１で取り除かれる。これらの取り除かれ
たＲＯＩにはテクスチャ分析は行われないが、最初のサ
ンプルから残ったＲＯＩはテクスチャ指標計算器１１３
で計算されたそのようなテクスチャ指標を持つようにな
る。追加されたシャープなエッジを持つＲＯＩを取り除
くための後述する「微調整法」として孤立異常ＲＯＩ分
析器１１６が使用される。シンボル発生器１１５はテク
スチャ分析されたＲＯＩの大きさや形状、程度などを示
す様々な記号を発生し、これらの記号は表示部１１４に
表示されているディジタル化されたＸ線の原画像に重ね
て表示される。
【００３４】ＲＭＳの変動Ｒとパワースペクトラムの１
次モーメントＭは残っているＲＯＩのテクスチャの指標
として、対応する肺テクスチャの大きさと粗さを定量化
するためにそれぞれ使用される。それらは次のように定
義される。
【００３５】
【数１】 ここで、Ｆ（ｕ，ｖ）は背景補正をした後のＲＯＩのテ
クスチャパターンのフーリエ変換であり、Ｖ（ｕ，ｖ）
は、カーテシアン座標系におけるｕ，ｖが空間周波数を
表している視覚系応答である。後者は、正常肺テクスチ
ャと異常肺テクスチャの間の違いを強調するために、補
正しきれず残留している背景の不均一さに起因する低周
波成分と、例えばレントゲン写真の班点に起因する高周
波成分を抑圧するバンドパスフィルターとして使用され
る。これまでの研究で、正常な肺テクスチャは大きなＭ
と小さなＲを示す一方、異常な肺テクスチャは小さい１
次モーメントと場合によって大きなＲＭＳ値を示す傾向
があることがわかっている。骨格構造のため、胸部画像
では肋骨は異なったテクスチャ指標を示す。
【００３６】画素位置（ｍ，ｎ）での水平方向のエッジ
勾配Ｇｘ（ｍ，ｎ）と垂直方向のエッジ勾配Ｇｙ（ｍ，
ｎ）はゾベル（Sobel ）演算子を使って次のように求め
られる。
【００３７】Ｇｘ（ｍ，ｎ） ＝ {f(m+1,n-1)+2f(m+1,n)+f(m+1,n+1)} -{f(m-1,n-1)+2f(m-1,n)+f(m-1,n+1)} (3) Ｇｙ（ｍ，ｎ） ＝ {f(m-1,n+1)+2f(m,n+1)+f(m+1,n+1)} -{f(m-1,n-1)+2f(m,n-1)+f(m+1,n-1)} (4) ここで、ｆ（ｍ，ｎ）は場所（ｍ，ｎ）の画像の画素値
である。エッジ勾配の角度θ（ｍ，ｎ）、エッジ勾配の
大きさＧ（ｍ，ｎ）は次のように求められる。
【００３８】
【数２】 所定のＲＯＩの中について累積したエッジ勾配の角度分
布を示す勾配角度ヒストグラムは３６０゜を１２の部分
に分けることによって決定される。ここで、角度θk が
次式のように定義され、 θk ＝３０（ｋ−１） （７） ここで、ｋ＝１，２，…１２ 角度θk における累積エッジ勾配Ｇ（θk ）は次式で与
えられる。
【００３９】
【数３】 ここで、Ｍ，ＮはＲＯＩのマトリクスサイズを示してい
る。
【００４０】胸部画像の上に計算されたテクスチャ指標
を重ねて表示するために、網状や結節状や蜂の巣状のよ
うな肺テクスチャの状態と程度を意味する様々な大きさ
や形状のマーカを使用する米国特許第４，８３９，８０
７号で述べられている方法が使用される。このテクスチ
ャ指標はデータベースにある非常に多くの正常例から得
られた対応するテクスチャ指標の平均と標準偏差を用い
て規格化される。
【００４１】この方法では、規格化されたテクスチャ指
標が２．０以下である、すなわちテクスチャ指標が正常
例の標準偏差の２倍より小さいテクスチャパターンは正
常とみなされる。テクスチャ指標が異常な範囲にあると
網状、結節状、蜂の巣状のパターンに対してそれぞれ矩
形、円、六角形であるマーカが、そのＲＯＩが胸部画像
上で位置している場所に重ねて表示される。この方法は
胸部画像の多くの場所で実際のテクスチャパターンと計
算したテクスチャ指標を比較して見ることができ、非常
に有用である。
【００４２】この表示方法を用いることによると、孤立
した「異常」とされるＲＯＩはシャープなエッジを含む
ことが多いことがわかった。それゆえ、すべての隣接し
ているＲＯＩが異常なテクスチャ指標を持っていない場
合、これらの孤立した「異常」ＲＯＩは取り除かれる。
肋骨のエッジにあるＲＯＩまたは内部構造の上にあるＲ
ＯＩやアーチファクトに起因すると思われる更にシャー
プなエッジを持っているＲＯＩを取り除くこの「微調整
法」による除去は正常な肺と異常な肺の間の区別を非常
に改善する。
【００４３】５０の正常なケースと様々な間質性疾患を
持つ５０の異常な症例が調べられた。それぞれの胸部画
像の肺周辺領域からおよそ３００から６００の３２画素
×３２画素の行列の大きさのＲＯＩが最初に選択され
た。図８と図９は特定された肺の周辺領域と最初に選択
されたＲＯＩをそれぞれ正常と異常な画像について示し
てある。いくつかのＲＯＩは明らかにシャープなエッジ
を含んでいる。重み付けエッジ勾配角度ヒストグラムの
標準偏差が全ての最初に選択されたＲＯＩについて計算
された。
【００４４】図８と図９にそれぞれ示したように、一組
の正常な肺と一組の異常な肺はそれぞれの肺の大部分を
カバーするように選択されたＲＯＩのあらかじめ選択さ
れた格子で示されている。これらのＲＯＩは肋間領域、
肋骨上の領域と肋骨のエッジ領域をカバーしているよう
に見える。肋骨のエッジのＲＯＩは最初のＲＯＩサンプ
ルから本発明の技術によって取り除かれる。
【００４５】図１２は勾配角度ヒストグラムの標準偏差
にもとづいて取り除かれたＲＯＩの割合とシャープなエ
ッジを持つ残されたＲＯＩの関係を示している。この実
施例ではシャープなエッジを持つＲＯＩの３０％が後に
述べる理由で取り除かれている。シャープなエッジを持
つＲＯＩの割合と取り除かれたＲＯＩの割合の関係が正
常な場合と異常な場合について示されている。正常と異
常な場合についての結果はどちらも取り除かれる割合が
小さい理想的な線に非常に近く、それらはおよそ１５％
で徐々に離れている。この理想的な線は大きな標準偏差
はシャープなエッジがあると必ず生じるという単純な仮
説の場合を示したものである。この理想的な線から離れ
ることは、取り除かれたＲＯＩの割合が増えるにつれ
て、シャープなエッジを持っていないが、比較的大きな
テクスチャ構造を持つＲＯＩが取り除かれてしまうこと
を示している。この要因によるいくつかのＲＯＩの損失
は、残っているＲＯＩの数が非常に多いのでテクスチャ
分析の正確さには影響しない。異常な画像にあるシャー
プなエッジを持つ残されたＲＯＩの割合は正常なものの
それよりやや大きく、このことは肋骨のエッジにあるＲ
ＯＩを取り除くこのプロセスで異常な肺テクスチャにあ
るＲＯＩが除かれていることを意味している。
【００４６】図１３と図１４はシャープなエッジを持つ
取り除かれたＲＯＩの割合のパワースペクトラムの１次
モーメントＭとＲＭＳの変動Ｒに対する関係をそれぞれ
図示している。これらの図から、取り除かれたＲＯＩが
増えると、ＲとＭの間の違いが大きくなることがわか
る。図１３と図１４は残されたＲＯＩについて、取り除
かれたＲＯＩの割合に対するパワースペクトラムの１次
モーメントとＲＭＳの変動の依存性を示している。取り
除かれたＲＯＩが増えると正常な画像と異常な画像のテ
クスチャ指標はより分離されたものとなっていく。
【００４７】図１０と図１１は最初に（それぞれ図８と
図９から）選択されたＲＯＩの３０％が取り除かれた後
の胸部画像に重ねて表示されているＲＯＩを示してい
る。白い点を持つＲＯＩはエッジ勾配分析で取り除かれ
たものである。シャープな肋骨のエッジを持つＲＯＩだ
けてなく胸のエッジを持つＲＯＩもまた取り除かれてい
ることに気をつけなければならない。これらの図からわ
かるように、取り除かれたＲＯＩは主に肋骨のエッジの
上にあったＲＯＩである。これらの肋骨のエッジにある
ＲＯＩはその高いエッジ勾配と対応する高い標準偏差の
値によって決定された。図１５は図８の正常な胸部画像
でのエッジ勾配分析の結果を示している。標準偏差と平
均勾配が広い範囲に広がっているのは明らかである。最
初に選択されたＲＯＩに対する重み付けエッジ勾配角度
ヒストグラムの平均と標準偏差についてのエッジ勾配分
析の結果が図示されている。明らかに、データの値の大
部分は標準偏差が０画素〜５００画素である左下隅に固
まっている。
【００４８】図１６と図１７はそれぞれ肺周辺領域から
最初に選択されたＲＯＩのテクスチャ指標と最初に選択
されたシャープなエッジを持つＲＯＩの３０％を除くこ
とによって自動的に選択されたＲＯＩのテクスチャ指標
を示している。図１７は図１６の中央のデータ点からの
３０％のサンプルでとりのぞかれたシャープなエッジを
持つＲＯＩの数を示している。言い替えると、これらの
データ点は高いシャープなエッジを持つＲＯＩから期待
される高いＲ値と低いＭ値を持っている。この方法によ
って「異常」に見えるテクスチャ指標が取り除かれるこ
とは重要な点である。
【００４９】図１８は最初に選択されたＲＯＩの３０％
が取り除かれた後の正常と異常な画像に対するテクスチ
ャ指標を示している。ＲＭＳの変動Ｒは縦軸に沿ってプ
ロットされ、パワースペクトラムの１次モーメントＭの
値は横軸に沿ってプロットされている。正常な肺を意味
する大部分のＲＯＩは異常な場合のデータ点の右側で低
い領域に位置しており、＋の記号で示されている。
【００５０】これらの結果は全て、重み付けエッジ勾配
角度ヒストグラムの標準偏差はシャープなエッジを持っ
たＲＯＩの除去に有用な指標であることを示している。
シャープなエッジを持つＲＯＩの３０％の除去が使用さ
れた。この割合は、意味のある正常な（または異常な）
肺テクスチャを持ったＲＯＩの維持とシャープなエッジ
を持った不要なＲＯＩの除去との間のトレードオフを考
慮して決定された。最初に選択されたＲＯＩの３０％が
取り除かれた後であっても、およそ２００〜４００のＲ
ＯＩが各胸部画像でのテクスチャ分析のために残った。
これは米国特許第４，８３９，８０７号で公開されてい
る従来技術で使われているＲＯＩの２０倍以上の数であ
る。
【００５１】中隔線を発見するための全体像を図１９、
図２０に示す。先ず、画素サイズが０．１７５ｍｍで１
０２４階調（１０ビット）のレーザスキャナで従来の胸
部レントゲン写真がディジタル化される（ステップ＃２
００）。次のステップ＃２１０では、後に詳しく述べる
ように分析されるべき下側の肺領域が特定される。
【００５２】中隔線は通常肺の下側の外側の部分で認め
られるので、コンピュータによって分析される領域は両
肺の下側の領域の胸郭のエッジに沿った狭い領域で自動
的に選択される（ステップ＃２２０）。従って、それら
の下側の肺領域で３１画素×９画素（５．４２５ｍｍ×
１．５７５ｍｍ）を持った数多くの矩形の関心領域（Ｒ
ＯＩ）が連続的に決定される。与えられた胸部画像から
およそ３００のＲＯＩが得られる。微かな水平線として
表わされる中隔線の局部的なコントラストを高めるため
に、胸部画像は従来からある矩形のマスクを持つアンシ
ャープマスキングフィルタで処理される（ステップ＃２
３０）。このアンシャープマスキング技術の詳細な説明
のために、次のものを参照とする。
【００５３】プラット(Pratt) 著「ディジタル画像処理
(Digital Image Processing)」ジョン＆サンズ(John &
Sons) 社，ニューヨーク(1978)；マクマホン(Mcmahon)
他著「間質浸潤と気胸の検知能力に対するディジタルア
ンシャープマスキングの効果(The effect of Digital U
nsharp Masking on theDetectability of Inerstitial
Infiltrates and Pneumothoraces)」ＳＰＩＥ論文集, v
ol.555, pp.249-252(1985) ；石田(Ishida)他著「高画
質ディジタルレントゲン画像：低コントラスト物体の検
知と予備診断の改善(High Quality Digital Radiograph
ic Images : Improveddetection of Low Contrast Obje
cts and Preliminary Clinical Studies)」放射線医学
(Radiographics), vol.13, pp325-328(1983)．次に各Ｒ
ＯＩの不均一な背景が表面フィッティング技術で補正さ
れる（ステップ＃２４０）。次に、中隔線に関係する独
特の角度成分を特定するために、各ＲＯＩに含まれる全
ての画素に対してゾベル演算子が使われた後（ステップ
＃２５０）で、重みづけエッジ勾配角度ヒストグラムが
計算される（ステップ＃２６０）。
【００５４】各ＲＯＩでの中隔線の検知は数学的線形弁
別関数を用いてなされる。そのような関数は統計の分野
で広く使用されており、一般にこれは、測定したパラメ
ータ値を他の既知の所定のパラメータと比較し、次に、
データを特定（あるいは分類）するためにそれらの値を
分析することからなっている。本発明では、この線形弁
別関数を用いた多変数解析技術は、勾配角度ヒストグラ
ム中での２つの角度（９０゜と２７０゜）での累積エッ
ジ勾配に基づいている（ステップ＃２７０）。この線形
弁別関数はあらかじめ得られているデータベースへの多
変数解析によって決定されたものであり（ステップ＃３
２０）、このデータベース（ステップ＃３１０）はいく
つかは正常な肺であり、いくつかは異常な肺である３６
の胸部画像を含んでいる。次に、各ＲＯＩは９０゜と２
７０゜での累積エッジ勾配を求め既知のデータベースと
比較することによって正常であるか異常であるかに分類
される（ステップ＃２８０）。最後に、中隔線が見つか
った全てのＲＯＩは胸部画像に重ねてマークされる形で
ＣＲＴモニタ上に表示される（ステップ＃２９０）。
【００５５】胸郭のエッジに沿った肺の下側の領域を特
定するために米国特許第４，８５１，９８４号に述べら
れている技術を用いる。この技術では胸郭の境界と横隔
膜の境界が両方とも見つけられる。肺の下側にある胸郭
のエッジが画素値(signature) の水平方向の２次導関数
の最小値からまず見つけられる。見つけられたエッジ点
は各データ点をなめらかに結ぶため、多項式曲線により
カーブフィッティングされる。横隔膜のエッジは画素値
(signature) の垂直方向の１次導関数の最大値によって
求められ、つづいて多項式曲線のカーブフィッティング
技術でスムージングされる。従って、肋骨横隔膜の小溝
は胸郭境界と横隔膜の境界を示す２つのスムージングさ
れた曲線の交点であると決定される。
【００５６】図２１、図２２は自動中隔線抽出を実行す
るシステムの全体像を図示している。Ｘ線画像はディジ
タル化され、ディジタル画像入力装置１２０へ入力さ
れ、画像メモリ１２１へ蓄積される。この画像は同時に
胸郭検出器１２２と横隔膜エッジ検出器１２３にも出力
され、さらに表示部１３４にも出力される。下部肺周辺
領域選択器１２４で肺周辺領域の下側が特定され、この
境界の情報は格子パターン発生器１２５からの入力を受
け取るＲＯＩ選択器１２６へ出力される。アンシャープ
マスキングフィルタ１２７が感度を高めることによって
ディジタル画像を強調するために使用され、次に、ＲＯ
Ｉに現れる正常な背景構造を更に補正するために背景補
正器１２９が使用される。不均一が補正された画像を作
るためによく知られた２次元表面発生器が用いられる。
【００５７】次に、エッジ勾配の標準偏差の値をデータ
ベースメモリ１３２に蓄積されている所定の閾値と比較
する累積エッジ勾配比較器１３３へ出力される図形分析
を行うためにヒストグラム生成器１３１によって使用さ
れるエッジ勾配の値をエッジ勾配計算器１３０が発生す
る。次に、中隔線を含むＲＯＩは中隔線分類器１３６に
よって正常であるか異常であるかに区別される。シンボ
ル発生器１３５は中隔線の大きさや程度を表す様々な記
号を出力する。これらの記号は次に、表示部１３４の原
ディジタル化された画像に重ねて表示される。
【００５８】図２３に示したように、それぞれの肺で次
の境界で囲まれた領域が中隔線について検査される領域
と決められる。
【００５９】（１）スムージングされた胸郭境界に等し
い外側の境界 （２）外側の境界を肺領域側へおよそ１４ｍｍ平行移動
させた内側の境界 （３）スムージングされた横隔膜の曲線に等しい下側の
境界 （４）肋骨横隔膜の小溝の上およそ１６２ｍｍの距離に
ある水平線である上側の境界 これらの境界は実験的に決定された。
【００６０】胸部画像では中隔線は水平方向に薄く長い
ぼんやりした線で見えるので勾配角度ヒストグラム分析
に基づく中隔線の抽出はＲＯＩの大きさや形の影響を受
ける。従って、ＲＯＩの横の長さの効果が次のようにし
て調べられた。ＲＯＩの縦の長さを０．８７５ｍｍから
３．６７５ｍｍまでまたＲＯＩの横の長さも１．９２５
ｍｍから８．９２５ｍｍまで変化させＲＯＣ曲線を使っ
て中隔線の検出能力を調べた。その結果は水平方向に長
い辺を持つＲＯＩは中隔線の検出能力が効果的に改善さ
れることを示した。従って、５．４２５ｍｍ（水平方
向）×１．５７５ｍｍ（垂直方向）が分析用に選ばれ
た。
【００６１】垂直方向に微妙な濃度変化があるパターン
の画像コントラストを強調するために、また水平方向に
走っている中隔線のコントラストを高めるために、矩形
のマスクを使ったアンシャープマスキングフィルタリン
グ（ＵＭＦ）技術を用いて胸部画像の処理が行われた。
このマスクの大きさは０．８７５ｍｍ×２．２７５ｍｍ
で、重み係数は３．０であった。
【００６２】胸部レントゲン写真の肺の領域の濃度分布
は、中隔線に関係するテクスチャパターンの細かい変動
と肺や胸部壁の肉眼的解剖による緩やかな変化の両方を
含んでいる。従って、高い感度で中隔線を検知するため
には、不均一な背景は取り除かれねばならない。各ＲＯ
Ｉの背景の不均一さを評価するために４次の多項式を用
いた表面フィッティング技術が用いられた。このように
して見積もられた不均一な背景は原画像から差し引か
れ、後に行われるコンピュータ分析が受け易い背景が補
正された画像が作られる。ここでの実施例で使用してい
る背景不均一補正技術は米国特許第４，８５１，９８４
号で述べられているものである。
【００６３】中隔線は非常に低いコントラストの非常に
細いパターンを持っているので、目視でこれを見つける
のは、胸部画像で水平方向のパターンが強調されていて
も、一般に困難である。従って、エッジ勾配分布が比較
的小さいＲＯＩは注意深く検査しなければならない。こ
の方法は勾配角度ヒストグラム分析に基づいている。
【００６４】ひとつは中隔線を含まずひとつは含んでい
る２つのＲＯＩから得られた勾配角度ヒストグラムが図
２４と図２５に図示してある。中隔線を含まないＲＯＩ
では、累積エッジ勾配の分布は比較的均一で、平均値は
比較的小さい。しかしながら、中隔線を含んでいるＲＯ
Ｉでは、累積エッジ勾配は、９０゜と２７０゜近くの２
つの角度で非常に大きくなっている。これは中隔線を含
むＲＯＩの他にはない特徴であることがわかった。すな
わち、勾配角度ヒストグラムは２つの大きなピークをＧ
（９０）とＧ（２７０）に持っているということであ
る。
【００６５】図２６は白丸で示された中隔線を持たない
１００例のＲＯＩと黒丸で示された中隔線を持っている
６３例の異常なＲＯＩを含んでいる胸部画像のデータベ
ースから得られた９０゜と２７０゜における累積エッジ
勾配の分布を示している。異常なＲＯＩの９０゜と２７
０゜における累積エッジ勾配は一般に正常なＲＯＩのそ
れより大きいことが明らかである。しかしながら、９０
゜での累積エッジ勾配と２７０゜でのそれとの間にはい
くらかの相関があるので９０゜と２７０゜での２つの累
積エッジ勾配を用いた多変数解析から導かれる線形弁別
関数は正常と異常なＲＯＩを９０゜か２７０゜かのどち
らだけの累積エッジ勾配で区別するよりもよりよく区別
できることが期待される。図２７は全部で１２１の中隔
線を含んでいる１８例の正常な胸部画像と１８例の異常
な胸部画像から得られた３つのＲＯＣ曲線の比較を示し
ており、これは３つの異なった評価基準、すなわちＧ
（９０）単独とＧ（２７０）単独と弁別関数を使ったＧ
（９０）とＧ（２７０）の組み合わせに基づく正常と異
常なＲＯＩの分類に使われる。このＲＯＣ曲線は閾値レ
ベルに対する異常例の正診率（異常なＲＯＩ中の中隔線
を正しく発見すること）の割合と正常例の誤診率（正常
なＲＯＩで中隔線を誤って検知してしまうこと）の割合
の間の関係を示している。正常と異常なＲＯＩを見分け
るために、累積エッジ勾配が所定の閾値レベルより大き
なＲＯＩは陽性なＲＯＩと分類される。
【００６６】次に、正しく分類された陽性なＲＯＩの数
を実際に陽性であるＲＯＩの全数で割ることによって異
常例の正診率が決定される。図２７から９０゜または２
７０゜における累積エッジ勾配は正常なＲＯＩと中隔線
を持っている異常なＲＯＩをうまく区別できることが明
らかである。しかしながら、胸部画像で中隔線を正確に
検知することは、弁別関数を使った多変数解析を使用す
ることによって９０゜と２７０゜における累積エッジ勾
配を単独に使用した場合よりもかなりよく行われること
に気をつけなければならない。図２８は胸部画像に対し
て様々なタイプの画像処理を行った場合のＲＯＣ曲線を
比較したもので、正常な肺と異常な肺の分類に及ぼす画
像処理の影響を調べようとしたものである。勾配角度ヒ
ストグラム分析で異常なＲＯＩが８個以上であったもの
を異常な肺と定義した。この判断基準は実験的に求めら
れた。図２８に示された結果は背景の不均一補正とアン
シャープマスキングによるフィルタリング処理を使用す
ると正常な肺と中隔線を持っている肺を区別するための
コンピュータ化された画像の水準が改善できることを示
している。
【００６７】肺のテクスチャ分析と中隔線の検知のため
のＲＯＩ選択の完全な自動化方法が開発された。勾配重
み付けエッジ配向ヒストグラムに基づいたエッジ勾配分
析はシャープなエッジを持ったＲＯＩの特定と除去に非
常に効果的である。従来の技術に比較しておよそ２０倍
もの数のＲＯＩが肺のテクスチャ分析のために選択され
る。様々な間質性疾患を持つ異常な肺のＲＭＳ値とパワ
ースペクトラムの１次モーメントは正常な肺のそれとは
著しい違いを示す。ＲＯＩの自動選択を用いた肺のテク
スチャ分析と中隔線の検知のためのコンピュータ化され
た画像は、近い将来、読影者が臨床分野での胸部画像の
より客感的で正確な解釈を行う際の助けとなるであろ
う。
【００６８】本発明の方法とシステムは、肺のテクスチ
ャ分析のために限られるものと解釈されるものではな
く、ここで公開されたコンピュータ化された画像は磁気
共鳴画像技術（ＭＲＩ）、ＣＴスキャン、超音波画像、
骨格レントゲン写真、乳房造影などの他の医療分野を含
む正常パターンと異常パターンの分析にも使用されるも
のである。
【００６９】本発明は上述した思想の範囲で数多くの修
飾や変更が可能であることは明かである。従って、ここ
に添付した請求項の範囲内で本発明はここで特に取り上
げて述べたものとは違った形で実施され得るものである
ことは理解されなければならない。
【００７０】
【発明の効果】以上説明したように本発明によれば、間
質性疾患の無い正常な肺を疾患のある異常な肺から区別
する新しい方法とシステムが提供される。
【００７１】また、本発明によれば、肺の大きな周辺領
域をカバーする数多くのＲＯＩを自動的に選択し、各Ｒ
ＯＩのテクスチャ指標Ｍ、Ｒを決定するために各ＲＯＩ
にコンピュータ化されたテクスチャ分析を行うための方
法とシステムが提供される。
【００７２】さらに、本発明によれば、肋骨やその他の
内部構造の上に位置しているＲＯＩに対するＲＯＩテク
スチャ測定の結果と肺以外からのアーチファクトを取り
除くこともできる。
【００７３】本発明は、所定の閾値より大きなエッジ勾
配標準偏差を示すＲＯＩ、または初期に設定された全て
のＲＯＩについて計算して求めた標準偏差のうちの上部
の所定の割合（パーセント）に入るＲＯＩを発見するた
めに各ＲＯＩに施されるエッジ勾配分析技術を提供でき
る。
【００７４】また、本発明は、数多くの自動的に選択さ
れた隣接する矩形のＲＯＩへエッジ勾配分析技術を用い
ることによって、ディジタル化された胸部レントゲン写
真で中隔線を発見する自動化された方法を提供すること
ができる。
【図面の簡単な説明】
【図１】数多くのＲＯＩを選択し、シャープなエッジを
持つＲＯＩをその他のＲＯＩのテクスチャ測定を行う前
に取り除くための自動化された選択方法の全体像を示す
フローチャート。
【図２】自動的に数多くのＲＯＩを選択し、シャープな
エッジを持つＲＯＩをその他のＲＯＩのテクスチャ測定
を行う前に取り除くための方法を実施するために用いら
れるシステムの一部のブロック図。
【図３】自動的に数多くのＲＯＩを選択し、シャープな
エッジを持つＲＯＩをその他のＲＯＩのテクスチャ測定
を行う前に取り除くための方法を実施するために用いら
れるシステムの残りの一部のブロック図。
【図４】異なった領域に対するＲＭＳの変動とパワース
ペクトラム１次モーメントの平均的な値を実験的に求め
るために、正常な胸部レントゲン写真画像の胸郭、肋骨
上部、肋間部分に手動で付されたＲＯＩ（小さな白い矩
形）を示す図。
【図５】ＲＯＩの場所が、肺テクスチャを定量するとき
に用いられるＲＭＳの変動とパワースペクトラムの１次
モーメントに及ぼす影響を示した図。
【図６】ＲＯＩの場所が、重み付けエッジ勾配角度ヒス
トグラムに及ぼす影響を、胸郭と肋骨上部と肋間の３つ
の領域について示した図。
【図７】エッジ勾配分析の結果を図４に示した重み付け
エッジ勾配角度ヒストグラムの平均と標準偏差で示した
図。
【図８】異常な場合の肺の周辺領域を白い等高線で示す
図であり、最初に選択されたＲＯＩが小さな白い矩形で
印をつけられている。
【図９】正常な場合の肺の周辺領域を白い等高線で示す
図であり、最初に選択されたＲＯＩが小さな白い矩形で
印をつけられている。
【図１０】白い点で印をつけられたシャープなエッジを
持つＲＯＩを取り除くことによって自動的にＲＯＩが選
択された胸部レントゲン写真を示す図。
【図１１】白い点で印をつけられたシャープなエッジを
持つＲＯＩを取り除くことによって自動的にＲＯＩが選
択された胸部レントゲン写真を示す図。
【図１２】異常な肺と正常な肺の両方の場合についてシ
ャープなエッジを持つＲＯＩを取り除いた効果を示す図
であり、また、シャープなエッジを持つ全てのＲＯＩが
取り除かれた理想的な場合についても示す。
【図１３】残ったＲＯＩについてのパワースペクトラム
の１次モーメントの変動を取り除かれたＲＯＩの割合に
対して示す図。
【図１４】残ったＲＯＩについてのＲＭＳの変動を取り
除かれたＲＯＩの割合に対して示す図。
【図１５】最初に選択されたＲＯＩに対する重み付けエ
ッジ勾配角度ヒストグラムの平均と標準偏差でエッジ勾
配分析の結果を示す図。
【図１６】肺周辺領域から予備選択されたＲＯＩのテク
スチャ指標を示す図。
【図１７】シャープなエッジを持つ予備選択されたＲＯ
Ｉの３０％を取り除いた後に自動的に選択されたＲＯＩ
のテクスチャ指標を示す図。
【図１８】異常な胸部像と正常な胸部像の両方について
自動的に選択されたＲＯＩのテクスチャ指標を示す図。
【図１９】ディジタル化された胸部レントゲン写真から
中隔線を自動的に見つけ出し、また正常なＲＯＩと中隔
線を持つ異常なＲＯＩを自動的に分類するときのフロー
チャートの前半部を示す図。
【図２０】ディジタル化された胸部レントゲン写真から
中隔線を自動的に見つけ出し、また正常なＲＯＩと中隔
線を持つ異常なＲＯＩを自動的に分類するときのフロー
チャートの後半部を示す図。
【図２１】ディジタル化された胸部レントゲン写真から
自動的に中隔線を見つけ出す方法を実施するために使用
される全体のシステムの一部分を示すブロック図。
【図２２】ディジタル化された胸部レントゲン写真から
自動的に中隔線を見つけ出す方法を実施するために使用
される全体のシステムの残りの部分を示すブロック図。
【図２３】中隔線の存在が調べられる肺の下側部分の外
側の境界を選択する方法を示す図。
【図２４】中隔線を持たない正常なＲＯＩについて得ら
れたパターンを示す勾配角度ヒストグラムを示す図。
【図２５】中隔線を持つ異常なＲＯＩについて得られた
パターンを示す勾配角度ヒストグラムを示す図。
【図２６】１００例の中隔線を持たない正常なＲＯＩと
６３例の中隔線を持つ異常なＲＯＩからなる胸部画像デ
ータベースから得られた９０゜と２７０゜でのエッジ勾
配の分布を示す図。
【図２７】正常なＲＯＩと異常なＲＯＩを分類するため
の、正常な１８例と全部で１２１の中隔線を持っている
異常な１８例の胸部画像から得られた３つのＲＯＣ曲線
を比較する図。
【図２８】正常な肺と異常な肺の分類に画像処理が影響
するかどうかを調べるため、様々な画像処理を胸部画像
に対して行ったときのＲＯＣ曲線を比較する図。
【符号の説明】
１０１…ディジタル画像入力装置、１０２…画像メモ
リ、１０３…胸郭検出器、１０４…横隔膜エッジ検出
器、１０５…肺周辺領域選択器、１０６…格子パターン
発生器、１０７…ＲＯＩ選択器、１０８…２次元表面パ
ターン発生器、１０９…背景補正器、１１０…エッジ勾
配計算器、１１１…異常ＲＯＩ除去器、１１２…データ
ベースメモリ、１１３…テクスチャ指標計算器、１１４
…表示部、１１５…シンボル発生器、１１６…孤立異常
ＲＯＩ分析器。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 桂川 茂彦 アメリカ合衆国、イリノイ州 60615、シ カゴ、エス・ハイド・パーク 5242

Claims (42)

    【特許請求の範囲】
  1. 【請求項１】 分析対象のディジタル化された胸部レン
    トゲン写真の肺周辺領域を特定するステップと、 前記肺周辺領域に含まれる多数の隣接した関心領域のサ
    ンプルを予備選択するステップと、 補正された画像が得られるように前記予備選択された各
    関心領域での背景の不均一さの補正を行うステップと、 シャープなエッジを持たない関心領域からシャープなエ
    ッジを持つ関心領域を区別するために前記予備選択され
    たサンプルの関心領域の各々についてエッジ勾配分析を
    行うステップと、 前記予備選択されたサンプルから前記シャープなエッジ
    を持つ関心領域の領域を取り除くステップと、 前記予備選択されたサンプルで前記残された関心領域に
    テクスチャ測定を行うステップを具備するディジタル胸
    部レントゲン写真における関心領域の選択と中隔線の検
    出を行なう自動化方法。
  2. 【請求項２】 前記多数の隣接した関心領域のサンプル
    を予備選択するステップは肺周辺領域のほぼ全体をカバ
    ーする隣接する矩形の関心領域の格子を作るように肺周
    辺領域内に位置するように選択され、隣接する一組の肋
    骨の間に十分入るほど小さいマトリクスサイズの多数の
    関心領域を選択するステップを具備することを特徴とす
    る請求項１に記載の自動化方法。
  3. 【請求項３】 前記多数の隣接した関心領域のサンプル
    を予備選択するステップは肺周辺領域のほぼ全体をカバ
    ーする隣接する矩形の関心領域の格子を作るようにおよ
    そ４００個から６００個の関心領域を初期選択するステ
    ップを具備することを特徴とする請求項１に記載の自動
    化方法。
  4. 【請求項４】 前記肺周辺領域を特定するステップは肺
    周辺領域の上側の境界を肺尖から肺の高さの約２０％に
    等しい距離だけ下側に選択するステップと、 前記肺周辺領域の下側の境界を横隔膜の上に選択するス
    テップと、 前記胸部レントゲン写真の中心線の位置から胸郭のエッ
    ジにいたる距離のおよそ９６％を前記肺周辺領域の外側
    境界に選択するステップと、 下側の境界で前記胸部レントゲン写真の中心線から胸郭
    にいたる距離の５０％から８０％に直線的に変化する部
    分を内側境界に選択するステップを具備することを特徴
    とする請求項１に記載の自動化方法。
  5. 【請求項５】 前記エッジ勾配分析ステップは前記予備
    選択されたサンプルの関心領域の各々で階段状のエッ
    ジ、または線状のエッジを検知するために重み付けエッ
    ジ勾配角度ヒストグラムを用いたエッジ勾配検出を行な
    うステップを具備することを特徴とする請求項１に記載
    の自動化方法。
  6. 【請求項６】 除去されるべきシャープなエッジを持っ
    た関心領域を決定する際の指標として使用される前記重
    み付けエッジ勾配角度ヒストグラムの標準偏差を計算す
    るステップを具備することを特徴とする請求項５に記載
    の自動化方法。
  7. 【請求項７】 前記除去ステップは前記予備選択された
    サンプルから各関心領域のエッジ勾配のために計算され
    た標準偏差の所定の上部の割合にある標準偏差を持つ高
    いエッジ勾配を示す関心領域を除去するステップを具備
    することを特徴とする請求項６に記載の自動化方法。
  8. 【請求項８】 前記除去ステップは所定の閾値より高い
    エッジ勾配の標準偏差を持つ前記シャープなエッジを持
    つ関心領域を除去するステップを具備することを特徴と
    する請求項６に記載の自動化方法。
  9. 【請求項９】 前記テクスチャ測定ステップは関心領域
    のテクスチャの大きさを示す自乗平均値の変動Ｒとテク
    スチャの粗さまたは細かさを示すパワースペクトルの１
    次モーメントＭを決定するステップを具備することを特
    徴とする請求項１に記載の自動化方法。
  10. 【請求項１０】 所定のテクスチャ指標と既知の場所に
    ある関心領域についての情報を提供するための肋骨のエ
    ッジを含む領域と肋骨上部と肋間領域の３つの領域から
    の関心領域のエッジ勾配分析を得るために、正常な疾患
    の無い胸部レントゲン写真から前記３つの領域の個々の
    関心領域を手作業で選択するステップを具備することを
    特徴とする請求項１に記載の自動化方法。
  11. 【請求項１１】 前記関心領域の肺テクスチャのタイプ
    や程度を示す様々な大きさや形状のマークを用いて胸部
    画像に重ねて前記テクスチャ指標を表示するステップを
    具備することを特徴とする請求項１に記載の自動化方
    法。
  12. 【請求項１２】 分析対象のディジタル化された胸部レ
    ントゲン写真の肺周辺領域を特定する手段と、 前記肺周辺領域に含まれる多数の隣接した関心領域のサ
    ンプルを予備選択する手段と、 補正された画像が得られるように前記予備選択された各
    関心領域での背景の不均一さの補正を行う手段と、 シャープなエッジを持たない関心領域からシャープなエ
    ッジを持つ関心領域を区別するために前記予備選択され
    たサンプルの関心領域の各々についてエッジ勾配分析を
    行う手段と、 前記予備選択されたサンプルから前記シャープなエッジ
    を持つ関心領域の領域を取り除く手段と、 前記予備選択されたサンプルで前記残された関心領域に
    テクスチャ測定を行う手段を具備するディジタル胸部レ
    ントゲン写真における異常を自動的に検出するシステ
    ム。
  13. 【請求項１３】 前記多数の隣接した関心領域のサンプ
    ルを予備選択する手段は肺周辺領域のほぼ全体をカバー
    する隣接する矩形の関心領域の格子を作るように肺周辺
    領域内に位置するように選択され、隣接する一組の肋骨
    の間に十分入るほど小さいマトリクスサイズの多数の関
    心領域を選択する手段を具備することを特徴とする請求
    項１２に記載の自動検出システム。
  14. 【請求項１４】 前記多数の隣接した関心領域のサンプ
    ルを予備選択する手段は肺周辺領域のほぼ全体をカバー
    する隣接する矩形の関心領域の格子を作るようにおよそ
    ４００個から６００個の関心領域を初期選択する手段を
    具備することを特徴とする請求項１２に記載の自動検出
    システム。
  15. 【請求項１５】 前記肺周辺領域を特定する手段は肺周
    辺領域の上側の境界を肺尖から肺の高さの約２０％に等
    しい距離だけ下側に選択する手段と、 前記肺周辺領域の下側の境界を横隔膜の上に選択する手
    段と、 前記胸部レントゲン写真の中心線の位置から胸郭のエッ
    ジにいたる距離のおよそ９６％を前記肺周辺領域の外側
    境界に選択する手段と、 下側の境界で前記胸部レントゲン写真の中心線から胸郭
    にいたる距離の５０％から８０％に直線的に変化する部
    分を内側境界に選択する手段を具備することを特徴とす
    る請求項１２に記載の自動検出システム。
  16. 【請求項１６】 前記エッジ勾配分析手段は前記予備選
    択されたサンプルの関心領域の各々で階段状のエッジま
    たは線状のエッジを検知するために重み付けエッジ勾配
    角度ヒストグラムを用いたエッジ勾配検出を行なう手段
    をさらに具備することを特徴とする請求項１２に記載の
    自動検出システム。
  17. 【請求項１７】 除去されるべきシャープなエッジを持
    った関心領域を決定する際の指標として使用される前記
    重み付けエッジ勾配角度ヒストグラムの標準偏差を計算
    する手段をさらに具備することを特徴とする請求項１６
    に記載の自動検出システム。
  18. 【請求項１８】 前記除去手段は前記予備選択されたサ
    ンプルから各関心領域のエッジ勾配のために計算された
    標準偏差の所定の上部の割合にある標準偏差を持つ高い
    エッジ勾配を示す関心領域を除去する手段を具備するこ
    とを特徴とする請求項１７に記載の自動検出システム。
  19. 【請求項１９】 前記除去手段は所定の閾値より高いエ
    ッジ勾配の標準偏差を持つ前記シャープなエッジを持つ
    関心領域を除去する手段を具備することを特徴とする請
    求項１７に記載の自動検出システム。
  20. 【請求項２０】 前記テクスチャ測定手段は関心領域の
    テクスチャの大きさを示す自乗平均値の変動Ｒとテクス
    チャの粗さまたは細かさを示すパワースペクトルの１次
    モーメントＭを決定する手段を具備することを特徴とす
    る請求項１２に記載の自動検出システム。
  21. 【請求項２１】 所定のテクスチャ指標と既知の場所に
    ある関心領域についての情報を提供するための肋骨のエ
    ッジを含む領域と肋骨上部と肋間領域の３つの領域から
    の関心領域のエッジ勾配分析を得るために、正常な疾患
    の無い胸部レントゲン写真から前記３つの領域の個々の
    関心領域を手作業で選択する手段を具備することを特徴
    とする請求項１２に記載の自動検出システム。
  22. 【請求項２２】 前記関心領域の肺テクスチャのタイプ
    や程度を示す様々な大きさや形状のマークを用いて胸部
    画像に重ねて前記テクスチャ指標を表示する手段を具備
    することを特徴とする請求項１２に記載の自動検出シス
    テム。
  23. 【請求項２３】 胸郭に沿った肺の下側領域を特定する
    ステップと、 前記肺の下側領域にある多数の隣接した関心領域を予備
    選択するステップと、 矩形のマスクを用いたアンシャープマスキング技術を用
    いてコントラスト強調を行うステップと、 個々の関心領域から背景の不均一さを取り除くステップ
    と、 前記個々の関心領域にエッジ勾配分析を行うステップ
    と、 エッジ勾配角度ヒストグラムでの累積エッジ勾配に基づ
    き個々の関心領域内の中隔線の存在を検知するステップ
    と、 前記個々の関心領域を正常なものと中隔線を持つ異常な
    ものに分類するステップを具備するディジタル化された
    胸部レントゲン写真における中隔線を自動的に検出する
    方法。
  24. 【請求項２４】 前記異常な関心領域をＣＲＴモニタ画
    面上に表示するステップをさらに具備することを特徴と
    する請求項２３に記載の自動検出方法。
  25. 【請求項２５】 前記エッジ勾配分析を行うステップは
    ゾベル演算子を用いて求められた９０度と２７０度にお
    ける累積エッジ勾配を決定するステップを具備すること
    を特徴とする請求項２３に記載の自動検出方法。
  26. 【請求項２６】 前記肺の下側の領域を特定するステッ
    プは胸郭と横隔膜の境界を決定するステップを具備する
    ことを特徴とする請求項２３に記載の自動検出方法。
  27. 【請求項２７】 前記胸郭エッジの境界が画素値の水平
    方向の２次導関数の最小値から決定されることを特徴と
    する請求項２６に記載の自動検出方法。
  28. 【請求項２８】 前記横隔膜の境界が多項式関数を用い
    たカーブフィッティング技術によってスムージングされ
    た画素値の垂直方向の１次の導関数の最大値から決定さ
    れることを特徴とする請求項２６に記載の自動検出方
    法。
  29. 【請求項２９】 前記関心領域のサンプルは肺の下側領
    域のほとんど全体をカバーする隣接する矩形の関心領域
    の格子を形成するように前記肺の下側領域で連続的に決
    定される３１画素×９画素を具備する複数の矩形の関心
    領域を含んでいることを特徴とする請求項２３に記載の
    自動検出方法。
  30. 【請求項３０】 前記線形弁別関数が正常と異常な関心
    領域を含んでいる既知のサンプルのデータベースの多変
    数解析によって決定されることを特徴とする請求項２３
    に記載の自動検出方法。
  31. 【請求項３１】 前記背景の不均一を除去するステップ
    は４次多項式関数を用いた表面フィッティング技術を用
    いるステップを具備することを特徴とする請求項２３に
    記載の自動検出方法。
  32. 【請求項３２】 異常な関心領域中に中隔線を正しく検
    出する率である異常例の正診率と正常な関心領域中に中
    隔線を誤って検出する率である正常例の誤診率との間の
    関係を閾値に対する関数として示すＲＯＣ曲線をプロッ
    トするステップをさらに具備することを特徴とする請求
    項２３に記載の自動検出方法。
  33. 【請求項３３】 胸郭に沿った肺の下側領域を特定する
    手段と、 前記肺の下側領域にある多数の隣接した関心領域を予備
    選択する手段と、 矩形のマスクを用いたアンシャープマスキング技術を用
    いてコントラスト強調を行う手段と、 個々の関心領域から背景の不均一さを取り除く手段と、 前記個々の関心領域にエッジ勾配分析を行う手段と、 エッジ勾配角度ヒストグラムでの累積エッジ勾配に基づ
    き個々の関心領域内の中隔線の存在を検知する手段と、 前記個々の関心領域を正常なものと中隔線を持つ異常な
    ものに分類する手段を具備するディジタル胸部レントゲ
    ン写真における中隔線を自動的に検出するシステム。
  34. 【請求項３４】 前記異常な関心領域をＣＲＴモニタ画
    面上に表示する手段をさらに具備することを特徴とする
    請求項３３に記載の自動検出システム。
  35. 【請求項３５】 前記エッジ勾配分析を行う手段はゾベ
    ル演算子を用いて求められた９０度と２７０度における
    累積エッジ勾配を決定する手段を具備することを特徴と
    する請求項３３に記載の自動検出システム。
  36. 【請求項３６】 前記肺の下側の領域を特定する手段は
    胸郭と横隔膜の境界を決定する手段を具備することを特
    徴とする請求項３３に記載の自動検出システム。
  37. 【請求項３７】 前記胸郭エッジの境界の位置を画素値
    の水平方向の２次導関数の最小値から決定する手段をさ
    らに具備することを特徴とする請求項３６に記載の自動
    検出システム。
  38. 【請求項３８】 前記横隔膜の境界が多項式関数を用い
    たカーブフィッティング技術によってスムージングされ
    た画素値の垂直方向の１次の導関数の最大値から決定さ
    れることを特徴とする請求項３６に記載の自動検出シス
    テム。
  39. 【請求項３９】 前記関心領域のサンプルは肺の下側領
    域のほとんど全体をカバーする隣接する矩形の関心領域
    の格子を形成するように前記肺の下側領域で連続的に決
    定される３１画素×９画素からなる複数の矩形の関心領
    域を含んでいることを特徴とする請求項３３に記載の自
    動検出システム。
  40. 【請求項４０】 前記線形弁別関数が正常と異常な関心
    領域を含んでいる既知のサンプルのデータベースの多変
    数解析によって決定されることを特徴とする請求項３３
    に記載の自動検出システム。
  41. 【請求項４１】 前記背景の不均一を除去する手段は４
    次多項式関数を用いた表面フィッティング技術を用いる
    手段を具備することを特徴とする請求項３３に記載の自
    動検出システム。
  42. 【請求項４２】 異常な関心領域中に中隔線を正しく検
    出する率である異常例の正診率と正常な関心領域中に中
    隔線を誤って検出する率である正常例の誤診率との間の
    関係を閾値に対する関数として示すＲＯＣ曲線をプロッ
    トする手段をさらに具備することを特徴とする請求項３
    ３に記載の自動検出システム。
JP06476393A 1992-02-28 1993-03-01 ディジタル胸部レントゲン写真において関心領域の選択と中隔線の検出を行なう自動化方法およびそのシステム Expired - Fee Related JP3400008B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US843721 1992-02-28
US07/843,721 US5343390A (en) 1992-02-28 1992-02-28 Method and system for automated selection of regions of interest and detection of septal lines in digital chest radiographs

Publications (2)

Publication Number Publication Date
JPH06237925A true JPH06237925A (ja) 1994-08-30
JP3400008B2 JP3400008B2 (ja) 2003-04-28

Family

ID=25290835

Family Applications (1)

Application Number Title Priority Date Filing Date
JP06476393A Expired - Fee Related JP3400008B2 (ja) 1992-02-28 1993-03-01 ディジタル胸部レントゲン写真において関心領域の選択と中隔線の検出を行なう自動化方法およびそのシステム

Country Status (2)

Country Link
US (1) US5343390A (ja)
JP (1) JP3400008B2 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015144929A (ja) * 2015-05-19 2015-08-13 キヤノン株式会社 画像処理方法および装置

Families Citing this family (130)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5633948A (en) * 1992-11-30 1997-05-27 Kegelmeyer, Jr.; W. Philip Method and apparatus for detecting a desired behavior in digital image data
US5513273A (en) * 1993-03-18 1996-04-30 Fuji Photo Film Co., Ltd. Method for obtaining information about interstitial patterns of the lungs
JP3353955B2 (ja) * 1993-08-13 2002-12-09 フクダ電子株式会社 関心領域の形状変更方法
CA2132138C (en) * 1993-09-29 2004-01-06 Shih-Ping Wang Computer-aided diagnosis system and method
US5729620A (en) * 1993-09-29 1998-03-17 Wang; Shih-Ping Computer-aided diagnosis system and method
US5931780A (en) * 1993-11-29 1999-08-03 Arch Development Corporation Method and system for the computerized radiographic analysis of bone
US5638458A (en) * 1993-11-30 1997-06-10 Arch Development Corporation Automated method and system for the detection of gross abnormalities and asymmetries in chest images
JPH08507249A (ja) * 1993-12-30 1996-08-06 フィリップス エレクトロニクス エヌ ベー デジタルマンモグラムでの自動区画化及び皮膚ライン検出
JP3974946B2 (ja) * 1994-04-08 2007-09-12 オリンパス株式会社 画像分類装置
JPH07299053A (ja) * 1994-04-29 1995-11-14 Arch Dev Corp コンピュータ診断支援方法
US5588071A (en) * 1994-10-26 1996-12-24 Minnesota Mining And Manufacturing Company Identifying an area of interest using histogram data arranged in predetermined sequence
US5627907A (en) * 1994-12-01 1997-05-06 University Of Pittsburgh Computerized detection of masses and microcalcifications in digital mammograms
US5790690A (en) * 1995-04-25 1998-08-04 Arch Development Corporation Computer-aided method for automated image feature analysis and diagnosis of medical images
JP3380660B2 (ja) * 1995-10-25 2003-02-24 大日本スクリーン製造株式会社 画像処理装置
US5872859A (en) * 1995-11-02 1999-02-16 University Of Pittsburgh Training/optimization of computer aided detection schemes based on measures of overall image quality
US6141437A (en) * 1995-11-22 2000-10-31 Arch Development Corporation CAD method, computer and storage medium for automated detection of lung nodules in digital chest images
US5633511A (en) * 1995-12-22 1997-05-27 Eastman Kodak Company Automatic tone scale adjustment using image activity measures
US6067372A (en) * 1996-02-22 2000-05-23 University Of Pittsburgh Method and system to enhance robust identification of abnormal regions in radiographs
US6411729B1 (en) 1996-05-06 2002-06-25 Torsana Osteoporosis Diagnostics A/S Method of estimating skeletal status
US6263092B1 (en) * 1996-07-10 2001-07-17 R2 Technology, Inc. Method and apparatus for fast detection of spiculated lesions in digital mammograms
US5815591A (en) * 1996-07-10 1998-09-29 R2 Technology, Inc. Method and apparatus for fast detection of spiculated lesions in digital mammograms
US5917929A (en) * 1996-07-23 1999-06-29 R2 Technology, Inc. User interface for computer aided diagnosis system
IL119283A0 (en) * 1996-09-19 1996-12-05 Elscint Ltd Adaptive filtering
US5982916A (en) * 1996-09-30 1999-11-09 Siemens Corporate Research, Inc. Method and apparatus for automatically locating a region of interest in a radiograph
US5987345A (en) * 1996-11-29 1999-11-16 Arch Development Corporation Method and system for displaying medical images
US5757880A (en) * 1997-01-08 1998-05-26 Colomb; Denis Apparatus, article of manufacture, and method for creation of an uncompressed image of compressed matter
US5963676A (en) * 1997-02-07 1999-10-05 Siemens Corporate Research, Inc. Multiscale adaptive system for enhancement of an image in X-ray angiography
US6059724A (en) * 1997-02-14 2000-05-09 Biosignal, Inc. System for predicting future health
US6246782B1 (en) 1997-06-06 2001-06-12 Lockheed Martin Corporation System for automated detection of cancerous masses in mammograms
US5994713A (en) * 1997-06-25 1999-11-30 Quantum Imaging Corp. Filmless photon imaging apparatus
US6058322A (en) * 1997-07-25 2000-05-02 Arch Development Corporation Methods for improving the accuracy in differential diagnosis on radiologic examinations
US5999639A (en) 1997-09-04 1999-12-07 Qualia Computing, Inc. Method and system for automated detection of clustered microcalcifications from digital mammograms
US6137898A (en) * 1997-08-28 2000-10-24 Qualia Computing, Inc. Gabor filtering for improved microcalcification detection in digital mammograms
US6901158B2 (en) * 1997-09-22 2005-05-31 Canon Kabushiki Kaisha Image discrimination apparatus and image discrimination method
US6856698B1 (en) 1997-11-26 2005-02-15 Cognex Corporation Fast high-accuracy multi-dimensional pattern localization
US6658145B1 (en) 1997-12-31 2003-12-02 Cognex Corporation Fast high-accuracy multi-dimensional pattern inspection
US6975764B1 (en) 1997-11-26 2005-12-13 Cognex Technology And Investment Corporation Fast high-accuracy multi-dimensional pattern inspection
US6850646B1 (en) 1997-12-31 2005-02-01 Cognex Corporation Fast high-accuracy multi-dimensional pattern inspection
US6088473A (en) * 1998-02-23 2000-07-11 Arch Development Corporation Method and computer readable medium for automated analysis of chest radiograph images using histograms of edge gradients for false positive reduction in lung nodule detection
US6459500B1 (en) * 1998-03-04 2002-10-01 Fuji Photo Film Co., Ltd Image processing apparatus
US6996549B2 (en) 1998-05-01 2006-02-07 Health Discovery Corporation Computer-aided image analysis
US7016539B1 (en) 1998-07-13 2006-03-21 Cognex Corporation Method for fast, robust, multi-dimensional pattern recognition
DE19849764B4 (de) * 1998-10-28 2004-10-21 Siemens Ag Bildgebende Diagnostikeinrichtung
US6538649B2 (en) 1998-12-01 2003-03-25 Intel Corporation Computer vision control variable transformation
US6396476B1 (en) 1998-12-01 2002-05-28 Intel Corporation Synthesizing computer input events
US6697497B1 (en) * 1998-12-22 2004-02-24 Novell, Inc. Boundary identification and characterization through density differencing
US6363160B1 (en) * 1999-01-22 2002-03-26 Intel Corporation Interface using pattern recognition and tracking
US6110109A (en) * 1999-03-26 2000-08-29 Biosignia, Inc. System and method for predicting disease onset
US6535623B1 (en) * 1999-04-15 2003-03-18 Allen Robert Tannenbaum Curvature based system for the segmentation and analysis of cardiac magnetic resonance images
US6738531B1 (en) * 1999-05-10 2004-05-18 Fuji Photo Film Co., Ltd. Image processing method and apparatus
US6801645B1 (en) 1999-06-23 2004-10-05 Icad, Inc. Computer aided detection of masses and clustered microcalcifications with single and multiple input image context classification strategies
US7123759B1 (en) * 1999-06-30 2006-10-17 Fuji Photo Film Co., Ltd. Image transfer and output method and system using the same
US6647131B1 (en) 1999-08-27 2003-11-11 Intel Corporation Motion detection using normal optical flow
US6654483B1 (en) 1999-12-22 2003-11-25 Intel Corporation Motion detection using normal optical flow
JP3631095B2 (ja) * 2000-04-17 2005-03-23 キヤノン株式会社 照射野領域抽出装置、放射線撮影装置、放射線画像用システム、照射野領域抽出方法、及びコンピュータ可読記憶媒体
US7440635B2 (en) * 2000-05-30 2008-10-21 Sharp Laboratories Of America, Inc. Method for removing ringing artifacts from locations near dominant edges of an image reconstructed after compression
US6757442B1 (en) * 2000-11-22 2004-06-29 Ge Medical Systems Global Technology Company, Llc Image enhancement method with simultaneous noise reduction, non-uniformity equalization, and contrast enhancement
JP3433928B2 (ja) * 2000-12-13 2003-08-04 三菱スペース・ソフトウエア株式会社 ディジタル胸部画像のリブケイジ境界検出方法及びディジタル胸部画像診断装置
JP3619158B2 (ja) * 2001-02-13 2005-02-09 キヤノン株式会社 画像処理装置、画像処理システム、画像処理方法、画像処理方法プログラム及び記録媒体
WO2002065395A2 (en) * 2001-02-13 2002-08-22 Koninklijke Philips Electronics N.V. Analysis of successive data sets
US6804384B2 (en) * 2001-06-12 2004-10-12 Mclean Hospital Corporation Color magnetic resonance imaging
EP1306805A1 (en) * 2001-10-25 2003-05-02 Mitsubishi Electric Information Technology Centre Europe B.V. Image Analysis
US7072498B1 (en) 2001-11-21 2006-07-04 R2 Technology, Inc. Method and apparatus for expanding the use of existing computer-aided detection code
US7054473B1 (en) 2001-11-21 2006-05-30 R2 Technology, Inc. Method and apparatus for an improved computer aided diagnosis system
JP4430937B2 (ja) * 2001-12-07 2010-03-10 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ ノイズの多い画像中で構造を空間的に強調する医用ビューイングシステム及び方法
DE10213284B4 (de) * 2002-03-25 2007-11-08 Siemens Ag Verfahren zur Bilddarstellung in der medizinischen Bildgebung
JP3697233B2 (ja) * 2002-04-03 2005-09-21 キヤノン株式会社 放射線画像処理方法及び放射線画像処理装置
US20030229278A1 (en) * 2002-06-06 2003-12-11 Usha Sinha Method and system for knowledge extraction from image data
US20050033139A1 (en) * 2002-07-09 2005-02-10 Deus Technologies, Llc Adaptive segmentation of anatomic regions in medical images with fuzzy clustering
US7236619B2 (en) * 2002-10-31 2007-06-26 University Of Chicago System and method for computer-aided detection and characterization of diffuse lung disease
US8571289B2 (en) 2002-11-27 2013-10-29 Hologic, Inc. System and method for generating a 2D image from a tomosynthesis data set
US7174049B2 (en) * 2002-12-11 2007-02-06 Seiko Epson Corporation Image upscaling by joint optimization of low and mid-level image variables
US7502525B2 (en) * 2003-01-27 2009-03-10 Boston Scientific Scimed, Inc. System and method for edge detection of an image
US7796839B2 (en) * 2003-02-19 2010-09-14 Agfa Healthcare, N.V. Method of detecting the orientation of an object in an image
US8081820B2 (en) 2003-07-22 2011-12-20 Cognex Technology And Investment Corporation Method for partitioning a pattern into optimized sub-patterns
US7190834B2 (en) 2003-07-22 2007-03-13 Cognex Technology And Investment Corporation Methods for finding and characterizing a deformed pattern in an image
US7248736B2 (en) * 2004-04-19 2007-07-24 The Trustees Of Columbia University In The City Of New York Enhancing images superimposed on uneven or partially obscured background
JP2005334298A (ja) * 2004-05-27 2005-12-08 Fuji Photo Film Co Ltd 異常陰影検出方法および装置並びにプログラム
GB2415563B (en) * 2004-06-23 2009-11-25 Medicsight Plc Lesion boundary detection
WO2006093523A2 (en) * 2004-07-15 2006-09-08 Kenji Suzuki Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose ct
US8437502B1 (en) 2004-09-25 2013-05-07 Cognex Technology And Investment Corporation General pose refinement and tracking tool
US10008184B2 (en) 2005-11-10 2018-06-26 Hologic, Inc. System and method for generating a 2D image using mammography and/or tomosynthesis image data
WO2007095330A2 (en) 2006-02-15 2007-08-23 Hologic Inc Breast biopsy and needle localization using tomosynthesis systems
US7860283B2 (en) 2006-10-25 2010-12-28 Rcadia Medical Imaging Ltd. Method and system for the presentation of blood vessel structures and identified pathologies
US7940977B2 (en) 2006-10-25 2011-05-10 Rcadia Medical Imaging Ltd. Method and system for automatic analysis of blood vessel structures to identify calcium or soft plaque pathologies
US7983459B2 (en) 2006-10-25 2011-07-19 Rcadia Medical Imaging Ltd. Creating a blood vessel tree from imaging data
US7873194B2 (en) 2006-10-25 2011-01-18 Rcadia Medical Imaging Ltd. Method and system for automatic analysis of blood vessel structures and pathologies in support of a triple rule-out procedure
US7940970B2 (en) 2006-10-25 2011-05-10 Rcadia Medical Imaging, Ltd Method and system for automatic quality control used in computerized analysis of CT angiography
US20080107317A1 (en) * 2006-11-07 2008-05-08 Electronics And Telecommunications Research Institute Method and apparatus for calculating coarseness level in target organ from ultrasonic image
US8184874B2 (en) * 2006-12-22 2012-05-22 Carestream Health, Inc. Enhanced display of medical images
US8126267B2 (en) * 2007-02-05 2012-02-28 Albany Medical College Methods and apparatuses for analyzing digital images to automatically select regions of interest thereof
JP5519122B2 (ja) 2007-08-15 2014-06-11 富士フイルム株式会社 画像成分分離装置、方法、およびプログラム
US8103085B1 (en) 2007-09-25 2012-01-24 Cognex Corporation System and method for detecting flaws in objects using machine vision
CN101458814B (zh) * 2007-12-13 2012-02-01 东软集团股份有限公司 一种用于从图像中分割对象感兴趣区域的方法和装置
JP5374135B2 (ja) * 2008-12-16 2013-12-25 オリンパス株式会社 画像処理装置、画像処理装置の作動方法および画像処理プログラム
US20100278423A1 (en) * 2009-04-30 2010-11-04 Yuji Itoh Methods and systems for contrast enhancement
EP2485651B1 (en) 2009-10-08 2020-12-23 Hologic, Inc. Needle breast biopsy system
JP5586203B2 (ja) * 2009-10-08 2014-09-10 株式会社東芝 超音波診断装置、超音波画像処理装置及び超音波画像処理プログラム
US8799013B2 (en) * 2009-11-24 2014-08-05 Penrad Technologies, Inc. Mammography information system
US8687860B2 (en) * 2009-11-24 2014-04-01 Penrad Technologies, Inc. Mammography statistical diagnostic profiler and prediction system
US8577104B2 (en) * 2010-06-25 2013-11-05 Carestream Health, Inc. Liver lesion segmentation
US9342483B2 (en) 2010-08-19 2016-05-17 Bae Systems Plc Sensor data processing
EP2420972A1 (en) * 2010-08-19 2012-02-22 BAE SYSTEMS plc Sensor data processing
WO2012071429A1 (en) 2010-11-26 2012-05-31 Hologic, Inc. User interface for medical image review workstation
JP2014504918A (ja) 2010-12-14 2014-02-27 ホロジック， インコーポレイテッド 画像診断に使用するために複数の異なる画像処理システムからの３次元画像データを重ね合わせるシステムおよび方法
CN103477346A (zh) 2011-03-08 2013-12-25 霍洛吉克公司 用于筛查、诊断和活检的双能和/或造影增强乳房成像的系统和方法
WO2013076927A1 (ja) * 2011-11-24 2013-05-30 パナソニック株式会社 診断支援装置および診断支援方法
EP2782505B1 (en) 2011-11-27 2020-04-22 Hologic, Inc. System and method for generating a 2d image using mammography and/or tomosynthesis image data
JP6240097B2 (ja) 2012-02-13 2017-11-29 ホロジック インコーポレイティッド 合成画像データを使用してトモシンセシススタックをナビゲートする方法
JP6112291B2 (ja) * 2012-12-11 2017-04-12 パナソニックＩｐマネジメント株式会社 診断支援装置および診断支援方法
EP2943913B1 (en) 2013-01-10 2022-07-13 Hologic, Inc. System and method for reducing data transmission volume in tomosynthesis
WO2014151646A1 (en) 2013-03-15 2014-09-25 Hologic Inc. Tomosynthesis-guided biopsy in prone
US9679224B2 (en) 2013-06-28 2017-06-13 Cognex Corporation Semi-supervised method for training multiple pattern recognition and registration tool models
US11364005B2 (en) 2013-10-24 2022-06-21 Hologic, Inc. System and method for navigating x-ray guided breast biopsy
CA2937379C (en) 2014-02-28 2022-08-09 Hologic, Inc. System and method for generating and displaying tomosynthesis image slabs
KR20160032586A (ko) * 2014-09-16 2016-03-24 삼성전자주식회사 관심영역 크기 전이 모델 기반의 컴퓨터 보조 진단 장치 및 방법
JP6974354B2 (ja) 2016-05-27 2021-12-01 ホロジック, インコーポレイテッドHologic, Inc. 同期された表面および内部腫瘍検出
WO2018183550A1 (en) 2017-03-30 2018-10-04 Hologic, Inc. System and method for targeted object enhancement to generate synthetic breast tissue images
EP3600051B1 (en) 2017-03-30 2024-05-01 Hologic, Inc. Method for synthesizing low-dimensional image data from high-dimensional image data using an object grid enhancement
WO2018183548A1 (en) 2017-03-30 2018-10-04 Hologic, Inc. System and method for hierarchical multi-level feature image synthesis and representation
WO2018236565A1 (en) 2017-06-20 2018-12-27 Hologic, Inc. METHOD AND SYSTEM FOR MEDICAL IMAGING WITH DYNAMIC SELF-LEARNING
US11538257B2 (en) 2017-12-08 2022-12-27 Gatekeeper Inc. Detection, counting and identification of occupants in vehicles
US11049606B2 (en) 2018-04-25 2021-06-29 Sota Precision Optics, Inc. Dental imaging system utilizing artificial intelligence
US11087119B2 (en) * 2018-05-16 2021-08-10 Gatekeeper Security, Inc. Facial detection and recognition for pedestrian traffic
FR3087309B1 (fr) * 2018-10-12 2021-08-06 Ateme Optimisation d'un sous-echantillonnage intervenant avant le codage d'images en compression
US10867193B1 (en) 2019-07-10 2020-12-15 Gatekeeper Security, Inc. Imaging systems for facial detection, license plate reading, vehicle overview and vehicle make, model, and color detection
US11883206B2 (en) 2019-07-29 2024-01-30 Hologic, Inc. Personalized breast imaging system
JP7465342B2 (ja) 2019-09-27 2024-04-10 ホロジック， インコーポレイテッド ２ｄ／３ｄ乳房画像を精査するための読み取り時間および読み取り複雑性を予測するためのａｉシステム
US11196965B2 (en) 2019-10-25 2021-12-07 Gatekeeper Security, Inc. Image artifact mitigation in scanners for entry control systems
US11481038B2 (en) 2020-03-27 2022-10-25 Hologic, Inc. Gesture recognition in controlling medical hardware or software

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS58201169A (ja) * 1982-05-19 1983-11-22 Fuji Photo Film Co Ltd 画像デ−タ処理装置
JPS6239842A (ja) * 1985-08-15 1987-02-20 Fuji Photo Film Co Ltd 放射線画像情報読取方法
US4907156A (en) * 1987-06-30 1990-03-06 University Of Chicago Method and system for enhancement and detection of abnormal anatomic regions in a digital image
US4851984A (en) * 1987-08-03 1989-07-25 University Of Chicago Method and system for localization of inter-rib spaces and automated lung texture analysis in digital chest radiographs
US4839807A (en) * 1987-08-03 1989-06-13 University Of Chicago Method and system for automated classification of distinction between normal lungs and abnormal lungs with interstitial disease in digital chest radiographs
US4875165A (en) * 1987-11-27 1989-10-17 University Of Chicago Method for determination of 3-D structure in biplane angiography
US4918534A (en) * 1988-04-22 1990-04-17 The University Of Chicago Optical image processing method and system to perform unsharp masking on images detected by an I.I./TV system
US5072384A (en) * 1988-11-23 1991-12-10 Arch Development Corp. Method and system for automated computerized analysis of sizes of hearts and lungs in digital chest radiographs

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015144929A (ja) * 2015-05-19 2015-08-13 キヤノン株式会社 画像処理方法および装置

Also Published As

Publication number Publication date
JP3400008B2 (ja) 2003-04-28
US5343390A (en) 1994-08-30

Similar Documents

Publication Publication Date Title
JP3400008B2 (ja) ディジタル胸部レントゲン写真において関心領域の選択と中隔線の検出を行なう自動化方法およびそのシステム
EP0502027B1 (en) Computer-based method for assisting an investigation of a human breast for a malignancy
US4851984A (en) Method and system for localization of inter-rib spaces and automated lung texture analysis in digital chest radiographs
US5668888A (en) Method and system for automatic detection of ribs and pneumothorax in digital chest radiographs
JP3417595B2 (ja) ディジタル胸部レントゲン写真の肺小結節自動検出における正常例の誤診を分析する方法およびそのシステム
US4907156A (en) Method and system for enhancement and detection of abnormal anatomic regions in a digital image
US5657362A (en) Automated method and system for computerized detection of masses and parenchymal distortions in medical images
US7885438B2 (en) Methods and apparatuses for analyzing images
US8605979B2 (en) Automatic detection and quantification of plaque in the coronary arteries of subjects from CT scans
US8050734B2 (en) Method and system for performing patient specific analysis of disease relevant changes of a disease in an anatomical structure
JPH06339476A (ja) 胸部ｘ線画像における間質性浸潤の幾何学的パターンの特徴を決定するための方法及びシステム
US20030086596A1 (en) Method, computer software, and system for tracking, stabilizing, and reporting motion between vertebrae
CN103249358B (zh) 医用图像处理装置
EP1884193A1 (en) Abnormal shadow candidate display method, and medical image processing system
JPH08335271A (ja) 画像診断支援装置の画像処理方法
US20080212864A1 (en) Method and Arrangement Relating to X-Ray Imaging
JP2005526583A (ja) 車輪状投影分析を用いた肺結節検出
US7027631B2 (en) Method and system for detecting suspected anomalous shadows
US20010019623A1 (en) Anomalous shadow detection system
Chen et al. Automated selection of regions of interest for quantitative analysis of lung textures in digital chest radiographs
KR101162599B1 (ko) 흉부 방사선 이미지 분석을 통한 심비대 자동탐지 방법 및 그 기록매체
Mesanovic et al. Application of lung segmentation algorithm to disease quantification from CT images
JP2006239270A (ja) 異常陰影検出装置、異常陰影検出方法およびそのプログラム
JP2851057B2 (ja) ディジタルｘ線画像における自動化分析のための方法および装置
Gorbunova et al. Early detection of emphysema progression

Legal Events

Date Code Title Description
LAPS Cancellation because of no payment of annual fees