JPH08335271A - 画像診断支援装置の画像処理方法 - Google Patents

画像診断支援装置の画像処理方法

Info

Publication number
JPH08335271A
JPH08335271A JP8096852A JP9685296A JPH08335271A JP H08335271 A JPH08335271 A JP H08335271A JP 8096852 A JP8096852 A JP 8096852A JP 9685296 A JP9685296 A JP 9685296A JP H08335271 A JPH08335271 A JP H08335271A
Authority
JP
Japan
Prior art keywords
roi
image
determining
search
edge
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
JP8096852A
Other languages
English (en)
Other versions
JP3326070B2 (ja
Inventor
Kunio Doi
邦雄 土井
Uei Shyuu Xin
シン・ウェイ・シュー
Shigehiko Katsuragawa
茂彦 桂川
Junji Toka
淳次 杜下
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.)
Arch Development Corp
Original Assignee
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 Arch Development Corp filed Critical Arch Development Corp
Publication of JPH08335271A publication Critical patent/JPH08335271A/ja
Application granted granted Critical
Publication of JP3326070B2 publication Critical patent/JP3326070B2/ja
Anticipated expiration legal-status Critical
Expired - Lifetime 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

Abstract

(57)【要約】 【課題】デジタル化された胸部Ｘ線画像において胸郭の
正確な境界の自動検出のための新規で改良された方法の
提供を目的とする。 【解決手段】胸部Ｘ線画像から得られた画像で疾患の検
出と特徴付けを行うためのコンピュータ化された方法で
あって、肺上端のエッジ、右及び左の胸郭エッジ、右及
び左半横隔膜のエッジを含む胸郭の境界を決定すべく胸
部Ｘ線画像における画像を処理する。関心領域の画素値
のＲＭＳ変化を含む組織尺度は相対露出に変換され、画
像の生成に使用されたシステムに存在するシステムノイ
ズ成分を補正する。組織指標と幾何学的パタン指標が生
成される。また、その指標のヒストグラムが生成され、
画像が正常か異常かを分類する学習済みの人工ニューラ
ルネットワークに入力され適用される。

Description

【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明は胸部画像の自動診断
のためのコンピュータ支援診断技術（computer-aided d
iagnosis :ＣＡＤ）に関する。
【０００２】
【従来の技術】この種のＣＡＤ技術、特にデジタル化さ
れた医療画像の自動特徴解析と診断のためのコンピュー
タ支援の方法に関しては、米国特許明細書第4,851,984
号、同4,907,156 号、同4,839,807 号、4,918,534 号、
同5,072,384 号、同5,133,020号、同5,289,374 号、同
5,319,549 号、同5,343,390 号に記載されている。ＣＡ
Ｄの目的は、病変部分を示し、定量的な情報を第２の意
見として提供することによって読影者に注意を促すこと
である。
【０００３】１９８０年代の中頃から、コンピュータ化
された多くの装置が、胸部Ｘ線診断、乳房Ｘ線診断、血
管造影、骨Ｘ線診断のＣＡＤのために開発されてきた。
胸部Ｘ線診断においては、幾つかのコンピュータ化され
た装置は、塵肺や間質性疾患の検出や分類、また肺結節
の検出、心臓の大きさの測定、気胸の検出に使用されて
きた（米国特許出願第08/174,175号）。しかしながら、
胸部Ｘ線診断に対するＣＡＤの開発の程度は未だ初期の
段階にある。そのため、Ｘ線画像に表れる正常組織のパ
タンおよび異常組織のパタンの画像の特徴を理解するこ
とによって更に装置の性能を向上させる必要がある。
【０００４】様々な疾患による異常なパタンの複雑さと
多様性のために、胸部Ｘ線画像における間質性浸潤の診
断がＸ線診断における最も難しい問題のひとつであるこ
とは良く知られている。主観的な評価基準により読影者
が異なれば解釈も異なってしまう。同じ読影者が同じ事
例を異なった日に読影しても、特に異常の程度が微妙な
事例では読影結果が違ってしまうことがある。もしコン
ピュータ化された装置が肺組織に対して定量的な情報を
提供できれば、読影の際の主観的な程度が減少し診断の
確度が向上する。
【０００５】１９８７年からカツラガワらは、２つの尺
度で組織を解析することに基づいて間質性疾患の検出と
特徴づけを行うコンピュータ化された装置を開発してき
た（Med Phys, 15,30,311-319,1988; Med Phys, 16,1,3
8-44,1989; RadioGraphics,10,257-2691990; Med Phys,
20,975-98,1993参照）。すなわち、それは根二乗平均
（Root Mean Square: ＲＭＳ）とパワースペクトルの第
１のモーメントであり、これらは肺組織の大きさと粗さ
（または微細さ）にそれぞれ対応している。
【０００６】間質性疾患の検出と分類に対してＣＡＤが
有用である可能性が予備的な結果によって示された。し
かし、得られた結果は、デジタル化された胸部Ｘ線画像
で高い光学密度（濃度）では偽陽性の関心領域（region
on interest: ＲＯＩ）が多く、また低い光学密度で
は、偽陰性のＲＯＩが多くなるという傾向を示した。計
算された組織尺度は肺組織だけでなく、スクリーン−フ
ィルムシステムおよびレーザースキャナーに関するノイ
ズ成分を含んでいるにも関わらず、そのような組織尺度
上のノイズ成分の影響は十分に理解されてきていない。
そのため、光学密度の肺組織とその他のノイズ成分とに
よる組織尺度依存性をより深く理解する必要がある。
【０００７】過去十年にわたって、胸部Ｘ線画像におけ
る様々な異常の分析と検出のためにいろいろなコンピュ
ータ化された方法と技術が開発されてきた。背腹（post
ero-anterior: ＰＡ）胸部画像の胸郭の境界と横隔膜の
エッジは、肺領域の位置、形、大きさについて有用な情
報を提供する。またこれらは、胸部Ｘ線画像における異
常の自動検出のためのコンピュータ支援診断（ＣＡＤ）
に必要とされるものである。こういった方法が適正に働
くためには、胸郭の境界と横隔膜のエッジを正確に検出
することが非常に重要である。数多くの研究者が胸部Ｘ
線画像の自動化された領域分割のための技術を開発しよ
うと試みてきた。グレーレベルのヒストグラムにしたが
って胸部画像を閾値で分類することにより肺の領域を特
徴づけることは比較的単純なことであるにも関わらず、
肺の境界を見極める精度の低さや縦隔洞の領域を完全に
見失ってしまうことなどから、この取り組みはＣＡＤ装
置の発展には役に立たなかった。（SPIE Image Process
ing 1993: 160-170 頁）。この研究では３３例の正常な
胸部Ｘ線画像が使用された（うち１７例が学習用で１６
例がテスト用）。彼らの方法の全体の精度はおよそ７６
％であった。
【０００８】最初にパウェルらによって開発（Med. Phy
s. 1988; 15: 581-587頁）され、後にナカモリらによっ
て改良された胸郭の境界を検出するための別の方法（Me
d. Phys. 1990; 17: 342-350頁；米国特許明細書第5,07
2,384 号）は、プロファイルの第２の導関数からエッジ
を検出することに基づいている。これらの技術を用いる
と、鎖骨の下でのみ胸郭のエッジを検出することができ
る。
【０００９】完全な胸郭の境界は、検出された右側およ
び左側胸郭のエッジを多項式でカーブフィッティングす
ることによって見積もられた。したがって、肺の上側で
の胸郭のエッジの一部はしばしば誤りであった。この方
法では、右側と左側の胸郭で選択された短いセグメント
で水平方向のプロファィルの第２の導関数の最小値を与
える位置によって胸郭のエッジが決定された。プロファ
ィルの中にはいくつかのエッジがある可能性があるの
で、第２の導関数での最小のピ−クが胸郭のエッジであ
るとは限らない。この問題は、胸郭の付近の画像のコン
トラストが非常に弱い場合には重要な問題となる。した
がって、第２の導関数の最小のピーク位置を用いること
は、全体的な精度は約７５％であり、胸郭のエッジを正
しく検出するには信頼性に乏しいことが分かった。さら
に、胃の中のガス構造の複雑なパタンや左半横隔膜エッ
ジ周辺の心臓のエッジの影響があるため、胸部Ｘ線画像
での横隔膜のエッジの検出は困難であり、しばしば不正
確である。通常、胃の中のガスパタンは、形が不規則で
あって、左半横隔膜のエッジに近い位置に存在する。さ
らに、胃の中のガスパタンの光学密度は肺領域の光学密
度と同程度である。このため、単純なエッジ勾配分析法
は、左半横隔膜のエッジを具合良く検出できないと思わ
れる。胸部Ｘ線画像における肺領域の輪郭特定の精度を
向上させるためには、左半横隔膜のエッジを正確に検出
するための方法が必要である。
【００１０】
【発明が解決しようとする課題】本発明の目的のひとつ
は、デジタル化された胸部Ｘ線画像において胸郭の正確
な境界の自動検出のための新規で改良された方法を提供
することである。
【００１１】本発明の他の目的は、画像特徴解析と、胸
郭のエッジ検出から得られた目印情報とに基づいて、デ
ジタル化された胸部Ｘ線画像における右および左半横隔
膜の自動検出のための新規で改良された方法を提供する
ことである。
【００１２】本発明のさらに他の目的は、組織尺度にお
けるスクリーン−フィルムシステムおよびレーザースキ
ャナーに関するノイズ成分の影響を低減することであ
る。
【００１３】本発明のさらに他の目的は、真陽性の検出
感度を損なうこと無く、偽陽性の検出を低減することが
可能な間質性肺疾患の自動検出および分類のための優れ
た方法を提供することである。
【００１４】
【課題を解決するための手段】本発明に係る胸部Ｘ線画
像における様々な異常のコンピュータ支援診断での胸郭
の境界と横隔膜のエッジの自動検出のための方法によれ
ば、最初に、胸部Ｘ線画像における肺上端の平均位置が
決定される。次に、肺の上部エッジと胸郭のエッジと
が、肺上部の領域と胸郭の領域からそれぞれ選択された
水平方向のプロファイルの第２の導関数の第１、第２の
最小値を比較することによって決定される。最後に、肺
上部のエッジと右と左の胸郭のエッジの滑らかなカーブ
を生成するために三つの多項式関数が独立に適用され
る。次に三つのカーブを単純な重みづけ平均法によって
接続することにより、完全な胸郭の境界が得られる。こ
れらのプロセスによって、中央線、肺上端と肺下部の垂
直位置、右および左肺の角度線、それぞれ対応している
右および左肺の肋骨横隔膜の角度に近い最下部の右およ
び左の胸郭のエッジの位置等の有用な目印情報が得られ
る。
【００１５】次に、胸郭の境界を決定する時に得られた
この目印情報を使って、横隔膜のエッジが決定される。
最初に目印情報を取り入れることによって右半横隔膜か
ら選択された垂直方向のプロファイルのエッジ勾配分析
を通して、胸部Ｘ線画像において右半横隔膜のエッジが
決定される。次に、手動で測定された中央右と左半横隔
膜の間の関係（“標準ルール”と称する）に基づいて左
半横隔膜のエッジを探すための左開始点を決定するため
に、左半横隔膜の中央に、初期の垂直関心領域（ＲＯ
Ｉ）が置かれる。中央右および左半横隔膜のエッジは、
それぞれ右および左半横隔膜の中央における横隔膜のエ
ッジと呼ぶ。左開始点は重要であるので、七つのカテゴ
リーが、左横隔膜の中央に初期の垂直ＲＯＩの配置を調
べるために用いられる。初期ＲＯＩからの最初の左開始
点の精度は、垂直プロファイル、プロファイルの第１の
導関数、第１の導関数の第１の最小値に対する第２の最
小値の比、初期ＲＯＩのヒストグラムといった初期ＲＯ
Ｉから得られる画像の特徴に基づいている。あるカテゴ
リーでは、最初の左開始点の他に第２の左開始点を選択
する必要がある。したがって、そういったカテゴリーで
は、２つの左開始点から得られる二組の検出された“左
半横隔膜のエッジ”があることになる。２つのパラメー
タが、誤った左開始点による偽の左半横隔膜のエッジを
取り除くための尺度として使用される。次に、右と左の
半横隔膜のエッジに対して滑らかなカーブを生成するた
めに２つの多項式関数が別々に適用される。最後に、胸
部Ｘ線画像における肺領域の完全な輪郭を生成するため
に、右と左の半横隔膜のエッジのカーブが対応する胸郭
のエッジのカーブに接続される。
【００１６】本発明によれば、間質性浸潤の自動検出に
用いられる光学画像を形成するために使用されるフィル
ムの勾配（グラーディエント）に光学密度が依存する程
度を低減するための新規で改良された方法もまた提供さ
れる。この方法は、各画素データ値のＲＭＳ値に補正係
数を適用してフィルムコントラストの変化を補正するこ
とと、さらに、システムノイズによって生じるＲＭＳの
変化の平均曲線の逆数に伴って変化する補正曲線を適用
し、データのシステムノイズによる変化を補正すること
を含んでいる。
【００１７】本発明の発展型において、フィルタリング
技術に基づくフーリエ変換と幾何学的な特徴解析に基づ
く組織解析を用いた自動分類の方法が更に開発されてい
る。肺のパタンのＲＭＳ変化とパワースペクトルの第１
のモーメントは組織解析の指標として決定される。一
方、小さな塊状の不透明部分の全面積と直線的な不透明
部分の全長が幾何学的パタン特徴解析における指標とし
て決定される。この自動分類法は、ルールベースによる
決定と人工ニューラルネットワーク（artificialneural
networks: ＡＮＮｓ）を用いている。これらは、間質
性疾患における正常と異常とを区別するために、組織指
標および幾何学的指標の両方を使用する。ルールベース
法によって正常部と異常部とが最初に区別され、続いて
判別が難しい残りの部分の分類にＡＮＮが適用される。
このルールベース法にＡＮＮ法を加えた方法は、ルール
ベース法単独またはＡＮＮ単独のどちらと較べても分類
能力をより良く改善できる。更に、組織と幾何学的パタ
ン指標を組み合わせた解析は、それぞれの解析に較べて
分類能力をより良く改善できる。その結果、本発明の方
法によれば、デジタル胸部Ｘ線画像において間質性疾患
を診断する読影者を補助することができる。
【００１８】
【発明の実施の形態】以下、図面を参照しながら本発明
の実施形態を説明する。本実施形態ではデジタル胸部Ｘ
線画像において胸郭の境界と右および左の半横隔膜のエ
ッジとを正確に自動的に検出可能な方法を得るために、
およそ１０００例の成人の背腹（ＰＡ）胸部Ｘ線写真が
使用されている。デジタル胸部Ｘ線画像は、それら胸部
Ｘ線写真をコニカ社製レーザースキャナー（ＫＦＤＲ−
Ｓ）により、０．１７５ｍｍの画素サイズでデジタイズ
することにより得ている。続いて、全ての胸部Ｘ線画像
は“１ｋ×１ｋ”の行列サイズで副標本化される（実効
画素サイズは０．３５ｍｍ）。胸部画像の階調は１０ビ
ットとした。また、ＤＥＣ社製のＶＡＸ３５００コンピ
ュータを使用した。このコンピュータは、胸郭境界に印
がつけられた胸部画像を出力し、これら胸部画像を続く
評価のためにセイコー社製ビデオプリンタ（ＶＰ３５０
０）により感熱紙に印刷した。
【００１９】胸郭のエッジを検出するためには、肺上端
の平均位置を正確に検出することが重要である。まず、
図１（ａ），（ｂ）に示すように、上側中央領域にある
胸部画像の幅の半分から得られた垂直プロファイルとそ
の第１の導関数が計算される。垂直プロファイルは、画
像の上端から上側８分の３までの範囲内で得られる。肺
上端位置の候補は、図１（ｂ）に図示されているように
第１の導関数での負の傾きの勾配がゼロと交差する位置
から選ばれる。肺領域の中には、第１の候補は無いと仮
定する。これは、後述するように妥当なものである。言
い換えると、第１の候補は、首の領域または“真”の肺
上端にあるものと考えられる。候補となった位置の所在
を調べるため、次に図２に示すように各候補位置での水
平プロファイルが計算される。水平プロファイルは、胸
部画像上の画素値の分布を示している。水平プロファイ
ルに沿った画素値の標準偏差と最大差は候補の位置を調
べるための尺度として決定される。第１と第２の候補の
位置での標準偏差と最大差の間の関係はそれぞれ図３
（ａ）および（ｂ）に示されている。図３（ａ）で標準
偏差が点線によって示された閾値レベルより小さいと
き、第１の候補は正しい肺上端の位置に対応しているよ
うである。この結果は、肺上端の正しい位置での水平プ
ロファイルは首の領域での水平プロファイルよりも均一
（平ら）であるため、標準偏差が小さくなるということ
に対応している。
【００２０】もし、第１の候補の標準偏差が閾値レベル
よりも大きい場合は、候補は首の領域にあると考えら
れ、したがって第２の候補を考慮する必要が生じる。し
かしながら、前述の第１の候補が“真”の肺上端に位置
し、しかも閾値レベルよりも大きい標準偏差を有する場
合は、第２の候補は肺領域の内部にあると考えられる。
図３（ｂ）は、肺内部に位置する第２の候補は、大小い
ずれの標準偏差も有し得ることを示している。したがっ
て、肺内部の第２の候補の位置を２つの他の位置、すな
わち“真”の肺上端と首領域、から区別するために、第
２の候補の位置での水平プロファイルと“典型的な”肺
の水平プロファイルの間の相互相関が計算され、２つの
プロファイルの間の類似性を調べるための尺度とされ
る。“典型的な”肺の水平プロファイルは、画像の垂直
レベルが８分の３の位置から求める。この位置は、通
常、成人のＰＡ胸部画像では肺領域の内部となる。肺の
内部の候補位置での水平プロファイルは、首の領域内の
それと較べて、より“典型的な”水平の肺のプロファイ
ルに似通っている。したがって、より大きな相互相関値
を示す。図４は、肺内部および首領域の候補の相互相関
値を比較したものである。肺内部の相互相関値が首領域
の相互相関値よりも大きいのは明らかである。したがっ
て、仮に第２の候補の相互相関値が０．５８といった閾
値レベルよりも大きければ、これは、現在の第２の候補
が肺の内部にあることを示し、前の第１の候補が“真”
の肺上端であると考えることができる。
【００２１】図１（ａ）によれば、垂直プロファイルに
おいてより大きい画素値を有する候補位置に、“真”の
肺上端が位置付けられることは明らかである。この一般
的な観察に基づき、仮に第２の候補の標準偏差が、図３
（ｂ）に示された閾値レベルよりも小さい場合であって
も、現在の第２の候補位置と前の第１の候補位置の画素
値とが比較され、より大きな画素値を有する候補位置が
“真”の肺上端として選択される。上記の手順は、現在
の候補の標準偏差が図３に示された閾値レベルよりも小
さくなるまで、次に続く候補に対して適用される。
【００２２】図５は胸部Ｘ線画像において肺上端の位置
を検出するために用いられる方法の個々のステップを示
している。ステップ500 では、胸部画像の上部中央での
垂直プロファイルとその第１の導関数が求められる。次
にステップ502 では、肺上端の第１の候補が第１の導関
数から決定される。ステップ504 では、第１の候補の標
準偏差が閾値と比較され、閾値よりも小さければ、ステ
ップ506 において第１の候補が“真”の肺上端として選
択される。ステップ508 では、第２のあるいはそれに続
く候補が探索され、該候補はステップ510 において標準
偏差と比較される必要がある。もし閾値よりも大きけれ
ば、実際は肺の内部に位置しているかもしれない部分を
誤って肺の上端として検出してしまうことを避けるため
に、第２の候補あるいはそれに続く候補に対して、相互
相関値がステップ512 において計算される。仮に、相互
相関値が図４に示されている閾値よりも大きければ、ス
テップ514 において前の候補が肺上端であったと決定さ
れる。そうでなければ、ステップ508 とステップ510 で
の新たな候補の探索が繰り返される。もし、ステップ51
0 で新たに見つかった候補の標準偏差が閾値よりも小さ
いと判断されれば、ステップ516 において現在と前の候
補の画素値が比較され、ステップ518 では、より大きな
画素値を有する候補が肺上端として決定される。
【００２３】１２０例の胸部Ｘ線画像について、図５に
示されたステップに基づいてコンピュータによって決定
された肺上端の位置が、直接フィルム上で測定したもの
と比較された。この比較は、コンピュータによって検出
された肺上端の位置は、実際に測定した位置に極めて近
いことを示した。
【００２４】次に肺下端の位置が決定される。
【００２５】図６（ａ）および（ｂ）に示すように、右
肺の中央での垂直プロファイルとその第１の導関数が、
肺下端の位置を決定するために用いられる。一般に右の
横隔膜は、胃のガス、心臓のエッジやその他の複雑な構
造の影響を受けない。右肺の領域と横隔膜の領域との間
の画像のコントラストは通常では高いので、この範囲の
垂直プロファイルは、図６（ａ）に示されているように
明瞭なエッジを呈する。垂直プロファイルの第１の導関
数は、図６（ｂ）に示されている。胸部画像における肺
下端の位置は、垂直プロファイルの下側半分における第
１の導関数での最小ピーク位置によって決定することが
できる。次に肺の長さが肺上端と肺下端との間の距離と
して決定される。肺角度線や肺上端エッジの開始点とい
った種々の追加的な目印が決定され、以下に述べるよう
に探索範囲が確立される。
【００２６】夫々肺の長さの８分の１の幅を有する２つ
の水平プロファイルが、２つの垂直方向の位置で計算さ
れる。すなわち、肺の上から５分の１および中央の位置
である。図７は、上側５分の１での水平プロファイルと
その第２の導関数を示している。これらは、一般に肺の
中央のものと似通っている。胸部画像の中央線は、水平
プロファイルの中央付近で最も大きな画素値を示す部分
に位置していると見なされる。右と左の肺のそれぞれで
２つのレベルに位置している２つの最小画素値を通る直
線を、ここでは、図８に示したように肺角度線と呼ぶ。
右と左のそれぞれの肺で肺角度線が水平線となす角は、
それぞれ右肺角度Ａｒと左肺角度Ａｌと呼ばれる。肺上
端で肺角度線が水平線と交差する点は、図８に示したよ
うに、右と左の肺の各々で肺の上端のエッジを探索する
ための開始点として選択される。
【００２７】肺角度は、正しい開始点を決めることがで
き、したがって肺上端のエッジを正確に検出できるよう
に適正な範囲になければならないことに注意が必要であ
る。例えば、右肺角度が小さすぎるか大きすぎるとする
と、開始点はそれぞれ首領域に入ったり、鎖骨の上側に
近づいてしまったりする。どちらの場合も、誤って選ば
れた開始点のために肺上端の検出が失敗してしまう。
【００２８】右および左肺角度の適切な範囲を見出すた
めに、１００例について肺角度の分布が調べられた。肺
角度が適切であるかまたは適切でないかは、それらの肺
角度によって得られた肺上端のエッジを検出した結果が
正しいか誤っているかに基づいて主観的に判断された。
【００２９】図９は、この１００例の右および左肺につ
いて適切な角度と適切でない角度の分布を示したもので
ある。適切な右および左肺角度の大部分は、図９におい
て上側と下側の境界が実線で示されているようにある範
囲に制限されている。各肺に対する肺角度の上側と下側
の境界は、平均肺角度から計算されたものである。した
がって、最初に得られた肺角度線が、適切な範囲からは
ずれた角度であったとすると、その肺角度線は、平均肺
角度の標準偏差の±１．５倍で規定されている。これら
の値は、各肺における全ての正しい肺角度から計算され
たものである。したがって、最初に得られた肺角度にな
るように回転される。右および左肺に対する平均肺角度
はそれぞれ７６．１゜と１０３．９゜であった。これら
の角度の和が丁度１８０゜になることは驚くべき一致で
ある。このことは、胸部画像において中央線に対して２
つの肺がほぼ対称であることを意味している。
【００３０】肺上端のエッジの探索範囲は、図８に示さ
れているように各肺において内側と外側の制限によって
定義される。これらの制限は、肺の上側５分の１の位置
での水平プロファイルから導かれたものである。内側の
制限は、各肺での水平プロファイルにおいて、中央線と
最小画素値のピークの間の中点で定義される。外側の制
限は、各肺での水平プロファイルにおいて外側にあっ
て、最小の画像値と中央線の画素値の平均画素値を持っ
ている位置で定義される。
【００３１】各肺において、胸郭のエッジを検出するた
めの開始点と探索範囲もまた図８に示されている。胸郭
のエッジは各肺の中央から探し始める。図７に示されて
いるものと同様の水平プロファイルとその第２の導関数
は、開始点の水平位置を決定するために使用される。第
２の導関数を計算するための距離の増分は５０画素であ
る。第２の導関数を計算するためにこのように大きな増
分を使用する目的は、心臓の影や肺動脈、肋骨によるエ
ッジといった肺領域における望ましくない構造の影響を
避けるためである。
【００３２】胸郭のエッジに対する開始点を決定するた
めに、肺領域におけるその他の目印情報もまた使用され
る。例えば、中央線の位置、肺角度線、各肺における肺
上端を探索するための外側の制限の位置などである。各
肺における肺角度線の外側に位置している第２の導関数
の最小ピークは一般にその肺の胸郭の内側のエッジに非
常に近いということがわかった。したがって、各肺にお
ける最小ピークは、その肺における胸郭のエッジを探索
するための開始点の水平位置の近似位置として用いられ
る。
【００３３】第２の導関数を計算するために５０画素よ
りも大きい増分が使われた場合、片側あるいは両側の肺
における胸郭のエッジを検出するための開始点を正しく
検出できなかったのは、全検査例のうち約１０％であっ
た。これらの例は、一般に肺中央における胸郭のエッジ
付近では、比較的低い画像コントラストを含んでいた。
したがって、第２の導関数を計算するにあたって、５０
画素の増分を使用することは、肺中央における胸郭の
“真の”エッジを見落とすことになり得る。これら全例
に対して、距離の増分を５０画素から２５画素に減らす
と、第２の導関数を再度計算して決定された胸郭のエッ
ジの開始点は、肺中央における胸郭の“真の”エッジに
非常に近くなることがわかった。さらにまた、各肺にお
ける検出された胸郭のエッジの開始点とその肺の肺上端
のエッジを探索するための外側の制限位置の間の距離が
検出された胸郭のエッジの開始点が正しいか否かを決め
る有用な尺度となり得ることが分かった。この距離が、
ある長さ、例えば１００画素よりも大きければ、大きな
増分が用いられたために、検出された胸郭のエッジの開
始点は正しくないということになる。したがって、この
場合は、距離の増分を２５画素まで小さくするべきであ
る。
【００３４】胸郭のエッジの探索範囲の上限は、肺の上
側５分の１と決定された。下限は、肺の下端から肺の長
さの１５％下側の位置であった。
【００３５】肺上端および胸郭のエッジは、エッジを横
切る矩形ＲＯＩ（長さ８０画素、幅３０画素）から得ら
れたプロファイルを解析することによって検出された。
各肺の肺上端を決定するために、矩形ＲＯＩは肺上部の
胸郭の領域上で垂直方向に配置される。しかしながら、
胸郭のエッジを検出するためには、同じ矩形ＲＯＩが水
平方向で使用される。肺上端と胸郭のエッジの検出は、
常に、それぞれの開始点から始まり、対応する探索範囲
内に限定される。隣接した肺上端のエッジを検出するた
めに、前に決定された肺上端の位置が次のＲＯＩの中心
として用いられる。このＲＯＩは、前の位置から水平方
向に３０画素シフトしている。同様に、前に決定された
胸郭のエッジの水平位置が次のＲＯＩの中心として用い
られる。このＲＯＩは、隣接した胸郭のエッジを検出す
るために前の領域位置から垂直方向に３０画素シフトし
ている。
【００３６】２つの探索ＲＯＩにおけるプロファイルお
よび第２の導関数の２例が図１０に示されている。第２
の導関数の計算のために使用された距離の増分は３画素
である。肺上端のエッジあるいは胸郭のエッジの位置を
探索ＲＯＩを使って特定するために、第２の導関数にお
ける第１の最小ピークを用いることは、常に正しいとは
限らないことが分かった。第１の最小ピークは、肋骨や
装置といった他のエッジパタンに起因するものとなり得
る。したがって、第２の導関数における第２の最小ピー
クも考慮しなければならない。図１１は、２０例の胸部
画像から得られた第１と第２の最小ピークの絶対値の間
の関係を示したものである。第２の最小ピークに対する
第１の最小ピークの比は、肺上端または胸郭のエッジを
正しく決定するための尺度として使用された。図１１
で、第２の最小ピークに対する第１の最小ピークの比
が、点線で示された１．８といった所定の閾値よりも大
きければ、第１の最小ピークの位置は、ＲＯＩの中で肺
上端のエッジまたは胸郭のエッジの位置に対応している
ことに注意が必要である。そうでない場合については、
肺上端のエッジまたは胸郭のエッジの第２のピーク位置
によって、正しく検出を行うことができる。
【００３７】次に、胸部Ｘ線画像において、如何にして
胸郭の境界の領域を抽出するかについて述べる。検出さ
れたエッジは、三つのセクション、すなわち肺上部セク
ション、右および左胸郭セクションにグループ分けされ
る。肺上部セクションは両方の肺で決定された全ての肺
上端エッジを含み、更に、各肺において肺上端のエッジ
に最も近い三つの検出された上側の胸郭のエッジも含ん
でいる。右および左の胸郭セクションの各々は、それぞ
れの肺で検出された全ての胸郭のエッジを含んでいる。
各エッジセクションについて、全ての検出されたエッジ
の位置に対して滑らかな曲線をフィッティングするため
に４次の多項式が適用される。
【００３８】本方法により、肺上端のエッジのための滑
らかな曲線の二つの終端は、各肺における右および左の
胸郭のエッジの滑らかな曲線の各々と重複する。これら
２つの重複領域での滑らかな接続を達成するために、単
純加重平均法が適用される。かくして、胸部Ｘ線画像に
おける完全な胸郭の境界が得られる。重複領域の上端か
ら下端に向かう接続がなされるに従って、肺上端のエッ
ジ曲線に対する重みづけファクターは、上端から下端ま
での距離に比例して１から０に減らされる。一方、胸郭
のエッジの曲線に対する重みづけファクタ−は、０から
１に増やされる。
【００３９】このコンピュータにより自動化された方法
がデジタル胸部画像における胸郭境界を検出する際に示
す結果の正確さを調べるために、主観的評価が用いられ
た。３人の読影者と二人の物理学者がこの評価テストに
参加した。５点評価がこのテストに使用された。すなわ
ち非常に正確なものに５点、中程度に正確なものに４
点、かろうじて正確であるものに３点、中程度に不正確
なものに２点、非常に不正確なものに１点が与えられ
た。コンピュータ出力の胸郭境界が、胸部画像における
真の胸郭の境界に殆ど完全に対応する場合は、“非常に
正確”とされた。これら２つが明らかに異なっている場
合は、“非常に不正確”とされた。評価者らは、一貫し
た評価尺度が求められた。各々の結果の比較に時間制限
は設けられなかった。３つの評価者グループ（１つの評
価者グループが３人の読影者および２人の物理学者の全
５人からなる）による、各評価点数についての対象例の
平均数の分布は次のことを示す。すなわち、対象例の大
多数が発明者らのコンピュータ出力の非常に正確な結果
を示す。高得点（４点及び５点）の組を一緒にまとめる
と、中程度から非常に正確である平均点数を有する対象
例の数は、５人の評価者全員、３人の読影者、二人の物
理学者でそれぞれ９６．７％、９７．３％、９５．０％
であった。全例のうち、約１％が１点又は２点に分類さ
れた。これらは、胸部画像において胸郭のエッジおよび
肺の境界の検出に完全に失敗したものと分類された。こ
れらのうち８０％は、肺領域に含まれる種々の比較的大
きな装置（２４ｍｍ以上）によるものであり、残りは胸
部画像における肺上端または胸郭のエッジを誤って検出
したことが原因である。
【００４０】上述したように、胸部画像の上側中央領域
での垂直プロファイルの第１の導関数を計算するために
用いられる（画素における）距離の増分は、肺上端の位
置の正確な決定に強く影響する。本発明の方法では、肺
上端の第１の候補は、“真の”肺上端の位置か、あるい
は首領域内のいずれかに存在すると仮定している。不適
切な距離の増分が使用された場合、この仮定は妥当では
ない。例えば、大きな増分（１０画素以上）が使用され
ると、肺上端位置の第１の候補は、スキップされ、“真
の”肺上端は、肺領域の内側に誤って位置付けされ得
る。一方、増分が５画素より小さいと仮定すると、首の
骨、喉、下顎等の首領域にある種々の構造によって肺上
端の検出を誤ってしまうことがある。したがって、第１
の候補が肺領域の内側に位置づけされることなく、その
一方で首領域の種々の構造の影響が最小となるように増
分として５画素が用いられる。
【００４１】次に背腹（ＰＡ）胸部画像における横隔膜
のエッジの検出について述べる。まず、大まかに、胸部
画像における右半横隔膜のエッジがエッジ勾配分析によ
って決定される。次に、初期の垂直ＲＯＩが、手動で測
定された右半横隔膜のエッジ中央と左半横隔膜のエッジ
中央との間の関係（“標準ルール”）に基づいて左半横
隔膜のエッジ探索のための左開始点を決定するために、
左半横隔膜の中央に置かれる。初期ＲＯＩの配置と初期
ＲＯＩを含む最初の左開始点の正確さを評価するために
７種のカテゴリーが使用された。いくつかのカテゴリー
に対しては、最初の左開始点の他に、第２の左開始点を
選ぶ必要がある。したがって、それらのカテゴリーで
は、２つの左開始点による二組の“左半横隔膜のエッ
ジ”が存在することになる。誤った左開始点による偽の
左半横隔膜のエッジを取り除くために、２つの領域パラ
メータが尺度として使用される。左と右の半横隔膜のエ
ッジに対してそれぞれ滑らかな曲線を与えるために２つ
の多項式関数が別々に適用される。最後に、胸部画像に
おいて肺領域の完全な輪郭を描くために右及び左半横隔
膜のエッジのカーブは、対応している胸郭のエッジのカ
ーブに接続される。発明者等の方法に従って、全部で３
００例のＸ線画像がレーザースキャナーによって、行列
サイズ“１０００×１０００”、階調１０ビットでデジ
タル化され解析された。その結果、右及び左の半横隔膜
のエッジの検出についての正確さは、およそ９７％と９
０％であった。
【００４２】次に、横隔膜エッジの決定のための方法に
ついて詳細に述べる。先ず最初に、右および左の横隔膜
の中央での開始点の決定のための方法について述べる。
【００４３】胸部画像における右半横隔膜の領域は、一
般に胃のガスパタンや心臓のエッジ等の複雑なパタンの
影響を受けない。通常、右下側の肺領域と右半横隔膜の
領域の間では画像コントラストは高い。したがって、胸
部画像において右半横隔膜上のプロファイルは、明瞭な
エッジパタンを示す。したがって、開始点と探索範囲と
が適切に選択されれば、右半横隔膜上で選択されたプロ
ファイルの第１の導関数からエッジ勾配分析によって右
半横隔膜のエッジを検出することは難しいことではな
い。
【００４４】胸部画像において、右半横隔膜のエッジを
探索するための右開始点を決定するために、初期垂直Ｒ
ＯＩが右半横隔膜のエッジの中央に置かれる。図１２
は、右開始点を決定するための右半横隔膜の中央で初期
ＲＯＩを選択する方法を図示したものである。初期ＲＯ
Ｉの長さと幅は、それぞれ２００画素（７０．０ｍｍ）
と２０画素（７．０ｍｍ）である。初期ＲＯＩの中央
は、胸部画像における胸郭のエッジを検出する際に得ら
れた目印情報に基づいて決定される。初期ＲＯＩ中央の
垂直座標（ｙ） は、肺下端の垂直位置に選ばれる。初
期ＲＯＩ中央の水平座標（ｘ）は、右肺角度線と肺下端
を通る水平線との交点を中央線側に３０画素（１０．５
ｍｍ）シフトさせた位置に選ばれる。肺角度線は、右お
よび左肺のそれぞれで２つの垂直位置にある２つの最小
画素値を通る直線である。この２つの垂直位置は、図１
２に示されているように肺の上から５分の１と中央に対
応する。胸部画像の中央線は、画像の中央の垂直レベル
から計算された水平プロファイルの中央付近で最も大き
な画素値に位置していると考えられる。
【００４５】図１３（ａ），（ｂ）は、それぞれ、右半
横隔膜の中央での初期垂直ＲＯＩから計算された垂直プ
ロファイルとその第１の導関数を示している。図１３
（ａ）から、右半横隔膜の領域は、胃のガスや心臓のエ
ッジの影響を受けず、右下側の肺領域と右横隔膜の領域
との間の画像のコントラストは一般に高いため、初期Ｒ
ＯＩにおける垂直プロファイルが明瞭なエッジパタン
（すなわちステップエッジパタン）を示していることが
明らかである。垂直プロファイルの第１の導関数は、図
１３（ｂ）に示されている。ＲＯＩを含んでいる右横隔
膜のエッジは、エッジ検出理論に基づいて第１の導関数
における最小の位置によって特定することができる（ジ
ョーン(Johne) 著、“デジタル画像処理：概念、アルゴ
リスムと科学的な応用”Springer-Verlag 1991年参
照）。このようにして検出された初期ＲＯＩ内部の右半
横隔膜のエッジは、右開始点として参照され、右開始点
の両側に位置する右半横隔膜エッジのさらなる探索のた
めのガイドとして使用される。この右開始点はまた、以
下で詳細に述べるように、左半横隔膜の中央で初期垂直
ＲＯＩを選択するために重要な量となる右半横隔膜のエ
ッジ中央とも呼ばれる。
【００４６】左開始点を決定するために、左半横隔膜の
中央で初期垂直ＲＯＩを選択することは、右半横隔膜の
中央における場合ほど単純なことではない。何故なら、
左半横隔膜における複雑な胃のガスパタンの存在および
心臓エッジの影響は、数多くの胸部画像で非常に共通的
であるからである。さらに、左半横隔膜のエッジの垂直
レベルは一般に右半横隔膜のものとは異なっている。し
たがって、目印情報のみを用いることは、左半横隔膜の
中央において適切な初期垂直ＲＯＩを選択するには不十
分である。
【００４７】そこで、これらの困難を克服するために、
図１４（ａ）に示してあるように、データベースにおけ
る各例に対して右および左の半横隔膜のエッジから画像
の下端までの距離（画素）が手動で測定された。この測
定の目的は、先だって検出された右半横隔膜のエッジの
中央（すなわち右開始点）に基づいて左の半横隔膜の中
央で上側および下側の初期ＲＯＩを選択するための“標
準ルール”を確率することである。図１４（ａ）におい
ては、右および左半横隔膜のエッジ中央の垂直位置が、
データベースの胸部画像の大部分に対し相関することに
注意が必要である。データベース内のおよそ９５％は、
図１４（ｂ）にて点線で示された制限範囲によりカバー
される右および左半横隔膜のエッジの中央を有してい
る。
【００４８】３００例のうち４４例は、図１４（ａ）に
て実線で示される４５゜対角線の上側に位置していた。
これらの対象例について対角線に対する平均距離と標準
偏差とは、それぞれ、２２．８６画素（８．０ｍｍ）、
２９．１４画素（１０．２ｍｍ）であった。かくして、
対角線の上側の上限は、平均距離に標準偏差を加えるこ
とによって決定される。一方、２１５例は、４５゜の対
角線の下側に位置していた。これらの対象例について対
角線に対する平均距離と標準偏差とは、それぞれ３３．
７１画素（１１．８ｍｍ）、２８．５７画素（１０．０
０ｍｍ）であった。かくして、対角線の下側の下限は、
平均距離に標準偏差の２倍を加えることによって決定さ
れる。４５゜の対角線の上側の対象例では、左半横隔膜
は右半横隔膜よりも高いレベルを有することに注意が必
要である。しかしながら、４５゜の対角線よりも下側に
ある対象例では、左半横隔膜のレベルは右半横隔膜のエ
ッジのレベルよりも低い。
【００４９】左半横隔膜の中央で左開始点を決定するた
めに、２０画素の幅を有する初期垂直ＲＯＩが左半横隔
膜の中央に配置された。初期ＲＯＩの原点の水平座標
（ｘ）として、右および左の肺角度線と肺下端を通る水
平線との交点が選択された。初期ＲＯＩの原点の垂直座
標（ｙ）は、右開始点の座標と同じ位置に決められた。
図１４（ｂ）は、左半横隔膜の中央で初期ＲＯＩの上側
および下側を選択する方法を図示している。初期ＲＯＩ
の上側レベルは原点から７４画素上であった。一方、初
期ＲＯＩの下側レベルは原点から１２８画素下であっ
た。図１４（ａ）において、上限より上の例では、本方
法により選択された初期ＲＯＩは、左半横隔膜の領域に
位置付けされるが、下限よりも下側に位置している例で
は、初期ＲＯＩは左下の肺領域に位置付けされることを
指摘する必要がある。いずれの場合においても、初期Ｒ
ＯＩは、所望の左半横隔膜エッジ中央（すなわち左半横
隔膜のエッジを探索するための左開始点）を捕らえるこ
とはできなかった。
【００５０】いったん初期ＲＯＩが決定されると、図１
５（ａ），（ｂ）に示されるように、左半横隔膜上の初
期垂直ＲＯＩから垂直プロファイルとその第１の導関数
とが計算される。初期ＲＯＩ内の第１の左開始点は、図
１５（ｂ）に示される第１の導関数における第１の最小
値の位置に規定される。図１５（ｂ）に示されるプロフ
ァイルの第１の導関数における第１、第２の最小値に対
応して、当該プロファイルには、２つの主要なエッジが
存在することに注意が必要である。プロファイル中で横
隔膜のエッジでないエッジは、複雑な胃ガス構造または
心臓のエッジであると考えられる。このような非横隔膜
エッジのパタンが十分に強い場合、第１の導関数におけ
る第１の最小値は、非横隔膜エッジに対応している可能
性が非常に大きい。したがって、左の半横隔膜のエッジ
を探索するガイドとして第１の左開始点のみを用いるこ
とは頼りない。初期ＲＯＩにおける非横隔膜エッジパタ
ンの影響を評価するために、発明者等は、初期ＲＯＩか
ら計算されたプロファイルの第１の導関数において、第
１の最小値に対する第２の最小値の比を尺度として定義
した。
【００５１】図１６（ａ）は、１００例につき、定義さ
れた比と、第１の最小値に対する第２の最小値の相対的
な位置との関係を示している。一方、図１６（ｂ）は、
第１の最小値の絶対値と第２の最小値の絶対値との間の
関係を示している。初期垂直ＲＯＩの配置と、定義され
た比に基づく第１の左開始点の正確さとを評価するため
に７つのカテゴリーを使用可能であることが分かった。
表１は、左半横隔膜領域の中央での初期ＲＯＩ配置と、
左半横隔膜エッジ探索のためのＲＯＩ内部における第１
の左開始点との分類に代わるＲＯＩの正／否と左開始点
の正／否との分類に使用された７つのカテゴリーをまと
めたものである。第１の左開始点は、ＲＯＩでの垂直プ
ロファイルの第１の導関数の第１の最小値として定義さ
れる。
【００５２】
【表１】
【００５３】※比は、左半横隔膜領域の中央での初期垂
直ＲＯＩにおける垂直プロファイルの第１の導関数の、
第１の最小値に対する第２の最小値の割合として定義さ
れる。
【００５４】※※左半横隔膜のエッジを探索するための
第１の左開始点。
【００５５】カテゴリーＡ１の対象例については、左半
横隔膜の中央での初期ＲＯＩの配置は適正である。更
に、中央左半横隔膜エッジは、初期ＲＯＩ中において支
配的なエッジパタンである。第１の導関数における第１
の最小値に対する第２の最小値の比は、一般に、予め選
択された評価基準、例えば、図１６（ａ）において点線
で示されように、０．５５と同じ値かそれよりも小さい
値である。
【００５６】言い換えると、これらの対象例では、左開
始点の決定の際の胃ガスおよび心臓エッジの影響は存在
しないか、少なくとも重要とされない。したがって、左
半横隔膜のエッジ実体の探索のための唯一の左開始点と
して、第１の左開始点を用いるのは適切である。
【００５７】左半横隔膜の中央での初期ＲＯＩの配置が
適切であっても、カテゴリーＡ２，ＬＧ，ＮＧ，Ｃの例
においては、比は、予め決められた評価基準（比＞０．
５５) より大である。胃ガスの複雑な構造が初期ＲＯＩ
で主要な構造となっている例は、カテゴリーＡ２，Ｌ
Ｇ，ＮＧに分類される。カテゴリーＣの例では、心臓エ
ッジの影響が左開始点の検出に強く影響していることを
示している。言い換えると、これらのカテゴリーの例で
は、初期ＲＯＩにおける２つの主要なエッジパタンのう
ちのいずれかは、胃ガス構造か心臓エッジに起因する。
したがって、左半横隔膜エッジを探索するための唯一の
開始点として第１の左開始点のみを用いることは適切で
ない。したがって、第１の導関数において第２の最小値
に対応する第２の開始点を考慮する必要がある。カテゴ
リーＡ２の例と、カテゴリーＬＧもしくはＮＧの例との
相違点は、カテゴリーＡ２の例にとっては第１の左開始
点は適正であって、一方、カテゴリーＬＧもしくはＮＧ
の例にとってはそれが適正でないという点である。カテ
ゴリーＬＧは、左半横隔膜のエッジ上に非常に複雑かつ
大きな胃のガスパタンを有するものを表す。
【００５８】カテゴリーＮＧは、左横隔膜のエッジに近
い、比較的単純で狭い形の胃のガスを有する例を表して
いる。
【００５９】初期垂直ＲＯＩは、該初期ＲＯＩの配置が
左半横隔膜の領域で下過ぎるか、左下肺領域で高すぎる
場合には、所望の中央左半横隔膜エッジを捕らえられな
かった。前者と後者の状況に対応して初期ＲＯＩが配置
されている例は、それぞれカテゴリーＤとカテゴリーＬ
に分類される。初期ＲＯＩの画素値は、カテゴリーＤま
たはカテゴリーＬの例については、比較的一様（すなわ
ち、支配的なエッジパタンが無い）であるので、図１６
（ａ）に示されているように、比は、一般に大となる
が、その一方で、図１６（ｂ）に示されているように、
第１の導関数における第１と第２の最小値の絶対値はい
ずれも非常に小となる。
【００６０】中央左半横隔膜エッジを再度捕らえるため
に、カテゴリーＤおよびカテゴリーＬでは、初期ＲＯＩ
は、上方または下方にそれぞれシフトされる。したがっ
て、カテゴリーＤとカテゴリーＬとを区別するために、
図１７（ａ），（ｂ），（ｃ）に示されているような、
右および左半横隔膜の中央に配置された初期ＲＯＩから
ヒストグラムが出力され、比較される。右中央の半横隔
膜のエッジに重複して配置された初期ＲＯＩからのヒス
トグラム（図１７（ａ））は、一般に２つの大きなピー
クを有している。これら２つのピークは、それぞれ、肺
の下側領域と横隔膜の領域における画素値を表してい
る。ヒストグラムの最も右側のピークは、ヒストグラム
の第１のピークとして定義される。図１７（ｂ）、
（ｃ）において、カテゴリーＤまたはカテゴリーＬのヒ
ストグラムは、それぞれ左半横隔膜の領域または左下の
肺領域の位置する初期ＲＯＩ内の画素値に対応する唯一
のピークしか有さないことに注意が必要である。カテゴ
リーＤおよびＬは、図１８に示されているように、右お
よび左の半横隔膜の中央での初期ＲＯＩによるヒストグ
ラムの第１のピークでの画素値を閾値（図１８での斜
線）と比較することにより分離され得ることがわかっ
た。カテゴリーＤおよびＬの例は、初期ＲＯＩの適切な
シフトおよび適正なカテゴリーＤ又はＬの一体化の後、
再度、Ａ１，Ａ２，Ｃ，ＮＧ，ＬＧのカテゴリーに分類
され得る。
【００６１】図１９は、本発明の画像特徴解析法によ
る、胸部画像で左半横隔膜のエッジを検出する方法のフ
ロチャートを示している。ステップ1900では、左半横隔
膜の中央での初期垂直ＲＯＩの配置は、図１４（ｂ）に
示されているような“標準ルール”と同様に、画像の中
で胸郭のエッジから得られた目印情報に基づいて決定さ
れる。ステップ1902では、初期ＲＯＩからの垂直プロフ
ァイルと第１の導関数が求められ、続いて、第１の最小
値に対する第２の最小値の比が計算される。ステップ19
04では、この比は、図１６（ａ）に関しては、０．５５
と定められている閾値と比較される。比が閾値と同じか
閾値よりも小さかったと場合、ステップ1906においてそ
の対象例は、カテゴリーＡ１に分類され、ステップ1908
において第１の開始点は、左半横隔膜エッジを更に探索
するための唯一の左開始点として決定される。このよう
にしてカテゴリーＡ１の例に対して、左半横隔膜エッジ
を検出する過程は、右半横隔膜のエッジを検出する過程
と同様なものであり、したがって単純である。ステップ
1904では、比が閾値よりも大きい場合、ステップ1910に
おいて、勾配、すなわち、ＲＯＩにおける垂直プロファ
イルの第１の導関数での第１、第２の最小値の絶対値が
小さいか否かを調べるためにチェックされる。もし勾配
が小さい、すなわち、第１の導関数での第１、第２の最
小値の絶対値が、例えばそれぞれ、２．６１、１．７２
よりも小さいとすると、ステップ1912では、この対象例
はカテゴリーＤまたはＬに属していると結論付けられ
る。図１８について上で述べたようにヒストグラムのピ
ークに閾値を適用することによって、中央左半横隔膜エ
ッジを適切に再度捕らえるために、ステップ1914では、
初期ＲＯＩをシフトさせるためにカテゴリーＤまたはＬ
のどちらを適用するかが決定される。垂直方向の（画素
数での）シフト量は、例えば、左の初期ＲＯＩの長さの
３分の１である。左の初期ＲＯＩの長さは、２０２（７
４＋１２８＝２０２画素) 画素である。続いて、ステッ
プ1904および1910が繰り返される。もしステップ1910に
おいて小さな勾配が検出されない場合、ステップ1916に
おいて対象例は、カテゴリーＡ２，ＮＧ，ＬＧまたはＣ
に分類される。Ａ２，ＮＧ，ＬＧまたはＣといったカテ
ゴリーでは、２つの左開始点は、左半横隔膜エッジを探
索するための初期ＲＯＩから選択される。これら２つの
左開始点は、初期ＲＯＩにおける垂直プロファイルの第
１の導関数での第１、第２の最小値の位置に対応する。
２つの左開始点によってステップ1918では二組の左半横
隔膜エッジが検出される。さらに、後で詳細に述べるよ
うに、２組のうち正しい左半横隔膜のエッジの組を特定
するステップ1920においては、２つの尺度に基づく特徴
解析が適用される。
【００６２】横隔膜のエッジを探索する手順は、右およ
び左の半横隔膜で同様である。横隔膜のエッジの検出
は、常に特定の開始点から始まり、対応する探索範囲に
限定される。中央線に近いこの探索範囲の終端は、横隔
膜エッジ探索のための内側限界と称され、右および左の
胸郭に近い探索範囲の終端は外側限界と称される。右お
よび左の半横隔膜エッジの探索範囲に関する内側および
外側の限界は、図１２に図示されている。内側限界は、
中央線と、対応する開始点との中間点に決定される。一
方、右および左の外側限界は、それぞれ、右および左の
最も低い胸郭エッジの水平位置から選択される。
【００６３】横隔膜のエッジを探索するために、垂直方
向の探索ＲＯＩが使用される。この探索ＲＯＩは、一般
に開始点を決定するための初期ＲＯＩよりも短い。この
探索ＲＯＩの幅は２０画素である。隣接した横隔膜のエ
ッジを検出するために、前に決定された横隔膜のエッジ
の垂直位置が次の探索ＲＯＩの中央として用いられる。
これは、前の位置から水平方向に３０画素シフトしてい
る。次に再び、ＲＯＩから計算された垂直プロファイル
の第１の導関数での最小値の位置によって、探索ＲＯＩ
内の横隔膜のエッジが検出される。垂直探索ＲＯＩの長
さは、探索範囲の内側で６０画素であり、探索範囲内の
外側で１００画素である。外側の探索範囲では、長い探
索ＲＯＩが外側の範囲で横隔膜のエッジをとらえるため
のＲＯＩとして必要とされた。なぜなら、横隔膜のマー
ジンと探索ＲＯＩの垂直軸との間の角度は、探索ＲＯＩ
が胸郭のエッジ側にシフトするにつれて狭くなるからで
ある。
【００６４】図２０〜図２３は、カテゴリーＣとＬＧの
例についての右および左半横隔膜エッジの検出例を示し
ている。どちらのカテゴリーでも、２つの開始点に起因
する２組の“左半横隔膜エッジ”が検出された。正しい
左半横隔膜エッジは、プラス記号により印が付されてい
る。両画像における丸印は、心臓エッジおよび胃ガス構
造の影響のために、不正に検出された左半横隔膜エッジ
を示している。図１９のステップ1920では、カテゴリー
Ａ２，ＬＧ，ＮＧ，Ｃの例について二組の検出された左
半横隔膜エッジのうち、正しいエッジを特定するため
に、２つのパラメータが尺度として用いられた。これら
２つのパラメータは、対応する開始点からの検出された
エッジの各組に対する多項式フィットから得られる。第
１のパラメータは、検出されたエッジの各組に対して線
形フィット（１次の多項式フィッティング）を行って得
られる直線の勾配である。心臓の境界に沿って検出され
たエッジは、図２１に示されているように、傾きの大き
な直線になることが明らかである。左半横隔膜に沿った
エッジにフィッティングされた直線の勾配は、通常０．
３５よりも小さいことがわかった。
【００６５】図２４は、５０枚の画像から、正しく検出
された左半横隔膜エッジおよび不正に検出されたものに
ついてフィッティングにより得られた直線の傾きの関係
を示している。時計回りにＡ，Ｂ，Ｃ，Ｄの印が付され
た四つの領域は、図２４において、０．３５という勾配
のカットオフ値を用いることで特定することができる。
これらの例の大部分（５０例中４８例）は、領域Ａと
Ｄ、すなわち正しい左半横隔膜エッジからの勾配が０．
３５よりも小さい領域に位置することに注意が必要であ
る。領域ＡとＣの例は、一組のエッジの勾配は、０．３
５よりも大きく、もう一組は、この評価基準よりも小さ
い。したがって、０．３５よりも小さい勾配を持ってい
るエッジの組が、所要の左半横隔膜エッジとして選択さ
れた。なぜなら、大きな勾配を持っているエッジの組
は、心臓エッジのひとつである可能性が高いからであ
る。しかしながら、領域ＢとＤとでは、検出された両方
のエッジの組の勾配が同時に小さいか大きい場合があ
り、これらの場合、二組の左半横隔膜のエッジが正しい
か不正をか区別するには、勾配を評価基準とすることは
十分なことではない。したがって、左半横隔膜のエッジ
の正しい組を決定するために、領域ＢおよびＤの例につ
いては、第２の尺度が必要であった。
【００６６】図２０及び図２２に図示されているよう
に、第２のパラメータは、検出されたエッジから、これ
らのエッジに３次のカーブフィッティングを行った結果
のカーブへの垂直距離の標準偏差であった。図２２で
は、検出された２組のいずれも、勾配は、０．３５より
も小さかったが、胃ガスの構造を含むエッジの組は、大
きな標準偏差を示す。胃ガスのパタンは形が不規則であ
るため、ガス構造の部分に広がっているエッジは、具合
良く３次多項式にフィッティングできない。しかしなが
ら、左半横隔膜の、マージン（すなわち正しい左半横隔
膜のエッジの組）に沿って位置する検出されたエッジの
組は、３次の多項式に好適にフィッティングすることが
でき、比較的小さい標準偏差を示す。
【００６７】図２５は、先の５０例についての、正しい
左半横隔膜エッジの組と、左半横隔膜エッジではないも
のの組との間の標準偏差の関係を示している。同図は、
正しい左半横隔膜エッジの組は、左半横隔膜のエッジで
ないものよりも小さな標準偏差を有することを示してい
る。図２４において領域ＢおよびＤ内に存在する例は、
図２５では、円によって示されている。図２５において
は、一例を除く全ての例（２７例中６例）は、対角線よ
りも上に位置することに注意が必要である。したがっ
て、図２４において領域ＢおよびＤ内の例については、
標準偏差が小さい方のエッジの組が正しい左半横隔膜の
エッジとして選ばれる。
【００６８】図２６は、取り除く２つの開始点による２
つの検出されたエッジの組のうち、正しい左半横隔膜エ
ッジの組の特定のために用いられる方法を示している。
図２６のステップ2400では、検出された左半横隔膜エッ
ジの組から得られた勾配と標準偏差とが決定され、ステ
ップ2402では、勾配は図２４から得られた閾値、すなわ
ち０．３５と比較される。もし、いずれの勾配も閾値よ
りも共に大きいか小さい場合、ステップ2404では、標準
偏差が小さい方が正しいエッジとして選択される。も
し、ステップ2402において、両方が閾値よりも大きくも
小さくもない場合、ステップ2406において、小さい勾配
を持っている組が正しい左半横隔膜エッジの組として選
択される。
【００６９】検出された右および左半横隔膜エッジを、
平滑曲線に別々にフィットさせるために三次の多項式が
使用される。胸部画像で完全な肺の境界を得るために、
胸郭のエッジの平滑曲線と、右および左肺の横隔膜のエ
ッジの交点とは、胸部画像で対応する肋骨横隔膜角周辺
で決定される。交点を越えるこれらカバーの部分は、取
り除かれる。
【００７０】胸部画像における肺領域の完全な輪郭を取
り出した例が図２１および図２３に示されている。研究
に用いたデータベースの全例について、コンピュータ化
された方法のみが右および左の半横隔膜のエッジの検出
にあたり、それぞれ９７％と９０％の精度を達成するこ
とができた。正しく左半横隔膜のエッジを検出すること
が困難な場合の主な理由は、左半横隔膜の中央での初期
ＲＯＩの配置が不適切であることと、非常に複雑な構造
を有する大きな胃ガスの影響があることである。手短に
言えば、図１６においてカテゴリーＬＧに分類されるひ
とつの例は、およそ０．３の比を有している。データベ
ースの全例の内約３％が、この問題を有していることが
分かった。より小さい評価基準、例えば０．２５を選択
することによって、これらの例を改善することは可能で
ある。しかしながら、これにより、本来カテゴリーＡ１
に分類される多くの例がカテゴリーＡ２と見なされ、し
たがって、これらの例について左半横隔膜のエッジ検出
の複雑さ、および計算時間が増加してしまう。
【００７１】発明者等によって開発された、間質性浸潤
の自動検出と特徴付けのためのコンピュータ化された方
法の能力を、肺組織構造のフーリエ変換に基づき向上さ
せるため、発明者等は、使用フィルムの勾配（グラディ
エント）およびレーザースキャナに関するシステムノイ
ズの光学密度の依存性を研究した。
【００７２】コンピュータ化された方法は、ＩＢＭ社
（イリノイ州シカゴ）製ＲＩＳＣ／６０００シリーズ
パワーステーション５６０を用いて開発され、結果はＣ
ＲＴモニタに表示され、ビデオプリンタ（モデルＶＰ３
５００、セイコー社製、東京、日本）または、レーザー
プリンタ（ＫＦＤＲ−Ｐ、コニカ社製、東京、日本）を
使ってプリントされた。使用されたデータベースは、２
００例の背腹胸部Ｘ線画像からなり、それらは、１００
例の正常例と１００例の異常例とを含んでいる。全ての
胸部Ｘ線画像は、Ｌａｎｅｘ Ｍｅｄｉｕｍ／ＯＣスク
リーンフィルムシステム（イーストマンコダック社製、
ニューヨーク州ロチェスター）を使って、グリッド１
２：１、１２５ｋｖの条件で撮影された。正常例は、経
験豊富な４人の胸部Ｘ線画像読影者の同意によって選ば
れた。同時に、間質性浸潤を持つ異常例は臨床データに
基づいて選択され、胸部Ｘ線画像で指示された。２０の
異常例に対しては、ＣＴ相関を用いることができ、１８
例が組織学的に疾患を有していることが確かめられた。
【００７３】発明者らによってなされたコンピュータ化
された間質性疾患の検出と特徴付けの研究において、胸
部Ｘ線画像は、上記レーザースキャナを使用し、画素サ
イズを０．１７５ｍｍ、階調を１０ビットとしてデジタ
ル化し、“２０００×２０００”マトリクスのデジタル
画像が得られた。まず最初に、肺上端と横隔膜とを有す
る胸郭の境界がプロファイルの解析によって決定され
る。続いて、非常に多数（３００〜５００）の、“３２
×３２”の行列サイズを有する関心領域（ＲＯＩ）が、
隣接する肺領域において自動的に選択される。このＲＯ
Ｉの選択方法は、勾配重みづけエッジ配向ヒストグラム
解析に基づいており（Med. Phs, 20,975-982,1993 ）、
シャープなリブエッジを有する不要なＲＯＩを取り除く
ことができる。肺と胸部壁の肉眼解剖学的な構造によっ
て引き起こされる不均一な背景傾向が、各ＲＯＩに対し
て二次元表面フィッティング技術を用いて補正される。
最後にＲＭＳ変化値Ｒとパワースペクトルの第１のモー
メントＭとが、各ＲＯＩに対して次式（１）、（２）に
て定義されているように、デジタル画像の二次元フーリ
エ変換によって決定される。
【００７４】
【数１】
【００７５】ここで、Ｆ（ｕ，ｖ）は、ＲＯＩでの背景
補正がなされたフーリエ変換であり、Ｖ（ｕ，ｖ）は、
人間の観察者による視覚系の応答である（Med. Phys. 1
5(3)、pp.311-319,1988 ）。視覚系の応答は、残留して
いる補正されていない背景のような望ましくない成分を
抑圧するバンドパスフィルターとして用いられる。この
研究では、各ＲＯＩについて、平均光学密度に対して、
組織尺度がプロットされ、光学密度依存性が調べられ
た。
【００７６】分類の目的で、我々のデータベース内の正
常な肺から得られた各組織尺度の平均と標準偏差とを用
いて、２つの組織尺度は独立して正規化される。正規化
された組織指標は、後で述べるように、疾患のパタンを
区別するために使用される。更に、２つの正規化された
組織尺度を組み合わせることによって組織指標が単一の
全体指標として決定される。組織指標は、予め決められ
た閾値レベルに基づいて、個々のＲＯＩを正常または異
常に分類するために使用される。孤立している異常なＲ
ＯＩは、シャープなリブエッジを持っている可能性が高
いので、これらの孤立した異常なＲＯＩは、後の解析か
ら取り除かれる。我々の以前の研究結果によると、孤立
したＲＯＩを取り除くことによって、正常例と異常例を
区別する能力が向上する。
【００７７】最後に、異常なＲＯＩは、正規化された組
織尺度に基づいて、３つの異なったパタン、すなわち、
小さな塊状、網状、網状の塊パタンに分類される。小さ
な塊状パタンは、正常な肺に較べて、大きなＲＭＳ変化
と、高い周波数成分を持っており、網状パタンは低い周
波数成分を持っており、そのＲＭＳ変化は、正常な肺の
ものに較べて、僅かに大きく、網状の塊パタンは、正常
な肺に較べて大きなＲＭＳ変化と低い周波数成分を持っ
ていると一般に言われている。コンピュータを用いた解
析の結果を図示するために、４つの異なった記号を用い
る。“＋”、四角、白丸、六角形であり、それぞれ正
常、小さな塊状、網状、網状の塊パタンに対応してい
る。それぞれの記号の３つの異なった大きさは、組織指
標の大きさに比例する浸潤の程度を示したものである。
【００７８】図２７（ａ），（ｂ）は、光学密度のＲＭ
Ｓ変化とスペクトルの第１のモーメントに対する依存性
をそれぞれ示している。いずれの組織尺度も画素を単位
として計算された。簡単のために、全例のうち１％のみ
がプロットされている。１００例についてのＲＯＩの合
計は４０，０００にものぼるからである。異常例に対す
るＲＭＳ変化は、正常例のものに較べて僅かに大であっ
た。一方、異常例のパワースペクトルの第１のモーメン
トは、正常なものに較べて僅かに低くなる傾向を示し
た。図２７（ａ）で計算されたＲＭＳ変化は、光学密度
に対して非常に強い依存性を示すことに注意が必要であ
る。光学密度が大きくなればなるほどＲＭＳ変化も大き
くなる。しかしながら、パワースペクトルの第１のモー
メントには、明らかな光学密度依存性は無かった。した
がって、光学密度のＲＭＳ変化依存性についてのみが研
究された。
【００７９】図２８は、この研究で使用されたＯＣフィ
ルムの勾配曲線を示している。この勾配曲線は、４つの
独立した尺度から見積もられた“平均”特性から決定さ
れたものである。この勾配曲線は、様々な平均光学密度
でのフィルムのコントラストの大きさを示している。こ
のフィルムコントラストのために、フィルムに表れる肺
組織の大きさは、低濃度では小さい勾配によって抑圧さ
れ、高い濃度ではおよそ２．５まで強調される。この影
響を補正するために、各ＲＯＩの全ての画素値は、ＲＭ
Ｓ値の計算に先立って、相対露出（ΔＥ／Ｅ）に変換さ
れる必要がある。相対露出でのＲＭＳ値は、次式（３）
の近似式を使って計算された。
【００８０】 ＲＭＳ( ΔE/Eav) ＝ ＲＭＳp ／Ｇ・Ｃ・（log ｅ） …（３） ここで、ＲＭＳp 、Ｇ、Ｃは、それぞれ、画素値を単位
とするＲＭＳ変化、使用されたフィルムの勾配、レーザ
ースキャナの特性曲線の勾配である。log ｅは、自然対
数から底を１０とする対数への変換ファクターである。
この近似式は、ΔE/Eav が小さい場合のみ（通常、それ
は間質性浸潤の例である）に使用することができる。実
際、（３）式を用いて計算したＲＭＳ変化は、ＲＯＩの
全ての画素での相対露出に変換された画素値から決定さ
れたＲＭＳ変化と、２％以内で一致している。図２９
は、勾配補正後の正常及び異常例について相対露出を単
位としたＲＭＳ変化に対する光学密度依存性を示してい
る。画素値を単位としたＲＭＳ変化に対する光学密度の
依存性（図２７）がフィルムのグラーディエントのみに
影響されるとすれば、補正後の相対露出を単位とするＲ
ＭＳ変化の分布は、光学密度には依存しないはずであ
る。しかしながら、図２９の結果は、比較的光学密度が
高いか或いは低い領域でのＲＭＳ変化は、正常例および
異常例とも、中間的な光学密度でのものよりも大きいこ
とを示している。相対露出を単位とする肺の組織尺度は
光学密度に依存しないことに注意を向けるべきである。
したがって、図２９で観察されたＲＭＳ変化の光学密度
依存性は、Ｘ線画像の斑点、およびレーザースキャナ使
用によるデジタル化に伴うノイズ成分によるものと考え
られる。このノイズ成分は以下では、“システムノイ
ズ”と呼ぶ。この考えに基づいて、発明者等は、フィル
ムの勾配を補正した後、システムノイズを補正すること
を試みた。まず最初に、全データの１０％を用いて正常
例に対するＲＭＳ変化の平均分布（実線）が求められた
（図３０）。更に残りうち１０％のデータが調べられた
が、もはや、ＲＭＳ変化の平均分布に大きな違いは無か
った。図３０において実線で示されているように、平均
分布は、光学密度が比較的低いかまたは高いところで
は、中間的な光学密度のところに較べて、非常に大きか
ったことは明らかである。図３１は、ＲＭＳ変化の平均
曲線の逆数によって決定されたシステムノイズの補正曲
線を示している。ＲＭＳ変化は、相対露出に関して正確
に計測されたＲＭＳ変化が乗算される補正曲線を使用す
るために補正された。
【００８１】図３２は、システムノイズの影響が補正さ
れた後の正常例および異常例について、光学密度と、補
正されたＲＭＳ変化との間の関係を示している。全デー
タのうちのおよそ１％がグラフに示されているが、正常
例、異常例ともに明らかな光学密度依存性は見られな
い。
【００８２】高い光学密度に多くの偽陽性を有する正常
なＲＯＩに、そのような正常例について肺組織のコンピ
ュータ化された解析への効果を調べるために、補正技術
が適用された。補正なしの場合は、結果として多くの偽
陽性のＲＯＩを含んでいたが、勾配補正によって、大部
分の偽陽性のＲＯＩは取り除かれた。更に、肺領域の上
側と下側にある残りの偽陽性のＲＯＩの殆どは、システ
ムノイズ補正によって取り除かれる。左肺において、異
常なＲＯＩの数の割合は、補正無しの場合と、２つの補
正を行った場合とでそれぞれ６２％から１０％と２％と
に減少した。また、補正が行われなかった場合に、低い
光学密度で多くの偽陽性ＲＯＩを持つ異常例について
も、補正技術が適用された。緩く分散している間質性浸
潤が存在したが、如何なる補正も行わない場合、平均光
学密度が０．７５である下側の隣接している肺領域に
は、わずか数個の異常ＲＯＩが存在するのみであった。
しかしながら、低い光学密度の領域で生じる偽陽性のＲ
ＯＩの大部分は、勾配補正を行うことによって真陽性の
ＲＯＩに変わった。更に、１．０よりもやや大きい光学
密度を有する残りの偽陽性のＲＯＩは、システムノイズ
補正によって真陽性に変えられた。この中間的な光学密
度で得られた改善結果については後述する。右肺におけ
る異常なＲＯＩの数の割合は、補正無しの場合と、２つ
の補正を行った場合とでそれぞれ２９％，４２％，５３
％であった。従ってこの結果は、コンピュータ化された
解析の結果と読影者の解釈の間の対応とが、勾配補正と
システムノイズ補正を用いることにより改善されたこと
を示している。
【００８３】補正なしの正常例のうち、１例当たりの異
常なＲＯＩの平均数は、勾配補正とシステムノイズ補正
とを用いることにより、およそ３３％にまで減少した。
すなわち、補正なしでは４６の異常ＲＯＩがあり、勾配
補正とシステムノイズ補正とを用いた場合、異常ＲＯＩ
は３１になる。一方、補正なしの異常例の１例当たりの
異常なＲＯＩの平均数と、勾配補正とシステムノイズ補
正とを用いた場合の数は、それぞれ１９７と１８８であ
った。これらの結果は、これらの補正技術が“真陽性”
の異常ＲＯＩの数に大きな変化を与えることなく偽陽性
のＲＯＩを減少させることに対する効果を示している。
最後に、コンピュータ化された装置の全体的な能力がレ
シーバーオペレーティング特性（Receiver operating c
haracteristics; ＲＯＣ）曲線を用いて評価された。Ｒ
ＯＣ曲線を得るために、発明者等は、閾値評価基準のひ
とつを変化させた。すなわち、正常および異常な肺を全
体的に分類するために用いられる異常ＲＯＩの相対的な
数である（Med.Phys vol.20 pp.975-982 1993; supra参
照）。図３３は、補正なしの場合、勾配補正を行う場
合、勾配補正およびシステムノイズ補正を行う場合のそ
れぞれについて得られたＲＯＣ曲線を示している。補正
なしの場合、勾配補正を行う場合、勾配補正およびシス
テムノイズ補正を行う場合における感度９０％での特性
値は、それぞれ８１％、８６％、８９％であった。この
ようにして、図３３に示された結果は、フーリエ解析技
術に基づく間質性浸潤のコンピュータ解析において、勾
配補正およびシステムノイズ補正の有効性を明確に示し
ている。
【００８４】上で述べたことから明らかなように、間質
性疾患の検出と特徴付けのためのコンピュータ化された
我々の装置の能力を向上させるために、発明者等は、光
学密度のＲＭＳ変化依存性を研究した。我々の研究の初
期の段階において、勾配補正が試みられたにも関わらず
（Med.Phys., vol.15(3),311-319 1988, supra）、その
当時は、明らかで有用な効果は認められなかった。これ
は恐らく、補正に使用されたＨ＆Ｄ曲線が２つの異なっ
たタイプのフィルムの平均から得られたものであったた
めである。一方、今回の研究では、一種類の特定のフィ
ルム（ＯＣフィルム）のみが使用さている。厳密に言え
ば、画素値から相対露出への変換は、臨床で用いられる
Ｘ線画像と同じ処理条件におけるレーザースキャナの特
性曲線およびＨ＆Ｄ曲線に基づいていなければならな
い。しかしながら、各胸部Ｘ線画像毎に決定されたＨ＆
Ｄ曲線を使用することは、ここでは目下のところ現実的
ではない。しかし、個々のＸ線画像に基づく、フィルム
勾配の影響補正の効果は、コンピュータ化された装置の
全体的な能力を向上させるものと思われる。
【００８５】コンピュータ化された装置の能力は、勾配
補正によって特性値で５％向上した。勾配補正の利点に
は、高光学密度での偽陽性ＲＯＩの数と低光学密度での
偽陰性ＲＯＩの数とを減少させるということが含まれて
いる。一方、高光学密度での真陽性ＲＯＩの数と低い光
学密度での真陰性ＲＯＩの数を減少させてしまうという
欠点がある。改善された正常例（１２例）の全ては、高
光学密度（およそＯＤは２．０である）での異常ＲＯＩ
の数の減少によることがわかった。一方、補正を行わな
かった７つの真陰性の例は、低光学密度での異常ＲＯＩ
の数の増加により、偽陽性に変わってしまった。
【００８６】勾配補正を行った後の光学密度のＲＭＳ変
化依存性はシステムノイズに帰属させることができる。
図３１に示されているように、システムノイズは、中間
的な光学密度（ＯＤが１．２〜１．８）に較べて、低い
または高い光学密度のどちらにおいても大きなＲＭＳ変
化を与える。このシステムノイズは、レーザースキャナ
とスクリーンフィルムシステムに関係したいくつかのノ
イズ源の組み合わせによると考えることができる。(1)
高光学密度での低い信号対雑音比（Ｓ／Ｎ比）によるレ
ーザースキャナの電気ノイズの増加、(2) 高光学密度で
のフィルムの粒子性の増加、(3) 低光学密度での量子ム
ラの増加、(4) 低光学密度でのレーザースキャナの量子
化ノイズの増加、(5) 非常に低光学密度での干渉による
アーチファクト（モアレパタン）などがそれらのノイズ
に含まれている。システムノイズの存在を確かめるため
に、同じスクリーンシステム（Lanex medium/OC システ
ム）を使って、１２０ＫＶｐの露光で異なったレベルで
均一に照射された異なった光学密度のフィルムサンプル
が用意された。フィルムサンプルはデジタル化され、肺
の組織を含まない（胸部画像ではない）これらのフィル
ムのＲＭＳ変化が計算された。相対露光を単位とするフ
ィルムサンプルのＲＭＳ変化は、図３０に示されている
傾向と同様に、低光学密度、又は高光学密度において大
きなＲＭＳ変化を示した。しかしながら、ノイズフィル
ムサンプルのＲＭＳ変化は、臨床的な（肺組織とシステ
ムノイズを含んでいる）胸部Ｘ線画像によって計算され
たものよりわずかに小さかった。ノイズフィルムサンプ
ルを使ったこの結果は、胸部Ｘ線画像から得られた結果
に一致していることが分かった。
【００８７】システムノイズ補正は、勾配補正に較べ
て、特性値を３％さらに向上させた。性能改善の理由の
ひとつは、低光学密度における偽陽性ＲＯＩの数が減っ
たことにある。別の理由は、勾配補正のみの場合で得ら
れる結果に較べて、中間的な光学密度（１．１〜１．
９）での異常ＲＯＩの数が増えたためと思われる。中間
的な光学密度（１．２〜１．７）を持っている異常な例
のひとつで、この異常例は、肋骨横隔膜角の領域を除い
て、相対的に、間質性浸潤を示していると解釈される。
左肺にあるＲＯＩの全数に対する異常ＲＯＩの数の比
は、補正なしの場合、勾配補正を行った場合、勾配補正
およびシステムノイズ補正を行った場合について、それ
ぞれ２４％、１９％、４１％であった。肋骨横隔膜角の
領域（ＯＤが２．０）に存在する偽陽性のＲＯＩの数
は、勾配補正を行うことによって減少した。したがっ
て、コンピュータ出力と読影者の解釈との間の対応は、
システムノイズ補正をフィルムの勾配補正とともに用い
ることによって大きく改善された。
【００８８】他方、勾配補正を行った４つの真陰性の例
は、中間的な光学密度にて異常ＲＯＩが増加したことに
より偽陽性に変わってしまった。システムノイズ補正に
おける中間的な光学密度での異常ＲＯＩの増加理由は、
研究対象のデータベースの全ての正常例から得られたＲ
ＭＳ変化の平均値が変わったことに関係している。シス
テムノイズ補正は、中間的な光学密度よりも、低光学密
度或いは高光学密度の方がＲＭＳ変化をより減少させる
ため、勾配補正とシステムノイズ補正を行った１００の
正常例から求められる平均ＲＭＳ変化は減少した。この
ようにして、異常例に対する個々のＲＯＩのＲＭＳ変化
と正常例の平均ＲＭＳ変化との間の区別は、補正が十分
に行われない濃度、すなわち、中間的な光学密度にて改
善された。
【００８９】パワースペクトルの第１のモーメントに対
するシステムノイズ補正は、ＲＭＳ変化に対して用いら
れたものと同じ方法を用いて試みられたが、コンピュー
タ化された装置の能力は、改善されなかった。これは、
パワースペクトルの第１のモーメントが、ＲＭＳ変化に
較べて、システムノイズによって受ける影響が少ないた
めである。
【００９０】仮に勾配補正、そして勾配補正およびシス
テムノイズ補正がなされるとしても、６個の正常例およ
び７個の異常例は、それぞれ、偽陽性および偽陰性とし
て残る。一方、偽陰性と分類された異常例は、他の例に
較べて低いコントラストを示す傾向があった。実際、７
つの偽陰性例のうち５つが肺に重なった大きな胸の影を
含んでいた。偽陽性と偽陰性が生じる正確な原因は分か
っていないが、偽陰性が生じる理由のひとつは、柔らか
い組織による大きな散乱に関連しているように思われ
る。したがって、肺組織のコンピュータ化された解析に
ついて散乱の効果がさらに検討すべき点として残ってい
る。
【００９１】まとめると、デジタル胸部Ｘ線画像での肺
組織の解析について、ＲＭＳ変化とパワースペクトルの
第１のモーメントの両方に対する光学密度の依存性が検
討された。画素値を単位とするＲＭＳ変化は、ＲＯＩの
平均光学密度へ強い依存性を示した。一方、パワースペ
クトルの第１のモーメントに対しては明確な依存性を示
さなかった。フィルム勾配とシステムノイズの影響に対
する補正は、間質性浸潤の検出のためのコンピュータ化
された装置の能力を改善するのに有効である。感度（９
０％）を損なうこと無く、特性値は８１％から８９％に
向上した。
【００９２】上で述べたように、発明者等は、フィルタ
リング技術に基づいた幾何学的パタン特徴解析と同様
に、フーリエ変換に基づく組織解析を行うことによっ
て、デジタル胸部Ｘ線画像で間質性疾患の検出と特徴付
けを行うためのコンピュータ化された装置を開発してき
た。組織解析にあたって、肺パタンのＲＭＳ変化とパワ
ースペクトルの第１のモーメントは、組織指標として決
定される。幾何学的パタン特徴解析では、小さくまとま
っている不透明部分の全面積と、線状の不透明部分の全
長が幾何学的パタンの尺度として決定される。組織尺度
は、肺組織の全体的な特徴を表すことができ、以前に報
告されているように（Med.Phys. 16,38-44(1989)参
照）、正常な肺と間質性疾患を持っている異常な肺を区
別するにあたって非常に有用であった。他方、幾何学的
パタンの尺度は、個々の不透明部分の形と大きさに関連
した特徴を表す指標になる。したがって、組織尺度と幾
何学的パタン尺度との組み合わせは、正常な肺と間質性
疾患を持っている異常な肺との区別を改善する可能性を
有する。
【００９３】発明者等は、ルールベース法を使った組織
解析に基づいた分類能力について以前に報告を行った
（Med.Phys. 16,38-44(1989),supra参照）。これは、閾
値よりも大きな組織尺度を持つ関心領域（ＲＯＩ）の数
を使用している。人工ニューラルネットワーク（Artifi
cial Nural Networks;ANNs）は、近年多くの領域で強力
な分類ツールとして使用されてきている。（番号 08/05
3,345; Radiology,177,857-860(1990); Invest.Radio
l.,25, 1012-1016(1990); Med.Phys. 19,555-560,1992;
Radiology 187,81-87(1993)参照）。
【００９４】以下に述べるように、本発明は、ルールベ
ース法にＡＮＮ法を加え、組織尺度と幾何学的パタンの
尺度を組み合わせた解析を用いて、正常な肺と間質性疾
患を持っている異常な肺を区別するための自動化された
分類装置を含んでいる。さらに、発明者等は、ルールベ
ース法単独、ＡＮＮ法単独、ルールベース法にＡＮＮ法
を加えた場合の分類能力を比較した。それについても以
下に述べる。
【００９５】さらに、分類方法を確立するために、ＯＣ
フィルムとＬａｎｅｘａミディアムスクリーン（イース
トマンコダック社製、ロチェスター、ニューヨーク）に
露光された２００例の従来の背腹（ＰＡ）胸部Ｘ線画像
からなるデータベースを作成した。このデータベース
は、１００例の正常な肺と１００例の間質性疾患を持っ
ている異常な肺を含んでいる。正常例は、４人の経験豊
富な胸部Ｘ線画像読影者によって、明らかにＸ線画像が
正常であって、臨床的に見て疑わしい心肺疾患がないと
臨床データが示しているもののなかから選択された。軽
微なものから重篤なものまでを含む間質性疾患を持って
いる異常例は、Ｘ線診断の所見と臨床データ、胸部Ｘ線
画像読影者による判断に基づいて選択された。データベ
ース中の全ての胸部Ｘ線画像は、画素サイズを０．１７
５ｍｍとし、１０２４階調でレーザースキャナによって
量子化された。
【００９６】組織解析の全体像について以下に述べる。
“３２×３２”のマトリクスサイズを持つおよそ２００
から５００のＲＯＩが、各胸部画像について肺隣接領域
の中で自動的に選択される（Med.Phys. 20,975-982(199
3)参照）。各ＲＯＩでの不均一な背景の傾向は、下にあ
る肺組織のパタンを明らかにするために補正される。次
に肺組織のパワースペクトルがフーリエ変換から求めら
れ、人間の観察者の視覚系応答によってフィルタリング
される。最後に、相対露出を単位とするＲＭＳ変化Ｒと
パワースペクトルの第１のモーメントＭとが、それぞれ
肺組織の大きさおよび粗さに対応する組織尺度として決
定される。このＲとＭは、次式（４）、（５）のように
定義される。
【００９７】
【数２】
【００９８】ここでＧ、Ｃ、Ｖ（ｕ，ｖ）、Ｆ（ｕ，
ｖ）は、それぞれ、使用フィルムの勾配（グラーディエ
ント）、レーザースキャナの特性曲線の傾き、人間の観
察者の視覚系応答、肺組織のフーリエ変換に対応してい
る。log ｅは、自然対数から常用対数への変換ファクタ
ーである。我々のデータベースに含まれる正常および異
常な肺について得られた２つの組織尺度の分布が図３４
（ａ）に示されている。簡単のために、全データのうち
５％のみがプロットされている。というのは、１００の
正常例と１００の異常例でＲＯＩの全数は７５，０００
にものぼるからである。
【００９９】幾何学的パタン特徴解析において、“１２
８×１２８”のマトリクスサイズを持つおよそ４０のＲ
ＯＩが、肺の隣接領域中で自動的に選択される。胸部画
像において間質性浸潤は、基本的に小さな塊、または線
状の不透明部分で構成されていることが知られている。
したがって、間質性浸潤の小さな塊状又は線状の不透明
部分は、２つの処理画像から独立して特定される。２つ
の処理画像のうちのひとつは、多値閾値分類技術を用い
ることによって、またもう一つは線強調フィルターを使
用することによって得られる。最後に、各ＲＯＩで、小
さな塊状の不透明部分の全面積Ａと線状の不透明部分Ｌ
の全長Ｌとが幾何学的パタンの尺度として決定される。
正常および異常な肺に対する２つの幾何学的パタンの分
布が図３４（ｂ）に示されている。簡単のために、全デ
ータのおよそ５０％のみがプロットされている。
【０１００】一般に、平均と標準偏差に基づく尺度の正
規化は、異なったタイプの尺度を定量的に評価する際に
有用である。したがって、続くコンピュータ化された分
類のために、与えられた胸部Ｘ線画像から得られた組織
尺度と幾何学的パタンの尺度は、データベースに含まれ
ているこれらの尺度の平均と標準偏差によって次式
（６）〜（９）に示すように正規化される。
【０１０１】ＲN ＝（Ｒ−Ｒav）／σR …（６） ＭN ＝（Ｍ−Ｍav）／σM …（７） ＡN ＝（Ａ−Ａav）／σA …（８） ＬN ＝（Ｌ−Ｌav）／σL …（９） ここで、ＲN 、ＭN 、ＡN 、ＬN は、それぞれ、正規化
されたＲＭＳ変化、正規化されたパワースペクトルの第
１のモーメント、小さな塊状の不透明部分の正規化され
た全面積、線状の不透明部分の正規化された全長であ
る。Ｒav、Ｍav、Ａav、Ｌavは、正常な肺に対するこれ
らの尺度平均値であり、σR 、σM 、σA、σL は、正
常な肺に対するこれらの尺度の標準偏差である。
【０１０２】データベース内の正常及び異常な肺に対す
る正規化された組織尺度の分布が図３５（ａ）に示され
ている。正常な肺についての分布は、原点周辺に集まっ
ている。一方、異常な肺についての分布は、左上にシフ
トしている。しかしながら、２つの分布は、かなり重複
している。なぜなら、異常な肺での肺組織は、間質性浸
潤が配全体に広がらない限り、いくらかの正常な領域を
含んでいるからである。
【０１０３】正常及び異常な肺に対する正規化された幾
何学的パタン尺度の分布が図３５（ｂ）に示されてい
る。正常な肺に対する分布は、先と同様に原点周辺に集
まっているが、一方、異常な肺についての分布は、右上
にシフトしている。また２つの分布は、かなり重複して
いる。これら重複は、これら分布のみに基づく分類法
が、正常な肺と間質性疾患を持っている異常な肺とを区
別する際には全く効果的でないことを示している。
【０１０４】図３５（ａ），（ｂ）に示されているよう
に、異常な肺についての正規化された組織と幾何学的パ
タンの尺度は、広く分布している。しかしながら、小さ
な塊状、網状や網状の塊パタンのような間質性浸潤の典
型的な異常パタンは、明確な特徴で見分けることができ
る。組織解析において、小さな塊状のパタンは、低いパ
ワースペクトルの第１のモーメントを持っており、網状
のパタンは、大きなＲＭＳ値を持っており、網状の塊パ
タンは、大きなＲＭＳ値と低いパワースペクトルの第１
のモーメントを持っている。幾何学的パタンの特徴解析
において、小さい塊状のパタンでは、小さな塊状の不透
明な部分の全面積が大きく、網状のパタンでは、線状の
不透明な部分の全長が大きく、網状の塊パタンでは、小
さな塊状の不透明な部分の全面積が大きくかつ線状の不
透明な部分の全長が大きい。したがって、コンピュータ
化された分類を用いるために、単一組織指標Ｔおよび単
一幾何学的パタン指標Ｇが、２つの正規化された組織尺
度と２つの正規化された幾何学的尺度からそれぞれ決定
される。
【０１０５】単一組織指標（図３６）は次式（１０）〜
（１３）に示すように定義される。
【０１０６】
【数３】
【０１０７】単一幾何学的パタン指標は次式（１４）〜
（１７）に示すように定義される。
【０１０８】
【数４】
【０１０９】図３６に示されているように、これらの単
一組織指標および単一幾何学的パタン指標は、基本的に
は、正常な肺に対する平均値からの距離に対応してい
る。ルールベース法単独、ＡＮＮ法単独、ルールベース
法＋ＡＮＮ法による分類では、単一組織指標及び／又は
単一幾何学的パタン指標が適用される。
【０１１０】ルールベース法については、閾値よりも大
きい単一指標を含み、異常の疑いがあるＲＯＩの数が決
定される。次に、胸部画像で選択された全てのＲＯＩの
数に対する異常ＲＯＩの数の比が閾値よりも大きけれ
ば、その胸部画像は、間質性疾患を持っている異常なも
のと分類される。組織尺度または幾何学的パタンの尺度
が使用されるルールベース法においては、組織指標また
は幾何学的パタン指標は、単一指標として使用される。
組織尺度と幾何学的パタン尺度との組み合わせが使用さ
れるルールベース法においては、異常な肺は、論理ＯＲ
演算により分類される。すなわち、もし、胸部画像が組
織尺度または幾何学的パタン尺度のどちらかで異常と分
類され得ることがあれば、胸部画像は、最終的に異常に
分類される。
【０１１１】発明者等は、また、正常な肺と間質性疾患
を持っている異常な肺を分類するための人工ニューラル
ネットワーク（ＡＮＮ）を使用した。実際には、バック
プロパゲーションアルゴリズム（Simon Haykin著“ニュ
ーラルネットワーク概論”McMillan College Publishin
g Co. 1994参照）を用いた３層の正帰還ネットワークが
使用された。このＡＮＮの構造は、３つの隠しユニット
と分類の結果を表示（０＝正常、１＝異常）するひとつ
の出力ユニットを含んでいる。ＡＮＮへの入力データ
は、単一組織指標のヒストグラムかまたは、幾何学的パ
タン指標のヒストグラムから選択される。組織指標を用
いるＡＮＮでは、単一組織指標のヒストグラムは、図３
７に示されているように各胸部画像に対して決定され
る。次に、図３６でＸ1 〜Ｘ5 で表されているＡＮＮへ
の５つの入力値がヒストグラムの上側からそれぞれ１
０，３０，５０，７０，９０％の位置の単一組織指標か
ら選択される。幾何学的パタン尺度を用いるＡＮＮにつ
いては、同様にして、５つの単一幾何学的パタン指標が
ＡＮＮへの入力データとして選択される。さらに、組織
尺度と幾何学的パタン尺度の組み合わせを使用するＡＮ
Ｎでは、４つの単一組織指標（ヒストグラムの上側２
０，４０，６０，８０％）と３つの単一幾何学的パタン
指標（上側２０，５０，８０％）がＡＮＮへの入力とし
て選択される。
【０１１２】ルールベース法にＡＮＮ法を加えた分類方
法の全体は図３８に示されている。まずステップ3600で
は、ステップ3602における“明らかに正常な肺”の特
定、そしてステップ3606における“明らかに異常な肺”
の特定するために、ルールベース法が実行される。次
に、ステップ3606では、ルールベース法によって明らか
な例と分類された残りの胸部画像をステップ3608で分類
するためにＡＮＮが適用される。
【０１１３】組織尺度と胸部画像パタンの尺度に基づい
ているルールベース法にＡＮＮ法を加えた方法について
は、胸部画像におけるＲＯＩの総数に対する異常ＲＯＩ
の数の比が、学習用データセットの全ての異常例から得
ることができる最小の“異常”比以下であれば、胸部画
像は、“明らかに”正常であると分類される。しかし、
この比が、学習用データセットの全ての正常例から得る
ことができる最大の“正常”比以上であれば、胸部画像
は、“明らかに”異常であると分類される。明らかな例
を分類するために使用される最小と最大の比は、この後
議論するように、学習用のデータセットから決定され
る。
【０１１４】組織尺度と胸部画像パタン尺度の解析の組
み合わせを用いるルールベース法＋ＡＮＮ法では、明ら
かな例は、論理ＡＮＤ演算によって特定される。すなわ
ち組織尺度と幾何学的パタン尺度の両方を用いる初期の
ルールベース法によって胸部画像を明らかに正常と分類
されれば、胸部画像は、明らかに正常であると分類され
る。明らかに異常な例も同様にして分類される。
【０１１５】種々の方法の分類能力を比較するために、
１００の正常例と間質性疾患を持つ１００の異常例を含
むデータベースが、乱数を用いて２つのグループに分割
された。一方は学習用データセットであり、５０の正常
例と５０の異常例を含んでいる。他方は、テスト用デー
タセットであり、これも５０の正常例と５０の異常例を
含んでいる。１０組の異なる学習及びテスト用のデータ
が準備された。
【０１１６】ルールベース法の分類に対しては、組織及
び／又は幾何学的パタン指標は、与えられた学習データ
セットに対して、最良の分類能力が得られるように決定
された。ルールベース法＋ＡＮＮ法では、異常例の全て
について、ＲＯＩの全数に対する異常なＲＯＩの数の最
小の比と、全ての正常例に対する異常なＲＯＩの最大比
もまた学習用データセットから得られる。ＡＮＮの内部
パラメータは、学習用データセットでの１００回以上の
学習の繰り返しから決定された。
【０１１７】分類能力は、ＲＯＣ解析によって評価され
た（Invest.Radioｌ.21,720-733(1986) 参照）。ルール
ベース法を用いた分類に対して、ＲＯＣ曲線は、ＲＯＩ
の総数に対する異常ＲＯＩの数の比で表した閾値レベル
を変えることによって得られる。ＡＮＮ法を用いた分類
に対しては、ＲＯＣ曲線は、ＡＮＮ出力で表した閾値レ
ベルを変化させることによって得られる。最後に、それ
ぞれの方法についての平均分類能力が、１０組の異なっ
た学習ないしテスト用データセットの使用によって決定
される。ＲＯＣ曲線の間の統計的有意差は、各テストデ
ータセットのＡＺ値（ＲＯＣ曲線下の面積）に添付され
た２組の試験を行うことによって決定される。
【０１１８】図３９〜図４１は、ルールベース法単独、
ＡＮＮ法単独、ルールベース＋ＡＮＮ法とともに組織尺
度を用いる分類法のために得られたＲＯＣ曲線を示して
いる。ルールベース＋ＡＮＮ法の０．９５８というＡＺ
値は、ルールベース法単独（ｐ＜０．０５）の０．９４
７、そしてＡＮＮ法単独（ｐ＜０．２０）の０．９５７
よりも大きい。幾何学的パタンに基づいた様々な分類方
法から得られたＲＯＣ曲線が図４０に示されている。ル
ールベース＋ＡＮＮ法の０．９４３というＡＺ値は、ル
ールベース法単独（ｐ＜０．０５）の０．９３７、そし
てＡＮＮ法単独（ｐ＜０．５０）の０．９４１よりも大
きい。さらに、組織尺度と幾何学的パタン尺度を組み合
わせた解析のＲＯＣ曲線が図４１に示されている。ルー
ルベース＋ＡＮＮ法の０．９６６というＡＺ値は、ルー
ルベース法単独（ｐ＜０．０５）の０．９５９、そして
ＡＮＮ法単独（ｐ＜０．１０）の０．９６５よりも大き
い。ルールベース＋ＡＮＮ法は、単独のルールベース法
或いはＡＮＮ法よりも常に改善された分類能力を示し、
ＡＮＮ法単独で得られる分類能力は、ルールベース法単
独で得られるものより高いことに注意が必要である。こ
れらの結果は、明らかな（簡単な）例がルールベース法
によって最初に除かれ、残りの不明確な（難しい）例の
みがＡＮＮ法によって分類されれば、分類の全体的な能
力が向上することを示している。これはおそらく、ＡＮ
Ｎの学習の際に簡単な例を含んでいる全ての例よりも、
難しい例のみがより効果的であるために、改善された能
力を与えるためであろう。
【０１１９】表２は、正常な肺と、間質性疾患を持って
いる異常な肺を区別する様々な分類装置の、特性値０．
９００における感度によって表された分類能力をまとめ
たものである。
【０１２０】
【表２】
【０１２１】組織尺度を用いた場合に得られる感度が幾
何学的パタン尺度を用いたものよりも高い感度を示して
いるにも関わらず、組み合わせの解析方法は、全ての分
類方法において別々の解析方法に較べて改善された感度
を示すことができる。これらの結果は、組織解析と幾何
学的特徴解析とは互いに補い合うことが可能であること
を示している。組織と幾何学的パタン尺度の組み合わせ
を用いたルールベース＋ＡＮＮ法の分類は、最高の能力
を示していることに注意が必要である。
【０１２２】組織と幾何学的パタン尺度の組み合わせの
解析がルールベース法を使った分類に使用される場合、
他の論理演算を適用することができる。
【０１２３】発明者等は、ルールベース法単独について
は、論理的ＡＮＤ演算を用いることを試みた。すなわ
ち、胸部画像が、組織尺度と幾何学的パタン尺度の両方
を用いたルールベース法によって異常と分類することが
できれば、胸部画像は、異常と分類される。ＲＯＣ曲線
から得られたＡＺ値は、０．９４７であり、特性値０．
９００での感度は９．８５８であった。この結果は、ル
ールベース法単独における、尺度の組み合わせ解析に対
する論理ＡＮＤ演算は、分類能力を改善させることがで
きない、ということを意味している。幾何学的パタン尺
度から得られる感度は組織尺度から得られたものよりも
かなり低いからである。
【０１２４】さらに、発明者等は、ルールベース＋ＡＮ
Ｎ法にて明らかな例の分類に対する論理ＯＲ演算につい
て検討した。胸部画像が、組織尺度と幾何学的パタン尺
度のどちらかを用いたルールベース法によって明らかに
正常と分類することができれば、胸部画像は、明らかに
正常と分類される。肺は、論理ＯＲ演算によって明らか
に異常とも分類される。ＡＺ値は、０．９５４であり、
感度は、０．９７であった。この結果は、明らかな例を
特定するための論理ＯＲ演算は、ルールベース法にＡＮ
Ｎ法を加えた全体の分類能力を向上させないということ
を示している。これは、全体の分類能力が、ルールベー
ス法における論理ＯＲ演算のために、誤って明らかな例
として分類されてしまういくつかの偽陽性と偽陰性によ
って影響を受けてしまうことが原因である。したがっ
て、ルールベース＋ＡＮＮ法が使用された場合には、最
初のルールベース法において、注意深く、正しく明らか
な例を特定し残りの難しい例をＡＮＮ法を使って分類す
ることが非常に重要である。なお本発明は上述した実施
形態に限定されず、種々変形して実施可能である。
【０１２５】
【発明の効果】以上説明したように本発明によれば、デ
ジタル化された胸部Ｘ線画像において胸郭の正確な境界
の自動検出のための新規で改良された方法を提供でき
る。また、画像特徴解析と、胸郭のエッジ検出から得ら
れた目印情報とに基づいて、デジタル化された胸部Ｘ線
画像における右および左半横隔膜の自動検出のための新
規で改良された方法を提供できる。さらに、組織尺度に
おけるスクリーン−フィルムシステムおよびレーザース
キャナーに関するノイズ成分の影響を低減する方法を提
供できる。さらにまた、真陽性の検出感度を損なうこと
無く、偽陽性の検出を低減することが可能な間質性疾患
の自動検出および分類のための優れた方法を提供でき
る。
【図面の簡単な説明】
【図１】画像の中で、負の傾きを有する線（左から始ま
る）がゼロと交わる位置で選ばれた肺の上端と考えられ
る第１、第２の候補を持つ胸部Ｘ線画像の中央上部の領
域において画像幅の２分の１から得られた垂直プロファ
イルとその第１の導関数を示す図。
【図２】プロファイルに沿った画素値の標準偏差と最大
差の計算に用いられ、正しい肺の上端、肺の内部、首の
領域内に対応する３つの候補の位置における水平プロフ
ァイルの比較を示したグラフ。
【図３】肺の上端の第１、第２の候補の位置での水平方
向のプロファイルに沿った画素値の標準偏差と最大差と
の間の関係を示したグラフ。
【図４】肺内部と首領域における候補の相互相関値の比
較を示したグラフ。
【図５】胸部Ｘ線画像で肺の上端の位置を検出するため
に自動化されたコンピュータ装置の動作を示すフローチ
ャート。
【図６】右肺の中央において画像の幅の１２分の１から
得られた垂直方向のプロファイルと、その第１の導関数
を示すグラフ。
【図７】肺の上側５分の１の垂直レベルにおける水平方
向のプロファイルと、第２の導関数を示すグラフ。
【図８】肺の角度線、開始点、肺の上端のエッジと胸郭
のエッジを探索するための探索領域を含む目印情報と肺
領域のその他の目印情報を示す図。
【図９】１００例の胸部Ｘ線画像から得られた右肺の角
度Ａｒと、左肺の角度Ａｌの分布を示す図。
【図１０】２つの探索ＲＯＩにおける２つのプロファイ
ルと、その第２の導関数を示すグラフ。
【図１１】探索ＲＯＩ（２０画像）のプロファイルの第
２の導関数における第１、第２の最小ピーク値の間の関
係を示したグラフ。
【図１２】右および左半横隔膜エッジ検出のための初期
垂直ＲＯＩ、開始点および探索範囲の位置、胸郭のエッ
ジ検出から得られた胸部Ｘ線画像の他の目印情報等を示
す図。
【図１３】右の半横隔膜中央にある垂直方向のプロファ
イルと、初期垂直ＲＯＩから計算されたその第１の導関
数を示すグラフ。
【図１４】右および左半横隔膜中央から画像の底までの
距離と、検出された右半横隔膜エッジ中央に基づいた左
半横隔膜中央の初期垂直ＲＯＩの上側と下側のレベルで
選択されたものを示しているグラフ。
【図１５】左半横隔膜中央の垂直方向のプロファイル
と、初期垂直ＲＯＩから計算された第１の導関数を示す
グラフ。
【図１６】左半横隔膜中央の初期垂直ＲＯＩから得られ
たプロファイルの第１の導関数において第１の最小値に
対する第２の最小値の割合で示される比、第１の最小値
に対する第２の最小値の相対的な位置関係、第２の最小
値と第１の最小値の絶対値の関係を示したグラフ。
【図１７】右半横隔膜中央の初期垂直ＲＯＩと、肺の左
下側の領域内に位置する初期垂直ＲＯＩ（カテゴリーＬ
のケース）と、左半横隔膜領域の初期垂直ＲＯＩ（カテ
ゴリーＤのケース）のヒストグラムを示すグラフ。
【図１８】右半横隔膜中央の初期垂直ＲＯＩのヒストグ
ラムの第１のピークでの画素値と胸部Ｘ線画像（肺の左
下側の領域（カテゴリ−Ｌ）または左半横隔膜の領域
（カテゴリーＤ））の左側の初期垂直ＲＯＩのヒストグ
ラムの第１のピークでの画素値との関係を示したグラ
フ。
【図１９】本発明による左半横隔膜エッジ決定のための
コンピュータ化された方法を示すフローチャート。
【図２０】カテゴリーＣの場合における左半横隔膜のエ
ッジ検出例を示すＸ線写真。
【図２１】カテゴリーＣの場合における左半横隔膜の全
ての輪郭を抽出した場合を示すＸ線写真。
【図２２】カテゴリーＡ２、ＬＧおよびＮＧの場合の左
半横隔膜のエッジ検出例を示すＸ線写真。
【図２３】カテゴリーＡ２、ＬＧおよびＮＧの場合の左
半横隔膜の全ての輪郭を抽出した場合を示すＸ線写真。
【図２４】検出された左半横隔膜のエッジの正しいもの
と不正なものとの組の全体の傾きの関係を示す図。
【図２５】検出された左半横隔膜のエッジの正しいもの
と不正なものとの組の標準偏差の関係を示す図。
【図２６】検出された２組の左半横隔膜のエッジのうち
の正しい１組の半横隔膜エッジを特定するために使用さ
れる方法を示すフローチャート。
【図２７】ＲＭＳの変化と、画素値で計算されたパワー
スペクトルの第１のモーメントの光学密度依存性を示す
グラフ。
【図２８】ＯＣフィルムの勾配曲線を示すグラフ。
【図２９】相対露出におけるＲＭＳ変化の光学密度依存
性を示すグラフ。
【図３０】相対露出における正常例のＲＭＳ変化の光学
密度依存性を示したグラフ。
【図３１】システムノイズに対する補正曲線を示したグ
ラフ。
【図３２】相対露出におけるＲＭＳ変化の光学密度依存
性を示したグラフ。
【図３３】いかなる補正も行っていない場合（点線）と
勾配補正を行った場合（破線）と勾配補正とシステム補
正を行った場合（実線）のＲＯＣ曲線を比較したグラ
フ。
【図３４】発明者等のデータベース中の１００例の正常
な肺と１００例の間質性疾患を有する異常な肺から得ら
れた組織尺度と、幾何学的パタン尺度の分布を示したグ
ラフ。
【図３５】データベース内の正常及び異常な肺に対する
正規化された組織尺度の分布を示す図。
【図３６】組織指標（左）と幾何学的パタン指標（右）
の定義を示す図。
【図３７】間質性浸潤を有する胸部Ｘ線画像から得られ
た組織指標のヒストグラムを示すグラフ。
【図３８】本発明によるルールベース＋ＡＮＮ法の全体
を示すフローチャート図。
【図３９】組織尺度、幾何学的パタン尺度、組織尺度お
よび幾何学的パタン尺度の組み合わせを用いた種々の分
類方法から得られたＲＯＣ曲線を示す図。
【図４０】幾何学的パタンに基づいた様々な分類方法か
ら得られたＲＯＣ曲線を示す図。
【図４１】組織尺度と幾何学的パタン尺度を組み合わせ
たＲＯＣ曲線を示す図。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 シン・ウェイ・シュー アメリカ合衆国、イリノイ州 60637、シ カゴ、ナンバー２、イースト・フィフティ ーセブンス・ストリート 847 (72)発明者 桂川 茂彦 岩手県盛岡市湯沢南２丁目17番地８号 (72)発明者 杜下 淳次 京都府船井郡園部町横田淵の端64番地の２

Claims (38)

    【特許請求の範囲】
  1. 【請求項１】画像の垂直プロファイルを求めるステップ
    と、 前記垂直プロファイルに基づいて、肺上端の候補点を求
    めるステップと、 前記候補点の水平プロファイルを求めるステップと、 前記水平プロファイル内のばらつきの度合を表す係数を
    求めるステップと、 前記係数に基づいて、前記候補点を肺上端として決定す
    るか否かを判断するステップと、 を備えたことを特徴とする画像診断支援装置の画像処理
    方法。
  2. 【請求項２】（ａ）画像の上側中央の領域において垂直
    プロファイルおよびその第１の導関数を得るステップ
    と、 （ｂ）第１の導関数における負の傾きのゼロ交差に基づ
    いて肺上端の候補を特定するステップと、 （ｃ）画像の上端に最も近い第１の特定候補の水平プロ
    ファイルの標準偏差が所定の閾値よりも小さい場合に、
    当該候補を前記肺上端として選択するステップと、 （ｄ）前記標準偏差が前記所定の閾値よりも大きい場合
    に、前記特定された候補以外の他の候補を評価するステ
    ップと、 （ｅ）前記他の候補の標準偏差が所定の閾値より小であ
    るか否かを評価し、もし小の場合は、前記他の候補と前
    記特定された候補のうちから、前記肺上端として大きい
    画素値を有する候補を選択し、もし小でない場合は、第
    ２の候補の位置での水平プロファイルと所定のプロファ
    イルとの間の相互相関を評価し、該相互相関値が所定の
    相互相関閾値より小であるときに前記肺上端として前の
    候補を選択するステップと、 （ｆ）前記相互相関値が前記所定の相互相関閾値よりも
    大の場合はさらに他の候補を選択し、前記ステップ
    （ｅ）を繰り返すステップとから構成され、 肺上端を決定する画像診断支援装置の画像処理方法。
  3. 【請求項３】（ａ）右及び左の肺角度線を決定するステ
    ップと、 （ｂ）右及び左の探索範囲と、肺上端エッジの探索開始
    のための右及び左肺上端探索開始点とを確立するステッ
    プと、 （ｃ）探索ＲＯＩを前記探索開始点に各々配置するステ
    ップと、 （ｄ）前記各々の探索ＲＯＩにおいて垂直プロファイル
    および第２の導関数を決定するステップと、 （ｅ）前記ステップ（ｄ）により決定された第２の導関
    数において第１、第２の最小値の絶対値の位置を決定す
    るステップと、 （ｆ）第１の最小ピークの位置の絶対値の第２の最小ピ
    ークの位置の絶対値に対する比が、予め決められた閾値
    よりも大きいときに、各ＲＯＩで、第１の最小ピーク位
    置を肺上端のエッジとして選択し、そうでなければ、前
    記比が予め決められた閾値よりも小さいときに、各ＲＯ
    Ｉにおいて前記第２の最小ピーク位置を肺上端のエッジ
    として選択するステップと、 （ｇ）右及び左の探索ＲＯＩを、探索範囲内において所
    定量だけ横方向にずらして再配置するステップと、 （ｈ）右及び左の探索範囲全体で、肺上端のエッジを検
    出するために、前記ステップ（ｄ）〜ステップ（ｇ）を
    繰り返すステップとから構成され、 右及び左肺の上端エッジを検出する請求項２に記載の方
    法。
  4. 【請求項４】前記ステップ（ａ）は、２つの垂直位置か
    ら求められた２つの水平プロファイルにおける右及び左
    肺の最小画素値の位置に基づいて前記右及び左肺角度線
    を決定し、 前記ステップ（ｂ）は、右及び左肺角度線と肺上端との
    交点に基づいて前記右及び左肺上端の探索開始点を確立
    し、 前記ステップ（ｇ）は、前記ステップ（ｆ）により検出
    された肺上端のエッジの垂直方向の中央に前記右及び左
    の探索ＲＯＩを再配置する請求項３に記載の方法。
  5. 【請求項５】（ａ）所定の垂直位置における水平プロフ
    ァイルおよびその第２の導関数を決定するステップと、 （ｂ）上端および下端の探索範囲と、右及び左の胸郭の
    エッジの探索開始のための右及び左胸郭エッジ探索開始
    点とを確立するステップと、 （ｃ）前記胸郭エッジ探索開始点に胸郭エッジ探索ＲＯ
    Ｉを各々配置するステップと、 （ｄ）前記各々の胸郭エッジ探索ＲＯＩにおいて水平プ
    ロファイルおよびその第２の導関数を決定するステップ
    と、 （ｅ）前記ステップ（ｄ）により決定された第２の導関
    数において第１、第２の最小値の位置の絶対値を決定す
    るステップと、 （ｆ）第２の最小ピーク位置の絶対値に対する第１の最
    小ピーク位置の絶対値の比が、所定の閾値よりも大きい
    場合は、各ＲＯＩにおいて第１の最小ピーク位置を胸郭
    エッジとして選択し、そうでなければ、前記比が所定の
    閾値よりも小さい場合は、各ＲＯＩにおいて前記第２の
    最小ピーク位置を胸郭エッジとして選択するステップ
    と、 （ｇ）前記右及び左の探索ＲＯＩを、探索範囲内におい
    て所定量だけ縦方向にずらして再配置するステップと、 （ｈ）上端及び下端の探索範囲全体で、胸郭エッジを検
    出するために前記ステップ（ｄ）〜ステップ（ｇ）を繰
    り返すステップとから構成され、 右及び左胸郭エッジを検出する請求項３に記載の方法。
  6. 【請求項６】前記ステップ（ｂ）は、右及び左の肺角度
    線の各々の外側に位置する第２の導関数の最小ピーク位
    置に基づいて右及び左の胸郭エッジの探索開始点を決定
    し、 前記ステップ（ｇ）は、前記ステップ（ｆ）により検出
    された胸郭のエッジの中央に前記右及び左の探索ＲＯＩ
    を再配置する請求項５に記載の方法。
  7. 【請求項７】滑らかな肺上端エッジを生成するために、
    検出された肺上端エッジおよび選択された上側胸郭エッ
    ジに多項式関数を適用するステップと、 滑らかな右及び左の胸郭エッジを生成するために、検出
    され選択された右側胸郭エッジおよび検出され選択され
    た左側の胸郭エッジに多項式関数を適用するステップ
    と、 滑らかな肺上端エッジ、滑らかな右及び左の胸郭エッジ
    およびこれらの滑らかな接続によって定義された胸郭境
    界を生成するために、滑らかな肺上端のエッジと滑らか
    な右及び左の胸郭エッジとの間の滑らかな接続を達成す
    べく肺上端エッジと右及び左胸郭エッジとの重複エッジ
    に加重平均を適用するステップとから構成される請求項
    ５に記載の方法。
  8. 【請求項８】右肺の中央を通過する垂直プロファイルお
    よびその第１の導関数を得て、垂直プロファイルの下側
    半分において得られた第１の導関数の最小ピーク位置を
    肺下端として特定するステップから構成される請求項７
    に記載の方法。
  9. 【請求項９】（ａ）右半横隔膜エッジ探索のために、右
    の内側および外側の探索限界を決定するステップと、 （ｂ）肺下端の垂直レベルと、肺下端と右肺角度線との
    交点に関連して決定された水平位置とに、初期探索ＲＯ
    Ｉを位置付けるステップと、 （ｃ）探索ＲＯＩにおける垂直プロファイルおよびその
    第１の導関数を決定するステップと、 （ｄ）前記ステップ（ｃ）により決定された第１の導関
    数における最小値の位置をＲＯＩにおける右半横隔膜エ
    ッジとして決定するステップと、 （ｅ）初期探索ＲＯＩの一方の側および初期探索ＲＯＩ
    の他の側の水平方向に、探索ＲＯＩを所定量だけシフト
    し、右の内側および外側の探索限界の間で、右半横隔膜
    エッジの完全な組が検出されるまで前記ステップ（ｃ）
    〜ステップ（ｅ）を繰り返すステップと、 （ｆ）滑らかで完全な右半横隔膜エッジを得るために、
    右半横隔膜エッジの完全な組に多項式関数をフィッティ
    ングするステップとから構成され、 右半横隔膜エッジを検出する請求項８に記載の方法。
  10. 【請求項１０】（ａ）左半横隔膜エッジ探索のために、
    左の内側および外側の探索限界を決定するステップと、 （ｂ）前記画像上の選択された位置に、左半横隔膜エッ
    ジ初期探索ＲＯＩを位置付けるステップと、 （ｃ）探索ＲＯＩにおける垂直プロファイルおよびその
    第１の導関数を決定するステップと、 （ｄ）前記ステップ（ｃ）により決定された第１の導関
    数において第１、第２の最小値を検出し、第１の最小値
    に対する第２の最小値の比を決定するステップと、 （ｅ）探索ＲＯＩ中において左半横隔膜エッジとなる第
    １の最小値の位置を決定し、前記ステップで決定された
    第１の最小値に対する第２の最小値の比が所定量よりも
    小さい場合に探索開始点を決定し、シフトＲＯＩにより
    探索開始点の一方の側および他方の側の水平方向に探索
    ＲＯＩを所定量だけ反復シフトし、左の内側および外側
    の水平探索限界の間で、完全な左半横隔膜エッジが検出
    されるまで、各シフトＲＯＩにより得られる垂直プロフ
    ァイルの第１の導関数の第１の最小値の位置となる半横
    隔膜エッジを決定するステップと、 （ｆ）前記ステップ（ｅ）で、第１の最小値に対する第
    ２の最小値の比が前記所定量よりも大きいとき、前記ス
    テップ（ｅ）で決定された第１の導関数の第１、第２の
    最小値の絶対値が所定の絶対値の量よりも小さいかどう
    かを決定し、もしそうであるならば、右及び左の半横隔
    膜のエッジの初期探索ＲＯＩのヒストグラムを決定し、
    決定されたヒストグラムの第１のピークの画素値を比較
    し、もし右の横隔膜のヒストグラムの第１のピークの画
    素値が左横隔膜のヒストグラムの第１のピークの画素値
    よりも所定値だけ大きければ、探索ＲＯＩを垂直方向に
    下側にシフトし、もし右の横隔膜のヒストグラムの第１
    のピークの画素値が左横隔膜のヒストグラムの第１のピ
    ークの画素値よりも所定値だけ小さければ、探索ＲＯＩ
    を垂直方向に上側にシフトし、前記ステップ（ｅ）を繰
    り返すステップと、 （ｇ）前記ステップ（ｅ）で、第１の最小に対する第２
    の最小値の比が前記所定量より大きく、前記ステップ
    （ｆ）で、第１および第２の最小値の絶対値が前記所定
    の絶対値の量よりも大きいとき、左の横隔膜のエッジの
    候補を決定するために探索開始点の候補となりうる第１
    および第２の最小の位置を決定し、探索開始点の候補に
    開始ＲＯＩを配置し、探索開始点の候補に配置された開
    始ＲＯＩの垂直プロファイルと垂直プロファイルのそれ
    ぞれの第１の導関数を決定し第１の導関数の最小の位置
    での探索ＲＯＩの候補でそれぞれの左半横隔膜エッジの
    候補を特定し、開始ＲＯＩを所定量だけ探索開始点の候
    補の両側にシフトし、シフトされたＲＯＩのそれぞれに
    対して、左半横隔膜のエッジの完全な組の第１と第２の
    候補が検出されるまで、シフトされたＲＯＩで得られた
    垂直プロファイルの第１の導関数の最小に基づいて、左
    半横隔膜のエッジを決定するステップと、 （ｈ）前記ステップ（ｇ）で決定された左半横隔膜エッ
    ジの完全な組の第１、第２の候補の傾きおよび標準偏差
    を決定し、前記完全な組の両方が、所定の傾きよりも大
    きいかあるいは小さい傾きを持っているとき、小さい方
    の傾きを持っている完全な組を左半横隔膜エッジと決定
    し、前記完全な組の両方が、所定の傾きよりも大きいか
    小さい傾きを持っていないとき、左半横隔膜エッジを、
    小さい標準偏差を持っている左半横隔膜エッジの完全な
    組の第１、第２の候補と決定するステップと、 （ｉ）滑らかで完全な左半横隔膜エッジを得るために、
    決定された左半横隔膜エッジに多項式関数をフッティン
    グするステップとから構成され、 左半横隔膜エッジを検出する請求項９に記載の方法。
  11. 【請求項１１】前記ステップ（ｂ）は、肺下端と右及び
    左の肺角度線を所定量だけ画像の中心線にシフトさせた
    線との交点に初期探索ＲＯＩを位置付けし、 前記ステップ（ｅ）およびステップ（ｇ）は、前のＲＯ
    Ｉにおいて検出されたエッジの垂直位置に対し垂直方向
    の中央に来るように探索ＲＯＩをシフトする請求項９又
    は請求項１０に記載の方法。
  12. 【請求項１２】胸郭の境界内の領域から得られたデータ
    値を相対露出に補正するステップから構成される請求項
    １０に記載の方法。
  13. 【請求項１３】前記ステップは、ＲＯＩの画素値ＲＭＳ
    をＲＭＳp とし、使用フィルムの勾配をＧとし、レーザ
    ースキャナの特性曲線の傾きをＣとし、log ｅを自然対
    数から常用対数への変換ファクターとするとき、ＲＭＳ
    ( ΔE/Eav)＝ＲＭＳp ／Ｇ・Ｃ・（log ｅ）なる関係に
    基づいて、ＲＯＩ内の画素データ値のＲＭＳ変化を、相
    対露出に変換するステップから構成される請求項１２に
    記載の方法。
  14. 【請求項１４】Ｘ線画像をデジタル画素データ値に変換
    するために使用されたシステムに存在するシステムノイ
    ズに起因して、ＲＭＳ変化の平均分布が逆数の関係に変
    換された画素データ値のＲＭＳ変化を補正するステップ
    から構成される請求項１２に記載の方法。
  15. 【請求項１５】（ａ）画像のＲＯＩにおいて補正され変
    換されたＲＭＳ変化の少なくとも一部に基づいて組織指
    標を決定するステップと、 （ｂ）組織指標のヒストグラムを決定するステップと、 （ｃ）前記ステップ（ｂ）で決定されたヒストグラムの
    上側の所定の領域の値を、複数の入力を有しバックプロ
    パゲーションアルゴリズムによる多層の正帰還ネットワ
    ークを含む学習済みの人工ニューラルネットワークへの
    入力として適用するステップと、 （ｄ）前記人工ニューラルネットワークの出力に基づい
    て、前記画像を正常または異常に分類するステップとか
    ら構成される請求項１４に記載の方法。
  16. 【請求項１６】（ａ）画像のＲＯＩにおける所定の幾何
    学的パタン尺度に基づいて、幾何学的パタン指標を決定
    するステップと、 （ｂ）幾何学的パタンのヒストグラムを決定するステッ
    プと、 （ｃ）前記ステップ（ｂ）で決定されたヒストグラムの
    上側の所定の領域の値を、複数の入力を有し、バックプ
    ロパゲーションアルゴリズムによる多層の正帰還ネット
    ワークを含む学習済みの人工ニューラルネットワークへ
    の入力として適用するステップと、 （ｄ）前記人工ニューラルネットワークの出力に基づい
    て、前記画像を正常または異常に分類するステップとと
    から構成される請求項１４に記載の方法。
  17. 【請求項１７】（ａ）画像のＲＯＩにおける補正され、
    変換されたＲＭＳ変化に少なくとも部分的に基づいて組
    織指標を決定するステップと、 （ｂ）画像のＲＯＩにおける所定の幾何学的パタン尺度
    に基づいて、幾何学的パタン指標を決定するステップ
    と、 （ｃ）組織指標と幾何学的パタン指標のヒストグラムを
    決定するステップと、 （ｄ）前記ステップ（ｃ）で決定されたヒストグラムの
    上側の所定の領域の値を、複数の入力を有し、バックプ
    ロパゲーションアルゴリズムによる多層の正帰還ネット
    ワークを含む学習済みの人工ニューラルネットワークへ
    の入力として適用するステップと、 （ｅ）前記人工ニューラルネットワークの出力に基づい
    て、前記画像を正常または異常に分類するステップとか
    ら構成される請求項１４に記載の方法。
  18. 【請求項１８】（ａ）画像のＲＯＩにおける補正され、
    変換されたＲＭＳ変化に少なくとも部分的に基づいて組
    織指標を決定するステップと、 （ｂ）潜在的な異常ＲＯＩを特定するための所定の閾値
    指標よりも大きい組織指標を含んでいるＲＯＩの数を決
    定するステップと、 （ｃ）画像の中のＲＯＩの総数に対する、前記ステップ
    （ｂ）で決定されたＲＯＩの数の比を決定し、もし、決
    定された比が、異常な画像の学習用の組で検出された異
    常なＲＯＩの最小の比に対応する第１の所定の比よりも
    小さければ、画像を正常と分類し、もし、決定された比
    が、正常な画像の学習用の組で検出された異常なＲＯＩ
    の最大の比に対応する第２の所定の比よりも大きけれ
    ば、画像を異常と分類するステップと、 （ｄ）前記ステップ（ｃ）で決定された前記第１の所定
    の比よりも大きく、前記第２の所定の比よりも小さい比
    を持つ画像について、補正され変換されたＲＭＳ変化に
    基づいて組織指標を決定するステップと、 （ｅ）組織指標のヒストグラムを決定するステップと、 （ｆ）前記ステップ（ｅ）で決定されたヒストグラムの
    上側の所定の領域の値を、複数の入力を有し、バックプ
    ロパゲーションアルゴリズムによる多層の正帰還ネット
    ワークを含む学習済みの人工ニューラルネットワークへ
    の入力として、適用するステップと、 （ｇ）前記人工ニューラルネットワークの出力に基づい
    て、前記画像を正常または異常に分類するステップとを
    更に、含んでいる請求項１４に記載の方法。
  19. 【請求項１９】（ａ）画像のＲＯＩにおける所定の幾何
    学的パタン尺度に基づいて、幾何学的パタン指標を決定
    するステップと、 （ｂ）潜在的異常のＲＯＩを特定するための所定の閾値
    指標よりも大きい幾何学的パタン指標を含んでいるＲＯ
    Ｉの数を決定するステップと、 （ｃ）画像の中のＲＯＩの総数に対する、前記ステップ
    （ｂ）で決定されたＲＯＩの数の比を決定し、もし、決
    定された比が、異常な画像の学習用の組で検出された異
    常なＲＯＩの最小の比に対応する第１の所定の比よりも
    小さければ、画像を正常と分類し、もし、決定された比
    が、正常な画像の学習用の組で検出された異常なＲＯＩ
    の最大の比に対応する第２の所定の比よりも大きけれ
    ば、画像を異常と分類するステップと、 （ｄ）前記ステップ（ｃ）で決定された前記第１の所定
    の比よりも大きく、前記第２の所定の比よりも小さい比
    を持つ画像について、幾何学的パタン指標のヒストグラ
    ムを決定するステップと、 （ｅ）前記ステップ（ｄ）で決定されたヒストグラムの
    上側の所定の領域の値を、複数の入力を有し、バックプ
    ロパゲーションアルゴリズムによる多層の正帰還ネット
    ワークを含む学習済みの人工ニューラルネットワークへ
    の入力として適用するステップと、 （ｈ）前記人工ニューラルネットワークの出力に基づい
    て、前記画像を正常または異常に分類するステップとか
    ら構成される請求項１４に記載の方法。
  20. 【請求項２０】（ａ）画像のＲＯＩにおいて補正され変
    換されたＲＭＳ変化の少なくとも一部分に基づいて組織
    指標を決定するステップと、 （ｂ）前記画像中の前記ＲＯＩにおける所定の幾何学的
    パタン尺度に基づいて、幾何学的パタン指標を決定する
    ステップと、 （ｃ）潜在的異常のＲＯＩを特定するための所定の閾値
    指標よりも大きい組織指標を含んでいるＲＯＩの数を決
    定するステップと、 （ｄ）潜在的異常のＲＯＩを特定するための所定の閾値
    指標よりも大きい幾何学的パタン指標を含んでいるＲＯ
    Ｉの数を決定するステップと、 （ｅ）画像の中のＲＯＩの総数に対する、前記ステップ
    （ｃ）で決定されたＲＯＩの数の比を決定し、もし、決
    定された比が、異常な画像の学習用の組で検出された異
    常なＲＯＩの最小の比に対応する第１の所定の比よりも
    小さければ、画像を正常と分類し、もし、決定された比
    が、正常な画像の学習用の組で検出された異常なＲＯＩ
    の最大の比に対応する第２の所定の比よりも大きけれ
    ば、画像を異常と分類するステップと、 （ｆ）画像の中のＲＯＩの総数に対する、前記ステップ
    （ｄ）で決定されたＲＯＩの数の比を決定し、もし、決
    定された比が、異常な画像の学習用の組で検出された異
    常なＲＯＩの最小の比に対応する第１の所定の比よりも
    小さければ、画像を正常と分類し、もし、決定された比
    が、正常な画像の学習用の組で検出された異常なＲＯＩ
    の最大の比に対応する第２の所定の比よりも大きけれ
    ば、画像を異常と分類するステップと、 （ｇ）前記ステップ（ｅ）およびステップ（ｆ）の少な
    くとも一方で決定された前記第１の所定の比よりも大き
    く、前記第２の所定の比よりも小さい比を持つ画像につ
    いて、組織指標および幾何学的パタン指標の少なくとも
    一方のヒストグラムを決定するステップと、 （ｈ）前記ステップ（ｇ）で決定されたヒストグラムの
    上側の所定の領域の値を、複数の入力を有し、バックプ
    ロパゲーションアルゴリズムによる多層の正帰還ネット
    ワークを含む学習済みの人工ニューラルネットワークへ
    の入力として適用するステップと、 （ｉ）前記人工ニューラルネットワークの出力に基づい
    て、前記画像を正常または異常に分類するステップとか
    ら構成される請求項１４に記載の方法。
  21. 【請求項２１】前記ステップ（ｇ）は、前記組織指標と
    前記幾何学的パタン指標の両方のヒストグラムを決定
    し、 前記ステップ（ｈ）は、前記ヒストグラムの両方の値を
    前記人工ニューラルネットワークへの入力として適用す
    る請求項２０に記載の方法。
  22. 【請求項２２】（ａ）所定の垂直位置における水平プロ
    ファイルおよびその第２の導関数を決定するステップ
    と、 （ｂ）上端および下端の探索範囲と、右及び左の胸郭の
    エッジの探索開始のための右及び左胸郭エッジ探索開始
    点とを確立するステップと、 （ｃ）前記胸郭エッジ探索開始点に胸郭エッジ探索ＲＯ
    Ｉを各々配置するステップと、 （ｄ）前記各々の胸郭エッジ探索ＲＯＩにおいて水平プ
    ロファイルおよびその第２の導関数を決定するステップ
    と、 （ｅ）前記ステップ（ｄ）により決定された第２の導関
    数において第１、第２の最小値の位置の絶対値を決定す
    るステップと、 （ｆ）第２の最小ピーク位置の絶対値に対する第１の最
    小ピーク位置の絶対値の比が、所定の閾値よりも大きい
    場合は、各ＲＯＩにおいて第１の最小ピーク位置を胸郭
    エッジとして選択し、そうでなければ、前記比が所定の
    閾値よりも小さい場合は、各ＲＯＩにおいて前記第２の
    最小ピーク位置を胸郭エッジとして選択するステップ
    と、 （ｇ）前記右及び左の探索ＲＯＩを、探索範囲内におい
    て所定量だけ縦方向にずらして再配置するステップと、 （ｈ）上端及び下端の探索範囲全体で、胸郭エッジを検
    出するために前記ステップ（ｄ）〜ステップ（ｇ）を繰
    り返すステップとから構成される画像診断支援装置の画
    像処理方法。
  23. 【請求項２３】右及び左の肺角度線を検出するステップ
    をさらに具備し、 前記ステップ（ｂ）は、右及び左の胸郭のエッジの探索
    開始点を、右及び左の肺角度線の各々の外側に位置する
    第２の導関数の最小ピークの位置に基づいて決定し、 前記ステップ（ｇ）は、右及び左の探索ＲＯＩを前記ス
    テップ（ｆ）において検出された胸郭エッジにてセンタ
    ーリングする請求項２２に記載の方法。
  24. 【請求項２４】滑らかな肺上端エッジを生成するため
    に、検出された肺上端エッジおよび選択された上側胸郭
    エッジに多項式関数を適用するステップと、 滑らかな右及び左の胸郭エッジを生成するために、検出
    され選択された右側胸郭エッジおよび検出され選択され
    た左側の胸郭エッジに多項式関数を適用するステップ
    と、 滑らかな肺上端エッジ、滑らかな右及び左の胸郭エッジ
    およびこれらの滑らかな接続によって定義された胸郭境
    界を生成するために、滑らかな肺上端のエッジと滑らか
    な右及び左の胸郭エッジとの間の滑らかな接続を達成す
    べく肺上端エッジと右及び左胸郭エッジとの重複エッジ
    に加重平均を適用するステップとから構成される請求項
    ２２に記載の方法。
  25. 【請求項２５】右肺の中心を通る垂直プロファイルおよ
    びその第１の導関数を取得し、垂直プロファイルの下側
    半分の第１の導関数における最小ピークの位置を肺下端
    として特定するステップと、 （ａ）右半横隔膜エッジ探索のために、右の内側および
    外側の探索限界を決定するステップと、 （ｂ）肺下端の垂直レベルと、肺下端と右肺角度線との
    交点に関連して決定された水平位置とに、初期探索ＲＯ
    Ｉを位置付けるステップと、 （ｃ）探索ＲＯＩにおける垂直プロファイルおよびその
    第１の導関数を決定するステップと、 （ｄ）前記ステップ（ｃ）により決定された第１の導関
    数における最小値の位置をＲＯＩにおける右半横隔膜エ
    ッジとして決定するステップと、 （ｅ）初期探索ＲＯＩの一方の側および初期探索ＲＯＩ
    の他の側の水平方向に、探索ＲＯＩを所定量だけシフト
    し、右の内側および外側の探索限界の間で、右半横隔膜
    エッジの完全な組が検出されるまで前記ステップ（ｃ）
    〜ステップ（ｅ）を繰り返すステップと、 （ｆ）滑らかで完全な右半横隔膜エッジを得るために、
    右半横隔膜エッジの完全な組に多項式関数をフィッティ
    ングするステップとから構成され、 右半横隔膜エッジを検出する画像診断支援装置の画像処
    理方法。
  26. 【請求項２６】（ａ）左半横隔膜エッジ探索のために、
    左の内側および外側の探索限界を決定するステップと、 （ｂ）前記画像上の選択された位置に、左半横隔膜エッ
    ジ初期探索ＲＯＩを位置付けるステップと、 （ｃ）探索ＲＯＩにおける垂直プロファイルおよびその
    第１の導関数を決定するステップと、 （ｄ）前記ステップ（ｃ）により決定された第１の導関
    数において第１、第２の最小値を検出し、第１の最小値
    に対する第２の最小値の比を決定するステップと、 （ｅ）探索ＲＯＩ中において左半横隔膜エッジとなる第
    １の最小値の位置を決定し、前記ステップで決定された
    第１の最小値に対する第２の最小値の比が所定量よりも
    小さい場合に探索開始点を決定し、シフトＲＯＩにより
    探索開始点の一方の側および他方の側の水平方向に探索
    ＲＯＩを所定量だけ反復シフトし、左の内側および外側
    の水平探索限界の間で、完全な左半横隔膜エッジが検出
    されるまで、各シフトＲＯＩにより得られる垂直プロフ
    ァイルの第１の導関数の第１の最小値の位置となる半横
    隔膜エッジを決定するステップと、 （ｆ）前記ステップ（ｅ）で、第１の最小値に対する第
    ２の最小値の比が前記所定量よりも大きいとき、前記ス
    テップ（ｅ）で決定された第１の導関数の第１、第２の
    最小値の絶対値が所定の絶対値の量よりも小さいかどう
    かを決定し、もしそうであるならば、右及び左の半横隔
    膜のエッジの初期探索ＲＯＩのヒストグラムを決定し、
    決定されたヒストグラムの第１のピークの画素値を比較
    し、もし右の横隔膜のヒストグラムの第１のピークの画
    素値が左横隔膜のヒストグラムの第１のピークの画素値
    よりも所定値だけ大きければ、探索ＲＯＩを垂直方向に
    下側にシフトし、もし右の横隔膜のヒストグラムの第１
    のピークの画素値が左横隔膜のヒストグラムの第１のピ
    ークの画素値よりも所定値だけ小さければ、探索ＲＯＩ
    を垂直方向に上側にシフトし、前記ステップ（ｅ）を繰
    り返すステップと、 （ｇ）前記ステップ（ｅ）で、第１の最小に対する第２
    の最小値の比が前記所定量より大きく、前記ステップ
    （ｆ）で、第１および第２の最小値の絶対値が前記所定
    の絶対値の量よりも大きいとき、左の横隔膜のエッジの
    候補を決定するために探索開始点の候補となりうる第１
    および第２の最小の位置を決定し、探索開始点の候補に
    開始ＲＯＩを配置し、探索開始点の候補に配置された開
    始ＲＯＩの垂直プロファイルと垂直プロファイルのそれ
    ぞれの第１の導関数を決定し第１の導関数の最小の位置
    での探索ＲＯＩの候補でそれぞれの左半横隔膜エッジの
    候補を特定し、開始ＲＯＩを所定量だけ探索開始点の候
    補の両側にシフトし、シフトされたＲＯＩのそれぞれに
    対して、左半横隔膜のエッジの完全な組の第１と第２の
    候補が検出されるまで、シフトされたＲＯＩで得られた
    垂直プロファイルの第１の導関数の最小に基づいて、左
    半横隔膜のエッジを決定するステップと、 （ｈ）前記ステップ（ｇ）で決定された左半横隔膜エッ
    ジの完全な組の第１、第２の候補の傾きおよび標準偏差
    を決定し、前記完全な組の両方が、所定の傾きよりも大
    きいかあるいは小さい傾きを持っているとき、小さい方
    の傾きを持っている完全な組を左半横隔膜エッジと決定
    し、前記完全な組の両方が、所定の傾きよりも大きいか
    小さい傾きを持っていないとき、左半横隔膜エッジを、
    小さい標準偏差を持っている左半横隔膜エッジの完全な
    組の第１、第２の候補と決定するステップと、 （ｉ）滑らかで完全な左半横隔膜エッジを得るために、
    決定された左半横隔膜エッジに多項式関数をフッティン
    グするステップとから構成され、 左半横隔膜エッジを検出する請求項２５に記載の方法。
  27. 【請求項２７】前記ステップ（ｂ）は、肺下端と右及び
    左の肺角度線を所定量だけ画像の中心線にシフトさせた
    線との交点に初期探索ＲＯＩを位置付けし、 前記ステップ（ｅ）およびステップ（ｇ）は、前のＲＯ
    Ｉにおいて検出されたエッジの垂直位置に対し垂直方向
    の中央に来るように探索ＲＯＩをシフトする請求項２５
    又は請求項２６に記載の方法。
  28. 【請求項２８】胸郭の境界内の領域から得られたデータ
    値を相対露出に補正するステップから構成される画像診
    断支援装置の画像処理方法。
  29. 【請求項２９】前記ステップは、ＲＯＩの画素値ＲＭＳ
    をＲＭＳp とし、使用フィルムの勾配をＧとし、レーザ
    ースキャナの特性曲線の傾きをＣとし、log ｅを自然対
    数から常用対数への変換ファクターとするとき、ＲＭＳ
    ( ΔE/Eav)＝ＲＭＳp ／Ｇ・Ｃ・（log ｅ）なる関係に
    基づいて、ＲＯＩ内の画素データ値のＲＭＳ変化を、相
    対露出に変換するステップから構成される請求項２８に
    記載の方法。
  30. 【請求項３０】Ｘ線画像をデジタル画素データ値に変換
    するために使用されたシステムに存在するシステムノイ
    ズに起因して、ＲＭＳ変化の平均分布が逆数の関係に変
    換された画素データ値のＲＭＳ変化を補正するステップ
    から構成される請求項２８に記載の方法。
  31. 【請求項３１】Ｘ線画像をデジタル画素データ値に変換
    するために使用されたシステムに存在するシステムノイ
    ズに起因して、ＲＭＳ変化の平均分布が逆数の関係に変
    換された画素データ値のＲＭＳ変化を補正するステップ
    から構成される請求項２９に記載の方法。
  32. 【請求項３２】（ａ）画像のＲＯＩにおいて補正され変
    換されたＲＭＳ変化の少なくとも一部に基づいて組織指
    標を決定するステップと、 （ｂ）組織指標のヒストグラムを決定するステップと、 （ｃ）前記ステップ（ｂ）で決定されたヒストグラムの
    上側の所定の領域の値を、複数の入力を有しバックプロ
    パゲーションアルゴリズムによる多層の正帰還ネットワ
    ークを含む学習済みの人工ニューラルネットワークへの
    入力として適用するステップと、 （ｄ）前記人工ニューラルネットワークの出力に基づい
    て、前記画像を正常または異常に分類するステップとか
    ら構成される画像診断支援装置の画像処理方法。
  33. 【請求項３３】（ａ）画像のＲＯＩにおける所定の幾何
    学的パタン尺度に基づいて、幾何学的パタン指標を決定
    するステップと、 （ｂ）幾何学的パタンのヒストグラムを決定するステッ
    プと、 （ｃ）前記ステップ（ｂ）で決定されたヒストグラムの
    上側の所定の領域の値を、複数の入力を有し、バックプ
    ロパゲーションアルゴリズムによる多層の正帰還ネット
    ワークを含む学習済みの人工ニューラルネットワークへ
    の入力として適用するステップと、 （ｄ）前記人工ニューラルネットワークの出力に基づい
    て、前記画像を正常または異常に分類するステップとか
    ら構成される画像診断支援装置の画像処理方法。
  34. 【請求項３４】（ａ）画像のＲＯＩにおける補正され、
    変換されたＲＭＳ変化に少なくとも部分的に基づいて組
    織指標を決定するステップと、 （ｂ）画像のＲＯＩにおける所定の幾何学的パタン尺度
    に基づいて、幾何学的パタン指標を決定するステップ
    と、 （ｃ）組織指標と幾何学的パタン指標のヒストグラムを
    決定するステップと、 （ｄ）前記ステップ（ｃ）で決定されたヒストグラムの
    上側の所定の領域の値を、複数の入力を有し、バックプ
    ロパゲーションアルゴリズムによる多層の正帰還ネット
    ワークを含む学習済みの人工ニューラルネットワークへ
    の入力として適用するステップと、 （ｅ）前記人工ニューラルネットワークの出力に基づい
    て、前記画像を正常または異常に分類するステップとか
    ら構成される画像診断支援装置の画像処理方法。
  35. 【請求項３５】（ａ）画像のＲＯＩにおける補正され、
    変換されたＲＭＳ変化に少なくとも部分的に基づいて組
    織指標を決定するステップと、 （ｂ）潜在的な異常ＲＯＩを特定するための所定の閾値
    指標よりも大きい組織指標を含んでいるＲＯＩの数を決
    定するステップと、 （ｃ）画像の中のＲＯＩの総数に対する、前記ステップ
    （ｂ）で決定されたＲＯＩの数の比を決定し、もし、決
    定された比が、異常な画像の学習用の組で検出された異
    常なＲＯＩの最小の比に対応する第１の所定の比よりも
    小さければ、画像を正常と分類し、もし、決定された比
    が、正常な画像の学習用の組で検出された異常なＲＯＩ
    の最大の比に対応する第２の所定の比よりも大きけれ
    ば、画像を異常と分類するステップと、 （ｄ）前記ステップ（ｃ）で決定された前記第１の所定
    の比よりも大きく、前記第２の所定の比よりも小さい比
    を持つ画像について、補正され変換されたＲＭＳ変化に
    基づいて組織指標を決定するステップと、 （ｅ）組織指標のヒストグラムを決定するステップと、 （ｆ）前記ステップ（ｅ）で決定されたヒストグラムの
    上側の所定の領域の値を、複数の入力を有し、バックプ
    ロパゲーションアルゴリズムによる多層の正帰還ネット
    ワークを含む学習済みの人工ニューラルネットワークへ
    の入力として、適用するステップと、 （ｇ）前記人工ニューラルネットワークの出力に基づい
    て、前記画像を正常または異常に分類するステップとか
    ら構成される画像診断支援装置の画像処理方法。
  36. 【請求項３６】（ａ）画像のＲＯＩにおける所定の幾何
    学的パタン尺度に基づいて、幾何学的パタン指標を決定
    するステップと、 （ｂ）潜在的異常のＲＯＩを特定するための所定の閾値
    指標よりも大きい幾何学的パタン指標を含んでいるＲＯ
    Ｉの数を決定するステップと、 （ｃ）画像の中のＲＯＩの総数に対する、前記ステップ
    （ｂ）で決定されたＲＯＩの数の比を決定し、もし、決
    定された比が、異常な画像の学習用の組で検出された異
    常なＲＯＩの最小の比に対応する第１の所定の比よりも
    小さければ、画像を正常と分類し、もし、決定された比
    が、正常な画像の学習用の組で検出された異常なＲＯＩ
    の最大の比に対応する第２の所定の比よりも大きけれ
    ば、画像を異常と分類するステップと、 （ｄ）前記ステップ（ｃ）で決定された前記第１の所定
    の比よりも大きく、前記第２の所定の比よりも小さい比
    を持つ画像について、幾何学的パタン指標のヒストグラ
    ムを決定するステップと、 （ｅ）前記ステップ（ｄ）で決定されたヒストグラムの
    上側の所定の領域の値を、複数の入力を有し、バックプ
    ロパゲーションアルゴリズムによる多層の正帰還ネット
    ワークを含む学習済みの人工ニューラルネットワークへ
    の入力として適用するステップと、 （ｆ）前記人工ニューラルネットワークの出力に基づい
    て、前記画像を正常または異常に分類するステップとか
    ら構成される画像診断支援装置の画像処理方法。
  37. 【請求項３７】（ａ）画像のＲＯＩにおいて補正され変
    換されたＲＭＳ変化の少なくとも一部分に基づいて組織
    指標を決定するステップと、 （ｂ）前記画像中の前記ＲＯＩにおける所定の幾何学的
    パタン尺度に基づいて、幾何学的パタン指標を決定する
    ステップと、 （ｃ）潜在的異常のＲＯＩを特定するための所定の閾値
    指標よりも大きい組織指標を含んでいるＲＯＩの数を決
    定するステップと、 （ｄ）潜在的異常のＲＯＩを特定するための所定の閾値
    指標よりも大きい幾何学的パタン指標を含んでいるＲＯ
    Ｉの数を決定するステップと、 （ｅ）画像の中のＲＯＩの総数に対する、前記ステップ
    （ｃ）で決定されたＲＯＩの数の比を決定し、もし、決
    定された比が、異常な画像の学習用の組で検出された異
    常なＲＯＩの最小の比に対応する第１の所定の比よりも
    小さければ、画像を正常と分類し、もし、決定された比
    が、正常な画像の学習用の組で検出された異常なＲＯＩ
    の最大の比に対応する第２の所定の比よりも大きけれ
    ば、画像を異常と分類するステップと、 （ｆ）画像の中のＲＯＩの総数に対する、前記ステップ
    （ｄ）で決定されたＲＯＩの数の比を決定し、もし、決
    定された比が、異常な画像の学習用の組で検出された異
    常なＲＯＩの最小の比に対応する第１の所定の比よりも
    小さければ、画像を正常と分類し、もし、決定された比
    が、正常な画像の学習用の組で検出された異常なＲＯＩ
    の最大の比に対応する第２の所定の比よりも大きけれ
    ば、画像を異常と分類するステップと、 （ｇ）前記ステップ（ｅ）およびステップ（ｆ）の少な
    くとも一方で決定された前記第１の所定の比よりも大き
    く、前記第２の所定の比よりも小さい比を持つ画像につ
    いて、組織指標および幾何学的パタン指標の少なくとも
    一方のヒストグラムを決定するステップと、 （ｈ）前記ステップ（ｇ）で決定されたヒストグラムの
    上側の所定の領域の値を、複数の入力を有し、バックプ
    ロパゲーションアルゴリズムによる多層の正帰還ネット
    ワークを含む学習済みの人工ニューラルネットワークへ
    の入力として適用するステップと、 （ｉ）前記人工ニューラルネットワークの出力に基づい
    て、前記画像を正常または異常に分類するステップとか
    ら構成される画像診断支援装置の画像処理方法。
  38. 【請求項３８】前記ステップ（ｇ）は、前記組織指標と
    前記幾何学的パタン指標の両方のヒストグラムを決定
    し、 前記ステップ（ｈ）は、前記ヒストグラムの両方の値を
    前記人工ニューラルネットワークへの入力として適用す
    る請求項３７に記載の画像診断支援装置の画像処理方
    法。
JP09685296A 1995-04-25 1996-04-18 画像診断支援装置の画像処理方法 Expired - Lifetime JP3326070B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US428867 1995-04-25
US08/428,867 US5790690A (en) 1995-04-25 1995-04-25 Computer-aided method for automated image feature analysis and diagnosis of medical images

Publications (2)

Publication Number Publication Date
JPH08335271A true JPH08335271A (ja) 1996-12-17
JP3326070B2 JP3326070B2 (ja) 2002-09-17

Family

ID=23700709

Family Applications (1)

Application Number Title Priority Date Filing Date
JP09685296A Expired - Lifetime JP3326070B2 (ja) 1995-04-25 1996-04-18 画像診断支援装置の画像処理方法

Country Status (2)

Country Link
US (2) US5790690A (ja)
JP (1) JP3326070B2 (ja)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002047553A1 (fr) * 2000-12-13 2002-06-20 Mitsubishi Space Software Co., Ltd. Procede servant a detecter les limites de la cage thoracique dans une image numerique
WO2002047552A1 (fr) * 2000-12-12 2002-06-20 Mitsubishi Space Software Co., Ltd. Procede et appareil destines a la detection des limites de la cage thoracique dans une image numerique de la poitrine
US7096140B2 (en) 2003-10-30 2006-08-22 Kabushiki Kaisha Toshiba Test system, test method and test program for an integrated circuit by IDDQ testing
JP2006346465A (ja) * 2005-06-15 2006-12-28 Canon Inc 心臓境界、胸郭境界及び横隔膜境界を検出する方法、装置及び記憶媒体
US7310437B2 (en) 2000-03-08 2007-12-18 Fujifilm Corporation Image processing method and system, and storage medium
JP2008259522A (ja) * 2007-03-20 2008-10-30 Oita Univ 胸部ｘ線画像からのリブケイジ境界検出方法
JP2010131202A (ja) * 2008-12-04 2010-06-17 Fujifilm Corp 人体構造物計測支援装置及び方法並びにプログラム
JP2010246705A (ja) * 2009-04-15 2010-11-04 Konica Minolta Medical & Graphic Inc 画像処理装置、画像処理方法及びプログラム
JP2012502669A (ja) * 2008-09-22 2012-02-02 ワシントン大学 代替正常脳データベース生成装置
US8111947B2 (en) 2004-06-08 2012-02-07 Canon Kabushiki Kaisha Image processing apparatus and method which match two images based on a shift vector
JP2017056039A (ja) * 2015-09-17 2017-03-23 株式会社島津製作所 画像処理装置、プログラムおよび放射線撮影装置
JP2017510427A (ja) * 2014-04-08 2017-04-13 アイキャド， インコーポレイテッド 放射線画像の肺野セグメンテーション技術及び骨減弱技術
JP2020185031A (ja) * 2019-05-10 2020-11-19 富士通株式会社 画像処理プログラム、画像処理装置および画像処理方法

Families Citing this family (121)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7366676B2 (en) * 2001-05-29 2008-04-29 Mevis Breastcare Gmbh & Co. Kg Method and system for in-service monitoring and training for a radiologic workstation
IL119283A0 (en) * 1996-09-19 1996-12-05 Elscint Ltd Adaptive filtering
US6092059A (en) * 1996-12-27 2000-07-18 Cognex Corporation Automatic classifier for real time inspection and classification
US6090045A (en) * 1997-02-28 2000-07-18 Active Release Tech Llp Expert system soft tissue active motion technique for release of adhesions and associated apparatus for facilitating specific treatment modalities
US6055326A (en) * 1997-06-16 2000-04-25 Lockheed Martin Management Method for orienting electronic medical images
US6058322A (en) * 1997-07-25 2000-05-02 Arch Development Corporation Methods for improving the accuracy in differential diagnosis on radiologic examinations
US6078680A (en) * 1997-07-25 2000-06-20 Arch Development Corporation Method, apparatus, and storage medium for detection of nodules in biological tissue using wavelet snakes to characterize features in radiographic images
US6594380B2 (en) * 1997-09-22 2003-07-15 Canon Kabushiki Kaisha Image discrimination apparatus and image discrimination method
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
US6282307B1 (en) * 1998-02-23 2001-08-28 Arch Development Corporation Method and system for the automated delineation of lung regions and costophrenic angles in chest radiographs
US6389169B1 (en) * 1998-06-08 2002-05-14 Lawrence W. Stark Intelligent systems and methods for processing image data based upon anticipated regions of visual interest
JP2000137793A (ja) * 1998-08-25 2000-05-16 Fuji Photo Film Co Ltd 異常陰影検出処理システムおよび画像表示端末機
US7013035B2 (en) * 1998-09-25 2006-03-14 Canon Kabushiki Kaisha Image processing method for setting an extraction area, and apparatus and recording medium
US6738499B1 (en) 1998-11-13 2004-05-18 Arch Development Corporation System for detection of malignancy in pulmonary nodules
EP1129426A4 (en) * 1998-11-13 2002-08-21 Arch Dev Corp SYSTEM FOR DETECTION OF MALIGNANCY IN PULMONARY NODULES
US6366910B1 (en) 1998-12-07 2002-04-02 Amazon.Com, Inc. Method and system for generation of hierarchical search results
WO2000046736A1 (en) * 1999-02-05 2000-08-10 Yoav Smith Similarity measurement method for the classification of medical images into predetermined categories
US6647132B1 (en) * 1999-08-06 2003-11-11 Cognex Technology And Investment Corporation Methods and apparatuses for identifying regions of similar texture in an image
US6941323B1 (en) * 1999-08-09 2005-09-06 Almen Laboratories, Inc. System and method for image comparison and retrieval by enhancing, defining, and parameterizing objects in images
US6542626B1 (en) * 1999-11-05 2003-04-01 General Electric Company Method and apparatus for adapting imaging system operation based on pixel intensity histogram
US7689014B2 (en) * 2000-01-18 2010-03-30 Z-Kat Inc Apparatus and method for measuring anatomical objects using coordinated fluoroscopy
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
JP4169954B2 (ja) * 2000-09-18 2008-10-22 富士フイルム株式会社 異常陰影候補の検出方法
US7146031B1 (en) * 2000-11-22 2006-12-05 R2 Technology, Inc. Method and system for automatic identification and orientation of medical images
DE10057928C1 (de) * 2000-11-22 2002-02-21 Inb Vision Ag Verfahren zur Erkennung von Abweichungen der Oberflächenform von einer vorgegebenen Form
US7556602B2 (en) * 2000-11-24 2009-07-07 U-Systems, Inc. Breast cancer screening with adjunctive ultrasound mammography
US7615008B2 (en) * 2000-11-24 2009-11-10 U-Systems, Inc. Processing and displaying breast ultrasound information
US7940966B2 (en) 2000-11-24 2011-05-10 U-Systems, Inc. Full-field breast image data processing and archiving
US7103205B2 (en) * 2000-11-24 2006-09-05 U-Systems, Inc. Breast cancer screening with ultrasound image overlays
US7597663B2 (en) 2000-11-24 2009-10-06 U-Systems, Inc. Adjunctive ultrasound processing and display for breast cancer screening
US7043064B2 (en) * 2001-05-04 2006-05-09 The Board Of Trustees Of The Leland Stanford Junior University Method for characterizing shapes in medical images
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
FR2832832A1 (fr) * 2001-11-23 2003-05-30 Ge Med Sys Global Tech Co Llc Procede de detection et de caracterisation automatique de nodules dans une image tomographique et systeme d'imagerie medicale par tomodensimetrie correspondant
US6891964B2 (en) * 2001-11-23 2005-05-10 University Of Chicago Computerized method for determination of the likelihood of malignancy for pulmonary nodules on low-dose CT
US7664604B1 (en) 2001-11-30 2010-02-16 University Of South Florida Breast cancer risk analysis and computer-aided diagnosis
US20050178584A1 (en) * 2002-01-22 2005-08-18 Xingwu Wang Coated stent and MR imaging thereof
DE10213284B4 (de) * 2002-03-25 2007-11-08 Siemens Ag Verfahren zur Bilddarstellung in der medizinischen Bildgebung
US6792071B2 (en) * 2002-03-27 2004-09-14 Agfa-Gevaert Method of performing geometric measurements on digital radiological images
AUPS205202A0 (en) * 2002-05-02 2002-06-06 Flinders Technologies Pty Ltd A method and system for computer aided detection of cancer
JP2004041694A (ja) * 2002-05-13 2004-02-12 Fuji Photo Film Co Ltd 画像生成装置およびプログラム、画像選択装置、画像出力装置、画像提供サービスシステム
AU2003239925A1 (en) 2002-05-31 2003-12-19 Nico Karssemeijer Breast cancer screening with adjunctive ultrasound mammography
JP4138371B2 (ja) * 2002-06-06 2008-08-27 富士フイルム株式会社 解剖学的特徴位置検出装置並びに記録媒体および被写体構造計測装置並びに記録媒体
US20030229278A1 (en) * 2002-06-06 2003-12-11 Usha Sinha Method and system for knowledge extraction from image data
JP2005535888A (ja) * 2002-08-09 2005-11-24 ユニバーシティー オブ マサチューセッツ 癌の診断法および予後判定法
US7123760B2 (en) * 2002-11-21 2006-10-17 General Electric Company Method and apparatus for removing obstructing structures in CT imaging
US6891922B2 (en) * 2002-11-22 2005-05-10 Ge Medical Systems Global Technology Company, Llc Methods and apparatus for the classification of nodules
US7298883B2 (en) * 2002-11-29 2007-11-20 University Of Chicago Automated method and system for advanced non-parametric classification of medical images and lesions
WO2004053778A2 (en) * 2002-12-11 2004-06-24 Koninklijke Philips Electronics N.V. Computer vision system and method employing illumination invariant neural networks
US20040122787A1 (en) * 2002-12-18 2004-06-24 Avinash Gopal B. Enhanced computer-assisted medical data processing system and method
US7187790B2 (en) * 2002-12-18 2007-03-06 Ge Medical Systems Global Technology Company, Llc Data processing and feedback method and system
US20040122704A1 (en) * 2002-12-18 2004-06-24 Sabol John M. Integrated medical knowledge base interface system and method
US20040122709A1 (en) * 2002-12-18 2004-06-24 Avinash Gopal B. Medical procedure prioritization system and method utilizing integrated knowledge base
US20040122707A1 (en) * 2002-12-18 2004-06-24 Sabol John M. Patient-driven medical data processing system and method
US20040122719A1 (en) * 2002-12-18 2004-06-24 Sabol John M. Medical resource processing system and method utilizing multiple resource type data
US20040122706A1 (en) * 2002-12-18 2004-06-24 Walker Matthew J. Patient data acquisition system and method
US20040122708A1 (en) * 2002-12-18 2004-06-24 Avinash Gopal B. Medical data analysis method and apparatus incorporating in vitro test data
US7490085B2 (en) * 2002-12-18 2009-02-10 Ge Medical Systems Global Technology Company, Llc Computer-assisted data processing system and method incorporating automated learning
US20040122705A1 (en) * 2002-12-18 2004-06-24 Sabol John M. Multilevel integrated medical knowledge base system and method
US20040122702A1 (en) * 2002-12-18 2004-06-24 Sabol John M. Medical data processing system and method
US20040122703A1 (en) * 2002-12-19 2004-06-24 Walker Matthew J. Medical data operating model development system and method
US7796839B2 (en) * 2003-02-19 2010-09-14 Agfa Healthcare, N.V. Method of detecting the orientation of an object in an image
DE10313510B4 (de) * 2003-03-25 2007-01-11 Siemens Ag Rechnergestütztes Ermittlungsverfahren für von einer Blende in einem Bild hervorgerufene Blendenkanten, hiermit korrespondierender Datenträger und hiermit korrespondierender Rechner
JP4266930B2 (ja) * 2003-05-02 2009-05-27 富士通株式会社 製造工程解析支援方法、その方法をコンピュータに実行させるプログラム、プログラムプロダクトおよび記録媒体
JP4493408B2 (ja) * 2003-06-06 2010-06-30 富士フイルム株式会社 画像読影支援方法及び装置並びにプログラム
US7251363B2 (en) * 2003-07-29 2007-07-31 Ventana Medical Systems, Inc. Method and system for creating an image mask
US7620229B2 (en) * 2003-08-14 2009-11-17 Fujifilm Corporation Method and apparatus for aiding image interpretation and computer-readable recording medium storing program therefor
US7532755B2 (en) * 2004-01-22 2009-05-12 Lexmark International, Inc. Image classification using concentration ratio
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
JP2006006359A (ja) * 2004-06-22 2006-01-12 Fuji Photo Film Co Ltd 画像生成装置、画像生成装置方法、およびそのプログラム
US20060018524A1 (en) * 2004-07-15 2006-01-26 Uc Tech Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT
US7352888B2 (en) * 2004-07-30 2008-04-01 Carestream Health, Inc. Method for computer recognition of projection views and orientation of chest radiographs
JP2006130212A (ja) * 2004-11-09 2006-05-25 Fuji Photo Film Co Ltd 異常陰影候補検出方法、および装置、ならびにプログラム
US20060136259A1 (en) * 2004-12-17 2006-06-22 General Electric Company Multi-dimensional analysis of medical data
US20060136417A1 (en) * 2004-12-17 2006-06-22 General Electric Company Method and system for search, analysis and display of structured data
US7502502B2 (en) * 2005-01-14 2009-03-10 Siemens Medical Solutions Usa, Inc. System and method for PDE-based multiphase segmentation
US7697786B2 (en) * 2005-03-14 2010-04-13 Sarnoff Corporation Method and apparatus for detecting edges of an object
CN101203170B (zh) * 2005-06-02 2015-11-25 赛利恩影像股份有限公司 计算机辅助检测系统
CN100411590C (zh) * 2005-06-30 2008-08-20 上海西门子医疗器械有限公司 在ct定位像上沿身体边界自动设置重建视野的方法
CN100434040C (zh) * 2005-06-30 2008-11-19 上海西门子医疗器械有限公司 在ct定位像上沿胸腔内边界自动设置重建视野的方法
US20070078873A1 (en) * 2005-09-30 2007-04-05 Avinash Gopal B Computer assisted domain specific entity mapping method and system
US8014576B2 (en) 2005-11-23 2011-09-06 The Medipattern Corporation Method and system of computer-aided quantitative and qualitative analysis of medical images
US7698946B2 (en) 2006-02-24 2010-04-20 Caterpillar Inc. System and method for ultrasonic detection and imaging
US20080031408A1 (en) * 2006-08-07 2008-02-07 Predrag Sukovic Quantification of sinus problems in a patient
JP5196751B2 (ja) * 2006-09-13 2013-05-15 株式会社東芝 コンピュータ支援診断装置
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
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
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
US8244015B2 (en) * 2006-11-22 2012-08-14 General Electric Company Methods and apparatus for detecting aneurysm in vasculatures
US8081811B2 (en) * 2007-04-12 2011-12-20 Fujifilm Corporation Method, apparatus, and program for judging image recognition results, and computer readable medium having the program stored therein
WO2008135880A1 (en) * 2007-05-04 2008-11-13 Koninklijke Philips Electronics N.V. Automatic display of symmetric anatomical structure
US20090034809A1 (en) * 2007-08-01 2009-02-05 Fujifilm Corporation Abnormal tissue pattern detection apparatus, method and program
US20090082637A1 (en) * 2007-09-21 2009-03-26 Michael Galperin Multi-modality fusion classifier with integrated non-imaging factors
US8520916B2 (en) * 2007-11-20 2013-08-27 Carestream Health, Inc. Enhancement of region of interest of radiological image
ATE550742T1 (de) * 2008-04-16 2012-04-15 Univ Lausanne Automatische detektion und genaue segmentierung des bauchaortenaneurysma
US8332659B2 (en) * 2008-07-29 2012-12-11 International Business Machines Corporation Signal quality monitoring to defeat microchip exploitation
WO2010086776A1 (en) * 2009-01-30 2010-08-05 Koninklijke Philips Electronics N.V. System for providing lung ventilation information
CA2797238A1 (en) 2010-04-30 2011-11-03 Vucomp, Inc. Microcalcification detection and classification in radiographic images
US8675933B2 (en) 2010-04-30 2014-03-18 Vucomp, Inc. Breast segmentation in radiographic images
US9256799B2 (en) 2010-07-07 2016-02-09 Vucomp, Inc. Marking system for computer-aided detection of breast abnormalities
JP5725797B2 (ja) * 2010-10-29 2015-05-27 株式会社東芝 医用画像処理装置
US8781187B2 (en) * 2011-07-13 2014-07-15 Mckesson Financial Holdings Methods, apparatuses, and computer program products for identifying a region of interest within a mammogram image
US20130044927A1 (en) * 2011-08-15 2013-02-21 Ian Poole Image processing method and system
DE102012002321B4 (de) * 2012-02-06 2022-04-28 Airbus Defence and Space GmbH Verfahren zur Erkennung eines vorgegebenen Musters in einem Bilddatensatz
US8923582B2 (en) * 2012-05-31 2014-12-30 General Electric Company Systems and methods for computer aided detection using pixel intensity values
EP2916739B1 (en) 2012-11-11 2021-06-30 The Regents Of The University Of California Automated image system for scoring changes in quantitative interstitial lung disease
US9626476B2 (en) 2014-03-27 2017-04-18 Change Healthcare Llc Apparatus, method and computer-readable storage medium for transforming digital images
US10062010B2 (en) * 2015-06-26 2018-08-28 Intel Corporation System for building a map and subsequent localization
US10853449B1 (en) 2016-01-05 2020-12-01 Deepradiology, Inc. Report formatting for automated or assisted analysis of medical imaging data and medical diagnosis
US10789495B2 (en) * 2016-12-21 2020-09-29 Volkswagen Ag System and method for 1D root association providing sparsity guarantee in image data
US10692602B1 (en) 2017-09-18 2020-06-23 Deeptradiology, Inc. Structuring free text medical reports with forced taxonomies
US10499857B1 (en) * 2017-09-19 2019-12-10 Deepradiology Inc. Medical protocol change in real-time imaging
US10496884B1 (en) 2017-09-19 2019-12-03 Deepradiology Inc. Transformation of textbook information
US10636198B2 (en) * 2017-12-28 2020-04-28 Beijing Jingdong Shangke Information Technology Co., Ltd. System and method for monocular simultaneous localization and mapping
US11049606B2 (en) 2018-04-25 2021-06-29 Sota Precision Optics, Inc. Dental imaging system utilizing artificial intelligence
US10740866B2 (en) 2018-06-26 2020-08-11 International Business Machines Corporation Determining appropriate medical image processing pipeline based on machine learning
CN111291778B (zh) * 2018-12-07 2021-07-06 马上消费金融股份有限公司 深度分类模型的训练方法、曝光异常检测方法以及装置
CN110766701B (zh) * 2019-10-31 2020-11-06 北京推想科技有限公司 网络模型训练方法及装置、区域划分方法及装置

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
US5133020A (en) * 1989-07-21 1992-07-21 Arch Development Corporation Automated method and system for the detection and classification of abnormal lesions and parenchymal distortions in digital medical images
US5260871A (en) * 1991-07-31 1993-11-09 Mayo Foundation For Medical Education And Research Method and apparatus for diagnosis of breast tumors
US5224177A (en) * 1991-10-31 1993-06-29 The University Of Chicago High quality film image correction and duplication method and system
US5343390A (en) * 1992-02-28 1994-08-30 Arch Development Corporation Method and system for automated selection of regions of interest and detection of septal lines in digital chest radiographs
US5289374A (en) * 1992-02-28 1994-02-22 Arch Development Corporation Method and system for analysis of false positives produced by an automated scheme for the detection of lung nodules in digital chest radiographs
US5319549A (en) * 1992-11-25 1994-06-07 Arch Development Corporation Method and system for determining geometric pattern features of interstitial infiltrates in chest images
US5491627A (en) * 1993-05-13 1996-02-13 Arch Development Corporation Method and system for the detection of microcalcifications in digital mammograms
US5537488A (en) * 1993-09-16 1996-07-16 Massachusetts Institute Of Technology Pattern recognition system with statistical classification

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7310437B2 (en) 2000-03-08 2007-12-18 Fujifilm Corporation Image processing method and system, and storage medium
WO2002047552A1 (fr) * 2000-12-12 2002-06-20 Mitsubishi Space Software Co., Ltd. Procede et appareil destines a la detection des limites de la cage thoracique dans une image numerique de la poitrine
US6748257B2 (en) 2000-12-13 2004-06-08 Mitsubishi Space Software Co., Ltd. Detection of ribcage boundary from digital chest image
WO2002047553A1 (fr) * 2000-12-13 2002-06-20 Mitsubishi Space Software Co., Ltd. Procede servant a detecter les limites de la cage thoracique dans une image numerique
US7096140B2 (en) 2003-10-30 2006-08-22 Kabushiki Kaisha Toshiba Test system, test method and test program for an integrated circuit by IDDQ testing
US8111947B2 (en) 2004-06-08 2012-02-07 Canon Kabushiki Kaisha Image processing apparatus and method which match two images based on a shift vector
JP2006346465A (ja) * 2005-06-15 2006-12-28 Canon Inc 心臓境界、胸郭境界及び横隔膜境界を検出する方法、装置及び記憶媒体
JP4682091B2 (ja) * 2005-06-15 2011-05-11 キヤノン株式会社 心臓境界、胸郭境界及び横隔膜境界を検出する方法、装置及び記憶媒体
JP2008259522A (ja) * 2007-03-20 2008-10-30 Oita Univ 胸部ｘ線画像からのリブケイジ境界検出方法
JP2012502669A (ja) * 2008-09-22 2012-02-02 ワシントン大学 代替正常脳データベース生成装置
JP2010131202A (ja) * 2008-12-04 2010-06-17 Fujifilm Corp 人体構造物計測支援装置及び方法並びにプログラム
JP2010246705A (ja) * 2009-04-15 2010-11-04 Konica Minolta Medical & Graphic Inc 画像処理装置、画像処理方法及びプログラム
JP2017510427A (ja) * 2014-04-08 2017-04-13 アイキャド， インコーポレイテッド 放射線画像の肺野セグメンテーション技術及び骨減弱技術
US10445855B2 (en) 2014-04-08 2019-10-15 Icad, Inc. Lung segmentation and bone suppression techniques for radiographic images
JP2017056039A (ja) * 2015-09-17 2017-03-23 株式会社島津製作所 画像処理装置、プログラムおよび放射線撮影装置
JP2020185031A (ja) * 2019-05-10 2020-11-19 富士通株式会社 画像処理プログラム、画像処理装置および画像処理方法

Also Published As

Publication number Publication date
JP3326070B2 (ja) 2002-09-17
US6011862A (en) 2000-01-04
US5790690A (en) 1998-08-04

Similar Documents

Publication Publication Date Title
JP3326070B2 (ja) 画像診断支援装置の画像処理方法
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
JP3619270B2 (ja) ヒストグラム領域を検知し、ディジタル放射線撮影画像のトーンスケールの再現を改善する方法
US5873824A (en) Apparatus and method for computerized analysis of interstitial infiltrates in chest images using artificial neural networks
US5668888A (en) Method and system for automatic detection of ribs and pneumothorax in digital chest radiographs
Nakamori et al. Image feature analysis and computer‐aided diagnosis in digital radiography: Automated analysis of sizes of heart and lung in chest images
EP0843862B1 (en) Quantitative dental caries detection system and method
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
JP4718003B2 (ja) 放射線写真におけるインターバル変化を検出する方法
Doi et al. Digital radiography: A useful clinical tool for computer-aided diagnosis by quantitative analysis of radiographic images
Ozekes et al. Nodule detection in a lung region that's segmented with using genetic cellular neural networks and 3D template matching with fuzzy rule based thresholding
JPH09185714A (ja) コンピュータ支援診断方法
JPH0737074A (ja) 時間的に連続する胸部画像間の経時変化を検出する方法及び装置
JP2002503861A (ja) 胸部ｘ線写真における肺領域と肋骨横隔膜角の自動描画方法とシステム
US20020090126A1 (en) Method and apparatus for detecting anomalous shadows
JP2008508028A (ja) 胸部放射線写真の投影ビューと配向
Carrascal et al. Automatic calculation of total lung capacity from automatically traced lung boundaries in postero‐anterior and lateral digital chest radiographs
Xu et al. Image feature analysis for computer‐aided diagnosis: Detection of right and left hemidiaphragm edges and delineation of lung field in chest radiographs
US7027631B2 (en) Method and system for detecting suspected anomalous shadows
US6212291B1 (en) Method for recognizing multiple irradiation fields in digital radiography
Nishikawa et al. Computer-aided detection of clustered microcalcifications
KR102307995B1 (ko) 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템 및 이의 동작 방법
KR101162599B1 (ko) 흉부 방사선 이미지 분석을 통한 심비대 자동탐지 방법 및 그 기록매체
Zhang et al. Atlas-driven lung lobe segmentation in volumetric X-ray CT images
Dovganich et al. Automatic quality control in lung X-ray imaging with deep learning

Legal Events

Date Code Title Description
R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20080705

Year of fee payment: 6

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20080705

Year of fee payment: 6

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20090705

Year of fee payment: 7

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20100705

Year of fee payment: 8