JPH0852127A - 対象の輪郭上に位置するキー点を自動的に検出するための画像処理方法及び装置 - Google Patents

対象の輪郭上に位置するキー点を自動的に検出するための画像処理方法及び装置

Info

Publication number
JPH0852127A
JPH0852127A JP7172640A JP17264095A JPH0852127A JP H0852127 A JPH0852127 A JP H0852127A JP 7172640 A JP7172640 A JP 7172640A JP 17264095 A JP17264095 A JP 17264095A JP H0852127 A JPH0852127 A JP H0852127A
Authority
JP
Japan
Prior art keywords
image
pixel
pixels
interest
class
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.)
Withdrawn
Application number
JP7172640A
Other languages
English (en)
Inventor
Sherif Makram-Ebeid
マクラム−エベイド シェリフ
Jacques Breitenstein
ブレイタンスタン ジャック
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.)
Koninklijke Philips NV
Original Assignee
Philips Electronics NV
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 Philips Electronics NV filed Critical Philips Electronics NV
Publication of JPH0852127A publication Critical patent/JPH0852127A/ja
Withdrawn legal-status Critical Current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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20164—Salient point detection; Corner detection
    • 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
    • G06T2207/30048—Heart; Cardiac

Abstract

(57)【要約】 【課題】 ３つのキー点、大動脈弁の２つの端点と、左
心室の頂点又は尖との自動的な位置決めのための処理お
よび装置を提供する。 【解決手段】 本発明は初期画像（Ｉ0 ）内の対象（Ｌ
Ｖ）の輪郭上に位置するキー画素（Ｋ2 、Ｋ3 、Ｋ4 ）
を自動的に検出するための画像処理方法と該方法を実施
する装置に関する。この方法は：クラス（Ｃ1 Ｃm ）を
参照する対象の領域（ＬＶ）のデータの画素〔Ａ（ｘ，
ｙ）〕の強度のデジタイズされた初期画像（Ｉ0 ）内に
記憶し；対象（ＬＶ）の内側及び外側の輪郭上で問題の
画素（ＰＩ）を参照する初期画像（Ｉ0 ）の画素を選択
し；問題の画素（ＰＩ）のそれぞれに対して特性（Ｅ1
Ｅk ）を形成し；それぞれの特性ベクトル（Ｅ1 Ｅk ）
に基づいて対象（ＬＶ）の該クラス（Ｃ1 Ｃm ）内に問
題の画素（ＰＩ）を分類し；対応するクラス（Ｃ1 Ｃ2
Ｃ３）からキー画素の選択をする各段階からなる。本発
明はまたこの方法を実施する装置に関する。

Description

【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明は初期画像内のキー画
素を参照して対象の輪郭上に位置するキー点を自動的に
検出するための画像処理方法に関する。本発明はまたこ
の方法を実施する装置に関する。本発明は左心室の心臓
画像の自動解析に応用される。
【０００２】心臓画像は好ましくはデジタル化されたＸ
線画像を形成するシステムにより得られうる。心臓画像
はまたＸ線以外により得られえ、本発明による画像処理
方法はそれに応用されうる。何故ならばそれは画像が得
られたプロセスに依存しないからである。
【０００３】
【従来の技術】そのプロセスは従来は造影剤を患者の左
心室へ注入し、造影剤の効果のある間にその左心室の一
連の画像を記録することからなる心臓画像を形成するこ
とによりもっとも頻繁に用いられてきた。特にこれらの
画像は開業医に心室の収縮期の左心室の体積及び心室の
拡張期の左心室の体積の決定をなさしめる。放出留分
（ｅｊｅｃｔｉｏｎ ｆｒａｃｔｉｏｎ）と呼ばれる量
は拡張の最大体積のパーセンテージとして表せるこれら
の体積間の差として計算される。放出留分の知識は開業
医による診断において重要な要素である。これらの画像
はまた開業医が固定された基準である点左心室の二つの
キー点、即ち大動脈弁のそれぞれの側に位置する点を決
定し、その位置が拡張期と収縮期との間で変化する左心
室の頂点又は尖である他のキー点を決定することを可能
にする。短縮留分（ｓｈｏｒｔｅｎｉｎｇ ｆｒａｃｔ
ｉｏｎ）と呼ばれる尖と大動脈固定点との間の距離の変
化の測定はまた開業医による診断の重要な要素である。
【０００４】結果として左心室の輪郭の決定は開業医が
形状の可能な異常を検出し、診断の重要な要素である。
所定の画像内の左心室の検出及び特にその輪郭の自動化
の試みはＩＥＥＥ Ｃｏｍｐｕｔｅｒ Ｓｏｃｉｅｔｙ
Ｐｒｅｓｓ，Ｌｏｓ Ａｌａｍｏｓ，Ｃａｌｉｆｏｒ
ｎｉａ，ＵＳＡ出版の１９９２年１０月１１乃至１４日
の米国ノースカロライナ州ＤｕｒｈａｍのＰＲＯＣＥＥ
ＤＩＮＧ ＣＯＭＰＵＴＥＲ ＩＮ ＣＡＲＤＩＯＬＯ
ＧＹでの論文「Ｌｅｆｔ Ｖｅｎｔｒｉｃｕｌａｒ Ｃ
ｏｎｔｏｕｒ Ｄｅｔｅｃｔｉｏｎ」：ＰＮＪ ｖａｎ
ｄｅｒ ＺＷＥＴ等による完全自動化の試みにより従
来技術として知られている。この知られたシステムは左
心室の輪郭の単純化されたモデルを検出するためのアル
ゴリズムの組み合わせを用いている。最初のアルゴリズ
ム、ピラミッドのセグメントアルゴリズムは開始画像を
かなり多数の均一な強度の矩形箱で形成された領域にセ
グメント化する。第二のアルゴリズムは左心室に属する
最大の尤度を有する領域を選択するためにニューラルネ
ットワークを用いる。これらの領域は次にマージされ、
それから左心室に属する全てとして共に群にされた画素
はモデルを形成するために抽出される。モデルの決定後
は実際の輪郭はダイナミックプログラミングにより見い
だされる。大動脈弁の位置は検出された輪郭の形状から
導き出される。この知られた方法により画像のピラミッ
ドはそれぞれの大きさがそれ以前の画像の半分である多
数の画像によりなる。一つの画像は以前の画像を低域通
過フィルタリングすることによるフィルタリング及び半
分にされたサンプリング周波数でサンプリングすること
により形成される。このようにして画像階層の積み重ね
が得られる。
【０００５】第一にピラミッドの階層は誤った（ｉｌｌ
ｅｇａｌ）サンプリング（又は折り返し）を防ぐために
低域通過ガウシアンフィルターを用いることにより形成
され、それから半分の解像度で各階層の再サンプリング
がなされる。ピラミッド内の最低解像度の画像は１６ｘ
１６画素のマトリックスである。各画像は案内としてよ
り低い解像度の以前の画像のセグメンテーションを用い
ることによりセグメント化される。最低の解像度を有す
る画像はエッジ検出の技術によりセグメント化される。
低い解像度の画像内の傾斜によりある画素は「エッジ」
というタグを割り当てられる。「エッジ」画素により完
全に囲まれ、相互にリンクされた画素の群は「孤立した
領域」とタグされる。最終的に全ての残りの「エッジ」
画素は以前に見いだされた領域の少なくとも一つ内でタ
グされ、又はそのグレーレベルが他の周囲のどの領域か
らも非常に異なっている場合にはそれらは新たなタグを
割り当てられる。このセグメンテーションの結果は特に
エッジ近辺でちょうど一画素からなる多数の領域を含
む。大動脈、肺又は横隔膜の領域内でこれは画像内のも
っとも均一な領域内のみであり、一以上の画素の領域も
見いだしうる。
【０００６】解像度の最低レベルでの画像のセグメンテ
ーションはより高い解像度を有する画像のセグメンテー
ションを得るために用いられる。最高の解像度の画像内
の各画素は最も底の階層の対象内の少数の画素に対応す
る。その画素はこれらの対象の一つに割り当てられるの
みである。特定の画素は統計学的意味で最もそれらしい
対象に割り当てられる。タグの割り当て中に対象は最高
の解像度の画像内で相関なしに画素のいくつかの群に分
割されることが可能である。割り当てに続く再タグ化の
過程は分割された対象を異なる対象の多数のタグに再タ
グ化する。
【０００７】この過程は最高の解像度の画像がセグメン
ト化されるまで継続する。最高の解像度の画像のセグメ
ント化は最終的なセグメント化を得るためにニューラル
ネットワークと組み合わせて用いられる。このニューラ
ルネットワークは低域通過フィルタリング及び１６ｘ１
６サブサンプルにより減少された画像内の左心室の位置
の検出用に設計される。このニューラルネットワークは
三層を有する。第一の層は低域通過フィルタリング、そ
れから最初の心室撮影画像の再サンプルにより得られる
低解像度画像である。低域通過フィルタリングは誤った
サンプリング（折り返し）を防止するために用いられ
る。第二及び第三オペレーター層のそれぞれは２５６の
ニューロンを含む。これらのニューロンの各々は画入力
に対して別の重みを介して前の層の２５要素の入力を受
ける。出力レベルを最終的に計算するために用いられる
シグモイド関数は連続関数である。これによりニューラ
ルネットワークはモデル検出アルゴリズム内で制御モジ
ュールとして用いられることが可能である。最初に用い
られたピラミッド型のセグメント化アルゴリズムは多く
の異なる領域を結果として生じ、それらの全ては最終的
な左心室内に含まれるはずである。更にまたニューラル
ネットワークからの結果の解像度は左心室モデルを正確
に画成するには非常に低い（１６ｘ１６）。更にまたセ
グメント化の結果は閾値の値に対して敏感であり、これ
は背景から心室を分離するために必要である。
【０００８】二つのアルゴリズムの結果の結合によりこ
の引用例の文献ではよりよいセグメント化が得られる。
ピラミッド型のセグメント化の中でタグされた各対象に
対して平均値が計算される。ニューラルネットワークか
らの結果はピラミッド内の最高の層の解像度に拡張され
る。それから各対象の平均はニューラルネットワークか
らの結果の値を加算し、対象内の画素の数で割ることに
より計算される。心室内の拡張領域は高い確率を有する
ニューラルネットワークの点に対応する。同じことが心
室の外側の大きな領域に対して当てはまる。それはピラ
ミッド型のセグメント化が多数の小さな領域からなる心
室のエッジ上のみである。用いられたこれらの確率はそ
れらが対応する単一のニューロンの値に依存する。その
ように割り当てられないはずの心室に対象を割り当てる
いくつかの誤りがあった場合でさえもこれは最終的に検
出されたモデル上で大きな影響を有さない。
【０００９】そのモデルは心室の内側の領域全てを結合
し、それから画像の残りを抽出することにより最終的に
得られる故に処理の最後で二つのクラスの画素即ち：心
室に属する画素及びそれに属さない画素だけが残る。い
ったんモデルが見いだされるとダイナミックプログラミ
ング技術は左心室の輪郭を検出するために適用される；
これらの技術は当業者にはよく知られている。
【００１０】引用された出版物により開示されたアルゴ
リズムは大動脈弁の位置を決定する輪郭の曲線を用い
る。これをなすためには弁の端は約９０゜の最大曲率を
有する輪郭点であることが仮定される。弁の端の点とし
て他の最大値を選択することを回避するために弁の端の
角度の計算は重みづけされる。心室撮影画像に対してこ
の角度は全ての患者に対して概略同じである。
【００１１】最終的に心室の端の点及び輪郭は表示さ
れ、使用者は輪郭を修正し、弁を再トレースしうる。こ
れに続いてダイナミックプログラミング技術が心室の正
しい部分にちょうど適用される。輪郭及び弁のはしの点
の両方が拡張期の間と収縮期の間とに対して決定され、
使用者が修正をなした後に技術的なパラメーターは計算
される。
【００１２】引用された文献の内に記載されたシステム
の欠点はそれは非常に豊富な中間層（ｈｉｄｄｅｎ ｌ
ａｙｅｒ）を有し、２５６の入力という非常に多数の入
力と、２５６の出力という非常に多くの出力とを有する
ことである。この故に重みは決定することが困難であ
り、学習は非常に大きなデータベースを必要とする。更
にまたこの知られたシステムは究極的に単に内部画素と
外部画素との２つのクラスに画素をクラス分けすること
により不正確なモデルを提供し、２つのキー画素、即ち
弁の端の画素の位置のみを導き出すのみである。尖の位
置は自動的には供されない。
【００１３】医学的な技術の大きな要求が与えられてい
るので引用された文献に記載されているシステムは充分
正確でなくまた充分完全ではなく、他の解決策が見いだ
されるべきであることが分かっていた。今日新たなアプ
ローチとして当業者は二つの主な段階を含む左心室の画
像の解析を達成する処理を予想している： ー 開業医自身により心室撮影画像上で手によりなされ
る場合には現在のところ充分正確であり、故に人の介在
を必要とする大動脈弁の２つの端及び尖により形成され
た３つのキー点を位置決めする第一の段階と、 ー 例えば操作者により手動でマウスからコンピュータ
へ元の画像の各画素とリンクされた強度値に関するデー
タを記憶するのと同時に３つのキー点の正確なデータが
開始データとして供される第二の段階。 それから左心室の輪郭上に位置する画素の位置はすでに
知られているアルゴリズムにより計算される。
【００１４】３つのキー点の位置に関するデータが第一
の段階で正確に供される時には第二の段階は問題を有せ
ず、結果は左心室の輪郭は完全に所望の正確さで得られ
る。
【００１５】
【発明が解決しようとする課題】故に本発名の目的は上
記３つのキー点 ー 大動脈弁の２つの端点と、 ー 左心室の頂点又は尖との自動的な位置決めのための
処理を提供することにある。
【００１６】自動的な位置決めは人の介入なしに、人間
の操作者により達成されるこの位置と同様に高い又はよ
りもより良い元の心臓の画像内のこれらの点の座標の決
定として理解される。この自動化から得られる利点は心
臓の画像の処理は人間の介入なしに始めから終わりまで
直接実行され、初期に決められた重要な診断要素の全て
をすぐに自由に配置することにより開業医に対するより
良い診断の助けを提供しうることである。
【００１７】
【課題を解決するための手段】本発明によればこの目的
及び利点は ー それの座標によりラベルされた各画素の強度値の画
素の二次元マトリックスの形で初期画像内に記憶し、 ー 検出されるキー画素をそれぞれ含む対応するクラス
を参照するクラスを含むクラスを参照する対象の領域の
データの初期画像内に記憶し、 ー 対象の内側及び外側の輪郭上で問題の画素を参照す
る初期画像の画素を選択し、 ー 問題の画素のそれぞれに対して第一の特性（charac
teristic) ベクトルを形成し、 ー それぞれの特性ベクトルに基づいて対象の該クラス
内に問題の画素を分類する 各段階を含む第一のフェイズからなる初期画像内のキー
画素を参照して対象の輪郭上に位置する点を自動的に検
出するための画像処理方法により達成される。
【００１８】画像の画素の分類のこの新たな方法の利点
はこのフェーズの最後で当業者は各問題の画素に関する
位置及び相互関係の情報を有することである。更にまた
本発明によればこの方法は以下の段階を含む第二のフェ
ーズからなる： ー 対応するクラスの問題の画素中から各キー画素を選
択する。
【００１９】この方法の利点は斯くして従来技術による
２つよりもむしろ３つのキー点を検出加工であることで
ある。これにより、診断の助けは速度が向上され、従っ
て大動脈の輪郭の検出はより正確になり、より良く自動
化される。本発明は ー それの座標によりラベルされた各画素の強度値の画
素を二次元マトリックスの形で初期画像内に記憶し、検
出されるキー画素をそれぞれ含む対応するクラスを参照
するクラスを含むクラスを参照する対象の領域のデータ
を初期画像内に記憶する記憶手段と； ー 対象の内側及び外側の輪郭上で問題の画素を参照す
る初期画像の画素を選択する手段と； ー 問題の画素のそれぞれに対して第一の特性ベクトル
を形成し； ー それの入力で第一の特性ベクトルを受け、それぞれ
の特性ベクトルに基づいて対象の該クラス内に問題の画
素を分類する第一のニューラルネットワークとからなる
初期画像内のキー画素を参照して対象の輪郭上に位置す
る点を自動的に検出するための画像処理装置により実施
される。
【００２０】更にまたこの画像処理装置は対応するクラ
スの問題の画素中から各キー画素を選択する手段からな
る。この装置の利点はそれが完全自動であることであ
る。
【００２１】
【発明の実施の形態】以下に図を参照して本発明を更に
詳細に説明する。以下に本発明を非限定的な実施の例に
より説明する。用いられた画像の寸法、ガウス関数の標
準偏差、サンプリング増加量、以下に説明する方法を介
して実施されるよう選択された特性の数、等々は当業者
には明らかである特定の必要性により変化しうる。
【００２２】本発明は心臓撮影以外の分野でも適用可能
である。方法 図１を参照する一方で以下に示すように左心室ＬＶの心
臓撮影画像Ｉ0 又は心室撮影画像内の３つのキー点Ｋ
３，Ｋ４，Ｋ２の自動位置決め用の処理を示す。これら
のキー画素は： ー 大動脈弁Ｋ３，Ｋ４の２つの端と； ー それが横隔膜１１の下であるときの心室の頂点又は
尖Ｋ２とである。
【００２３】図２を参照するに心室撮影画像は左心室Ｌ
Ｖのデジタイズ化された画像Ｉ0 であり、ここで各現在
の画素Ａ0 （ｘ，ｙ）は画像に関する２つの座標軸ｘ，
ｙ内のそれの座標ｘ，ｙとそれの強度により特性づけら
れる。この強度は例えば以下に説明するように最大強度
が最高レベル、即ち最も明るい画素に対応する例えば０
乃至２５５のグレーレベルにコード化される。
【００２４】更にまた図２を参照する一方で以下に説明
する例では元のデジタイズされた画像Ｉ0 は５１２ｘ５
１２画素で形成され、即ちｙ軸にそって５１２画素、ｘ
軸にそって５１２画素である。これはこの場合には最大
解像度を有する画像である。デジタイズされた心臓撮影
画像のこれら３つのキー画素を配置する処理は本質的に
２つのフェイズからなる：Ｉ／第一のフェイズ： 多数の解剖学的領域内への分類。
【００２５】この第一のフェイズでは現在の画素Ａ
0 （ｘ，ｙ）は左心室の特定の解剖学的領域に対応して
Ｃ１，Ｃ２．．．Ｃｍで番号づけられたあるクラスの数
ｍである。
【００２６】
【表１】
【００２７】表Ｉ及び図１を参照する一方でこの第一の
フェーズでは元の画像Ｉ0 の画像Ａ 0 （ｘ，ｙ）は例え
ば番号ｍ＝１０のクラスに好ましくは分類される。左心
室の内側画素に関する例えばクラスＣ７のようなあるク
ラス又は左心室の外側画素に関する例えばクラスＣ１０
のようなあるクラスはかなり均一な強度を有する多数の
画素５１２ｘ５１２元画像Ｉ0 内に含まれる。それとは
対照的に尖に関するクラスＣ１，Ｃ２又は心室の前及び
後エッジに関するクラスＣ５，Ｃ６はその強度はある画
素からその隣へと急激に変化する種々の画素からなるク
ラスである。３つのキー画素Ｋ2 、Ｋ3 、Ｋ4 のそれぞ
れの座標を決定するために第一の段階では元画像Ｉ0 の
各画素Ａ0 （ｘ，ｙ）を左心室の解剖学的領域Ｃｉ（ｉ
は１乃至ｍ間にあるクラス番号）に関して位置させるこ
とが必要なことが見いだされた。何故ならばこれらの３
つのキー画素は例えば尖の付近の強度の変化、又は従来
技術でなされているような大動脈弁の端での曲率の変化
にのみ依存するような局所的な情報のみを用いて正確に
配置されないことは明らかであるからである。
【００２８】局所情報ー３つのキー画素のそれぞれが左
心室の輪郭上にあり、情報は輪郭領域で急速に変化する
故にー、及び相互関係の情報ー３つのキー画素は左心室
の他の解剖学的領域に関して非常に正確な位置を有する
故にそれら両方を考慮に入れる必要があることが見いだ
された。第一のフェーズは：Ｉａ）第一段階 ：問題のＰＩの画素の決定 この段階では５１２ｘ５１２開始画像は６４ｘ６４画像
にサブサンプルされ、しかしながらこれはこのサブサン
プルされた画像内に左心室の輪郭の画素を保存するよう
な方法で実施される。
【００２９】この第一の段階の目的は計算時間を減少す
るように処理されるべき画素の数を減らすことである。
しかしながらこのサブサンプリングでは配置されるべき
３つのキー画素はこの輪郭上のみに存在しうる故に左心
室輪郭画素を減少することは許容されない。元の画像が
サブサンプルされると同時に左心室輪郭画素は保存され
ねばならない：それでこのサブサンプルされた画像は問
題の画素ＰＩの全てを含む。
【００３０】このサブサンプル段階は以下の副段階によ
りなされる：Ｉａ１）第一の副段階 ：最大でない傾斜の除去された傾
斜の画像Ｉ（ＧＭ）の形成。 図３の（Ａ）を参照するにこの第一の副段階はエッジ検
出の技術により左心室輪郭画素Ｐ（ＧＭ）の検出を許容
する。
【００３１】強度Ｇの傾斜は元画像Ｉ0 の各画素Ａ
0 （ｘ，ｙ）で計算される。強度の傾斜が最大である画
素Ｐ（ＧＭ）のみがこの「傾斜の画像」Ｉ（ＧＭ）の画
素として保持される。各画素での強度の傾斜は当業者に
知られている元画像上への「傾斜フィルター」を通過す
ることにより得られる。このフィルターはｘ軸方向の強
度の導関数を計算し、傾斜ベクトルの第一の成分を形成
し、ｙ軸方向の強度の導関数を計算し、傾斜ベクトルの
第二の成分と傾斜ベクトルの絶対値を形成する。
【００３２】図３の（Ｂ）を参照するにこの操作がフィ
ルターを例えばπ／８通常回転する；即ち各画素Ａ
0 （ｘ，ｙ）の周辺の空間内で傾斜の計算は８つの方向
θ1 乃至θ 8 でなされるようくり返される。傾斜が最大
の局所方向は識別され、記憶される。
【００３３】図３の（Ｃ）を参照するに最大傾斜のこの
方向及び例えば現在の画素Ａ0 とこの現在の画素の両側
に位置する２つの画素Ａ’0 ，Ａ”0 とを含む３画素内
の小さな近傍内ではその傾斜が最大の画素Ｐ（ＧＭ）の
みが保持される。図３の（Ｃ）では画素Ｐ（ＧＭ）はＡ
0 と一致している。その傾斜が最大でない画素の強度の
値はゼロに設定される。「傾斜の画像」Ｉ（ＧＭ）は故
に図３の（Ａ）に示されるようにその傾斜が最大である
画素Ｐ（ＧＭ）のみを究極的には含む。
【００３４】この「最大でない傾斜を除去した傾斜の画
像」の形成は「エッジ検出の技術」である。この技術を
５１２ｘ５１２元画像に適用することにより画像がスブ
リアスエッジ上に位置する多数の画素と同様に左心室の
輪郭上に位置する画素を除きその画素の全てがこの元画
像に関して除去されるように得られる。「傾斜の画像」
Ｉ（ＧＭ）のこれらの画素Ｐ（ＧＭ）の座標及び強度は
記憶される。最大傾斜の局所方向はメモリーにまた記憶
される。
【００３５】Ｉａ２）第二の副段階：問題の画素Ｉ（Ｐ
Ｉ）の画素の画像の形成 図４の（Ａ），（Ｂ）を参照するに問題画素ＰＩを含む
６４ｘ６４のサブサンプルされた画像である元画像Ｉ0
を得ることから始めて「問題の画素の画像Ｉ（ＰＩ）」
で終了することが望ましい。この目的のために５１２ｘ
５１２の元画像Ｉ0 は例えば８ｘ８画素を含む箱Ｂ0 内
に分割され、箱当たり１画素のみが問題の画素ＰＩとし
て選択される。
【００３６】図４の（Ａ）を参照するに問題の画素ＰＩ
の選択は元画像Ｉ0 内に含まれる情報と「最大でない傾
斜を除去した画像の傾斜」Ｉ（ＧＭ）に含まれる情報と
の組み合わせにより達成される。各現在の箱Ｂ0 を調べ
る： ・箱内である場合には、「傾斜の画像］Ｉ（ＧＭ）はそ
の強度がゼロに設定され、即ち傾斜が最大の画素を含ま
ず、それで箱の中央に位置する５１２ｘ５１２画像の画
素が選択され：この画素は問題の画素ＰＩとなり、 ・箱内である場合には、「傾斜の画像］Ｉ（ＧＭ）は画
素Ｐ（ＧＭ）を含み、この画素は問題の画素ＰＩである
として選択され、 ・箱内である場合には、「傾斜の画像］Ｉ（ＧＭ）は幾
つかの画素Ｐ（ＧＭ）を含み、１つの画素が選択され：
最大傾斜の中の最も大きな傾斜を有する１つは問題の画
素ＰＩを構成するために保持される。
【００３７】図４の（Ｂ）を参照するに全ての選択され
た画素ＰＩの強度及び座標が記憶される。これらの選択
された問題画素ＰＩは問題画像Ｉ（ＰＩ）の画素と称さ
れる６４ｘ６４サブサンプル画像を形成する。これらの
問題画素ＰＩは通常は心室撮影画像Ｉ0 がエッジを含ま
ない領域内のこの画像上に分布されており、これらのエ
ッジが心室撮影画像内に存在する領域内ではそれらはエ
ッジ上にある。
【００３８】第一のフェーズは更に以下を含む：Ｉｂ）第二段階 ：各問題画素に対するベクトルＥ１乃至
Ｅｋ特性の形成 この第二の段階で１つの小画像（ｉｍａｇｅｌｅｔ）Ｉ
ｊ（ＰＩ）が問題画素ＰＩごとに形成され、即ち１つの
問題画素に関する情報の１００から２５６の間の項目を
含む全体で（ｊ＝１乃至４０９６）６４ｘ６４＝４０９
６の小画像が換言すれば問題画素ＰＩの小さな近傍に関
する局所情報と還元すれば問題画素ＰＩから離れた領域
に関する相互関係情報とを含む。
【００３９】情報のこれらの項目は各問題画素ＰＩに割
り当てられた特性のベクトルを形成すると称される。幾
つかの処理がこの局所及び相互関係情報を統合すること
が可能である。２つの処理を以下に説明する。記載され
た第一の処理は対数極座標変換に基づく：記載された第
二は微分演算子を計算するためのフィルタの処理に基づ
く。処理の各々はそれらの実施に必要な計算時間を可能
な限り制限するよう低域濾波を受けた多数のサブサンプ
リングされた画像に適用される。
【００４０】Ｉｂ１）準備副段階：ガウシアン画像Ｉ0
乃至Ｉ7 のピラミッドを形成する多解像度フィルタリン
グ この目的のために図５の（Ａ），（Ｂ），（Ｃ）を参照
するに５１２ｘ５１２画像Ｉ0 はそのカーネルは等方的
ガウス関数であり、その標準偏差（半値幅）σ 1 はフィ
ルタリングにより得られた画像の解像度を決定する低域
通過フィルターＦ １が作用される。このようなフィル
ターを介して画像Ｉ0 の詳細は平滑化される。σ＝２画
素を有するガウス関数は例えばこの第一のフィルタリン
グに用いられうる。続いて画像Ｉ0 はサブサンプルさ
れ、例えば半分にされたサンプリング周波数に適合し、
即ちサンプリング増加Ｄは２画素に等しく；そして２５
６ｘ２５６画像が形成される。
【００４１】図５の（Ａ）を参照するに、それのカーネ
ルがよりなお大きいσ値であるσ1乃至σ7 を有する等
方的ガウス関数であるフィルターにより連続的にＦ１，
Ｆ７をフィルタリングし、適切なサンプリング増分を適
用することにより誤ったサンプリング（折り返し）の問
題を回避する一方でよりなお小さなサブサンプルされた
画像が得られる。
【００４２】斯くして７つのサブサンプルされた画像が
種々の解像度で形成されうる。例えば５１２Ｘ５１２画
像Ｉ0 からσ1 ＝２、Ｄ＝２を有するＦ１に対して２５
６ｘ２５６でＩ1 が得られ、σ2 ＝３、Ｄ＝２を有する
Ｆ２に対して２５６ｘ２５６でＩ2 が得られ、σ3 ＝
５、Ｄ＝４を有するＦ３に対して１２８ｘ１２８でＩ3
が得られ、σ4 ＝８、Ｄ＝４を有するＦ４に対して１２
８ｘ１２８でＩ4 が得られ、σ5 ＝１２、Ｄ＝８を有す
るＦ５に対して６４ｘ６４でＩ5 が得られ、σ6 ＝１
６、Ｄ＝８を有するＦ６に対して６４ｘ６４でＩ6 が得
られ、σ7 ＝２０、Ｄ＝８を有するＦ７に対して６４ｘ
６４でＩ7 が得られ、るように開始する（ここでＦ１乃
至Ｆ７からの種々のフィルターのカーネルはガウス関数
である）。この段階は多解像度フィルタリング段階で終
了し、それぞれフィルターＦ１乃至Ｆ７により形成され
る種々の画像は符号Ｉ1 乃至Ｉ7 と称し元画像Ｉ0 と共
にガウシアン画像のピラミッドを形成する。
【００４３】Ｉｂ２）第一の好ましい処理： 対数極座標変換 図６の（Ａ）、（Ｂ）を参照するに対数極座標変換処理
は人間の視覚の生理に類似を有する画像処理の処理であ
り、局所及び相互関係の情報を並列することが可能であ
る。
【００４４】対数極座標処理はこの生理学に記述され、
それは人間の目の網膜の中心は周辺よりも多くの光検出
器を有する。網膜の中心は「中心窩」（ラテン語の意味
の窪みから）と呼ばれる。中心窩は捍状体及び錐状体の
より高い密度を有する網膜内の点であり、これらの光受
容体はこの中心から離れてゆくに従ってより少なくな
る。
【００４５】同様にして画像Ｉ0 の点は現在の画素Ａ0
（ｘ，ｙ）の周辺を非常に高密度に選択し、この画素か
ら離れるに従って、画素は０乃至３６０゜間に分布する
角度で分布する半径上でより一層遠くに離れる。この極
座標処理は図６の（Ａ）に示したチャートに基づき、そ
の助けでθ1 乃至θ16とラベルされた角度θ＝２π／１
６により規則的に間隔を有する１６軸はこの時点で元の
画像Ｉ0 又はガウシアン画像のピラミッドの画像の可能
な１つでその座標の効果により再位置決めされた問題画
素ＰＩがある中心から開始すると決められ、長さ又は半
径は中心：ｒ１，ｒ２，ｒ３．．．等々から開始するこ
れらの軸上で決められる。これらの半径は ｒn ＝ｐ（ｒn-1 ） のように幾何学的に漸進する。ここでｎは０乃至１６を
含む整数であり、ｐは１以下の実数である。
【００４６】半径ｒ１，ｒ２．．．及び角度θ1 、
θ2 ．．．はその領域が中心からの後退が増加する各問
題の画素ＰＩ、扇形の周囲で斯くの如く決定される。図
６（Ｂ）を参照するに扇形内に位置する全ての画素は考
慮され、各扇形内のそれらの強度の平均は計算される。
扇形の中に位置する画素はガウシアンピラミッドの種々
の画像内で以下に説明するように捜索される。
【００４７】扇形が大きな値の２つの半径により範囲を
決められたときにこの扇形の領域は大きく、平均はこの
計算のために考慮される画像が最大の解像度Ｉ0 を有す
る画像である場合には多数の画素にわたり計算される。
この故にこの扇形により供される情報は全体的又は相互
関係的であり、即ちそれは問題画素ＰＩから離れた領域
に関し、同時に大きな領域にも関する。
【００４８】しかしながら扇形が小さな値の２つの半径
により範囲を決められたときには平均は少数の画素にわ
たり計算される。何故ならば情報は局所的であり、即ち
それは問題画素から離れていない、小さな領域に関する
からである。各扇形内の強度の平均はより先に決定され
た画像Ｉ0 乃至Ｉ7 の助けにより計算される。この目的
のために該画像はその解像度がその隣接画素の４つが扇
形の範囲を決める４つの画素と一致するように見いださ
れる：この場合には得られるべき平均はサブサンプルさ
れた画像の４画素により範囲を決められた方形の中心に
位置する点Ｍの強度の補間により計算に対応する。次に
この点Ｍの強度はｒ，θ内でこの点の座標と同様にこの
補間を介して計算された。
【００４９】図６（Ｂ）を参照するに、この処理の効果
により４つの隅の画素Ａ01，Ａ02，Ａ03，Ａ04を有する
小さな半径により範囲を決められた扇形内の強度を平均
するために捜索するときに補間を必要とする４つの画素
は同時に例えば画像Ｉ0 又はそれ以外には画像Ｉ1 又は
Ｉ2 である高解像度の画像である弱くサブサンプルされ
た画像内で捜索される。例えば４つの隅の画素Ａ01，Ａ
02，Ａ03，Ａ04を有する扇形の範囲を決める扇形半径が
大きければ大きいほど例えば同時にＩ3 乃至Ｉ 7 のよう
な低解像度を有する画像である強くサブサンプルされた
画像内で補間が必要な４つの画素を捜索する原因がより
増加する。
【００５０】実際的な観点から、強くサブサンプルされ
た画像はサンプリング増加量Ｄを以前のより弱くサブサ
ンプルされた画像に適用することにより得られる画素を
有する画像であり、これらのサブサンプルされた画像が
元画像Ｉ0 に関してより一層小さいように共に詰め込ま
れている。所定の扇形の強度の平均の計算のために、及
びそれによりこの扇形の範囲を決めている画素がサブサ
ンプルされた画像の画素と一致するようにするために、
扇形の半径ｒ１，ｒ２．．．は第一に補間をなすために
用いられるサブサンプルされた画像に到着するように用
いられるサンプリング増加分を考慮に入れた数で割られ
なければならない。
【００５１】補間がサブサンプルされた画像内で見いだ
された４つの画素間で行われたときには、捜索された後
の情報の全てが得られる。何故ならば連続的なフィルタ
リングが最もサブサンプルされた画像がもっとの平滑で
あり、また当業者により開示されているように：平均さ
れている。斯くして局所情報は実際に小さな半径の扇形
内の問題画素ＰＩに近接して得られ、それから離れた全
体の情報は大きな半径の扇形内で得られる。
【００５２】対数曲座標変換のこの処理により各４０９
６の選択された問題画素ＰＩは選択された１６半径と１
６角度（故にｋ＝２５６）で補間により画素Ｍ（ｒ、
θ）内で見いだされた２５６強度である２５６特性の数
ｋを供される。これらの２５６の特性は各画素ＰＩに対
して「２５６特性のベクトル」を形成する。これらの特
性は小画像Ｉｊ（ｊ＝１乃至４０９６）を形成するとま
たみなされ、即ち４０９６小画像は４０９６問題画素に
対応して全てが半径ｒ及び角度θにより識別される画素
Ｍを有し、上記補間により計算された強度を付与され
る。
【００５３】このフェーズでは心臓撮影画像内の１０の
解剖学的分類Ｃ１乃至Ｃ１０の決定であり、究極には３
つのキー画素の決定である捜索された後の結果の質を減
少させずに情報の量を減少する目的で以下に説明する第
二の処理が代替として選択されうる。Ｉｂ３）第二の好ましい処理 ：微分演算子を適用するた
めのリカーシブフィルター この処理はフィルターのバンクの実施を含み、その数ｋ
は１００のオーダー又はより若干大きいだけである。
【００５４】これらのフィルターは方向付け可能なリカ
ーシブフィルター及び多くの特殊なフィルターからな
る。 ＊方向付け可能なリカーシブフィルター その中で元画像Ｉ0 がサブサンプルされ、低域通過フィ
ルターされた多解像度フィルタリングの以前の段階で異
なる解像度の多数の画像Ｉ0 乃至Ｉ7 はガウシアン画像
のピラミッドを形成するように得られた。これらの画像
は解像度が荒くなればなるほどそれの示すグレーレベル
はより平滑になる。
【００５５】この多解像度フィルタリング段階の後に一
連の計算は： ー ガウシアンのピラミッドの画像のそれぞれ内で問題
画素ＰＩを配置し； ー ソーベルフィルターという名称で知られている方向
付け可能なフィルターによりそれぞれ画像Ｉ0 乃至Ｉ7
が得られるこれらの問題画素のそれぞれで４次までの導
関数を数値的に評価する、段階からなるようになされ
る。
【００５６】これらの計算は各問題画素ＰＩ及び各ガウ
シアンのピラミッドの画像に対して： ー ０次に対して： ・現在の画素での強度の平均値を構成する強度のガウス
関数のコンボリューション関数と、 ー １次に対して ・強度の傾斜を構成する０次に対する関数のｘ軸に沿っ
た一次導関数と、ｙ軸に沿った一次導関数と、 ・０次に対する関数のｘ軸に沿った二次導関数と、ｙ軸
に沿った二次導関数と、 ・０次に対するこの関数のｘｙでの混合導関数と、を供
する。
【００５７】同様にｘ，ｙでの導関数及び混合導関数の
全ては３次及び４次で計算される。これらの値はコンボ
リューション関数の連続した導関数の線形結合により構
成された境界を付けられた拡大、又は平滑化された画像
を構成する。次数０乃至４の導関数からなる多項式の各
項はそれらが適用された画像の詳細を特性として際だた
せる。
【００５８】全ての１５のフィルターは０次から４次ま
での多項式の要素全てを計算するために必要とされる。
そしてこれらの計算は上記の異なる解像度で７つの画像
Ｉ0乃至Ｉ7 のために実施されうる。結果として１０５
のフィルターがこれらの計算をなすために必要とされ
る。換言すれば各問題画素ＰＩに対して特性の１セット
が高解像度画像から引き出され、特性の他のセットがよ
り低い解像度画像から引き出され、特性の更に他のセッ
トが更に低い解像度画像から引き出される等々。
【００５９】各フィルターの応答は１の特性を構成す
る。この特性は問題画素ＰＩの各画素のみに割り当てら
れている。それ故に全体で１０５の特性は各４０９６の
問題画素ＰＩに対して計算されうる。特性の数は７つの
解像度のうちの最低の解像度の画像に対して限定された
数のフィルターを適用することにより減少されうる。斯
くしてこれらの低解像度画像に対して１５のフィルター
を適用する代わりに中間の解像度に対して次数０、１、
２の計算によるフィルターを供するのみで充分であり、
それは７つのフィルターであり；そして非常に低い解像
度に対して次数０、１の計算によるフィルターを供する
のみで充分であり、それは３つのフィルターである。
【００６０】斯くして元の画像は上記のように適用され
分布された８０のフィルター周辺のバンクのみを用いる
ことにより最終的には非常に正確に特性づけられる。８
０の特性の全てにおいて各選択された問題画素ＰＩに割
り当てられうる。 ＊特殊フィルター これらの最初の８０の特性は処理することが望ましい特
定の問題のより典型的な特性に加えられうる：この特定
の問題は左心室の例に関する。例えばこれらの加えられ
た特性は： ー 選択された解像度の１つでの傾斜の絶対値、 ー この傾斜の方向、であり得る。
【００６１】この目的のために「最大ではない値の除去
された傾斜の画像」Ｉ（ＧＭ）を構成するときにｘ方向
とｙ方向の傾斜ベクトルの２つの成分が計算された。そ
れの絶対値はそれから導かれた。加えて最大傾斜を有す
る画素を決定するためにこれらの最大傾斜の方向は８つ
の方向から算出された。この情報は記憶された。そのよ
うな情報は付加的な特性を構成しうる。
【００６２】傾斜の方向は最終的には位置するように見
いだされる３つのキー画素のそれぞれの傾斜の方向が全
ての患者に対して全ての心室撮影画像で一定であること
が知られたときに実際に特に問題となる。等グレーレベル線の局所曲率 他の問題の特性はまた評価されえ、即ち現在の画素Ａ0
（ｘ，ｙ）を通過する等グレーレベル線の局部曲率であ
る。
【００６３】上記のソーベルフィルターのバンクはｘ，
ｙ方向の第一の導関数と、これら２つの方向の第二の導
関数と、コンボリューション関数の混合導関数とをすで
に供している。この後で当業者に知られている数式が等
グレーレベル線の局部曲率を計算するために存在する。
この計算は種々の解像度の幾つかのフィルターを用いる
ことにより達成される。等グレーレベル線の局部曲率は
とりわけ左心室の輪郭の局部曲率を確実にすることを可
能にする。
【００６４】微分演算子を形成するこれらのリカーシブ
フィルタリングの計算でベクトルは問題の画素当たり約
１００乃至１２５の特性を形成する。上記のそれらが適
用されたガウシアン画像のピラミッドの画像の解像度の
関数としてフィルターの数を制限することにより故に問
題画素ＰＩ当たりの１００の特性のベクトルを形成する
１００のフィルターと共になしうる。それはまたこれら
のｋ特性（故にここではｋ＝１００）からなるように４
０９６の小画像Ｉｊ（ＰＩ）が形成されるとも言える。
【００６５】斯くして画像はニューラルネットワークの
入力に相当する方法でコード化され；このコード化は全
ての情報の導入がどのように所定の解像度で強度がｘ，
ｙ軸の関数として変化するかをニューラルネットワーク
に伝えることを許容する。このコード化はニューラルネ
ットワークがそれが問題画素ＰＩを効率的なやり方でク
ラスＣ１乃至Ｃ１０の一つ内に分類することができる方
法で適合される。この情報は各問題画素ＰＩに対して表
Ｉ内で定義された１０のクラスの一つに属する確率の画
像を構成するのに充分である。Ｉｃ）第三段階 ：第一のニューラルネットワークの使用 ｋ特性のベクトルが６４ｘ６４画像Ｉ（ＰＩ）の問題画
素ＰＩの各４０９６の画素に対して定義されるときにこ
のベクトルはＮＮ１で表され、Ｅ1 1乃至Ｅｋkで表され
る入力に等しい数ｋを有し、単一の隠れ層及び解剖学的
なクラスのそれに等しい出力の数ｍ、即ちここではＣ１
乃至Ｃ１０で表される１０の出力を有する第一のニュー
ラルネットの入力に対して表される。
【００６６】図７（Ａ）を参照するにニューラルネット
ワークは層内に配置されるニューロンＮと呼ばれる幾つ
かの計算要素からなる。各要素又はニューロンＮは出力
０”を供し、１以上の入力０’1 、０’2 等々を受ける
ことが可能である。出力は重みＷ１，Ｗ２等々により重
みづけられた入力の和Σがある閾値関数Ｔｈを越えたと
きに動作（ａｃｔｉｖａｔｅ）する。
【００６７】図７（Ｂ）を参照するに種々のニューロン
Ｎ及びそれらの重みづけられた相互結合はネットワーク
を形成する。入力層内のニューロンＮは外界からのそれ
らの入力を受け；出力層のニューロンはそれらの出力を
外界へ供する。入力層及び出力層間の層は中間層と呼ば
れる。閾値関数Ｔｈは種々の形態を有すことができ、動
作関数と呼ばれる。
【００６８】ニューラルネットワークは学習するように
される。この学習のためにあるデータが入力に現れたと
きにどんな出力が得られるべきかを経験的に決定するデ
ータベースが構築される。学習中にニューラルネットワ
ークは知られた入力の導入と必要な出力の捜索によるデ
ータベースを用いる繰り返された試行により決定され
る。結果が満足されるとみなされたときに、即ちニュー
ラルネットワークがある入力に対応する許容された出力
を得る方法を知るときに重みは固定される。故にニュー
ラルネットワークは分類により動作する。
【００６９】本発明によればニューラルネットワーク又
は用いられたネットワークＮＮ１及び可能なＮＮ２は単
一の隠れ層と少数の出力のみを含む。一般に第一のニュ
ーラルネットワークはそれが現れた特性Ｅ1 乃至Ｅk と
同じ数の入力Ｅ1 1乃至Ｅｋ1 を有する。例えば： ー 本発明による処理が対数極座標変換を含むときにｋ
＝２５６特性Ｅ1 乃至Ｅ k に対してＥ1 1乃至Ｅｋ1 ＝２
５６入力が現れ、 ー 本発明による処理が微分演算子を２０の特殊な特性
が加えられるように形成される１０５フィルターのバン
クを含むときにｋ＝１２５特性Ｅ1 乃至Ｅk に対してＥ
1 1乃至Ｅｋ1 ＝１２５入力が現れ、 ー 本発明により好ましく選択されたｋ＝１００特性Ｅ
1 乃至Ｅk に対してＥ1 1乃至Ｅｋ1 ＝１００入力が現れ
る。
【００７０】この第一のニューラルネットワークＮＮ２
は隠れ層内に１０ニューロンと、表Ｉ内で定義された１
０の解剖学的クラスＣ１乃至Ｃ１０に対応する１０出力
とを有する。この第一のニューラルネットワークＮＮ１
からの出力では選択された問題画素ＰＩを形成する６４
ｘ６４サブサンプルされた画像Ｉ（ＰＩ）の代わりにニ
ューラルネットワーク（ｉ＝１乃至１０）の対応する出
力の動作関数の結果をそれぞれ表す１０のいわゆる動作
画像Ｉ（Ｃｉ）が得られる。
【００７１】各問題画素ＰＩは１０の可能な値Ｑ1 、Ｑ
2 、Ｑ3 、．．．Ｑ10を付与され、Ｑ1 乃至Ｑ10の各値
はこの画素が有するＣ１乃至Ｃ１０の各解剖学的クラス
Ｃｉ内に 存する確率を表す。斯くして問題画素ＰＩが
１のクラスに比べてより高い確率値を有することが生じ
うる。それでこの問題画素は実際に単一の解剖学的クラ
スＣｉ内に、即ち単一の動作画像Ｉ（Ｃｉ）内に存在し
うる。それに割り当てられている他の高い確率値は現実
的には誤り警告（ｆａｌｓｅ ａｌａｒｍ）である。
【００７２】これらの誤り警告は除去しなければならな
い。この目的のために本発明の方法は第二のフェーズを
有する。ＩＩ／第二のフェーズ ：誤り警告の除去 本発明の目的は最終的には３つのキー画素Ｋ２、Ｋ３、
Ｋ４のみの座標を決定することであり、ＴＴで表された
他の全ての画素を除去することである。
【００７３】これらの３つの画素は解剖学的クラスのそ
れぞれに対応する動作画像それぞれから選択される： Ｉ（Ｃ２）→尖Ｋ２ Ｉ（Ｃ３）→弁の前端Ｋ３ Ｉ（Ｃ４）→弁の後端Ｋ４ これらの各動作画像Ｉ（Ｃ２）、Ｉ（Ｃ３）、Ｉ（Ｃ
４）内で問題画素中の画素により形成された誤り警報が
存在し、これはまたこの同じクラスに関して高い確率値
を偶然有してしまう。
【００７４】第一のニューラルネットワークＮＮ１によ
り第一のフェーズ内で形成された、ちょうど３動作画像
でなく左心室の種々の解剖学的な領域プラス外側画素の
領域に関する１０動作画像の利点はそれらの全てが確率
画像である他の動作画像からの情報に関するこれら３つ
の画像に関する情報に整合する状態を提供するためにこ
の情報を用いうることである。
【００７５】例えば尖のクラスに属する問題画素ＰＩの
高い確率は北西に位置する解剖学的領域の高い確率が内
部領域であり、南に位置する解剖学的領域の高い確率が
外部画素からなる背景であることと整合しなければなら
ない。他の２つのキークラスの画素のそれぞれは１０解
剖学的領域のそれぞれ内のある方向内でその近傍に関す
る確率条件に関係されなければならない。これらの近傍
条件により誤り警告が除去されうる。
【００７６】例えばその左上の大動脈クラスのを有さ
ず、南に対して内部領域の前の弁のクラスからの１画素
はこの前の弁のクラスに関する誤り警告である。ＩＩａ）第一段階 ：問題画素ＰＩに対する、及び各動作
画像Ｉ（Ｃｉ）内の１特性Ｅ’1 乃至Ｅ’1 のベクトル
の形成 この段階の６特性は１０動作画像Ｉ（Ｃｉ）のそれぞれ
の問題画素ＰＩの画素ごとに形成され、即ち５１２ｘ５
１２画像内の問題画素ＰＩのｘ，ｙ内に位置するＥ’1
乃至Ｅ’1 で示される数ｌ＝６０特性の全てである。
【００７７】画像Ｉ（Ｃｉ）ごとのこれらの６特性は０
次、１次、２次に対して連続な非常に多くのソーベルフ
ィルターにより実施されている微分演算子により形成さ
れる。故にこの段階で動作画像の現在の画素の周囲のあ
る１０画素のスケールに対する振る舞いを発見する試み
がある。斯くして現在の画素と約１０画素の低域通過近
傍が見られる。
【００７８】故に６フィルターのバンクは各動作画像上
を通過し、これらは各問題画素内でこの画素がその近傍
に関してそれの位置の関数としてクラスに属する確率を
特性づける。典型的には情報の高い圧縮は斯くして得ら
れる。何故ならば画が祖内で選択された例では６データ
の項目又は値のみが決定されるからである。これらの６
つの値はフィルターにより計算された導関数を介して得
られ、即ち： ー ０次に対して：確率の平滑化された低域通過値（１
値） ー １次に対して：ｘ方向傾斜とｙ方向傾斜（２値） ー ２次に対して：ｘ方向二次導関数とｙ方向二次導関
数とｘ，ｙの混合導関数（３値）。
【００７９】これらの特性は例えば所定のクラスに属す
る画素の確率は平均値が所定の近傍であるレベルを有す
るときにｘ方向でそのように変動し、ｙ方向でもそのよ
うに変動するときに大きい等々。これらの６値は確率が
空間内で変動する方法を特性づける。ＩＩｂ）第二段階 ：第二のニューラルネットワークを用
いる 図６の（Ｃ）を参照するに第二のニューラルネットワー
クＮＮ２は各１０確率クラスの各問題画素のこれらの６
値を入力として受ける。故にこの第二のニューラルネッ
トワークは全体でｌ＝６０特性の入力ベクトルを構成す
る問題画素当たり６０値を入力として受ける。このよう
にしてこのネットワークは種々の確率が現在の問題画素
の周囲の空間で変化するように条件づけられる。この第
二のニューラルネットワークＮＮ２は誤り警告を排除す
ることを許容するこれらの条件下にある。実際画素の強
度が特定のクラスと整合するような方法で変化するとき
にそれは好ましいクラスである。従って画素の強度が特
定のクラスと整合しないように変化するときにはこのク
ラスは好ましくない。
【００８０】第二のニューラルネットワークは出力とし
て数ｑ＝４クラスを含む： ー 尖のクラス＝Ｃ’２ ー 前の弁のクラス＝Ｃ’３ ー 後ろの弁のクラス＝Ｃ’４ ー 全ての他の画素＝ＴＴ 次に第二のニューラルネットワークＮＮ２からの出力と
して選択された全ての画素から問題の３クラスＣ’２，
Ｃ’３，Ｃ’４の１つ又は３つのキー画素のクラスで決
定はなおクラス当たり単一の画素を決定的に選択するた
めになされねばならない。
【００８１】第一の解はそのクラスでの最大の確率値を
示す画素を選択することからなる。他の解は確率値に関
する情報と付加的な整合情報との両方を用いたコスト関
数からなる。この付加的な情報では３つのみいだされた
後のキー画素Ｋ２，Ｋ３，Ｋ４ はその底辺は離れて隔
たった２つの弁の端の画素Ｋ３，Ｋ４であり、それの頂
点は尖Ｋ２であることを銘記されたい。ＩＩＩ／第二フェーズの変形例 本発明の変形例ではコスト関数を用いる最後の解は第一
のニューラルネットワークＮＮ１からの出力の直後に適
用されうる。
【００８２】この目的のためにキー画素Ｋ２，Ｋ３，Ｋ
４に対応する確率Ｉ（Ｃ２），Ｉ（Ｃ３），Ｉ（Ｃ４）
を有する３つの画像からの情報は等しいレベルの曲線の
画像からの情報と結合され、傾斜曲線を形成する。ＩＩＩａ）第一段階 ：キー画素のクラス内の画素数の減
少 ３つの確率のクラスＩ（Ｃ２），Ｉ（Ｃ３），Ｉ（Ｃ
４）のみが考慮される。
【００８３】これらの確率画像のそれぞれないに含まれ
る画素数と比較して処理されるべき画素の数を減少する
ことは再び重要である。この目的のために図８（Ａ）を
参照して最大でない傾斜の除去された傾斜の新たな画像
Ｉ（ＧＭＣ２），Ｉ（ＧＭＣ３），Ｉ（ＧＭＣ４）がそ
れぞれ各確率画像から構成される。この構成は本発明の
第一のフェーズ内で既に上記で述べられ他方法でなされ
ており、これはまたもとの画像に適用された。これらの
新たに構成された画像のそれぞれは最大の傾斜を有し、
故に輪郭上に位置する画素ＰＧＭ（Ｃ２），ＰＧＭ（Ｃ
３），ＰＧＭ（Ｃ４）により形成された曲線の断片のみ
を含む。
【００８４】問題はほとんどの場合に真のキー画素は ー これらのＰＧＭ輪郭上で正確でないか ー 又は適切なクラス内の最大の確率値を有する正確な
画素でない ことが見いだされている。これらの条件下で、各クラス
Ｃ２，Ｃ３，Ｃ４内では： ー 所定のクラス内の最大確率を有する画素ＰＰＭ（Ｃ
ｉ）（ｉ＝２、３、４）の位置に基づいて、以下を選択
する： ー この画素ＰＰＭ（Ｃｉ）に最も近い輪郭セグメン
ト。 例えばこの最大各確率画素ＰＰＭ（Ｃｉ）から２乃至４
画素以上位置しない輪郭セグメントが選択され、 ー それから全ての画素が中心としておよびそのエッジ
の一つとしてＰＰＭ（Ｃｉ）を有する小さな領域ＲＫｉ
内で選択され、最大傾斜Ｉ（ＣＭＣｉ）（ｉ＝２、３、
４）の新たな画素の性質により知られた輪郭セグメン
ト。
【００８５】最大確率の画素について中心化された小さ
な領域ＲＫ２，ＲＫ３，ＲＫ４は最大傾斜の画素により
限定された部分的な領域を有する各画像Ｉ（Ｃ２），Ｉ
（Ｃ３），Ｉ（Ｃ４）内で限定される。これらの小さな
領域は数画素を含む。これらの画素はそれぞれＰＫ２，
ＰＫ３，ＰＫ４でしめされ、実験は真のキー画素は新た
な画像Ｉ（ＲＲ）内で参照されるこれらの領域内に実際
にあることを示した。 ＩＩＩｂ）第二段階 ：コスト関数の実施 この段階ではそれは実際に３つのキー画素Ｋ２，Ｋ３，
Ｋ４を決定するために残る。
【００８６】この目的のために３つのキー画素は直接同
時に決定されうる。又は２つの弁の端Ｋ３，Ｋ４は最初
に決められ、これら２つのロバストに決定された画素に
基づいて次に尖Ｋ２こ位置が決定されうる。故に第二の
解が選択された場合には例えば弁の端の画素Ｋ３，Ｋ４
の座標は最初に計算される。
【００８７】この目的のために図８の（Ｂ）を参照する
に以下が評価された： ー 弁の端Ｋ３，Ｋ４に対する捜索に対して選択された
画素を含む２つの領域ＲＫ３，ＲＫ４の画素間の最小距
離ｄｍｉｎと、 ー これら２つの領域ＲＫ３，ＲＫ４の画素間の最大距
離ｄｍａｘと、 ー これら２つの領域の候補の画素間の距離ｄ（ＰＫ
３，ＰＫ４）。
【００８８】次にコスト関数が対数コーディング表（又
はＬＵＴ．ｌｏｇ）を用いて計算され、この間数の最大
値が捜索され、これは簡単に以下のように記載できる：
【００８９】
【数１】
【００９０】図８（Ｃ）を参照するに最大値ＬＵＴ．ｌ
ｏｇ関数に対するこの捜索の終了でそれは尖の位置を決
定するために残る。これは２つの画素Ｋ３，Ｋ４が二等
辺三角形の底辺を形成し、尖Ｋ２が頂点を形成するよう
にしてなされる。尖Ｋ２の位置は弁の端の画素がＫ３，
Ｋ４に固定されたときに尖の候補の画素Ｋ２で得られる
よう二等辺の不確実性を供する単純な比率を計算するこ
とにより得られる。
【００９１】ｄ１が尖の候補の画素とＫ３との間の距離
であるとし、ｄ２が尖の候補の画素とＫ４との間の距離
であるとする。尖の最良の候補はｄ１，ｄ２の最小値と
ｄ１，ｄ２（又はそれらの値の自乗値）との間の比が１
にできるだけ近くなるようにして与えられる。装置 装置は上記方法を実施するため以下に提案される。この
装置は心臓撮影画像の他を研究するときにこの方法を実
施するためにも適用されうる。
【００９２】以下の記述でこの装置の要素は非限定的な
例により心臓撮影画像の処理に対して適応されるよう記
載される。図９を参照するに画像内の左心室ＬＶのよう
な対象の輪郭のキー画素Ｋ2 、Ｋ 3 、Ｋ4 を自動的に検
出するために画像を処理する装置は： ー それの座標（ｘ，ｙ）によりラベルされた各画素
（Ａ0 ）の強度値の画素を図１（Ｂ）を参照して上記の
ようにこの対象を含むデジタイズされた初期画像
（Ｉ0 ）内に記憶し；検出されるべき画素（Ｋ2 、
Ｋ3 、Ｋ4 ）それぞれを囲む対応するクラス（Ｃ2 、Ｃ
3 、Ｃ4 ）を参照する３つのクラスであって、これらの
クラスの図１の（Ａ）を参照して上記のように対象ＬＶ
の解剖学的領域により形成されるクラスＣ１乃至Ｃ１０
を参照する記憶手段（ＭＥＭ１）と； ー 画像Ｉ0 の左心室（ＬＶ）及びこの対象の内側及び
外側の輪郭上に位置する問題の画素（ＰＩ）を参照して
初期画像（Ｉ0 ）から選択する手段［Ｓ（ＰＩ）］と； ー 問題の画素（ＰＩ）のそれぞれに対して第一の特性
ベクトル（Ｅ1 乃至Ｅk）を形成し； ー それの入力で問題の画素に対する特性ベクトルを受
け、各問題画素ＰＩが種々のクラスＣ1 乃至Ｃ10に属す
る確率を決定し；それからの出力が各クラスに属する最
大の確率を有するように選択された画素ＰＩを含む１０
の確率画像Ｉ（Ｃ 1 ）乃至Ｉ（Ｃ10）を形成することを
可能にし；図に簡単のために図９に記載される全てのク
ラスＣ1 乃至Ｃ10ともに運ぶ画像である第一のニューラ
ルネットワーク（ＮＮ１）からなる。
【００９３】図９に示されるようにこの装置は更に： ー 問題画素ＰＩに関する第二の特性のベクトルＥ’1
乃至Ｅ’1 を形成する第二の計算手段ＣＰ２と； ー 図７の（Ｃ）に記載されるような、第二の特性ベク
トルＥ’1 乃至Ｅ’1 をそれの入力で受け、それぞれキ
ー画素Ｋ2 、Ｋ3 、Ｋ4 に対応し、又は画像ＴＴの残り
にに対応して３クラスＣ2 、Ｃ3 、Ｃ4 に属する問題画
素ＰＩの確率を決定する第二のニューラルネットワーク
ＮＮ２と； ー これらのクラスに属する最大の確率を示すクラスＣ
2 、Ｃ3 、Ｃ4 のそれらの画素であるキー画素Ｋ2 、Ｋ
3 、Ｋ4 として選択され；図８を参照したときに説明し
た幾何学的仮説であるこの選択を考慮に入れる選択手段
Ｓ（Ｋ）とを含む。
【００９４】図９を参照するにこの装置はＭＥＭ１又は
ＭＥＭ２にアクセスする表示手段ＤＩＳＰＬと同様に装
置の種々の手段により形成される種々の画像のデータを
記憶する第二のメモリーＭＥＭ２を更に含みうる；図を
簡単にするために種々の手段、メモリーＭＥＭ１、ＭＥ
Ｍ２、ＤＩＳＰＬの間のアクセス点の全ては表示されて
はいない；これらの要素間のこれらの接続は直線的であ
り、当業者の視野内でのルーチンタスクのみを示すに過
ぎない。
【００９５】上記に図３（Ａ）乃至（Ｃ）及び図４
（Ａ）及び（Ｂ）を参照して記載したように、問題画素
ＰＩの画素の選択手段Ｓ（ＰＩ）は：問題の画素（Ｐ
Ｉ）の選択手段［Ｓ（ＰＩ）］は対象の輪郭（ＬＶ）上
に位置する最大強度［Ｐ（ＧＭ）］の傾斜を有する画素
を選択し、他の画素を除去するために初期画像（Ｉ0 ）
に適用される傾斜フィルターと；好ましくは最大強度の
傾斜を有する画素［Ｐ（ＧＭ）］を保存し、より低い周
波数で初期画像（Ｉ0 ）をサンプルする計算手段とを含
む。
【００９６】図９を参照するにこの装置は各問題画素
（ＰＩ）の周りの初期画像（Ｉ0 ）から描かれた局所及
び全体の画像データを供する計算手段（Ｆ）からなる。
１実施例ではこれらの計算手段Ｆは ー 図５の（Ａ）乃至（Ｃ）を参照して説明した初期画
像（Ｉ0 ）に適用されるガウス関数カーネル多解像度型
フィルターとガウシアン画像（Ｉ0 乃至Ｉ7 ）のピラミ
ッドを形成するためにフィルターされた画像をサブサン
プルする計算手段と；ー 図６の（Ａ）及び（Ｂ）で説
明した扇形に形成されたチャートに従って問題の画素
（ＰＩ）に適用された対数極座標変換関数を計算する手
段とを含む。
【００９７】この実施例では第一の計算手段（ＣＰ１）
は用いられたガウシアン画像のサンプルした周波数によ
りこれらの画素を区別する距離を考慮する一方で該問題
の扇形の範囲を定める４隅の画素と一致するピラミッド
ガウシアン画像の一つから選択された４つの隣接画素の
強度の補間により対数極座標変換に関するチャートの各
扇形内の画素の強度の平均として該第一の特性ベクトル
の各特性（Ｅ1 乃至Ｅ k ）を推定する。
【００９８】他の実施例では計算手段Ｆは ー ガウシアン画像のピラミッドの各画像（Ｉ0 乃至Ｉ
7 ）内で識別された問題の画像（ＰＩ）それぞれの強度
を計算する手段と、 ー問題の画素（ＰＩ）の強度と該画像に関するガウス関
数のコンボリューション関数の次数０乃至次数ｎのそれ
の項が部分導関数からなる級数展開式を計算するために
各問題の画素（ＰＩ）についてのガウシアン画像のピラ
ミッドの各画像（Ｉ0 乃至Ｉ7 ）内で方向付け可能にす
るリカーシブフィルターとを含む。
【００９９】この後者の実施例では第一の計算手段（Ｃ
Ｐ１）はガウシアン画像のピラミッドの画像に対して計
算された級数展開式の項の一つとして各特性（Ｅ1 乃至
Ｅk）を推定することにより各問題画素（ＰＩ）に関連
する該第一の特性ベクトルを形成する。図９を参照する
にこの装置は更に： ー 問題の画素に関する第二の特性ベクトル（Ｅ’1 乃
至Ｅ’1 ）を形成する第二の計算手段（ＣＰ２）と； ー 図７の（Ｅ）を参照して説明したそれの入力で第二
の特性ベクトルを受け、問題の画素（ＰＩ）を対応する
クラス（Ｃ2 、Ｃ3 、Ｃ4 ）及び他の画素のクラス内に
分類する第二のニューラルネットワーク（ＮＮ２）と； ー 対応するクラスＣ2 、Ｃ3 、Ｃ4 の問題画素中から
各キー画素Ｋ2 、Ｋ3 、Ｋ4 の選択手段Ｓ（Ｋ）とを含
む。
【０１００】この装置は更に 問題の画素（ＰＩ）のそ
れぞれの周りで局所の画像データを供給し、第一のニュ
ーラルネットワーク（ＮＮ１）により供される該クラス
（Ｃ 1 乃至Ｃ10）内の問題の画素からなる確率画像
［（Ｉ（Ｃ1 ）乃至Ｉ（Ｃ10）］として参照する画像か
ら描かれる計算手段（Ｆ’）を含み、これは： ー 各確率画像内で識別される各画素の強度を計算する
手段と、 ー 図８の（Ａ）を参照して説明したように０次からｐ
次までの各確率画像部分導関数内で計算するために問題
の画素（ＰＩ）のそれぞれに関して方向付け可能なリカ
ーシブフィルターとを含む。
【０１０１】これらのフィルターは問題画素のそれぞれ
の近傍に関する特殊なデータを供し、特に問題の画素の
周辺のあるクラスの存在可能性を供する。この実施例で
は 第二の計算手段（ＣＰ２）はこれらの特性は問題の
画素（ＰＩ）周辺の該クラス（Ｃ1 乃至Ｃm ）の出現の
確率をコードする問題の画素それぞれに適用されるもの
として第二の特性ベクトルの各特性（Ｅ’1 乃至
Ｅ’1 ）を推定し、 ー キー画素（Ｋ2 、Ｋ3 、Ｋ4 ）を選択する手段（Ｓ
（Ｋ））は対応するクラス（Ｃ2 、Ｃ3 、Ｃ4 ）にそれ
ぞれ属する最大の確率からなる条件を満たす画素を得、
図８の（Ｂ）、（Ｃ）を参照して特に好ましくは尖（Ｋ
2 ）が頂点である二等辺三角形の底辺から大動脈弁の端
（Ｋ3 、Ｋ4 ）による幾何学的条件をまた満たす。
【図面の簡単な説明】
【図１】１０の異なる解剖学的クラスを介して左心室を
表す図である。
【図２】その画素は座標軸システム内にラベルされる元
の画像を表す図である。
【図３】（Ａ）は元の画像の他の画素を排除した方向に
関して最大傾斜を有する画素の画像を表す図である。
（Ｂ）は傾斜が角画素について計算された方向を表す図
である。（Ｃ）はエッジを検出するために方向に関する
最大の傾斜を有する画素の選択を示す図である。
【図４】（Ａ）は元画像の問題画素の選択を示す図であ
る。（Ｂ）は選択された問題の画素の画像を示す図であ
る。
【図５】（Ａ）はガウシアンのピラミッドの形成を示す
図である。（Ｂ）はフィルターの一つのガウシアン関数
を示す図であり、（Ｃ）は他のフィルターのガウス関数
を示し、これらの関数は異なる半値幅を有する。
【図６】（Ａ）は対数極座標変換チャートを示す。
（Ｂ）は対数極座標チャートの扇形内の画素の強度平均
の計算を示す図である。
【図７】（Ａ）はニューロンを示す図である。（Ｂ）は
第一のニューラルネットワークを示す図である。（Ｃ）
は第二のニューラルネットワークを示す図である。
【図８】（Ａ）はコスト関数の設定を継続するようにキ
ー画素のクラス内で減少された捜索領域を設定する段階
を示す図である。（Ｂ）は弁の端のクラスの捜索の減少
された領域内で弁の端のキー画素の決定を示す図であ
る。（Ｃ）は３つのキー画素をリンクする二等辺条件を
示し、画素間の距離の条件の結果を示す図である。
【図９】本発明の方法を実施する装置のブロック図を示
す。
【符号の説明】
１１ 横隔膜 Ｉ0 心臓撮影画像 Ｋ2 、Ｋ3 、Ｋ4 キー点 Ａ0 （Ｘ，ｙ） 画素 ＬＶ 左心室 Ｃ1 〜Ｃm クラス ｍ クラスの数 Ｐ（ＧＭ） 輪郭画素 Ｇ 傾斜の強度 Ｉ（ＧＭ） 傾斜の画像 Ａ0 ’，Ａ0 ” 画素 ＰＩ 問題の画素 Ｂ0 箱 Ｅ1 〜Ｅk ベクトル Ｉｊ（ＰＩ）小画像 Ｉ0 〜Ｉ7 ガウシアン画像 Ｆ1 〜Ｆ7 フィルター Ｄ サンプリング増加 σ1 〜σ7 標準偏差 θ0 〜θ16 角度 ｒ1 〜ｒ16 半径 Ａ01〜Ａ04 隔の画像 Ｍ（ｒ，θ） 画素 ｋ 特性の数 Ｃ1 〜Ｃ10 解剖学的分類 ＮＮ１，ＮＮ２ ニューラルネットワーク Ｎ ニューロン Ｗ1 〜Ｗn 重み Ｔｈ 閾値関数 Ｅ1 1〜Ｅｋ1 入力 Ｑ1 〜Ｑ10 可能な値 Ｉ（Ｃ2 ）／Ｉ（Ｃ4 ） 確率 Ｉ（ＧＭＣ１）〜Ｉ（ＧＭＣ４） 新たな画像 ＰＧＭ（Ｃ2 ）〜ＰＧＭ（Ｃ4 ） 輪郭上に位置する画
素 ＰＰＭ（Ｃｉ） 最大確率を有する画素 Ｒｋｉ 小さな領域 Ｉ（ＣＭＣｉ） 最大傾斜 ｄ１，ｄ２，ｄ（ＰＫ３，ＰＫ４） 距離 ＭＥＭ１，ＭＥＭ２ メモリー ＣＰ１，ＣＰ２ 計算手段ＤＩＳＰＬ 表示手段 Ｓ（ｋ） 選択手段 Ｆ，Ｆ’ 計算手段
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 9061−5Ｈ Ｇ０６Ｆ 15/70 ３４０

Claims (21)

    【特許請求の範囲】
  1. 【請求項１】 それの座標（ｘ，ｙ）によりラベルされ
    た各画素（Ａ0 ）の強度値の画素の二次元マトリックス
    の形で初期画像（Ｉ0 ）内に記憶し、検出されるべきキ
    ー画素（Ｋ2 、Ｋ3 、Ｋ4 ）をそれぞれ含む対応するク
    ラス（Ｃ2 、Ｃ3 、Ｃ4 ）と称されるクラスを含むクラ
    ス（Ｃ1 乃至Ｃm ）と称される対象の領域（ＬＶ）のデ
    ータの初期画像（Ｉ0 ）内に記憶し；対象（ＬＶ）の内
    側及び外側の輪郭上で問題の画素（ＰＩ）と称される初
    期画像（Ｉ0 ）の画素を選択し；問題の画素（ＰＩ）の
    それぞれに対する特性（Ｅ1 乃至Ｅk ）の第一のベクト
    ルを形成し；それぞれの特性ベクトル（Ｅ1 乃至Ｅk ）
    に基づいて問題の画素（ＰＩ）を対象（ＬＶ）の該クラ
    ス（Ｃ1 乃至Ｃm ）に分類する各段階を含む第一のフェ
    イズからなる、初期画像（Ｉ0 ）と称される画像内のキ
    ー画素（Ｋ2 、Ｋ3 、Ｋ4 ）と称される対象（ＬＶ）の
    輪郭上に位置する点を自動的に検出するための画像処理
    方法。
  2. 【請求項２】 対象の輪郭（ＬＶ）上に位置する最大強
    度［Ｐ（ＧＭ）］の傾斜を有する画素を選択するために
    初期画像（Ｉ0 ）をフィルタリングし；好ましくは最大
    強度の傾斜を有する画素［Ｐ（ＧＭ）］を保存し、より
    低い周波数で初期画像（Ｉ0 ）をサンプリングする各副
    段階を、第一のフェイズで問題の画素（ＰＩ）の選択の
    段階に含む請求項１記載の方法。
  3. 【請求項３】 ガウス関数により初期画像（Ｉ0 ）を多
    解像度フィルタリングし、ガウシアン画像（Ｉ0 乃至Ｉ
    7 ）のピラミッドを形成するためにフィルターされた画
    像をサブ・サンプリングし；このガウシアン画像のピラ
    ミッドの画像データから各問題の画素（ＰＩ）に関する
    特性の第一のベクトルを形成する；各段階を第一のフェ
    イズに更に含む請求項２記載の方法。
  4. 【請求項４】 扇形に形成されたチャートに従って問題
    の画素（ＰＩ）に対数極座標変換を適用し；用いられた
    ガウシアン画像のサンプリングの周波数によりこれらの
    画素間の距離を考慮する一方で、該問題の扇形の範囲を
    定める４隅の画素と一致するガウシアン画像の、ピラミ
    ッドの画像の一つから選択された４つの隣接画素の強度
    の補間により計算された、対数極座標変換に関するチャ
    ートの各扇形内の画素の強度の平均として各特性（Ｅ1
    乃至Ｅk ）を推定することにより特性の該第一のベクト
    ルを形成する各段階からなる請求項３記載の方法。
  5. 【請求項５】 ガウシアン画像のピラミッドの各画像
    （Ｉ0 乃至Ｉ7 ）内で識別された問題のそれぞれの画像
    （ＰＩ）強度を計算し；問題の画素（ＰＩ）の強度と該
    画像に関するガウス関数のコンボリューション関数の次
    数０乃至次数ｎのそれの項が部分導関数からなる束縛さ
    れた級数展開式を計算するために、各問題の画素（Ｐ
    Ｉ）についてのガウシアン画像のピラミッドの各画像
    （Ｉ0 乃至Ｉ7 ）内で方向付け可能にリカーシブフィル
    タリングし；ガウシアン画像のピラミッドの画像に対し
    て計算された級数展開式の項の一つとして各特性（Ｅ1
    乃至Ｅk ）を推定することにより各問題画素（ＰＩ）に
    関連する該特性の第一のベクトルを形成する各段階から
    なる請求項３記載の方法。
  6. 【請求項６】 問題画素の傾斜の方向の係数を含む特殊
    な特性のすでに計算された特性に最大であり等しいグレ
    ーレベルの線の曲率である方向を加えて該第一の特性ベ
    クトルを形成する段階からなる請求項４又は５記載の方
    法。
  7. 【請求項７】 対応するクラス（Ｃ2 、Ｃ3 、Ｃ4 ）の
    問題画素（ＰＩ）から各キー画素（Ｋ2 、Ｋ3 、Ｋ4 ）
    を選択する段階を含む第２のフェイズを更に有する請求
    項１乃至６のうちいずれか一項記載の画像処理方法。
  8. 【請求項８】 問題の画素に関する特性の第二のベクト
    ル（Ｅ’1 乃至Ｅ’ l ）を形成し、これらの特性は問題
    の画素（ＰＩ）周辺の該クラス（Ｃ1 乃至Ｃ m ）のある
    ものの出現の確率をコーディングし；問題の画素（Ｐ
    Ｉ）を対応するクラス（Ｃ2 、Ｃ3 、Ｃ4 ）及び他の画
    素のクラス内に分類する各段階を第二のフェーズ内に含
    む請求項７記載の方法。
  9. 【請求項９】 対応するクラス（Ｃ1 、Ｃ2 、Ｃ3 ）に
    それぞれ属する最大の確率からなる第一の条件を満たす
    ものとしてキー画素（Ｋ2 、Ｋ3 、Ｋ4 ）を選択する段
    階を含む請求項８記載の方法。
  10. 【請求項１０】 大動脈弁の端（Ｋ3 、Ｋ4 ）が尖（Ｋ
    2 ）が頂点である二等辺三角形の底辺を形成することに
    よる第二の幾何学的条件も満たすものとしてキー画素
    （Ｋ2 、Ｋ3 、Ｋ4 ）を選択する段階を第二のフェイズ
    内に含み、処理されるべき画像は対象が左心室（ＬＶ）
    であり、検出されるべきキー画素か大動脈弁の尖
    （Ｋ2 ）及び二つの端（Ｋ3 、Ｋ4 ）であるカルジオグ
    ラフィック画像である請求項９記載の方法。
  11. 【請求項１１】 それの座標（ｘ，ｙ）によりラベルさ
    れた各画素（Ａ0 ）の強度値と、検出されるべきキー画
    素（Ｋ2 、Ｋ3 、Ｋ4 ）をそれぞれ含む対応するクラス
    （Ｃ2 、Ｃ3 、Ｃ4 ）と称されるクラスを含むクラス
    （Ｃ1 乃至Ｃm ）と称される対象の領域（ＬＶ）のデー
    タとを画素の二次元マトリックスの形で初期画像
    （Ｉ0 ）内に記憶する記憶手段（ＭＥＭ１）と；対象
    （ＬＶ）の内側及び外側の輪郭上で問題の画素（ＰＩ）
    と称される初期画像（Ｉ0 ）の画素を選択する手段［Ｓ
    （ＰＩ）］と；問題の画素（ＰＩ）のそれぞれに対して
    第一の特性ベクトル（Ｅ1 乃至Ｅk ）を発生する計算の
    第１の手段（ＣＰ１）と；それの入力に特性の第一のベ
    クトルを受け、特性のそれぞれのベクトル（Ｅ1乃至Ｅ
    k ）に基づいて対象（ＬＶ）の該クラス（Ｃ1 乃至
    Ｃm ）に問題の画素（ＰＩ）を分類する第一のニューラ
    ルネットワーク（ＮＮ１）とからなり、初期画像
    （Ｉ0 ）と称される画像内のキー画素（Ｋ2 、Ｋ3 、Ｋ
    4 ）と称される、対象（ＬＶ）の輪郭上に位置する点を
    自動的に検出するための画像処理装置。
  12. 【請求項１２】 問題の画素（ＰＩ）の選択手段［Ｓ
    （ＰＩ）］は、対象（ＬＶ）の輪郭上に位置する最大強
    度［Ｐ（ＧＭ）］の傾斜を有する画素を選択し、他の画
    素を除去するために初期画像（Ｉ0 ）に適用される傾斜
    フィルターと；好ましくは最大強度の傾斜を有する画素
    ［Ｐ（ＧＭ）］を保存し、より低い周波数で初期画像
    （Ｉ0 ）をサンプリングする計算手段とを含む請求項１
    １記載の装置。
  13. 【請求項１３】 初期画像（Ｉ0 ）に適用されるガウス
    関数カーネル多解像度型フィルターを含み各問題画素
    （ＰＩ）の周りの初期画像（Ｉ0 ）から得られた局部及
    び全体の画像データを供する手段（Ｆ）と、ガウシアン
    画像（Ｉ0 乃至Ｉ7 ）のピラミッドを形成するためにフ
    ィルターされた画像をサブサンプリングする計算手段と
    からなり、 第一の計算手段（ＣＰ１）はこのガウシアン画像のこの
    ピラミッドの画像データに基づいて問題の各画素（Ｐ
    Ｉ）に関する特性の該第一のベクトルを形成する；請求
    項１２記載の装置。
  14. 【請求項１４】 局部及び全体の画像データを供する手
    段（Ｆ）は、扇形に形成されたチャートに従って問題の
    画素（ＰＩ）に適用された対数極座標変換関数を計算す
    る手段を含み；第一の計算手段（ＣＰ１）は用いられた
    ガウシアン画像のサンプリングの周波数によりこれらの
    画素の離間距離を考慮する一方で、該問題の扇形の範囲
    を定める４隅の画素と一致するガウシアン画像のピラミ
    ッドの一つから選択された４つの隣接画素の強度の補間
    により、対数極座標変換に関するチャートの各扇形内の
    画素の強度の平均として特性の該第一のベクトルの各特
    性（Ｅ1 乃至Ｅk ）を推定する請求項１３記載の装置。
  15. 【請求項１５】 計算手段はガウシアン画像のピラミッ
    ドの各画像（Ｉ0 乃至Ｉ7 ）内で識別された問題の画像
    （ＰＩ）の各画素の強度を計算し；リカーシブフィルタ
    ーは問題の画素（ＰＩ）の強度と該画像に関するガウス
    関数のコンボリューション関数の次数０乃至次数ｎのそ
    れの項が部分導関数からなる級数展開式をガウシアン画
    像のピラミッドの各画像（Ｉ0 乃至Ｉ7 ）内で計算する
    ために問題の各画素（ＰＩ）についての方向付け可能に
    し；第一の計算手段（ＣＰ１）はガウシアン画像のピラ
    ミッドの画像に対して計算された級数展開式の項の一つ
    として各特性（Ｅ1 乃至Ｅk ）を推定することにより各
    問題画像（ＰＩ）の各画素に関連する特性の該第一のベ
    クトルを形成する、請求項１３記載の装置。
  16. 【請求項１６】問題の画素の傾斜の係数と傾斜が最大の
    方向と、等しいグレーレベルの線の曲率とを含む特定の
    特性を既に計算された特性に付加する手段よりなる請求
    項１４又は１５記載の装置。
  17. 【請求項１７】 対応するクラス（Ｃ2 、Ｃ3 、Ｃ4 ）
    の問題の画素（ＰＩ）から各キー画素（Ｋ2 、Ｋ3 、Ｋ
    4 ）を選択する手段［Ｓ（Ｋ）］を含む請求項１１乃至
    １６のうちいずれか一項記載の画像処理装置。
  18. 【請求項１８】 問題の画素に関する特性の第二のベク
    トル（Ｅ’1 乃至Ｅ’1 ）を形成する第二の計算手段
    （ＣＰ２）と；それの入力に第二の特性ベクトルを受
    け、問題の画素（ＰＩ）を対応するクラス（Ｃ2 、
    Ｃ3 、Ｃ4 ）及び他の画素のクラスに分類する第二のニ
    ューラルネットワーク（ＮＮ２）と；からなる請求項１
    ７記載の装置。
  19. 【請求項１９】 問題の画素（ＰＩ）のそれぞれの周り
    で第一のニューラルネットワーク（ＮＮ１）により供さ
    れる該クラス（Ｃ1 乃至Ｃ10）内の問題の画素からなる
    確率画像［（Ｉ（Ｃ1 ）乃至Ｉ（Ｃ10）］と称される画
    像から取り出された局部の画像データを供給する手段
    （Ｆ’）と、 各確率画像内で識別される各画素の強度を計算する手段
    と、 ０次からｐ次までの各確率画像部分導関数で計算するた
    めに問題の画素（ＰＩ）のそれぞれに関して方向付け可
    能なリカーシブフィルターとよりなり、 第二の計算手段（ＣＰ２）は、これらの特性は問題の各
    画素（ＰＩ）周辺の該クラス（Ｃ1 乃至Ｃm ）のあるも
    のの存在の確率をコードする問題の各画素に適用された
    ものとして特性の第二のベクトルの各特性（Ｅ’1 乃至
    Ｅ’1 ）を推定し、 キー画素（Ｋ2 、Ｋ3 、Ｋ4 ）を選択する手段（Ｓ
    （Ｋ））は、対応するクラス（Ｃ2 、Ｃ3 、Ｃ4 ）にそ
    れぞれ属する最大の確率からなる条件を満たす画素を保
    有する請求項１８記載の装置。
  20. 【請求項２０】 該装置内で：対象が左心室（ＬＶ）で
    あり、検出されるべきキー画素が大動脈弁の尖（Ｋ2 ）
    及び二つの端（Ｋ3 、Ｋ4 ）であるカルジオグラフィッ
    ク画像を処理する請求項１９記載の装置であり、 キー画素（Ｋ2 、Ｋ3 、Ｋ4 ）の選択手段［Ｓ（Ｋ）］
    は、大動脈弁の端（Ｋ 3 、Ｋ4 ）が尖（Ｋ2 ）が頂点で
    ある二等辺三角形の底辺を形成することによる幾何学的
    条件も満たすものを保有する装置。
  21. 【請求項２１】 画素の二次元マトリックスの形で画像
    内のそれらの座標（ｘ，ｙ）によりラベルされた画素の
    強度値により形成されたデータをそれぞれ記憶し表示す
    る第二の記憶手段（ＭＥＭ２）と表示手段（ＤＩＳＰ
    Ｌ）からなる請求項１１乃至２０のうちのいずれか一項
    記載の装置。
JP7172640A 1994-07-12 1995-07-07 対象の輪郭上に位置するキー点を自動的に検出するための画像処理方法及び装置 Withdrawn JPH0852127A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR9408652 1994-07-12
FR9408652 1994-07-12

Publications (1)

Publication Number Publication Date
JPH0852127A true JPH0852127A (ja) 1996-02-27

Family

ID=9465314

Family Applications (1)

Application Number Title Priority Date Filing Date
JP7172640A Withdrawn JPH0852127A (ja) 1994-07-12 1995-07-07 対象の輪郭上に位置するキー点を自動的に検出するための画像処理方法及び装置

Country Status (3)

Country Link
US (1) US5617459A (ja)
EP (1) EP0692772A1 (ja)
JP (1) JPH0852127A (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008080121A (ja) * 2006-09-28 2008-04-10 General Electric Co <Ge> 画像内の領域を識別する方法及びシステム
JP2009183508A (ja) * 2008-02-07 2009-08-20 Hitachi Medical Corp 画像診断支援装置
JP2010019640A (ja) * 2008-07-09 2010-01-28 Nissan Motor Co Ltd 速度計測装置および速度計測方法
JP2013012222A (ja) * 2012-08-27 2013-01-17 Canon Inc 画像処理装置、画像処理システム、画像処理方法、及び記憶媒体

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6005978A (en) * 1996-02-07 1999-12-21 Cognex Corporation Robust search for image features across image sequences exhibiting non-uniform changes in brightness
US6714679B1 (en) 1998-02-05 2004-03-30 Cognex Corporation Boundary analyzer
US6694057B1 (en) * 1999-01-27 2004-02-17 Washington University Method and apparatus for processing images with curves
US6711293B1 (en) 1999-03-08 2004-03-23 The University Of British Columbia Method and apparatus for identifying scale invariant features in an image and use of same for locating an object in an image
WO2001003017A1 (en) * 1999-06-30 2001-01-11 Silverbrook Research Pty Ltd Method and system for user registration on terminal
US6700672B1 (en) * 1999-07-30 2004-03-02 Mitsubishi Electric Research Labs, Inc. Anti-aliasing with line samples
DE60143782D1 (de) * 2000-07-10 2011-02-17 Ibm Diversitätsdetektion von PPM-Signalen
US6470070B2 (en) 2000-12-20 2002-10-22 Cedara Software Corp. Image reconstruction using multiple X-ray projections
US6473488B2 (en) 2000-12-20 2002-10-29 Cedara Software Corp. Three dimensional image reconstruction from single plane X-ray fluorograms
US20050018890A1 (en) * 2003-07-24 2005-01-27 Mcdonald John Alan Segmentation of left ventriculograms using boosted decision trees
US7321676B2 (en) * 2003-07-30 2008-01-22 Koninklijke Philips Electronics N.V. Automatic determination of the long axis of the left ventricle in 3D cardiac imaging
US7689261B2 (en) * 2003-11-26 2010-03-30 General Electric Company Cardiac display methods and apparatus
GB2415563B (en) * 2004-06-23 2009-11-25 Medicsight Plc Lesion boundary detection
KR100603603B1 (ko) * 2004-12-07 2006-07-24 한국전자통신연구원 변위 후보 및 이중 경로 동적 프로그래밍을 이용한 스테레오 변위 결정 장치 및 그 방법
KR100815977B1 (ko) * 2005-04-20 2008-03-24 주식회사 메디슨 연속되는 영상으로부터 움직임을 추정하는 방법 및 시스템
US7787703B2 (en) * 2005-05-11 2010-08-31 Xerox Corporation Method and system for extending binary image data to contone image data
US7580569B2 (en) * 2005-11-07 2009-08-25 Xerox Corporation Method and system for generating contone encoded binary print data streams
US7773254B2 (en) * 2005-11-10 2010-08-10 Xerox Corporation Method and system for improved copy quality in a multifunction reprographic system
US7869093B2 (en) * 2005-11-17 2011-01-11 Xerox Corporation Method and system for improved copy quality in a multifunction reprographic system
US20080049238A1 (en) * 2006-08-28 2008-02-28 Xerox Corporation Method and system for automatic window classification in a digital reprographic system
FR2929431B1 (fr) * 2008-03-26 2010-12-03 Canon Kk Procede et dispositif de classification des echantillons representatifs d'un signal numerique d'image
US8406496B2 (en) * 2008-07-29 2013-03-26 Siemens Aktiengesellschaft Method and system for left ventricle detection in 2D magnetic resonance images
US9460491B2 (en) * 2008-08-25 2016-10-04 Xerox Corporation Method for binary to contone conversion with non-solid edge detection
US8340385B2 (en) * 2008-12-05 2012-12-25 Siemens Aktiengesellschaft Method and system for left ventricle detection in 2D magnetic resonance images using ranking based multi-detector aggregation
WO2010067191A1 (en) * 2008-12-11 2010-06-17 Imax Corporation Devices and methods for processing images using scale space
US20130121565A1 (en) * 2009-05-28 2013-05-16 Jue Wang Method and Apparatus for Local Region Selection
WO2012072129A1 (en) * 2010-12-01 2012-06-07 Brainlab Ag Longitudinal monitoring of pathology
JP5954712B2 (ja) 2011-01-13 2016-07-20 パナソニックＩｐマネジメント株式会社 画像処理装置、画像処理方法、及びそのプログラム
WO2017210868A1 (zh) * 2016-06-07 2017-12-14 深圳市大疆创新科技有限公司 数据处理方法、装置及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4101961A (en) * 1977-02-16 1978-07-18 Nasa Contour detector and data acquisition system for the left ventricular outline
JPH02134148A (ja) * 1988-11-16 1990-05-23 Toshiba Corp 心機能解析のための画像処理方法
US5457754A (en) * 1990-08-02 1995-10-10 University Of Cincinnati Method for automatic contour extraction of a cardiac image

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008080121A (ja) * 2006-09-28 2008-04-10 General Electric Co <Ge> 画像内の領域を識別する方法及びシステム
US8923577B2 (en) 2006-09-28 2014-12-30 General Electric Company Method and system for identifying regions in an image
JP2009183508A (ja) * 2008-02-07 2009-08-20 Hitachi Medical Corp 画像診断支援装置
JP2010019640A (ja) * 2008-07-09 2010-01-28 Nissan Motor Co Ltd 速度計測装置および速度計測方法
JP2013012222A (ja) * 2012-08-27 2013-01-17 Canon Inc 画像処理装置、画像処理システム、画像処理方法、及び記憶媒体

Also Published As

Publication number Publication date
US5617459A (en) 1997-04-01
EP0692772A1 (fr) 1996-01-17

Similar Documents

Publication Publication Date Title
JPH0852127A (ja) 対象の輪郭上に位置するキー点を自動的に検出するための画像処理方法及び装置
EP0990222B1 (en) Image processing method and system involving contour detection steps
US20230360313A1 (en) Autonomous level identification of anatomical bony structures on 3d medical imagery
US7860290B2 (en) Three-dimensional (3D) modeling of coronary arteries
US6754374B1 (en) Method and apparatus for processing images with regions representing target objects
US8761475B2 (en) System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans
US5669382A (en) System for measuring myocardium in cardiac images
CN113689402B (zh) 基于深度学习的股骨髓腔形态识别方法、装置及存储介质
US20070109299A1 (en) Surface-based characteristic path generation
EP2006803A1 (en) Method of segmenting anatomic entities in 3D digital medical images
CN108986891A (zh) 医疗影像处理方法及装置、电子设备及存储介质
CN109124662B (zh) 肋骨中心线检测装置及方法
US8913817B2 (en) Rib suppression in radiographic images
WO2005083635A1 (en) Method and system for detection of bone fractures
JP2006506163A (ja) 肺結節のコンピュータ支援検出
JP5364009B2 (ja) 画像生成装置、画像生成方法、及びそのプログラム
CN113706514A (zh) 基于模板图像的病灶定位方法、装置、设备及存储介质
CN112862785B (zh) Cta影像数据识别方法、装置及存储介质
Brown et al. Model-based assessment of lung structures: inferring and control system
CN113962957A (zh) 医学图像处理方法、骨骼图像处理方法、装置、设备
CN112766332A (zh) 医学影像检测模型训练方法、医学影像检测方法及装置
EP1141894B1 (en) Method and apparatus for processing images with regions representing target objects
Jacq et al. Automatic detection of articular surfaces in 3-D image through minimal subset random sampling
Elst The usability of generative adversarial networks for automatic segmentation of lung nodules in CT-images
Cullip et al. Algorithms for 2D and 3D Image Description Based on the lAS

Legal Events

Date Code Title Description
A761 Written withdrawal of application

Free format text: JAPANESE INTERMEDIATE CODE: A761

Effective date: 20040910