JPH09508815A - 乳房ｘ線写真における、改良された、コンピュータによる、腫瘤の発見および分類のための自動的方法およびシステム - Google Patents

Abstract

(57)【要約】 乳房Ｘ線写真において、自動的に腫瘤を発見し、分類するための方法およびシステム。これらの方法およびシステムは、繰り返し、複数レベルのグレー・レベル閾値処理の実行に引き続いて、真の腫瘤と偽陽性の腫瘤および悪性腫瘤と良性腫瘤を分類するための病変抜き出し技法および特徴抜き出し技法を含む。本方法およびシステムは、腫瘤の検出における改善を提供し、感度を高めるための処理済画像の複数グレー・レベル閾値処理、ならびに特異性を高めるための正確な領域増大および特徴分析を含む。腫瘤の分析における新規改善としては、問題の画素の放射角を基準にした累積縁勾配配向ヒストグラム分析、すなわち、問題の、腫瘤辺縁の周囲か、腫瘤内か、腫瘤の周囲かなどが含まれる。腫瘤の分類は、悪性の公算につながる。

Description

【発明の詳細な説明】 乳房Ｘ線写真における、改良された、コンピュータによる、腫瘤の発見および分 類のための自動的方法およびシステム 本発明は、一部分はＮＩＨ（米国国立衛生研究所）助成金／契約CA48985およ びCA47043、陸軍助成金／契約DAMAD17-93-J-3201、アメリカ癌学会助成金／契約 FRA-390により米国政府の援助を受けて行われた。米国政府は本発明において一 定の権利を有する。 技術分野 本発明は、乳房Ｘ線写真における、改良された、コンピュータによる、自動的 腫瘤発見および自動的腫瘤分類のための方法およびシステムに関する。明確には 、本発明は、感度を高めるために処理済画像の複数グレー・レベル閾値化を使用 し、特異性を高めるために正確な領域増大および特徴分析を使用して腫瘤を検出 し、さらに問題の画素の放射角を基準にした累積縁勾配オリエンテーション・ヒ ストグラム、すなわち問題の腫瘤辺縁の周囲か、腫瘤内か、腫瘤の周囲か、を含 む腫瘤を分類する方法およびシステムに関する。腫瘤の分類は、悪性の公算につ ながる。 背景の技術 現在、乳房撮影法は乳癌を発見する最高の方法であるが、乳癌に罹患して乳房 撮影法を受ける女性の１０〜３０％が乳房Ｘ線写真陰性である。これらの乳房Ｘ 線写真偽陰性の約３分の２では、放射線学者は、遡及的には明白であった癌を発 見することができなかった。発見を逸したのは、Ｘ線写真の所見が微妙であるこ と（すなわち、病変の著明度が低いこと）、画像の品質が劣ること、眼精疲労ま たは放射線学者による見落としに原因があると考えられる。加えて、（放射線学 者２名による）ダブルリーディングにより感度が高まることが示唆されている。 コンピュータシステムを「２番目の意見または２番目の解釈」として使用し、乳 房Ｘ線写真において疑いのある異常の位置を示すことにより放射線学者を手助け することによって、スクリーニング手順の効率および効果を高めることができる ことは明白である。加えて、乳房撮影法は放射線学者が日常的に判断する大量の Ｘ線手法になってきている。 疑いのある領域が放射線学者によって発見された場合、放射線学者は放射線写 真上の様々な特徴を視覚的に抜き出さなければならない。次に、放射線学者はこ れらの特徴を使用して、この異常は悪性であるのか良性であるのかを決定し、ど のような措置経過を推薦する（すなわち、スクリーニングに戻す、フォローアッ プのために戻すか生検のために戻す）べきかを決定する。放射線写真上で 発見された腫瘤病変または微小石灰化のクラスターに基づいて、多くの患者は外 科的生検を指示される。良性乳房病変と悪性乳房病変を鑑別するための一般的法 則は存在するものの、現在の放射線技術では病変の分類間違いがかなり発生する 。平均で、外科的乳房生検を指示された腫瘤の１０〜２０％だけが実際に悪性で ある。したがって、コンピュータを使用するもう１つの目的は、悪性の偽陽性診 断数を減少させることによって、放射線学者の手助けをするために、客観的方式 で良性病変と悪性病変の特徴を抜き出し、あわせて分析し、それによって患者の 罹病率ならびに実施される外科的生検数および関連合併症の数を減少させること である。 発明の開示 したがって、本発明の目的は、乳房の医用画像の腫瘤を検出し、分類し、表示 するための、自動的方法およびシステムを提供することである。 本発明の別の目的は、微妙から明白までの範囲の様々な腫瘤を分離し、検出の 感度を高めるために、非処理乳房Ｘ線写真または処理済Ｘ線写真を繰り返しグレ ー・レベル閾値処理するための自動的方法およびシステムを提供することである 。 本発明の別の目的は、乳房実質の解剖学的バックグラウンド由来の病変もしく は可能性のある病変を抜き出すための自動的方法およびシステムを提供すること である。 本発明の別の目的は、勾配上、幾何学上、および強度上の種々の特徴を抜き出 し、使用することにより、検出された偽陽性の腫瘤から実際の腫瘤を分類するた めの自動的方法およびシステムを提供することである。 本発明の別の目的は、抜き出された特徴を、法則に基づいた方法または人工的 神経網またはその両者と合わせることにより、実際の腫瘤と検出された偽陽性の 腫瘤とを分類するための自動的方法およびシステムを提供することである。 本発明の別の目的は、勾配上、幾何学上、および強度上の種々の特徴を抜き出 し、使用することにより、悪性腫瘤および良性腫瘤を分類するための自動的方法 およびシステムを提供することである。 本発明の別の目的は、抜き出された特徴を、法則に基づいた方法または人工的 神経網またはその両者と合わせることにより、悪性腫瘤および良性腫瘤を分類す るための自動的方法およびシステムを提供することである。 以上の目的およびその他の目的は、本発明に従って繰り返し複数レベルグレー ・レベル閾値処理を実施し、続いて病変を抜き出し、さらに真の腫瘤と偽陽性の 腫瘤とを分類し、悪性腫瘤と良性腫瘤とを分類する、新しい、かつ改善された自 動的方法およびシステムを提供することによって達成される。 図面の簡単な説明 本発明のより完全な真価およびそれらに付随する長所の多くは、添付の図面を 結び付けて考えると、下記の詳細な説明を参照することによって、よりよく理解 できるようになり、容易に達成されることになる。ここで、 第１図は、本発明による乳房画像を検出し、分類するための自動的方法を示す 概略図であり、 第２図は、本発明による乳房Ｘ線写真の腫瘤を検出するための自動的方法を示 す概略図であり、 第３図は、繰り返し複数グレー・レベル閾値処理技術を示す概略図であり、 第４図Ａ〜第４図Ｄは、一対の乳房Ｘ線写真、ならびに対応する低閾値および 高閾値における走程画像閾値を示す図であって、矢印は微妙な腫瘤病変の位置を 示し、 第５図Ａおよび第５図Ｂは、処理済画像および原画像の初期分析を示す概略図 であり、 第６図は、腫瘤および偽陽性に関する、原画像上の頻度の累積ヒストグラムを 示すグラフであり、 第７図は、解剖学的バックグラウンドからの自動的病変抜き出しに関する概略 図であり、 第８図は、領域増大に対して、成長した腫瘤のサイズ、円環性および不整を繰 り返しの関数として示すグラフであり、 第９図は、輪郭によって表示される、可能性のある病変の抜き出された領域を 含む画像を示す図であって、矢印は実際の腫瘤を指し、 第１０図は、腫瘤、あるいは非腫瘤およびその周囲の特徴から抜き出すための 自動的方法を示す概略図であり、 第１１図は、実際の腫瘤と偽陽性の両者の様々な特徴に関する平均値のグラフ であり、 第１２図は、様々な特徴を、その特徴が腫瘤または偽陽性を表すか否かという 可能性に組み入れるのに使用する人工的神経網を示す概略図であり、 第１３図は、腫瘤と偽陽性とを区別する上での、本方法の性能を表すＲＯＣ曲 線を示すグラフであり、 第１４図は、１５４対の乳房Ｘ線写真のデータベースに関する、ディジタル式 乳房Ｘ線写真の腫瘤を検出する上での、本方法の性能を表すＦＲＯＣ曲線を示す グラフであり、 第１５図は、本発明による乳房Ｘ線写真の腫瘤を悪性分類または良性分類する 自動的方法を示す概略図であり、 第１６図は、領域増大に先立って前処理を使用する、解剖学的バックグラウン ドからの自動的病変抜き出しに関する概略図であり、 第１７図Ａおよび第１７図Ｂは、最初の腫瘤（高解像力、0.1mm画素・サイズ ）、ならびにバックグラウンド補正およびヒストグラム等化後の強調版を示し、 第１８図は、腫瘤の領域増大に対して、サイズおよび円環性を間隔の関数とし て示すグラフであり、 第１９図は、輪郭によって示される抜き出し領域を含む最初の腫瘤画像を示し 、 第２０図は、放射角、コントラストおよび平均光学密度および幾何学的測定値 に基づく累積縁勾配ヒストグラム解析を含め、分類に使用するために、腫瘤およ びその周囲から特徴を抜き出すための自動的方法を示す概略図であり、 第２１図は、放射角に基づく累積縁勾配解析の自動的方法を示す概略図であり 、 第２２図は、縁勾配解析に使用する放射方向を基準にした角度を示す概略図で あり、 第２３図Ａ〜第２３図Ｄは、放射角を基準にしたピークおよび累積縁勾配ヒス トグラム分布、ならびに相当する病変辺縁を示すグラフであり、 第２４図は、疑いのある病変の長円形補正を示す図であり、 第２５図は、悪性腫瘤と良性腫瘤に関する、ＲＯＩ分析のＦＷＨＭと、ＲＯＩ 分析の累積放射勾配との関係を示すグラフであり、 第２６図は、悪性腫瘤と良性腫瘤の様々な特徴の平均値のグラフであり、 第２７図は、良性腫瘤と悪性腫瘤を区別する上での、個々の性能を示す特徴の Ａｚ値のグラフであり、 第２８図は、様々な特徴を悪性／良性決定に組み入れるのに使用される人工的 神経網を示す概略図であり、 第２９図は、（ａ）ＡＮＮのみを使用するとき、（２）法則に基づいてＦＷＨ Ｍ測定に決定を下した後、ＡＮＮ を使用するとき、悪性腫瘤と良性腫瘤とを区別する上での、本方法の性能を示す グラフであり、 第３０図は、乳房画像の腫瘤を検出し、分類する自動的方法を実行するための システムを示す概略ブロック線図である。 発明を実施するための最良の方式 図面を参照すると、さらに詳しくは、その第１図を参照すると、乳房画像の腫 瘤を検出し、分類する自動的方法の概略図が示されている。本方法には、一対の 乳房Ｘ線写真の初期取得（ステップ100）およびディジタル化（ステップ110）が 含まれる。次に、可能性のある病変およびそれらの位置が検出され（ステップ12 0）、これが腫瘤の分類に使用される（ステップ130）。腫瘤の位置がアウトプッ トされ（ステップ140）、悪性の可能性がアウトプットされる（ステップ150）。 本方法には、放射線学者が一対の乳房Ｘ線写真を読み（ステップ160）、可能性 のある腫瘤の位置をシステムに指示し（ステップ170）、これが分類され（ステ ップ130）、悪性の可能性がアウトプットされる（ステップ150）場合もある。 図２は、乳房Ｘ線写真の、可能性のある腫瘤を検出する自動的方法を示す概略 図である。ステップ（200）では、一対のディジタル式乳房Ｘ線写真が得られる 。両側控除技法へのインプットは、最初の乳房Ｘ線写真であることも、例えば、 各々の画素が強度値の変わりに基本的構造 （ＲＭＳ値）に相当する、ヒストグラム修正画像（ヒストグラム適合）、縁強調 乳房Ｘ線写真、あるいは像−スペース画像など、処理済乳房Ｘ線写真であること も可能であろう。左乳房Ｘ線写真と右乳房Ｘ線写真の非対称を強調するために、 両側控除技法が使用され（ステップ201）、続いて、微妙な病変、中等度の病変 、および明白な病変を検出するために、両側控除によって得られた画像、走程画 像に、複数グレー・レベル閾値処理が行われる（ステップ202）。次に、偽陽性 検出数を減少させるため、サイズ分析、コントラスト分析および位置分析（ステ ップ203）が行われる。次に、最初の（あるいは強調された）画像上で、指示さ れた位置における領域抜き出しが行われ、その解剖学的バックグラウンドから病 変が分割される。病変が抜き出されるとすぐに、病変の特徴が抜き出され（ステ ップ205）るが、これは個別に使用することも可能であり（ステップ206）、（偽 陽性検出と反対に）実際の腫瘤である可能性に組み入れること、すなわち人工的 神経網にインプットする（ステップ207）ことも可能である。次に位置がアウト プットされる（ステップ208）。 第３図は、走程画像に適用される、新しい繰り返し複数グレー・レベル閾値処 理技法を示す概略図である。左乳房Ｘ線写真（301）および右乳房Ｘ線写真（302 ）に両側控除（303）を実施して、走程画像を作成する（304）。走程画像のグレ ー・レベルは１１である。様々なサイズ、コントラストおよび微妙さの病変を入 手して抜き出そう とする努力において、走程画像は様々なレベルの閾値を必要とする。第３図の場 合、走程画像を３レベルで閾値処理したが(305〜307)、この例では、１１レベル のうち２、５および８として選択した。閾値処理した各走程画像をサイズ分析す る（308）。残りの、各閾値処理過程後の位置を、さらに分析するために保存す る（309）。 第４図Ａ〜第４図Ｄは、一対の乳房Ｘ線写真（第４図Ａ）、相当する走程画像 （第４図Ｂ）、ならびに低閾値（第４図Ｃ）および高閾値（第４図Ｄ）で閾値処 理した走程画像を示す図である。矢印は微妙な腫瘤病変の位置を示す。病変は、 微妙なため、低閾値画像には出現しないが、高閾値画像から検出されることに注 目されたい。明白な病変の場合、検出に低閾値が必要である。高閾値を用いると 、走程画像の「病変」はバックグラウンドと合体し、消去される。このように、 微妙な病変も、中等度の病変も、明白な病変も検出し、さらに病変検出を改善す るために、この複数グレー・スケール閾値が必要である。 最初に、非線形両側控除技法で、可能性のある腫瘤と同定された疑いのある領 域の多くは、真の乳房腫瘤ではない。乳房Ｘ線写真上で、腫瘤は、密度や幾何学 的パターン、ならびに右乳房画像と左乳房画像の対応する位置の非対称に基づい て、正常組織と区別される。上記の特徴の全てが、可能性のある腫瘤の初期動的 に使用されるとは限らない。したがって、腫瘤検出過程の第２ステッ プでは、非腫瘤検出数を減少させるため（すなわち特異性を高めるため）、以下 に記述する、様々なコンピュータ技法を使用して、疑いのある各領域の面積、コ ントラスト、および幾何学的形状などの特徴を検査する、サイズ分析を実施する 。本分析には、（１）処理済画像と原画像の両者の、疑いのある領域から様々な 特徴を抜き出すことと、（２）個々の特徴の測定値を合併する上で抜き出された 特徴に適切なカットオフ値を決定し、疑いのある各領域を「腫瘤」または「非腫 瘤」として分類すること、が含まれる。第４図Ｅおよび第４図Ｆに示すように、 疑われる病変を含む領域は、原画像と処理済画像で選択される。明確にするため 、第４図Ｅでは、疑われる病変の輪郭を描いたが、第４図Ｆでは、漠然と連続し た白色の範囲が疑われる病変に相当する。 既定のカットオフ面積より小さい、疑いのある領域を排除するため、処理済画 像の疑いのある各領域の面積を最初に調査する。ディジタル式乳房Ｘ線写真の腫 瘤の有効面積は、Ｘ線撮像システムおよびディジタル化装置でぼやけさせた後の 、乳房の実際の腫瘤の突出面積に相当する。第５図Ａに示したように、ディジタ ル式乳房Ｘ線写真上の疑いのある領域５０の面積は、その領域の画素数と定義さ れる。放射線学者が輪郭を描いた、実際の乳房腫瘤の有効面積を基に、適切な最 小範囲が決定されると考えられる。しかし、処理済画像で（または以下に記述す るように原画像で）同定された、疑いのある各領域 の面積は、その疑われる領域の密度情報およびディジタル処理の性質に左右され るため、同定された面積が最初の乳房Ｘ線写真の面積と同じでない可能性もある 。したがって、実際の腫瘤に相当する領域（実際の腫瘤検出）および解剖学的バ ックグラウンドのみに相当する領域（非腫瘤検出）の面積の分布に基づいた方法 を使用して、実際の腫瘤検出と偽陽性検出とを最初に区別する。 境界−距離テストを使用して、右乳房画像および左乳房画像の初期登録中に発 生した何らかの境界調整間違いに起因する人工産物を排除する。不完全な調整は 、処理済画像の乳房境界にほぼ沿って存在する人工産物をもたらす。臨床診療に おいて、悪性腫瘤は皮膚直下領域では珍しく、ほとんどいつも臨床的に触診可能 である。したがって、コンピュータが報告した、疑いのある各領域について、疑 いのある領域内の各点から最寄りの境界点までの距離を算出する。境界は、第４ 図Ｂで、乳房の輪郭を描く白線として示されている。疑いのある領域の全ての点 から算出した距離を平均し、平均距離を得る。平均距離が、選択された境界から のカットオフ距離未満の場合、疑いのある領域は調整間違いの人工産物とみなさ れ、可能性のある腫瘤のリストから消去される。 処理済画像で腫瘤の疑いがあると同定された領域の、実際のＸ線写真の様相を 検査するために、これらの部位を、最初のディジタル乳房Ｘ線写真上の対応する 位置にマッピングする。この中には、処理済画像における疑い のある領域のサイズに基づいた、原画像における方形領域の自動的選択が含まれ る（第４図Ｅ）。この方形領域は、処理済画像における疑いのある領域を含む。 マッピング後、最大（ピーク）値を有する方形領域における画素位置を確認する 。ピーク値を探索するとき、分離したスパイク人工産物の発生を防止するため、 この過程で、３×３画素の核を使用して、画像データを平滑化する。しかし、次 に挙げる全ての操作を、最初の非平滑化画像に実施することに留意されたい。領 域増大を使用して、原画像における対応する疑いのある領域を同定する。この点 で、領域増大は速やかであるが、最初のグレー・レベルに基づいた領域増大の設 定量を、疑われる全ての病変に使用するという意味で、厳密ではない。すなわち 、ピーク・グレー・レベルを含む位置を、各領域の増大の出発点として使用する が、これは増大した領域のグレー・レベルが既定のカットオフ・グレー値に到達 した時に終わる。この既定のグレー・レベル・カットオフは、最初の乳房画像上 の真の腫瘤９０例の分析に基づいて選択された。領域増大技法による真の腫瘤の 面積の過大評価を防止するために、ピーク・画素値の９７％のカットオフ値が経 験的に選択される。しかし、この基準は、領域増大に関して選択された厳密なカ ットオフ値であるため、多くの実際の腫瘤の面積を過小評価する傾向があること に留意されたい。 原画像における各増大領域は、面積、円環性、および コントラストに関して試験することが可能である。増大領域の面積を最初に算出 する。処理済画像に使用する面積テストに類似した、本テストは、２〜３画素だ けで成る小さな領域を除去するのに使用することができる。原画像で、領域増大 技法に使用するカットオフ値は予め決定されているため、処理済画像で同定され た、疑いのある領域に相当する位置の局部コントラストが非常に低い場合、原画 像の増大領域は非常に大きくなる可能性がある。したがって、局部コントラスト が極端に低い、疑いのある領域の一部は、大きな面積カットオフを設定すること によって、消去される。 実際の腫瘤の密度パターンは一般に腺組織や管の密度パターンより円形である ため、最初の乳房画像における増殖領域の形状を、円環性測定により検査する。 第５図Ａに示すように、所与の領域の円環性を決定するため、面積（Ａｅ）が増 大領域（Ａ）の面積と等しい有効円５１の中心を、ほぼ対応する重心に一致させ る。円環性は、有効円５１内の増大領域の部分的面積と増大領域の面積の割合と 定義される。円環性テストで、形が細長い、すなわち、円環性がある一定のカッ トオフ値以下である、疑いのある領域が排除される。 実際の腫瘤は、周囲の正常組織より密である。コントラスト・テストを使用し 、標準化コントラスト測定によって、この局部密度情報を抜き出す。光学密度を 画素値に関係させる、ディジタル化装置の特徴的な曲線はほぼ 直線であるため、コントラストは画素値の差と定義される。第５図Ｂに示すよう に、本明細書では、コントラストを、疑いのある領域内（Ｐｍ）の選択された部 分５２と、疑いのある領域のすぐ周辺（Ｐｎ）の選択された部分５３との、平均 グレー・レベル差と定義する。このコントラストの定義は、乳房画像の腫瘤の局 部コントラストに関連がある。Ｐｍは、疑いのある領域内で決定されたグレー・ レベル・平均グレー・レベル・ヒストグラムの上方２０％のグレー値を有する画 素から算出された平均グレー値に相当し、Ｐｎは疑いのある領域の４極端付近の ４ブロック（例えば、３×９画素）の平均グレー値に相当する。このように、コ ントラスト・テストは、コントラストが低い領域、すなわち、疑いのある領域の 内外が類似したレベルである領域を排除する。（Ｐｍ−Ｐｎ）と定義されるコン トラストよりむしろ、（Ｐｍ−Ｐｎ）／Ｐｍと定義される標準化コントラスト測 定の方が、疑いのある領域のコントラスト特性の特性化に使用できる。上述の、 広い範囲の測定も、疑いのある各領域の情報を提供し、これは、相当する増大領 域の面積が得られるとき、処理済画像からマッピングされ、面積弁別を受けるこ とに留意されたい。しかし、標準化コントラスト測定は、疑いのある各領域のコ ントラスト情報を提供し、これは、増大領域から算出され、標準化コントラスト 弁別を受ける。 以上の初期特徴−分析技法は、抜き出された各々の特 徴について、累積ヒストグラムを分析することにより、最適化することが可能で ある。詳細な特徴の累積ヒストグラムは、累積頻度と特徴値との間の単調な関係 を表す。ここで、特徴値とは、特徴の詳細な量的測定のことをいう。例えば、形 状は0.0〜1.0の範囲である、円環性測定により特性化される。対応する累積ヒス トグラムは、次の式を使用して算出する。 ｐは、最小値、Ｐ minから最大値Ｐ maxまでの間で抜き出された特徴の値であ るが、Ｆ（ｐ’）は、対応する特徴値ｐにおいて、その特徴が発生する頻度であ る。 累積ヒストグラムを使用して、抜き出された各々の特徴を特性化し、その特徴 に適当なカットオフ値を決定することが可能である。乳房Ｘ線写真３０８例（合 計９０腫瘤を含む１５４対）のデータベースを使用して、個々の各特徴ごとに、 実際の腫瘤検出と非腫瘤検出の両者の累積ヒストグラムを算出した。第６図は、 原画像における範囲測定のための累積ヒストグラムを示す。これらの抜き出され た特徴の各々の値が小さいところでは、実際の腫瘤検出の累積頻度は非腫瘤検出 の頻度より低い。このことは、各々の特徴に対して特定のカットオフ値を設定す ることによって、実際の腫瘤検出より多い非腫瘤検 出を排除できることを示す。ある一定の割合の非腫瘤検出を排除するが、実際の 腫瘤検出はすべて保持するようにカットオフを設定することが可能なことにも留 意されたい。一例としての閾値を６０に示すが、これは実際の腫瘤検出を全て含 むように選択された。他の閾値も可能である。面積テストを使用して非腫瘤検出 を排除する場合と同様、最小カットオフと最大カットオフの両者を使用すること ができることに留意されたい。累積頻度の分布および高感度の必要性に基づいて 、実際の腫瘤検出が全く排除されないような、すなわち、感度が低下しないよう な、一組のカットオフ値を、累積ヒストグラムから選択することができる。 偽陽性検出の一部を最初に排除した後、原画像（または処理済画像）からの、 より厳密な（しかも時間のかかる）病変の抜き出しが実施される。第７図は、解 剖学的バックグラウンドから病変を自動的に抜き出すための概略図である。疑わ れる病変の定位（ステップ700）で始まり、様々なグレー・レベル間隔（コント ラスト）について領域増大（４点または８点連続性による）を実施する（ステッ プ701）。病変が「増大する」とき、「遷移点」、すなわち領域増大が終わるグ レー・レベル間隔を決定するために（ステップ703）、サイズ、円環性および辺 縁不整を「増大領域のコントラスト」の関数として分析する（ステップ702）。 サイズは、前述の通り、その有効直径によって測定する。最初、遷移点は増大領 域のサイズの 誘導関数に基づく。所与の疑われる病変について、幾つかの遷移点が認められる 場合、円環性および不整の程度を増大領域コントラストの関数として考える。こ こで、円環性の程度は前述の通りである。不整の程度は、１から有効円の円周と 増殖領域の周囲との割合を引くことによって得られる。コンピュタにより決定さ れた遷移点を示す（ステップ704）。遷移点より前の間隔で、輪郭を決定する（ ステップ705）。 第８図は、増大した腫瘤のサイズ、円環性および不整を、領域増大の間隔の関 数として表すプロットである。サイズが急激に増大すると、疑われる領域の縁が バックグラウンドに合流する遷移点を示す、サイズ曲線の階段に留意されたい。 第９図は、輪郭によって示される、可能性のある病変の抜き出された領域を含 む画像である。矢印は実際の腫瘤を示す。 第１０図は、腫瘤または非腫瘤とその周囲から抜き出された特徴を示す図であ る。抜き出された病変（1000）、幾何学的測定値（1001）、勾配に基づく測定値 （1002）および強度に基づく測定値（1003）が抜き出される。領域増大および遷 移点の決定に成功する残りの腫瘤候補全てについて、測定値を計算する。幾何学 的測定値（特徴）としては、円環性（1004）、サイズ（1005）、辺縁不整（1006 ）および緻密度（1007）などがある。強度に基づく測定としては、局部コントラ スト（1008）、平均画素 値（1009）、画素値の標準偏差（1010）、増殖領域内の画素値の平均値と標準偏 差の割合（1011）などがある。局部コントラストは基本的に、領域増大に使用さ れるグレー・レベル間隔であって、遷移点に相当する。勾配に基づく測定値とし ては、増大領域内の位置する画素で計算した平均勾配（1012）および勾配の標準 偏差（1013）などがある。例えば、勾配は、３×３Sobelフィルターを使用して 計算することができる。全ての幾何学的測定値、強度測定値および勾配測定は、 アウトプットが実際の腫瘤または偽陽性の判断を示す人工的神経網にインプット することができる。 第１１図は、実際の腫瘤と偽陽性の両者の種々の特徴（測定値）の平均値を示 すグラフである。実際の腫瘤の平均値と偽陽性の平均値との間の大きな隔たりは 、実際の腫瘤と偽陽性とを分類する強力な特徴を示す。いったん種々の特徴が抜 き出されると、別個に使用することも、実際の腫瘤である可能性に組み入れるこ とも可能である。第１２図は、特徴を、その特徴が腫瘤か偽陽性検出を表すか否 かの可能性に組み入れるための、人工的神経網1012の概略を示す図である。本ネ ットワーク1012は、測定値1002〜1011に相当するインプット・ユニット1200、多 数の隠れたユニット1201およびアウトプット・ユニット1202を含む。中立ネット ワークにインプットするために、特徴値を０〜１に標準化する。 総当たり分析に基づいて、第１３図は、自己一致分析 および総当たり分析から得られた、腫瘤と偽陽性とを区別する上での、本方法の 性能を示すＲＯＣ（レシーバー操作特性）曲線のグラフを表す。 第１４図は、ディジタル乳房Ｘ線写真の腫瘤を検出する上での新しい検出機構 の総合的性能を表すＦＲＯＣ（自由応答ＲＯＣ）を示すグラフである。このグラ フは、画像当たりの偽陽性検出数に対する感度（真の陽性分率）に関連がある。 ここに、１５４対の乳房Ｘ線写真が含まれる。 いったん病変が検出されると、悪性の可能性を決定するために、可能性のある 病変として放射線学者に知らせるか、分類方法にインプットすることが可能であ る。第１５図は、乳房Ｘ線写真の腫瘤を悪性分類／良性分類するための自動的方 法を示す概略図である。ディジタル式乳房Ｘ線写真（ステップ1500）の入手後、 腫瘤の位置を決定し（ステップ1501）、画像から腫瘤を抜き出す（ステップ1502 ）。次に特徴を腫瘤から抜き出し（ステップ1503）、これを人工的ネットワーク （1504）にインプットし、この人工的ネットワークが悪性の可能性をアウトプッ トする（ステップ1505）。 正常な解剖学的バックグラウンド周辺から病変を抜き出す方法は、検出方法で 使用した方法と似ており、第１６図に示す。ステップ1600で、病変のほぼ中心が 示されるが、これは、第１図に関する説明と同様、上記の通りに自動的に実施す ることも、放射線学者が行うことも可 能である。しかし、本方法では、領域増大（1602）の前に腫瘤を強調するために 、高解像画像をバックグラウンド傾向補正、またはヒストグラム等化またはその 両者で処理する（1601）。病変特性化は病変検出より正確な抜き出しを必要とす るため、この処理が必要である。 第１７図Ａは、乳房Ｘ線写真（高解像、0.1mm画素・サイズ）の最初の部分（5 12×512画素）であり、第１７図Ｂは、２次元多項式表面適合およびヒストグラ ム等化を使用したバックグラウンド傾向補正後の強調版である。第１８図は、サ イズおよび円環性を、領域増大の間隔の関数として示すプロットである。遷移点 の決定から領域増大の正しいグレー・レベルがわかる。第１９図は、領域増大か ら決定された最初の乳房Ｘ線写真部分上の、抜き出された領域の輪郭を示す。 いったん病変が正確に抜き出されると、抜き出された病変内、その辺縁に沿っ て、さらにその周囲内から特徴を抜き出すことができる。第２０図は、放射角に 基づいた累積縁勾配配向ヒストグラム分析、強度に基づいた測定値および幾何学 的測定値を含め、腫瘤およびその周囲からの特徴を抜き出す自動的方法の概略を 示す図である。病変の抜き出し（ステップ2000）、ＲＯＩ全体でＲＯＩ分析を実 施し（2001）、輪郭または辺縁を決定し（2002）、輪郭および囲の中の面積を含 む増大領域から特徴を抜き出す（2003）。サイズや円環性などの幾何学的特徴（ ステップ2004およびステップ2005）平均光学密度や局部コ ントラスト（ステップ2006およびステップ2007）などの強度特徴は、上述の通り に決定する。以下に記述する通り、ＲＯＩ辺縁および増大領域情報を累積縁勾配 分析に使用して（ステップ2008およびステップ2009）、ＦＷＨＭ、標準偏差およ び平均放射縁勾配などの値を得る。人工的神経網（2010）を使用して悪性の可能 性をアウトプットする。 第２１図は、放射角に基づいた累積縁勾配配向分析のための方法を示す図であ る。512×512領域を、ステップ2100の３×３ Sobelフィルタで処理する。各画素 で、位置を算出し、つぎに最大勾配および放射方向に対するこの勾配の角度を算 出する（ステップ2101）。累積縁勾配配向ヒストグラムを算出し（ステップ2102 ）、良性腫瘤と悪性腫瘤の区別（ステップ2103）に使用するために、種々の測定 値を算出する。ヒストグラムは、下記の通りに長円形補正することもある（ステ ップ2104）。 第２２図は、疑われる病変2200の縁勾配配向分析で使用される放射方向を基準 にした角度を表す図である。ポイントｐ1において、放射方向は、中心からｐ１ へのベクトルによって決定される方向によって示されるように計算される。最大 勾配の方向を計算するが、その角θは最大勾配の方向が放射方向と成す角度であ る。θは最大勾配の方向がＸ方向と成す角度ではないことに留意されたい。多く の悪性腫瘤は針骨状であるので、針骨状腫瘤と非針骨状腫瘤を区別するためにこ の分析方法が開発され た。Ｘ方向を基準にした分析で、可能性のある病変が円形であるか否か（すなわ ち、ある種の直線的形状を有する）に関する情報が得られることに留意されたい 。しかし、本発明は、放射方向を基準にした分析により、腫瘤が針骨状であるか 否かに関する情報を示すことになる。一部の針骨状腫瘤は円形であるため、長円 形補正によって結果が改良されることに注目すべきである。 第２３図Ａ〜第２３図Ｄは、それぞれピークのあるヒストグラムおよび分布し たヒストグラムに関する放射角を基準とした分析のための累積縁勾配配向ヒスト グラムを表すグラフである。この例は、非針骨状腫瘤（第２３図Ｂの２０）用で あり、したがって、ヒストグラムは１８０度で狭いピークを示す。これは、腫瘤 の辺縁に沿って画素を分析するので、放射方向を基準にした最大勾配の角度は通 常１８０度におけるものであるためである。病変が針骨状であった場合（第２３ 図Ｄの２１）、放射方向を基準とした最大勾配の角度は腫瘤の縁に沿った位置と ともに大きく変わり、したがって、第２３図Ｃに示すように、広いピークのヒス トグラムを生じる。上記検討では、腫瘤病変が一般に円形であるか（針骨状成分 を無視すること）どうかが留保されている。形が基本的に長円形であれば、ヒス トグラムのピークの余分な広さ（第２３図Ｃ）は、抜き出された腫瘤の長軸およ び短軸を知ることによって補正することができる（非針骨状長円形もピークを拡 幅するため）。 第２４図は、疑わしい病変における長円系補正のための軸の決定の例である。 軸2401および軸2402は、病変2400の形から近似される。 第２５図は、腫瘤内および腫瘤付近の分析（ＲＯＩ分析）によるＦＷＨＭと、 平均放射勾配との関係を示すグラフである。ヒストグラムのピークの広さ（これ から針骨の情報が得られる）を特性化するＦＷＨＭは、大部分の悪性腫瘤と良性 腫瘤を選別するのに大いに役立つことは明白である。 第２６図は、腫瘤を悪性または良性として分類する際に使用される種々の特徴 の平均値を示すグラフである。このようなプロットから、鑑別に関する強力な特 徴を選択することが可能である。 第２７図は、種々の特徴のＡｚに関する性能を示すグラフである。ここで、Ｒ ＯＣ分析を実施し、悪性腫瘤と良性腫瘤を特性化する上で、各々の特徴（測定値 ）がどのように機能するかを評価した。 人工的神経網を使用すれば、特徴の一部または全てを組み入れることが可能で ある。 第２８図は、２種類の方法の概略を示す図であり、一方は中立ネットワークだ けを使用して悪性の可能性に特徴を組み入れ、他方はＦＷＨＭとネットワークに 基づいて、法則に基づいた方法を使用する。例えば、明らかに悪性の症例の多く はＦＷＨＭを使用して分類することができ（第２５図参照）、残りの症例はＡＮ Ｎにインプッ トされる。ＡＮＮにインプットするためには、各々の特徴を０〜１に標準化する 。 第２９図は、ＡＮＮのみが使用されるとき、およびＦＷＨＭ測定値に対して法 則に基づいた決定を実行した後でＡＮＮが使用されるとき、悪性腫瘤と良性腫瘤 とを区別する上での、本方法の性能を示すグラフである。前述の集団プロット（ 第２４図）から予期される通り、法則に基づいた決定とＡＮＮの併用によって、 より高い性能が得られることは明白である。 第３０図は、本発明の方法を実行するシステムを示す、より詳細な概略ブロッ ク図である。対象の一対のＸ線撮影画像を、データ・インプット装置3000に含ま れた画像取得装置から得る。データ・インプット装置は、各々の画像対をディジ タル化するためのディジタル化装置および画像対を保存するためのメモリーも含 む。画像データは、疑わしい病変の最初の位置を決定するために、非線形両側控 除回路3001および複数グレー・レベル閾値処理回路3002を最初に通過させる。デ ータを、一部の偽陽性検出の単純な排除を実施するサイズ分析回路3003まで通過 させる。解剖学的周囲から病変を抜き出し、それぞれインプットのための特徴お よびＡＮＮ回路3006のための特徴を決定するため、画像データを、病変抜き出し 回路3004および特徴抜き出し回路3005まで通過させる。法則に基づく回路（示さ ず）をＡＮＮ306に使用することも可能であろう。解析中、原画像データは、イ ンプット装置 3000のメモリーに保持する。積載回路3007で、検出データは、ディジタル−アナ ログ変換装置（示さず）の通過後、乳房Ｘ線写真上に重ねて、ディスプレー装置 3009に表示されるか、あるいは転送回路3010により悪性の可能性を決定するため に分類システムに転送するため、メモリー3008にインプットする。 検出結果が分類下部システムに送付されると、病変抜き出し回路3012で、より 明確に病変を抜き出して限定するため、より高解像の病変抜き出しが行われる。 下部システムを、それだけでシステムとして使用すると、システムエントリー回 路で、病変の位置を手動でインプットできることに留意されたい。データを、病 変抜き出し回路3013にインプットし、特徴抜き出し回路3014まで通過させる。次 に、算出された特徴をＡＮＮ回路3015にインプットする。積載回路3016で、検出 データは乳房Ｘ線写真上に重ねられるか、悪性の可能性を示すテキストとしてア ウトプットされる。積載回路3016で、データは、ディジタル−アナログ変換装置 （示さず）の通過後、ディスプレー・システム3017に表示される。本発明による システムの種々の回路は、プログラム済のマイクロプロセッサーやコンピュータ など、ソフトウエアとハードウエアの両者で実行することが可能である。 明らかに、上記方法に照らして、本発明の多くの修正および変更が可能である 。したがって、本明細書に明確に記載されているもの以外に、添付した特許請求 項の範 囲内で、本発明を実施することが可能であると理解すべきである。本出願は乳房 Ｘ線写真における腫瘤病変の検出と分類に焦点を合わせたが、概念は人体の他の 臓器の異常の検出に拡大することが可能である。

───────────────────────────────────────────────────── フロントページの続き (81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＤＥ， ＤＫ，ＥＳ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，ＬＵ，Ｍ Ｃ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ，ＣＧ ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＭＬ，ＭＲ，ＮＥ，ＳＮ， ＴＤ，ＴＧ)，ＡＰ(ＫＥ，ＭＷ，ＳＤ，ＳＺ)，ＡＭ， ＡＴ，ＡＵ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，ＣＡ，ＣＨ，Ｃ Ｎ，ＣＺ，ＤＥ，ＤＫ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＥ ，ＨＵ，ＪＰ，ＫＥ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＫ， ＬＲ，ＬＴ，ＬＵ，ＬＶ，ＭＤ，ＭＧ，ＭＮ，ＭＷ，Ｎ Ｌ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，ＲＵ，ＳＤ，ＳＥ ，ＳＩ，ＳＫ，ＴＪ，ＴＴ，ＵＡ，ＵＺ，ＶＮ (72)発明者 ルー、ピン アメリカ合衆国 60615 イリノイ州 シ カゴ イー．マディスン パーク 1311 (72)発明者 フオ、ズィミン アメリカ合衆国 60632 イリノイ州 シ カゴ エス．リッジランド 5418

Claims (1)

1. 【特許請求の範囲】 請求項１． 人体の腫瘤を検出し、分類する方法であって、 上記人体の一部の画像を得ることと、 上記画像に複数グレー・レベル閾値処理を実施することと、 上記画像が上記腫瘤に潜在的に相当する位置を含むかどうかを検出することと 、 上記腫瘤を分類することと、 上記腫瘤の悪性の可能性を決定することを含む方法。 請求項２． 上記画像を両側控除して控除済画像を得ることと、 上記控除済画像に上記複数グレー・レベル閾値処理を実施することを含む、上 記位置の決定を特徴とする、請求項１に記載の方法。 請求項３． 複数のグレー・レベル閾値で上記画像を閾値処理して対応する 複数の閾値処理済画像を作成することを含む、複数グレー・レベル閾値処理を実 施することと、 上記閾値処理済画像の各々が上記腫瘤に潜在的に相当する位置を含むかどうか を検出することを含む、上記画像が位置を含むかどうかを検出することとを特徴 とする、請求項１に記載の方法。 請求項４． 複数のグレー・レベル閾値で上記控除済画像を閾値処理して対 応する複数の閾値処理済画像を作成することを含み、 上記方法が上記閾値画像の各々にサイズ分析を実施することを含む、 複数グレー・レベル閾値処理の実施を特徴とする、請求項２に記載の方法。 請求項５． 複数のグレー・レベル閾値で、上記画像に上記複数グレー・レ ベル閾値処理を実施して対応する複数の閾値処理済画像を作成し、上記閾値処理 済画像の少なくとも１つが上記腫瘤であることが疑われる領域を含む画像である ことと、 上記領域にサイズ分析を実施することを含む、請求項１に記載の方法。 請求項６． 上記領域の円環性、面積、およびコントラストのうち少なくと も１つを決定することを含む、上記サイズ分析を実施することを特徴とする、請 求項５に記載の方法。 請求項７． 上記領域の面積を決定することと、 上記領域の重心を決定することと、 上記領域上に、上記重心に中心を一致させた上記面積 をもつ円を置くことと、 上記円内の上記領域の一部を決定することと、 上記円環性として、上記面積に対する上記一部の比率を決定することを含む、 上記円環性の決定を特徴とする、請求項６に記載の方法。 請求項８． 上記領域の第１部分を選択することと、 上記第１部分の第１グレー・レベル平均値を決定することと、 上記領域に隣接する、上記少なくとも１つの閾値処理済画像の第２部分を選択 することと、 上記第２部分の第２グレー・レベル平均値を決定することと、 上記第１グレー・レベル平均値と第２グレー・レベル平均値を使用して上記コ ントラストを決定することを含む、上記コントラストの決定を特徴とする、請求 項６に記載の方法。 請求項９． 上記領域の複数の既定の位置に、複数の既定サイズのブロック を置くことと、 上記複数のブロックを使用して上記第２グレー・レベル平均値を決定すること とを含む、上記第２部分の選択を特徴とする、請求項８に記載の方法。 請求項１０． 上記第１グレー・レベル平均値と第２ グレー・レベル平均値との標準化済差を決定することを含む、上記コントラスト の決定を特徴とする、請求項８に記載の方法。 請求項１１． 累積ヒストグラムを使用して、上記領域の上記円環性、面積 およびコントラストの少なくとも１つを決定することを含む、請求項６に記載の 方法。 請求項１２． 上記累積ヒストグラムを使用して、上記領域の上記円環性、 面積およびコントラストの少なくとも１つに対してカットオフ値を決定すること を含む、請求項１１に記載の方法。 請求項１３． 上記累積ヒストグラムが、Ｃ（ｐ）によって与えられ、 ｐ ：上記円環性、面積およびコントラストのうちの１つの値であり、 Ｐ minは、上記円環性、面積およびコントラストの少なくとも１つの最小値で あり、 Ｐ maxは、上記円環性、面積およびコントラストの少なくとも１つの最大値で あり、 Ｆ（ｐ’）は、ｐにおいて上記円環性、面積およびコントラストの少なくとも １つが発生する頻度である、 によって決定されることを特徴とする、請求項１１に記載の方法。 請求項１４． 上記画像を処理して処理済画像を作成することと、 上記画像が潜在的に上記腫瘤である第１領域を含むかどうかを決定することと 、 上記第１領域を含む上記画像の第２領域を選択することと、 上記腫瘤に相当する上記第２領域の疑わしい領域を同定することとを含む、請 求項１に記載の方法。 請求項１５． 上記第２領域のグレー・レベル最大値を決定することと、 第３領域を作成するための上記グレー・レベル最大値を使用した領域増大とを 含む、上記疑われる領域の同定を特徴とする、請求項１４に記載の方法。 請求項１６． 上記第３領域の上記円環性、面積およびコントラストの少な くとも１つを決定することとを更に含む、請求項１５に記載の方法。 請求項１７． 上記第３領域の面積を決定することと、 上記第３領域の重心を決定することと、 上記第３領域上に、上記重心に中心を一致させた上記面積をもつ円を置くこと と、 上記円内の上記第３領域の一部を決定することと、 上記円環性として、上記面積に対する上記一部の比率を決定することを含む、 上記円環性の決定を特徴とする、請求項１６に記載の方法。 請求項１８． 上記領域の第１部分を選択することと、 上記第１部分の第１グレー・レベル平均値を決定することと、 上記領域に隣接する、上記少なくとも１つの閾値処理済画像の第２部分を選択 することと、 上記第２部分の第２グレー・レベル平均値を決定することと、 上記第１グレー・レベル平均値と第２グレー・レベル平均値を使用して上記コ ントラストを決定することを含む、上記コントラストの決定を特徴とする、請求 項１６に記載の方法。 請求項１９． 上記第１グレー・レベル平均値と第２グレー・レベル平均値 との標準化済差を決定することを含む、上記コントラストの決定を特徴とする、 請求項１ ８に記載の方法。 請求項２０． 累積ヒストグラムを使用して、上記領域の上記円環性、面積 およびコントラストの少なくとも１つを決定することを含む、請求項１６に記載 の方法。 請求項２１． 上記累積ヒストグラムを使用して、上記領域の上記円環性、 面積およびコントラストの少なくとも１つに対してカットオフ値を決定すること を含む、請求項２０に記載の方法。 請求項２２． 上記累積ヒストグラムが、Ｃ（ｐ）によって与えられ、 ｐ ：上記円環性、面積およびコントラストのうちの１つの値であり、 Ｐ minは、上記円環性、面積およびコントラストの少なくとも１つの最小値で あり、 Ｐ maxは、上記円環性、面積およびコントラストの少なくとも１つの最大値で あり、 Ｆ（ｐ’）は、ｐにおいて上記円環性、面積およびコントラストの少なくとも １つが発生する頻度である、 によって決定されることを特徴とする、請求項２０に記載の方法。 請求項２３． 上記第３領域が増大するとき、上記第３領域の領域面積、領 域円環性および領域辺縁不整の少なくとも１つを分析することと、 上記第３領域の増大が終わる遷移点を決定することを含む、領域増大を特徴と する、請求項１５に記載の方法。 請求項２４． 上記遷移点に基づいて、上記第３領域の輪郭を決定すること を含む、請求項２３に記載の方法。 請求項２５． 上記第３領域が増大するとき、上記第３領域の領域面積、領 域円環性および領域辺縁不整を分析することと、 それぞれ、上記領域面積、領域円環性および領域辺縁不整の分析に基づいて、 上記第３領域の増大が終わる遷移点を決定することと、 上記第３領域が増大するとき、上記領域円環性および領域辺縁不整を上記第３ 領域の関数として考慮することと、 上記遷移点を決定するステップと、上記領域を考慮するステップに基づいて決 定された遷移点に基づいて輪郭を決定することを含む、請求項２３に記載の方法 。 請求項２６． 上記第３領域の面積を決定することと、 上記第３領域の重心を決定することと、 上記第３領域上に、上記重心に中心を一致させた上記面積をもつ円を置くこと と、 上記円内の上記第３領域の一部を決定することと、 上記円環性として、上記面積に対する上記一部の比率を決定することを含む、 上記領域円環性の決定を特徴とする、請求項２３に記載の方法。 請求項２７． 上記第３領域の面積を決定することと、 上記第３領域の第１周囲を決定することと、 上記面積を有する円の第２周囲を決定することと、 上記第１周囲に対する第２周囲の比率を決定することを含む、上記領域不整の決 定を特徴とする、請求項２６に記載の方法。 請求項２８． 上記腫瘤の複数の特徴を決定することと、 上記特徴を使用して、上記腫瘤と非腫瘤を区別することを含む、上記腫瘤の分 類を特徴とする、請求項１に記載の方法。 請求項２９． 上記特徴を、腫瘤を検出するように調整した中立ネットワー クと法則に基づくシステムのうち１つにインプットすることを含む、請求項２８ に記載の 方法。 請求項３０． 幾何学的特徴、強度特徴および勾配特徴の少なくとも１つを 決定することを含む、上記複数の上記特徴の決定を特徴とする、請求項２８に記 載の方法。 請求項３１． 上記腫瘤のサイズ、円環性、辺縁不整および緻密度の少なく とも１つを決定することを含む上記幾何学的特徴の決定と、 上記腫瘤のコントラスト、上記腫瘤のグレー・レベル平均値、上記グレー・レ ベル平均値の第１標準偏差、および上記第１標準偏差に対する上記画素平均値の 比率の少なくとも１つを決定することを含む、上記強度特徴の決定と、 上記腫瘤の平均勾配と上記平均勾配の第２標準偏差の少なくとも１つを決定す ることを 含む上記勾配特徴の決定を特徴とする、請求項３０に記載の方法。 請求項３２． 上記第３領域の複数の特徴を決定することと、 上記特徴を使用して、上記腫瘤と非腫瘤を区別することを含む、請求項２５に 記載の方法。 請求項３３． 上記特徴を、腫瘤を検出するように調 整した中立ネットワークと法則に基づくシステムのうち１つにインプットするこ とを含む、請求項３２に記載の方法。 請求項３４． 幾何学的特徴、強度特徴および勾配特徴の少なくとも１つを 決定することを含む、上記複数の上記特徴の決定を特徴とする、請求項３２に記 載の方法。 請求項３５． 上記第３領域のサイズ、円環性、辺縁不整および緻密度の少 なくとも１つを決定することを含む上記幾何学的特徴の決定と、 上記第３領域のコントラスト、上記第３領域のグレー・レベル平均値、上記グ レー・レベル平均値の第１標準偏差、および上記第１標準偏差に対する上記画素 平均値の比率の少なくとも１つを決定することを含む、上記強度特徴の決定と、 上記第３領域の平均勾配と上記平均勾配の第２標準偏差の少なくとも１つを決 定することを含む上記勾配特徴の決定を特徴とする、請求項３４に記載の方法。 請求項３６． 上記画像から疑わしい腫瘤を抜き出すことと、 上記疑わしい腫瘤のほぼ中心を決定することと、 上記疑わしい腫瘤を処理して処理済の疑わしい腫瘤を 作成することと、 増大領域を作成するための上記処理済の疑わしい腫瘤に基づいた領域増大を含 む、請求項１に記載の方法。 請求項３７． 上記増大領域のの領域面積、領域円環性および領域辺縁不整 の少なくとも１つを分析することと、 上記増大領域の増大が終わる遷移点を決定することを含む、請求項３６に記載 の方法。 請求項３８． 上記遷移点に基づいて、上記増大領域の輪郭を決定すること を含む、請求項３７に記載の方法。 請求項３９． 上記増大領域が増大するとき、上記増大領域の上記領域面積 、上記領域円環性および上記領域辺縁不整を分析することと、 それぞれ、上記領域面積、上記領域円環性および上記領域辺縁不整の分析に基 づいて、 上記増大領域の増大が終わる遷移点を決定することと、 上記増大領域が増大するとき、上記領域円環性および上記領域辺縁不整を上記 増大領域の関数として考慮することと、 上記遷移点を決定するステップと、上記領域を考慮するステップに基づいて決 定された遷移点に基づいて上記増大領域の輪郭を決定することを含む、請求項３ ７に記 載の方法。 請求項４０． 上記増大領域の面積を決定することと、 上記増大領域の重心を決定することと、 上記増大領域上に、上記重心に中心を一致させた上記面積をもつ円を置くこと と、 上記円内の上記増大領域の一部を決定することと、 上記円環性として、上記面積に対する上記一部の比率を決定することを含む、 上記領域円環性の決定を特徴とする、請求項３７に記載の方法。 請求項４１． 上記増大領域の面積を決定することと、 上記増大領域の第１周囲を決定することと、 上記面積を有する円の第２周囲を決定することと、 上記第１周囲に対する第２周囲の比率を決定することを 含む、上記領域不整の決定を特徴とする、請求項３７に記載の方法。 請求項４２． 上記処理のステップが、バックグラウンド傾向補正と上記疑 わしい腫瘤のヒストグラム等化を含むことを特徴とする、請求項３６に記載の方 法。 請求項４３． 上記画像から疑わしい病変を抜き出すことと、 上記疑われる病変を含む関係領域を選択することと、 上記関係領域に対して累積縁勾配ヒストグラム分析を実施することと、 上記疑われる腫瘤の幾何学的特徴を決定することと、 上記疑われる腫瘤の勾配特徴を決定することと、 上記累積縁勾配ヒストグラム分析、上記幾何学的特徴および上勾配度特徴に基 づいて、上記疑われる腫瘤が悪性であるかどうかを決定することを含む、請求項 １に記載の方法。 請求項４４． 上記関係領域が複数の画素を含むことを特徴とし、 実施する累積縁勾配ヒストグラム分析が、 上記関係領域の各画素の最大勾配を決定することと、 放射方向とＸ軸方向の少なくとも１つに対する、各上記画素の上記最大勾配の 角度を決定することと、 上記最大勾配および上記角度を使用して累積縁勾配ヒストグラムを算出するこ とを含む、請求項４３に記載の方法。 請求項４５． 上記累積縁勾配ヒストグラムのＦＷＨＭを決定することと、 上記累積縁勾配ヒストグラムの標準偏差を決定することと、 上記累積縁勾配ヒストグラムの最小値と最大値の少なくとも１つを決定するこ とと、 上記累積縁勾配ヒストグラムの平均放射縁勾配を決定することを含む、請求項 ４４に記載の方法。 請求項４６． 上記累積縁勾配ヒストグラムの長円形補正を含む、請求項４ ４に記載の方法。 請求項４７． 上記ＦＷＨＭ、上記標準偏差、上記最小値と最大値の少なく とも１つ、および平均放射縁勾配に基づいて、良性腫瘤と悪性腫瘤を区別するこ とを含む、請求項４５に記載の方法。 請求項４８． 上記区別が、中立ネットワークと法則に基づく機構のうち１ つを使用して、上記良性腫瘤と上記悪性腫瘤を区別することを含むことを特徴と する、請求項４７に記載の方法。 請求項４９． 幾何学的特徴、強度特徴および勾配特徴の少なくとも１つを 決定することと、 上記幾何学的特徴、強度特徴および勾配特徴の少なくとも１つ、上記ＦＷＨＭ 、上記標準偏差、上記最小値と最大値の少なくとも１つ、ならびに平均放射縁勾 配に基づいて、 上記腫瘤と非腫瘤ならびに良性腫瘤と悪性腫瘤の少なくとも１つを区別するこ とを含む、請求項４５に記載の方法。 請求項５０． 中立ネットワークと法則に基づく機構のうち１つを使用して 、上記腫瘤と非腫瘤ならびに良性腫瘤と悪性腫瘤の少なくとも１つを区別するこ とを含む、請求項４９に記載の方法。 請求項５１． 上記腫瘤の複数の特徴を決定することと、 上記特徴を合併することと、 上記特徴に基づいて、上記腫瘤を良性腫瘤と悪性腫瘤のうちの１つとして区別 することを含む、請求項１に記載の方法。 請求項５２． 上記区別が、中立ネットワークと法則に基づく機構のうち１ つを使用して、上記良性腫瘤と上記悪性腫瘤の１つとして上記腫瘤を区別するこ とを含むことを特徴とする、請求項５１に記載の方法。 請求項５３． ディジタル乳房Ｘ線写真を得ることと、 上記ディジタル乳房Ｘ線写真を両側控除して走程画像を得ることと、 上記走程画像に対して複数グレー・レベル閾値分析を実施することと、 上記腫瘤であると疑われる領域を検出することと、 上記領域の特徴を抜き出すことと、 上記腫瘤が悪性であるかどうかを検出することを含む、乳房Ｘ線写真で腫瘤を 検出する方法。 請求項５４． 一対のディジタル乳房Ｘ線写真を得ることと、 上記一対のディジタル乳房Ｘ線写真を両側控除して上記走程画像を得ることと 、 上記領域に境界−距離テストを実施することを含む、請求項５３に記載の方法 。 請求項５５． 上記画像で、上記領域の上記複数の画素の各々から、乳房の 最寄りの境界点までの、それぞれの距離を決定することと、 上記距離の平均距離を見い出すことと、 上記平均距離が既定値未満であれば上記領域を無視することを含む、請求項５ ４に記載の方法。 請求項５６． 上記ディジタル乳房Ｘ線写真を処理して処理済乳房Ｘ線写真 を作成することと、 上記処理済乳房Ｘ線写真で疑わしい領域を検出することと、 複数の画素と相当する上記疑わしい領域を有する第１領域を含む上記ディジタ ル乳房Ｘ線写真で関係領域を選択することと、 増大領域を作成するための、グレー・レベル最大値を 有する上記複数の画素の１つを使用する領域増大と、上記増大領域が既定のグレ ー・レベル値に達したとき、上記領域増大を終わらせることを含む、請求項５３ に記載の方法。 請求項５７． 上記増大領域の円環性、面積およびコントラストの少なくと も１つを決定することを含む、請求項５６に記載の方法。 請求項５８． 上記円環性の決定が、 上記増大領域の面積を決定することと、 上記増大領域の重心を決定することと、 上記増大領域上に、上記重心に中心を一致させた上記面積をもつ円を置くこと と、 上記円内の上記増大領域の一部を決定することと、 上記円環性として、上記面積に対する上記一部の比率を決定することを含むこ とを特徴 とし、 上記コントラストの決定が、 上記増大領域の第１部分を選択することと、 上記第１部分の第１グレー・レベル平均値を決定することと、 上記増大領域に隣接する、上記乳房Ｘ線写真の第２部分を選択することと、 上記第２部分の第２グレー・レベル平均値を決定することと、 上記第１グレー・レベル平均値と第２グレー・レベル平均値を使用して上記コ ントラストを決定することを含むことを特徴とする、請求項５７に記載の方法。 請求項５９． 画像取得装置と、 上記画像取得装置に接続される複数グレー・レベル閾値処理回路と、 上記複数グレー・レベル閾値処理回路に接続されるサイズ分析回路と、 上記サイズ分析回路に接続される腫瘤検出回路と、 上記腫瘤検出回路に接続される腫瘤を分析するように調整された中立ネットワ ークと回路と、 上記中立ネットワーク回路に接続されるディスプレーを含む、画像で主流を検 出するためのシステム。 請求項６０． 上記複数グレー・レベル閾値処理回路が、複数のグレー・レ ベル閾値で上記画像を閾値処理して、対応する複数の閾値処理済画像を作成する ための手段を含むことを特徴とする、請求項５９に記載のシステム。 請求項６１． 上記サイズ分析回路が、上記画像における領域の円環性、面 積、およびコントラストの少なくとも１つを決定するための手段を含むことを特 徴とする、請求項５９に記載のシステム 請求項６２． 上記画像取得装置および上記複数グレー・レベル閾値処理回 路に接続される両側控除回路をさらに含む、請求項５９に記載のシステム。 請求項６３． 定位回路、 上記定位回路に接続される腫瘤抜き出し回路、 上記腫瘤抜き出し回路に接続される特徴抜き出し回路、 および上記特徴抜き出し回路に接続される、インプットに基づいて腫瘤を分析 するように調整された第２中立ネットワークをさらに含む、請求項５９に記載の システム。