JPH10171910A

JPH10171910A - 診断支援装置及び方法

Info

Publication number: JPH10171910A
Application number: JP30713097A
Authority: JP
Inventors: Kunio Doi; 邦雄土井; Takayuki Ishida; 隆行石田; Shigehiko Katsuragawa; 茂彦桂川
Original assignee: Arch Development Corp
Current assignee: Arch Development Corp
Priority date: 1996-11-29
Filing date: 1997-11-10
Publication date: 1998-06-26
Also published as: US5873824A

Abstract

(57)【要約】【課題】本発明の目的は、ディジタル画像データによっ
て学習がなされた人工ニューラルネットワークを用いて
効率良く異常を検出することのできる診断支援装置及び
方法を提供することにある。【解決手段】本発明による診断支援装置は、画像データ
から部分データを抽出し、この抽出された部分データに
基づいて第１信号データを第１のニューラルネットワー
クから出力し、この第１信号データに基づいて第２信号
データを第２のニューラルネットワークから出力し、こ
れら２つの第１、第２のニューラルネットワークを経て
出力されたデータに基づいて診断結果を出力するという
ものである。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、人工ニューラルネ
ットワークを応用して、例えばＸ線画像を解析し正常と
異常とを分類するための診断支援装置及び方法に関す
る。

【０００２】

【従来の技術】間質性肺疾患は、Ｈ．ＭａｃＭａｈｏ
ｎ，ＫＪＭ．Ｌｉｕ，Ｓ．Ｍ．Ｍｏｎｔｎｅｒ，Ｋ．Ｄ
ｏｉによる“「胸部Ｘ線画像における異常所見の本質と
兆候」Ｍｅｄ．Ｐｈｙｓ．１８２０６−２１０（１９
９１）”に述べられているように、異常な胸部Ｘ線画像
における最も一般的な所見の一つである。しかしなが
ら、間質性疾患の解釈が読影者の主観によるため、間質
性肺疾患の診断は読影者にとって困難な仕事であると考
えられている。なぜなら、胸部Ｘ線画像において正常な
パターンと異常な浸潤の微妙なパターンを区別するため
の定量的な評価基準が無いからである。

【０００３】この所見は、“Ｐ．Ｇ．Ｈｅｒｍａｎ，
Ｄ．Ｅ．Ｇｅｒｓｏｎ，Ｓ．Ｊ．Ｈｅｓｓｅｌ，Ｂ．
Ｓ．Ｍａｙｅｒ，Ｍ．Ｗａｔｎｉｋ，Ｂ．Ｂｌｅｓｓｅ
ｒ，Ｄ．Ｏｚｏｎｏｆｆによる「胸部レントゲン画像の
解釈における不一致」Ｃｈｅｓｔ６８，２７８−２８２
（１９７５）”で報告されている。従って、診断の精度
と再現性を改善するために、間質性浸潤の定量的解析の
ためのコンピュータ支援診断装置（ＣＡＤ）が開発され
てきた。間質性肺疾患の検出と特徴づけのための２つの
異なったＣＡＤが、“Ｓ．Ｋａｔｓｕｒａｇａｗａ，
Ｋ．Ｄｏｉ，Ｈ．ＭａｃＭａｈｏｎによる「ディジタル
Ｘ線画像における画像特徴解析とコンピュータ支援診
断：ディジタル胸部Ｘ線画像での間質性肺疾患の検出と
特徴づけ」”、“Ｍｅｄ．Ｐｈｙｓ．１５：３１１−３
１９（１９８８）とＳ．Ｋａｔｓｕｒａｇａｗａ，Ｋ．
Ｄｏｉ，Ｈ．ＭａｃＭａｈｏｎによる「ディジタルＸ
線画像における画像特徴解析とコンピュータ支援診断：
胸部画像における正常と間質性疾患を伴う異常肺の分
類」”、“Ｍｅｄ．Ｐｈｙｓ．１５：３８−４４（１９
８９）とＸ．Ｃｈｅｎ，Ｋ．Ｄｏｉ，Ｓ．Ｋａｔｓｕ
ｒａｇａｗａ，Ｈ．ＭａｃＭａｈｏｎによる「ディジ
タル胸部Ｘ線画像における肺組織の定量的解析のための
注目部位の自動選択」”、“Ｍｅｄ．Ｐｈｙｓ．２０：
９７５−９８２（１９９３）とＪ．Ｍｏｒｉｓｈｉｔ
ａ，Ｋ．Ｄｏｉ，Ｓ．Ｋａｔｓｕｒａｇａｗａ，Ｌ．Ｍ
ｏｎｎｉｅｒ−Ｃｈｏｌｌｅｙ，Ｈ．ＭａｃＭａｈｏｎ
による「胸部Ｘ線画像における間質性浸潤のためのコン
ピュータ支援診断：組織指標の光学密度依存性」”、
“Ｍｅｄ．Ｐｈｙｓ．２２：１５１５−１５２２（１９
９５）とＬ．Ｍｏｎｎｉｅｒ−Ｃｈｏｌｌｅｙ，Ｈ．Ｍ
ａｃＭａｈｏｎ，Ｓ．Ｋａｔｓｕｒａｇａｗａ，Ｊ．Ｍ
ｏｒｉｓｈｉｔａ，Ｋ．Ｄｏｉによる「コンピュータ
化された胸部Ｘ線画像における間質性浸潤の解析：幾何
学パターン特徴とフーリエ解析に基づいた新しい方
法」”、“ＡＣＡＤ．Ｒａｄｉｏｌ．２，４５５−４６
２（１９９５）とＳ．Ｋａｔｓｕｒａｇａｗａ，Ｋ．
Ｄｏｉ，Ｈ．ＭａｃＭａｈｏｎ，Ｌ．Ｍｏｎｎｉｅｒ−
Ｃｈｏｌｌｅｙ，Ｊ．Ｍｏｒｉｓｈｉｔａ，Ｔ．Ｉｓｈ
ｉｄａによる「ディジタル胸部Ｘ線画像における間質
性浸潤幾何学的パターン特徴の定量的解析：予備試験結
果」”、“ＪｏｕｒｎａｌｏｆＤｉｇｉｔａｌＩ
ｍａｇｉｎｇ９，１３７−１４４（１９９６）”に開
示されている。

【０００４】これらの方法では、フーリエ変換と幾何学
的パターン解析を使用して、組織解析を行い、ディジタ
ル胸部Ｘ線画像からの間質性浸潤のパターンに関係した
画像特徴を抽出する。ここで、特徴というのは、浸潤の
大きさと粗さ（または細かさ）に対応した組織解析によ
って得られたＲＭＳ変数と、パワースペクトラムの第１
のモーメントとである。更に、幾何学的パターン解析に
よって、間質性浸潤パターンのうち、それぞれ結節状の
影の全面積と、線状の影の全長が得られる。これらの方
法によって間質性浸潤パターンに関するいくつかの有用
な情報を得ることができる。

【０００５】一般にこれらの方法の成績は比較的良好で
はあるが、常に正常と異常を正しく分類できる訳ではな
い。そのような誤った分類の例は、“Ｋ．Ａｂｅ，Ｋ．
Ｄｏｉ，Ｈ．ＭａｃＭａｈｏｎ，Ｍ．Ｌ．Ｇｉｇｅｒ，
Ｈ．Ｍｉａ，Ｘ．Ｃｈｅｎ，Ａ．Ｋａｎｏ，Ｔ．Ｙａｎ
ａｇｉｓａｗａによる「胸部Ｘ線画像におけるコンピ
ュータ支援診断：予備実験」Ｉｎｖｅｓｔ．Ｒａｄｉ
ｏ．２８，９８７−９９３（１９９３）”に報告されて
いる。したがって、胸部Ｘ線画像の肺領域の画像データ
に基づいた新たなアプローチを開発することは有用なこ
とである。

【０００６】人工ニューラルネットワーク（ＡＮＮ）の
ＣＡＤへの応用はこれまでも試行されてきた。“Ｎ．Ａ
ｓａｄａ，Ｋ．Ｄｏｉ，ＨＭａｃＭａｈｏｎ，Ｓ．Ｍ．
Ｍｏｎｔｎｅｒ，Ｍ．Ｌ．Ｇｉｇｅｒ，Ｃ．Ａｂｅ，
Ｙ．Ｗｕによる「間質性疾患の判別診断のための人工ニ
ューラルネットワークの有用性の可能性：実験的研究」
Ｒａｄｉｏｌｏｇｙ１７７，８５７−８６０（１９９
０）”では、臨床的かつＸ線画像からの情報に基づいた
間質性肺疾患の判別診断について検討している。また、
Ｘ．Ｗ．Ｘｕによる“「ディジタル胸部Ｘ線画像におけ
る肺結節の自動検出のためのコンピュータ化された解
析」シカゴ大学の博士論文（１９９６）”では、肺結節
の検出時の擬陽性の除去について検討している。これら
の方法で使用された人工ニューラルネットワークは、病
変または擬陽性に関連したいくつかの抽出された特徴に
よって学習がなされたものである。

【０００７】

【発明が解決しようとする課題】本発明の目的は、ディ
ジタル画像データによって学習がなされた人工ニューラ
ルネットワークを用いて効率良く異常を検出することの
できる診断支援装置及び方法を提供することにある。

【０００８】

【課題を解決するための手段】本発明は、例えば、医療
用画像（例えば、胸部Ｘ線画像、ＭＲＩによる画像、Ｃ
Ｔスキャンによる断層画像、超音波による断層画像）
を、学習済みの人工ニューラルネットワークにかけて、
疾患（例えば、間質性肺疾患）が認められるかどうかの
解析、分類を行う際に用いられる。

【０００９】また、本発明は、診断を行うために一連の
人工ニューラルネットワークを有効に使用するものであ
り、ある人工ニューラルネットワークを用いて、ｎ次元
の画像データを（ｎ−ｉ）次元まで落とし、最後の人工
ニューラルネットワークで細部まで診断する。一連のル
ールと、ネットワークの順番を最適化することにより、
解析精度を向上することができる。

【００１０】本発明によれば、完全な診断を行うために
必要となる接続の数は、完全な２次元ニューラルネット
ワークを使用する場合に比べて非常に少なくなる。更
に、完全なネットワークにするために必要とされる学習
の時間も減少する。

【００１１】

【発明の実施の形態】以下、図面を参照して、本発明を
好ましい実施形態により説明する。なお、ここでは、簡
単のために、３２×３２画素の２次元の関心領域（ＲＯ
Ｉ）で間質性肺疾患の自動診断を行うものと仮定する。
勿論これに限定されることはない。さらに、異常部の形
状も疾患のタイプによって変化するので、関心領域の形
状もまた異常部の形状に合うように、矩型、円形や楕円
形を含む形で変化させることができる。また、本発明で
は、様々な形状、タイプの３次元や４次元の画像を解析
するために、複数のニューラルネットワークを用いる。

【００１２】ここで開示された方法では、他のスクリー
ンやフィルムも使用することができるが、ここでは特
に、ラテックスミディアムスクリーンとＯＣフィルム
（イーストマンコダック，ＮＹ）で撮影された１００例
の正常および１００例の異常な背腹（ＰＡ）の胸部Ｘ線
画像を用いている。正常例は４人の熟練した胸部Ｘ線画
像の読影者によって、臨床データと胸部Ｘ線画像によっ
て疑いなく正常と判断されたものである。異常例、ここ
では間質性肺疾患という異常例は、Ｘ線画像での所見、
ＣＴ、臨床データおよび追跡Ｘ線画像に基づいて、先程
と同じ読影者の合意の元で決定されたものである。

【００１３】異常例は、両肺領域の面積の２０パーセン
ト以上を間質性浸潤が占めている場合をいうものと定義
している。２６例は、浸潤が肺面積の２０から５０パー
セントを占めている。他の異常例は、肺面積の５０パー
セント以上に広がる拡散した間質性浸潤を有していた。
これらの異常例は、“Ｌ．Ｍｏｎｎｉｅｒ−Ｃｈｏｌｌ
ｅｙ，Ｈ．ＭａｃＭａｈｏｎ，Ｓ．Ｌ．Ｋａｔｓｕｒａ
ｇａｗａ，Ｊ．Ｍｏｒｉｓｈｉｔａ，Ｋ．Ｄｏｉによ
る「胸部Ｘ線画像における間質性浸潤のコンピュータ化
された解析：幾何学パターン特徴とフーリエ変換解析に
基づいた新しい方法」ＡＣＡＤ．Ｒａｄｉｏｌ．２，４
５５−４６２（１９９５）”に述べられている。

【００１４】胸部Ｘ線画像は、レーザースキャナ（ＫＦ
ＤＲ−ＰＫｏｎｉｋａｃｏｒｐ．，東京、日本）
を用いて０．１７５ｍｍの画素サイズで１０２４階調で
デジタイズされ、ＩＢＭのＲＩＳＣ／６０００Ｐｏ
ｗｅｒｓｔａｔｉｏｎ（Ｍｏｄｅｌ５９０）が発明
者らのＣＡＤ手法の開発に使用された。

【００１５】ここでまた、例えば、スキャナやコンピュ
ータといった他の装置も、ここで取り上げた特定のスキ
ャナやコンピュータの以外のものに代用することができ
る。

【００１６】図１には、数百という矩型の関心領域（Ｒ
ＯＩ）に、胸部Ｘ線画像が分割されている様子を示して
いる。この人工ニューラルネットワーク解析システムの
ブロックダイアグラムは、図２に示されている。学習済
みのこの人工ニューラルネットワークを診断支援として
使用する際には、まず最初に、医療画像、すなわち、正
常および異常な胸部Ｘ線画像の中の数百という関心領域
の中から特定の関心領域を自動的に選択する。この特定
の関心領域を自動的に選択する方法は、“Ｘ．Ｃｈｅ
ｎ，Ｋ．Ｄｏｉ，Ｓ．Ｋａｔｓｕｒａｇａｗａ，Ｈ．ｍ
ａｃＭａｈｏｎによる「ディジタル胸部Ｘ線画像におけ
る肺組織の定量的解析のための注目部位の自動選択」Ｍ
ｅｄ．Ｐｈｙｓ．２０，９７５−９８２（１９９３）”
に詳しく述べられている。

【００１７】関心領域のマトリクスサイズは、例えば、
３２×３２（実寸では、５．６×５．６平方ｍｍに相当
する）である。一つの関心領域の中の画素値の２次元分
布は、水平方向に関する１次元プロファイルが３２個集
まったものと考えることができ、各１次元プロファイル
は、水平方向に関する３２個の画素値から構成される。

【００１８】発明者らは、間質性浸潤の検出のために２
つの異なった人工ニューラルネットワークを使用した。
各関心領域の中の水平プロファイルは、表面フィッティ
ング技術に基づいてトレンド補正（階調補正）が行われ
た後に、正常と異常なプロファイルを区別するための第
１の人工ニューラルネットワークに入力される。なお、
このトレンド補正については、“Ｓ．Ｋａｔｓｕｒａｇ
ａｗａ，Ｋ．Ｄｏｉ，Ｈ．ＭａｃＭａｈｏｎによる「デ
ィジタルＸ線画像における画像特徴解析とコンピュータ
支援診断：ディジタル胸部Ｘ線画像における間質性肺疾
患の検出と特徴づけ」Ｍｅｄ．Ｐｈｙｓ．１５，３１１
−３１９（１９８８）”に述べられている。

【００１９】各１次元の水平プロファイルは、第１の人
工ニューラルネットワークを介して、０から１の範囲内
の値に変換される。なお、１に近いほど、異常可能性が
高く、０に近いほど正常可能性が高いことを一般的に表
している。

【００２０】各関心領域には、３２個の水平プロファイ
ルがあるので、各関心領域ごとに３２個の出力が第１の
人工ニューラルネットワークから得られる。これらの３
２個の出力は、それぞれの元となっている水平プロファ
イルの垂直位置に従って配列されたものを、垂直出力パ
ターンと以下称する。

【００２１】この垂直出力パターンは、第２の人工ニュ
ーラルネットワークに供給される。この第２の人工ニュ
ーラルネットワークの出力値も、正常と異常を関心領域
ごとに区別するために使用される。出力値は、各関心領
域に対して正常または異常の程度（０：正常、１：異
常）を表わす。

【００２２】第１、第２の人工ニューラルネットワーク
の後に、ルールベース分類法が供給されて、正常と異常
（間質性浸潤）とが最終的に分類（弁別）される。

【００２３】図３には、コンピュータシステムで実現さ
れ得る本実施形態による診断支援装置の外観が示されて
いる。コンピュータ１００には、簡単に概要を上述した
ような正常と異常（間質性浸潤）とを分類するために必
要なハード及びプログラムが組み込まれており、コンピ
ュータハウジング１０２の中には、ＣＰＵ１０６と、メ
モリ１０８（ＤＲＡＭ，ＲＯＭ，ＥＰＲＯＭ，ＥＥＰＲ
ＯＭ，ＳＲＡＭ，ＦｌａｓｈＲＡＭ等）と、そのほか
の特定用途向け論理デバイス（ＡＳＩＣ等）やプログラ
マブル論理デバイス（ＧＡＬ、再プログラム可能なＦＰ
ＧＡ）を搭載したマザーボード１０４とが収容されてい
る。

【００２４】コンピュータ１００は、また、複数の入力
デバイス（キーボード１２２、マウス１２４等）と、モ
ニタ１２０を制御するためのディスプレイカード１１
０）を有している。さらに、コンピュータシステム１０
０は、適切なデバイスバス（ＳＣＳＩバスまたはエンハ
ンストＩＤＥバス等）に接続されたフロッピーディスク
ドライブ１１４と、そのほかのリムーバブル記憶媒体デ
バイス（コンパクトディスク１１９、図示されていない
リムーバブル光磁気記憶媒体等）と、ハードディスク１
１２と、その他の固定高密度記憶媒体ドライブとを有し
ている。

【００２５】コンピュータ１００は、さらに、高密度記
憶媒体ドライブとして前述と同じデバイスバスまたは、
そのほかのデバイスバスに接続されたコンパクトディス
ク読み取り機１１８と、コンパクトディスク読み取り書
き込みユニット（不図示）と、コンパクトディスク連奏
装置（不図示）等を有していても良い。さらに、診断結
果を印刷するためのプリンタ（不図示）を持っていても
良い。

【００２６】このシステムは、さらに、少なくとも一つ
のコンピュータで読み取り可能な記憶媒体を有してい
る。そのようなコンピュータで読み取り可能な記憶媒体
の例は、コンパクトディスク１１９、ハードディスク１
１２、フロッピーディスク、テープ、光磁気ディスク、
ＰＲＯＭ（ＥＰＲＯＭ，ＥＥＰＲＯＭ，フラッシュＥＰ
ＲＯＭ）、ＤＲＡＭ、ＳＲＡＭ等である。ここでは、コ
ンピュータ１００のハードウエアを制御し、かつ、人間
のユーザとコンピュータ１００とをインタフェースする
ためのプログラムが、上記コンピュータで読み取り可能
な記憶媒体に保持されている。そのようなプログラム
は、オペレーティングシステムと開発ツールのようなユ
ーザアプリケーションを含んでいても良いが、これらに
制限されるものではない。コンピュータで読み取り可能
な記憶媒体は、さらに、疾病の状態にあるかどうかの評
価に際して、医療画像を解析するための本発明の方法を
実現するコンピュータプログラムを含んでいる。

【００２７】第１の人工ニューラルネットワークには、
３層のフィードフォアードニューラルネットワークが用
いられている。この人工ニューラルネットワークは、３
２個の入力ユニット、１６個の隠れユニットと、１個の
出力ユニットを有している。

【００２８】第１の人工ニューラルネットワークを学習
させるために、組織解析から得られた単一組織指数に基
づいた正常および異常なケースについての「代表的な」
関心領域を最初に選択する。この組織解析法は、“Ｓ．
Ｋａｔｓｕｒａｇａｗａ，Ｋ．Ｄｏｉ，Ｈ．ＭａｃＭａ
ｈｏｎによる「ディジタルＸ線画像における画像特徴解
析とコンピュータ支援診断：胸部画像での正常と間質性
疾患を有する異常の分類」Ｍｅｄ．Ｐｈｙｓ．１６，３
８−４４（１９８９）”に述べられている。

【００２９】この研究に用いられた正常な関心領域は、
関心領域の組織指標が全データの中の平均的な３０パー
セント（３５パーセントから６５パーセント）の範囲に
ある正常胸部画像の中の関心領域からランダムに選択さ
れる。異常な関心領域もまた、関心領域の組織指標が各
ケースについて全データの上側３０パーセントの範囲に
ある異常胸部画像の中の関心領域からランダムに選択さ
れたものである。

【００３０】代表的な関心領域は、組織指標を用いて選
択されたものであるが、「正常」な関心領域の中にも、
主に肋骨の縁やシャープなエッジの血管による「異常」
に見えてしまう水平プロファイルが含まれている可能性
があることに注意が必要である。更に、「異常」な関心
領域にも、非常に弱い間質性浸潤により「正常」に見え
てしまう水平プロファイルを含んでいるかも知れない。

【００３１】従って、発明者らは、このような「汚
染」、つまり異常を含んでいる正常関心領域や、実際に
は正常と判断すべき微細な異常しかない異常関心領域の
ある学習データを、すなわち学習効果を阻害する学習デ
ータを、各プロファイルのＲＭＳ値を用いることによっ
て破棄して学習に用いないようにすることを試みたので
ある。

【００３２】正常例の学習データを最終的に選択するた
めに、ＲＭＳ値で比較して、この値が高い方から２５パ
ーセントに入る水平プロファイルを取り除く。また、異
常例の学習のために、ＲＭＳ値で比較して、この値が下
から２５パーセントに入る水平プロファイルを取り除
く。

【００３３】正常例と異常例の水平プロファイルは、図
４に示されている。図４から、異常例の水平プロファイ
ルのばらつきは、正常例のそれより大きいことがわか
る。第１の人工ニューラルネットワークへの各入力ユニ
ットの平均画素値とＲＭＳ値は、図５と図６にそれぞれ
示されている。トレンド補正は関心領域の全てにかける
ので、平均値は、全ての入力ユニットでゼロに近似す
る。一方で、異常例のＲＭＳ値は、全入力ユニットで正
常例のＲＭＳ値より大きいことが明らかである。なぜな
ら、間質性浸潤を有する水平プロファイルの変化は、正
常例のそれより通常は大きいからである。

【００３４】このＲＭＳ値の頻度は、図７に示されてい
るように、左右でわずかに増加している。なぜなら、ト
レンド補正のためのフィッティングエラー（曲線近似誤
差）は、関心領域の辺縁近くで大きくなる傾向があるか
らである。図７は、第１の人工ニューラルネットワーク
への入力データ（正常および異常）を示すヒストグラム
である。異常例の分布は、正常例よりも分散している
が、どちらの分布も正規分布に非常に近いものであっ
た。

【００３５】第２の人工ニューラルネットワークは、第
１の人工ニューラルネットワークと同じ構造を有してい
る。すなわち、３２個の入力ユニットと１６個の隠れユ
ニットと１個の出力ユニットを有する３層のフィードフ
ォアードニューラルネットワークである。第２の人工ニ
ューラルネットワークは、第１の人工ニューラルネット
ワークから出力される各関心領域の垂直出力パターンで
学習される。第２の人工ニューラルネットワークが学習
する際、正常と異常に対する「代表的な」関心領域が、
まず最初に第１の人工ニューラルネットワークに対する
それらと同様な方法で選択される。しかしながら、第２
の人工ニューラルネットワークの学習のために選択され
る関心領域は、第１の人工ニューラルネットワークの学
習のために使用された関心領域とは、同じではない。

【００３６】学習データの「汚染」の影響を低減するた
めに、垂直出力パターンの平均値が活用される。正常な
関心領域の学習データについては、大きな平均値（高い
方から１０パーセントに入る正常な関心領域）を有する
垂直出力パターンが取り除かれる。

【００３７】一方、異常な関心領域の学習データについ
ては、小さな平均値（低い方から１０パーセントに入る
正常な関心領域）を有する関心領域が取り除かれる。学
習の後、第２の人工ニューラルネットワークの出力は、
正常と間質性疾患を有する異常な関心領域を区別するた
めに使用される。

【００３８】正常と異常な関心領域についての垂直出力
パターン、すなわち、３２個の水平プロファイルを第１
の人工ニューラルネットワークを通した３２個の出力値
列は、図８に示されている。異常な関心領域の第１の人
工ニューラルネットワークからの出力が一般に正常な関
心領域のそれよりも大きいことは明らかである。第２の
人工ニューラルネットワークに対する入力ユニット各々
の平均値とＲＭＳ値は、それぞれ図９と図１０に示され
ている。異常な関心領域に対する第１の人工ニューラル
ネットワークからの出力は、大きくなる傾向にあるの
で、異常例に対する平均値は、正常例よりも大きくな
る。しかしながら、異常な関心領域の場合、第１の人工
ニューラルネットワークから出力されるＲＭＳ値は、正
常な関心領域と大差ないものとなっている。

【００３９】胸部画像に対する正常例と異常例の最終的
な分類（判定）は、ルールベース法によってなされる。
第２の人工ニューラルネットワークの出力が予め決めら
れたしきい値よりも大きい場合、その関心領域は、異常
と判定される。胸部画像中の全関心領域の総数に対する
異常と判定された関心領域の数の比率が、所定のしきい
値よりも大きい場合、その胸部画像は、異常と分類され
る。

【００４０】胸部画像の正常と異常を区別するために、
第１、第２の人工ニューラルネットワークに加えて、第
３の人工ニューラルネットワークを使用してもよい。

【００４１】第１の人工ニューラルネットワークの学習
に用いられる入力データセットの総数の学習効果に対す
る影響を調べるために、まず、１０の正常例と、顕著な
異常（間質性浸潤）を有する１０の異常例とから、ラン
ダムに関心領域を選択する。３２０から３２，０００の
水平プロファイル（１０から１，０００の関心領域）が
使用され、その結果が比較された。入力データの半分
は、正常例から選択され、残りの半分は、異常例から選
択された。しかしながら、第１の人工ニューラルネット
ワークの正確性試験のためには、合計１２，６００の水
平プロファイル（２００の正常と２００の異常関心領
域）が、学習に用いられなかった２０の正常例と間質性
浸潤を有する２０の異常例からランダムに選択された。

【００４２】第１の人工ニューラルネットワークのため
の学習データの総数の学習効果に対する影響は、図１１
に示されている。第１の人工ニューラルネットワークへ
の入力データセットの数が、３２０から１０，２４０へ
と増えるにしたがって、Ａｚ値（ＲＯＣ曲線(receiver
operating characteristics)の下側の面積（ＲＯＣ曲線
とベースラインとの間の面積））が徐々に増加してい
る。入力データセットの数が１０，２４０を超えると分
類能力の増加は非常にわずかなものにしかならない。こ
の結果から、第１の人工ニューラルネットワークへの学
習データセットの数は、水平プロファイル１０，０００
個以上であるべきだということが分かる。

【００４３】分類能力を評価するために、１００の正常
例と、間質性浸潤を有する１００の異常例とが、ランダ
ムに２つのグループに分けられた。１つは、学習のため
のデータセットであり、もうひとつは、テストのための
データセットである。各データセットには、５０の正常
例と５０の異常例とを半々に振り分けた。４つの異なっ
たデータセットが全体の能力の評価のために準備され
た。

【００４４】正常例と異常例を区別する平均Ａｚ値は、
人工ニューラルネットワークの方法を使った場合、０．
９０６を中心にプラスマスナス０．０２１の範囲で与え
られる。この高い分類率は、人工ニューラルネットワー
ク法がディジタル胸部Ｘ線画像における間質性浸潤の検
出に有用であることを示している。

【００４５】連続採点スケールを用いたＲＯＣ解析（Ｌ
ＡＢＲＯＣ４プログラム）で得られる総合的全体的なな
分類能力と、第１と第２の人工ニューラルネットワーク
それぞれの分類能力とが、図１２に示されている。ＬＡ
ＢＲＯＣ４プログラムは、“Ｃ．Ｅ．Ｍｅｔｚによる
「Ｘ線撮像におけるＲＯＣ方法論」Ｉｎｖｅｓｔ．Ｒａ
ｄｉｏｌ．２１，７２０−７３３（１９８６）、Ｃ．
Ｅ．Ｍｅｔｚによる「Ｘ線画像のＲＯＣ研究における実
験計画とデータ解析についてのいくつかの考察」Ｉｎｖ
ｅｓｔ．Ｒａｄｉｏｌ．２４，２３４−２４５（１９８
９）、Ｃ．Ｅ．Ｍｅｔｚ，Ｊ−ＨＳｈｅｎ，Ｂ．Ａ．
Ｈｅｒｍａｎによる「連続分布試験の結果からのバイノ
ーマルＲＯＣの新しい評価法」米国統計学会ならびに生
物学会のジョイント統計ミーティングでの招待公演（１
９９０、アナハイム）”で述べられている。

【００４６】この手法全体のＲＯＣ曲線は、高かった
（Ａｚ＝０．９０５）。しかしながら、第１の人工ニュ
ーラルネットワークによる正常と異常なプロファイルの
分類能力は、Ａｚ＝０．６６９で決して高いとはいえな
い。このように能力が低い原因は、恐らく、正常な関心
領域の幾つかには、肋骨の縁やシャープなエッジの血管
によって「異常に見える」水平プロファイルが含まれて
おり、また異常な関心領域の幾つかには、極端に弱い間
質性浸潤のために「正常に見える」水平プロファイルが
含まれているためであると推察される。

【００４７】図１３は、正常と異常な水平プロファイル
について第１の人工ニューラルネットワークから得られ
た出力値の頻度を示すヒストグラムである。

【００４８】正常例のヒストグラムには、両端に１つず
つの合計２つのピークが見られる。明らかに異常につい
ての出力値は、高値側に鋭いピークが見られるが、低値
側には、明らかなピークは見られない。これは、間質性
浸潤が原因と考えられる。

【００４９】図１４は、正常と異常な関心領域に対し
て、第２の人工ニューラルネットワークから得られた全
出力値のヒストグラムを示している。これらの第２の人
工ニューラルネットワークからのヒストグラムは、第１
の人工ニューラルネットワークからの出力のヒストグラ
ムと同様なものである。正常な関心領域の場合、第１の
人工ニューラルネットワークの出力値は、低い階層に集
中する傾向がある。第２の人工ニューラルネットワーク
の能力（Ａｚ＝０．７５０）は、第１の人工ニューラル
ネットワークのそれよりも大きかった。

【００５０】ここで、もし、正常な関心領域内の水平プ
ロファイルの大多数が「正常」なパターンであれば、第
２の人工ニューラルネットワークは、その関心領域が幾
つかの正常にも関わらず異常に見えてしまうという汚染
された水平プロファイル、すなわち、図８に示されてい
るように第１の人工ニューラルネットワークからの出力
が大きな値になる水平プロファイルを含んでいたとして
も、その関心領域を正常と認識できる。

【００５１】同様にして、異常な関心領域の水平プロフ
ァイルの大多数が異常（間質性浸潤）のパターンである
とき、関心領域が幾つかの異常にも関わらず正常に見え
てしまうという汚染された水平プロファイルを含んでい
たとしても、第２の人工ニューラルネットワークは、そ
の関心領域を異常と認識できる。したがって、第２の人
工ニューラルネットワークの能力は、第１の人工ニュー
ラルネットワークのそれよりも良くなる。

【００５２】本発明の手法を、正常な関心領域と、異常
（間質性浸潤）な関心領域とを区別するための３層フィ
ードフォアード人工ニューラルネットワークと比較す
る。この人工ニューラルネットワークは、１，０２４
（３２×３２）個の入力ユニットと１２８個の隠れユニ
ットと１個の出力ユニットから構成されていた。この人
工ニューラルネットワークに学習を施し、テストするた
めに１０の正常例と顕著な間質性肺疾患を有する１０の
異常例とから８００個の関心領域をランダムに選択し、
４００個の関心領域は、人工ニューラルネットワークの
学習に使用され、残りの４００個の関心領域はテストに
使用された。

【００５３】この人工ニューラルネットワークは、トレ
ンド補正済みの画素値によって学習がなされた。再現性
試験では、図１５に示すように、関心領域のほとんど
は、人工ニューラルネットワークによって正しく判定さ
れた。しかしながら、正確性試験の結果によると、図１
６で低いＡｚ値で示されているように、関心領域の正常
又は異常を、文字どおり正しく認識しているとは認めら
れない。このため、学習に用いたデータセットが間質性
浸潤のパターンを統計的に正しく習得するのに十分では
なかったように思われる。しかしながら、学習に用いる
関心領域の数が増加すると、多くの入力ユニットを有す
る人工ニューラルネットワークの学習に必要な計算時間
が非常に長くなり、その結果そのような人工ニューラル
ネットワークを使用することは、現実的ではなくなる。

【００５４】一方、本実施形態では、１次元のデータ、
すなわち、人工ニューラルネットワークの学習に容易に
使用できる１次元の水平プロファイルを関心領域の全画
素値の代わりに使用する。

【００５５】また、本実施形態では、最適化されていな
い汚染学習データを取り除く又は減らした後に、残りの
データで学習させることによって、分類の率を高めよう
とするものである。汚染された学習データを減らした効
果を調べるために、１０の正常例と、間質性浸潤を有す
る１０の異常例からランダムに３組の関心領域を選択す
る。

【００５６】この２つのセットは第１の人工ニューラル
ネットワークの学習とテストに使用され、３番目のセッ
トは、正確性試験に使用された。第１の人工ニューラル
ネットワークは、最初に、第１の学習用データセットで
学習がなされた。次に、テストのために、学習済みの第
１の人工ニューラルネットワークに第２のセットが供給
され、続いて、第１の人工ニューラルネットワークから
の出力値が正常なプロファイルに対しては大きく、ま
た、異常なプロファイルに対しては、出力値が小さくな
る水平プロファイルを第２のデータセットから取り除
く。取り除かれたプロファイルの数の割合は、２５パー
セントから７５パーセントの間になる。

【００５７】汚染されたプロファイルが取り除かれた
後、第１の人工ニューラルネットワークは、第２のデー
タセット中の「汚染されていない」プロファイルによっ
て再学習がなされる。正確性試験のためのデータは、幾
つかの汚染された水平プロファイルを含んでいるが、こ
の汚染された水平プロファイルは、正確性試験の最終試
験では取り除かれない。

【００５８】汚染されたプロファイルをテスト用データ
から取り除くことによって、異常正常の分類能力は、飛
躍的に改善できる。しかしながら、「汚染されていな
い」テスト用データのみを使って得られた改善された能
力は、実際の胸部画像に供給するべきではない。なぜな
らば、一般に胸部画像は、「汚染された」データを含ん
でいるからである。

【００５９】汚染された学習用データを除去した場合と
除去しなかった場合についての再現性試験と正確性試験
の結果は、図１７と図１８にそれぞれ示されている。図
１７のグラフは、学習用データに含まれている汚染され
た成分が取り除かれていないと、再現性試験によってさ
え、多くの水平プロファイルは正しく特定できないこと
を示している。

【００６０】明らかに、再現性試験の成績は、汚染され
た学習用データを取り除くことによって、良くなる。し
かしながら、正確性試験では、学習データの２５パーセ
ントが取り除かれたときに最も良い成績が得られた。学
習用データの７５パーセントが取り除かれた場合、成績
はわずかに低下した。これは、恐らく、７５パーセント
が除去された後の学習データセットでは、明瞭なパター
ンのみが残っており、そのため、学習用データが一様な
ものになってしまったために人工ニューラルネットワー
クの学習が適切になされなかったためであろう。

【００６１】さらに、本実施形態では、Ｘ線画像のスキ
ャニングプロセス（走査工程）によって生じる問題にも
対処している。人工ニューラルネットワーク法は、ディ
ジタルＸ線画像において、光学密度が高いと擬陽性の関
心領域を、光学密度が低いと擬陰性の関心領域を多く生
じる傾向がある。これらの結果は、光学密度がフィルム
の勾配に依存していることが原因である。したがって、
発明者らは、使用したＯＣフィルムの特性を用いること
によって光学密度を補正する技術を採用した。この技術
は、“Ｊ．Ｍｏｒｉｓｈｉｔａ，Ｋ．Ｄｏｉ，Ｓ．Ｋａ
ｔｓｕｒａｇａｗａ，Ｌ．Ｍｏｎｎｉｅｒ−Ｃｈｏｌｌ
ｅｙ，Ｈ．ｍａｃＭａｈｏｎによる「胸部Ｘ線画像にお
ける間質性浸潤のコンピュータ支援診断：組織指標の光
学密度依存性」Ｍｅｄ．Ｐｈｙｓ．２２．１５１５−１
５２２（１９９５）”に述べられている。

【００６２】この補正技術によって、光学密度にほぼ比
例している画素値は、フィルムの勾配によって除算され
る。光学密度補正を行った場合と行わなかった場合のＲ
ＯＣ曲線は図１９に示されている。光学密度補正のある
なしでのＡｚ値は、それぞれ０．９２８と０．９０５で
あった。光学密度補正のある場合ない場合の全体の能力
は４組の独立したデータセットを用いて評価された。

【００６３】光学密度補正の有無の平均Ａｚ値は、それ
ぞれ０．９３４プラスマイナス０．００４と、０．９０
６プラスマイナス０．０２１であった。したがって、本
実施形態の人工ニューラルネットワーク法の能力は、こ
の光学密度補正技術を用いることによってかなり改善す
る。

【００６４】上述のように、異常なプロファイルのＲＭ
Ｓ値は、正常なプロファイルのそれより明らかに相違
し、一般的には大きい。したがって、第１の人工ニュー
ラルネットワークは、正常と異常なパターンで水平プロ
ファイルのＲＭＳ値の違いのみを学習することができる
と考えることができる。しかしながら、第１の人工ニュ
ーラルネットワークがＲＭＳ値で正常と異常を判断する
以上のこと、すなわち、間質性浸潤のパターンに関連し
た統計量を学習することは可能なことである。

【００６５】この仮説を確かめるために、正常例と異常
例を区別するための能力が、水平プロファイルのＲＭＳ
値のみを用いて決定された。図２０は、正常および異常
な水平プロファイルに対するＲＭＳ値の出現頻度を示し
たヒストグラムである。これら２つのヒストグラムは、
広く分布し、大きく重なっているので、この値のみから
得られたＲＯＣ曲線は、図２２で点線で示されているよ
うに非常に低く、第１の人工ニューラルネットワークか
ら得られたＲＯＣ曲線よりも低い。図２１は、正常と異
常な関心領域に対するＲＭＳ値の出現頻度を示したヒス
トグラムであり、これは部分的に重なっている。関心領
域に対するＲＭＳ値から得られたＲＯＣ曲線は、図２２
で細い点線で示されているように、第２の人工ニューラ
ルネットワークから得られたそれよりも小さい。

【００６６】全体の能力のために、人工ニューラルネッ
トワーク法によって得られたＲＯＣ曲線は、ＲＭＳ値を
使用したルールベース法によって得られたそれよりも明
らかに大きい。このことは、人工ニューラルネットワー
クは、正常および間質性浸潤によって生じた異常なパタ
ーンの何らかな統計量を習得することができることを示
唆しているように思われる。

【００６７】背景の階調補正のために、ふたつの異なっ
た方法が検討された。そのうちの一つは、各水平プロフ
ァイルに対して１次元のフィッティング（１次元曲線近
似）を行うものであり、もう一つは、各関心領域ごとに
２次元フィッティング（２次元曲線近似）を行うもので
ある。これらの間の結果には大きな違いはなかったた
め、２次元背景階調補正を採用する。

【００６８】第１の人工ニューラルネットワークの学習
とテストのために、水平プロファイルの代わりに、垂直
プロファイルを使用した影響が調べられた。第１と第２
の人工ニューラルネットワークは、オリジナルの方法で
使用されたものと同じ構造を有している。第２の人工ニ
ューラルネットワークは、各関心領域について第１の人
工ニューラルネットワークからの出力によって学習がな
された。

【００６９】垂直プロファイルに基づいて、正常と異常
例の分類を行うこの方法全体でのＡｚ値は、０．９３５
であった。さらに、水平や垂直プロファイルではなく
て、矩型領域（８×４マトリクス）が第１の人工ニュー
ラルネットワークの学習とテストに用いられた場合の影
響もまた検討された。各関心領域は、３２個のセグメン
ト（矩形領域）を有しているため、第１の人工ニューラ
ルネットワークからの出力の数は、各関心領域につき、
やはり、３２個である。

【００７０】第２の人工ニューラルネットワークは、第
１の人工ニューラルネットワークの出力によって学習が
なされる。矩型領域に基づいたＡｚ値は、０．９２５で
あった。水平プロファイルに基づいた先の方法でのＡｚ
値が０．９２９であったことを考えると、水平プロファ
イル、垂直プロファイル、矩型領域に基づいたこれら３
つの方法の能力の間には大きな違いはなかったといえ
る。

【００７１】第１の人工ニューラルネットワークと第２
の人工ニューラルネットワークについて隠れユニットの
数を１２個から３６個に変えたことによる影響を検討し
た。学習とテストの両方に用いる汚染データは、この検
討においては、除去した。第１の人工ニューラルネット
ワークについては、隠れユニットの数の増加に伴って、
Ａｚ値は、０．８９から０．９３へ高くなった。さら
に、この能力は、隠れユニットの数が２４個以上で飽和
した。

【００７２】第２の人工ニューラルネットワークに対す
る隠れユニットの数の影響を評価するために、学習用デ
ータとテスト用データは、１６個の隠れユニットを有す
る第１の人工ニューラルネットワークによって生成され
た。第２の人工ニューラルネットワークについては、隠
れユニットの数が変化しても、その能力には大きな違い
はなかった。総合的な能力は、２４個の隠れユニットを
持つ人工ニューラルネットワークによって評価された。
この時のＡｚ値は、０．９２８であり、これは、１６個
の隠れユニットを持つオリジナルの方法で得られたもの
と同じであった。

【００７３】各胸部画像の結果についての総合的な分類
のために、ルールベース法に人工ニューラルネットワー
ク法を加えた方法が用いられた。このプロセスを表わし
たフローチャートは図２３に示されている。まず、明ら
かに正常である、または明らかに異常である肺を識別す
るためにルールベース法を使用する。胸部画像における
関心領域の総数に対する異常な関心領域の数の比率が、
学習用データセット内の全ての異常例から得られた最小
「異常」比率よりも小さい場合、その胸部画像は、明ら
かに正常と分類される。反対に、その比率が、学習用デ
ータセット内の全ての正常例から得られた最大比率より
も大きい場合には、明らかに異常と分類する。

【００７４】次に、第３の人工ニューラルネットワーク
を供給することによって、残っている胸部画像が分類さ
れる。この第３の人工ニューラルネットワークは、５個
の入力ユニットと、３個の隠れユニットと１個の出力ユ
ニットを有している。第３の人工ニューラルネットワー
クへの入力データは、各胸部画像に対する第２の人工ニ
ューラルネットワークからの出力値のヒストグラムから
選択された。図２４と図２５は、正常例と異常例に対す
る出力値の出現の頻度をそれぞれ示すヒストグラムであ
る。５個の入力値（Ｘ１からＸ５）がヒストグラムの上
側１０，３０，５０，７０，９０パーセントの領域での
第２の人工ニューラルネットワークからの対応する出力
値から選択された。第３の人工ニューラルネットワーク
からの出力値の範囲は、０（正常）から１（異常）であ
る。

【００７５】ルールベース法に人工ニューラルネットワ
ーク法を加えた分類方法による平均Ａｚ値は、図２６に
示されているように、０．９３４プラスマイナス０．０
０４から０．９７２プラスマイナス０．００８というよ
うに非常に改善した。しかしながら、ルールベース法に
よって明らかに判別できる例を除去する手順を除いてし
まって、第３の人工ニューラルネットワーク法のみを最
終的な分類に供給した場合のＡｚ値は、０．９３８プラ
スマイナス０．００２であった。この値は、極めて低
く、ルールベース分類法で得られる値と同程度である。

【００７６】さらに、第３の人工ニューラルネットワー
クへの入力値が変わったとき、総合的な能力に対する影
響が検討された。図２７、図２８は、それぞれ、正常例
と異常例について第２の人工ニューラルネットワークか
らの出力値のヒストグラムから得られた第３の人工ニュ
ーラルネットワークへの入力値を示している。この入力
値は、０、０．１、…０．９、１．０の１０段階の区分
けでの１０の頻度値に対応している。入力ユニットは、
第３の人工ニューラルネットワークへ使用されるのが望
ましい。

【００７７】第３の人工ニューラルネットワークへ１０
個の入力データが使用された時の３つの分類方法の総合
的な能力の比較が図２９に示されており、ＲＯＣ曲線か
ら得られたＡｚ値が表１にまとめられている。３つの分
類方法で得られた特異値９０パーセントの時の感度が表
２に示されている。

【００７８】

【表１】

【００７９】ルールベース法に人工ニューラルネットワ
ーク法を加えた分類方法が最も良い方法であり、５個の
入力値を用いることによって得られた結果に比べて、１
０個の入力値を用いることによってわずかな改善が見ら
れたことが明らかである。第３の人工ニューラルネット
ワークに１０個の入力値を用いることによって人工ニュ
ーラルネットワーク分類法もまた改善した。

【００８０】この方法は、組織パターンの定量解析に用
いられるコンピュータ断層装置（ＣＴ）、磁気共鳴画像
形成装置（ＭＲＩ）、超音波撮像装置等の医療用画像形
成装置から得られた３次元（３Ｄ）画像の解析にも供給
できる。

【００８１】図３０は、３Ｄディジタル画像から得られ
る１つの関心領域を人工ニューラルネットワークで解析
するための全体の方法を示している。左側の立方体は、
選択された関心領域での画素（あるいは立体画素（ボク
セル））の３Ｄ行列を表わしており、その行列サイズ
は、３２×３２×３２である。

【００８２】検査対象となる正常または異常な領域の大
きさによっては、他の行列サイズも使用され得る。水
平、横、あるいは垂直方向のプラスマイナスといった立
方体内の一つの方向にそった画素のプロファイルは、上
述したようにディジタル胸部画像から得られた２次元画
像データに供給されたのと同じように、第１の人工ニュ
ーラルネットワークに学習用（またはテスト用）として
入力することができる。このようにして、このシステム
は、低い次元（２次元から１次元への変換）よりも高い
次元（３次元から２次元への変換）で処理される多くの
ストリップを有するニューラルネットワークとして実際
に組み込まれる。したがって、各ニューラルネットワー
クは、ある階層の１次元のニューラルネットワーク（す
なわち１次元の画像のみを対象とするニューラルネット
ワーク）として考えることができる。

【００８３】ある階層のニューラルネットワークの各々
には、学習後の同じニューラルネットワークの重みづけ
パラメータが割り当てられる。本発明を並行処理が可能
な構成に組み込んだ場合、各階層の１次元のニューラル
ネットワークは、各階層でひとつの１次元ニューラルネ
ットワークを用いた場合に相当する速度をそれぞれが同
時に示し、データを連続的に処理する。

【００８４】ある３Ｄ関心領域内の全ての（３２×３
２）個の水平プロファイルが、正常と間質性浸潤のよう
な疾患によって引き起こされる異常とを、初期的に分類
するために、第１の人工ニューラルネットワークへ供給
される。この初期の３Ｄ画像データに対する出力パター
ンは、結果的に２次元（２Ｄ）行列（３２×３２）とな
る。これは、ディジタル胸部画像から得られた２Ｄ関心
領域画像と同様なものである。

【００８５】第２の人工ニューラルネットワークに対し
て、この２Ｄ行列からの１次元プロファイルが、胸部画
像の関心領域から得られた水平プロファイルと同様な方
法で入力として使用される。この第２の人工ニューラル
ネットワークからの出力から、第１の人工ニューラルネ
ットワークから得られた出力値の２Ｄ行列に含まれてい
る３２個のプロファイルに対応する３２個の値のセット
が得られる。この３２個の出力値は、ＣＴ，ＭＲＩ，超
音波撮像装置から選択された３Ｄディジタル画像データ
の正常および異常な関心領域の最終的な区別のための第
３の人工ニューラルネットワークに入力される。

【００８６】３つの人工ニューラルネットワークの構造
は、胸部画像の人工ニューラルネットワークについて述
べたものと同じ構造を持ち得る。すなわち、３２個の入
力ユニット、１６個の隠れユニットと１個の出力ユニッ
トである。隠れユニットの数は、１２から２４個に変更
しても良い。さらに、初期のプロファイルに異なった数
の画素が含まれている場合には、異なった数の入力ユニ
ットを使用しても良く、また、後続の人工ニューラルネ
ットワークへの入力用に異なった数の出力パターンが選
択されても良い。これらの人工ニューラルネットワーク
の学習もまた、胸部画像のための人工ニューラルネット
ワーク法のための学習で用いられたものと同様の方法で
なされる。すなわち、０と１をそれぞれ正常と異常な関
心領域に割り当てる方法である。

【００８７】発明者らの人工ニューラルネットワーク法
は、選択された関心領域の画像データの何らかの統計量
を習得することができるので、この方法は、ＣＴ，ＭＲ
Ｉ，超音波撮像装置による画像での正常と腫瘍や血流の
停滞部といった異常との区別と同様に、肝臓、腎臓、膵
臓、脾臓、血管、肺、心臓、軟組織、骨といった異なっ
た内臓器官で画像データを分割するのに供給することが
できる。分割された３Ｄ画像データは、各器官を独立し
て３Ｄ立体像として可視化するために特定したり、カラ
ーモニタ上に表示するために異なった器官を異なった色
で表現したりするために使用することができる。

【００８８】３Ｄ画像データの分割は、３Ｄ画像に対し
て、３Ｄグリッドを供給することによって実行できる。
この３Ｄグリッドは、３２×３２×３２の体積要素を含
んでおり、そのため、オリジナルの１２８×１，０２４
×１，０２４のマトリクスの３Ｄ画像は、４，０９６
（＝４×３２×３２）の体積要素に分解することができ
る。この体積要素が８×８×８のマトリクスのとき、体
積要素の総数は、２６２，１４４（＝１６×１２８×１
２８）個になる。これは、非常に多いが、分割は小さな
体積要素にできるので、異なった器官の境界を正確に分
割することができる。一般に、大きな体積要素は、軽微
で、コントラストが低い異常の検出に有用であり、小さ
な体積要素は、境界の正確な分割に向いている。

【００８９】分割のための人工ニューラルネットワーク
の学習は、肝臓といった特定の既知の器官を有する画像
データを用いることによって施すことができる。肝臓と
そのほかの構造にそれぞれ１と０を割り当てた学習用デ
ータを与えることによって三つの全ての人工ニューラル
ネットワークに学習が施された。

【００９０】したがって、肝臓用に学習がなされた人工
ニューラルネットワークは、肝臓とそのほかの構造を区
別するために有用である。そのほかの器官用の学習も別
々の人工ニューラルネットワークに対して、同様の方法
で行うことができる。ひとたび全ての人工ニューラルネ
ットワークに分割が必要な器官と構造の全てに対して学
習がなされたならば、研究対象の臨床３Ｄ画像データ
は、その器官の分割のために一連の学習済みの人工ニュ
ーラルネットワークを連続的に、あるいは、並行に用い
ることによって解析することができる。各人工ニューラ
ルネットワークからの出力値には、次に、各器官ごとに
予め決められた一連のしきい値を用いて、しきい値分類
が施される。予め決められたしきい値より大きい出力値
を生じる体積要素は、学習済みの人工ニューラルネット
ワーク法により、その器官の一部であると考えられる。
この分割操作は、各器官毎に全ての体積要素をグルーピ
ングすることにより完了する。

【００９１】リアルタイム超音波画像が用いられた場
合、３Ｄ画像データは、連続的に同時に生成されので、
したがって４次元（４Ｄ）画像データが得られる。フッ
素ＣＴシステムとＭＲＩのいくつかもまた、４Ｄ画像
データを生成する。発明者らの組織パターン解析法は、
これらの４Ｄ画像データにも供給できる。４Ｄ画像デー
タを解析するために、図３０に示されている３Ｄ画像デ
ータの解析のための装置を拡張することによって４つの
人工ニューラルネットワークが連続的に供給される。

【００９２】二つの異なった方法を用いることができ
る。ひとつの方法は、図３０に示されているように異な
った時間に取り込まれた全ての３Ｄ画像の各々を最初に
解析する方法である。この最初に解析する方法は、正常
と異常な領域を区別するために第４の人工ニューラルネ
ットワークによって解析される多くの出力値を生成す
る。もう一つの方法は、最初に、第１の人工ニューラル
ネットワークを用いて、全ての３Ｄ画素位置の各々での
時間連続的な画像データを最初に解析する方法である。
第１の人工ニューラルネットワークへの入力ユニットの
数は、時間領域で必要とされた画像データの数に等し
い。

【００９３】この初期の人工ニューラルネットワークか
らの出力値は、全ての３Ｄ画素の各々に割り当てられ
る。続いて、この３Ｄ出力値は、図３０に示された３Ｄ
用の装置によって解析され得る。

【００９４】本発明は、上述した実施形態に限定される
ことはなく、種々変形して実施可能である。

【００９５】

【発明の効果】本発明によれば、完全な診断を行うため
に必要となる接続の数は、完全な２次元ニューラルネッ
トワークを使用する場合に比べて非常に少なくなる。更
に、完全なネットワークにするために必要とされる学習
の時間も減少する。

【図面の簡単な説明】

【図１】胸部Ｘ線画像のスクリーンキャプチャとその画
像の注目部位（関心領域）の分解図。

【図２】一連の人工ニューラルネットワークを使って胸
部Ｘ線画像から間質性浸潤を解析するための一連の流れ
を示す図。

【図３】コンピュータシステムで実現される本実施形態
による診断支援装置の外観図。

【図４】正常および異常な胸部Ｘ線画像から得られた水
平プロファイルを示す図。

【図５】第１人工ニューラルネットワークの入力ユニッ
トに対する平均画素値の関係を示すグラフ。

【図６】第１人工ニューラルネットワークの入力ユニッ
トに対するＲＭＳ値の関係を示すグラフ。

【図７】トレンド補正後の画素値に対する第１人工ニュ
ーラルネットワークへの全入力データの頻度ヒストグラ
ム。

【図８】正常および異常な関心領域から得られた垂直出
力パターンを示すグラフ。

【図９】関心領域内の水平プロファイルの垂直位置に対
する第１の人工ニューラルネットワークからの平均出力
値の関係を示すグラフ。

【図１０】関心領域内の水平プロファイルの垂直位置に
対する第１の人工ニューラルネットワークからのＲＭＳ
値の関係を示すグラフ。

【図１１】入力データセットの総数に対するＲＯＣ曲線
の面積（Ａｚ）の関係を示すグラフ。

【図１２】第１人工ニューラルネットワークと第２人工
ニューラルネットワークとそれら両方を合わせたそれぞ
れの場合の正常例の誤診率に対する異常例の正診率の関
係を示すグラフ。

【図１３】３２，０００個のプロファイルを使用した正
確性試験での第１の人工ニューラルネットワークからの
出力値の頻度ヒストグラム。

【図１４】１，０００個のプロファイルを使用した正確
性試験での第２の人工ニューラルネットワークからの出
力値の頻度ヒストグラム。

【図１５】人工ニューラルネットワークの学習の反復回
数に対するＲＯＣ曲線下側の面積の関係を示すグラフ。

【図１６】図１５に従って学習がなされた人工ニューラ
ルネットワークの学習の反復回数に対するＲＯＣ曲線下
側の面積の関係を示すグラフ。

【図１７】再現性試験で汚染を避けるために学習に必要
となるデータ数の減少の影響を示すグラフ。

【図１８】正確性試験で汚染を避けるために学習に必要
となるデータ数の減少の影響を示すグラフ。

【図１９】フィルム階調補正の有無のＲＯＣ曲線に対す
る影響を示すグラフ。

【図２０】３２，０００個のプロファイルの各水平プロ
ファイルのＲＭＳ値の頻度ヒストグラム。

【図２１】１，０００個の関心領域のＲＭＳ値の頻度ヒ
ストグラム。

【図２２】人工ニューラルネットワーク法とルールベー
ス法のＲＯＣ曲線を示す図。

【図２３】ルールベース法と人工ニューラルネットワー
ク法を併用する場合の分類手順を示すフローチャート。

【図２４】正常な胸部Ｘ線画像で第２の人工ニューラル
ネットワークから得られた出力値の品のヒストグラム。

【図２５】間質性浸潤を有する異常な胸部Ｘ線画像で第
２の人工ニューラルネットワークから得られた出力値の
頻度ヒストグラム。

【図２６】ルールベース法と人工ニューラルネットワー
クとを単独及び併用した場合のＲＯＣ曲線を示す図。

【図２７】第３の人工ニューラルネットワークで正常と
分類されたＲＯＩを第２の人工ニューラルネットワーク
で解析したときのその出力の頻度ヒストグラム。

【図２８】第３の人工ニューラルネットワークで異常と
分類されたＲＯＩを第２の人工ニューラルネットワーク
で解析したときのその出力の頻度ヒストグラム。

【図２９】人工ニューラルネットワーク法、ルールベー
ス法、両法併用それぞれのＲＯＣ曲線を示す図。

【図３０】関心領域を３次元で診断支援する手順を示す
模式図。

【符号の説明】

１００…コンピュータ、１０２…コンピュータハウジング、１０４…マザーボード、１０６…ＣＰＵ、１０８…メモリ、１１０…ディスプレイカード、１１２…ハードディスク、１１４…フロッピーディスクドライブ、１１９…コンパクトディスク、１２０…モニタ、１２２…キーボード、１２４…マウス。

───────────────────────────────────────────────────── フロントページの続き (72)発明者石田隆行アメリカ合衆国、イリノイ州 60559、ウェストモント、ウェスト． 60番ストリート 300 (72)発明者桂川茂彦アメリカ合衆国、イリノイ州 60615、シカゴ、イースト． 55番ストリート 1755

Claims

【特許請求の範囲】

【請求項１】画像データから部分データを抽出するた
めの抽出手段と、前記抽出手段によって抽出された部分データに基づいて
第１信号データを出力する第１のニューラルネットワー
ク手段と、前記第１信号データに基づいて第２信号データを出力す
る第２のニューラルネットワーク手段と、前記第２信号データに基づいて診断結果を出力するため
の判定手段とを具備することを特徴とする診断支援装
置。
【請求項２】画像データの中に複数の関心領域を設定
するための設定手段と、前記関心領域から複数の部分データを抽出するための抽
出手段と、前記抽出手段によって抽出された部分データに基づい
て、異常の程度を表す第１信号データを部分データ毎に
出力する第１のニューラルネットワーク手段と、前記関心領域の部分データに基づく複数の前記第１信号
データに基づいて、前記関心領域の診断結果を出力する
ための判定手段とを具備することを特徴とする診断支援
装置。
【請求項３】前記判定手段は、前記関心領域の部分デ
ータに基づく複数の前記第１信号データに基づいて、異
常の程度を表す第２信号データを部分データ毎に出力す
る第２のニューラルネットワーク手段と、前記第２信号データをしきい値処理することにより、関
心領域毎に異常か正常かの判定をする手段を有すること
を特徴とする請求項２に記載の装置。
【請求項４】前記判定手段は、正常と判定された関心
領域の数と、異常と判定された関心領域の数の少なくと
も一つに基づいて、明らかに正常、明らかに異常、判定
不能のいずれかに事前に前記画像データを分類する評価
部と、前記評価部で判定不能とされた画像データを、正常と異
常のいずれかに分類するニューラルネットワークとを有
していることを特徴とする請求項３に記載の装置。
【請求項５】前記評価部は、前記画像データにおける
関心領域の総数に対する異常な関心領域の数の比率が所
定の下限値よりも低いときに診断結果を明らかに正常と
判定するする正常診断部と、前記比率が所定の上限値よりも高いときに診断結果を明
らかに異常と判定する異常診断部とを有することを特徴
とする請求項４に記載の装置。
【請求項６】ＲＯＣ曲線の下側の面積が所定の下限値
よりも大きくなるまで、前記第１、第２のニューラルネ
ットワーク手段の学習を繰り返す手段を更に備えること
を特徴とする請求項２に記載の装置。
【請求項７】前記画像データをプレフィルタ処理する
プレフィルタ手段をさらにに備えていることを特徴とす
る請求項２に記載の装置。
【請求項８】前記プレフィルタは、前記画像データの
撮影手段の階調特性に基づいて光学密度補正を行う手段
を有していることを特徴とする請求項７に記載の装置。
【請求項９】前記プレフィルタは、前記画像の背景デ
ータを抑制するための手段を有していることを特徴とす
る請求項７に記載の装置。
【請求項１０】前記第１のニューラルネットワーク手
段は、ニューラルネットワークパラメータが同一の部分
ニューラルネットワークを部分毎に有していることを特
徴とする請求項９に記載の装置。
【請求項１１】前記第１のニューラルネットワーク手
段は、複数の部分データ各々に対応する第１信号データ
を、単一のニューラルネットワークを時分割で使って出
力することを特徴とする請求項２に記載の装置。
【請求項１２】前記第１、第２のニューラルネットワ
ークの少なくとも一方は、前記部分データを入力するｋ
個の入力ユニットを有する第１層と、前記入力ユニットの出力信号を入力するｋ／２個の隠れ
ユニットを有する第２層と、前記隠れユニットの出力信号を入力する１つの出力ユニ
ットを有する第３層とからなることを特徴とする請求項
１１に記載の装置。
【請求項１３】画像データの中に複数の関心領域を設
定するステップと、前記関心領域から複数の部分データを抽出するステップ
と、前記抽出された部分データに基づいて、異常の程度を表
す第１信号データを部分データ毎に第１のニューラルネ
ットワーク手段から出力するステップと、前記関心領域の部分データに基づく複数の前記第１信号
データに基づいて、前記関心領域の診断結果を出力する
判定ステップとを具備することを特徴とする診断支援方
法。
【請求項１４】前記判定ステップは、前記関心領域の
部分データに基づく複数の前記第１信号データに基づい
て、異常の程度を表す第２信号データを部分データ毎に
第２のニューラルネットワーク手段から出力するステッ
プと、前記第２信号データをしきい値処理することにより、関
心領域毎に正常か異常かの判定を出力するステップとを
有することを特徴とする請求項１３に記載の診断支援方
法。
【請求項１５】前記第１のニューラルネットワーク手
段からの出力ステップは、複数の部分データ各々に対応
する第１信号データを、単一のニューラルネットワーク
を時分割で使って出力するステップを有していることを
特徴とする請求項１３に記載の方法。
【請求項１６】前記単一のニューラルネットワークか
ら出力するステップは、ｋ個の入力ユニットを有する第
１層に部分データを入力するステップと、ｋ／２個の隠れユニットを有する第２層に前記入力ユニ
ットの出力信号を入力するステップと、１つの出力ユニットを有する第３層に前記隠れユニット
の出力信号を入力するステップとを有していることを特
徴とする請求項１５に記載の方法。
【請求項１７】コンピュータに画像データを解析させ
診断結果を出力させるように組まれたプログラムを前記
コンピュータで読み取り可能に記憶している記憶媒体に
おいて、前記プログラムは、前記画像データ内の部分デ
ータを抽出する手段と、前記部分データに基づいて第１信号データを出力する第
１のニューラルネットワーク手段と、前記第１信号データに基づいて第２信号データを出力す
る第２のニューラルネットワーク手段と、前記第２信号データに基づいて診断結果を出力する手段
とを具備することを特徴とする記憶媒体。
【請求項１８】コンピュータに画像データを解析させ
診断結果を出力させるように組まれたプログラムを前記
コンピュータで読み取り可能に記憶している記憶媒体に
おいて、前記プログラムは、前記画像データの中に複数の関心領域を設定するための
設定手段と、前記関心領域から複数の部分データを抽出するための抽
出手段と、前記抽出手段によって抽出された部分データに基づい
て、異常の程度を表す第１信号データを部分データ毎に
出力する第１のニューラルネットワーク手段と、前記関心領域の部分データに基づく複数の前記第１信号
データに基づいて、前記関心領域の診断結果を出力する
ための判定手段とを具備することを特徴とする記憶媒
体。
【請求項１９】前記判定手段は、前記関心領域の部分
データに基づく複数の前記第１信号データに基づいて、
異常の程度を表す第２信号データを部分データ毎に出力
する第２のニューラルネットワーク手段と、前記第２信号データをしきい値処理することにより、関
心領域毎に異常か正常かの判定をする手段とを有するこ
とを特徴とする請求項１８に記載の記憶媒体。
【請求項２０】画像データの中に複数の関心領域を設
定するステップと、前記関心領域各々から部分データを抽出するステップ
と、前記部分データに基づいて複数のニューラルネットワー
ク手段を使って前記関心領域の異常の程度を表すデータ
を出力するステップとを具備し、前記異常の程度を表すデータを出力するステップは、ａ）前記部分データを第１のニューラルネットワーク手
段へ入力し、第１のニューラルネットワーク手段からデ
ータを出力するサブステップと、ｂ）前記第１のニューラルネットワークからの出力デー
タの一部を抽出するサブステップと、ｃ）前記抽出されたデータの一部を第２のニューラルネ
ットワーク手段へ入力し、前記第２のニューラルネット
ワーク手段からデータを出力するサブステップとを有
し、前記サブステップａ）とｃ）によって出力されたデータ
と人為的な診断結果とに基づいて前記第１と第２のニュ
ーラルネットワーク手段のニューラルネットワークパラ
メータを変更するステップとを具備することを特徴とす
る人工ニューラルネットワーク学習方法。
【請求項２１】ｎ次元画像データを解析し診断するた
めに、一連の階層に接続された複数の１次元ニューラル
ネットワークを具備し、前記複数の１次元ニューラルネットワークは、前記ｎ次元画像データを（ｎ−ｉ）次元画像データに次
元を落とすための第１階層に位置する複数の１次元ニュ
ーラルネットワークと、前記（ｎ−ｉ）次元画像データに基づいて診断結果を判
定するための第２階層に位置する１次元ニューラルネッ
トワークとを有することを特徴とする診断支援装置。
【請求項２２】前記ｎ次元画像データを正常、異常、
判定不能のいずれかに分類する評価部と、前記判定不能とされた前記ｎ次元画像データを、正常と
異常のいずれかに分類するニューラルネットワークとを
更に備えていることを特徴とする請求項２１に記載の装
置。
【請求項２３】前記１次元ニューラルネットワーク各
々が、３２個の入力ユニットを有している第１層と、１６個の隠れユニットを有している第２層と、１個の出力ユニットを有している第３層とからなること
を特徴とする請求項２２に記載の装置。
【請求項２４】前記評価部は、ｎ次元画像データの総数に対する異常と判定されたｎ次
元画像データの数の比率が所定の下限値よりも低いとき
に、正常と評価する正常評価部と、前記比率が所定の上限値よりも高いときに、異常と評価
する異常評価部とを有していることを特徴とする請求項
２２に記載の装置。
【請求項２５】ＲＯＣ曲線の下側の面積が所定値より
も大きくなるまで、前記１次元ニューラルネットワーク
の学習を繰り返す手段を更に備えることを特徴とする請
求項２２に記載の装置。
【請求項２６】前記ｎ次元画像データをプレフィルタ
処理にかけるプレフィルタを更に備えることを特徴とす
る請求項２２に記載の装置。
【請求項２７】前記プレフィルタは、前記ｎ次元画像
データの撮影手段の階調特性に基づいて光学密度補正を
行う手段を有することを特徴とする請求項２６に記載の
装置。
【請求項２８】ｎ次元画像データを解析し診断する診
断支援方法において、階層的構造に組まれた複数の１次元ニューラルネットワ
ークの第１階層に前記ｎ次元画像データを供給して、
（ｎ−ｉ）次元の画像データを出力するステップと、前記（ｎ−ｉ）次元の画像データに基づいて診断結果を
出力するステップとを具備することを特徴とする診断支
援方法。
【請求項２９】複数のｎ次元の画像データを正常、異
常、判定不能のいずれかに事前に分類するステップと、判定不能とされたｎ次元の画像データの統計量を分類ネ
ットワークに供給するステップと、前記分類ニューラルネットワークで判定不能と分類され
たｎ次元の画像データを正常と異常のいずれかに分類す
るステップを更に備えていることを特徴とする請求項２
８に記載の方法。
【請求項３０】前記（ｎ−ｉ）次元の画像データを出
力するステップは、（ｎ−ｉ＋１）次元の画像データを３２個の入力ユニッ
トを有する第１階層に供給するステップと、前記３２個の入力ユニットの出力を１６個の隠れユニッ
トを有する第２階層に供給するステップと、前記１６個の隠れユニットの出力を１個の出力ユニット
を有する第３階層に供給し、（ｎ−ｉ）次元の画像デー
タに対して一つのデータを生成するステップとを有して
いることを特徴とする請求項２８に記載の方法。
【請求項３１】前記事前に分類するステップは、ｎ次元画像データの総数に対する異常と判定されたｎ次
元画像データの数の比率を計算するステップと、前記比率が所定の下限値よりも低いときに、正常と判定
するステップと、前記比率が所定の上限値よりも高いときに、異常と判定
するステップとを有していることを特徴とする請求項２
９に記載の方法。
【請求項３２】ＲＯＣ曲線の下側の面積が所定値より
も大きくなるまで、前記１次元ニューラルネットワーク
の学習を繰り返すステップを更に備えていることを特徴
とする請求項２８に記載の方法。
【請求項３３】前記ｎ次元画像データにプレフィルタ
処理をかけるステップを更に備えていることを特徴とす
る請求項２８に記載の方法。
【請求項３４】前記プレフィルタステップは、前記ｎ
次元画像データの撮影手段の階調特性に基づいて光学密
度補正を行うサブステップを有していることを特徴とす
る請求項３３に記載の方法。
【請求項３５】コンピュータにｎ次元の画像データを
解析させ診断結果を出力させるように組まれたプログラ
ムを前記コンピュータで読み取り可能に記憶している記
憶媒体において、前記プログラムは、階層的構造に組まれた複数の１次元ニューラルネットワ
ーク手段と、前記ｎ次元の画像データを（ｎ−ｉ）次元の画像データ
に次元を落とす手段と、前記（ｎ−ｉ）次元の画像データを、第（ｉ−１）階層
の１次元ニューラルネットワーク手段に転送する手段
と、前記第（ｉ−１）階層の１次元ニューラルネットワーク
手段の出力に基づいて診断結果を出力する手段とを具備
することを特徴とする記憶媒体。
【請求項３６】前記プログラムは、前記ｎ次元画像データを正常、異常、判定不能のいずれ
かに事前に分類する分類ネットワーク手段と、判定不能と分類されたｎ次元画像データを正常と異常の
いずれかに分類するよう手段とを更に備えていることを
特徴とする請求項３５に記載の記憶媒体。
【請求項３７】前記次元を落とす手段は、３２個の入力ユニットを有する第１階層と、１６個の隠れユニットを有する第２階層と、（ｎ−ｉ）次元の画像データから１つの出力ユニットを
出力する第３階層とからなることを特徴とする請求項３
５に記載の記憶媒体。
【請求項３８】前記事前に分類する手段は、ｎ次元画像データの総数に対する異常と分類されたｎ次
元画像データの数の比率が所定の下限値よりも低いとき
に、正常と判定する手段と、前記比率が所定の上限値よりも高いときに、異常と判定
する手段とを有していることを特徴とする請求項３６に
記載の記憶媒体。
【請求項３９】前記プログラムは、ＲＯＣ曲線の下側
の面積が所定値よりも大きくなるまで前記１次元のニュ
ーラルネットワーク手段の学習を繰り返す手段を更に備
えていることを特徴とする請求項３６に記載の記憶媒
体。
【請求項４０】前記プログラムは、前記ｎ次元画像デ
ータをプレフィルタ処理にかける手段を更に備えている
ことを特徴とする請求項３６に記載の記憶媒体。
【請求項４１】前記プレフィルタ手段は、前記ｎ次元
画像データの撮影手段の階調特性に基づいて光学密度補
正を行う手段を有することを特徴とする請求項４０に記
載の記憶媒体。