JPH11501538A

JPH11501538A - 医用画像において病巣を検出する方法及びシステム

Info

Publication number: JPH11501538A
Application number: JP8526892A
Authority: JP
Inventors: ビック、ウルリッチ; エル．ジガー、メアリーエレン
Original assignee: アーチディヴェロプメントコーポレイション
Priority date: 1995-03-03
Filing date: 1996-03-04
Publication date: 1999-02-09
Also published as: AU4993296A; AU705713B2; WO1996027846A1; EP0813720A4; EP0813720A1; US6185320B1; CA2214101A1

Abstract

(57)【要約】医用画像における病巣の自動化した検出のための方法及びシステム。乳房図のような医用画像は分割され，任意に周辺強化及び／又は修正メディアンフィルタリングで処理される。修正形態的オープン操作（104‐106）及び修正マスフィルタ（107‐109）によるフィルタリングが周囲を囲まれた病巣の最初の検出のために行われる。ついで，病巣をＦｏｕｒｉｅｒデスクリプタ（110‐112）付き変形性形テンプレートを用いてマッチングされる。マッチングの特性付けはシミュレーテッドアニーリングの使用，及び疑わしい病巣の真円度並びに密度特性の測定で行われる。方法は，各解像度段階において特有の病巣寸法を検出する，異なる空間解像度で反復して行われる。病巣の検出は，疑わしい領域及びこのような癌の公算の局在化に導く。

Description

【発明の詳細な説明】発明の名称医用画像において病巣を検出する方法及びシステム発明の背景発明の分野本発明は、一般に、医用画像における病巣の、改良され、コンピュータ化，自動化した検出及び特徴づけ，さらに、特にディジタル乳房図における範囲限定したマスの検出に関する。乳房図におけるマスの局在化（セグメンテーション）及び検出の新規な技術は，周辺均等化（補正）を行う初期処理、修正メディアンフィルタ，修正形態的オープン操作，範囲限定した密度を初期検出するための修正マスフィルタによるフィルタリング，Ｆｏｕｒｉｅｒデスクリプタを利用する、変形性形テンプレートを用いたマッチング，シミュレーテッドアニーリングを用いるマッチングの最適化，及び、真の陽性を偽の陽性から並びに悪性の病巣を良性の病巣から識別するために、疑わしい病巣の真円度並びに密度特性を計測することを含む。マス(mass)の検出は、疑わしい領域並びにこのような癌の公算の局在化につながるものである。背景の説明乳房撮影は現在乳癌の検出のための最良の方法であるが，乳癌を有し，かつ、乳房撮影を受けた女性の１０〜３０％が、陰性の乳房図を得ていた。これらの偽の乳房図の約２／３において，放射線医師は、回顧的には明らかな癌の検出に失敗した。検出の失敗は、放射線写真判定（すなわち病巣の低い顕著さ）の微妙な性質，貧弱な画像品質，目の疲労、又は放射線医師による見落としのためであろう。さらに，二重読み取り（二人の放射線医師による）を行えば正確度が増すことが指摘されている。スクリーニングの効率及び有効性は，乳房図における疑わしい異常性を有する位置を指摘して放射線医師を補助する，第二の意見又は第二の読み取りとしてのコンピュータシステムを用いることによって増加させることができることは明白である。疑わしい領域が放射線医師によって検出されるならば，放射線医師は、種々の放射線写真の特徴を視覚的に引き出さねばならない。これらの特徴を用いて，放射線医師は，異常性が悪性でありそうか又は良性でありそうか，及びどのような処置方針が勧められるべきか（すなわち，スクリーニングに戻る，再検査に戻る，又は生検に戻る）を決定する。多くの患者は、放射線写真で検出されたマス病巣又は微小石灰化のクラスターに基づいて外科的生検の付される。良性と悪性の乳房病巣を峻別する一般的な法則は存在するが，病巣のかなりの誤分類が現在の放射線写真技術では生じている。平均して，外科的乳房生検に負託されたマスの１０〜２０％だけが実際に悪性である。このように，コンピュータ使用の別の目的は，悪性についての間違った陽性診断を減らして、放射線医師を補助するために客観的方法で良性及び悪性病巣の特徴を抽出し，分析し，それによって患者の罹患率、及び実行された外科的生検の数並びにそういった混迷を減らすことである。発明の要旨従って，本発明の目的は、乳房の医用画像のマスを検出し，分類し，表示する方法及びシステムを提供することである。本発明の別の目的は、乳房図の多解像度解析に基づくマスの検出及び／又は分類のための自動化した方法及びシステムを提供することである。本発明の別の目的は，修正した形態的オープン操作(modified morphological open operation)，範囲限定密度(circumscribed densities)の初期検出のための修正マスフィルタ(modifled mass filter)によるフィルタリング，Ｆｏｕｒｉｅｒデスクリプタを利用した変形性形テンプレート(deformable shape template) を用いたマッチング，シミュレーテッドアニーリングを用いたマッチングの最適化，及び疑わしい病巣の真円度並びに密度特徴の計測の各ステップに基づいた、マス(masses)の検出及び／又は分類を行う自動化した方法及びシステムを提供することである。これら及び他の目的は、乳房図内の密度(densities)（マス(masses)）のセグメンテーションに続いて最適キャラクタリゼーションが実行される、新しく改良された自動化された本方法及びシステムを提供する本発明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評価及び付随する長所は，添付の図面を参照しながら，以下の詳細な説明によってよく良く理解することができるであろう。図１Ａ〜１Ｃは、本発明による病巣の検出のための自動化した方法の実施例を図解する概略図である。図２は、本発明による周辺強化（エンハンスメント）の段階を説明するグラフである。図３Ａは、本発明による修正メディアンフィルタリングの概略図である。図３Ｂは、本発明による修正形態的オープン操作の概略図である。図３Ｃ及び３Ｄは、図３Ｂの修正形態的オープン操作に用いた基準を図解するグラフである。図４は、修正マスフィルタに用いた円形カーネルを図解する図である。図５は、修正マスフィルタリングの勾配ベクトルを図解する図である。図６は、Ｆｏｕｒｉｅｒデスクリプタ解析からの局在密度に帰属する可能な形に対応する、変形性テンプレートの例を図解する図である。図７は、関心のある領域の勾配を計算する図である。図８は、疑わしい病巣の分析を図解する概略図である。図９Ａ及び９Ｂは、それぞれ画像の画素寸法と検出される病巣寸法の間の関係、及びカーネル寸法と検出される病巣寸法の間の関係を図解する表である。図１０は、マスフィルタリングにおけるカーネル寸法の変化の概略図である。図１１は、二つの検出された病巣の図である。図１２Ａ〜１２Ｆは、（１２Ａ）原乳房図，（１２Ｂ）境界セグメンテーション後，（１２Ｃ）修正オープン操作後，（１２Ｄ）修正マスフィルタ後，（１２Ｅ）テンプレート・マッチング後、及び（１２Ｆ）特徴抽出後の例を図解した図である。図１３Ａ〜１３Ｆは、（１３Ａ）周辺強化（エンハンスメント）後，（１３Ｂ）形態的フィルタリング後、（１３Ｃ）図１３Ａ並びに１３Ｂの画像の差の画像，及び（１３Ｄ〜１３Ｆ）１，２並びに４ｍｍの画素寸法の形態的フィルタリング後の各乳房図の例を図解した図である。図１４Ａ〜１４Ｃは、（１４Ａ）人工的病巣，（１４Ｂ）その検出結果，及び（１４Ｃ）検出に用いたエッジマップを図解した図である。図１５Ａは、特徴解析に用いた関心のある領域（ＲＯＩ）の位置を示した図である。図１５Ｂ〜１５Ｄは、図１５ＡのＲＯＩ，真の限界，及び検出結果のそれぞれの拡大を示した図である。図１６は、乳房撮影データベース・スクリーニングにおける、悪性病巣の検出方法のパフォーマンスを示したグラフである。図１７は、医用画像における病巣検出のための自動化した方法を実行するシステムを図解した構成図である。好ましい実施態様の詳細な説明図面，特に図１Ａ〜１Ｃを参照すると，乳房画像の病巣の検出及び分類のための自動化した方法の概略図が示される。図１Ａに示した全スキームの第１実施例は、乳房図の初期取得とデジタル化のステップを含む（段階１００）。次に，乳房境界が画像範囲の残部から分割（セグメンテーション）され（段階１０１），周辺密度強化（エンハンスメント）が画像上で行われる（段階１０２）。画像は処理され（段階１０３），ついで、異なるフィルタ寸法を用いた修正形態的オープン操作(open operation)を受ける（段階１０４〜１０６）。オープン操作後の画像はマスフィルタされ（段階１０７〜１０９），テンプレート・マッチングされる（段階１１０〜１１２）。特徴抽出がついで行われ（段階１１３），集積（段階１１４）及び検出病巣の分類（段階１１５）が続く。本発明による範囲制限したマス(masses)の検出方法は，周辺密度均等化の任意適用（段階１０２）後の現実の乳房領域（段階１０１）だけを示す、自動的に分割された乳房撮影写真画像を用いる。乳房図のセグメンテーションについては、Ｂｉｃｋらの出願番号０８／１５８，３２０に記載があるが，その開示内容は、ここにおいて先行技術として本明細書の開示内容に含める。セグメンテーション過程で，雑音フィルタリングがディジタル乳房図に適用され，グレー値レンジ・オペレータの適用が次に続く。局所的なレンジ・オペレータからの情報を用いて，修正大域ヒストグラム(modified global histogram)解析が行われる。領域成長(region growing)が、結合性(connectivity)（画素計数）を用いて、限界画像(threshold image)上で行われ，形態侵食操作が次に続く。画像の距離マップが決定され，画像中の分離した対象（乳房）の境界はその輪郭を生じるために追跡される。輪郭はディジタル画像に出力され，他のコンピュータアルゴリズムに渡される。グレー水準と光学密度との間に逆の関係があることに注意されたい。乳房図（高い解剖学的密度）上の低い光学密度（白い領域）が、高いグレー水準（１０２３）に対応するが，乳房図上の高い光学密度（黒い領域）が低いグレー水準（０）に対応する。分離後の画像は処理され（段階１０３）又は周辺密度強化（エンハンスメント）が行われる。周辺密度強化については、出願番号０８／１５８，３２０に記載がある。乳房境界からの距離の関数としての、画素の平均グレー値。強化曲線（エンハンスメント曲線）は、多項式フィッティングなどによって，距離の関数としての平均グレー値曲線をフィッティングし，しかる後そのフィットを逆転することにより決定される。強化曲線は、距離の関数としての平均グレー値曲線に加えられて，強化グレー値曲線を作る。これは、コントラストを低下させずに中央と境界付近を同時に表示させた周辺強化画像を作り出す。図２は、距離を関数とした平均グレー値，逆転フィット曲線、及び周辺強化曲線を示している。周辺密度強化を施した、又は施さなかった分割画像が、任意に画像処理に付される（段階１０３）。侵食段階(erosion step)を乱すおそれがあるので，寸法ｎ ×ｎの初期修正メディアンフィルタを使って、分割画像中の孤立した異常（非常に暗い，低いグレー水準）画素値を除去する。図３Ａに、修正メディアンフィルタリングを示した。メディアンフィルタは、例えば、寸法３×３のものである。慣用のメディアンフィルタについては，例えば，ＪｏｈｎＲｕｓｓ著「画像処理ハンドブック」第二版（ＣＲＣＰｒｅｓｓ，１９９５）に記載されている。分離した、又は周辺強化し分離した画像のいずれでもよいが、画像中の始めの画素位置１（ｘ，ｙ）において（段階３００），周囲近傍（ｎ×ｎ画素）において局在極小が決定される（段階３０１）。段階３０２において、画素位置１（ｘ，ｙ）におけるグレー水準が、グレー水準のある数（Ｍ）だけ、局在極小よりも小さいならば，そのグレー水準はメディアンフィルタにより補正される（段階３０３）。Ｍは、例えば、５グレー水準であるが，他の値も可能である。本実施例では，１（ｘ，ｙ）における画素のグレー水準は、近傍の画素中間値に更新される。画素が処理する最終画素であるか否かが調べられる（段階３０４）。否であれば，次の画素が選ばれ（段階３０５），段階３０１が繰り返される。段階３０２の回答がノーであれば，過程は段階３０４に進む。最終画素位置に達すると（段階３０４），フィルタリングが画像の画素の全てに対して完了する。二つの基準が，可能な限り大きい病巣のグレー値特性を保持するために，形態的操作のための種画素としていずれの画素を用いるかを制御するために用いられる。図３Ｂに示したように，画素位置１（ｘ，ｙ）の始め（段階３１０）で，画素１（ｘ，ｙ）が種画素か否かを決定するチェックが行われる。近傍の局在極大が計算される（段階３１１）。種画素として認定するためには，次の基準が満たされなければならない。第一に，負のＬａｐｌａｃｉａｎでなければならない（問題となっている画素のグレー値から局在極小グレー値を差し引いた値が、局在極大グレー値から問題となっている画素のグレー値を差し引いた値よりも小さくなければならない）（段階３１２）。図３Ｃ及び３Ｄに示したように，これは、小さいマス (mass)の中心の侵食を防ぐ。図３Ｃではグレー値Ｉ（ｘ，ｙ）＝ＭＡＸなので，画素値は変更されず，中心は保持される。図３Ｄでは、（Ｉ（ｘ，ｙ）−ＭＩＮ）の値が（ＭＡＸ−Ｉ（ｘ，ｙ））の値よりも小さいので、位置１（ｘ，ｙ）における画素のグレー値は変更される。第二に，局在極小から短い距離の画素だけが侵食中心として用いられる（段階３１３）。すなわち，種画素の位置が局在ＭＩＮの位置に近くなければならない。これは、より大きい病巣周辺のグレー値の勾配を保持する。前記の距離は、例えば３画素であるが，他の値を選んでも良い。回答が段階３１２と３１３のいずれかで否であるならば，次の画素が選ばれ（段階３１４），過程は繰り返される。種画素として認定するそれらの画素に対して，形態的オープン操作が行われる（段階３１５）。図３Ｂに示した形態的オープン（浸食とそれに続く拡張）は，図１Ａに示したように，修正メディアンフィルタリングを施したもの、又は施さなかったものに対して，分離した画像上で行われる。形態的オープン操作については、やはり前記Ｒｕｓｓにも記載されている。拡張処理を省略して，侵食処理だけを行うことができる。侵食の主な効果は、関心のある病巣(lesions)を保持しながら、画像を滑らかにすることである。拡張の主な効果は、マス(masses)をほぼその本来の寸法に戻すことである。拡張は任意である。実施例における形態的操作のための構造化要素は，例えば０．５ｍｍの画素寸法に対して、７画素分の直径をもった円である。構造化は、３．５ｍｍまでの直径（０．５ｍｍの画素寸法に対して）までの小さい円形及び薄い線形の構造を排除する。より大きい構造化要素が用いられると，結果的に用いられるマスフィルタ寸法は換えられる（これについては以下で論じる）。同時に，不規則な密度は、この過程で丸くされる。形態的操作は，しきい値Ｅが、侵食する構造の数を制御するために用いられるという意味で，慣用の操作とは異なる。差，すなわち、形態的操作に先だつ画像の画素のグレー水準値Ｉ（ｘ，ｙ）から、形態的操作後のグレー水準値Ｐ（ｘ，ｙ）を差し引いた値が，しきい値Ｅより大きいならば（段階３１６），画素のグレー水準値は形態的操作の出力で置き換えられる（段階３１７）。Ｅは、例えば、グレー水準の言い方で０〜１０の範囲である。拡張処理が行われると，拡張後のグレー水準が元の画素のグレー水準を超えるならば，元のグレー水準値が画素に対して用いられる。これは全ての画素に対して繰り返される。図１Ａを参照すると，形態的段階が異なる画像解像度で行われる。例えば，解像度１（段階１０４）が，５１２×５１２の画素からなる画像で，０．５ｍｍ画素寸法（解像度１）を有する画像を使用できる。過程は，画素寸法が増加すると画像寸法が対応して減少する（１．０ｍｍ画素寸法に対して，画像は２５６×２５６である，等）画素寸法，１ｍｍ，１．５ｍｍ，２．５ｍｍ，等を有する画像と平行に繰り返される。過程は、それぞれの繰り返し毎に、解像度を変化させながら連続的に行うこともできる。本発明による方法の第二の実施例は、図１Ｂに示される。段階１００〜１０３の後，形態的操作は始めの解像度（段階１０４）で行われ，マスフィルタリング（段階１０７）及びテンプレート・マッチング（段階１１０）が続く。画像解像度は段階１１６で換えられ，マッチングの結果は段階１１７に保存される。ついで、極大解像度を超えたか否かを決定する（段階１１８）。否ならば，過程は新しい解像度で繰り返される。越えたならば，特徴抽出，集積及び分類（段階１１３−１１５）が図１Ａと同様に行われる。図１Ｃは、本発明の第三の実施例を示す。図１Ｃに示した方法は、しきい値化操作１１９がマスフィルタリング段階の出力を用いて行われる図１Ｂで示した方法とは異なる。マスフィルタした画像は、グレー水準しきい値化でさらに処理できる病巣を含むと疑われる領域を同定する。しきい値化の後，残存する疑わしい病巣の画像は特徴分析のための段階１１３に入力され，図１Ｂの方法のように，段階１１４及び１１５が続く。図４は、マスフィルタに用いられた円形核を図解する図である。範囲限定した密度検出のために，円形ベース付きマスフィルタが使用される（このマスフィルタは改良ＩＲＩＳフィルタである；ＩＲＩＳフィルタの記述についてはＫｏｂａｔａｋｅら，ＣＡＲ１９９３，ｐｐ６２４〜６２９参照）。カーネルは中心画素４００の回りの環状（画素４０２）である。それらが全体のフィルタ値に有用な値を寄与しないので（以下に記述するように），中心画素位置４０１は存在しないこのカーネルに注意せよ。固体円形フィルタよりも環状フィルタが使用される。マスフィルタは、ｘ−（Ｄｘ）及びｙ−（Ｄｙ）方向の局所勾配に基づく（実施例では、７×７カーネルが用いられる）。ＫｏｂａｔａｋｅらのＩＲＩＳフィルタの記述との差には、環状フィルタ，勾配の代りに第二導関数，エッジ配向ビン（edge orientation bins）を使用することが含まれる。勾配しきい値（例えば１０）より小さい勾配値は、フィルタ値の計算に使用されない。特定の画像点におけるエッジ配向は、勾配ベクトルと等価であり，エッジ強度はエッジ配向の第二導関数として計算される。図５は、点５０１における勾配５００を示す。これは一定の緩やかな傾斜の領域がマスフィルタ値に寄与しないことを保証する。勾配は点５０１から点（ｘ，ｙ）までの放射線に関して角φで配向する。フィルタ値は１６（Ｂ1，Ｂ2・・・Ｂ16）のような，エッジ配向ビンの特有の数に対して別々に計算される。配向ビンは円形領域の放射セクタである。例えば，１６ビンのそれぞれがπ／８の角度を覆う。π／８のセクタで示された，ビン５０２は線５０３の間の画素４０２で作られる。与えられた画素位置（ｘ，ｙ）の計算は次式によって角配向の計算に対して与えられる。ｆ（Ｂｉ）＝(1/N)× Σ_{P in K}［MAX(O,cosφ)* エッジ強度(P)］ここで、ｆ（Ｂｉ）はエッジ配向ビンに対するフィルタ値、Ｋはフィルタ核(kernel)、ＰはＫの隣接点、ＮはＫの点の数、 φは勾配ベクトルと中心点／隣接点結合線の間の角である。エッジ強度は、エッジ配向で計算されたＰの第二導関数から得られる。最終フィルタ値は個々の配向ビンの和として計算され，ここで最高値のビンｊの特有の数，例えば４は無視される。すなわち，最高ビンｊに等しくないｊのＢjに対して、画素１（ｘ，ｙ）におけるフィルタ値は、Σ_i-jｆ（Ｂ_j）である。このエッジに沿う全ての点が理想的円形病巣に対するフィルタ値を変えずに同じ配向ＢＩＮ内にあるので，これは直線エッジの影響を防ぐ（例えば胸筋境界）。通常，フィルタ値は病巣の中心で最高である。最高フィルタ値は丸い又はわずかに卵形の病巣に対して見いだされる。フィルタ値の計算に用いられた近傍は実験的に１０画素位であると決定される（外径）。これは、卵形のマスの検出を改良するために増やされた。さらに，勾配しきい値は使用できるので，しきい値（例えば１０）より小さい勾配を有する近傍の画素はフィルタ値の計算に寄与しない。マスフィルタによって出力した画像は、ついでテンプレート・マッチングを受ける。フィルタ値の局在極大はマス病巣の可能な中心点を定義し，それは段階１１１〜１１３で病巣境界への変形性テンプレートのマッチングに用いられる。疑わしい病巣のエッジは、マスフィルタリングからの画像出力の導関数又は二次導関数から得られる。変形性形テンプレートはＦｏｕｒｉｅｒデスクリプタを用いて定義される。初期形が選ばれ，Ｆｏｕｒｉｅｒデスクリプタは変えられて、病巣の形を動的にフィットするようにする。Ｆｏｕｒｉｅｒデスクリプタについては，たとえば，Arbterらの Application of Affine-invariant Fourier Descrip tors to Recognition of 3-D Objects，IEEE Trans．Pattern Analysis Machine Intelligence 12:640-647(1990)、Kuhl らの Elliptic Fourier Features of a Closed Contour，Computer Gra phics Image Processing 18:236-25(1982)、Wallace らの An Efficient Three- dimensional Aircraft Recognition Algorithm Using Normalized Fourier Desc riptors、同書の 13:99-126(1980)、Granlund の Fourier Preprocessing for Hand Print Character Recognition，IEEE Trans．Computers 21:195-201(1972) 、Zahn らの Fourier Descriptors for Plane Closed Curves、同書の 21:269- 281(1972)、Crilnmins の A Complete Set of Fourier Descriptors for Two-di mensional Shape，IEEE Trans．Sys．Man Cybernetics 12:848-855(1982)、Pers oon らの Shape Discrimination Using Fourier Descriptors、同書の 7:170-17 9(1977)、Richard らの Identification of Three-dimensional Objects Using Fourier Descriptors of the Boundary Curve、同書の 4:371-378(1974)に記載がある。テンプレート・マッチング段階では，対象輪郭は複合Ｆｏｕｒｉｅｒ項の限られた数の逆Ｆｏｕｒｉｅｒ変換として発生する。次の関係が、閉じた平面曲線ｇ（１）とＦｏｕｒｉｅｒデスクリプタｃ_kの間に存在する。ここで、ｇ（１）は、走行長１の平面曲線であり、ｇの実数部はｘ座標，ｇの虚数部分はｙ座標である。ｃ_kは、−Ｎ／２≦ｋ≦Ｎ／２，Ｎ→∞ のＦｏｕｒｉｅｒデスクリプタである。項−２，−１，０，１，及び２の変化によって、任意の楕円又は腎臓型輪郭が発生できる。病巣は単純な形なので，項−２から２までが選ばれる。しかし，検出されるべき病巣の先験的知識を用いて項を修正できる。項０は位置を定義し，項−１及び１は寸法及び主楕円の配向を定義する。マス検出では次のＦｏｕｒｉｅｒデスクリプタ使用される。ｋ＜＜−２、又は、ｋ＞２に対して、ｃ_k＝０であり、ｃ_-1＝ｓｐ₁ｅ^j ^α、ｃ₀＝ｘ＋ｊｙ、ｃ₁＝ｓｅ^j ^α、ｃ₂＝ｓｐ₂ｅ^j( ^α-π)、ｘはｘ中心位置、ｙはｙ中心位置、ｓは寸法、 αは、配向（主楕円及びｘ軸の間の角）である。ｐ₁は、０≦ｐ₁≦０．５の主楕円の短／長軸比を記述する可変パラメータ（長軸：ｓ＋ｓｐ₁，短軸：ｓ−ｓｐ₁，ｐ₁＝０では，Ｆｏｕｒｉｅｒデスクリプタは楕円の特別な場合として円を定義する）であり、ｐ₂は、０≦ｐ₂≦０．３の非対称度（腎臓型）を記述する可変パラメータである。図６は、それぞれの形に対して示したＰ₁及びＰ₂の値を有する，上で議論したＦｏｕｒｉｅｒデスクリプタ解析からの局在密度に帰属する可能な形に対応する変形性テンプレートの例を図解する線である。中心位置及び角度（配向）及びそれぞれの寸法が変化できることに注意せよ。図６は可能な形の例であり，発明はこれらの特別な形又はこの形の数に制限されない。病巣輪郭は病巣コントラスト，エッジ強度及び理想的円形からのずれを用いる費用関数の最小化を伴うある範囲内のＦｏｕｒｉｅｒ項の変化により発生する。この過程はマスフィルタからの出力で行われる。シミュレーテッドアニーリングが最小化に用いられる。シミュレーテッドアニーリングは最適化のための技術で，それは可能なシステム構成，構成中の無作為変化の生成プログラム（すなわち，「任意」），最小化のための関数及び無作為変化の増加を制御する制御パラメータ（温度）を含む。例えば，Ｐｒｅｓｓら，「ＮｕｍｅｒｉｃａｌＲｅｃｉｐｅｓ，ＣａｍｂｒｉｄｇｅＰｒｅｓｓ（１９８８）」に記載される。実施例の構成は、抽出された輪郭の「正しい」Ｆｏｕｒｉｅｒデスクリプタである。この構成は完全な曲線として又は角セグメントに対する異なるＦｏｕｒｉｅｒデスクリプタを用いる曲線の放射状セグメントで得ることができた。一旦マッチングし，Ｆｏｕｒｉｅｒデスクリプタの逆転が行われて輪郭を生じる。放射状セグメントにより，限られた数の点だけが逆変換で発生する。構成の変化（すなわち，Ｆｏｕｒｉｅｒデスクリプタ係数ｃ_kである輪郭の形）は中心位置，「病巣」の寸法，配向（α），長／短軸比（卵形である程度を示す）及び非対称度の変化で変化する。方法は、Ｆｏｕｒｉｅｒデスクリプタ中のこれらの変化を制限する。各パラメータの変化の範囲の例は一つの画素による中心位置の増加，２個の画素の増加による直径中の５から８０までの画素の寸法範囲，及び−３６０°から３６０ °までのαの範囲を含む。最小化するための関数は中心コスト指数の２０（各方向に），寸法コスト指数の１０及び角コスト指数の１０を含む。出発温度は３０に設定した。費用関数を最少にする際に，「病巣」中心と「適合」中心の間の差，「病巣」の寸法と「適合」の寸法の差，病巣輪郭のｘ‐ｙ位置と適合輪郭のｘ ‐ｙ位置の間のＥｕｃｌｉｄ差，等が最小化される。温度は，反復が増加するので特定の数の反復後に温度の下降段階が採られるように修正（冷却）される。テンプレート・マッチングでは，次が変えられる。Ｆｏｕｒｉｅｒデスクリプタの項の形，平均からのずれに対するペナルティ因子，中心，角度及び寸法。ペナルティ因子は標準ずれに基づいた尺度，すなわち，テンプレート・マッチング中の変形量の限度である。変形性テンプレート・マッチングに使用したパラメータファイルの例が以下に示される。 −曲線のいずれの部分が使用されるかを与える形ファイル −シミュレーテッドアニーリングのための出発温度 −反復の数 −シミュレーションアニーリング中の中心位置，寸法，角度を増加するためのような増加 −逆変換で発生した点の数。マッチングが成功した後，Ｆｏｕｒｉｅｒデスクリプタの最終係数がｘ，ｙ領域に戻るために使用された。このように，「マス」に沿う不連続限界画素が結合されるだろう。テンプレート・マッチングの出力は疑わしい病巣の輪郭又は部分輪郭である。１６エッジマップが形マッチングで使用できる。エッジマップは上記のように，第二導関数から得られる。エッジマップは時々疑わしい病巣に一つの良いエッジがあるので使用される。病巣輪郭は，病巣コントラスト，エッジ強度及び理想的円形からのずれを用いる費用関数の最少かである範囲内のＦｏｕｒｉｅｒ項の変化によって発生する。シミュレーテッドアニーリングが最小化に用いられる。マッチングでは、次を変化できる。すなわち、Ｆｏｕｒｉｅｒデスクリプタの項の形，平均からのペナルティ因子のずれ，中心，角度及び寸法。一層の特徴付けでは，オープン，マスフィルタリング及びテンプレート・マッチング操作で同定された疑わしい病巣を含む直角ＲＯＩは本来の周辺密度強化画像から抽出される。特徴抽出及び分析は疑わしい病巣について行われる。特徴抽出はＧｉｇｅｒらの出願番号０８／１５８，３８９に記載され，その開示内容は、ここにおいて本明細書の開示内容とする。これは、図８にさらに詳細に示される。テンプレート・マッチングからの疑わしい病巣が得られる（段階８００）。コンピュータによって又は観察者によって手動で，他の方法からの疑わしい病巣が入力として使用できることも注意せよ（段階８０１）。疑わしい病巣を含む関心のある領域（ＲＯＩ）が段階８０２で（自動的に又は手動的に）選ばれる。ＲＯＩの勾配及び配向は段階８０３で計算され，段階８０４で勾配指数Ｒ，コントラスト及び延長因子の計算が続く。これは図７でさらに詳細に示され，ここでＲＯＩ７００において勾配７０１は中心点（ｘ，ｙ）を有する疑わしい病巣７０３の点７０２で計算される。破線７０４で囲まれた領域内の画素は勾配指数に大きく寄与しないそれらの画素（グレー値が疑わしい病巣のエッジ向かって変化する）であり，排除されるであろう。半径方向勾配指数Ｒは次式で定義される。ここで、Ｒは、半径方向勾配指数で、−１≦Ｒ≦１であり、Ｐは、画像点であり、（ｘ，ｙ）は、テンプレート・マッチングからの疑わしい病巣の中心であり、Ｌは、中心部分を含む検出された病巣であり、Ｄx は、ｘ方向の勾配であり、Ｄy は、ｙ方向の勾配であり、 φは、勾配ベクトルと中心（ｘ，ｙ）をＰに結ぶ線の間の角度である。半径方向勾配指数は、病巣の真円度及び密度特性の尺度である。半径方向勾配指数は、理想的円形病巣では１に近づく。この半径方向勾配指数は平均勾配で規格化された半径方向の平均勾配として見なされる。疑わしい病巣寸法は中心のグレー水準と疑わしい病巣の境界のものとの間の差で与えられる。偽陽性の数を制限するために，しきい値化が段階８０５で行われる。例えば，あるプレセット値（例えば，４ｍｍ未満）より小さい直径，あるプレセット値（例えば，光学密度０．１未満）より小さいコントラスト又はプレセット値（例えば，０．５）より小さい径方向勾配は除かれる。しきい値化後の特徴は段階８０６で示され，例えば，規定に基づいた方法又はさらに偽の陽性を除去するため，又は悪性及び良性病巣を識別するために病巣（段階８０７）を検出し分類することを訓練された人工的中性ネットワークを用いて併合できる。悪性病巣が非常に疑わしいならば，悪性及び良性病巣は異なったＲ値を有するだろう。オープン，マスフィルタリング及びテンプレート・マッチングは異なる解像度で繰り返して行われる。各解像度段階で，特定の病巣寸法が検出される。図９Ａは画像の画素寸法と検出される病巣寸法の間の関係を図解する表である。選ばれた解像度の数と寸法は検出すべき病巣の型及び検出に必要な処理時間量に依存する。マスフィルタリングにおけるカーネル寸法も変えることができる。図９Ｂはカーネル寸法と検出される病巣の寸法の間の関係を示す表である。上記の実施例で，単独のマスフィルタは、オープンフィルタの異なる解像度で選ぶことができる。これらの実施例の修正では，マスフィルタリングのカーネル寸法は，例えば図９Ｂに示すように変化できる。修正マスフィルタリング段階は図１０に示される。画像解像度は一定に保つが，カーネル寸法は変化し，カーネル寸法は一定に保つが，画像解像度は変化する，又は両方が変化する。段階１０００で，形態的操作からの画像が得られる。初期核寸法が設定され（段階１００１），マスフィルタリングが初期カーネル寸法で行われる（段階１００２）。マスフィルタリング後の画像は保存される（段階１００３）。次に，段階１００４で最大カーネル寸法が達成されたか否かを照合される。否ならば，ついで新しいカーネル寸法が選ばれ（段階１００５），マスフィルタリングが再び行われる。最終カーネル寸法が使用された後，画像が出力される（段階１００６）。特徴分析が行われた後，図１Ａの段階１１６で，異なる解像度画像，異なる寸法カーネル，又は両方から得られた全部の出力からの異なる検出病巣が集積される。同じ病巣を示す位置が一つの画像異常で示される。二つの病巣が重なるならば，小さい半径方向勾配指数を有する病巣が除かれる。受容可能な重なりの量は可能な重なりのパーセントを特定することで変化できる。実施例では，３０％が選ばれるが，他の値も使用できる。図１１を参照して，二つの病巣１１００及び１１０１が示される。大きい勾配指数を有する，小さい病巣が保たれる。図１２Ａ〜１２Ｆは（１２Ａ）原乳房図，（１２Ｂ）境界分離後，（１２Ｃ）修正オープン操作後，（１２Ｄ）マスフィルタリング後，（１２Ｅ）テンプレート・マッチング後，及び（１２Ｆ）疑わしい病巣が数で優先される（最も疑わしい一つで）特徴抽出後を図解する。この場合，病巣１は０．９２の半径方向勾配指数を有する乳房内リンパ結節であり，病巣２は１０ｍｍ侵襲的腺癌（Ｒ＝０．９０）であり，病巣３は７ｍｍ侵襲的腺癌（Ｒ＝０．８５）であり，病巣４から７までは０．７８から０．５２までの範囲のＲの偽陽性であった。図１２Ｄでは，疑わしい病巣は明白に強調され，上記のようにしきい値化によってその抽出を可能にする。図１２Ｅは図１２Ｄの視覚検査からは明白でない多くのコントラスト特徴を含む。テンプレート・マッチングはマスフィルタした画像の微細な変化に敏感である。図１３Ａ〜１３Ｆは（１３Ａ）周辺強化後及び（１３Ｂ）０．５ｍｍの画素寸法で形態的フィルタ後の乳房図の例を示す。図１３Ｃは、図１３Ａから図１３Ｂを差し引いた差画像を示して，形態的操作で除かれる非病巣状構造の詳細を図解する。異なる画素寸法での形態的操作の効果は図１３Ｄ〜１３Ｆで，それぞれ１．０ｍｍ，２．０ｍｍ及び４．０ｍｍの画素寸法に対して示される。図１４Ａ〜１４Ｃは、（１４Ａ）人工的理想的球状病巣及び（１４Ｂ）その検出結果を図解する。図１４Ｃは本方法で用いた１６方向エッジマップを示す。１６エッジマップは円形病巣を作る１６個の等しい放射扇形に対応する。エッジマップの他の数を選ぶことができる。図１５Ａは，周辺強化後の原乳房図内の特徴分析に用いられたＲＯＩの位置を示す。図１５Ｂ〜１５Ｄは、ＲＯＩの拡大図，放射線医師によって付けられた真の縁及び図１２Ｆからの病巣１並びに２に対する検出結果をそれぞれ示す。図１６は、ＦＲＯＣ（自由応答操作特性）曲線の項で乳房図データベースの選別における悪性病巣の検出の方法の性能を図解するグラフである。この方法の評価のために，寸法で１０ｍｍ以下の４５個の侵襲的癌が使用された。図１７は、医用画像の病巣の検出のための自動化した方法を履行するシステムを図解する構成図である。図１７のシステムは上記のような機能を操作して行う。レーザスキャナ及びデジタイザ付きＸ線乳房写真装置のような，データ入力装置１７００は、ディジタル化乳房図を作る。ディジタル化乳房図は、回路１７０１を分割することにより分割され，ついで周辺強化回路１７０２に，又は採取回路１７０３に入力する。ディジタル化乳房図又は周辺強化したもののいずれかが採取回路１７０３で採取され（画素寸法を選んで），ついで修正メディアンフィルタで任意に処理される。採取回路１７０３又はフィルタ１７０４のいずれかの出力が入力され，形態的回路１７０５で処理される。回路１７０５の出力はマスフィルタリングのためのマスフィルタ回路１７０６に供給される。次に，マスフィルタした画像はＦｏｕｒｉｅｒデスクリプタ発生回路１７０７，エッジ画像発生回路１７０８及びテンプレート・マッチングのためのシミュレーテッドアニーリング回路１７０９に供給される。画像はついで特徴抽出及び分析のために特徴分析回路１７１０に供給される。メモリー１７１１は画像を貯蔵するために利用できる。特徴は、分類及び集積のために特徴併合回路１７１２に併合され，ビデオディスプレー端子のような，ディスプレー１７１３上に表示される。画像は転送回路１７１４を経てメモリー１７１１から特徴抽出及び分析を行うための特徴分析回路にも転送できる。特徴は病巣の検出及び分類を行うために基底に基づいた回路又は神経ネットワーク１７１６に供給される。重畳回路１７１７は検出した病巣を画像上に表示することを可能にする。図１７のシステムの要素はプログラム化マイクロコンピュータのようなソフトウエア又はハードウエアで行うことができる。神経ネットワークもソフトウエアで，又は半導体レイアウトとして運用することができる。明らかに，本発明の多くの改変及び変更は、上記技術の見方で可能である。添付した請求の範囲の範囲で，発明が特にここに記述した以外に実用化されることは理解されることである。現在の応用は乳房図のマス病巣の検出及び分類に集中するが，概念は肺及び肝臓のような人体の他の器官の異常の検出及び分類に拡張できる。

───────────────────────────────────────────────────── フロントページの続き (81)指定国ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，ＬＵ，ＭＣ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＭＬ，ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＫＥ，ＬＳ，ＭＷ，ＳＤ，ＳＺ，ＵＧ)，ＵＡ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ，ＭＤ，ＲＵ，ＴＪ，ＴＭ)，ＡＬ，ＡＭ，ＡＴ，ＡＵ，ＡＺ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，ＣＡ，ＣＨ，ＣＮ，ＣＺ，ＤＥ，ＤＫ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＥ，ＨＵ，ＩＳ，ＪＰ，ＫＥ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＫ，ＬＲ，ＬＳ，ＬＴ，ＬＵ，ＬＶ，ＭＤ，ＭＧ，ＭＫ，ＭＮ，ＭＷ，ＭＸ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，ＲＵ，ＳＤ，ＳＥ，ＳＧ，ＳＩ，ＳＫ，ＴＪ，ＴＭ，ＴＲ，ＴＴ，ＵＡ，ＵＧ，ＵＺ，ＶＮ (72)発明者ジガー、メアリーエレンエル. アメリカ合衆国 60126 イリノイ州エルムハーストクレアモント 265

Claims

【特許請求の範囲】１．乳房図を生成し，分離した乳房図を作るために前記乳房図を分割し，前記分割した乳房図上に形態的操作を行い，マスフィルタリングを行い，テンプレート・マッチングを行い，さらに、病巣を検出することとからなる，乳房写真画像においてマス病巣を自動的に検出する方法。