JPS60171575A - 次元縮退法による特徴量表現方式 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔発明の利用分野〕 本発明は、画像解析技術に係り、特に多変量情報より対
象物を高精度に抽出する処理に好適な解析方式に関する
。

〔発明の背景〕

従来、医療画像尋画像の解析利用分野において多変量デ
ータ、例えばマルチスペクトル（多重波長情報）画像デ
ータより目標物を分類する方法として最尤法がある。

尤度はデータが正規分布する場合の確率密度関数であり
次式で表わせる。

ここで＄：分散・共分散行列 ４（１図を用い最尤法の概、念および短所を説明する。

多変量情報として各画素がベクトルで表わされる多次元
画像を仮定する。

第１図（ａ）は３つの次元を持つ画像データ中の３種類
の異なる領域を特徴空間上で表示した例である。（３つ
の独立な成分をもつ画像データの特徴量空間は３次元に
なる。） 特徴量空間に分布するデータは、その特徴量により空間
でクラスタ（かたまり）を形成する。

たきえば、２，３，４はそれぞれ物質Ａ、Ｂ。

Ｃに対応する特徴空間内でのかたまり（クラスタ）であ
る。

特徴社空間である特定のクラスタを定義できれば、これ
に着目して未知の画像情報を画素単位で特徴量空間に写
像し、特定クラスタ中におさまるか否か判定することで
、未知画像中より特定クラスタのもつ物理量を表わす対
象物を抽出することが可能である。この場合、目標物の
特徴量空間での特定クラスタを定義するため分布特性が
既知のデータを用い事前に学習する必女がある。目標物
の特定クラスタの領域（判定域）を精度よく決定するに
は通常人間が認識し判定する方法がとられる。例えば最
尤法分類では多次元データの中から人間が特定クラス９
こ属すると判断したものを学習（トレーニング）データ
として与え、該データの分布を多次元正規分布と見なし
、該クラスの判定域を決定する。

以上述べた分類判定域の決定方法には次の様な欠点があ
る。すなわち学習用に与えたトレーニングデータが、測
定誤差や不十分な先験情報などの原因で、データの一部
に必ずしも予め設定したクラスに属していないものが含
まれる場合、逆に該クラスに属しているデータを学習用
データに含めない場合がある。このような状況でめられ
た分布形状は実際の分布を正確に反映していないことに
なり、従って分類結果にも誤差を生ずる。この師付き分
類手法では学習データ個々の妥当性をチェックするこＬ
が困難であることにあり、これは多次元データを人間の
知覚で認識することの困難さにもとづく。

一般にＮ次元空間（Ｎ　＞　３　、）でデータの分布特
性を判定することは一般の人間にとって困難である。

例えば、判定域決定のためのトレーニングデータの作成
に際して、人間が多次元空間で判定域を精度良く決定す
ることは困難である。

〔発明の目的〕

本発明の目的は、多変量情報を利用し任意の領域から特
定の対象データを検出する処理において対象データの高
精度な分類処理を行なう方式を提供するこ々にある。

〔発明の砥安〕

上記目的を達成するために本発明では多次元空間を低次
元（例えば２次元）空間に次元縮退させて可視化し、人
間の判断により学習データの削除、追加吾の修正を施す
ことにより判定域を高精度に決冗し、最尤法などによる
分類を関精度に行なう点に特徴がある。

判定域の茜精度化は一人間が低次元空間に表示されたト
レーニングデータ中の明らかにクラスタ外にあるザンプ
ルデータの除去、またはデータの追加、あるクラスと類
似な他クラスとの融合、あるクラスの複数クラスへの分
頬尋を表示を見ながら判１＠シて行なうことにより成さ
れる。

〔発明の実施例〕

以下、本発明の一実施例を説明する。

実施例は、現在、医療画像の分野で注目されているＮＭ
Ｒ（核磁気共鳴）スキャナー画像より特定の体内器官、
例えば１Ｍ＆した肝臓を自動抽出する画像処理システム
である。

ＮＭＲスキャナー画像の多変量情報とは、第１図（ａ）
に示すように、 （１）プロトン（陽子）密度ｄ　：ＮＭＲ画像は、磁場
中で配向した原子核を高周波磁場を使用して検出し構成
したものである。検出可能なものは陽子であり、陽子の
存在する量は体内器官の種類により異なる。（ｘ７　）
座標におけるプロトン密度関数をｄ（ｘｙ）とする。

（１１）　だて緩和時間Ｔ１　：通常、スピンをもつ核
磁気双極子は勝手な方向を向いているが、磁場中に置く
と双極子が磁力線方向に配向（磁化ベクトル）ｒる。磁
場による励起を取り去ると磁化ベクトルは最初の定常状
態に戻る。

この平衡値への回復は２通りあり緩和時間（Ｔ１および
Ｔ２）で特徴づけられる。１つをたて緩和Ｔ１他をよこ
緩和時間Ｔ２と呼ぶ。緩第１」時間は、体内器官の種類
により異なる。

（面　よこ緩和時間：Ｔ２ の３種類があげられる。

病変した肝臓の特徴量は、正常な肝臓あるいは他の臓器
と異なっているが、その特徴量境界は明白でない。よっ
てトレーニングデータを既知情報から作成する際、人間
は３次元の特徴量空間で病変した肝臓の特徴量を判定し
他の特徴量と区別し判定域を定めなくてはならない。

第２図に沿い抽出処理フローを説明する。

（１）既知情報の入カニ病変肝臓のプロトン密度ｄまた
て／よこ緩和時間Ｔ、−Ｔ２’４１の既知情報１０を入
力する。

＋ｌ＋）　）レーニングデータの作成二人力した既知情
報を特徴量空間に写１象する。この場合特徴斂空間は３
次元であるので非線形マツチング法により２次元特徴址
空間へ縮退させる（ステップ９）。

非線形マツピングとは次のような空間写像を行なうこと
である。

特徴量空間の次元数を削減し、サンプルの分布を低次元
で表示する。次元削減にあたっては、各サンプル間の距
離が最大限保存するように写像を行なう。３次元特微量
空間から２次元へ写像する例では、 Ｄ　−（（ＡＢ３＋ＡＣ，＋ＣＢ３）−（ＡＢ、＋ＡＣ
，＋ＣＢ２））”／　（ＡＨ，＋ＡＣ３＋ＣＢ３） 式（２） ここで、　ＡＢ３：　３次元空間でのＡＢ間距離ＡＢ２
：２次元空間でのＡＢ間距離 りが一定になるように／、ｍ平面上５の各点の配置を繰
り返しめる。

このようにして縮退した低次元データ（第１図（ｂ））
をグラフィック端末１１に表示し、人間が判定域を物質
Ａ、Ｂ、Ｃに対応して６゜７．８と設定する。

人間はＡ、Ｂ、Ｃの各分布についてそのサンプルの妥当
性を調べる。たとえば図中の領域８−２はクラスＣの主
要なりラスタ８−１から外れているため学習サンプルデ
ータから外した方がよいことがわかる。このとき端末１
１より領域８−２のデータを除去する。その結果として
第３図のごとき新しい判定領域１７を得る。

０１１）判定域の格納：上記のようにして作成した目標
判定域を判定域ファイル１２に格納する。

噛り　目標物の分類・抽出処理二判定域情報（判定域フ
ァイル１２より読出す。）を用いて未知ＮＭＲ情報１５
より目標物を抽出する（ステップ１３）。

すなわち、未昶情報１５の谷点について特徴献空間の修
正判定域１７内かどうか自動判定する。

（Ｖ）　結果の出カニ第４図は上述の処理により分類抽
出した目標物１８の位置座標をグラフィック端末１４、
あるいはＭ／Ｔ　（磁気テープ）１６に出力したＮＭＲ
画像を示す。

本システムによれば、多数のＮＭＲ画像より自動的に特
定臓器の病変部分を画像中より抽出できる。

本方式はマルチスペクトル（多電波長）画１象中より特
定対象物を抽出することにも利用ｉＪ能である０ 〔発明の効果〕 本発明によれば、非線形マツピング法を用いることによ
り多次元性微量空間を２次元以下の空間に縮退させ判定
域の認識を容易にし縮退空間において判定域よりあいま
い領域を削除することにより分類精度を向上させる効果
がある。

【図面の簡単な説明】

第１図は非線形マツピング法の概安図、第２図は本発明
による画像データの分類抽出処理のフローチャート、第
３図は領域削減判定域のａ女医、第４図は第２図に示す
処理の表示出力の一例を示す図である。 １７：修正判定域 凛／　図

Claims (1)

【特許請求の範囲】
1. 目標対象物を多変量データを用いて自動抽出する処理に
   おいて、特徴量空間に写像した多変量データの分布特性
   に基づく目標対象物の判定域決定のために、対象物に該
   当する特徴量学習データの修正処理を非線形マツピング
   法により多次元から低次元空間に縮退させて行なうこと
   を特徴とする次元縮退法による特徴量表現方式。