JPWO2007029467A1 - 画像処理方法及び画像処理装置 - Google Patents

画像処理方法及び画像処理装置 Download PDF

Info

Publication number
JPWO2007029467A1
JPWO2007029467A1 JP2007534302A JP2007534302A JPWO2007029467A1 JP WO2007029467 A1 JPWO2007029467 A1 JP WO2007029467A1 JP 2007534302 A JP2007534302 A JP 2007534302A JP 2007534302 A JP2007534302 A JP 2007534302A JP WO2007029467 A1 JPWO2007029467 A1 JP WO2007029467A1
Authority
JP
Japan
Prior art keywords
image
teacher
input
image processing
pixel
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.)
Pending
Application number
JP2007534302A
Other languages
English (en)
Inventor
隆行 石田
隆行 石田
亜紀子 柳田
亜紀子 柳田
郁生 川下
郁生 川下
山本　めぐみ
めぐみ 山本
實利 秋山
實利 秋山
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.)
Konica Minolta Medical and Graphic Inc
Original Assignee
Konica Minolta Medical and Graphic Inc
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 Konica Minolta Medical and Graphic Inc filed Critical Konica Minolta Medical and Graphic Inc
Publication of JPWO2007029467A1 publication Critical patent/JPWO2007029467A1/ja
Pending 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/502—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
    • 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
    • G06T2207/30061—Lung
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本発明は、高い汎用性及び学習精度を有し、かつ設計の自由度が高い画像処理方法及び画像処理装置を提供する。この画像処理方法及び画像処理装置においては、まず、学習時に、教師入力画像として準備された医用画像に異なる複数の画像処理をそれぞれ施して複数の教師特徴画像を作成する。また、当該医用画像から教師出力画像を作成する。そして、複数の教師特徴画像を含む教師入力画像の同一位置における画素の画素値を識別器２０に入力し、識別器２０から得られた出力値と、教師出力画像における前記画素位置の画素の画素値との誤差が縮小されるように識別器２０の学習を行う。そして、強調時に、処理対象画像から特徴画像を作成し、これら複数の画像の同一位置における画素の画素値を識別器２０に入力し、この識別器２０から出力された出力値を前記画素位置における画素の画素値として設定した強調画像を出力する。

Description

本発明は、入力画像から特定パターンを強調した出力画像を出力する画像処理方法及び画像処理装置に関する。
従来から、人工ニューラルネットワーク（以下、ＡＮＮと略す）やサポートベクトルマシン等のように、教師データと呼ばれる学習用のサンプルデータを用いて特徴的な形状や模様、色彩、濃度、大きさ等を有する特定パターンを学習させた識別器により、パターン認識を行う手法がある。
この手法を利用して、医療の分野では検査撮影により得られた医用画像から病変部分の陰影（これを異常陰影という）と予想される画像領域をパターン認識し、異常陰影の候補領域として検出する装置が開発されている。この装置は、ＣＡＤ（Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｄｉａｇｎｏｓｉｓ；コンピュータ診断支援装置）と呼ばれている。
通常、例えばＡＮＮの識別器によりパターン認識を行う場合、検出させたい異常陰影のパターン画像を準備して、その異常陰影の画像領域における平均画素値や分散値等の統計量、或いはサイズや円形度等の形状特徴量からなる画像特徴量を教師データとしてＡＮＮに入力し、その異常陰影画像の特徴に近いパターンであれば１に近い出力値を出力するようにＡＮＮを学習させる。同様に、正常組織の陰影（これを正常陰影という）のパターン画像を用いてその正常陰影画像の特徴に近いパターンであれば０に近い出力値を出力するようにＡＮＮを学習させる。これにより、検出対象の画像についての画像特徴量を前記ＡＮＮに入力させると、その画像特徴量から０〜１の出力値が得られ、この出力値が１に近ければ異常陰影である可能性が高く、０に近ければ正常陰影である可能性が高いという結果が得られる。従来、ＣＡＤではこのような方法により得られた出力値に基づいて異常陰影候補を検出していた。
しかしながら、上記の方法では、１つの教師画像（入力値）に１つの出力値が対応し、この出力値は学習させた特定パターンの特徴に強く依存するため、未学習データに対する識別性能は低く、検出精度を高めるためには多数の特定パターンの学習が必要であった。
このような問題点に対し、パターン認識対象の画像をある領域毎に区切ってその領域内の各画素の画素値を入力値として入力し、特定パターンらしさを示す「０〜１」の連続値を、その領域の中心に位置する注目画素の画素値として出力するＡＮＮの手法が開発されている（例えば、特許文献１、２参照）。この手法では、ある画素についてその周辺画素の情報を用いて特定パターンを構成する画素の特徴と比較され、特定パターンを構成する画素の特徴に近ければ「１」に近い値を、そうでなければ「０」に近い値を出力するようＡＮＮの学習が行われる。すなわち、ＡＮＮからの出力値により特定パターンが強調された画像が構成される。
この手法によれば、ある注目画素についてその周辺領域の情報（画素値）も含めて特定パターンの学習を行っているため、１つの教師画像から多数の入力値、多数の出力値を得ることができる。よって、少数の教師画像で高精度のパターン認識が可能となる。また、識別器への入力する情報量が増えるため、学習精度が向上する。
米国特許第６８１９７９０号明細書 米国特許第６７５４３８０号明細書
しかしながら、上記特許文献１、２に記載の方法では、識別器における解析的要素が少なく、識別器から得られる出力値が入力値からどのような影響を受けて出力されたのか、その経緯はブラックボックス性が高く理論的な解析が困難である。そのため、ＣＡＤのアルゴリズムとして採用する等、実用化に向けて利用するには設計の自由度の点で制限を受ける可能性がある。
そこで本発明は、上述の課題を鑑みてなされたものであって、高い汎用性及び学習精度を有し、かつ設計の自由度が高い画像処理方法及び画像処理装置の提供を目的とする。
本発明の上記目的は、下記構成により達成された。
（１）に記載の発明は、画像処理方法において、特定パターンを有する教師画像であって、識別器に入力する教師入力画像及び当該教師入力画像に対応する教師出力画像からなる教師画像を用いて、前記特定パターンを前記識別器に学習させる学習工程と、前記識別器により処理対象画像から前記特定パターンを強調した強調画像を作成する強調工程と、を含むことを特徴とする。
（２）に記載の発明は、（１）に記載の画像処理方法において、前記学習工程では、前記教師入力画像を構成する画素の画素値を前記識別器に入力し、前記教師出力画像を構成する画素の画素値を当該入力に対する識別器の学習目標値として当該識別器の学習を行うことを特徴とする。
（３）に記載の発明は、（１）又は（２）に記載の画像処理方法において、前記教師入力画像には、当該教師入力画像に画像処理を施して作成した複数の教師特徴画像が含まれ、前記学習工程では、前記複数の教師入力画像のそれぞれにおいて対応する位置に存在する注目画素の画素値を前記識別器へ入力し、前記教師出力画像において前記注目画素に対応する画素の画素値を当該入力に対する識別器の学習目標値とすることを特徴とする。
（４）に記載の発明は、（３）に記載の画像処理方法において、前記教師特徴画像は、異なる画像処理により複数作成されることを特徴とする。
（５）に記載の発明は、（４）に記載の画像処理方法において、前記強調工程では、処理対象画像に異なる画像処理を施して特徴画像を複数作成し、この複数の特徴画像を含む処理対象画像のそれぞれにおいて対応する位置にある注目画素の画素値を前記識別器に入力し、この入力値から当該識別器により出力された出力値を、前記注目画素に対応する画素の画素値として強調画像を構成することを特徴とする。
（６）に記載の発明は、（１）乃至（５）の何れか１つに記載の画像処理方法において、前記教師出力画像は、前記教師入力画像を加工して作成された画像であることを特徴とする。
（７）に記載の発明は、（１）乃至（５）の何れか１つに記載の画像処理方法において、前記教師出力画像は、前記特定パターンを関数化したパターンデータであることを特徴とする。
（８）に記載の発明は、（６）又は（７）に記載の画像処理方法において、前記教師出力画像の画素値は、連続値であることを特徴とする。
（９）に記載の発明は、（６）又は（７）に記載の画像処理方法において、前記教師出力画像の画素値は、離散値であることを特徴とする。
（１０）に記載の発明は、（３）乃至（５）の何れか１つに記載の画像処理方法において、前記学習工程では、前記教師特徴画像に施す画像処理の特性によって各教師特徴画像をグループ化し、当該グループに応じて前記識別器の学習を行うことを特徴とする。
（１１）に記載の発明は、（１）乃至（１０）の何れか１つに記載の画像処理方法において、前記教師画像は、医用画像であることを特徴とする。
（１２）に記載の発明は、（１１）に記載の画像処理方法において、前記教師画像は、医用画像から部分的に抽出された部分画像であることを特徴とする。
（１３）に記載の発明は、（１１）又は（１２）に記載の画像処理方法において、前記特定パターンは、異常陰影を示すパターンであることを特徴とする。
（１４）に記載の発明は、（１）乃至（１３）の何れか１つに記載の画像処理方法において、前記強調画像を用いて異常陰影候補の検出処理を施す検出工程を含むことを特徴とする。
（１５）に記載の発明は、画像処理装置において、特定パターンを有する教師画像であって、識別器に入力する教師入力画像及び当該教師入力画像に対応する教師出力画像からなる教師画像を用いて、前記特定パターンを前記識別器に学習させる学習手段と、前記識別器により処理対象画像から前記特定パターンを強調した強調画像を作成する強調手段と、を備えることを特徴とする。
（１６）に記載の発明は、（１５）に記載の画像処理装置において、前記学習手段は、前記教師入力画像を構成する画素の画素値を前記識別器に入力し、前記教師教師出力画像を構成する画素の画素値を当該入力に対する識別器の学習目標値として当該識別器の学習を行うことを特徴とする。
（１７）に記載の発明は、（１５）又は（１６）に記載の画像処理装置において、前記教師入力画像には、当該教師入力画像に画像処理を施して作成した複数の教師特徴画像が含まれ、前記学習手段は、前記複数の教師入力画像のそれぞれにおいて対応する位置に存在する注目画素の画素値を前記識別器へ入力し、前記教師出力画像において前記注目画素に対応する画素の画素値を当該入力に対する識別器の学習目標値とすることを特徴とする。
（１８）に記載の発明は、（１７）に記載の画像処理装置において、前記教師特徴画像は、異なる画像処理により複数作成されることを特徴とする。
（１９）に記載の発明は、（１８）に記載の画像処理装置において、前記強調手段は、処理対象画像に異なる画像処理を施して特徴画像を複数作成し、この複数の特徴画像を含む処理対象画像のそれぞれにおいて対応する位置にある注目画素の画素値を前記識別器に入力し、この入力値から当該識別器により出力された出力値を、前記注目画素に対応する画素の画素値として強調画像を構成することを特徴とする。
（２０）に記載の発明は、（１５）乃至（１９）の何れか１つに記載の画像処理装置において、前記教師出力画像は、前記教師入力画像を加工して作成された画像であることを特徴とする。
（２１）に記載の発明は、（１５）乃至（１９）の何れか１つに記載の画像処理装置において、前記教師出力画像は、前記教師入力画像に含まれる特定パターンを関数化したパターンデータであることを特徴とする。
（２２）に記載の発明は、（２０）又は（２１）に記載の画像処理装置において、前記教師出力画像の画素値は、連続値であることを特徴とする。
（２３）に記載の発明は、（２０）又は（２１）に記載の画像処理装置において、前記教師出力画像の画素値は、離散値であることを特徴とする。
（２４）に記載の発明は、（１７）乃至（１９）の何れか１つに記載の画像処理装置において、前記学習手段は、前記教師特徴画像に施す画像処理の特性によって各教師特徴画像をグループ化し、当該グループに応じて前記識別器の学習を行うことを特徴とする。
（２５）に記載の発明は、（１５）乃至（２４）の何れか１つに記載の画像処理装置において、前記教師画像は、医用画像であることを特徴とする。
（２６）に記載の発明は、（２５）に記載の画像処理装置において、前記教師画像は、医用画像から部分的に抽出された部分画像であることを特徴とする。
（２７）に記載の発明は、（２５）又は（２６）に記載の画像処理装置において、前記特定パターンは、異常陰影を示すパターンであることを特徴とする。
（２８）に記載の発明は、（１５）〜（２７）の何れか１つに記載の画像処理装置において、前記強調画像を用いて異常陰影候補の検出処理を施す異常陰影候補検出手段を備えることを特徴とする。
（１）乃至（５）、（１５）乃至（１９）に記載の発明によれば、１つの教師入力画像から多くの入力値（教師特徴画像の画素値）及びそれに対する出力値（教師出力画像の画素値）を得ることができる。また、入力値は様々な特徴を持つため、多面的なパターン認識を行うことができる。よって、少ない教師データ数で識別器の学習精度を向上させ、識別器におけるパターン認識能を向上させることができる。また、このような識別器により特定パターンが強調された強調画像を出力することができ、当該強調画像により特定パターンの検出が容易となる。さらに、用いる教師特徴画像を意図的に選択することにより識別器のパターン認識の精度を調整することができ、設計の自由度が高い。
（６）乃至（９）、（２０）乃至（２３）に記載の発明によれば、強調したい特定パターンに応じて教師出力画像を意図的に作成することができ、識別器の設計の自由度を向上させることができる。
（１０）、（２４）に記載の発明によれば、特定パターンのパターン認識に適した画像処理のグループに応じて識別器の学習方法等を意図的に調整することができ、特定パターンに対する感度が高い識別器を構築することが可能となる。
（１１）乃至（１４）、（２５）乃至（２８）に記載の発明によれば、異常陰影パターンを強調した強調画像により医師の異常陰影の検出作業を支援することができる。また、異常陰影候補の検出処理に強調画像を使用する場合、予め強調画像により偽陽性候補の削除を行うことができ、検出精度の向上を図ることができる。
本実施形態における画像処理装置の機能的構成を示す図である。 画像処理装置により実行される学習処理を説明するフローチャートである。 教師特徴画像の一例を示す図である。 教師入力画像及び教師出力画像の一例を示す図である。 識別器の学習を説明するための図である。 教師入力画像の正規化値をプロットした図である。 教師出力画像の他の例を示す図である。 画像処理装置により実行される強調処理を説明するフローチャートである。 識別器により処理対象画像から強調画像を作成する例を示す図である。 強調画像の一例を示す図である。 強調画像の一例を示す図である。 強調画像の一例を示す図である。 強調画像の一例を示す図である。 識別器の他の構成例を示す図である。 グループ学習によるパターン強調を説明する図である。 全画像学習及びグループ学習による強調処理結果を比較した図である。
符号の説明
１０ 画像処理装置
１１ 制御部
１２ 操作部
１３ 表示部
１４ 通信部
１５ 記憶部
１６ 画像処理部
１７ 異常陰影候補検出部
１８ 学習データメモリ
本実施形態では、識別器により医用画像から特定パターンとして異常陰影パターンを認識し、これを強調した強調画像を出力する例を説明する。ここで、特定パターンとは、特徴的な形状、模様、大きさ、色彩、濃度等を有する画像をいう。
まず、構成を説明する。
図１に、本発明を適用した画像処理装置１０の装置構成を示す。
この画像処理装置１０は、検査撮影により得られた医用画像から異常陰影パターンを強調した強調画像を生成するとともに、当該強調画像から異常陰影の候補領域を検出するものである。
ここで、異常陰影パターンとは医用画像上に現れる病変部分の画像をいう。異常陰影はその医用画像の種類や病変種によって画像の現れ方が異なるが、例えば肺癌の所見となるものの一種である小結節の場合、胸部Ｘ線画像上では低濃度（白い）である程度の大きさを持った略円形の陰影パターンで現れる。このように、異常陰影パターンは特徴的な形状、大きさ、濃度分布等を有していることが多く、このような特徴を元に他の画像領域と識別できることが多い。
なお、この画像処理装置１０を、医用画像を生成する画像生成装置や医用画像を保存・管理するサーバ、医師の読影に付すため、サーバに保存された医用画像を取り寄せて表示手段上に表示する読影端末等、各種装置がネットワークを介して接続された医用画像システムに設けることとしてもよい。また、本実施形態では画像処理装置１０単体で本発明を実現する例を説明するが、画像処理装置１０における機能を上記医用画像システムの各構成装置に分散させて医用画像システム全体で本発明を実現することとしてもよい。
以下、画像処理装置１０について詳細に説明する。
画像処理装置１０は、図１に示すように、制御部１１、操作部１２、表示部１３、通信部１４、記憶部１５、画像処理部１６、異常陰影候補検出部１７、学習データメモリ１８を備えて構成されている。
制御部１１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等を備えて構成されており、記憶部１５に格納されている各種制御プログラムを読み出して各種演算を行うとともに、各部１２〜１８における処理動作を統括的に制御する。
操作部１２は、キーボードやマウス等を備え、オペレータによりこれらが操作されると、その操作に応じた操作信号を生成して制御部１１に出力する。なお、表示部１３におけるディスプレイと一体に構成したタッチパネルを備えることとしてもよい。
表示部１３は、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）等の表示手段を備え、制御部１１からの指示に応じてこの表示手段上に、各種操作画面や、医用画像及びその強調画像等、様々な表示情報を表示させる。
通信部１４は、通信用のインターフェイスを備え、ネットワーク上の外部装置と情報の送受信を行う。例えば、通信部１４は画像生成装置から生成された医用画像を受信する、画像処理装置１０において作成された強調画像を読影端末に送信する等の通信動作を行う。
記憶部１５は、制御部１１において用いられる制御プログラム、画像処理装置１６において用いられる学習処理、強調処理、異常陰影候補検出部１７において用いられる異常陰影候補検出処理等の各種処理プログラムの他、各プログラムの実行に必要なパラメータやその処理結果等のデータが記憶されている。
画像処理部１６は、記憶部１５に格納されている処理プログラムとの協働により、処理対象画像に各種画像処理（階調変換処理、鮮鋭性調整処理、ダイナミックレンジ圧縮処理等）を施す。また、画像処理部１６は識別器２０を有しており、後述する学習処理及び強調処理を実行し、学習処理により当該識別器２０に特定パターンを学習させ、学習を行った識別器２０により強調処理において処理対象画像から強調画像を作成する。
異常陰影候補検出部１７は、処理対象画像に対して異常陰影候補検出処理を実行し、その検出結果を出力する。なお、処理対象画像として、強調処理により生成される強調画像を用いてもよいし、未処理の医用画像を用いてもよい。
異常陰影候補検出部１７の処理対象画像として強調画像を用いる場合は、強調画像において異常陰影が選択的に強調されているので、異常陰影候補検出処理のアルゴリズムとして、一般に知られている閾値処理やラベリング処理等の比較的単純な画像処理手法を組み合わせて用いることが可能である。また、検出目的の異常陰影種に応じて公知のアルゴリズムを任意に選択してもよい。例えば、乳房部位を撮影した乳房画像においては、腫瘤や微小石灰化クラスタといった異常陰影の検出が行われるが、腫瘤の場合、その陰影パターンは円形状で中心に向かって濃度が緩やかに低下するガウス分布状の濃度変化を有する。よって、このような濃度特性に基づいてモルフォルジフィルタ等により乳房画像から腫瘤の異常陰影パターンを検出する。一方、微小石灰化クラスタは、乳房画像上では略円錐形状の濃度変化を有する低濃度の陰影が集まって（クラスタ化して）現れるので、この濃度特性を有する異常陰影パターンを検出するため、３重リングフィルタ等が適用される。
一例として、３重リングフィルタについて説明すると、３重リングフィルタは、濃度変化が理想的な円錐形状を示す場合の濃度勾配の強度成分及び方向成分が予め決定された３つのリングフィルタから構成される。まず、ある注目画素周辺において、各リングフィルタのそれぞれの領域上の画素値から濃度勾配の強度成分及び方向成分の代表値を求める。そして、その代表値と各リングフィルタに予め決定されている濃度勾配の強度成分及び方向成分との差に基づいて、円錐形状に近い濃度変化を有する画像領域を候補領域として検出する。
学習データメモリ１８は、上記識別器２０の学習に必要な教師データを記憶するメモリである。教師データとは、識別器２０に特定パターンを学習させるためのデータをいう。本実施形態では、教師データとして異常陰影パターンを含む教師画像を用いる。教師画像は学習訓練用に識別器２０に入力される教師入力画像及び当該教師入力画像に対応する教師出力画像からなる。これら各教師画像については、識別器２０の学習方法とともに後述する。
次に、上記画像処理装置１０の動作について説明する。
まず、図２を参照して、識別器２０を構築する学習処理について説明する。この学習処理は、画像処理部１６が記憶部１５に記憶される学習処理プログラムを読み込むことにより実行される処理である。
なお、以下の説明では識別器２０として、ＡＮＮを適用した例を説明する。また、説明の前提として、予め学習用に異常陰影パターンを含む医用画像が準備されており、学習データメモリ１８に教師画像として記憶しておくこととする。
図２に示す学習処理では、まず教師データとして用いる医用画像の入力が行われる（ステップＡ１）。具体的には、画像処理部１６において、学習データメモリ１８に記憶されていた医用画像（教師画像）の読み込みが行われる。
次いで、入力医用画像から学習させたい特定パターン、つまり異常陰影パターンを含む一部の画像領域の抽出が行われる（ステップＡ２）。以下、この部分的に抽出された画像を部分画像という。部分画像の抽出は、医師が教師画像を読影し、目視で異常陰影パターンを含む領域を判断して当該領域を操作部１２により指定操作する構成とし、画像処理装置１０ではこの指定操作に応じて教師画像から指定された領域に対応する領域の画像を抽出する。なお、部分画像は一つの教師画像から複数抽出することが可能である。
次いで、この部分画像に対し、異なる複数種類の画像処理が施され、教師特徴画像が作成される（ステップＡ３）。作成された教師特徴画像は学習データメモリ１８に記憶される。この教師特徴画像は、教師入力画像として用いられるものである。すなわち、教師入力画像には、学習用に準備された元々の医用画像（以下、教師特徴画像と区別するため、原画像という）と、教師特徴画像とが含まれる。この原画像及び教師特徴画像からなる教師入力画像は、識別器２０の学習訓練用に識別器２０に入力されるものである。
上記画像処理の種類としては、Ｘ、Ｙ方向それぞれについての１次微分処理、２次微分処理等が挙げられる。また、ＳｏｂｅｌフィルタやＰｒｅｗｉｔｔフィルタ等の１次微分系フィルタを用いた画像処理、ＬａｐｌａｃｉａｎフィルタやＨｅｓｓｉａｎ行列の固有値を用いた２次微分系の特徴を導く画像処理等を用いてもよい。前記部分画像の濃度分布曲面に対して求めた平均曲率、ガウス曲率等の曲率の計算値或いは符号を画像化したり、曲率に基づいて定義されるＳｈａｐｅＩｎｄｅｘ、Ｃｕｒｖｅｄｎｅｓｓ等の量を画像化したりすることも可能である。前記部分画像内に小領域を設定し、小領域を１画素づつ走査しながら平均値を計算したり（平滑化処理）、小領域内の標準偏差値やメジアン値等の他の統計量を計算したりして、その結果を画像化してもよい。また、ウェーブレット変換処理や種々の非鮮鋭化処理等を用いて、前記部分画像を複数の周波数帯域に分離した周波数成分画像を作成してもよい。
また、上記の種々の画像処理に先立って、前処理を施してもよい。前処理の例としては、線形又は非線形の階調変換特性を用いた階調変換処理や、多項式近似、バンドパスフィルタ等を利用することにより背景の濃度勾配等を除去する背景トレンド補正処理等が挙げられる。
図３に、上記画像処理による各教師特徴画像の例を示す。
図３において画像１が原画像、画像２〜１９が各種画像処理が施された教師特徴画像である。
教師特徴画像２〜５は、１次微分に相当する画像処理が施されたものであり、画像２はｘ方向の１次微分画像、画像３はｙ方向の１次微分画像、画像４はＳｏｂｅｌフィルタの出力（エッジ強調）、画像５はＳｏｂｅｌフィルタの出力（エッジの角度）である。教師特徴画像６〜９は２次微分に相当する画像処理が施されたものであり、画像６はＬａｐｌａｃｉａｎフィルタの出力、画像７はｘ方向の２次微分画像、画像８はｙ方向の２次微分画像、画像９はｘｙ方向の２次微分画像である。教師特徴画像１０、１１は曲率を符号化したものであり、画像１０は平均曲率の符号化画像、画像１１はガウス曲率の符号化画像である。また、画像１２は平滑化画像（３×３）、画像１３は標準偏差画像（３×３）である。教師特徴画像１４〜１９は、Ｗａｖｅｌｅｔ（ウェーブレット）変換処理により周波数成分毎に分類されたものであり、画像１４はＷａｖｅｌｅｔ（Ｌｅｖｅｌ１−３）の高周波成分画像、画像１５はＷａｖｅｌｅｔ（Ｌｅｖｅｌ２−４）の高周波成分画像、画像１６はＷａｖｅｌｅｔ（Ｌｅｖｅｌ３−５）の中周波成分画像、画像１７はＷａｖｅｌｅｔ（Ｌｅｖｅｌ４−６）の中周波成分画像、画像１８はＷａｖｅｌｅｔ（Ｌｅｖｅｌ５−７）の低周波成分画像、画像１９はＷａｖｅｌｅｔ（Ｌｅｖｅｌ６−８）の低周波成分画像である。このように、各教師特徴画像２〜１９は、その画像処理の特性によって類似する性質毎にグループ分けすることができる。
教師特徴画像が作成されると、次に教師出力画像が作成される（ステップＡ４）。教師出力画像は、識別器２０への教師入力画像の入力に対する学習目標となる画像である。
図４に、教師入力画像及び教師出力画像の一例を示す。
図４に示す教師出力画像ｆ２は、符号ｆ１で示す教師入力画像（原画像）に対応して作成されたものであり、異常陰影パターンに該当する領域を「１」、その他の領域を「０」と二値化することにより人工的に加工して作成された教師出力画像の例を示している。異常陰影パターンに該当する領域は、医師が教師入力画像ｆ１において当該領域を判断し、操作部１２により指定する。この指定操作に応じて画像処理装置１０では指定領域の画素値を「０」、その他の領域の画素値を「１」に設定した教師出力画像が作成される。
このようにして、教師入力画像及び教師出力画像が準備されると、これらを用いて識別器２０の学習が行われる。
識別器２０は、図５に示すような階層型ＡＮＮである。階層型ＡＮＮは、入力信号を受け取り、他のニューロンへ分配する入力用のニューロンからなる入力層と、外部へ出力信号を出力する出力用のニューロンからなる出力層と、入力用と出力用のニューロンの中間に存在するニューロンからなる中間層とから構成されている。中間層のニューロンは入力層のニューロンの全てと結合していて、出力層のニューロンは中間層のニューロンの全てと結合している。
入力層のニューロンは、中間層のニューロンとのみ結合し、中間層のニューロンは出力層のニューロンとのみ結合しているため、信号は入力層から中間層、出力層へと流れていくこととなる。入力層では、ニューロンによる信号の処理は行われず、受け取った入力信号はそのまま中間層のニューロンに出力される。中間層、出力層では、各ニューロンに設定されたバイアス関数により前層から入力された信号に重み付けを行う等の信号処理が施され、処理が施された信号が後層のニューロンに出力される。
識別器２０の学習時には、まず教師入力画像（原画像）に対して注目画素が設定され、当該注目画素の画素値が取得される。また、当該原画像から作成された複数の教師特徴画像及び教師出力画像において原画像の注目画素に対応する画素の画素値が取得される。そして、原画像及び教師特徴画像から取得された各画素値が入力値として識別器２０に入力されるとともに、教師出力画像から取得された画素値が学習目標値として識別器２０にセットされ、当該入力値から当該学習目標値に近い値が出力されるよう、識別器２０の学習が行われる（ステップＡ５）。
なお、識別器２０への入力値として使用される画素値は０〜１の値に正規化したものを使用し、特性が異なる各教師入力画像の入力値の規格を一定とする。図６に、教師入力画像（図３に示す原画像１、各教師特徴画像２〜１９）のある画素における画素値を正規化した値をプロットした図を示す。図６において、点線で連結した各正規化値は、教師入力画像における正常組織の画像パターン（以下、正常陰影パターンという）を構成する画素の画素値を正規化した値を示し、実線で連結した各正規化値は異常陰影パターンを構成する画素の正規化画素値を示している。
識別器２０の学習は、まず図５に示すように教師入力画像の各画素値を識別器２０に入力した結果、識別器２０から得られた出力値と、教師出力画像から取得された画素値とが比較され、その誤差が演算される。なお、識別器２０から出力される出力値は０〜１の連続値である。そして、誤差が縮小されるように中間層におけるバイアス関数のパラメータが最適化される。最適化を行うための学習方法としては、例えば誤差逆伝搬法等を用いることができる。これは、パラメータが最適化により再設定されると、再度、教師特徴画像から取得された画素値が識別器２０に入力され、入力値により得られた出力値と、教師出力画像の画素値との誤差が小さくなるようにパラメータの最適化が何度も繰り返し行われることにより、異常陰影パターンの学習を行うものである。
そして、一つの注目画素について学習が終了すると、原画像において注目画素の位置が一画素分主走査方向へシフトされ、新たに設定された注目画素について同様に学習が行われる。このようにして、教師入力画像の主走査及び副走査方向に注目画素が走査され、教師入力画像の全ての画素について学習が終了すると、異常陰影パターンについて学習させた識別器２０を構築することができる。
なお、教師出力画像は、図７（ａ）に示す二値（離散値）のものに限らず、図７（ｂ）に示すように、多値（連続値）の画像を作成してもよい。多値の画像は、図７（ａ）に示す二値の画像を作成した後、これに非鮮鋭化処理を施して作成することができる。
また、画像ではなく異常陰影パターンを関数化したパターンデータを作成することとしてもよい。すわなち、各画素位置に対応して出力値を設定したパターンデータ（図７（ｃ）、（ｄ）参照）を作成する。図７（ｃ）に示すパターンデータは、出力値を離散値としたものであり、画素位置（横軸）に対応して設定された「０」又は「１」の出力値（縦軸）を示している。一方、図７（ｄ）に示すパターンデータは、出力値を連続値としたものであり、画素位置に対応して設定された「０」〜「１」の出力値を示している。なお、図７（ｃ）、（ｄ）はある一ライン分の設定データを示している図であり、実際にはこのような出力値の設定データが主走査及び副走査方向の画素位置に対応して２次元的に設定されている。
パターンデータの出力値を離散値とした場合、強調画像における異常陰影パターンの領域内部の強調の程度を強制的に大きくする効果が期待される。一方、パターンデータの出力値を連続値とした場合、陰影パターンの中心から周囲にかけての出力値の変化がガウス分布状となるため、異常陰影パターンの大きさが学習させたものと異なるものであってもある程度対応できることが期待できる。これは、図７（ａ）、（ｂ）に示すような画像を用いた場合も同様のことがいえる。
次に、学習を終えた識別器２０により処理対象の医用画像から強調画像を作成する強調処理について、図８を参照して説明する。強調処理についても学習処理と同様に、画像処理部１６と記憶部１５に記憶された強調処理プログラムとの協働により実現されるものである。
図８に示す強調処理では、まず強調処理対象の医用画像の入力が行われる（ステップＢ１）。すなわち、記憶部１５に記憶されていた処理対象の医用画像が画像処理部１６により読み込まれる。次いで、医用画像に異なる画像処理がそれぞれ施され、複数の特徴画像が作成される（ステップＢ２）。このとき施される画像処理は、教師特徴画像を作成する際の画像処理と同一種類、同一処理条件のものである。
特徴画像が作成されると、元の医用画像（これを特徴画像と区別するため、原画像という）に注目画素が設定され、当該注目画素の画素値が取得される。また、特徴画像において原画像の注目画素に対応する位置にある画素の画素値が取得され、これら原画像及び特徴画像から取得された画素値を０〜１に正規化した正規化値が識別器２０に入力される（ステップＢ３）。そして、この入力値により識別器２０から出力値が得られると、当該出力値が強調画像を構成する画素の画素値として設定される（ステップＢ４）。
図９に、上記識別器２０による入力値と出力値との関係を示す。
図９に示すように、識別器２０からの出力値は、強調画像において、原画像に設定された注目画素の位置に対応する画素の画素値として設定されることとなる。
このようにして、識別器２０により処理対象画像から一画素分の出力値が得られると、全画像領域について注目画素が設定され、走査されたか否かが判別される（ステップＢ５）。未走査の場合は（ステップＢ５；Ｎ）、注目画素の位置が一画素分主走査方向へシフトされ（ステップＢ６）、シフトにより新たに設定された注目画素についてステップＢ３、Ｂ４の処理が繰り返される。
そして、全画像領域について注目画素が走査（主走査及び副走査）されると（ステップＢ５；Ｙ）、識別器２０からの出力値を画素値として構成された強調画像が出力されることとなる（ステップＢ７）。
なお、識別器２０からの出力値は「０」〜「１」の連続値で出力されるので、強調画像を表示装置又はフィルム等へ出力する場合には、それら出力手段に応じて出力値を輝度レベル又は濃度レベルに変換して出力する。輝度値に変換する場合には、出力値「０」を最低輝度レベルＫｍｉｎ（表示上では黒）、出力値「１」を最高輝度レベルＫｍａｘ（表示上では白）として、「０」〜「１」の出力値をＫｍｉｎからＫｍａｘに割り付ける。一方、濃度値に変換する場合には、出力値「０」を最低濃度値Ｄｍｉｎ（フィルム上では黒）、出力値「１」を最高濃度値Ｄｍａｘ（フィルム上では白）として、「０」〜「１」の出力値をＤｍａｘ〜Ｄｍｉｎに割り付ける。
図１０は、強調画像の一例を示す図である。
図１０の左側に示す処理対象画像ｇ１は胸部Ｘ線画像（原画像）であり、識別器２０にこの処理対象画像ｇ１を適用することより、右側に示す強調画像ｇ２が出力された。処理対象画像ｇ１において矢印により示す位置に異常陰影パターンが存在するが、処理対象画像ｇ１上ではその判別は困難である。しかし、強調画像ｇ２上では、異常陰影パターンが低濃度の丸いパターンではっきりと現れており、他の画像領域に比べて強調されていることが分かる。
また、図１１に示す強調画像ｈ２の例は、胸部ＣＴ画像の処理対象画像ｈ１から異常陰影パターン（矢印で示す陰影領域）を含む部分画像ｈ３を教師入力画像として抽出し、この教師入力画像ｈ３から教師出力画像ｈ４を作成してこれらを用いて識別器２０の学習を行った後、この学習済みの識別器２０により処理対象画像ｈ１から強調画像ｈ２を作成したものである。なお、処理対象画像ｈ１は、画像処理により肺野領域のみを抽出した画像である。この処理対象画像ｈ１においては血管等、小結節の異常陰影と混同しやすい正常陰影パターンが多く存在しているが、強調画像ｈ２ではこれら正常陰影パターンの特徴が低減され、異常陰影パターンのみを強調することに成功していることが分かる。
また、図１２に示すように、粒状性が粗い低画質の処理対象画像ｊ１を準備して、この処理対象画像ｊ１から異常陰影パターンを示す教師出力画像ｊ２を作成し、識別器２０の学習を行った。そして、この学習済みの識別器２０に、再度処理対象画像ｊ１を入力したところ、図１２に示すような強調画像ｊ３が出力された。強調画像ｊ３から分かるように、処理対象画像ｊ１で顕著であったノイズが低減され、異常陰影パターンのみが強調されている。
また、図１３（ａ）に示すように、円形状の低濃度の模擬パターンをその大きさ及びコントラストを様々なものに変えて複数設定したテストオブジェクトｋ１に本実施形態の識別器２０を適用した。テストオブジェクトｋ１では、模擬パターンの他、低濃度の格子パターンが設けられている。識別器２０は、テストオブジェクト中の任意の模擬パターンを教師入力画像ｋ２として用い、それに対応する教師出力画像ｋ３を作成して学習を行ったものである。教師出力画像ｋ３は、二値のものを作成した。その結果、図１３（ｂ）に示すような強調画像ｋ４が得られた。図１３（ｂ）に示すように、識別器２０によれば格子パターンの特徴を抑えて模擬パターンのみを強調することができる。また、テストオブジェクトｋ１における各模擬パターンにおいて、教師入力画像ｋ２に含まれる格子パターンとは異なる態様で格子パターンが重なっている場合でも、教師入力画像ｋ２に含まれる模擬パターンと同一の特徴を持つ画像領域であれば強調することができることが分かる。また、どの大きさの模擬パターンも強調画像ｋ４上では全て強調されており、強調したいパターンの大きさにも有る程度対応できることが分かる。
強調処理後、作成された強調画像は画像処理部１６から異常陰影候補検出部１７に出力され、異常陰影候補検出部１７により異常陰影候補の検出処理に付される。そして、当該強調画像から異常陰影候補が検出されると、当該検出された異常陰影候補に関する情報（例えば、異常陰影の候補領域の位置を指し示す矢印等のマーカ画像）が医師の診断支援情報として表示部１３上に表示される。
なお、作成された強調画像をそのまま医師の読影に提供することとしてもよい。
以上のように、本実施形態によれば、教師入力画像として元々の原画像に加え、当該原画像に様々な画像処理を施して作成した教師特徴画像を用いるので、１つの画像から多数の入力値を得ることが可能となる。従来は、ある教師画像の画像特徴量を入力値として異常陰影である可能性等を出力するよう、識別器２０を構築していることが多かったが、この方法では１つの入力画像に対して１つの出力値が対応するため、処理対象画像と教師画像（異常陰影パターン）の特徴がほぼ同じでなければパターン認識することができず、未学習データを含む様々な異常陰影パターンに対応するためには、教師画像を多数準備しなければならなかった。しかし、本実施形態によれば、１つの画像から複数の画像を作成し、さらにそれらの画素値を識別器２０に入力するため、１つの学習用の画像から多数の入力値及びそれに対応する出力値を得ることができ、またそれら入力値は様々な特徴を有しており多面的な学習を行うことができる。よって、少ない教師データ数で識別器２０の学習精度を向上させることができ、識別器２０におけるパターン認識能を向上させることができる。
また、このような識別器２０を用いて異常陰影パターンを強調した強調画像を作成することができ、この強調画像を用いて異常陰影候補の検出処理を行う、或いは医師の読影に付す等することにより、異常陰影の検出作業を容易化することができ、医師の診断支援を行うことができる。
さらに、各種画像処理を施した教師特徴画像から得られる画素値、つまり様々な特徴を示す特徴量を用いて識別器２０の学習を行うことができ、多面的なパターン学習を行うことができる。これにより、識別器２０のパターン認識精度を向上させることができる。
また、画像処理の特性によって認識しやすいパターンがあるため、学習時にどの画像処理を施した教師特徴画像を使用するかにより、パターンの認識精度を調整することができる。よって、検出目的とする異常陰影パターンに応じて使用する教師特徴画像（原画像に施す画像処理）を意図的に選択することにより、ある特定の異常陰影パターンに特化して強調画像を作成したりすることができ、識別器２０の設計に係る自由度を向上させることができる。
さらに、異常陰影候補検出処理の前処理として異常陰影パターンを強調する強調処理を行い、予め異常陰影パターンを強調しておくことにより、正常陰影のパターンの特徴が失われるため、元の医用画像（原画像）を用いて異常陰影候補を検出する場合に比して偽陽性候補（異常陰影らしさの確信度が低い候補）の検出数を大幅に減少させることができる。よって、異常陰影候補の検出精度を向上させることができる。
なお、上述した実施形態は、本発明を適用した好適な一例であり、これに限定されない。
例えば、上記実施形態では、識別器２０として、ＡＮＮを適用した例を説明したが、判別分析手法による識別器、ファジィ推論、サポートベクトルマシン等、教師データに基づくパターン学習によりパターン認識することができる識別器であれば適用可能である。なお、マハラノビスの距離等、２つのクラスに分類するような手法の場合、識別器２０から出力される出力値は二値のものとなる。
また、実施形態では医用画像中に含まれる異常陰影パターンを検出する例を説明したが、これに限らず、例えば胸部を撮影した医用画像から肺野領域を抽出する等、ある特定領域をパターン認識して抽出するセグメンテーション（領域抽出）の処理に本発明を適用することとしてもよいし、例えば胸部を撮影した医用画像に含まれる間質性陰影のパターンを分類する等、パターン分類に利用することとしてもよい。
上記実施形態では、２次元の画像処理を用いた例を説明したが、３次元の画像処理も同様に適用可能である。
また、上記実施形態では、強調工程において強調画像を作成した後に検出工程において異常陰影候補検出処理を適用する例を説明したが、未処理の医用画像から公知の検出アルゴリズムにより異常陰影候補を検出した後で、それらを真陽性（真の異常陰影候補）と偽陽性（異常陰影らしさの確信度が低い候補）とに判別する判別段階において、本発明のパターン認識を利用した判別を行い、最終的な異常陰影候補を検出することとしてもよい。
さらに、医用画像のみならず、他の画像であっても画像中から特定パターンを強調したい場合には本発明を適用可能である。
また、上記例では、異常陰影という比較的小さなパターンを強調することを目的としていたため、医用画像から部分的に画像を抽出した部分画像を教師画像としていたが、これに限らず、目的に応じて医用画像全体を教師画像としてもよい。例えばセグメンテーションに本発明を適用する場合には、臓器等、比較的大きな領域を抽出することが多い。よって、部分的に画像を抽出する必要がなく、医用画像全体を教師画像として使用した方がよい。
上記実施形態では出力層のニューロンの個数が１、すなわち学習工程において用いる教師出力画像の数が一つの部分画像に対して一つであったが、出力層のニューロンの個数が２以上、すなわち複数の教師出力画像を用いる構成としてもよい。
例えば、パターン分類への応用において、画像に含まれる陰影を３種類の特定パターンＡ、Ｂ、Ｃに分類することが目的である場合に、教師出力画像として、パターンＡの強調に有効な教師出力画像、パターンＢの強調に有効な教師出力画像及びパターンＣの強調に有効な教師出力画像を各々作成し、それらを出力層の３個のニューロンに対応付けて学習を行う。強調工程においては、一つの処理対象画像を入力することにより３つの強調画像が出力されるので、それらの中から最も強調の度合いが強い強調画像を選び、その強調画像に対応するパターンの種類を分類結果とする。強調の度合いの指標としては、例えば強調画像の画素値の平均値や、所定の累積ヒストグラム値を与える画素値等の統計量を使用することができる。
また、教師特徴画像はその画像処理の特性によって認識しやすいパターンがあることから、画像処理の特性によって教師特徴画像をグループ化し、そのグループに応じて識別器の学習を行うこととしてもよい。
例えば、図３に示す教師特徴画像の例では、画像１〜１９を用いて以下に示す５つのグループを作成する。すなわち、画像１および１次微分系の画像２〜５から成るグループ１、画像１および２次微分系の画像６〜９から成るグループ２、画像１および曲率系の画像１０、１１から成るグループ３、画像１および統計量を用いた画像１２、１３から成るグループ４、画像１およびウェーブレット系の画像１４〜１９から成るグループ５である。ここで、原画像である画像１は、全てのグループに重複して含まれている。
これらグループに応じて識別器の学習を行う（以下、グループ学習という）。ここでは、図１４に示すように、グループ毎に別個の識別器（１次識別器）を準備し、各グループの１次識別器から出力された出力値をさらに２次識別器に入力して総合的な出力値を得るような階層的な識別器群を構成した上で、２段階に分けて識別器の学習を行う実施形態を説明する。まず、各グループの教師入力画像を使用して、個々の１次識別器の学習を行う。この場合、１次識別器から得られた出力値と、教師出力画像の画素値とを比較して学習を行うこととなる。次に、学習を終えた各々の１次識別器に、処理対象画像として前記教師入力画像と同一の画像を適用して、１次強調画像を作成する。続いて、作成された５種類の１次強調画像を教師入力画像として使用し、２次識別器の学習を行う。この場合、２次識別器から得られた出力値と、教師出力画像の画素値とを比較して学習を行うこととなる。なお、図１４では、１次識別器及び２次識別器ともＡＮＮの例で示しているが、異なる手法による識別器（例えば、１次識別器はＡＮＮ、２次識別器は判別分析によるもの）としてもよい。
例えば、図１５（ａ）に示す原画像ｍ１から図３の２〜１９の画像番号で示す教師特徴画像を作成し、各画像１〜１９を上記５グループでグループ分けした後、１次及び２次識別器のグループ学習を行った場合、この学習済みの識別器に原画像ｍ１を入力すると、図１５（ｂ）に示すような１次強調画像ｍ２〜ｍ６が各グループの１次識別器から出力される。図１５（ｂ）に示すように、各１次強調画像ｍ２〜ｍ６は、それぞれ異なる特徴が強調された画像となっている。これら１次強調画像ｍ２〜ｍ６をさらに２次識別器に入力すると、図１６に示すような２次強調画像ｎ３が得られる。
図１６に、比較のため２次強調画像ｎ３の他、原画像ｎ１及びグループ化せずに全画像を１個の識別器を用いて学習を行った場合（実施形態に示した方法による学習。以下、全画像学習という。）の強調画像ｎ２を示す。図１６に示すように、グループ学習により得られる２次強調画像ｎ３は、全画像学習による強調画像ｎ２とは異なる特徴を示していることが分かる。なお、図１６は円形の単純なパターンの学習結果であるが、グループ学習の場合、学習するパターンが複雑になるにつれてパターンに対する感度が向上し、グループ学習による効果が高まるものと期待される。
別の実施形態として、図５に示すように一個の識別器を用い、前述のグループに応じて識別器２０の学習を行うことも可能である。具体的には、入力層と中間層のニューロン同士の結合係数に制限を加え、特定の組み合わせの結合を相対的に弱めるか、あるいは結合を遮断する。例えば、中間層のニューロン１は、グループ１に属さない教師特徴画像に対応する入力層のニューロンとの結合が弱くなるように結合に制限が加えられ、中間層のニューロン２は、グループ２に属さない教師特徴画像に対応する入力層のニューロンとの結合が弱くなるように結合係数に制限が加えられる。このような条件の下で、識別器２０の学習を実行する。
このように、グループに応じた識別器とすることにより、検出目的とする特定パターンに対する感度が高い識別器２０を構築することができ、より特定パターンに対するパターン認識能が高い強調画像を作成することが可能となる。すなわち、使用目的に応じて識別器を柔軟に設計することの可能な、自由度の高い構成であるため、実用的である。加えて、比較的複雑なパターンを有する画像を処理対象とした場合にも、高い効果が期待される。
なお、教師特徴画像の作成に使用する画像処理の種類は様々なものが考えられるが、強調したいパターンの特徴に基づいて、パターンの強調に効果的と思われる画像処理を選択したり、或いはパターンの強調に効果的な画像処理とパターンの減弱に効果的な画像処理との組み合わせを含むように選択したりすることにより、特定パターンに特化した識別器２０を構築することができる。また、多数の教師特徴画像の中から、強調したいパターンに応じて、逐次選択法や遺伝的アルゴリズム等の最適化手法を使用して特徴画像の選択を行ってもよい。

Claims (28)

  1. 特定パターンを有する教師画像であって、識別器に入力する教師入力画像及び当該教師入力画像に対応する教師出力画像からなる教師画像を用いて、前記特定パターンを前記識別器に学習させる学習工程と、
    前記識別器により処理対象画像から前記特定パターンを強調した強調画像を作成する強調工程と、
    を含むことを特徴とする画像処理方法。
  2. 前記学習工程では、前記教師入力画像を構成する画素の画素値を前記識別器に入力し、前記教師出力画像を構成する画素の画素値を当該入力に対する識別器の学習目標値として当該識別器の学習を行うことを特徴とする請求の範囲第１項に記載の画像処理方法。
  3. 前記教師入力画像には、当該教師入力画像に画像処理を施して作成した複数の教師特徴画像が含まれ、
    前記学習工程では、前記複数の教師入力画像のそれぞれにおいて対応する位置に存在する注目画素の画素値を前記識別器へ入力し、前記教師出力画像において前記注目画素に対応する画素の画素値を当該入力に対する識別器の学習目標値とすることを特徴とする請求の範囲第１項又は第２項に記載の画像処理方法。
  4. 前記教師特徴画像は、異なる画像処理により複数作成されることを特徴とする請求の範囲第３項に記載の画像処理方法。
  5. 前記強調工程では、処理対象画像に異なる画像処理を施して特徴画像を複数作成し、この複数の特徴画像を含む処理対象画像のそれぞれにおいて対応する位置にある注目画素の画素値を前記識別器に入力し、この入力値から当該識別器により出力された出力値を、前記注目画素に対応する画素の画素値として強調画像を構成することを特徴とする請求の範囲第４項に記載の画像処理方法。
  6. 前記教師出力画像は、前記教師入力画像を加工して作成された画像であることを特徴とする請求の範囲第１項乃至第５項の何れか一項に記載の画像処理方法。
  7. 前記教師出力画像は、前記特定パターンを関数化したパターンデータであることを特徴とする請求の範囲第１項乃至第５項の何れか一項に記載の画像処理方法。
  8. 前記教師出力画像の画素値は、連続値であることを特徴とする請求の範囲第６項又は第７項に記載の画像処理方法。
  9. 前記教師出力画像の画素値は、離散値であることを特徴とする請求の範囲第６項又は第７項に記載の画像処理方法。
  10. 前記学習工程では、前記教師特徴画像に施す画像処理の特性によって各教師特徴画像をグループ化し、当該グループに応じて前記識別器の学習を行うことを特徴とする請求の範囲第３項乃至第５項の何れか一項に記載の画像処理方法。
  11. 前記教師画像は、医用画像であることを特徴とする請求の範囲第１項乃至第１０項の何れか一項に記載の画像処理方法。
  12. 前記教師画像は、医用画像から部分的に抽出された部分画像であることを特徴とする請求の範囲第１１項に記載の画像処理方法。
  13. 前記特定パターンは、異常陰影を示すパターンであることを特徴とする請求の範囲第１１項又は第１２項に記載の画像処理方法。
  14. 前記強調画像を用いて異常陰影候補の検出処理を施す検出工程を含むことを特徴とする請求の範囲第１項乃至第１３項の何れか一項に記載の画像処理方法。
  15. 特定パターンを有する教師画像であって、識別器に入力する教師入力画像及び当該教師入力画像に対応する教師出力画像からなる教師画像を用いて、前記特定パターンを前記識別器に学習させる学習手段と、
    前記識別器により処理対象画像から前記特定パターンを強調した強調画像を作成する強調手段と、
    を備えることを特徴とする画像処理装置。
  16. 前記学習手段は、前記教師入力画像を構成する画素の画素値を前記識別器に入力し、前記教師教師出力画像を構成する画素の画素値を当該入力に対する識別器の学習目標値として当該識別器の学習を行うことを特徴とする請求の範囲第１５項に記載の画像処理装置。
  17. 前記教師入力画像には、当該教師入力画像に画像処理を施して作成した複数の教師特徴画像が含まれ、
    前記学習手段は、前記複数の教師入力画像のそれぞれにおいて対応する位置に存在する注目画素の画素値を前記識別器へ入力し、前記教師出力画像において前記注目画素に対応する画素の画素値を当該入力に対する識別器の学習目標値とすることを特徴とする請求の範囲第１５項又は第１６項に記載の画像処理装置。
  18. 前記教師特徴画像は、異なる画像処理により複数作成されることを特徴とする請求の範囲第１７項に記載の画像処理装置。
  19. 前記強調手段は、処理対象画像に異なる画像処理を施して特徴画像を複数作成し、この複数の特徴画像を含む処理対象画像のそれぞれにおいて対応する位置にある注目画素の画素値を前記識別器に入力し、この入力値から当該識別器により出力された出力値を、前記注目画素に対応する画素の画素値として強調画像を構成することを特徴とする請求の範囲第１８項に記載の画像処理装置。
  20. 前記教師出力画像は、前記教師入力画像を加工して作成された画像であることを特徴とする請求の範囲第１５項乃至第１９項の何れか一項に記載の画像処理装置。
  21. 前記教師出力画像は、前記教師入力画像に含まれる特定パターンを関数化したパターンデータであることを特徴とする請求の範囲第１５項乃至第１９項の何れか一項に記載の画像処理装置。
  22. 前記教師出力画像の画素値は、連続値であることを特徴とする請求の範囲第２０項又は第２１項に記載の画像処理装置。
  23. 前記教師出力画像の画素値は、離散値であることを特徴とする請求の範囲第２０項又は第２１項に記載の画像処理装置。
  24. 前記学習手段は、前記教師特徴画像に施す画像処理の特性によって各教師特徴画像をグループ化し、当該グループに応じて前記識別器の学習を行うことを特徴とする請求の範囲第１７項乃至第１９項の何れか一項に記載の画像処理装置。
  25. 前記教師画像は、医用画像であることを特徴とする請求の範囲第１５項乃至第２４項の何れか一項に記載の画像処理装置。
  26. 前記教師画像は、医用画像から部分的に抽出された部分画像であることを特徴とする請求の範囲第２５項に記載の画像処理装置。
  27. 前記特定パターンは、異常陰影を示すパターンであることを特徴とする請求の範囲第２５項又は第２６項に記載の画像処理装置。
  28. 前記強調画像を用いて異常陰影候補の検出処理を施す異常陰影候補検出手段を備えることを特徴とする請求の範囲第１５項乃至第２７項の何れか一項に記載の画像処理装置。
JP2007534302A 2005-09-05 2006-08-18 画像処理方法及び画像処理装置 Pending JPWO2007029467A1 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2005256385 2005-09-05
JP2005256385 2005-09-05
PCT/JP2006/316211 WO2007029467A1 (ja) 2005-09-05 2006-08-18 画像処理方法及び画像処理装置

Publications (1)

Publication Number Publication Date
JPWO2007029467A1 true JPWO2007029467A1 (ja) 2009-03-19

Family

ID=37835590

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2007534302A Pending JPWO2007029467A1 (ja) 2005-09-05 2006-08-18 画像処理方法及び画像処理装置

Country Status (5)

Country Link
US (1) US20090169075A1 (ja)
EP (1) EP1922999B1 (ja)
JP (1) JPWO2007029467A1 (ja)
CN (1) CN101252884A (ja)
WO (1) WO2007029467A1 (ja)

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2120718A4 (en) * 2007-01-12 2016-03-09 Fujifilm Corp METHOD, DEVICE AND PROGRAM FOR PREPARING A RADIATION RECEIVING
US8013858B2 (en) * 2007-09-20 2011-09-06 Spx Corporation Statistical waveform drawing routine
US8520916B2 (en) * 2007-11-20 2013-08-27 Carestream Health, Inc. Enhancement of region of interest of radiological image
JP4952627B2 (ja) * 2008-03-21 2012-06-13 富士通株式会社 画像処理装置、画像処理方法および画像処理プログラム
JP5314954B2 (ja) * 2008-07-16 2013-10-16 株式会社ニコンシステム 画像表示方法、プログラム、及び、画像表示装置
WO2010050333A1 (ja) * 2008-10-30 2010-05-06 コニカミノルタエムジー株式会社 情報処理装置
WO2010050334A1 (ja) * 2008-10-30 2010-05-06 コニカミノルタエムジー株式会社 情報処理装置
US9122955B2 (en) * 2010-06-28 2015-09-01 Ramot At Tel-Aviv University Ltd. Method and system of classifying medical images
JP5514127B2 (ja) * 2011-01-13 2014-06-04 富士フイルム株式会社 放射線画像表示装置および方法
AU2011200830B2 (en) * 2011-02-25 2014-09-25 Canon Kabushiki Kaisha Method, apparatus and system for modifying quality of an image
JP6113024B2 (ja) * 2013-08-19 2017-04-12 株式会社Ｓｃｒｅｅｎホールディングス 分類器取得方法、欠陥分類方法、欠陥分類装置およびプログラム
JP6403393B2 (ja) * 2014-02-12 2018-10-10 住友重機械工業株式会社 画像生成装置
CN104766298B (zh) * 2014-10-22 2018-01-05 中国人民解放军电子工程学院 基于在线稀疏的红外图像冗余信息剔除方法与装置
US11221990B2 (en) 2015-04-03 2022-01-11 The Mitre Corporation Ultra-high compression of images based on deep learning
US10542961B2 (en) 2015-06-15 2020-01-28 The Research Foundation For The State University Of New York System and method for infrasonic cardiac monitoring
US10169871B2 (en) * 2016-01-21 2019-01-01 Elekta, Inc. Systems and methods for segmentation of intra-patient medical images
JP7303144B2 (ja) * 2016-04-05 2023-07-04 株式会社島津製作所 放射線撮影装置、放射線画像の対象物検出プログラムおよび放射線画像における対象物検出方法
US10803984B2 (en) * 2017-10-06 2020-10-13 Canon Medical Systems Corporation Medical image processing apparatus and medical image processing system
US11517197B2 (en) 2017-10-06 2022-12-06 Canon Medical Systems Corporation Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction
JP6930411B2 (ja) * 2017-12-15 2021-09-01 コニカミノルタ株式会社 情報処理装置及び情報処理方法
US10878576B2 (en) 2018-02-14 2020-12-29 Elekta, Inc. Atlas-based segmentation using deep-learning
WO2019183136A1 (en) * 2018-03-20 2019-09-26 SafetySpect, Inc. Apparatus and method for multimode analytical sensing of items such as food
WO2019221222A1 (ja) * 2018-05-18 2019-11-21 国立大学法人東京農工大学 学習装置、学習方法、プログラム、学習済みモデルおよび骨転移検出装置
JP7218118B2 (ja) * 2018-07-31 2023-02-06 キヤノン株式会社 情報処理装置、情報処理方法およびプログラム
US20210398254A1 (en) * 2018-10-10 2021-12-23 Shimadzu Corporation Image generation device, image generation method, and learned model generation method
US10551845B1 (en) * 2019-01-25 2020-02-04 StradVision, Inc. Method and computing device for generating image data set to be used for hazard detection and learning method and learning device using the same
JP7166189B2 (ja) * 2019-02-15 2022-11-07 東京エレクトロン株式会社 画像生成装置、検査装置及び画像生成方法
JP7334073B2 (ja) 2019-06-19 2023-08-28 キヤノンメディカルシステムズ株式会社 医用データ処理装置及び医用データ処理方法
JP7321271B2 (ja) * 2019-07-26 2023-08-04 富士フイルム株式会社 学習用画像生成装置、方法及びプログラム、並びに学習方法、装置及びプログラム
CN113240964B (zh) * 2021-05-13 2023-03-31 广西英腾教育科技股份有限公司 一种心肺复苏教学机器

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10150569A (ja) * 1996-11-15 1998-06-02 Hitachi Medical Corp 画像処理装置
JPH10255035A (ja) * 1997-03-11 1998-09-25 Hitachi Medical Corp 画像処理装置
JP2005185560A (ja) * 2003-12-25 2005-07-14 Konica Minolta Medical & Graphic Inc 医用画像処理装置及び医用画像処理システム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3642591B2 (ja) * 1994-11-29 2005-04-27 株式会社日立メディコ 画像処理装置
US6819790B2 (en) * 2002-04-12 2004-11-16 The University Of Chicago Massive training artificial neural network (MTANN) for detecting abnormalities in medical images
US6754380B1 (en) 2003-02-14 2004-06-22 The University Of Chicago Method of training massive training artificial neural networks (MTANN) for the detection of abnormalities in medical images
US7545965B2 (en) * 2003-11-10 2009-06-09 The University Of Chicago Image modification and detection using massive training artificial neural networks (MTANN)

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10150569A (ja) * 1996-11-15 1998-06-02 Hitachi Medical Corp 画像処理装置
JPH10255035A (ja) * 1997-03-11 1998-09-25 Hitachi Medical Corp 画像処理装置
JP2005185560A (ja) * 2003-12-25 2005-07-14 Konica Minolta Medical & Graphic Inc 医用画像処理装置及び医用画像処理システム

Also Published As

Publication number Publication date
EP1922999A4 (en) 2010-01-06
EP1922999A1 (en) 2008-05-21
EP1922999B1 (en) 2011-08-03
US20090169075A1 (en) 2009-07-02
WO2007029467A1 (ja) 2007-03-15
CN101252884A (zh) 2008-08-27

Similar Documents

Publication Publication Date Title
JPWO2007029467A1 (ja) 画像処理方法及び画像処理装置
Khan et al. Lungs nodule detection framework from computed tomography images using support vector machine
EP3455782B1 (en) System and method for detecting plant diseases
CN109635846B (zh) 一种多类医学图像判断方法和系统
AU705713B2 (en) Method and system for the detection of lesions in medical images
CN113592845A (zh) 一种电池涂布的缺陷检测方法及装置、存储介质
WO2013049153A2 (en) Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images
Kumawat et al. A robust edge detection algorithm based on feature-based image registration (FBIR) using improved canny with fuzzy logic (ICWFL)
Kuo et al. Automatic lung nodule detection system using image processing techniques in computed tomography
CN111507932B (zh) 高特异性的糖尿病性视网膜病变特征检测方法及存储设备
CN110956632A (zh) 钼靶图像中胸大肌区域自动检测方法及装置
Khordehchi et al. Automatic lung nodule detection based on statistical region merging and support vector machines
Samhitha et al. Prediction of lung cancer using convolutional neural network (CNN)
Chapaneri et al. Plant disease detection: A comprehensive survey
JP2006130212A (ja) 異常陰影候補検出方法、および装置、ならびにプログラム
CN117593540A (zh) 一种基于智能化图像识别技术的压力性损伤分期识别方法
Soares et al. Microaneurysms detection using a novel neighborhood analysis
Challoob et al. Retinal vessel segmentation using matched filter with joint relative entropy
Vijayarajan et al. A novel comparative study on breast cancer detection using different types of classification techniques
Sathananthavathi et al. Improvement of thin retinal vessel extraction using mean matting method
CN113989588A (zh) 一种基于自学习的五边形绘图测试智能评价系统及方法
Narhari et al. Automated diagnosis of diabetic retinopathy enabled by optimized thresholding-based blood vessel segmentation and hybrid classifier
Wei et al. An algorithm for segmentation of lung ROI by mean-shift clustering combined with multi-scale HESSIAN matrix dot filtering
Oprea et al. A self organizing map approach to breast cancer detection
Ishita et al. Brain Tumor Image Segmentation and Classification Using SVM, CLAHE and ARKFCM

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20090216

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20110224

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20110614

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20111018