WO2010035519A1 - 医用画像処理装置及びプログラム - Google Patents

医用画像処理装置及びプログラム Download PDF

Info

Publication number
WO2010035519A1
WO2010035519A1 PCT/JP2009/053855 JP2009053855W WO2010035519A1 WO 2010035519 A1 WO2010035519 A1 WO 2010035519A1 JP 2009053855 W JP2009053855 W JP 2009053855W WO 2010035519 A1 WO2010035519 A1 WO 2010035519A1
Authority
WO
WIPO (PCT)
Prior art keywords
medical image
image
candidate
distribution histogram
size
Prior art date
Application number
PCT/JP2009/053855
Other languages
English (en)
French (fr)
Inventor
聡 笠井
Original Assignee
コニカミノルタエムジー株式会社
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 コニカミノルタエムジー株式会社 filed Critical コニカミノルタエムジー株式会社
Priority to JP2010530755A priority Critical patent/JP5343973B2/ja
Publication of WO2010035519A1 publication Critical patent/WO2010035519A1/ja

Links

Images

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
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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

Definitions

  • the present invention relates to a medical image processing apparatus and a program.
  • CAD Computer-Aided Diagnosis
  • An image region where an interstitial disease has occurred is generally characterized by a ground glass-like shadow on an X-ray image, specifically, a shadow that is uniformly white.
  • CAD an image region having such characteristics is detected by image analysis.
  • a feature amount analysis is performed by an artificial neural network as described in Patent Document 2 above. There is a method of detecting a lesion candidate of an interstitial disease. JP-A-6-237925 JP-A-10-171910 US Pat. No. 5,319,549
  • the shape of the shadow is also one of the characteristics for determining whether or not the disease is a true disease, and is considered useful for detecting a lesion candidate.
  • An object of the present invention is to detect a lesion candidate using a feature amount of an image shape.
  • a distribution histogram for each size of the image portion having a specific shape in the medical image is created for one or a plurality of different shapes, and the size for the created one or a plurality of different shapes is created.
  • a medical image processing apparatus is provided.
  • the medical image processing apparatus according to claim 2, wherein the region based on the anatomical structure is a lung field region.
  • the said candidate detection means extracts a rib area
  • a medical image processing apparatus is provided.
  • a distribution histogram for each size of the image portion having a specific shape in the medical image is created for one or a plurality of different shapes, and for each size of the created one or a plurality of different shapes.
  • a program for functioning as a server is provided.
  • the present invention it is possible to detect a lesion candidate from a medical image using the feature amount of the shape of the image.
  • information on detection results of lesion candidates can be provided to doctors, and interpretation work can be supported.
  • FIG. 1 shows a functional configuration of a medical image processing apparatus 1 according to the present embodiment.
  • the medical image processing apparatus 1 includes a control unit 11, an operation unit 12, a display unit 13, a communication unit 14, a storage unit 15, and a candidate detection unit 16.
  • the control unit 11 is a control unit configured to include a CPU (Central Processing Unit), a RAM (Random Access Memory), and the like.
  • the control unit 11 executes various processes in cooperation with a program stored in the storage unit 15. In the processing, the control unit 11 performs various calculations and centrally controls the operation of each unit. For example, when a detection result of a lesion candidate detected from a medical image is input from the candidate detection unit 16, the control unit 11 causes the display unit 13 to display a display screen indicating the detection result.
  • the operation unit 12 includes a keyboard, a mouse, a touch panel configured integrally with the display unit 13, etc., and generates operation signals corresponding to these operations and outputs them to the control unit 11.
  • the display unit 13 is a display unit having a display or the like, and displays medical images, detection results of lesion candidates, and the like according to display control of the control unit 11.
  • the communication unit 14 includes a communication interface and communicates with an external device connected to the network. For example, the communication unit 14 receives a medical image that is a detection target of a lesion candidate from an imaging device that captures a medical image. In addition, the communication unit 14 transmits information on detection results of lesion candidates for the medical image together with the medical image to a server that manages the medical image.
  • the storage unit 15 is composed of a memory such as a hard disk, and stores programs, parameters, and the like.
  • the storage unit 15 stores medical images.
  • the candidate detection unit 16 is candidate detection means for detecting a region of a lesion candidate included in the medical image using the medical image data. Information of the detection result is output to the control unit 11.
  • the lesion candidate detection processing may be realized by storing a detection processing program in the storage unit 15 and performing software processing in cooperation with the stored program and the CPU. Alternatively, a hardware circuit for detection may be constructed and realized by the hardware circuit.
  • FIG. 2 is a flowchart showing processing executed by the medical image processing apparatus 1.
  • a lesion candidate for an interstitial disease that is a lung disease is detected from a medical image obtained by X-ray imaging of the chest.
  • the candidate detection unit 16 performs lesion candidate detection processing.
  • the candidate detection unit 16 performs image analysis of the medical image and extracts a lung field region included in the medical image (step S1).
  • the method for extracting the lung field is not particularly limited, and a known method can be applied.
  • the candidate detection unit 16 may create a density histogram, determine the image portion of the high density region corresponding to the lung field region from the shape and area of the density histogram, and extract the image portion as the lung field region.
  • the candidate detection unit 16 detects the contour of the lung field region by performing template matching using a template that defines the contour of the standard lung field region. It is also possible to extract a lung field region within the contour.
  • the candidate detection unit 16 When the lung field region is extracted, the candidate detection unit 16 performs image analysis of the medical image and extracts a rib region included in the medical image (step S2).
  • the method for extracting the rib region is not particularly limited, and a known method can be applied.
  • the candidate detection unit 16 determines a number of contour lines in the vertical direction (head-to-foot direction) in the lung field region of the X-ray image, and this contour line By applying a model function determined in advance, the contour portion of the rib region is estimated.
  • the candidate detection unit 16 determines a plurality of image regions to be processed in the estimated contour portion, and obtains the gradient and the direction corresponding to the gradient by the Sobel operator for each pixel of each image region.
  • the candidate detection unit 16 sets the largest gradient and its orientation among the pixels as the gradient and orientation of the image area.
  • a set is formed for each area such as the upper edge, the lower edge, the inside edge of the rib, and other than the rib in the coordinate space. Therefore, the candidate detection unit 16 extracts an image region classified into the upper edge and the lower edge of the rib in the coordinate space as a rib area outline, and extracts an area surrounded by the outline as a rib area.
  • the candidate detection unit 16 sets one or a plurality of ROIs (Region Of Interest) for a region excluding the rib region in the medical image. For example, as shown in FIG. 3, several m ⁇ m pixel ROIs are set in the lung field region between the ribs. What is necessary is just to set the size of ROI suitably.
  • ROIs Region Of Interest
  • the candidate detection unit 16 creates a distribution histogram (hereinafter referred to as a size distribution histogram) for each size of the image portion having a specific shape for one or a plurality of set ROIs (step S4). That is, a size distribution histogram is created for a lung field region that excludes the rib region.
  • the process of creating the size distribution histogram will be described with reference to FIG.
  • the process of FIG. 4 is a process performed for one ROI, and this process is repeatedly performed for each set ROI.
  • the candidate detection unit 16 sets a plurality of size n structural elements Jn (J is an identifier indicating a shape, and n is an identifier indicating a size) for a specific shape J (see FIG. 4). Step S41).
  • J is an identifier indicating a shape
  • n is an identifier indicating a size
  • Step S41 When creating a size distribution histogram for only one shape J, it is sufficient to select a shape that is easy to present a lesion to be detected as the shape J.
  • a shape such as a circle or a line may be mentioned, but a shape such as a star or an ellipse may be selected depending on the situation.
  • the opening process is performed on the binary image obtained by binarizing the ROI.
  • the opening process is a process in which contraction and expansion are repeated a certain number of times.
  • Shrinkage is performed by changing a pixel having a value of 1 to a value of 0 when the number of peripheral pixels having a value of 0 is less than or equal to a predetermined number of 1 and 0 values after binarization. It is processing.
  • Dilation is a process of changing a pixel having a value of 0 to a value of 1 when the number of peripheral pixels having a value of 1 exceeds a predetermined number for a pixel having a value of 0.
  • the candidate detection unit 16 determines whether or not the processed image Gn has been created with all the structural elements Jn of size n (step S44).
  • the candidate detecting unit 16 increments n by +1 (step S45), and proceeds to the process of step S43. That is, the candidate detection unit 16 performs the opening process on the previously created processed image Gn based on the structural element Jn + 1 that is slightly larger in size to create the processed image Gn + 1. In this way, the processes in steps S43 to S45 are repeated until the processed image Gn is created by the constituent elements Jn of all sizes.
  • the candidate detection unit 16 creates a difference image Dn between the processing images Gn having a size n close (step S46). Specifically, the absolute value of the difference value of the pixel values is obtained for the pixels at the same position between the processed image Gn and the processed image Gn + 1, and this absolute value is set as the pixel value of the differential image Dn + 1. For example, a difference image D2 is created between the processed image G1 and the processed image G2, and a difference image D3 is created between the processed image G2 and the processed image G3. The difference image D1 is created not between the processed images Gn and Gn + 1 but between the original image and the processed image G1.
  • the candidate detection unit 16 creates a size distribution histogram using each difference image Dn (step S47).
  • the candidate detection unit 16 calculates a sum dn of pixel values for each difference image Dn.
  • the candidate detection unit 16 calculates the sum ⁇ dn of the sum dn of the pixel values obtained for each difference image Dn, and creates a size distribution histogram in which dn / ⁇ dn is plotted for each size n of the shape J.
  • the candidate detection unit 16 multiplies the circular minimum element J1 by 1 to 6 to set the circular structural elements J1 to J6.
  • processed images G1 to G6 are obtained as shown in FIG.
  • the original image G0 has the same circular shape as the structural elements J1 to J6 and includes an image portion having a size smaller than the structural elements J1 to J6, the image portion is processed from the processed images G1 to G6 by the opening process. Excluded.
  • the removed image portion is extracted by the difference image D1 to D6 created using the original image G0 and the processed images G1 to G6.
  • the sum dn of the pixel values obtained from the difference images D1 to D6 indicates the content of the extracted image portion.
  • the original image G0 includes three circular images.
  • the smallest image g1 is larger than the structural element J1 but smaller than the structural element J2. Therefore, although the image g1 is included in the processed image G1 by the structural element J1, it is not in the processed image G2 by the structural element J2. Therefore, the difference image D1 between the processed image G1 and the processed image G2 includes the image g1, and the image g1 is extracted from the image G0.
  • the triangular image different from the circular shape J is not removed by the opening process, it appears in all the processed images G1 to G6. Therefore, an image portion having a shape other than the target shape J is not extracted by the difference images D1 to D6.
  • the size distribution histogram shown in FIG. 5 is obtained by plotting the dn / ⁇ dn obtained for the difference image Dn for each size n.
  • the size distribution histogram shows the content ratio for each size n of the image portion of the specific shape J included in the ROI.
  • step S5 the candidate detection unit 16 obtains the feature amount of the size distribution histogram created for each ROI, performs feature amount analysis using the feature amount, and detects a lesion candidate for an interstitial disease (step S5).
  • Examples of the feature amount calculated using the size distribution histogram include an average value, contrast, variance, standard deviation, and skew represented by the following formula.
  • the contrast feature amount indicates whether the size distribution histogram spreads flatly or is biased.
  • the skew is a feature amount indicating how much the shape of the size distribution histogram deviates from a symmetrical shape as viewed from the average.
  • n indicates the size
  • n max indicates the maximum size
  • n min indicates the minimum size.
  • P (n) indicates a value dn / ⁇ dn when the size n of the size distribution histogram is present.
  • Interstitial disease images have characteristic features such as small circular shadows and lines, knitted meshes, and ground glass. Therefore, as shown in FIG. 6, the size distribution histogram becomes larger as the size distribution histogram becomes smaller in the case where the interstitial disease is abnormal than in the normal case where no interstitial disease is seen. It is conceivable that the shape becomes characteristic. Therefore, since the calculated feature amount is considered to be different between the normal case and the abnormal case, it is possible to determine whether each ROI is normal or not by performing the feature amount analysis using the calculated feature amount. .
  • the candidate detection unit 16 uses, as learning data, a feature amount obtained for a medical image whose normality or abnormality is known in advance, and a normal feature amount group, an abnormal feature amount group, A linear discriminant for discriminating is calculated in advance. The candidate detection unit 16 determines, based on this linear discriminant, which of the feature amount group obtained for each ROI belongs to the normal feature amount group or the abnormal feature amount group.
  • the candidate detection unit 16 determines that the ROI is likely to include an image of an interstitial disease, and the candidate detection unit 16 determines that the ROI is a lesion of the interstitial disease. Detect as candidate area.
  • a size distribution histogram may be created for each of a plurality of different shapes in addition to a single shape, and feature amount analysis may be performed using the feature amounts of each size distribution histogram.
  • the size distribution histogram may be created including not only the shape found in the lesion candidate but also the shape found in the normal tissue structure.
  • the candidate detection unit 16 creates the size distribution histogram for the circular shape by executing the process shown in FIG. 4 for the circular shape often found in interstitial diseases.
  • the candidate detection unit 16 creates a size distribution histogram for each shape for shapes such as elliptical, linear, triangular, and the like that are found not only in interstitial diseases but also in normal tissue structures.
  • the candidate detection unit 16 performs feature amount analysis using the feature amount (average value or the like) obtained from each size distribution histogram.
  • the candidate detection unit 16 uses the feature values of the size distribution histograms for a plurality of different shapes obtained for medical images whose normality and abnormality are known in advance to output an output value representing normality or abnormality. Is constructed. Then, the candidate detection unit 16 inputs the feature amount of each shape obtained from the medical image to be detected to the ANN, and obtains an output value indicating normality or abnormality.
  • the detection result information is output from the candidate detection unit 16 to the control unit 11.
  • the control unit 11 receives the detection result of the interstitial disease candidate and causes the display unit 13 to display the detection result (step S6).
  • FIG. 7 shows a display example.
  • the control unit 11 displays a medical image on the display unit 13, and the position of the ROI detected as the interstitial disease candidate region in this medical image An arrow marker pointing at is displayed.
  • a marker may be displayed so as to indicate the center position of these ROIs.
  • a display method of a detection result not only the method of pointing a candidate's position with a marker but other methods, such as attaching red about a candidate ROI, may be used.
  • the candidate detection unit 16 uses the medical image data to create a size distribution histogram for each size of an image portion having a specific shape in the medical image. Further, the candidate detection unit 16 calculates a feature amount of the created size distribution histogram, and detects a lesion candidate region included in the medical image based on the result of the feature amount analysis of the feature amount. Thereby, it is possible to detect a lesion candidate using the feature amount of the shape of the shadow on the medical image. Since the detection result is displayed on the display unit 13 by the display control of the control unit 11, it is possible to support a doctor's interpretation work.
  • the candidate detection unit 16 can detect a lesion candidate by creating a size distribution histogram for each of a plurality of different shapes as well as a single shape, and analyzing the feature amount of each size distribution histogram. it can. In this case, it is possible to detect a lesion candidate based on various shade shapes, and multifaceted detection is possible. Therefore, the detection accuracy is improved.
  • the candidate detection unit 16 Prior to creating the size distribution histogram, the candidate detection unit 16 extracts a lung field region from the medical image, and uses the lung field region as a calculation target of the size distribution histogram. By narrowing down the calculation target in this way, the processing time can be shortened and efficient detection becomes possible. Similarly, prior to creating the size distribution histogram, the candidate detection unit 16 extracts the rib area from the medical image and excludes the rib area from the calculation target of the size distribution histogram. By further narrowing down the calculation target in this way, more efficient detection can be performed.
  • the said embodiment is a suitable example of this invention, and is not limited to this.
  • lesion candidate detection an example of detecting an interstitial disease from an X-ray image obtained by photographing a chest is used.
  • a candidate for a lesion such as a tumor or a microcalcification cluster is detected from an X-ray image obtained by photographing a breast.
  • the present invention can be applied, and the present invention can also be applied to a case where a candidate for a lesion such as an aneurysm is detected from an MRA (Magnetic Resonance Angiography) image obtained by photographing the head as well as an X-ray image.
  • MRA Magnetic Resonance Angiography
  • the region based on the anatomical structure where the lesion to be detected is likely to occur is a medical image.
  • a size distribution histogram may be calculated by setting an ROI in the region.
  • the opening process is performed as a two-dimensional structure in which the structural elements used for the opening process are the elements in the main scanning direction position and the sub-scanning direction position of the image.
  • an opening process is performed on a shape J of a certain size n based on a structural element Jnk to which an element of a specific pixel value k is further added, a pixel smaller than the size n of the structural element and smaller than the pixel value k
  • An image portion having a value is included in the difference image. What is necessary is just to binarize the image part extracted by this difference image with a predetermined threshold value, and create a size distribution histogram for the image part that is equal to or greater than the threshold value.
  • a non-volatile memory such as a ROM and a flash memory
  • a portable recording medium such as a CD-ROM
  • a carrier wave carrier wave is also applied to the present invention as a medium for providing program data according to the present invention via a communication line.
  • It can be used in the field of image processing, and can be applied to a medical image processing apparatus that analyzes a medical image and detects a region of a lesion candidate.

Landscapes

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

Abstract

　陰影の形状の特徴量を用いて病変候補を検出する。 　医用画像処理装置は、医用画像のデータを用いて、当該医用画像のうち特定の形状からなる画像部分のサイズ毎の分布ヒストグラムを、一又は複数の異なる形状について作成し（ステップＳ４）、前記作成した一又は複数の異なる形状についてのサイズ毎の分布ヒストグラムの特徴量を特徴量解析した結果に基づいて、前記医用画像に含まれる病変候補を検出する（ステップＳ５）候補検出手段と、表示手段と、前記病変候補の検出結果を前記表示手段に表示する（ステップＳ６）制御手段と、を備える。

Description

医用画像処理装置及びプログラム
　本発明は、医用画像処理装置及びプログラムに関する。
　従来、医用画像を画像解析することで、病変の可能性が高い画像領域を病変候補として検出する医用画像処理装置が開発されている。このような医用画像処理装置はＣＡＤ（Computer-Aided Diagnosis）と呼ばれている。ＣＡＤによれば、病変候補の検出結果を客観的な判断材料として医師に提供し、医師の読影作業の負担を軽減することができる。
　胸部を撮影した医用画像については、間質性疾患と呼ばれる肺疾患について検出を行う方法が多々開示されている（例えば、特許文献１、２、３参照）。間質性疾患が生じた画像領域は、一般にＸ線画像上ではすりガラス様の陰影、具体的には一様に白くぼやっとした陰影であることが特徴的である。ＣＡＤでは、このような特徴を有する画像領域を画像解析によって検出するのである。例えば、フーリエスペクトルによる特徴量や、濃度共起行列等のテクスチャ特徴量を用いて病変候補を検出する方法の他、上記特許文献２にも記載されているように人工ニューラルネットワークにより特徴量解析を行って間質性疾患の病変候補を検出するという方法がある。
特開平６－２３７９２５号公報 特開平１０－１７１９１０号公報 米国特許第５３１９５４９号
　しかしながら、病変部分の陰影（画像）の形状（モルフォロジ）に注目して検出を行うことは行われていなかった。陰影の形状も真の疾患かどうかを判断する特徴の一つであり、病変候補の検出に有用であると考えられる。
　本発明の課題は、画像の形状の特徴量を用いて病変候補を検出することである。
　請求項１に記載の発明によれば、
　医用画像のデータを用いて、当該医用画像のうち特定の形状からなる画像部分のサイズ毎の分布ヒストグラムを、一又は複数の異なる形状について作成し、前記作成した一又は複数の異なる形状についてのサイズ毎の分布ヒストグラムの特徴量を特徴量解析した結果に基づいて、前記医用画像に含まれる病変候補を検出する候補検出手段と、
　表示手段と、
　前記病変候補の検出結果を前記表示手段に表示する制御手段と、
　を備える医用画像処理装置が提供される。
　請求項２に記載の発明によれば、
　前記候補検出手段は、前記医用画像から人体の解剖学的構造に基づく領域を抽出し、抽出した領域を、前記分布ヒストグラムの算出対象とする請求項１に記載の医用画像処理装置が提供される。
　請求項３に記載の発明によれば、
　前記解剖学的構造に基づく領域は、肺野領域である請求項２に記載の医用画像処理装置が提供される。　
　請求項４に記載の発明によれば、
　前記候補検出手段は、前記医用画像から肋骨領域を抽出し、前記医用画像から抽出された肺野領域のうち前記抽出された肋骨領域を、前記分布ヒストグラムの算出対象から除外する請求項３に記載の医用画像処理装置が提供される。
　請求項５に記載の発明によれば、
　コンピュータを、
　医用画像のデータを用いて、当該医用画像のうち特定の形状からなる画像部分のサイズ毎の分布ヒストグラムを、一又は複数の異なる形状について作成し、作成した一又は複数の異なる形状についてのサイズ毎の分布ヒストグラムの特徴量を特徴量解析することによって、前記医用画像に含まれる病変候補を検出する候補検出手段、
　前記病変候補の検出結果を表示手段に表示する制御手段、
　として機能させるためのプログラムが提供される。
　本発明によれば、画像の形状の特徴量を用いて医用画像から病変候補を検出することができる。また、病変候補の検出結果の情報を医師に情報提供することができ、読影作業を支援することができる。
本実施形態における医用画像処理装置の機能的構成を示す図である。 医用画像処理装置により実行される処理を示すフローチャートである。 ＲＯＩの設定例である。 サイズ分布ヒストグラムを作成する処理を示すフローチャートである。 サイズ分布ヒストグラムの作成例である。 異常又は正常の場合のサイズ分布ヒストグラム例である。 間質性疾患候補の検出結果の表示例である。
　以下、図面を参照して本発明の実施の形態について説明する。
　図１に、本実施形態に係る医用画像処理装置１の機能的構成を示す。
　図１に示すように、医用画像処理装置１は、制御部１１、操作部１２、表示部１３、通信部１４、記憶部１５、候補検出部１６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る制御手段である。制御部１１は、記憶部１５に記憶されているプログラムとの協働により各種処理を実行する。処理において制御部１１は各種演算を行うとともに各部の動作を集中制御する。
　例えば、医用画像から検出された病変候補の検出結果が候補検出部１６から入力されると、制御部１１は当該検出結果を示す表示画面を表示部１３に表示させる。
　操作部１２はキーボードやマウス、表示部１３と一体に構成されたタッチパネル等を備え、これら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。
　表示部１３はディスプレイ等を備える表示手段であり、制御部１１の表示制御に従って医用画像や病変候補の検出結果等を表示する。
　通信部１４は通信用のインターフェイスを備え、ネットワークに接続された外部機器と通信を行う。例えば、通信部１４は医用画像を撮影する撮影装置から病変候補の検出対象である医用画像を受信する。また、通信部１４は医用画像を管理するサーバに、医用画像とともに当該医用画像についての病変候補の検出結果の情報を送信する。
　記憶部１５はハードディスク等のメモリから構成され、プログラムやパラメータ等を記憶する。また、記憶部１５は医用画像を記憶する。
　候補検出部１６は、医用画像のデータを用いて、当該医用画像に含まれる病変候補の領域を検出する候補検出手段である。検出結果の情報は制御部１１に出力される。病変候補の検出処理は、検出処理用のプログラムを記憶部１５に記憶しておき、当該記憶されたプログラムとＣＰＵとの協働によるソフトウェア処理によって実現してもよい。或いは、検出用のハードウェア回路を構築し、当該ハードウェア回路によって実現することとしてもよい。
　次に、上記医用画像処理装置１の動作について説明する。
　図２は、医用画像処理装置１により実行される処理を示すフローチャートである。この処理では、胸部をＸ線撮影した医用画像から肺疾患である間質性疾患の病変候補の検出が行われる。
　医用画像処理装置１ではまず、候補検出部１６により病変候補の検出処理が行われる。図２に示すように、候補検出部１６は医用画像の画像解析を行い、医用画像に含まれる肺野領域を抽出する（ステップＳ１）。
　肺野領域の抽出方法としては特に限定せず、公知の方法を適用することができる。例えば、特許第２９８７６３３号に開示されているように、Ｘ線画像では肺野領域は左右の肺部分の画像濃度が周辺より高濃度となる。よって、候補検出部１６において濃度ヒストグラムを作成し、その濃度ヒストグラムの形状や面積から肺野領域に該当する高濃度領域の画像部分を判断し、当該画像部分を肺野領域として抽出すればよい。或いは、特開２００３－６６６１号公報に開示されているように、候補検出部１６において標準的な肺野領域の輪郭を定めたテンプレートを用いてテンプレートマッチングを行うことにより肺野領域の輪郭を検出し、その輪郭内の肺野領域を抽出することもできる。
　肺野領域を抽出すると、候補検出部１６は医用画像の画像解析を行って、医用画像に含まれる肋骨領域を抽出する（ステップＳ２）。
　肋骨領域の抽出方法としては特に限定せず、公知の方法を適用することができる。例えば、特開平５－１７６９１９号公報に開示されているように、候補検出部１６においてＸ線画像の肺野領域において縦方向（頭－足の方向）にいくつもの輪郭線を定め、この輪郭線に対して予め定められたモデル関数をあてはめることで肋骨領域の輪郭部分を推定する。そして、候補検出部１６においてこの推定された輪郭部分に処理対象とする画像領域を複数定め、各画像領域の各画素についてＳｏｂｅｌオペレータによって勾配とその勾配に対応する方位とを求める。候補検出部１６は各画素の中で最も大きい勾配とその方位をその画像領域の勾配、方位とする。各画像領域の勾配と方位を座標として座標空間にプロットすると、座標空間では肋骨の上縁、下縁、肋骨の辺縁内部、肋骨以外といったような領域毎に集合が形成される。よって、候補検出部１６は座標空間において肋骨の上縁、下縁等の辺縁に分類される画像領域を肋骨領域の輪郭とし、この輪郭により囲まれる領域を肋骨領域として抽出する。
　次に、候補検出部１６は医用画像のうち肺野領域であって肋骨領域を除く領域を対象として、一又は複数のＲＯＩ（Region Of Interest；関心領域）を設定する（ステップＳ３）。例えば、図３に示すように肋骨間の肺野領域にｍ×ｍ画素のＲＯＩがいくつも設定される。ＲＯＩのサイズは適宜設定すればよい。
　次いで、候補検出部１６は設定した一又は複数のＲＯＩについて、特定の形状からなる画像部分のサイズ毎の分布ヒストグラム（以下、サイズ分布ヒストグラムという）をそれぞれ作成する（ステップＳ４）。すなわち、肺野領域であって、肋骨領域を除外した領域を対象としてサイズ分布ヒストグラムが作成される。
　サイズ分布ヒストグラムを作成する処理については、図４を参照して説明する。図４の処理は１つのＲＯＩについて行われる処理であり、設定した各ＲＯＩについてこの処理が繰り返し行われる。
　図４に示すように、候補検出部１６は特定の形状Ｊについて、複数のサイズｎの構造要素Ｊｎ（Ｊは形状を示す識別子であり、ｎはサイズを示す識別子である。）を設定する（ステップＳ４１）。１つの形状Ｊについてのみサイズ分布ヒストグラムを作成する場合、形状Ｊは検出対象とする病変が呈しやすい形状を選択すればよい。間質性疾患の場合、例えば円形や線状等の形状が挙げられるが、状況によっては星形や楕円形等の形状を選択してもよい。また、サイズｎについては最小サイズ（ｎ＝１）の構造要素Ｊ１を基準として、その構造要素Ｊ１のサイズを２倍、３倍と、整数倍したものを構造要素Ｊ２、Ｊ３と、複数設定する。
　次いで、候補検出部１６はサイズｎをｎ＝１に設定し（ステップＳ４２）、ｎ＝１つまり最小サイズの構造要素Ｊ１を元にＲＯＩにオープニング処理を施して、その処理画像Ｇ１を作成する（ステップＳ４３）。オープニング処理は、ＲＯＩを２値化した２値画像に対して行う。オープニング処理は収縮と膨張を一定回数繰り返す処理である。収縮は２値化後の１と０の値のうち、１の値を持つ画素について０の値を持つ周辺画素が所定数以下となる場合にその１の値を持つ画素を０の値に変える処理である。膨張は０の値を持つ画素について１の値を持つ周辺画素が所定数以上となる場合にその０の値を持つ画素を１の値に変える処理である。
　次いで、候補検出部１６は全てのサイズｎの構造要素Ｊｎによって処理画像Ｇｎを作成したかどうかを判断する（ステップＳ４４）。まだ全てのサイズｎの構造要素Ｊｎによって処理画像Ｇｎを作成していない場合（ステップＳ４４；Ｎ）、候補検出部１６はｎを＋１インクリメントし（ステップＳ４５）、ステップＳ４３の処理に移行する。すなわち、候補検出部１６はサイズが一回り大きい構造要素Ｊｎ＋１を元に、先に作成した処理画像Ｇｎをオープニング処理し、処理画像Ｇｎ＋１を作成する。このように、全サイズの構成要素Ｊｎによって処理画像Ｇｎが作成されるまでステップＳ４３～Ｓ４５の処理が繰り返される。
　全サイズの構成要素Ｊｎについて処理画像Ｇｎが作成されると、候補検出部１６はサイズｎが近い処理画像Ｇｎ間で差分画像Ｄｎを作成する（ステップＳ４６）。具体的には、処理画像Ｇｎと処理画像Ｇｎ＋１間で同じ位置にある画素について、画素値の差分値の絶対値を求め、この絶対値を差分画像Ｄｎ＋１の画素値とする。例えば、処理画像Ｇ１と処理画像Ｇ２間で差分画像Ｄ２が作成され、処理画像Ｇ２と処理画像Ｇ３間で差分画像Ｄ３が作成される。なお、差分画像Ｄ１は処理画像Ｇｎ、Ｇｎ＋１同士ではなく、元の画像と処理画像Ｇ１間で作成される。
　次いで、候補検出部１６は各差分画像Ｄｎを用いてサイズ分布ヒストグラムを作成する（ステップＳ４７）。サイズ分布ヒストグラムの作成において、候補検出部１６は差分画像Ｄｎ毎に画素値の和ｄｎを算出する。次いで、候補検出部１６は各差分画像Ｄｎについて求められた画素値の和ｄｎの総和Σｄｎを算出し、形状Ｊのサイズｎ毎に、ｄｎ／Σｄｎをプロットしたサイズ分布ヒストグラムを作成する。
　図５を参照して、形状Ｊを円形としたときのサイズ分布ヒストグラムの作成例について説明する。
　候補検出部１６は、円形で最小サイズの構成要素Ｊ１を１～６倍し、円形であって異なるサイズの構造要素Ｊ１～Ｊ６を設定する。元の画像Ｇ０を出発点として各構造要素Ｊ１～Ｊ６を元にオープニング処理を繰り返すことにより、図５に示すように処理画像Ｇ１～Ｇ６が得られる。元の画像Ｇ０に構造要素Ｊ１～Ｊ６と同じ円形の形状であって、構造要素Ｊ１～Ｊ６より小さいサイズの画像部分が含まれている場合、当該画像部分はオープニング処理によって処理画像Ｇ１～Ｇ６から除かれる。除かれた画像部分は、元の画像Ｇ０やそれぞれの処理画像Ｇ１～Ｇ６を用いて作成された差分画像Ｄ１～Ｄ６により抽出される。各差分画像Ｄ１～Ｄ６で求められる画素値の和ｄｎは、抽出された画像部分の含有量を示している。
　例えば、図５に示すように元の画像Ｇ０には３つの円形の画像が含まれている。そのうち最もサイズが小さい画像ｇ１は構造要素Ｊ１より大きいが構造要素Ｊ２より小さい。そのため、構造要素Ｊ１による処理画像Ｇ１には画像ｇ１が含まれているものの、構造要素Ｊ２による処理画像Ｇ２には無い。よって、処理画像Ｇ１と処理画像Ｇ２の差分画像Ｄ１には画像ｇ１が含まれ、画像Ｇ０から画像ｇ１が抽出される。
　一方、円形の形状Ｊとは異なる三角形状の画像はオープニング処理によっては除かれないため、全ての処理画像Ｇ１～Ｇ６に表れる。よって、目的とした形状Ｊ以外の形状の画像部分は差分画像Ｄ１～Ｄ６によっては抽出されないこととなる。
　このような差分画像Ｄｎについて求めたｄｎ／Σｄｎを、サイズｎ毎にプロットしたのが、図５に示すサイズ分布ヒストグラムである。サイズ分布ヒストグラムは、ＲＯＩに含まれる特定形状Ｊの画像部分のサイズｎ毎の含有率を示している。サイズ分布ヒストグラムによって、特定の形状からなる画像部分がどれだけ設定したＲＯＩ内に含まれているかを、サイズ別に把握することができる。
　以上のようにして、１つのＲＯＩについてある形状Ｊについてのサイズ分布ヒストグラムを作成すると、他のＲＯＩについても同様にサイズ分布ヒストグラムを作成する。全てのＲＯＩについてサイズ分布ヒストグラムを作成し終えると、図２のステップＳ５に戻る。
　ステップＳ５では、候補検出部１６はＲＯＩ毎に作成したサイズ分布ヒストグラムの特徴量を求め、当該特徴量を用いて特徴量解析を行って間質性疾患の病変候補を検出する（ステップＳ５）。
　サイズ分布ヒストグラムを用いて算出される特徴量としては、下記式で示される平均値、コントラスト、分散、標準偏差、スキュー等が挙げられる。なお、コントラストの特徴量はサイズ分布ヒストグラムが平坦に広がっているのか、或いは偏っているのかを示している。また、スキューはサイズ分布ヒストグラムの形状が平均からみて左右に対称な形からどれだけずれているかを示す特徴量である。
Figure JPOXMLDOC01-appb-M000001
 　上記式において、ｎはサイズ、ｎmaxは最大サイズ、ｎminは最小サイズを示している。また、Ｐ（ｎ）はサイズ分布ヒストグラムのサイズｎのときの値ｄｎ／Σｄｎを示している。
　間質性疾患の画像は、小さい円形状の陰影や線状、編み目様の網状、すりガラス状等、特徴的である。よって、図６に示すように間質性疾患が見られない正常な場合に比べて、間質性疾患がある異常な場合の方が、サイズ分布ヒストグラムは小さいサイズほど値が大きくなる等、ヒストグラム形状が特徴的となることが考えられる。そのため、正常の場合と異常の場合とでは上記算出した特徴量も異なると考えられるので、算出した特徴量を用いて特徴量解析を行うことにより各ＲＯＩが正常か異常かを判断することができる。
　特徴量解析の手法としては、例えばＬＤＡ（Liner Discriminat Analysis；線形判別分析）、ＱＤＡ（Quantitative DA；定量判別分析）、ＡＮＮ（人工ニューラルネットワーク）、ＳＶＭ（サポートベクトルマシン）、ＡｄａＢｏｏｓｔ等、何れの手法を適用してもよい。
　例えば、ＬＤＡであれば、候補検出部１６は予め正常又は異常が判明している医用画像について求めた特徴量を学習データとして用いて、正常に係る特徴量群と、異常に係る特徴量群とを判別する線形判別式を算出しておく。候補検出部１６はこの線形判別式により、各ＲＯＩについて求めた特徴量が正常に係る特徴量群と異常に係る特徴量群の何れに属するかを判別する。そして、異常に係る特徴量群に属する場合、候補検出部１６はそのＲＯＩは間質性疾患の画像を含む可能性が高いと判断し、候補検出部１６は当該ＲＯＩを間質性疾患の病変候補の領域として検出する。
　なお、１つの形状だけでなく、複数の異なる形状のそれぞれについてサイズ分布ヒストグラムを作成し、各サイズ分布ヒストグラムの特徴量を用いて特徴量解析することとしてもよい。このとき、病変候補に見られる形状のみでなく、正常組織構造に見られる形状を含めてサイズ分布ヒストグラムを作成してもよい。
　例えば、候補検出部１６は間質性疾患によく見られる円形の形状について図４に示す処理を実行して円形の形状についてのサイズ分布ヒストグラムを作成する。同様に、候補検出部１６は楕円状、線状、三角形等、間質性疾患だけでなく正常組織構造にも見られる形状を対象に、それぞれの形状についてサイズ分布ヒストグラムを作成する。そして、候補検出部１６はそれぞれのサイズ分布ヒストグラムから求められる特徴量（平均値等）を用いて特徴量解析を行う。ＡＮＮによる特徴量解析の場合、候補検出部１６は正常、異常が予め判明している医用画像について求めた異なる複数の形状についてのサイズ分布ヒストグラムの特徴量を用いて、正常又は異常を表す出力値を出力するＡＮＮを構築しておく。そして、候補検出部１６はこのＡＮＮに検出対象の医用画像から求めた各形状の特徴量を入力し、正常又は異常を表す出力値を得る。
　このように、間質性疾患によく見られる形状だけでなく、正常組織構造によく見られる形状等の様々な形状も含めて、形状毎のサイズ分布ヒストグラムを作成し、その特徴量を病変候補の検出に用いることにより、より多面的な検出を行うことができる。結果として、検出精度の向上が望める。
　候補検出部１６における病変候補の検出処理が終了すると、候補検出部１６から制御部１１にその検出結果の情報が出力される。制御部１１は、間質性疾患候補の検出結果を受けて、当該検出結果を表示部１３に表示させる（ステップＳ６）。
　図７に、表示例を示す。
　図７に示すように、間質性疾患候補の検出結果として、制御部１１は表示部１３上に医用画像を表示し、この医用画像において間質性疾患の候補領域として検出されたＲＯＩの位置を指し示す矢印のマーカを表示する。隣接する複数のＲＯＩが候補として検出された場合には、それらＲＯＩの中心位置を指し示すようにマーカを表示してもよい。
　なお、検出結果の表示方法としては、マーカによって候補の位置を指し示す方法だけでなく、候補であるＲＯＩについては赤色を付す等の他の方法であってもよい。
　以上のように、本実施形態によれば、候補検出部１６が医用画像のデータを用いて、当該医用画像のうち特定の形状からなる画像部分のサイズ毎のサイズ分布ヒストグラムを作成する。また、候補検出部１６は、作成したサイズ分布ヒストグラムの特徴量を算出し、当該特徴量を特徴量解析した結果に基づいて、医用画像に含まれる病変候補の領域を検出する。これにより、医用画像上の陰影の形状の特徴量を用いて病変候補を検出することができる。検出結果は、制御部１１の表示制御によって表示部１３に表示されるので、医師の読影作業を支援することができる。
　また、候補検出部１６は、１つの形状だけでなく異なる複数の形状についてそれぞれサイズ分布ヒストグラムを作成し、各サイズ分布ヒストグラムの特徴量を特徴量解析することにより、病変候補の検出を行うことができる。この場合、様々な陰影の形状によって病変候補の検出を行うことができ、多面的な検出が可能となる。よって、検出精度が向上する。
　また、候補検出部１６はサイズ分布ヒストグラムを作成するに先立って、医用画像から肺野領域を抽出し、この肺野領域をサイズ分布ヒストグラムの算出対象とする。このように算出対象を絞ることにより、処理時間を短縮することができ、効率的な検出が可能となる。
　同様に、候補検出部１６はサイズ分布ヒストグラムを作成するに先立って、医用画像から肋骨領域を抽出し、この肋骨領域をサイズ分布ヒストグラムの算出対象から除外する。このように算出対象をさらに絞ることにより、より効率的な検出を行うことができる。
　上記実施形態は本発明の好適な一例であり、これに限定されるものではない。
　例えば、病変候補検出の一例として胸部を撮影したＸ線画像から間質性疾患を検出する例を挙げたが、乳房を撮影したＸ線画像から腫瘤や微小石灰化クラスタ等の病変の候補を検出する場合にも本発明を適用できるし、Ｘ線画像だけでなく頭部を撮影したＭＲＡ（Magnetic Resonance Angiography）画像から動脈瘤等の病変の候補を検出する場合にも本発明を適用できる。病変が生じる人体の解剖学的構造（乳房、脳等の解剖学的に分類される構造物をいう）はそれぞれ異なるので、検出しようとする病変が生じやすい解剖学的構造に基づく領域を医用画像から抽出し、当該領域にＲＯＩを設定してサイズ分布ヒストグラムを算出するようにすればよい。
　また、上記実施形態では、オープニング処理に用いる構造要素を、画像の主走査方向の位置及び副走査方向の位置を要素とする２次元構造としてオープニング処理する例を説明した。しかし、さらに画素値を要素とする３次元構造としてオープニング処理することも可能である。具体的には、あるサイズｎの形状Ｊについてさらに特定の画素値ｋの要素を付加した構造要素Ｊｎｋを元にオープニング処理すると、その構造要素のサイズｎより小さいサイズで、画素値ｋより小さい画素値を持つ画像部分が差分画像に含まれることになる。この差分画像により抽出された画像部分を所定の閾値で２値化し、閾値以上となる画像部分についてサイズ分布ヒストグラムを作成すればよい。
　また、本発明に係るプログラムのコンピュータ読み取り可能な媒体としては、ＲＯＭ、フラッシュメモリ等の不揮発性メモリ、ＣＤ-ＲＯＭ等の可搬型記録媒体を適用することが可能である。また、本発明に係るプログラムのデータを通信回線を介して提供する媒体として、キャリアウエーブ(搬送波)も本発明に適用される。
　画像処理の分野において利用することが可能であり、医用画像を画像解析し、病変候補の領域を検出する医用画像処理装置に適用することができる。
符号の説明
１　　医用画像処理装置
１１　　制御部
１２　　操作部
１３　　表示部
１４　　通信部
１５　　記憶部
１６　　候補検出部

Claims (5)

  1. 　医用画像のデータを用いて、当該医用画像のうち特定の形状からなる画像部分のサイズ毎の分布ヒストグラムを、一又は複数の異なる形状について作成し、前記作成した一又は複数の異なる形状についてのサイズ毎の分布ヒストグラムの特徴量を特徴量解析した結果に基づいて、前記医用画像に含まれる病変候補を検出する候補検出手段と、
    　表示手段と、
    　前記病変候補の検出結果を前記表示手段に表示する制御手段と、
    　を備える医用画像処理装置。
  2. 　前記候補検出手段は、前記医用画像から人体の解剖学的構造に基づく領域を抽出し、抽出した領域を、前記分布ヒストグラムの算出対象とする請求項１に記載の医用画像処理装置。
  3. 　前記解剖学的構造に基づく領域は、肺野領域である請求項２に記載の医用画像処理装置。
  4. 　前記候補検出手段は、前記医用画像から肋骨領域を抽出し、前記医用画像から抽出された肺野領域のうち前記抽出された肋骨領域を、前記分布ヒストグラムの算出対象から除外する請求項３に記載の医用画像処理装置。
  5. 　コンピュータを、
    　医用画像のデータを用いて、当該医用画像のうち特定の形状からなる画像部分のサイズ毎の分布ヒストグラムを、一又は複数の異なる形状について作成し、作成した一又は複数の異なる形状についてのサイズ毎の分布ヒストグラムの特徴量を特徴量解析することによって、前記医用画像に含まれる病変候補を検出する候補検出手段、
    　前記病変候補の検出結果を表示手段に表示する制御手段、
    　として機能させるためのプログラム。
PCT/JP2009/053855 2008-09-25 2009-03-02 医用画像処理装置及びプログラム WO2010035519A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2010530755A JP5343973B2 (ja) 2008-09-25 2009-03-02 医用画像処理装置及びプログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2008-245566 2008-09-25
JP2008245566 2008-09-25

Publications (1)

Publication Number Publication Date
WO2010035519A1 true WO2010035519A1 (ja) 2010-04-01

Family

ID=42059529

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2009/053855 WO2010035519A1 (ja) 2008-09-25 2009-03-02 医用画像処理装置及びプログラム

Country Status (2)

Country Link
JP (1) JP5343973B2 (ja)
WO (1) WO2010035519A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012113436A (ja) * 2010-11-22 2012-06-14 Future Univ-Hakodate 画像処理装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005034211A (ja) * 2003-07-16 2005-02-10 Fuji Photo Film Co Ltd 画像判別装置、方法およびプログラム
JP2005518893A (ja) * 2002-03-04 2005-06-30 アイシス イノヴェイション リミテッド 非管理データセグメンテーション
JP2005269214A (ja) * 2004-03-18 2005-09-29 Mitsubishi Space Software Kk 画像診断支援装置及び画像診断支援方法及び画像診断支援プログラム及び画像診断支援プログラムを記録したコンピュータ読み取り可能な記録媒体

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005518893A (ja) * 2002-03-04 2005-06-30 アイシス イノヴェイション リミテッド 非管理データセグメンテーション
JP2005034211A (ja) * 2003-07-16 2005-02-10 Fuji Photo Film Co Ltd 画像判別装置、方法およびプログラム
JP2005269214A (ja) * 2004-03-18 2005-09-29 Mitsubishi Space Software Kk 画像診断支援装置及び画像診断支援方法及び画像診断支援プログラム及び画像診断支援プログラムを記録したコンピュータ読み取り可能な記録媒体

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012113436A (ja) * 2010-11-22 2012-06-14 Future Univ-Hakodate 画像処理装置

Also Published As

Publication number Publication date
JP5343973B2 (ja) 2013-11-13
JPWO2010035519A1 (ja) 2012-02-23

Similar Documents

Publication Publication Date Title
Messay et al. Segmentation of pulmonary nodules in computed tomography using a regression neural network approach and its application to the lung image database consortium and image database resource initiative dataset
US9959617B2 (en) Medical image processing apparatus and breast image processing method thereof
EP2916737B1 (en) System and method for automated detection of lung nodules in medical images
Choi et al. Genetic programming-based feature transform and classification for the automatic detection of pulmonary nodules on computed tomography images
JP5868231B2 (ja) 医用画像診断支援装置、医用画像診断支援方法ならびにコンピュータプログラム
EP2710958B1 (en) Method and system for intelligent qualitative and quantitative analysis of digital radiography softcopy reading
US8761475B2 (en) System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans
WO2018070285A1 (ja) 画像処理装置、及び画像処理方法
JP2015154918A (ja) 病変検出装置及び方法
EP3188127A1 (en) Method and system for performing bone multi-segmentation in imaging data
JP2007524488A (ja) 画像中の発散勾配フィールド応答を用いるトボガン・ベースのオブジェクト・セグメンテーション用のシステムおよび方法
JP2006034585A (ja) 画像表示装置、画像表示方法およびそのプログラム
CN114359277B (zh) 一种脑卒中患者的脑部图像处理方法及系统
JP6458166B2 (ja) 医用画像処理方法及び装置及びシステム及びプログラム
JP2006325937A (ja) 画像判定装置、画像判定方法およびそのプログラム
WO2010035518A1 (ja) 医用画像処理装置及びプログラム
JP2006006359A (ja) 画像生成装置、画像生成装置方法、およびそのプログラム
Ribeiro et al. Handling inter-annotator agreement for automated skin lesion segmentation
TWI587844B (zh) 醫療影像處理裝置及其乳房影像處理方法
CN115136189A (zh) 基于图像处理的肿瘤的自动化检测
US10307124B2 (en) Image display device, method, and program for determining common regions in images
CN112614138A (zh) 图像处理装置、系统、存储介质及图像处理方法
JP5343973B2 (ja) 医用画像処理装置及びプログラム
JP5573674B2 (ja) 医用画像処理装置及びプログラム
JP2008259710A (ja) 画像処理方法および装置ならびにプログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 09815938

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2010530755

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 09815938

Country of ref document: EP

Kind code of ref document: A1