JP2006325638A - 異常陰影候補の検出方法及び医用画像処理システム - Google Patents

Abstract

【課題】異常陰影候補を検出する基礎となる学習データの収集を容易にするとともに、検出の汎用性が高い検出方法を提供する。
【解決手段】医用画像処理システム１００では、画像生成装置１により生成された乳房画像に対し、画像処理装置２において注目領域が走査され、各種特徴量が抽出される。そして、各注目領域において特徴量が抽出される毎に、正常組織の特徴量の分布における平均から注目領域において抽出された特徴量までのマハラノビス距離が算出される。このマハラノビス距離が閾値より大きければ注目領域の特徴は、正常組織の特徴と非類似であると判断され、当該注目領域は異常陰影候補領域を構成すると検出される。
【選択図】図１

Description

本発明は、医用画像を解析し、異常陰影の候補領域を検出する異常陰影候補の検出方法及び医用画像処理システムに関する。

医療の分野においては、ＣＴ（Computed Tomography）やＭＲＩ（Magnetic Resonance Imaging）等の撮影装置により患者を撮影した医用画像をデジタルデータに変換し、医師が診断を行う際には、表示ディスプレイ上に表示して読影を行うようになってきた。特に、近年では読影医の負担軽減や異常陰影（病変部の画像部分をいう）の見落とし減少を目的として癌化部分等の異常陰影候補を検出するコンピュータ支援装置（Computer-Aided Diagnosis；以下、ＣＡＤという）が開発されてきた。

上記ＣＡＤでは、異常陰影の特徴を画像処理等の手法を利用し、特徴量化することによって異常陰影候補の検出を行っていた（例えば、特許文献１参照）。すなわち、異常陰影の特徴量を学習データとして異常陰影に類似する特徴を有する領域を異常陰影候補領域として検出していたのだが、異常陰影の症例の収集には、その病変の発生率によって非常に長い年月を要したり、多くの病院との協力が必要となる。そのため、異常陰影の特徴に関する情報、つまり学習データを収集するには多大な時間やコストがかかっていた。
特開２００２−１１２９８５号公報

また、上記のような理由から、従来は限られた異常陰影の情報から、前処理、異常陰影候補の検出処理、偽陽性候補（検出された候補のうち、正常組織等が誤検出された候補をいう）の削除処理等と、複数のステップを踏み、各ステップで特徴量を分類することにより異常陰影候補の検出精度の向上を図ってきた。しかし、このような各ステップで分類する必要がある特徴量を簡略化し、できるだけ様々な病変種に対応することができる汎用性の高いアルゴリズムを構築することが課題であった。

本発明の課題は、異常陰影候補を検出する基礎となる学習データの収集を容易にするとともに、検出の汎用性が高い検出方法を提供することである。

請求項１に記載の発明は、異常陰影候補の検出方法において、
正常組織の医用画像から抽出された特徴量を記憶手段に記憶させる工程と、
異常陰影候補の検出対象の医用画像から特徴量を抽出し、当該検出対象の医用画像の特徴量と、前記記憶された正常組織の特徴量とを比較する工程と、
前記比較の結果に基づいて、前記正常組織の特徴と非類似の特徴を有する画像領域を異常陰影の候補領域として検出する工程と、
を含むことを特徴とする。

請求項２に記載の発明は、請求項１に記載の異常陰影候補の検出方法において、
前記検出された異常陰影の候補領域を示す検出情報を表示手段上に表示する工程を含むことを特徴とする。

請求項３に記載の発明は、請求項１又は２に記載の異常陰影候補の検出方法において、
医師により操作手段を介して正常組織のみを含む医用画像が指定されると、当該指定された正常組織の医用画像から特徴量を抽出し、前記記憶手段に追加更新させる工程を含むことを特徴とする。

請求項４に記載の発明は、請求項１〜３の何れか一項に記載の異常陰影候補の検出方法において、
前記医用画像から被写体領域を認識し、当該被写体領域を複数領域に分類する工程を含み、
前記抽出される特徴量は、医用画像の被撮影者に関する生体情報、撮影に関する撮影情報、医用画像を解析して得られる画像特徴量、当該画像特徴量が抽出された画像上の位置情報又はその抽出位置における分類領域情報を含むことを特徴とする。

請求項５に記載の発明は、請求項４に記載の異常陰影候補の検出方法において、
前記医用画像を周波数分解した周波数帯域毎に前記画像特徴量を抽出し、前記記憶手段に記憶させることを特徴とする。

請求項６に記載の発明は、請求項５に記載の異常陰影候補の検出方法において、
前記周波数帯域毎に抽出する画像特徴量は、テクスチャ情報であることを特徴とする。

請求項７に記載の発明は、請求項４〜６の何れか一項に記載の異常陰影候補の検出方法において、
医用画像に対して注目領域を走査させ、当該注目領域毎に前記画像特徴量を抽出することを特徴とする。

請求項８に記載の発明は、請求項７に記載の異常陰影候補の検出方法において、
医用画像における被写体領域を抽出し、当該被写体領域に対して注目領域を走査させ、画像特徴量を抽出することを特徴とする。

請求項９に記載の発明は、請求項６〜８の何れか一項に記載の異常陰影候補の検出方法において、
前記正常組織の特徴量の分布における、当該正常組織の特徴量の平均から前記注目領域の特徴量までの距離を算出し、当該距離が所定値以上となる注目領域を、正常組織と非類似の特徴を有する異常陰影候補領域として検出する。

請求項１０に記載の発明は、請求項９に記載の異常陰影候補の検出方法において、
前記距離は、マハラノビス距離であり、
前記マハラノビス距離が所定値以上となる注目領域を異常陰影の候補領域として検出することを特徴とする。

請求項１１に記載の発明は、請求項４〜１０の何れか一項に記載の異常陰影候補の検出方法において、
前記分類領域毎に前記正常組織の特徴量を抽出して前記記憶手段に記憶させ、
前記検出対象の医用画像から抽出された特徴量をその特徴量が抽出された分類領域毎に、前記記憶された正常組織の特徴量と比較することを特徴とする。

請求項１２に記載の発明は、請求項１〜１１の何れか一項に記載の異常陰影候補の検出方法において、
前記医用画像は、乳房画像であることを特徴とする。

請求項１３に記載の発明は、請求項１２に記載の異常陰影候補の検出方法において、
前記被写体領域は、乳房画像における乳房領域であることを特徴とする。

請求項１４に記載の発明は、請求項１３に記載の異常陰影候補の検出方法において、
前記分類領域は、乳房領域、胸筋領域であることを特徴とする。

請求項１５に記載の発明は、請求項１３に記載の異常陰影候補の検出方法において、
前記位置情報は、注目領域から、乳房領域のスキンラインまでの距離、胸筋領域までの距離、乳頭部までの距離の何れかであることを特徴とする。

請求項１６に記載の発明は、請求項１〜１６の何れか一項に記載の異常陰影候補の検出方法において、
前記正常組織の特徴量の平均に対し、検出対象の医用画像から抽出した特徴量が所定値以上の差異を有する場合、異常陰影候補の検出処理を中止することを特徴とする。

請求項１７に記載の発明は、請求項１６に記載の異常陰影候補の検出方法において、
前記正常組織の特徴量の平均及び分散を算出し、前記検出対象の医用画像から抽出した特徴量が所定の分散値以上となる場合、前記異常陰影候補の検出を中止することを特徴とする。

請求項１８に記載の発明は、医用画像処理システムにおいて、
正常組織の医用画像から抽出された特徴量を記憶する記憶手段と、
異常陰影候補の検出対象の医用画像から特徴量を抽出し、当該検出対象の医用画像の特徴量と、前記記憶された正常組織の特徴量とを比較し、当該比較の結果に基づいて、前記正常組織の特徴と非類似の特徴を有する画像領域を異常陰影の候補領域として検出する異常陰影候補検出手段と、
を備えることを特徴とする。

請求項１、１８に記載の発明によれば、異常陰影候補の検出処理のための学習データとして正常組織の特徴量のみ準備すればよいので、学習データの収集が容易となるとともに、様々な病変種にも対応することができ、検出処理における汎用性が向上する。

請求項２に記載の発明によれば、医師の読影時の参考情報として検出情報を提供することができる。

請求項３に記載の発明によれば、医師が正常組織の特徴量を追加更新することができるので、使用により学習能力を高めて異常陰影候補の検出精度を向上させることができる。

請求項４に記載の発明によれば、各種特徴量により正常組織の特徴との類似性を判断することができ、その判断精度を向上させることができる。

請求項５、６に記載の発明によれば、同質の特徴を有する周波数帯域毎にテクスチャ情報の特徴量を比較することができ、正常組織の特徴との類似性を判断するにあたってその精度を向上させることができる。

請求項８、９、１０に記載の発明によれば、正常組織の特徴量の分布における分散を考慮して正常組織の特徴との類似性を判断することができる。

請求項１１に記載の発明によれば、同質の特徴を有する領域に分類し、その分類領域毎に特徴量を比較することにより、正常組織の特徴との類似性の判断精度を向上させることができる。

請求項１２、１３、１４、１５に記載の発明によれば、乳房画像の乳房領域における特徴量に基づいて、異常陰影の候補領域を検出することができる。

請求項１６、１７に記載の発明によれば、正常組織の特徴とかけ離れて非類似の特徴を有し、正常組織の陰影か異常陰影かの判断が不能である場合には検出を中止することができる。

本実施形態では、医用画像として乳房を撮影した乳房画像を用いた例を説明する。

まず、構成を説明する。
図１に、本実施形態における医用画像処理システム１００のシステム構成を示す。
医用画像処理システム１００は、医用画像を撮影し、当該医用画像に画像処理を行って異常陰影候補を検出し、医用画像とともにその検出情報を医師に提供するシステムである。

図１に示すように、医用画像処理システム１００は、画像生成装置１、画像処理装置２、プリンタ３、画像サーバ４、ビューア５を備えて構成されている。これら各装置１〜５は、ＬＡＮ（Local Area Network）等の医療機関内で構築された通信ネットワークＮを介して相互にデータを送受信可能に接続されている。通信ネットワークＮは、ＤＩＣＯＭ（Digital Imaging and Communication in Medicine）規格が適用されている。

以下、各構成装置１〜５について説明する。
画像生成装置１は、人体を撮影し、その撮影画像（医用画像）のデジタルデータを生成するものであり、例えばＣＲ（Computed Radiography）、ＦＰＤ（Flat Panel Detector）、ＣＴ、ＭＲＩ、カセッテ専用の読取装置、フィルムディジタイザ等のモダリティを適用可能である。本実施形態では、画像生成装置１として、左右乳房のＸ線撮影を行う乳房専用のＣＲを適用し、乳房画像のデータが生成されるものとする。

なお、画像生成装置１は、上述したＤＩＣＯＭ規格に準拠した装置であり、生成した医用画像に付帯させる各種情報（例えば、医用画像が撮影された患者に関する患者情報や、撮影又は検査に関する撮影情報、検査情報等。）を外部から入力可能であるとともに、自動生成することもできる。画像生成装置１は、生成された医用画像に上記付帯情報をヘッダ情報として付加して通信ネットワークＮを介して画像処理装置２へ送信する。なお、ＤＩＣＯＭ規格に準拠していない場合には、図示しないＤＩＣＯＭ変換装置を用いて付帯情報を画像生成装置１に入力させることも可能である。

画像処理装置２は、画像生成装置１から供給される医用画像に対して各種画像処理を施すとともに、当該医用画像の画像解析を行って異常陰影候補の検出処理を行う。

プリンタ３は、画像処理装置２又は画像サーバ４から受信された医用画像のデータに基づいて、フィルム等の記録媒体に医用画像を出力する。

画像サーバ４は、画像ＤＢ（Data Base）４ａを備え、この画像ＤＢ４ａに、画像生成装置１により生成された医用画像（原画像）、画像処理装置２から受信された画像処理済みの医用画像（処理画像）を保存し、その入出力を管理する。

ビューア５は、診断用に医師により使用される端末装置であり、ＬＣＤ（Liquid Crystal Display）等の表示手段、キーボードやマウス等の操作手段等を備えて構成されている。ビューア５は、医師の操作指示に応じて、指定された医用画像又は異常陰影候補の検出情報を画像サーバ４から取得して表示する。

次に、本発明に係る画像処理装置２について詳細に説明する。
図２に、画像処理装置２の内部構成を示す。
画像処理装置２は、制御部２１、操作部２２、表示部２３、通信部２４、記憶部２５、画像処理部２６、異常陰影候補検出部２７を備えて構成されている。

制御部２１は、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）等から構成され、ＣＰＵにより記憶部２５から各種制御プログラムを読み出してＲＡＭに展開する。そして、当該プログラムに従って処理の実行を統括的に制御し、各部の動作を集中制御する。例えば、本発明に係る登録処理プログラム、異常陰影候補の検出処理プログラムに従って登録処理、異常陰影候補の検出処理（各処理内容については後述する）を実行する。

操作部２２は、キーボードやマウス等を備えて構成され、キー操作やマウス操作に対応する操作信号を生成して制御部２１に出力する。

表示部２３は、ＬＣＤ等を備えて構成され、制御部２１の指示に従って画像処理時の操作画面や処理後の医用画像等、各種表示を行う。

通信部２４は、ルータやモデム等の通信用インターフェイスを備え、制御部２１の指示に従って、通信ネットワークＮ上の外部装置と通信を行う。例えば、画像生成装置１から処理対象の医用画像を受信したり、処理済みの医用画像を画像サーバ４やプリンタ３に送信する。

記憶部２５は、各種制御プログラムやプログラムの実行に必要なパラメータ、或いは処理結果のデータを記憶している。
また、記憶部２５は、特徴量ＤＢ２５１、学習ＤＢ２５２を記憶している記憶手段である。

特徴量ＤＢ２５１は、図３に示すように、乳房画像から抽出された特徴量のデータにより構築されたデータベースである。特徴量は異常陰影候補検出部２７により、医用画像に対して所定サイズの注目領域が走査され、この注目領域毎に抽出される。よって、特徴量ＤＢ２５１には、注目領域の位置情報、注目領域が位置する領域の情報、医用画像の生体情報、撮影情報、画像特徴量（テクスチャ情報、コントラスト等）等が記憶されている。各特徴量の詳細については、後述する異常陰影候補検出部２７における抽出処理と併せて説明する。
なお、特徴量ＤＢ２５１は、正常組織のみを含む乳房画像（以下、正常画像という）から抽出された特徴量と、異常陰影候補の検出対象の乳房画像から抽出された特徴量とで個別に作成され、記憶部２５に記憶されていることとする。

学習ＤＢ２５２は、正常組織群の特徴量を記憶するデータベースであり、図４に示すように、正常画像から抽出された特徴量を学習データとして記憶している。具体的には、異常陰影候補検出部２７により算出された、正常組織群の特徴量である平均μ、分散σ、分散共分散行列Σ^−１が記憶されている。これらの情報は、乳房領域の中でも異常陰影が存在する乳房領域をさらに濃度の差異によって複数の領域に分類したその領域（Ｄａ〜Ｄｃ）毎に算出され、記憶されている。なお、上記平均μ、分散σ、分散共分散行列Σ^−１については、その算出方法と併せて後述する。

画像処理部２６は、画像処理プログラムに従って医用画像に対し、階調変換処理、鮮鋭度調整処理等を実行する他、乳房画像の場合には左右の乳房の画像を隣り合わせで合成する位置合わせ処理等を実行する。

異常陰影候補検出部２７は、ＣＰＵ等から構成され、記憶部２５に記憶されている処理プログラムとの協働により、正常組織のみを含む医用画像として医師により指定操作された医用画像から特徴量を抽出し、学習データとして記憶部２５に更新記憶させて学習ＤＢ２５２を構築する。また、検出対象の医用画像から特徴量を抽出し、当該特徴量及び前記学習ＤＢ２５２に記憶された正常組織の特徴量を比較し、その比較結果に基づいて異常陰影候補の検出を行う異常陰影候補検出手段である。このとき、異常陰影候補検出の前処理として、医用画像の画像解析を行って被写体領域を認識するとともに、被写体領域を複数領域に分類する。

次に、上記医用画像処理システム１００の動作について説明する。
最初に、医用画像の生成から当該医用画像が医師の読影に付されるまでの全体的な流れを説明する。
医用画像処理システム１００では、まず画像生成装置１において撮影が行われると、医用画像（乳房画像）が生成される。そして、生成された乳房画像の関連情報として、患者情報（患者の氏名、患者ＩＤ、年齢、体重、身長等）、撮影情報（撮影方向、撮影部位、撮影条件、撮影方法等）、検査情報（検査日、担当医師名、使用モダリティ等）等が乳房画像に付帯される。付帯情報が付帯された乳房画像（原画像）は、画像生成装置１から画像サーバ４に出力されるとともに、異常陰影候補の検出対象の乳房画像として画像処理装置２に出力される。

画像処理装置２では、読影用の画像処理が乳房画像に施されるとともに、異常陰影候補の検出処理が行われ（検出処理については後述する）、その処理画像が異常陰影候補の検出情報とともに画像サーバ４に出力される。画像サーバ４では、処理画像及び検出情報が先に保存されていた原画像に対応づけて画像ＤＢ４ａに保存される。そして、ビューア５からの要求に応じてこの画像ＤＢ４ａに保存された処理画像及び検出情報がビューア５に出力される。ビューア５では、図５に示すように、表示ディスプレイ上に処理画像が表示される。このとき、異常陰影候補が検出されていれば、その検出位置を示す検出情報（図５に示す矢印のマーカ）が表示される。この表示により、医師は処理画像を読影し、検出情報を参考情報として異常陰影の診断を行う。

このとき、医師が読影した結果、異常陰影が含まれておらず、正常組織のみであったと診断した正常画像の特徴量を、画像処理装置２の学習ＤＢ２５２に登録することにより、以後の画像処理装置２における異常陰影候補の検出処理に反映することができる。このような学習ＤＢ２５２への登録を行う場合には、医師は読影画面ｄ１上に表示された登録ボタンｄ１１を押下操作する。登録ｄ１１ボタンの押下操作により、ビューア５では、読影画面ｄ１上に表示されていた乳房画像の登録指示情報が画像サーバ４に送信され、画像サーバ４ではこの登録指示情報に応じて、正常画像と指定された乳房画像（原画像）とともに当該乳房画像の登録を行う旨の指示情報が画像処理装置２に送信される。画像処理装置２では、この指示情報とともに受信された乳房画像を用いて学習ＤＢ２５２への登録処理が行われる。

以下、図６を参照して、画像処理装置２における登録処理について説明する。
図６に示す登録処理では、まず入力された乳房画像が正常画像として指定された画像であると制御部２１により判別されると（ステップＳ１；Ｙ）、異常陰影候補検出部２７により、当該正常画像の付帯情報（患者情報、撮影情報、検査情報等）から正常画像の特徴量として生体情報及び撮影情報が抽出される（ステップＳ２）。生体情報とは、正常画像の被撮影者（患者）の身体に関する情報であり、例えば患者の年齢、性別、身長、体重、血圧、肥満度等が付帯情報から抽出される。また、撮影情報とは、撮影に関する情報であり、例えば撮影方向、撮影条件（管電圧、ｍＡｓ値、管球、付加フィルタ等）、撮影方法等の情報が付帯情報から抽出される。

次に、異常陰影候補検出部２７により正常画像の画像解析が行われ、被写体領域が抽出されるとともに、当該被写体領域が複数領域に分類される（ステップＳ２）。
以下、図７を参照して、医用画像から各領域を抽出する手順について説明する。
図７は、斜位方向（以下、ＭＬＯという）で撮影された乳房画像Ｓを示す図であり、この乳房画像Ｓから被写体領域Ｓａを抽出し、被写体領域Ｓａから乳房領域Ｓａ１、胸筋領域Ｓａ２を抽出したうえで、乳房領域Ｓａ１を３つの領域Ｄａ、Ｄｂ、Ｄｃに分類する。

〈１〉まず、乳房画像Ｓにおける画素値の分散ヒストグラムを求め、判別分析法（分散ヒストグラムを２つのクラスに分割したとき２つのクラスでクラス内分散とクラス間分散の判別比（分散比）が最大となるように閾値を決定する方法）を用いて閾値を決定し、決定された閾値を用いて乳房画像Ｓを２値化する。

このとき、乳房画像Ｓにおいて素抜け領域（被写体部分に該当しない領域であり、Ｘ線が直接照射された領域）は、高濃度を呈しているため、２値化により「１」となり、その他の被写体領域は「０」となることが予想される。よって、この２値化により乳房画像Ｓを被写体領域Ｓａとそれ以外の素抜け領域Ｓｂに分割することができる。また、２値化による２領域（被写体領域と素抜け領域）の境界をスキンラインＳＬとして認識する。

〈２〉一方、撮影方向がＭＬＯである場合、被写体部分に胸筋がうつり込むため、次に被写体領域Ｓａから胸筋領域Ｓａ２を認識する。なお、撮影方向が正面方向（以下、ＣＣという）である場合には、被写体部分に胸筋は写り込まないため、被写体領域Ｓａが乳房領域Ｓａ１となる。胸筋領域Ｓａ２は、例えば被写体領域Ｓａにおける濃度勾配を算出し、当該濃度勾配から被写体領域Ｓａを胸筋領域Ｓａ２と乳房領域Ｓａ１とに分類する。なお、特開２００１−２３８８６８号公報に記載されているように局所領域を設定し、局所領域内の画素値に基づき、閾値を設定して被写体領域Ｓａ内を２値化することにより、胸筋領域Ｓａ２及び乳房領域Ｓａ１を認識することとしてもよい。

〈３〉次に、乳房領域Ｓａ１を３つの領域Ｄａ、Ｄｂ、Ｄｃに分類する。
乳房領域は、乳腺と脂肪が混在しており、その密度に応じて濃度が異なってくるため、医師が診断を行う際にはその濃度により乳房領域を分類されている。分類は、脂肪が多く、乳腺の含有率が１０％未満と考えられる高濃度領域、乳腺の含有率が１０％以上５０％未満と考えられる中濃度領域、乳腺の含有率が５０％以上を占めると考えられる低濃度領域の３つの領域に分類されることが多い。異常陰影は画像上では白く低濃度で現れるため、大胸筋の最も白い濃度に相当する低濃度領域や、やや白っぽい中濃度領域に病変部が存在する場合は、異常陰影を目視で検出しづらくなる。

よって、胸筋領域Ｓａ２の濃度を基準として乳房領域Ｓａ１を高濃度領域Ｄａ、中間濃度領域Ｄｂ、低濃度領域Ｄｃに分類する。具体的には、胸筋領域Ｓａ２の分散ヒストグラムを作成し、その形状から比較的均一な濃度の領域を抽出してこの平均濃度を閾値として各領域Ｄａ〜Ｄｃに分類する。例えば、閾値より高濃度な領域を削除した残りの領域をＤｃとし、さらに削除した高濃度の領域について閾値の３０％以上高濃度な領域をＤｂ、閾値の６０％以上高濃度な領域をＤａとすることにより、各領域Ｄａ〜Ｄｃに分類することができる。

このようにして正常画像から各領域が抽出されると、抽出された乳房領域Ｓａ１に注目領域Ｆが順次設定され、当該注目領域Ｆ毎に異常陰影候補検出部２７により画像特徴量が算出される（ステップＳ４）。
図８を参照して具体的に説明すると、四方形状の注目領域Ｆが乳房領域Ｓａ１上を走査するように設定される。この注目領域Ｆのサイズは、乳癌の一種である微小石灰化クラスタ陰影を検出する場合は、例えば５ｍｍ四方の正方形状とする等、検出目的とする異常陰影に応じて設定すればよい。また、複数サイズを設定することとしてもよく、例えば乳癌の一種である腫瘤陰影を検出する際には、例えば１ｃｍ四方の正方領域、３ｃｍ四方の正方領域を使用して画像特徴量を算出する等してもよい。

画像特徴量としては、注目領域Ｆ内の各画素値の平均画素値（濃度値）、コントラスト（注目領域Ｆ内の平均画素値と周辺領域の画素値の差）、画素値の標準偏差、フラクタル次元、曲率等の各種特徴量の他、周波数分解後のテクスチャ情報等が算出される。

テクスチャ情報は、画像を構成する直線や点等のテクスチャ（構造）の特徴を示す画像特徴量である。テクスチャ情報は、下記式（１）により定義されるウェーブレット変換により乳房画像の周波数分解を行った後に、その分解された周波数帯域毎に算出され、特徴量ＤＢ２５１に記憶される。

テクスチャ情報の算出方法としては、濃度共起行列を用いる方法、濃度差分行列を用いる方法があるが、ここでは濃度共起行列から得られる特徴量を算出する例を説明する。濃度共起行列とは、画像ｆ（ｘ、ｙ）において、ある特定の相対的な位置関係にある画素対（ｘ１、ｘ２）、（ｘ２、ｙ２）において、その濃度対が（ｉ，ｊ）となる、すなわちｆ（ｘ１、ｘ２）＝ｉ、ｆ（ｘ１、ｘ２）＝ｊとなる頻度を表すものである。

濃度共起行列を用いて下記式（２）〜（６）から、エネルギー、エントロピー、相関、局所一様性、慣性の各特徴量が算出される。

また、各画像特徴量の算出時には、その画像特徴量が算出された注目領域Ｆの位置情報が算出される。位置情報としては、注目領域Ｆの中心点からスキンラインＳＬまでの距離（画素数で示す。以下、同じ）、胸筋領域Ｓａ２までの距離、乳頭部までの距離の何れであってもよい。さらに、算出された位置情報から注目領域Ｆが乳房領域Ｓａ１において分類された領域Ｄａ〜Ｄｃのうち、何れの領域上に存在するかが判別される。

全ての特徴量の算出が終了すると、それら特徴量の情報が正常画像用の特徴量ＤＢ２５１に記憶される（ステップＳ５）。そして、注目領域Ｆが存在する分類領域Ｄａ〜Ｄｃ毎に、これら特徴量を変量とした正常陰影群の平均μ、分散σ、分散共分散行列Σ^−１が算出され、各分類領域Ｄａ〜Ｄｃにおける正常陰影群の学習データとして学習ＤＢ２５２に記憶される（ステップＳ６）。

具体的に説明する。ステップＳ４においてｉ個の特徴量が算出されたとすると、正常画像から抽出された特徴量を変量とする要素により母集団（正常陰影群）が形成され、それらの平均値縦ベクトル（以下、単に平均という）μは下記式（７）により示される。また、検出対象の特徴量からなる要素（以下、標本という）の標本値縦ベクトルｘは、下記式（８）により示される。

また、分散共分散行列Σ^−１は、後の異常陰影候補の検出処理で正常陰影群の平均（重心）と検出対象の標本とのマハラノビス距離を算出する際に必要なパラメータであり、正常陰影群の分散・共分散行列の逆行列である。この分散共分散行列Σ^−１により、マハラノビス距離は下記式（９）により算出することができる。

なお、相関行列をＲとすれば、次式（１０）によっても算出することができる。

以上のように、正常画像が登録される毎にその特徴量の抽出、正常陰影群の平均μ等の演算が実行され、正常画像の学習ＤＢ２５２が更新されていくこととなる。

次に、上記学習ＤＢ２５２により異常陰影の候補領域を検出する検出処理について説明する。
図９は、画像処理装置２において実行される異常陰影候補の検出処理の流れを説明するフローチャートである。
図９に示す検出処理では、まず検出対象の乳房画像（以下、対象画像という）が入力されると、異常陰影候補検出部２７により、この対象画像の付帯情報から対象画像の被撮影者、撮影に関する特徴量として、生体情報及び撮影情報が抽出される（ステップＴ１）。抽出された特徴量は、対象画像用の特徴量ＤＢ２５１に記憶される。

次いで、図７に示すように、対象画像から被写体領域の抽出が行われ、当該被写体領域からさらに胸筋領域、乳房領域が抽出されると、乳房領域が複数の領域Ｄａ〜Ｄｃに分類される（ステップＴ２）。次いで、乳房領域に対して注目領域Ｆが設定され、当該注目領域Ｆ内の画像特徴量及び注目領域Ｆの位置情報が算出される。また、注目領域Ｆの位置から注目領域Ｆが存在する領域は各分類領域Ｄａ〜Ｄｃの何れであるかが判別される（ステップＴ３）。ここまでの処理工程の内容は、前述した登録処理におけるステップＳ２〜４と同様であるので、その説明を省略する。

次いで、学習ＤＢ２５２から、判別された分類領域Ｄａ〜Ｄｃに応じた正常陰影群の平均μ及び分散σが読み出される。そして、注目領域Ｆから抽出された特徴量の標本の分布位置は、正常陰影群の平均μに対し、例えば３σ以上等、所定の分散値以上であるか否かが判別される（ステップＴ４）。３σ以上の分布位置にある場合（ステップＴ４；Ｙ）、正常陰影群の特徴からかけ離れて非類似であるため、正常陰影とも異常陰影とも判定できないと判断される（ステップＴ５）。その後、ステップＴ１０の処理へ移行する。

一方、３σ以内の分布位置にある場合（ステップＴ４；Ｎ）、対象画像から抽出された特徴量を変量とする標本ｘと、正常陰影群の平均μとのマハノビス距離が上述した式（９）（又は式（１０））により算出される（ステップＴ６）。マハラノビス距離の算出時には、注目領域Ｆの領域Ｄａ〜Ｄｃに応じた平均μ、分散共分散行列Σ^−１が学習ＤＢ２５２から読み出され、演算に用いられる。そして、当該マハラノビス距離と予め準備された閾値とが比較され、標本は正常陰影の特徴と類似か、或いは非類似かが判別される（ステップＴ７）。

算出されたマハラノビス距離が閾値以上である場合、すなわち標本は正常陰影群の分布外にあり、正常組織の特徴とは非類似の特徴、つまり異常陰影の特徴を有していると判別された場合（ステップＴ７；Ｙ）、マハラノビス距離が算出された注目領域Ｆには、異常陰影が含まれると判定される（ステップＴ８）。一方、マハラノビス距離が閾値未満である場合、すなわち、標本は正常陰影群の分布内にあり、正常組織の特徴と同一或いは類似する特徴を有していると判別された場合（ステップＴ７；Ｎ）、注目領域Ｆには異常陰影が含まれていないと判定される（ステップＴ９）。

一の注目領域Ｆについて異常陰影が含まれるか否かの判定が終了すると、乳房領域の全てについて注目領域Ｆを走査させたか否か、つまり、乳房領域の全域について異常陰影か正常陰影かの判定を行ったか否かが判別される（ステップＴ１０）。まだ未終了の場合は（ステップＴ１０；Ｎ）、次の隣接する位置に注目領域Ｆが設定され、ステップＴ３の処理と同様に当該注目領域Ｆ内の画像特徴量及び位置情報が算出されて（ステップＴ１１）、ステップＴ４の処理に移行する。

そして、乳房領域の全域について判定が終了すると（ステップＴ１０；Ｙ）、異常陰影が含まれると判定された注目領域Ｆを異常陰影の候補領域とする検出情報が生成される（ステップＴ１２）。この検出情報は、対象画像とともに画像サーバ４に出力され、図５に示したように、ビューア５における医師の読影に供される。

以上のように、本実施形態によれば、異常陰影候補の検出処理に用いる学習データを正常組織のみとし、この正常組織の学習データの母集団に対し、その母集団の分布外に位置する特徴量を有する画像領域、つまり正常組織の特徴と非類似の特徴を有する画像領域を異常陰影の候補領域として検出する。これにより、学習データの収集を容易にすることができるとともに、様々な病変種にも対応することができ、検出処理における汎用性が向上する。

また、医師が読影中に異常陰影が無いと判断した正常画像から、正常組織の学習データを追加更新することができる構成としたので、使用により学習能力を高めて異常陰影候補の検出精度を向上させることができる。さらに、一枚の正常画像から多くの学習データを得ることができるので、学習の効率化を図ることができるとともに、より検出処理の汎用性を向上させることができる。

また、異常陰影が存在する乳房領域Ｓａ１を画像の特徴が異なる領域Ｄａ〜Ｄｃ毎に分類し、学習データの保存時又は異常陰影候補の検出処理時には画像特徴量をその画像特徴量が算出された分類領域Ｄａ〜Ｄｃ毎に保存するので、特徴が類似する分類領域Ｄａ〜Ｄｃ毎に正常組織と注目領域Ｆの画像特徴量を比較することができ、検出精度を向上させることができる。

さらに、比較時には、正常組織の学習データ群の平均（重心）と注目領域Ｆの画像特徴量のマハラノビス距離を算出し、このマハラノビス距離に基づいて注目領域Ｆが正常組織の特徴と非類似かどうか、つまり異常陰影候補か否かを判断する。よって、正常組織の学習データ群の分散を考慮しながら注目領域Ｆとの特徴の違いを判断することができ、検出精度を向上させることができる。

なお、上述した説明では、画像処理装置２において記憶手段、異常陰影候補検出手段を備える構成としたが、これに限らず、医用画像処理システム１００の何れの構成装置で各手段を実現することとしてもよい。

本実施形態における医用画像処理システム１００のシステム構成を示す図である。 画像処理装置２の内部構成を示す図である。 特徴量ＤＢのデータ構成例を示す図である。 学習ＤＢのデータ構成例を示す図である。 正常組織の学習データを更新登録可能な読影画面例を示す図である。 画像処理装置により実行される登録処理の流れを説明するフローチャートである。 乳房画像における被写体領域を複数領域に分類したものを示す図である。 画像特徴量を算出する処理単位である注目領域の設定方法を説明する図である。 画像処理装置により実行される異常陰影候補の検出処理を説明するフローチャートである。

符号の説明

１００ 医用画像処理システム
１ 画像生成装置
２ 画像処理装置
２１ 制御部
２５ 記憶部
２５１ 特徴量ＤＢ
２５２ 学習ＤＢ
２７ 異常陰影候補検出部
３ プリンタ
４ 画像サーバ
４ａ 画像ＤＢ
５ ビューア

Claims (18)

1. 正常組織の医用画像から抽出された特徴量を記憶手段に記憶させる工程と、
   異常陰影候補の検出対象の医用画像から特徴量を抽出し、当該検出対象の医用画像の特徴量と、前記記憶された正常組織の特徴量とを比較する工程と、
   前記比較の結果に基づいて、前記正常組織の特徴と非類似の特徴を有する画像領域を異常陰影の候補領域として検出する工程と、
   を含むことを特徴とする異常陰影候補の検出方法。
2. 前記検出された異常陰影の候補領域を示す検出情報を表示手段上に表示する工程を含むことを特徴とする請求項１に記載の異常陰影候補の検出方法。
3. 医師により操作手段を介して正常組織のみを含む医用画像が指定されると、当該指定された正常組織の医用画像から特徴量を抽出し、前記記憶手段に追加更新させる工程を含むことを特徴とする請求項１又は２に記載の異常陰影候補の検出方法。
4. 前記医用画像から被写体領域を認識し、当該被写体領域を複数領域に分類する工程を含み、
   前記抽出される特徴量は、医用画像の被撮影者に関する生体情報、撮影に関する撮影情報、医用画像を解析して得られる画像特徴量、当該画像特徴量が抽出された画像上の位置情報又はその抽出位置における分類領域情報を含むことを特徴とする請求項１〜３の何れか一項に記載の異常陰影候補の検出方法。
5. 前記医用画像を周波数分解した周波数帯域毎に前記画像特徴量を抽出し、前記記憶手段に記憶させることを特徴とする請求項４に記載の異常陰影候補の検出方法。
6. 前記周波数帯域毎に抽出する画像特徴量は、テクスチャ情報であることを特徴とする請求項５に記載の異常陰影候補の検出方法。
7. 医用画像に対して注目領域を走査させ、当該注目領域毎に前記画像特徴量を抽出することを特徴とする請求項４〜６の何れか一項に記載の異常陰影候補の検出方法。
8. 医用画像における被写体領域を抽出し、当該被写体領域に対して注目領域を走査させ、画像特徴量を抽出することを特徴とする請求項７に記載の異常陰影候補の検出方法。
9. 前記正常組織の特徴量の分布における、当該正常組織の特徴量の平均から前記注目領域の特徴量までの距離を算出し、当該距離が所定値以上となる注目領域を、正常組織と非類似の特徴を有する異常陰影候補領域として検出する請求項６〜８の何れか一項に記載の異常陰影候補の検出方法。
10. 前記距離は、マハラノビス距離であり、
    前記マハラノビス距離が所定値以上となる注目領域を異常陰影の候補領域として検出することを特徴とする請求項９に記載の異常陰影候補の検出方法。
11. 前記分類領域毎に前記正常組織の特徴量を抽出して前記記憶手段に記憶させ、
    前記検出対象の医用画像から抽出された特徴量をその特徴量が抽出された分類領域毎に、前記記憶された正常組織の特徴量と比較することを特徴とする請求項４〜１０の何れか一項に記載の異常陰影候補の検出方法。
12. 前記医用画像は、乳房画像であることを特徴とする請求項１〜１１の何れか一項に記載の異常陰影候補の検出方法。
13. 前記被写体領域は、乳房画像における乳房領域であることを特徴とする請求項１２に記載の異常陰影候補の検出方法。
14. 前記分類領域は、乳房領域、胸筋領域であることを特徴とする請求項１３に記載の異常陰影候補の検出方法。
15. 前記位置情報は、注目領域から、乳房領域のスキンラインまでの距離、胸筋領域までの距離、乳頭部までの距離の何れかであることを特徴とする請求項１３に記載の異常陰影候補の検出方法。
16. 前記正常組織の特徴量の平均に対し、検出対象の医用画像から抽出した特徴量が所定値以上の差異を有する場合、異常陰影候補の検出処理を中止することを特徴とする請求項１〜１６の何れか一項に記載の異常陰影候補の検出方法。
17. 前記正常組織の特徴量の平均及び分散を算出し、前記検出対象の医用画像から抽出した特徴量が所定の分散値以上となる場合、前記異常陰影候補の検出を中止することを特徴とする請求項１６に記載の異常陰影候補の検出方法。
18. 正常組織の医用画像から抽出された特徴量を記憶する記憶手段と、
    異常陰影候補の検出対象の医用画像から特徴量を抽出し、当該検出対象の医用画像の特徴量と、前記記憶された正常組織の特徴量とを比較し、当該比較の結果に基づいて、前記正常組織の特徴と非類似の特徴を有する画像領域を異常陰影の候補領域として検出する異常陰影候補検出手段と、
    を備えることを特徴とする医用画像処理システム。

Images