JP2007007440A

JP2007007440A - 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置

Info

Publication number: JP2007007440A
Application number: JP2006244130A
Authority: JP
Inventors: Maryellen L Giger; エル．ジガーメアリーエレン; Ming Zhang; ザーンミン; Ping Lu; ルーピン
Original assignee: Arch Development Corp
Current assignee: Arch Development Corp
Priority date: 1995-02-24
Filing date: 2006-09-08
Publication date: 2007-01-18
Also published as: EP0757544B1; ATE491393T1; AU5170196A; JP2004032684A; JPH10503961A; DE69638305D1; EP0757544A4; US5657362A; JP2007289729A; CA2188394C; WO1996025879A1; JP4634418B2; EP0757544A1; CA2188394A1; AU706993B2

Abstract

【課題】乳房撮像のような医療画像における腫瘤および／または組織（実質組織変形）のひずみ像などの病巣を自動化して検出する。
【解決手段】（a）乳房撮像画像内において解剖学的高濃度部分を識別するステップと、（b）前記高濃度部分を処理するステップとから成り、前記画像の前記高濃度部分を識別するステップが、(Ｉ)対象領域を、複数の画素を有する前記画像内の、胸壁と乳房境界の少なくとも１つに近接する前記画像上に位置付けするステップと、(II)第１の画素のグレーレベルヒストグラムを得るステップと、(III)第２のグレーレベルヒストグラムを得るステップと、(IV)グレーレベル閾値を求めるステップと、から成る乳房撮像画像の視覚化を高める方法。
【選択図】図１

Description

本発明は、画像における腫瘤や実質組織変形の像のような病巣の改良されたコンピュータ化による自動化された検出と特性把握についての方法と装置に一般に関する。特に本発明は、乳房撮像内の高濃度領域の分離、高濃度パーセントに関する計算、高濃度部分の補正、およびＨｏｕｇｈスペクトルに基づく分析を含む、腫瘤や実質組織変形の像のような病巣を検出する方法と装置に関する。腫瘤および／または実質組織変形の像の検出により、疑わしい領域の特定ができ、またその特性把握により、癌の可能性が判断できる。

乳房撮像は、乳癌を検出する現在では最上の方法であるが、乳癌を有し、かつ乳房撮影を受けた女性の１０〜３０％は、病巣が無いとした乳房撮影結果を有する。これらの誤って病巣が無いとした乳房撮像の約３分の２において、放射線技師は、回顧的に明らかであった癌を検出できなかった。この見逃した検出は、Ｘ線写真結果の微妙な特性（すなわち病巣の低い顕著さ）、低い画像品質、放射線技師の眼の疲労または見過ごしによるであろう。加えて、二重読み取り（二人の放射線技師による）は、感度を増加できることが示唆されている。選別手順の効率と有効性は、乳房撮像画像内の疑わしい異常の場所を示して放射線技師を支援するために、「第２の意見または第２の読み取り」としてコンピュータシステムを使用することにより、向上できることは明らかである。加えて乳房撮像は、放射線技師により日常的に解明される大量のＸ線手順となってきている。

疑わしい領域が放射線技師により検出されるならば、放射線技師は、種々のＸ線写真特性を目視で抽出する必要がある。ついで放射線技師は、これらの特徴を使用して、異常が悪性または良性とみなされるかどうか、およびどのような処置の順序を勧告すべきか（すなわち選別への戻り、事後確認への対応、または生検への対応）を判断する。多くの患者は、Ｘ線写真で検出された微小カルシウム沈着の病巣または腫瘤に基づいて、外科的生検について調べられる。良性と悪性との乳房病巣間の相違の一般的な規則は存在するが、現在のＸ線写真技法では、病巣のかなりの誤った分類が生じる。平均的に、外科的乳房生検について調べられた腫瘤の１０〜２０％だけが実際に悪性である。

（発明が解決しようとする課題）
かくして、コンピュータ使用の他の目的は、多くの誤って悪性の病巣が有るとした診断を減らすことにより、放射線技師を支援するために、客観的な仕方で良性と悪性の病巣の特性を抽出し、分析することにあり、それにより、患者の死亡率および実施される外科的生検数、ならびにそれに伴う合併症を減らす。

したがって本発明の目的は、乳房の画像のような医療画像における腫瘤と生体組織変形の像のような病巣を検出、分類および表示する方法と装置を提供することにある。

本発明の他の目的は、Ｈｏｕｇｈスペクトル分析およびＨｏｕｇｈスペクトルデータの改良された閾値処理（区分）に基づいて腫瘤や構造変形の像のような病巣を検出および／または分類する自動化された方法と装置を提供することにある。

本発明の別の目的は、高濃度パーセントおよび関連する指標を求めるために乳房撮像内の乳房の高濃度部分を区分し、および人間視野およびコンピュータ視野用に引き続く画像処理で使用する自動化された方法と装置を提供することにある。

本発明のさらに別の目的は、乳房撮像内の皮下脂肪を区分する自動化された方法と装置を提供することにある。

本発明の他の目的は、高濃度部分内の病巣の検出性を高めるために、高濃度部分内で背景補正する自動化された方法と装置を提供することにある。

本発明のさらに他の目的は、左右両側除外方法をまねて初期画像と脂肪組織との差画像を生成して疑いのある病巣を区分する自動化された方法と装置を提供することにある。

これらの目的および他の目的は、新規の改良され、自動化された方法と装置を提供することにより、本発明に従って達成され、そこにおいて、乳房撮像内の高濃度領域および皮下脂肪領域の区分が実施され、続いて高濃度部分内での任意選択の補正が実施され、および／またはそこにおいて、針骨状病巣および／または実質組織変形の像の分析と検出が実施される。

（発明の実施の形態）
ここで図面、特に図１を参照すると、乳房画像における病巣を検出および分類する自動化された方法の概略図が示される。この全体方式には、一対の乳房撮像の初期取得とディジタル化（ステップ１００）が含まれる。次に乳房境界は、画像部位の残りから区分され（ステップ１０１）、また皮下脂肪の領域は識別される（ステップ１０２）。形態学的フィルタリングが実施され（ステップ１０３）、ＲＯＩ（対象領域）は胸壁に沿って置かれ（ステップ１０４）、ヒストグラム分析が全体画像領域と、丁度ＲＯＩ内とで実施される（ステップ１０５）。ヒストグラム分析から求められた閾値を使用して、画像は、閾値処理されて高濃度部分が生じ（ステップ１０６）、高濃度パーセントが計算される（ステップ１０７）。

乳房撮像は、従来のＸ線写真技法を使用して得られる。乳房撮像は、例えばレーザスキャナーを使用してディジタル化される。ディジタル画像は、一般的に２０４８画素Ｘ２５００画素のものである。ただし画素サイズは０．１ｍｍである。乳房撮像は、サブサンプルされるか、または平均化されて、０．５ｍｍの有効サイズが得られ、結果として５１２Ｘ５１２の画像となる。

乳房境界の区分（ステップ１０１）は、Ｂｉｃｋなどへ付与された出願番号０８／１５８，３２０に記載されるように実施でき、その開示は、ここに参照として組み込まれる。この区分体系は、乳房の境界に対応する画像内の画素を識別し、かくして、乳房領域に対応する画素を識別する。

次に皮下脂肪は、ステップ１０２で識別される。図２は、本発明に従う、乳房撮像内の皮下脂肪を区分する自動化された方法を図示する概略図である。画像がディジタル形態にされ（ステップ２００）、乳房領域が区分された（ステップ２０１）後、乳首位置が求められる（ステップ２０２）。乳首位置は、出願番号０８／１５８，３２０に記載されるように、内部と外部の乳房皮膚ラインを分析して求めることができる。皮下脂肪を識別するための画像内の開始点は、乳房境界上の乳首位置である。ついで、グレイレベル閾値が、図４Ａおよび４Ｂを参照して以下に説明されるように求められる（ステップ２０３）。同一列上の画素は、画素値が閾値（すなわち１０ビットスケール上で４５０）未満、および開始画素までの距離（Ｘ方向の）が最大オフセット未満の場合、乳房領域から除かれる（オフセットは通常、０．５ｍｍの画素サイズの場合は４０画素であり、それは経験的に求められた）。これらの除かれた画素は、皮下脂肪とみなされる。次の列上に、乳首境界からの開始画素がある。この列上の画素は、対応する画素値が閾値未満の場合、乳房領域から除かれ、すなわちこの列上の端部画素は、例えば前の列の端部画素から、設定された画素数以内にある必要がある（幅は通常、０．５ｍｍの画素サイズの場合は７画素であり、それは経験的に求められた）。このプロセスは、乳房の底部（または上端部）に達するまで繰り返される。このプロセスは、乳房の残りの上端部（または底部）について繰り返される。除かれた全ての画素は、乳房領域の皮下脂肪部分の一部であるとみなされる。

除かれた画素を有する画像は、ステップ１０３において形態学的フィルタリングを受ける（図１）。形態学的フィルタリングは、例えば、ＪｏｈｎＲｕｓｓ著「画像処理ハンドブック」、第２版（CRC Press, 1995）に記載される。このフィルタリングにより、分離された画素が減少する。

図３Ａおよび３Ｂは、乳房領域内の対象領域（ＲＯＩ）の位置決めを図示する図である。所定の幅と高さを有するＲＯＩは、ＲＯＩ３００および３０１により示されるように、胸壁から所定の距離（ｍｍまたは画素数）の所に位置決めされる。乳房撮像内の胸壁側の位置は、乳房の外側とは非常に異なるので、乳房区分ステップ中に求められる。ＲＯＩ３００は、図３Ａの乳房図の垂直胸壁（または乳房境界縁）に従うので、ほぼ矩形であり、一方、ＲＯＩ３０１は、胸壁に従うので曲がる。

図４Ａおよび４Ｂは、図３のＲＯＩ内（４Ｂ）、および乳房領域内（４Ａ）のグレイレベルのヒストグラムを図示するグラフである。このグラフは、閾値レベルを求めるのに使用される位置決めされたピークを示す。グレイレベルのヒストグラムは、一定の乳房撮像について、乳房領域内およびＲＯＩ内で計算される。この検討で使用されたディジタイザーの場合、高い画素値（グレイレベル）は、低い光学密度に対応する。乳房の高濃度「解剖組織」部分は、乳房撮像上の「白い」部分であり、低い光学密度に対応する。かくして、乳房領域内の場合に示されるヒストグラムにおいて、その分布は、乳房における脂肪質部分（高い光学密度と低い画素値）および高濃度部分（低い光学密度と高い画素値）の存在による。一般的に乳房は、外部部分において高濃度になり、また胸壁近くで脂肪質になりやすい。かくして、胸壁近くのＲＯＩは、乳房領域全体のものと比較されるように、脂肪質部分のグレイレベルを示すのに使用できる。

図５Ａおよび５Ｂは、領域５００および５０１として示されている高濃度部分でグレイレベル閾値処理をした後の、乳房画像を図示する図である。高濃度領域に対応する白い部位が残っていることに留意する。加えて脂肪組織の切離しに対応するグレイレベルを全体画像から除外することにより、病巣の可視性を向上できることが分かる。この結果は、脂肪による誤って病巣が有るとした診断数を減らすという点で、左右両側除外で得られたものと同様である。左右両側除外手法の検討については、Ｇｉｇｅｒなどへ付与された米国特許第５，１３３，０２０号を参照されたい。その開示は、ここに参照として組み込まれる。ついで除外された画像は、左右両側除外された画像について実施されたように、同様な閾値処理および特徴抽出手法の実施を受けることができる。

図６Ａ〜６Ｄは、脂肪画素の除外を図示する。図６Ａは、脂肪に対応するグレイレベルを除外後の図３Ａに示される初期画像に対応する。図６Ｂは、図６Ａのバイナリ画像である。図６Ｃは、脂肪に対応するグレイレベルを除外後の図３Ｂに示される初期画像に対応する。図６Ｄは、図６Ｃのバイナリ画像である。小さい分離された画素は、処理により、例えば形態学的開放操作により除去できる。この除外プロセスは、グレイレベルに関して、または相対的Ｘ線暴露（撮像装置の特性カーブの使用により）に関して実施できる。脂肪質レベルの除外後、画像は、左右両側除外方法の多重グレイレベル閾値処理および特徴分析段階により処理できる。多重グレイレベル閾値処理および特徴分析手法は、Ｇｉｇｅｒなどへ付与された出願番号０８／１５８，３８９に記載され、その開示は、ここに参照として組み込まれる。

図７は、高濃度パーセントを求める方法を図示する図である。高濃度パーセントは、高濃度部分内（閾値を超える）の画素数の、乳房領域内（皮下脂肪領域を除く）の画素数に対する比から計算される。高濃度パーセントは、Ｘ線写真乳房画像の分類および解釈に使用される、放射線技師にとり有用な尺度であり、またコンピュータ視界手法に有用である。

図８は、乳房撮像内の高濃度部分を補正する方法を図示する図である。高濃度部分は、乳房および皮膚領域近くに存在する傾向があり、一方、脂肪質領域は、通常、乳房領域内の胸壁に沿って見出すことができる。ヒストグラムの分析により、高濃度領域切離しに対応するピーク位置を突き止められる。２つのピークは、脂肪質および高濃度の画素についての閾値を求めるのに使用される。先ず、上記のように、ディジタル乳房撮像画像が得られ（ステップ８００）、また高濃度部分が位置を突き止められる（ステップ８０１）。グレイレベル閾値処理が実施され、また乳房が十分に高濃度ならば、背景傾向補正が、高濃度領域内で実施される。例えば高濃度パーセントについての十分な尺度は、４０％であろう。この手順は、乳房を、より均一な背景で「脂肪質状」にする傾向がある（緻密性に関して）。背景傾向補正は、二次元表面フィットを使用して実施され、そこにおいて、閾値未満の画素（すなわち脂肪質）は、フィットを求める際に含まれない（ステップ８０２）。ついで二次元表面フィットは、高濃度領域から除外される（ステップ８０３）。

背景の除外は、結果として生じた画像の平均グレイ値を変える傾向がある。結果として生じた画像のグレイ値を、初期画像の平均グレイレベルへ合致させるのが望ましい。結果として生じた画像は、初期画像の平均グレイレベルへ合致させるために正規化される（ステップ８０４）。また高濃度領域の縁部は、図９Ｂにおいて僅かに明らかである。正規化後に高濃度部分は補正されている。

図９Ａおよび９Ｂは、図３Ａおよび３Ｂの画像の高濃度部分の補正後の乳房画像をそれぞれ図示する図である。乳房の濃度は、補正により、より均一になっていることが分かる。

図１０Ａおよび１０Ｂは、処理画像エンハンスメント段階と特徴抽出段階において、高濃度部分補正の病巣検出スキームへの組み込みをそれぞれ図示する図である。図１０Ａにおいて、ディジタル画像が得られ（ステップ１０００）、また高濃度部分処理が実施できる（ステップ１００１）。この時点で、高濃度部分補正は、病巣の顕著さを増加し、かつ検出感度を向上する役目をする。画像処理は、左右両側除外のような、画像の信号雑音比を増加するのに使用される手法から成る。画像の処理後、出願番号０８／１５８，３５９に記載されるように、画像の特徴が抽出される（ステップ１００３）。抽出された画像は、真円度、サイズ、不規則性および緻密性などの形状に基づく特徴、コントラスト、平均画素値、画素値の標準偏差および平均値の標準偏差に対する比などの強さに基づく特徴、ならびに平均勾配および勾配の標準偏差などの勾配に基づく尺度であってよい。抽出された特徴（例えば、抽出できる特徴を列挙する図１２Ａを参照）は、予想される病巣を診断および検出するように学習された人工ニューラルネットワーク（ステップ１００４）のような検出スキームへ入力される。そのネットワークは、予想される病巣の画像の位置の表示を出力する（ステップ１００５）。この手順も、出願番号０８／１５８，３５９に記載される。

図１０Ｂに示される方法は、高濃度部分処理（ステップ１００１）が特徴抽出のステップ１００３で実施されるという点で、図１０Ａのものと異なる。この時点における高濃度処理は、画像における誤って病巣が有るとした診断数を減らすようにしている。特徴は、画像が処理され、かつ高濃度部分が補正された後に、画像から抽出される。特徴抽出段階において、高濃度部分補正は、改良された領域成長の生成および実質組織変形背景からの抽出に役立つ。

画像処理段階と特徴抽出段階において高濃度処理を使用することができる。

図１１Ａおよび１１Ｂは、放射線技師により、およびコンピュータにより求められた７４０枚の乳房撮像のデータベースにおける高濃度乳房の分布を図示するヒストグラムをそれぞれ示す。コンピュータによる評価および放射線技師による評価は、統計的に有効なレベルで良好な相関があることが判明した。

図１２Ａ〜１２Ｃは、コンピュータ支援病巣検出スキームにおける高濃度部分補正の使用を図示する。図１２Ａは、二重乳房撮像分析を示し、そこにおいて、左右両側除外される画像を生成するために左右両側除外され（ステップ１２０２）右と左の乳房撮像が得られる（ステップ１２００およびステップ１２０１）。左右両側除外は、例えば、米国特許第５，１３３，０２０号に記載される。特徴抽出（ステップ１２０３）は、除外された画像を使用して実施される。図１０Ｂに関して説明したように、高濃度部分処理（ステップ１２０４）は、特徴抽出の時点で実施される。抽出された特徴は、病巣を検出するように学習された人工ニューラルネットワーク（ステップ１２０５）のような検出スキームへ入力される（図１０Ａおよび１０Ｂに示されるものと同様）。エキスパートシステムおよびルールに基づくシステムのような他の検出スキームも使用できる。人工ニューラルネットワークは、検出された病巣の画像における表示を提供する（ステップ１２０６）。

高濃度部分分析は、予想される病巣の特徴分析にも適用できる。乳房撮像における予想される病巣の特徴分析の方法は、図１２Ｂに示される。図１２Ｂは、図１２Ａのステップ１２０３〜１２０６の詳細な図である。ステップ１２１０において、乳房撮像における予想される病巣の位置が得られる。乳房撮像における病巣の識別は、非線形左右両側除外などの多くの仕方で実施できる。次に、その位置が高濃度部分にあるかどうかが判断される（ステップ１２１１）。Ｙｅｓならば、背景傾向補正がステップ１２１３において実施され（図８に関して上述したように）、ついでこの方法は、領域成長のステップ１２１３まで進む。Ｎｏならば、この方法は、ステップ１２１３へ直接進む。領域成長後、領域成長の特徴は、抽出され（ステップ１２１４）、また人工ニューラルネットワークへ入力される（ステップ１２１５）。このネットワークは、病巣を検出し、かつ一部の誤って病巣が有るとした診断を除く（ステップ１２１６）。領域成長および成長した領域からの特徴抽出も、出願番号０８／１５８，３５９に記載される。

高濃度部分の補正において、乳房領域の高濃度部分内の画素値は、多項式関数などを使用してフィットされる。ついでこのフィットは、乳房領域の高濃度部分から除外される。これは、実質組織変形背景からの病巣のコンピュータ化抽出に使用される領域成長を向上するために、特徴分析中に実施された（ステップ１２１３）。この手法により、左右両側除外病巣検出スキームにおいて誤って病巣が有るとした診断が減少される。

図１２Ｃは、単一の乳房撮像だけを使用するコンピュータ化検出スキームを示す。ステップ１２２０および１２２１において、単一の乳房撮像および乳房撮像の脂肪値が得られる。脂肪値は、図６Ａ〜６Ｄに関して上述したように求められ、そこにおいて脂肪質組織についての切り離しに対応する画素値が乳房撮像から除外される（ステップ１２２２）。疑わしい病巣、特徴の抽出と特徴の分析、その特徴を、学習した人工ニューラルネットワークなどの検出スキームへの入力、および病巣の検出（ステップ１２２３〜１２２５）がついで実施される（出願番号０８／１５８，３５９参照）。

図１３は、高濃度部分が、コンピュータ化検出スキームにおいて、特徴分析前に背景補正されるとき、性能の向上を図示するグラフである。

図１４は、Ｈｏｕｇｈスペクトルを使用する乳房画像における腫瘤と組織（実質組織変形）のひずみ像のような病巣を検出する自動化された方法を図示する概略図である。乳房撮像の放射状病巣および構造的ひずみ像は、通常、悪性のものに伴うので、それらは、乳癌の選別において重要な徴候となる。自動化したこの方法は、Ｈｏｕｇｈスぺクトルに基づく形状組織分析を使用して、これらの病巣を検出する。Ｈｏｕｇｈスぺクトル手法は、従来のＨｏｕｇｈ変換から実用化され、形状構造の解釈に有効である。Ｈｏｕｇｈスぺクトルは、そのような機能を受け継ぎ、放射状病巣の針状体のような、本来形状的なものである組織特徴を解釈する組織分析まで、その機能を拡大している。

ステップ１４００において、ディジタル化された乳房撮像が、その初期形態で得られるか、または任意選択の事前処理（ステップ１４０１）後に得られる。任意選択の事前処理は、例えば、高濃度部分処理、ヒストグラム均等化、周辺エンハンスメントまたは縁部エンハンスメントから構成できる。ついでＲＯＩ（対象の領域）は、画像において選択され（ステップ１４０２）。ついで、これらのＲＯＩのそれぞれは、Ｈｏｕｇｈスぺクトルに変換され（ステップ１４０３）、その後、スぺクトルの統計的特性に基づく閾値レベルで、閾値処理が実施される（ステップ１４０４）。ついで、針骨状のものの強い信号を有するＲＯＩは、主要な疑わしい領域として除かれる（ステップ１４０５）。これらの領域は、さらに特徴分析の処理を受け（ステップ１４０６）、その結果、病巣が検出される（ステップ１４０７）。

図１５Ａ〜１５Ｉは、Ｈｏｕｇｈ変換の原理を図示、および、Ｈｏｕｇｈスペクトルの概念を紹介する概略図である。Ｈｏｕｇｈ変換は、上記のＲｕｓｓによる著書の頁４９５〜５００に記載される。Ｈｏｕｇｈ変換は、式（１）を使用して、対象記述の非常に一般的なフォーマットで行われる。

両方は、適切な寸法の空間を形成でき、それぞれ空間定義域およびパラメータ定義域と呼ぶことができる。

直線、円および放物線などの多くの基本形状要素は、式（１）の形態を取る。例えば、所謂正規パラメータ化の下で、直線は下記の式により記述できる。

ρ＝ｘｃｏｓθ＋ｙｓｉｎθ （２）
ここにρは、座標系の原点から記述される直線までの距離であり、またθは、ρ軸とこの線の法線との間の角度である。Ｈｏｕｇｈ変換は、Ｐ−θパラメータ定義域の単一点（ρ、θ）に対してこの線をマップする（図１５Ａおよび１５Ｂ）。

一方、形状空間における各点は、式（２）に従ってパラメータ定義域内のカーブに対応すし、また２つのそのようなカーブの交点は、２つの対応点により求められる空間定義域における直線に対応する（図１５Ｃおよび１５Ｄ）。したがって、初期画像における共線度は、パラメータ定義域内の各交点位置における通過カーブ数についての累積を観察することにより、Ｈｏｕｇｈ変換を通して調べることができる。またｃｏｒｒａｄｉａｌ線の群のＨｏｕｇｈ変換は、１つおよび同一の正弦曲線カーブ上にある点のグループである（図１５Ｅおよび１５Ｆ）。点からカーブの変換のこの二重特性は、形状要素を検出する際にＨｏｕｇｈ変換の基礎を形成する。

図１５Ｇにおいて、４点Ｐ_０〜Ｐ_３は、Ｘ−Ｙ空間の隅へ位置決めされる。図１５Ｈは、線ｌ_０〜ｌ_３として、対応するＨｏｕｇｈスペクトルを図示し、一方、図１５Ｉは、Ｈｏｕｇｈスペクトルの部位を図示する。

上記の手法は、形状的に特性化できる要素から成る組織パターンではなく一定の形状図形を検出するのに有用である。この理由は、組織特徴が、対象物の縁のような一定の部分ではなく、対象物の全体構造内容が所有する特性であるからである。形状特性の組織特徴を記述するために、対象物の内部内容について考慮する必要がある。

Ｈｏｕｇｈ変換は、ディジタル画像処理において順調に開発された手法であり、また変換された関数もディジタルデータである。ｆ（ｘ，ｙ）は、ただしｘ，ｙ＝０，１．．．，Ｎ−１とするが、初期画像とし、またｈ（ｕ，ｖ）は、

ここで両方を並べ、行（または列）毎に別個に列ベクトルに並べると、下記のようになる。

であるので、
ζ_ｋ＝ｆ（ｘ，ｙ）（５）
および
ζ_ｉ＝ｈ（ｕ，ｖ）（６）
ここに、
ｋ＝ｘＮ＋ｙ＋１（７）
ｌ＝ｕＮ_ｈ＋ｖ＋１（８）
ついでＨｏｕｇｈ変換は、下記の式（９）のように行列代数学に関して表すことができる。

ただし、式（２）のような変換拘束の下ではａ_１k＝１であり、ｆの（ｘ，ｙ）における画素は、ｈの位置（ｕ，ｖ）における累積に寄与し、またｋ、ｌはそれぞれ、式（７）および（８）により与えられ、ならびに、そうでない場合は、

Ｈｏｕｇｈ変換における累積は、行列乗法により式（９）で満足される。ここでベクトルζは、Ｈｏｕｇｈスペクトルと呼ばれる。ベクトルξは変換される画像であるので、異なるベクトルξは、異なるベクトルζを生じる。しかしながら、それが同一の要素の記述である限り、行列Ａは不変のままである。Ａは、Ｈｏｕｇｈ変換の中核である。

行列Ａは、２つの主要な因子、すなわち変換媒体と、およびパラメータ空間の量子化とにより求められる。変換媒体は、要素のパラメータ化と共に現行の変換の検討に基づく要素から成る概念であり、変換中に観察される拘束の特定の形態を決定する。変換媒体の一例は、式（２）により示され、そこにおいて、正規パラメータ化に基づく直線が指定される。パラメータ空間の量子化も、行列Ａの形成に影響することになる。これは、ベクトルζの次元に対するその影響から直観的に分かる。

行列Ａが詳細に示すものは、初期画像の各画素により生じる全ての予想される変換である。ベクトルξについては、特定の事前処理要求事項は無い。例えば、従来のＨｏｕｇｈ変換が典型的に適用された場合にそうであったように、それは初期データのバイナリ縁部画像であることを必要としない。しかしながら、バイナリ画像上でＨｏｕｇｈスペクトルを計算するならば、Ｈｏｕｇｈ変換を得ることができる。したがって変換中核Ａが示したものは、従来のＨｏｕｇｈ変換を、その特定の場合の１つとして含む、より一般化された変換である。

特定のＨｏｕｇｈ変換の仕様においても、パラメータ空間の量子化について慎重な考慮を払う必要がある。この理由は、それが行列Ａの１つの次元、したがって変換に伴うデータ量を明示するだけでなく、累積プロセスの有効性に本質的に影響するからである。

Ｈｏｕｇｈ手法は、ディジタルデータに基づいて実用化される。しかしながら空間定義域とパラメータ定義域の離散化は、Ｈｏｕｇｈスペクトルの量子化に影響することがある。変換される画像におけるディジタル化エラーは、考慮すべき主要な因子の１つである。理論的に、空間定義域における直線は、Ｈｏｕｇｈ変換を通して、そのパラメータ空間における単独の点に対応する。ディジタル画像の場合、不連続性のために空間座標において測定エラーがある。したがって、初期画像内の１つの線および同一の線セグメントの画素が、Ｈｏｕｇｈスペクトル上の単一点に累積されるために、ディジタル画像の座標のディジタル化エラーと、およびそのＨｏｕｇｈスペクトルの量子化との間の関係を考慮する必要がある。

図１６Ａ〜１６Ｄは、Ｈｏｕｇｈスペクトルの量子化に対する空間座標のディジタル化エラーの影響を図示する概略図である。図１６Ａの空間画像は、線セグメント

を含み、その上の画素の座標は、ディジタル化エラーを有しない。この結果、図１６Ｃに示されるように、画素Ａ₁ 、Ａ₂ およびＡ₃ から変換されたカーブは、そのＨｏｕｇｈスペクトル内の正確に同一の点において互いに交差する。

図１６Ｂの画像において、画素Ｂ₂ のＸ座標は、その最も近い整数に丸められる必要があるので、線セグメント

の３つの画素に対応するカーブの２つ毎により、そのＨｏｕｇｈスペクトル内に３つの近いが異なる交差点が生じる。したがって、図１６ＤのＨｏｕｇｈスペクトルの画素サイズが、全ての３つの交差点をカバーする程大きいならば、画素Ｂ₁ 、Ｂ₂ およびＢ₃ の適正な累積は依然達成できる。これは、Ｈｏｕｇｈスペクトルの適切な量子化の重要性を明示する。これらの画像は、５１２Ｘ５１２のような適切なサイズ、および０．５ｍｍのような画像画素サイズを有する。

Ｈｏｕｇｈスペクトルの実際の部位が事前設定されるので、画素サイズの拡大は、その解像度の減少を意味する。正規パラメータ化直線を取扱う場合、ρ軸上のＨｏｕｇｈスペクトルの解像度は、初期画像上のものに関して、１＋√２を超える係数により減少させる必要がある。

実際のＨｏｕｇｈスペクトルは、パラメータ空間の制約された部位上にだけあることができる。式（２）に基づいて、Ｈｏｕｇｈスペクトルは、下記の範囲内で定義される。

−π／２≦θ＜π／２（１１）
−（Ｎ−１）≦ρ≦√√２（Ｎ−１）（１２）
このＨｏｕｇｈスペクトルの実際の定義域は、図１６Ｃにより示される。θが−π／２からπ／２へ変わると、ρは４つの正弦曲線カーブｌ_０、ｌ_１、ｌ_２およびｌ_３により段階的に制約される範囲内にあり、これらのカーブは、図１６Ａおよび１６ＢのＰ_０（０，０）、Ｐ_１（０，Ｎ−１）、Ｐ_２（Ｎ−１，０）およびＰ_０（Ｎ−１，Ｎ−１）の行列の４つの隅の画素の変換に対応する。

Ｈｏｕｇｈスペクトルは、従来のＨｏｕｇｈ変換と同一の形式の変換を通して達成される。Ｈｏｕｇｈ変換は、対応するパラメータ空間内の累積ピークを分析することにより、画像対象物から特定の形状特徴を抽出するために採用される。画像対象物から得られる図形を取扱うのは有効である。一方、Ｈｏｕｇｈスペクトルに含まれる情報は、二次元の対象物、例えば線セグメントの代わりに縞から抽出できる。しかもＨｏｕｇｈスペクトルは依然、形状特徴記述の機能を有する。

図１７Ａ〜１７Ｌは、模擬された区切られる病巣（１７Ａ）、模擬された針骨状病巣（１７Ｂ）、および通常の実質組織変形の存在しない模擬された実質組織変形の像（１７Ｃ）を図示する。対応するＨｏｕｇｈスペクトルは図１７Ｄ〜１７Ｆで示され、η＝２．４およびη＝２．６で閾値処理をした後のスペクトルは図１７Ｇ〜１７Ｉおよび１７Ｊ〜１７Ｌでそれぞれ示される。

図１８Ａ〜１８Ｔは、通常の実質組織変形背景（１８Ａ）、模擬された区切られる病巣（１８Ｂ）、模擬された針骨状病巣（１８Ｃ）、通常の実質組織変形の存在する模擬された実質組織変形の像（１８Ｄ）を図示する。対応するＨｏｕｇｈスペクトルも図１８Ｅ〜１８Ｈで図示され、η＝２．０で閾値処理をした後のＨｏｕｇｈスペクトル（１８Ｉ〜１８Ｌ）、η＝２．１で閾値処理をした後のＨｏｕｇｈスペクトル（１８Ｍ〜１８Ｐ）、およびη＝２．２で閾値処理をした後のＨｏｕｇｈスペクトル（１８Ｑ〜１８Ｔ）を含む。４つの画像パターンは、縞と円板の構成部分を有する。各画像は、６４Ｘ６４画素のサイズであり、視野を容易にするように両方の寸法を４倍拡大されている。図１８Ａにおいて４つの縞があり、それぞれの幅は２画素である。これらの縞は、水平に関して−１５°、０°、１５°および３０°傾斜している。図１８Ｂは、図１８Ａの背景画像上に円板を重ねたものである。図１８Ｄは、背景（図Ａ）と、および全て幅が３画素であり、中心で互いに交差する水平、垂直および斜めの４つの縞から形成される星状対象物との重ね合わせから成る。図１８Ｃにおいて、他の円板を星状対象物の中心に置くことにより、その円板が図１８Ｄ上に重ねられる。

丁度、従来のＨｏｕｇｈ変換の場合のように、Ｈｏｕｇｈスペクトル内の有用な情報は、累積されたピーク内にある。この結果、Ｈｏｕｇｈスペクトルは、さらに別の分析をする前に先ず閾値処理を実施する必要がある。閾値τは、下記のように、Ｈｏｕｇｈスペクトルのマグニチュード関数の統計的特性に基づいて求められる。

τ＝μ＋ησ （１３）
ここにμおよびσはそれぞれ、Ｈｏｕｇｈスペクトルの平均および標準偏差であり、またηは係数である。そのようフォーマットは、平均偏差組合せと呼ばれる。

有用な情報が、それを効果的に抽出するためにＨｏｕｇｈスペクトル内に含むことができるが、重要な点は、Ｈｏｕｇｈスペクトルを閾値処理する有効な方法を見出すことにある。本発明において、これは、図１９に示されるように、ηを選択する特定の手法の実用化となる。一層有効なのは、Ｈｏｕｇｈスペクトルの自動閾値処理である。本発明において、自動手法はηの選択に使用される。

図１９は、Ｈｏｕｇｈスペクトルを閾値処理する方法を図示する概略図である。乳房撮像画像は、幾つかのＲＯＩに分割される。例えば５１２Ｘ５１２画素画像の場合、６４Ｘ６４画素ＲＯＩを使用できる。Ｈｏｕｇｈスペクトルは、ＲＯＩ毎に計算される（ステップ１９００）。ＲＯＩ毎のＨｏｕｇｈスペクトルの平均および標準偏差も計算され（ステップ１９０１）、また全てのＲＯＩについての平均した平均および標準偏差も計算される（ステップ１９０２）。開始ηが選択され（ステップ１９０３）、また各スペクトル毎の閾値τが求められる（ステップ１９０４）。ステップ１９０５において各スペクトルは、開始ηで閾値処理される。閾値τ未満のスペクトル数が求められる（ステップ１９０６）。

ステップ１９０７においてηを増加した後、ηが有効範囲内にあるかを判断するために確認がなされる（ステップ１９０８）。有効範囲は通常、１〜４の標準偏差である（η＝１〜３）。ηは、有効範囲内にあるならば、増加されてステップ１９０４〜１９０８が、新しいηで繰り返される。ηの増加は、処理時間のような制約事項に基づいて適切に選択され、０．１〜０．２の範囲にできる。一旦ηがもはや有効範囲ではなくなると、スペクトルの所定パーセントが閾値τ０未満になるηが求められ（ステップ１９０９）、それは、以下に述べる図２２において図示される。スペクトルの全ては、このηに対応する閾値τ０において閾値処理される（ステップ１９１０）。画素閾値を超えるスペクトルは、検出された病巣であると判断される。

図１８Ｅ〜１８Ｈは、η＝２．６で閾値処理された図１８Ａ〜１８ＤのＨｏｕｇｈスペクトルを示す。図１８Ａにおける全ての４つの縞は、ピーク画素の対応するグループにより表わされる。しかしながら、これらのピークの「高さ」は、初期信号の相対的長さ、例えば縞の長さに起因して異なる。図１８Ｋおよび１８Ｌにおいて、画素の４グループは、図１８Ｃおよび１８Ｄにおける星状対象物の存在をそれぞれ反映するほぼ−９０°（９０°）、−４５°、０°および４５°の角度で見出すことができ、また星を形成する縞がｃｏｒｒａｄｉａｌであるように、ほぼ余弦曲線である。背景信号は、図１８Ｉにおけるもの程強くはなく、また最短の縞のピークは、閾値処理により均等にされる。またθ＝０°回りの一部のピーク画素は、従来のＨｏｕｇｈ変換から受け継がれる問題である、初期画像内の異なる対象物間の「クロストーク」により生じる。これは、所要の信号がこの理由によりさらに弱くされる場合の図１８Ｊにおいて一層明白である。

Ｈｏｕｇｈスペクトルは、二次元対象物へ適用できる。これは、これらの対象物が組織パターンを形成する基本的単位であるという理由により極めて重要である。したがってＨｏｕｇｈスペクトルから得られる情報は、本来形状的である組織パターンを分析する目的に実際に役立つことができる。

乳房組織のＸ線写真外観は、明るく細長い単位の構造体から成る組織情報が豊富である。一般にこれらの組織要素の分布は、乳首から胸壁まで放射状に広がるパターンを取り、それにより組織要素は、局部的に互いにほぼ平行になる。しかしながら針骨状病巣または構造的ひずみ像のような一定の異常構造の存在は、他の放射状に広がる中心を生成することにより、この傾向を変えることがあるので、隣接部位において、組織的外観が大幅に変更される。

乳房撮像の組織パターンの基本的構造単位は、縞としてモデル化できる。このために、手法に基づくＨｏｕｇｈスペクトルは、乳房撮像の組織パターンの分析に、特に上記の異常構造の検出に適用できる。図２０は、乳房撮像の乳房領域内のＲＯＩの設置を図示する概略図である。各ＲＯＩ内の画像データから、Ｈｏｕｇｈスペクトルが計算される。

図２１Ａ〜２１Ｌは、乳房撮像からのＲＯＩの画像であり、それは、通常の実質組織変形（２１Ａ）、針骨状病巣（２１Ｂ）、円滑な区切られる病巣（２１Ｃ）、対応するＨｏｕｇｈスペクトル（２１Ｄ〜２１Ｅ）、およびη＝１．４で閾値処理をしたＨｏｕｇｈスペクトル（２１Ｇ〜２１Ｉ）、およびη＝１．７で閾値処理をしたＨｏｕｇｈスペクトル（２１Ｊ〜２１Ｌ）を含む。集合病巣の追加針骨状のものにより、累積は、図２１Ｅの生成においては、他の２つのものよりも多い画素上に集中される。したがって図２１Ｈ〜２１Ｋから分かるように、より多くの画素が閾値処理後も残る。これは、正規の構造体から異常構造体を識別する基準として使用される。ηを使用する閾値処理により、かなり集中された累積を持つＨｏｕｇｈスペクトルを有するＲＯＩが区分される。

累積は、ＲＯＩ用のＨｏｕｇｈスペクトル内の閾値を超える画素数を計数することにより、重みが各画素のグレイ値に対応する場合、ＲＯＩ内の画素の重みを付けた合計を取ることにより、またはスペクトル内の閾値を超える画素の「空間的分布」を組み込むことにより、実施できる。後者の例において、後に残る画素は、疑わしい病巣の特定の特性に対応しない。

累積閾値（Ｈｏｕｇｈスペクトル内で残る画素の所定数）は、閾値未満の累積を有するＲＯＩを無くすのに使用される。この閾値は、乳房撮像のデータベースから経験的に得られる。またここで重要なのは、累積の閾値処理が自動的に実施できるということである。

図２２は、Ｈｏｕｇｈスペクトルが閾値レベルを超える画素を有するＲＯＩ数とηとの間の関係を図示するグラフである。一般に、閾値未満であるスペクトルの７９〜９９％のパーセントは、適切な切り離し値として使用されるηを求めるのに使用される。矢印２２００は、病巣（腫瘤および／または実質組織変形の像）が検出されるηレベルを示す。図１９に示される方法において、ループは、図２２に示されるカーブを計算し、また閾値処理は、疑わしい病巣の一定数を識別できるカーブからηの値を選択することにより、実施される。閾値対累積のプロットは、図２２のカーブと同様に現れるであろう。

図２３Ａ〜２３Ｌは、乳房撮像からのＲＯＩの画像であり、それは構造的ひずみ像（２３Ａ）、通常の実質組織変形の２つの領域（２３Ａ〜２３Ｂ）および対応するＨｏｕｇｈスペクトル（２３Ｄ〜２３Ｆ）、およびη＝１．６で閾値処理をしたＨｏｕｇｈスペクトル（２３Ｇ〜２３Ｉ）、およびη＝１．７で閾値処理をしたＨｏｕｇｈスペクトル（２３Ｊ〜２３Ｌ）を含む。ＲＯＩを構造的ひずみ像に重ねることにより、より大きい累積が生じ、またその累積は、上述したように画素を閾値処理することにより、ひずみ像として識別できることが明らかである。

Ｈｏｕｇｈスペクトル手法を適用した２つの実験が実施された。すなわち１つは、針骨状病巣の検出についての実験であり、他は、構造的ひずみ像の検出についての実験である。１６件の事例から、それぞれ針骨状病巣を含む２９枚の乳房撮像が得られ、また６件の事例から、それぞれ１つの構造的ひずみ像を有する１２枚の乳房撮像が得られた。データの両方のセットにおける画像は、サイズが５１２Ｘ５１２画素であり、また８画素の水平または垂直軸で重ねるように置いた６４Ｘ６４画素のＲＯＩに分割された。各ＲＯＩは、先ずそのＨｏｕｇｈスペクトルに変換され、ついで式（１３）に従って求められた閾値で、かつ図１９および２２に関して説明したように、ＲＯＩについて閾値処理が実施された。ついで閾値処理されたＲＯＩは、潜在的病巣の領域として針骨状のものの強い信号を有するものを除くために、２つの範疇に分類された。

この実験において、１７個の針骨状病巣および７区域の構造的ひずみ像が、全ての画像の間で識別された。この性能により、針骨状病巣の場合に８１．２５％および構造的ひずみ像の場合に６６．６７％の検出率が得られ、画像当たりの対応する誤って病巣が有るとした率は、それぞれ０．９７および２．１７であった。

閾値レベルがηで変わるので、この検出スキームの検出性能を調べる他の実験も実施された。この結果は、ＦＲＯＣ（自由応答受信器作動特性）カーブを示す図２４に図示される。図２４は、高い感度を示し、また低い誤って病巣が有るとした率は、本発明に従う方法で可能である。

図２５は、悪性と良性の病巣を判別する際にＨｏｕｇｈスペクトルを使用する方法を図示する概略図である。この方法において、Ｈｏｕｇｈスペクトル内の大きい累積は、区切られた病巣ではなく針骨状の病巣の存在を示すであろう。針骨状物は、悪性の可能性を判断する際に重要な特徴の１つである。この場合、累積は、針骨状病巣と区切られた病巣（その累積は、最初の閾値処理で残り、かくして、疑わし病巣と判断された）を区別するために再び閾値処理を実施できる。この第２の画素閾値も、経験的に得られる。

ディジタル乳房撮像を得た（ステップ２５００）後病巣の位置が求められる（ステップ２５０１）。病巣は、Ｈｏｕｇｈスペクトル方法、左右両側除外および人間識別のような、種々の方法により突き止めることができる。ついでＲＯＩは、ステップ２５０２において、選択され、乳房撮像上の疑わしい病巣の回りに置かれる（疑わしい病巣の回りに広がるＲＯＩまたは複数のＲＯＩを囲んで）。Ｈｏｕｇｈスペクトルは、ＲＯＩ毎に計算され（ステップ２５０３）、また上述したように、ηを使用して閾値処理を実施される（ステップ２５０４）。累積は、ηを超える画素の計数である。累積の結果は、上述したように、ニューラルネットワークまたはルールに基づくスキームを使用してＲＯＩから求められた他の特徴と合併される（ステップ２５０６）。最後に、この方法により、出願番号０８／１５８，３５９に記載されるように、累積と合併された特徴に基づいて悪性の可能性が判断される（ステップ２５０７）。

空間定義域における画素サイズは、０．５ｍｍとして選択された。Ｈｏｕｇｈスペクトル操作後、Ｈｏｕｇｈ定義域における行列サイズは、θの場合に６０、およびρの場合に５４である。画素サイズが小さくなるにつれて（行列サイズが大きくなる）、Ｈｏｕｇｈ定義域における画素サイズは小さくなり得る。空間定義域における画素サイズが大きすぎて、サンプリングエラーが生じるならば、Ｈｏｕｇｈ定義域における大きい画素サイズは、適正な累積を得る必要がある。この例において、０．５ｍｍの画素サイズの場合、Ｈｏｕｇｈ定義域において、それより小さい画素が使用されると、不正確な累積が生じることがある。

図２６Ａ〜２６Ｈは、悪性病巣の画像（２６Ａ）、良性病巣の画像（２６Ｂ）、および対応するＨｏｕｇｈスペクトル（２６Ｃ〜２６Ｄ）を示す。η＝２．０で閾値処理をしたＨｏｕｇｈスペクトル（２６Ｅ〜２６Ｆ）およびη＝２．２で閾値処理をしたＨｏｕｇｈスペクトル（２６Ｇ〜２６Ｈ）も示される。累積は、悪性病巣の場合は、良性病巣の場合よりも高い。

図２７は、乳房画像における腫瘤と組織（実質組織変形）のひずみ像のような病巣の検出および／または特性化をする自動化された方法を、任意選択の事前処理付きで実施する装置を図示する概略ブロック図である。データ入力装置２７００は、乳房撮像画像を得るのに使用される。一般に装置２７００は、Ｘ線写真乳房撮像を生成するＸ線装置であり、ディジタル乳房撮像を生成するレーザスキャナーのようなディジタイザーを備える。乳房撮像は、右および左の画像にでき（図１２Ａに示されるように）、または単一画像にもできる（図１２Ｃに示されるように）。初期画像は、後で使用するために記憶装置２７０６に格納される。乳房撮像画像は、任意選択的に高濃度部分補正回路２７０１へ送られる。回路２７０１は、上述した、図１、２および８に関連して説明した機能（境界区分、皮下脂肪の識別、形態学的フィルタリング、ＲＯＩの載置、ヒストグラム分析、閾値処理、カーブフィット、正規化、背景除外および高濃度パーセントの計算など）を実施し、高濃度部分処理画像を生成する。回路２７０１は、高濃度パーセントを出力し、また皮下脂肪を描くことができる。望ましいならば、高濃度部分補正画像は、出力でき、また見ることができる（図示されない）。

任意選択の事前処理回路２７０２は、ディジタル画像または高濃度部分補正画像を受像できる。回路２７０２は、図１４に関連して上述したように、高濃度部分処理、ヒストグラム均等化、周辺エンハンスメントまたは縁部エンハンスメントのような受像した画像の事前処理を実施する。

画像処理回路２７０３は、回路２７００〜２７０２のいずれから画像または複数の画像を受像して、双方法除外またはＨｏｕｇｈスペクトル分析のような画像処理（図１２Ａ、１２Ｃおよび１４に関連して上述したように）を実施する。回路２７０３は、回路２７００〜２７０２のいずれから受像した画像における病巣を含むのが疑われる領域または複数の領域を出力する。

回路２７０３の出力は、特徴抽出回路２７０４へ送られる。図１２Ａ、１２Ｃおよび１４に関して上述したように、特徴抽出回路２７０４は、画像内の疑わしい領域から特徴を抽出する。任意選択の高濃度処理は、この時点で実施きる。

抽出された特徴は、特徴分析を実施する（上述したように）特徴分析回路２７０５に入力される。特徴分析後に、例えば病巣を検出するように学習された人工ニューラルネットワーク（ＡＮＮ）またはルールに基づくスキーム２７１４を使用して、検出が実施される。回路２７１４の出力も、記憶装置２７０６に格納できる。

回路２７１４の出力（検出された病巣）は、コンピュータが初期画像上に検出された病巣を示している重畳回路２７１５へ送られる。示された病巣を有する初期画像は、表示装置２７１６（ビデオ表示端末装置のような）上に示される。回路２７１５は、表示装置２７１６と共に、使用者に、病巣または疑わしい病巣である他の領域を初期画像上に（例えばライトペンを使用して）示させる。

転送回路２７０７は、乳房撮像（または複数の乳房撮像）を記憶装置２７０６から入力回路２７０８へ転送し、回路２７０９〜２７１６による処理および表示のために画像を準備する（乳房撮像は、入力装置２７００（図示されない）から直接に送ることもできる）。位置突き止め回路２７０９は、図２５に関して述べたように、乳房撮像から病巣位置情報を抽出する。高濃度処理も、高濃度部分補正回路２７１０により、この時点で実施できる。

回路２７１１は、抽出された位置情報と共に、乳房撮像または高濃度部分処理画像を受像し、受像された画像において選択された対象領域についてのＨｏｕｇｈスペクトルを計算する。図２５に関して述べたように、このスペクトルは閾値処理を実施され、また累積は測定される。閾値処理および累積に基づいて、病巣は病巣回路２７１２により抽出され、また特徴は、回路２７０４と同一の仕方で回路２７１３により抽出される。

抽出された病巣および特徴は、回路２７１４へ入力され、その回路は、病巣を検出し、Ｈｏｕｇｈスペクトル分析と累積に基づいて、悪性の可能性を示す。検出された病巣は、重畳回路２７１５により初期画像上に重畳され、装置２７１６上に表示される。使用者も、初期画像上の病巣を示すことができる。

回路２７０１〜２７０５および回路２７０９〜２７１３は、例えばプログラムされたマイクロプロセッサとしてソフト的にまたはハード的に実施もできる。回路２７１４も、ソフト的に、または半導体ニューラルネットワークとして実施できる。

明らかに、本発明の種々の修正および変形は、上記の手法を考慮して可能である。したがって付属の特許請求の範囲内で、本発明は、ここに特に記載されたもの以外で実施できることが分かる。本出願は、乳房撮像内の病巣の検出および分類に重点を置いているが、その着想は、肺および肝臓の画像における明白でない病巣のような人体の他の器官における異常の検出まで拡大できる。

図１は、本発明に従う、乳房撮像内の高濃度部分を区分する自動化された方法を図示する概略図である。図２は、本発明に従う、乳房撮像内の皮下脂肪を区分する自動化された方法を図示する概略図である。図３Ａおよび３Ｂは、乳房領域内の対象領域（ＲＯＩ）の位置決めを図示する図である。図４Ａおよび４Ｂは、図３のＲＯＩ内、および乳房領域内のグレイレベルのヒストグラムをそれぞれ図示するグラフである。図５Ａおよび５Ｂは、示された高濃度部分で閾値処理をした後の、図３Ａおよび３Ｂの乳房画像をそれぞれ図示する図である。図６Ａ〜６Ｄは、乳房内の脂肪に対応するグレイレベルを除外した後の図３Ａと図３Ｂの画像を、テクスチャーで（図６Ａと図６Ｃ）、またバイナリ形式で（図６Ｂと図６Ｄ）、それぞれ示す。図７は、高濃度パーセントを求める方法を図示する図である。図８は、乳房撮像内の高濃度部分を補正する方法を図示する図である。図９Ａおよび９Ｂは、図３Ａおよび３Ｂの画像の高濃度部分の補正後の乳房画像をそれぞれ図示する図である。図１０Ａおよび１０Ｂは、処理画像エンハンスメント段階と特徴抽出段階において、高濃度部分補正の病巣検出スキームへの組み込みをそれぞれ図示する図である。図１１Ａおよび１１Ｂは、放射線技師により、およびコンピュータにより求められた７４０枚の乳房撮像のデータベースにおける高濃度乳房の分布を図示するヒストグラムをそれぞれ示す。図１２Ａは、二重乳房撮像コンピュータ化検出スキームにおいて、潜在的病巣の特徴分析において、および単一乳房撮像コンピュータ化検出スキームにおいて、高濃度部分補正の使用をそれぞれ図示する略図である。図１２Ｂは、二重乳房撮像コンピュータ化検出スキームにおいて、潜在的病巣の特徴分析において、および単一乳房撮像コンピュータ化検出スキームにおいて、高濃度部分補正の使用をそれぞれ図示する略図である。図１２Ｃは、二重乳房撮像コンピュータ化検出スキームにおいて、潜在的病巣の特徴分析において、および単一乳房撮像コンピュータ化検出スキームにおいて、高濃度部分補正の使用をそれぞれ図示する略図である。図１３は、高濃度部分が、コンピュータ化検出スキームにおいて、特徴分析前に背景補正されるとき、性能の向上を図示するグラフである。図１４は、Ｈｏｕｇｈスペクトルを使用する乳房画像における腫瘤と組織（実質組織変形）のひずみ像のような病巣を検出する自動化された方法を図示する概略図である。図１５Ａ〜１５Ｉは、Ｈｏｕｇｈ変換およびＨｏｕｇｈスペクトルの計算を図示する概略図である。図１６Ａ〜１６Ｄは、Ｈｏｕｇｈスペクトルの解像度に対する空間座標のディジタル化エラーの影響を図示する概略図である。図１７Ａ〜１７Ｌは、模擬された区切られる病巣（１７Ａ）、模擬された針骨状病巣（１７Ｂ）、通常の実質組織変形の存在しない模擬された実質組織変形の像（１７Ｃ）、対応するＨｏｕｇｈスペクトル（１７Ｄ〜１７Ｆ）、およびη＝２．４で閾値処理をした後のＨｏｕｇｈスペクトル（１７Ｇ〜１７Ｉ）、およびη＝２．６で閾値処理をした後のＨｏｕｇｈスペクトル（１７Ｊ〜１７Ｌ）の病巣を図示する。図１８Ａ〜１８Ｈは、通常の実質組織変形背景（１８Ａ）、模擬された区切られた病巣（１８Ｂ）、模擬された針骨状病巣（１８Ｃ）、通常の実質組織変形の存在する模擬された実質組織変形の像（１８Ｄ）、対応するＨｏｕｇｈスペクトル（１８Ｅ〜１８Ｈ）、およびη＝２．０で閾値処理をした後のＨｏｕｇｈスペクトル（１８Ｉ〜１８Ｌ）、η＝２．１で閾値処理をした後のＨｏｕｇｈスペクトル（１８Ｍ〜１８Ｐ）、およびη＝２．２で閾値処理をした後のＨｏｕｇｈスペクトル（１８Ｑ〜１８Ｔ）の病巣を図示する図を含む。図１８Ｉ〜１８Ｔは、通常の実質組織変形背景（１８Ａ）、模擬された区切られた病巣（１８Ｂ）、模擬された針骨状病巣（１８Ｃ）、通常の実質組織変形の存在する模擬された実質組織変形の像（１８Ｄ）、対応するＨｏｕｇｈスペクトル（１８Ｅ〜１８Ｈ）、およびη＝２．０で閾値処理をした後のＨｏｕｇｈスペクトル（１８Ｉ〜１８Ｌ）、η＝２．１で閾値処理をした後のＨｏｕｇｈスペクトル（１８Ｍ〜１８Ｐ）、およびη＝２．２で閾値処理をした後のＨｏｕｇｈスペクトル（１８Ｑ〜１８Ｔ）の病巣を図示する図を含む。図１９は、Ｈｏｕｇｈスペクトルを閾値処理する方法を図示する概略図である。図２０は、乳房撮像の乳房領域内のＲＯＩの設置を図示する概略図である。図２１Ａ〜２１Ｌは、乳房撮像からのＲＯＩの画像であり、それは、通常の実質組織変形（２１Ａ）、針骨状病巣（２１Ｂ）、円滑な区切られる病巣（２１Ｃ）、対応するＨｏｕｇｈスペクトル（２１Ｄ〜２１Ｅ）、およびη＝１．４で閾値処理をしたＨｏｕｇｈスペクトル（２１Ｇ〜２１Ｉ）、およびη＝１．７で閾値処理をしたＨｏｕｇｈスペクトル（２１Ｊ〜２１Ｌ）を含む。図２２は、Ｈｏｕｇｈスペクトルが閾値レベルを超える画素を有するＲＯＩ数とηとの間の関係およびＲＯＩ数を図示するグラフである。図２３Ａ〜２３Ｌは、乳房撮像からのＲＯＩの画像であり、それは構造的ひずみ像（２３Ａ）、通常の実質組織変形の２つの領域（２３Ａ〜２３Ｂ）および対応するＨｏｕｇｈスペクトル（２３Ｄ〜２３Ｆ）、およびη＝１．６で閾値処理をしたＨｏｕｇｈスペクトル（２３Ｇ〜２３Ｉ）、およびη＝１．７で閾値処理をしたＨｏｕｇｈスペクトル（２３Ｊ〜２３Ｌ）を含む。図２４は、ηが変わるときに閾値レベルとして検出スキームの性能検出を図示するグラフである。図２５は、悪性と良性の病巣を判別する際にＨｏｕｇｈスペクトルを使用する方法を図示する概略図である。図２６Ａ〜２６Ｈは、悪性病巣の画像（２６Ａ）、良性病巣の画像（２６Ｂ）、対応するＨｏｕｇｈスペクトル（２６Ｃ〜２６Ｄ）、およびη＝２．０で閾値処理をしたＨｏｕｇｈスペクトル（２６Ｅ〜２６Ｆ）、およびη＝２．２で閾値処理をしたＨｏｕｇｈスペクトル（２６Ｇ〜２６Ｈ）をそれぞれ示す。図２７は、乳房画像における腫瘤や実質組織変形の像のような病巣の検出および／または特性化をする自動化された方法を、任意選択の事前処理付きで実施する装置を図示する概略ブロック図である。

Claims

（ａ）左右の乳房撮影画像を得るステップと、
（ｂ）前記左右の乳房撮影画像の少なくとも１つにおいて、解剖学的高濃度部分を識別するステップと、
（ｃ）高濃度部分が識別された乳房撮影画像がより均一な濃度を有するように、前記識別ステップで識別された前記高濃度部分を、背景濃度補正と、前記高濃度部分の画素の正規化によって処理するステップと、
（ｄ）前記高濃度部分を処理するステップの後に、前記左右乳房撮影画像を処理して組み合わせ画像を得るステップと、
（ｅ）前記組み合わせ画像に対して特徴分析を行い、前記組み合わせ画像から特徴を抽出するステップと、
（ｆ）抽出特徴に基づいた病巣を検出するステップと、
から成る乳房撮影画像内における病巣検出方法。
前記高濃度部分を処理するステップが、前記高濃度部分の背景傾向を補正するステップから成る、請求項１に記載の方法。