トップ :: A 生活必需品 :: A61 医学または獣医学;衛生学

【発明の名称】 画像種類判別装置および方法並びにプログラム
【発明者】 【氏名】北村 嘉郎

【要約】 【課題】放射線画像が、撮影部位、撮影方向、撮影方法等で定義される多数の画像種類のうちいずれに属する画像であるかを判別する。

【構成】判別すべき画像が、撮影部位、撮影方向および撮影方法のうち1以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、当該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、上記画像種類毎に用意された当該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段を用意し、放射線画像上の照射野と照射野絞り用マスクとの境界を検出し、その放射線画像における境界を挟む領域間の画像濃度を互いに近づける濃度補正を行い、その濃度補正済画像に上記判別手段を適用して、その放射線画像が属する画像種類を判別する。
【特許請求の範囲】
【請求項1】
判別すべき画像が、撮影部位、撮影方向および撮影方法のうち1以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段と、
画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するマスク境界検出手段と、
前記放射線画像における、前記検出された境界を挟んで該境界に沿って近接する2つの領域の画像の濃度を互いに近づける濃度補正を行う画像濃度補正手段と、
前記濃度補正済みの放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別する判別処理手段とを備えたことを特徴とする画像種類判別装置。
【請求項2】
判別すべき画像が、撮影部位、撮影方向および撮影方法のうち1以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段と、
画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するマスク境界検出手段と、
前記放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別する判別処理手段と、
前記放射線画像における前記検出された境界を跨ぐ領域に基づく前記特徴量の前記判別への寄与を抑制すべく、該特徴量の値を調整する特徴量調整手段とを備えたことを特徴とする画像種類判別装置。
【請求項3】
前記判別手段が、それぞれが、判別対象となる1つの画像種類に属する複数のサンプル画像と該判別対象とは異なる画像種類に属する複数のサンプル画像とを用いた機械学習により生成された、判別対象が互いに異なる複数種類の判別器であり、
前記判別処理手段が、前記放射線画像に対し前記複数種類の判別器のうち少なくとも1つを適用して判別するものであることを特徴とする請求項1または2記載の画像種類判別装置。
【請求項4】
前記機械学習が、アダブーストによる学習であることを特徴とする請求項1、2または3記載の画像種類判別装置。
【請求項5】
前記複数種類の特徴量が、前記放射線画像における濃度ヒストグラムを表す特徴量および前記放射線画像におけるエッジ成分を表す特徴量のうち少なくとも1つを含むものであることを特徴とする請求項1から4いずれか記載の画像種類判別装置。
【請求項6】
判別すべき画像が、撮影部位、撮影方向および撮影方法のうち1以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段を、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成するステップと、
画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するステップと、
前記放射線画像における、前記検出された境界を挟んで該境界に沿って近接する2つの領域の画像の濃度を互いに近づける濃度補正を行うステップと、
前記濃度補正済みの放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別するステップとを有することを特徴とする画像種類判別方法。
【請求項7】
判別すべき画像が、撮影部位、撮影方向および撮影方法のうち1以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段を、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成するステップと、
画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するステップと、
前記放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別するステップと、
前記放射線画像における前記検出された境界を跨ぐ領域に基づく前記特徴量の前記判別への寄与を抑制すべく、該特徴量を調整するステップとを有することを特徴とする画像種類判別方法。
【請求項8】
コンピュータを、
判別すべき画像が、撮影部位、撮影方向および撮影方法のうち1以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段と、
画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するマスク境界検出手段と、
前記放射線画像における、前記検出された境界を挟んで該境界に沿って近接する2つの領域の画像の濃度を互いに近づける濃度補正を行う画像濃度補正手段と、
前記濃度補正済みの放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別する判別処理手段として機能させるためのプログラム。
【請求項9】
コンピュータを、
判別すべき画像が、撮影部位、撮影方向および撮影方法のうち1以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段と、
画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するマスク境界検出手段と、
前記放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別する判別処理手段と、
前記放射線画像における前記検出された境界を跨ぐ領域に基づく前記特徴量の前記判別への寄与を抑制すべく、該特徴量の値を調整する特徴量調整手段として機能させるためのプログラム。
【発明の詳細な説明】【技術分野】
【0001】
本発明は、対象となる放射線画像が、撮影部位、撮影方向、撮影方法等で定義される複数の画像種類のうちのいずれに属する画像であるかを判別する画像種類判別装置および方法並びにそのためのプログラムに関するものである。
【背景技術】
【0002】
従来、CRシステム等で読み取られた放射線画像を読影に最適な画像にすべく、その放射線画像に対して適正な画像処理を施す手法が用いられている。
【0003】
例えば、放射線画像を表す画像データと、その放射線画像の種類を表す撮影メニュー情報とに基づいて、その放射線画像に適した画像認識処理を実行し、この画像認識処理の結果に基づいて、その放射線画像に適した画像処理を実行し、読影に最適な放射線画像を得るという手法が用いられている。
【0004】
ここで、撮影メニューとは、撮影部位、撮影方向、撮影方法等によって細かく定義されたコードであり、通常、ユーザ(放射線技師等)が放射線撮影を行うのと同時に入力する。対象となる放射線画像に施される画像認識処理や画像処理はこの撮影メニューによって異なり、撮影メニュー毎に放射線画像に施すべき最適な画像認識処理の種類や画像処理のパラメータ等が用意されている。画像認識処理としては、分割撮影認識、照射野認識、ヒストグラム解析等があり、また、画像処理としては、主に濃度・階調処理、周波数処理、ノイズ抑制処理等がある。
【0005】
なお、上記の撮影メニュー情報を入力したり画像認識処理を実行したりする理由は、次のような背景による。放射線画像を用いた画像診断では、その放射線画像における撮影部位や撮影方向によってユーザ(読影者等)が被写体上で関心を持つ関心領域が異なり、その関心領域の画像濃度が変わる場合がある。例えば、骨部組織に相当する画像は比較的低濃度であるのに対して、軟部組織に相当する画像は比較的高濃度であるため、観察したい関心領域が骨部と軟部のどちらであるかによって画像処理によって強調すべき濃度域が異なる。強調すべき濃度域を知るためには撮影メニュー情報が必要であり、また、高濃度域や低濃度域を知るためにはヒストグラム解析等が必要となる。また、例えば、放射線の照射野が照射野絞り用のマスクによって絞られている場合には、そのままでは照射野外の比較的広い領域が低濃度であるため正しいヒストグラム情報が得られないが、照射野認識を行って照射野領域を認識した後にその照射野内の画像の情報のみからヒストグラム解析を行うと、より好ましい濃度域を強調した画像を提供することができる(特許文献2参照)。
【0006】
ところで、放射線画像における撮影部位、撮影方向、撮影方法等で定義される上記の撮影メニュー(コード)は多種に渡り、これをユーザが手動で入力することは実に煩雑な作業となる。そこで、このような撮影メニューの設定を自動で行うことを目的として、放射線画像における被写体の撮影方向を判別する方法が研究されており、これまでに、例えば、被写体である撮影部位が人体の胸部である場合に、その胸部が正面であるか側面であるかを認識する方法が提案されている(特許文献1参照)。また、画像処理条件を決定する方法についても提案されている(特許文献3参照)。
【特許文献1】特開平05−184562号公報
【特許文献2】特開平10−162156号公報
【特許文献3】特開2002−008009号公報
【発明の開示】
【発明が解決しようとする課題】
【0007】
しかしながら、特許文献1の、被写体である人体の胸部が正面であるか側面であるかを認識する方法は、人体の胸部の正面/側面の認識に特化した方法であり、実際の多種に渡る撮影メニュー、例えば、頚椎,胸部−単純X線,胸部−側面,胸部−幼児・小児,乳房,腹部−幼児,腰椎−正面,腰椎−側面,股関節等に対応した画像の判別は行うことができない。また、従来のいずれの認識方法を用いても、このような多種に渡る撮影メニューに対応した画像の判別は難しい。
【0008】
本発明は、上記事情に鑑みなされたものであり、放射線画像が、撮影部位、撮影方向、撮影方法等で定義される多数の画像種類のうちいずれに属する画像であるかを判別することができる画像種類判別装置および方法並びにそのためのプログラムを提供することを目的とするものである。
【課題を解決するための手段】
【0009】
本発明の第1の画像種類判別装置は、判別すべき画像が、撮影部位、撮影方向および撮影方法のうち1以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段と、画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するマスク境界検出手段と、前記放射線画像における、前記検出された境界を挟んで該境界に沿って近接する2つの領域の画像の濃度を互いに近づける濃度補正を行う画像濃度補正手段と、前記濃度補正済みの放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別する判別処理手段とを備えたことを特徴とするものである。
【0010】
本発明の第2の画像種類判別装置は、判別すべき画像が、撮影部位、撮影方向および撮影方法のうち1以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段と、画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するマスク境界検出手段と、前記放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別する判別処理手段と、前記放射線画像における前記検出された境界を跨ぐ領域に基づく前記特徴量の前記判別への寄与を抑制すべく、該特徴量の値を調整する特徴量調整手段とを備えたことを特徴とするものである。
【0011】
本発明の第1および第2の画像種類判別装置において、前記判別手段は、それぞれが、判別対象となる1つの画像種類に属する複数のサンプル画像と該判別対象とは異なる画像種類に属する複数のサンプル画像とを用いた機械学習により生成された、判別対象が互いに異なる複数種類の判別器であり、前記判別処理手段は、前記放射線画像に対し前記複数種類の判別器のうち少なくとも1つを適用して判別するものであってもよい。
【0012】
本発明の第1および第2の画像種類判別装置において、前記機械学習の手法としては、例えば、ブースティングと呼ばれる手法を考えることができ、特にその変形であるアダブースト(Adaboost)と呼ばれる手法が好ましいが、サポートベクターマシーンやニューラルネットワークを生成する手法であってもよい。
【0013】
ブースティングおよびその変形であるアダブーストについては、特開2005−100212号公報等に記載されているが、概略は以下の通りである。
【0014】
例えば、2つの特徴量xおよびxに対応する軸を有する特徴量平面上に分布するデータ点を、ある特定内容のデータを示すデータ点とそうでないデータ点との2つに分類するための学習について説明すると、ブースティングは、上記の特定内容のデータを示すことが分かっている複数のデータ点とそうでないことが分かっている複数のデータ点からなるサンプルデータ点群の中から、データ点の第1の組を選択し、それら第1の組のデータ点を最も良好に分類する特徴量平面上の第1の直線または比較的単純な曲線を特定し、次にその第1の直線または曲線では良好に分類できないデータ点の第2の組を選択し、それら第2の組のデータ点を最も良好に分類する第2の直線または曲線を特定し、・・・という処理を繰り返して学習を行なうものである。最後に、一連の処理で特定された複数の直線または曲線を総合して、多数決の手法等により、特徴量平面を分割する最適な線が決定される。一方、アダブーストは、上記と同様のサンプルデータ点群をなす各データ点に重みを割り当て、すべてのデータ点を用いてそれらを最も良好に分類する特徴量平面上の第1の直線または曲線を特定し、その第1の直線または曲線では正しく分類できなかったデータ点の重みを高くし、次に各データ点の重みを加味してデータ点を最も良好に分類する第2の直線または曲線を特定し、・・・という処理を繰り返して学習を行うものである。
【0015】
なお、本発明における判別手段は、上記学習により生成された、判別すべき画像が所定の画像種類に属する画像であるか否かを判別する判別器であって、判別可能な画像種類が互いに異なる複数種類の判別器で構成されるものであってもよいし、上記学習により生成された、判別すべき画像が複数の画像種類のうちいずれに属する画像であるかを一度で判別可能な判別器であってもよい。
【0016】
本発明の第1および第2の画像種類判別装置において、前記複数種類の特徴量は、前記放射線画像における濃度ヒストグラムを表す特徴量および前記放射線画像におけるエッジ成分を表す特徴量のうち少なくとも1つを含むものであることが好ましい。
【0017】
本発明の第1の画像種類判別方法は、判別すべき画像が、撮影部位、撮影方向および撮影方法のうち1以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段を、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成するステップと、画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するステップと、前記放射線画像における、前記検出された境界を挟んで該境界に沿って近接する2つの領域の画像の濃度を互いに近づける濃度補正を行うステップと、前記濃度補正済みの放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別するステップとを有することを特徴とするものである。
【0018】
本発明の第2の画像種類判別方法は、判別すべき画像が、撮影部位、撮影方向および撮影方法のうち1以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段を、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成するステップと、画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するステップと、前記放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別するステップと、
前記放射線画像における前記検出された境界を跨ぐ領域に基づく前記特徴量の前記判別への寄与を抑制すべく、該特徴量を調整するステップとを有することを特徴とするものである。
【0019】
本発明の第1のプログラムは、コンピュータを、判別すべき画像が、撮影部位、撮影方向および撮影方法のうち1以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段と、画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するマスク境界検出手段と、前記放射線画像における、前記検出された境界を挟んで該境界に沿って近接する2つの領域の画像の濃度を互いに近づける濃度補正を行う画像濃度補正手段と、前記濃度補正済みの放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別する判別処理手段として機能させることを特徴とするものである。
【0020】
本発明の第2のプログラムは、コンピュータを、判別すべき画像が、撮影部位、撮影方向および撮影方法のうち1以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、前記画像種類毎に用意された該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段と、画像中に放射線画像を含む入力画像に基づいて、前記放射線画像における照射野と照射野絞り用マスクとの境界を検出するマスク境界検出手段と、前記放射線画像に対し前記判別手段を適用して、該放射線画像が属する画像種類を判別する判別処理手段と、前記放射線画像における前記検出された境界を跨ぐ領域に基づく前記特徴量の前記判別への寄与を抑制すべく、該特徴量の値を調整する特徴量調整手段として機能させることを特徴とするものである。
【0021】
「撮影部位」としては、例えば、胸部、腹部、腰椎、股関節、上腕骨等を考えることができる。また、「撮影方向」としては、例えば、正面、側面、上面等を考えることができる。また、「撮影方法」としては、例えば、造影剤入り撮影、造影剤なし撮影、単純撮影、断層撮影等を考えることができる。
【0022】
「照射野」とは、放射線が通常の線量で照射される領域を意味するものであり、また、「照射野絞り用マスク」とは、被写体のうち読影に必要のない部分に対する放射線の被爆を抑えるため、その読影不要部分を覆って照射野を絞るための遮蔽板のことを意味するものである。
【0023】
「複数種類の特徴量」は、画像対応領域サイズを含むものであってもよい。ここで、「画像対応領域サイズ」は、例えば、放射線画像を取得する際の放射線撮影に用いられたイメージングプレートやフラットパネルディテクタ等の実物大の大きさを表すものであり、放射線画像における1画素当たりの実物大の大きさが特定されている場合には、放射線画像の長辺および短辺の画素数から導き出すことができる。
【0024】
なお、「画像対応領域サイズ」は、放射線画像を読み込む際にハードウェアから直接取得するようにしてもよい。
【0025】
また、このような画像対応領域サイズの代わりに、放射線画像における1画素当たりの実物大の大きさを示す尺度となるものを用い、少なくとも被写体の実物大の大きさが分かるような情報を用いるようにしてもよい。
【0026】
「エッジ成分」とは、画像の濃度差によって現れる輪郭のことを意味するものである。例えば、近傍画素間の一次微分や二次微分、ウェーブレット係数、任意の二つの矩形領域の差分値を出力するHaar−likeフィルタの出力値等であってもよい。
【0027】
「濃度」は、信号の空間としての意味ではなく、検出した放射線の大小を表す一般的な信号レベルを指し、どのような空間で信号の補正処理を行ってもよい。
【発明の効果】
【0028】
本発明の第1の画像種類判別装置および方法並びにそのためのプログラムによれば、判別すべき画像が、撮影部位、撮影方向および撮影方法のうち1以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、当該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、上記画像種類毎に用意された当該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段を用意し、画像中に放射線画像を含む入力画像に基づいて、上記放射線画像における照射野と照射野絞り用マスクとの境界を検出し、上記放射線画像における、上記検出された境界を挟んで当該境界に沿って近接する2つの領域の画像の濃度を互いに近づける濃度補正を行い、濃度補正済みの放射線画像に対し上記判別手段を適用して、当該放射線画像が属する画像種類を判別するので、画像の濃淡パターンが複雑でこれまで判別が難しかった画像種類についても、サンプル画像を用いた機械学習により生成された判別手段の特徴、すなわち、高い判別精度と高いロバスト性を持って判別することができ、当該放射線画像が、撮影部位、撮影方向、撮影方法等で定義される多数の画像種類のうちいずれに属する画像であるかを判別することができる。さらには、当該放射線画像における照射野絞り用マスクに関する情報とその他の情報とを互いに分離して特徴量に反映させることができ、画像種類の判別性能を向上させることができる。
【0029】
本発明の第2の画像種類判別装置および方法並びにそのためのプログラムによれば、判別すべき画像が、撮影部位、撮影方向および撮影方法のうち1以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、当該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、上記画像種類毎に用意された当該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別手段を用意し、画像中に放射線画像を含む入力画像に基づいて、上記放射線画像における照射野と照射野絞り用マスクとの境界を検出し、上記放射線画像における上記検出された境界を跨ぐ領域に基づく特徴量の上記判別への寄与を抑制すべく、当該特徴量の値を調整し、上記放射線画像に対し上記判別手段を適用して、当該放射線画像が属する画像種類を判別するので、画像の濃淡パターンが複雑でこれまで判別が難しかった画像種類についても、サンプル画像を用いた機械学習により生成された判別手段の特徴、すなわち、高い判別精度と高いロバスト性を持って判別することができ、当該放射線画像が、撮影部位、撮影方向、撮影方法等で定義される多数の画像種類のうちいずれに属する画像であるかを判別することができる。さらには、当該放射線画像における照射野絞り用マスクに関する情報とその他の情報とを互いに分離して特徴量に反映させることができ、画像種類の判別性能を向上させることができる。
【発明を実施するための最良の形態】
【0030】
以下、本発明の実施形態について説明する。これより説明する本発明の実施形態である画像種類判別装置は、被写体を透過した放射線を照射され被写体の放射線像を蓄積記憶しているイメージングプレート(Imaging Plate;IP)に励起光を走査して照射し、そこから発せられる蛍光を検出して放射線画像を読み取る読取装置において、画像を高解像度で読み取る本読みと呼ばれる処理の前に、画像の最適な読み取り条件を求めるために予備的に行われる、画像を低解像度で読み取る先読みと呼ばれる処理により取得された放射線像の縮小画像を入力画像とし、画像中に放射線画像を含むその入力画像が、予め定義された撮影メニュー、すなわち、撮影部位、撮影方向、撮影方法等で定義される多数の画像種類のうちいずれに属する画像であるかを判別するものであり、マシンラーニングの学習(機械学習)により生成された、判別すべき画像種類がそれぞれ異なる複数の判別器を用いて上記判別を行うものである。なお、以下の説明において、画像とその画像を表す画像データとは特に区別しない。
【0031】
(第1の実施形態)
図1は本発明の実施形態である画像種類判別装置の構成を示す概略ブロック図である。図1に示すように、この画像種類判別装置は、放射線画像抽出部10と、画像規格化部20と、マスク境界検出部30と、画像濃度補正部40と、ヒストグラム特徴量算出部50と、エッジ特徴量算出部60と、判別器群(判別手段)70を有する判別処理部(判別処理手段)80とを備えている。
【0032】
放射線画像抽出部10は、画像中に放射線画像を含む入力画像S0に基づいて、入力画像S0中の放射線画像を抽出するものであり、具体的には、入力画像S0における各画素の画素値を水平方向および垂直方向にそれぞれ射影し、射影された値のほとんどが0(ゼロ;画像を形成しない画素が有する画素値に相当する値)となる水平方向と垂直方向の範囲を検出し、検出された水平方向と垂直方向の範囲で定まる矩形領域の画像を、放射線画像S1として抽出するものである。
【0033】
この入力画像S0は、画像サイズが256×256画素で統一されており、この画像における1画素は実世界での特定の大きさに対応している。したがって、大きさの異なるイメージングプレートの先読み画像が読み込まれた場合、その先読み画像がその実物大の大きさを反映した画素数で256×256画素の中に埋め込まれ、残った部分の画素には画素値0(ゼロ)が設定される。
【0034】
図2は、入力画像S0の一例を示す図であり、人体の頸部の側面の放射線画像が含まれた入力画像S0を表している。
【0035】
また、この放射線画像抽出部10は、この抽出された放射線画像S1の長辺と短辺の長さの組合せで規定されるサイズを、放射線撮影に用いられたイメージングプレートのサイズとみなし、このIPサイズ情報(画像対応領域サイズ)SZを取得する。この放射線画像S1における1画素当たりの実物大の大きさは予め特定されていることが多い。したがって、放射線画像S1の長辺と短辺の画素数を求めることで、実際のIPサイズを知ることができる。例えば、IPサイズを表1に示すように6通り(写真の半切、大角、四切、六切、・・・にそれぞれ対応する)に分類し、上記抽出された放射線画像S1の長辺と短辺の長さの組合せがこの6種類の分類のうちいずれに属するかを表す情報をIPサイズ情報SZとする。
【表1】


【0036】
このIPのサイズは、撮影部位の種類や被写体の姿勢、撮影方法に応じて特定のサイズとなる可能性が高いため、放射線画像S1が属する画像種類とこのIPのサイズとの間には相関がある。したがって、このIPサイズ情報SZは、放射線画像S1が属する画像種類を判別する際の有力な手がかりとなる。
【0037】
画像規格化部20は、放射線画像抽出部10により抽出された放射線画像S1を入力画像S0から切り出し、この放射線画像S1に解像度変換処理を施して規格化し、所定の解像度で表された規格化済みの放射線画像S1′を生成するものである。
【0038】
この規格化は、後述のマスク境界を検出する処理や、ヒストグラム特徴量およびエッジ特徴量を算出する処理に適した画像をそれぞれ生成するために行われるものであり、具体的には、放射線画像S1に対してアスペクト比の変更が可能なアフィン変換等を行うことにより、128×128画素(pixel)サイズに変換された規格化済み画像S1′aをマスク境界の検出処理用として、また、32×32画素サイズに変換された規格化済み画像S1′bをヒストグラム特徴量およびエッジ特徴量の算出処理用として生成する。
【0039】
マスク境界検出部30は、規格化済み画像S1′aを照射野に対応する部分と照射野絞り用マスク(以下、単にマスクという)に対応する部分とに分ける境界(以下、マスク境界という)Bを検出し、このマスク境界Bの位置を表す位置情報BPを取得するものであり、この処理は、放射線画像S1を照射野に対応する部分とマスクに対応する部分とに分けるマスク境界を検出することに相当する。
【0040】
マスクは、被写体への被爆を極力低減する目的で用いられるものであり、撮影領域のうち撮影部位の非関心部分を含む領域を所定の部材で覆ってその部分への放射線の照射線量を低減するものである。この非関心部分の位置は、撮影部位や撮影目的等に応じて異なる場合が多く、放射線画像S1が属する画像種類とマスクの形状やマスクが設置される位置との間には相関がある。したがって、マスク境界Bの位置情報BPは、放射線画像S1が属する画像種類を判別する際の有力な手がかりとなる。
【0041】
ここで、マスク境界検出部30によるマスク境界Bの検出の方法について説明する。放射線の撮影領域のうち照射野部分とマスク部分とでは、上述の通り、放射線の照射線量が異なるため、放射線画像S1においては、照射野に対応する部分とマスクに対応する部分とで画像の濃度が異なるという特徴がある。マスク境界Bはこの特徴を利用して検出することができる。まず、規格化済み放射線画像S1′aの各画素に対して、図3に示すような、水平方向のエッジ成分を検出するための第1のsobelフィルタF1と、垂直方向のエッジ成分を検出するための第2のsobelフィルタF2とを適用し、各画素毎に第1のsobelフィルタの出力値T1と第2のsobelフィルタの出力値T2を算出し、さらにこれらのフィルタ出力値T1とT2の自乗平均平方根(RMS;Root Mean Square)を算出し、この自乗平均平方根の値が所定閾値以上である画素を、任意の方向に延びるエッジを構成する画素としてそれぞれ抽出し、エッジ成分を構成する画素のみで表されたエッジ抽出画像S1eを得る。次に、このエッジ抽出画像S1eにおけるエッジ成分を構成する各画素について、その画素を通る直線群をハフ変換空間、すなわち、エッジ抽出画像S1eをxy座標系に置いた場合における、原点からその直線までの垂線の長さρと、その垂線とx軸とのなす角θとを2軸とする空間に射影し、各画素に対応した曲線が描かれた極座標形式のグラフを生成する。そして、この極座標形式のグラフにおいて曲線が所定回数以上重なる点(極小領域)を検出することにより、規格化済み放射線画像S1′aにおける直線を検出し、この直線を放射線画像S1におけるマスク境界Bと決定する。
【0042】
図4は、図2に示す頸部の放射線画像に基づいて得られたエッジ抽出画像S1eを示す図、図5は、そのエッジ抽出画像S1eに対してハフ変換を行う様子と、そのハフ変換によって得られた極座標系式のグラフを示す図、図6は、マスク境界Bが検出された放射線画像S1を示す図である。
【0043】
なお、本実施形態では、マスクの形状が矩形である場合について説明しているが、マスクの形状が楕円形状である場合についても同様にハフ変換を用いてマスク境界Bを検出することが可能である。
【0044】
画像濃度補正部40は、規格化済み放射線画像S1′bにおける、マスク境界Bを挟む領域間の画像の濃度を互いに近づける濃度補正を行って、規格化・濃度補正済み放射線画像S1″bを取得するものであり、この処理は、放射線画像S1における、マスク境界Bを挟む領域間の画像の濃度を互いに近づける濃度補正を行うことに相当する。
【0045】
この規格化済み放射線画像S1′bの濃度補正は、規格化済み放射線画像S1′bが照射野に対応する部分とマスクに対応する部分とで画像の濃度が異なるという、いわゆる放射線画像の濃度むらが、後述のヒストグラム特徴量の算出やエッジ特徴量の算出に悪影響を与えないようにするためのものである。
【0046】
ここで、画像濃度補正部40による濃度補正の方法について説明する。まず、規格化済み放射線画像S1′bを、マスク境界Bを境界線とする複数の画像領域に区分する。その後、マスク境界Bからの距離が所定範囲内である濃度比較対象領域を、そのマスク境界Bを挟んで隣接する2つの画像領域の各々において設定し、一方の濃度比較対象領域の画素値の平均値と他方の濃度比較対象領域の画素値の平均値とが略一致するように、少なくとも一方の画像領域全体に階調変換処理を施すという濃度補正処理を、各マスク境界Bを挟んで隣接する2つの画像領域の組合せ毎に行う。ただし、画像領域が3つ以上存在する場合には、一旦濃度補正された画像領域が別の濃度補正処理により更新されてしまわないように、階調変換処理はマスク境界Bを挟んで隣接する2つの画像領域のうちいずれか一方の画像領域に対してのみ行うようにし、初回を除く濃度補正処理においては、補正済みの画像領域と未補正の画像領域との組合せ毎に順次、濃度補正処理を行うようにする。
【0047】
図7は、規格化済み放射線画像S1′bがマスク境界B1,B2で3つの画像領域R1,R2,R3に区分され、マスク境界B2を挟んで隣接する2つの画像領域R2,R3の各々において、濃度比較対象領域C22,C23が設定された様子と、規格化済み放射線画像S1′bに濃度補正を行って得られた規格化・濃度補正済み放射線画像S1″bを示す図である。この場合における濃度補正処理の一例としては、例えば、次式(1)に従って画像領域R3に階調変換処理を施すことが考えられる。
【0048】
R3′=R3+(C22の平均画素値−C23の平均画素値) ・・・(1)
なお、より簡易的な濃度補正処理の方法として、濃度比較対象領域を設定せず、マスク境界Bを挟んで隣接する2つの画像領域同士の領域全体の画素値の平均値が略一致するように、少なくとも一方の画像領域に対して階調変換処理を施すようにしてもよい。
【0049】
ヒストグラム特徴量算出部50は、規格化・濃度補正済み放射線画像S1″bの濃度分布を解析してその濃度分布に関する指標を表す特徴量を算出するものであり、この処理は、放射線画像S1の濃度分布を解析してその濃度分布に関する指標を表す特徴量を算出することに相当する。より具体的には、図8に示すような、規格化・濃度補正済み放射線画像S1″bにおける画素値(輝度レベル)の累積ヒストグラムを作成し、累積頻度がA%(5≦A≦99)のときの画素値と累積頻度がB%(1≦B≦95)のときの画素値との差分値を、これらAとBがそれぞれ異なる所定の値となる1種類以上の組合せについて算出し、算出された値をさらに6値化してそれをヒストグラム特徴量(濃度分布特徴量)Hとする。
【0050】
この累積ヒストグラムは、撮影領域に対して撮影部位が占める割合や撮影部位の組織構造に起因する濃淡の情報等が反映されるため、放射線画像S1が属する画像種類と累積ヒストグラムとの間には相関がある。したがって、このヒストグラム特徴量Hも、放射線画像S1が属する画像種類を判別する際の有力な手がかりとなる。
【0051】
エッジ特徴量算出部60は、規格化・濃度補正済み放射線画像S1″bにおけるエッジ成分の向き/およびまたは位置を表す特徴量を算出するものであり、この処理は、放射線画像S1におけるエッジ成分の向きおよび/または位置を表す特徴量を算出することに相当する。より具体的には、図9に示すように、一辺が32画素の規格化・濃度補正済み放射線画像S1″bを多重解像度化して、一辺がそれぞれ16画素、8画素、4画素となる3種類の解像度画像を生成することにより、自身を含めて4種類の解像度平面を用意し、これら解像度平面上のある2つの画素間の画素値の差分値を、これら2つの画素の位置の組合せがそれぞれ異なる所定の複数種類の組合せについて算出し、算出された値をさらに8値化してそれをエッジ特徴量Eとする。なお、1つの組合せを構成する2つの画素の位置関係は、水平方向に並ぶ位置関係と垂直方向に並ぶ位置関係の2種類がある。
【0052】
この解像度平面上のある2つの画素間の画素値の差分値は、撮影部位の形状を示す輪郭や撮影部位を構成する組織の輪郭の情報等が反映されるため、放射線画像S1が属する画像種類とこの画素値の差分値との間には相関がある。したがって、このエッジ特徴量Eも、放射線画像S1が属する画像種類を判別する際の有力な手がかりとなる。
【0053】
判別器群70は、それぞれが、撮影部位、被写体の姿勢、撮影方向および撮影方法のうち撮影部位を含む1以上の項目で定義される画像種類が所定の1つの種類に属する複数のサンプル画像と画像種類が他の種類に属する複数のサンプル画像とを用いたマシンラーニングの学習により生成され、判別すべき画像がその所定の種類に属する画像であるか否かをその判別すべき画像における複数種類の特徴量に基づいて判別する判別器であって、判別対象となる画像種類がそれぞれ異なる複数種類の判別器からなるものである。
【0054】
ここで、撮影部位としては、例えば、顔面骨、聴器シュラー、頚椎、胸部、乳房、腹部、腰椎、股関節、上腕骨、前腕骨、手関節、膝関節、足関節、足等を考えることができる。撮影方向としては、例えば、正面、側面等を考えることができる。被写体の姿勢としては、例えば、立位、臥位、軸位等を考えることができる。また、撮影方法としては、例えば、単純(撮影)、断層(撮影)等を考えることができる。そして、画像種類は、このような撮影部位、撮影方向、被写体の姿勢、撮影方法等の組合せで予め定義された複数の種類に分類されている。
【0055】
サンプル画像を用いたマシンラーニングの学習により生成された判別器としては、例えば、サポートベクターマシーン、ニューラルネットワーク、ブースティングにより生成された判別器等を考えることができる。
【0056】
複数種類の特徴量には、上記のIPサイズに相当する画像サイズ、上記のマスク境界の位置情報BP、ヒストグラム特徴量およびエッジ特徴量等が含まれる。
【0057】
なお、本実施例では、ブースティングの1種であるアダブースト学習アルゴリズムを利用して判別器を生成する。すなわち、図10に示すように、判別したいクラスに属する正解画像データである、所定の画像種類に属する複数のサンプル画像と、判別したいクラスに属さない非正解画像データである、それ以外の画像種類に属する複数のサンプル画像とを用意し、各サンプル画像について、サンプル画像を表す画像データを所定の特徴量空間に射影して予め定義した複数種類の特徴量を算出し、算出された特徴量を用いてそのサンプル画像が正解を示す画像であるか否かを判別し、その判別結果から判別に有効な特徴量の種類とその重みを学習して、判別対象となる画像がその画像種類に属する画像であるか否かを判別する判別器を生成する。
【0058】
学習に用いる正解画像データは、その画像における被写体の軸方向に対応する画像平面上の回転方向を予め特定の方向に揃えた数百パターンの正解画像データについて、左右反転、平行移動のバリエーションの処理を施して得られた数千パターンの正解画像データとし、学習に用いる非正解画像データは、約1500パターンの非正解画像データについてランダムに0°,90°,180°,270°の回転処理を施して得られたものとする。
【0059】
このような学習を判別したい画像種類毎に行って、それぞれが、判別すべき画像種類を予め定義された複数の画像種類の各々とする複数種類の判別器を生成する。なお、特徴量の種類は全部で約2000種類あり、各判別器で使用する特徴量の種類は50〜200程度である。
【0060】
図11は、上記の学習に用いるサンプル画像の一例を示した図であり、それぞれ、頭部、頚椎、胸部−側面、腹部−幼児、上腕骨のサンプル画像を示している。
【0061】
判別処理部80は、放射線画像S1について既に取得された特徴量、すなわち、IPサイズ情報SZ、マスク境界位置情報BP、ヒストグラム特徴量Hおよびエッジ特徴量Eを含む複数種類の特徴量に基づいて、判別器群70を構成する複数種類の判別器のうち少なくとも1つを用いて、放射線画像S1が属する画像種類を判別するものであり、この処理は、放射線画像S1に対して判別器群70を構成する複数種類の判別器のうち少なくとも1つを適用して、放射線画像S1が属する画像種類を判別することに相当する。
【0062】
例えば、放射線画像抽出部10により抽出された放射線画像S1に対して判別器群70を構成する複数種類の判別器の各々を順次適用して、放射線画像S1が所定の画像種類に属する画像であるか否かを判別してゆき、肯定する判別結果が得られたら放射線画像S1をそのときの画像種類に属する画像であると判別する。なお、判別器は一般的に放射線画像S1が判別すべき画像種類に属する画像である蓋然性を示すスコアを算出するので、放射線画像S1に対してすべての種類の判別器を適用し、最も大きいスコアを算出した判別器に対応する画像種類を、放射線画像S1が属する画像種類として決定するようにしてもよい。
【0063】
次に、本発明の第1の実施形態である画像種類判別装置における処理の流れについて説明する。図12は、本発明の第1の実施形態である画像種類判別装置における処理の流れを示したフローチャートである。
【0064】
画像種類判別装置に放射線画像を含む画像S0が入力されると(ステップST1)、放射線画像抽出部10は、その入力画像S0の中で画素値が0(ゼロ)でない矩形領域の画像部分を放射線画像S1として抽出し、その放射線画像S1のサイズ情報をIPサイズ情報SZとして取得する(ステップST2)。
【0065】
次に、画像規格化部20は、抽出された放射線画像S1を入力画像S0から切り出し、切り出された放射線画像S1に対してアフィン変換等を行うことにより、128×128画素(pixel)サイズに変換された規格化済み画像S1′aをマスク境界検出処理用として、また、32×32画素サイズに変換された規格化済み画像S1′bをヒストグラム特徴量算出処理およびエッジ特徴量算出処理用として生成する(ステップST3)。
【0066】
そして、マスク境界検出部30が、規格化済み放射線画像S1′aに対してハフ変換を適用してマスク境界Bを検出し、放射線画像S1におけるマスク境界Bの位置情報BPを取得する(ステップST4)。
【0067】
ここで、画像濃度補正部40は、規格化済み放射線画像S1′bを、マスク境界Bを境界線とする複数の画像領域に区分した後、マスク境界Bからの距離が所定範囲内である濃度比較対象領域を、そのマスク境界Bを挟んで隣接する2つの画像領域の各々において設定し、一方の濃度比較対象領域の画素値の平均値と他方の濃度比較対象領域の画素値の平均値とが略一致するように、少なくとも一方の画像領域全体に階調変換処理を施すという濃度補正処理を、各マスク境界Bを挟んで隣接する2つの画像領域の組合せ毎に行い、規格化済み放射線画像S1′b全体の濃度補正を行い、規格化・濃度補正済み放射線画像S1″bを取得する(ステップST5)。
【0068】
規格化・濃度補正済み放射線画像S1″bが取得されると、ヒストグラム特徴量算出部50が、規格化・濃度補正済み放射線画像S1″bにおける画素値の累積ヒストグラムを作成し、累積頻度がA%(5≦A≦99)のときの画素値と累積頻度がB%(1≦B≦95)のときの画素値との差分値を、これらAとBがそれぞれ異なる所定の値となる1種類以上の組合せについて算出し、算出された値をさらに6値化してそれをヒストグラム特徴量とする(ステップST6)。
【0069】
また、エッジ特徴量算出部60が、一辺が32画素の規格化・濃度補正済み放射線画像S1″bを多重解像度化して、一辺がそれぞれ16画素、8画素、4画素となる3種類の解像度画像を生成することにより、自身を含めて4種類の解像度平面を用意し、これら解像度平面上のある2つの画素間の画素値の差分値を、これら2つの画素の位置の組合せがそれぞれ異なる所定の複数種類の組合せについて算出し、算出された値をさらに8値化してそれをエッジ特徴量とする(ステップST7)。
【0070】
ここで、判別処理部80が、既に算出されたIPサイズ情報SZ、マスク境界位置情報BP、ヒストグラム特徴量H、エッジ特徴量Eを含む複数種類の特徴量に基づいて、判別器群70を構成する複数種類の判別器の各々を順次用いて、放射線画像S1が所定の画像種類に属する画像であるか否かを判別してゆき、肯定する判別結果が得られたら放射線画像S1をそのときの画像種類に属する画像であると判別する(ステップST8)。
【0071】
(第2の実施形態)
図13は本発明の第2の実施形態である画像種類判別装置の構成を示す概略ブロック図である。図13に示すように、この画像種類判別装置は、放射線画像抽出部10と、画像規格化部20と、マスク境界検出部30と、ヒストグラム特徴量算出部50と、エッジ特徴量算出部60と、特徴量調整部45と、判別器群70を有する判別処理部80とを備えている。
【0072】
放射線画像抽出部10は、第1の実施形態と同様の方法により、画像中に放射線画像S1を含む入力画像S0に基づいて、入力画像S0中で画素値が0でない画素をほとんどとする矩形領域の画像を放射線画像S1として抽出し、この抽出された放射線画像S1の長辺と短辺の長さの組合せで規定されるサイズをIPサイズ情報SZとして取得するものである。
【0073】
画像規格化部20は、第1の実施形態と同様の方法により、放射線画像抽出部10により抽出された放射線画像S1を入力画像S0から切り出し、この放射線画像S1に解像度変換処理を施して規格化し、128×128画素(pixel)サイズに変換された規格化済み画像S1′aをマスク境界の検出処理用として、また、32×32画素サイズに変換された規格化済み画像S1′bをヒストグラム特徴量およびエッジ特徴量の算出処理用として生成するものである。
【0074】
マスク境界検出部30は、第1の実施形態と同様の方法により、規格化済み放射線画像S1′aを照射野に対応する部分とマスクに対応する部分とに分けるマスク境界Bを検出し、このマスク境界Bの位置を表す位置情報BPを取得するものである。
【0075】
ヒストグラム特徴量算出部50は、第1の実施形態と同様の方法により、規格化済み放射線画像S1′bにおけるヒストグラム特徴量Hを算出するものである。
【0076】
エッジ特徴量算出部60は、第1の実施形態と同様の方法により、規格化済み放射線画像S1′bにおけるエッジ特徴量Hを算出するものである。
【0077】
判別器群70は、第1の実施形態と同様の学習により生成され、判別すべき画像が属する画像種類が所定の種類であるか否かを、その判別すべき画像における複数種類の特徴量、すなわち、IPサイズ情報SZ、マスク境界位置情報BP、ヒストグラム特徴量Hおよびエッジ特徴量Eを含む特徴量に基づいて判別する判別器であって、判別すべき画像種類がそれぞれ異なる複数種類の判別器からなるものである。
【0078】
判別処理部80は、第1の実施形態と同様の方法により、放射線画像S1が属する画像種類を判別するものであり、放射線画像S1について既に取得された特徴量、すなわち、IPサイズ情報SZ、マスク境界位置情報BP、ヒストグラム特徴量Hおよびエッジ特徴量Eを含む複数種類の特徴量に基づいて、判別器群70を構成する複数種類の判別器のうち少なくとも1つを用いて、放射線画像S1が属する画像種類を判別するものである。
【0079】
特徴量調整部45は、規格化済み放射線画像S1′bにおけるマスク境界Bを跨ぐ領域に基づくエッジ特徴量Eaの画像種類判別への寄与を抑制すべく、そのエッジ特徴量Eaの値を調整するものであり、例えばその特徴量Eaの値を0(ゼロ)に置換するものである。これにより、そのエッジ特徴量Eaの画像種類判別への寄与率を低下させ、マスク境界Bを境にして変化する画像の濃度むらによるエッジ特徴量への悪影響を抑制することができる。なお、別の方法として、マスク境界Bがなかった場合と同等の結果が得られるように、そのエッジ特徴量Eの調整を行う方法を用いてもよい。
【0080】
次に、本発明の第2の実施形態である画像種類判別装置における処理の流れについて説明する。図13は、本発明の第2の実施形態である画像種類判別装置における処理の流れを示したフローチャートである。
【0081】
画像種類判別装置に放射線画像を含む画像S0が入力されると(ステップST11)、放射線画像抽出部10は、その入力画像S0の中で画素値が0(ゼロ)でない矩形領域の画像部分を放射線画像S1として抽出し、その放射線画像S1のサイズ情報をIPサイズ情報SZとして取得する(ステップST12)。
【0082】
次に、画像規格化部20は、抽出された放射線画像S1を入力画像S0から切り出し、切り出された放射線画像S1に対してアフィン変換等を行うことにより、128×128画素(pixel)サイズに変換された規格化済み画像S1′aをマスク境界検出処理用として、また、32×32画素サイズに変換された規格化済み画像S1′bをヒストグラム特徴量算出処理およびエッジ特徴量算出処理用として生成する(ステップST13)。
【0083】
そして、マスク境界検出部30が、規格化済み放射線画像S1′aに対してハフ変換を適用してマスク境界Bを検出し、放射線画像S1におけるマスク境界Bの位置情報BPを取得する(ステップST14)。
【0084】
マスク境界位置情報BPが取得されると、ヒストグラム特徴量算出部50が、規格化済み放射線画像S1′bにおける画素値の累積ヒストグラムを作成し、累積頻度がA%(5≦A≦99)のときの画素値と累積頻度がB%(1≦B≦95)のときの画素値との差分値を、これらAとBがそれぞれ異なる所定の値となる1種類以上の組合せについて算出し、算出された値をさらに6値化してそれをヒストグラム特徴量とする(ステップST16)。
【0085】
また、エッジ特徴量算出部60が、一辺が32画素の規格化済み放射線画像S1′bを多重解像度化して、一辺がそれぞれ16画素、8画素、4画素となる3種類の解像度画像を生成することにより、自身を含めて4種類の解像度平面を用意し、これら解像度平面上のある2つの画素間の画素値の差分値を、これら2つの画素の位置の組合せがそれぞれ異なる所定の複数種類の組合せについて算出し、算出された値をさらに8値化してそれをエッジ特徴量とする(ステップST17)。
【0086】
エッジ特徴量Eが算出されると、特徴量調整部45は、規格化済み放射線画像S1′bにおけるマスク境界Bを跨ぐ領域に基づくエッジ特徴量Eaの画像種類判別への寄与を抑制すべく、そのエッジ特徴量Eaの値を0(ゼロ)に置換する。
【0087】
そして、判別処理部80が、放射線画像S1に対して既に算出された、IPサイズ情報SZ、マスク境界位置情報BP、ヒストグラム特徴量Hおよびエッジ特徴量Eを含む複数種類の特徴量に基づいて、判別器群70を構成する複数種類の判別器の各々を順次用いて、放射線画像S1が所定の画像種類に属する画像であるか否かを判別してゆき、肯定する判別結果が得られたら放射線画像S1をそのときの画像種類に属する画像であると判別する(ステップST18)。
【0088】
このように、本発明の第1の実施形態である画像種類判別装置によれば、判別すべき画像が、撮影部位、撮影方向および撮影方法のうち1以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、当該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、上記画像種類毎に用意された当該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別器群70を用意し、画像中に放射線画像S1を含む入力画像S0に基づいて、放射線画像S1に対応した規格化済み放射線画像S1′aにおける照射野と照射野絞り用マスクとの境界であるマスク境界Bを検出し、放射線画像S1に対応した規格化済み放射線画像S1′bにおけるマスク境界Bを挟んで当該境界に沿って近接する2つの領域の画像の濃度を互いに近づける濃度補正を行い、規格化・濃度補正済みの放射線画像S1″bに対し上記判別器群70を適用して、放射線画像S1が属する画像種類を判別するので、画像の濃淡パターンが複雑でこれまで判別が難しかった画像種類についても、サンプル画像を用いたマシンラーニングの学習により生成された判別器の特徴、すなわち、高い判別精度と高いロバスト性を持って判別することができ、当該放射線画像が、撮影部位、撮影方向、撮影方法等で定義される多数の画像種類のうちいずれに属する画像であるかを判別することができる。さらには、放射線画像S1における照射野絞り用マスクに関する情報とその他の情報とを互いに分離して特徴量に反映させることができ、画像種類の判別性能を向上させることができる。
【0089】
本発明の第2の実施形態である画像種類判別装置によれば、判別すべき画像が、撮影部位、撮影方向および撮影方法のうち1以上の項目で予め定義された複数の画像種類のうちいずれに属する画像であるかを、当該判別すべき画像における複数種類の特徴量に基づいて判別する判別手段であって、上記画像種類毎に用意された当該画像種類に属する複数のサンプル画像を用いた機械学習により生成された判別器群70を用意し、画像中に放射線画像S1を含む入力画像S0に基づいて、放射線画像S1における照射野と照射野絞り用マスクとの境界であるマスク境界Bを検出し、放射線画像S1におけるマスク境界Bを跨ぐ領域に基づく特徴量の上記判別への寄与を抑制すべく、当該特徴量の値を調整し、放射線画像S1に対し上記判別器群70を適用して、放射線画像S1が属する画像種類を判別するので、画像の濃淡パターンが複雑でこれまで判別が難しかった画像種類についても、サンプル画像を用いたマシンラーニングの学習により生成された判別器の特徴、すなわち、高い判別精度と高いロバスト性を持って判別することができ、当該放射線画像が、撮影部位、撮影方向、撮影方法等で定義される多数の画像種類のうちいずれに属する画像であるかを判別することができる。さらには、放射線画像S1における照射野絞り用マスクに関する情報とその他の情報とを互いに分離して特徴量に反映させることができ、画像種類の判別性能を向上させることができる。
【0090】
また、本発明の第1および第2の実施形態である画像種類判別装置によれば、上記複数種類の特徴量が、放射線画像S1における濃度ヒストグラムを表す特徴量であるヒストグラム特徴量H、および放射線画像S1におけるエッジ成分を表す特徴量であるエッジ特徴量Eを含むものであるので、照射野絞り用マスクに関する情報を含みやすいものの画像種類との相関は高いという性質を持つ上記の特徴量を、その利点を抽出して判別に用いることができ、より確実に画像種類の判別性能を向上させることができる。
【0091】
また、本発明の第1および第2の実施形態である画像種類判別装置によれば、エッジ特徴量Eが、放射線画像S1における照射野と照射野絞り用マスクとの境界位置を表す特徴量であるマスク境界位置情報BPを含むものであるので、画像種類と相関の高い特徴量をさらに加えて用い判別することができ、判別性能をさらに向上させることができる。なお、エッジ特徴量Eは、マスクの境界位置だけでなく、分割撮影領域の境界位置を表す特徴量を含むようにしてもよい。
【0092】
ここで、本出願人により実施された、本画像種類判別装置の判別実験について説明する。本出願人により実施された実験は、判別に使用する特徴量の種類の違いによって、判別性能にどの程度の差が生じるかを調べることを目的とするものであり、実験条件、実験結果は以下の通りである。
【0093】
・実験条件
判別対象:頸部
サンプル画像:
頸部の画像の数=492
頸部以外の部位の画像の数=6957
・実験結果
【表2】


【0094】
※正判別率=頸部のサンプル画像を頸部の画像と正しく判別した割合
誤判別率=頸部以外のサンプル画像を頸部と誤って判別した割合
【0095】
このように、ヒストグラム特徴量Hのみを用いた場合に判別性能が最も悪く、また、同程度の誤判別率で比較したときには、ヒストグラム特徴量Hおよびエッジ特徴量Eを用いたときに正判別率が最も高いという結果が得られた。
【0096】
以上、本発明の実施形態である画像種類判別装置について説明したが、上記画像種類判別装置における各処理をコンピュータに実行させるためのプログラムも、本発明の実施形態の1つである。また、そのようなプログラムを記録したコンピュータ読取可能な記録媒体も、本発明の実施形態の1つである。
【図面の簡単な説明】
【0097】
【図1】本発明の第1の実施形態である画像種類判別装置の構成を示すブロック図
【図2】画像中に放射線画像を含む入力画像を示す図
【図3】エッジ成分を検出するためのsobelフィルタを示す図
【図4】エッジ成分を構成する画素のみで表されたエッジ抽出画像を示す図
【図5】ハフ変換空間である極座標系式のグラフを示す図
【図6】マスク境界が決定された放射線画像を示す図
【図7】規格化済み放射線画像に対して行う濃度補正を説明するための図
【図8】規格化・濃度補正済み放射線画像における濃度の累積ヒストグラムを示す図
【図9】規格化・濃度補正済み放射線画像を多重解像度化する様子を示す図
【図10】アダブースト学習アルゴリズムにより判別器を生成する様子を示す図
【図11】アダブースと学習アルゴリズムに用いるサンプル画像の一例を示す図
【図12】本発明の第1の実施形態である画像種類判別装置における処理の流れを示す図
【図13】本発明の第2の実施形態である画像種類判別装置の構成を示すブロック図
【図14】本発明の第2の実施形態である画像種類判別装置における処理の流れを示す図
【符号の説明】
【0098】
10 放射線画像抽出部
20 規格化部
30 マスク境界検出部
40 画像濃度補正部
45 特徴量調整部
50 ヒストグラム特徴量算出部
60 エッジ特徴量算出部
70 判別器群
80 判別処理部
【出願人】 【識別番号】306037311
【氏名又は名称】富士フイルム株式会社
【出願日】 平成18年7月3日(2006.7.3)
【代理人】 【識別番号】100073184
【弁理士】
【氏名又は名称】柳田 征史

【識別番号】100090468
【弁理士】
【氏名又は名称】佐久間 剛


【公開番号】 特開2008−11901(P2008−11901A)
【公開日】 平成20年1月24日(2008.1.24)
【出願番号】 特願2006−183165(P2006−183165)